CN108965826A - 监控方法、装置、处理设备及存储介质 - Google Patents
监控方法、装置、处理设备及存储介质 Download PDFInfo
- Publication number
- CN108965826A CN108965826A CN201810957851.3A CN201810957851A CN108965826A CN 108965826 A CN108965826 A CN 108965826A CN 201810957851 A CN201810957851 A CN 201810957851A CN 108965826 A CN108965826 A CN 108965826A
- Authority
- CN
- China
- Prior art keywords
- monitored object
- time interval
- objective time
- predicted
- video
- 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.)
- Granted
Links
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
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C9/00—Individual registration on entry or exit
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
Abstract
本发明提供了一种监控方法、装置、处理设备及存储介质,涉及安防技术领域,该监控方法包括:获取在预设地点于目标时段采集到的监控对象的视频;确定在目标时段内位于预设地点的监控对象的预测数量;根据视频,统计目标时段内位于预设地点的监控对象的实际数量;当实际数量大于预测数量时,输出预警信息。本发明实施例提供的监控方法、装置、处理设备及存储介质,可以统计视频中监控对象的实际数量以及确定监控对象的预测数量,通过两者的比较可以确定监控对象是否存在异常聚集,当实际数量大于预测数量时输出预警信息,从而可以自动对异常聚集进行及时预警,提高对象的监控效果,减轻了工作人员盯控的工作量。
Description
技术领域
本发明涉及安防技术领域,尤其是涉及一种监控方法、装置、处理设备及存储介质。
背景技术
在公共场所,如果短时间内存在人群聚集或者突增的情况,容易发生拥挤或踩踏等意外。现有的预防方式,主要是通过监控中心的值班人员的观察或者通过群众的报警,由警务人员到现场查看,避免造成踩踏、非法活动等治安事件。
然而通过监控观察或者出警查看的方式跟踪很难做到及时性,同时由于缺乏对历史人群数量的感知,也不能及时判断现场人流情况是否正常,例如某广场定时出现的老年团队跳广场舞属于正常,而大量人群聚集拉横幅、标语则属于非正常。
针对现有技术中,无法对人流的数量进行有效监控的问题,目前尚未提出有效的解决方案。
发明内容
有鉴于此,本发明的目的在于提供一种监控方法、装置、处理设备及存储介质,可以预测监控对象的数量,提高监控效果。
第一方面,本发明实施例提供了一种监控方法,包括:获取在预设地点于目标时段采集到的监控对象的视频;确定在所述目标时段内位于所述预设地点的所述监控对象的预测数量;根据所述视频,统计所述目标时段内位于所述预设地点的所述监控对象的实际数量;当所述实际数量大于所述预测数量时,输出预警信息。
进一步,所述确定在所述目标时段内位于所述预设地点的所述监控对象的预测数量的步骤,包括:获取在历史时段内位于所述预设地点的所述监控对象的历史数量和所述目标时段的上一目标时段内位于所述预设地点的所述监控对象的预测数量;所述历史时段为历史周期中与所述目标时段相同的时段;根据所述历史数量和所述上一目标时段的预测数量,计算所述目标时段内所述监控对象的预测数量。
进一步,根据所述历史数量和所述上一目标时段的预测数量,采用以下公式计算所述目标时段内所述监控对象的预测数量:
St=a*y+(1-a)St-1;
其中,St表示所述目标时段的预测数量,St-1表示所述上一目标时段的预测数量,a为比例系数,y表示所述历史数量。
进一步,所述根据所述视频,统计所述目标时段内位于所述预设地点的所述监控对象的实际数量的步骤,包括:对所述视频进行解析获取至少一张单帧图像;通过卷积神经网络确定所述单帧图像中所述监控对象的数量;对所述监控对象去重后,得到所述监控对象的实际数量。
进一步,所述获取在预设地点于目标时段采集到的监控对象的视频的步骤,包括:接收在预设地点的多个摄像装置在目标时段内采集的监控对象的视频;
所述根据所述视频,统计所述目标时段内位于所述预设地点的所述监控对象的实际数量的步骤,包括:根据每个所述摄像装置采集的视频确定位于每个所述摄像装置的拍摄范围内的所述监控对象的实际数量;将位于所述多个摄像装置的拍摄范围内的所述监控对象的实际数量求和,得到位于所述预设地点内的所述监控对象的实际数量。
进一步,所述将位于所述多个摄像装置的拍摄范围内的所述监控对象的实际数量求和,得到位于所述预设地点内的所述监控对象的实际数量的步骤,包括:确定所述各个摄像装置的重复概率系数;将位于所述各个摄像装置的拍摄范围内的所述监控对象的实际数量的和,乘以所述重复概率系数,得到所述监控对象的实际数量。
进一步,所述当所述实际数量大于所述预测数量时,输出预警信息的步骤,包括:当所述实际数量大于所述预测数量时,计算所述实际数量与所述预测数量的差值;当所述差值大于突增数量阈值时,输出突增预警信息。
进一步,所述当所述实际数量大于所述预测数量时,输出预警信息的步骤,包括:当所述实际数量大于所述预测数量时,计算所述实际数量与所述预测数量的差值;判断所述差值对应的预警等级,并输出所述预警等级对应的预警信息。
