放射源的监控方法、装置及电子设备与流程

本发明涉及人工智能技术领域，具体涉及一种放射源的监控方法、装置及电子设备。

背景技术：

放射源是指用放射性物质制备的小型紧凑的辐射源的通称，其基本特点是能够不断地提供有实用意义的辐射。随着市场经济的发展和各个领域的进一步开放，作为一种高新技术产品，放射源已经广泛地应用于工业、医学、环境及科学研究等多个领域。

然而，放射源发射出来的射线具有一定的能量，它可以破坏细胞组织，从而对人体造成伤害。国际原子能机构根据放射源对人体可能的伤害程度，将放射源分为5类(ⅰ类-ⅴ类)。其中，根据调查数据显示，我国被盗或失控的放射源多属于ⅳ类或ⅴ类。

现有技术中，对ⅳ类或ⅴ类放射源的检测主要是依靠各种辐射检测仪，而辐射检测仪器的核心部件是传感器，它的任务就是将各种需要检测的物理、化学等变量信息转变成可测量的电信号，再传给芯片进行计算得出结果。但是，由于ⅴ类放射源的辐射强度较低，导致辐射检测仪对该类产品的检测灵敏度不够。

技术实现要素：

有鉴于此，本发明实施例提供了一种放射源的监控方法，以解决现有技术中对放射源的检测灵敏度偏低的问题。

根据第一方面，本发明实施例提供了一种放射源的监控方法，包括：

获取待检测视频；

提取所述待检测视频中的视频图像；

利用放射源分类器对所述视频图像进行特征提取；

将提取出的特征与放射源特征数据库中的特征进行匹配；其中，所述放射源特征数据库为利用放射源的图像进行特征训练后得到的所述放射源的特征数据库；

当提取出的特征与所述放射源特征数据库中的特征匹配一致时，确定所述提取出的特征对应的所述视频图像为含所述放射源的涉源图像。

本发明实施例提供的放射源的监控方法，可以在视频监控的同时对视频流中的视频图像进行实时的放射源检测，具体是通过特征提取以及特征匹配确定出含放射源的涉源图像，该方法是利用放射源的图像进行机器学习后，通过特征匹配确定出涉源图像，能够保证较高的放射源检测，提高了检测精度。

结合第一方面，在第一方面第一实施方式中，所述放射源特征数据库中存储有若干所述放射源的特征对应的特征值；

其中，所述将提取出的特征与放射源特征数据库中的特征进行匹配，包括：

计算所述提取出的特征的特征值；

比较计算出的特征值与所述放射源特征数据库中的特征值的相似度；

当所述相似度在预设范围内时，确定所述提取出的特征与所述放射源特征数据库中的特征匹配。

本发明实施例提供的放射源的监控方法，通过计算提取出的特征对应的特征值与放射源特征数据库中的特征值进行比较，简化了匹配步骤，仅通过特征值就能够确定出涉源图像，提高了放射源监控的效率。

结合第一方面，在第一方面第二实施方式中，所述确定所述提取出的特征为对应的所述视频图像为含放射源的涉源图像的步骤之后，还包括：

提取所述待检测视频中含所述放射源的涉源图像；

利用人员分类器检测所述涉源图像中的涉源人员；

基于所述涉源人员的图像对所述放射源进行跟踪。

本发明实施例提供的放射源的监控方法，将涉源图像中的涉源人员与放射源结合，即将放射源定位至涉源人员，并通过对涉源人员的跟踪，就能够确定出放射源的位置，能够实现对放射源的准确高效的追踪。

