[发明专利]一种基于联合编码的视频监控阵列显示优化方法和装置

说明书

本发明公开一种基于联合编码的视频监控阵列显示优化方法和装置，属于人工智能技术领域，通过构建全局编码器和局部编码器；利用深度学习的循环神经网络结构，构建含有全局编码器与局部编码器的联合编码监控策略推荐模型；使用当前监控序列的表示形式和每个候选项之间的双线性相似函数来计算相似度评分，根据每个项目的相似度评分获得对应监控画面接下来出现的概率值；基于每一个监控画面接下来出现的概率值优化视频监控阵列显示排序；通过构建含有全局编码器与局部编码器的联合编码监控策略推荐模型，对监控人员的行为进行可视化分析后利用循环神经网络结构，自动捕捉和总结优化后的监控人员行为。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种基于联合编码的视频监控阵列显示优化方法和装置。

背景技术

近年来，随着科技的发展和社会的进步，视频监控得到了迅速的发展，且越来越多的应用于传统和非传统的安保领域。视频监控系统是当前安防最重要的安全防范技术手段之一。随着视频监控点位的增多，所需监看视频个数远大于指挥中心监控屏幕可显示数量。监管人员通过人工模式进行视频轮巡查看，工作强度大、效率低，难以实现有效管控。随着计算机视觉和人工智能技术的发展，智能监控系统的轮巡机制在一定程度上减轻了监管人员的工作强度，提高了安防管理的工作效率，但是现在的轮巡机制会导致严重的信息丢失问题。

现有监控摄像机阵列排序显示技术对监控视频的显示主要有固定规则排序显示与异常画面排序显示两种思路方向，异常画面排序显示方法可以使用基于图像对比计算视频权重的方法，首先基于单一视频采集终端视频前后之间的差异，计算出各终端的权重值，再以各终端的权重值作为依据，筛选、确定多个视频流在监视器屏幕播放的次序。该方法对于处于长期“动态静止”状态的监控画面轮巡具有较好的效果，但是对持续动态变化的监控画面效果甚微。其次异常画面排序显示方法可以通过背景提取技术，判断是否有人员及异常设备等的入侵，并进行重点监控摄像机轮巡，这对运动物体检测技术有较高要求，并且由于监控摄像机工作环境及运动物体检测技术的原因，误报率较高。固定规则排序显示方法根据监控人员现有经验，设置间隔固定时间进行固定画面轮巡，这要求监控人员熟悉风险易发区域及时间，并且由于轮巡次序固定，无法针对不同时间段的高风险区域进行定时定点的轮巡监控。

这两种视频监控阵列排序显示方法均存在很大的弊端：基于固定规则的轮巡排序技术对监控人员经验要求较高，且无法在不同时间对不同风险区域进行精确轮巡；基于异常画面轮巡技术受图像智能分析技术准确性影响，误报率高，影响监控人员对风险的判断。

视频监控阵列排序显示方法从理论上可归集为一种推荐算法，利用推荐算法可以有效解决上述问题。在监控系统日志中不会关注监控操作人员信息，因为对于监控系统来说，监控摄像机排序显示次序比监控操作人员信息更为重要。因此可以有效利用的信息仅有操作人员的查看序列与对应的查看时间，在这种情况下使用传统推荐方法来推荐下一次排序显示的推荐结果往往是不够准确的，且推荐的结果存在滞后性和重复性的问题，然而基于会话的推荐系统可以有效解决这类问题。

发明内容

本发明提供一种基于联合编码的视频监控阵列显示优化方法和装置，通过构建含有全局编码器与局部编码器的联合编码监控策略推荐模型，对监控人员的行为进行可视化分析后利用循环神经网络结构，自动捕捉和总结优化后的监控人员行为。

本发明提供的具体技术方案如下：

一方面，本发明提供一种基于联合编码的视频监控阵列显示优化方法包括：

通过将整个监控序列作为全局编码器的输入，监控人员在所述监控序列中的行为特征作为全局编码器的输出，构建全局编码器；

采用物品级的注意力机制，动态选择和线性组合输入序列的不同部分，进行构建局部编码器；

利用深度学习的循环神经网络结构，构建含有全局编码器与局部编码器的联合编码监控策略推荐模型；