CN108696722B - 一种目标监测方法、系统及设备和存储介质 - Google Patents
一种目标监测方法、系统及设备和存储介质 Download PDFInfo
- Publication number
- CN108696722B CN108696722B CN201810522083.9A CN201810522083A CN108696722B CN 108696722 B CN108696722 B CN 108696722B CN 201810522083 A CN201810522083 A CN 201810522083A CN 108696722 B CN108696722 B CN 108696722B
- Authority
- CN
- China
- Prior art keywords
- detected
- target
- image frame
- video data
- monitoring
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000004458 analytical method Methods 0.000 claims abstract description 24
- 230000008859 change Effects 0.000 claims abstract description 12
- 238000012163 sequencing technique Methods 0.000 claims abstract description 8
- 238000005070 sampling Methods 0.000 claims description 20
- 238000005516 engineering process Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012806 monitoring device Methods 0.000 abstract description 8
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000000750 progressive effect Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000005405 multipole Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/183—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a single remote source
- H04N7/185—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a single remote source from a mobile camera, e.g. for remote control
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Closed-Circuit Television Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种目标监测方法、系统及设备和计算机可读存储介质,该方法包括:获取视频数据;其中,所述视频数据包括移动摄像机拍摄在不同时间对同一目标集合拍摄的多个视频序列,所述目标集合包括多个待检物提取所述视频数据中包含所述待检物的图像帧;将所述图像帧按所述待检物的标识进行分类,得到每个所述待检物对应的图像帧集,并将所述图像帧集中的所有图像帧按时间顺序排序;对每个所述图像帧集进行慢特征分析,得到每个所述待检物对应的监测结果。本申请提供的目标监测方法只需一个移动式拍摄设备即可,节约了视频监控设备成本,且能自动分析目标慢变化特征,无需人为判定设备是否可用,提高了对大量相同设备的监测效率和精度。
Description
技术领域
本申请涉及图像处理技术领域,更具体地说,涉及一种目标监测方法、系统及设备和一种计算机可读存储介质。
背景技术
