一种基于电子围栏的安全监控方法、装置、电子设备

摘要

本发明涉及信息安全技术领域，揭露一种基于电子围栏的安全监控方法、装置、电子设备，所述方法包括：构建异常物体检测模型，接收人脸图片训练集及物体图片训练集，利用所述人脸图片训练集及物体图片训练集训练所述异常物体检测模型，得到待嵌入检测模型，将所述待嵌入检测模型嵌入至预构建的电子围栏，其中，所述电子围栏包括监控设备，利用所述监控设备捕捉得到待检测图片集，利用所述待嵌入检测模型对所述待检测图片集执行特征提取，得到特征图集，计算所述特征图集的人脸检测框及物体检测框，将所述人脸检测框及物体检测框反馈至所述监控设备，得到所述电子围栏的检测结果。本发明可提高电子围栏对生活区域的安全监控等级。

说明书

技术领域

本发明涉及信息安全技术领域，尤其涉及一种基于电子围栏的安全监控方法、装置、电子设备。

背景技术

随着智能家居普及，利用智能家居提高生活安全性也变得极受重视，特别地，如利用电子围栏提高安全监控程度等。

目前电子围栏的主要作用用于划分出生活区域，部分会在电子围栏中安装自动开关门，但难以提高电子围栏对生活区域的监控等级。

发明内容

本发明提供一种基于电子围栏的安全监控方法、装置、电子设备，其主要目的在于提高电子围栏对生活区域的安全监控等级。

为实现上述目的，本发明提供的一种基于电子围栏的安全监控方法，包括：

接收用户输入的卷积层数量，根据所述卷积层数量，构建人脸特征卷积层及物体特征卷积层；

从YOLO模型中提取检测框生成层；

按照预设顺序，排列组合所述人脸特征卷积层、所述物体特征卷积层及所述检测框生成层，得到所述异常物体检测模型；

接收人脸图片训练集及物体图片训练集，利用所述人脸特征卷积层，对所述人脸图片训练集执行卷积操作，得到人脸特征图集；

利用所述物体特征卷积层，对所述物体图片训练集执行卷积操作，得到物体特征图集；

分别计算所述人脸特征图集的人脸损失值，及所述物体特征图集的物体损失值；

判断所述人脸损失值及物体损失值与预设损失阈值的大小；

若所述人脸损失值或所述物体损失值大于或等于所述损失阈值，调整所述物体特征卷积层及所述物体特征卷积层的内部参数，并返回人脸特征卷积操作；

若所述人脸损失值及所述物体损失值均小于所述损失阈值，完成训练得到所述待嵌入检测模型；

将所述待嵌入检测模型嵌入至预构建的电子围栏，其中，所述电子围栏包括监控设备；

利用所述监控设备捕捉监控视频，对所述监控视频进行分帧处理，得到待检测图片集；

利用所述待嵌入检测模型内的卷积层，对所述待检测图片集执行特征提取，得到特征图集；

利用所述待嵌入检测模型内的检测框生成层，计算所述特征图集的人脸检测框及物体检测框；

将所述人脸检测框及物体检测框反馈至所述监控设备，得到所述电子围栏的检测结果。

可选地，所述利用所述人脸特征卷积层，对所述人脸图片训练集执行卷积操作，得到人脸特征图集，包括：

利用所述人脸特征卷积层中的卷积核，对所述人脸图片训练集的像素矩阵进行计算，得到特征图矩阵集；

对所述特征图矩阵集中的每个特征图矩阵进行平均区域划分，并取区域内所有像素值之和的平均值代替所述区域内的像素值，得到待降维人脸图像集；

对所述待降维人脸图像集执行降维处理，得到所述人脸特征图集。

可选地，所述对所述监控视频进行分帧处理，得到待检测图片集，包括：

接收用户输入的抽帧数，根据所述抽帧数从所述监控视频中抽取得到待处理图片集；

对所述待处理图片集中的每张待处理图片进行去噪处理，得到标准图片集；

对所述标准图片集中的图片进行梯度转换，得到每张标准图片的向量表示值；

