[發(fā)明專利]機(jī)場跑道智能監(jiān)控方法、應(yīng)用服務(wù)器及計(jì)算機(jī)存儲介質(zhì)

有效

• 申請?zhí)枺?/td>: 201810227514.9
• 申請日: 2018-03-20
• 公開（公告）號: CN108446630B
• 公開（公告）日: 2019-12-31
• 發(fā)明（設(shè)計(jì)）人: 王義文;王健宗;肖京
• 申請（專利權(quán)）人: 平安科技(深圳)有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 44347 深圳市沃德知識產(chǎn)權(quán)代理事務(wù)所(普通合伙)
• 代理人: 高杰;于志光

本發(fā)明公開了一種機(jī)場跑道智能監(jiān)控方法，該方法包括：將核心交換機(jī)內(nèi)存儲的機(jī)場跑道視頻分解為連續(xù)的幀圖像；利用全卷積網(wǎng)絡(luò)模型對幀圖像進(jìn)行特征提取，獲得機(jī)場跑道特征；采用基于像素的自適應(yīng)分割的前景檢測算法，檢測機(jī)場跑道上的運(yùn)動目標(biāo)，并對檢測到的第一運(yùn)動目標(biāo)設(shè)置第一跟蹤框；采用高速壓縮跟蹤算法對第一跟蹤框進(jìn)行跟蹤，獲得第一運(yùn)動目標(biāo)的目標(biāo)跟蹤序列；將第一運(yùn)動目標(biāo)跟蹤序列輸入深度神經(jīng)網(wǎng)絡(luò)模型，進(jìn)行分類；及當(dāng)屬于異常運(yùn)動目標(biāo)時(shí)，執(zhí)行警示操作。本發(fā)明還提供一種應(yīng)用服務(wù)器和計(jì)算機(jī)可讀存儲介質(zhì)。本發(fā)明提供的機(jī)場跑道智能監(jiān)控方法、應(yīng)用服務(wù)器以及計(jì)算機(jī)可讀存儲介質(zhì)，能夠提高對機(jī)場跑道的自動監(jiān)控的可靠性。

技術(shù)領(lǐng)域

本發(fā)明涉及數(shù)字圖像處理與視頻監(jiān)控領(lǐng)域，尤其涉及一種機(jī)場跑道智能監(jiān)控方法、應(yīng)用服務(wù)器以及計(jì)算機(jī)可讀存儲介質(zhì)。

背景技術(shù)

目前的機(jī)場監(jiān)控系統(tǒng)大部分仍然采用傳統(tǒng)的監(jiān)控系統(tǒng)架構(gòu)，即前端使用模擬攝像機(jī)采集視頻信號，通過同軸電纜傳輸?shù)揭曨l編碼器/編碼卡進(jìn)行編碼，然后通過網(wǎng)絡(luò)進(jìn)行集中存儲，或，將模擬攝像機(jī)采集的視頻信號直接存入硬盤錄像機(jī)存儲。后端根據(jù)前端采集的視頻數(shù)據(jù)進(jìn)行分析與機(jī)場狀態(tài)的實(shí)時(shí)監(jiān)控。

但是，傳統(tǒng)的監(jiān)控系統(tǒng)通常采用傳統(tǒng)算法進(jìn)行數(shù)據(jù)分析與監(jiān)控，由于傳統(tǒng)算法具有一定的局限性，在機(jī)場這種復(fù)雜場景下魯棒性較差，經(jīng)常發(fā)生少報(bào)或誤報(bào)等情況，無法滿足高可靠性的需求。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明提出一種機(jī)場跑道智能監(jiān)控方法、應(yīng)用服務(wù)器及計(jì)算機(jī)存儲介質(zhì)，以解決視頻監(jiān)控在機(jī)場環(huán)境下魯棒性較差，經(jīng)常發(fā)生少報(bào)或誤報(bào)，可靠性低的問題。

