一种基于AI的社区消防通道占用检测识别方法与流程

一种基于ai的社区消防通道占用检测识别方法
技术领域
1.本发明涉及图像检索技术领域,具体为一种基于ai的社区消防通道占用检测识别方法。


背景技术：

2.随着图像识别和视频分析技术在越来越多场景下使用，消防智慧化是未来消防领域发展的大趋势。智慧消防体系的建设，可以实现全区域大范围，集约化精准防控，警情信息快速响应，周边资源快速调配，实现防患、灭早，能最大限度的减少灾害损失与伤亡。而保证消防通道的畅通是智慧消防体系建设重要的一环，因为一旦发生火灾，消防通道是消防车辆通行的基本保证，是生命通道，绝不能被占用。
3.目前消防通道被占用的检测分析主要有以下两种方法：
4.1)通过布设通过红外、超声波等方法的传感器去探测消防通道内障碍物，探测到障碍物时则发出报警。但由于实时探测会因为车人短时间多次通过的情况形成频繁误报，因此在真实场景下不太会考虑使用。
5.2)基于监控图片与基准图片差异值比对的方法；但这种方法也会因为车流人流或者一些动物的逗留引起实际并没有占用消防车道的一系列误报。
6.因此，基于以上方法误报的原因，本发明提出了基于ai的社区消防通道占用检测识别方法，针对消防车道的占用检测中采用在检测物体的基础上结合基准图片的比对情况，可以避免多种误报情况，具有更高精度、更智能化的报警效果。


