1.本发明属于监控技术领域，具体涉及一种用于无人监控的系统及方法。
背景技术：2.现有的公共领域通常装配有摄像头采集待监控区域实时图像，由安保人员对监控区域实时图像进行人工监控，判断待监控区域是否发生异常。这种传统的视频监控方式需要专门的人员对视频内容进行识别，需要耗费大量的人力，同时，单一人员在进行长时间视频识别时，由于疲劳等原因，会产生识别错误的情况。
技术实现要素：3.为了克服上述现有技术存在的不足，本发明提供了一种用于无人监控的系统及方法。
4.为了实现上述目的，本发明提供如下技术方案：
5.一种用于无人监控的系统，包括：
6.采集模块，用于在不同时间段从多个角度采集待监控区域的环境图像和监控实时图像；
7.分类模块，与所述采集模块通信连接，用于按照角度将采集到的环境图像和监控实时图像划分为多组处理图像；
8.多个预测模块，分别与所述第一分类模块通信连接，多个预测模块分别对组处理图像中的监控实时图像进行预测判断，得到多个首次预测结果，多个预测模块分别对组处理图像中的环境图像进行预测判断，得到多个第一标准结果；
9.综合模块，与多个所述预测模块通信连接，用于组合多个首次预测结果得到多个组合预测结果，用于组合多个第一标准结果得到多个最终标准结果；
10.比较模块，与所述综合模块通信连接，用于将组合预测结果与最终标准结果进行对比，判断待监控区域是否发生异常。
11.优选的，每个所述预测模块为卷积神经网络。
12.优选的，所述卷积神经网络包括：
13.卷积层，与所述分类模块通信连接；
14.池化层，与所述卷积层通信连接；
15.全连通层，与所述池化层通信连接。
16.优选的，还包括，告警模块，所述告警模块包括：
17.语音告警模块，与所述比较模块通信连接；
18.灯光告警模块，与所述比较模块通信连接。
19.一种用于无人监控的监控方法，包括以下步骤:
20.在不同时间段从多个角度采集待监控区域的环境图像和监控实时图像；
21.按照角度将采集到的环境图像和监控实时图像划分为多组处理图像；
22.利用多组处理图像中的多个环境图像分别对多个预测模块进行训练，得到多组第一特征图，从多组第一特征图中分别提取到多组第一标准结果；
23.组合每组第一标准结果得到最终标准结果；
24.将多组处理图像中的监控实时图像按组别输入预测模块，得到多组第二特征图，从多组第一特征图中分别提取到多个首次预测结果；
25.组合多个首次预测结果得到组合预测结果；
26.将组合预测结果与最终标准结果进行比较运算，根据比较运算结果判断待监控区域是否发生异常。
27.优选的，还包括以下步骤：
28.直至当前运算得到的最终标准结果的数值趋于稳定；否则，利用多组处理图像中的多个环境图像分别对多个预测模块进行训练，得到多组第一特征图，从多组第一特征图中分别提取到多组第一标准结果，组合每组第一标准结果得到最终标准结果。
29.优选的，判断最终标准结果的数值趋于稳定的步骤包括：
30.根据下式计算第j次训练得到第一标准结果sj与第j-1次训练得到的第一标准结果s
j-1
之前的差值dj，
31.dj＝s
j-s
j-1
32.若第j次训练得到第一标准结果sj与第j-1次训练得到的第一标准结果s
j-1
之间的差值小于阈值，则判断最终标准结果的数值趋于稳定，否则判断最终标准结果的数值不稳定；利用下式计算阈值；
[0033][0034]
式中，m为对多个预测模块的训练次数。
[0035]
优选的，利用下式组合每组第一标准结果得到最终标准结果，
[0036][0037]
式中，x
标准
为最终标准结果，x1，x2,
…
,xn分别为多个第一标准结果，n为处理图像的组数，a,a2,
…
,an分别为每个所述第一标准结果对应的权值。
[0038]
本发明提供的用于无人监控的系统及方法具有以下有益效果：本发明包括采集模块、分类模块、多个预测模块、综合模块和比较模块。在本发明中，在不同时间段从多个角度采集待监控区域的环境图像和监控实时图像，利用不同时间段的多个角度环境图像分别训练多个预测模块，经过综合模块处理得到标准结果。将监控实时图像输入预测模块经过综合模块处理得到预测结果。对预测结果与标准结果进行对标判断待监控区域是否发生异常。本发明对特定区域视频训练，适用于危险场所接触预计，无人看守场所保护，特定场景预计，人脸识别打卡，人脸识别锁控等多个场景，有效的解决了当前人工识别视频发生的准确度低等问题。
附图说明
[0039]
