[发明专利]一种基于Tiny-Darknet的场景识别分类方法

说明书

本发明提供一种基于Tiny‑Darknet的场景识别分类方法，包括以下步骤，构建分类模型的训练样本集；搭建基于Tiny‑darknet网络的的深度学习框架；配置训练参数，训练分类模型；获取设备监控图像信息；分类场景图像；判断场景变化；完成场景识别参数配置。该发明的有益效果是：通过场景识别自动切换参数配置，场景识别检测精准，普适性强，对于任何场景的监控设备均适用，保证了监控设备监控画面的质量，提高了设备的使用性能，满足实际需求。

技术领域

本发明涉及视频检测技术领域，尤其是涉及一种基于Tiny-Darknet的场景识别分类方法。

背景技术

近年来，安防监控行业的发展迅速，从原先的模拟制式监控转变成数字网络高清监控，清晰度上得到很大的提升。但是不同的场景环境下，需要应用不同监控设备参数，场景状态发生改变，也需要重新配置设备参数；但是不了解设备参数的使用者往往得不到最优质的视频监控画面。

传统的视频监控设备参数配置都是技术人员在现场安装时，根据安装的场景选择。这种方法比较简单，在正常情况下也没有问题，但是一旦设备的监控环境因为外力原因发生改变，如室外环境下出现大雾天气、强光照射等，之前的配置已不再适用变化的场景，从监控效果方面来看，会产生效果漏洞。随着视频监控技术的发展和广泛应用，根据监控设备获取的视频画面进行场景识别，可以快速、高效、可靠、实时的对设备的参数配置进行自适应调整，保证获取最优的监控效果。常用的方法主要是根据传统的图像处理算法提取图像特征进行场景分类。这种方法一方面只能适用于静态场景，即在同一场景下监控画面每一帧图像之间无明显差别，这明显不适用流动性强的场景；另一方面，这种方法在应用于监控设备中，占用内存较大，无法满足实时性或者低端监控设备的要求。为了解决这两类问题，也有学者从优化图像特征提取算法的角度去提升效果，但是只是在特定的场景下效果明显，普适性不强。

发明内容

有鉴于此，本发明旨在提出一种基于Tiny-Darknet的场景识别分类方法，通过场景分类识别技术，预先为用户配置好各个场景下的设备参数，设备根据监控的场景切换使用相应的配置，大大提高设备的使用性能。

为达到上述目的，本发明的技术方案是这样实现的：

一种基于Tiny-Darknet的场景识别分类方法，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。

进一步的，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。

进一步的，步骤S1中，将训练样本集随机分为训练集和测试集。

进一步的，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。

进一步的，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。