[發明專利]一種視頻監控和無人機空地聯動的異常目標檢測方法

有效

• 申請號: 202111135520.X
• 申請日: 2021-09-27
• 公開（公告）號: CN114035604B
• 公開（公告）日: 2022-06-17
• 發明（設計）人: 鄒莉丹;韓任權;廖國銘
• 申請（專利權）人: 廣州賦安數字科技有限公司
• 主分類號: G05D1/10
• 分類號: G05D1/10
• 代理公司: 廣州圣理華知識產權代理有限公司 44302
• 代理人: 張凱

1.一種視頻監控和無人機空地聯動的異常目標檢測方法，其特征在于，包括以下步驟：

步驟S1：通過視頻監控獲取監控視頻數據，所述監控視頻數據中包括異常目標視頻數據，所述視頻監控可實時對異常目標進行檢測，對所述視頻數據中的歷史異常目標視頻數據進行特征提取作為輸入參數，將所述輸入參數導入構建好的模型中進行訓練；訓練完成后，將新的異常目標數據導入該模型中，得到判斷結果，從而進行預測檢驗；同時根據得到的異常目標類型和置信度F計算異常目標的權重值，所述異常目標根據權重值由高到低進行排序劃分；

步驟S2：將步驟S1獲取的各個所述異常目標的權重值作為初始信息素濃度，基于所述初始信息素濃度，根據蟻群算法規劃出無人機完成巡航異常目標點任務的最優路徑，以使無人機在最優路徑上完成對所述異常目標的檢測；

步驟S3：結合步驟S1獲取的視頻監控的異常目標檢測結果和步驟S2獲取的無人機的異常目標檢測結果，校驗同一位置異常目標的異常類型及檢測結果是否一致，若相互校驗結果為一致，則返回異常目標信息并存儲到服務器后臺；若校驗結果不一致，則由相關負責人進行人工校驗，并將校驗結果返回并存儲到服務器后臺。

2.根據權利要求1所述的視頻監控和無人機空地聯動的異常目標檢測方法，其特征在于，步驟S1中的所述模型為卷積神經網絡模型。

3.根據權利要求1或2所述的視頻監控和無人機空地聯動的異常目標檢測方法，其特征在于，所述步驟S1具體包括如下步驟：

步驟S1.1：圖像預處理，獲取監控視頻數據集，從所述監控視頻數據集中獲取圖像序列，并將待測圖像序列進行歸一化處理；

步驟S1.2：對歷史異常目標視頻數據進行特征提取，以獲得歷史異常目標特征屬性，將處理好的歷史異常目標視頻數據分為訓練集和測試集；

步驟S1.3：構建卷積神經網絡模型，基于步驟S1.2處理后的異常目標特征相關的數據訓練集，對所述卷積神經網絡模型進行訓練，并采用測試集對卷積神經網絡模型進行驗證，從而獲取完成訓練的卷積神經網絡模型，以完成訓練的卷積神經網絡模型作為異常目標檢測模型，然后通過所述異常目標檢測模型輸出異常目標類型和異常目標置信度F；

步驟S1.4：定義n個度量異常目標的重要程度的異常度量指標，對于視頻監控中檢測到的m個異常目標，建立異常度量矩陣A_m×n，其中A_ij代表為第i個異常目標在第j個異常度量指標上的取值；

步驟S1.5：計算每個異常目標的權重值公式如下：

其中，F_i為所述步驟S1.3中的第i個異常目標對應的置信度，A_ij為所述步驟S1.4中第i個異常目標在第j個異常度量指標上的取值；

步驟S1.6：對步驟S1.5計算出的各異常目標的權重值進行歸一化處理。

4.根據權利要求3所述的視頻監控和無人機空地聯動的異常目標檢測方法，其特征在于，所述步驟S1.2中對歷史異常目標視頻數據進行特征提取過程如下：

在歷史異常目標視頻數據集中獲取RGBD圖像序列，根據深度信息在色彩信息中進行背景去除處理以獲取目標對應的目標特征區位；在色彩信息中對目標特征區位對應的像素點進行特征提取，以獲得歷史異常目標特征屬性。

5.根據權利要求4所述的視頻監控和無人機空地聯動的異常目標檢測方法，其特征在于，所述步驟S1.2中將處理好的歷史異常目標視頻數據按照7:3的比例分為訓練集和測試集。

6.根據權利要求3所述的視頻監控和無人機空地聯動的異常目標檢測方法，其特征在于，步驟S1.4中的所述異常度量指標至少包括危害程度指標、緊急程度指標、影響范圍指標。

7.根據權利要求3所述的視頻監控和無人機空地聯動的異常目標檢測方法，其特征在于，所述步驟S2具體包括如下步驟：

步驟S2.1：初始化信息素并設置參數，根據步驟S1.6得到經過歸一化處理的各異常目標的權重值Y_i作為初始信息素濃度，所述異常目標的權重值Y_i高則初始信息素濃度高；設置巡航起始位置S、異常目標任務點，最大迭代次數N_max以及螞蟻數量g，將g只螞蟻置于起始點S，螞蟻隨機游走異常目標點；

步驟S2.2：螞蟻按照概率選擇線路，在t時刻螞蟻k從異常目標任務點a轉移到異常目標任務點b的概率的計算公式為：

其中，為t時刻螞蟻k由異常目標任務點a轉移到異常目標任務點b的概率，b是還未游走的異常目標任務點；τ_ab為路徑(a,b)的信息素濃度；η_ab為異常目標任務點間距離的啟發信息，d_ab為異常目標任務點a和b之間的距離；α，β為給定參數；G_k為螞蟻未游走的異常目標任務點集合；

步驟S2.3：螞蟻每轉移到一個異常目標任務點都對該螞蟻是否能回到起始點進行判斷：若螞蟻能回到起始點，則根據步驟S2.2繼續計算螞蟻要游走的下一個異常目標任務點，進而使螞蟻轉移到下一個異常目標任務點，直至螞蟻回到起始點；若螞蟻不能回到起始點，則返回上一個異常目標任務點重新選擇下一個游走的異常目標點，當出現該螞蟻的所有下一個異常目標任務點都無法回到起始點時，螞蟻直接回到起始點，結束循環；

步驟S2.4：當螞蟻k結束隨機游走時，記錄當前迭代次數中的最優解，同時對本次游走的各個異常目標任務點連接路徑上的信息素濃度進行更新，對路徑進行局部更新修正信息素濃度的計算方式如下：

其中，

其中，為t時刻異常目標任務點a與異常目標任務點b連接路徑(a,b)上的信息素濃度，表示本次循環中螞蟻k在異常目標任務點a與b連接路徑(a,b)上釋放信息素而增加的信息素濃度，即邊(a,b)上的信息素增量；|L_k|為第k只螞蟻經過路徑的總長度，μ為給定參數，Q_k為螞蟻k所經過的所有的異常目標的權重總和；

步驟S2.5：判斷迭代是否達到最大迭代次數N_max，若是，輸出最優路徑，若否，則返回步驟S2.2繼續循環；

步驟S2.6：根據步驟S2.5得到無人機完成巡航異常目標任務的最優路徑，完成基于蟻群算法的無人機異常檢測路線規劃，將所述最優路徑導入無人機控制系統中，以使無人機通過最優路徑完成對所述異常目標進行檢測及分類，最終將異常目標檢測結果返回。