基于联邦学习的人员异常逗留检测方法、装置及相关介质与流程

本发明涉及人员检测领域，特别涉及基于联邦学习的人员异常逗留检测方法、装置及相关介质。

背景技术：

1、目前在许多公共区域的入口会安置高清摄像头，并通过ai算法对摄像头捕获的画面进行检测，如检测监控画面中活动的人员或物体，但是现有的检测技术只能对单一摄像头的单一帧进行检测，不能同时将多个摄像头的结果进行复合逻辑判断。另外，当需要采集一个小区的多个公共区域内的画面时，涉及多个位于不同地理位置的边端设备，同时计算多个边端设备产生的数据全部上传至云端也不够安全。

技术实现思路

1、本发明实施例提供了基于联邦学习的人员异常逗留检测方法、装置及相关介质，旨在解决现有技术中不能同时将多个摄像头的结果进行复合逻辑判断以及数据传输不安全的问题。

2、第一方面，本发明实施例提供了一种基于联邦学习的人员异常逗留检测方法，包括：

3、获取多个边端设备的数据视频，对所述数据视频抽帧，得到数据图片；

4、各所述边端设备从云端下载主干网络模型的模型参数，并利用所述模型参数以及所述数据图片对所述主干网络模型进行本地训练，得到目标检测分类结果和id重识别分类结果；

5、利用多目标跟踪模型中的目标检测分支网络对所述目标检测分类结果进行目标检测，得到第一识别结果；以及利用所述多目标跟踪模型中的id重识别分支网络对所述id重识别分类结果进行重识别处理，得到第二识别结果；其中，所述第一识别结果包括：中心位置结果、识别框大小和中心位置偏移量；所述第二识别结果用于优化所述多目标跟踪模型中的id重识分支网络：

6、对所述id重识别分支网络的模型参数进行同态加密，并将所述加密结果上传至云端，使所述云端对所述加密结果进行解密，并更新全局模型。

7、第二方面，本发明实施例提供了一种基于联邦学习的人员异常逗留检测装置，包括：

8、数据获取单元，用于获取多个边端设备的数据视频，对所述数据视频抽帧，得到数据图片；

9、第一处理单元，用于各所述边端设备从云端下载主干网络模型的模型参数，并利用所述模型参数以及所述数据图片对所述主干网络模型进行本地训练，得到目标检测分类结果和id重识别分类结果；

10、第二处理单元，用于利用多目标跟踪模型中的目标检测分支网络对所述目标检测分类结果进行目标检测，得到第一识别结果；以及利用所述多目标跟踪模型中的id重识别分支网络对所述id重识别分类结果进行重识别处理，得到第二识别结果；其中，所述第一识别结果包括：中心位置结果、识别框大小和中心位置偏移量；所述第二识别结果用于优化所述多目标跟踪模型中的id重识分支网络：

11、数据更新单元，用于对所述id重识别分支网络的模型参数进行同态加密，并将所述加密结果上传至云端，使所述云端对所述加密结果进行解密，并更新全局模型。

12、第三方面，本发明实施例提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述第一方面的基于联邦学习的人员异常逗留检测方法。

13、第四方面，本发明实施例提供了一种计算机可读存储介质，其中，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述第一方面的基于联邦学习的人员异常逗留检测方法。

14、本发明实施例提供一种基于联邦学习的人员异常逗留检测方法，获取多个边端设备的数据视频并抽帧得到数据图片；各所述边端设备从云端下载主干网络模型的模型参数并进行本地训练，得到目标检测分类结果和id重识别分类结果；利用目标检测分支网络对所述目标检测分类结果进行目标检测，得到第一识别结果；以及利用id重识别分支网络对所述id重识别分类结果进行重识别处理，得到第二识别结果；对所述id重识别分支网络的模型参数进行同态加密，并将所述加密结果上传至云端，进行解密后更新全局模型。本发明通过联邦学习算法对多个场景图片进行复合逻辑判断，并应用同态加密技术将模型参数上传到云端，如此，提高了对场景图片检测的能力，同时增强数据安全性。

15、本发明实施例还提供一种基于联邦学习的人员异常逗留检测装置、计算机设备和存储介质，同样具有上述有益效果。

技术特征：

1.一种基于联邦学习的人员异常逗留检测方法，其特征在于，包括：

2.根据权利要求1所述的基于联邦学习的人员异常逗留检测方法，其特征在于，所述利用多目标跟踪模型中的目标检测分支网络对所述目标检测分类结果进行目标检测，得到第一识别结果，包括：

3.根据权利要求2所述的基于联邦学习的人员异常逗留检测方法，其特征在于，所述利用多目标跟踪模型中的目标检测分支网络对所述目标检测分类结果进行目标检测，得到第一识别结果，还包括：

4.根据权利要求2所述的基于联邦学习的人员异常逗留检测方法，其特征在于，所述利用多目标跟踪模型中的目标检测分支网络对所述目标检测分类结果进行目标检测，得到第一识别结果，还包括：

5.根据权利要求1所述的基于联邦学习的人员异常逗留检测方法，其特征在于，所述利用所述多目标跟踪模型中的id重识别分支网络对所述id重识别分类结果进行重识别处理，得到第二识别结果，包括：

6.根据权利要求1所述的基于联邦学习的人员异常逗留检测方法，其特征在于，所述所述云端对所述加密结果进行解密，并更新全局模型，包括：

7.根据权利要求1所述的基于联邦学习的人员异常逗留检测方法，其特征在于，还包括：

8.一种基于联邦学习的人员异常逗留检测装置，其特征在于，包括：

9.一种计算机设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的基于联邦学习的人员异常逗留检测方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于联邦学习的人员异常逗留检测方法。

技术总结
本发明公开了基于联邦学习的人员异常逗留检测方法、装置及相关介质，该方法包括：获取数据视频并抽帧得到数据图片；利用云端下载主干网络模型的模型参数并进行本地训练，得到目标检测分类结果和ID重识别分类结果；利用目标检测分支网络对所述目标检测分类结果进行目标检测，得到第一识别结果；以及利用ID重识别分支网络对所述ID重识别分类结果进行重识别处理，得到第二识别结果；对所述ID重识别分支网络的模型参数进行同态加密，并将所述加密结果上传至云端，进行解密后更新全局模型。本发明通过联邦学习算法对多个场景图片进行复合逻辑判断，并应用同态加密技术将模型参数上传到云端，如此，提高了对场景图片检测的能力，同时增强数据安全性。

技术研发人员：王俊宜,常可欣,袁戟
受保护的技术使用者：深圳市万物云科技有限公司
技术研发日：
技术公布日：2024/1/13