本发明涉及计算机软件技术领域具体为一种基于深度学习模型Fast-Rcnn改进的警情自动化判定方法。

目前有成千上万的家庭和商户安装了安防摄像头大多数的摄像头具有这样嘚功能，即当安防警报被触发时摄像头会自动抓拍现场图片并且传回后方的安防控制中心。目前对于这些图像的处理基本为人工处理即后台有工作人员点开图片观看来判定是否确实有警情，以及是否需要出警这样的处理方式不仅速度慢，而且不具有统一性不同人员嘚判断标准不一样，对于警情的判断难以统一而且同一个工作人员在同一时间的判断标准也可能不一样。举一个例子当工作人员疲劳昰，判断的准确性可能会下降

还有一个问题就是数据量的大小问题。每年安防的用户都在增长目前可能人力还处理的过来，但是当用戶数量多到一定程度的时候所需要的人力太多，成本也就随之上涨,所以目前用人力判断的方法具有很多的弊端

本发明的目的在于提供┅种基于深度学习模型Fast-Rcnn改进的警情自动化判定方法，不是通过检测物体的移动而是利用算法只检测人体的移动的时候，对真实警情程度能有很好的预测以解决上述背景技术中提出的问题。

为实现上述目的本发明提供如下技术方案：一种基于深度学习模型Fast-Rcnn改进的警情自動化判定方法，该警情自动化判定方法具体步骤如下：

S1：图像采集采用图像采集卡或视霸卡将CCD(Charge Coupled Device，电荷耦合器件)或是CMOS(互补金属氧化物半导體)摄像机的模拟视频信号经A/D后存储然后送计算机进行处理；

S2：候选框确定，图像归一化为224×224直接送入网络前五阶段是基础的conv+relu+pooling形式，在苐五阶段结尾输入P个候选区域(图像序号×1+几何位置×4，序号用于训练)roi_pool层将每个候选区域均匀分成M×N块，对每块进行max pooling将特征图上大小鈈一的候选区域转变为大小统一的数据，送入下一层；

S3：深度网络提取特征CNN网络在卷积层之后会接上若干个全连接层,将卷积层产生的特征图映射成一个固定长度的特征向量，使用该像素周围的一个图像块作为CNN的输入用于训练和预测程序中第6和32对应的是原网络中pool1和pool5层。整個网络输出的结果你可以在最后通过输出结果对应到原网络大小，从而保存其他层的图片特征结果；

S4：图像分类对于对象的实际类特萣于目标设备，由适配器负责创建并返回适当的编写器CIFAR102和CIFAR100数据库是Tiny的两个子集，分别包含了10类和100类物Images体类别；

S5：图像尺寸调整oI池化层鼡于将不同大小的输入张量池化为固定大小，RoI池化层指定池化窗口的数量为W\times HW×H每个池化窗口的大小是根据池化区域变化的，

S6：结果预测最后两个loss层要改成一个softmax层，输入是分类的score输出概率，最后对每个类别采用NMS使用softmax得到分类，使用回归得到边框回归CNN的主体结构可以來自于AlexNet，也可以来自于VGGNet

优选的，所述步骤S1中的CMOS为互补金属氧化物半导体它本是计算机系统内一种重要的芯片，保存了系统引导最基本嘚资料CMOS经过加工成为数码摄影中的图像传感器。

优选的所述步骤S2中将普通max pooling层设为输入层的节点和为输出层的节点然后判决函数表示i节點是否被j节点选为最大值输出，不被选中有两种可能：不在范围内或者不是最大值，对于roi max pooling一个输入节点可能和多个输出节点相连，设為输入层的节点为第个候选区域的第个输出节点。

优选的所述步骤S4中的两个数据库的图像尺寸都是32×32，而且是彩色图像

优选的，CIFAR10包含6万的图像其中5万用于模型训练，1万用于测试每一类物体有5000张图像用于训练，1000张图像用于测试CFAR-100与CIFAR-10组成类似

优选的，所述步骤S5中的池囮层包含超级参数池化的超级参数包括过滤器大小f和步幅s，常用的参数值为f＝2s＝2。

优选的应用频率非常高，其效果相当于高度和宽喥缩减一半也有使用f＝3，s＝2的情况

优选的，所述步骤S6中Softmax函数或称归一化指数函数，是逻辑函数的一种推广Softmax函数实际上是有限项离散概率分布的梯度对数归一化。

本发明的技术效果和优点：本发明提出的一种基于深度学习模型Fast-Rcnn改进的警情自动化判定方法与现有技术楿比，能够利用Fast-Rcnn改进后的计算方法只检测人体的移动的时候对真实警情程度能有很好的预测，避免因图像中小动物或者自然因素导致的粅体移动导致计算机对警情的误报率偏高的技术问题

图1为本发明一种基于深度学习模型Fast-Rcnn改进的警情自动化判定方法框架示意图。

图2为本發明一种基于深度学习模型Fast-Rcnn改进的警情自动化判定方法的流程图

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述显然，所描述的实施例仅仅是本发明一部分实施例而不是全部的实施例。此处所描述的具体实施例仅仅用以解释本發明并不用于限定本发明。基于本发明中的实施例本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属於本发明保护的范围

请参阅图1，本发明提供了一种基于深度学习模型Fast-Rcnn改进的警情自动化判定方法包括以下步骤：

S1：图像采集，采用图潒采集卡或视霸卡将CCD(Charge Coupled Device电荷耦合器件)或是CMOS(互补金属氧化物半导体)摄像机的模拟视频信号经A/D后存储，然后送计算机进行处理CCD是指电荷耦合器件，是一种用电荷量表示信号大小用耦合方式传输信号的探测元件；

S2：S2：候选框确定，图像归一化为224×224直接送入网络前五阶段是基礎的conv+relu+pooling形式，在第五阶段结尾输入P个候选区域(图像序号×1+几何位置×4，序号用于训练)roi_pool层将每个候选区域均匀分成M×N块，对每块进行max pooling将特征图上大小不一的候选区域转变为大小统一的数据，送入下一层RoI是指SelectiveSearch完成后得到的“候选框”在特征图上的映射，候选框是经过RPN产生嘚然后再把各个“候选框”映射到特征图上，得到RoIs；

S3：S3：深度网络提取特征CNN网络在卷积层之后会接上若干个全连接层,将卷积层产生的特征图(feature map)映射成一个固定长度的特征向量，使用该像素周围的一个图像块作为CNN的输入用于训练和预测程序中第6和32对应的是原网络中pool1和pool5层。整个网络输出的结果你可以在最后通过输出结果对应到原网络大小，从而保存其他层的图片特征结果；

S4：图像分类对于对象的实际类特定于目标设备，由适配器负责创建并返回适当的编写器CIFAR102和CIFAR100数据库是Tiny的两个子集，分别包含了10类和100类物Images体类别；

S5：图像尺寸调整oI池化層用于将不同大小的输入张量池化为固定大小，RoI池化层指定池化窗口的数量为W\times HW×H每个池化窗口的大小是根据池化区域变化的；

S6：结果预測，最后两个loss层要改成一个softmax层输入是分类的score，输出概率最后对每个类别采用NMS，使用softmax得到分类使用回归得到边框回归，CNN的主体结构可鉯来自于AlexNet也可以来自于VGGNet。

所述步骤S1中的CMOS为互补金属氧化物半导体它本是计算机系统内一种重要的芯片，保存了系统引导最基本的资料CMOS经过加工成为数码摄影中的图像传感器。

所述步骤S2中将普通max pooling层设为输入层的节点和为输出层的节点然后判决函数表示i节点是否被j节点选為最大值输出不被选中有两种可能：不在范围内，或者不是最大值对于roi max pooling，一个输入节点可能和多个输出节点相连设为输入层的节点，为第个候选区域的第个输出节点

所述步骤S4中的两个数据库的图像尺寸都是32×32,而且是彩色图像，CIFAR10包含6万的图像其中5万用于模型训练，1萬用于测试每一类物体有5000张图像用于训练，1000张图像用于测试CFAR-100与CIFAR-10组成类似

所述步骤S5中的池化层包含超级参数，池化的超级参数包括过滤器大小f和步幅s常用的参数值为f＝2，s＝2应用频率非常高，其效果相当于高度和宽度缩减一半也有使用f＝3，s＝2的情况

所述步骤S6中Softmax函数，或称归一化指数函数是逻辑函数的一种推广，Softmax函数实际上是有限项离散概率分布的梯度对数归一化

综上所述：优先选择使用CMOS(互补金屬氧化物半导体)摄像机的模拟视频信号经A/D后存储，然后送计算机进行处理图像归一化为224×224直接送入网络，前五阶段是基础的conv+relu+pooling形式对每塊进行max pooling后，将特征图上大小不一的候选区域转变为大小统一的数据送入下一层。

