一种基于人工智能的动态图像识别系统及方法与流程

1.本发明属于图像识别技术领域，具体涉及一种基于人工智能的动态图像识别系统及方法。


背景技术：

2.图像作为视觉信息交换的主要手段，目前，图像处理在移动互联网、智能识别和多媒体信息交换等领域得到了广泛的应用，随着人工智能时代的到来，人工智能凭借强大的计算能力和数据处理能力，在动态图像的检测和识别方面得到广泛的应用。
3.然而，目前大部分ai应用都是基于云端，一方面，人工智能基本上是在大量相对高性能的服务器上去构建软件算法，成本较为高昂，另一方面，图像处理系统复杂计算会带来的高能耗，制约了人工智能在很多领域无法应用，例如在校园安防方面的应用，近年来，校园内屡次出现外来人员入校盗窃、打架斗殴现象，由于缺少相应的外来人员识别系统，严重威胁校园师生的财产以及人身安全，为此，我们提出一种基于人工智能的动态图像识别系统及方法。


技术实现要素：

4.本发明的目的是为了解决现有技术中人工智能在图像处理方面存在高昂成本和高能耗，无法应用到小范围区域动态图像识别的缺点，而提出的一种基于人工智能的动态图像识别系统及方法。
5.为了实现上述目的，本发明采用了如下技术方案：
6.设计一种基于人工智能的动态图像识别系统，包括：
7.图像采集模组，包括摄像头a、摄像头b和标定板，所述摄像头a和标定板对应设置道路两侧，所述摄像头b设置在道路中央上方，所述摄像头a、摄像头b和标定板呈t形结构排布；
8.图像预处理模组，包括节点图像抽帧模块和图像灰度化处理模块，所述节点图像抽帧模块用于等时间节点抽取摄像头a、摄像头b采集的一帧图像，并按照时间轴将每个摄像头同时间节点采集的单帧图像分组排序，所述图像灰度化处理模块用于将抽取的单帧图像进行二值化；
9.嵌入模组，包括嵌入式ai图像识别模块和嵌入式卷积神经网模块，所述嵌入式ai图像识别模块用于识别相邻帧图像的动态变化，所述嵌入式卷积神经网模块用于训练得出动态物体的类别；
10.图像上传模块，用于将训练得出含有动态人物的图像上传至云端服务器；
11.云端服务器，包括图像接收模块、动态图像提取模块、人脸识别模块、比对分析模块和预警模块，所述图像接收模块用于接收上传的图像，所述动态图像提取模块用于与种子帧图像对比去除冗余，所述人脸识别模块用于识别提取动态图像人脸信息，所述比对分析模块用于动态图像人脸识别信息与人脸信息库作对比，所述预警模块用于对比信息做出
预警。
12.进一步的，所述标定板为黑白网格板。
13.进一步的，所述嵌入式ai图像识别模块和嵌入式卷积神经网模块通过外置嵌入的方式连接在本地服务器上，所述微型服务器具有支撑嵌入式ai图像识别模块和嵌入式卷积神经网模块算力的cpu。
14.进一步的，所述嵌入式卷积神经网模块为小规模cnn模块。
15.本发明还提供一种基于人工智能的动态图像识别系统的识别方法，包括如下步骤，
16.步骤1，通过图像采集模组的摄像头b采集不含任何动态物体的种子帧图像，并上传至云端服务器；
17.步骤2，等时间节点抽取图像采集模组采集的图像，并作为t时间节点的一帧图像，按照时间轴将摄像头a、摄像头b相同时间节点采集的单帧图像分组排序，并对摄像头a采集的单帧图像进行二值化处理，通过相邻帧之间灰度差的绝对值判定图像出现动态物体，
[0018][0019]
其中，d(x，y)为时间轴相邻两帧图像之间的差分图像，i(t)为t时刻的图像，i(t 1)为t 1时刻的图像，t为差分图像二值化时选取的阈值，d(x，y)＝1表示前景，d(x，y)＝0表示背景；
[0020]
步骤3，当检测出有动态物体出现后，将t 1时刻对应的灰度化图像导入嵌入式卷积神经网模块进行模型训练，训练得出动态物体类别；
[0021]
步骤4，训练得出是人物的动态图像时，将d(x，y)＝1的时间节点下，摄像头b对应的单帧图像上传至云端服务器，云端服务器将图像与种子帧图像进行对比，去除冗余像素，并识别出动态图像中人脸特征信息；