结合第一方面第二实施方式，在第一方面第三实施方式中，所述利用人脸分类器检测所述涉源图像中的涉源人员，包括：

提取所述涉源图像中的人员图像；

利用所述人员分类器进行所述人员图像的特征提取；

将提取出的特征与人员特征数据库中的特征进行匹配；其中，所述人员特征数据库为利用预设人员的图像进行特征训练后得到的所述预设人员的特征数据库；

当提取出的特征与所述预设人员的特征数据库中的特征匹配一致时，确定所述提取出的特征对应的所述人员图像为所述涉源人员的图像。

本发明实施例提供的放射源的监控方法，通过特征提取以及特征匹配确定出涉源图像中的涉源人员，该方法是利用预设人员的图像进行机器学习后，通过特征匹配确定出涉源人员，能够保证较高的涉源人员检测，提高了检测精度。

结合第一方面第二实施方式，在第一方面第四实施方式中，基于所述涉源人员的图像对所述放射源进行跟踪，包括：

依次标识出所述待检测视频中每帧视频图像中的所述涉源人员；

记录所述涉源人员的位置；

组合所有记录的所述涉源人员的位置，以形成所述涉源人员的运动轨迹。

本发明实施例提供的放射源的监控方法，通过涉源人员的运动轨迹，便于实现对放射源的追踪。

结合第一方面，在第一方面第五实施方式中，所述获取待检测视频的步骤之前，还包括：

获取若干预设放射源的图像；

基于所述放射源的图像进行特征训练，以形成放射源特征数据库；

和/或，

所述获取待检测视频的步骤之前，还包括：

获取若干预设人员的图像；

基于所述预设人员的图像进行特征训练，以形成人员数据库。

本发明实施例提供的放射源的监控方法，利用预设放射源的图像、预设人员的图像，进行机器学习，以分别形成放射源特征数据库，以及人员数据库，即利用预设放射源以及预设人员自身的特征进行放射源以及涉源人员的追踪，为后续进一步的特征匹配提供了条件。

根据第二方面，本发明还提供了一种放射源的监控装置，包括：

获取模块，用于获取待检测视频；

第一检测模块，用于利用放射源分类器检测所述待检测视频中的放射源；

图像提取模块，用于提取所述待检测视频中的视频图像；

特征提取模块，用于利用所述放射源分类器对所述视频图像进行特征提取；

特征匹配模块，用于将提取出的特征与放射源特征数据库中的特征进行匹配；其中，所述放射源特征数据库为利用放射源的图像进行特征训练后得到的所述放射源的特征数据库；

确定模块，用于当提取出的特征与所述放射源特征数据库中的特征匹配一致时，确定所述提取出的特征对应的所述视频图像为含所述放射源的涉源图像。

本发明实施例提供的放射源的监控装置，在视频监控的同时对视频流中的视频图像进行实时的放射源检测，具体是通过特征提取以及特征匹配确定出含放射源的涉源图像，该装置是利用放射源的图像进行机器学习后，通过特征匹配确定出涉源图像，能够保证较高的放射源检测，提高了检测精度。

结合第二方面，在第二方面第一实施方式中，所述放射源特征数据库中存储有若干所述放射源的特征对应的特征值；

所述图像提取模块，包括：

计算单元，用于计算所述提取出的特征的特征值；

比较单元，用于比较计算出的特征值与所述放射源特征数据库中的特征值的相似度；

确定单元，用于当所述相似度在预设范围内时，确定所述提取出的特征与所述放射源特征数据库中的特征匹配。

根据第三方面，本发明实施例还提供了一种电子设备，包括：

存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行本发明第一方面，或第一方面任一实施方式中的放射源的监控方法。

根据第四方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行本发明第一方面，或第一方面任一实施方式中所述的放射源的监控方法。

