CN110505397A - 相机选择的方法、装置及计算机存储介质 - Google Patents
相机选择的方法、装置及计算机存储介质 Download PDFInfo
- Publication number
- CN110505397A CN110505397A CN201910628988.9A CN201910628988A CN110505397A CN 110505397 A CN110505397 A CN 110505397A CN 201910628988 A CN201910628988 A CN 201910628988A CN 110505397 A CN110505397 A CN 110505397A
- Authority
- CN
- China
- Prior art keywords
- target
- camera
- analysis
- parameter
- visible area
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/61—Control of cameras or camera modules based on recognised objects
-
- 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
- H04N23/61—Control of cameras or camera modules based on recognised objects
- H04N23/611—Control of cameras or camera modules based on recognised objects where the recognised objects include parts of the human body
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/90—Arrangement of cameras or camera modules, e.g. multiple cameras in TV studios or sports stadiums
Abstract
本发明提供了一种用于结构化分析的相机选择的方法、装置及计算机存储介质。该方法包括:获取相机在预设时间长度内所拍摄的图像;确定所述图像中的各个目标的目标分析参数,并确定相机的可视区域大小,其中,所述目标分析参数包括以下至少一项:目标大小、目标模糊度、目标角度和目标跟踪帧数;根据目标分析参数和可视区域大小,判断是否选择所述相机进行结构化分析。可见,本发明实施例能够基于相机所拍摄的图像中的目标的目标分析参数以及相机的可视区域大小来选择用于结构化分析的相机,减少了大量的人力消耗,并且这种选择方式花费时间短,效率高;通过可量化的参数来选择使得选择更加精确,进而能够确保后续进行结构化分析的精度。
Description
技术领域
本发明涉及图像处理领域,更具体地涉及一种用于结构化分析的相机选择的方法、装置及计算机存储介质。
背景技术
随着对于机器视觉的深入,其已经被用在很多不同的应用中。例如在平安城市场景中,已经提出了监控摄像机的深层次应用,例如期望对视频能够提取更多更有价值的目标内容,从而能够为案件的事后研判、内容检索提供更多便利和效率上的提升。
视频结构化,即视频数据的结构化处理,是对原始视频进行智能分析,提取出关键信息,并进行文本的语义描述。
在实际情况中,由于监控摄像机的部署场景和架设角度、看控范围等因素,导致目前监控摄像机在做视频结构化分析时,存在很低的召回率(recall)和精确率(precision)。
目前,在平安城市场景中一般会选择大约10%的监控摄像机进行后续的视频结构化分析。由于进行视频结构化分析的这些监控摄像机的选择不仅决定着资源投入要放到哪里,也同样对算法的后续优化有指引方向,因此如何进行选择就至关重要。
目前主要是靠现场技术支持人员人工地进行选择,这需要投入大量的人力进行选择,效率低下。并且人工选择会受主观因素的影响,会导致所选择的监控摄像机并不是最优的。
发明内容
本发明提供了一种用于结构化分析的相机选择的方法、装置及计算机存储介质,能够大量减少相机选择时的人力消耗,提升效率。
根据本发明的一方面,提供了一种用于结构化分析的相机选择的方法,包括:
获取相机在预设时间长度内所拍摄的图像;
确定所述图像中的各个目标的目标分析参数,并确定所述相机的可视区域大小,其中,所述目标分析参数包括以下至少一项:目标大小、目标模糊度、目标角度和目标跟踪帧数;
根据所述目标分析参数和所述可视区域大小,判断是否选择所述相机进行结构化分析。
示例性地,可视区域是指相机视野中能够拍摄到目标的区域。
在一种实现方式中,所述目标分析参数包括目标静态分析参数和目标动态分析参数,其中,所述目标静态分析参数包括目标大小、目标模糊度和目标角度中的至少一项,所述目标动态分析参数包括目标跟踪帧数,所述确定所述图像中的各个目标的目标分析参数,并确定所述相机的可视区域大小,包括:
综合每一张图像中出现的目标的分析参数,得到所述目标的目标静态分析参数,其中,所述分析参数包括以下至少一项:大小、模糊度和角度;
根据所述目标在所述预设时长度内每一次被拍摄到时连续出现的图像数量,确定所述目标的目标跟踪帧数;
根据所述相机所拍摄的图像中的各个目标的位置,确定所述相机的可视区域大小。
在一种实现方式中,综合每一张图像中出现的目标的分析参数,得到所述目标的目标静态分析参数,包括:
计算每一张图像中出现的各个目标的分析参数;
根据每个目标在其所出现的各张图像中的分析参数,来计算每个目标的目标静态分析参数。
在一种实现方式中,所述根据每个目标在其所出现的各张图像中的分析参数,来计算每个目标的目标静态分析参数,包括:
将所述目标在其所出现的各张图像中的分析参数的均值或者加权和,作为所述目标的目标静态分析参数。
在一种实现方式中,所述根据所述目标在所述预设时长度内每一次被拍摄到时连续出现的图像数量,确定所述目标的目标跟踪帧数,包括:
将所述目标多次出现所对应的连续帧数的均值或加权和,作为所述目标的目标跟踪帧数。
在一种实现方式中,所述根据所述目标分析参数和所述可视区域大小,判断是否选择所述相机进行结构化分析,包括:
计算目标分析参数满足阈值的目标的数量在所有目标中的比例;
根据所述比例和所述可视区域大小,判断是否选择所述相机进行结构化分析。
在一种实现方式中,所述根据所述比例和所述可视区域大小,判断是否选择所述相机进行结构化分析,包括:
如果所述比例大于预设目标比例阈值和/或所述可视区域大小大于预设可视区域阈值,则选择所述相机进行结构化分析。
在一种实现方式中,所述相机的数量为多个,所述根据所述比例和所述可视区域大小,判断是否选择所述相机进行结构化分析,包括:
