(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210622839.3 (22)申请日 2022.06.01 (71)申请人 无锡八英里电子科技有限公司 地址 214000 江苏省无锡市经济开发区华 庄街道华 运路9号1号厂房3层 (72)发明人 王晓辉　丁佳　 (74)专利代理 机构 无锡智麦知识产权代理事务 所(普通合伙) 3249 2 专利代理师 陈磊勇 (51)Int.Cl. G06V 20/52(2022.01) G06V 40/20(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G08B 13/196(2006.01) (54)发明名称 一种基于图像识别的加油站/充电站异常入 侵检测方法 (57)摘要 本发明提出一种基于图像识别的加油站/充 电站异常入侵检测方法， 通过光照检测模块对图 片进行分类， 当分类结果为正常光时， 采用基于 人脸的入侵检测模块进行入侵检测， 当所述分类 结果为弱光时， 采用基于姿态的入侵检测模块进 行入侵检测； 相对于现有技术， 本发明通过光照 检测模块对当前图片的光照进行检测， 对不同的 光照采用不同的方法进行入侵检测， 提升了入侵 检测的准确性； 为了提升光照检测的实时性， 本 发明创造性的提出了一种压缩卷积神经网络， 对 光照进行识别； 为了提升人脸检测的鲁棒性， 本 发明创造性的提出了一种人脸识别算法， 将深度 可分离卷积与残差块进行结合， 提升了人脸检测 的准确性。 权利要求书2页 说明书5页 附图1页 CN 114913481 A 2022.08.16 CN 114913481 A 1.一种基于图像识别的加油站/充电站 异常入侵检测方法， 所述方法包括以下步骤： 步骤101： 从加油站/充电站监控设备获取视频流， 所述监控设备为位于危险区域的监 控设备； 步骤102： 将所述步骤101中监控设备获取得到的视频流进行分帧以及格式转换， 转换 为入侵检测模型 可识别的图片格式， 将转换后的图片序列存 入第一存 储空间； 步骤103： 入侵检测模型从所述第一存储空间读取所述转换后的图片进行异常入侵检 测， 将异常入侵检测结果进行标注， 存入第二存储空间； 所述入侵检测模型包括： 光照检测 模块、 基于人脸的入侵检测模块、 基于姿态的入侵检测模块； 所述光照检测模块用于对图片 进行分类， 所述分类结果包括正常光/弱光； 当所述分类结果为正常光时， 采用基于人脸的 入侵检测模块进行入侵检测， 当所述分类结果为弱光时， 采用基于姿态的入侵检测模块进 行入侵检测； 步骤104： 从所述第二存储空间获取标注后的图片序列， 并将图片序列重新组合为视频 流进行输出， 在监控显示设备进行实时显示。 2.根据权利要求1所述的基于图像识别的加油站/充电站异常入侵检测方法， 其特征在 于： 所述光照检测模块可通过压缩卷积神经网络 /图像处理算法进行实现。 3.根据权利要求2所述的基于图像识别的加油站/充电站异常入侵检测方法， 其特征在 于： 所述压缩卷积神经网络包括顺序连接的输入层、 第一卷积层、 第一压缩模块、 第二压缩 模块、 第三压缩模块、 第四压缩模块、 第五压缩模块、 第六压缩模块、 第二卷积层、 全局平均 池化层、 softmax输出层， 所述第一压缩模块输出的特征图经下采样后与第三压缩模块的输 出的特征图融合后作为第四压缩模块的输入， 所述第二压缩模块输出的特征图经下采样后 与第四压缩 模块输出的特 征图融合后作为全局平均池化层的输入。 4.根据权利要求3所述的基于图像识别的加油站/充电站异常入侵检测方法， 其特征在 于： 所述压缩模块包括顺序连接的压缩层、 扩展层和融合层， 所述压缩层通过1*1的卷积核 进行卷积操作得到特征图C1， 将所述特征图C1输入扩展层， 所述扩展层包括并行连接的卷 积核为1*1的第一卷积层、 3*3的第二卷积层、 5*5的第三卷积层， 将第一卷积层、 第二卷积 层、 第三卷积层的输出输入融合层进行 特征融合作为压缩 模块的输出。 5.根据权利要求2所述的基于图像识别的加油站/充电站异常入侵检测方法， 其特征在 于： 所述图像处理算法包括如下步骤： 计算所述图片的像素强度以及 对比度， 设置像素强度 阈值以及对比度阈值， 并基于所述像素强度阈值以及对比度阈值将所述图片分类为弱光图 片/正常光图片。 6.根据权利要求2所述的基于图像识别的加油站/充电站异常入侵检测方法， 其特征在 于： 通过光照检测模块对图片分类通过用户自定义的时间周期进行分类。 7.根据权利要求1所述的基于图像识别的加油站/充电站异常入侵检测方法， 其特征在 于： 基于人脸的入侵检测模块包括如下步骤： 步骤11： 通过人脸检测算法判断图片中是否有人脸， 当存在人脸时， 执行步骤12， 否则 读取下一张图片， 返回步骤1 1； 步骤12： 通过人脸识别算法将所述图片中的人脸与数据库中的人脸进行匹配， 验证是 否为合法人员， 如果图片中的人脸与数据库中的人脸相匹配， 则该人员为合法人员， 否则为 非法人员， 判断为异常入侵 。权　利　要　求　书 1/2 页 2 CN 114913481 A 28.根据权利要求7所述的基于图像识别的加油站/充电站异常入侵检测方法， 其特征在 于： 所述人脸检测算法为Vi ola‑Jones算法。 9.根据权利要求7所述的基于图像识别的加油站/充电站异常入侵检测方法， 其特征在 于： 所述人脸识别算法包括： 将所述图片输入骨干网络， 所述骨干网络对输入的图片进行特 征提取得到待识别特 征图， 将所述待识别特 征图输入识别模块得到人脸识别结果。 10.根据权利要求9所述的基于图像识别的加油站/充电站异常入侵检测方法， 其特征 在于： 所述骨干网络的结构为： 输入层、 3*3*32的常规卷积层、 第一深度可分离卷积、 第二深 度可分离卷积、 第三深度可分离卷积、 第四深度可分离卷积、 第一残差块、 第二残差块、 输出 层。 11.根据权利要求9所述的基于图像识别的加油站/充电站异常入侵检测方法， 其特征 在于： 所述识别模块的结构为： 展平层、 全连接层、 softmax层、 输出层。 12.根据权利要求1所述的基于图像识别的加油站/充电站异常入侵检测方法， 其特征 在于： 基于姿态的入侵检测模块包括如下步骤： 步骤21： 提取 人体轮廓； 步骤22： 对所述 步骤21提取的人体 轮廓通过2D PCA‑2DLDA方法提取姿态特 征矩阵； 步骤23： 利用自编码器对所述 步骤22生成的姿态特 征矩阵进行压缩； 步骤24： 将所述步骤23压缩后的特征矩阵展开为一维向量， 使用基于欧几里德距离的 最近邻分类 器进行识别， 判断图片中的人员为 合法人员/非法人员。 13.根据权利要求1所述的基于图像识别的加油站/充电站异常入侵检测方法， 其特征 在于： 所述方法还包括： 步骤105： 当检测出异常入侵行为时， 自动抽取入侵人员进入危险区 域的视频片段， 向管理员推送预警信息、 视频片段以及处 理建议。权　利　要　求　书 2/2 页 3 CN 114913481 A 3