一种基于视频数据的无照游商游贩分析方法技术

本发明专利技术提供一种基于视频数据的无照游商游贩分析方法，包括：通过预设的监控装置，采集监控视频，对所述监控视频按帧截取，获取监控图像；基于预设的labellmg工具，对所述监控图像进行识别并标注，获取包含游商游贩的监控图像；将所述监控图像输入至预设的检测网络模型进行预处理，获取预测热图，通过所述预测热图，实现室外场景下的游商游贩的识别。实现室外场景下的游商游贩的识别。实现室外场景下的游商游贩的识别。

【技术实现步骤摘要】
一种基于视频数据的无照游商游贩分析方法


[0001]本专利技术涉及视频数据分析
，特别涉及一种基于视频数据的无照游商游贩分析方法。

技术介绍

[0002]目前，深度学习技术快速发展，深度学习技术在图像分类、自然语言处理、人脸识别领域得到了快速发展和广泛应用。卷积神经网络(Convolution Neural Network，CNN)在计算机视觉领域与图像识别上表现优异，通过CNN网络可以提取深层的图像信息，学习到更为复杂的高层语义信息，对复杂场景下的图像，可以克服噪声的干扰。在卷积神经网络中常用的网络结构有ALexNet、VGG、ResNet，GoogLeNet等，使用上述网络进行提取图像的特征，最后应用于图像分类和检测的任务。针对无照游商游贩的识别，由于其类别和特征并不是固定的，在现有的方法中大多数采用检测和分类技术提取物体区域特征，然后根据提取的特征进行分类任务，但是针对室外场景下的游商游贩的监控和识别，其类别的特征提取是不固定的，现有的技术中使用物体检测和识别的方法，大多数针对固定的特征进行检测和分类，例如手机、电视等特征是固定，而通用的物体检测针对室外场景下的游商游贩并不能很好的进行识别。目前缺乏一种对于无照游商游贩的具体分析方法，帮助治理城市，使城市的治理更加规范。

技术实现思路

[0003]本专利技术提供一种基于视频数据的无照游商游贩分析方法，以解决上述问题。
[0004]本专利技术提供一种基于视频数据的无照游商游贩分析方法，包括：
[0005]通过预先安装在监控区域的监控装置，采集监控视频，对所述监控视频按帧截取，获取监控图像；
[0006]基于预设的labellmg工具，对所述监控图像进行识别并标注，获取包含游商游贩的监控图像；
[0007]将所述监控图像输入至预设的检测网络模型进行预处理，获取预测热图，将所述预测热图传输至预设的大数据处理中心进行模型训练，识别游商游贩类型。
[0008]作为本技术方案的一种实施例，所述基于预设的labellmg工具，对所述监控图像进行识别并标注，获取包含游商游贩的监控图像之前，还包括：
[0009]基于预设的监控装置和监控图像，对对应的监控区域进行区域识别和定位，同时，对禁止游商游贩的摆摊的监控区域进行筛选，确定筛选监控区域；
[0010]获取所述筛选监控区域对应的监控图像，确定筛选图像；
[0011]采集筛选监控区域和对应的筛选图像的对应关系，并通过所述对应关系，在筛选图像上设置对应的区域标签。
[0012]作为本技术方案的一种实施例，所述基于预设的labellmg工具，对所述监控图像进行识别并标注，获取包含游商游贩的监控图像，还包括：
[0013]采集labellmg工具内预设的标注类型集合；其中，
[0014]所述标注类型集合至少包括时间标注、违规类型标注和监控区域类型标注；
[0015]通过所述标注类型，对区域标签的监控图像进行识别，获取识别图像；
[0016]基于预设的labellmg工具，对识别图像中游商游贩的区域进行标注，并检索标注类型集合，生成对应的类别标签；
[0017]将所述类别标签以水印方式加注在对应的和识别图像，生成监控图像。
[0018]作为本技术方案的一种实施例，所述将所述监控图像输入至预设的检测网络模型进行预处理，包括：
[0019]步骤1：将目标监控区域的监控图像缩放预设的尺寸，生成缩放图像；
[0020]步骤2：将所述缩放图像输入至预设的CenterNet检测网络模型进行归一化处理；
[0021]步骤3：将归一化处理后的缩放图像传输至CenterNet检测网络模型内进行结构特征提取，确定特征图像；
[0022]步骤4：将所述特征图像传输至CenterNet检测网络模型内预设的预测分支网络进行预测，获取预测热图。
[0023]作为本技术方案的一种实施例，所述步骤3，包括：
[0024]步骤30：将归一化处理后的缩放图像传输至CenterNet检测网络模型内预设的ResNet50网络结构机制中进行特征提取，确定ResNet50特征图像；
[0025]步骤31：通过预设的步长，将所述ResNet50特征图像传输至ResNet50网络结构机制中预设的卷积网络层进行最大池化操作，确定第一特征图像；其中，
[0026]所述卷积网络层包括第一层卷积网络层和第二层卷积网络层，所述卷积网络层设置5层的网络结构，每一层网络结构都经过一个block区；
[0027]步骤32：将所述第一特征图像传输至CenterNet检测网络模型进行deconv反卷积三次采样，生成特征图像。
[0028]作为本技术方案的一种实施例，所述步骤4，包括：
[0029]步骤40：将所述特征图像传输至CenterNet检测网络模型内预设的预测分支网络，计算预测长宽和预测尺寸；其中，
[0030]所述预测分支网络至少包括第一预测分支网络、第二预测分支网络和第三预测分支网络；
[0031]所述第一预测分支网络用于对特征图像进行浅层特征预测分析；
[0032]所述第二预测分支网络用于对特征图像进行深层特征预测分析；
[0033]所述第三预测分支网络用于对特征图像进行浅层特征和深层特征的预测分析进行融合；
[0034]步骤41：基于CenterNet检测网络模型内预设的预测分支网络，计算预测中心点偏移尺寸；
[0035]步骤42：基于预测长宽、预测尺寸和预测中心点偏移尺寸，将所述特征图像依次传输至CenterNet检测网络模型内预设的预测分支网络，生成预测热图。
[0036]作为本技术方案的一种实施例，所述步骤31，还包括：
[0037]步骤310：基于ResNet50网络结构机制中预设的SOM网络记性聚类算法，对ResNet50特征图像进行聚类，确定聚类特征图；
[0038]步骤311：将所述聚类特征图输入至预设的ResNet50网络结构机制中预设的卷积网络层中预设的SOM网络输入层，生成对应的输入节点；其中，
[0039]所述SOM网络输入层对应聚类特征图的高维的特征输入向量；
[0040]步骤312：基于预设的步长，检索与所述输入节点距离SOM网络输出层中的最短的输出层通道，通过所述最短的输出层通道，对历史获胜输出层通道进行更新，确定获胜输出层通道；
[0041]步骤313：将获胜输出层通道预设范围内的邻近区域的输出层通道的权重进行更新，采集更新后的获胜输出层上的输出节点；其中，
[0042]所述输出节点保持输入向量的拓扑特征，所述输入节点与输出节点通过权重向量连接；
[0043]步骤314：将所述输出节点进行解压和读取，确定第一特征图像。
[0044]作为本技术方案的一种实施例，所述步骤312，包括：
[0045]步骤3120：初始化所有输出层单元，对初始化后的输出层单元本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于视频数据的无照游商游贩分析方法，其特征在于，包括：通过预先安装在监控区域的监控装置，采集监控视频，对所述监控视频按帧截取，获取监控图像；基于预设的labellmg工具，对所述监控图像进行识别并标注，获取包含游商游贩的监控图像；将所述监控图像输入至预设的检测网络模型进行预处理，获取预测热图，将所述预测热图传输至预设的大数据处理中心进行模型训练，识别游商游贩类型。2.如权利要求1所述的一种基于视频数据的无照游商游贩分析方法，其特征在于，所述基于预设的labellmg工具，对所述监控图像进行识别并标注，获取包含游商游贩的监控图像之前，还包括：基于预设的监控装置和监控图像，对对应的监控区域进行区域识别和定位，同时，对禁止游商游贩的摆摊的监控区域进行筛选，确定筛选监控区域；获取所述筛选监控区域对应的监控图像，确定筛选图像；采集筛选监控区域和对应的筛选图像的对应关系，并通过所述对应关系，在筛选图像上设置对应的区域标签。3.如权利要求1所述的一种基于视频数据的无照游商游贩分析方法，其特征在于，所述基于预设的labellmg工具，对所述监控图像进行识别并标注，获取包含游商游贩的监控图像，还包括：采集labellmg工具内预设的标注类型集合；其中，所述标注类型集合至少包括时间标注、违规类型标注和监控区域类型标注；通过所述标注类型，对区域标签的监控图像进行识别，获取识别图像；基于预设的labellmg工具，对识别图像中游商游贩的区域进行标注，并检索标注类型集合，生成对应的类别标签；将所述类别标签以水印方式加注在对应的和识别图像，生成监控图像。4.如权利要求1所述的一种基于视频数据的无照游商游贩分析方法，其特征在于，所述将所述监控图像输入至预设的检测网络模型进行预处理，包括：步骤1：将目标监控区域的监控图像缩放预设的尺寸，生成缩放图像；步骤2：将所述缩放图像输入至预设的CenterNet检测网络模型进行归一化处理；步骤3：将归一化处理后的缩放图像传输至CenterNet检测网络模型内进行结构特征提取，确定特征图像；步骤4：将所述特征图像传输至CenterNet检测网络模型内预设的预测分支网络进行预测，获取预测热图。5.如权利要求4所述的一种基于视频数据的无照游商游贩分析方法，其特征在于，所述步骤3，包括：步骤30：将归一化处理后的缩放图像传输至CenterNet检测网络模型内预设的ResNet50网络结构机制中进行特征提取，确定ResNet50特征图像；步骤31：通过预设的步长，将所述ResNet50特征图像传输至ResNet50网络结构机制中预设的卷积网络层进行最大池化操作，确定第一特征图像；其中，所述卷积网络层包括第一层卷积网络层和第二层卷积网络层，所述卷积网络层设置5
层的网络结构，每一层网络结构都经过一个block区；步骤32：将所述第一特征图像传输至CenterNet检测网络模型进行deconv反卷积三次采样，生成特征图像。6.如权利要求4所述的一种基于视频数据的无照游商游贩分析方法，其特征在于，所述步骤4，包括：步骤40：将所述特征图像传输至CenterNet检测网络模型内预设的预测分支网络，计算预测长宽和预测尺寸；其中，所述预测分支网络至少包括第一预测分支网络、第二预测分支网络和第三预测分支网络；所述第一预测分支网络用于对特征图像进行浅层特征预测分析；所述第二预测分支网络用于对特征图像进行深层特征预测分析；所述第三预测分支网络用于对特征图像进行浅层特征和深层特征的预测分析进行融合；步骤41：基于CenterNet检测网络模型内预设的预测分支网络，计算预测中心点偏移尺寸；步骤42：基于预测长宽、预测尺寸和预测中心点偏移尺寸，将所述特征图像依次传输至CenterNet检测网络模型内预设的预测分支网络，生成预测热图。7.如权利要求5所述的一种基于视频数据的无照游商游贩分析方法，其特征在于，所述步骤31，还包括：步骤310：基于ResNet50网络结构机制中预设的SOM网络记性聚类算法，对ResNet50特征图像进行聚类，确定聚类特征图；步骤311：将所述聚类特征图输入至预设的ResNet50网络结构机制中预设的卷积网络层中预设的SOM网络输入层，生成对应的输入节点；其中，所述SOM网...

【专利技术属性】
技术研发人员：战凯，项一东，
申请(专利权)人：北京商海文天科技发展有限公司，
类型：发明
国别省市：