将所述比例进行降序排序和/或将所述可视区域大小进行降序排序;
选择排在前面的若干个相机进行结构化分析。
在一种实现方式中,在选择相机之前,还包括:
根据计算资源将多个相机分为多组,并逐组地进行计算。
在一种实现方式中,还包括:
根据判断的结果,定期地更新进行结构化分析所使用的相机。
根据本发明的另一方面,提供了一种用于结构化分析的相机选择的装置,所述装置用于实现前述方面或其任一实现方式所述方法的步骤,所述装置包括:
获取模块,用于获取相机在预设时间长度内所拍摄的图像;
确定模块,用于确定所述图像中的各个目标的目标分析参数,并确定所述相机的可视区域大小,其中,所述目标分析参数包括以下至少一项:目标大小、目标模糊度、目标角度和目标跟踪帧数;
选择模块,用于根据所述目标分析参数和所述可视区域大小,判断是否选择所述相机进行结构化分析。
根据本发明的另一方面,提供了一种用于结构化分析的相机选择的装置,包括存储器、处理器及存储在所述存储器上且在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现前述方面或其任一实现方式所述的用于结构化分析的相机选择的方法的步骤。
根据本发明的再一方面,提供了一种计算机存储介质,其上存储有计算机程序,所述计算机程序被计算机或处理器执行时实现第一方面或期一实现方式所述的用于结构化分析的相机选择的方法的步骤。
由此可见,本发明实施例能够基于相机所拍摄的图像中的各个目标的目标分析参数以及相机的可视区域大小来选择用于结构化分析的相机,减少了大量的人力消耗,并且这种选择方式花费时间短,效率高;通过可量化的参数来选择使得选择更加精确,进而能够确保后续进行结构化分析的精度。另外,本发明实施例中根据硬件限制将多个相机进行分组,再基于分组来选择相机,能够确保资源的最大化利用,且能够进一步提高选择的效率。另外,本发明实施例中还定期地对所选择的相机进行更新,如此能够保证进行结构化分析的相机是最佳的,进一步使得选择更加精确,进而能够确保后续进行结构化分析的精度。
附图说明
通过结合附图对本发明实施例进行更详细的描述,本发明的上述以及其它目的、特征和优势将变得更加明显。附图用来提供对本发明实施例的进一步理解,并且构成说明书的一部分,与本发明实施例一起用于解释本发明,并不构成对本发明的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1是本发明实施例的电子设备的一个示意性框图;
图2是本发明实施例的用于结构化分析的相机选择的方法的一个示意性流程图;
图3是本发明实施例的可视区域的示意图;
图4是本发明实施例的用于结构化分析的相机选择的装置的一个示意性框图;
图5是本发明实施例的用于结构化分析的相机选择的装置的另一个示意性框图。
具体实施方式
为了使得本发明的目的、技术方案和优点更为明显,下面将参照附图详细描述根据本发明的示例实施例。显然,所描述的实施例仅仅是本发明的一部分实施例,而不是本发明的全部实施例,应理解,本发明不受这里描述的示例实施例的限制。基于本发明中描述的本发明实施例,本领域技术人员在没有付出创造性劳动的情况下所得到的所有其它实施例都应落入本发明的保护范围之内。
本发明实施例可以应用于电子设备,图1所示为本发明实施例的电子设备的一个示意性框图。图1所示的电子设备10包括一个或多个处理器102、一个或多个存储装置104、输入装置106、输出装置108、图像传感器110以及一个或多个非图像传感器114,这些组件通过总线系统112和/或其它形式互连。应当注意,图1所示的电子设备10的组件和结构只是示例性的,而非限制性的,根据需要,所述电子设备也可以具有其他组件和结构。
所述处理器102可以包括中央处理单元(Central Processing Unit,CPU)1021和图形处理单元(Graphics Processing Unit,GPU)1022或者具有数据处理能力和/或指令执行能力的其它形式的处理单元,例如现场可编程门阵列(Field-Programmable GateArray,FPGA)或进阶精简指令集机器(Advanced RISC(Reduced Instruction SetComputer)Machine,ARM)等,并且处理器102可以控制所述电子设备10中的其它组件以执行期望的功能。
所述存储装置104可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器1041和/或非易失性存储器1042。所述易失性存储器1041例如可以包括随机存取存储器(Random Access Memory,RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器1042例如可以包括只读存储器(Read-Only Memory,ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器102可以运行所述程序指令,以实现各种期望的功能。在所述计算机可读存储介质中还可以存储各种应用程序和各种数据,例如所述应用程序使用和/或产生的各种数据等。
所述输入装置106可以是用户用来输入指令的装置,并且可以包括键盘、鼠标、麦克风和触摸屏等中的一个或多个。
所述输出装置108可以向外部(例如用户)输出各种信息(例如图像或声音),并且可以包括显示器、扬声器等中的一个或多个。
所述图像传感器110可以拍摄用户期望的图像(例如照片、视频等),并且将所拍摄的图像存储在所述存储装置104中以供其它组件使用。图像传感器110可以为摄像机、相机、监控摄像机等,为了简化描述,本发明后续实施例统称为相机,并以相机为例进行详细阐述。
当注意,图1所示的电子设备10的组件和结构只是示例性的,尽管图1示出的电子设备10包括多个不同的装置,但是根据需要,其中的一些装置可以不是必须的,其中的一些装置的数量可以更多等等,本发明对此不限定。
视频结构化对原始视频进行智能分析,提取出关键信息,从而能够用于后续处理。在平安城市场景中,一般会选择其中的一部分相机(即监控摄像机或摄像机)进行视频结构化分析,例如可以从动辄上万路的摄像机中选择其中的10%。一方面,这种选择对于现场技术支持人员来说是一项巨大的工作挑战;另一方面,在进行人工挑选时,无法进行充分的横向和纵向比较,导致在重要性相当的情况下,无法人工地确认哪个是更合适的。并且,视频结构化分析是一个动态调整的过程,如果需要重新调整的话,则一般需要重新执行挑选的过程,这样的重复工作也导致了选择的效率低下。
图2是本发明实施例的用于结构化分析的相机选择的方法的一个示意性流程图。图2所示的方法可以包括:
S110,获取相机在预设时间长度内所拍摄的图像。
S120,确定所述图像中的各个目标的目标分析参数,并确定所述相机的可视区域大小,其中,所述目标分析参数包括以下至少一项:目标大小、目标模糊度、目标角度和目标跟踪帧数。
S130,根据所述目标分析参数和所述可视区域大小,判断是否选择所述相机进行结构化分析。
在平安城市场景中,布置有大量的相机,并且每台相机都在进行监控。S110中,可以获取每台相机在预设时间长度内所拍摄的图像。
其中,预设时间长度可以理解为预设时间区间,如从2019年7月1日0:00至2019年7月1日23:59。预设时间长度可以为24小时或其他值,本发明对此不限定。
可选地,相机可以拍摄视频,或者,相机可以定期地拍摄图像(如每秒10张或每秒2张等),如此,相机拍摄的图像可以包括多张图像(或称为多帧图像)。
作为一种实现方式,在S110之前,可以将多个相机进行分组,从而可以逐组地执行S110和S120。例如,可以根据计算资源将所述多个相机进行分组。
这样,考虑到硬件限制,将多个相机进行分组,针对一组相机,可以并行地(同时)得到这一组相机中每个相机的目标分析参数以及可视区域大小,这样能够充分利用硬件资源,保证处理效率。
举例来说,在平安城市场景中,动辄会存在上万路相机,假设包括10000台相机。由于硬件资源的限制,总的计算量是固定的,对这么多的相机进行同时处理是不可能的,因此可以将这么多的相机分成多个组,再分批地对各个组进行分析。对于假设的10000台相机,例如可以分为10组,每组1000台。随后,先针对第一组中的1000台相机,执行S110和S120;再针对第二组中的1000台相机,执行S110和S120;……;从而完成对所有分组中的10000台相机的分析,得到每台相机对应的各个目标的目标分析参数以及可视区域大小。
为了简化描述,以一个相机为例,具体阐述S110和S120。
本发明实施例中,S120中的目标分析参数可以包括以下至少一项:目标检测大小、目标模糊度、目标角度和目标跟踪帧数。也就是说,目标分析参数可以包括目标检测大小、目标模糊度、目标角度和目标跟踪帧数中的一个或两个或三个或全部,下文所描述的实施例中,假设目标分析参数包括目标检测大小、目标模糊度、目标角度和目标跟踪帧数四者。
可选地,目标分析参数可以包括目标静态分析参数和目标动态分析参数。其中,目标静态分析参数包括目标大小、目标模糊度和目标角度中的至少一项,目标动态分析参数包括目标跟踪帧数。
S120可以包括:综合每一张图像中出现的目标的分析参数,得到所述目标的目标静态分析参数,其中,所述分析参数包括以下至少一项:大小、模糊度和角度;根据所述目标在所述预设时长度内每一次被拍摄到时连续出现的图像数量,确定所述目标的目标动态分析参数(即目标跟踪帧数);根据所述相机所拍摄的图像中的各个目标的位置,确定所述相机的可视区域大小。
在一些实现方式中,S120得到目标的目标静态分析参数的过程描述如下:
具体地,可以包括:计算每一张图像中出现的各个目标的分析参数;根据每个目标在其所出现的各张图像中的分析参数,来计算每个目标的目标静态分析参数。
示例性地,相机在预设时间长度内拍摄到的图像为多张图像,针对存在目标的每一张图像,都能够得到该张图像中的各个目标的分析参数。其中,可以通过目标检测的方法检测出每张图像中的目标。
其中,目标是指进行结构化分析所关注的对象,例如人脸、人体、车辆等。针对相机拍摄到的一张图像,若该图像中包括目标,则可以得到目标的分析参数。若包括多个目标,则可以得到每一个目标的分析参数;例如,可以得到每一个目标的检测大小、模糊度和角度。
检测大小是指对相机所拍摄的图像进行检测后得到的目标框的大小,一般地目标框可以为矩形的形状,目标的检测大小可以用像素数量来表示。例如,目标的检测大小89×35表示目标框的长和宽分别包括89个像素和35个像素。可理解,目标的检测大小也可以通过其他方式来表示,举例来说,占图像的比例等,例如目标的检测大小10×2表示目标框的长和宽分别占图像的长和宽的10%和2%。其他的表示方式不再一一列举。
可以通过清晰度检测得到目标的模糊度,或者,可以将图像输入到模糊度分析模型得到目标的模糊度,其中,模糊度可以表示为0至1区间内的值,例如0.8。
可以通过姿态分析得到目标的角度,或者,可以将图像输入到角度分析模型得到目标的角度,其中,角度可以表示为0至180度或者0至360度之间的值,例如37度。
可理解,一张图像中可能存在目标或不存在目标,可能存在一个目标或存在多个目标。针对存在目标的图像,可以得到图像中每一个目标的分析参数。
这样,针对一张图像,如果这一张图像中存在目标,则能够得到该图像中的每一个目标的分析参数。类似地,可以得到多张图像中每一张图像中的各个目标的分析参数。随后可以综合得到目标的目标静态分析参数。
综合的过程可以包括:针对一个目标,将所述目标在其所出现的各张图像中的分析参数的均值或者加权和,作为所述目标的目标静态分析参数。
可选地,一个相同的目标可以在若干张图像中都被采集到,即不同的图像中可能会存在相同的目标。可以通过对象跟踪算法检测出某个目标出现在哪些图像中,再基于这些图像得到的该目标的分析参数确定目标静态分析参数。
那么,针对一个目标(如人A),如果这个目标只出现在一张图像中,则基于这一张图像得到的目标(如人A)的分析参数就是目标静态分析参数。针对一个目标(如人A),如果这个目标出现在不止一张图像中,首先可以找出该目标存在的若干张图像,然后再将基于这若干张图像得到的分析参数得到目标静态分析参数。
其中,基于若干张图像得到了若干个分析参数,然后基于这若干个分析参数得到目标静态分析参数。作为一例,可以将若干个分析参数的均值作为目标静态分析参数。作为另一例,可以将若干个分析参数的加权和作为目标静态分析参数,不同的分析参数可以具有相同或不同的权重。作为再一例,可以将若干个分析参数中的最大值或最小值作为目标静态分析参数。作为又一例,可以将若干个分析参数中的中值作为目标静态分析参数。作为又一例,可以将若干个分析参数中的比中值大的那几个的均值作为目标静态分析参数。可理解,也可以通过其他的方法基于若干个分析参数得到目标静态分析参数,这里不再一一罗列。
在一些实现方式中,S120得到目标的目标动态分析参数的过程描述如下:
在相机所拍摄的图像中,一个目标可能会出现多次,每次出现的时长(帧数)不一定相等,可以基于目标的每一次出现,确定相关联的跟踪帧数。
可以通过对象跟踪(track)算法得到目标的跟踪帧数,例如5帧,表示可以连续跟踪目标的帧数是5帧,在此之后,该目标可能被其他物体遮挡或者该目标移动到相机采集范围之外。例如,假设在第t帧图像中检测到目标B,并且目标B连续出现直到第t+5帧图像,而第t+6帧图像中不再存在该目标B,则目标B此次被拍摄到连续出现的图像帧数为5帧,与该次出现相关联的跟踪帧数为5帧。
随后,可以将目标多次出现所对应的连续帧数的均值或加权和,作为所述目标的目标跟踪帧数。
作为一例,可以将目标多次出现所对应的连续帧数的均值作为目标跟踪帧数。作为另一例,可以将目标多次出现所对应的连续帧数的加权和作为目标跟踪帧数。作为再一例,可以将目标多次出现所对应的连续帧数中的最大值或最小值作为目标跟踪帧数。作为又一例,可以将目标多次出现所对应的连续帧数中的中值作为目标跟踪帧数。作为又一例,可以将目标多次出现所对应的连续帧数中的比中值大的那几个的均值作为目标跟踪帧数。可理解,也可以通过其他的方法得到目标跟踪帧数,这里不再一一罗列。
这样,便可以得到相机所拍摄到的多个目标的目标分析参数。举例来说,假设一个相机在24内拍摄到86.4万张图像,其中包括100个目标,则通过S120可以得到该相机的100个目标的目标分析参数。其中,目标分析参数可以包括目标大小、目标模糊度、目标角度和目标跟踪帧数中的至少一项。
在一些实现方式中,S120得到所述相机的可视区域大小的过程描述如下:
其中,可视区域是指相机视野中可以拍摄到目标的区域。相机所拍摄的视野中有些区域是不可能出现目标的,例如,如果视野中有天空、花坛等区域,则这些区域不太可能出现诸如汽车、行人等目标,则这些区域不属于可视区域。而视野中其他能够拍摄到目标的区域可以被理解为是可视区域。在本发明的实施例中,S120中所确定的可视区域大小可以是视野中可能拍摄到的目标区域的一部分或全部。可选地,在一些实施例中,可视区域大小可以是指相机在预设时间长度内所拍摄的所有目标所在的区域。具体地,可视区域大小与相机所面对的场景、预设时间长度、目标出现的稀疏程度和密集度等有关。
示例性地,可以将出现在多张图像中的所有目标的位置标注在一张图像的相应位置处,那么标注后的所有目标所在的区域即为可视区域。如图3所示为可视区域的示意图。在图3(a)中,将所有目标标注在一张图像上,被标注的这张图像与相机所采集的图像的大小相同,其中可以根据目标出现在采集的图像中的位置而将目标标注在这一张图像的对应位置处,随后可以将所有目标所在的区域定义为可视区域,其中,可以通过位于边缘处的目标的位置来框定可视区域。在图3(b)中,相机架设的位置和角度导致该相机的视野中包括花坛,如图3(b)中的波浪区域,视野中除花坛之外的区域为人行横道。如果所关注的目标为行人,由于行人基本不可能出现在花坛,因此可以将视野中除花坛之外的其他区域定义为可视区域。
示例性地,可视区域大小表示上述所定义的可视区域的面积。作为一例,可以用像素数量表示可视区域大小,即可视区域中包含的像素的数量。考虑到不同的相机的分辨率可能不同,作为另一例,可以用可视区域与图像之间的大小的比值表示可视区域大小,即可视区域大小表示可视区域占图像面积的比例。例如,将所有目标标注在一张图像的相应位置处后,可以将最外边的目标连接后所围成的区域为可视区域,其所占图像的比例为可视区域大小。
这样,便可以根据所拍摄的多张图像中各个目标的位置得到可视区域大小,可视区域大小可以表示为百分比的形式,表示占相机所拍摄到的整个图像面积的比例,例如76%或30%等。
以上描述了针对一个相机,得到该相机的多个目标的目标分析参数以及该相机的可视区域大小的示例性过程。类似地,能够得到多个相机中每一个相机的多个目标的目标分析参数以及每一个相机的可视区域大小。
可理解,尽管本发明实施例中目标分析参数包括目标检测大小、目标模糊度、目标角度以及目标跟踪帧数,但是本领域技术人员应当理解,目标分析参数可以包括更多或更少的参数,例如还可以将与后续的结构化分析有关的其他因素纳入目标分析参数,这里不再一一罗列。
示例性地,S130可以包括:计算目标分析参数满足阈值的目标的数量在所有目标中的比例;根据所述比例和所述可视区域大小,判断是否选择所述相机进行结构化分析。
一般地,一个相机在预设时间长度内所拍摄的图像中一般会存在多个目标,在S120中可以得到多个目标中每个目标的目标分析参数。在S130中,可以计算多个目标中满足目标分析参数阈值的目标数量,然后计算该满足阈值的目标数量占多个目标的数量的比例。举例来说,假设S120中得到了100个目标的目标分析参数,如果这100个目标中,有50个目标的目标分析参数满足阈值,则该比例为50/100=50%。可理解,如果目标分析参数包括多项,则可以得到与多项一一对应的多个比例。
举例来说,假设针对相机1而言,在预设时间长度(24小时)内,得到了100个目标的目标分析参数,且目标分析参数包括目标检测大小、目标模糊度、目标角度以及目标跟踪帧数。则可以根据目标检测大小阈值、目标模糊度阈值、目标角度阈值以及目标跟踪帧数阈值,得到满足目标检测大小阈值的目标所占比例、满足目标模糊度阈值的目标所占比例、满足目标角度阈值的目标所占比例以及满足目标跟踪帧数阈值的目标所占比例。例如,如表一中相机1所在行所示出的。
可选地,根据所述比例和所述可视区域大小,判断是否选择所述相机进行结构化分析,包括:如果所述比例大于预设目标比例阈值和/或所述可视区域大小大于预设可视区域阈值,则选择所述相机进行结构化分析。
可以设定预设目标比例阈值和/或预设可视区域阈值,如果该相机的对应值大于相应阈值,则选择这个相机进行结构化分析。结合表一中的相机1所在行,假设所设定的预设目标比例阈值(即与目标检测大小、目标模糊度、目标角度以及目标跟踪帧数一一对应的四个预设目标比例阈值)依次为50%,50%,40%,60%,所设定的预设可视区域阈值为70%,则可以选择该相机1进行结构化分析。
可理解,预设目标比例阈值和预设可视区域阈值可以根据实际不同时间、地域和项目的实际情况等进行设定。例如,某些情况下设定与目标模糊度对应的预设目标比例阈值为0.5,另一些情况下设定与目标模糊度对应的预设目标比例阈值为0.3,等等。可理解,预设目标比例阈值和预设可视区域阈值可以根据结构化分析的应用场景、历史数据等进行设定,和/或可以由项目人员进行人工设定。
另外应理解,在S130中,依据场景等需求的不同,在进行相机选择时,可以只考虑预设目标比例阈值,或者只考虑预设可视区域阈值,或者只考虑与某一个目标分析参数对应的预设目标比例阈值,或者它们的任意组合。本发明对此不限定。例如,可以选择满足目标检测大小的预设目标比例阈值以及满足预设可视区域阈值的相机。例如,可以选择满足目标检测大小的预设目标比例阈值以及目标跟踪帧数的预设目标比例阈值的相机。
示例性地,S130中,还可以综合多个相机来进行选择。具体地,可以包括:将所述比例进行降序排序和/或将所述可视区域大小进行降序排序;选择排在前面的若干个相机进行结构化分析。
具体地,可以依据场景等需求,基于最主要的判断因素进行排序。最主要的判断因素可以是目标检测大小、目标模糊度、目标角度、目标跟踪帧数与可视区域大小中的一个。例如,如果目标检测大小为最主要的判断因素,则可以基于目标检测大小的对应比例对相机进行降序排序,如表一所示,相机1排在相机2的前面。在基于最主要的判断因素将多个相机进行排序之后,可以选择排在前面的N个(例如1000个)相机进行结构化分析。
表一
作为一例,如果实际场景或项目只需关注一个目标分析参数,则将与该关注的目标分析参数相关联的比例进行排序,并选取排在前面的若干个便可以选择出若干个相机。例如,若只关注目标区域大小,则将例如上述表一中“目标区域大小”那一列进行排序,并选择top P(如1000个)对应的第一列相机。
作为另一例,如果实际场景或项目需要关注多个目标分析参数,则可以基于这多个目标分析参数相关联的比例计算得到综合比例,再对综合比例进行排序,并选取排在前面的若干个便可以选择出若干个相机。例如,若关注目标检测大小和目标模糊度,则可以计算综合比例例如等于关注目标检测大小的比例与目标模糊度的比例之和(或加权和)。然后再通过排序来选择top P(如1000个)相机。
作为再一例,如果实际场景或项目需要关注一个或多个目标分析参数以及可视区域大小,则可以基于所关注的一个或多个目标分析参数相关联的比例以及可视区域大小计算得到综合比例,再对综合比例进行排序,并选取排在前面的若干个便可以选择出若干个相机。例如,若关注目标检测大小和可视区域大小,则可以计算综合比例例如等于关注目标检测大小的比例与可视区域大小的比例之和(或加权和)。然后再通过排序来选择top P(如1000个)相机。
再具体地,可以依据场景等需求,基于最主要的判断因素进行排序。最主要的判断因素可以是目标检测大小、目标模糊度、目标角度、目标跟踪帧数与可视区域大小中的一个。在基于最主要的判断因素对相机进行排序之后,再考虑其他的次要的判断因素。例如,可以将其他的次要的判断因素对应的比例小于预定值的那些相机从排序中删除,然后再选择最后排序中的前面的若干个top P相机(如1000个)。
可理解,也可以通过其他的方式基于多个相机的目标分析参数的比例和可视区域大小进行排序,本发明实施例对排序的方式不作限定。
这样,在S130之后,便可以对已选择的相机进行结构化分析,例如对选择的P个相机进行视频结构化分析。
示例性地,在S130之后,还可以包括:对进行结构化分析的相机进行定期地更新。具体地,可以根据判断的结果,定期地更新结构化分析所使用的相机。例如,更新的周期可以为一周、两周、一个月等。具体地,可以定期地更新所获取的目标分析参数和可视区域大小,并基于此来更新所选择的相机,这样能够实现动态更新,使得用于结构化分析的相机更加准确。
在经过时长为更新的周期(例如一周)之后,可以判断上一次所选择的相机是否适合继续作为结构化分析的相机,如果是,则等待下一个周期之后再判断。如果否,则根据上述流程重新选择相机。
这样,能够实现快速排查,保证能够使用最佳的相机进行结构化分析。
由此可见,本发明实施例能够基于相机所拍摄的图像中的各个目标的目标分析参数以及相机的可视区域大小来选择用于结构化分析的相机,减少了大量的人力消耗,并且这种选择方式花费时间短,效率高;通过可量化的参数来选择使得选择更加精确,进而能够确保后续进行结构化分析的精度。另外,本发明实施例中根据硬件限制将多个相机进行分组,再基于分组来选择相机,能够确保资源的最大化利用,且能够进一步提高选择的效率。另外,本发明实施例中还定期地对所选择的相机进行更新,如此能够保证进行结构化分析的相机是最佳的,进一步使得选择更加精确,进而能够确保后续进行结构化分析的精度。
图4是本发明实施例的用于结构化分析的相机选择的装置的一个示意性框图。图4所示的装置30包括获取模块310、确定模块320和选择模块330。
获取模块310,用于获取相机在预设时间长度内所拍摄的图像;
确定模块320,用于确定所述图像中的各个目标的目标分析参数,并确定所述相机的可视区域大小,其中,所述目标分析参数包括以下至少一项:目标大小、目标模糊度、目标角度和目标跟踪帧数;
选择模块330,用于根据所述目标分析参数和所述可视区域大小,判断是否选择所述相机进行结构化分析。
示例性地,所述目标分析参数包括目标静态分析参数和目标动态分析参数,其中,所述目标静态分析参数包括目标大小、目标模糊度和目标角度中的至少一项,所述目标动态分析参数包括目标跟踪帧数。确定模块320可以具体用于:综合每一张图像中出现的目标的分析参数,得到所述目标的目标静态分析参数,其中,所述分析参数包括以下至少一项:大小、模糊度和角度;根据所述目标在所述预设时长度内每一次被拍摄到时连续出现的图像数量,确定所述目标的目标跟踪帧数;根据所述相机所拍摄的图像中的各个目标的位置,确定所述相机的可视区域大小。
示例性地,确定模块320可以具体用于:计算每一张图像中出现的各个目标的分析参数;根据每个目标在其所出现的各张图像中的分析参数,来计算每个目标的目标静态分析参数。
示例性地,确定模块320可以具体用于:将所述目标在其所出现的各张图像中的分析参数的均值或者加权和,作为所述目标的目标静态分析参数。
示例性地,确定模块320可以具体用于:将所述目标多次出现所对应的连续帧数的均值或加权和,作为所述目标的目标跟踪帧数。
示例性地,选择模块330可以具体用于:计算目标分析参数满足阈值的目标的数量在所有目标中的比例;根据所述比例和所述可视区域大小,判断是否选择所述相机进行结构化分析。
示例性地,选择模块330可以具体用于:如果所述比例大于预设目标比例阈值和/或所述可视区域大小大于预设可视区域阈值,则选择所述相机进行结构化分析。
示例性地,所述相机的数量为多个,选择模块330可以具体用于:将所述比例进行降序排序和/或将所述可视区域大小进行降序排序;选择排在前面的若干个相机进行结构化分析。
示例性地,所述相机包括多个相机,获取模块310可以具体用于:将所述多个相机进行分组,逐组地获取所述多个相机中每个相机的目标分析参数。
示例性地,将所述多个相机进行分组包括:根据计算资源将所述多个相机进行分组,以便逐组地进行计算。
示例性地,装置30还可以包括更新模块,根据判断的结果,定期地更新进行结构化分析所使用的相机。
图4所示的装置30能够用于实现前述图2所示的用于结构化分析的相机选择的方法,为避免重复,这里不再赘述。
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、或者计算机软件和电子硬件的结合来实现。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。
另外,本发明实施例还提供了另一种用于结构化分析的相机选择的装置,包括存储器、处理器及存储在所述存储器上且在所述处理器上运行的计算机程序,处理器执行所述程序时实现前述图2所示的用于结构化分析的相机选择的方法的步骤。
如图5所示,该装置40可以包括存储器410和处理器420。存储器410存储用于实现根据本发明实施例的用于结构化分析的相机选择的方法中的相应步骤的计算机程序代码。处理器420用于运行存储器410中存储的计算机程序代码,以执行根据本发明实施例的用于结构化分析的相机选择的方法的相应步骤,并且用于实现根据本发明实施例的图4所述的装置30中的各个模块。
示例性地,在存储器410中所存储的所述计算机程序代码被处理器420运行时执行以下步骤:获取相机在预设时间长度内所拍摄的图像;确定所述图像中的各个目标的目标分析参数,并确定所述相机的可视区域大小,其中,所述目标分析参数包括以下至少一项:目标大小、目标模糊度、目标角度和目标跟踪帧数;根据所述目标分析参数和所述可视区域大小,判断是否选择所述相机进行结构化分析。