进一步,所述方法还包括:确定当前周期其他时段内位于所述预设地点的所述监控对象的预测数量;根据所述目标时段内和所述其他时段内所述监控对象的预测数量,确定位于所述预设地点的监控对象的当前周期的预测数量。
第二方面,本发明实施例提供了一种监控装置,包括:视频获取模块,用于获取在预设地点于目标时段采集到的监控对象的视频;数量预测模块,用于确定在所述目标时段内位于所述预设地点的所述监控对象的预测数量;数量统计模块,用于根据所述视频,统计所述目标时段内位于所述预设地点的所述监控对象的实际数量;预警模块,用于当所述实际数量大于所述预测数量时,输出预警信息。
第三方面,本发明实施例提供了一种监控的处理设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面任一项所述的方法的步骤。
第四方面,本发明实施例提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质,所述程序代码使所述处理器执行上述第一方面任一项所述的方法的步骤。
本发明实施例提供了一种监控方法、装置、处理设备及存储介质,可以统计视频中监控对象的实际数量以及确定监控对象的预测数量,通过两者的比较可以确定监控对象是否存在异常聚集,当实际数量大于预测数量时,输出预警信息,从而可以自动对异常聚集进行及时预警,提高对象的监控效果,减轻了工作人员盯控的工作量。
本公开的其他特征和优点将在随后的说明书中阐述,或者,部分特征和优点可以从说明书推知或毫无疑义地确定,或者通过实施本公开的上述技术即可得知。
为使本公开的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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为本发明实施例提供的一种处理设备的结构示意图;
图2为本发明实施例提供的一种监控方法的流程图;
图3为本发明实施例提供的另一种监控方法的流程图;
图4为本发明实施例提供的一种监控装置的结构框图;
图5为本发明实施例提供的另一种监控装置的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。
考虑到现有技术对监控对象的监控无法做到及时性以及缺乏对历史数量感知的问题,为改善此问题,本发明实施例提供的一种监控方法、装置、处理设备及存储介质,以下对本发明实施例进行详细介绍。
实施例一:
首先,参照图1来描述用于实现本发明实施例的处理设备100,该处理设备可以用于运行本发明各实施例的方法。
如图1所示,处理设备100包括一个或多个处理器102、一个或多个存储器104、输入装置106、输出装置108以及数据采集器110,这些组件通过总线系统112和/或其它形式的连接机构(未示出)互连。应当注意,图1所示的处理设备100的组件和结构只是示例性的,而非限制性的,根据需要,所述处理设备也可以具有其他组件和结构。
所述处理器102可以采用数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)和ASIC(Application Specific Integrated Circuit)中的至少一种硬件形式来实现,所述处理器102可以是中央处理单元(CPU)、图形处理单元(GPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元,并且可以控制所述处理设备100中的其它组件以执行期望的功能。
所述存储器104可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器102可以运行所述程序指令,以实现下文所述的本发明实施例中(由处理器实现)的客户端功能以及/或者其它期望的功能。在所述计算机可读存储介质中还可以存储各种应用程序和各种数据,例如所述应用程序使用和/或产生的各种数据等。
所述输入装置106可以是用户用来输入指令的装置,并且可以包括键盘、鼠标、麦克风和触摸屏等中的一个或多个。
所述输出装置108可以向外部(例如,用户)输出各种信息(例如,图像或声音),并且可以包括显示器、扬声器等中的一个或多个。
所述数据采集器110用于进行数据采集,其中,数据采集器所采集的数据为监控对象的视频,然后,数据采集器还可以将该视频存储在所述存储器104中以供其它组件使用。
示例性地,用于实现根据本发明实施例的监控方法的处理设备可以被实现为诸如智能手机、平板电脑、计算机等智能终端。
实施例二:
参见图2所示的一种监控方法的流程图,该方法可由前述实施例提供的处理设备执行,该方法具体包括如下步骤:
步骤S202,获取在预设地点于目标时段采集到的监控对象的视频。
其中,可以通过摄像装置进行监控对象的视频采集,上述处理设备与该摄像装置通信连接,并接收该摄像装置采集的视频。监控对象可以是人、车辆或者动物等目标。上述预设地点可以是根据用户需要选择的预设位置或者预设场所,上述摄像装置可以包括一个也可以包括多个。
步骤S204,确定在目标时段内位于预设地点的监控对象的预测数量。
在本实施例中预测数量可以采用预设的预测算法,并基于历史数据进行确定,例如可以根据监控对象的特点以及该监控对象在目标时段的特点共同决定选择哪种预测算法;上述预测数量也可以基于预设地点的对监控对象的实际承载能力或者容纳能力进行确定。
步骤S206,根据上述视频,统计目标时段内位于预设地点的监控对象的实际数量。