[0022]
步骤5，通过卷积神经网进行深度学习训练得出动态图像中人脸特征信息，并与人脸特征模板数据库进行对比分析，通过设定相识度阈值，来判断动态图像中人脸信息是否存在于人脸特征模板数据库内，如果存在，预警模块不发出预警指令，如果未存在，预警模块向监控终端发出预警信息，并将识别出来的动态图像信息回传至监控终端。
[0023]
进一步的，在步骤2中的差分图像d(x，y)与标定板中的网格来确定差分坐标值。
[0024]
进一步的，在步骤3中，所述嵌入式卷积神经网模块至少由一个输入层、一个卷积层、一个池化层、一个全连接层和一个输出层构成。
[0025]
进一步的，所述嵌入式卷积神经网模块内设有训练完善的人脸特征模板数据库池，所述人脸特征模板数据库池内的人脸特征信息通过系统采集训练形成。
[0026]
本发明提出的一种基于人工智能的动态图像识别系统及方法，有益效果在于：
[0027]
(1)、本发明通过外置式的嵌入模组完成动态图像的初步识别，减少在云端服务器的计算量，使得云端服务器可朝着轻量化发展，减少云端服务器成本投入，由于减少云端服务器的运算量，从而也大大降低了能耗。
[0028]
(2)、本发明采用本地计算加小规模互联网云端数据计算完成对动态图像的识别，应用灵活，适合小区域范围内的动态图像识别，降低局部地区采购使用的成本，使动态图像
识别技术更好的得到推广应用。
附图说明
[0029]
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
[0030]
图1是本发明关于人工智能的动态图像识别系统的系统框图；
[0031]
图2是本发明关于人工智能的动态图像识别系统的结构示意图；
[0032]
图3是本发明的关于人工智能的动态图像识别方法的流程图。
具体实施方式
[0033]
下面结合具体实施例，进一步阐述本发明。这些实施例仅用于说明本发明而不用于限制本发明的范围。在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“设有”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0034]
现结合说明书附图，详细说明本发明的结构特点。
[0035]
参见图1-2，一种基于人工智能的动态图像识别系统，包括：图像采集模组、图像预处理模组、嵌入模组、图像上传模块、云端服务器和监控终端，图像采集模组连接本地服务器，服务器内设有用于存储采集模组采集图像的存储器，本地服务器至少支持linux操作系统。
[0036]
参见图2，图像采集模组，包括摄像头a、摄像头b和标定板，摄像头a和标定板对应设置道路两侧，标定板为黑白网格板，摄像头b设置在道路中央上方，摄像头a、摄像头b和标定板呈t形结构排布，摄像头a、摄像头b对该区域路段进行实时同步采集图像，摄像头a用于采集道路侧面图像，并由标定板减少背景冗余，采用黑白网格板为了更加精准的确定图像在处理阶段差分图像d(x，y)中关于像素点x，y的坐标信息。
[0037]
图像预处理模组，包括节点图像抽帧模块和图像灰度化处理模块，节点图像抽帧模块用于等时间节点抽取摄像头a、摄像头b采集的一帧图像，并按照时间轴将每个摄像头同时间节点采集的单帧图像分组排序，图像灰度化处理模块用于将抽取的单帧图像进行二值化。
[0038]
嵌入模组，包括嵌入式ai图像识别模块和嵌入式卷积神经网模块，嵌入式卷积神经网模块为小规模cnn模块，嵌入式ai图像识别模块用于识别相邻帧图像的动态变化，嵌入式卷积神经网模块用于训练得出动态物体的类别。嵌入式ai图像识别模块和嵌入式卷积神经网模块通过外置嵌入的方式连接在本地服务器上，本地服务器具有支撑嵌入式ai图像识别模块和嵌入式卷积神经网模块算力的cpu。
