关键词:
智能视频监控
YOLOv4
图像自动标注
分布式系统
智能预警
摘要:
随着公共场所监管需求快速增长,监控相机数量迅速增多,传统视频监控系统无法实现对视频图像智能分析,人工也难以对海量视频画面信息及时、高效地处理。随着深度学习技术的快速发展及应用,智能视频分析技术也得到不断优化升级。本文旨在让公共场景中的视频监控,在无人为干预情况下,利用深度学习技术,对监控图像序列进行自动分析,完成不同应用场景中的目标识别、定位和跟踪,并结合业务需求构建目标行为分析规则定义,从而高效解决传统视频监控监看工作量大、效率低下、预警周期长等问题,逐步实现被动式的事后取证向主动式的事中处置转变,并及时推送与存档取证,进一步提高事件处置与管理效率,同时对违规行为形成震慑,有效减少违规事件发生,满足公共服务场所智能化管理的应用需求。目前,在智能视频监控系统应用还不够广泛,主要受限于以下两方面因素:1.通用系统对于具体场景所需目标检测效果欠佳,无法满足实际功能应用。2.智能分析算法对服务器算力和系统运行稳定性有着更高的要求且部署较难。为此,本课题基于目前智能视频监控系统开发的难点展开进一步研究,具体的研究内容和创新工作如下:1.首先,选择YOLOv4作为系统一阶目标检测方法,能够较好地平衡检测精度和速度,针对具体场景遇到的问题,在YOLOv4原有网络的基础上加入不同的注意力机制进行对比实验,其中加入CBAM注意力机制后改进的网络效果相对最好,分别在VOC2007数据集上和VOC2012数据集上m AP提升了0.23%和0.19%。接着运用Encoder-Decoder框架将加入CBAM模块的特征提取网络结合包含注意力机制的LSTM网络构成视频监控图像自动标注模型,该模型对样本数据集在统一标准下的标注质量有较大幅度的提升,降低了人工标注图像的错误率,减少了人工标注成本,对于实际视频监控场景下目标检测有较大的帮助,能显著降低系统的误报率和漏报率。2.在原有数字视频监控系统基础上构建智能视频监控系统,运用分布式系统架构在系统各个模块工作过程中,通过Kafka消息中心和Spark分布式分析计算,解决面临大规模视频数据处理时导致的服务器运算性能低,系统不稳定等问题,实现视频智能分析处理通过分布式架构的高度并行化,提高系统智能分析的效率和稳定性。经过某法院和派出所公共服务场所具体功能及性能需求分析,目前已完成开发及实地部署应用,对于“院务规范”,“警容风纪”都有很好的智能预警效果。