(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 202210602842.9 (22)申请日 2022.05.30 (71)申请人 中用科技有限公司 地址 230031 安徽省合肥市蜀山区宿松路 3963号智能装备 科技园E栋12层 (72)发明人 胡增　王鹏　杨续杨　 (74)专利代理 机构 合肥洪雷知识产权代理事务 所(普通合伙) 34164 专利代理师 郎海云 (51)Int.Cl. G06V 20/40(2022.01) G06V 10/26(2022.01) G06V 10/46(2022.01) G06V 10/44(2022.01) G06V 10/74(2022.01)G06V 10/80(2022.01) H04N 7/18(2006.01) (54)发明名称 一种具有AI网络 摄像头的安全监控方法 (57)摘要 本发明公开了一种具有AI网络摄像头的安 全监控方法， 涉及视频监控技术领域。 本发明包 括如下步骤： 实时获取视频图像和传感器数据， 利用图像极值点的检测方法对视频图像进行特 征提取,迅速识别图像特征,并进行提取,同时利 用特征融合算法完成图像的分离,最后判断相邻 区域图像的相似性迅速找到视频中的传感器位 置点。 本发明通过将前端边缘AI智能与视频能力 的融合,将AI算法直接部署到网络摄像头中,AI 算法芯片融合视频数据和传感器数据进行综合 研判， 将分析结果传送至视频融合云服务平台进 行信息资源的整合和处理， 构建企业安全生产风 险监控预警平台。 权利要求书3页 说明书6页 附图1页 CN 114998792 A 2022.09.02 CN 114998792 A 1.一种具有AI网络摄 像头的安全监控方法， 其特 征在于， 包括如下步骤： 步骤S1： 传感器采集环境数据实时发送至AI网络摄 像头； 步骤S2： AI网络摄 像头实时采集视频图像数据； 步骤S3： 利用图像分割算法对原始视频图像数据进行分割， 并标注每个区域内传感器 位置,生成图像的不同初始化区域T＝{y1,y2,...,yn}， 初始化后默认所有图像的相似度为Y ＝100％； 步骤S4： 对不同初始化区域的原始视频图像数据,依次进行均值、 样本方差、 标准化处 理； 步骤S5： 利用图像极值点的检测方法对视频图像进行特征提取,并用尺度不变特征转 换描述子对视频图像的局部特 征进行表示； 步骤S6： 根据特征融合算法对特征提取的结果,把相同视频图像聚合而不同视频图像 进行分离； 步骤S7： 选择视频图像的相邻区域， 并将两块相邻区域进行匹配(Fi,Gj)并计算两块相 邻区域特 征融合结果的相似度y(Fi,Gj)， Y＝Y∪y(Fi,Gj)； 步骤S8： 若Y≠0， 令y(Fi,Gj)＝max(Y)， 合并两块相邻区域PZ＝Fi∪Gj， 去除关于Fi和Gj的 相似度Y＝Y /y(Fi,G*)和Y＝Y/y(F*,Gj)； 步骤S9： 迭代步骤S7和S 8， 直到Y＝0； 步骤S10： 从所有区域中定位出传感器位置点的位置 。 2.根据权利要求1所述的一种具有AI网络摄像头的安全监控方法， 其特征在于， 所述步 骤S1中， AI网络摄像头内置有A I算法芯片用于融合摄像头采集视频图像信息以及传感器的 数据信息进行综合处 理。 3.根据权利要求1所述的一种具有AI网络摄像头的安全监控方法， 其特征在于， 所述步 骤S3中， 利用高斯马尔可 夫随机场模型对原 始视频图像进行建模， 模型表达式为： A(Bd|B(C))＝A(Bd|B(γd))＞0； 式中， B表示原始视频图像， d表示原始视频图像中一部分视频的位置， γ表示相邻位 置， 传感器位置点的位置B(d)＝Bd的概率表示为A(B(d)＝Bd)， C表示自定义的平面； 原始视频图像B用高斯马尔可 夫随机场模型模拟， Bd的表达式为： 式中， ηa表示高斯马尔可夫 随机场的模型参数， d表示视频任意一点的位置图像， a表示 图像的尺寸大小， Bd+a表示视频图像离散区域， bd表示零均值 的高斯噪声， 利用析取正态水 平集对原始视频图像的纹理中像素点之 间的相互作用进行表示， 析取正态水平集的能量函 数公式为： D(e1,e2)＝ ∫ β((B(n)‑e1)2f(n)+(B(n) ‑e2)2(1‑f(n)))dn； 式中， e1,e2分别表示原始视频图像前景区域、 背景区域的灰度均值， β 表示图像的全部 区域集， B(n)表 示能量函数的均值， dn表 示对视频图像的积分， n表 示单个的图像区域， f(n) 表示观测图像。 4.根据权利要求3所述的一种具有AI网络摄像头的安全监控方法， 其特征在于， 所述前 景区域的灰度均值表达式：权　利　要　求　书 1/3 页 2 CN 114998792 A 2式中， G表示 为海维赛德函数， f(n)表示观测图像； 所述背景区域的灰度均值表达式为： 式中， f(n)表示观测图像， 计算迭代 e1和e2直到收敛为止， 输出分割后的图像， 完 成图像 分割。 5.根据权利要求1所述的一种具有AI网络摄像头的安全监控方法， 其特征在于， 所述步 骤S4中， 对原 始视频图像数据依次进行均值、 样本方差、 标准 化处理， 其中： 所述均值表达式为： 式中， ρε表示视频图像均值结果， x表示任一的视频图像数据点， ε表示视频图像最小批 处理值， g表示视频图像数据点个数， h表示所有视频图像数据点灰度值的和； 所述样本方差表达式为： 式中， 表示视频图像的样本方差值； 所述标准 化处理表达式为： 式中， 表示视频图像的标准 化值。 6.根据权利要求1所述的一种具有AI网络摄像头的安全监控方法， 其特征在于， 所述步 骤S6中， 特征提取包括检测视频图像关键点、 精确定位视频故障关键点、 关键点分配主 方向 和计算尺度不变特 征转换描述子 。 7.根据权利要求6所述的一种具有AI网络摄像头的安全监控方法， 其特征在于， 所述计 算尺度不变特 征转换描述子的步骤为： 步骤S61： 以每个关键点为中心,将视频图像坐标 Ⅹ轴旋转到尺度不变特征转换关键点 的主方向上； 步骤S62： 以每个关键点为中心分割成子区域,在每个子区域上计算高斯加权梯度 方向 角直方图,绘制每 个梯度方向的累加值,即可 形成一个种子点。 8.根据权利要求1所述的一种具有AI网络摄像头的安全监控方法， 其特征在于， 所述步 骤S7中， 建立相似度函数的表达式为：权　利　要　求　书 2/3 页 3 CN 114998792 A 3