近年来随着数据存储技术的爆炸式增长,视频监控技术应用在各行各业。在一些特定的工业场所需要对某些重要设备进行监控,防止设备老化、损坏,以免造成不必要的损失。在某些需要大量监控设备的场所,如地铁接触网的监控、高铁上方供电接触设备的监控、大型传送带固定部件的监控等,则需要对相同的设备及设施进行监控。虽然工业产品的使用一般非常稳定,但在工业视频监控中,需要监控的硬件设备或设施通常都是易于耗损,且随使用时间而呈现慢慢变化,最终导致无法使用。因此对这些易于损耗的设备及设施的监控在工业视频监控中显得尤为重要。
现有技术中的工业视频监控通常使用成套的监控设备,对每一个设备分别进行监控,然后由人去主观判断设备是否产生问题。而这种全天候的监控方式由于监控设备数量较多,监控设备成本比较高。同时由于视频中出现的大部分是相似的目标,且这些工业目标变化非常缓慢,容易产生视觉疲劳,从而产生误判,不利于监控。
因此,如何提高对大量相同设备的监测效率和精度是本领域技术人员需要解决的问题。
发明内容
本申请的目的在于提供一种目标监测方法、系统及设备和一种计算机可读存储介质,提高了对大量相同设备的监测效率和精度。
为实现上述目的,本申请提供了一种目标监测方法,包括:
获取视频数据;其中,所述视频数据包括移动摄像机拍摄在不同时间对同一目标集合拍摄的多个视频序列,所述目标集合包括多个待检物;
利用目标识别技术提取所述视频数据中包含所述待检物的图像帧;
将所述图像帧按所述待检物的标识进行分类,得到每个所述待检物对应的图像帧集,并将所述图像帧集中的所有图像帧按时间顺序排序;
对每个所述图像帧集进行慢特征分析,得到每个所述待检物对应的监测结果。
其中,所述利用目标识别技术提取所述视频数据中包含所述待检物的图像帧,包括:
对所述视频数据中的每个视频序列按相同的抽样方式进行抽样,得到抽样集;
利用目标识别技术提取每个所述抽样集中包含所述待检物的图像帧。
其中,所述获取视频数据之后,还包括:
对所有所述视频序列进行图像配准操作。
其中,对所有所述图像帧集进行图像配准操作,包括:
S1:选取标准视频序列,并获取所有所述视频序列的特征点轨迹;
S2:从所述视频数据中选取待配准视频序列,并根据残差距离计算公式计算所述待配准视频序列的特征点轨迹与所述标准视频序列对应的特征点轨迹的残差距离;
S3:当所述残差距离为最小时,确定时空变化参数,并判断所述时空变化参数是否收敛;若是,则进入S4;
S4:根据所述时空变化参数调整所述待配准视频序列;
重复S2-S4直至所有所述视频序列全部调整完成。
其中,所述残差距离计算公式具体为:
其中,为所述标准视频序列中特征点的轨迹,/>为所述标准视频序列中特征点/>在第t帧的位置,/>为所述待配准视频序列中对应的特征点/>在第t'=s·t+Δt帧的位置,s为所述标准视频序列与所述待配准视频序列的帧频比。
其中,对每个所述图像帧集进行慢特征分析,得到每个所述待检物对应的监测结果,包括:
确定慢特征函数,将每个所述图像帧集输入所述慢特征函数,得到每个所述待检物对应的慢变化。
为实现上述目的,本申请提供了一种目标监测系统,包括:
获取模块,用于获取视频数据;其中,所述视频数据包括移动摄像机拍摄在不同时间对同一目标集合拍摄的多个视频序列,所述目标集合包括多个待检物;
提取模块,用于利用目标识别技术提取所述视频数据中包含所述待检物的图像帧;
分类模块,用于将所述图像帧按所述待检物的标识进行分类,得到每个所述待检物对应的图像帧集,并将所述图像帧集中的所有图像帧按时间顺序排序;
分析模块,用于对每个所述图像帧集进行慢特征分析,得到每个所述待检物对应的监测结果。
其中,还包括:
配准模块,用于对所有所述视频序列进行图像配准操作。
为实现上述目的,本申请提供了一种目标监测设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上述目标监测方法的步骤。
为实现上述目的,本申请提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上述目标监测方法的步骤。
通过以上方案可知,本申请提供的一种目标监测方法,包括:获取视频数据;其中,所述视频数据包括移动摄像机拍摄在不同时间对同一目标集合拍摄的多个视频序列,所述目标集合包括多个待检物提取所述视频数据中包含所述待检物的图像帧;将所述图像帧按所述待检物的标识进行分类,得到每个所述待检物对应的图像帧集,并将所述图像帧集中的所有图像帧按时间顺序排序;对每个所述图像帧集进行慢特征分析,得到每个所述待检物对应的监测结果。
