本發(fā)明涉及安防監(jiān)控，具體為一種網(wǎng)絡(luò)攝像機工作異常的檢測方法及系統(tǒng)。

背景技術(shù)：

1、在當今安防監(jiān)控領(lǐng)域，攝像頭作為安防系統(tǒng)的基礎(chǔ)且關(guān)鍵的組件，其正常工作與否直接關(guān)系到整個安防體系的有效性和可靠性。隨著社會的發(fā)展，安防系統(tǒng)的規(guī)模不斷擴大，所涵蓋的監(jiān)控區(qū)域日益廣泛，攝像頭數(shù)量急劇增加。這一發(fā)展趨勢在帶來更全面監(jiān)控覆蓋的同時，也給監(jiān)控畫面的管理和異常檢測帶來了巨大挑戰(zhàn)。

2、傳統(tǒng)上，監(jiān)控畫面的審核主要依賴人工方式。然而，面對海量的監(jiān)控視頻數(shù)據(jù)，人工審核面臨著諸多難以克服的問題。一方面，人工審核的工作量呈指數(shù)級增長，使得工作人員在長時間連續(xù)查看畫面過程中容易疲勞，從而導致注意力不集中，難以保證審核的準確性和全面性。另一方面，即使投入大量人力，也無法實現(xiàn)對所有監(jiān)控畫面進行7*24小時的實時審核，這就使得安防系統(tǒng)在部分時段存在監(jiān)控漏洞，無法及時發(fā)現(xiàn)異常情況，給安全防范帶來潛在風險。

3、為了緩解人工審核的壓力，基于opencv的畫面圖形檢測技術(shù)應(yīng)運而生，并在一定程度上替代了人工進行畫面異常檢測。該技術(shù)能夠?qū)Χ喾N常見的畫面異常情況進行識別，包括信號丟失、畫面凍結(jié)、攝像頭遮擋、畫面亮度異常、畫面偏色、畫面模糊、畫面出現(xiàn)噪聲或條帶、攝像頭抖動等。然而，這種傳統(tǒng)的識別技術(shù)在實際應(yīng)用中仍存在明顯的局限性。

4、在性能方面，當對視頻畫面進行截取視頻幀然后對視頻幀的前后進行比對檢測時，尤其是在處理多監(jiān)控視頻畫面的異常檢測任務(wù)時，計算資源消耗巨大，檢測效率低下，難以滿足大規(guī)模安防系統(tǒng)對實時性的要求。這意味著在實際應(yīng)用中，可能會出現(xiàn)異常情況發(fā)生后，系統(tǒng)不能及時給出警報的情況，從而延誤了問題的處理時機。

5、此外，基于opencv的圖形檢測技術(shù)對于不同的畫面異常需要設(shè)定不同的閾值，只有當異常量化值達到或者超過閾值才能判斷視頻畫面是否正常。對于龐大的安防系統(tǒng)而言，每個監(jiān)控點的環(huán)境和畫面特征都可能存在差異，這就使得為每一路監(jiān)控都去設(shè)置合理的閾值操作變得極為復雜和繁瑣。在系統(tǒng)建設(shè)初期，需要耗費大量的人力和時間來進行閾值設(shè)定工作，且在后續(xù)使用過程中，若環(huán)境發(fā)生變化或出現(xiàn)新的異常模式，還需要重新調(diào)整閾值，這無疑增加了系統(tǒng)維護的難度和成本。

6、綜上所述，現(xiàn)有的人工審核和基于opencv的檢測技術(shù)均存在諸多不足之處，迫切需要一種新的、更高效、更智能的網(wǎng)絡(luò)攝像機工作異常檢測方法及系統(tǒng)，以適應(yīng)安防行業(yè)日益增長的需求，提高安防系統(tǒng)的可靠性和智能化水平，因此，針對上述問題提出一種網(wǎng)絡(luò)攝像機工作異常的檢測方法及系統(tǒng)。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供一種網(wǎng)絡(luò)攝像機工作異常的檢測方法及系統(tǒng)，以解決上述背景技術(shù)中提出的問題。

2、為實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

3、一種網(wǎng)絡(luò)攝像機工作異常的檢測方法，包括以下步驟：

4、步驟s1、訓練基礎(chǔ)數(shù)據(jù)集形成的基礎(chǔ)大模型；

5、步驟s1-1、從現(xiàn)有的安防系統(tǒng)中收集正常的監(jiān)控畫面和異常的監(jiān)控畫面或視頻片段作為數(shù)據(jù)基礎(chǔ)，對每個畫面進行均勻分塊切割；

6、步驟s1-2、將分割的數(shù)據(jù)基礎(chǔ)放入基礎(chǔ)大模型中進行訓練，在訓練時為每個數(shù)據(jù)基礎(chǔ)樣本進行標注，如果是畫面正常的數(shù)據(jù)基礎(chǔ)，則標記為正常畫面/視頻，后對標記完成的數(shù)據(jù)基礎(chǔ)進行預處理；

