[发明专利]入侵分析方法、装置、设备及存储介质

说明书

本发明涉及智慧城市的监控技术领域，公开了一种入侵分析方法、装置、设备及存储介质，用于提高社区管理中人员入侵分析的准确率、及监控效率。所述方法包括：从视频监控平台中拉取原始监测视频流，并对所述原始监测视频流进行抽帧解析，得到对应的待识别视频图像；将所述待识别视频图像输入至预设的深度学习目标检测器，并经过深度学习目标检测器坐标框识别、非极大值抑制算法进行抑制、并经聚类合并处理得到目标图片，将经过预处理的图像经过预设的卷积神经网络模型进行识别，得到输出的行人入侵行为识别结果，并将所述行人入侵行为识别结果返回至所述视频监控平台。

技术领域

本发明涉及智慧城市的监控技术领域，尤其涉及一种入侵分析方法、装置、设备及存储介质。

背景技术

智慧社区是社区管理的新理念，是社会管理创新的一种新模式，智慧社区能充分利用新一代信息技术，为居民提供一个安全、舒适、便利的生活环境。行人入侵分析是社区管理中的重要组成部分，目前采用基于视频监控的技术进行入侵分析管理，然而传统的视频监控系统存在着人工判别误差大、入侵分析准确率低的问题，导致了针对人员入侵的监控效率低下，对社区安全造成隐患。

发明内容

本发明的主要目的在于解决传统视频系统监测社区人员入侵中，存在入侵分析准确率低、监控效率低的问题。

为实现上述目的，本发明第一方面提供了一种入侵分析方法，包括：

从视频监控平台中拉取原始监测视频流，并对所述原始监测视频流进行抽帧解析，得到对应的待识别视频图像；

将所述待识别视频图像输入至预设的深度学习目标检测器，得到对应的原始锚点坐标框，并将概率值大于预设阈值的所述原始锚点坐标框进行保留，得到对应的候选坐标框；

根据非极大值抑制算法对所述候选坐标框进行抑制处理，得到所述待识别视频图像中每个行人的坐标框；

将所有所述行人的坐标框进行聚类合并处理，得到聚类合并的新坐标框；

根据所述新坐标框对所述待识别视频图像进行截图并保存，得到对应的一批目标图片，将所述目标图片输入预设的卷积神经网络模型，得到所述卷积神经网络模型输出的行人入侵行为识别结果。

可选的，在本发明第一方面的另一种实现方式中，预先训练所述预设的深度学习目标检测器；

所述预先训练所述预设的深度学习目标检测器，具体包括：

从视频监控平台中拉取预设数据量的原始监测视频流进行抽帧解析，得到的视频图像作为训练数据集，所述训练数据集包括图片部分与标签部分，所述标签部分用于标定人体图像，并将所述训练数据集划分为训练集和验证集；

对所述训练集进行图像数据增强处理、并将处理后的图像输入深度学习目标检测器；

根据所述验证集对所述深度学习目标检测器的输出进行验证，当所述验证集的损失函数值不再递减时结束模型训练。

可选的，在本发明第一方面的另一种实现方式中，所述根据非极大值抑制算法对所述候选坐标框进行抑制处理，得到所述待识别视频图像中每个行人的坐标框，包括：

对所述候选坐标框按照概率值由高到低进行排序，并将最高概率值的候选坐标框作为第一基准框；

遍历所述最高概率值之后的候选坐标框，比较与所述第一基准框的交并比，并去除掉达到预设高度重合标准的候选坐标框；

重复遍历去除所述达到预设高度重合标准的候选坐标框之后剩余的候选坐标框，得到所述待识别视频图像中每个行人的坐标框。

可选的，在本发明第一方面的另一种实现方式中，所述将所有所述行人的坐标框进行聚类合并处理，得到聚类合并的新坐标框，包括：