本实施例对统计视频中监控对象的实际数量的方法不作限定。示例性地,对视频中的监控对象进行统计,可以采用检测算法和跟踪算法确定视频中出现的监控对象的实际数量。示例性地,对视频中的监控对象进行统计,也可以先采用检测算法检测出视频的所有视频帧中出现的监控对象的图像的总数,由于同一监控对象可以在多张视频帧中重复出现,即同一监控对象可以对应多张图像,接下来可以采用聚类算法将同一监控对象的图像进行聚类,从而得到视频中出现的监控对象的实际数量。上述各种算法可以为传统算法,也可以为基于卷积神经网络的算法。例如,在获取上述视频后,可以对视频进行解析获取至少一张单帧图像,再通过预先训练的卷积神经网络确定单帧图像中监控对象的数量,对多张单帧图像中重复出现的监控对象的图像的数量去重后,得到监控对象的实际数量。上述目标时段,可以是时间段也可以是时间点,具体可以根据监控的实际需求确定,例如可以是1小时、30分钟、5分钟、10秒等时间段,或者上午8点、下午6点等时间点。其中,时间段的长度越小则预测更为准确,在实际实现过程中,该时间段的长度区间是可配置的。在对时间段进行实际数量统计时,是对多个单帧图像进行数量统计,则需要对监控对象进行追踪并去重,得到该时间段内监控对象的实际数量。
上述卷积神经网络识别的过程可以采用现有技术中的识别方法,针对不同的监控对象,可以使用经过不同训练样本进行预先训练的卷积神经网络进行识别。例如以人为监控对象,则使用人的图像或者视频作为训练样本,该训练样本中还包括在该图像或者视频中人的实际数量;例如以车辆为监控对象,则使用车辆的图像或者视频作为训练样本,该训练样本中还包括在该图像或者视频中车辆的实际数量。以上述监控对象是人为例,可以通过视频流解析获取到视频流中单帧的画面,再通过人脸检测卷积神经网络算法,提取出画面中有效的人脸,然后通过人脸识别卷积神经网络算法解析出单帧图像中的人脸,并针对同一张人脸进行跟踪,从而获取到某一时段内出现的人脸总数。
在此需要说明的是,可以先执行上述步骤S204,再执行步骤S206,也可以按相反的顺序执行,或者同时执行。
步骤S208,当实际数量大于预测数量时,输出预警信息。
比较实际数量和预测数量,当实际数量大于预测数量时,确定监控对象存在异常聚集,输出预警信息进行预警。
本发明实施例提供的上述监控方法,可以统计视频中监控对象的实际数量以及确定监控对象的预测数量,通过两者的比较可以确定监控对象是否存在异常聚集,当实际数量大于预测数量时,输出预警信息,从而可以自动对异常聚集进行及时预警,提高对象的监控效果,减轻了工作人员盯控的工作量。
考虑到对自动预警的需要,在确定异常聚集后,上述方法还可以包括输出监控对象异常聚集的预警信息的步骤,根据不同的异常聚集程度,可以输出不同等级的预警信息,结合对应的处理预案,可以有效进行自动预警,提高异常处理的效果,减轻工作人员盯控的工作量。可以理解的是,可以设置多个预警阈值,分别对应不同等级的预警信息及处理预案,该预警阈值可以衡量实际数量与预测数量的差值大小,当该差值落入某个预警阈值范围或者大于该预警阈值时,则输出该预警阈值对应的预警信息。
为了确定在目标时段内位于预设地点的监控对象的预测数量,可以基于以下预测方法进行,例如可以包括以下步骤:
(1)获取在历史时段内位于预设地点的监控对象的历史数量和目标时段的上一目标时段内位于预设地点的监控对象的预测数量。
其中,上一目标时段指当前周期内与目标时段相同长度且相邻的时段,历史时段为历史周期中与目标时段相同的时段。该历史周期可以是当前周期相邻的前一周期,也可以是与当天具有相同性质的某一周期。其中一个周期可以为一天。例如当天是工作日的周一,则该历史周期可以是上周的周一或之前某一周的周一;例如当天是中秋节,则该历史周期可以是去年的中秋节或者之前某一年的中秋节。
(2)根据历史数量和上一目标时段的预测数量,计算目标时段内监控对象的预测数量。
本实施例对目标时段内监控对象的数量进行预测时,不仅考虑了历史上同一时段内监控对象的实际数量,还考虑了当前周期中上一时段内监控对象的预测数量,使得对目标时段内的监控对象的数量的预测更加准确。
可以采用以下公式计算目标时段内监控对象的预测数量:
St=a*y+(1-a)St-1;
其中,St表示目标时段的预测数量,St-1表示上一目标时段的预测数量,a为比例系数,y表示历史数量。
在上述公式中,比例系数的大小规定了在新预测值中新数据和原预测值所占的比例。a的值愈大,新数据所占的比重就愈大,原预测值所占比重就愈小,反之亦然。当时间序列呈稳定的水平趋势时,a应取较小值,如0.1~0.3;当时间序列波动较大,长期趋势变化的幅度较大时,a应取中间值,如0.3~0.5;当时间序列具有明显的上升或下降趋势时,a应取较大值,如0.6~0.8;在实际运用中,可取若干个a值进行试算比较,选择预测误差最小的a值。在本实施例中,可以根据监控对象的特点以及监控时间的特点确定,例如可以将a取值为0.7。
在此需要说明的是,在预测过程中,a的取值并非是一直保持不变,a的取值可以根据实际情况进行调整,这样可以进一步提高预测准确率。
在一个实施例中,在对目标时段进行预测时,可以根据该目标时段的不同,a也采用动态变化的值。以对地铁站进行监控且目标时段的长度为30分钟为例,在早晚高峰时段,存在明显的上升或下降趋势,此时a可以取较大值;在非高峰时段,存在稳定的水平趋势,此时a可以取较小值。因此可以根据目标时段的变化,采用动态变化的比例系数,从而提高预测数量反映真实情况的能力。
在另一实施例中,在对目标时段进行预测时,根据该目标时段的历史数量在历史上的波动情况,a的取值采用动态变化的值。例如,如果前N个历史周期各自目标时段内位于预设地点的监控对象的实际统计数量的变化不大,意味着目标时段的历史数量波动不大,则a可以取较大值,以增大历史数量对预测数量的影响;如果前N个历史周期各自目标时段内位于预设地点的监控对象的实际统计数量的变化较大,意味着目标时段的历史数量波动较大,则a可以取较小值,以降低历史数量对预测数量的影响。
在一个实施例中,在历史时段内位于预设地点的监控对象的历史数量可以是在一个历史时段内位于预设地点的监控对象的实际数量。例如,假设一个周期为一天,且今天为周三,则在历史时段内位于预设地点的监控对象的历史数量可以为前一天(即周二)目标时段内位于预设地点的监控对象的实际数量。