将所述向量表示值加入至对应的标准图片像素，得到所述待检测图片集。

可选地，所述对所述标准图片集中的图片进行梯度转换，得到每张标准图片的向量表示值，包括：

获取预设的卷积模板，利用所述卷积模板对所述标准图片集进行滤波处理，得到所述标准图片集的滤波数据集；

对所述滤波数据集执行统计分析，得到所述标准图片集中每张标准图片的向量表示值。

可选地，所述利用所述待嵌入检测模型内的卷积层，对所述待检测图片集执行特征提取，得到特征图集，包括：

利用所述人脸特征卷积层中的卷积核及所述物体特征卷积层中的卷积核，分布对所述待检测图片集的像素矩阵进行计算，得到第一待检测矩阵集及第二待检测矩阵集；

对所述第一待检测矩阵集及第二待检测矩阵集中的每个待检测矩阵进行平均区域划分，并取区域内所有像素值之和的平均值代替原矩阵内的像素值，得到第一待降维矩阵集及第二待降维矩阵集；

对所述第一待降维矩阵集及第二待降维矩阵集执行降维处理并组合，得到所述特征图集。

为了解决上述问题，本发明还提供一种基于电子围栏的安全监控装置，所述装置包括：

模型构建模块，用于接收用户输入的卷积层数量，根据所述卷积层数量，构建人脸特征卷积层及物体特征卷积层，从YOLO模型中提取检测框生成层，按照预设顺序，排列组合所述人脸特征卷积层、所述物体特征卷积层及所述检测框生成层，得到所述异常物体检测模型；

模型训练模块，用于接收人脸图片训练集及物体图片训练集，利用所述人脸特征卷积层，对所述人脸图片训练集执行卷积操作，得到人脸特征图集，利用所述物体特征卷积层，对所述物体图片训练集执行卷积操作，得到物体特征图集，分别计算所述人脸特征图集的人脸损失值，及所述物体特征图集的物体损失值，判断所述人脸损失值及物体损失值与预设损失阈值的大小，若所述人脸损失值或所述物体损失值大于或等于所述损失阈值，调整所述物体特征卷积层及所述物体特征卷积层的内部参数，并返回人脸特征卷积操作，若所述人脸损失值及所述物体损失值均小于所述损失阈值，完成训练得到所述待嵌入检测模型；

视频分帧模块，用于将所述待嵌入检测模型嵌入至预构建的电子围栏，其中，所述电子围栏包括监控设备，利用所述监控设备捕捉监控视频，对所述监控视频进行分帧处理，得到待检测图片集；

电子围栏检测模块，用于利用所述待嵌入检测模型内的卷积层，对所述待检测图片集执行特征提取，得到特征图集，利用所述待嵌入检测模型内的检测框生成层，计算所述特征图集的人脸检测框及物体检测框，将所述人脸检测框及物体检测框反馈至所述监控设备，得到所述电子围栏的检测结果。

为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以实现上述所述的基于电子围栏的安全监控方法。

相比于背景技术所述，目前电子围栏的主要作用用于划分出生活区域，部分会在电子围栏中安装自动开关门，但难以提高电子围栏对生活区域的监控等级。本发明实施例为解决该问题，首先构建包括卷积层及检测框生成层的异常物体检测模型，并接收人脸图片训练集及物体图片训练集，利用所述人脸图片训练集及物体图片训练集训练所述异常物体检测模型，得到待嵌入检测模型，当得到待嵌入检测模型后，将待嵌入检测模型嵌入至电子围栏，从而电子围栏具有物体及人脸检测能力，从而提高电子围栏的智能性，另外，为防止电子围栏利用待嵌入检测模型时出现卡顿现象，在利用监控设备捕捉监控视频时，对所述监控视频进行分帧处理，得到待检测图片集，并利用待嵌入检测模型检测在电子围栏周围是否存在人脸及异常物体。因此，本发明提出的一种基于电子围栏的安全监控方法、装置、电子设备可以提高电子围栏对生活区域的安全监控等级。