本申请提供的目标监测方法,通过移动摄像机获取目标集合的视频序列,并对该目标序列进行分类以获得每一待检物对应的按时间顺序排列的图像帧集,通过对该图像帧集慢特征的分析得到监测结果。由此可见,本申请提供的目标监测方法采用定期监控代替全天候监测,且只需一个移动式拍摄设备即可,节约了视频监控设备成本,且能自动分析目标慢变化特征,无需人为判定设备是否可用,提高了对大量相同设备的监测效率和精度。本申请还公开了一种目标监测系统及设备和一种计算机可读存储介质,同样能实现上述技术效果。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例公开的一种目标监测方法的流程图;
图2为本申请实施例公开的另一种目标监测方法的流程图;
图3为本申请实施例公开的一种目标监测系统的结构图;
图4为本申请实施例公开的一种目标监测设备的结构图;
图5为本申请实施例公开的另一种目标监测设备的结构图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例公开了一种目标监测方法,提高了对大量相同设备的监测效率和精度。
参见图1,本申请实施例公开的一种目标监测方法的流程图,如图1所示,包括:
S101:获取视频数据;其中,所述视频数据包括移动摄像机拍摄在不同时间对同一目标集合拍摄的多个视频序列,所述目标集合包括多个待检物;
在具体实施中,首先采用移动式相机对目标集合进行拍摄,此处提到目标集合包括多个待检物,该待检物固定且具有细微或缓慢的变化。每拍摄一次为一个视频序列并记录该视频序列的拍摄时间,得到以时间个数为单位量的视频数据。每次拍摄的间隔时间通常情况需以待检物的使用情况进行确定,本领域技术人员可以根据实际情况灵活设定,例如,对于不易损坏但随着使用时间而慢慢耗损的待检物可选取较长的间隔时间,对与易于损坏的待检物可选取较短的间隔时间。
为加快后续待检物的监测分析过程,作为一种优选实施方式,可以对上述视频数据进行筛选,此处不对筛选方式进行具体的限定,例如,可以对视频序列进行时间的抽样,即对视频序列按时间顺序排序后,每5、10或15抽取该视频序列。
为使每个视频序列具有相似的拍摄角度,方便后续视频帧的提取和慢特征的提取,在获取视频数据后,可以对该视频数据中的所有所述视频序列进行图像配准操作,具体步骤将在下一实施例进行详细介绍。
S102:提取所述视频数据中包含所述待检物的图像帧;
在具体实施中,首先确定视频序列的个数,同时确定视频序列中的待检物,提取包含该待检物的图像帧。此处不限定识别待检物的具体方式,例如,可以利用目标识别技术识别视频数据中的待检物。
可以理解的是,为减少计算量,可以对每个视频序列按相同的抽样方式进行抽样。此处同样不限定具体的抽样方式,本领域技术人员可以根据实际情况灵活选取,例如,可以利用关键帧提取技术完成每个视频序列的抽样。
S103:将所述图像帧按所述待检物的标识进行分类,得到每个所述待检物对应的图像帧集,并将所述图像帧集中的所有图像帧按时间顺序排序;
在具体实施中,分析上述步骤获得的图像帧,对每个待检物构建离散时间序列图像,离散时间序列图像以拍摄时间为基准,构建以时间线为标准的图像序列,即每个待检物对应以时间线为标准的图像帧集。
S104:对每个所述图像帧集进行慢特征分析,得到每个所述待检物对应的监测结果。
在具体实施中,利用慢特征分析原理进行的数学建模,得到慢特征分析模型,进而得到每个待检物的慢变化特征,并用于后续的分析和预测。所述慢特征具体为能够反映物体随时间缓慢变化时存在一种变化的特征,该特征可用于判断目标状态以及预测目标下一步状态。
本申请实施例提供的目标监测方法,通过移动摄像机获取目标集合的视频序列,并对该目标序列进行分类以获得每一待检物对应的按时间顺序排列的图像帧集,通过对该图像帧集慢特征的分析得到监测结果。由此可见,本申请实施例提供的目标监测方法采用定期监控代替全天候监测,且只需一个移动式拍摄设备即可,节约了视频监控设备成本,且能自动分析目标慢变化特征,无需人为判定设备是否可用,提高了对大量相同设备的监测效率和精度。
本申请实施例公开了一种目标监测方法,相对于上一实施例,本实施例对技术方案作了进一步的说明和优化。具体的:
参见图2,本申请实施例提供的另一种目标监测方法的流程图,如图2所示,包括:
S211:获取视频数据;其中,所述视频数据包括移动摄像机拍摄在不同时间对同一目标集合拍摄的多个视频序列,所述目标集合包括多个待检物;
S212:对所有所述视频序列进行图像配准操作。
假设S和S'是两段输入视频序列,其中表示S标准视频序列,而表示S'待配准视频序列。假设是标准视频序列S中一个特征点在时空坐标系下的坐标,而/>是待配准视频序列S'中对应特征点在时空坐标系下的坐标。两段视频序列间的时空关系可以表示为参数集合/>目标就是估计出这些参数。
