[发明专利]一种高空视频监控中小微目标的检测方法

说明书

本发明公开了一种高空视频监控中小微目标的检测方法，包括如下步骤：(1)针对小微目标，调整和优化卷积神经网络训练时的合适的候选区生成参数，确定特定小微目标的图像长宽比参数；(2)确定特定小微目标的合理最小检测像素面积，通过摄像头定时、定位的360°自动巡检分析，实现机器智能监控值守功能。本发明为解决高空视频监控的特定需求和存在问题，调整算法训练时的目标物迭代逼近候选框的生成大小和生成比例，使得算法逼近候选区域大小更好地贴合实际目标物，提高卷积神经网络的训练结果和小微目标的检测准确性；在识别算法应用过程中，通过调度机制实现360度自动巡检分析，使得机器分析值守，代替人工视频监看最终成为现实可能。

技术领域

本发明涉及图像识别技术领域，尤其是一种高空视频监控中小微目标的检测方法。

背景技术

随着科技手段的迅猛发展，视频监控技术被各大行业所广泛使用。视频监控的发展经历了“看得到”(黑白监控)阶段，到“看得清”(高清监控)，下一步的监控目标应该是往“看得懂”(图像智能分析)阶段发展。

以往的视频监控系统多依赖于视频设备厂商自行构建，例如架设3—5米杆，部署视频服务器、解码器、网络设备及存储设备等来实现。近年来，随着云计算技术的兴起，各大运营商依托自有的云计算中心设备、带宽资源优势，借助基站铁塔的供电、避雷、网络传输和客户资源优势，纷纷切入政府视频监控行业市场(例如环保，国土，住建，农业，畜牧，海事等)。

不同于以往的低空监控，运营商的摄像头通常架设在30-50米的高空，一方面扩大了有效监控区域；另一方面，在远景视野中的目标物就会变得很小，给图像分析技术提出了更高的要求。

目标检测是计算机视觉中的一类典型任务，其核心要求是在图像中识别出目标类别的基础上，进一步定位出目标在图像中的位置。近年来，卷积神经网络技术迅猛崛起，较之于传统的经验特征的算法，卷积神经网络无论是在识别漏报率、误报率，还是在扩展性、应用性等方面，均取得了不错的理论和实践成果。通常，根据待检测目标占所处图像里的比例大小，可以将目标检测大致分为大目标检测、中等目标检测和小微目标检测。例如，拍摄的风景照里，近处摆姿势、正对镜头的游客属于大目标，而海平面远处的船则属于小微目标。卷积神经网络对于大、中目标检测的有效性较高；但是运用到小微目标检测时，效果往往会大打折扣。在小微目标检测任务中，某些目标物的并没有固定的形状、大小及比例关系，例如烟雾、火光等(与之对应的，例如行人、车辆等，在高空视频监控中的形状相对明显，且物体比例关系相对固定)。因此，如何提高、增强卷积神经网络在小微目标检测能力，尤其针对非固定形状，变尺度的小微目标识别成为当前亟待解决的问题。

发明内容

本发明所要解决的技术问题在于，提供一种高空视频监控中小微目标的检测方法，能够显著提高小微目标的检出率。

为解决上述技术问题，本发明提供一种高空视频监控中小微目标的检测方法，包括如下步骤：

(1)针对小微目标，调整和优化卷积神经网络训练时的合适的候选区生成参数，确定特定小微目标的图像长宽比参数；

(2)确定特定小微目标的合理最小检测像素面积，通过摄像头定时、定位的360°自动巡检分析，实现机器智能监控值守功能。

优选的，步骤(1)中，调整和优化卷积神经网络训练具体包括如下步骤：

(11)训练集建立；将实际使用过程中收集的场景图片进行分类，得到小目标数据图像集N张，其中N不包含随机预留的500张测试集数据；

(12)训练样本标注；对于以上数据集进行小微目标物标注；