CN109117812A - 住宅安全防护方法、装置、计算机设备及存储介质 - Google Patents
住宅安全防护方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN109117812A CN109117812A CN201810974982.2A CN201810974982A CN109117812A CN 109117812 A CN109117812 A CN 109117812A CN 201810974982 A CN201810974982 A CN 201810974982A CN 109117812 A CN109117812 A CN 109117812A
- Authority
- CN
- China
- Prior art keywords
- real time
- current real
- time picture
- similarity
- picture
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
- G08B13/189—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems
- G08B13/194—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems
- G08B13/196—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems using television cameras
- G08B13/19602—Image analysis to detect motion of the intruder, e.g. by frame subtraction
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
- G08B25/01—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium
- G08B25/08—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium using communication transmission lines
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Image Analysis (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及住宅安全防护方法、装置、计算机设备及存储介质,该方法包括对住宅环境进行布防设置;获取住宅环境内的当前实时图片;对当前实时图片进行图像识别;判断识别结果是否为有人体存在;若是,则触发报警机制进行报警。本发明通过设置采用红外摄像头获取当前实时图片,采用CNN神经网络对当前实时图片进行图像识别,以获取当前实时图片是否存在人体的识别结果,当出现人体时,则触发报警机制,实时报警,实现对陌生人进入的情况进行准确判断,且进行准确地报警,以降低入贼所带来的安全隐患的损失。
Description
技术领域
本发明涉及安全侦测方法,更具体地说是指住宅安全防护方法、装置、计算机设备及存储介质。
背景技术
随着数字电子技术、通信技术以及网络技术的蓬勃发展,人们对家庭居住环境的要求也在不断提高,住宅智能化越来越受到人们的关注,住宅安防系统作为住宅智能化系统的重要组成部分,被广泛应用于各种新式住宅小区内。
但是,现有的住宅安防系统只能在监测到住宅安全隐患比如火灾等情况进行报警,当家里入贼的情况则很难准确地进行报警,无法在第一时间采取对应措施解决或降低安全隐患带来的损失,无法全方位保护住宅安全。
因此,需要设计一种新的方法,实现对陌生人进入的情况进行准确判断,且进行准确地报警,以降低入贼所带来的安全隐患的损失。
发明内容
本发明的目的在于克服现有技术的缺陷,提供住宅安全防护方法、装置、计算机设备及存储介质。
为实现上述目的,本发明采用以下技术方案:住宅安全防护方法,包括:
对住宅环境进行布防设置;
获取住宅环境内的当前实时图片;
对当前实时图片进行图像识别;
判断识别结果是否为有人体存在;
若是,则触发报警机制进行报警。
其进一步技术方案为:所述对当前实时图片进行图像识别,包括:
使用CNN神经网络提取出当前实时图片的特征,以得到特征层;
采用多尺度滑动窗口对当前实时图片提取目标位置候选框集合;
将目标位置候选框集合映射至特征层,以得到候选框坐标;
对候选框进行池化处理,获取候选框的特征;
对候选框的特征进行目标分类和识别,以得到识别结果。
其进一步技术方案为:所述采用多尺度滑动窗口对当前实时图片提取目标位置候选框集合,包括:
切割图像,以得到候选区域集合以及各个区域;
初始化切割后的每两个相邻区域的相似集合,以得到初始相似集合;
计算每两个相邻区域的相似度;
将相似度与初始相似集合合并,形成新相似集合;
判断新相似集合是否不等于初始相似集合;
若是,则获取最大相似度;
合并最大相似度的两个相邻区域;
移除新相似集合中最大相似度对应的两个相邻区域的相似度;
计算最大相似度的两个相邻区域的相似度集合;
合并新相似集合与最大相似度的两个相邻区域的相似度集合,形成目标相似集合;
合并候选区域集合与最大相似度的两个相邻区域的相似度集合,形成目标候选区域集合;
获取目标候选区域集合对应的边框,形成目标位置候选框集合。
其进一步技术方案为:所述触发报警机制进行报警,包括:
通过发声形式进行单机报警或通过网络进行短信自动群发、自动波打报警电话。
其进一步技术方案为:所述获取住宅环境内的当前实时图片之前,还包括:
过滤初次成像的图像质量噪点。
其进一步技术方案为:所述获取住宅环境内的当前实时图片之后,还包括:
保存当前实时图片。
本发明还提供了住宅安全防护装置,包括:
设置单元,用于对住宅环境进行布防设置;
图片获取单元,用于获取住宅环境内的当前实时图片;
识别单元,用于对当前实时图片进行图像识别;
判断单元,用于判断识别结果是否为有人体存在;
报警单元,用于若是,则触发报警机制进行报警。
其进一步技术方案为:所述装置还包括:
过滤单元,用于过滤初次成像的图像质量噪点。
本发明还提供了一种计算机设备,其特征在于,所述计算机设备包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现上述的方法。
本发明还提供了一种存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时可实现上述的方法。
本发明与现有技术相比的有益效果是:本发明通过设置采用红外摄像头获取当前实时图片,采用CNN神经网络对当前实时图片进行图像识别,以获取当前实时图片是否存在人体的识别结果,当出现人体时,则触发报警机制,实时报警,实现对陌生人进入的情况进行准确判断,且进行准确地报警,以降低入贼所带来的安全隐患的损失。
下面结合附图和具体实施例对本发明作进一步描述。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例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为本发明实施例提供的住宅安全防护方法的应用场景示意图;
图2为本发明实施例提供的住宅安全防护方法的流程示意图;
图3为本发明实施例提供的住宅安全防护方法的子流程示意图;
图4为本发明实施例提供的住宅安全防护方法的子流程示意图;
图5为本发明另一实施例提供的住宅安全防护方法的流程示意图;
图6为本发明实施例提供的住宅安全防护装置的示意性框图;
图7为本发明实施例提供的住宅安全防护装置的识别单元的示意性框图;
图8为本发明另一实施例提供的住宅安全防护装置的示意性框图;
图9为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1和图2,图1为本发明实施例提供的住宅安全防护方法的应用场景示意图。图2为本发明实施例提供的住宅安全防护方法的示意性流程图。该住宅安全防护方法应用于服务器中,由带红外摄像头的第一终端获取到当前图片后,传输至服务器做人体识别检测,并将检测结果传输至第二终端做显示和报警,其中,第一终端可以为住宅检测机器人等具有通信功能的电子设备;第二终端可以是智能手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等具有通信功能的电子设备,服务器可以是独立的服务器,也可以是多个服务器组成的服务器集群。
其中,第一终端包括红外摄像头、WIFI模块、GPRS模块、MIC(麦克风)以及SIM卡槽,SIM卡槽用于安装SIM卡。
图2是本发明实施例提供的住宅安全防护方法的流程示意图。如图2所示,该方法包括以下步骤S110至S150。
S110、对住宅环境进行布防设置。
在住宅无环境下,可以通过安装有第一终端开启和关闭控制的移动终端APP,对第一终端设置布防。
在本实施例中,布防设置是指启动安全防护监测模式,可通过用户自主点击开启按键进行设置布防,也可以设定自动设置布防,比如布防时间段为周一-周五09:00-19:00)、撤防(比如撤防时间段:19:00-08:59),以此自动进行移动帧测关、移动帧测开、红外灯开、红外灯关、启动录像并发送等操作。
S120、获取住宅环境内的当前实时图片。
在本实施例中,采用红外摄像头进行实时拍摄图片,或者可实时录制视频。
S130、对当前实时图片进行图像识别。
当对住宅环境进行布防设置,则是证明该住宅环境内没有人,若获取到的图片内有人体存在,则该住宅环境内有人闯入,应当进行报警提示。
在一实施例中,如图3所示,上述步骤S130可包括步骤S131~S135。
S131、使用CNN(卷积神经网络,Convolutional Neural Networks)神经网络提取出当前实时图片的特征,以得到特征层。