对于本实施例中利用一维放射变换函数t'=s·t+Δt建模。一般情况中,s为两种视频编码的帧频比。故原表达式/>只包存在一个未知参数Δt。
对于假设/>是标准视频序列中特征点的轨迹,而/>为待配准视频序列中对应特征点的轨迹。同样,假设/>是标准视频序列中某特征点/>在第t帧的位置,而/>是待配准视频序列中对应特征点/>在第t'=s·t+Δt帧的位置。这对特征点之间的残差距离定义为:
二维残差距离的表达式可由下式计算得到:
其中,为将视频序列特征点进行归一化后映射到相同坐标系下两特征点的距离。
三维残差距离的表达式可由下式计算得到:
其中,是视频序列特征点与另一个特征点之间的线性距离,由多极几何的原理所决定。
综上所述,对所有所述视频序列进行图像配准操作具体包括以下步骤:
S1:选取标准视频序列,并获取所有所述视频序列的特征点轨迹;
S2:从所述视频数据中选取待配准视频序列,并根据残差距离计算公式计算所述待配准视频序列的特征点轨迹与所述标准视频序列对应的特征点轨迹的残差距离;
S3:当所述残差距离为最小时,确定时空变化参数,并判断所述时空变化参数是否收敛;若是,则进入S4;
S4:根据所述时空变化参数调整所述待配准视频序列;
重复S2-S4直至所有所述视频序列全部调整完成。
S221:对所述视频数据中的每个视频序列按相同的抽样方式进行抽样,得到抽样集;
S222:利用目标识别技术提取每个所述抽样集中包含所述待检物的图像帧;
S203:将所述图像帧按所述待检物的标识进行分类,得到每个所述待检物对应的图像帧集,并将所述图像帧集中的所有图像帧按时间顺序排序;
S204:确定慢特征函数,将每个所述图像帧集输入所述慢特征函数,得到每个所述待检物对应的慢变化。
在进行慢特征分析的过程中,需确定J维慢特征函数g(x),使得I维图像帧集x(t)输入后,输出每个图像帧集对应的慢特征y(t)。
其中,x(t)=(x1(t),x2(t),...,xI(t))T,g(x)=(g1(x),g2(x),...,gI(x))T,y(t)=(y1(t),y2(t),...,yJ(t))T,yj(t)=gj(x(t))。
对于每一个j∈{1,2,...,J},需满足:
(1)
(2)<(yi(t))>=0
(3)<(yi(t))2>=1
(4)<yi(t)yj(t)>=0,
其中,为yj(t)关于时间t的一阶导数,<·>为在时间上求均值。(2)和(3)避免了yj(t)等于常量,(4)说明只有i≠j,则分量yi(t)和yj(t)的协方差为零,即yi(t)和yj(t)互不相关,由于i和j是任意的,所有能够保证输出信号各分量间是不相关的,因此每个分量携带不同的信息。同时也产生了一个顺序,y1(t)为最佳输出信号,即变化最慢的信号,y2(t)其次,依次类推。
下面对本申请实施例提供的一种目标监测系统进行介绍,下文描述的一种目标监测系统与上文描述的一种目标监测方法可以相互参照。
参见图3,本申请实施例提供的一种目标监测系统的结构图,如图3所示,包括:
获取模块301,用于获取视频数据;其中,所述视频数据包括移动摄像机拍摄在不同时间对同一目标集合拍摄的多个视频序列,所述目标集合包括多个待检物;
提取模块302,用于提取所述视频数据中包含所述待检物的图像帧;
分类模块303,用于将所述图像帧按所述待检物的标识进行分类,得到每个所述待检物对应的图像帧集,并将所述图像帧集中的所有图像帧按时间顺序排序;
分析模块304,用于对每个所述图像帧集进行慢特征分析,得到每个所述待检物对应的监测结果。
本申请实施例提供的目标监测系统,通过移动摄像机获取目标集合的视频序列,并对该目标序列进行分类以获得每一待检物对应的按时间顺序排列的图像帧集,通过对该图像帧集慢特征的分析得到监测结果。由此可见,本申请实施例提供的目标监测方法采用定期监控代替全天候监测,且只需一个移动式拍摄设备即可,节约了视频监控设备成本,且能自动分析目标慢变化特征,无需人为判定设备是否可用,提高了对大量相同设备的监测效率和精度。
在上述实施例的基础上,作为一种优选实施方式,所述提取模块302包括:
抽样单元,用于对所述视频数据中的每个视频序列按相同的抽样方式进行抽样,得到抽样集;
提取单元,用于利用目标识别技术提取每个所述抽样集中包含所述待检物的图像帧。
在上述实施例的基础上,作为一种优选实施方式,还包括:
配准模块,用于对所有所述视频序列进行图像配准操作。
在上述实施例的基础上,作为一种优选实施方式,所述配准模块包括:
