[发明专利]基于深度学习的防偷拍检测方法

说明书

本发明公开一种基于深度学习的防偷拍检测方法，其步骤为：1、构建深度学习的目标检测网络；2、生成训练集；3、采取多种尺度画框方式对图片中的同一偷拍行为进行标记；4、训练深度学习网络；5、检测偷拍行为；6、对无偷拍行为的图片进行图像增强；7、对特征增强后的图像再次进行检测。本发明通过在对数据集进行标记时采取多种尺度画框方式，克服了因偷拍行为动作多样化导致的检测正确率低的问题，构建了深度学习网络并对人形区域进行图像增强处理，保证了在监控视频中的偷拍行为检测上能够达到实时效果，并具有较高的正确率。

技术领域

本发明属于图像处理技术领域，更进一步涉及目标检测技术领域中的一种基于深度学习的防偷拍检测方法。本发明可对视频监控中所拍摄到的人的偷拍行为进行实时检测。

背景技术

视频监控中的防偷拍检测在许多保密机构和单位中是一个十分有必要的行为，能够防止机构或单位的内部保密信息向外界泄露。但是在实际中，人工检测视频监控中的偷拍行为费时费力，而且很难做到实时检测。为解决上述问题，人们通常设计目标检测方法，利用计算机对视频监控中的偷拍行为进行检测。

裕利年电子南通有限公司在其申请的专利文献“基于计算机视觉的防拍照显示系统及防拍照方法”(申请号：201811171034.1，公布号：CN109271814A)中提供了一种基于计算机视觉的防拍照显示系统及防拍照方法。该方法的步骤为，首先从数据库中调入基于RGB颜色空间的图像数据，并对数据进行滤波处理，使数据较为平滑；然后将RGB颜色空间映射到HSV空间，并对图像进行形态学处理；最后通过将检测到的物体轮廓图和大小与手机以及数码相机进行比对，判断图像是否包含偷拍行为。该方法的不足之处是：由于该方法在检测时只对偷拍设备进行检测而偷拍行为动作具有多样化，易将其他行为错误判断为偷拍行为，对检测准确率有较大影响。

山东浪潮云服务信息科技有限公司在其申请的专利文献“一种防偷拍系统及方法”(申请号：201711077705.3，公布号：CN107784653A)中公开了一种防偷拍系统及方法。该方法的步骤为，首先实时采集幕布上展示的影片图像，将影片图像输出给偷拍判断模块；然后实时观众席图像，将图像输出给偷拍判断模块；针对接收到的每张图像，计算当前观众席图像与接收到的影片图像之间的匹配度，当计算出的匹配度大于等于预设匹配度阈值时，认为当前图像中有偷拍行为。该方法的不足之处是：由于该方法在对比图像匹配度时采用传统的匹配方法，计算量较大，从而无法对视频进行实时处理。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于深度学习网络的防偷拍检测方法，解决了对视频中偷拍行为进行检测时精度低、无法达到实时效果的问题。

实现本发明目的的思路是，先搭建一个由四个模块组成的Yolov3目标检测网络、设置网络每层参数，再构建数据集，采取多种尺度画框方式对图片中的同一偷拍行为进行标记，并对人形区域进行标记，然后输入标记好的图片对深度学习网络进行训练，最后将实时采集的图片输入到训练好网络中检测偷拍行为，对无偷拍行为图片中的人形区域进行局部增强，将局部增强后的图片再次输入深度学习网络中，重新对图片进行检测。

本发明实现的具体步骤如下：

(1)构建深度学习的目标检测网络：

(1a)搭建一个由四个模块组成的Yolov3目标检测网络具体结构如下：

第一个模块的结构依次为：输入层→第1卷积层→第2卷积层→第一卷积子模块→第3卷积层→第二卷积子模块→第4卷积层→第三卷积子模块→第5卷积层→第四卷积子模块→第6卷积层→第五卷积子模块；所述第二卷积子模块是由四个依次串联的第一卷积单元组成；所述第三卷积子模块由八个依次串联的第2卷积单元组成；所述第四卷积子模块是由八个依次串联的第3卷积单元组成；所述第五卷积子模块是由四个依次串联的第4卷积单元组成；所有卷积单元的结构均依次为:两个依次串联的卷积层→ResNet层，每个ResNet层将所在卷积子模块的输入端连接并合并到输出端；