卷积神经网络结构包括:卷积层,降采样层,全链接层。每一层有多个特征图,每个特征图通过一种卷积滤波器提取输入的一种特征,每个特征图有多个神经元。卷积层:使用卷积层的原因是卷积运算的一个重要特点,通过卷积运算,可以使原信号特征增强,并且降低噪音。降采样层:根据图像局部相关性的原理,对图像进行子采样可以减少计算量,同时保持图像旋转不变性。全连接层:采用softmax全连接,得到的激活值即卷积神经网络提取到的图片特征。
对于图像识别,卷积神经网络的结构一般如下图所示。输入层读入经过简单的规则化(统一大小)的图像。每一层中的单元将前一层中的一组小的局部近邻的单元作为输入。通过局部感知场,神经元能够抽取一些基本的视觉特征,比如有向边、结束点、边角等等。这些特征然后被更高层的神经元所使用。并且,适用于某个局部的基础特征抽取器同样也倾向于适用于整个图像。通过利用这种特征,卷积神经网络利用一组分布于图像各个不同位置但具有相同权值向量的单元,来获取图像的特征并构成一幅特征图(Feature Map)。在每个位置,来自不同特征图的单元得到各自不同类型的特征。一个特征图中的不同单元被限制为对输入图中的各个不同位置的局部数据进行同样的操作。这种操作等同于将输入图像对于一个小的核进行卷积。一个卷积层中通常包含多个具有不同权值向量的特征图,使得在同一个位置能够获得多种不同的特征。若第一个隐含层包含4个特征图,每个特征图由5*5的局部感知区域构成。一旦一个特征被检测到,只要其相对于其他特征的相对位置没有改变,那么其在图像中的绝对位置就变得不是特别重要。因此,每个卷积层后面跟随着一个降采样层。降采样层进行局部平均和降采样的操作,降低特征图的分辨率,同时降低了网络输出对于位移和变形的敏感程度。第二个隐含层进行2*2的平均化降采样的操作。后续的卷积层和降采样层都交替分布连接,构成一个“双金字塔”结构:特征图的数目逐渐增多,而且特征图的分辨率逐渐降低。
S132、采用多尺度滑动窗口对当前实时图片提取目标位置候选框集合。
在一实施例中,上述的步骤S132可包括:
S132a、切割图像,以得到候选区域集合A={a1,a2,…,an}以及各个区域;
具体是结合多尺度滑动窗口方法对图像做不同尺度的缩放,然后用固定大小的滑动窗口以等距步长在整幅图像上滑动,并对每一个滑动窗口做人体检测。
S132b、初始化切割后的每两个相邻区域的相似集合,以得到初始相似集合B=φ;
S132c、计算每两个相邻区域的相似度b(ai,aj);
S132d、将相似度与初始相似集合合并,形成新相似集合B=B∪b(ai,aj);
S132e、判断新相似集合是否不等于初始相似集合;
S132f、若是,则获取最大相似度b(ai,aj)=max(B);
S132g、合并最大相似度的两个相邻区域at=ai∪aj;
S132h、移除新相似集合中最大相似度对应的两个相邻区域的相似度B=B\b(ai,a*),B=B\b(a*,aj);
S132i、计算最大相似度的两个相邻区域的相似度集合Bt;
S132j、合并新相似集合与最大相似度的两个相邻区域的相似度集合,形成目标相似集合B=B∪Bt;
S132k、合并候选区域集合与最大相似度的两个相邻区域的相似度集合,形成目标候选区域集合A=A∪at;
S132l、获取目标候选区域集合对应的边框,形成目标位置候选框集合C=A。
若否,则进入步骤S132c。
上述的步骤S132a~S132l是对图像做不同尺度的缩放,然后用固定大小的滑动窗口以等距步长在整幅图像上滑动,并对每一个滑动窗口做人体检测。
具体如下:首先输入一张待检测的图片I,然后用设在scale=x(x>1),在scale尺度下通过滑动提取的子窗口集合为Y=[img1、img2、……];利用滑动窗口法在图片I上提取子图像,这是有两部分参数需要设置,首先是窗口的大小比如128*64,再者是滑动的步长,比如每次滑动为K个像素,子窗口Yi=[img1、img2、……];对图片I进行缩放I=I*(1/scale)返回利用滑动窗口法在图片I上提取子图像,停止条件如果I<128*64的话,那么跳出循环;随着图像的缩小,提取到的子图片数目也在减少,例如在第五次循环结束,那么m1层数量>m2,m1层数量>m3,m1层数量>m4,m1层数量>m5,m1层数量,其中img(pq),为第p层的第q个窗口。
S133、将目标位置候选框集合映射至特征层,以得到候选框坐标;
S134、对候选框进行池化处理,获取候选框的特征;
S135、对候选框的特征进行目标分类和识别,以得到识别结果。
上述的步骤S131~S135,采用CNN神经网络进行图像识别,可排除其他无关目标的干扰。
S140、判断识别结果是否为有人体存在;
S150、若是,则触发报警机制进行报警;
若否,则返回所述步骤S120。
在本实施例中,通过发声形式进行单机报警或通过网络进行短信自动群发、自动波打报警电话。