选取单元,用于选取标准视频序列,并获取所有所述视频序列的特征点轨迹;
计算单元,用于从所述视频数据中选取待配准视频序列,并根据残差距离计算公式计算所述待配准视频序列的特征点轨迹与所述标准视频序列对应的特征点轨迹的残差距离;
确定单元,用于当所述残差距离为最小时,确定时空变化参数,并判断所述时空变化参数是否收敛;若是,则根据所述时空变化参数调整所述待配准视频序列,并启动所述计算单元的工作流程直至所有所述视频序列全部调整完成。
在上述实施例的基础上,作为一种优选实施方式,所述残差距离计算公式具体为:
其中,为所述标准视频序列中特征点的轨迹,/>为所述标准视频序列中特征点/>在第t帧的位置,/>为所述待配准视频序列中对应的特征点/>在第t'=s·t+Δt帧的位置,s为所述标准视频序列与所述待配准视频序列的帧频比。
在上述实施例的基础上,作为一种优选实施方式,所述分析模块304具体为确定慢特征函数,将每个所述图像帧集输入所述慢特征函数,得到每个所述待检物对应的慢变化的模块。
本申请还提供了一种目标监测设备,参见图4,本申请实施例提供的一种目标监测设备的结构图,如图4所示,包括:
存储器100,用于存储计算机程序;
处理器200,用于执行所述计算机程序时可以实现上述实施例所提供的步骤。
具体的,存储器100包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机可读指令,该内存储器为非易失性存储介质中的操作系统和计算机可读指令的运行提供环境。处理器200为目标监测设备提供计算和控制能力,执行所述存储器100中保存的计算机程序时,可以实现上述实施例所提供的步骤。
本申请实施例提供的目标监测设备,通过移动摄像机获取目标集合的视频序列,并对该目标序列进行分类以获得每一待检物对应的按时间顺序排列的图像帧集,通过对该图像帧集慢特征的分析得到监测结果。由此可见,本申请实施例提供的目标监测方法采用定期监控代替全天候监测,且只需一个移动式拍摄设备即可,节约了视频监控设备成本,且能自动分析目标慢变化特征,无需人为判定设备是否可用,提高了对大量相同设备的监测效率和精度。
在上述实施例的基础上,作为优选实施方式,参见图5,所述目标监测设备还包括:
输入接口300,与处理器200相连,用于获取外部导入的计算机程序、参数和指令,经处理器200控制保存至存储器100中。该输入接口300可以与输入装置相连,接收用户手动输入的参数或指令。该输入装置可以是显示屏上覆盖的触摸层,也可以是终端外壳上设置的按键、轨迹球或触控板,也可以是键盘、触控板或鼠标等。
显示单元400,与处理器200相连,用于显示处理器200发送的数据。该显示单元400可以为PC机上的显示屏、液晶显示屏或者电子墨水显示屏等。具体的,在本实施例中,显示单元400可以显示各待检物的慢特征监测结果等。
网络端口500,与处理器200相连,用于与外部各终端设备进行通信连接。该通信连接所采用的通信技术可以为有线通信技术或无线通信技术,如移动高清链接技术(MHL)、通用串行总线(USB)、高清多媒体接口(HDMI)、无线保真技术(WiFi)、蓝牙通信技术、低功耗蓝牙通信技术、基于IEEE802.11s的通信技术等。
视频采集器600,与处理器200相连,用于获取视频数据,然后将视频数据发送至处理器200进行数据分析处理,后续处理器200可以将处理结果发送至显示单元400进行显示,或者传输至处理器100进行保存,又或者可以通过网络端口500发送至预设的数据接收终端。在本实施例中,视频采集器600可以具体为移动摄像机。
本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时可以实现上述实施例所提供的步骤。该存储介质可以包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (6)
1.一种目标监测方法,其特征在于,包括:
获取视频数据;其中,所述视频数据包括移动摄像机拍摄在不同时间对同一目标集合拍摄的多个视频序列,所述目标集合包括多个待检物,待检物固定且具有缓慢的变化,每拍摄一次为一个视频序列并记录该视频序列的拍摄时间,得到以拍摄时间的个数为单位量的视频数据;
提取所述视频数据中包含的所述待检物的图像帧;
将所述图像帧按所述待检物的标识进行分类,得到每个所述待检物对应的图像帧集,并将所述图像帧集中的所有图像帧按时间顺序排序;
对每个所述图像帧集进行慢特征分析,得到每个所述待检物对应的监测结果。
