[发明专利]基于全局交叉熵加权的楼宇监控方法、装置和电子设备

说明书

本发明公开了一种基于全局交叉熵加权的楼宇监控方法、装置和电子设备。所述方法，包括：获取所述智慧园区的楼宇的第一楼宇图像和第二楼宇图像；将所述第一楼宇图像和第二楼宇图像分别输入卷积神经网络以获得第一初始特征图和第二初始特征图；计算所述第一和所述第二初始特征图之间的第一、第二全局交叉熵加权系数；基于所述第一和第二全局交叉熵加权系数对所述第一和第二初始特征图进行加权以获得最终特征图；以及，基于所述最终特征图进行图像语义分割以获得图像语义分割结果，所述图像语义分割结果表示所述楼宇的监控结果。这样，基于更高精度的所述楼宇图像的语义分割结果，能够更为精确地对楼宇的照明系统进行远程监控。

技术领域

本申请涉及人工智能技术领域，且更为具体地，涉及一种基于全局交叉熵加权的智慧园区的楼宇监控方法、装置和电子设备。

背景技术

智慧城市是把新一代信息技术充分运用在城市中各行各业的城市信息化高级形态。智慧园区是智能城市建设的重要部分，照明系统是园区内楼宇的主要基础设置。

传统的照明系统主要以手控、光控、钟控等控制模式为主，工作人员往往必须到现场才能对照明系统进行操作，不能实现远距监控。因此，在节假日和夜间等无人状态下会造成不同程度的能源浪费。

目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、语音信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。

深度学习以及神经网络的发展（尤其是图像语义分割技术的发展）为智能园区的楼宇照明系统的监控提供了新的解决思路和方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于全局交叉熵加权的智慧园区的楼宇监控方法、装置和电子设备，其基于全局交叉熵加权的卷积神经网络模型对所采集的楼宇图像进行图像特征识别，以减少不同图像在图像的源域和目标域之间的域漂移的差异，从而提高图像特征识别的精度；进而，对具有更高识别精度的特征图进行图像语义分割，以提高楼宇图像的分割精度和识别精度，从而能够精确地对智能园区内的楼宇的照明系统进行远程监控。

根据本申请的一个方面，提供了一种基于全局交叉熵加权的智慧园区的楼宇监控方法，其包括：

获取由第一摄像头和第二摄像头所拍摄的所述智慧园区的楼宇的第一楼宇图像和第二楼宇图像，所述第一摄像头和所述第二摄像头具有不同的拍摄位置和拍摄角度，且所述第一楼宇图像和所述第二楼宇图像具有相同大小；

将所述第一楼宇图像和第二楼宇图像分别输入卷积神经网络以获得第一初始特征图和第二初始特征图；

计算所述第一初始特征图相对于所述第二初始特征图的第一全局交叉熵加权系数；

计算所述第二初始特征图相对于所述第一初始特征图的第二全局交叉熵加权系数；

基于所述第一全局交叉熵加权系数和所述第二全局交叉熵加权系数对所述第二初始特征图和所述第一初始特征图进行加权以获得最终特征图；以及

基于所述最终特征图进行图像语义分割以获得图像语义分割结果，所述图像语义分割结果表示所述楼宇的监控结果。

在上述智慧园区的楼宇监控方法中，计算所述第一初始特征图相对于所述第二初始特征图的第一全局交叉熵加权系数包括：

基于以下公式计算所述第一初始特征图相对于所述第二初始特征图的第一全局交叉熵加权系数：

其中，是第一全局交叉熵加权系数，是第一初始特征图中的每个位置的值，是第二初始特征图中的每个位置的值，是所述第一初始特征图和所述第二初始特征图的宽度，是所述第一初始特征图和所述第二初始特征图的宽度，且是所述卷积神经网络的通道数。