CN110827348A - 摄像设备位置的自检处理方法、装置、设备及存储介质 - Google Patents
摄像设备位置的自检处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN110827348A CN110827348A CN201911111960.4A CN201911111960A CN110827348A CN 110827348 A CN110827348 A CN 110827348A CN 201911111960 A CN201911111960 A CN 201911111960A CN 110827348 A CN110827348 A CN 110827348A
- Authority
- CN
- China
- Prior art keywords
- image data
- preset
- target object
- classification network
- network model
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims description 62
- 238000012545 processing Methods 0.000 claims description 46
- 238000006073 displacement reaction Methods 0.000 claims description 19
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 7
- 238000001514 detection method Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 8
- 238000010606 normalization Methods 0.000 description 7
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种摄像设备位置的自检处理方法、装置、设备及存储介质,该方法包括:获取摄像设备拍摄的当前图像数据;根据预设区域位置,对当前图像数据进行裁剪处理,获得当前图像数据中预设区域位置的第一图像数据;基于预先训练好的分类网络模型,判断第一图像数据中是否包含预设目标物体的目标图像数据,预设目标物体为预先设置在摄像设备在初始位置时的拍摄范围内的预设位置处;根据判断结果确定摄像设备的位置是否发生较大位移。有效提高了摄像设备位置检测的效率,降低人力和时间成本,并提高摄像设备拍摄图像的准确性,解决了现有技术中摄像设备位置偏离导致摄像设备失去作用而影响依赖该摄像设备的其他系统的工作的问题。
Description
技术领域
本申请涉及互联网技术领域,尤其涉及一种摄像设备位置的自检处理方法、装置、设备及存储介质。
背景技术
在驾照考试智能评判系统中,需要通过摄像头(或称摄像设备)获取驾驶员画面,因此要求摄像头位置固定;但在实际使用中由于驾驶过程中会出现颠簸情况,导致驾驶员会触碰摄像头,从而会出现摄像头位置和角度偏离无法捕捉到驾驶员的情况,影响智能评判系统正常运行。
现有技术中,通常需要人工确认摄像头画面,耗费人力和时间,且无法及时发现摄像头位置偏离。
发明内容
本申请提供一种摄像设备位置的自检处理方法、装置、设备及存储介质,以解决现有技术摄像设备容易发生位置偏离,影响智能评判系统正常运行等缺陷。
本申请第一个方面提供一种摄像设备位置的自检处理方法,包括:
获取所述摄像设备拍摄的当前图像数据;
根据预设区域位置,对所述当前图像数据进行裁剪处理,获得所述当前图像数据中预设区域位置的第一图像数据;
基于预先训练好的分类网络模型,判断所述第一图像数据中是否包含预设目标物体的目标图像数据,所述预设目标物体为预先设置在所述摄像设备在初始位置时的拍摄范围内的预设位置处;
根据判断结果确定所述摄像设备的位置是否发生较大位移。
可选地,所述预设区域位置信息通过以下方式获得:
获取所述摄像设备在初始位置拍摄的第二图像数据;
基于所述第二图像数据,识别所述预设目标物体所在的区域位置;
将所述目标物体所在的区域位置作为所述预设区域位置。
可选地,在根据预设区域位置,对所述当前图像数据进行裁剪处理,获得所述当前图像数据中预设区域位置的第一图像数据之后,所述方法还包括:
对所述第一图像数据进行归一化处理,获得归一化图像数据;
所述基于预先训练好的分类网络模型,判断所述第一图像数据中是否包含预设目标物体的目标图像数据,包括:
基于预先训练好的分类网络模型,判断所述归一化图像数据中是否包含预设目标物体的目标图像数据。
可选地,在对所述第一图像数据进行归一化处理,获得归一化图像数据之后,所述方法还包括:
对所述归一化图像数据进行缩放处理,获得预设大小的缩放后的图像数据;
所述基于预先训练好的分类网络模型,判断所述第一图像数据中是否包含预设目标物体的目标图像数据,包括:
基于预先训练好的分类网络模型,判断所述缩放后的图像数据中是否包含预设目标物体的目标图像数据。