附图说明

通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，在附图中：

图1示出了本发明实施例中放射源的监控方法的一个具体示意的流程图；

图2示出了本发明实施例中放射源的监控方法的另一个具体示意的流程图；

图3示出了本发明实施例中放射源的监控方法的另一个具体示意的流程图；

图4示出了本发明实施例中放射源的监控方法的另一个具体示意的流程图；

图5示出了本发明实施例中放射源的监控方法的另一个具体示意的流程图；

图6示出了本发明实施例中卷积神经网络的结构模型图；

图7示出了本发明实施例中放射源的监控装置的一个具体示意的结构图；

图8示出了本发明实施例中放射源的监控装置的另一个具体示意的结构图；

图9示出了本发明实施例中放射源的监控装置的另一个具体示意的结构图；

图10示出了本发明实施例中电子设备的具体示意的结构图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供了一种放射源的监控方法，该方法可以应用于电子设备中，用于实现对放射源的监控。如图1所示，该方法包括：

s11，获取待检测视频。

其中，该待检测视频可以是实时的监控视频流，也可以是外界提供给电子设备的待检测视频，或者其他方式提供的待检测视频，只需保证电子设备能够获取到待检测视频即可。

s12，提取待检测视频中的视频图像。

电子设备提取出待检测视频中的视频图像，具体地可以对获取到的待检测视频进行解码、拆帧以得到每帧的视频图像，也可以是通过其他方式提取出待检测视频中的视频图像等等。

s13，利用放射源分类器对视频图像进行特征提取。

其中，放射源分类器是事先利用放射源的图像进行机器学习后得到的分类器。电子设备利用该放射源分类器即可实现对视频图像进行特征提取，即提取出视频图像中的实体。

s14，将提取出的特征与放射源特征数据库中的特征进行匹配。

其中，放射源特征数据库为利用放射源的图像进行特征训练后得到的放射源的特征数据库。

电子设备中存储有放射源特征数据库，该数据库中存储有若干放射源的特征，通过将利用放射源分类器提取出的特征与放射源特征数据库中的特征进行匹配，即可确定出提取出的特征是否为放射源的特征。

具体地，可以通过计算所匹配的两个特征之间的相似度进行匹配判断，也可以是通过计算提取出的特征的特征值，并结合放射源特征数据库中特征对应的特征值，进行匹配判断等等。

s15，当提取出的特征与放射源特征数据库中的特征匹配一致时，确定提取出的特征对应的视频图像为含放射源的涉源图像。

当电子设备利用放射源分类器所提取出的特征与放射源特征数据库中的特征匹配一致时，即可确定此时放射源分类器提取出的特征为放射源的特征，进而提取出的特征所对应的视频图像确定为含放射源的涉源图像。

本发明实施例中提供的放射源的监控方法，可以在视频监控的同时对视频流中的视频图像进行实时的放射源检测，具体是通过特征提取以及特征匹配确定出含放射源的涉源图像，该方法是利用放射源的图像进行机器学习后，通过特征匹配确定出涉源图像，能够保证较高的放射源检测，提高了检测精度。

本发明实施例提供了一种放射源的监控方法，如图2所示，该方法包括：

s21，获取若干预设放射源的图像。

其中，预设放射源的图像可以是监控单位中所涉及的放射源的图像，该图像具体为预设放射源存储时的外观图像。将所涉及的放射源的图像提供给电子设备，或其他设备，用于后续基于这些放射源的图像形成放射源特征数据库。

此外，预设放射源的图像也可以是其他类型的放射源的图像，并不限于本监控单位所涉及的放射源。

s22，基于放射源的图像进行特征训练，以形成放射源特征数据库。

在获取到放射源的图像后，利用深度学习算法，例如cnn算法，或其他算法对放射源的图像进行特征训练，以形成放射源特征数据库。

s23，获取待检测视频。详细请参见图1所示实施例的s11，在此不再赘述。

s24，提取待检测视频中的视频图像。详细请参见图1所示实施例的s12，在此不再赘述。

s25，利用放射源分类器对视频图像进行特征提取。详细请参见图1所示实施例的s12，在此不再赘述。

s26，将提取出的特征与放射源特征数据库中的特征进行匹配。

其中，放射源特征数据库为利用放射源的图像进行特征训练后得到的放射源的特征数据库。此外，该放射源特征数据库中存储有若干放射源的特征对应的特征值。

具体地，该步骤包括：

s261，计算提取出的特征的特征值。

计算放射源特征数据库中的特征所对应的特征值所采用的算法与提取出的特征的特征值的算法相同，即采用相同的算法计算提取出的特征的特征值以及放射源特征数据库中特征对应的特征值，以保证后续进行匹配时，匹配基准相同。

s262，比较计算出的特征值与放射源特征数据库中的特征值的相似度。

电子设备在计算出提取出的特征对应的特征值之后，依次计算该特征值与放射源特征数据中的所有特征值的相似度，即可以计算两个特征值之间的距离。若该距离在预设范围内，则表示提取出的特征与放射源特征数据库中的特征匹配，即该提取出的特征属于放射源的特征；否则，表示提取出的特征不属于放射源的特征。

s263，当相似度在预设范围内时，确定提取出的特征与放射源特征数据库中的特征匹配。

电子设备在计算出两个特征值(提取出的特征对应的特征值以及放射源特征数据库中的特征的特征值)的相似度在预设范围内时，表示提取出的特征与放射源特征数据库中的特征匹配。

其中，预设范围可以根据具体检测精度进行具体设置，检测精度高，对应的预设范围小；检测精度低，对应的预设范围大。

s27，当提取出的特征与放射源特征数据库中的特征匹配时，确定提取出的特征对应的视频图像为含放射源的涉源图像。

电子设备在确定出特征匹配时，表示提取出的特征属于放射源的特征，同时提取出的特征对应的视频图像为含放射源的涉源图像。

与图1所示实施例相比，本发明实施提供的放射源的监控方法，通过计算提取出的特征对应的特征值与放射源特征数据库中的特征值进行比较，简化了匹配步骤，仅通过特征值就能够确定出涉源图像，提高了放射源监控的效率。

本发明实施例还提供了一种放射源的监控方法，如图3所示，该方法包括：

s31，获取待检测视频。详细请参见图2所示实施例的s23，在此不再赘述。

s32，提取待检测视频中的视频图像。详细请参见图2所示实施例的s24，在此不再赘述。

s33，利用放射源分类器对视频图像进行特征提取。详细请参见图2所示实施例的s25，在此不再赘述。

s34，将提取出的特征与放射源特征数据库中的特征进行匹配。详细请参见图2所示实施例的s26，在此不再赘述。

其中，放射源特征数据库为利用放射源的图像进行特征训练后得到的放射源的特征数据库。

s35，当提取出的特征与放射源特征数据库中的特征匹配一致时，确定提取出的特征对应的视频图像为含放射源的涉源图像。详细请参见图2所示实施例的s27，在此不再赘述。

本实施例中，在确定出涉源图像之后，提供了基于涉源图像进行涉源人员的检测与跟踪的方法，具体包括：

s36，提取待检测视频中含放射源的涉源图像。

电子设备在确定出待检测视频中的涉源图像之后，提取出该含放射源的涉源图像，在该涉源图像的基础上，进行涉源人员的检测。

s37，利用人员分类器检测涉源图像中的涉源人员。

其中，人员分类器为利用人员图像进行训练得到的分类器。人员图像为监测单位的工作人员图像，或者，进一步地，还包括该人员的基本信息(例如，姓名，年龄，职位等等)。

本实施例中，电子设备通过该人员分类器即可检测出涉源图像中的涉源人员。

s38，基于涉源人员的图像对放射源进行跟踪。

在检测出涉源图像以及涉源图像中的涉源人员之后，就可以对涉源人员的运动轨迹进行跟踪，以实现对放射源的追踪。例如，可以通过待检测视频中相邻帧的视频图像中涉源人员的位置信息，确定出涉源人员的运动轨迹。

与图2所示实施例相比，本发明实施例提供的放射源的监控方法，通过特征提取以及特征匹配确定出涉源图像中的涉源人员，该方法是利用预设人员的图像进行机器学习后，通过特征匹配确定出涉源人员，能够保证较高的涉源人员检测，提高了检测精度。

