区域目标入侵检测方法、装置及系统和存储介质

本发明涉及目标检测，特别是涉及一种区域目标入侵检测方法、装置及系统和存储介质。

背景技术：

1、传统的入侵检测方法在安全领域扮演着重要的角色，传统方法通常依赖于手工设计的特征和规则，但随着技术的发展和应用场景的变化，难以适应复杂多变的入侵场景。这种方法存在一些限制：

2、(1)特征设计困难：手工设计特征需要依赖于专家知识和经验，对于复杂的入侵行为和场景变化可能不具有泛化能力。

3、(2)有限的表示能力：传统方法的特征表示能力受限，难以捕捉复杂的目标和入侵行为，导致检测性能有限。

4、深度学习作为一种强大的机器学习技术，通过学习数据中的高级特征，可以在识别和分类任务上取得卓越的性能。然而，传统深度学习模型通常具有大量的参数和计算复杂度，对于资源有限的设备或场景并不适用。

技术实现思路

1、提供了本发明以解决现有技术中存在的上述问题。因此，需要一种区域目标入侵检测方法、装置及系统和存储介质，针对轻量化需求，研究人员通常会对cnn进行优化，以减少网络的参数数量和计算复杂度，例如采用轻量级网络架构(如mobilenet、shufflenet等)或应用模型剪枝和压缩技术。通过采用轻量级网络架构(如mobilenet、shufflenet等)或应用模型剪枝和压缩技术，可以显著减少模型的参数数量和计算复杂度，同时保持较高的检测性能。

2、根据本发明的第一方案，提供了一种区域目标入侵检测方法，所述方法包括：

3、构建轻量化目标检测模型，所述轻量化目标检测模型包括block_net网络结构和检测头网络结构；所述block_net网络结构包括主干网络和分类器，所述主干网络包括堆叠的block块和池化层，所述堆叠的block块用于对提取和组合输入图像的不同尺度的特征以输出特征图，所述分类器包括全局平均池化层和全连接层，所述全局平均池化层用于将最后一个block块输出的特征图转化为固定大小的特征向量，并通过全连接层进行分类预测；

4、利用数据集对所述轻量化目标检测模型进行训练得到训练好的轻量化目标检测模型，所述数据集中包括多个标注有目标信息的原始图像；

5、基于训练好的轻量化目标检测模型完成区域目标入侵检测。

6、进一步地，所述block块用于实现逐通道分组卷积、深度可分离卷积和点卷积三个操作；

7、所述逐通道分组卷积为将输入特征图分成多个通道组，并在通道维度上进行重排；

8、所述深度可分离卷积为将标准卷积分解为深度卷积和逐点卷积两个步骤，所述深度卷积用于在通道维度上独立地处理输入特征图的每个通道，所述逐点卷积用于将不同通道的特征进行线性组合；

9、所述点卷积为使用1×1的卷积核，用于调整通道数和特征的线性组合。

10、进一步地，所述检测头网络结构包括dp_detect结构，所述dp_detect结构用于将目标检测任务分解为目标分类和目标定位两个子任务，所述目标分类负责预测目标的类别信息，所述目标定位负责预测目标的边界框位置信息。

11、进一步地，将图像划分为网格，每个网格预测固定数量的边界框；对于每个边界框，预测目标属于不同类别的概率。对于每个网格，模型输出一个包含类别概率的向量，其中每个元素对应一个特定类别；通过使用softmax函数，将所述包含类别概率的向量转化为概率分布，表示目标属于各个类别的概率；

12、所述目标分类采用分类网络，用于预测目标的类别概率分布；所述目标定位采用回归网络，利用回归网络预测每个边界框相对于网格单元的坐标偏移以及边界框的宽度和高度；边界框的位置信息通过使用sigmoid函数进行归一化，确保坐标偏移和边界框大小的值在0到1之间，所述预设目标框优化的计算公式为：

13、

14、其中r(x)为计算初始聚类中心点到每一个数据样本xi的距离，p(x)为每个样本成为下一个聚类中心的概率。

15、进一步地，通过如下方法对所述轻量化目标检测模型进行训练：

16、根据原始图像的像素点作为二维坐标，并依据此坐标自定义一个封闭区域，也就是划分检测区域，从而可以确定电子围栏检测范围；在电子围栏检测范围后，将对应范围的图像保持不变，检测范围外的用纯色覆盖；

17、对该图像自定义的电子围栏区域进行检测，并记录目标信息，所述目标信息包括目标的类别、概率以及目标框；

18、将记录的目标信息标注在原始图像上。

19、进一步地，在获取数据集后，对所述数据集进行数据增强得到训练数据集，所述数据增强包括随机裁剪、翻转、旋转以及缩放，利用所述训练数据集对所述轻量化目标检测模型进行训练得到训练好的轻量化目标检测模型。

