国土资源视频监控系统中基于特定违章建筑识别预警方法与流程

本发明涉及计算机应用技术领域，尤其涉及一种应用于国土资源视频监控系统中对特定违章建筑的识别预警方法。

技术背景

作为现有成熟网络视频监控技术的一种行业应用，国土资源的视频监控体系一般也包含了前端视频信息采集，视频编码网络传输，信息中心的操控管理与数据处理，其体系如附图1所示。在实际的项目建设中，随着监控点的数量迅速增多，对于人工值守盯看将面临海量的视频或抓拍图像信息，监管人员面临数量众多的监控图像难免会疏忽遗漏重要的信息，视觉疲劳也会使得监管效果不如人意。

基于图像分析与处理的智能监控是未来视频监控的发展方向，可以早发现、早预警，同时可实现大范围监控的无人值守。对于国土资源的视频监控系统而言，视频监控及图像抓拍系统的主要功能之一就是要对监控范围内出现的一些违法行为或违章建筑进行及时的发现及预警，便于工作人员及时作出相应的处理。反应到系统中的核心技术问题就是要对特定监控点抓拍到的图像进行特定物体的识别。基于图像处理的物体识别基本上都使用了机器学习方法。为了改善这些方法的性能，通常需要收集更大的数据集，并构建强有力的模型以及防止过拟合。但是现实环境中的同一类物体通常也会表现出复杂的形态，因此要达到好的识别效果就必须使用庞大而准确的训练集。

卷积神经网络cnn是深度学习中经典而常用的模型之一，r-cnn(regionswithconvolutionalneuralnetworkfeatures)是基于深度学习的物体检测领域中一种经典算法，alexnet网络模型是2012年以来最成功的卷积神经网络模型之一，其在公开的pascol_voc数据集上取得了优异的检测效果。alexnet中包含一些既新鲜而又不同寻常的特征，它们提高了网络的性能，并减少了网络的训练时间。alexnet网络包含五个卷积层和三个全连接层(见附图2)。

技术实现要素：

本发明的目的是针对现有视频监控系统在国土资源监测中的应用，提供一种基于快速r-cnn物体识别的方法，用于国土资源视频监控系统中早期发现特定的违章建筑，从而达到及时预警的效果。

本发明所采用的技术方案是：一种国土资源视频监控系统中基于特定违章建筑识别预警方法，其特征在于，包括以下步骤：

步骤1：基于国土资源监控视频，对每一张视频图像，划分需要预警的区域并记录区域左上角的坐标(m,n)和右下角的坐标(x,y)，将划分需要预警的区域作为检测样本；

步骤2：构建包括若干建筑物图片的训练集，利用训练集基于alexnet卷积神经网络训练关于建筑的cnn模型，并使用cnn模型的对于训练集的输出训练softmax分类器；

步骤3：对检测样本进行去雾化处理；

步骤4：使用selectivesearch算法在检测样本中提取若干个候选区域，将每个候选区域归一化到m×m×l，其中m的取值范围为100-250，l为r/g/b三通道；然后在步骤2中训练好的cnn模型中正向传播，提取最后一层的特征向量；

步骤5：使用步骤2中训练好的softmax分类器对步骤4中提取的特征向量进行打分，得到步骤4中提取的候选区域对于建筑的分数s，若该分数s大于阈值t的话，则标记该候选区域为建筑物；

步骤6：对标记出的候选区域使用非极大值抑制nms法去除交叉多余的框，若一段连续时间该候选区域未标记出建筑而当前图片检测出建筑，则判定该建筑为违章建筑并预警。

相对于现有技术，本发明的技术效果是：

1.相比于传统的网络视频监控，本发明可以有效的降低网络流量所带来的费用。同时本发明实现了自动化、智能化的违章建筑预警，可实现大范围监控的无人值守；

2.本发明对回传的图片做了去雾化的处理，可以有效的增加识别的准确率。

附图说明

图1为本发明实施例的应用系统架构模型；

图2为本发明实施例中alexnet网络架构模型；

图3为本发明的流程图。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。

本发明为针对国土视频监测系统，采用特定的图像采集策略获取相应的图片集以后，再基于快速r-cnn训练出违章建筑模型，对各个监控点做建筑识别，若连续一段时间该地区无建筑而当前照片识别出建筑，则判定该建筑为违章建筑。

一种基于快速r-cnn物体识别的国土资源监控预警方法，通过在前端对监控云台进行设定，每天在固定的角度，以固定的摄像参数在预设的特定时间点进行图片抓拍回传。在连续采集定点抓拍图片之后，系统将针对此图片序列进行基于以下算法的物体识别，在所有图片序列中找出可能有违章建筑的图片进行标记，作为系统输出，形成预警依据，同时将标记处的违章建筑加入训练集。

输入：在某个待识别的固定预置位，在预定时间点(如6:00、14:00、22:00)依次抓拍图片回传(也可录制一段视频，然后对视频流按一定的间隔频率，如每隔5帧截取一帧，进行截取，并对各个前端监控点的来源分配唯一的id号作为分组依据，同时加盖时间戳以区分同一id下不同时间节点的视频帧组)，输入回传的图片。

输出：在训练好的cnn网络上识别图片中的违章建筑，并标记出来作为算法的输出。

请见图3，本发明提供的一种国土资源视频监控系统中基于特定违章建筑识别预警方法，包括以下步骤：

步骤1：基于国土资源监控视频，对每一张视频图像，划分需要预警的区域并记录区域左上角的坐标(m,n)和右下角的坐标(x,y)，将划分需要预警的区域作为检测样本；

步骤2：构建包括1000-2000张建筑物的训练集，利用训练集基于alexnet卷积神经网络训练关于建筑的cnn模型，并使用cnn模型的对于训练集的输出训练softmax分类器；

具体实现包括以下子步骤：

步骤2.1：cnn网络结构设计阶段：使用alexnet网络架构，alexnet网络架构见附图2。

步骤2.2：cnn网络有监督预训练阶段：直接用imagenet数据库训练好的的alexnet网络初始化参数，然后在下一步fine-tuing阶段进行有监督的参数微调。

步骤2.3：fine-tuning阶段；

选取1000-2000张图片作为训练集，标记出图片中违章建筑的左上方和右下方坐标，将alexnet卷积神经网络的最后一层替换成违章建筑输出元和1个背景，使用selectivesearch算法在步骤1中划分的检测样本中提取若干个候选区域，若提取出的候选区域与标记的坐标重叠度大于阈值t，则标记为正样本，否则为负样本；

步骤2.4：对1000-2000张图片选取出的预选框分组(batch-size)，输入至alexnt卷积神经网络网络中，网络优化求解时采用随机梯度下降法，学习率大小为0.001。

其中，batch-size的取值为120，其中正样本为90个，负样本为30个。

步骤3：对检测样本进行去雾化处理；

所需检测的图片均为户外拍摄，故易受雾霾天气影响。基于暗通道的去雾算法公式如下：

其中j(x)为去雾后的图片，i(x)为原图，a为全球大气光成分，t(x)为透射率，t0为阈值，当t(x)小于t0时防止j(x)过大而使得图像向白场过渡；

ω(x)表示以像素x为中心的一个窗口，ω为模拟因子来模拟正常天气情况，其所计算的均为r/g/b三通道。参数ω的取值为0.90，参数t0的取值为0.15。

全球大气光成分a的求取过程是，首先从暗通道图中按照亮度的大小取前0.2％的像素；然后在这0.2％的像素在原始有雾视频图像i(x)对应位置中寻找具有最高亮度的点的值，作为a值。

步骤4：使用selectivesearch算法在检测样本中提取若干个候选区域，将每个候选区域归一化到m×m×l；然后在步骤2中训练好的cnn模型中正向传播，提取最后一层的特征向量。其中m的取值范围约为100-250，不同的尺寸需要相应的修改alexnet网络中相应的参数，l为r/g/b三通道。

步骤5：使用步骤2中训练好的softmax分类器对步骤4中提取的特征向量进行打分，得到步骤4中提取的候选区域对于建筑的分数s，若该分数s大于某个阈值t的话，则标记该候选区域为建筑物；

步骤6：对步骤5中标记的候选区域使用非极大值抑制(nms)法去除交叉多余的框。若一段连续时间步骤1中划分的监控区域中未标记出建筑而当前图片检测出建筑，则判定该建筑为违章建筑并预警并提交人工审核。若为违章建筑，则加入违章建筑训练集。

对得到的某站点的所有图片数组分别进行特征识别处理，并返回识别结果作为预警依据；识别的算法流程如图3所示。

本发明设计的方法适合于大规模部署的监控系统应用场景。大规模监控的效果仅靠人眼观察视频来判断，不仅效率低下，而且收效甚微。本发明所设计的方法通过对传回的图片序列进行智能化比对分析，针对国土监测的业务需求，通过智能识别算法将回传图片中的疑似违章建筑进行标注，实现早期预警，将管理人员中海量的图片信息中解放出来，大大提升了系统的运营效能。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。