作为本实施例的一种可选实施方式，在s31之前，还包括与图2所示实施例的s21以及s22相同的步骤，即还包括形成放射源特征数据库的步骤。

本发明实施例还提供了一种放射源的监控方法，如图4所示，该方法包括：

s401，获取若干预设人员的图像。

其中，预设人员的图像可以是监控单位中工作人员的图像，该图像具体为工作人员的外观图像。将工作人员的图像提供给电子设备，或其他设备，用于后续基于这些人员图像形成放射源特征数据库。

此外，预设人员图像也可以是其他人员的图像，并不限于本监控单位的工作人员。

s402，基于预设人员的图像进行特征训练，以形成人员数据库。

在获取到预设人员图像后，利用深度学习算法，例如cnn算法，或其他算法对预设人员图像进行特征训练，以形成人员数据库。

s403，获取待检测视频。详细请参见图3所示实施例的s31，在此不再赘述。

s404，提取待检测视频中的视频图像。详细请参见图3所示实施例的s32，在此不再赘述。

s405，利用放射源分类器对视频图像进行特征提取。详细请参见图3所示实施例的s33，在此不再赘述。

s406，将提取出的特征与放射源特征数据库中的特征进行匹配。详细请参见图3所示实施例的s34，在此不再赘述。

其中，放射源特征数据库为利用放射源的图像进行特征训练后得到的放射源的特征数据库。

s407，当提取出的特征与放射源特征数据库中的特征匹配一致时，确定提取出的特征对应的视频图像为含放射源的涉源图像。详细请参见图3所示实施例的s35，在此不再赘述。

s408，提取待检测视频中含所述放射源的涉源图像。详细请参见图3所示实施例的s36，在此不再赘述。

s409，利用人员分类器检测涉源图像中的涉源人员。

本实施例中，利用人员分类器检测涉源图像中的涉源人员的步骤，与利用放射源分类器检测视频图像中的涉源图像的步骤类似，主要包括：特征提取以及特征匹配。具体包括：

s4091，提取涉源图像中的人员图像。

s4092，利用人员分类器进行人员图像的特征提取。

s4093，将提取出的特征与人员特征数据库中的特征进行匹配。

其中，人员特征数据库为利用预设人员的图像进行特征训练后得到的预设人员的特征数据库。

s4094，当提取出的特征与预设人员的特征数据库中的特征匹配一致时，确定提取出的特征对应的人员图像为涉源人员的图像。

其中，s4091至s4094与图2所示实施例的s24至s27类似，具体请参照图2所示实施例的s24至s27，在此不再赘述。

s410，基于涉源人员的图像对放射源进行跟踪。

本实施例中，通过对涉源人员的运动轨迹进行跟踪，从而实现对放射源的追踪。具体包括：

s4101，依次标识出待检测视频中每帧视频图像中的涉源人员。

电子设备在确定出涉源图像中的涉源人员之后，依次将每帧视频图像中的涉源人员标识出，以确定该涉源人员在位置。

s4102，记录涉源人员的位置。

电子设备按照待检测视频中视频图像的顺序，依次记录涉源人员的位置，通过涉源人员的若干位置点，即可确定出涉源人员的运动轨迹。

s4103，组合所有记录的涉源人员的位置，以形成涉源人员的运动轨迹。

电子设备将所有记录的涉源人员的位置进行组合，即可形成涉源人员的运动轨迹。

与图3所示实施例相比，本实施例中通过特征提取以及特征匹配确定出涉源图像中的涉源人员，该方法是利用预设人员的图像进行机器学习后，通过特征匹配确定出涉源人员，能够保证较高的涉源人员检测，提高了检测精度；此外，通过涉源人员的运动轨迹，便于实现对放射源的追踪。

