视频监控智能分析系统 YOLO

当我们谈起计算机视觉时，首先想到的就是图像分类，没错，图像分类是计算机视觉最基本的任务之一，但是在图像分类的基础上，还有更复杂和有意思的任务，如目标检测，物体定位，图像分割等。目标检测的一个实际应用场景就是无人驾驶，如果能够在无人车上装载一个有效的目标检测系统，那么无人车将和人一样有了眼睛，可以快速地检测出前面的行人与车辆，从而作出实时决策。

Yolo采用卷积网络来提取特征，然后使用全连接层来得到预测值。网络结构参考GooLeNet模型，包含24个卷积层和2个全连接层，如图8所示。对于卷积层，主要使用1x1卷积来做channle reduction，然后紧跟3x3卷积。对于卷积层和全连接层，采用Leaky ReLU激活函数：max(x,0.1x)max(x,0.1x)。但是最后一层却采用线性激活函数。除了上面这个结构，文章还提出了一个轻量级版本Fast Yolo，其仅使用9个卷积层，并且卷积层中使用更少的卷积核。

智能视频分析系统技术建设智慧工厂、智慧石化、智慧煤矿、智慧港口、智慧校园等场景，提高客户自身的智能化信息化水平，对项目现场的围墙周界、大门、财务室、档案室、食堂、车间、宿舍以及危险地带的活动检测。视频系统将告警信息推送给管理人员，及时采取应对措施，适用于全国各地传统监控系统智能升级改造。

    class Yolo(object):
        def __init__(self, weights_file, verbose=True):
            self.verbose = verbose
            # detection params
            self.S = 7  # cell size
            self.B = 2  # boxes_per_cell
            self.classes = ["aeroplane", "bicycle", "bird", "boat", "bottle",
                            "bus", "car", "cat", "chair", "cow", "diningtable",
                            "dog", "horse", "motorbike", "person", "pottedplant",
                            "sheep", "sofa", "train","tvmonitor"]
            self.C = len(self.classes) # number of classes
            # offset for box center (top left point of each cell)
            self.x_offset = np.transpose(np.reshape(np.array([np.arange(self.S)]*self.S*self.B),
                                                  [self.B, self.S, self.S]), [1, 2, 0])
            self.y_offset = np.transpose(self.x_offset, [1, 0, 2])

            self.threshold = 0.2  # confidence scores threhold
            self.iou_threshold = 0.4
            #  the maximum number of boxes to be selected by non max suppression
            self.max_output_size = 10

视频监控智能分析系统可以实现的部分场景部分监控智能分析算法如下，同时我们也支持根据项目需求场景进行算法的深度定制开发。1、 特定区域时间徘徊识别检测报警算法 2、人员翻越围墙识别报警 3、人数统计 4、危险区域闯入识别报警 5、 监控现场烟火识别 6、 物品遗留识别检测报警 7、人员滞留检测识别 8、 人员奔跑识别检测 9、打架识别检测报警 10、 楼道拥挤识别检测报警 11、坠楼识别检测 12、 人员异常聚集识别检测