附图说明

图1为本发明一实施例提供的基于电子围栏的安全监控方法的流程示意图；

图2为本发明一实施例提供的基于电子围栏的安全监控方法中S1的流程示意图；

图3为本发明一实施例提供的基于电子围栏的安全监控方法中S3的流程示意图；

图4为本发明一实施例提供的基于电子围栏的安全监控装置的模块示意图；

图5为本发明一实施例提供的实现基于电子围栏的安全监控方法的电子设备的内部结构示意图；

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本申请实施例提供一种基于电子围栏的安全监控方法。所述基于电子围栏的安全监控方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于电子围栏的安全监控方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。

参照图1所示，为本发明一实施例提供的基于电子围栏的安全监控方法的流程示意图。在本发明实施例中，所述基于电子围栏的安全监控方法包括：

S1、构建包括卷积层及检测框生成层的异常物体检测模型。

需解释的是，若需提高电子围栏的智能程度，需在电子围栏中植入智能检测模型，因此需先构建并训练智能检测模型，详细地，参阅图2所示，所述构建包括卷积层及检测框生成层的异常物体检测模型，包括：

S11、接收用户输入的卷积层数量，根据所述卷积层数量，构建人脸特征卷积层及物体特征卷积层；

S12、从YOLO模型中提取检测框生成层；

S13、按照预设顺序，排列组合所述人脸特征卷积层、所述物体特征卷积层及所述检测框生成层，得到所述异常物体检测模型。

需强调的是，所述卷积层数量可设定为6、8等，其中人脸特征卷积层与物体特征卷积层的数量总和即为所述卷积层数量。示例性的，如卷积层数量设定8，按照人脸特征卷积层与物体特征卷积层1比1来说，则人脸特征卷积层为4层，物体特征卷积层为4层。进一步地，人脸特征卷积层与物体特征卷积层的主要区别在于卷积核尺寸及步长的不同，示例性的，人脸特征卷积层的卷积核大小为19*19、卷积核尺寸为1*1，物体特征卷积层的卷积核大小为38*38，卷积核尺寸为3*3等。

综合来说，不同的卷积层进行卷积时会生成对应的特征图，而本发明中所述的检测框生成层，主要是根据各卷积层生成的特征图，计算得到检测框。其中计算检测框主要包括两个部分，一是检测框的大小，二是检测框的坐标，其中检测框的大小的计算公式为：

其中，

另外，YOLO模型是一种目标检测模型，该模型是实现快速检测的同时还达到较高的准确率，主要采用单个神经网络直接预测物品边界和类别概率，实现端到端的物品检测，本发明实施例从YOLO模型可提取得到所述检测框生成层。

同样地，预设顺序一般可根据实际的应用场景进行对应设置，一般是人脸特征卷积层与物体特征卷积层在整个模型的最前端、检测框生成层位于整个模型的最后端，从而得到所述异常物体检测模型。

S2、接收人脸图片训练集及物体图片训练集，利用所述人脸图片训练集及物体图片训练集训练所述异常物体检测模型，得到待嵌入检测模型。

本发明实施例中，所述人脸图片训练集中每张图片均包括人脸，且人为框选出人脸在图片中的位置。所述物体图片训练集包括汽车、自行车、摩托车、婴儿玩具、树木等可能出现在电子围栏附近的物体。

示例性的，当构建出异常物体检测模型后，需要训练异常物体检测模型，从而提高模型检测效果。详细地，所述利用所述人脸图片训练集及物体图片训练集训练所述异常物体检测模型，得到待嵌入检测模型，包括：