在另一实施例中,在历史时段内位于预设地点的监控对象的历史数量可以是在多个历史时段内位于预设地点的监控对象的实际数量的平均数。例如,假设一个周期为一天,且今天为周三,则在历史时段内位于预设地点的监控对象的历史数量可以是前两天(即周二和周一)的目标时段内位于预设地点的监控对象的实际数量的平均数。将多个历史时段的数量进行平均,能够降低由于某一历史时段内监控对象的数量异常而对当前预测带来的影响,有利于进一步提高预测准确率。
为了对监控对象的数量进行预测,需要预先获取历史数据。在获取历史数据时,可以采用与统计视频中监控对象实际数量相同的方式,上述方法还包括:获取并存储监控对象的历史数量。例如针对人流的预测,可以建立针对每路摄像头,每小时的人流统计数量,连续统计1个月时间,并循环存储,将1个月中每天的每小时的统计数量作为历史数量存储。例如:西单地铁站A口01号摄像头,24日上午6点抓拍人数5000人,则上述目标时段的长度即为1小时,历史数量即为5000人。
考虑到对某个预设场所内的监控对象预测的需要,可以结合多个摄像装置采集的视频进行场所范围内的监控对象预测,上述获取监控对象的视频的步骤可以包括:接收在预设地点的多个摄像装置在目标时段内采集的监控对象的视频;并且,上述根据视频统计实际数量的步骤还可以按照以下步骤:
(1)根据每个摄像装置采集的视频确定位于每个摄像装置的拍摄范围内的监控对象的实际数量。对各个摄像装置采集的视频分别确定预测数量的过程与前述确定预测数量的过程相同,可以参见前述内容,在此不再赘述。
(2)将位于多个摄像装置的拍摄范围内的监控对象的实际数量求和,得到位于预设地点内的监控对象的实际数量。
进行求和的过程,如果各个摄像装置之间的拍摄范围完全无重合则直接将各个实际数量加和得到该预设地点的实际数量,如果存在重合,则需要对监控对象进行去重。把同一场所内的摄像装置预测数量汇总后,得到场所数量,但是会出现监控对象在不同摄像头下重复出现的情况,原因在于多个摄像装置采集视频的范围实际存在重叠。由于重叠的程度与摄像头的摆放位置以及场所的摄像头密度相关,因此可以针对不同场所引入各个摄像装置之间的重复概率系数P(取值范围0~1),表示监控对象在该场所的重复率,将所有摄像装置采集视频中监控对象的实际数量进行求和后,再乘以该重复概率系数,得到去重后的数量,从而可以提高预测的准确性。
在此需要说明的是,由于在统计历史和未来预测的过程中都继续相同的重复概率,所以监控对象的预测数量是否大于实际数量,以及预测增幅和重复概率系数P不相关。
在对目标时段进行数量预测后,可以对整个周期中的各个目标时段进行预测,从而得到全周期的预测数量,上述方法还包括:确定当前周期其他时段内位于预设地点的监控对象的预测数量,根据目标时段内和其他时段内监控对象的预测数量,确定位于预设地点的监控对象的当前周期的预测数量。以周期为一天为例,各个目标时段均确定预测数量后,即得到全天的预测数量。
本发明实施例提供的上述监控方法,可以根据摄像装置采集的视频进行监控对象的识别,针对监控对象的密度预测和现场实际监控对象数量进行实时比对并根据布控任务触发报警。
考虑到提高预警信息对工作人员提醒的有效程度,可以对监控对象的实际数量大于预测数量的程度进行特殊预警。例如,在实际数量大于预测数量时,计算实际数量与预测数量的差值,如果该差值大于突增数量阈值时,则输出突增预警信息。该突增数量阈值可以根据预设地点的实际情况确定,目的是在数量出现突增时进行有效预警。
考虑到实际数量大于预测数量时,两者的差值存在大小分别,以及划分预警等级的需要,在确定实际数量大于预测数量的情况下,还可以进行该差值大小的判断,从而确定当前异常聚集情况的紧急程度并输出对应的预警等级。例如,当实际数量大于预测数量时,计算实际数量与预测数量的差值,并判断差值对应的预警等级,以及输出预警等级对应的预警信息。其中,可以为上述差值设置多个等级的阈值或者阈值范围,将更大的阈值或阈值范围对应更高的预警级别。
对应于不同的预警级别,输出的预警信息包括的内容也不相同。预警等级越高,预警信息中包括的信息可以越多,例如至少包括详细预警数据、预警处置方案和适合处置人员等至少之一。其中详细预警数据可以包括预设地点的位置信息、预测数量和预警等级中的至少一种。对应于不同的预警级别,向工作人员发出预警提醒方式也不相同。预警等级越高,预警提醒方式越能吸引工作人员的注意,例如可以包括多种不同分贝或类型的声音提醒、多种亮度或颜色的灯光提醒以及震动提醒等。参见图3所示的一种监控方法的流程图,以监控目标是行人为例进行说明,该方法具体包括如下步骤:
步骤S302,预先获取目标摄像装置在历史时段的行人数量。
在进行行人监控之前,已预先通过摄像装置采集了历史时段的视频,并根据前述方法提取了视频中历史时段的行人数量。其中,该目标摄像装置为用户选定的进行行人监控的摄像装置,可以设置在目标场所内。
步骤S304,通过目标摄像装置获取行人的视频。
可以理解的是,在对目标时段的行人进行数量统计时,需要获取多个时段的视频,其中包括需要进行监控的目标时段。
步骤S306,根据预设的预测方法确定行人的预测数量。
结合历史时段的行人数量和预测数量,可以确定下一时段行人的预测数量。对一天中的每个时段均进行数量预测,即可得到全天各个时段的预测数量。具体的预测过程可以参见前述内容。
步骤S308,统计上述视频中行人的实际数量。
步骤S310,判断实际数量是否大于预测数量。如果是,执行步骤S312;如果否,执行步骤S304。
如果实际数量大于预测数量,则认为是出现了异常聚集;如果实际数量不大于预测数量,则通过目标摄像装置持续获取行人的视频,并进行实际数量和预测数量的判断过程。
步骤S312,确定行人存在异常聚集,输出异常聚集信号。
步骤S314,计算上述实际数量与预测数量的差值,根据该差值的大小输出预警信息。
