[发明专利]一种基于目标检测的校园走廊场景智能监控方法

权利要求书

1.一种基于目标检测的校园走廊场景智能监控方法，其特征在于，该方法使用基于YOLOv3目标检测网络搭建的目标检测模型，通过由深度可分离卷积组成的倒置残差模块进行特征提取，实现对监控视频画面的实时目标检测，所述的实时目标检测包括以下步骤：

1)部署有训练完成的目标检测模型的开发板获取对应摄像头的实时视频流，并生成监控图像后输入目标检测模型；

2)目标检测模型对输入的监控图像进行特征提取后，输出三层不同分辨率尺度的目标检测结果；

3)计算各目标检测结果的置信度和重叠度，保留置信度高于设定置信度阈值的目标检测结果，并去除对一个目标的重叠目标检测结果，获得最终目标检测结果；

4)对最终目标检测结果中需要进行报警的行为启动警报机制。

2.根据权利要求1所述的一种基于目标检测的校园走廊场景智能监控方法，其特征在于，所述的倒置残差模块包括Stride1 block不带下采样模块(A)和Stride2 block带下采样模块(B)。

3.根据权利要求2所述的一种基于目标检测的校园走廊场景智能监控方法，其特征在于，所述的倒置残差模块作为子模块嵌入YOLOv3目标检测网络中，对输入的监控图像进行多层不同深度的特征提取。

4.根据权利要求3所述的一种基于目标检测的校园走廊场景智能监控方法，其特征在于，所述的目标检测模型中，对输入图像的目标检测具体包括以下步骤：

201)输入的三通道监控图像通过一层卷积层，生成第一特征图；

202)第一特征图依次通过一次Stride1 block不带下采样模块(A)和一次Stride2block带下采样模块(B)，生成第二特征图；

203)第二特征图依次通过一次Stride1 block不带下采样模块(A)、一次Stride2block带下采样模块(B)和六次参数不同的Stride1 block不带下采样模块(A)，生成第三特征图；

204)第三特征图依次通过一次Stride2 block带下采样模块(B)和一次Stride1 block不带下采样模块(A)，生成第四特征图；

205)第四特征图通过七层卷积加批处理层后，进入第一个yolo层进行第一分辨率尺度上的预测，输出第一分辨率尺度的目标检测结果；

206)选取步骤205)中第四个卷积加批处理层的输出，并上采样至与第三特征图相同分辨率后，与第三特征图进行拼贴形成第五特征图；

207)第五特征图通过七层卷积加批处理层后，进入第二个yolo层进行第二分辨率尺度上的预测，输出第二分辨率尺度的目标检测结果；

208)选取步骤207)中第四个卷积加批处理层的输出，并上采样至与第二特征图相同分辨率后，与第二特征图进行拼贴形成第六特征图；

209)第六特征图通过七层卷积加批处理层后，进入第三个yolo层进行第三分辨率尺度上的预测，输出第三分辨率尺度的目标检测结果。

5.根据权利要求1所述的一种基于目标检测的校园走廊场景智能监控方法，其特征在于，训练所述的目标检测模型包括以下步骤：

S1：构建含有标注的训练数据集；

S2：从训练数据集中采集一批样本后，输入目标检测模型进行前向传播；

S3：根据三层不同分辨率尺度的目标检测结果和标注信息，获取损失函数；

S4：根据损失函数对目标检测模型中的网络进行反向传播；

S5：根据反向传播获取的梯度，对目标检测模型中的网络执行梯度下降算法，并更新参数；

S6：重复执行步骤S2至步骤S5，直至目标检测模型中的网络收敛。

6.根据权利要求5所述的一种基于目标检测的校园走廊场景智能监控方法，其特征在于，所述的步骤S1具体包括以下步骤：

S11：获取多种不同场景的监控视频；

S12：将收集的监控视频进行切帧，并对需要识别的动作进行标注，保存为单独的图片；

S13：将每张图片缩放至设定分辨率；

S14：对图片进行数据增强，包括水平翻转、随机裁剪、旋转和色调饱和度变化；

S15：构建含有标注的训练数据集。