[0039]
图像上传模块，用于将训练得出含有动态人物的图像上传至云端服务器，本地服务器通过网络与云端服务器建立通讯连接，在动态图像识别除人物以外的其他物体，均由本地服务器进行智能识别，无需联网发送至云端服务器进行图像识别运算，从而减少云端服务器的大规模运算。
[0040]
云端服务器，包括图像接收模块、动态图像提取模块、人脸识别模块、比对分析模块和预警模块，图像接收模块用于接收上传的图像，动态图像提取模块用于与种子帧图像对比去除冗余，人脸识别模块用于识别提取动态图像人脸信息，比对分析模块用于动态图像人脸识别信息与人脸信息库作对比，预警模块用于对比信息做出预警。
[0041]
本发明的基于人工智能的动态图像识别系统，通过外置式的嵌入模组完成动态图像的初步识别，减少在云端服务器的计算量，使得云端服务器可朝着轻量化发展，减少云端服务器成本投入，由于减少云端服务器的运算量，从而也大大降低了能耗，另一方面，采用本地计算加小规模互联网云端数据计算完成对动态图像的识别，应用灵活，适合小区域范围内的动态图像识别，降低局部地区采购使用的成本，使动态图像识别技术更好的得到推广应用。
[0042]
参见图3，本发明还提供了一种基于人工智能的动态图像识别系统的识别方法，包括如下步骤，
[0043]
步骤1，通过图像采集模组的摄像头b采集不含任何动态物体的种子帧图像，并上传至云端服务器。
[0044]
步骤2，等时间节点抽取图像采集模组采集的图像，并作为t时间节点的一帧图像，按照时间轴将摄像头a、摄像头b相同时间节点采集的单帧图像分组排序，并对摄像头a采集的单帧图像进行二值化处理，通过相邻帧之间灰度差的绝对值判定图像出现动态物体，
[0045][0046]
其中，d(x，y)为时间轴相邻两帧图像之间的差分图像，i(t)为t时刻的图像，i(t 1)为t 1时刻的图像，t为差分图像二值化时选取的阈值，d(x，y)＝1表示前景，d(x，y)＝0表示背景，差分图像d(x，y)与标定板中的网格来确定差分坐标值。
[0047]
步骤3，当检测出有动态物体出现后，将t 1时刻对应的灰度化图像导入嵌入式卷积神经网模块进行模型训练，训练得出动态物体类别，嵌入式卷积神经网模块至少由一个输入层、一个卷积层、一个池化层、一个全连接层和一个输出层构成。
[0048]
步骤4，训练得出是人物的动态图像时，将d(x，y)＝1的时间节点下，摄像头b对应的单帧序列图像上传至云端服务器，云端服务器将单帧序列图像与种子帧图像进行对比，去除冗余像素，并识别出动态图像中人脸特征信息。
[0049]
步骤5，通过卷积神经网进行深度学习训练得出动态图像中人脸特征信息，并与人脸特征模板数据库进行对比分析，嵌入式卷积神经网模块内设有训练完善的人脸特征模板数据库池，所述人脸特征模板数据库池内的人脸特征信息通过系统采集训练形成，通过设定相识度阈值，来判断动态图像中人脸信息是否存在于人脸特征模板数据库内，如果存在，预警模块不发出预警指令，如果未存在，预警模块向监控终端发出预警信息，并将识别出来的动态图像信息回传至监控终端。
[0050]
基于人工智能的动态图像识别系统在校园安防的应用，将图像采集模组设置在校园的入口位置，通过人工智能的动态图像识别系统由本地服务器对进入校园的物体进行实时监测，人工智能识别出非校园人员信息，并及时发出预警，有效提高校园师生的财产以及人身的安全。
[0051]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，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。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。