[發明專利]一種基于視頻智能物體檢測技術的自動區域設備聯動方法

在審

• 申請號: 202111144730.5
• 申請日: 2021-09-28
• 公開（公告）號: CN113989698A
• 公開（公告）日: 2022-01-28
• 發明（設計）人: 黃琿
• 申請（專利權）人: 廣州耘宇電子科技有限公司
• 主分類號: G06V20/40
• 分類號: G06V20/40;G06V10/774;G06V10/762;G06V10/82;G06K9/62;G06T5/00;G06T7/70;G06N3/04;G06N3/08
• 代理公司: 廣州容大知識產權代理事務所(普通合伙) 44326
• 代理人: 潘素云

1.一種基于視頻智能物體檢測技術的自動區域設備聯動方法，其特征在于，包括如下步驟：

構建深度神經網絡模型，獲取大量帶標注的學習樣本圖片，利用學習樣本圖片對深度神經網絡模型進行訓練，將訓練好的深度神經網絡模型作為人員識別模型；

根據視頻識別現場的情況，按現場的設備安裝布置位置，把識別現場劃分為多個區域；

部署邊緣計算硬件，每個攝像頭的視頻使用邊緣計算硬件分開進行處理；

邊緣計算硬件通過人員識別模型對視頻流按幀進行分析，分析每幀中人頭像的位置，然后計算頭像中心點的坐標，計算中心點所在的識別區域后，得出視頻中人員的分布信息；得出人員區域分布后，對區域內設備進行聯動；

分析監控的現場是否有長期靜止人像，將長期靜止人像剔除；

區域防顫處理，把相鄰兩個區域相交的部分作為區域交接區，區域交接區的設備聯動方式作特殊處理，交接區的設備聯動處理原則是減少人員的區域切換，從而減少設備的頻繁開關。

2.根據權利要求1所述的基于視頻智能物體檢測技術的自動區域設備聯動方法，其特征在于，對深度神經網絡模型進行訓練具體方法是：

獲取大量帶標注的學習樣本圖片，將學習樣本圖片分成訓練集、驗證集和測試集；

將訓練集的學習樣本圖片放入深度神經網絡模型中，對深度神經網絡模型進行訓練；

將驗證集的學習樣本圖片放入深度神經網絡模型中，調整深度神經網絡模型的網絡參數，提升深度神經網絡模型的識別精度；

將測試集的學習樣本圖片放入深度神經網絡模型中，進行分類結果預測。

3.根據權利要求1所述的基于視頻智能物體檢測技術的自動區域設備聯動方法，其特征在于，長期靜止人像剔除具體方法是：

設置靜止人像識別時間段與相關參數；

識別視頻中人像的位置，并按幀疊加；

靜止識別時間段結束，得到點陣圖；

對點陣圖進行高斯模糊，得到熱力圖；

在熱力圖中超過閾值的區域，剔除人像。

4.根據權利要求3所述的基于視頻智能物體檢測技術的自動區域設備聯動方法，其特征在于，設置靜止人像識別時間段具體方法是：

進行靜止人員識別的時間段選取在場景中能清晰看到整個場景情況的時間段，包括早上和晚上燈光充足的時間；能通過設置界面進行指定；靜止識別時間段根據業務情況進行調整，人員太多的時間不適宜作為靜止人員的識別的時間，包括學生上課的時間；在進行靜止人員識別時，指定關聯課程表，智能調整靜止人像識別時間。

5.根據權利要求3所述的基于視頻智能物體檢測技術的自動區域設備聯動方法，其特征在于，識別視頻中人像的位置，并按幀疊加具體方法是：

在進行深度學習人員位置識別運算的同時，會在內存中開辟專門的位置，記錄每幀中人像出現的位置，在某個坐標出現人像中心時，該坐標對應的數組元素加1，以此對各坐標上出現的人數進行累計。

6.根據權利要求3所述的基于視頻智能物體檢測技術的自動區域設備聯動方法，其特征在于，靜止識別時間段結束，得到點陣圖具體方法是：

當達到預設的靜止識別時間段結束時間，就會得到坐標點陣圖，點陣圖以數組的形式出現；圖像中每個像素對應一個數組元素，元素的值就是該像素出現人像中點的次數，當元素值的較大，指該像素中人像終端出現頻繁。

7.根據權利要求3所述的基于視頻智能物體檢測技術的自動區域設備聯動方法，其特征在于，對點陣圖進行高斯模糊，得到熱力圖具體方法是：

對點陣圖使用高斯濾波處理，使得密集分散的點連成一個密集的區域從而得到熱力圖；

高斯濾波器公式，式中x,y為離開計算點的橫縱軸距離，σ為平滑系數，e為自然常數。