本发明涉及深度学习,特别涉及一种基于深度学习的校园防护自动报警方法。
背景技术:
1、现在的学校的安全防护大多是靠保安和普通监控,且保安是负责巡逻,来人为监督是否存在翻墙行为等,普通监控一般只是对指定区域进行监控,来将监控的视频保留,或者是通过特定的人员来对监控视频进行排查,来确定是否存在翻墙行为,不论是哪种方式进行监控,都不会保证对翻墙行为进行有效管理,难免有的时候会有遗漏或者失误,对人员生命安全造成伤害,无法及时解决处理。
2、因此,本发明提出一种基于深度学习的校园防护自动报警方法。
技术实现思路
1、本发明提供一种基于深度学习的校园防护自动报警方法,用以通过获取视频进行图像分析,并基于两个深度学习模型,可以有效的确定出是否存在翻墙行为,进而实现有效管理。
2、本发明提供一种基于深度学习的校园防护自动报警方法,包括:
3、步骤1:采集目标区域的当下区域视频,并对所述当下区域视频中的每个视频帧进行图像分析;
4、步骤2:基于图像分析结果,获取每个视频帧的图像序列,并依次将每个视频帧的图像序列输入到第一深度学习模型中,获取每个视频帧的帧内容;
5、步骤3:判断每个帧内容是否满足待分析标准;
6、步骤4:若全部帧内容都满足,则继续对下一时刻的区域视频进行分析;
7、步骤5:若存在在待分析标准边界范围的帧内容,则标定对应帧内容的初始出现时刻,并将所述初始出现时刻的帧内容作为初始内容;
8、步骤6:若存在不满足待分析标准的帧内容,则提取不满足待分析标准的第一内容,并基于第二深度学习模型对所述第一内容进行种类识别以及动作定位,获取危险值;
9、步骤7:当所述危险值高于预设值时,向所述第一内容设置报警标签,基于对所述当下区域视频所设置的所有报警标签,进行相应的报警提醒。
10、优选的,采集目标区域的当下区域视频,并对所述当下区域视频中的每个视频帧进行图像分析,包括:
11、基于预先设置的摄像装置,对所述目标区域进行视频采集,并获取当下时刻的当下区域视频;
12、按照预设拆分精度,对所述当下区域视频进行帧拆分,获取得到若干个视频帧;
13、对每个视频帧进行图像分析。
14、优选的,基于图像分析结果,获取每个视频帧的图像序列,包括:
15、获取每个视频帧的图像分析结果,并按照图像分析结果对相应视频帧进行第一灰度线条的确定,同时,获取对应目标区域的区域墙体图;
16、基于所述区域墙体图对确定的第一灰度线条进行优化,得到第二灰度线条;
17、按照所述第二灰度线条获取得到相应帧视频的图像块;
18、分别获取每个图像块的块序列,并按照相应视频帧的划分顺序,构建得到相应视频帧的图像序列。
19、优选的,依次将每个视频帧的图像序列输入到第一深度学习模型中,获取每个视频帧的帧内容,包括:
20、确定每个视频帧中每个区域块的边缘序列以及中间序列;
21、基于所述第一深度学习模型对同个视频帧的每个区域块的中间序列进行依次分析,同时,基于所述第一深度学习模型对同个视频帧中所有边缘序列进行同时分析;
22、基于依次分析结果以及同时分析结果,获取得到相应视频帧的帧内容。
23、优选的,判断每个帧内容是否满足待分析标准,包括:
24、获取每个帧内容中每个内容指标的第一指标值;
25、将每个第一指标值分别与所述待分析标准对应的预设指标值进行比较;
26、当相应帧内容中的所有第一指标值都小于相应的预设指标值时,判定相应帧内容满足待分析标准;
27、否则,提取从相应帧内容中提取第一指标值不小于相应指标值的第二指标值,并计算差异值;
28、
29、其中,n1表示相应帧内容中提取的第二指标值的个数;∝i1表示第i1个第二指标值的指标权重;ai1表示第i1个第二指标值;bi1表示与第i1个第二指标值匹配的标准指标值;
30、
31、其中,y0表示相应帧内容是否满足待分析标准的判断结果;c0表示第一阈值;c1表示第二阈值;当y0=0时,表示基于提取的第二指标值判定出相应帧内容不满足待分析标准;当y0=a时,表示基于提取的第二指标值判定出相应帧内容在待分析标准边界范围,其中,a表示边界参考值;当y0=1时,表示基于提取的第二指标值判定出相应帧内容满足待分析标准。
32、优选的,提取不满足待分析标准的第一内容,并基于第二深度学习模型对所述第一内容进行种类识别以及动作定位,获取危险值,包括:
33、提取所述第一内容,并基于所述第二深度学习模型对每个第一内容进行种类识别,并向每个第一内容设置种类标签,同时,对每个第一内容进行动作定位,并获取每个动作定位的动作轮廓;
34、当所述种类标签都一致时,按照时间顺序依次确定初始内容与第一个第一内容的姿态变化量以及相邻第一内容之间的姿态变化量,并构建得到基于初始内容中初始姿态中每个肢体位置的变化轨迹;
35、按照所述变化轨迹以及所述变化轨迹基于区域墙体的当前位置,计算每个第一内容的危险值;
36、
37、其中,w表示对应第一内容的危险值;m1表示变化轨迹的个数;sj1表示第j1个变化轨迹的变化值;y1j1表示第j1个变化轨迹的轨迹可靠权重;y2j1表示区域墙体对第j1个变化轨迹的墙体可靠权重。
38、优选的,当所述危险值高于预设值时,向所述第一内容设置报警标签,包括:
39、基于危险-标签数据库,获取与所述危险值匹配的报警标签;
40、将所述报警标签设置在对应的第一内容上。
41、优选的,基于对所述当下区域视频所设置的所有报警标签,进行相应的报警提醒,包括:
42、基于设置的报警标签,构建得到所述当下区域视频的报警序列;
43、基于序列分析模型,对所述报警序列进行分析,得到相应的报警指令,并进行报警提醒。
44、本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
45、下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
1.一种基于深度学习的校园防护自动报警方法,其特征在于,包括:
2.如权利要求1所述的基于深度学习的校园防护自动报警方法,其特征在于,采集目标区域的当下区域视频,并对所述当下区域视频中的每个视频帧进行图像分析,包括:
3.如权利要求1所述的基于深度学习的校园防护自动报警方法,其特征在于,基于图像分析结果,获取每个视频帧的图像序列,包括:
4.如权利要求3所述的基于深度学习的校园防护自动报警方法,其特征在于,依次将每个视频帧的图像序列输入到第一深度学习模型中,获取每个视频帧的帧内容,包括:
5.如权利要求1所述的基于深度学习的校园防护自动报警方法,其特征在于,判断每个帧内容是否满足待分析标准,包括:
6.如权利要求1所述的基于深度学习的校园防护自动报警方法,其特征在于,提取不满足待分析标准的第一内容,并基于第二深度学习模型对所述第一内容进行种类识别以及动作定位,获取危险值,包括:
7.如权利要求1所述的基于深度学习的校园防护自动报警方法,其特征在于,当所述危险值高于预设值时,向所述第一内容设置报警标签,包括:
8.如权利要求1所述的基于深度学习的校园防护自动报警方法,其特征在于,基于对所述当下区域视频所设置的所有报警标签,进行相应的报警提醒,包括: