CN109409165A - 一种视频内容识别方法、装置及电子设备 - Google Patents
一种视频内容识别方法、装置及电子设备 Download PDFInfo
- Publication number
- CN109409165A CN109409165A CN201710697177.5A CN201710697177A CN109409165A CN 109409165 A CN109409165 A CN 109409165A CN 201710697177 A CN201710697177 A CN 201710697177A CN 109409165 A CN109409165 A CN 109409165A
- Authority
- CN
- China
- Prior art keywords
- target
- video frame
- sequence
- frame sequence
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/44—Event detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Biodiversity & Conservation Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种视频内容识别方法、装置及电子设备,所述方法包括:确定待识别的目标视频帧序列;获得所述目标视频帧序列中各个视频帧的目标图像特征;基于预先构建的注意力模型,确定所获得的各个目标图像特征所对应的目标权重值,其中,所述注意力模型为:以存在异常事件的视频帧序列样本所对应的各个图像特征为输入内容,以所述各个图像特征对应的权重值为输出内容训练所得到的,其中,在所述视频帧序列样本中,异常帧的图像特征的权重值高于其他帧的权重值;基于所述各个目标图像特征所对应的目标权重值,确定所述目标视频帧序列中是否存在异常事件。应用本发明实施例,可以降低识别视频内容的成本,并可以提高识别效率。
Description
技术领域
本发明涉及视频检测技术领域,特别是涉及一种视频内容识别方法、装置及电子设备、可读存储介质。
背景技术
目前,常常需要利用视频监控设备对楼道、小区入口和车道等区域进行监控,从而获得这些区域所对应的监控视频。并且,在获得这些监控视频后,还需要对这些监控视频的内容进行识别,以分析这些监控视频中是否存在异常事件,其中,异常事件包括但并不局限于碰撞事件和摔倒事件。
而目前的异常事件识别方式为:工作人员逐一查看每个待识别的监控视频,从而判断所查看的监控视频中是否存在异常事件。发明人发现,该种异常事件识别方式存在以下问题:当监控视频数量较多时,该种方式会消耗大量的人力和时间,使得成本较高且效率低。
发明内容
本发明实施例的目的在于提供一种视频内容识别方法、装置及电子设备、可读存储介质,以降低识别成本,并提高识别效率。
第一方面,本发明实施例提供了一种视频内容识别方法,所述方法可以包括:
确定待识别的目标视频帧序列;
获得所述目标视频帧序列中各个视频帧的目标图像特征;
基于预先构建的注意力模型,确定所获得的各个目标图像特征所对应的目标权重值,其中,所述注意力模型为:以存在异常事件的视频帧序列样本所对应的各个图像特征为输入内容,以所述各个图像特征对应的权重值为输出内容训练所得到的,其中,在所述视频帧序列样本中,异常帧的图像特征的权重值高于其他帧的权重值;
基于所述各个目标图像特征所对应的目标权重值,确定所述目标视频帧序列中是否存在异常事件。
可选地,所述确定待识别的目标视频帧序列的步骤,可以包括:
确定待识别的目标视频;
按照预设提取长度和预设滑动步长,从所述目标视频中获得至少一个视频帧序列;
从所述至少一个视频帧序列中确定待识别的目标视频帧序列。
可选地,所述获得所述目标视频帧序列中各个视频帧的目标图像特征的步骤,可以包括:
利用预设的卷积神经网络对所述目标视频帧序列进行卷积计算,得到所述目标视频帧序列中各个视频帧的初始图像特征;
基于预设的第一循环神经网络,对所获得的各个初始图像特征进行上下文关联计算,得到所述目标视频帧序列中各个视频帧的目标图像特征。
可选地,在本发明的一种实施例中,所述基于所述各个目标图像特征所对应的目标权重值,确定所述目标视频帧序列中是否存在异常事件的步骤,可以包括:
确定在所述各个目标图像特征所对应的目标权重值中,是否存在大于其他目标权重值的第一目标权重值,若是,确定所述目标视频帧序列中存在异常事件,否则,确定所述目标视频帧序列中不存在异常事件。
可选地,在本发明的另一种实施例中,所述基于所述各个目标图像特征所对应的目标权重值,确定所述目标视频帧序列中是否存在异常事件的步骤,可以包括:
确定在所述各个目标图像特征所对应的目标权重值中,是否存在大于第一阈值且符合预定条件的至少两个目标权重值,其中,所述预定条件为所对应的视频帧连续;若是,确定所述目标视频帧序列中存在异常事件,否则,确定所述目标视频帧序列中不存在异常事件。
可选地,在所述确定所述目标视频帧序列中存在异常事件的步骤之后,所述方法还可以包括:
将所述目标视频帧序列中第一目标权重值所对应的视频帧,确定为所述目标视频帧序列中异常事件所对应的视频帧。
可选地,在确定出所述目标视频帧序列中存在异常事件之后,所述方法还可以包括:
针对每个目标图像特征,利用相应的目标权重值对该目标图像特征进行加权计算,得到图像特征加权值;
对所获得的各个图像特征加权值进行求和,得到所述目标视频帧序列对应的目标加权图像特征;
基于所述目标加权图像特征,确定所述目标视频帧序列所对应的异常事件类型。
可选地,所述基于所述目标加权图像特征,确定所述目标视频帧序列所对应的异常事件类型的步骤,可以包括:
基于预设的第二循环神经网络,确定与所述目标加权图像特征所对应的异常事件类型,其中,所述第二循环神经网络为:以所述视频帧序列样本对应的加权图像特征为输入内容,以所述视频帧序列样本所对应的异常事件类型为输出内容训练得到的;
将所确定出的异常事件类型确定为所述目标视频帧序列所对应的异常事件类型。
第二方面,本发明实施例还提供了一种视频内容识别装置,所述装置可以包括:
第一确定单元,用于确定待识别的目标视频帧序列;
获得单元,用于获得所述目标视频帧序列中各个视频帧的目标图像特征;
第二确定单元,用于基于预先构建的注意力模型,确定所获得的各个目标图像特征所对应的目标权重值,其中,所述注意力模型为:以存在异常事件的视频帧序列样本所对应的各个图像特征为输入内容,以所述各个图像特征对应的权重值为输出内容训练所得到的,其中,在所述视频帧序列样本中,异常帧的图像特征的权重值高于其他帧的权重值;
第三确定单元,用于基于所述各个目标图像特征所对应的目标权重值,确定所述目标视频帧序列中是否存在异常事件。
可选地,所述第一确定单元,可以包括:
第一确定子单元,用于确定待识别的目标视频;
获得子单元,用于按照预设提取长度和预设滑动步长,从所述目标视频中获得至少一个视频帧序列;
第二确定子单元,用于从所述至少一个视频帧序列中确定待识别的目标视频帧序列。
可选地,所述获得单元,可以包括:
第一计算子单元,用于利用预设的卷积神经网络对所述目标视频帧序列进行卷积计算,得到所述目标视频帧序列中各个视频帧的初始图像特征;
第二计算子单元,用于基于预设的第一循环神经网络,对所获得的各个初始图像特征进行上下文关联计算,得到所述目标视频帧序列中各个视频帧的目标图像特征。
可选地,在本发明的一种实施例中,所述第三确定单元,可以包括:
第三确定子单元,用于确定在所述各个目标图像特征所对应的目标权重值中,是否存在大于其他目标权重值的第一目标权重值;
第四确定子单元,用于当存在大于其他目标权重值的第一目标权重值时,确定所述目标视频帧序列中存在异常事件,否则,确定所述目标视频帧序列中不存在异常事件。
可选地,在本发明的另一种实施例中,所述第三确定单元,可以包括:
第五确定子单元,用于确定在所述各个目标图像特征所对应的目标权重值中,是否存在大于第一阈值且符合预定条件的至少两个目标权重值,其中,所述预定条件为所对应的视频帧连续;
第六确定子单元,用于当存在大于第一阈值且符合预定条件的至少两个目标权重值时,确定所述目标视频帧序列中存在异常事件,否则,确定所述目标视频帧序列中不存在异常事件。
可选地,在本发明实施例中,所述装置还可以包括:
第四确定单元,用于在确定所述目标视频帧序列中存在异常事件后,将所述目标视频帧序列中第一目标权重值所对应的视频帧,确定为所述目标视频帧序列中异常事件所对应的视频帧。
可选地,在本发明实施例中,所述装置还可以包括:
第一计算单元,用于在确定出所述目标视频帧序列中存在异常事件之后,针对每个目标图像特征,利用相应的目标权重值对该目标图像特征进行加权计算,得到图像特征加权值;
求和单元,用于对所获得的各个图像特征加权值进行求和,得到所述目标视频帧序列对应的目标加权图像特征;
第五确定单元,用于基于所述目标加权图像特征,确定所述目标视频帧序列所对应的异常事件类型。
可选地,所述第五确定单元,可以包括:
第七确定子单元,用于基于预设的第二循环神经网络,确定与所述目标加权图像特征所对应的异常事件类型,其中,所述第二循环神经网络为:以所述视频帧序列样本对应的加权图像特征为输入内容,以所述视频帧序列样本所对应的异常事件类型为输出内容训练得到的;
第八确定子单元,用于将所确定出的异常事件类型确定为所述目标视频帧序列所对应的异常事件类型。
第三方面,本发明实施例还提供了一种电子设备,其可以包括处理器、通信接口、存储器和通信总线,其中,所述处理器,所述通信接口和所述存储器通过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,实现上述任一项所述视频内容识别方法的方法步骤。
第四方面,本发明实施例还提供了一种可读存储介质,所述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上述任一项所述视频内容识别方法的方法步骤。
在本发明实施例中,可以先确定待识别的目标视频帧序列,并获得所述目标视频帧序列中各个视频帧的目标图像特征,然后根据预先构建的注意力模型,确定各个目标图像特征的目标权重值。其中,所述注意力模型是:以存在异常事件的视频帧序列样本所对应的各个图像特征为输入内容,以所述各个图像特征对应的权重值为输出内容训练所得到的。另外,由于在所述视频帧序列样本中,异常帧的图像特征的权重值高于其他帧的权重值,也就是说,异常事件所对应的视频帧对应较高的权重值,因此,当所述目标视频帧序列中的某个视频帧得到的权重值较大时,表明该视频帧为异常帧,从而可以确定所述目标视频帧序列中存在异常事件。这样,不需要通过人工的方式识别是否存在异常事件,提高了识别速度,并降低了识别成本。
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一种视频内容识别方法流程图;
图2为本发明实施例提供的一种获得目标视频中至少一个视频帧序列的示意图;
图3为本发明实施例提供的一种利用预设的卷积神经网络提取初始图像特征的示意图;
图4为本发明实施例提供的一种获得目标图像特征的示意图;
图5为本发明实施例提供的一种利用第二循环神经网络识别异常事件类型的示意图;
图6为本发明实施例提供的一种视频内容识别装置的结构示意图;
图7为本发明实施例提供的一种电子设备的结构示意图。
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。
为了解决现有技术中存在的问题,本发明实施例提供了一种视频内容识别方法、装置及电子设备、可读存储介质。
下面首先对本发明实施例提供的视频内容识别方法进行说明。
参见图1,本发明实施例提供的视频内容识别方法可以包括如下步骤:
S101:确定待识别的目标视频帧序列;
可以理解的是,在一种实现方式中,可以将所给定的视频帧序列,确定为待识别的目标视频帧序列。
另外,由于目前常常需要对视频的视频内容进行识别,即需要识别视频中是否存在异常事件,因此,在另一种实现方式中,可以首先确定待识别的目标视频;然后,按照预设提取长度和预设滑动步长,从所述目标视频中获得至少一个视频帧序列;之后,从所述至少一个视频帧序列中确定待识别的目标视频帧序列。为了便于理解,下面结合图2对该种确定目标视频帧序列的方式进行具体说明。
参见图2,图2中的(1)和(2)对应同一个目标视频,该目标视频中包括多帧视频帧。假设预设提取长度为6帧,预设滑动步长为1帧,那么,当从该目标视频的第1帧开始提取视频帧序列时,可以得到图2中(1)所示的虚线框(即滑动窗口)中的视频帧序列;当再次提取视频帧序列时,即(1)所示的虚线框向右滑动预设滑动步长1帧时,可以得到图2中(2)所示的虚线框中的视频帧序列。按照该种提取规则,则可以从该目标视频中提取多个视频帧序列,进而可以依次将该多个视频帧序列确定为目标视频帧序列,当然并不局限于此。
需要说明的是,所述预设提取长度和预设滑动步长的取值可以根据具体情况来设定。例如,当需要获得较准确的视频内容识别结果时,则可设定所述预设滑动步长小于等于所述预设提取步长,这样,可以保证目标视频中的每一帧都会被识别;当需要提高视频内容识别速度时,可设定所述预设滑动步长大于所述预设提取步长,这样,不需要对目标视频中的每一帧视频帧进行识别,从而可以提高对目标视频识别速度。
S102:获得所述目标视频帧序列中各个视频帧的目标图像特征;
需要说明的是,所述目标图像特征与后续的注意力模型训练时所利用的图像特征的类型相同,举例而言:训练时利用的图像特征为纹理特征,那所提取的目标图像特征为纹理特征;训练时利用的图像特征为纹理特征、颜色特征和亮度特征这3个维度的图像特征,那所提取的目标图像特征为纹理特征、颜色特征和亮度特征这3个维度的图像特征。
可以理解的是,在一种实现方式中,可以利用预设的卷积神经网络对所述目标视频帧序列进行卷积计算,得到所述目标视频帧序列中各个视频帧的初始图像特征;之后,可以将该目标视频帧序列中各个视频帧的初始图像特征,直接作为所述目标视频帧序列中各个视频帧的目标图像特征,这是合理的。
值得说明的是,所述预设的卷积神经网络是一种前馈神经网络,可以直接对视频帧进行处理,从而获得该视频帧的图像特征。所述预设的卷积神经网络包括但并不局限于:卷积神经网络(Convolutional Neural Network,CNN)和3D卷积神经网络(3DConvolutional Neural Network,3D CNN)。
为了便于理解,下面结合图3对该种实现方式中获得初始图像特征的方法进行具体说明。
参见图3,假设所确定的目标视频帧序列包括视频帧1~m,那么,可以利用预设的卷积神经网络,提取出该目标视频帧序列中任一视频帧的初始图像特征,从而得到如图3所示的初始图像特征序列。具体地,该目标视频帧序列中第一帧视频帧对应的初始图像特征为:V1{f11,f12,……,f1n},第m帧视频帧对应的初始图像特征为:Vm{fm1,fm2,……,fmn},在此不做一一列举;进一步地,可以将所获得的初始图像特征直接作为目标图像特征。
需要说明的是,所述n表示n维图像特征。举例而言,当要提取任一视频帧的颜色特征、纹理特征和亮度特征时,所述n的取值为3,当然并不局限于此。
由于目标视频帧序列中的各个视频帧的内容,在时间以及空间上是有联系的,因此为了获得较准确的识别结果,在另一种实现方式中,可以在获得所述目标视频帧序列中各个视频帧的初始图像特征后,基于预设的第一循环神经网络,对所获得的各个初始图像特征进行上下文关联计算,从而得到所述目标视频帧序列中各个视频帧的目标图像特征。
值得说明的是,所述预设的第一循环神经网络能够强化视频帧序列中各个视频帧的上下文关联。其中,所述预设的第一循环神经网络包括但并不局限于能够对各个初始图像特征进行上下文关联计算的:朴素RNN(Plain Recurrent Neural Networks,朴素循环神经网络)、LSTM(Long Short-Term Memory,长短期记忆网络)、BLSTM(Bidirectional LongShort-Term Memory,双向长短期记忆网络)和GRU(Gated Recursive Unit,门限递归单元)中的任意一种。
为了便于理解,下面结合图4对该种获得目标图像特征的方式进行具体说明。
参见图4,可以利用图3所得的初始图像特征V1~Vm,作为如图4所示的第一循环神经网络的输入,从而可以获得具有上下文关联的目标图像特征Y1~Ym。
需要说明的是,图4中所示的方块代表隐藏层,带箭头的线条代表数据流向,在此不进行详述。
S103:基于预先构建的注意力模型,确定所获得的各个目标图像特征所对应的目标权重值,其中,所述注意力模型为:以存在异常事件的视频帧序列样本所对应的各个图像特征为输入内容,以所述各个图像特征对应的权重值为输出内容训练所得到的,其中,在所述视频帧序列样本中,异常帧的图像特征的权重值高于其他帧的权重值;
可以理解的是,在所述注意力模型的训练阶段,是利用大量的、存在异常事件的视频帧序列样本对所述注意力模型进行训练的。具体地,所述注意力模型是利用各个视频帧序列样本所对应的各个图像特征为输入内容,所述各个图像特征对应的权重值为输出内容训练得到的。其中,为了表征视频帧序列样本中存在的异常帧(即异常事件所对应的视频帧),则在训练阶段给予该视频帧序列样本中的异常帧较高的关注度,即异常帧具有高于该视频帧序列样本中其他帧的权重值。
举例而言,用于训练所述注意力模型的一个视频帧序列样本中存在100帧视频帧,且在该100帧视频帧的内容中存在摔倒事件,并且摔倒事件所对应的异常帧为第25~35帧。那么,第25~35帧所对应的权重值,高于该视频帧序列样本中第1~24帧和第36~100帧的权重值。
这样,在训练好所述注意力模型后,可以利用该训练好的注意力模型,对所述目标视频帧序列所对应的各个目标图像特征分配目标权重值。
S104:基于所述各个目标图像特征所对应的目标权重值,确定所述目标视频帧序列中是否存在异常事件。
可以理解的是,在一种实现方式中,可以通过以下方式来确定所述目标视频帧序列中是否存在异常事件:确定在所述各个目标图像特征所对应的目标权重值中,是否存在大于其他目标权重值的第一目标权重值;若是,确定所述目标视频帧序列中存在异常事件,否则,确定所述目标视频帧序列中不存在异常事件。
举例而言,假设所述目标视频帧序列中存在100帧视频帧,并且在该100帧视频帧中,存在第一目标权重值为0.6的视频帧,该第一目标权重值大于该目标视频帧序列中其他任意一帧视频帧的目标权重值。那么,可以确定该目标视频帧序列中存在异常帧,也就是,可以确定该目标视频帧序列中存在异常事件。
在另一种实现方式中,还可以通过以下方式来确定所述目标视频帧序列中是否存在异常事件:确定在所述各个目标图像特征所对应的目标权重值中,是否存在大于第一阈值且符合预定条件的至少两个目标权重值,其中,所述预定条件为所对应的视频帧连续;若是,确定所述目标视频帧序列中存在异常事件,否则,确定所述目标视频帧序列中不存在异常事件。
举例而言,假设所述目标视频帧序列中存在100帧视频帧,且该100帧视频帧中的第10~25帧所分配得到的目标权重值分别a10*10-2~a25*10-2,且a10*10-2>第一阈值0.009,a11*10-2>第一阈值0.009,……,a25*10-2>第一阈值0.009。为了便于理解,假设a10*10-2+a11*10-2+……+a25*10-2=0.8,并假设该100帧视频帧中的第1~9帧所分配得到的目标权重值分别b1*10-6~b9*10-6,该100帧视频帧中的第26~100帧所分配得到的目标权重值分别b26*10-6~b100*10-6,且b1*10-6+……+b9*10-6+b26*10-6+……+b100*10-6=0.2。可见,第10~25帧得到了较多的关注度,也就是,少量的视频帧分配得到较多的权重值,因此该种方式也可以确定该目标视频帧序列中存在异常帧,也就是,可以确定该目标视频帧序列中存在异常事件。
在本发明实施例中,可以先确定待识别的目标视频帧序列,并获得所述目标视频帧序列中各个视频帧的目标图像特征,然后根据预先构建的注意力模型,确定各个目标图像特征的目标权重值。其中,所述注意力模型是:以存在异常事件的视频帧序列样本所对应的各个图像特征为输入内容,以所述各个图像特征对应的权重值为输出内容训练所得到的。另外,由于在所述视频帧序列样本中,异常帧的图像特征的权重值高于其他帧的权重值,也就是说,异常事件所对应的视频帧对应较高的权重值,因此,当所述目标视频帧序列中的某个视频帧得到的权重值较大时,表明该视频帧为异常帧,从而可以确定所述目标视频帧序列中存在异常事件。这样,不需要通过人工的方式识别是否存在异常事件,提高了识别速度,并降低了识别成本。
可选地,在所述确定所述目标视频帧序列中存在异常事件的步骤之后,所述方法还可以包括:
将所述目标视频帧序列中第一目标权重值所对应的视频帧,确定为所述目标视频帧序列中异常事件所对应的视频帧。
可以理解的是,由于所述第一目标权重值相对于其他目标权重值具有较高的数值,因而可知该第一目标权重值所对应的视频帧为异常帧,进而,可以定位该异常帧在所述目标视频帧序列中所处的位置,也就是说,可以快速地定位异常事件所在位置。
可选地,在确定出所述目标视频帧序列中存在异常事件之后,所述方法还包括:
针对每个目标图像特征,利用相应的目标权重值对该目标图像特征进行加权计算,得到图像特征加权值;
对所获得的各个图像特征加权值进行求和,得到所述目标视频帧序列对应的目标加权图像特征;
基于所述目标加权图像特征,确定所述目标视频帧序列所对应的异常事件类型。
可以理解的是,在本发明实施例中,还可以根据所述目标图像特征序列所对应的各个目标图像特征,以及各个目标图像特征所对应的目标权重值,来确定所述目标视频帧序列所对应的异常事件类型。
举例而言,假设所述目标视频帧序列中存在100帧视频帧,并且第60~65帧中存在撞车事件。那么,第60~65帧的目标图像特征为撞车事件所对应的图像特征,从而,注意力模型会给第60~65帧所对应的目标图像特征分配较高的目标权重值,因而在利用目标权重值对相应的目标图像特征进行加权计算,并对加权计算所得到的各个图像特征加权值进行求和之后,得到一个主要包含有撞车事件所对应的图像特征,即目标加权图像特征。之后,在一种实现方式中,可以根据预先存储的预设异常事件类型和预设图像特征的对应关系,确定所述目标加权图像特征所对应的异常事件类型,进而可获知所述目标视频帧序列所对应的异常事件类型。
当然,在另一种实现方式中,所述基于所述目标加权图像特征,确定所述目标视频帧序列所对应的异常事件类型的步骤,可以包括:
基于预设的第二循环神经网络,确定与所述目标加权图像特征所对应的异常事件类型,其中,所述第二循环神经网络为:以所述视频帧序列样本对应的加权图像特征为输入内容,以所述视频帧序列样本所对应的异常事件类型为输出内容训练得到的;
将所确定出的异常事件类型确定为所述目标视频帧序列所对应的异常事件类型。
为了便于理解,下面结合图5对确定异常事件类型的方式进行具体说明。
参见图5,所述目标视频帧序列中各个视频帧的目标图像特征为Y1~Ym,那么,在获得所述目标视频帧序列中各个视频帧的目标权重值c1~cm后,针对每个目标图像特征,利用该目标图像特征所对应的目标权重值进行加权计算,得到图像特征加权值,并对加权计算所得到的各个图像特征加权值进行求和,得到目标加权图像特征S=Y1*c1+……+Ym*cm。
之后,将所述S输入至第二循环神经网络(即图5中的RNN)中,由于所述第二循环神经网络是:以所述视频帧序列样本对应的加权图像特征为输入内容,以所述视频帧序列样本所对应的异常事件类型为输出内容训练得到的,因而所述第二循环神经网络可以输出所述目标加权图像特征所对应的异常事件类型。
可以理解的是,所述第二循环神经网络是通过大量的视频帧序列样本训练得到的,因此,通过该第二循环神经网络来识别异常事件类型,能够获得较为准确的识别结果。
综上,本发明实施例提供的视频内容识别方法,可以降低识别视频内容的成本,并可以提高识别准确度和识别效率。
相应于上述方法实施例,本发明实施例还提供了一种视频内容识别装置,参见图6,所述装置可以包括:
第一确定单元601,用于确定待识别的目标视频帧序列;
获得单元602,用于获得所述目标视频帧序列中各个视频帧的目标图像特征;
第二确定单元603,用于基于预先构建的注意力模型,确定所获得的各个目标图像特征所对应的目标权重值,其中,所述注意力模型为:以存在异常事件的视频帧序列样本所对应的各个图像特征为输入内容,以所述各个图像特征对应的权重值为输出内容训练所得到的,其中,在所述视频帧序列样本中,异常帧的图像特征的权重值高于其他帧的权重值;
第三确定单元604,用于基于所述各个目标图像特征所对应的目标权重值,确定所述目标视频帧序列中是否存在异常事件。
在本发明实施例中,可以先确定待识别的目标视频帧序列,并获得所述目标视频帧序列中各个视频帧的目标图像特征,然后根据预先构建的注意力模型,确定各个目标图像特征的目标权重值。其中,所述注意力模型是:以存在异常事件的视频帧序列样本所对应的各个图像特征为输入内容,以所述各个图像特征对应的权重值为输出内容训练所得到的。另外,由于在所述视频帧序列样本中,异常帧的图像特征的权重值高于其他帧的权重值,也就是说,异常事件所对应的视频帧对应较高的权重值,因此,当所述目标视频帧序列中的某个视频帧得到的权重值较大时,表明该视频帧为异常帧,从而可以确定所述目标视频帧序列中存在异常事件。这样,不需要通过人工的方式识别是否存在异常事件,提高了识别速度,并降低了识别成本。
可选地,在本发明实施例中,所述第一确定单元601,可以包括:
第一确定子单元,用于确定待识别的目标视频;
获得子单元,用于按照预设提取长度和预设滑动步长,从所述目标视频中获得至少一个视频帧序列;
第二确定子单元,用于从所述至少一个视频帧序列中确定待识别的目标视频帧序列。
可选地,在本发明实施例中,所述获得单元602可以包括:
第一计算子单元,用于利用预设的卷积神经网络对所述目标视频帧序列进行卷积计算,得到所述目标视频帧序列中各个视频帧的初始图像特征;
第二计算子单元,用于基于预设的第一循环神经网络,对所获得的各个初始图像特征进行上下文关联计算,得到所述目标视频帧序列中各个视频帧的目标图像特征。
可选地,在本发明实施例中,所述第三确定单元604,可以包括:
第三确定子单元,用于确定在所述各个目标图像特征所对应的目标权重值中,是否存在大于其他目标权重值的第一目标权重值;
第四确定子单元,用于当存在大于其他目标权重值的第一目标权重值时,确定所述目标视频帧序列中存在异常事件,否则,确定所述目标视频帧序列中不存在异常事件。
可选地,在本发明实施例中,所述第三确定单元604,可以包括:
第五确定子单元,用于确定在所述各个目标图像特征所对应的目标权重值中,是否存在大于第一阈值且符合预定条件的至少两个目标权重值,其中,所述预定条件为所对应的视频帧连续;
第六确定子单元,用于当存在大于第一阈值且符合预定条件的至少两个目标权重值时,确定所述目标视频帧序列中存在异常事件,否则,确定所述目标视频帧序列中不存在异常事件。
可选地,在本发明实施例中,所述装置还可以包括:
第四确定单元,用于在确定所述目标视频帧序列中存在异常事件后,将所述目标视频帧序列中第一目标权重值所对应的视频帧,确定为所述目标视频帧序列中异常事件所对应的视频帧。
可选地,在本发明实施例中,所述装置还可以包括:
第一计算单元,用于在确定出所述目标视频帧序列中存在异常事件之后,针对每个目标图像特征,利用相应的目标权重值对该目标图像特征进行加权计算,得到图像特征加权值;
求和单元,用于对所获得的各个图像特征加权值进行求和,得到所述目标视频帧序列对应的目标加权图像特征;
第五确定单元,用于基于所述目标加权图像特征,确定所述目标视频帧序列所对应的异常事件类型。
可选地,在本发明实施例中,所述第五确定单元可以包括:
第七确定子单元,用于基于预设的第二循环神经网络,确定与所述目标加权图像特征所对应的异常事件类型,其中,所述第二循环神经网络为:以所述视频帧序列样本对应的加权图像特征为输入内容,以所述视频帧序列样本所对应的异常事件类型为输出内容训练得到的;
第八确定子单元,用于将所确定出的异常事件类型确定为所述目标视频帧序列所对应的异常事件类型。
相应于上述方法实施例,本申请实施例还提供了一种电子设备,参见图7,所述电子设备包括处理器701、通信接口702、存储器703和通信总线704,其中,处理器701,通信接口702,存储器703通过通信总线704完成相互间的通信,
存储器703,用于存放计算机程序;
处理器701,用于执行存储器703上所存放的程序时,可以执行上述任意一种视频内容识别方法的步骤。
上述电子设备提到的通信总线704可以是:外设部件互连标准(PeripheralComponent Interconnect,简称PCI)总线或扩展工业标准结构(Extended IndustryStandard Architecture,简称EISA)总线等。该通信总线704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702用于上述电子设备与其他设备之间的通信。
存储器703可以包括:随机存取存储器(Random Access Memory,简称RAM),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。可选的,存储器703还可以是至少一个位于远离前述处理器701的存储装置。
上述的处理器701可以是通用处理器,包括:中央处理器(Central ProcessingUnit,简称CPU)、网络处理器(Net work Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称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。
相应于上述方法实施例,本申请实施例还提供了一种可读存储介质,所述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实现上述任意一种视频内容识别方法的步骤。
相应于上述方法实施例,本申请实施例还提供了还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述任意一种视频内容识别方法的步骤。
综上,在本发明实施例中,可以降低识别视频内容的成本,并可以提高识别准确度和识别效率。
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,对于系统实施例而言,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 (17)
1.一种视频内容识别方法,其特征在于,所述方法包括:
确定待识别的目标视频帧序列;
获得所述目标视频帧序列中各个视频帧的目标图像特征;
基于预先构建的注意力模型,确定所获得的各个目标图像特征所对应的目标权重值,其中,所述注意力模型为:以存在异常事件的视频帧序列样本所对应的各个图像特征为输入内容,以所述各个图像特征对应的权重值为输出内容训练所得到的,其中,在所述视频帧序列样本中,异常帧的图像特征的权重值高于其他帧的权重值;
基于所述各个目标图像特征所对应的目标权重值,确定所述目标视频帧序列中是否存在异常事件。
2.根据权利要求1所述的方法,其特征在于,所述确定待识别的目标视频帧序列的步骤,包括:
确定待识别的目标视频;
按照预设提取长度和预设滑动步长,从所述目标视频中获得至少一个视频帧序列;
从所述至少一个视频帧序列中确定待识别的目标视频帧序列。
3.根据权利要求1所述的方法,其特征在于,所述获得所述目标视频帧序列中各个视频帧的目标图像特征的步骤,包括:
利用预设的卷积神经网络对所述目标视频帧序列进行卷积计算,得到所述目标视频帧序列中各个视频帧的初始图像特征;
基于预设的第一循环神经网络,对所获得的各个初始图像特征进行上下文关联计算,得到所述目标视频帧序列中各个视频帧的目标图像特征。
4.根据权利要求1所述的方法,其特征在于,所述基于所述各个目标图像特征所对应的目标权重值,确定所述目标视频帧序列中是否存在异常事件的步骤,包括:
确定在所述各个目标图像特征所对应的目标权重值中,是否存在大于其他目标权重值的第一目标权重值,若是,确定所述目标视频帧序列中存在异常事件,否则,确定所述目标视频帧序列中不存在异常事件。
5.根据权利要求1所述的方法,其特征在于,所述基于所述各个目标图像特征所对应的目标权重值,确定所述目标视频帧序列中是否存在异常事件的步骤,包括:
确定在所述各个目标图像特征所对应的目标权重值中,是否存在大于第一阈值且符合预定条件的至少两个目标权重值,其中,所述预定条件为所对应的视频帧连续;若是,确定所述目标视频帧序列中存在异常事件,否则,确定所述目标视频帧序列中不存在异常事件。
6.根据权利要求4所述的方法,其特征在于,在所述确定所述目标视频帧序列中存在异常事件的步骤之后,所述方法还包括:
将所述目标视频帧序列中第一目标权重值所对应的视频帧,确定为所述目标视频帧序列中异常事件所对应的视频帧。
7.根据权利要求1-5任一项所述的方法,其特征在于,在确定出所述目标视频帧序列中存在异常事件之后,所述方法还包括:
针对每个目标图像特征,利用相应的目标权重值对该目标图像特征进行加权计算,得到图像特征加权值;
对所获得的各个图像特征加权值进行求和,得到所述目标视频帧序列对应的目标加权图像特征;
基于所述目标加权图像特征,确定所述目标视频帧序列所对应的异常事件类型。
8.根据权利要求7所述的方法,其特征在于,所述基于所述目标加权图像特征,确定所述目标视频帧序列所对应的异常事件类型的步骤,包括:
基于预设的第二循环神经网络,确定与所述目标加权图像特征所对应的异常事件类型,其中,所述第二循环神经网络为:以所述视频帧序列样本对应的加权图像特征为输入内容,以所述视频帧序列样本所对应的异常事件类型为输出内容训练得到的;
将所确定出的异常事件类型确定为所述目标视频帧序列所对应的异常事件类型。
9.一种视频内容识别装置,其特征在于,所述装置包括:
第一确定单元,用于确定待识别的目标视频帧序列;
获得单元,用于获得所述目标视频帧序列中各个视频帧的目标图像特征;
第二确定单元,用于基于预先构建的注意力模型,确定所获得的各个目标图像特征所对应的目标权重值,其中,所述注意力模型为:以存在异常事件的视频帧序列样本所对应的各个图像特征为输入内容,以所述各个图像特征对应的权重值为输出内容训练所得到的,其中,在所述视频帧序列样本中,异常帧的图像特征的权重值高于其他帧的权重值;
第三确定单元,用于基于所述各个目标图像特征所对应的目标权重值,确定所述目标视频帧序列中是否存在异常事件。
10.根据权利要求9所述的装置,其特征在于,所述第一确定单元,包括:
第一确定子单元,用于确定待识别的目标视频;
获得子单元,用于按照预设提取长度和预设滑动步长,从所述目标视频中获得至少一个视频帧序列;
第二确定子单元,用于从所述至少一个视频帧序列中确定待识别的目标视频帧序列。
11.根据权利要求9所述的装置,其特征在于,所述获得单元,包括:
第一计算子单元,用于利用预设的卷积神经网络对所述目标视频帧序列进行卷积计算,得到所述目标视频帧序列中各个视频帧的初始图像特征;
第二计算子单元,用于基于预设的第一循环神经网络,对所获得的各个初始图像特征进行上下文关联计算,得到所述目标视频帧序列中各个视频帧的目标图像特征。
12.根据权利要求9所述的装置,其特征在于,所述第三确定单元,包括:
第三确定子单元,用于确定在所述各个目标图像特征所对应的目标权重值中,是否存在大于其他目标权重值的第一目标权重值;
第四确定子单元,用于当存在大于其他目标权重值的第一目标权重值时,确定所述目标视频帧序列中存在异常事件,否则,确定所述目标视频帧序列中不存在异常事件。
13.根据权利要求9所述的装置,其特征在于,所述第三确定单元,包括:
第五确定子单元,用于确定在所述各个目标图像特征所对应的目标权重值中,是否存在大于第一阈值且符合预定条件的至少两个目标权重值,其中,所述预定条件为所对应的视频帧连续;
第六确定子单元,用于当存在大于第一阈值且符合预定条件的至少两个目标权重值时,确定所述目标视频帧序列中存在异常事件,否则,确定所述目标视频帧序列中不存在异常事件。
14.根据权利要求12所述的装置,其特征在于,所述装置还包括:
第四确定单元,用于在确定所述目标视频帧序列中存在异常事件后,将所述目标视频帧序列中第一目标权重值所对应的视频帧,确定为所述目标视频帧序列中异常事件所对应的视频帧。
15.根据权利要求9-13任一项所述的装置,其特征在于,所述装置还包括:
第一计算单元,用于在确定出所述目标视频帧序列中存在异常事件之后,针对每个目标图像特征,利用相应的目标权重值对该目标图像特征进行加权计算,得到图像特征加权值;
求和单元,用于对所获得的各个图像特征加权值进行求和,得到所述目标视频帧序列对应的目标加权图像特征;
第五确定单元,用于基于所述目标加权图像特征,确定所述目标视频帧序列所对应的异常事件类型。
16.根据权利要求15所述的装置,其特征在于,所述第五确定单元,包括:
第七确定子单元,用于基于预设的第二循环神经网络,确定与所述目标加权图像特征所对应的异常事件类型,其中,所述第二循环神经网络为:以所述视频帧序列样本对应的加权图像特征为输入内容,以所述视频帧序列样本所对应的异常事件类型为输出内容训练得到的;
第八确定子单元,用于将所确定出的异常事件类型确定为所述目标视频帧序列所对应的异常事件类型。
17.一种电子设备,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,所述通信接口和所述存储器通过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1-8任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710697177.5A CN109409165A (zh) | 2017-08-15 | 2017-08-15 | 一种视频内容识别方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710697177.5A CN109409165A (zh) | 2017-08-15 | 2017-08-15 | 一种视频内容识别方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109409165A true CN109409165A (zh) | 2019-03-01 |
Family
ID=65454165
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710697177.5A Pending CN109409165A (zh) | 2017-08-15 | 2017-08-15 | 一种视频内容识别方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109409165A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111832351A (zh) * | 2019-04-18 | 2020-10-27 | 杭州海康威视数字技术股份有限公司 | 一种事件检测方法、装置和计算机设备 |
WO2020233427A1 (zh) * | 2019-05-17 | 2020-11-26 | 北京京东尚科信息技术有限公司 | 目标的特征的确定方法和装置 |
CN112949456A (zh) * | 2021-02-26 | 2021-06-11 | 北京达佳互联信息技术有限公司 | 视频特征提取模型训练、视频特征提取方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009009692A2 (en) * | 2007-07-11 | 2009-01-15 | Behavioral Recognition Systems, Inc. | Semantic representation module of a machine-learning engine in a video analysis system |
US8891009B2 (en) * | 2011-08-29 | 2014-11-18 | Futurewei Technologies, Inc. | System and method for retargeting video sequences |
CN106339667A (zh) * | 2016-08-15 | 2017-01-18 | 北京大学 | 一种视频异常事件在线检测方法及装置 |
CN106951870A (zh) * | 2017-02-15 | 2017-07-14 | 重庆警察学院 | 主动视觉注意的监控视频显著事件智能检测预警方法 |
CN107341462A (zh) * | 2017-06-28 | 2017-11-10 | 电子科技大学 | 一种基于注意力机制的视频分类方法 |
-
2017
- 2017-08-15 CN CN201710697177.5A patent/CN109409165A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009009692A2 (en) * | 2007-07-11 | 2009-01-15 | Behavioral Recognition Systems, Inc. | Semantic representation module of a machine-learning engine in a video analysis system |
US8891009B2 (en) * | 2011-08-29 | 2014-11-18 | Futurewei Technologies, Inc. | System and method for retargeting video sequences |
CN106339667A (zh) * | 2016-08-15 | 2017-01-18 | 北京大学 | 一种视频异常事件在线检测方法及装置 |
CN106951870A (zh) * | 2017-02-15 | 2017-07-14 | 重庆警察学院 | 主动视觉注意的监控视频显著事件智能检测预警方法 |
CN107341462A (zh) * | 2017-06-28 | 2017-11-10 | 电子科技大学 | 一种基于注意力机制的视频分类方法 |
Non-Patent Citations (2)
Title |
---|
LI YAO等: "Video Description Generation Incorporating Spatio-Temporal Features and a Soft-Attention Mechanism", 《HTTPS://ARXIV.ORG/ABS/1502.08029V1》 * |
ZBIGNIEW WOJNA等: "Attention-based Extraction of Structured Information from Street View Imagery", 《2017 14TH IAPR INTERNATIONAL CONFERENCE ON DOCUMENT ANALYSIS AND RECOGNITION(ICDAR)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111832351A (zh) * | 2019-04-18 | 2020-10-27 | 杭州海康威视数字技术股份有限公司 | 一种事件检测方法、装置和计算机设备 |
WO2020233427A1 (zh) * | 2019-05-17 | 2020-11-26 | 北京京东尚科信息技术有限公司 | 目标的特征的确定方法和装置 |
CN112949456A (zh) * | 2021-02-26 | 2021-06-11 | 北京达佳互联信息技术有限公司 | 视频特征提取模型训练、视频特征提取方法和装置 |
CN112949456B (zh) * | 2021-02-26 | 2023-12-12 | 北京达佳互联信息技术有限公司 | 视频特征提取模型训练、视频特征提取方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110163300B (zh) | 一种图像分类方法、装置、电子设备及存储介质 | |
CN107168854B (zh) | 互联网广告异常点击检测方法、装置、设备及可读存储介质 | |
CN107944450B (zh) | 一种车牌识别方法及装置 | |
CN107480028B (zh) | 磁盘可使用的剩余时长的获取方法及装置 | |
CN110738235B (zh) | 肺结核判定方法、装置、计算机设备及存储介质 | |
CN111127508B (zh) | 一种基于视频的目标跟踪方法及装置 | |
CN109409165A (zh) | 一种视频内容识别方法、装置及电子设备 | |
CN110363098B (zh) | 一种暴力行为预警方法、装置、可读存储介质及终端设备 | |
CN109426785A (zh) | 一种人体目标身份识别方法及装置 | |
CN109697449A (zh) | 一种目标检测方法、装置及电子设备 | |
CN111353473B (zh) | 一种人脸检测方法、装置、电子设备及存储介质 | |
CN104282027A (zh) | 一种基于Hough变换的圆检测方法 | |
CN111159481B (zh) | 图数据的边预测方法、装置及终端设备 | |
CN109284594A (zh) | 一种基于人脸检测的智能设备锁屏控制方法及装置 | |
CN103034866B (zh) | 一种目标识别方法、装置及系统 | |
CN110287361A (zh) | 一种人物图片筛选方法及装置 | |
CN111814776B (zh) | 一种图像处理方法、设备、服务器及存储介质 | |
CN110289992A (zh) | 一种报文处理方法及装置 | |
CN106847306B (zh) | 一种异常声音信号的检测方法及装置 | |
CN105468887B (zh) | 数据分析系统以及方法 | |
CN114448661B (zh) | 慢速拒绝服务攻击检测方法及相关设备 | |
CN109255016A (zh) | 基于深度学习的应答方法、装置及计算机可读存储介质 | |
CN110399803B (zh) | 一种车辆检测方法及装置 | |
CN113192315B (zh) | 一种交通流量分布预测方法、预测装置及终端设备 | |
CN113989632A (zh) | 一种遥感图像桥梁检测方法、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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190301 |