可选地,在根据判断结果确定所述摄像设备的位置是否发生较大位移之后,所述方法还包括:
若确定所述摄像设备的位置发生较大位移,则进行提示处理。
可选地,在基于预先训练好的分类网络模型,判断所述第一图像数据中是否包含预设目标物体的目标图像数据之前,所述方法还包括:
获取训练数据,所述训练数据包括所述摄像设备预先拍摄的用于训练的训练图像数据及对应的标签数据;
基于所述训练数据,对预先建立的分类网络进行训练,获得所述预先训练好的分类网络模型。
可选地,所述预先训练好的分类网络模型的分类网络包括2个卷积层、2个池化层、2个全连接层和1个激活层;
所述预先训练好的分类网络模型为基于深度学习的分类网络模型;
所述预设目标物体为反光条。
本申请第二个方面提供一种摄像设备位置的自检处理装置,包括:
获取模块,用于获取所述摄像设备拍摄的当前图像数据;
预处理模块,用于根据预设区域位置,对所述当前图像数据进行裁剪处理,获得所述当前图像数据中预设区域位置的第一图像数据;
处理模块,基于预先训练好的分类网络模型,判断所述第一图像数据中是否包含预设目标物体的目标图像数据,所述预设目标物体为预先设置在所述摄像设备在初始位置时的拍摄范围内的预设位置处;
确定模块,用于根据判断结果确定所述摄像设备的位置是否发生较大位移。
可选地,所述预处理模块,还用于:
获取所述摄像设备在初始位置拍摄的第二图像数据;
基于所述第二图像数据,识别所述预设目标物体所在的区域位置;
将所述目标物体所在的区域位置作为所述预设区域位置。
可选地,所述预处理模块,还用于:
对所述第一图像数据进行归一化处理,获得归一化图像数据;
所述处理模块,具体用于:
基于预先训练好的分类网络模型,判断所述归一化图像数据中是否包含预设目标物体的目标图像数据。
可选地,所述预处理模块,还用于:
对所述归一化图像数据进行缩放处理,获得预设大小的缩放后的图像数据;
所述处理模块,具体用于:
基于预先训练好的分类网络模型,判断所述缩放后的图像数据中是否包含预设目标物体的目标图像数据。
可选地,所述处理模块,还用于:
若确定所述摄像设备的位置发生较大位移,则进行提示处理。
可选地,所述获取模块,还用于获取训练数据,所述训练数据包括所述摄像设备预先拍摄的用于训练的训练图像数据及对应的标签数据;
所述处理模块,还用于基于所述训练数据,对预先建立的分类网络进行训练,获得所述预先训练好的分类网络模型。
可选地,所述预先训练好的分类网络模型的分类网络包括2个卷积层、2个池化层、2个全连接层和1个激活层。
可选地,所述预先训练好的分类网络模型为基于深度学习的分类网络模型。
可选地,所述预设目标物体为反光条。
本申请第三个方面提供一种电子设备,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如上第一个方面以及第一个方面各种可能的设计所述的方法。
本申请第四个方面提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如上第一个方面以及第一个方面各种可能的设计所述的方法。
本申请提供的摄像设备位置的自检处理方法、装置、设备及存储介质,通过。
附图说明
为了更清楚地说明本申请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一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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。
图1为本申请实施例基于的处理系统的架构示意图;
图2为本申请一实施例提供的摄像设备位置的自检处理方法的流程示意图;
图3为本申请另一实施例提供的摄像设备位置的自检处理方法的流程示意图;
图4为本申请一实施例提供的第二图像的示意图;
图5为本申请一实施例提供的摄像设备位置的自检流程图;
图6为本申请一实施例提供的摄像设备位置的自检处理装置的结构示意图;
图7为本申请一实施例提供的电子设备的结构示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例提供的摄像设备位置的自检处理方法,适用于车载摄像设备位置的自检处理的场景,比如驾照考试的智能评判系统。也可以适用于其他可能发生摄像设备位置偏离需要调整摄像设备位置的场景,不限于驾照考试的智能评判系统,也不限于车载摄像设备。如图1所示,为本申请实施例基于的处理系统的架构示意图。该处理系统可以包括摄像设备,摄像设备可以包括摄像头和摄像设备位置的自检处理装置(以下简称装置)。或者该处理系统可以包括摄像设备和程序运行设备。该处理系统还包括用于参照的预设目标物体,预设目标物体预先设置在摄像设备初始位置的拍摄范围内的预设位置处。摄像头拍摄当前图像数据发送给该装置,该装置则可以获取到当前图像数据,根据预设区域位置,对当前图像数据进行裁剪处理,获得当前图像数据中预设区域位置的第一图像数据,基于预先训练好的分类网络模型,判断第一图像数据中是否包含预设目标物体的目标图像数据,根据判断结果确定摄像设备的位置是否发生较大位移,以便及时发现摄像设备位置偏离,有效提高了摄像设备位置检测的效率,降低人力和时间成本,并提高摄像设备拍摄图像的准确性,解决了现有技术中摄像设备位置偏离导致摄像设备失去作用而影响依赖该摄像设备的其他系统的工作的问题。