执行报警时可以通过发声等形式进行单机报警或通过网络实现报警联动。单机报警时可以使用摄像头自带的扬声器进行报警;联网报警时可通过sim卡通信实现报警短信自动群发,自动波打报警电话等。摄像头SIM卡实现报警短信自动群发以及接收短信的手机可以预设。读取SIM卡;遍历预存手机号码数组,取回单一手机号码;进入循环,对每一个手机号码,调用SIM卡发送短信。拨打手机只需取号码后拨打。
图5是本发明另一实施例提供的一种住宅安全防护方法的流程示意图。如图5所示,本实施例的住宅安全防护方法包括步骤S210-S270。
S210、对住宅环境进行布防设置;
S220、过滤初次成像的图像质量噪点;
S230、获取住宅环境内的当前实时图片;
S240、保存当前实时图片;
S250、对当前实时图片进行图像识别;
S260、判断识别结果是否为有人体存在;
S270、若是,则触发报警机制进行报警。
其中步骤S210、S230、S250-S270与上述实施例中的步骤S110-S150类似,在此不再赘述。
对于上述的步骤S220,为了适应各种复杂环境,防止红外摄像头发生误报,红外摄像头会根据启动时成像的图像质量自动过滤掉噪点,在初始化过后可以提升红外摄像头监控纯静态空间的性能。
对于上述的步骤S240,根据摄像头的存储空间的大小,保存一段时间的连续单帧图像,具体如下:
开辟内存场景;
根据内存场景创建GDI对象;
将拍摄的红外图像复制至指定场景;
当内存场景空间不足时,删除最早的照片,复制入最新的图像;
删除、释放设备场景;
另外,在第一终端内还设有日志模块,用于记录全程视频和引发警报的图像绘制。录制全程视频只需将摄像头捕获的红外图片连接并设置一定的时间间隔显示,鉴于图像所占存储空间较大,故而只存储一段时间的图片,如果开辟的内存场景空间已满,新的照片会覆盖掉最早的照片。
于其他实施例,还可以在服务器内预设满足条件的人脸图像,当识别出现人体时,可进一步识别人脸,若当前实时图片内的人脸是满足条件的人脸图像,则表明该人并非陌生人,此时无需报警,若当前实时图片内的人脸不是满足条件的人脸图像,则表明该人为陌生人,启动报警机制进行实时报警,从而提高防护的准确度。
用户还可以拨打第一终端,第一终端自动接听,和家中行动不便老人等对话。红外摄像头不受自然光变化影响,实时探测房间内环境变化并做比对,红外摄像头的有效探测距离10米左右。
上述的住宅安全防护方法适用于智慧社区的智慧家庭、商铺、户外无人值守的环境,比如电力、移动、水利等的泵房、配电房、机房等。
上述的住宅安全防护方法,通过设置采用红外摄像头获取当前实时图片,采用CNN神经网络对当前实时图片进行图像识别,以获取当前实时图片是否存在人体的识别结果,当出现人体时,则触发报警机制,实时报警,实现对陌生人进入的情况进行准确判断,且进行准确地报警,以降低入贼所带来的安全隐患的损失。
图6是本发明实施例提供的一种住宅安全防护装置300的示意性框图。如图6所示,对应于以上住宅安全防护方法,本发明还提供一种住宅安全防护装置300。该住宅安全防护装置300包括用于执行上述住宅安全防护方法的单元,该装置可以被配置于服务器中。
具体地,请参阅图6,该住宅安全防护装置300包括:
设置单元301,用于对住宅环境进行布防设置;
图片获取单元303,用于获取住宅环境内的当前实时图片;
识别单元305,用于对当前实时图片进行图像识别;
判断单元306,用于判断识别结果是否为有人体存在;
报警单元307,用于若是,则触发报警机制进行报警。
在一实施例中,如图7所示,所述识别单元305包括:
特征层获取子单元3051,用于使用CNN神经网络提取出当前实时图片的特征,以得到特征层;
集合提取子单元3052,用于采用多尺度滑动窗口对当前实时图片提取目标位置候选框集合;
映射子单元3053,用于将目标位置候选框集合映射至特征层,以得到候选框坐标;
池化子单元3054,用于对候选框进行池化处理,获取候选框的特征;
分类子单元3055,用于对候选框的特征进行目标分类和识别,以得到识别结果。
在一实施例中,所述集合获取子单元3052包括:
切割模块,用于切割图像,以得到候选区域集合以及各个区域;
初始化模块,用于初始化切割后的每两个相邻区域的相似集合,以得到初始相似集合;
相似度计算模块,用于计算每两个相邻区域的相似度;
集合形成模块,用于将相似度与初始相似集合合并,形成新相似集合;
判断模块,用于判断新相似集合是否不等于初始相似集合;
最大相似度获取模块,用于若是,则获取最大相似度;
区域合并模块,用于合并最大相似度的两个相邻区域;
移除模块,用于移除新相似集合中最大相似度对应的两个相邻区域的相似度;
相似度集合计算模块,用于计算最大相似度的两个相邻区域的相似度集合;
相似度集合合并模块,用于合并新相似集合与最大相似度的两个相邻区域的相似度集合,形成目标相似集合;
目标形成模块,用于合并候选区域集合与最大相似度的两个相邻区域的相似度集合,形成目标候选区域集合;
候选框获取模块,用于获取目标候选区域集合对应的边框,形成目标位置候选框集合。
图8是本发明另一实施例提供的一种住宅安全防护装置300的示意性框图。如图8所示,本实施例的住宅安全防护装置300是上述实施例的基础上增加了过滤单元以及保存单元。