为了更清楚地说明本发明实施例及其设计方案，下面将对本实施例所需的附图作简单地介绍。下面描述中的附图仅仅是本发明的部分实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0040]
图1为本发明实施例1的用于无人监控的系统的结构示意图；
[0041]
图2为本发明实施例1的用于无人监控的监控方法的结构示意图。
具体实施方式
[0042]
为了使本领域技术人员更好的理解本发明的技术方案并能予以实施，下面结合附图和具体实施例对本发明进行详细说明。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
[0043]
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明的技术方案和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0044]
此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。在本发明的描述中，需要说明的是，除非另有明确的规定或限定，术语“相连”、“连接”应作广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体式连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以是通过中间媒介间接相连。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上，在此不再详述。
[0045]
实施例1
[0046]
参阅图1，一种用于无人监控的系统，包括：采集模块、分类模块、多个预测模块、综合模块和比较模块。采集模块用于在不同时间段从多个角度采集待监控区域的环境图像和监控实时图像。分类模块与采集模块通信连接，用于按照角度将采集到的环境图像和监控实时图像划分为多组处理图像。多个预测模块分别与第一分类模块通信连接，多个预测模块分别对组处理图像中的监控实时图像进行预测判断，得到多个首次预测结果，多个预测模块分别对组处理图像中的环境图像进行预测判断，得到多个第一标准结果。综合模块与多个预测模块通信连接，用于组合多个首次预测结果得到多个组合预测结果，用于组合多个第一标准结果得到多个最终标准结果。比较模块与综合模块通信连接，用于将组合预测结果与最终标准结果进行对比，判断待监控区域是否发生异常。
[0047]
在本实施例中，每个预测模块为卷积神经网络。卷积神经网络包括：卷积层、池化层和全连通层。卷积层与分类模块通信连接；池化层与卷积层通信连接。全连通层与池化层通信连接。
[0048]
为了便于传递监控结果并及时采取措施，一种用于无人监控的系统还包括告警模块，告警模块包括：语音告警模块和灯光告警模块。语音告警模块与比较模块通信连接。灯光告警模块与比较模块通信连接。
[0049]
参阅图2，一种用于无人监控的监控方法，包括以下步骤:在不同时间段从多个角
度采集待监控区域的环境图像和监控实时图像；按照角度将采集到的环境图像和监控实时图像划分为多组处理图像；直至当前运算得到的最终标准结果的数值趋于稳定；否则，利用多组处理图像中的多个环境图像分别对多个预测模块进行训练，得到多组第一特征图，从多组第一特征图中分别提取到多组第一标准结果，组合每组第一标准结果得到最终标准结果；将多组处理图像中的监控实时图像按组别输入预测模块，得到多组第二特征图，从多组第一特征图中分别提取到多个首次预测结果；组合多个首次预测结果得到组合预测结果；将组合预测结果与最终标准结果进行比较运算，根据比较运算结果判断待监控区域是否发生异常。
[0050]
在本实施例中，判断最终标准结果的数值趋于稳定的步骤包括：根据下式计算第j次训练得到第一标准结果sj与第j-1次训练得到的第一标准结果s
j-1
之前的差值dj，
[0051]dj
＝s
j-s
j-1
[0052]
若第j次训练得到第一标准结果sj与第j-1次训练得到的第一标准结果s
j-1
之间的差值小于阈值，则判断最终标准结果的数值趋于稳定，否则判断最终标准结果的数值不稳定；利用下式计算阈值，
[0053][0054]
式中，m为对多个预测模块的训练次数。
[0055]
在本实施例中，利用下式组合每组第一标准结果得到最终标准结果，
[0056][0057]
式中，x
标准
为最终标准结果，x1,x2,
…