另外,本发明实施例还提供了一种电子设备,该电子设备可以包括图4所示的装置30或者包括图5所述的装置40。该电子设备可以实现前述图2所示的用于结构化分析的相机选择的方法。可选地,该电子设备可以包括图1所示的电子设备10。
另外,本发明实施例还提供了一种计算机存储介质,其上存储有计算机程序。当所述计算机程序被计算机或者处理器执行时,可以实现前述图2所示的用于结构化分析的相机选择的步骤。例如,该计算机存储介质为计算机可读存储介质。
在一个实施例中,所述计算机程序指令在被计算机或处理器运行时使计算机或处理器执行以下步骤:获取相机在预设时间长度内所拍摄的图像;确定所述图像中的各个目标的目标分析参数,并确定所述相机的可视区域大小,其中,所述目标分析参数包括以下至少一项:目标大小、目标模糊度、目标角度和目标跟踪帧数;根据所述目标分析参数和所述可视区域大小,判断是否选择所述相机进行结构化分析。
计算机存储介质例如可以包括智能电话的存储卡、平板电脑的存储部件、个人计算机的硬盘、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器、或者上述存储介质的任意组合。计算机可读存储介质可以是一个或多个计算机可读存储介质的任意组合。
由此可见,本发明实施例能够基于相机所拍摄的图像中的各个目标的目标分析参数以及相机的可视区域大小来选择用于结构化分析的相机,减少了大量的人力消耗,并且这种选择方式花费时间短,效率高;通过可量化的参数来选择使得选择更加精确,进而能够确保后续进行结构化分析的精度。另外,本发明实施例中根据硬件限制将多个相机进行分组,再基于分组来选择相机,能够确保资源的最大化利用,且能够进一步提高选择的效率。另外,本发明实施例中还定期地对所选择的相机进行更新,如此能够保证进行结构化分析的相机是最佳的,进一步使得选择更加精确,进而能够确保后续进行结构化分析的精度。
尽管这里已经参考附图描述了示例实施例,应理解上述示例实施例仅仅是示例性的,并且不意图将本发明的范围限制于此。本领域普通技术人员可以在其中进行各种改变和修改,而不偏离本发明的范围和精神。所有这些改变和修改意在被包括在所附权利要求所要求的本发明的范围之内。
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、或者计算机软件和电子硬件的结合来实现。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。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。例如,以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,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设备,或一些特征可以忽略,或不执行。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本发明并帮助理解各个发明方面中的一个或多个,在对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该本发明的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如相应的权利要求书所反映的那样,其发明点在于可以用少于某个公开的单个实施例的所有特征的特征来解决相应的技术问题。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域的技术人员可以理解,除了特征之间相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(Digital Signal Processing,DSP)来实现根据本发明实施例的物品分析设备中的一些模块的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
以上所述,仅为本发明的具体实施方式或对具体实施方式的说明,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,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。本发明的保护范围应以权利要求的保护范围为准。
Claims (13)
1.一种用于结构化分析的相机选择的方法,其特征在于,包括:
获取相机在预设时间长度内所拍摄的图像;
确定所述图像中的各个目标的目标分析参数,并确定所述相机的可视区域大小,其中,所述目标分析参数包括以下至少一项:目标大小、目标模糊度、目标角度和目标跟踪帧数;
根据所述目标分析参数和所述可视区域大小,判断是否选择所述相机进行结构化分析。
2.根据权利要求1所述的方法,其特征在于,所述目标分析参数包括目标静态分析参数和目标动态分析参数,其中,所述目标静态分析参数包括目标大小、目标模糊度和目标角度中的至少一项,所述目标动态分析参数包括目标跟踪帧数,
所述确定所述图像中的各个目标的目标分析参数,并确定所述相机的可视区域大小,包括:
综合每一张图像中出现的目标的分析参数,得到所述目标的目标静态分析参数,其中,所述分析参数包括以下至少一项:大小、模糊度和角度;
根据所述目标在所述预设时长度内每一次被拍摄到时连续出现的图像数量,确定所述目标的目标跟踪帧数;
根据所述相机所拍摄的图像中的各个目标的位置,确定所述相机的可视区域大小。
3.根据权利要求2所述的方法,其特征在于,综合每一张图像中出现的目标的分析参数,得到所述目标的目标静态分析参数,包括:
计算每一张图像中出现的各个目标的分析参数;
根据每个目标在其所出现的各张图像中的分析参数,来计算每个目标的目标静态分析参数。
4.根据权利要求3所述的方法,其特征在于,所述根据每个目标在其所出现的各张图像中的分析参数,来计算每个目标的目标静态分析参数,包括:
将所述目标在其所出现的各张图像中的分析参数的均值或者加权和,作为所述目标的目标静态分析参数。
5.根据权利要求2所述的方法,其特征在于,所述根据所述目标在所述预设时长度内每一次被拍摄到时连续出现的图像数量,确定所述目标的目标跟踪帧数,包括:
将所述目标多次出现所对应的连续帧数的均值或加权和,作为所述目标的目标跟踪帧数。
6.根据权利要求1所述的方法,其特征在于,所述根据所述目标分析参数和所述可视区域大小,判断是否选择所述相机进行结构化分析,包括:
计算目标分析参数满足阈值的目标的数量在所有目标中的比例;
根据所述比例和所述可视区域大小,判断是否选择所述相机进行结构化分析。
7.根据权利要求6所述的方法,其特征在于,所述根据所述比例和所述可视区域大小,判断是否选择所述相机进行结构化分析,包括:
如果所述比例大于预设目标比例阈值和/或所述可视区域大小大于预设可视区域阈值,则选择所述相机进行结构化分析。
8.根据权利要求6所述的方法,其特征在于,所述相机的数量为多个,所述根据所述比例和所述可视区域大小,判断是否选择所述相机进行结构化分析,包括:
将所述比例进行降序排序和/或将所述可视区域大小进行降序排序;
选择排在前面的若干个相机进行结构化分析。
9.根据权利要求8所述的方法,其特征在于,在选择相机之前,还包括:
根据计算资源将多个相机分为多组,并逐组地进行计算。
10.根据权利要求1至9中任一项所述的方法,其特征在于,还包括:
根据判断的结果,定期地更新进行结构化分析所使用的相机。
11.一种用于结构化分析的相机选择的装置,其特征在于,包括:
获取模块,用于获取相机在预设时间长度内所拍摄的图像;
确定模块,用于确定所述图像中的各个目标的目标分析参数,并确定所述相机的可视区域大小,其中,所述目标分析参数包括以下至少一项:目标大小、目标模糊度、目标角度和目标跟踪帧数;
选择模块,用于根据所述目标分析参数和所述可视区域大小,判断是否选择所述相机进行结构化分析。
12.一种用于结构化分析的相机选择的装置,包括存储器、处理器及存储在所述存储器上且在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至10中任一项所述的方法的步骤。
13.一种计算机存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被计算机或处理器执行时实现权利要求1至10中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910628988.9A CN110505397B (zh) | 2019-07-12 | 2019-07-12 | 相机选择的方法、装置及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910628988.9A CN110505397B (zh) | 2019-07-12 | 2019-07-12 | 相机选择的方法、装置及计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110505397A true CN110505397A (zh) | 2019-11-26 |
CN110505397B CN110505397B (zh) | 2021-08-31 |
Family
ID=68586125
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910628988.9A Active CN110505397B (zh) | 2019-07-12 | 2019-07-12 | 相机选择的方法、装置及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110505397B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111178162A (zh) * | 2019-12-12 | 2020-05-19 | 北京迈格威科技有限公司 | 图像识别方法、装置、计算机设备和存储介质 |
CN113378635A (zh) * | 2021-05-08 | 2021-09-10 | 北京迈格威科技有限公司 | 目标检测模型的目标属性边界条件搜索方法及装置 |
CN114900602A (zh) * | 2022-06-08 | 2022-08-12 | 北京爱笔科技有限公司 | 一种视频源相机的确定方法及装置 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050259848A1 (en) * | 2000-02-04 | 2005-11-24 | Cernium, Inc. | System for automated screening of security cameras |
JP2008252749A (ja) * | 2007-03-30 | 2008-10-16 | Fujitsu Ltd | 映像監視システム、方法およびそのためのプログラム |
CN102460512A (zh) * | 2009-04-17 | 2012-05-16 | 特鲁瓦技术大学 | 用摄像机网络定位目标的系统和方法 |
CN102932605A (zh) * | 2012-11-26 | 2013-02-13 | 南京大学 | 一种视觉感知网络中摄像机的组合选择方法 |
CN103856762A (zh) * | 2014-01-26 | 2014-06-11 | 孙培梁 | 多摄像头智能选择和视频优先级判断系统及选择方法 |
CN104106260A (zh) * | 2011-11-22 | 2014-10-15 | 派尔高公司 | 基于地理图的控制 |
CN104509097A (zh) * | 2012-05-30 | 2015-04-08 | 株式会社日立制作所 | 监视摄像机控制装置以及图像监视系统 |
CN104601878A (zh) * | 2013-10-30 | 2015-05-06 | 索尼公司 | 用于跟踪对象的系统和方法 |
CN106031165A (zh) * | 2013-12-23 | 2016-10-12 | 派尔高公司 | 云视频服务中的智能视图选择 |
CN106210620A (zh) * | 2014-08-14 | 2016-12-07 | 韩华泰科株式会社 | 智能视频分析系统和方法 |
US20180053389A1 (en) * | 2016-08-22 | 2018-02-22 | Canon Kabushiki Kaisha | Method, processing device and system for managing copies of media samples in a system comprising a plurality of interconnected network cameras |
WO2019089014A1 (en) * | 2017-10-31 | 2019-05-09 | The Hong Kong University Of Science And Technology | Facilitation of visual tracking |
-
2019