过滤单元302,用于过滤初次成像的图像质量噪点。
保存单元304,用于保存当前实时图片。
需要说明的是,所属领域的技术人员可以清楚地了解到,上述住宅安全防护装置300和各单元的具体实现过程,可以参考前述方法实施例中的相应描述,为了描述的方便和简洁,在此不再赘述。
上述住宅安全防护装置300可以实现为一种计算机程序的形式,该计算机程序可以在如图9所示的计算机设备上运行。
请参阅图9,图9是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500是服务器。
参阅图9,该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505,其中,存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032包括程序指令,该程序指令被执行时,可使得处理器502执行一种住宅安全防护方法。
该处理器502用于提供计算和控制能力,以支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境,该计算机程序5032被处理器502执行时,可使得处理器502执行一种住宅安全防护方法。
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备500的限定,具体的计算机设备500可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
其中,所述处理器502用于运行存储在存储器中的计算机程序5032,以实现如下步骤:
对住宅环境进行布防设置;
获取住宅环境内的当前实时图片;
对当前实时图片进行图像识别;
判断识别结果是否为有人体存在;
若是,则触发报警机制进行报警。
在一实施例中,处理器502在实现所述对当前实时图片进行图像识别步骤时,具体实现如下步骤:
使用CNN神经网络提取出当前实时图片的特征,以得到特征层;
采用多尺度滑动窗口对当前实时图片提取目标位置候选框集合;
将目标位置候选框集合映射至特征层,以得到候选框坐标;
对候选框进行池化处理,获取候选框的特征;
对候选框的特征进行目标分类和识别,以得到识别结果。
在一实施例中,处理器502在实现所述采用多尺度滑动窗口对当前实时图片提取目标位置候选框集合步骤时,具体实现如下步骤:
切割图像,以得到候选区域集合以及各个区域;
初始化切割后的每两个相邻区域的相似集合,以得到初始相似集合;
计算每两个相邻区域的相似度;
将相似度与初始相似集合合并,形成新相似集合;
判断新相似集合是否不等于初始相似集合;
若是,则获取最大相似度;
合并最大相似度的两个相邻区域;
移除新相似集合中最大相似度对应的两个相邻区域的相似度;
计算最大相似度的两个相邻区域的相似度集合;
合并新相似集合与最大相似度的两个相邻区域的相似度集合,形成目标相似集合;
合并候选区域集合与最大相似度的两个相邻区域的相似度集合,形成目标候选区域集合;
获取目标候选区域集合对应的边框,形成目标位置候选框集合。
在一实施例中,处理器502在实现所述触发报警机制进行报警步骤时,具体实现如下步骤:
通过发声形式进行单机报警或通过网络进行短信自动群发、自动波打报警电话。
在一实施例中,处理器502在实现所述获取住宅环境内的当前实时图片步骤之前,还实现如下步骤:
过滤初次成像的图像质量噪点。
在一实施例中,处理器502在实现所述获取住宅环境内的当前实时图片步骤之后,还实现如下步骤:
保存当前实时图片。
应当理解,在本申请实施例中,处理器502可以是中央处理单元(CentralProcessing Unit,CPU),该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令,计算机程序可存储于一存储介质中,该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行,以实现上述方法的实施例的流程步骤。
因此,本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序,其中该计算机程序被处理器执行时使处理器执行如下步骤:
对住宅环境进行布防设置;
获取住宅环境内的当前实时图片;
对当前实时图片进行图像识别;
判断识别结果是否为有人体存在;
若是,则触发报警机制进行报警。
在一实施例中,所述处理器在执行所述计算机程序而实现所述对当前实时图片进行图像识别步骤时,具体实现如下步骤:
使用CNN神经网络提取出当前实时图片的特征,以得到特征层;
采用多尺度滑动窗口对当前实时图片提取目标位置候选框集合;
将目标位置候选框集合映射至特征层,以得到候选框坐标;
对候选框进行池化处理,获取候选框的特征;
对候选框的特征进行目标分类和识别,以得到识别结果。