7、步驟s1-3、數(shù)據(jù)基礎(chǔ)經(jīng)過預處理后，通過基于cnn卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)模型進行多任務(wù)學習，同時檢測不同類型異常，依據(jù)視頻幀提取特征分類判斷，輸出異常狀態(tài)并識別異常類型；模型訓練使用結(jié)構(gòu)相似指數(shù)ssim作為損失函數(shù)，并使用合成異常數(shù)據(jù)生成模擬異常視頻畫面幀增強泛化能力；

8、步驟s1-4、使用準確率、精確率、召回率、f1-score對模型性能綜合評定；

9、步驟s2、從安防系統(tǒng)獲取視頻流，從視頻流中取出關(guān)鍵幀或視頻片段作為待檢測數(shù)據(jù)；將待檢測數(shù)據(jù)中的視頻幀分塊作為待檢測素材，將待檢測素材放入基礎(chǔ)大模型中識別，得出檢測結(jié)果r0；

10、步驟s3、審查人員定期審查檢測結(jié)果r0，若畫面異常則輸出畫面異常；

11、步驟s4、檢測結(jié)果r0積累到設(shè)定數(shù)量時，將其作為新檢測素材訓練基礎(chǔ)大模型；

12、步驟s5、新檢測素材到達設(shè)定閾值時，定期執(zhí)行步驟s3和步驟s4。

13、作為一種優(yōu)選方案，對每個畫面進行均勻分塊切割時，確定畫面分塊方式，將每個畫面均勻分割為個矩形塊，其中，為正整數(shù)；計算每個矩形分塊的大小，對于分辨率為的畫面，水平方向每個分塊像素數(shù)為,垂直方向為；從畫面左上角開始，按照計算的分塊大小依次分割畫面，對分割后的分塊進行編號。

14、作為一種優(yōu)選方案，對標注完成的數(shù)據(jù)基礎(chǔ)進行預處理時，將數(shù)據(jù)基礎(chǔ)通過公式進行歸一化處理，其中，表示原始圖像數(shù)據(jù)集中的某一像素值，表示經(jīng)過歸一化處理后的像素值，是圖像數(shù)據(jù)集的均值，是圖像數(shù)據(jù)集的標準差，使用imagenet數(shù)據(jù)集的常用均值和標準差,使數(shù)據(jù)標準化到均值為0，標準差為1。

15、作為一種優(yōu)選方案，基于cnn卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)模型包含多個卷積層、池化層和全連接層，卷積層通過卷積核在圖像上滑動進行卷積操作，由以下公式表示：

16、；

17、其中，為卷積層輸出特征圖在位置的像素值，為卷積核權(quán)重，為輸入圖像在對應(yīng)位置的像素值，為偏置項，為卷積核大小，提取視頻幀的局部特征；

18、池化層利用以下公式進行降維操作：

19、；其中，為池化窗口區(qū)域；

20、全連接層將提取的特征映射到不同的異常類別空間，通過公式計算輸出值，根據(jù)輸出值進行分類判斷，其中，為第個類別對應(yīng)的全連接層輸出值，為權(quán)重，為輸入特征向量的第i個元素，為輸入特征向量維度，為偏置項，同時，檢測不同類型異常，依據(jù)視頻幀提取特征分類判斷，輸出異常狀態(tài)并識別異常類型。

21、作為一種優(yōu)選方案，模型訓練使用結(jié)構(gòu)相似指數(shù)ssim作為損失函數(shù)，損失函數(shù)公式如下：

22、；

23、其中，和是兩幅待比較的圖像，和是圖像和的均值，和是圖像和的方差，是和的協(xié)方差，和是為避免分母為而引入的小常數(shù)；

24、通過最小化該損失函數(shù)優(yōu)化模型參數(shù)；使用合成異常數(shù)據(jù)生成模擬異常視頻畫面幀以增加模型對異常模式的泛化能力。

25、作為一種優(yōu)選方案，使用準確率、精確率、召回率、f1-score對模型性能綜合評定包括以下步驟：

26、準確率衡量正確分類樣本數(shù)占總樣本數(shù)的比例使用下面方式進行計算：

27、；

28、其中，為真陽性，即正確檢測為異常的樣本數(shù)，為真陰性，即正確檢測為正常的樣本數(shù)，為假陽性，即將正常樣本錯誤地檢測為異常的數(shù)目，為假陰性，即將異常樣本錯誤地檢測為正常的數(shù)目；

29、精確率衡量所有預測為異常的樣本中，實際異常的樣本比例使用下面方式進行計算：

30、；

31、召回率衡量實際異常樣本中被正確檢測出的比例使用下面方式進行計算：

32、；

33、f1-score是精確率和召回率的調(diào)和平均值，計算公式為：

34、；根據(jù)評估結(jié)果判斷模型是否滿足要求，若不滿足則調(diào)整模型參數(shù)或重新訓練。

35、一種網(wǎng)絡(luò)攝像機工作異常的檢測系統(tǒng)，該系統(tǒng)應(yīng)用于網(wǎng)絡(luò)攝像機工作異常的檢測方法。

36、由上述本發(fā)明提供的技術(shù)方案可以看出，本發(fā)明提供的一種網(wǎng)絡(luò)攝像機工作異常的檢測方法及系統(tǒng)，有益效果是：

37、一、高效檢測能力

38、基于大模型架構(gòu)和獨特的分塊檢測策略，實現(xiàn)了對視頻畫面的快速處理；在實際應(yīng)用場景中，如大型企業(yè)園區(qū)或城市安防監(jiān)控系統(tǒng)，面對海量的監(jiān)控視頻數(shù)據(jù)，本發(fā)明能夠迅速對視頻幀進行分塊并輸入大模型進行識別；與傳統(tǒng)檢測方法相比，檢測速度大幅提升，可在短時間內(nèi)完成對多路視頻的檢測，確保及時發(fā)現(xiàn)異常情況，極大地增強了安防系統(tǒng)的響應(yīng)及時性，有效應(yīng)對各類突發(fā)狀況；

39、采用多任務(wù)學習機制，借助cnn卷積神經(jīng)網(wǎng)絡(luò)的強大并行處理能力，同時對多種異常類型進行檢測；模型中的多個卷積層、池化層和全連接層協(xié)同工作，充分利用硬件資源（如gpu）實現(xiàn)并行計算，大大縮短了處理時間；無論是常見的畫面凍結(jié)、遮擋，還是較為復雜的亮度異常、偏色等問題，都能在一次檢測過程中全面分析判斷，顯著提高了整體檢測效率，使得安防系統(tǒng)能夠在有限的時間內(nèi)處理更多的監(jiān)控信息；

40、二、精準檢測性能

41、豐富多樣的數(shù)據(jù)基礎(chǔ)為模型提供了全面的學習素材；通過收集大量涵蓋各種實際場景（不同光照、場景內(nèi)容、異常類型和程度）的正常與異常監(jiān)控畫面及視頻片段，模型得以學習到廣泛而細致的特征模式，從而具備強大的泛化能力；在復雜多變的實際環(huán)境中，如惡劣天氣條件下的戶外監(jiān)控或光線復雜的室內(nèi)場景，本發(fā)明的模型能夠準確識別各類異常，有效減少漏檢和誤檢情況，為安防監(jiān)控提供了可靠的保障；

42、合成異常數(shù)據(jù)的運用進一步拓展了模型對異常模式的認知；通過模擬各種可能的異常情況，如像素級修改、添加不同噪聲、模擬遮擋等，使模型接觸到更多潛在異常，增強了對未知異常的識別能力；同時，閉環(huán)的檢測與優(yōu)化系統(tǒng)確保模型不斷學習新的異常特征；隨著系統(tǒng)運行，新檢測結(jié)果持續(xù)反饋用于模型再訓練，使其能夠動態(tài)適應(yīng)新出現(xiàn)的異常模式，不斷提高檢測準確性，精準定位異常情況，為后續(xù)的處理和決策提供準確依據(jù)；

43、三、降低人工依賴

44、實現(xiàn)了高度自動化的異常檢測與輸出；在系統(tǒng)穩(wěn)定運行后，無需人工實時緊盯監(jiān)控畫面，能夠自動對網(wǎng)絡(luò)攝像機工作狀態(tài)進行持續(xù)監(jiān)測并及時輸出異常結(jié)果；這在大規(guī)模安防系統(tǒng)中尤為重要，大大節(jié)省了人力成本，提高了安防工作的效率，使安防人員能夠?qū)⒏嗑ν度氲狡渌P(guān)鍵任務(wù)中，如異常情況的處理和安全策略的制定；

45、創(chuàng)新性地通過模型自適應(yīng)學習取代了人工閾值設(shè)定；傳統(tǒng)方法中繁瑣且易出錯的閾值設(shè)定工作在本發(fā)明中得到有效解決；大模型憑借對海量數(shù)據(jù)的學習，自動掌握正常與異常畫面的特征差異，無需人工干預即可準確判斷異常，減少了因人為因素導致的檢測誤差，提高了檢測系統(tǒng)的穩(wěn)定性和可靠性；同時，隨著模型的不斷優(yōu)化，對人工審查的需求逐漸降低，最終實現(xiàn)高效、智能、自主的異常檢測，推動安防監(jiān)控技術(shù)向更高水平發(fā)展。