技术实现要素：

7.针对现有技术中存在的问题，本发明提供了基于ai的社区消防通道占用检测识别方法，在检测物体的基础上结合基准图片的比对情况，可以避免多种误报情况。
8.本发明的技术方案如下：
9.一种基于ai的社区消防通道占用检测识别方法，包括如下步骤：
10.步骤1)建立消防车道空闲图片为基准数据图库：
11.随机抽选3-5个社区，将社区内清空的消防车道按每10分钟一次的采样频率去采集未堵塞情况下消防车道一天24小时的图像作为基准图片数据；将基准图片进行哈希转化，生成一组基准数据数组a；
12.步骤2)收集消防车道监控图片数据为训练样本数据：
13.按每30秒一次的采样频率对步骤1中的社区的平时实际情况下消防车道监控数据进行采样，为期一周；
14.步骤3)样本数据预处理：
15.为了防止收集到的图片数据多为空闲时的消防车道图片，对图片进行一般数据增强，并结合贴背景的增强方式进行进一步数据增强，其中贴背景的增强方式即：将标注框内的机动车和非机动车裁剪出来，然后贴到空闲的消防车道背景图片上，以此形成新的样本
数据；
16.步骤4)训练消防车道占用模型：
17.首先，输入经过预处理的样本数据，采用vgg骨干网络作为特征提取的网络，对ssd模型深层特征层与浅层特征层进行特征融合；
18.然后将得到的特征通过下采样的方式与深层信息进行再融合，同时，引入通道注意力机制senet结构，对特征融合后的特征图进行更新，提取出更有利于检测特征的通道；
19.最后，针对目标检测中小目标漏检的情况，以及结合iou没有考虑到的非重叠区域，提出采用giou损失函数替代常用的iou损失函数，即：giou是在iou的计算基础上，提出了对于任意的两个a、b框，首先找到一个能够包住它们的最小方框c；然后计算c-(a∪b)的面积与c的面积的比值，再用a、b的iou值减去这个比值得到giou；计算公式如下：
20.iou＝(a∩b)/(a∪b)
21.giou＝iou-(c-(a∪b))/c
22.使得筛选出的框的数量增加，提高目标检测的定位准确度，进一步提高小目标检测的精度；
23.步骤5)判断报警机制：
24.根据单帧视频图像，先将监测图片进行哈希转化，生成监测数据数组b；再将基准数据数组a和监测数据数组b对比，通过计算得到汉明距离从而得出图像之间的相似度；当连续10帧图像的相似度低于80％时，开始启动消防车道占用模型进行检测；
25.对监测的消防车道视频图像中的机动车和非机动车作为待检测对象进行目标检测，获得目标检测回归值，即得到目标对象的高度h、宽度w和中心点坐标(x，y)；
26.进一步提取目标对象的颜色、形状、大小及速度信息，并使用卡尔曼滤波状态以及预测方程进行目标跟踪，具体是对目标对象的速度以及所得检测回归框的高度h、宽度w和中心点坐标(x，y)进行跟踪，判断目标对象是否长时间占用消防车道；
27.以消防车道占用模型检测到目标对象时开始计时，当目标对象停留时间超出设定时间时，则判定需要输出预警信息，触发报警。
28.进一步的，所述步骤1)中哈希转化的具体操作为：
29.1)将图片缩小尺寸为8
×
8，只保留基本信息，摒弃不同尺寸、比例带来的图片差异；
30.2)将缩小后的图片转为灰度图像；
31.3)计算所有像素的灰度平均值；
32.4)比较像素的灰度：将64个像素的灰度，与平均值进行比较，大于或等于平均值，记为1；小于平均值，记为0；
33.5)计算哈希值：将上一步的比较结果，组合在一起构成了一个64位的基准数据数组a。
34.进一步的，所述步骤2)中保存图像数据后，采用labelimg工具对图像格式文件进行标记,将图像中的机动车和非机动车画好框，作好正确的目标标注,并形成相对应的xml配置文件。
35.进一步的，所述步骤3)中一般数据增强的操作为：对图片进行填充、翻转以及色彩搅动。
36.进一步的，所述步骤3)中对图片处理后，结合图片大小的改变、框的相对移动，通过脚本将xml文件解析成txt格式的数据文件，将图片和文本保存在同一文件夹，按照一定比例划分训练集、验证集以及测试集。
37.进一步的，所述步骤4)中在训练基于的消防车道占用检测模型时，设置最大迭代次数为n次，前n/5次每训练n次保存一个模型的权重文件，之后每隔a*n次保存一次权重文件，其中a》1且为整数，直至训练结束；当训练到8*n/10次和9*n/10次时，令学习率分别在之前的基础上衰减10倍。
38.本发明的有益效果是：
39.1)贴背景的数据增强模式可以在样本缺乏或不平衡时起到既好又快的增加样本的作用，为模型效果起到正向作用。
40.2)将高层特征图进行上采样,然后与浅层特征进行加法合并操作,得到新的表达能力更强的特征图，这种多尺度的特征图在面对不同尺寸的物体时,具有更好的鲁棒性，降低漏检率，进而提升其准确度。
41.3)通道注意力机制senet，是让神经网络可以更多的去关注与特征相关的细节信息，这样可以加快信息的处理时间，进而一定程度上提高计算机处理信息的效率，提高特征的表达能力，最终提升模型的效果。
42.4)用giou损失函数替代常用的iou损失函数，可以提高目标检测的定位准确度，进而提升报警准确率。
附图说明
43.图1为本发明的特征提取过程图。
具体实施方式
44.以下结合说明书附图，对本发明作进一步描述。
45.如图1所示，一种基于ai的社区消防通道占用检测识别方法,具体实施步骤如下所述：
46.步骤1：建立消防车道空闲图片为基准数据图库，具体包括：将清空的社区内消防车道按每10分钟一次的采样频率去采集未堵塞情况下消防车道一天24小时的图像作为基准图片数据；将基准图片进行哈希转化，生成一组基准数据数组a；
47.其中，哈希转化的具体操作为：
48.1)将图片缩小尺寸为8
×
8，只保留结构、明暗等基本信息，摒弃不同尺寸、比例带来的图片差异；
49.2)将缩小后的图片转为灰度图像；
50.3)计算所有像素的灰度平均值；
51.4)比较像素的灰度。将64个像素的灰度，与平均值进行比较，大于或等于平均值，记为1；小于平均值，记为0；
52.5)计算哈希值。将上一步的比较结果，组合在一起构成了一个64位的基准数据数组a。
53.步骤2：收集消防车道监控图片数据为训练样本数据，具体包括：按每30秒一次的
采样频率对多个社区平时实际情况下消防车道监控数据进行采样，为期一周。
54.步骤3：样本数据预处理：为了防止收集到的图片数据多为空闲时的消防车道图片，将图片做了一般的数据增强方式之外，还结合了贴背景的增强方式来生成新的数据，即将标注框内的目标(机动车和非机动车)裁减出来，然后贴到空闲的消防车道背景图片上，以此形成新的样本图片数据。
55.步骤4：训练模型：
56.首先，输入经过预处理的训练样本数据，采用vgg骨干网络作为特征提取的网络，对ssd模型深层特征层与浅层特征层进行特征融合，然后将得到的特征通过下采样的方式与深层信息进行再融合，同时，引入通道注意力机制senet结构，对特征融合后的特征图进行更新，提取出更有利于检测特征的通道。最后，针对目标检测中小目标漏检的情况，以及结合iou没有考虑到的非重叠区域，提出采用giou损失函数替代常用的iou损失函数，
57.即：giou是在iou的计算基础上，提出了对于任意的两个a、b框，首先找到一个能够包住它们的最小方框c。然后计算c-(a∪b)的面积与c的面积的比值，再用a、b的iou值减去这个比值得到giou。计算公式如下：
58.iou＝(a∩b)/(a∪b)
59.giou＝iou-(c-(a∪b))/c
60.使得筛选出的框的数量增加，提高目标检测的定位准确度，进一步提高小目标检测的精度。
61.在训练基于的消防车道占用检测模型时，设置最大迭代次数为n(一般10000次为基础)次，前n/5次每训练n(一般100次为基础)次保存一个模型的权重文件，之后每隔a*n(a》1且为整数)次保存一次权重文件，直至训练结束；当训练到8*n/10次和9*n/10次时，令学习率分别在之前的基础上衰减10倍。
62.步骤5：判断报警机制：
63.根据单帧视频图像，先将监测图片进行哈希转化，生成监测数据数组b。再将基准数据数组a和监测数据数组b对比，通过计算得到汉明距离从而得出图像之间的相似度。当连续10帧图像的相似度低于80％时，开始启动消防车道占用模型检测；
64.对监测的消防车道视频图像中的机动车和非机动车作为待检测对象进行目标检测，获得目标检测回归值，即得到目标对象的高度h、宽度w和中心点坐标(x，y)；
65.进一步提取目标对象的颜色、形状、大小及速度等信息，使用卡尔曼滤波状态方程以及预测进行目标跟踪，具体是对目标对象的速度以及所得检测回归框的高度h、宽度w和中心点坐标(x，y)进行跟踪，判断目标对象是否长时间占用消防车道；
66.以消防车道占用模型检测到目标对象时开始计时，当目标对象停留时间超出设定时间时，则判定需要输出预警信息，触发报警。