[发明专利]一种基于多线程的多摄像头实时检测方法

说明书

基于多线程的多摄像头实时检测方法，首先加载基于ResNet50和三重损失函数的行人重识别网络，构建检测人脸库，采用face_recognition库提取人脸库的特征向量，之后开始构建多线程系统，应用multiprocess库中的Queue构建队列，并采用daemon守护进程，之后通过Yolo3将人物定位并用Opencv裁剪出来，之后使用face_recognition库中的识别模块进行识别，若无人脸则采用行人重识别网络进行识别，最后通过多线程并行处理，可以在监控视频中对多个摄像头中的目标进行实时检测。

技术领域

本发明涉及对摄像头拍摄视频进行实时检测的方法。

背景技术

由于安防领域发展迅速，摄像头功能日益强大，现有的摄像头已经普遍具有通讯协议，可以实现有线和无线的远程视频读取。同时，由于安全的需求上升，越来越多的摄像头被安装在建筑物，街道等地方，起到监控的作用。由此警方等可以通过摄像头进行人物的监控，并且实时的处理多个摄像头提高效率。

人脸识别与行人重识别是识别特定行人的关键技术。但是由于目前行之有效的方法多采用深度学习神经网路，它占用内存大，同时计算量也较多，对于实时监控的场景很难进行处理。所以使用多线程技术，对于多个摄像头使用多个线程进行并行处理，这样子可以保证对于多源摄像头的视频不会有先后影响，同时也能保证一个较高的实时性。

发明内容

本发明要克服现有技术的上述缺点，提供一种基于多线程的多摄像头实时检测方法。

为了要实现实时性目的，本发明设计了一种基于多线程的多摄像头实时检测方法，可以有效提高实时性的要求，并不降低人脸识别以及行人重识别的精度。这对于实时目标检测，在效率上是一个非常大的提升，因为同一时间处理摄像头的数量增加，可以利用的信息也同时变多，使用者也能从更多的信息判断检测是否准确。

本发明实现上述发明目的所采用的技术方案为：

一种多线程的多摄像头实时监测方法，包括以下步骤：

步骤1.加载行人重识别网络：采用预训练的ResNet50网络，将ResNet50中全连接层前的输出作为行人特征，并采用三重损失函数构造网络，并通过Market1501数据集训练。

步骤2.建立人脸库,加载人脸识别网络：选用Python的第三方库dlib,和face_recognition进行人脸识别的判断，将检测目标的人脸图片加入到本地库进行特征提取。

步骤3.读取监控摄像头视频：监控摄像头大多采用有线的形式进行配置，通常搭载有Rstp协议，使用Opencv中的VideoCapture函数进行视频读取。

步骤4.人物裁剪步骤：将预下载的Yolo3权重放入指定目录下，加载Yolo3网络，将从摄像头读取的图片放入Yolo3中，得到行人的坐标，并裁剪出行人图片进行识别。

步骤5.构建多线程框架的步骤：选用Python自带的多线程库multiprocess，并设置多个队列用来存放多个摄像头的图片(数量取决于摄像头数量)。并通过主程序中的process.start()函数启动多线程服务。并采用daemon守护进程，保证其在后台运行，是多线程与运行前的环境隔离开来，保证父进程的运行。

步骤6.人物检测步骤：在单个子进程中，使用Yolo3的目标检测网络进行人物的识别，将裁剪下来的图片放入face_recoginition的人脸检测模块中检测是否有清晰人脸，如果有人脸的话可以进行人脸识别，在没有人脸的情况下，如果行人库中有人的话，则进行匹配，如果有匹配到人(欧式距离小于阈值)，则识别成功并将人物框出来加上标签，如果没有匹配到的人，则无法判断；如果行人库没有人的话，则无法判断的

与现有技术相比，本发明技术方案的优点有：