本发明涉及一种油箱防盗系统，具体地涉及一种基于机器视觉的油箱防盗监控系统。
背景技术：
近年来，油价一直居高不下，偷油现象却日益猖獗，给车主带来了巨大的经济损失。在被偷油的目标车辆中，以重型货车为主，因为重型货车的油箱一般安装在外面，且油箱较大，加满一箱油，有的价值高达4000元以上，一旦偷盗得手则收益不菲，而且，许多重型货车经常在夜晚单独停靠在路边休息，也便于盗贼作案。针对偷油现象，目前市面上也有许多防偷油装置，一类是纯机械式的，如加强油箱盖锁，使其不易打开，或者在油箱盖上加装一个类似漏斗的金属装置，使其只能加油进去，而不能插油管吸油，但这些办法只是增加了偷油的难度，无法真正起到防治作用，还有可能使盗贼采取切除整个油箱等极端手段，使车主损失更大；另一类是电子式的，如设置油量检测装置，在车辆熄火时检测到油量减少则发出报警，这种方式存在报警延迟或车主不在车边时无法及时收到报警信息的问题，还有的在油箱上设置红外线扫描器或震动传感器来检测是否偷油，这种方式也存在误报率高，车主接收报警不及时的问题。因此，现有技术与产品并没有起到良好的防偷油效果，偷油现象依旧屡见不鲜。
中国专利文献cn105774754公开了一种油箱防盗系统，系统中的信号检测电路采用四个红外传感器模块来实现，其中三个红外传感器模块安装在同一平面上，剩下的一个红外传感器模块垂直于该平面设置，由此实现360度全方位探测，避免探测盲区的出现；通过在控制器中设置安全区阈值和报警区阈值来降低误报率。该系统通过红外传感器来进行探测，虽然可以提高一定的误报率，但是还是存在很大的误报率。
技术实现要素：
为了解决上述技术问题，本发明提出了一种油箱防盗监控系统，利用行人识别与动目标识别结合的深度学习算法对图像进行识别分析，判断是否有人在油箱附近活动，在检测到有可疑目标时，系统进行本地声光预警，同时将可疑目标图像发送到驾驶员手机端，提醒驾驶员及时查看。
本发明所采用的技术方案是：
一种油箱防盗监控系统，包括设置于油箱支架上用于采集油箱前方区域图像的图像采集装置，所述图像采集装置连接处理模块，所述处理模块连接预警装置和通讯模块，所述通讯模块连接监控终端，所述处理模块，内置有行人识别与动目标识别结合的深度学习算法，用于对采集到的图像进行识别，判断是否有可疑人物，若判断为可疑人物通过预警装置预警，保存可疑人物图像信息，并与监控终端通讯，将可疑人物图像信息发送至监控终端。
优选的技术方案中，与监控终端通讯时，监控终端发出提示音。
优选的技术方案中，所述行人识别与动目标识别结合的深度学习算法，包括以下步骤：
1）采用深度学习对图像进行分析，训练得到人体分类检测特征；
2）通过卷积神经网络进行大样本训练，得到人体分类器，用于提取图像中的人体；
3）对油箱部分进行静态背景建模，得到没有行人的背景模型，在行人经过该区域时，将该区域与背景模型进行比对，得到运动区域；
4）将步骤2）得到的结果与步骤3）得到的结果进行比对，判断是否有可疑人物。
优选的技术方案中，所述步骤1）具体包括：
将特征以卷积核级联的形式表达，每一级特征均由若干个卷积核构成，每一个卷积核都按照高斯分布随机初始化；训练时，采用无监督自编码训练的策略，以自编码器生成结果和原始值差异的平方和为反向传播的误差；通过大量图片的训练，得到能够表征人体和周围环境的分类检测特征。
优选的技术方案中，所述步骤2）中得到人体分类器的步骤包括：
基于步骤1）提取的特征，设计一种基于卷积神经网络的分类器；该分类器由步骤1）得出的卷积核连续在图像上滑动计算并级联，通过回归得到对行人位置的预测；训练时，根据标注数据中行人的位置和实际预测位置的差异调节神经网络参数，使其逐渐趋近真值。
优选的技术方案中，所述步骤3）的背景建模采用混合高斯模型聚类分析对背景进行实时建模，当背景无变化时，像素分布的混合高斯模型趋于稳定，当有运动物体进入时，计算得到新的模型，通过背景减除得到运动区域。
与现有技术相比，本发明的有益效果是：
1、利用行人识别与动目标识别结合的深度学习算法对图像进行识别分析，判断是否有人在油箱附近活动，可以大大提高识别准确率。通过油箱前活动人体检测可以识别可疑目标，可以在偷油行为进行前就进行预警，达到提前防治的目的。
2、通过主机本地预警与驾驶员手机端远程预警提示相结合的方式，既可以吓阻盗贼，又可以在驾驶员不在车边时，及时知道油箱被盗情况；系统向驾驶员手机发送的可疑图像，可以作为偷油事件发生后的追踪证据，为案件追踪提供线索。
附图说明
下面结合附图及实施例对本发明作进一步描述：
图1为油箱防盗监控系统的原理图；
