1.一种固定环境内异常物品实时检测方法,该方法包括以下步骤:
步骤1)标记原始固定环境内的正常物品,并将其从原图片中取出放入正常物品数据库;
步骤2)利用voc数据集训练yolov3算法模型,将训练好的模型输出文件保存到本地,以便调用;
步骤3)测试图片首先通过yolov3算法进行目标识别,检测结果依次和正常物品数据库中的图片共同送入感知哈希算法,进行一一计算,并获得相似度的值;
步骤4)当相似度的值大于阈值时,则认为该检测结果为正常物品,并将该图片放置正常物品数据库。
2.根据权利要求1所述的方法,所述步骤2)中的算法模型包括对预测的中心坐标做损失:
该函数计算了每一个网格单元(i=0,...,s2)的每一个边界框预测值(j=0,...,b)的总和;λcoord表示做x相对坐标回归的系数;
3.根据权利要求1所述的方法,所述步骤2)中的算法模型还包括对边界框的宽高做损失:
wi表示预测宽度,
4.根据权利要求1所述的方法,所述步骤2)中的算法模型还包括对预测的类别做损失:
pi(c)为预测类别,
5.根据权利要求1所述的方法,所述步骤2)中的算法模型还包括对预测的置信度做损失:
c是置信度得分,
6.根据权利要求1所述的方法,所述步骤3)中识别的图片经裁剪后缩小,然后使用dct是把图片分解频率聚集和梯状形,dct算法计算公式如下:
f(i)为原始的信号,f(u)是dct变换后的系数,n为原始信号的点数,
c(u)可以认为是一个补偿系数,可以使dct变换矩阵为正交矩阵,
根据dct矩阵,设置哈希值,大于等于dct均值的设为1,小于dct均值的设为0,组合生成hash值,顺序随意但前后保持一致性即可,将dct转换成图像,得到图片的指纹,对比不同的图片。
7.根据权利要求1所述的方法,所述步骤4)相似度的值计算为
d(x,y)=∑(xi⊕yi)。