一种应用于监控设备的行为识别方法与流程

本发明涉及计算机视觉，具体为一种应用于监控设备的行为识别方法。

背景技术：

1、

2、现有技术中，时空卷积神经网络(3d-cnn)是一种基于2d卷积神经网络(cnn)的模型，它可以处理时序视频数据，并在时空域上执行卷积操作。它要求输入视频序列的长度相同，因此不适用于实时视频流，而且需要较大的计算资源和内存来处理视频数据。长短时记忆网络(lstm)是一种循环神经网络，可以对时序数据进行建模，并通过记忆单元来处理长时间依赖关系，在处理动态场景时表现优异，但存在网络参数量较大的问题。

技术实现思路

1、本发明的目的在于提供一种应用于监控设备的行为识别方法，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：一种应用于监控设备的行为识别方法，所述行为识别方法包括以下步骤：

3、步骤1：获取数据集；

4、步骤2：视频预处理和数据增强；

5、步骤3：网络搭建；

6、步骤4：网络训练；

7、步骤5：网络测试；

8、步骤6：量化；

9、步骤7：模型部署。

10、优选的，获取数据集时，获取监控设备记录下的多个盗窃视频，包含偷窃和商店盗窃或更多其他盗窃种类，使用视频剪辑工具，基于25fps的采样率，选择出最能代表盗窃行为的10秒长的视频片段保存，作为数据集中的盗窃类的视频。

11、优选的，视频预处理和数据增强时，统一所有视频片段的采样率和尺寸。

12、优选的，网络搭建时，通过将视频分解为一系列的图像帧，并将每帧作为cnn的输入，输出一系列特征向量，然后使用rnn层对提取出的特征序列进行处理完成分类。

13、优选的，网络训练时，使用步骤2处理后的训练集和验证集，与步骤3得到的模型进行训练。

14、优选的，网络测试时，对步骤4训练后的网络在测试集上进行测试，评估模型性能，确定可以量化的模型。

15、优选的，量化时，将步骤5得到的模型导出生成onnx模型文件，然后根据要使用的硬件，使用相应的软件库对onnx模型进行int8量化。

16、优选的，模型部署时，将步骤6得到的量化后的模型，生成c语言代码文件，部署到嵌入式开发板。

17、与现有技术相比，本发明的有益效果是：

18、本发明提出的应用于监控设备的行为识别方法，使用的mobilnetv2网络和gru单元的参数量和计算量低，保证精度的前提下减少了边缘设备的推理时间，方便在监控设备上实时对盗窃动作进行快速识别。

技术特征：

1.一种应用于监控设备的行为识别方法，其特征在于：所述行为识别方法包括以下步骤：

2.根据权利要求1所述的一种应用于监控设备的行为识别方法，其特征在于：获取数据集时，获取监控设备记录下的多个盗窃视频，包含偷窃和商店盗窃或更多其他盗窃种类，使用视频剪辑工具，基于25fps的采样率，选择出最能代表盗窃行为的10秒长的视频片段保存，作为数据集中的盗窃类的视频。

3.根据权利要求2所述的一种应用于监控设备的行为识别方法，其特征在于：视频预处理和数据增强时，统一所有视频片段的采样率和尺寸。

4.根据权利要求3所述的一种应用于监控设备的行为识别方法，其特征在于：网络搭建时，通过将视频分解为一系列的图像帧，并将每帧作为cnn的输入，输出一系列特征向量，然后使用rnn层对提取出的特征序列进行处理完成分类。

5.根据权利要求4所述的一种应用于监控设备的行为识别方法，其特征在于：网络训练时，使用步骤2处理后的训练集和验证集，与步骤3得到的模型进行训练。

6.根据权利要求5所述的一种应用于监控设备的行为识别方法，其特征在于：网络测试时，对步骤4训练后的网络在测试集上进行测试，评估模型性能，确定可以量化的模型。

7.根据权利要求6所述的一种应用于监控设备的行为识别方法，其特征在于：量化时，将步骤5得到的模型导出生成onnx模型文件，然后根据要使用的硬件，使用相应的软件库对onnx模型进行int8量化。

8.根据权利要求7所述的一种应用于监控设备的行为识别方法，其特征在于：模型部署时，将步骤6得到的量化后的模型，生成c语言代码文件，部署到嵌入式开发板。

技术总结
本发明涉及计算机视觉技术领域，具体为一种应用于监控设备的行为识别方法，包括以下步骤：步骤1：获取数据集；步骤2：视频预处理和数据增强；步骤3：网络搭建；步骤4：网络训练；步骤5：网络测试；步骤6：量化；步骤7：模型部署；有益效果为：本发明提出的应用于监控设备的行为识别方法，使用的MobilnetV2网络和GRU单元的参数量和计算量低，保证精度的前提下减少了边缘设备的推理时间，方便在监控设备上实时对盗窃动作进行快速识别。

技术研发人员：葛君正,段强,姜凯
受保护的技术使用者：山东浪潮科学研究院有限公司
技术研发日：
技术公布日：2024/1/14