20、进一步地，在利用数据集对所述轻量化目标检测模型进行训练时，通过调整超参数优化模型的训练过程和性能，所述超参数包括学习率、批量大小以及正则化系数。

21、根据本发明的第二技术方案，提供一种区域目标入侵检测装置，所述装置包括：模型构建模块，被配置为构建轻量化目标检测模型，所述轻量化目标检测模型包括block_net网络结构和检测头网络结构；所述block_net网络结构包括主干网络和分类器，所述主干网络包括堆叠的block块和池化层，所述堆叠的block块用于对提取和组合输入图像的不同尺度的特征以输出特征图，所述分类器包括全局平均池化层和全连接层，所述全局平均池化层用于将最后一个block块输出的特征图转化为固定大小的特征向量，并通过全连接层进行分类预测；模型训练模块，被配置为利用数据集对所述轻量化目标检测模型进行训练得到训练好的轻量化目标检测模型，所述数据集中包括多个标注有目标信息的原始图像；目标检测模块，被配置为基于训练好的轻量化目标检测模型完成区域目标入侵检测。

22、根据本发明的第三技术方案，提供一种区域目标入侵检测系统，所述系统包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序以实现如上所述的方法。

23、根据本发明的第四技术方案，提供一种存储有指令的非暂时性计算机可读存储介质，当所述指令由处理器执行时，执行如上所述的方法。

24、根据本发明各个方案的区域目标入侵检测方法、装置及系统和存储介质，其至少具有以下技术效果：

25、1)本发明旨在结合深度学习的优势和轻量化模型的特点，轻量化模型在保持较高的检测性能的同时，能够在计算资源受限的设备上实现高效准确的目标检测和入侵检测。

26、2)本发明强调对图像或视频中感兴趣的区域进行目标检测和入侵检测，可以提高检测的效率和准确性，减少无关区域的处理，使系统更加适用于实时应用和资源受限的环境。

27、3)基于轻量化深度学习模型的区域目标入侵检测方法具有较高的应用潜力，可以广泛应用于视频监控、安全系统和智能设备等领域。通过利用深度学习的能力和轻量化模型的优势，该方法有望提高入侵检测系统的性能和可用性。

技术特征：

1.一种区域目标入侵检测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述block块用于实现逐通道分组卷积、深度可分离卷积和点卷积三个操作；

3.根据权利要求1所述的方法，其特征在于，所述检测头网络结构包括dp_detect结构，所述dp_detect结构用于将目标检测任务分解为目标分类和目标定位两个子任务，所述目标分类负责预测目标的类别信息，所述目标定位负责预测目标的边界框位置信息。

4.根据权利要求3所述的方法，其特征在于，将图像划分为网格，每个网格预测固定数量的边界框；对于每个边界框，预测目标属于不同类别的概率。对于每个网格，模型输出一个包含类别概率的向量，其中每个元素对应一个特定类别；通过使用softmax函数，将所述包含类别概率的向量转化为概率分布，表示目标属于各个类别的概率；

5.根据权利要求1所述的方法，其特征在于，通过如下方法对所述轻量化目标检测模型进行训练：

6.根据权利要求5所述的方法，其特征在于，在获取数据集后，对所述数据集进行数据增强得到训练数据集，所述数据增强包括随机裁剪、翻转、旋转以及缩放，利用所述训练数据集对所述轻量化目标检测模型进行训练得到训练好的轻量化目标检测模型。

7.根据权利要求1所述的方法，其特征在于，在利用数据集对所述轻量化目标检测模型进行训练时，通过调整超参数优化模型的训练过程和性能，所述超参数包括学习率、批量大小以及正则化系数。

8.一种区域目标入侵检测装置，其特征在于，所述装置包括：

9.一种区域目标入侵检测系统，其特征在于：所述系统包括：

10.一种存储有指令的非暂时性计算机可读存储介质，当所述指令由处理器执行时，执行根据权利要求1至7中任一项所述的方法。

技术总结
本发明公开一种区域目标入侵检测方法、装置及系统和存储介质，该方法包括：构建轻量化目标检测模型，轻量化目标检测模型包括Block_Net网络结构和检测头网络结构；Block_Net网络结构包括主干网络和分类器，主干网络包括堆叠的Block块和池化层，堆叠的Block块用于对提取和组合输入图像的不同尺度的特征以输出特征图，分类器包括全局平均池化层和全连接层；利用数据集对所述轻量化目标检测模型进行训练得到训练好的轻量化目标检测模型，基于训练好的轻量化目标检测模型完成区域目标入侵检测。本发明占用计算机资源少、检测精度最高，综合性价比更高，经济效益更好。

技术研发人员：马忠丽,刘甲甲,周巧,黄俊杰,万毅,张佳鹏,张顺,安若瑾,张航天,宋兴洋
受保护的技术使用者：成都信息工程大学
技术研发日：
技术公布日：2024/2/25