[发明专利]适用于智能监控网络中的综合特征目标检测方法、系统、介质及设备

说明书

本发明提供了一种适用于智能监控网络中的综合特征目标检测方法、系统、介质及设备，包括：行人搜索网络模型分割步骤:结合边缘装置的剩余计算资源信息，分析二进制格式的模型，并对二进制格式的模型做分割，将合适的模型片段分派给边缘装置；行人搜索网络模型动态计算卸载步骤:利用边缘装置的限制碎片资源，将中央服务器的行人搜索任务的部分计算需求卸载到边缘装置，执行中央服务器分配的任务；行人搜索网络模型融合步骤:将行人搜索网络中的行人检测子网及行人重识别子网进行融合且并行识别；综合特征目标检测搜索结果获取步骤：获取综合特征目标搜索结果信息。本发明对于的视频流搜索任务有良好的应用价值。

技术领域

本发明涉及边缘计算技术领域和深度学习技术领域，具体地，涉及一种适用于 智能监控网络中的综合特征目标检测方法、系统、介质及设备。

背景技术

计算机相关领域技术的快速发展，使得视频监控应用特别是行人搜索应用已越来越广泛，与之相伴的便是监控网络的成长，如何负担越来越大的监控网络识别需 求是始终存在的关键问题。行人搜索一直是监控网络的智能化应用之一，行人搜索 作为图像处理与计算机视觉的重要领域，在学术和实际中都有极为重要的影响。特 别是随着近年来深度学习领域的迅猛发展，更加精准及更快的行人搜索已然成为学 术界的关注点之一。随着雪亮工程等国家重点工程的实施，智能监控网络呈现出网 络规模越来越大，视频质量越来越高的趋势，而人们对行人搜索的高精准度及实时 处理效率的需求也越来越高。因此，提升行人搜索的搜索效率变得非常具有挑战性， 对网络带宽和计算能力都提出了很高的要求。当下很多行人搜索实现的方法原理是 依靠后端计算能力强大的服务器进行全域视频数据分析而实现的，但是它们在高分 辨率大规模的网络下是难以实现的。网络规模的增大和视频质量的提高使得原有方 法中用来处理的服务器负荷超载，此外，高质量视频传输本身也会产生较大的网络 延迟。提升行人搜索效率的技术方案主要有基于边缘计算任务卸载的方法，以及在 模型本身进行优化的方法等。这些方法尽管可以减少负载提升性能，但在网络规模 增大的情况下，其性能效率上仍显低效，且容易造成边缘设备资源耗尽。有些方法侧重于监控设备彼此之间进行协作。Sushma Nagaraj在Edge-based street objectdetection提出了分别训练浅层网络及深层网络，并把事先训练好的模型部署在边 缘装置上，让边缘装置能对图像先进行数据预处理，若遇到难以处理或是处理时常 较久的图像才会发送给中央服务器，用中央服务器的深层网络进行识别，虽然提高 了图片处理的实时性，但遇到了连续困难识别的场景容易大幅降低识别的帧率。Li 提出了Edgent框架，是基于边缘与终端协同的深度学习模型推理时的框架，其逻辑 分为三个阶段，分别为离线训练阶段、在线优化阶段以及协同推断阶段。在离线训 练阶段，训练完目标需求的深度神经网络，并估算各个层在边缘装置及在终端设备 上的模型推理时延；在线优化阶段，对模型推理进行优化，优化的方式为寻找退出 点以及可切分点，将模型一分为两个二进制模型；在协同推断阶段，边缘装置先根 据他的部分进行模型推理，并将结果传递给中央服务器让它进行后续的推断，但是 整体架构是个静态分割的方法，分割完后难以根据现实场景适配。

专利文献CN101136067A公开了一种基于综合特征一致性模型的人造目标检测 方法,该方法首先建立综合特征一致性模型,然后利用该模型对自然图像进行初步 的感兴趣区域检测,最后利用数学形态学中的腐蚀和区域标注对其进行后处理。该 专利并不能很好地适用于智能监控网络中的综合特征目标检测中。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种适用于智能监控网络中的综合特征目标检测方法、系统、介质及设备。