一种基于人工智能循迹的室内监控方法及室内监控车与流程

本发明公开一种基于人工智能循迹的室内监控方法及室内监控车,涉及人工智能领域。

背景技术：

在商场、车间等场所中，保证设备和商品的安全一直是一项非常重要的内容。尤其是在深夜无人的时候，入室盗窃的事件时有发生，给商场、工厂的财产安全造成了严重威胁。现有技术的摄像头监控或人员进行巡视往往存在诸多监控死角，通常被盗贼提前踩点而避开。本文提出了一种基于人工智能循迹的室内监控方法及室内监控车，用卷积神经网络对道路进行训练，得出合适的模型。当采用其进行监控时，只需在地面上规划出轨道作为道路，小车即可按照既定轨道行驶，其前方的摄像头连接树莓派完成道路识别前进，上方的无线摄像头随着小车的运动行使监控职能。

卷积神经网络(convolutionalneuralnetworks-简称cnn)卷积神经网络长期以来是图像识别领域的核心算法之一，并在大量学习数据时有稳定的表现。对于一般的大规模图像分类问题，卷积神经网络可用于构建阶层分类器，也可以在精细分类识别中用于提取图像的判别特征以供其它分类器进行学习。对于后者，特征提取可以人为地将图像的不同部分分别输入卷积神经网络，也可以由卷积神经网络通过非监督学习自行提取。

树莓派是一款基于arm的微型电脑主板，以sd/microsd卡为内存硬盘，卡片主板周围有1/2/4个usb接口和一个10/100以太网接口(a型没有网口)，可连接键盘、鼠标和网线，同时拥有视频模拟信号的电视输出接口和hdmi高清视频输出接口，以上部件全部整合在一张仅比信用卡稍大的主板上，具备所有pc的基本功能只需接通电视机和键盘，就能执行如电子表格、文字处理、玩游戏、播放高清视频等诸多功能。raspberrypib款只提供电脑板，无内存、电源、键盘、机箱或连线。

技术实现要素：

本发明针对现有技术的问题，提供一种基于人工智能循迹的室内监控方法及室内监控车，将人工智能技术应用于车道检测，使得监控车按预期路线行驶，保证无线摄像头进行全方位动态监控，最大程度地减少监控死角，更好地维护财产安全。

本发明提出的具体方案是：

一种基于人工智能循迹的室内监控方法，搭建室内监控车及规划室内监控车的行迹轨道，

沿轨道采集室内不同条件下环境图像数据，对环境图像数据进行特征标记，提取特征数据集，利用cnn卷积神经网络算法，对特征数据集进行训练，建立相应的特征模型，

室内监控车加载特征模型，并采集的环境图像数据，根据特征模型和环境数据判断沿轨道行驶时采用的行驶参数，同时将采集的环境图像数据上传。

所述的室内监控方法中采用stm32核心板和树莓派系统搭建室内监控车，室内监控车搭建相应的python及tensorflow环境，并安装摄像头。

所述的室内监控方法中室内监控车自行采集室内不同条件下环境图像数据，

或者使用自动驾驶模拟器进行环境图像数据采集。

所述的室内监控方法中使用udacity或carlasimulator自动驾驶模拟器进行环境图像数据采集。

所述的室内监控方法中室内监控车加载特征模型到树莓派系统中，利用python代码对室内监控车摄像头采集环境图像数据依据特征模型即时进行分析，判断室内监控车行驶时采用的行驶参数。

一种基于人工智能循迹的室内监控车，所述室内监控车进行搭建及规划室内监控车的行迹轨道，

沿轨道采集室内不同条件下环境图像数据，对环境图像数据进行特征标记，提取特征数据集，利用cnn卷积神经网络算法，对特征数据集进行训练，建立相应的特征模型，

室内监控车加载特征模型，并采集的环境图像数据，根据特征模型和环境数据判断沿轨道行驶时采用的行驶参数，同时将采集的环境图像数据上传。

所述的室内监控车中采用stm32核心板和树莓派系统进行搭建，并搭建相应的python及tensorflow环境，并安装摄像头。

所述的室内监控车中加载特征模型到树莓派系统中，利用python代码对室内监控车摄像头采集环境图像数据依据特征模型即时进行分析，判断室内监控车行驶时采用的行驶参数。

