人员异常徘徊智能监测系统利用现场监控终端对关键区域进行实时检测,人员异常徘徊智能监测系统当检测到监控画面中有人徘徊逗留时,人员异常徘徊智能监测系统马上预警提醒相关人员及时处置,并把警报截屏和视频保存到数据库系统生成表格方便事后查验,提升监控区域的安全防护强度。
在CNN出现之前,对于图像的处理一直都是一个很大的问题,一方面因为图像处理的数据量太大,比如一张512 x 512的灰度图,它的输入参数就已经达到了252144个,更别说1024x1024x3之类的彩色图,这也导致了它的处理成本十分昂贵且效率极低。另一方面,图像在数字化的过程中很难保证原有的特征,这也导致了图像处理的准确率不高。
我们在前面有提到过CNN网络的一个特性是**权重共享(share weights)**也正是体现在通道处理的过程中。一般的神经网络层与层之间的连接是,每个神经元与上一层的全部神经元连接,这些连接线的权重独立于其他的神经元,所以假设上一层是m个神经元,当前层是n个神经元,那么共有mxn个连接,也就有mxn个权重。权重矩阵是mxn的形式。
在CNN中,我们就是通过不断的改变卷积核矩阵的值来关注不同的细节,提取不同的特征。也就是说,在我们初始化卷积核的矩阵值(即权重参数)后,我们通过梯度下降不断降低loss来获得最好的权重参数,整个过程都是自动调整的。
为了防止违规侵入和各种破坏行为,传统防范措施要在不同区域的场外周边设置一些自然屏障或阻碍物,并安排人员轮流查验。在目前前沿技术进步的情形下,违规行为更加复杂。当下传统预防方法已无法满足关键重要区域安全需要。人力预防手段一般会有众多因素的影响,如持续时间、地区、人员素质和精力等,系统漏洞和错误是在所难免的。
import torch
from torch import nn
from d2l import torch as d2l
class Reshape(torch.nn.Module):
def forward(self, x):
# 通过view函数把图像展成标准的Tensor接收格式,即(样本数量,通道数,高,宽)
return x.view(-1, 1, 28, 28)
net = torch.nn.Sequential(
Reshape(),
# 第一个卷积块,这里用到了padding=2
nn.Conv2d(1, 6, kernel_size=5, padding=2),
nn.Sigmoid(),
nn.AvgPool2d(kernel_size=2, stride=2),
# 第二个卷积块
nn.Conv2d(6, 16, kernel_size=5),
nn.Sigmoid(),
nn.AvgPool2d(kernel_size=2, stride=2),
# 稠密块(三个全连接层)
nn.Flatten(),
nn.Linear(16 * 5 * 5, 120), nn.Sigmoid(),
nn.Linear(120, 84), nn.Sigmoid(),
nn.Linear(84, 10))
人员异常徘徊智能监测系统,能够分析人员的异常徘徊行为问题,当人员异常徘徊智能监测系统识别到监控区域有人来回踱步反复迟疑,系统将立即抓拍留档,并立即通知有关人员注意异常目标及时处理现场。人员异常徘徊智能监测系统,解决传统监控设备没法实时检测主动分析预警,人力成本太高,事后追查繁琐且损失已经产生等问题。