在一实施例中,所述处理器在执行所述计算机程序而实现所述采用多尺度滑动窗口对当前实时图片提取目标位置候选框集合步骤时,具体实现如下步骤:
切割图像,以得到候选区域集合以及各个区域;
初始化切割后的每两个相邻区域的相似集合,以得到初始相似集合;
计算每两个相邻区域的相似度;
将相似度与初始相似集合合并,形成新相似集合;
判断新相似集合是否不等于初始相似集合;
若是,则获取最大相似度;
合并最大相似度的两个相邻区域;
移除新相似集合中最大相似度对应的两个相邻区域的相似度;
计算最大相似度的两个相邻区域的相似度集合;
合并新相似集合与最大相似度的两个相邻区域的相似度集合,形成目标相似集合;
合并候选区域集合与最大相似度的两个相邻区域的相似度集合,形成目标候选区域集合;
获取目标候选区域集合对应的边框,形成目标位置候选框集合。
在一实施例中,所述处理器在执行所述计算机程序而实现所述触发报警机制进行报警步骤时,具体实现如下步骤:
通过发声形式进行单机报警或通过网络进行短信自动群发、自动波打报警电话。
在一实施例中,所述处理器在执行所述计算机程序而实现所述获取住宅环境内的当前实时图片步骤之前,还实现如下步骤:
过滤初次成像的图像质量噪点。
在一实施例中,所述处理器在执行所述计算机程序而实现所述获取住宅环境内的当前实时图片步骤之后,还实现如下步骤:
保存当前实时图片。
所述存储介质可以是U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,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,各个单元的划分,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。例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外,在本发明各个实施例中的各功能单元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,也可以是两个或两个以上单元集成在一个单元中。
该集成的单元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,或者该技术方案的全部或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,终端,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。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,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,可轻易想到各种等效的修改或替换,这些修改或替换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权利要求的保护范围为准。
Claims (10)
1.住宅安全防护方法,其特征在于,包括:
对住宅环境进行布防设置;
获取住宅环境内的当前实时图片;
对当前实时图片进行图像识别;
判断识别结果是否为有人体存在;
若是,则触发报警机制进行报警。
2.根据权利要求1所述的住宅安全防护方法,其特征在于,所述对当前实时图片进行图像识别,包括:
使用CNN神经网络提取出当前实时图片的特征,以得到特征层;
采用多尺度滑动窗口对当前实时图片提取目标位置候选框集合;
将目标位置候选框集合映射至特征层,以得到候选框坐标;
对候选框进行池化处理,获取候选框的特征;
对候选框的特征进行目标分类和识别,以得到识别结果。
3.根据权利要求2所述的住宅安全防护方法,其特征在于,所述采用多尺度滑动窗口对当前实时图片提取目标位置候选框集合,包括:
切割图像,以得到候选区域集合以及各个区域;
初始化切割后的每两个相邻区域的相似集合,以得到初始相似集合;
计算每两个相邻区域的相似度;
将相似度与初始相似集合合并,形成新相似集合;
判断新相似集合是否不等于初始相似集合;
若是,则获取最大相似度;
合并最大相似度的两个相邻区域;
移除新相似集合中最大相似度对应的两个相邻区域的相似度;
计算最大相似度的两个相邻区域的相似度集合;
合并新相似集合与最大相似度的两个相邻区域的相似度集合,形成目标相似集合;
合并候选区域集合与最大相似度的两个相邻区域的相似度集合,形成目标候选区域集合;
获取目标候选区域集合对应的边框,形成目标位置候选框集合。
4.根据权利要求1至3任一项所述的住宅安全防护方法,其特征在于,所述触发报警机制进行报警,包括:
通过发声形式进行单机报警或通过网络进行短信自动群发、自动波打报警电话。
5.根据权利要求1所述的住宅安全防护方法,其特征在于,所述获取住宅环境内的当前实时图片之前,还包括:
过滤初次成像的图像质量噪点。
6.根据权利要求2所述的住宅安全防护方法,其特征在于,所述获取住宅环境内的当前实时图片之后,还包括:
保存当前实时图片。
7.住宅安全防护装置,其特征在于,包括:
设置单元,用于对住宅环境进行布防设置;
图片获取单元,用于获取住宅环境内的当前实时图片;
识别单元,用于对当前实时图片进行图像识别;
判断单元,用于判断识别结果是否为有人体存在;
报警单元,用于若是,则触发报警机制进行报警。
8.根据权利要求7所述的住宅安全防护装置,其特征在于,所述装置还包括:
过滤单元,用于过滤初次成像的图像质量噪点。
9.一种计算机设备,其特征在于,所述计算机设备包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的方法。
10.一种存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时可实现如权利要求1至6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810974982.2A CN109117812A (zh) | 2018-08-24 | 2018-08-24 | 住宅安全防护方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810974982.2A CN109117812A (zh) | 2018-08-24 | 2018-08-24 | 住宅安全防护方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109117812A true CN109117812A (zh) | 2019-01-01 |
Family
ID=64860865
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810974982.2A Pending CN109117812A (zh) | 2018-08-24 | 2018-08-24 | 住宅安全防护方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109117812A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110867045A (zh) * | 2019-11-07 | 2020-03-06 | 武汉多谱多勒科技有限公司 | 一种消防现场使用的红外图像人体检测方法与装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521578A (zh) * | 2011-12-19 | 2012-06-27 | 中山爱科数字科技股份有限公司 | 一种入侵检测和识别方法 |
CN105303200A (zh) * | 2014-09-22 | 2016-02-03 | 电子科技大学 | 用于手持设备的人脸识别方法 |
CN105354902A (zh) * | 2015-11-10 | 2016-02-24 | 深圳市商汤科技有限公司 | 一种基于人脸识别的安保管理方法及系统 |
CN106981071A (zh) * | 2017-03-21 | 2017-07-25 | 广东华中科技大学工业技术研究院 | 一种基于无人艇应用的目标跟踪方法 |
-
2018
- 2018-08-24 CN CN201810974982.2A patent/CN109117812A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521578A (zh) * | 2011-12-19 | 2012-06-27 | 中山爱科数字科技股份有限公司 | 一种入侵检测和识别方法 |
CN105303200A (zh) * | 2014-09-22 | 2016-02-03 | 电子科技大学 | 用于手持设备的人脸识别方法 |
CN105354902A (zh) * | 2015-11-10 | 2016-02-24 | 深圳市商汤科技有限公司 | 一种基于人脸识别的安保管理方法及系统 |
CN106981071A (zh) * | 2017-03-21 | 2017-07-25 | 广东华中科技大学工业技术研究院 | 一种基于无人艇应用的目标跟踪方法 |
Non-Patent Citations (1)
Title |
---|
鸟恋旧林XD: "论文笔记《Selective Search for object recognition》", 《HTTPS://BLOG.CSDN.NET/NIAOLIANJIULIN/ARTICLE/DETAILS/52950797》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110867045A (zh) * | 2019-11-07 | 2020-03-06 | 武汉多谱多勒科技有限公司 | 一种消防现场使用的红外图像人体检测方法与装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11196966B2 (en) | Identifying and locating objects by associating video data of the objects with signals identifying wireless devices belonging to the objects | |