,xn分别为多个第一标准结果，n为处理图像的组数，a,a2,
…
,an分别为每个第一标准结果对应的权值。
[0058]
以上实施例仅为本发明较佳的具体实施方式，本发明的保护范围不限于此，任何熟悉本领域的技术人员在本发明披露的技术范围内，可显而易见地得到的技术方案的简单变化或等效替换，均属于本发明的保护范围。
技术特征：1.一种用于无人监控的系统，其特征在于，包括：采集模块，用于在不同时间段从多个角度采集待监控区域的环境图像和监控实时图像；分类模块，与所述采集模块通信连接，用于按照角度将采集到的环境图像和监控实时图像划分为多组处理图像；多个预测模块，分别与所述第一分类模块通信连接，多个预测模块分别对组处理图像中的监控实时图像进行预测判断，得到多个首次预测结果，多个预测模块分别对组处理图像中的环境图像进行预测判断，得到多个第一标准结果；综合模块，与多个所述预测模块通信连接，用于组合多个首次预测结果得到多个组合预测结果，用于组合多个第一标准结果得到多个最终标准结果；比较模块，与所述综合模块通信连接，用于将组合预测结果与最终标准结果进行对比，判断待监控区域是否发生异常。2.根据权利要求1所述的用于无人监控的系统，其特征在于，每个所述预测模块为卷积神经网络。3.根据权利要求2所述的用于无人监控的系统，其特征在于，所述卷积神经网络包括：卷积层，与所述分类模块通信连接；池化层，与所述卷积层通信连接；全连通层，与所述池化层通信连接。4.根据权利要求1所述的用于无人监控的系统，其特征在于，还包括，告警模块，所述告警模块包括：语音告警模块，与所述比较模块通信连接；灯光告警模块，与所述比较模块通信连接。5.一种用于无人监控的监控方法，其特征在于，包括以下步骤:在不同时间段从多个角度采集待监控区域的环境图像和监控实时图像；按照角度将采集到的环境图像和监控实时图像划分为多组处理图像；利用多组处理图像中的多个环境图像分别对多个预测模块进行训练，得到多组第一特征图，从多组第一特征图中分别提取到多组第一标准结果；组合每组第一标准结果得到最终标准结果；将多组处理图像中的监控实时图像按组别输入预测模块，得到多组第二特征图，从多组第一特征图中分别提取到多个首次预测结果；组合多个首次预测结果得到组合预测结果；将组合预测结果与最终标准结果进行比较运算，根据比较运算结果判断待监控区域是否发生异常。6.根据权利要求5所述的用于无人监控的系统，其特征在于，还包括以下步骤：直至当前运算得到的最终标准结果的数值趋于稳定；否则，利用多组处理图像中的多个环境图像分别对多个预测模块进行训练，得到多组第一特征图，从多组第一特征图中分别提取到多组第一标准结果，组合每组第一标准结果得到最终标准结果。7.根据权利要求6所述的用于无人监控的系统，其特征在于，判断最终标准结果的数值趋于稳定的步骤包括：
根据下式计算第j次训练得到第一标准结果s
j
与第j-1次训练得到的第一标准结果s
j-1
之前的差值d
j
，d
j
＝s
j-s
j-1
若第j次训练得到第一标准结果s
j
与第j-1次训练得到的第一标准结果s
j-1
之间的差值小于阈值，则判断最终标准结果的数值趋于稳定，否则判断最终标准结果的数值不稳定；利用下式计算阈值；式中，m为对多个预测模块的训练次数。8.根据权利要求5所述的用于无人监控的系统，其特征在于，利用下式组合每组第一标准结果得到最终标准结果，式中，x
标准
为最终标准结果，x1,x2，
…
,x
n
分别为多个第一标准结果，n为处理图像的组数，a,a2,
…
,a
n
分别为每个所述第一标准结果对应的权值。
技术总结本发明提供了一种用于无人监控的系统及方法，属于监控技术领域。本发明包括采集模块、分类模块、多个预测模块、综合模块和比较模块。在本发明中，在不同时间段从多个角度采集待监控区域的环境图像和监控实时图像，利用不同时间段的多个角度环境图像分别训练多个预测模块，经过综合模块处理得到标准结果。将监控实时图像输入预测模块经过综合模块处理得到预测结果。对预测结果与标准结果进行对标判断待监控区域是否发生异常。本发明对特定区域视频训练，适用于危险场所接触预计，无人看守场所保护，特定场景预计，人脸识别打卡，人脸识别锁控等多个场景，有效的解决了当前人工识别视频发生的准确度低等问题。发生的准确度低等问题。发生的准确度低等问题。
技术研发人员：江林喜 韩婷 项禹铭
受保护的技术使用者：陕西奥创网络科技有限公司
技术研发日：2022.04.20
技术公布日：2022/7/5