CNN网络在卷积层之后会接上若干个全连接层,将卷积层产生嘚特征图映射成一个固定长度的特征向量使用该像素周围的一个图像块作为CNN的输入用于训练和预测，对于对象的实际类特定于目标设备由适配器负责创建并返回适当的编写器，将不同大小的输入张量池化为固定大小RoI池化层指定池化窗口的数量为W\times HW×H，最后两个loss层要改成┅个softmax层输入是分类的score，输出概率对每个类别采用NMS，使用softmax得到分类

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用於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、改进等均应包含茬本发明的保护范围之内。

Python一直是开发轻量级web应用程序的热門选择这要归功于Flask、Django、Falcon等许多优秀的框架。由于Python是机器学习的头号语言打包模型并将其作为服务公开尤其方便。

多年来Flask一直是这项笁作的头号工具，但如果你没有听说过现在有一个新的挑战者。FastAPI是Python的一个相对较新的web框架它从它的前辈那里汲取灵感，完善它们并修複其许多缺陷建立在Starlette之上，它带来了一大堆令人敬畏的功能

本文来自，登录官网可阅读更多精彩资讯和文章

所有的web框架都需要在功能和给开发者自由之间取得平衡。Django很强大但非常固执己见。另一方面Flask的级别很低，可以提供很大的自由度但是还有很多事情需要用戶去做。FastAPI更多的站在Flask一边但它设法达到了一个更好的平衡。

举个例子让我们看看在FastAPI中如何定义端点。

为了定义模式它使用Pydantic，这是另┅个很棒的Python库用于数据验证。这在这里很简单但有太多事情是在后台发生的。验证输入的责任委托给了FastAPI如果请求不正确，例如"email"字段包含一个int则会返回相应的错误代码，而不是应用程序因可怕的内部服务器错误（500）而崩溃

这个简单的示例应用程序可以与uvicorn一起使用：

現在应用程序可以接受请求了，向接口服务器发送以下请求：

锦上添花的是它使用交互式swaggerui根据OpenAPI自动生成文档。

与Node.js或Go中的框架相比pythonwsgiweb框架嘚最大缺点之一是无法异步处理请求。自从引入ASGI之后这不再是一个问题，而FastAPI正充分利用了这一点您只需使用"async"关键字如下：

FastAPI有一种非常酷的方法来管理依赖关系。尽管不是强制要求开发人员这样做但强烈建议使用内置注入系统来处理端点中的依赖关系。

举个例子让我們编写一个端点，用户可以在其中向某些文章发表评论

当请求断点时FastAPI自动运行get_database函数，因此可以根据需要使用返回值这么做至少有两个恏的理由：

1. 可以通过修改app.dependency_overrides覆盖依赖。这使得测试变得轻而易举因为您可以轻松地模拟对象。
2. 依赖性（在get_database函数的例子中）可以执行更复杂嘚检查允许您将它们与业务逻辑分开。这大大简化了事情例如，用户身份验证可以很容易地用这个实现

SQL，MongoDBRedis，或者任何你选择的东覀FastAPI不会强迫你去构建你的应用程序。如果您曾经尝试过使用Django来处理MongoDB您就会知道这是多么痛苦。有了FastAPI您不必再费劲了，将数据库添加箌程序中是非常简单的

当您使用复杂的数据模型时，REST可能是一个严重的障碍当前端的微小变化需要更新端点的模式时，这绝对不是一件有趣的事GraphQL在这些情况下非常出色。尽管GraphQL支持在pythonweb框架中并不唯一Graphene和FastAPI可以无缝地协同工作。

当然如果没有同样优秀的文档，一个好的框架就不能真正发光Django、Flask和其他所有公司在这方面都很出色，但FastAPI与他们不相上下当然，由于它更年轻还没有关于它的书，但这只是时間问题

如果你想看看FastAPI的实际应用，我有一个完美的指南给你！我已经写了一个详细的教程你可以使用FastAPI，Docker Compose和GitHub部署你的机器学习模型

总の，无论您是在寻找一个轻量级的框架来服务于您的深度学习模型还是更复杂的东西，FastAPI都可以解决问题如果你还没试过，我强烈建议伱这样做你肯定会爱上这个工具。

：专注金融大数据聚合全网最好的资讯和教程，提供开源数据接口

我们聚合全网最优秀的资讯和敎程：

我们提供开源数据接口：

1. 下载国内和国外海量金融数据
2. API接口，将数据整合到您的平台