US11232685B1 (en) | Security system with dual-mode event video and still image recording | |
US11735018B2 (en) | Security system with face recognition | |
US9396400B1 (en) | Computer-vision based security system using a depth camera | |
CN103092345B (zh) | 一种移动终端的模式切换方法及装置 | |
Othman et al. | A new IoT combined body detection of people by using computer vision for security application | |
US10593174B1 (en) | Automatic setup mode after disconnect from a network | |
US20170213080A1 (en) | Methods and systems for automatically and accurately detecting human bodies in videos and/or images | |
CN109299703A (zh) | 对鼠情进行统计的方法、装置以及图像采集设备 | |
US10769909B1 (en) | Using sensor data to detect events | |
US11195408B1 (en) | Sending signals for help during an emergency event | |
US11257226B1 (en) | Low-overhead motion classification | |
US11341825B1 (en) | Implementing deterrent protocols in response to detected security events | |
US10594990B1 (en) | Reporting connectivity problems for electronic devices | |
US11659144B1 (en) | Security video data processing systems and methods | |
CN110929584A (zh) | 网络训练方法、监控方法、系统、存储介质和计算机设备 | |
US11302156B1 (en) | User interfaces associated with device applications | |
US10943442B1 (en) | Customized notifications based on device characteristics | |
US10791607B1 (en) | Configuring and controlling light emitters | |
CN115002414A (zh) | 监测方法、装置及服务器和计算机可读存储介质 | |
CN110443179B (zh) | 离岗检测方法、装置以及存储介质 | |
CN111339943A (zh) | 一种对象管理方法、系统、平台、设备及介质 | |
CN109117812A (zh) | 住宅安全防护方法、装置、计算机设备及存储介质 | |
Pandya et al. | Smart home anti-theft system: a novel approach for near real-time monitoring, smart home security and large video data handling for wellness protocol | |
US10914811B1 (en) | Locating a source of a sound using microphones and radio frequency communication |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190101 |
|
RJ01 | Rejection of invention patent application after publication |