CN109120916A - 摄像机故障检测方法、装置及计算机设备 - Google Patents
摄像机故障检测方法、装置及计算机设备 Download PDFInfo
- Publication number
- CN109120916A CN109120916A CN201710482505.XA CN201710482505A CN109120916A CN 109120916 A CN109120916 A CN 109120916A CN 201710482505 A CN201710482505 A CN 201710482505A CN 109120916 A CN109120916 A CN 109120916A
- Authority
- CN
- China
- Prior art keywords
- camera
- determining
- fault
- flow
- image
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 143
- 238000000034 method Methods 0.000 claims description 51
- 238000012544 monitoring process Methods 0.000 claims description 38
- 238000004891 communication Methods 0.000 claims description 18
- 230000009467 reduction Effects 0.000 claims description 15
- 230000003247 decreasing effect Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 230000007257 malfunction Effects 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 description 20
- 238000012545 processing Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000007689 inspection Methods 0.000 description 7
- 230000006399 behavior Effects 0.000 description 6
- 238000010276 construction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N17/00—Diagnosis, testing or measuring for television systems or their details
- H04N17/002—Diagnosis, testing or measuring for television systems or their details for television cameras
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Studio Devices (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明实施例提供了摄像机故障检测方法、装置、计算机设备及可读存储介质。其中，本发明实施例提供的摄像机故障检测方法包括：获取当前用于故障检测的第一图像，其中，所述第一图像为：待检测故障的第一摄像机所采集监控视频中的图像；对所述第一图像进行目标检测，获得所述第一图像中包含的目标的数量；确定所述第一摄像机对应的第一流量阈值；根据所述数量和所述第一流量阈值，确定所述第一摄像机是否存在故障。通过本发明实施例提供的摄像机故障检测方法，能够提高摄像机故障检测的准确率。
Description
技术领域
本发明涉及监控技术领域，特别是涉及摄像机故障检测方法、装置、计算机设备及可读存储介质。
背景技术
随着信息技术的不断发展，城市信息化应用水平不断提升，智慧城市建设应运而生。建设智慧城市在实现城市可持续发展、引领信息技术应用、提升城市综合竞争力等方面具有重要意义。
视频监控系统作为智慧城市建设中的一环，其重要程度日益凸显。摄像机作为在视频监控系统的重要组成部分，主要用于采集视频图像信息，并将采集到的视频图像信息传送给视频监控平台，为智慧城市的建设提供信息的支撑。但摄像机在工作的过程中会因为各种各样的原因出现故障，不能正常工作。为了最大限度地实现视频监控系统的功能，需要对摄像机的工作状态进行检测。
因此，一系列摄像机故障检测方案被提出，其中，现有的故障检测方案中，常采用传统的图像处理算法来分析摄像机的监控视频的图像质量，若图像质量太差，则表明摄像机出现了故障。具体地，采用传统的图像处理算法，对图像的亮度、色偏、清晰度、条纹、噪点等进行分析判断，若存在问题，如图像纹理不正常、噪点多等，则表示对应的摄像机可能存在故障。
但上述故障检测算法适应性差，对于雨雪天、顺逆光等场景，摄像机得到的图像本身就具有多噪点等问题，易出现误报；此外，对于人为的扭转破坏，导致摄像机无法正常工作的现象，如将摄像机扭转对向天空或墙角等，只要得到的图像是正常的就无法判断出对应的摄像机是否存在故障，从而导致摄像机的故障检测准确率低。
发明内容
本发明实施例的目的在于提供摄像机故障检测方法、装置、计算机设备及可读存储介质，以提高摄像机故障检测的准确率。具体技术方案如下：
第一方面，本发明实施例提供了一种摄像机故障检测方法，所述方法包括：
获取当前用于故障检测的第一图像，其中，所述第一图像为：待检测故障的第一摄像机所采集监控视频中的图像；
对所述第一图像进行目标检测，获得所述第一图像中包含的目标的数量；
确定所述第一摄像机对应的第一流量阈值；
根据所述数量和所述第一流量阈值，确定所述第一摄像机是否存在故障。
可选的，所述确定所述第一摄像机对应的第一流量阈值的步骤，包括：
根据所述第一采集时间，确定所述第一摄像机对应的第一流量阈值，其中，所述第一采集时间为所述第一图像对应的采集时间。
可选的，所述根据所述第一采集时间，确定所述第一摄像机对应的第一流量阈值的步骤，包括：
确定第一辅助值，其中，所述第一辅助值包括针对所述第一摄像机、且与所述第一采集时间对应的至少一个历史目标数量；
基于所述第一辅助值，确定所述第一摄像机对应的第一流量阈值。
可选的，所述根据所述第一采集时间，确定所述第一摄像机对应的第一流量阈值的步骤，包括：
根据预先针对所述第一摄像机建立的采集时间与流量阈值的对应关系，确定与所述第一采集时间具有对应关系的流量阈值，并将所确定出的流量阈值确定为所述第一摄像机对应的第一流量阈值。
可选的，所述根据所述数量和所述第一流量阈值，确定所述第一摄像机是否存在故障的步骤，包括：
确定第二辅助值，其中，所述第二辅助值包括针对所述第一摄像机、且与所述第一采集时间对应的至少一个历史目标数量，所述第一采集时间为所述第一图像对应的采集时间；
根据所述数量、所述第一流量阈值以及第二辅助值，确定所述第一摄像机是否存在故障。
可选的，所述根据所述数量、所述第一流量阈值以及第二辅助值，确定所述第一摄像机是否存在故障的步骤，包括：
判断所述数量是否小于所述第一流量阈值；
如果否，确定所述第一摄像机不存在故障；
如果是，统计第一队列中小于所述第一流量阈值的历史目标数量的连续个数，并判断所统计的连续个数是否大于第一预设阈值，若是，确定所述第一摄像机存在故障，若否，确定所述第一摄像机不存在故障；其中，所述第一队列为按照所对应采集时间的先后顺序，排列所述第二辅助值所包括的至少一个历史目标数量所得的队列。
可选的，所述根据所述数量、所述第一流量阈值以及第二辅助值，确定所述第一摄像机是否存在故障的步骤，包括：
判断所述数量是否小于所述第一流量阈值；
如果否，确定所述第一摄像机不存在故障；
如果是，确定所述第二辅助值所包括至少一个历史目标数量的平均值，并判断所述平均值是否小于第二预设阈值，若是，确定所述第一摄像机存在故障，若否，确定所述第一摄像机不存在故障。
可选的，在所述获取当前用于故障检测的第一图像之前，所述方法还包括：
按照优先级的高低，从视频源列表中确定当前待故障检测的第一摄像机；其中，所述视频源列表记录有待检测的多个摄像机，所述视频源列表中的每一摄像机均具有优先级；
相应的，在所述根据所述数量和所述第一流量阈值，确定所述第一摄像机是否存在故障之后，所述方法还包括：
当确定出所述第一摄像机不存在故障时，根据所述数量，调整所述第一摄像机的优先级；
并且，在对所述第一摄像机检测完毕后，按照优先级的高低，从所述视频源列表中选择一个当前未被检测的摄像机，将所选择的摄像机作为新的当前待检测故障的第一摄像机,并返回执行获取当前用于故障检测的第一图像的步骤。
可选的，所述方法还包括：
当确定出所述第一摄像机存在故障时，将所述第一摄像机加入故障列表，并从所述视频源列表中剔除所述第一摄像机。
可选的，所述根据所述数量，调整所述第一摄像机的优先级的步骤，包括：
判断所述第一摄像机是否为大流量摄像机；
当判断所述第一摄像机为大流量摄像机时，执行如下步骤：
判断所述数量是否大于零；
如果是，判断所述数量的同比下降率是否大于第三预设阈值，若是，根据所述同比下降率，调高所述第一摄像机的优先级，若否，根据所述同比下降率，调低所述第一摄像机的优先级；
如果否，调高所述第一摄像机的优先级至最高优先级；
当判断所述第一摄像机不为大流量摄像机时，执行如下步骤：
判断所述数量是否大于零；
如果是，调低所述第一摄像机的优先级至最低优先级；
如果否，按照预定步长值，调高所述第一摄像机的优先级。
可选的，所述判断所述第一摄像机是否为大流量摄像机的步骤，包括：
判断所述第一摄像机对应的各个历史目标数量是否符合预定大流量条件，如果是，判定所述第一摄像机为大流量摄像机，否则，判定所述第一摄像机不为大流量摄像机，所述预定大流量条件包括：均大于第一预定数量或所对应的均值大于第二预定数量；
或者，
判断所述第一摄像机是否属于预定的大流量摄像机集合，若是，判定所的第一摄像机为大流量摄像机，否则，判定所述第一摄像机不为大流量摄像机。
第二方面，本发明实施例提供了一种摄像机故障检测装置，所述装置包括：
图像获取模块，用于获取当前用于故障检测的第一图像，其中，所述第一图像为：待检测故障的第一摄像机所采集监控视频中的图像；
目标获得模块，用于对所述第一图像进行目标检测，获得所述第一图像中包含的目标的数量；
第一确定模块，用于确定所述第一摄像机对应的第一流量阈值；
第二确定模块，用于根据所述数量和所述第一流量阈值，确定所述第一摄像机是否存在故障。
可选的，所述第一确定模块包括流量阈值确定子模块；
所述流量阈值确定子模块，用根据所述第一采集时间，确定所述第一摄像机对应的第一流量阈值，其中，所述第一采集时间为所述第一图像对应的采集时间。
可选的，所述流量阈值确定子模块，包括：
第一确定单元，用于确定第一辅助值，其中，所述第一辅助值包括针对所述第一摄像机、且与所述第一采集时间对应的至少一个历史目标数量；
第二确定单元，用于基于所述第一辅助值，确定所述第一摄像机对应的第一流量阈值。
可选的，所述流量阈值确定子模块，包括：
流量阈值确定单元，用于根据预先针对所述第一摄像机建立的采集时间与流量阈值的对应关系，确定与所述第一采集时间具有对应关系的流量阈值，并将所确定出的流量阈值确定为所述第一摄像机对应的第一流量阈值。
可选的，所述第二确定模块，包括：
第一确定子模块，用于确定第二辅助值，其中，所述第二辅助值包括针对所述第一摄像机、且与所述第一采集时间对应的至少一个历史目标数量，所述第一采集时间为所述第一图像对应的采集时间；
第二确定子模块，根据所述数量、所述第一流量阈值以及第二辅助值，确定所述第一摄像机是否存在故障。
可选的，所述第二确定子模块，包括：
第一判断单元，用于判断所述数量是否小于所述第一流量阈值；
第三确定单元，用于在所述第一判断子单元的判断结果为否的情况下，确定所述第一摄像机不存在故障；
第四确定单元，用于在所述第一判断子单元的判断结果为是的情况下，统计第一队列中小于所述第一流量阈值的历史目标数量的连续个数，并判断所统计的连续个数是否大于第一预设阈值，若是，确定所述第一摄像机存在故障，若否，确定所述第一摄像机不存在故障；其中，所述第一队列为按照所对应采集时间的先后顺序，排列所述第二辅助值所包括的至少一个历史目标数量所得的队列。
可选的，所述第二确定子模块，包括：
第二判断单元，用于判断所述数量是否小于所述第一流量阈值；
第五确定单元，用于在所述第二判断子单元的判断结果为否的情况下，确定所述第一摄像机不存在故障；
第六确定单元，用于在所述第二判断子单元的判断结果为是的情况下，确定所述第二辅助值所包括至少一个历史目标数量的平均值，并判断所述平均值是否小于第二预设阈值，若是，确定所述第一摄像机存在故障，若否，确定所述第一摄像机不存在故障。
可选的，所述装置还包括：
第三确定模块，用于在所述图像获取模块获取当前用于故障检测的第一图像之前，按照优先级的高低，从视频源列表中确定当前待故障检测的第一摄像机；其中，所述视频源列表记录有待检测的多个摄像机，所述视频源列表中的每一摄像机均具有优先级；
调整模块，用于当所述第二确定模块确定出所述第一摄像机不存在故障时，根据所述数量，调整所述第一摄像机的优先级；
选择模块，用于在对所述第一摄像机检测完毕后，按照优先级的高低，从所述视频源列表中选择一个当前未被检测的摄像机，将所选择的摄像机作为新的当前待检测故障的第一摄像机，并触发所述获取模块。
可选的，所述装置还包括：
剔除模块，用于当所述第二确定模块确定出所述第一摄像机存在故障时，将所述第一摄像机加入故障列表，并从所述视频源列表中剔除所述第一摄像机。
可选的，所述调整模块，包括：
第一判断子模块，用于判断所述第一摄像机是否为大流量摄像机；
第二判断子模块，用于在所述第一判断子模块的判断结果为是的情况下，判断所述数量是否大于零；
第一调整子模块，用于在所述第二判断子模块的判断结果为是的情况下，判断所述数量的同比下降率是否大于第三预设阈值，若是，根据所述同比下降率，调高所述第一摄像机的优先级，若否，根据所述同比下降率，调低所述第一摄像机的优先级；
第二调整子模块，用于在所述第二判断子模块的判断结果为否的情况下，调高所述第一摄像机的优先级至最高优先级；
第三判断子模块，用于在所述第一判断子模块的判断结果为否的情况下，判断所述数量是否大于零；
第三调整子模块，用于在所述第三判断子模块的判断结果为是的情况下，调低所述第一摄像机的优先级至最低优先级；
第四调整子模块，用于在所述第三判断子模块的判断结果为否的情况下，按照预定步长值，调高所述第一摄像机的优先级。
可选的，所述第一判断子模块，包括：
第一判断单元，用于判断所述第一摄像机对应的各个历史目标数量是否符合预定大流量条件，如果是，判定所述第一摄像机为大流量摄像机，否则，判定所述第一摄像机不为大流量摄像机，所述预定大流量条件包括：均大于第一预定数量或所对应的均值大于第二预定数量；
或者，
第二判断单元，用于判断所述第一摄像机是否属于预定的大流量摄像机集合；若是，判定所述第一摄像机为大流量摄像机，否则，判定所述第一摄像机不为大流量摄像机。
第三方面，本发明实施例提供了一种计算机设备，计算机设备包括处理器、通信接口、存储器和通信总线，其中，所述处理器，所述通信接口，所述存储器通过所述通信总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行存储器上所存放的程序时，实现如上述第一方面所述的方法步骤。
第四方面，本发明实施例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内存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的方法步骤。
本发明实施例提供了一种摄像机故障检测方法、装置、计算机设备及可读存储介质，转变了故障判断的角度，由对视频图像质量的判断转变为从摄像机的用途出发，由于摄像机主要用于监控行人及车辆等目标的行为，因此，可以考虑通过摄像机所采集图像中所包含目标的数量与流量阈值的关系，来判断摄像机是否发生故障。相对于传统图像处理算法，不但针对雨雪天等恶劣天气，采用检测目标的方式的误判率较低，并且，对于人为扭转而导致的故障，采用检测目标的方式也能够有效检测出，因此，通过该本方案大大提高了监控摄像机故障检测的准确率。
附图说明
为了更清楚地说明本发明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摄像机故障检测方法的一种流程示意图；
图2为现有技术中Faster R-CNN目标检测算法流程示意图；
图3为在不同的天气情况下，Faster R-CNN目标检测算法的检测结果示意图；
图4为本发明实施例提供的摄像机故障检测方法的另一种流程示意图；
图5为本发明实施例提供的摄像机故障检测方法的另一种流程示意图；
图6为本发明实施例提供的摄像机故障检测方法的另一种流程示意图；
图7为本发明实施例提供的摄像机故障检测装置的结构示意图；
图8为本发明实施例提供的计算机设备的结构示意图。
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，所描述的实施例仅仅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。
为了提高摄像机的故障检测准确率，本发明实施例提供了摄像机故障检测方法、装置、计算机设备及可读存储介质。
下面首先对本发明实施例提供的一种摄像机故障检测方法进行介绍。
需要说明的是，实现本发明实施例所提供的摄像机故障检测方法的功能软件可以为摄像机故障检测装置。并且，该摄像机故障检测装置可以为运行于计算机设备中的功能软件。其中，在具体应用中，该计算机设备可以为终端设备，也可以为服务器，在此不做限定。
图1为本发明实施例提供的摄像机故障检测方法的一种流程图，包括如下步骤：
S101：获取当前用于故障检测的第一图像。
可以理解的是，第一图像为：待检测故障的第一摄像机所采集监控视频中的图像。
