基于深度学习的伪装型目标监测报警装置及方法与流程

本发明涉及目标检测与安全防护技术领域，尤其涉及一种基于深度学习的伪装型目标监测报警装置及方法。

背景技术：

我国毗邻多个国家，边境地区广阔、环境恶劣、情况复杂，且基础设施相对薄弱，给边境安防、维稳任务带来了极大的挑战。目前边境安防采用人防与技防相结合的方式，在视角良好、基础设施齐全的区域建设视频监控设备，但在无电、无有线网络的区域仍需要人工巡逻。人工巡逻存在时效性差、取证不全、隐蔽性差的缺点，不易发现边境入侵行为。若采用现有边防领域的移动式视频监控设备，则存在目标识别能力弱、工作时间短、误检率高等缺点。

技术实现要素：

本发明的目的是针对上述至少一部分不足之处，提供一种可以侦察移动目标、准确识别目标种类，并上传报警信息的隐蔽式视频监测装置及方法，以解决边防区域入侵目标发现难、取证难的问题。

第一方面，本发明提供了一种基于深度学习的伪装型目标监测报警装置，包括：

电源模块、图像采集模块、无线收发模块和主控模块；

所述电源模块包括太阳能电池，用于为所述装置供电；

所述图像采集模块用于实时采集指定的监测区域的图像，并传输至所述主控模块；

所述无线收发模块包括nb-iot单元；

所述主控模块与所述图像采集模块、无线收发模块连接，用于接收实时采集的图像，基于预置的深度学习网络识别图像中的目标，在识别到目标后，生成报警报告并通过所述nb-iot单元发送至远程监控中心；其中所述报警报告包括各目标的属性信息及对应的图像；

所述装置设有涂覆伪装材料的光学伪装外壳。

可选地，所述无线收发模块还包括北斗定位单元，所述北斗定位单元用于接收北斗系统的定位信号，实现对所述装置的定位，并发送所述装置的位置信息至所述主控模块；

所述主控模块还用于在识别到目标后，对目标进行定位；所述报警报告包括各目标的属性信息、位置信息及对应的图像。

可选地，所述主控模块包括存储单元，所述存储单元用于存储所述装置的位置信息、采集的图像、目标的属性信息及位置信息。

可选地，所述深度学习网络采用mobilenetv2-ssdlite网络模型。

可选地，所述主控模块包括图像处理单元和神经网络单元，所述图像处理单元用于对采集的图像进行降噪预处理、编码压缩，所述神经网络单元用于通过神经网络加速引擎运行预置的所述深度学习网络，识别图像中的各目标及目标的属性信息。

可选地，所述主控模块还用于在识别到目标后，判断是否对目标进行跟踪；

若进行跟踪，则所述主控模块持续识别图像中跟踪的目标及目标的属性信息，对目标进行定位，生成报警报告，并通过所述nb-iot单元发送至远程监控中心，直至目标离开监测区域；所述报警报告包括跟踪的各目标的属性信息、位置信息及对应的图像/视频；

若不进行跟踪，则所述主控模块不再对该目标进行定位或生成报警报告。

可选地，所述图像采集模块包括可见光摄像机，所述可见光摄像机用于在昼间采集监测区域的图像。

第二方面，本发明还提供了一种基于深度学习的伪装型目标监测报警方法，采用如上述任一项所述的基于深度学习的伪装型目标监测报警装置实现，包括：

初始化所述装置；

实时采集监测区域的图像；

基于预置的深度学习网络识别图像中的目标，在识别到目标后，生成报警报告并发送至远程监控中心，其中所述报警报告包括各目标的属性信息及对应的图像。

可选地，在识别到目标后，对目标进行定位，生成报警报告并发送至远程监控中心，其中所述报警报告包括各目标的属性信息、位置信息及对应的图像。

可选地，在识别到目标后，判断是否对目标进行跟踪；

若进行跟踪，则持续识别图像中跟踪的目标，对目标进行定位，生成报警报告并发送至远程监控中心，直至目标离开监测区域；其中所述报警报告包括跟踪的各目标的属性信息、位置信息及对应的图像/视频；