首先，為實(shí)現(xiàn)上述目的，本發(fā)明提出一種機(jī)場跑道智能監(jiān)控方法，應(yīng)用于服務(wù)器，所述服務(wù)器與至少一個核心交換機(jī)連接，所述方法包括步驟：將所述核心交換機(jī)內(nèi)存儲的機(jī)場跑道視頻分解為連續(xù)的幀圖像；利用全卷積網(wǎng)絡(luò)模型對幀圖像進(jìn)行特征提取，獲得機(jī)場跑道特征；采用基于像素的自適應(yīng)分割的前景檢測算法，檢測機(jī)場跑道上的運(yùn)動目標(biāo)，并對檢測到的第一運(yùn)動目標(biāo)設(shè)置第一跟蹤框；采用高速壓縮跟蹤算法對第一跟蹤框進(jìn)行跟蹤，獲得第一運(yùn)動目標(biāo)的目標(biāo)跟蹤序列；將所述第一運(yùn)動目標(biāo)的目標(biāo)跟蹤序列輸入深度神經(jīng)網(wǎng)絡(luò)模型，進(jìn)行第一運(yùn)動目標(biāo)的分類；及當(dāng)所述第一運(yùn)動目標(biāo)屬于異常運(yùn)動目標(biāo)時(shí)，執(zhí)行警示操作。

可選地，所述核心交換機(jī)連接有多個匯聚交換機(jī)，所述多個匯聚交換機(jī)與多個攝像機(jī)對應(yīng)連接，所述方法還包括控制所述多個攝像機(jī)對機(jī)場跑道進(jìn)行視頻采集，并將采集的機(jī)場跑道視頻通過連接的所述匯聚交換機(jī)發(fā)送至核心交換機(jī)進(jìn)行存儲。

可選地，所述采用高速壓縮跟蹤算法對第一跟蹤框進(jìn)行跟蹤，獲得第一運(yùn)動目標(biāo)的目標(biāo)跟蹤序列的步驟包括：獲取檢測到第一運(yùn)動目標(biāo)時(shí)，所述第一運(yùn)動目標(biāo)在第t幀圖像中的第一位置信息；在第t+1幀圖像中的所述第一位置信息周圍采樣多個窗口，并將所述多個窗口與多個矩形濾波器進(jìn)行卷積，得到所述多個窗口的多尺度特征；采用稀疏測量矩陣對所述窗口的多尺度特征進(jìn)行降維；及通過樸素貝葉斯分類器模型對所述多個窗口進(jìn)行分類，選取分?jǐn)?shù)最大的窗口作為目標(biāo)窗口進(jìn)行跟蹤，獲得第一運(yùn)動目標(biāo)的目標(biāo)跟蹤序列。

可選地，所述在第t+1幀圖像中的所述第一位置信息周圍采樣多個窗口步驟之前還包括在第t幀圖像中，采樣獲得多個所述第一運(yùn)動目標(biāo)的窗口和多個所述機(jī)場跑道的窗口，作為樣本圖像；將所述樣本圖像與所述矩形濾波器進(jìn)行卷積，得到所述樣本圖像的多尺度特征；采用所述稀疏測量矩陣對所述樣本圖像的多尺度特征進(jìn)行降維；及利用降維后的所述樣本圖像的多尺度特征，對樸素貝葉斯分類器進(jìn)行訓(xùn)練，獲得所述樸素貝葉斯分類器模型。

可選地，所述方法還包括采集機(jī)場跑道的多個視頻序列，并根據(jù)每個視頻序列包含的內(nèi)容，對所述采集的多個視頻序列進(jìn)行內(nèi)容分類；對各個類別的視頻序列進(jìn)行異常運(yùn)動目標(biāo)和正常運(yùn)動目標(biāo)的屬性分類，獲得異常運(yùn)動目標(biāo)的視頻序列樣本集和正常運(yùn)動目標(biāo)的視頻序列樣本集；及利用異常運(yùn)動目標(biāo)的視頻序列樣本集和正常運(yùn)動目標(biāo)的視頻序列樣本集對深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，獲得深度神經(jīng)網(wǎng)絡(luò)模型。