[发明专利]一种基于YOLO的动作实时监测方法

说明书

本发明提供了一种基于YOLO的动作实时监测方法，检测方法包括以下步骤：S1：建立场景模型，场景模型被配置为对摄像头所处位置进行视频采集；S2：对场景模型中的目标检测，获得检测框；S3：构建并训练深度学习提取网络，将所有的人物的检测框输入到该网络，得到所有检测框的特征向量；S4：预测视频跟踪目标的动作向量，利用检测框的特征向量和预测的动作向量对跟踪目标进行危险动作匹配或预测，得到最佳匹配和预测检测框；S5：对危险动作的目标检测框进行标红处理；S6：报警提示。通过采用检测框能够进行标红处理使得摄像头进行着重的注意，使得检测框中的物体能够进行实时的检测，保证对人物的动作进行精确的识别。

技术领域

本发明涉及动作监控技术领域，尤其涉及一种基于YOLO的动作实时监测方法。

背景技术

在社区监控中，主要还是靠保安轮岗值守监控画面，这样不但耗费大量人力，而且人工值守监控画面也有很大的缺陷，不能实时对监控中危险人物以及危险动作发出预警。

如CN110569711A现有技术公开了一种，基于Kinect的图形识别，在静态图像识别中，当操作者距离远，捕获图像比较模糊，无法精确提取图像信息，同时，存在动态识别中存在处理速度慢的缺点。另一种典型的如CN102521579A的现有技术公开的一种基于二维平面摄像头推的动作识别方法及系统，采用静态固定姿势来表示确认或者进入，操作非常不方便，不够自然，加大了用户对各种固定姿势的记忆负担，并且现有技术的二维平面下的人机交互普遍存在算法复杂，动作识别效率不高的问题。再来看如CN109389076A的现有技术公开的一种图像分割方法及装置，传统的图像皮肤分割方法主要是基于人体皮肤肤色实现的，然而人体皮肤的肤色在不同的场景下变化很大，比如在阳光下的皮肤会很亮并且部分区域有阴影，在室内时皮肤会很暗并且如果灯光不够皮肤会很较黑。传统方法的分割效果的鲁棒性较差，不能对图像中不同人的皮肤区域进行区分，在复杂场景的效果就更不理想了。

为了解决本领域普遍存在检测手段单一、检测不准确和无法监控目标的动作行为等等问题，作出了本发明。

发明内容

本发明的目的在于，针对目前动作监控所存在的不足，提出了一种基于YOLOv₃的动作实时监测方法。

为了克服现有技术的不足，本发明采用如下技术方案：

一种基于YOLO的动作实时监测方法，所述监测方法包括以下步骤：

S1：建立场景模型，所述场景模型被配置为对摄像头所处位置进行视频采集；

S2：对所述场景模型中的目标检测，获得检测框；

S3：构建并训练深度学习提取网络，将所有的人物的检测框输入到该网络，得到所有检测框的特征向量；

S4：预测视频跟踪目标的动作向量，利用检测框的特征向量和预测的动作向量对跟踪目标进行危险动作匹配或预测，得到最佳匹配和预测检测框；

S5：对危险动作的目标检测框进行标红处理；

S6：报警提示。

可选的，所述场景模型的建模方法包括收集检测装置的场景图形、收集图形帧数和收集图像的像素，跟踪所述图形帧数的趋势并把所述趋势应用在分析装置中，所述分析装置把收集的场景图像进行区域的划分，所述区域包括第一图形帧的第一区域和第一图形帧的第二区域，所述第一区域被配置为对同一第一图形帧中的第二区域中收集像素数据的像素参数，并使用传感器控制单元调整输出像素数据速率。

可选的，所述检测框的选取方法包括：

通过边缘检测算法得到图像的边缘图，并通过优化处理器进行优化得到轮廓图；

通过轮廓图获取图像的超像素点，任意两个相邻的区域之间均有一个不相似度值；