若不进行跟踪，则不再对该目标进行定位或生成报警报告。

本发明的上述技术方案具有如下优点：本发明提供了一种基于深度学习的伪装型目标监测报警装置及方法，本发明采用太阳能供电，并设置有涂覆伪装材料的光学伪装外壳，能够长时间监测指定的监测区域是否出现非法入侵的目标，通过深度学习网络识别图像中的目标及其属性信息，并在识别到目标后，上报目标的属性信息及图像，及时提醒工作人员可能出现非法入侵。本发明提供的伪装型目标监测报警装置及方法具有隐蔽性高、功耗低且可长时间工作的优势，能够应用于边境长期无人、需隐蔽监控的区域，以解决边境区域对人、车、动物等运动目标非法入侵行为发现难、取证难的问题。

附图说明

图1是本发明实施例中一种基于深度学习的伪装型目标监测报警装置组成示意图；

图2是本发明实施例中一种基于深度学习的伪装型目标监测报警装置结构示意图；

图3是本发明实施例中一种基于深度学习的伪装型目标监测报警方法步骤示意图；

图4是本发明实施例中另一种基于深度学习的伪装型目标监测报警方法步骤示意图。

图中：1：可见光摄像机；2：光学伪装外壳；3：nb-iot单元；4：太阳能电池；5：主控板；6：北斗定位单元。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1和图2所示，本发明实施例提供的一种基于深度学习的伪装型目标监测报警装置(简称该装置)包括电源模块、图像采集模块、无线收发模块和主控模块。具体地，其中：

电源模块包括太阳能电池4，与图像采集模块、无线收发模块和主控模块电连接，用于为该装置供电，提供长时间的电力保障。

图像采集模块用于实时采集指定的监测区域的图像，并将采集的图像传输至主控模块。

无线收发模块包括nb-iot单元3，nb-iot单元3用于传输数据。nb-iot无线通讯信道能够基于蜂窝网络构建，覆盖面广、连接数大、功耗低，可实现十数公里范围内的图像信号稳定传输。

主控模块与图像采集模块、无线收发模块连接，主控模块用于接收采集的图像，基于预置的深度学习网络识别图像中的目标，以及在识别到目标后，生成报警报告并将报警报告通过无线收发模块中的nb-iot单元3发送至远程监控中心，其中报警报告包括各目标的属性信息及对应的图像。

如图2所示，该装置还设有涂覆伪装材料的光学伪装外壳2，以使其具备光学伪装能力。伪装材料可选由丙烯酸树脂、伪装颜料、体质颜料助剂、混合溶剂和脂肪族聚氨酯双组份化学反应固化而成，光学伪装和防护性能优异、保光保色性好，能够满足该装置在可见光波段(400nm～700nm)的目视侦察和摄像、近红外波段(750nm～1100nm)摄像和夜视仪探测情形下的伪装要求，具备在不同背景下防御多波段侦察探测性能，大大提高该装置的伪装性、隐蔽性。

本发明中，主控模块协同控制各模块工作，处理各类传感数据并实现目标检测功能。主控模块可设置在主控板5，主控板5可采用低功耗智能计算芯片，耐低温能力强。使用时，本发明提供的伪装型目标监测报警装置能够长时间监控指定的监测区域，基于深度学习网络实现的目标检测功能可快速、准确地检测入侵的目标，在识别到入侵的目标后，及时生成报警报告并发送至远程监控中心，提醒工作人员发现入侵的目标，成本低且准确率高。

可选地，无线收发模块还包括北斗定位单元6，北斗定位单元6用于接收北斗系统的定位信号，实现对该装置的定位，并发送该装置的位置信息至主控模块。相应的，主控模块还用于在识别到目标后，基于该装置的位置信息，对识别到的目标进行定位，得到各目标的位置信息。生成报警报告并发送时，报警报告包括各目标的属性信息、位置信息及对应的图像。

通过北斗定位单元，本发明提供的该装置能够实现精准定位，在获取装置自身位置的基础上，结合该装置与指定的监测区域的相对位置关系，能够进一步确定监测区域及其内部入侵的目标的位置信息，实现对入侵的目标精确定位。

可选地，为保留相关数据，主控模块优选包括存储单元，存储单元用于存储该装置的位置信息、采集的图像、目标的属性信息及目标的位置信息。存储单元中存储的数据可根据需要定期覆盖。

可选地，该装置中，深度学习网络采用mobilenetv2-ssdlite网络模型。mobilenetv2-ssdlite神经网络模型具有速度快、轻量级部署、适应多尺度目标检测的特点，可实现对监测区域内非法入侵目标的快速检测。进一步地，预置的深度学习网络在mobilenetv2预训练模型基础上，利用大量采集的实际场景下的人、车、动物等目标数据集对网络进行微调训练，以获取更适用于监测场景的网络参数。

