本发明涉及图像处理。更具体地，本发明涉及基于ai图像识别的安全监测方法及系统。
背景技术：
1、近年来，计算机视觉、人工智能（artificial intelligence，ai）技术的进步，带动了安防行业的快速发展。摄像头保有量越来越多，以摄像头为基础设施的ai智能应用迅速膨胀，并被广泛应用于各个行业，如生产车间、企业内部、金融领域（营业大厅监控、自动提款机及自助银行监控等）、电信/电力领域（交换机房、无线机房、动力机房等的远程监控、变电站、电厂等的远程无人值守监控）、交通领域、社区物业管理（住宅小区、办公室的安全防范、智能大厦、停车场的无人监控等）以及军事安防领域等等。
2、其中，摄像头通常使用计算机视觉和深度学习算法来实现图像处理和视觉识别；其中的图像处理是一个重要的步骤。具体地，由于在监测场景内采集的图像容易受外界环境影响以及传输过程中画质的压缩，造成图像细节丢失和质量下降，影响后续识别结果的准确性；因此需要在图像识别之前对图像进行去噪预处理，以提高图像质量和清晰度，便于后续对图像进行准确识别。
3、现有的图像去噪方法，通常采用基于空间域的滤波方法、基于变换域的小波分解、字典学习算法或者块匹配三维滤波法（block-matching and 3d filtering，bm3d）。其中，bm3d算法是一种利用图像自身相似性和冗余性特征来进行去噪的非局部去噪算法，如图1所示，该算法主要分为基本估计与最终估计两个阶段，每个阶段包括块匹配、协同滤波和聚合三个部分，基本估计为最终估计提供权值参数，最终估计利用基本估计的权值对噪声进行滤波。即将图像i先经过基本估计处理得到初步估计图像，之后将图像i以及初步估计图像经过最终估计阶段处理得到去噪图像i1；其中的块匹配是通过设置滑动窗口获取若干个参考块，每个参考块在周围适当区域内进行搜索，寻找若干个差异最小的块（两个块的差异通常用误差平方和算法来量化），得到参考块的相似块，并将这些相似块以任意顺序整合成一个三维矩阵。在确定相似块时，通常会设定一个阈值，将差异小于这个阈值的块作为相似块，同时也会设置相似块的最大数量，进而确定参考块的相似块。然后在三维空间进行协同滤波处理，再将结果反变换并进行聚合处理，形成去噪后的图像，因此该算法是结合了空间域和变换域的图像去噪方法，被称为当前降噪性能最好的通用图像降噪算法之一。
4、上述中在进行块匹配的过程中，相似块的确定依赖于阈值的设定，因此，阈值的设置大或者小，都会导致某些区域欠匹配或过匹配，从而产生伪影，最终导致图像去噪效果较差的问题。
技术实现思路
1、本发明的目的在于提出基于ai图像识别的安全监测方法及系统，用以解决现有安全监测过程中的图像去噪效果较差的问题；为此，本发明在如下的两个方面中提供方案。
2、在第一方面中，本发明提供了基于ai图像识别的安全监测方法，包括：
3、获取目标区域的灰度图像；
4、采用改进的bm3d算法对所述灰度图像进行处理，得到去噪图像；
5、对所述去噪图像进行安全监测，得到预警结果；
6、其中，对改进的bm3d算法中的基础估计和/或最终估计中的块匹配进行调整的方法为：
7、获取灰度图像的参考块以及各参考块的所有候选块；
8、以任一参考块为目标参考块，计算目标参考块与任一候选块的相似性；
9、计算目标参考块的中心点与任一候选块的中心像素点的距离；将所述距离的倒数与任一候选块的第一平坦程度的乘积作为相似性权重；所述第一平坦程度表征任一候选块中各像素点的灰度值与所有像素点的灰度均值的差异变化；将相似性权重与相似性的乘积作为加权值；将所有候选块对应的加权值的均值作为目标参考块的相似性阈值；
10、将相似性大于相似性阈值时的任一候选块作为目标参考块的相似块。
11、有益效果在于：本发明的方案通过在进行基本估计阶段中的相似块的获取过程中，自适应设置相似性阈值，能够针对不同的参考块确定合适的相似性阈值，以实现参考块的相似性的确定，与传统的bm3d算法中的块匹配分组相比，其避免了设置同一固定的阈值可能导致在某些区域过度匹配或欠匹配，从而产生伪影，进而导致图像的去噪效果较差的问题。
12、在一个实施例中，所述第一平坦程度为：
13、；式中，为候选块的第一平坦程度，为候选块中第i个像素点的灰度值，为候选块的灰度均值，n为候选块中像素点的总个数，为候选块中灰度最大值，为候选块中的灰度最小值，为候选块中的所有像素点的灰度值的集合。
14、有益效果在于：通过候选块的所有像素点的灰度值与其灰度均值的灰度差异，得到候选块的第一平坦程度，能够评估该候选块的所有像素点的变化情况。
15、在一个实施例中，所述相似性为：
16、；式中，为参考块c与候选块的相似性，为参考块c的参考特征值，为候选块的候选特征值，为参考块c与候选块的灰度差异，为以自然常数e为底数的指数函数，所述参考特征值为参考块c的灰度直方图对应的灰度分布区间差异和尖峰系数的乘积；所述候选特征值为候选块的灰度直方图对应的灰度分布区间差异和尖峰系数的乘积。
17、有益效果在于：分别借助于参考块、候选块的灰度直方图中的灰度分布区间差异和尖峰系数作为自身的特征值，能够准确地评估出参考块与候选块的相似程度。
18、在一个实施例中，对所述去噪图像进行安全监测的具体过程为：
19、构建目标检测模型，对所述目标检测模型进行训练，得到训练好的目标检测模型；
20、将去噪图像输入到训练好的目标检测模型中，得到预警结果，并根据所述预警结果进行预警提醒，其中预警结果包括危险目标和非危险目标。
21、有益效果在于：采用目标检测模型对去噪图像进行目标检测，能够准确地得到预警结果。
22、在一个实施例中，所述目标检测模型为faster r-cnn模型。
23、在一个实施例中，所述获取灰度图像的参考块的步骤为：
24、利用预设的窗口遍历整幅灰度图像，得到窗口对应的像素块，进而得到所有像素块；
25、获取各像素块的第二平坦程度，将第二平坦程度小于设定阈值时对应的像素块作为参考块；所述第二平坦程度表征像素块中各像素点的灰度值与所有像素点的灰度均值的差异变化。
26、有益效果在于：通过获取各像素块的第二平坦程度进行对应像素块的筛选，以确定参考块，不仅能够筛选出像素块中差异变化较大的像素块，并将其作为关注的对象，而且降低了后续的计算复杂度。
27、在一个实施例中，所述各参考块的所有候选块的获取过程为：
28、以任一参考块为中心，设置搜索范围以及与参考块等大的目标窗口，利用目标窗口滑动遍历搜索范围内的图像区域，得到目标窗口对应的候选块，并得到各参考块的所有候选块。
29、在第二方面中，基于ai图像识别的安全监测系统，包括：
30、处理器；
31、存储器，其存储有基于ai图像识别的安全监测的计算机指令，当所述计算机指令由所述处理器运行时，使得系统执行上述的基于ai图像识别的安全监测方法。
32、本发明的有益效果为：
33、本发明的方案通过在进行基本估计阶段中的相似块的获取过程中，设置各参考块对应相似性阈值，能够更准确地确定每个参考块的相似块，降低了匹配过程中的误差，进而提高了图像的去噪效果，为后续的图像监测提供了准确的数据依据。
34、进一步地，本发明的方案还进行参考块的筛选，得到需要关注的参考块，仅对筛选出的参考块进行后续的块匹配、协同滤波以及聚合，降低了计算量，提高了计算效率。
1.基于ai图像识别的安全监测方法，其特征在于，包括：
2.根据权利要求1所述的基于ai图像识别的安全监测方法，其特征在于，所述第一平坦程度为：
3.根据权利要求1所述的基于ai图像识别的安全监测方法，其特征在于，所述相似性为：
4.根据权利要求1所述的基于ai图像识别的安全监测方法，其特征在于，对所述去噪图像进行安全监测的具体过程为：
5.根据权利要求4所述的基于ai图像识别的安全监测方法，其特征在于，所述目标检测模型为faster r-cnn模型。
6.根据权利要求1所述的基于ai图像识别的安全监测方法，其特征在于，所述获取灰度图像的参考块的步骤为：
7.根据权利要求6所述的基于ai图像识别的安全监测方法，其特征在于，所述各参考块的所有候选块的获取过程为：
8.基于ai图像识别的安全监测系统，其特征在于，包括：