图2为油箱防盗监控系统的硬件框图；
图3为油箱防盗监控系统的系统工作流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
实施例
一种油箱防盗监控系统，主要基于机器视觉技术与深度学习算法，通过在油箱支架上配置一个朝向油箱前方区域的摄像头，在车辆静止时，摄像头采集油箱前方区域图像，系统利用行人识别与动目标识别结合的深度学习算法对图像进行识别分析，判断是否有人在油箱附近活动，在检测到有可疑目标时，系统进行本地声光预警，同时将可疑目标图像发送到驾驶员手机端，提醒驾驶员及时查看。
如图1、2所示，本发明的油箱防盗监控系统包括硬件系统与软件系统。其中，硬件系统包括图像采集装置、系统处理器、预警控制电路、预警装置、4g通讯模块、监控终端。软件系统包括信息采集与传输模块、信息识别判断模块、预警控制模块、通讯控制模块。
硬件系统各部分功能如下：
图像采集装置：图像采集装置包括摄像头、相关外围电路及用于固定摄像头的外壳和底座，整个装置设置在油箱支架上，使摄像头能拍摄到油箱前方区域，底座可以调节设备的俯仰及水平角度。摄像头一般为高清广角摄像头，用于采集油箱前方及周围区域图像信息，并将图像信息传输至系统处理器。
系统处理器：一般为arm处理器，用于搭载运行行人识别与动目标识别算法，并具备信息接收、储存与传输功能；
预警控制电路：主要为示警装置控制开关，用于控制示警装置开闭；
预警装置：一般为声光报警器，用于在系统识别出可疑人物时，进行声光报警；
4g通讯模块：4g传输芯片，用于将系统保存的可疑人物图像信息传输至驾驶员手机终端；
监控终端：驾驶员手机终端，用于接收可疑人物图像信息。
软件系统各部分功能如下：
信息采集与传输模块：利用摄像头与其传输电路进行图像采集与传输；
信息识别处理模块：利用行人识别与动目标识别结合的深度学习算法对采集到的图像进行识别，判断在油箱周围是否有可疑人物，并将可疑人物图像信息保存下来。
具体识别实现过程为：
1）采用深度学习对图片进行分析，训练得到人体分类检测特征；特征以卷积核级联的形式表达，每一级特征均由若干个卷积核构成，每一个卷积核都按照高斯分布随机初始化；训练时，采用无监督自编码训练的策略，以自编码器生成结果和原始值差异的平方和为反向传播的误差；通过大量图片的训练，得到能够表征人体和周围环境的分类检测特征。
2）通过cnn卷积学习网络，进行大样本训练，得到分类器，从而能够将行人从图片中提取出来；基于步骤1提取的特征，设计一种基于卷积神经网络的分类器；该分类器由步骤1得出的卷积核连续在图片上滑动计算并级联，通过回归得到对行人位置的预测；训练时，根据标注数据中行人的位置和实际预测位置的差异调节神经网络参数，使其逐渐趋近真值。
3）通过对油箱部分，进行静态背景建模，得到没有行人的背景模型；在行人经过该区域时，将该区域与模型进行比对，背景减除等方法，得到运动区域；背景建模采用混合高斯模型聚类分析的技术，对背景进行实时建模，当背景无变化时，像素分布的混合高斯模型趋于稳定，当有运动物体进入时，会有新的模型被计算出来，从而反推出运动物体的区域。
4）将cnn提取得到的行人结果与动态区域检测得到的行人结果进行比对，最终确认是否有行人在油箱区域；
预警控制模块：根据系统识别结果，向示警装置发送控制信号，控制其开闭；
通讯控制模块：在系统保存可疑人物图像信息后，向4g通讯模块发送通讯信号。
如图3所示，系统的工作流程如下：
（1）当检测到车辆静止时，该系统自动启动；
（2）摄像头实时采集油箱前方区域图像，并将图像信息传输至系统处理器；
（3）系统处理器接收到图像信息后，利用深度学习fast-rcnn算法对图片进行分析，训练得到人体分类检测特征；然后，通过cnn卷积学习网络，进行大样本训练，得到分类器，从而能够将行人从图片中提取出来。同时，通过对油箱部分，进行静态背景建模，得到没有行人的背景模型。在行人经过该区域时，将该区域与模型进行比对，背景减除等方法，得到运动区域。最后，将cnn提取得到的行人结果与动态区域检测得到的行人结果进行比对，最终确认是否有行人在油箱区域；
（4）在未检测出行人时，系统返回上一步操作，继续对实时传输的图像进行检测；
（5）在检测出行人时，向预警控制器发送预警信号，预警控制器启动本地示警器的开关，本地示警器启动，发出声光报警；同时，系统将检测到的行人图像保存下来，通过4g通讯模块发送到绑定的驾驶员手机上，通过预警提示音提醒驾驶员查看。
应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。