近年来,国家不断加强对安防领域的建设,在公共区域部署了大量的监控设备,造成监控视频堆积,但传统的人工肉眼监控方法却无法对海量的视频进行有效利用。随着人工智能的快速发展,利用深度学习算法可实时对视频内容进行分析,检测异常信息,从而进行风险预测,构造智能监控系统。为了实现安防监控视频的有效利用,本文提出了利用深度学习算法进行安防监控视频中人物身份属性目标自动检测的研究,主要研究内容及结论如下:1.针对目前安防监控环境下对人物身份属性进行判断的需要,提出了一种基于深度学习人物身份属性自动检测识别的方法。由于传统目标检测算法需要人工设计提取图像特征,视频检测达不到实时性等问题,本文设计了一种基于深度学习下Faster RCNN的识别方法。论文首先设计了基于Faster RCNN算法的人物身份属性实现流程图,详细研究了 Faster RCNN算法的整体框架。该框架由RPN候选框提取模块及Fast RCNN检测模块共同组成,并介绍了两部分组成模块的网络结构,然后根据研究目标进行训练参数的设置完成区域建议网络的设计,详细阐述了基于Faster RCNN算法的人物身份属性检测的训练方法及步骤。2.搭建论文研究所需的深度学习平台和构建数据集。通过各深度学习使用框架的对比,选择Caffe框架作为训练平台,以监狱监控视频为背景,收集进行论文实验的监控视频,通过视频浓缩技术进行视频的浓缩,选择出人物活动部分的视频,通过图像标注完成数据集中警察、犯人两种人物身份属性的标注。3.由于制作的数据集分类类别少,选择ZF网络作为区域建议网络的初始化网络结构。通过设置迭代次数,学习率进行网络学习,得到最终人物身份属性分类神经网络模型,最后将其与Fast RCNN网络上训练的结果作对比,在分类准确率上两类准确率分别由0.670提升到0.828,由0.579提升到0.708,检测速度也由2s提升到了 0.04s,最后将实验模型在视频监控中进行了测试,测试结果显示,训练得到的模型成功的在监控中将犯人和警察两种身份识别出来,并达到了实时性检测的目的,验证了该算法的可行性。