该预警信息至少包括预警等级,例如可以分为紧急预警、严重预警或普通预警等级别。根据不同的预警等级,可以执行不同的预警方案,例如可以现场查证、疏散人群或者其他预案等。
本发明实施例提供的上述监控方法,可以根据目标摄像装置采集的视频确定行人的实际数量和预测数量,通过比较该实际数量和预测数量,以及计算两者的差值,可以进行不同的等级的预警,提高了预警及处理突发事件的及时性和准确性。
实施例三:
对应于实施例二中所提供的监控方法,本发明实施例提供了一种监控装置,参见图4所示的一种监控装置的结构框图,包括:
视频获取模块402,用于获取在预设地点于目标时段采集到的监控对象的视频;
数量预测模块404,用于确定在目标时段内位于预设地点的监控对象的预测数量;
数量统计模块406,用于根据视频,统计目标时段内位于预设地点的监控对象的实际数量;
预警模块408,用于当实际数量大于预测数量时,输出预警信息。
本发明实施例提供的上述监控装置,可以统计视频中监控对象的实际数量以及确定监控对象的预测数量,通过两者的比较可以确定监控对象是否存在异常聚集,当实际数量大于预测数量时,输出预警信息,从而可以自动对异常聚集进行及时预警,提高对象的监控效果,减轻了工作人员盯控的工作量。
在一种实施方式中,上述数量预测模块还用于:获取在历史时段内位于预设地点的监控对象的历史数量和目标时段的上一目标时段内位于预设地点的监控对象的预测数量;历史时段为历史周期中与目标时段相同的时段;根据历史数量和上一目标时段的预测数量,计算目标时段内监控对象的预测数量。
在另一种实施方式中,上述数量预测模块还用于:根据历史数量和上一目标时段的预测数量,采用以下公式计算目标时段内监控对象的预测数量:
St=a*y+(1-a)St-1;
其中,St表示目标时段的预测数量,St-1表示上一目标时段的预测数量,a为比例系数,y表示历史数量。
在另一种实施方式中,上述数量统计模块还用于:对视频进行解析获取至少一张单帧图像;通过卷积神经网络确定单帧图像中监控对象的数量;对监控对象去重后,得到监控对象的实际数量。
在另一种实施方式中,上述视频获取模块还用于:接收在预设地点的多个摄像装置在目标时段内采集的监控对象的视频;上述数量统计模块还用于:根据每个摄像装置采集的视频确定位于每个摄像装置的拍摄范围内的监控对象的实际数量;将位于多个摄像装置的拍摄范围内的监控对象的实际数量求和,得到位于预设地点内的监控对象的实际数量。
在另一种实施方式中,上述数量统计模块还用于:确定各个摄像装置的重复概率系数;将位于各个摄像装置的拍摄范围内的监控对象的实际数量的和,乘以重复概率系数,得到监控对象的实际数量。
在另一种实施方式中,上述预警模块还用于:当实际数量大于预测数量时,计算实际数量与预测数量的差值;当差值大于突增数量阈值时,输出突增预警信息。
在另一种实施方式中,上述预警模块还用于:当实际数量大于预测数量时,计算实际数量与预测数量的差值;判断差值对应的预警等级,并输出预警等级对应的预警信息。
参见图5所示的一种监控装置的结构框图,上述装置还包括:当前周期预测模块502,与上述数量预测模块404连接,用于:确定当前周期其他时段内位于预设地点的监控对象的预测数量;根据目标时段内和其他时段内监控对象的预测数量,确定位于预设地点的监控对象的当前周期的预测数量。
本实施例所提供的装置,其实现原理及产生的技术效果和前述实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
此外,本实施例提供了一种监控的处理设备,该设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述实施例二所提供的监控方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统具体工作过程,可以参考前述实施例中的对应过程,在此不再赘述。
进一步,本实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,计算机程序被处理器运行时执行上述实施例二所提供的方法的步骤。
本发明实施例所提供的一种监控方法、装置、处理设备及存储介质的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (12)
1.一种监控方法,其特征在于,包括:
获取在预设地点于目标时段采集到的监控对象的视频;
确定在所述目标时段内位于所述预设地点的所述监控对象的预测数量;
根据所述视频,统计所述目标时段内位于所述预设地点的所述监控对象的实际数量;
当所述实际数量大于所述预测数量时,输出预警信息。
2.根据权利要求1所述的方法,其特征在于,所述确定在所述目标时段内位于所述预设地点的所述监控对象的预测数量的步骤,包括:
获取在历史时段内位于所述预设地点的所述监控对象的历史数量和所述目标时段的上一目标时段内位于所述预设地点的所述监控对象的预测数量;所述历史时段为历史周期中与所述目标时段相同的时段;
根据所述历史数量和所述上一目标时段的预测数量,计算所述目标时段内所述监控对象的预测数量。
3.根据权利要求2所述的方法,其特征在于,根据所述历史数量和所述上一目标时段的预测数量,采用以下公式计算所述目标时段内所述监控对象的预测数量:
St=a*y+(1-a)St-1;
其中,St表示所述目标时段的预测数量,St-1表示所述上一目标时段的预测数量,a为比例系数,y表示所述历史数量。
4.根据权利要求1所述的方法,其特征在于,所述根据所述视频,统计所述目标时段内位于所述预设地点的所述监控对象的实际数量的步骤,包括:
对所述视频进行解析获取至少一张单帧图像;
通过卷积神经网络确定所述单帧图像中所述监控对象的数量;
对所述监控对象去重后,得到所述监控对象的实际数量。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述获取在预设地点于目标时段采集到的监控对象的视频的步骤,包括:
接收在所述预设地点的多个摄像装置在所述目标时段内采集的监控对象的视频;
所述根据所述视频,统计所述目标时段内位于所述预设地点的所述监控对象的实际数量的步骤,包括:
根据每个所述摄像装置采集的视频确定位于每个所述摄像装置的拍摄范围内的所述监控对象的实际数量;
将位于所述多个摄像装置的拍摄范围内的所述监控对象的实际数量求和,得到位于所述预设地点内的所述监控对象的实际数量。
6.根据权利要求5所述的方法,其特征在于,所述将位于所述多个摄像装置的拍摄范围内的所述监控对象的实际数量求和,得到位于所述预设地点内的所述监控对象的实际数量的步骤,包括:
确定所述多个摄像装置的重复概率系数;
将位于所述多个摄像装置的拍摄范围内的所述监控对象的实际数量的和,乘以所述重复概率系数,得到所述监控对象的实际数量。
7.根据权利要求1所述的方法,其特征在于,所述当所述实际数量大于所述预测数量时,输出预警信息的步骤,包括:
当所述实际数量大于所述预测数量时,计算所述实际数量与所述预测数量的差值;
当所述差值大于突增数量阈值时,输出突增预警信息。
8.根据权利要求1所述的方法,其特征在于,所述当所述实际数量大于所述预测数量时,输出预警信息的步骤,包括:
当所述实际数量大于所述预测数量时,计算所述实际数量与所述预测数量的差值;
判断所述差值对应的预警等级,并输出所述预警等级对应的预警信息。
9.根据权利要求1-8任一项所述的方法,其特征在于,所述方法还包括:
确定当前周期其他时段内位于所述预设地点的所述监控对象的预测数量;
根据所述目标时段内和所述其他时段内所述监控对象的预测数量,确定位于所述预设地点的监控对象的当前周期的预测数量。
10.一种监控装置,其特征在于,包括:
视频获取模块,用于获取在预设地点于目标时段采集到的监控对象的视频;
数量预测模块,用于确定在所述目标时段内位于所述预设地点的所述监控对象的预测数量;
数量统计模块,用于根据所述视频,统计所述目标时段内位于所述预设地点的所述监控对象的实际数量;
预警模块,用于当所述实际数量大于所述预测数量时,输出预警信息。
11.一种监控的处理设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述权利要求1至9中任一项所述的方法的步骤。
12.一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,其特征在于,所述计算机程序被处理器运行时执行上述权利要求1至9任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810957851.3A CN108965826B (zh) | 2018-08-21 | 2018-08-21 | 监控方法、装置、处理设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810957851.3A CN108965826B (zh) | 2018-08-21 | 2018-08-21 | 监控方法、装置、处理设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108965826A true CN108965826A (zh) | 2018-12-07 |
CN108965826B CN108965826B (zh) | 2021-01-12 |
Family
ID=64473479
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810957851.3A Active CN108965826B (zh) | 2018-08-21 | 2018-08-21 | 监控方法、装置、处理设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108965826B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109145127A (zh) * | 2018-06-20 | 2019-01-04 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN109858365A (zh) * | 2018-12-28 | 2019-06-07 | 深圳云天励飞技术有限公司 | 一种特殊人群聚集行为分析方法、装置及电子设备 |
CN110213530A (zh) * | 2019-04-26 | 2019-09-06 | 视联动力信息技术股份有限公司 | 预警方法、装置及可读存储介质 |
CN110347561A (zh) * | 2019-06-11 | 2019-10-18 | 平安科技(深圳)有限公司 | 监控告警方法及终端设备 |
CN110830765A (zh) * | 2019-10-11 | 2020-02-21 | 浙江大华技术股份有限公司 | 闸机控制方法、系统、闸机、计算机设备和存储介质 |
CN110929648A (zh) * | 2019-11-22 | 2020-03-27 | 广东睿盟计算机科技有限公司 | 监控数据处理方法、装置、计算机设备以及存储介质 |
CN110990219A (zh) * | 2019-11-22 | 2020-04-10 | 北京浪潮数据技术有限公司 | 一种基于预测模型的计算机监控方法 |
CN111027518A (zh) * | 2019-12-26 | 2020-04-17 | 广州市炬盾科技发展有限公司 | 可疑人群智能报警方法、装置、计算机设备及存储介质 |
CN111680830A (zh) * | 2020-05-25 | 2020-09-18 | 广州衡昊数据科技有限公司 | 一种基于聚集风险预警的疫情防范方法和装置 |