步骤A、利用所述人脸特征卷积层，对所述人脸图片训练集执行卷积操作，得到人脸特征图集；

步骤B、利用所述物体特征卷积层，对所述物体图片训练集执行卷积操作，得到物体特征图集；

步骤C、分别计算所述人脸特征图集的人脸损失值，及所述物体特征图集的物体损失值；

步骤D、判断所述人脸损失值及物体损失值与预设损失阈值的大小；

步骤E、若所述人脸损失值或所述物体损失值大于或等于所述损失阈值，调整所述物体特征卷积层及所述物体特征卷积层的内部参数，并返回步骤A；

步骤F、若所述人脸损失值及所述物体损失值均小于所述损失阈值，完成训练得到所述待嵌入检测模型。

进一步地，所述利用所述人脸特征卷积层，对所述人脸图片训练集执行卷积操作，得到人脸特征图集，包括：

利用所述人脸特征卷积层中的卷积核，对所述人脸图片训练集的像素矩阵进行计算，得到特征图矩阵集；

对所述特征图矩阵集中的每个特征图矩阵进行平均区域划分，并取区域内所有像素值之和的平均值代替所述区域内的像素值，得到待降维人脸图像集；

对所述待降维人脸图像集执行降维处理，得到所述人脸特征图集。

类似的，物体特征卷积层卷积操作与人脸特征卷积层相似，在此不再赘述。

需解释的是，人脸损失值及所述物体损失值可通过预构建的损失函数求解得到，其中损失函数又称为代价函数，常见的损失函数包括平方误差损失、二分类损失函数等。

S3、将所述待嵌入检测模型嵌入至预构建的电子围栏，其中，所述电子围栏包括监控设备

需了解的是，电子围栏中安装有小型CPU、存储器及监控设备，将待嵌入检测模型嵌入至小型CPU中，并测试待嵌入检测模型在小型CPU是否能正常工作，当待嵌入检测模型在小型CPU能正常工作，则完成待嵌入检测模型的嵌入。

另外，由于电子围栏需要监控围栏周围的环境，因此需要在电子围栏中安装监控设备。

S4、利用所述监控设备捕捉监控视频，对所述监控视频进行分帧处理，得到待检测图片集

应了解的是，由于监控视频的数据量较大，若直接对监控视频进行检测，会格外占用计算资源，且影响到准确性，因此可使用分帧处理，将监控视频变为图片数据。

详细地，参阅图3所示，所述对所述监控视频进行分帧处理，得到待检测图片集，包括：

S31、接收用户输入的抽帧数，根据所述抽帧数从所述监控视频中抽取得到待处理图片集；

S32、对所述待处理图片集中的每张待处理图片进行去噪处理，得到标准图片集；

S33、对所述标准图片集中的图片进行梯度转换，得到每张标准图片的向量表示值；

S34、将所述向量表示值加入至对应的标准图片像素，得到所述待检测图片集。

示例性的，如以每秒为单位，抽帧数为3帧的图片数据，从监控视频中抽取得到待处理图片集。

进一步地，所述对所述标准图片集中的图片进行梯度转换，得到每张标准图片的向量表示值，包括：

获取预设的卷积模板，利用所述卷积模板对所述标准图片集进行滤波处理，得到所述标准图片集的滤波数据集；

对所述滤波数据集执行统计分析，得到所述标准图片集中每张标准图片的向量表示值。

示例性的，所述卷积模板的主要作用是计算每张标准图片中的像素梯度值。另外，统计分析的手段较多，如采取正态分布统计方法统计滤波数据集出现频率高的数值区间，则该数值区间内的值，即为所述向量表示值。

S5、利用所述待嵌入检测模型内的卷积层，对所述待检测图片集执行特征提取，得到特征图集

本发明实施例中，利用所述卷积层对所述待检测图片集执行特征提取的实施步骤，与上述训练阶段类似，详细地，所述利用所述待嵌入检测模型内的卷积层，对所述待检测图片集执行特征提取，得到特征图集，包括：

