智慧园区视频监控分析系统 YOLO

智慧园区视频监控分析系统基本建设的持续推进，云计算技术、互联网大数据、物联网技术、人工智能技术等现代信息技术的深层次运用，智慧园区视频监控分析系统发展趋势革新的主要每日任务与现代信息技术的大力支持紧密联系。智能化园区基本建设通常包含经营管理处、园区安全工作、耗能管理方法、消防管理、突发事件应对业务流程系统、园区业务、数据信息、页面集成化，完成园区经营数据可视化、精细管理、决策。

近几年来，目标检测算法取得了很大的突破。比较流行的算法可以分为两类，一类是基于Region Proposal的R-CNN系算法（R-CNN，Fast R-CNN, Faster R-CNN），它们是two-stage的，需要先使用启发式方法（selective search）或者CNN网络（RPN）产生Region Proposal，然后再在Region Proposal上做分类与回归。而另一类是Yolo，SSD这类one-stage算法，其仅仅使用一个CNN网络直接预测不同目标的类别与位置。第一类方法是准确度高一些，但是速度慢，但是第二类算法是速度快，但是准确性要低一些。这可以在图2中看到。本文介绍的是Yolo算法，其全称是You Only Look Once: Unified, Real-Time Object Detection，其实个人觉得这个题目取得非常好，基本上把Yolo算法的特点概括全了：You Only Look Once说的是只需要一次CNN运算，Unified指的是这是一个统一的框架，提供end-to-end的预测，而Real-Time体现是Yolo算法速度快。

智慧园区视频监控分析系统融合园区目前数据资料，为园区基础设施建设、人车公共交通、安全性、产业布局、经济发展、耗能、室内环境等管理方法方面的核心指标值给予数据可视化综合性监控，帮助管理人员形象化操纵园区运作状况，统一管理人员、事情、事物、园区综合性运作。

class Yolo(object): def __init__(self, weights_file, verbose=True): self.verbose = verbose # detection params self.S = 7 # cell size self.B = 2 # boxes_per_cell self.classes = ["aeroplane", "bicycle", "bird", "boat", "bottle", "bus", "car", "cat", "chair", "cow", "diningtable", "dog", "horse", "motorbike", "person", "pottedplant", "sheep", "sofa", "train","tvmonitor"] self.C = len(self.classes) # number of classes # offset for box center (top left point of each cell) self.x_offset = np.transpose(np.reshape(np.array([np.arange(self.S)]*self.S*self.B), [self.B, self.S, self.S]), [1, 2, 0]) self.y_offset = np.transpose(self.x_offset, [1, 0, 2]) self.threshold = 0.2 # confidence scores threhold self.iou_threshold = 0.4 # the maximum number of boxes to be selected by non max suppression self.max_output_size = 10

智慧园区视频监控分析系统监控，包含监控园区人员驾驶车辆、工作人员相对密度、公共交通、停车场应用、集成化视频监控系统、依靠人工智能技术面部识别和车辆识别分析分辨，协助管理人员同步控制交通情况，合理减小工作人员、车子出现异常滞留。生态公园安全防护管理方法的监控和监控必须对生态公园内的建筑物开展系统分区层访问和信息化管理。适用安全事故警报提醒，完成迅速精准定位，可随时随地获得事情周边的监控视频，协助管理人员提升安全管理高效率。