[发明专利]一种基于可见光摄像机的报警监控方法

权利要求书

1.一种基于可见光摄像机的报警监控方法，其特征在于：包括以下步骤：

S01）、在获取用户的检测指令后，或者在提前设置好的检测时间内，系统开始进行检测；

S02）、对可见光摄像机的视频进行截图，获取原始图像；

S03）、步骤S02获取的图像进行预处理和尺寸变换；

S04）、将步骤S03得到的图像，使用基于Faster R-CNN的目标检测网络对其进行目标检测，检测图像中是否有符合特征的可疑目标；

S05）、判断步骤S04的检测结果，如果没有可疑目标的出现，回到步骤S01；如果有可疑目标的出现，提醒客户，发出报警声并将步骤S04生成的检测图像展示给客户，然后等待客户的反馈结果；

S06）、根据步骤S5获取的反馈结果做出不同处理，如果客户确认为可疑目标，将步骤S04生成的检测图片进行保存，如果用户反馈该目标不是可疑目标，将步骤S02、S03、S04的图像删除，减少内存空间的占用；

S07）、判断是否达到检测结束时间，或者是否接到用户的停止检测命令，若是，则停止检测，否则回到步骤S02。

2.根据权利要求1所述的基于可见光摄像机的报警监控方法，其特征在于：步骤S04中基于Faster R-CNN的目标检测网络包括Fast R-CNN网络和RPN网络，RPN网络将图像的随机区域信息作为建议区域进行采样，训练它们可能包含目标的区域，Fast R-CNN网络进一步处理RPN网络采集的区域信息，确定区域内的目标类别，调整区域大小，定位目标在图像中的具体位置。

3.根据权利要求2所述的基于可见光摄像机的报警监控方法，其特征在于：基于FasterR-CNN的目标检测网络进行目标检测的过程为：

S41）、Fast R-CNN网络输入固定大小的图片，进入共享卷积层提取特征图；

S42）、将特征图传入RPN网络，通过一个基于滑动操作的卷积层来预测包含目标的窗口的位置，该卷积层进行两次卷积操作，一次用来判断该滑动窗口所在区域是否属于目标，如果属于目标，将保留建议区域并输入Fast R-CNN网络；如果将小窗口中的信息识别为背景，则丢弃建议区域；另一次的卷积操作用来计算建议区域的偏移位置，用来获取建议区域在实际图片的位置信息；

S43）、在Fast R-CNN网络网络中，将特征图以及RPN网络输出的建议区域输入到池化层中，生成感兴趣区域，感兴趣区域被池化为固定长度的向量，并作为全连接层的输入，进行目标分类预测和边界框回归预测。

4.根据权利要求2所述的基于可见光摄像机的报警监控方法，其特征在于：在使用基于Faster R-CNN的目标检测网络进行目标检测，建立包含各种人体姿态的图片数据库，在图片数据库中使用标注边界框来标注只面向摄像机并且清晰的人体目标，图片数据库中的图像集分为样本集和训练集，两者之间的比例为4:1，采用建立好的图片数据库对目标检测网络进行训练。

5.根据权利要求4所述的基于可见光摄像机的报警监控方法，其特征在于：对目标检测网络进行训练的过程为：

A1）、使用图片数据库中的数据对ResNet-101网络模型进行训练获取ImageNet模型；

A2）、使用步骤A1生成的ImageNet模型初始化RPN，在RPN网络中的卷积操作使用ImageNet模型，对RPN进行训练，收集建议区域；

A3）、ImageNet模型初始化Fast R-CNN，在Fast R-CNN网络中的卷积操作使用ImageNet模型，并使用步骤A2生成的建议区域训练Fast R-CNN网络；

A4）、固定Fast R-CNN网络训练后的卷积层，对RPN网络进行第二次训练；

AA5）、固定RPN和Faster R-CNN的共享卷积层后，使用第四步产生的建议区域对FastR-CNN进行微调。

6.根据权利要求5所述的基于可见光摄像机的报警监控方法，其特征在于：所述ImageNet模型由残差模型组成。