2.根据权利要求1所述目标监测方法,其特征在于,所述提取所述视频数据中包含的所述待检物的图像帧,包括:
对所述视频数据中的每个视频序列按相同的抽样方式进行抽样,得到抽样集;
利用目标识别技术提取每个所述抽样集中包含的所述待检物的图像帧。
3.根据权利要求1或2所述目标监测方法,其特征在于,对每个所述图像帧集进行慢特征分析,得到每个所述待检物对应的监测结果,包括:
确定慢特征函数,将每个所述图像帧集输入所述慢特征函数,得到每个所述待检物对应的慢变化。
4.一种目标监测系统,其特征在于,包括:
获取模块,用于获取视频数据;其中,所述视频数据包括移动摄像机拍摄在不同时间对同一目标集合拍摄的多个视频序列,所述目标集合包括多个待检物,待检物固定且具有缓慢的变化,每拍摄一次为一个视频序列并记录该视频序列的拍摄时间,得到以拍摄时间的个数为单位量的视频数据;
提取模块,用于提取所述视频数据中包含的所述待检物的图像帧;
分类模块,用于将所述图像帧按所述待检物的标识进行分类,得到每个所述待检物对应的图像帧集,并将所述图像帧集中的所有图像帧按时间顺序排序;
分析模块,用于对每个所述图像帧集进行慢特征分析,得到每个所述待检物对应的监测结果。
5.一种目标监测设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至3任一项所述目标监测方法的步骤。
6.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至3任一项所述目标监测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810522083.9A CN108696722B (zh) | 2018-05-28 | 2018-05-28 | 一种目标监测方法、系统及设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810522083.9A CN108696722B (zh) | 2018-05-28 | 2018-05-28 | 一种目标监测方法、系统及设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108696722A CN108696722A (zh) | 2018-10-23 |
CN108696722B true CN108696722B (zh) | 2024-02-20 |
Family
ID=63847985
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810522083.9A Active CN108696722B (zh) | 2018-05-28 | 2018-05-28 | 一种目标监测方法、系统及设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108696722B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114615547B (zh) * | 2022-03-14 | 2022-12-06 | 国网福建省电力有限公司厦门供电公司 | 一种基于大数据分析的视频图像处理方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102902981A (zh) * | 2012-09-13 | 2013-01-30 | 中国科学院自动化研究所 | 基于慢特征分析的暴力视频检测方法 |
CN103632155A (zh) * | 2013-12-16 | 2014-03-12 | 武汉大学 | 基于慢特征分析的遥感影像变化检测方法 |
CN104077608A (zh) * | 2014-06-11 | 2014-10-01 | 华南理工大学 | 基于稀疏编码慢特征函数的行为识别方法 |
CN104616323A (zh) * | 2015-02-28 | 2015-05-13 | 苏州大学 | 一种基于慢特征分析的时空显著性检测方法 |
CN107194950A (zh) * | 2017-04-26 | 2017-09-22 | 天津大学 | 一种基于慢特征分析的多人跟踪方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105793695B (zh) * | 2013-10-03 | 2020-04-14 | 瑞尼斯豪公司 | 用相机探头探查物体的方法 |
