人员聚众监控视频分析检测算法 CNN

人员聚众监控视频分析检测算法通过深度视觉智能分析技术，算法对现场监控画面中选定区域实时监测，人员聚众监控视频分析检测算法检测到现场画面中人员异常聚众时，不需人为干预提醒后台值班人员及时去处理、避免发生更大的不可控的局面。算法通过AI技术，帮助后台工作人员提升监控区域的监管效率，降低现场监控的误报漏报，将现场画面的安全管控效率大幅度提升。

CNN网络它能够很好的将复杂的问题简单化，将大量的参数降维成少量的参数再做处理。也就是说，在大部分的场景下，我们使用降维不会影响结果。比如在日常生活中，我们用一张1024x1024x3表示鸟的彩色图和一张100x100x3表示鸟的彩色图，我们基本上都能够用肉眼辨别出这是一只鸟而不是一只狗。这也是卷积神经网络在图像分类里的一个重要应用。

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。

由前述可知，在CNN中，卷积操作只是加权求和的线性操作。若神经网络中只用卷积层，那么无论有多少层，输出都是输入的线性组合，网络的表达能力有限，无法学习到非线性函数。因此CNN引入激活函数，激活函数是个非线性函数，常用于卷积层和全连接层输出的每个神经元，给神经元引入了非线性因素，使网络的表达能力更强，几乎可以逼近任意函数，这样的神经网络就可应用到众多的非线性模型中。

随着社会的发展和人们生活水平的快速进步，大家对于工地/工厂/校园/商场等公共场景，人员人身安全越来越重视。现阶段经济社会的迅速发展，随着监管数量规模较大的不断发展，当今城镇建设规划愈来愈快速。这个阶段，传统人工监管的效率已经远远不能满足当下各个场景的需要，通过人力监管的方法不但提升了管理成本，而且对密集群体的监测低效且容易漏报，处理不及时。人员聚众监控视频分析检测系统应运而生。

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))

人员聚众监控视频分析检测算法基于Al识别技术，算法利用现场已有的监控摄像头对工地/工厂现场施工人员异常聚众等现象进行实时监测。算法可以实现对人群密度异常的监测，提前对可能发生的打架斗殴等攻击行为提前预警。通过AI技术手段大幅度提升对现场安全生产作业流程的管控效率，同时降低人工成本以及误报漏报情况。