CN112653832A (zh) * | 2019-10-10 | 2021-04-13 | 华为技术有限公司 | 一种监控方法、装置和设备 |
CN113536932A (zh) * | 2021-06-16 | 2021-10-22 | 中科曙光国际信息产业有限公司 | 人群聚集预测方法、装置、计算机设备和存储介质 |
CN114429309A (zh) * | 2022-02-08 | 2022-05-03 | 闫雪 | 基于人工智能的区域数据检测平台 |
CN114531374A (zh) * | 2022-02-25 | 2022-05-24 | 平安国际智慧城市科技股份有限公司 | 网络监控方法、装置、设备及存储介质 |
WO2022194147A1 (zh) * | 2021-03-15 | 2022-09-22 | 中科智云科技有限公司 | 目标对象监控方法和监控设备 |
CN116153118A (zh) * | 2023-04-18 | 2023-05-23 | 深圳柯赛标识智能科技有限公司 | 智能导流的方法、装置、指示牌和存储介质 |
CN117115751A (zh) * | 2023-09-22 | 2023-11-24 | 山东九州信泰信息科技股份有限公司 | 基于工业互联网的设备监控方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105791022A (zh) * | 2016-04-14 | 2016-07-20 | 北京中电万联科技股份有限公司 | 一种拥挤度检测预警系统 |
US20170039431A1 (en) * | 2015-08-03 | 2017-02-09 | Beijing Kuangshi Technology Co., Ltd. | Video monitoring method, video monitoring apparatus and video monitoring system |
CN106897698A (zh) * | 2017-02-24 | 2017-06-27 | 常州常工电子科技股份有限公司 | 基于机器视觉与双目协同技术的教室人数检测方法及系统 |
CN108053080A (zh) * | 2017-12-30 | 2018-05-18 | 中国移动通信集团江苏有限公司 | 区域用户数量统计值预测方法、装置、设备及介质 |
-
2018
- 2018-08-21 CN CN201810957851.3A patent/CN108965826B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170039431A1 (en) * | 2015-08-03 | 2017-02-09 | Beijing Kuangshi Technology Co., Ltd. | Video monitoring method, video monitoring apparatus and video monitoring system |
CN105791022A (zh) * | 2016-04-14 | 2016-07-20 | 北京中电万联科技股份有限公司 | 一种拥挤度检测预警系统 |
CN106897698A (zh) * | 2017-02-24 | 2017-06-27 | 常州常工电子科技股份有限公司 | 基于机器视觉与双目协同技术的教室人数检测方法及系统 |
CN108053080A (zh) * | 2017-12-30 | 2018-05-18 | 中国移动通信集团江苏有限公司 | 区域用户数量统计值预测方法、装置、设备及介质 |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109145127A (zh) * | 2018-06-20 | 2019-01-04 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN109858365B (zh) * | 2018-12-28 | 2021-03-05 | 深圳云天励飞技术有限公司 | 一种特殊人群聚集行为分析方法、装置及电子设备 |
CN109858365A (zh) * | 2018-12-28 | 2019-06-07 | 深圳云天励飞技术有限公司 | 一种特殊人群聚集行为分析方法、装置及电子设备 |
CN110213530A (zh) * | 2019-04-26 | 2019-09-06 | 视联动力信息技术股份有限公司 | 预警方法、装置及可读存储介质 |
CN110347561A (zh) * | 2019-06-11 | 2019-10-18 | 平安科技(深圳)有限公司 | 监控告警方法及终端设备 |
CN110347561B (zh) * | 2019-06-11 | 2022-12-30 | 平安科技(深圳)有限公司 | 监控告警方法及终端设备 |
CN112653832A (zh) * | 2019-10-10 | 2021-04-13 | 华为技术有限公司 | 一种监控方法、装置和设备 |
CN110830765A (zh) * | 2019-10-11 | 2020-02-21 | 浙江大华技术股份有限公司 | 闸机控制方法、系统、闸机、计算机设备和存储介质 |
CN110929648B (zh) * | 2019-11-22 | 2021-03-16 | 广东睿盟计算机科技有限公司 | 监控数据处理方法、装置、计算机设备以及存储介质 |
CN110990219A (zh) * | 2019-11-22 | 2020-04-10 | 北京浪潮数据技术有限公司 | 一种基于预测模型的计算机监控方法 |