可选地，主控模块包括图像处理单元和神经网络单元，图像处理单元用于对采集的图像进行降噪预处理、编码压缩，神经网络单元用于运行通过神经网络加速引擎运行预置的、训练好的深度学习网络，进而识别图像中的各目标及各目标的属性信息。

可选地，主控模块还用于在识别到目标后，判断是否对识别到的各目标进行跟踪。例如，主控模块可根据目标的类别(属性信息)进行判断，对部分指定类别的目标进行跟踪，或者可预置黑名单，判断时将识别到的各目标的属性信息与黑名单比对，当目标的属性信息符合黑名单记录，则对其进行跟踪。

若进行跟踪，则主控模块持续识别图像中跟踪的目标及目标的属性信息，对跟踪的目标进行定位，生成报警报告，并通过nb-iot单元3发送至远程监控中心，直至跟踪的目标离开监测区域。其中，报警报告包括跟踪的各目标的属性信息、位置信息及对应的图像/视频。

若不进行跟踪，则主控模块不再对该目标进行定位或生成报警报告，降低该装置的整体功耗。

进一步地，对于进行跟踪的目标，存储单元可长时间存储跟踪的各目标的属性信息、位置信息及对应的图像/视频，直至工作人员定期检修时手动删除。

可选地，图像采集模块包括可见光摄像机1，可见光摄像机1用于在昼间采集监测区域的图像。

在一些实施方式中，如图1所示，主控模块包括cpu单元、外围接口单元、图像接口单元、图像处理单元、神经网络单元和存储单元；其中，cpu单元可包括多个cpu；外围接口单元用于实现与无线收发模块交换数据；图像接口单元用于实现与图像采集模块交换数据；图像处理单元用于对采集的图像进行降噪预处理、视频编码压缩等图像处理；神经网络单元用于通过神经网络加速引擎运行训练好的深度学习网络，能够有效提高目标检测准确率和效率；存储单元用于存储图像(及短视频)与目标的属性信息、目标的位置信息等记录数据，其中，实时采集并存储的数据可定期覆盖，进行跟踪时得到的记录优选长时间保留至工作人员删除。

如图3所示，本发明还提供了一种基于深度学习的伪装型目标监测报警方法，采用上述任一项实施方式所述的基于深度学习的伪装型目标监测报警装置实现，包括：

步骤301、初始化该装置；

步骤302、通过图像采集模块，实时采集监测区域的图像；

步骤303、主控模块基于预置的深度学习网络识别图像中的目标，在识别到目标后，确定目标的属性信息，生成报警报告并通过nb-iot单元将报警报告发送至远程监控中心；其中报警报告包括识别到的各目标的属性信息及各目标对应的图像。

可选地，该伪装型目标监测报警方法包括：

步骤303中，在识别到目标后，对目标进行定位，生成报警报告并发送至远程监控中心。相应的报警报告包括识别到的各目标的属性信息、位置信息及对应的图像，即，将识别到的各目标的属性信息、位置信息及各目标对应的图像通过nb-iot单元发送至远程监控中心。

可选地，该伪装型目标监测报警方法包括：

步骤303中，在识别到目标后，判断是否对识别到的各目标进行跟踪；

若进行跟踪，则主控模块持续识别图像中跟踪的各目标，确定各目标的属性信息，对跟踪的各目标进行定位，生成报警报告并通过nb-iot单元3将报警报告发送至远程监控中心，直至跟踪的目标离开监测区域。其中，报警报告包括跟踪的各目标的属性信息、位置信息及对应的图像/视频。

若不进行跟踪，则主控模块不再对该目标进行定位或生成报警报告。

在一个可选的实施方式中，如图4所示，本发明还提供了一种基于深度学习的伪装型目标监测报警方法，采用上述实施方式所述的基于深度学习的伪装型目标监测报警装置实现，该伪装型目标监测报警方法具体包括：

步骤401、初始化该装置；

步骤402、通过图像采集模块实时采集指定的监测区域的图像，通过北斗定位单元获取该装置的位置信息；

步骤403、主控模块基于预置的深度学习网络识别图像中的目标，并在识别到目标后，判断是否对识别到的目标进行跟踪；

若进行跟踪，则持续识别图像中跟踪的目标，对跟踪的目标进行定位，生成报警报告并发送至远程监控中心，直至目标离开监测区域；其中报警报告包括跟踪的各目标的属性信息、位置信息及对应的图像/视频；

若不进行跟踪，则不再对该目标进行定位或生成报警报告。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。