本发明的有益之处是：

本发明提供一种基于人工智能循迹的室内监控方法，搭建室内监控车及规划室内监控车的行迹轨道，沿轨道采集室内不同条件下环境图像数据，对环境图像数据进行特征标记，提取特征数据集，利用cnn卷积神经网络算法，对特征数据集进行训练，建立相应的特征模型，室内监控车加载特征模型，并采集的环境图像数据，根据特征模型和环境数据判断沿轨道行驶时采用的行驶参数，同时将采集的环境图像数据上传；用卷积神经网络对道路进行训练，得出合适的模型，当采用其进行监控时，只需在地面上规划出轨道作为道路，小车即可按照既定轨道行驶，其前方的摄像头连接树莓派完成道路识别前进，上方的无线摄像头随着小车的运动行使监控职能。

附图说明

图1是本发明方法流程示意图；

图2本发明方法步骤示意图。

具体实施方式

本发明提供一种基于人工智能循迹的室内监控方法，搭建室内监控车及规划室内监控车的行迹轨道，

沿轨道采集室内不同条件下环境图像数据，对环境图像数据进行特征标记，提取特征数据集，利用cnn卷积神经网络算法，对特征数据集进行训练，建立相应的特征模型，

室内监控车加载特征模型，并采集的环境图像数据，根据特征模型和环境数据判断沿轨道行驶时采用的行驶参数，同时将采集的环境图像数据上传。

同时提供一种基于人工智能循迹的室内监控车，所述室内监控车进行搭建及规划室内监控车的行迹轨道，

沿轨道采集室内不同条件下环境图像数据，对环境图像数据进行特征标记，提取特征数据集，利用cnn卷积神经网络算法，对特征数据集进行训练，建立相应的特征模型，

室内监控车加载特征模型，并采集的环境图像数据，根据特征模型和环境数据判断沿轨道行驶时采用的行驶参数，同时将采集的环境图像数据上传。

下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。

利用本发明方法，对某一大型商场室内进行巡视，首先搭建室内监控车，利用树莓派3b+，stm32核心板搭建室内监控车的主控单元，室内监控车布置能够联网的无线摄像头若干，以及所需马达、数据线、轮胎、电源线、蓄电池、螺丝钉等硬件设备均布局在室内监控车上，将树莓派3b+接上电源、显示器、鼠标键盘等，采用sd卡烧写ubuntu系统，搭建好相应的python3.5及tensorflow环境，以及完成摄像头等驱动程序的安装。另外，设置好室内监控车的网络环境，使其能够接入无线，方便远程进行调试；

室内监控车可自行采集室内不同条件下环境图像数据，图片不少于几万张，可在服务器或pc机上，采用tensorflow，编写cnn卷积神经网络算法，对环境图像数据进行特征标记，提取特征数据集，利用cnn卷积神经网络算法，对特征数据集进行训练，建立相应的特征模型，

或者使用诸如udacity、carlasimulator等自动驾驶模拟器进行环境图像数据采集，图片不少于几万张，可在服务器或pc机上，采用tensorflow，编写cnn卷积神经网络算法，对环境图像数据进行特征标记，提取特征数据集，利用cnn卷积神经网络算法，对特征数据集进行训练，建立相应的特征模型，

室内监控车将特征模型拷贝到树莓派系统中，并编写相应的python代码，对摄像头拍摄的图片依据模型即时进行推理，判断小车的行驶时采用的行驶参数，比如前进方向和速度等，保证小车一直在车道内行驶。对已经识别过的图片定时进行删除以保证树莓派系统具有足够的空间。

室内监控车搭建后，在所需要室内监控车行进的地方规划出轨道，比如画两圈相应的实线，用作闭合的轨道，将室内监控车的速度设置到合适的状态，运行室内监控车，开启无线摄像头，即可开始进行动态监控。

以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。