本发明实施例还提供了一种放射源的监控方法，如图5所示，该方法包括：

s51，获取待检测视频。详细请参见图1所示实施例的s11，在此不再赘述。

s52，提取待检测视频中的视频图像。详细请参见图1所示实施例的s12，在此不再赘述。

s53，利用放射源分类器检测视频图像，以确定含放射源的涉源图像。

电子设备利用放射源分类器检测视频图像，确定出该待检测视频中含放射源的涉源图像。具体地，放射源分类器检测器，是基于预设放射源的图像进行机器学习，即，使得放射源分类器能够知道哪些图像是放射源的图像。

s54，利用人员分类器检测涉源图像，以确定涉源图像中的涉源人员。详细请参见图3所示实施例的s37，在此不再赘述。

s55，基于涉源人员的图像对放射源进行跟踪。详细请参见图3所示实施例的s38，在此不再赘述。

本发明实施例还提供了一种放射源的监测方法的具体应用实例，具体如下所述：

本实施例提供的放射源的监控方法，包含了对放射源的检测与识别和对涉源人员的运动检测与人脸识别，可在监控范围内识别放射源并追踪其移动路径，还可识别相关涉源人员，确保对放射源及相关人员的全面安全把控。此方案技术上包括目标识别及行为检测。

在深度学习框架下，程序算法自主直接的从输入图像中学习并提取关键特征，多个处理层中，每一层都包含一定数量的与人工神经元的连接点，以此来学习越来越有意义的数据向量。

低层神经元提取低级特征，然后传递给高层，层层提取，直到识别出符合模式分类的预期特征。具体采用深度卷积神经网络算法实现上述功能，目标识别的一般流程为：数据图像的载入；cnn网络结构的设定；这一步中确定了包括卷积层的数目，卷积核的数目，核的大小以及池化的大小；调用一个cnn初始化函数来对上面的cnn设定进行配置；进行相关训练参数的初始化，包括学习率，样本参数，以及训练的迭代循环次数；最后就是cnn的训练和测试。其中，训练过程就是教神经网络学习各类放射源。

前期训练需要大量的放射源图像数据来学习放射源的关键特征，以获得识别的高精确率。测试过程即测试该系统能否在动态图像中准确的检测并识别出放射源。其中，基于深度学习的运动检测原理实际与目标识别相似。首先，预处理训练样本集和测试样本集中的所有动态图像，通过高斯混合模型提取出目标运动前景。其次，对训练样本集中各种目标行为建立样本库，定义不同类别的识别行为作为先验知识，用于训练深度学习网络。最后，结合深度学习所得到的网络模型，分类识别测试样本集中的各种行为。

如图6所示，卷积神经网络cnn的结构模型图，其中，卷积神经网络主要由特征提取层、次采样层、特征映射层构成。c1层卷积是提取输入图片特征，经过卷积得到初步特征图，作为次抽样c2层的输入。最后一层是全连接层，采用softmax分类器，对前面所得特征进行判别分类。

具体的深度学习框架可以采用google的tensorflow，facebook的caffe，matlab的matconvnet等。本实施例中采用的深度学习框架为matconvnet，它是实现用于计算机视觉领域的matlab工具箱。其中包含很多cnn计算块，如卷积，归一化和池化等。

本实施例提供的放射源的监控方法，可为国内环境保护部门对放射性环境进行管理提供较为可靠的技术手段，较大程度地提高放射源监控管理能力。同时，此技术的应用可增强放射源突发事件的应急处理处置能力，在保障社会公共安全和人民健康方面发挥积极的作用。具体包括：

1、确定人脸数据库，放射源数据库和运动动态图像训练集用于cnn前期训练，对人脸图像和放射源准备小样本做测试集；其中人脸库可以采用cifar数据集，imagenet数据集等；人体行为训练集则有kth数据库，hoha等。目标识别过程中训练集所有的图像皆用来给神经网络学习，测试集中则是部分给神经网络“认识”，另一部分用来测试识别。

2.完成基于深度学习(cnn算法)识别放射源及人脸和行为检测的代码编写并编译通过；代码可实现前期训练及测试，并可以对训练结果给出识别正确率及测试结果的正确率，同时可绘制参数变化引起正确率变化的折线图以便对测试性能做比较；