- 2019-07-12 CN CN201910628988.9A patent/CN110505397B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050259848A1 (en) * | 2000-02-04 | 2005-11-24 | Cernium, Inc. | System for automated screening of security cameras |
JP2008252749A (ja) * | 2007-03-30 | 2008-10-16 | Fujitsu Ltd | 映像監視システム、方法およびそのためのプログラム |
CN102460512A (zh) * | 2009-04-17 | 2012-05-16 | 特鲁瓦技术大学 | 用摄像机网络定位目标的系统和方法 |
CN104106260A (zh) * | 2011-11-22 | 2014-10-15 | 派尔高公司 | 基于地理图的控制 |
CN104509097A (zh) * | 2012-05-30 | 2015-04-08 | 株式会社日立制作所 | 监视摄像机控制装置以及图像监视系统 |
CN102932605A (zh) * | 2012-11-26 | 2013-02-13 | 南京大学 | 一种视觉感知网络中摄像机的组合选择方法 |
CN104601878A (zh) * | 2013-10-30 | 2015-05-06 | 索尼公司 | 用于跟踪对象的系统和方法 |
CN106031165A (zh) * | 2013-12-23 | 2016-10-12 | 派尔高公司 | 云视频服务中的智能视图选择 |
CN103856762A (zh) * | 2014-01-26 | 2014-06-11 | 孙培梁 | 多摄像头智能选择和视频优先级判断系统及选择方法 |
CN106210620A (zh) * | 2014-08-14 | 2016-12-07 | 韩华泰科株式会社 | 智能视频分析系统和方法 |
US20180053389A1 (en) * | 2016-08-22 | 2018-02-22 | Canon Kabushiki Kaisha | Method, processing device and system for managing copies of media samples in a system comprising a plurality of interconnected network cameras |
WO2019089014A1 (en) * | 2017-10-31 | 2019-05-09 | The Hong Kong University Of Science And Technology | Facilitation of visual tracking |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111178162A (zh) * | 2019-12-12 | 2020-05-19 | 北京迈格威科技有限公司 | 图像识别方法、装置、计算机设备和存储介质 |
CN111178162B (zh) * | 2019-12-12 | 2023-11-07 | 北京迈格威科技有限公司 | 图像识别方法、装置、计算机设备和存储介质 |
CN113378635A (zh) * | 2021-05-08 | 2021-09-10 | 北京迈格威科技有限公司 | 目标检测模型的目标属性边界条件搜索方法及装置 |
CN114900602A (zh) * | 2022-06-08 | 2022-08-12 | 北京爱笔科技有限公司 | 一种视频源相机的确定方法及装置 |
CN114900602B (zh) * | 2022-06-08 | 2023-10-17 | 北京爱笔科技有限公司 | 一种视频源相机的确定方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110505397B (zh) | 2021-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110163198B (zh) | 一种表格识别重建方法、装置和存储介质 | |
CN108875522A (zh) | 人脸聚类方法、装置和系统及存储介质 | |
CN109522967A (zh) | 一种商品定位识别方法、装置、设备以及存储介质 | |
CN109447169A (zh) | 图像处理方法及其模型的训练方法、装置和电子系统 | |
CN110505397A (zh) | 相机选择的方法、装置及计算机存储介质 | |
CN106529485A (zh) | 用于获取训练数据的方法及装置 | |
CN108875932A (zh) | 图像识别方法、装置和系统及存储介质 | |
CN105938552A (zh) | 底图自动更新的人脸识别方法及装置 | |
CN108875766A (zh) | 图像处理的方法、装置、系统及计算机存储介质 | |
CN106203305A (zh) | 人脸活体检测方法和装置 | |
CN104166841A (zh) | 一种视频监控网络中指定行人或车辆的快速检测识别方法 | |
CN108876793A (zh) | 语义分割方法、装置和系统及存储介质 | |
CN109214366A (zh) | 局部目标重识别方法、装置及系统 | |
CN110490073A (zh) | 目标检测方法、装置、设备及存储介质 | |
CN108875517A (zh) | 视频处理方法、装置和系统及存储介质 | |
CN110288017B (zh) | 基于动态结构优化的高精度级联目标检测方法与装置 | |
CN108229418A (zh) | 人体关键点检测方法和装置、电子设备、存储介质和程序 | |
CN109978833A (zh) | 图像质量自动检测方法、系统、设备及存储介质 | |
CN108875519A (zh) | 对象检测方法、装置和系统及存储介质 | |
CN109948521A (zh) | 图像纠偏方法和装置、设备及存储介质 | |
CN110175990A (zh) | 人脸图像质量判定方法、装置及计算机设备 | |
CN108875483A (zh) | 图像检测方法、装置、系统和计算机可读介质 | |
CN108875490A (zh) | 人员流量分析的方法、装置及计算机存储介质 | |
CN110490058A (zh) | 行人检测模型的训练方法、装置、系统和计算机可读介质 | |
CN110363137A (zh) | 人脸检测优化模型、方法、系统及其电子设备 |
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 |