[發(fā)明專利]用于智慧社區(qū)的視頻監(jiān)控方法、裝置、設(shè)備及介質(zhì)

有效

• 申請?zhí)枺?/td>: 202010713809.4
• 申請日: 2020-07-22
• 公開（公告）號: CN111770317B
• 公開（公告）日: 2023-02-03
• 發(fā)明（設(shè)計）人: 張超
• 申請（專利權(quán)）人: 平安國際智慧城市科技股份有限公司
• 主分類號: H04N7/18
• 分類號: H04N7/18;G06F21/64;G06F18/00;G06F18/214;G06N3/0464;H04N23/53;H04N19/44
• 代理公司: 深圳市賽恩倍吉知識產(chǎn)權(quán)代理有限公司 44334
• 代理人: 陳敬華

1.一種用于智慧社區(qū)的視頻監(jiān)控方法，其特征在于，所述用于智慧社區(qū)的視頻監(jiān)控方法包括：

通過至少一個攝像裝置實時采集視頻流數(shù)據(jù)，并將所述視頻流數(shù)據(jù)保存至區(qū)塊鏈；

響應(yīng)于視頻處理請求，從所述視頻處理請求中識別處理類型；

根據(jù)所述處理類型，從模型庫中調(diào)取目標模型；

采用梯度下降法調(diào)整解碼器初始模型的參數(shù)，獲取所述解碼器初始模型的輸入數(shù)據(jù)及輸出數(shù)據(jù)，計算所述輸出數(shù)據(jù)相對于所述輸入數(shù)據(jù)的均方差，當所述均方差小于或者等于預(yù)設(shè)閾值時，停止對所述參數(shù)的調(diào)整，得到解碼器；

從所述區(qū)塊鏈中獲取所述視頻流數(shù)據(jù)，并利用所述解碼器對所述視頻流數(shù)據(jù)進行解碼，得到目標數(shù)據(jù)；

若所述處理類型為寵物監(jiān)管類型，將所述目標數(shù)據(jù)輸入至所述目標模型進行處理，輸出處理結(jié)果，包括：對所述目標數(shù)據(jù)進行二值化處理，得到二值化圖像，并對所述二值化圖像進行填充，得到填充后的圖像，從所述填充后的圖像中提取輪廓及所述輪廓的位置，得到目標對象，對所述目標對象進行面部識別，得到寵物類型，根據(jù)所述寵物類型判斷所述目標對象是否為大型動物，得到判斷結(jié)果，獲取所述目標對象的運動數(shù)據(jù)，并根據(jù)所述運動數(shù)據(jù)，利用運動狀態(tài)評估模型確定所述目標對象的運動狀態(tài)，將所述判斷結(jié)果及所述運動狀態(tài)確定為所述處理結(jié)果，其中，所述運動狀態(tài)為所述目標對象的情緒狀態(tài)；

根據(jù)所述處理結(jié)果確定響應(yīng)措施，并將所述響應(yīng)措施上報至指定服務(wù)器。

2.如權(quán)利要求1所述的用于智慧社區(qū)的視頻監(jiān)控方法，其特征在于，所述從所述視頻處理請求中識別處理類型包括：

解析所述視頻處理請求中的方法體，得到所述視頻處理請求中攜帶的所有信息；

獲取預(yù)設(shè)標簽；

從所述所有信息中獲取與所述預(yù)設(shè)標簽對應(yīng)的信息作為所述處理類型。

3.如權(quán)利要求1所述的用于智慧社區(qū)的視頻監(jiān)控方法，其特征在于，在利用運動狀態(tài)評估模型確定所述目標對象的運動狀態(tài)前，所述方法還包括：

獲取正樣本的運動數(shù)據(jù)及預(yù)設(shè)數(shù)量的負樣本，并將正樣本的運動數(shù)據(jù)進行運動狀態(tài)標注，以使正樣本攜帶運動狀態(tài)標簽；

將所述正樣本及所述負樣本隨機分成第一預(yù)設(shè)比例的訓練集和第二預(yù)設(shè)比例的驗證集；

利用所述訓練集訓練所述運動狀態(tài)評估模型的初始模型，并利用所述驗證集驗證訓練后的所述運動狀態(tài)評估模型的初始模型的準確率；

當所述準確率大于或者等于預(yù)設(shè)準確率時，停止訓練，得到所述運動狀態(tài)評估模型；或者

當所述準確率小于所述預(yù)設(shè)準確率時，增加正樣本的數(shù)量及負樣本的數(shù)量以重新訓練所述運動狀態(tài)評估模型。

4.如權(quán)利要求1所述的用于智慧社區(qū)的視頻監(jiān)控方法，其特征在于，當所述處理類型為目標用戶監(jiān)管類型時，所述將所述目標數(shù)據(jù)輸入至所述目標模型進行處理，輸出處理結(jié)果包括：

對所述目標數(shù)據(jù)進行人臉識別，得到當前用戶；

當所述當前用戶屬于所述目標用戶時，采用改進的姿態(tài)檢測模型檢測所述當前用戶的姿態(tài)數(shù)據(jù)；

將所述當前用戶的姿態(tài)數(shù)據(jù)輸入至分類器中進行分類，輸出所述當前用戶的姿態(tài)分類結(jié)果作為所述當前用戶的姿態(tài)檢測結(jié)果。

5.如權(quán)利要求4所述的用于智慧社區(qū)的視頻監(jiān)控方法，其特征在于，所述采用改進的姿態(tài)檢測模型檢測所述當前用戶的姿態(tài)數(shù)據(jù)包括：

將所述目標數(shù)據(jù)輸入至移動網(wǎng)絡(luò)模型的神經(jīng)網(wǎng)絡(luò)模型中，輸出第一特征數(shù)據(jù)；

將所述第一特征數(shù)據(jù)輸入至初階段及精煉階段，輸出特征圖；

將所述特征圖輸入至1*1卷積層，輸出關(guān)鍵點熱圖以及部分親和字段作為所述當前用戶的姿態(tài)數(shù)據(jù)；

其中，所述神經(jīng)網(wǎng)絡(luò)模型、所述初階段及所述精煉階段采用1*1卷積層、第一3*3卷積層以及第二3*3卷積層構(gòu)成的級聯(lián)卷積，且所述第二3*3卷積層是卷積核膨脹為2的空洞卷積。