3.运行代码，先训练数据库，训练结果会放在一个数据集中，待训练完成后开始测试；测试过程中则先调用函数检测到目标，然后将被选定图像与放训练结果的数据集中的参数做比较，将符合概率最高的身份作为识别结果。

4.给一段视频作为数据输入(视频中包含人携带放射源并有移动)，开始测试，测试结果可看到系统给出识别的放射源结果并标记人携带其运动路径，同时也可识别出携带者的身份。在目标识别中，通过对神经网络的epoch及bachsize等参数做修改，在人体行为检测中，通过对训练迭代次数，网络隐含层层数及每一层所含神经元个数三个参数做修改，分别测试，可对比分析出最佳性能时的参数设置。从实验结果可以看出，迭代次数越多，训练得到的网络越准确，但是时间耗费的也越多，而随着训练次数的增多，网络的精度也趋于稳定。

本发明实施例还提供了一种放射源的监控装置，如图7所示，该装置包括：

获取模块61，用于获取待检测视频。

第一检测模块62，用于利用放射源分类器检测待检测视频中的放射源。

图像提取模块63，用于提取待检测视频中的视频图像。

特征提取模块64，用于利用放射源分类器对视频图像进行特征提取。

特征匹配模块65，用于将提取出的特征与放射源特征数据库中的特征进行匹配。其中，放射源特征数据库为利用放射源的图像进行特征训练后得到的放射源的特征数据库。

确定模块66，用于当提取出的特征与放射源特征数据库中的特征匹配一致时，确定提取出的特征对应的视频图像为含放射源的涉源图像。

本发明实施例提供的放射源的监控装置，在视频监控的同时对视频流中的视频图像进行实时的放射源检测，具体是通过特征提取以及特征匹配确定出含放射源的涉源图像，该装置是利用放射源的图像进行机器学习后，通过特征匹配确定出涉源图像，能够保证较高的放射源检测，提高了检测精度。

在本实施例的一些可选实施方式中，如图8所示，放射源特征数据库中存储有若干放射源的特征对应的特征值；其中，特征匹配模块65，包括：

计算单元651，计算提取出的特征的特征值。

比较单元652，比较计算出的特征值与放射源特征数据库中的特征值的相似度。

确定单元653，当相似度在预设范围内时，确定提取出的特征与放射源特征数据库中的特征匹配。

在本实施例的一些可选实施方式中，如图9所示，该装置还包括：

提取模块71，用于提取待检测视频中含放射源的涉源图像。

第二检测模块72，利用人员分类器检测涉源图像中的涉源人员。

跟踪模块73，用于基于涉源人员的图像对放射源进行跟踪。

本发明实施例还提供了一种电子设备，如图10所示，该电子设备可以包括处理器81和存储器82，其中处理器81和存储器82可以通过总线或者其他方式连接，图10中以通过总线连接为例。

处理器81可以为中央处理器(centralprocessingunit，cpu)。处理器81还可以为其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现场可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。

存储器82作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的放射源的监控方法对应的程序指令/模块(例如，图7所示的获取模块61、第一检测模块62、图像提取模块63、特征提取模块64、特征匹配模块65和确定模块66)。处理器81通过运行存储在存储器82中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的放射源的监控方法。

存储器82可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器81所创建的数据等。此外，存储器82可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器82可选包括相对于处理器81远程设置的存储器，这些远程存储器可以通过网络连接至处理器81。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

所述一个或者多个模块存储在所述存储器82中，当被所述处理器81执行时，执行如图1-5所示实施例中的放射源的监控方法。

上述电子设备具体细节可以对应参阅图1至图5所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。

本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory，rom)、随机存储记忆体(randomaccessmemory，ram)、快闪存储器(flashmemory)、硬盘(harddiskdrive，缩写：hdd)或固态硬盘(solid-statedrive，ssd)等；所述存储介质还可以包括上述种类的存储器的组合。

虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。