[发明专利]一种基于Tiny-Darknet的场景识别分类方法

权利要求书

1.一种基于Tiny-Darknet的场景识别分类方法，其特征在于，包括以下步骤：

S1.构建分类模型的训练样本集；

S2.搭建基于Tiny-darknet网络的深度学习框架；

S3.配置训练参数，训练分类模型；

S4.获取设备监控图像信息；

S5.分类场景图像；

S6.判断场景变化；

S7.完成场景识别参数配置。

2.根据权利要求1所述的一种基于Tiny-Darknet的场景识别分类方法，其特征在于：步骤S1中构建分类模型的训练样本集时，从监控设备实际应用的各个场景，网上公开的数据集获取多个不同的场景的图像，并对这些图像旋转多个角度、调整对比度和锐化处理得到新的图像，原图像和新图像共同组成分类模型的训练样本集。

3.根据权利要求1所述的一种基于Tiny-Darknet的场景识别分类方法，其特征在于：步骤S1中，将训练样本集随机分为训练集和测试集。

4.根据权利要求1所述的一种基于Tiny-Darknet的场景识别分类方法，其特征在于：步骤S2中搭建基于Tiny-darknet网络的深度学习框架时，对Tiny-Darknet网络进行裁剪，将神经网络生成的特征图以Blob结构的形式进行前向传播和反向传播。

5.根据权利要求1所述的一种基于Tiny-Darknet的场景识别分类方法，其特征在于：所述Tiny-Darknet网络中，包含15个卷积层，6个池化层，1个全连接层，裁剪后全连接层输出8种结果，每种结果代表一种场景。

6.根据权利要求1所述的一种基于Tiny-Darknet的场景识别分类方法，其特征在于：步骤S3中配置训练参数，训练分类模型时，先设置训练网络模型的超参数，设置初始学习率，进行迭代训练，每隔固定的迭代次数，将学习率降低，直至最终输出loss值下降至预设临界值以下，训练完成后，获取分类场景图像的模型。

7.根据权利要求1所述的一种基于Tiny-Darknet的场景识别分类方法，其特征在于：步骤S4中获取设备监控图像信息时，直接从待监测场景的监控设备中，获取监控视频画面的图像帧。

8.根据权利要求1所述的一种基于Tiny-Darknet的场景识别分类方法，其特征在于：步骤S5中，将步骤S4中获取的图像信息送至预先训练好的分类模型进行处理，得到分类结果。

9.根据权利要求1所述的一种基于Tiny-Darknet的场景识别分类方法，其特征在于：步骤S6中，根据分类结果与之前配置参数的场景类别对比，判断场景是否发生变化，若变化，则根据变化的类别标签自动切换到所属类别的参数配置；若无变化，则结束，进行下一帧对比。

10.根据权利要求1所述的一种基于Tiny-Darknet的场景识别分类方法，其特征在于：步骤S7中，综合分析连续的多个场景监控设备的视频帧图像，确定所属的场景类别，根据连续多帧的分类，判断场景属性有无发生改变，完成场景识别参数配置。