CN119495054A 基于图像识别的智能安防监控方法及系统 （合肥诚匠智能科技有限公司）

本发明公开了基于图像识别的智能安防监2S6、使用深度确定性策略梯度算法对历史数据进行深度图像数据以及雷达的距离和速度信息进行数据同步其中，表示时间步t上的预测状态，A表示状态转移矩阵，xt-1-1表示时间步t-1时的控制输入；S26、最终通过卡尔曼滤波更新后的估计值和更新后的协方差计算出融合后的目标状3述轻量级神经网络模型为经过预训练的改进型的自适应频域S:=,5(⃞-0):表示L1范数；4S53、基于SwinTransformer提取的特征，结合时间序列信息对异常行为进行时空分t表示目标在时间t和时间t_1之间的三维位置变化，Pt表示目标在时间t时的_1表示目标在时间t_1时的三维位置坐5tanomaly表示异常行为的二值判断，γa表示SwinTransformer模型输出的异常行S61、将历史异常行为数据Dh和当前实时监控深度确定性策略梯度算法通过演员-评论家架构优化异常行为检测策略，演员网络根据当7.基于图像识别的智能安防监控系统，执行权利要求16数据预处理模块，用于对采集到的多模态数据进行预处理，并通边缘计算模块，用于在边缘设备上部署轻量级神经网络模型，对生成并通过SwinTransformer模型对数据进行多尺度特征提取7[0002]随着城市化进程的加快和社会安全需求的提高，智能安防监控系统在公共安全、8[0015]S5、当边缘设备检测到潜在异常情况时，传输数据至中央服务器，使用Swin头的深度图像数据以及雷达的距离和速度信息进行9-1表示时间步t-1时的控制输入；[0030]S26、最终通过卡尔曼滤波更新后的估计值和更新后的协方差计算出融合后的目[0036]S31、将通过步骤S2生成的完整目标信息输入到边缘设备中的轻量级神经网络模pp[0082]S61、将历史异常行为数据Dh和当前实时监控数据输入到深度确定性策略梯度算调整异常行为检测阈值η,同时评论家网络通过历史数据评估当前策略的效果，并给出反常行为检测阈值η:[0095]自适应学习模块，用于通过深度确定性策略梯度算法对历史数据进行自适应学得大规模监控系统中的各个监控节点能够协同[0112]S5、当边缘设备检测到潜在异常情况时，传输数据至中央服务器，使用Swin头的深度图像数据以及雷达的距离和速度信息进行-1表示时间步t-1时的控制输入；[0127]S26、最终通过卡尔曼滤波更新后的估计值和更新后的协方差计算出融合后的目[0133]S31、将通过步骤S2生成的完整目标信息输入到边缘设备中的轻量级神经网络模pp[0179]S61、将历史异常行为数据Dh和当前实时监控数据输入到深度确定性策略梯度算调整异常行为检测阈值η,同时评论家网络通过历史数据评估当前策略的效果，并给出反常行为检测阈值η:[0192]自适应学习模块，用于通过深度确定性策略梯度算法对历史数据进行自适应学系统在光线不足或复杂遮挡的情况下，目标检测的准确率达到了95相比传统单一光学[0204]表1对传统监控系统与本发明的智能安防监控系统进行了详细的性能分析。在目标检测准确率方面，传统监控系统仅为75而本发明的智能监控系统通过多模态传感器测准确率达到了90有效解决了传统监控系统在光线不足时的不足。[0205]针对弱光或遮挡情况，传统系统的检测率更是下降至50而本发明系统通过多由于中心服务器负荷较大，处理延迟高达300毫秒；而本发明系统通过边缘计算技术的引