CN110990219B (zh) * | 2019-11-22 | 2022-05-10 | 北京浪潮数据技术有限公司 | 一种基于预测模型的计算机监控方法 |
CN110929648A (zh) * | 2019-11-22 | 2020-03-27 | 广东睿盟计算机科技有限公司 | 监控数据处理方法、装置、计算机设备以及存储介质 |
CN111027518A (zh) * | 2019-12-26 | 2020-04-17 | 广州市炬盾科技发展有限公司 | 可疑人群智能报警方法、装置、计算机设备及存储介质 |
CN111680830A (zh) * | 2020-05-25 | 2020-09-18 | 广州衡昊数据科技有限公司 | 一种基于聚集风险预警的疫情防范方法和装置 |
CN111680830B (zh) * | 2020-05-25 | 2024-01-26 | 广州衡昊数据科技有限公司 | 一种基于聚集风险预警的疫情防范方法和装置 |
WO2022194147A1 (zh) * | 2021-03-15 | 2022-09-22 | 中科智云科技有限公司 | 目标对象监控方法和监控设备 |
CN113536932A (zh) * | 2021-06-16 | 2021-10-22 | 中科曙光国际信息产业有限公司 | 人群聚集预测方法、装置、计算机设备和存储介质 |
CN114429309B (zh) * | 2022-02-08 | 2022-11-08 | 深圳市润信数据技术有限公司 | 基于人工智能的区域数据检测平台 |
CN114429309A (zh) * | 2022-02-08 | 2022-05-03 | 闫雪 | 基于人工智能的区域数据检测平台 |
CN114531374A (zh) * | 2022-02-25 | 2022-05-24 | 平安国际智慧城市科技股份有限公司 | 网络监控方法、装置、设备及存储介质 |
CN114531374B (zh) * | 2022-02-25 | 2023-08-25 | 深圳平安智慧医健科技有限公司 | 网络监控方法、装置、设备及存储介质 |
CN116153118A (zh) * | 2023-04-18 | 2023-05-23 | 深圳柯赛标识智能科技有限公司 | 智能导流的方法、装置、指示牌和存储介质 |
CN117115751A (zh) * | 2023-09-22 | 2023-11-24 | 山东九州信泰信息科技股份有限公司 | 基于工业互联网的设备监控方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108965826B (zh) | 2021-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108965826A (zh) | 监控方法、装置、处理设备及存储介质 | |
CN110390262B (zh) | 视频分析方法、装置、服务器及存储介质 | |
CN110414313A (zh) | 异常行为告警方法、装置、服务器及存储介质 | |
CN105493502B (zh) | 视频监控方法、视频监控系统以及计算机可读存储介质 | |
CN109272221A (zh) | 城市管理方法、装置及电子设备 | |
CN109670441A (zh) | 一种实现安全帽穿戴识别的方法、系统、终端以及计算机可读存储介质 | |
CN109657564A (zh) | 一种人员在岗检测方法、装置、存储介质及终端设备 | |
CN108353149A (zh) | Cctv自动选别监测系统cctv自动选别监测管理服务器及管理方法 | |
CN107145959A (zh) | 一种基于大数据平台的电力数据处理方法 | |
CN111507278B (zh) | 一种检测路障的方法、装置及计算机设备 | |
CN103986910A (zh) | 一种基于智能分析摄像机的客流统计方法和系统 | |
CN115083112B (zh) | 一种智能预警应急管理系统及其部署方法 | |
CN105426820A (zh) | 基于安防监控视频数据的多人异常行为检测方法 | |
CN109033973A (zh) | 监控预警方法、装置及电子设备 | |
CN110309735A (zh) | 异常侦测方法、装置、服务器及存储介质 | |
CN107977638A (zh) | 视频监控报警方法、装置、计算机设备和存储介质 | |
CN110533955A (zh) | 一种确定停车位的方法、终端设备及计算机可读存储介质 | |
Giyenko et al. | Application of convolutional neural networks for visibility estimation of CCTV images | |
CN107705326A (zh) | 一种安全敏感区域的越界入侵检测方法 | |
CN113642403B (zh) | 基于边缘计算的人群异动智能安全检测系统 | |
CN109934074A (zh) | 行动轨迹确定方法及装置 | |
CN102867214B (zh) | 区域范围内人数统计管理方法 | |
Wang et al. | Vision-based highway traffic accident detection | |
CN112633249A (zh) | 一种基于轻型深度学习框架的嵌入式人流量检测方法 | |
CN112927178B (zh) | 遮挡检测方法、装置、电子设备以及存储介质 |
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 |