一种基于深度学习的智能监控系统技术方案

本发明专利技术公开了一种基于深度学习的智能监控系统，包括：目标检测模块和安防分析模块，安防分析模块包括消息缓存队列、事件分发器和任务分析器。目标检测模块利用目标检测模型对视频流中的图像帧进行目标检测，生成目标检测事件并上报；消息缓存队列用于接收上报的目标检测事件并缓存在消息队列中；事件分发器用于获取消息队列中的目标检测事件，识别目标检测事件所属任务，并根据识别的任务将目标检测事件分发至对应的任务分析器；任务分析器根据任务的启动和停止进行创建和销毁，用于根据任务对目标检测事件进行越界判断和/或区域入侵判断。本发明专利技术基于深度学习的目标检测算法和基于计算机视觉的智能安防分析的解耦实现，并具有可扩展性。可扩展性。可扩展性。

【技术实现步骤摘要】
一种基于深度学习的智能监控系统


[0001]本专利技术属于安防
，具体涉及一种基于深度学习的智能监控系统。

技术介绍

[0002]在监控摄像技术的不断发展下，智能监控系统作为营区安防保卫系统在营区的建设过程中被重点考虑。在智能监控系统中，通常需要选取监控点画面中的某部分以进行重点监控。当有目标出现在敏感位置时，智能监控系统对目标进行实时检测并实时上报所发现目标的轨迹信息。
[0003]智能监控系统是营区安防保卫领域的一个重要研究方向，通常基于视频分析技术实现。传统的智能监控系统比较依赖与设定场景，若在复杂环境中使用会对环境中的任何风吹草动进行录像和报警，从而造成大量冗余、误报。而且对于工地、仓库、围墙、景区、危化品、供电等各类重要区域需要定点设防，传统的智能监控系统无法满足。此外，传统的智能监控系统不支持模型的定制和扩展，部署后只能依赖于替换系统来满足模型的替换，成本比较高昂。此外，传统方式只能对实时的场景进行分析，无法实现对于特定历史视频的安防检测。

技术实现思路

[0004]为解决上述技术问题，本专利技术提供一种基于深度学习的智能监控系统。
[0005]为实现上述目的，本专利技术所采取的技术方案为：
[0006]一种基于深度学习的智能监控系统，所述基于深度学习的智能监控系统包括：目标检测模块和安防分析模块，所述安防分析模块包括消息缓存队列、事件分发器和任务分析器，其中：
[0007]所述目标检测模块，用于利用目标检测模型对视频流中的图像帧进行目标检测，生成目标检测事件并上报至所述安防分析模块；
[0008]所述安防分析模块中的消息缓存队列，用于接收上报的目标检测事件并缓存在消息队列中；
[0009]所述安防分析模块中的事件分发器，用于获取消息队列中的目标检测事件，识别目标检测事件所属任务，并根据识别的任务将目标检测事件分发至对应的任务分析器；
[0010]所述安防分析模块中的任务分析器根据任务的启动和停止进行创建和销毁，用于根据任务对目标检测事件进行越界判断和/或区域入侵判断。
[0011]以下还提供了若干可选方式，但并不作为对上述总体方案的额外限定，仅仅是进一步的增补或优选，在没有技术或逻辑矛盾的前提下，各可选方式可单独针对上述总体方案进行组合，还可以是多个可选方式之间进行组合。
[0012]作为优选，所述目标检测模型为改进的YOLOv3
‑
tiny模型，所述改进的YOLOv3
‑
tiny模型采用backbone采集输入图片5个层级的feature map，然后针对每个层级的feature map使用不同尺度的pooling操作统一尺度，接着对尺度相同的feature map进行
concate操作得到第一合并特征，并采取Maxpool
‑
depth操作进行特征融合，最后将融合得到的feature map送入基于PAN结构的detect head部分进行目标框的回归计算。
[0013]作为优选，所述采用backbone采集输入图片5个层级的feature map，包括：
[0014]输入图片依次经过backbone的卷积层、最大池化层、卷积层、最大池化层、卷积层、最大池化层、卷积层、最大池化层、卷积层、最大池化层、卷积层、最大池化层、卷积层、卷积层和卷积层，取位于第三层的卷积层的输出为第1层级的feature map，取位于第五层的卷积层的输出为第2层级的feature map，取位于第七层的卷积层的输出为第3层级的feature map，取位于第九层的卷积层的输出为第4层级的feature map，取位于第十五层的卷积层的输出为第5层级的feature map。
[0015]作为优选，所述针对每个层级的feature map使用不同尺度的pooling操作统一尺度，包括：
[0016]第1层级的feature map经过一个分支得到一个输出，该分支设有池化层和卷积层，第2层级的feature map经过四个分支得到四个输出，四个分支设有不同大小的池化核和卷积核的池化层和卷积层，第3层级的feature map经过三个分支得到三个输出，三个分支设有不同大小的池化核和卷积核的池化层和卷积层，第4层级的feature map经过一个分支得到一个输出，该分支设有池化层和卷积层，第5层级的feature map经过一个分支得到一个输出，该分支设有卷积层，得到的十个输出具有相同尺度。
[0017]作为优选，所述将融合得到的feature map送入基于PAN结构的detect head部分进行目标框的回归计算，包括：
[0018]取融合得到的feature map包括第一融合特征、第二融合特征和第三融合特征，其中第一融合特征与Maxpool
‑
depth操作后得到的特征相同，第二融合特征为Maxpool
‑
depth操作后得到的特征再经过两倍上采样得到，第三融合特征为Maxpool
‑
depth操作后得到的特征再经过四倍上采样得到；
[0019]backbone输出的第5层级的feature map经过卷积层后作为第一特征，第一特征与第一融合特征进行concate操作后再经过卷积层得到第一预测输出；
[0020]第一特征经过卷积层和上采样层后与Backbone输出的第4层级的feature map进行concate操作得到第二合并特征，第二合并特征经过卷积层后作为第二特征，第二特征与第二融合特征进行concate操作后再经过卷积层得到第二预测输出；
[0021]第二特征经过卷积层和上采样层后与Backbone输出的第3层级的feature map进行concate操作得到第三合并特征，第三合并特征经过卷积层后作为第三特征，第三特征与第三融合特征进行concate操作后再经过卷积层得到第三预测输出。
[0022]作为优选，所述事件分发器，根据识别的任务将目标检测事件分发至对应的任务分析器，执行如下操作：
[0023]判断目标检测事件所属任务是否已经存在对应的任务分析器，若已经存在，则将目标检测事件分发至对应的任务分析器，若不存在则创建任务分析器；所述任务分析器包括越界检测分析器和区域入侵分析器；
[0024]其中创建任务分析器时执行如下操作：读取越界判断规则，并根据越界判断规则创建越界检测分析器，若读取的越界判断规则为空，则创建一个空分析器作为越界检测分析器；读取区域入侵判断规则，并根据区域入侵判断规则创建区域入侵检测分析器，若读取
的区域入侵判断规则为空，则创建一个空分析器作为区域入侵检测分析器。
[0025]作为优选，所述任务分析器，进行区域入侵判断，执行如下操作：
[0026](1)获取敏感区域内所有目标；
[0027](2)如果敏感区域内不存在目标则直接结束，否则继续执行；
[0028](3)根据所有目标的实时画像，从本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的智能监控系统，其特征在于，所述基于深度学习的智能监控系统包括：目标检测模块和安防分析模块，所述安防分析模块包括消息缓存队列、事件分发器和任务分析器，其中：所述目标检测模块，用于利用目标检测模型对视频流中的图像帧进行目标检测，生成目标检测事件并上报至所述安防分析模块；所述安防分析模块中的消息缓存队列，用于接收上报的目标检测事件并缓存在消息队列中；所述安防分析模块中的事件分发器，用于获取消息队列中的目标检测事件，识别目标检测事件所属任务，并根据识别的任务将目标检测事件分发至对应的任务分析器；所述安防分析模块中的任务分析器根据任务的启动和停止进行创建和销毁，用于根据任务对目标检测事件进行越界判断和/或区域入侵判断。2.如权利要求1所述的基于深度学习的智能监控系统，其特征在于，所述目标检测模型为改进的YOLOv3
‑
tiny模型，所述改进的YOLOv3
‑
tiny模型采用backbone采集输入图片5个层级的feature map，然后针对每个层级的feature map使用不同尺度的pooling操作统一尺度，接着对尺度相同的feature map进行concate操作得到第一合并特征，并采取Maxpool
‑
depth操作进行特征融合，最后将融合得到的feature map送入基于PAN结构的detect head部分进行目标框的回归计算。3.如权利要求2所述的基于深度学习的智能监控系统，其特征在于，所述采用backbone采集输入图片5个层级的feature map，包括：输入图片依次经过backbone的卷积层、最大池化层、卷积层、最大池化层、卷积层、最大池化层、卷积层、最大池化层、卷积层、最大池化层、卷积层、最大池化层、卷积层、卷积层和卷积层，取位于第三层的卷积层的输出为第1层级的feature map，取位于第五层的卷积层的输出为第2层级的feature map，取位于第七层的卷积层的输出为第3层级的feature map，取位于第九层的卷积层的输出为第4层级的feature map，取位于第十五层的卷积层的输出为第5层级的feature map。4.如权利要求2所述的基于深度学习的智能监控系统，其特征在于，所述针对每个层级的feature map使用不同尺度的pooling操作统一尺度，包括：第1层级的feature map经过一个分支得到一个输出，该分支设有池化层和卷积层，第2层级的feature map经过四个分支得到四个输出，四个分支设有不同大小的池化核和卷积核的池化层和卷积层，第3层级的feature map经过三个分支得到三个输出，三个分支设有不同大小的池化核和卷积核的池化层和卷积层，第4层级的feature map经过一个分支得到一个输出，该分支设有池化层和卷积层，第5层级的feature map经过一个分支得到一个输出，该分支设有卷积层，得到的十个输出具有相同尺度。5.如权利要求2所述的基于深度学习的智能监控系统，其特征在于，所述将融合得到的feature map送入基于PAN结构的detect head部分进行目标框的回归计算，包括：取融合得到的feature map包括第一融合特征、第二融合特征和第三融合特征，其中第一融合特征与Maxpool
‑
depth操作后得到的特征相同，第二融合特征为Maxpool
‑
depth操作后得到的特征再经过两倍上采样...

【专利技术属性】
技术研发人员：张鹏伟，丁亚坤，肖方程，郑思媛，江婷，
申请(专利权)人：中国电子科技集团公司第五十二研究所，
类型：发明
国别省市：