-
2018
- 2018-05-28 CN CN201810522083.9A patent/CN108696722B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102902981A (zh) * | 2012-09-13 | 2013-01-30 | 中国科学院自动化研究所 | 基于慢特征分析的暴力视频检测方法 |
CN103632155A (zh) * | 2013-12-16 | 2014-03-12 | 武汉大学 | 基于慢特征分析的遥感影像变化检测方法 |
CN104077608A (zh) * | 2014-06-11 | 2014-10-01 | 华南理工大学 | 基于稀疏编码慢特征函数的行为识别方法 |
CN104616323A (zh) * | 2015-02-28 | 2015-05-13 | 苏州大学 | 一种基于慢特征分析的时空显著性检测方法 |
CN107194950A (zh) * | 2017-04-26 | 2017-09-22 | 天津大学 | 一种基于慢特征分析的多人跟踪方法 |
Non-Patent Citations (1)
Title |
---|
王力.视频配准技术的研究.《中国优秀硕士学位论文全文数据库》.2011,第I138-1292页,. * |
Also Published As
Publication number | Publication date |
---|---|
CN108696722A (zh) | 2018-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110163082B (zh) | 一种图像识别网络模型训练方法、图像识别方法及装置 | |
CN108230357B (zh) | 关键点检测方法、装置、存储介质和电子设备 | |
CN109325456B (zh) | 目标识别方法、装置、目标识别设备及存储介质 | |
CN107679475B (zh) | 门店监控评价方法、装置及存储介质 | |
CN109815770A (zh) | 二维码检测方法、装置及系统 | |
CN110135497B (zh) | 模型训练的方法、面部动作单元强度估计的方法及装置 | |
EP3333757B1 (en) | Predictive anomaly detection | |
CN111612822B (zh) | 对象跟踪方法、装置、计算机设备和存储介质 | |
US11429985B2 (en) | Information processing device calculating statistical information | |
CN108229289B (zh) | 目标检索方法、装置和电子设备 | |
CN110956131B (zh) | 单目标追踪方法、装置及系统 | |
CN111124863B (zh) | 智能设备性能测试方法、装置及智能设备 | |
KR102476679B1 (ko) | 객체 탐지 장치 및 방법 | |
CN103105924A (zh) | 人机交互方法和装置 | |
CN112634245A (zh) | 损耗检测模型训练方法、损耗检测方法及装置 | |
CN118094118B (zh) | 数据集质量评估方法、系统、电子设备及存储介质 | |
CN112990318A (zh) | 持续学习方法、装置、终端及存储介质 | |
JP2012234466A (ja) | 状態追跡装置、方法、及びプログラム | |
CN103345738A (zh) | 基于感兴趣区域的对象检测方法及装置 | |
CN114708613A (zh) | 行为识别方法、行为识别装置、计算机设备和存储介质 | |
CN108696722B (zh) | 一种目标监测方法、系统及设备和存储介质 | |
CN108875538B (zh) | 属性检测方法、装置和系统及存储介质 | |
CN104508706A (zh) | 特征提取方法、程序和系统 | |
CN117726862A (zh) | 应用于工业检测的模型训练方法、装置及存储介质 | |
CN104424635A (zh) | 一种信息处理方法、系统和设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |