CN110225236A - 为视频监控系统配置参数的方法、装置和视频监控系统 - Google Patents
为视频监控系统配置参数的方法、装置和视频监控系统 Download PDFInfo
- Publication number
- CN110225236A CN110225236A CN201810174920.3A CN201810174920A CN110225236A CN 110225236 A CN110225236 A CN 110225236A CN 201810174920 A CN201810174920 A CN 201810174920A CN 110225236 A CN110225236 A CN 110225236A
- Authority
- CN
- China
- Prior art keywords
- monitoring system
- configuration parameter
- video monitoring
- parameter
- 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
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
-
- 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
Abstract
本申请实施例提供一种为视频监控系统配置参数的方法、装置和视频监控系统。该为视频监控系统配置参数的装置包括:生成单元,其根据视频监控系统的摄像机所拍摄的图像,生成配置参数;以及配置单元,其用于将所述配置参数配置给所述视频监控系统。根据本实施例,能够对视频监控系统进行有效和便捷的参数配置,节省人力,并且适用性广泛。
Description
技术领域
本申请涉及信息技术领域,尤其涉及一种为视频监控系统配置参数的方法、装置和视频监控系统。
背景技术
近年来,随着车辆数量的增加,交通问题,如交通拥挤,交通事故和空气污染等变得越来越严重。为了监测和缓解此类交通问题,大规模(large scale)的监控摄像机被部署,由此,视频监控系统可以在大量视频源的基础上对交通事件进行实时检测和报告。
这种视频监控系统通常支持对违章停车、车辆流量和交通拥挤等多种交通事件的检测,能够大大方便调节交通的工作。
应该注意,上面对技术背景的介绍只是为了方便对本申请的技术方案进行清楚、完整的说明,并方便本领域技术人员的理解而阐述的。不能仅仅因为这些方案在本申请的背景技术部分进行了阐述而认为上述技术方案为本领域技术人员所公知。
发明内容
本申请的发明人发现,在现有的视频监控系统中,在视频监控系统进行检测和报告之前,需要由用户人工地将配置参数配置给视频监控系统,否则可能无法得到期望的检测结果。其中,配置参数例如可以包括图像中的检测区域、和/或对图像进行分析所使用的分析参数等,该分析参数例如可以是行车道的数量、和/或车辆行驶方向、和/或分析所使用的阈值等参数。
由用户人工地将配置参数配置给视频监控系统,至少存在如下的问题:
1、当监视摄像机的数量较多时,例如1000台,为视频监控系统配置所有配置参数对用户来说是一项繁重的任务;
2、一旦摄像机的位置、观察角度或视野范围发生变化,用户就需要人工地对相关参数进行重新配置;
3、难以支持可动摄像机,例如云台(Pan/Tilt/Zoom,PTZ)摄像机,因为可动摄像机的观察角度或视野范围可以自由改变,而每一次改变,都需要用户人工地对相关参数进行重新配置。
其中,针对上述问题3,在现有技术中存在如下的技术方案:预先设定PTZ摄像机的预定状态与配置参数之间的对应关系,当PTZ摄像机处于某种预定状态时,调用与该预定状态对应的配置参数对视频监控系统进行配置。但是,上述技术方案仅能支持部分类型和品牌的摄像机,难以广泛应用于各类和各品牌的摄像机;此外,上述技术方案所能支持的预定状态的数量有限,当摄像机处于预定状态之外的状态时,难以进行有效的参数配置,所以,上述技术方案在使用时受到较大的局限。
本申请实施例提供一种为视频监控系统配置参数的方法、装置和视频监控系统,根据视频监控系统的摄像机所拍摄的图像,生成配置参数,并将该配置参数配置给该视频监控系统,由此,能够对视频监控系统进行有效和便捷的参数配置,节省人力,并且适用性广泛。
根据本申请实施例的第一方面,提供一种为视频监控系统配置参数的装置,包括:
生成单元,其根据视频监控系统的摄像机所拍摄的图像,生成配置参数;以及配置单元,其用于将所述配置参数配置给所述视频监控系统。
根据本申请实施例的第二方面,提供一种为视频监控系统配置参数的方法,包括:
根据视频监控系统的摄像机所拍摄的图像,生成配置参数;以及将所述配置参数配置给所述视频监控系统。
根据本申请实施例的第三方面,提供一种视频监控系统,其具有摄像机,分析装置,以及如上述第一方面所述的为视频监控系统配置参数的装置,其中,所述为视频监控系统配置参数的装置根据所述摄像机所拍摄的图像,生成配置参数,并将所述配置参数配置给所述分析装置;所述分析装置根据所述配置参数对所述摄像机所拍摄的图像进行分析。
本申请的有益效果在于:根据视频监控系统的摄像机所拍摄的图像,生成配置参数,并将该配置参数配置给该视频监控系统,由此,能够对视频监控系统进行有效和便捷的参数配置,节省人力,并且适用性广泛。
参照后文的说明和附图,详细公开了本发明的特定实施方式,指明了本发明的原理可以被采用的方式。应该理解,本发明的实施方式在范围上并不因而受到限制。在所附权利要求的精神和条款的范围内,本发明的实施方式包括许多改变、修改和等同。
针对一种实施方式描述和/或示出的特征可以以相同或类似的方式在一个或更多个其它实施方式中使用,与其它实施方式中的特征相组合,或替代其它实施方式中的特征。
应该强调,术语“包括/包含”在本文使用时指特征、整件、步骤或组件的存在,但并不排除一个或更多个其它特征、整件、步骤或组件的存在或附加。
附图说明
所包括的附图用来提供对本发明实施例的进一步的理解,其构成了说明书的一部分,用于例示本发明的实施方式,并与文字描述一起来阐释本发明的原理。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性的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1是本申请实施例1的为视频监控系统配置参数的装置的一个示意图;
图2是本申请实施例1的生成单元的一个示意图;
图3是本申请实施例1的场景解析单元对图像进行划分的划分结果的一个示意图;
图4是本申请实施例1的第一参数的区域在该图像上的位置的一个示意图;
图5是本申请实施例1的参数生成单元的一个示意图;
图6是本申请实施例2的为视频监控系统配置参数的方法的一个示意图;
图7是本申请实施例2的生成配置参数的方法的一个示意图;
图8是本申请实施例2的生成与第一参数不同的参数的方法的一个示意图;
图9是本申请实施例3的视频监控系统的一个示意图;
图10是本申请实施例3的视频监控系统进行监控的一个流程示意图;
图11是本申请实施例4的电子设备的一个构成示意图。
具体实施方式
参照附图,通过下面的说明书,本发明的前述以及其它特征将变得明显。在说明书和附图中,具体公开了本发明的特定实施方式,其表明了其中可以采用本发明的原则的部分实施方式,应了解的是,本发明不限于所描述的实施方式,相反,本发明包括落入所附权利要求的范围内的全部修改、变型以及等同物。
实施例1
本申请实施例1提供一种为视频监控系统配置参数的装置。
图1是本实施例的为视频监控系统配置参数的装置的一个示意图,如图1所示,为视频监控系统配置参数的装置100包括:生成单元101和配置单元102。
在本实施例中,生成单元101根据视频监控系统的摄像机所拍摄的图像,生成配置参数;配置单元102用于将生成单元101生成的该配置参数配置给该视频监控系统。
根据本实施例,根据视频监控系统的摄像机所拍摄的图像,生成配置参数,并将该配置参数配置给该视频监控系统,由此,能够对视频监控系统进行有效和便捷的参数配置,节省人力,并且适用性广泛。
在本实施例中,视频监控系统的该摄像机可以是位置固定的摄像机,例如,安装于道路两侧的位置固定的摄像头;或者,该摄像头也可以是可动摄像机,该可动摄像机可以是设置于可移动体上的摄像机,例如,设置于汽车上的摄像机、设置于无人机上的摄像机、或者设置于行人所携带的可移动终端上的摄像机等,该可动摄像机也可以是观察角度可变的摄像机,例如云台(Pan/Tilt/Zoom,PTZ)摄像机等。
在本实施例中,摄像机所拍摄的图像可以是对被监控场景进行拍摄得到的图像,该被监控场景例如可以是道路、森林、建筑物等。在本申请下面的说明中,以对道路进行拍摄得到的图像为例进行说明,但是,本实施例可以不限于此,该图像也可以是对其他场景进行拍摄而得到。
图2是本实施例的生成单元101的一个示意图,如图2所示,生成单元101可以包括:场景解析单元201。
在本实施例中,场景解析单元201可以用于将图像划分为不同区域。场景解析单元201可以采用基于深度学习(deep learning)方法得到的模型对图像进行分析,从而将图像划分为不同区域。
例如,采用与该图像具有类似场景的样本图像进行基于深度学习的离线训练,得到像素级别的深度学习模型,其中,在样本图像中,各像素被标注为行车道(lane)、路侧(roadside)区域、树木(tree)、天空(sky)等。场景解析单元201使用该训练得到的像素级别的深度学习模型对该摄像机所拍摄的该图像进行分析,从而将该图像划分为不同区域。
图3是本实施例的场景解析单元201对图像进行划分的划分结果的一个示意图,如图3所示:划分结果的第一区域301表示行车道所占区域;划分结果的第二区域302表示树木或绿化带区域;划分结果的第三区域303表示车辆所占的区域;划分结果的第四区域304表示建筑物所占的区域;划分结果的第五区域305表示天空所占的区域。
在本实施例中,场景解析单元201可以根据图像的特征从至少两个模型中选择模型,并根据选择的该模型将该图像划分为不同区域,由此,能够自适应地选择模型并进行划分,从而提高划分的准确性。其中,图像的特征例如可以是图像的色调和/或亮度等特征。该至少两个模型可以是针对同一场景训练得到不同模型,例如,在白天正常光照情况下针对道路的模型以及在光照不足情况下(例如阴雨天等)针对道路的模型。
例如,场景解析单元201可以在图像的色调的均值较低时,选择在光照不足情况下针对道路的模型,利用选择出来的该模型将该图像划分为不同区域。
在本实施例中,场景解析单元201进行划分所使用的模型可以对于图像的不同位置具有不同的识别精确度,例如,针对那些对于视频监控系统更重要的区域而言,可以具有更高的识别精确度,而针对那些对于视频监控系统不太重要的区域而言,可以具有更低的识别精确度。由此,可以使划分的结果更有针对性,并且提高划分的效率。
例如,场景解析单元201所使用的模型可以对行车道或绿化带所占的区域及其附近区域进行具有较高精确度的识别,而对树木所占的区域等进行具有较低精确度的识别,该模型可以通过对不同区域进行有偏向的训练(biased training)来得到。
在本实施例中,场景解析单元201可以对该图像的至少两帧进行划分,并根据对该图像的该至少两帧进行划分的结果生成该划分结果。由此,能够进一步提高划分的准确度。例如,场景解析单元201可以对预定时间段(例如,2秒)内摄像机所拍摄的多帧图像分别进行划分为不同区域的处理,并且,统计对该多帧图像进行划分的结果,从而获得针对该预定时间段内的图像的划分结果。
需要说明的是,场景解析单元201对图像进行划分所使用的模型和方法可以不限于此,也可以采用其他的模型或其他的方法。
在本实施例中,场景解析单元201对图像进行划分所得到的划分结果可以被作为配置参数中的第一参数,例如,划分结果中的部分区域被作为配置参数中的第一参数,用来表示在图像中需要被该视频监控系统检测的区域。
图4是该第一参数的区域在该图像上的位置的一个示意图,如图4所示,在摄像机所拍摄的该图像400中,区域401是行车道所占的区域,区域402是路侧区域,区域403是天空所占的区域。
在本实施例中,区域401可以用于进行车流量统计和反向行驶等事件的检测,其中,区域401中所示出的行车道的数量为4;区域402可以用于进行非法停车和道路侵占(road encroachment)等事件的检测;区域403可以用于进行雾霾检测和烟雾等事件的检测。
在本实施例中,如图2所示,生成单元101还可以包括参数生成单元202。参数生成单元202可以根据该图像和场景解析单元201对该图像的划分结果,生成配置参数中的与该第一参数不同的参数。
图5是本实施例的参数生成单元的一个示意图。如图5所示,参数生成单元202可以包括中间处理单元501。
在本实施例中,中间处理单元501可以在场景解析单元201划分出的各区域中,对该图像进行处理,该处理例如可以包括:边缘检测(edge detection),和/或车辆检测(vehicle detection),和/或车辆跟踪(vehicle tracking),和/或行驶轨迹生成(trajectory generation),和/或亮度检测等。关于各处理的具体方式,可以参考现有技术,本实施例不再进行描述。
在本实施例中,中间处理单元501在各区域中进行的处理可以与该区域对应。例如,该亮度检测可以在图3的第五区域305中进行;车辆检测,和/或车辆跟踪,和/或行驶轨迹生成可以在图3的第一区域301中进行等。由此,中间处理单元501只需要在各区域进行与该区域对应的处理,而不必在图像的整个区域都进行全部处理,由此,减少了进行中间处理的运算量。
在本实施例中,该中间处理单元501的处理结果的至少一部分可以被作为配置参数中的第二参数。例如,亮度检测的结果包含路面的能见度信息,因此,针对该第五区域305的亮度检测的结果可以被作为该第二参数,以反映路面的能见度(visibility value);又例如,行驶轨迹生成的结果,即行驶轨迹,包含行车道的方向信息,因此,针对该第一区域301的行驶轨迹生成的结果可以被作为该第二参数,以反映行车道的方向。
在本实施例中,如图5所示,参数生成单元202还可以包括融合单元502。该融合单元502可以根据中间处理单元501的处理结果,以及场景解析单元201对该图像的划分结果,生成配置参数中的第三参数。
例如,融合单元502可以将中间处理单元501的车辆检测的结果与场景解析单元201所划分出的行车道区域进行融合,从而计算出行车道的数量,例如,融合单元502可以将场景解析单元201所划分出的行车道区域的宽度与中间处理单元501的车辆检测的结果中车辆的宽度进行比较,从而计算出行车道区域中行车道的数量,该行车道的数量为第三参数;又例如,中间处理单元501的边缘检测的结果可以用于对图像中的连通区域进行分割,将该边缘检测的结果与场景解析单元201所划分出的行车道区域相融合,也能够得到行车道的数量。
在本实施例中,如上所述,生成单元101可以根据视频监控系统的摄像机所拍摄的图像,生成配置参数,该生成单元101生成的配置参数中可以包括第一参数(例如,图像中需要被该视频监控系统检测的区域等),和/或第二参数(例如,亮度检测的结果,和/或行驶轨迹等),和/或第三参数(例如,行车道的数量等)。
在本实施例中,配置单元102可以根据生成单元101生成的配置参数形成配置文件,该配置文件例如可以是记载该配置参数的配置表,该配置表可以用于将该配置参数配置给该视频监控系统。
根据本实施例,根据视频监控系统的摄像机所拍摄的图像,生成配置参数,并将该配置参数配置给该视频监控系统,由此,能够对视频监控系统进行有效和便捷的参数配置,节省人力;并且,由于是自动进行参数配置,即使是摄像机的状态变化,也能便捷的进行参数配置,因此,本实施例能够支持多种类型和品牌的摄像机。
实施例2
本申请实施例2提供一种为视频监控系统配置参数的方法,与实施例1的为视频监控系统配置参数的装置100相对应。
图6是本实施例的为视频监控系统配置参数的方法的一个示意图,如图6所示,该方法包括:
步骤601、根据视频监控系统的摄像机所拍摄的图像,生成配置参数;
步骤602、将所述配置参数配置给所述视频监控系统。
图7是本实施例的生成配置参数的方法的一个示意图,如图7所示,该生成配置参数的方法包括:
步骤701、将所述图像划分为不同区域,其中,对所述图像进行划分的划分结果被作为所述配置参数中的第一参数。
在步骤701中,能够采用基于深度学习(deep learning)方法得到的模型对图像进行分析,从而将图像划分为不同区域。
在本实施例的步骤701中,还可以采用如下的方式中的至少一种,从而进一步提高区域划分的准确性:根据所述图像的特征从至少两个模型中选择模型,并根据选择的该模型将所述图像划分为不同区域;进行划分所使用的模型对于所述图像的不同位置具有不同的识别精确度;以及,对所述图像的至少两帧进行划分,并根据对所述图像的至少两帧进行划分的结果生成所述划分结果。
在本实施例中,如图7所示,该生成配置参数的方法还可以包括:
步骤702、根据所述图像和对所述图像的划分结果,生成所述配置参数中的与所述第一参数不同的参数。
图8是本实施例的步骤702的生成与第一参数不同的参数的方法的一个示意图,如图8所示,该8方法包括:
步骤801、在划分出的各区域中,对所述图像进行与该区域对应的中间处理,所述中间处理的结果的至少一部分被作为所述配置参数中的第二参数。
在本实施例中,如图8所示,该方法还可以包括:
步骤802、根据所述中间处理的结果,以及对所述图像的划分结果,生成所述配置参数中的第三参数。
根据本实施例,根据视频监控系统的摄像机所拍摄的图像,生成配置参数,并将该配置参数配置给该视频监控系统,由此,能够对视频监控系统进行有效和便捷的参数配置,节省人力;并且,由于是自动进行参数配置,即使是摄像机的状态变化,也能便捷的进行参数配置,因此,本实施例能够支持多种类型和品牌的摄像机。
实施例3
本申请实施例3提供一种视频监控系统,所述视频监控系统包括:如实施例1所述的为视频监控系统配置参数的装置。
图9是本申请实施例3的视频监控系统的一个示意图。如图9所示,该视频监控系统900可以包括:摄像机901,分析装置902,以及为视频监控系统配置参数的装置903。
其中,为视频监控系统配置参数的装置903根据摄像机901所拍摄的图像,生成配置参数,并将该配置参数配置给分析装置902;分析装置902可以根据该配置参数对摄像机901所拍摄的图像进行分析。
在本实施例中,摄像机901可以是位置固定的摄像机或者可动摄像机,其中,该可动摄像机例如可以是观察角度可变的摄像机,例如云台(Pan/Tilt/Zoom,PTZ)摄像机等。
在本实施例中,分析装置902可以根据配置参数而被配置,并对一个或多个摄像机901所拍摄的图像进行分析,该分析例如可以是事件检测等,例如,当分析装置902检测到特定的事件时,可以向控制服务器发送报警信号,和/或该事件的截图或视频。分析装置902可以是硬件,或软件,或软件和硬件的结合。在本实施例中,如图9所示,分析装置902可以被设置于分析服务器902A,并且,分析服务器902A中分析装置902的数量可以根据需要进行分析的监控摄像机901的数量来设置。关于分析装置902和分析服务器902A的说明,可以参考现有技术,本实施例不再详细说明。
在本实施例中,为视频监控系统配置参数的装置903的工作原理可以参考实施例1的说明。如图9所示,为视频监控系统配置参数的装置903可以被设置于管理服务器903A。
如图9所示,管理服务器903A还可以具有管理装置904,其中,管理装置904可以对视频监控系统900中的硬件进行控制,并接收分析装置902发送的报警信号,和/或该事件的截图或视频。关于管理装置904和管理服务器903A的说明,可以参考现有技术,本实施例不再详细说明。
在本实施例中,该视频监控系统900可以具有一个管理服务器903A。
在本实施例中,如图9所示,该视频监控系统900可以仅设置有一个为视频监控系统配置参数的装置903,由此,该装置903能够根据摄像机901的图像,对与该摄像机901相对应的分析装置902进行参数配置,由此,可以降低成本。
但是,本实施例可以不限于此,该视频监控系统900可以设置有多个为视频监控系统配置参数的装置903。此外,该多个为视频监控系统配置参数的装置903可以被设置于管理服务器903A中,或者,被分别设置于各分析服务器902A中。
如图9所示,该视频监控系统900还可以具有检测装置905,检测装置905用于检测摄像机的状态的变化,其中,所述摄像机的状态的变化是指:摄像机的位置,摄像机的观察角度,以及摄像机的观察范围中至少一者的变化。在本实施例中,检测装置905可以基于传感器来检测摄像机的状态的变化,和/或基于图像处理的结果来检测摄像机的状态的变化。
在本实施例中,在检测装置905检测到该摄像机901的状态变化时,为视频监控系统配置参数的装置903能够重新生成配置参数,并将重新生成的该配置参数配置给分析装置902。
如图9所示,该视频监控系统900还可以具有显示装置906,该显示装置906能够对分析装置902的分析结果进行显示。
在本实施例中,该视频监控系统900中各部件的物理设置方式可以不限于图9的限制,也可以有其它的设置方式。
图10是本实施例的视频监控系统900进行监控的一个流程示意图,如图10所示,该流程可以包括:
步骤1001、摄像机拍摄图像;
步骤1002、判断是否需要初始化。判断为是,则进行到步骤1004;判断为否,则进行到步骤1003。其中,初始化是指通过为视频监控系统配置参数的装置903来进行参数配置。在本步骤中,可以通过判断视频监控系统900是否已经被配置了相关的配置参数来判断是否需要初始化,如果没有被配置,则判断为是,即需要初始化,如果没有被配置,则判断为否。
步骤1003、判断摄像机的状态是否变化。例如,可以由检测装置905来进行判断。判断为是,则进行到步骤1004;判断为否,则进行到步骤1007。
步骤1004、进行配置参数的生成和配置。在步骤1004中,示出了配置参数的生成的步骤1005和步骤1006。其中,步骤1004生成和配置的参数例如可以是:图像中需要被该视频监控系统检测的区域等,和/或亮度检测的结果,和/或行驶轨迹,和/或行车道的数量等。此外,图10的步骤1005、1006仅示出了生成配置参数的一个示例,其它的实例可以参考实施例1的说明。
步骤1005、将该图像划分为不同区域,对应于实施例1的场景解析单元201的功能。
步骤1006、根据该图像和步骤1005的划分结果,生成所述配置参数中的与所述第一参数不同的参数,对应于实施例1的参数生成单元202的功能。
步骤1007、根据配置的参数,对摄像机拍摄的图像进行分析,该步骤例如可以由分析装置902来执行。
本实施例的视频监控系统900可以被用于进行交通监控,或者其它领域,例如,森林监控、自然灾害监控、楼宇监控等。
根据本实施例,根据视频监控系统的摄像机所拍摄的图像,生成配置参数,并将该配置参数配置给该视频监控系统,由此,能够对视频监控系统进行有效和便捷的参数配置,节省人力;并且,由于是自动进行参数配置,即使是摄像机的状态变化,也能便捷的进行参数配置,因此,本实施例能够支持多种类型和品牌的摄像机。
实施例4
本申请实施例4提供一种电子设备,所述电子设备包括:如实施例1所述的为视频监控系统配置参数的装置。
在本实施例中,该电子设备可以是实施例3所述的管理服务器903A,由此,为视频监控系统配置参数的装置的功能被设置于管理服务器903A。在本实施例中,该电子设备可以是实施例4所述的分析服务器902A,由此,为视频监控系统配置参数的装置的功能被设置于分析服务器902A。
图11是本申请实施例4的电子设备的一个构成示意图。如图11所示,电子设备1100可以包括:中央处理器(CPU)1101和存储器1102;存储器1102耦合到中央处理器1101。其中该存储器1102可存储各种数据;此外还存储用于为视频监控系统配置参数的程序,并且在中央处理器1101的控制下执行该程序。
在一个实施方式中,为视频监控系统配置参数的装置的功能可以被集成到中央处理器1101中。
其中,中央处理器1101可以被配置为:
根据视频监控系统的摄像机所拍摄的图像,生成配置参数;以及将所述配置参数配置给所述视频监控系统。
其中,中央处理器1101还可以被配置为:
将所述图像划分为不同区域,对所述图像进行划分的划分结果被作为所述配置参数中的第一参数。
其中,中央处理器1101还可以被配置为:
根据所述图像的特征从至少两个模型中选择模型,并根据选择的该模型将所述图像划分为不同区域。
其中,中央处理器1101还可以被配置为:
进行划分所使用的模型对于所述图像的不同位置具有不同的识别精确度。
其中,中央处理器1101还可以被配置为:
对所述图像的至少两帧进行划分,并根据对所述图像的至少两帧进行划分的结果生成所述划分结果。
其中,中央处理器1101还可以被配置为:
根据所述图像和对所述图像的划分结果,生成所述配置参数中的与所述第一参数不同的参数。
其中,中央处理器1101还可以被配置为:
在划分出的各区域中,对所述图像进行与该区域对应的中间处理,所述中间处理的结果的至少一部分被作为所述配置参数中的第二参数。
其中,中央处理器1101还可以被配置为:
根据所述中间处理的结果,以及对所述图像的划分结果,生成所述配置参数中的第三参数。
此外,如图11所示,电子设备1100还可以包括:输入输出单元1103和显示单元1104等;其中,上述部件的功能与现有技术类似,此处不再赘述。值得注意的是,电子设备1100也并不是必须要包括图11中所示的所有部件;此外,电子设备1100还可以包括图11中没有示出的部件,可以参考现有技术。
本申请实施例还提供一种计算机可读程序,其中当在为视频监控系统配置参数的装置或电子设备中执行所述程序时,所述程序使得为视频监控系统配置参数的装置或电子设备执行实施例2所述的为视频监控系统配置参数的方法。
本申请实施例还提供一种存储有计算机可读程序的存储介质,其中,所述存储介质存储上述计算机可读程序,所述计算机可读程序使得为视频监控系统配置参数的装置或电子设备执行实施例2所述的为视频监控系统配置参数的方法。
结合本发明实施例描述的为视频监控系统配置参数的装置可直接体现为硬件、由处理器执行的软件模块或二者组合。例如,图1、2和5中所示的功能框图中的一个或多个和/或功能框图的一个或多个组合,既可以对应于计算机程序流程的各个软件模块,亦可以对应于各个硬件模块。这些软件模块,可以分别对应于实施例2所示的各个步骤。这些硬件模块例如可利用现场可编程门阵列(FPGA)将这些软件模块固化而实现。
软件模块可以位于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动磁盘、CD-ROM或者本领域已知的任何其它形式的存储介质。可以将一种存储介质耦接至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息;或者该存储介质可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。该软件模块可以存储在移动终端的存储器中,也可以存储在可插入移动终端的存储卡中。例如,若电子设备采用的是较大容量的MEGA-SIM卡或者大容量的闪存装置,则该软件模块可存储在该MEGA-SIM卡或者大容量的闪存装置中。
针对图1、2和5描述的功能框图中的一个或多个和/或功能框图的一个或多个组合,可以实现为用于执行本申请所描述功能的通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立门或晶体管逻辑器件、分立硬件组件、或者其任意适当组合。针对图1、2和5描述的功能框图中的一个或多个和/或功能框图的一个或多个组合,还可以实现为计算设备的组合,例如,DSP和微处理器的组合、多个微处理器、与DSP通信结合的一个或多个微处理器或者任何其它这种配置。
以上结合具体的实施方式对本申请进行了描述,但本领域技术人员应该清楚,这些描述都是示例性的,并不是对本申请保护范围的限制。本领域技术人员可以根据本申请的原理对本申请做出各种变型和修改,这些变型和修改也在本申请的范围内。
关于包括以上实施例的实施方式,还公开下述的附记:
1.一种为视频监控系统配置参数的装置,包括:
生成单元,其根据视频监控系统的摄像机所拍摄的图像,生成配置参数;以及
配置单元,其用于将所述配置参数配置给所述视频监控系统。
2.如附记1所述的装置,其中,所述生成单元包括:
场景解析单元,其用于将所述图像划分为不同区域,
所述场景解析单元对所述图像进行划分的划分结果被作为所述配置参数中的第一参数。
3.如附记2所述的装置,其中,
所述场景解析单元根据所述图像的特征从至少两个模型中选择模型,并根据选择的该模型将所述图像划分为不同区域。
4.如附记2所述的装置,其中,
所述场景解析单元进行划分所使用的模型对于所述图像的不同位置具有不同的识别精确度。
5.如附记2所述的装置,其中,
所述场景解析单元对所述图像的至少两帧进行划分,并根据对所述图像的至少两帧进行划分的结果生成所述划分结果。
6.如附记2所述的装置,其中,所述生成单元还包括:
参数生成单元,其根据所述图像和所述场景解析单元对所述图像的划分结果,生成所述配置参数中的与所述第一参数不同的参数。
7.如附记6所述的装置,其中,所述参数生成单元包括:
中间处理单元,其在所述场景解析单元划分出的各区域中,对所述图像进行与该区域对应的处理,所述中间处理单元的处理结果的至少一部分被作为所述配置参数中的第二参数。
8.如附记7所述的装置,其中,所述参数生成单元还包括:
融合单元,其根据所述中间处理单元的处理结果,以及所述场景解析单元对所述图像的划分结果,生成所述配置参数中的第三参数。
9.一种视频监控系统,其具有摄像机,分析装置,以及如附记1-8中任一项所述的为视频监控系统配置参数的装置,其中,
所述为视频监控系统配置参数的装置根据所述摄像机所拍摄的图像,生成配置参数,并将所述配置参数配置给所述分析装置;
所述分析装置根据所述配置参数对所述摄像机所拍摄的图像进行分析。
10.如附记9所述的视频监控系统,其中,所述视频监控系统还具有:
检测装置,其用于检测所述摄像机的状态的变化,
其中,在所述检测装置检测到所述摄像机的状态变化时,所述为视频监控系统配置参数的装置生成所述配置参数,并将所述配置参数配置给所述分析装置。
11.一种为视频监控系统配置参数的方法,包括:
根据视频监控系统的摄像机所拍摄的图像,生成配置参数;以及
将所述配置参数配置给所述视频监控系统。
12.如附记11所述的方法,其中,生成配置参数包括:
将所述图像划分为不同区域,
对所述图像进行划分的划分结果被作为所述配置参数中的第一参数。
13.如附记12所述的方法,其中,将所述图像划分为不同区域,包括:
根据所述图像的特征从至少两个模型中选择模型,并根据选择的该模型将所述图像划分为不同区域。
14.如附记12所述的方法,其中,
进行划分所使用的模型对于所述图像的不同位置具有不同的识别精确度。
15.如附记12所述的方法,其中,将所述图像划分为不同区域,包括:
对所述图像的至少两帧进行划分,并根据对所述图像的至少两帧进行划分的结果生成所述划分结果。
16.如附记12所述的方法,其中,生成配置参数还包括:
根据所述图像和对所述图像的划分结果,生成所述配置参数中的与所述第一参数不同的参数。
17.如附记16所述的方法,其中,生成所述配置参数中的与所述第一参数不同的参数包括:
在划分出的各区域中,对所述图像进行与该区域对应的中间处理,所述中间处理的结果的至少一部分被作为所述配置参数中的第二参数。
18.如附记17所述的方法,其中,生成所述配置参数中的与所述第一参数不同的参数还包括:
根据所述中间处理的结果,以及对所述图像的划分结果,生成所述配置参数中的第三参数。
Claims (10)
1.一种为视频监控系统配置参数的装置,包括:
生成单元,其根据视频监控系统的摄像机所拍摄的图像,生成配置参数;以及
配置单元,其用于将所述配置参数配置给所述视频监控系统。
2.如权利要求1所述的装置,其中,所述生成单元包括:
场景解析单元,其用于将所述图像划分为不同区域,
所述场景解析单元对所述图像进行划分的划分结果被作为所述配置参数中的第一参数。
3.如权利要求2所述的装置,其中,
所述场景解析单元根据所述图像的特征从至少两个模型中选择模型,并根据选择的该模型将所述图像划分为不同区域。
4.如权利要求2所述的装置,其中,
所述场景解析单元进行划分所使用的模型对于所述图像的不同位置具有不同的识别精确度。
5.如权利要求2所述的装置,其中,
所述场景解析单元对所述图像的至少两帧进行划分,并根据对所述图像的至少两帧进行划分的结果生成所述划分结果。
6.如权利要求2所述的装置,其中,所述生成单元还包括:
参数生成单元,其根据所述图像和所述场景解析单元对所述图像的划分结果,生成所述配置参数中的与所述第一参数不同的参数。
7.如权利要求6所述的装置,其中,所述参数生成单元包括:
中间处理单元,其在所述场景解析单元划分出的各区域中,对所述图像进行与该区域对应的处理,所述中间处理单元的处理结果的至少一部分被作为所述配置参数中的第二参数。
8.如权利要求7所述的装置,其中,所述参数生成单元还包括:
融合单元,其根据所述中间处理单元的处理结果,以及所述场景解析单元对所述图像的划分结果,生成所述配置参数中的第三参数。
9.一种视频监控系统,其具有摄像机,分析装置,以及如权利要求1-8中任一项所述的为视频监控系统配置参数的装置,其中,
所述为视频监控系统配置参数的装置根据所述摄像机所拍摄的图像,生成配置参数,并将所述配置参数配置给所述分析装置;
所述分析装置根据所述配置参数对所述摄像机所拍摄的图像进行分析。
10.一种为视频监控系统配置参数的方法,包括:
根据视频监控系统的摄像机所拍摄的图像,生成配置参数;以及
将所述配置参数配置给所述视频监控系统。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810174920.3A CN110225236B (zh) | 2018-03-02 | 2018-03-02 | 为视频监控系统配置参数的方法、装置和视频监控系统 |
JP2019010176A JP7305965B2 (ja) | 2018-03-02 | 2019-01-24 | ビデオ監視システムのパラメータ設定方法、装置及びビデオ監視システム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810174920.3A CN110225236B (zh) | 2018-03-02 | 2018-03-02 | 为视频监控系统配置参数的方法、装置和视频监控系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110225236A true CN110225236A (zh) | 2019-09-10 |
CN110225236B CN110225236B (zh) | 2022-06-28 |
Family
ID=67822136
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810174920.3A Active CN110225236B (zh) | 2018-03-02 | 2018-03-02 | 为视频监控系统配置参数的方法、装置和视频监控系统 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7305965B2 (zh) |
CN (1) | CN110225236B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113255708A (zh) * | 2020-02-10 | 2021-08-13 | 富士通株式会社 | 数据融合方法、装置和数据处理设备 |
CN114937244A (zh) * | 2022-06-16 | 2022-08-23 | 慧之安信息技术股份有限公司 | 基于边缘计算的考场智能监控方法 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7379260B2 (ja) | 2020-04-06 | 2023-11-14 | Fcnt株式会社 | 逆走車検知装置、逆走車検知方法及び逆走車検知プログラム |
JP7104123B2 (ja) * | 2020-10-21 | 2022-07-20 | i-PRO株式会社 | カメラ設置支援プログラム、カメラ設置支援方法およびカメラ設置支援システム |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2312497A1 (en) * | 2009-09-30 | 2011-04-20 | Hitachi Ltd. | Apparatus for vehicle surroundings monitorings |
CN105788286A (zh) * | 2016-05-19 | 2016-07-20 | 湖南博广信息科技有限公司 | 智能识别闯红灯系统以及车辆行为检测抓拍方法 |
CN105809658A (zh) * | 2014-10-20 | 2016-07-27 | 三星Sds株式会社 | 关心区域设定方法及装置 |
CN106485927A (zh) * | 2016-10-28 | 2017-03-08 | 江苏信息职业技术学院 | 一种智能交通违章信息采集装置及采集方法 |
CN106571038A (zh) * | 2015-10-12 | 2017-04-19 | 原熙 | 实现全自动道路监控的方法 |
CN107292291A (zh) * | 2017-07-19 | 2017-10-24 | 北京智芯原动科技有限公司 | 一种车辆识别方法和系统 |
CN107316035A (zh) * | 2017-08-07 | 2017-11-03 | 北京中星微电子有限公司 | 基于深度学习神经网络的对象识别方法及装置 |
US20170344844A1 (en) * | 2016-05-30 | 2017-11-30 | Kabushiki Kaisha Toshiba | Information processing apparatus and information processing method |
CN107622678A (zh) * | 2017-10-18 | 2018-01-23 | 冯迎安 | 一种基于图像处理的智能交通控制系统及其方法 |
CN107730904A (zh) * | 2017-06-13 | 2018-02-23 | 银江股份有限公司 | 基于深度卷积神经网络的多任务车辆逆向行驶视觉检测系统 |
CN107730906A (zh) * | 2017-07-11 | 2018-02-23 | 银江股份有限公司 | 斑马线车辆不礼让行人行为的视觉检测系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0546770A (ja) * | 1991-07-25 | 1993-02-26 | Nec Corp | 動画像の領域分割方式 |
JP4697761B2 (ja) | 2001-05-18 | 2011-06-08 | 株式会社エイブイプランニングセンター | 待ち行列検出方法及び待ち行列検出装置 |
JP4636130B2 (ja) | 2008-06-27 | 2011-02-23 | ソニー株式会社 | 画像処理装置、撮像装置、画像処理方法、およびプログラム |
US9916522B2 (en) | 2016-03-11 | 2018-03-13 | Kabushiki Kaisha Toshiba | Training constrained deconvolutional networks for road scene semantic segmentation |
JP6116746B1 (ja) | 2016-11-17 | 2017-04-19 | 株式会社ネクスト | 情報処理装置、情報処理方法、及びプログラム |
-
2018
- 2018-03-02 CN CN201810174920.3A patent/CN110225236B/zh active Active
-
2019
- 2019-01-24 JP JP2019010176A patent/JP7305965B2/ja active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2312497A1 (en) * | 2009-09-30 | 2011-04-20 | Hitachi Ltd. | Apparatus for vehicle surroundings monitorings |
CN105809658A (zh) * | 2014-10-20 | 2016-07-27 | 三星Sds株式会社 | 关心区域设定方法及装置 |
CN106571038A (zh) * | 2015-10-12 | 2017-04-19 | 原熙 | 实现全自动道路监控的方法 |
CN105788286A (zh) * | 2016-05-19 | 2016-07-20 | 湖南博广信息科技有限公司 | 智能识别闯红灯系统以及车辆行为检测抓拍方法 |
US20170344844A1 (en) * | 2016-05-30 | 2017-11-30 | Kabushiki Kaisha Toshiba | Information processing apparatus and information processing method |
CN106485927A (zh) * | 2016-10-28 | 2017-03-08 | 江苏信息职业技术学院 | 一种智能交通违章信息采集装置及采集方法 |
CN107730904A (zh) * | 2017-06-13 | 2018-02-23 | 银江股份有限公司 | 基于深度卷积神经网络的多任务车辆逆向行驶视觉检测系统 |
CN107730906A (zh) * | 2017-07-11 | 2018-02-23 | 银江股份有限公司 | 斑马线车辆不礼让行人行为的视觉检测系统 |
CN107292291A (zh) * | 2017-07-19 | 2017-10-24 | 北京智芯原动科技有限公司 | 一种车辆识别方法和系统 |
CN107316035A (zh) * | 2017-08-07 | 2017-11-03 | 北京中星微电子有限公司 | 基于深度学习神经网络的对象识别方法及装置 |
CN107622678A (zh) * | 2017-10-18 | 2018-01-23 | 冯迎安 | 一种基于图像处理的智能交通控制系统及其方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113255708A (zh) * | 2020-02-10 | 2021-08-13 | 富士通株式会社 | 数据融合方法、装置和数据处理设备 |
CN114937244A (zh) * | 2022-06-16 | 2022-08-23 | 慧之安信息技术股份有限公司 | 基于边缘计算的考场智能监控方法 |
CN114937244B (zh) * | 2022-06-16 | 2023-08-29 | 慧之安信息技术股份有限公司 | 基于边缘计算的考场智能监控方法 |
Also Published As
Publication number | Publication date |
---|---|
JP7305965B2 (ja) | 2023-07-11 |
CN110225236B (zh) | 2022-06-28 |
JP2019154027A (ja) | 2019-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11941887B2 (en) | Scenario recreation through object detection and 3D visualization in a multi-sensor environment | |
KR102189262B1 (ko) | 엣지 컴퓨팅을 이용한 교통 정보 수집 장치 및 방법 | |
CN111145545B (zh) | 基于深度学习的道路交通行为无人机监测系统及方法 | |
CN110136447B (zh) | 行车变道检测及违法变道识别的方法 | |
CN110225236A (zh) | 为视频监控系统配置参数的方法、装置和视频监控系统 | |
CN112990114B (zh) | 一种基于ai识别的交通数据可视化仿真方法及系统 | |
CN110738150B (zh) | 相机联动抓拍方法、装置以及计算机存储介质 | |
CN106781520A (zh) | 一种基于车辆跟踪的交通违法检测方法及系统 | |
CN112991742B (zh) | 一种实时交通数据的可视化仿真方法及系统 | |
CN110753953A (zh) | 用于自动驾驶车辆中经由交叉模态验证的以物体为中心的立体视觉的方法和系统 | |
US9152865B2 (en) | Dynamic zone stabilization and motion compensation in a traffic management apparatus and system | |
CN108154146A (zh) | 一种基于图像识别的车辆追踪方法 | |
CN113903008A (zh) | 基于深度学习和轨迹跟踪的匝道出口车辆违法识别方法 | |
KR101210615B1 (ko) | 불법유턴 차량 단속 시스템 | |
US20220237919A1 (en) | Method, Apparatus, and Computing Device for Lane Recognition | |
CN111899521A (zh) | 一种高速公路的车辆违规行为检测方法 | |
US9942450B2 (en) | Automatic time signature-based video matching for a camera network | |
CN113420714A (zh) | 一种采集图像上报方法、装置及电子设备 | |
CN111951598A (zh) | 一种车辆跟踪监测方法、装置及系统 | |
CN114913470B (zh) | 一种事件检测方法及装置 | |
KR20210140766A (ko) | 교통 도로를 위한 디지털 재구성 방법, 장치 및 시스템 | |
KR102484789B1 (ko) | 무인단속 및 교통정보 수집 기능을 구비한 지능형 교차로 통합관리시스템 | |
CN114693722B (zh) | 一种车辆行驶行为检测方法、检测装置及检测设备 | |
CN115394089A (zh) | 一种车辆信息融合展示的方法、无感通行系统及存储介质 | |
Ng et al. | Traffic Impact Assessment System using Yolov5 and ByteTrack |
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 |