利用所述人脸特征卷积层中的卷积核及所述物体特征卷积层中的卷积核，分布对所述待检测图片集的像素矩阵进行计算，得到第一待检测矩阵集及第二待检测矩阵集；

对所述第一待检测矩阵集及第二待检测矩阵集中的每个待检测矩阵进行平均区域划分，并取区域内所有像素值之和的平均值代替原矩阵内的像素值，得到第一待降维矩阵集及第二待降维矩阵集；

对所述第一待降维矩阵集及第二待降维矩阵集执行降维处理并组合，得到所述特征图集。

强调的是，对所述待检测图片集执行特征提取的实施步骤与上述训练阶段类似，在此不再赘述。

S6、利用所述待嵌入检测模型内的检测框生成层，计算所述特征图集的人脸检测框及物体检测框

需解释的是，所述检测框生成层的计算方法如上述训练阶段所述，包括计算人脸或物体检测框的大小和坐标，从而得到与所述待处理图片集对应的检测框，如待处理图片集中有一位在婴儿车旁玩耍的婴儿，通过上述方法可检测到婴儿车及婴儿在该视频内的坐标和大小，从而得到检测框。

S7、将所述人脸检测框及物体检测框反馈至所述监控设备，得到所述电子围栏的检测结果

示例性的，待处理图片中存在婴儿车及玩耍的婴儿，通过上述方法可检测到婴儿车及婴儿在该视频内的坐标和大小，即人脸检测框及物体检测框。进一步地，本发明将人脸检测框及物体检测框发送回监控设备，在监控设备中，将人脸检测框及物体检测框与监控视频融合，从而可以实施展示婴儿车及玩耍的婴儿在监控视频中的动态移动过程。

相比于背景技术所述，目前电子围栏的主要作用用于划分出生活区域，部分会在电子围栏中安装自动开关门，但难以提高电子围栏对生活区域的监控等级。本发明实施例为解决该问题，首先构建包括卷积层及检测框生成层的异常物体检测模型，并接收人脸图片训练集及物体图片训练集，利用所述人脸图片训练集及物体图片训练集训练所述异常物体检测模型，得到待嵌入检测模型，当得到待嵌入检测模型后，将待嵌入检测模型嵌入至电子围栏，从而电子围栏具有物体及人脸检测能力，从而提高电子围栏的智能性，另外，为防止电子围栏利用待嵌入检测模型时出现卡顿现象，在利用监控设备捕捉监控视频时，对所述监控视频进行分帧处理，得到待检测图片集，并利用待嵌入检测模型检测在电子围栏周围是否存在人脸及异常物体。因此，本发明提出的一种基于电子围栏的安全监控方法、装置、电子设备可以提高电子围栏对生活区域的安全监控等级。

如图4所示，是本发明基于电子围栏的安全监控装置的功能模块图。

本发明所述基于电子围栏的安全监控装置100可以安装于电子设备中。根据实现的功能，所述基于电子围栏的安全监控装置可以包括模型构建模块101、模型训练模块102、视频分帧模块103以及电子围栏检测模块104。本发所述模块也可以称之为单元，是指一种能够被电子设备的处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。

在本实施例中，关于各模块/单元的功能如下：

所述模型构建模块101，用于接收用户输入的卷积层数量，根据所述卷积层数量，构建人脸特征卷积层及物体特征卷积层，从YOLO模型中提取检测框生成层，按照预设顺序，排列组合所述人脸特征卷积层、所述物体特征卷积层及所述检测框生成层，得到所述异常物体检测模型；