具体的，第一图像可以为待检测故障的第一摄像机所采集监控视频中，上次检测后新生成的图像，在此不作限定。考虑到故障检测的实时性以及准确性，作为本发明实施例的一种具体实现方式，第一图像可以为待检测故障的摄像机所采集监控视频中当前时刻的图像，当然并不局限于此。另外，可以在第一摄像机所采集的监控视频中随机选取一幅图像作为第一图像，还可以将所采集的监控视频中最后采集的图像作为第一图像，还可以将所采集的监控视频中的关键帧的图像作为第一图像等等。
S102：对第一图像进行目标检测，获得第一图像中包含的目标的数量。
作为本发明实施例的一种具体实现方式，获得第一图像中包含的目标的数量可以包括：获得第一图像中预定类型的目标的数量，其中，预定类型可以包括机动车(如小轿车、货车、大巴车)、非机动车(如二轮车、三轮车)、行人等，而二轮车又可以包括自行车、摩托车、电瓶车等，具体根据实际需求而定，在此不作限定。
需要说明的是，对该第一图像进行目标检测所采用的检测算法可以为传统的目标检测算法，也可以为基于深度学习的目标检测算法，或者其他目标检测算法。
可选的，为得到较好的目标检测效果，从而确保后续摄像机故障检测的准确率，本发明实施例的一种具体实现方式中，对第一图像进行目标检测的步骤，可以包括：
使用Faster R-CNN目标检测算法，对第一图像进行目标检测。
需要说明的是，Faster R-CNN目标检测算法，是一种基于Region Proposal(候选区域)的R(Region，区域)CNN(Convolutional Neural Network，卷积神经网络)目标检测算法。Faster R-CNN目标检测算法的流程可以参见图2所示，首先，将待检测源图的数据输入CNN，由CNN完成源图的特征提取，得到特征图(Feature map)，然后将Feature map分别输入RPN(Region Proposal Network，区域生成网络)和RCNN，RPN将根据特征图把所有可能的候选区域筛选出，传输给RCNN，RCNN则根据Feature map以及RPN筛选出的候选区域对源图中的目标进行识别分类。这里所说的源图可以是上述第一图像。关于更具体的如何使用Faster R-CNN目标检测算法进行目标检测，为现有技术，此处不再赘述。
可以理解的是，目前常用的Faster R-CNN目标检测算法的网络模型主要有ZF、VGG16、ResNet(深度残差网络)网络；其中，ZF为提出这种网络模型的两个提出者的名字缩写组合，VGG16为是一种典型的CNN网络。本发明实施例所提供的一种具体实现方式中，可以根据实际需求进行对ZF网络进行改进优化，如减少网络层数等；然后，将优化后的ZF网络作为本发明实施例中Faster R-CNN目标检测算法的网络模型。
示例性的，图3为在不同的天气情况下，Faster R-CNN目标检测算法的检测结果示意图，图3(a)是使用Faster R-CNN目标检测算法，对阴天采集到的图像进行目标检测后的检测结果；图3(b)是使用Faster R-CNN目标检测算法，对雪天采集到的图像进行目标检测后的检测结果；图3(c)是使用Faster R-CNN目标检测算法，对晴天采集到的图像进行目标检测后的检测结果；图3(d)是使用Faster R-CNN目标检测算法，对逆光比较厉害的天气采集到的图像进行目标检测后的检测结果；图3(e)是使用Faster R-CNN目标检测算法，对雨天晚上采集到的图像进行目标检测后的检测结果，从图3可以看出，Faster R-CNN目标检测算法检测效果较好，对各种光照条件(雨雪天、逆光、晚上)、各种复杂场景(遮挡、机非人混行)均有较好的适应性。
S103：确定第一摄像机对应的第一流量阈值。
可以理解的是，第一流量阈值，用以进行后续对第一摄像机是否存在故障的判断。该第一流量阈值可以为人为设定的经验值，当然，也可以根据第一摄像机对应的历史目标数量，确定第一摄像机对应的第一流量阈值。举例而言，假设该摄像机的历史目标数量均大于10，可以确定对应的第一流量阈值为10。当然，上述所举示例，仅为本发明实施例的一具体实例，不具有限定作用。
在本发明实施例中，摄像机部署在不同的地方，监控的场景不同，则采集的图像中的目标的数量不同。为了使得故障检测结果更加地准确，可以针对不同的摄像机设置不同的流量阈值。示例性的，针对长期处于大流量状态的摄像机，及部分流量较小的摄像机，分别确定对应的第一流量阈值。其中，长期处于大流量状态的摄像机，指监控场景中目标的数量比较多的摄像机，也可以指监控场景中车流量和人流量比较大的摄像机，如重要十字路口的摄像机。
S104：根据数量和第一流量阈值，确定第一摄像机是否存在故障。
其中，可以根据第一图像中检测获得的目标的数量以及对应的第一流量阈值，确定第一摄像机是否存在故障。
可选的，在一种具体实现方式中，根据数量和第一流量阈值，确定第一摄像机是否存在故障的步骤，可以包括：
判断数量是否小于第一流量阈值；
若是，确定第一摄像机存在故障；
若否，确定第一摄像机不存在故障。
在这种实现方式中，在获得该第一图像中包括的目标的数量和第一流量阈值后，可以直接将两者进行比较。如果该数量小于第一流量阈值，则认定第一摄像机存在故障；而如果该数量大于该第一流量阈值时，则认定第一摄像机不存在故障。可见，在该种实现方式中，该第一流量阈值的设定的合理性对故障判断起到较为重要的作用，因此，可以将第一摄像机对应的历史目标数量中的最小值、第一摄像机对应的历史目标数量的平均值或者其他合理的值作为该第一流量阈值，此处不作限定。
可以看出，图1所示发明实施例提供的技术方案转变了故障检测的角度，由对视频图像质量的判断转变为从摄像机的用途出发，由于摄像机主要用于监控行人及车辆等目标的行为，因此，可以考虑通过摄像机所采集图像中所包含目标的数量与流量阈值的关系，来判断摄像机是否发生故障。相对于传统图像处理算法，不但针对雨雪天等恶劣天气，采用检测目标的方式的误判率较低，并且，对于人为扭转而导致的故障，采用检测目标的方式也能够有效检测出，因此，通过该实施例本方案大大提高了监控摄像机故障检测的准确率。
下面结合具体的实施例，对本发明实施例所提供的一种摄像机故障检测方法进行介绍。
如图4所示，本发明实施例所提供的一种摄像机故障检测方法，可以包括如下步骤：
S401：获取当前用于故障检测的第一图像，其中，第一图像为：待检测故障的第一摄像机所采集监控视频中的图像。
S402：对第一图像进行目标检测，获得第一图像中包含的目标的数量。
其中，S401-步骤S402与上述实施例中的S101-S102相同，在此不做赘述。
S403：根据第一采集时间，确定第一摄像机对应的第一流量阈值，其中，第一采集时间为第一图像对应的采集时间。
由于摄像机监控的场景中的目标数量是动态变化的，因此会结合检测时图像的采集时间是否为白天或者晚上，以及是否为出行高峰时段等因素来更灵活地调整摄像机对应的流量阈值，确定第一摄像机对应的第一流量阈值，以使得故障检测结果更准确。
需要说明的是，第一采集时间可以理解为第一摄像机采集第一图像时的时间。
可选的，在一种具体实现方式中，根据第一采集时间，确定第一摄像机对应的第一流量阈值的步骤，可以包括：
确定第一辅助值，其中，第一辅助值包括针对第一摄像机、且与第一采集时间对应的至少一个历史目标数量；
基于第一辅助值，确定第一摄像机对应的第一流量阈值。
需要说明的是，第一辅助值中包括了至少一个历史目标数量，历史目标数量为摄像机在第一图像之前采集到的图像中的目标的数量。具体的，与第一采集时间对应的历史目标数量，可以理解为与第一采集时间处于同一个时间段的历史目标数量，具体可以指所对应采集时间与第一采集时间处于同一个时间段的图像中所包括的目标的数量。其中，同一个时间段可以根据实际情况而定，时间段的长度也可以根据实际情况而定。示例性的，第一采集时间为周一上午8:00，时间段的长度可以是1个小时，第一采集时间的同一时间段可以为每周一上午7:30-8:30，也可以为每天上午7:30-8:30，还可以为工作日的上午7:30-8:30；还可以为工作日的上午7:40-8:40等等。当然，上述所举示例，仅为本发明实施例的一具体实例，不具有限定作用。
在该种具体实现方式中，可以从第一摄像机的历史目标数量中，确定与第一采集时间对应的历史目标数量，从所确定的历史目标数量中选择至少一个历史目标数量，作为第一辅助值。
在该种具体实现方式中，可以将第一辅助值中最小的历史目标数量；确定为第一摄像机对应的第一流量阈值；也可以将第一辅助值中的历史目标数量的平均值，确定为第一摄像机对应的第一流量阈值；也可以根据第一辅助值中的每一历史目标数量，选择一个小于每一历史目标数量的值，确定为第一摄像机对应的第一流量阈值。示例性的，第一辅助值中的每一历史目标数量均大于10，则可以将10确定为第一摄像机对应的第一流量阈值。当然，上述所举示例，仅为本发明实施例的一具体实例，不具有限定作用。
可选的，在另一种具体实现方式中，根据第一采集时间，确定第一摄像机对应的第一流量阈值的步骤，可以包括：
根据预先针对第一摄像机建立的采集时间与流量阈值的对应关系，确定与第一采集时间具有对应关系的流量阈值，并将所确定出的流量阈值确定为第一摄像机对应的第一流量阈值。
可以理解的是，图像中的目标的数量与该图像的采集时间有关。例如，在其他条件相同的情况下，在出行高峰期采集的图像中目标的数量一般大于在非出行高峰期采集的图像中的目标的数量。考虑到采集时间对目标的数量的影响，为了使故障检测结果更加地准确，针对每一摄像机，预先建立了采集时间与流量阈值的对应关系。采集时间与流量阈值之间的对应关系可以通过实地勘探得到，也可以通过对该摄像机之前一段时间采集的图像检测后得到的，还可以根据经验得到，当然，还可以通过其他方式得到。当确定了第一图像对应的采集时间，根据针对第一摄像机建立的采集时间与流量阈值的对应关系，可以当前针对第一图像对应的采集时间对应的流量阈值，作为第一摄像机对应的第一流量阈值。需要说明的是，采集时间与流量阈值之间的对应关系可以通过数据表或者文本文档等合理的形式进行保存，在此不作限定。
需要强调的是，上述所给出的根据第一采集时间，确定第一摄像机对应的第一流量阈值的具体实现方式，仅仅作为示例性说明，并不应该构成对本发明实施例的限定。
S404：根据数量和第一流量阈值，确定第一摄像机是否存在故障。
需要说明的是，S404与上述实施例中的S104相同，在此不进行赘述。
可以看出，图4所示发明实施例提供的技术方案转变了故障检测的角度，由对视频图像质量的判断转变为从摄像机的用途出发，由于摄像机主要用于监控行人及车辆的行为，且时间影响行人和车辆的数量，因此，可以考虑先通过摄像机所采集图像对应的采集时间与流量阈值的关系确定第一流量阈值，再通过所采集图像中所包含目标的数量与流量阈值的关系来判断摄像机是否发生故障。相对于传统图像处理算法，不但针对雨雪天等恶劣天气，采用检测目标的方式的误判率较低，并且，对于人为扭转而导致的故障，采用检测目标的方式也能够有效检测出，同时考虑到了时间对目标数量的影响，因此，通过该实施例本方案大大提高了监控摄像机故障检测的准确率。
下面结合另一具体实施例，对本发明实施例所提供的一种摄像机故障检测方法进行介绍。
如图5所示，本发明实施例所提供的一种摄像机故障检测方法可以包括如下步骤：
S501：获取当前用于故障检测的第一图像，其中，第一图像为：待检测故障的第一摄像机所采集监控视频中的图像。
S502：对第一图像进行目标检测，获得第一图像中包含的目标的数量。
S503：确定第一摄像机对应的第一流量阈值。
需要说明的是，S501-S503分别与上述实施例中的S101-S103相同，在此不进行赘述。
S504：确定第二辅助值。
可以理解的是，第二辅助值包括针对第一摄像机、且与所述第一采集时间对应的至少一个历史目标数量，第一采集时间为第一图像对应的采集时间。
需要说明的是，这里所说的第二辅助值和上述所说的第一辅助值可以相同，也可以不相同，具体的根据情况而定。示例性的，可以针对第一摄像机、且与第一采集时间对应的历史目标数量中，选择第一预设数量个历史目标数量作为第一辅助值，选择第二预设数量个历史目标数量作为第二辅助值。
当针对第一采集时间对应的同一时间段不同，第一采集时间对应的历史目标数量也不同，针对第一辅助值和第二辅助值，可以选择不同的第一采集时间对应的同一时间段，进而，在不同的同一时间段对应的历史目标数量中，确定对应的辅助值。示例性的，第一采集时间为周一上午8:00，第一采集时间对应的一个同一时间段为周一上午7：30-8:30，第一采集时间对应的另一个同一时间段为工作日上午7：30-8:30。可以从周一上午7：30-8:30对应的历史目标数量中，选择历史目标数量作为第一辅助值；可以从工作日上午7：30-8:30对应的历史目标数量中，选择历史目标数量作为第二辅助值。当然，上述所举示例，仅为本发明实施例的一具体实例，不具有限定作用。
S505：根据数量、第一流量阈值以及第二辅助值，确定第一摄像机是否存在故障。
为了使故障检测的结果更加地准确，尽量避免误检，同时为了将存在故障的摄像机检测出来，可以综合考虑第一图像中的目标的数量，第一流量阈值和第二辅助值，确定第一摄像机是否存在故障。利用第二辅助值确定第一摄像机是否存在故障，是利用第一摄像机以往采集的图像的信息进一步地确定第一摄像机是否存在故障，这样可以确定摄像机是否存在故障的确定标准更加地细化，使得故障检测结果的准确率更高。
可选的，在一种具体实现方式中，根据数量、第一流量阈值以及第二辅助值，确定第一摄像机是否存在故障的步骤，包括：
判断数量是否小于第一流量阈值；
如果否，确定第一摄像机不存在故障；
如果是，统计第一队列中小于第一流量阈值的历史目标数量的连续个数，并判断所统计的连续个数是否大于第一预设阈值，若是，确定第一摄像机存在故障，若否，确定第一摄像机不存在故障；其中，第一队列为按照所对应采集时间的先后顺序，排列第二辅助值所包括的至少一个历史目标数量所得的队列。
在该种具体实现方式中，第一队列是按照所对应的采集时间的先后顺序，对第二辅助值中的历史目标数量排序得到的。示例性的，假设第二辅助值分别为9、2、5、11、3，历史目标数量9所对应的采集时间为本周三的上午8:10；历史目标数量2所对应的采集时间为本周二的上午7:40；历史目标数量5所对应的采集时间为本周四的上午8:00；历史目标数量11所对应的采集时间为上周五的上午8:00；历史目标数量3所对应的采集时间为本周一的上午7:50；对第二辅助值中的历史目标数量进行排序，得到的第一队列可以为：5、9、2、3、11。当然，上述所举示例，仅为本发明实施例的一具体实例，不具有限定作用。
其中，在第一图像的目标的数量小于第一流量阈值，需要统计第一队列中小于第一流量阈值的历史目标数量的连续个数，然后判断所统计的连续个数是否第一预设阈值，在小于的情况下，则确定第一摄像机存在故障，否则确定第一摄像机不存在故障。需要说明的是，第一预设阈值可以是经验值还可以是通过其他方式确定的值，在这里不进行限定。
延续上述示例，假设第一流量阈值为10，第一预设阈值设为3，第一队列为5、9、2、3、11。第一队列中的5、9、2、3均小于10，并且是5、9、2、3在第一列队中是连续的，可以确定连续个数是4，连续个数大于第一预设阈值，则确定第一摄像机存在故障。在其他情况相同的情况下，第一队列为5、9、11、2、3，则第一队列中小于第一流量阈值的连续个数为2，因为虽然2和3也小于第一流量阈值，但2和3在第一队列中与5和9不连续，所以连续个数只有2个，连续个数小于第一预设阈值，确定第一摄像机不存在故障。
在本发明实施例中，连续个数反映了摄像机在连续个数对应的历史目标数量的采集时间段内的状态。通过连续个数不仅可以确定摄像机是否存在故障，还能确定摄像机是否存在人为扭转破坏的故障，相较于现有技术，能够检测出存在人为扭转故障的摄像机，提高了故障检测的准确性。
可选的，在另一种具体实现方式中，根据数量、第一流量阈值以及第二辅助值，确定第一摄像机是否存在故障的步骤，包括：
判断数量是否小于第一流量阈值；
如果否，确定第一摄像机不存在故障；
如果是，确定第二辅助值所包括至少一个历史目标数量的平均值，并判断平均值是否小于第二预设阈值，若是，确定第一摄像机存在故障，若否，确定第一摄像机不存在故障。
需要说明的是，在判断第一图像的目标的数量小于第一流量阈值的情况下，确定第二辅助值中的历史目标数量的平均值，在所确定的平均值小于第二预设阈值的情况下，确定第一摄像机存在故障。需要说明的是，第二预设阈值可以与第一预设阈值相同，也可以不同，在这里不进行限定，第二预设阈值可以是经验值，还可以是其他的值。
示例性的，第一流量阈值为10，第二预设阈值为15，第二辅助值分别为14、13、12、18、16，第一图像的目标的数量为8，目标的数量小于第一流量阈值，则确定第二辅助值中至少一个历史目标数量的平均值，平均值为14.6，小于第二预设阈值，则表明该摄像机所采集到的监控视频有异常，进而可以确定第一摄像机存在故障。
在该另一种具体实现方式中，第二辅助值所包含的至少一个历史目标数据的平均值，反映了摄像机之前的采集时间段内的状态。通过平均值不仅可以确定摄像机是否存在故障，还能确定摄像机是否存在人为扭转破坏的故障，相较于现有技术，能够检测出存在人为扭转故障的摄像机，提高了故障检测的准确性。
可以看出，图5所示发明实施例提供的技术方案转变了故障检测的角度，由对视频图像质量的判断转变为从摄像机的用途出发，由于摄像机主要用于监控行人及车辆的行为，因此，可以考虑通过摄像机所采集图像中所包含目标的数量与流量阈值的关系，以及结合历史目标数量，来判断摄像机是否发生故障。相对于传统图像处理算法，不但针对雨雪天等恶劣天气，采用检测目标的方式的误判率较低，并且，对于人为扭转而导致的故障，采用检测目标的方式也能够有效检测出，因此，通过该本方案大大提高了监控摄像机故障检测的准确率。
下面结合另一具体的实施例，对本发明实施例所提供的一种摄像机故障检测方法进行介绍。
如图6所示，本发明实施例所提供的一种摄像机故障检测方法可以包括如下步骤：
S601：按照优先级的高低，从视频源列表中确定当前待故障检测的第一摄像机。
可以理解的是，视频源列表记录有待检测的多个摄像机，视频源列表中的每一摄像机均具有优先级。
需要说明的是，现有技术中，通常会按照某一预设的顺序，对监控网络内的所有摄像机进行巡检，但针对大型监控网络，网内摄像机较多时，巡检一次所有摄像机便需要一定的时间周期，难以及时地发现存在故障的摄像机。为了及时地发现存在故障的摄像机，可以针对每一摄像机设置优先级，进而确定摄像机的检测顺序。其中，摄像机的优先级表示摄像机存在故障的可能性，优先级越高，表示存在故障的可能性越大，根据优先级的高低，对摄像机进行监测，能够缩短对疑似存在故障的摄像机的检测周期，及时确定出存在故障的摄像机。
视频源列表中的每一摄像机的初始的优先级，可以是随机设置的，也可以是按照每一摄像机的重要性、监控场景的多变性或者可能出现故障的概率来设置的，在此不作限定。
S602：获取当前用于故障检测的第一图像，其中，第一图像为：待检测故障的第一摄像机所采集监控视频中的图像。
S603：对第一图像进行目标检测，获得第一图像中包含的目标的数量。
S604：确定第一摄像机对应的第一流量阈值。
S605：根据数量和第一流量阈值，确定第一摄像机是否存在故障。
需要说明的是，S602-S605分别与上述实施例中的S101-S104相似，在这里不进行赘述。
S606：当确定出第一摄像机不存在故障时，根据数量，调整第一摄像机的优先级。
在第一摄像机不存在故障的时候，根据第一图像的目标的数量，调整第一摄像机的优先级，以在下次巡检过程中，优先对疑似故障的摄像机进行分析，及时发现存在故障的摄像机。
可选的，根据数量，调整第一摄像机的优先级的步骤，包括：
判断第一摄像机是否为大流量摄像机；
当判断所述第一摄像机为大流量摄像机时，执行如下步骤：
判断数量是否大于零；
如果是，判断数量的同比下降率是否大于第三预设阈值，若是，根据同比下降率，调高第一摄像机的优先级，若否，根据同比下降率，调低第一摄像机的优先级；
如果否，调高第一摄像机的优先级至最高优先级；
当判断所述第一摄像机不为大流量摄像机时，执行如下步骤：
判断数量是否大于零；
如果是，调低第一摄像机的优先级至最低优先级；
如果否，按照预定步长值，调高第一摄像机的优先级。
为了更准确地对摄像机的优先级进行调整，针对大流量摄像机和非大流量摄像机制定了不同的调整策略。
在确定第一摄像机是大流量摄像机的情况下，进一步，判断第一图像的目标的数量是否大于零，如果第一图像的目标的数量等于零，即无目标被检出，表明该第一摄像机存在故障的概率比较大，因此，可以将第一摄像的优先级调高至最高优先级，以在下次巡检过程中，优先对该第一摄像机进行检测，及时确定该第一摄像机是否存在故障。
在确定第一摄像机是大流量摄像机的情况下，如果第一图像的目标的数量大于零，即有目标被检出，第一摄像机仍然可能存在成像质量差或者被人为扭转等故障，因此，还可以进一步判断所获得的数量的同比下降率是否大于第三预设阈值，如果是，表明该摄像机可能存在故障，导致监控场景中人流量和/或车流量同比下降幅度较大，因此，可以根据同比下降率，调高第一摄像机的优先级。
可以理解的是，同比下降率，是同期之比的意思，在本发明实施例中，同比下降率可以为当前目标检测所获得的数量较之前一次巡检时同一时段所获得数量的下降率。例如，当前目标检测所获得的数量为15，前一次巡检时同一时段所获得数量为20，那么同比下降率即为(20-15)/20＝25％。关于同一时段，在上文中已有说明，此处不再赘述。
需要说明的是，上述所说的调低优先级和调高优先级时，具体的调整幅度可以为同比下降率与预先设置的调整步长的乘积，也可以为根据同比下降率进行运算得到的值，还可以预先设定同比下降率与调整幅度的对应关系，从而在确定出某一同比下降率后，根据该对应关系，确定出该同比下降率的调整幅度，当然并不局限于此。
示例性的，第三预设阈值为20％，摄像机的优先级的取值范围为(0,1)，其中，0表示最低优先级，1表示最高优先级，当前第一摄像机的优先级为0.6，同比下降率为10％，小于20％，那么，可以将第一摄像机优先级调低50％，优先级从0.6调低至0.3，以在下次巡检过程中，优先对对其他疑似故障的摄像机进行检测；当然，上述所举示例仅为本发明的一具体实例，并不构成对本发明实施例的限定。
在第一摄像机为非大流量摄像机的情况下，由于第一摄像机的监控场景中的目标的数量一般较少，因此，若当前目标检测所获得的数量大于零，即，有目标被检出，则表明该第一摄像机运行正常，可以调低当前的第一摄像机优先级至最低优先级，以在下次巡检过程中，优先对其他疑似故障的摄像机进行检测；若当前目标检测所获得的数量等于零，表明该第一摄像机可能存在故障，则可以按照预定步长值，调高当前的第一摄像机的优先级，以在下次巡检过程中，优先对该第一摄像机进行检测，及时确定该第一摄像机是否存在故障。
具体的，在一种具体实现方式中，判断第一摄像机是否为大流量摄像机的步骤，包括：
判断第一摄像机对应的各个历史目标数量是否符合预定大流量条件，如果是，判定第一摄像机为大流量摄像机，否则，判定第一摄像机不为大流量摄像机，预定大流量条件包括：均大于第一预定数量或所对应的均值大于第二预定数量。
或者，
具体的，在另一种具体实现方式中，判断第一摄像机是否为大流量摄像机的步骤，包括：
判断第一摄像机是否属于预定的大流量摄像机集合，若是，判定所述的第一摄像机为大流量摄像机，否则，判定第一摄像机不为大流量摄像机。
需要说明的是，若第一摄像机所对应的历史目标数量符合大流量条件，的则判定该第一摄像机所对应的历史目标数量是否符合大流量条件，如果符合，则判定该第一摄像机为大流量摄像机，否则判定该第一摄像机为非大流量摄像机。第一预定数量可以为经验值，还可以为根据重要十字路口或商圈部署的摄像机采集到的图像中的目标的数量，分析得到的；当然，还可以通过其他方式获得的。第二预定数量可以为经验值，还可以根据重要十字路口或商圈部署的摄像机采集到的图像中的目标的数量，分析得到的；当然，还可以通过其他方式获得的。当一个摄像机对应的历史目标数量符合大流量条件，说明该摄像机之前采集到的图像的目标的数量比较多，是大流量摄像机。
可以理解的是，在具体应用中，大流量摄像机集合可以是预先根据经验确定的，还可以是根据实地勘探的结果确定的，还可以是根据摄像机的部署位置确定等等。
另外，当确定出第一摄像机存在故障时，将第一摄像机加入故障列表，并从视频源列表中剔除第一摄像机。
需要说明的是，在第一摄像机存在故障的情况下，可以将第一摄像机加入故障列表，以待人工确认和处理，以使得第一摄像机能够及时恢复正常。此外，经人工确认处理后，可以将存在故障的摄像机从故障列表中清除，这样后续能够对该第一摄像机进行及时地检测。
从视频源列表中剔除第一摄像机，为了避免在摄像机未恢复正常的情况下，重复对该摄像机进行监测，造成资源的浪费。在摄像机恢复正常时，重新将其该摄像机加入视频源列表，由于该摄像机短期内出现故障可能性较小，因此其对应的视频的优先级可设置为最低优先级。S607：在对第一摄像机检测完毕后，按照优先级的高低，从视频源列表中选择一个当前未被检测的摄像机，将所选择的摄像机作为新的当前待检测故障的第一摄像机，并返回执行S602。
需要说明的是，第一摄像机检测完毕后，需要按照优先的高低，选择一个当前未被检测的摄像机，作为新的当前待检测故障的摄像机，返回执行S602以继续本轮的摄像机巡检过程。
按照优先级的高低，从视频源列表中选择一个当前未被检测的摄像机可以为：
判断是否存在与当前第一摄像机处于同一个优先级、且当前未被检测的摄像机；
如果存在，从与当前第一摄像机处于同一个优先级、且当前未被检测的摄像机中，选择一个摄像机；
如果不存在，判断是否存在优先级仅次于当前第一摄像机的优先级、且当前未被检测的摄像机；
如果是，则从优先级仅次于当前第一摄像机的优先级、且当前未被检测的摄像机中，选择一个摄像机。
这样可以避免了与当前第一摄像机处于同一个优先级、且当前未被检测的摄像机的漏检，也避免了已经检测过的摄像机因为优先级调低造成的重复检测。
可以看出，应用图6所示发明实施例提供的摄像机故障检测方法，能够根据目标检测的结果，及时地调整视频源列表中摄像机的优先级，即各摄像机的巡检顺序，对疑似故障的摄像机优先进行检测，缩小检测的时间间隔，确保大型监控网络中有故障的摄像机能够及时被检出。
相应于图1所示方法实施例，本发明实施例提供了一种摄像机故障检测装置，参见图7所示，装置包括：
图像获取模块701，用于获取当前用于故障检测的第一图像，其中，第一图像为：待检测故障的第一摄像机所采集监控视频中的图像；
目标获得模块702，用于对第一图像进行目标检测，获得所述第一图像中包含的目标的数量；
第一确定模块703，用于确定所述第一摄像机对应的第一流量阈值；
第二确定模块704，用于根据数量和第一流量阈值，确定第一摄像机是否存在故障。
可以看出，图7所示发明实施例提供的技术方案转变了故障检测的角度，由对视频图像质量的判断转变为从摄像机的用途出发，由于摄像机主要用于监控行人及车辆等目标的行为，因此，可以考虑通过摄像机所采集图像中所包含目标的数量与流量阈值的关系，来判断摄像机是否发生故障。相对于传统图像处理算法，不但针对雨雪天等恶劣天气，采用检测目标的方式的误判率较低，并且，对于人为扭转而导致的故障，采用检测目标的方式也能够有效检测出，因此，通过该实施例本方案大大提高了监控摄像机故障检测的准确率。
在一种实现方式中，第一确定模块703，包括流量阈值确定子模块；
流量阈值确定子模块，用来根据第一采集时间，确定第一摄像机对应的第一流量阈值，其中，第一采集时间为第一图像对应的采集时间。
在另一种实现方式中，流量阈值确定子模块，可以包括：
第一确定单元，用于确定第一辅助值，其中，第一辅助值包括针对第一摄像机、且与第一采集时间对应的至少一个历史目标数量；
第二确定单元，用于基于第一辅助值，确定第一摄像机对应的第一流量阈值。
在另一种实现方式中，流量阈值确定子模块，可以包括：
流量阈值确定单元，用于根据预先针对第一摄像机建立的采集时间与流量阈值的对应关系，确定与第一采集时间具有对应关系的流量阈值，并将所确定出的流量阈值确定为第一摄像机对应的第一流量阈值。
在一种实现方式中，第二确定模块704，可以包括：
第一确定子模块，用于确定第二辅助值，其中，第二辅助值包括针对第一摄像机、且与第一采集时间对应的至少一个历史目标数量，第一采集时间为第一图像对应的采集时间；
第二确定子模块，根据数量、第一流量阈值以及第二辅助值，确定第一摄像机是否存在故障。
在另一种实现方式中，第二确定子模块，可以包括：
第一判断单元，用于判断数量是否小于第一流量阈值；
第三确定单元，用于在第一判断子单元的判断结果为否的情况下，确定第一摄像机不存在故障；
第四确定单元，用于在第一判断子单元的判断结果为是的情况下，统计第一队列中小于第一流量阈值的历史目标数量的连续个数，并判断所统计的连续个数是否大于第一预设阈值，若是，确定第一摄像机存在故障，若否，确定第一摄像机不存在故障；其中，第一队列为按照所对应采集时间的先后顺序，排列第二辅助值所包括的至少一个历史目标数量所得的队列。
在另一种实现方式中，第二确定子模块，可以包括：
第二判断单元，用于判断数量是否小于第一流量阈值；
第五确定单元，用于在第二判断子单元的判断结果为否的情况下，确定第一摄像机不存在故障；
第六确定单元，用于在第二判断子单元的判断结果为是的情况下，确定第二辅助值所包括至少一个历史目标数量的平均值，并判断平均值是否小于第二预设阈值，若是，确定第一摄像机存在故障，若否，确定第一摄像机不存在故障。
在一种实现方式中，装置还可以包括：
第三确定模块，用于在图像获取模块获取当前用于故障检测的第一图像之前，按照优先级的高低，从视频源列表中确定当前待故障检测的第一摄像机；其中，视频源列表记录有待检测的多个摄像机，视频源列表中的每一摄像机均具有优先级；
调整模块，用于当第二确定模块确定出第一摄像机不存在故障时，根据数量，调整第一摄像机的优先级；
选择模块，用于在对第一摄像机检测完毕后，按照优先级的高低，从视频源列表中选择一个当前未被检测的摄像机，将所选择的摄像机作为新的当前待检测故障的第一摄像机，并触发获取模块。
在另一种实现方式中，装置还可以包括：
剔除模块，用于当第二确定模块确定出第一摄像机存在故障时，将第一摄像机加入故障列表，或者，从视频源列表中剔除第一摄像机。
在另一种实现方式中，调整模块，可以包括：
第一判断子模块，用于判断第一摄像机是否为大流量摄像机；
第二判断子模块，用于在第一判断子模块的判断结果为是的情况下，判断数量是否大于零；
第一调整子模块，用于在第二判断子模块的判断结果为是的情况下，判断数量的同比下降率是否大于第三预设阈值，若是，根据同比下降率，调高第一摄像机的优先级，若否，根据同比下降率，调低第一摄像机的优先级；
第二调整子模块，用于在第二判断子模块的判断结果为否的情况下，调高第一摄像机的优先级至最高优先级；
第三判断子模块，用于在第一判断子模块的判断结果为否的情况下，判断数量是否大于零；
第三调整子模块，用于在第三判断子模块的判断结果为是的情况下，调低第一摄像机的优先级至最低优先级；
第四调整子模块，用于在第三判断子模块的判断结果为否的情况下，按照预定步长值，调高第一摄像机的优先级。
在另一种实现方式中，第一判断子模块，可以包括：
第一判断单元，用于判断第一摄像机对应的各个历史目标数量是否符合预定大流量条件，如果是，判定第一摄像机为大流量摄像机，否则，判定第一摄像机不为大流量摄像机，预定大流量条件包括：均大于第一预定数量或所对应的均值大于第二预定数量；
或者，
第二判断单元，用于判断第一摄像机是否属于预定的大流量摄像机集合；若是，判定第一摄像机为大流量摄像机，否则，判定第一摄像机不为大流量摄像机。
本发明实施例还提供了一种计算机设备，如图8所示，包括处理器801、通信接口802、存储器803和通信总线804，其中，处理器801，通信接口802，存储器803通过通信总线804完成相互间的通信，
存储器803，用于存放计算机程序；
处理器801，用于执行存储器803上所存放的程序时，实现如下步骤：
获取当前用于故障检测的第一图像，其中，第一图像为：待检测故障的第一摄像机所采集监控视频中的图像；
对第一图像进行目标检测，获得第一图像中包含的目标的数量；
确定摄像机对应的第一流量阈值；
根据数量和第一流量阈值，确定第一摄像机是否存在故障。
上述计算机设备的其他实现方式与前述方法实施例中提及的各种实现方式相同，这里不再赘述。
上述计算机设备提到的通信总线可以是外设部件互连标准(PeripheralComponent Interconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述计算机设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(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。
可以看出，图8所示发明实施例提供的技术方案转变了故障检测的角度，由对视频图像质量的判断转变为从摄像机的用途出发，由于摄像机主要用于监控行人及车辆的行为，因此，可以考虑通过摄像机所采集图像中所包含目标的数量与流量阈值的关系，来判断摄像机是否发生故障。相对于传统图像处理算法，不但针对雨雪天等恶劣天气，采用检测目标的方式的误判率较低，并且，对于人为扭转而导致的故障，采用检测目标的方式也能够有效检测出，因此，通过该本方案大大提高了监控摄像机故障检测的准确率。
在本发明的又一实施例中，还提供了一种计算机可读存储介质，计算机可读存储介质内存储有计算机程序，计算机程序被处理器执行时实现上述实施例中任一所述的摄像机故障检测方法。
可以看出，本发明实施例提供的技术方案转变了故障检测的角度，由对视频图像质量的判断转变为从摄像机的用途出发，由于摄像机主要用于监控行人及车辆的行为，因此，可以考虑通过摄像机所采集图像中所包含目标的数量与流量阈值的关系，来判断摄像机是否发生故障。相对于传统图像处理算法，不但针对雨雪天等恶劣天气，采用检测目标的方式的误判率较低，并且，对于人为扭转而导致的故障，采用检测目标的方式也能够有效检测出，因此，通过该本方案大大提高了监控摄像机故障检测的准确率。
需要说明的是，在本文中，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。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。
Claims (23)
1.一种摄像机故障检测方法，其特征在于，所述方法包括：
获取当前用于故障检测的第一图像，其中，所述第一图像为：待检测故障的第一摄像机所采集监控视频中的图像；
对所述第一图像进行目标检测，获得所述第一图像中包含的目标的数量；
确定所述第一摄像机对应的第一流量阈值；
根据所述数量和所述第一流量阈值，确定所述第一摄像机是否存在故障。
2.根据权利要求1所述的方法，其特征在于，所述确定所述第一摄像机对应的第一流量阈值的步骤，包括：
根据所述第一采集时间，确定所述第一摄像机对应的第一流量阈值，其中，所述第一采集时间为所述第一图像对应的采集时间。
3.根据权利要求2所述的方法，其特征在于，所述根据所述第一采集时间，确定所述第一摄像机对应的第一流量阈值的步骤，包括：
确定第一辅助值，其中，所述第一辅助值包括针对所述第一摄像机、且与所述第一采集时间对应的至少一个历史目标数量；
基于所述第一辅助值，确定所述第一摄像机对应的第一流量阈值。
4.根据权利要求2所述的方法，其特征在于，所述根据所述第一采集时间，确定所述第一摄像机对应的第一流量阈值的步骤，包括：
根据预先针对所述第一摄像机建立的采集时间与流量阈值的对应关系，确定与所述第一采集时间具有对应关系的流量阈值，并将所确定出的流量阈值确定为所述第一摄像机对应的第一流量阈值。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述根据所述数量和所述第一流量阈值，确定所述第一摄像机是否存在故障的步骤，包括：
确定第二辅助值，其中，所述第二辅助值包括针对所述第一摄像机、且与所述第一采集时间对应的至少一个历史目标数量，所述第一采集时间为所述第一图像对应的采集时间；
根据所述数量、所述第一流量阈值以及第二辅助值，确定所述第一摄像机是否存在故障。
6.根据权利要求5所述的方法，其特征在于，所述根据所述数量、所述第一流量阈值以及第二辅助值，确定所述第一摄像机是否存在故障的步骤，包括：
判断所述数量是否小于所述第一流量阈值；
如果否，确定所述第一摄像机不存在故障；
如果是，统计第一队列中小于所述第一流量阈值的历史目标数量的连续个数，并判断所统计的连续个数是否大于第一预设阈值，若是，确定所述第一摄像机存在故障，若否，确定所述第一摄像机不存在故障；其中，所述第一队列为按照所对应采集时间的先后顺序，排列所述第二辅助值所包括的至少一个历史目标数量所得的队列。
7.根据权利要求5所述的方法，其特征在于，所述根据所述数量、所述第一流量阈值以及第二辅助值，确定所述第一摄像机是否存在故障的步骤，包括：
判断所述数量是否小于所述第一流量阈值；
如果否，确定所述第一摄像机不存在故障；
如果是，确定所述第二辅助值所包括至少一个历史目标数量的平均值，并判断所述平均值是否小于第二预设阈值，若是，确定所述第一摄像机存在故障，若否，确定所述第一摄像机不存在故障。
8.根据权利要求1所述的方法，其特征在于，在所述获取当前用于故障检测的第一图像之前，所述方法还包括：
按照优先级的高低，从视频源列表中确定当前待故障检测的第一摄像机；其中，所述视频源列表记录有待检测的多个摄像机，所述视频源列表中的每一摄像机均具有优先级；
相应的，在所述根据所述数量和所述第一流量阈值，确定所述第一摄像机是否存在故障之后，所述方法还包括：
当确定出所述第一摄像机不存在故障时，根据所述数量，调整所述第一摄像机的优先级；
并且，在对所述第一摄像机检测完毕后，按照优先级的高低，从所述视频源列表中选择一个当前未被检测的摄像机，将所选择的摄像机作为新的当前待检测故障的第一摄像机，并返回执行获取当前用于故障检测的第一图像的步骤。
9.根据权利要求8所述的方法，其特征在于，所述方法还包括：
当确定出所述第一摄像机存在故障时，将所述第一摄像机加入故障列表，并从所述视频源列表中剔除所述第一摄像机。
10.根据权利要求8所述的方法，其特征在于，所述根据所述数量，调整所述第一摄像机的优先级的步骤，包括：
判断所述第一摄像机是否为大流量摄像机；
当判断所述第一摄像机为大流量摄像机时，执行如下步骤：
判断所述数量是否大于零；
如果是，判断所述数量的同比下降率是否大于第三预设阈值，若是，根据所述同比下降率，调高所述第一摄像机的优先级，若否，根据所述同比下降率，调低所述第一摄像机的优先级；
如果否，调高所述第一摄像机的优先级至最高优先级；
当判断所述第一摄像机不为大流量摄像机时，执行如下步骤：
判断所述数量是否大于零；
如果是，调低所述第一摄像机的优先级至最低优先级；
如果否，按照预定步长值，调高所述第一摄像机的优先级。
11.根据权利要求10所述的方法，其特征在于，所述判断所述第一摄像机是否为大流量摄像机的步骤，包括：
判断所述第一摄像机对应的各个历史目标数量是否符合预定大流量条件，如果是，判定所述第一摄像机为大流量摄像机，否则，判定所述第一摄像机不为大流量摄像机，所述预定大流量条件包括：均大于第一预定数量或所对应的均值大于第二预定数量；
或者，
判断所述第一摄像机是否属于预定的大流量摄像机集合，若是，判定所的第一摄像机为大流量摄像机，否则，判定所述第一摄像机不为大流量摄像机。
12.一种摄像机故障检测装置，其特征在于，所述装置包括：
图像获取模块，用于获取当前用于故障检测的第一图像，其中，所述第一图像为：待检测故障的第一摄像机所采集监控视频中的图像；
目标获得模块，用于对所述第一图像进行目标检测，获得所述第一图像中包含的目标的数量；
第一确定模块，用于确定所述第一摄像机对应的第一流量阈值；
第二确定模块，用于根据所述数量和所述第一流量阈值，确定所述第一摄像机是否存在故障。
13.根据权利要求12所述的装置，其特征在于，所述第一确定模块包括流量阈值确定子模块；
所述流量阈值确定子模块，用根据所述第一采集时间，确定所述第一摄像机对应的第一流量阈值，其中，所述第一采集时间为所述第一图像对应的采集时间。
14.根据权利要求13所述的装置，其特征在于，所述流量阈值确定子模块，包括：
第一确定单元，用于确定第一辅助值，其中，所述第一辅助值包括针对所述第一摄像机、且与所述第一采集时间对应的至少一个历史目标数量；
第二确定单元，用于基于所述第一辅助值，确定所述第一摄像机对应的第一流量阈值。
15.根据权利要求13所述的装置，其特征在于，所述流量阈值确定子模块，包括：
流量阈值确定单元，用于根据预先针对所述第一摄像机建立的采集时间与流量阈值的对应关系，确定与所述第一采集时间具有对应关系的流量阈值，并将所确定出的流量阈值确定为所述第一摄像机对应的第一流量阈值。
16.根据权利要求12-15任一项所述的装置，其特征在于，所述第二确定模块，包括：
第一确定子模块，用于确定第二辅助值，其中，所述第二辅助值包括针对所述第一摄像机、且与所述第一采集时间对应的至少一个历史目标数量，所述第一采集时间为所述第一图像对应的采集时间；
第二确定子模块，根据所述数量、所述第一流量阈值以及第二辅助值，确定所述第一摄像机是否存在故障。
17.根据权利要求16所述的装置，其特征在于，所述第二确定子模块，包括：
第一判断单元，用于判断所述数量是否小于所述第一流量阈值；
第三确定单元，用于在所述第一判断子单元的判断结果为否的情况下，确定所述第一摄像机不存在故障；
第四确定单元，用于在所述第一判断子单元的判断结果为是的情况下，统计第一队列中小于所述第一流量阈值的历史目标数量的连续个数，并判断所统计的连续个数是否大于第一预设阈值，若是，确定所述第一摄像机存在故障，若否，确定所述第一摄像机不存在故障；其中，所述第一队列为按照所对应采集时间的先后顺序，排列所述第二辅助值所包括的至少一个历史目标数量所得的队列。
18.根据权利要求16所述的装置，其特征在于，所述第二确定子模块，包括：
第二判断单元，用于判断所述数量是否小于所述第一流量阈值；
第五确定单元，用于在所述第二判断子单元的判断结果为否的情况下，确定所述第一摄像机不存在故障；
第六确定单元，用于在所述第二判断子单元的判断结果为是的情况下，确定所述第二辅助值所包括至少一个历史目标数量的平均值，并判断所述平均值是否小于第二预设阈值，若是，确定所述第一摄像机存在故障，若否，确定所述第一摄像机不存在故障。
19.根据权利要求12所述的装置，其特征在于，所述装置还包括：
第三确定模块，用于在所述图像获取模块获取当前用于故障检测的第一图像之前，按照优先级的高低，从视频源列表中确定当前待故障检测的第一摄像机；其中，所述视频源列表记录有待检测的多个摄像机，所述视频源列表中的每一摄像机均具有优先级；
调整模块，用于当所述第二确定模块确定出所述第一摄像机不存在故障时，根据所述数量，调整所述第一摄像机的优先级；
选择模块，用于在对所述第一摄像机检测完毕后，按照优先级的高低，从所述视频源列表中选择一个当前未被检测的摄像机，将所选择的摄像机作为新的当前待检测故障的第一摄像机，并触发所述获取模块。
20.根据权利要求19所述的装置，其特征在于，所述装置还包括：
剔除模块，用于当所述第二确定模块确定出所述第一摄像机存在故障时，将所述第一摄像机加入故障列表，并从所述视频源列表中剔除所述第一摄像机。
21.根据权利要求19所述的装置，其特征在于，所述调整模块，包括：
第一判断子模块，用于判断所述第一摄像机是否为大流量摄像机；
第二判断子模块，用于在所述第一判断子模块的判断结果为是的情况下，判断所述数量是否大于零；
第一调整子模块，用于在所述第二判断子模块的判断结果为是的情况下，判断所述数量的同比下降率是否大于第三预设阈值，若是，根据所述同比下降率，调高所述第一摄像机的优先级，若否，根据所述同比下降率，调低所述第一摄像机的优先级；
第二调整子模块，用于在所述第二判断子模块的判断结果为否的情况下，调高所述第一摄像机的优先级至最高优先级；
第三判断子模块，用于在所述第一判断子模块的判断结果为否的情况下，判断所述数量是否大于零；
第三调整子模块，用于在所述第三判断子模块的判断结果为是的情况下，调低所述第一摄像机的优先级至最低优先级；
第四调整子模块，用于在所述第三判断子模块的判断结果为否的情况下，按照预定步长值，调高所述第一摄像机的优先级。
22.根据权利要求21所述的装置，其特征在于，所述第一判断子模块，包括：
第一判断单元，用于判断所述第一摄像机对应的各个历史目标数量是否符合预定大流量条件，如果是，判定所述第一摄像机为大流量摄像机，否则，判定所述第一摄像机不为大流量摄像机，所述预定大流量条件包括：均大于第一预定数量或所对应的均值大于第二预定数量；
或者，
第二判断单元，用于判断所述第一摄像机是否属于预定的大流量摄像机集合；若是，判定所述第一摄像机为大流量摄像机，否则，判定所述第一摄像机不为大流量摄像机。
23.一种计算机设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，所述处理器，所述通信接口，所述存储器通过所述通信总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行存储器上所存放的程序时，实现权利要求1-11任一所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710482505.XA CN109120916B (zh) | 2017-06-22 | 2017-06-22 | 摄像机故障检测方法、装置及计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710482505.XA CN109120916B (zh) | 2017-06-22 | 2017-06-22 | 摄像机故障检测方法、装置及计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109120916A true CN109120916A (zh) | 2019-01-01 |
| CN109120916B CN109120916B (zh) | 2020-06-05 |
Family
ID=64732908
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710482505.XA Active CN109120916B (zh) | 2017-06-22 | 2017-06-22 | 摄像机故障检测方法、装置及计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109120916B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110913209A (zh) * | 2019-12-05 | 2020-03-24 | 杭州飞步科技有限公司 | 摄像头遮挡检测方法、装置、电子设备及监控系统 |
| CN111405246A (zh) * | 2020-03-12 | 2020-07-10 | 高宽友 | 一种智慧城市监控方法、装置及管理终端 |
| CN114095725A (zh) * | 2022-01-19 | 2022-02-25 | 上海兴容信息技术有限公司 | 一种判断摄像头是否异常的方法和系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103634593A (zh) * | 2013-12-23 | 2014-03-12 | 深圳市捷顺科技实业股份有限公司 | 摄像机移动检测方法和系统 |
| CN104506850A (zh) * | 2014-12-16 | 2015-04-08 | 北京中星微电子有限公司 | 一种视频遮挡判断方法和装置 |
| CN104601965A (zh) * | 2015-02-06 | 2015-05-06 | 巫立斌 | 摄像头遮挡检测方法 |
| CN104637068A (zh) * | 2013-11-14 | 2015-05-20 | 华为技术有限公司 | 视频帧及视频画面遮挡检测方法及装置 |
| CN105427276A (zh) * | 2015-10-29 | 2016-03-23 | 重庆电信系统集成有限公司 | 一种基于图像局部边缘特征的摄像头检测方法 |
| CN105872773A (zh) * | 2016-06-01 | 2016-08-17 | 北京奇虎科技有限公司 | 视频直播的监控方法及监控装置 |
-
2017
- 2017-06-22 CN CN201710482505.XA patent/CN109120916B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104637068A (zh) * | 2013-11-14 | 2015-05-20 | 华为技术有限公司 | 视频帧及视频画面遮挡检测方法及装置 |
| CN103634593A (zh) * | 2013-12-23 | 2014-03-12 | 深圳市捷顺科技实业股份有限公司 | 摄像机移动检测方法和系统 |
| CN104506850A (zh) * | 2014-12-16 | 2015-04-08 | 北京中星微电子有限公司 | 一种视频遮挡判断方法和装置 |
| CN104601965A (zh) * | 2015-02-06 | 2015-05-06 | 巫立斌 | 摄像头遮挡检测方法 |
| CN105427276A (zh) * | 2015-10-29 | 2016-03-23 | 重庆电信系统集成有限公司 | 一种基于图像局部边缘特征的摄像头检测方法 |
| CN105872773A (zh) * | 2016-06-01 | 2016-08-17 | 北京奇虎科技有限公司 | 视频直播的监控方法及监控装置 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110913209A (zh) * | 2019-12-05 | 2020-03-24 | 杭州飞步科技有限公司 | 摄像头遮挡检测方法、装置、电子设备及监控系统 |
| CN110913209B (zh) * | 2019-12-05 | 2021-06-04 | 杭州飞步科技有限公司 | 摄像头遮挡检测方法、装置、电子设备及监控系统 |
| CN111405246A (zh) * | 2020-03-12 | 2020-07-10 | 高宽友 | 一种智慧城市监控方法、装置及管理终端 |
| CN111405246B (zh) * | 2020-03-12 | 2021-04-06 | 厦门宇昊软件有限公司 | 一种智慧城市监控方法、装置及管理终端 |
| CN114095725A (zh) * | 2022-01-19 | 2022-02-25 | 上海兴容信息技术有限公司 | 一种判断摄像头是否异常的方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109120916B (zh) | 2020-06-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11455805B2 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
| CN109887281B (zh) | 一种监控交通事件的方法及系统 | |
| CN106887137B (zh) | 拥堵事件提示方法及装置 | |
| CN110796052A (zh) | 车牌识别方法、装置、设备及可读介质 | |
| CN107885795B (zh) | 一种卡口数据的数据校验方法、系统和装置 | |
| US20220405145A1 (en) | Method, Apparatus, System and Electronic Device for Selecting Intelligent Analysis Algorithm | |
| US20170032199A1 (en) | Video data analyzing method and apparatus and parking lot monitoring system | |
| CN109120916B (zh) | 摄像机故障检测方法、装置及计算机设备 | |
| CN111898491B (zh) | 一种车辆逆向行驶的识别方法、装置及电子设备 | |
| CN116881013A (zh) | 一种任务处理方法、装置及云计算系统 | |
| WO2020143170A1 (zh) | 预测路线获取方法、装置、计算机设备及存储介质 | |
| CN109784487B (zh) | 用于事件检测的深度学习网络、该网络的训练装置及方法 | |
| CN110738150A (zh) | 相机联动抓拍方法、装置以及计算机存储介质 | |
| CN111369792B (zh) | 一种交通事件的分析方法、装置及电子设备 | |
| CN112598925A (zh) | 停车管理方法、装置、计算机设备及存储介质 | |
| CN115761668A (zh) | 摄像头的污渍识别方法、装置、车辆及存储介质 | |
| CN114966631A (zh) | 车载激光雷达的故障诊断及处理方法、装置、介质及车辆 | |
| CN113221791A (zh) | 车辆违停检测方法、装置、电子设备和存储介质 | |
| CN112447042B (zh) | 交通事件侦测系统及方法 | |
| WO2023241595A1 (zh) | 车位范围的处理方法及计算设备 | |
| WO2023166555A1 (ja) | 路面標示劣化分析装置、方法、及びコンピュータ可読媒体 | |
| CN110491122A (zh) | 一种降低城市拥堵排名的方法及装置 | |
| CN107274674B (zh) | 一种基于视频识别的停车区域管理方法、装置及系统 | |
| CN110581979B (zh) | 一种图像采集系统、方法及装置 | |
| CN112770081B (zh) | 监控设备的参数调整方法、装置、电子设备及存储介质 |
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 |