所述模型训练模块102，用于接收人脸图片训练集及物体图片训练集，利用所述人脸特征卷积层，对所述人脸图片训练集执行卷积操作，得到人脸特征图集，利用所述物体特征卷积层，对所述物体图片训练集执行卷积操作，得到物体特征图集，分别计算所述人脸特征图集的人脸损失值，及所述物体特征图集的物体损失值，判断所述人脸损失值及物体损失值与预设损失阈值的大小，若所述人脸损失值或所述物体损失值大于或等于所述损失阈值，调整所述物体特征卷积层及所述物体特征卷积层的内部参数，并返回人脸特征卷积操作，若所述人脸损失值及所述物体损失值均小于所述损失阈值，完成训练得到所述待嵌入检测模型；

所述视频分帧模块103，用于将所述待嵌入检测模型嵌入至预构建的电子围栏，其中，所述电子围栏包括监控设备，利用所述监控设备捕捉监控视频，对所述监控视频进行分帧处理，得到待检测图片集；

所述电子围栏检测模块104，用于利用所述待嵌入检测模型内的卷积层，对所述待检测图片集执行特征提取，得到特征图集，利用所述待嵌入检测模型内的检测框生成层，计算所述特征图集的人脸检测框及物体检测框，将所述人脸检测框及物体检测框反馈至所述监控设备，得到所述电子围栏的检测结果。

详细地，本发明实施例中所述基于电子围栏的安全监控装置100中的所述各模块在使用时采用与上述的图1中所述的基于电子围栏的安全监控方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。

如图5所示，是本发明实现基于电子围栏的安全监控方法的电子设备1的结构示意图。

所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于电子围栏的安全监控程序。

其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备1的控制核心（ControlUnit），利用各种接口和线路连接整个电子设备1的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（例如执行基于电子围栏的安全监控程序等），以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。

所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡（Smart Media Card， SMC）、安全数字（SecureDigital， SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如基于电子围栏的安全监控程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。

所述通信总线12可以是外设部件互连标准（peripheral componentinterconnect，简称PCI）总线或扩展工业标准结构（extended industry standardarchitecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。

所述通信接口13用于上述电子设备1与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备1与其他电子设备1之间建立通信连接。所述用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。

图5仅示出了具有部件的电子设备1，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。

应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。

所述电子设备1中的所述存储器11存储的基于电子围栏的安全监控程序是多个计算机程序的组合，在所述处理器10中运行时，可以实现：

接收用户输入的卷积层数量，根据所述卷积层数量，构建人脸特征卷积层及物体特征卷积层；

从YOLO模型中提取检测框生成层；

按照预设顺序，排列组合所述人脸特征卷积层、所述物体特征卷积层及所述检测框生成层，得到所述异常物体检测模型；

接收人脸图片训练集及物体图片训练集，利用所述人脸特征卷积层，对所述人脸图片训练集执行卷积操作，得到人脸特征图集；

利用所述物体特征卷积层，对所述物体图片训练集执行卷积操作，得到物体特征图集；

分别计算所述人脸特征图集的人脸损失值，及所述物体特征图集的物体损失值；

判断所述人脸损失值及物体损失值与预设损失阈值的大小；

若所述人脸损失值或所述物体损失值大于或等于所述损失阈值，调整所述物体特征卷积层及所述物体特征卷积层的内部参数，并返回人脸特征卷积操作；

若所述人脸损失值及所述物体损失值均小于所述损失阈值，完成训练得到所述待嵌入检测模型；

将所述待嵌入检测模型嵌入至预构建的电子围栏，其中，所述电子围栏包括监控设备；

利用所述监控设备捕捉监控视频，对所述监控视频进行分帧处理，得到待检测图片集；

利用所述待嵌入检测模型内的卷积层，对所述待检测图片集执行特征提取，得到特征图集；

利用所述待嵌入检测模型内的检测框生成层，计算所述特征图集的人脸检测框及物体检测框；

将所述人脸检测框及物体检测框反馈至所述监控设备，得到所述电子围栏的检测结果。

具体地，所述处理器10对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。

因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。

本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能（Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。