此外,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。在以下各实施例的描述中,“多个”的含义是两个以上,除非另有明确具体的限定。
下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本发明的实施例进行描述。
本申请一实施例提供一种摄像设备位置的自检处理方法,用于摄像设备位置的检测处理。本实施例的执行主体为摄像设备位置的自检处理装置,该装置可以设置在摄像设备中,也可以独立于摄像设备设置。
如图2所示,为本实施例提供的摄像设备位置的自检处理方法的流程示意图,该方法包括:
步骤101,获取摄像设备拍摄的当前图像数据。
具体的,将摄像设备安装时确认好的位置作为摄像设备的初始位置,并在摄像设备处于初始位置时的拍摄范围内的预设位置处设置预设目标物体,作为参照物,获取摄像设备在初始位置时拍摄的图像中预设目标物体所在的区域位置,作为预设区域位置。在后续可以实时或定时获取摄像设备拍摄的当前图像数据,用于后续的位置检测判断。
示例性的,在车内安装摄像设备(比如包括摄像头和摄像设备位置的自检处理装置),并在指定位置贴上一定形状(比如椭圆形、三角形、正方形等等)、反光率高的反光条。并获取摄像设备拍摄的画面中包含反光条的区域位置进行记录,作为预设区域位置,比如预设区域位置为[x,y,width,height]=[10,10,12,12],表示拍摄图像中以坐标[10,10]为左上顶点的宽12,高12的矩形区域。可以理解地,具体预设区域位置的坐标可以采用与拍摄的图像的相对坐标或者其他形式的坐标,只要能够识别与图像的相对位置即可,本实施例不做限定。而至于坐标的单位可以根据实际需求设置。
步骤102,根据预设区域位置,对当前图像数据进行裁剪处理,获得当前图像数据中预设区域位置的第一图像数据。
具体的,在使用过程中,当获取到摄像设备拍摄的当前图像数据后,则可以根据预设区域位置,对当前图像数据进行裁剪处理,获得当前图像数据中预设区域位置的第一图像数据。
示例性的,根据安装时得到的包含反光条的矩形区域位置信息[x,y,width,height],对拍摄的当前图像进行裁剪,得到当前图像中该矩形区域位置的第一图像。
步骤103,基于预先训练好的分类网络模型,判断第一图像数据中是否包含预设目标物体的目标图像数据。
预设目标物体为预先设置在摄像设备在初始位置时的拍摄范围内的预设位置处。
具体的,在获得第一图像数据后,则可以基于预先训练好的分类网络模型,判断第一图像数据中是否包含预设目标物体的目标图像数据。
示例性的,当分类网络模型输出结果第一图像数据包含预设目标物体的概率大于预设阈值时,判断结果为第一图像中包含预设目标物体图像,否则判断结果为不包含。
可选地,可以预先建立分类网络,并获取训练数据,根据训练数据对建立的分类网络进行训练,获得上述分类网络模型。其中,训练数据可以包括在摄像设备拍摄获得的图像画面中截取不同位置的大小为width(宽)×height(高)的图像(称为训练图像数据),并对训练图像数据进行标注,获得各训练图像对应的标签。其中,截取的训练图像的大小可以根据实际需求设置。
可选地,还可以对训练图像数据做进一步的处理,比如归一化、图像缩放等,具体可以根据实际需求设置。
步骤104,根据判断结果确定摄像设备的位置是否发生较大位移。
具体的,在获得判断结果后,可以根据判断结果来确定摄像设备的位置是否发生了较大位移。
示例性的,当判断结果为第一图像数据中包含预设目标物体的目标图像数据时,表明摄像设备拍摄的当前图像中的预设区域位置的内容与摄像设备初始位置拍摄的图像中的预设区域位置的内容一致,从而表明摄像设备没有发生较大位移。
可选地,若确定摄像设备的位置发生了较大位移,则可以发出提示信息进行提醒,提醒驾驶人员或相关人员进行矫正。
可选地,还可以进一步根据当前图像数据识别预设目标物体在当前图像中的当前位置,基于此判断摄像设备位置移动方向及大小,并据此自动调整摄像设备的位置。
可选地,分类网络模型可以是基于深度学习的分类网络模型,其分类网络具体可以包括2个卷积层、2个池化层、2个全连接层、1个relu激活层。
需要说明的是,关于本申请实施例中涉及到的图像和图像数据的关系为:图像数据即是用于形成图像的数据,比如第一图像数据即是用于形成第一图像的数据。
本实施例提供的摄像设备位置的自检处理方法,通过在摄像设备初始位置的拍摄范围内在预设位置处设置预设目标物体,获取摄像设备拍摄的当前图像数据,根据预设区域位置,对当前图像数据进行裁剪处理,获得当前图像数据中预设区域位置的第一图像数据,基于预先训练好的分类网络模型,判断第一图像数据中是否包含预设目标物体的目标图像数据,根据判断结果确定摄像设备的位置是否发生较大位移,有效提高了摄像设备位置检测的效率,降低人力和时间成本,并提高摄像设备拍摄图像的准确性,解决了现有技术中摄像设备位置偏离导致摄像设备失去作用而影响依赖该摄像设备的其他系统的工作的问题。
本申请另一实施例对上述实施例提供的方法做进一步补充说明。
如图3所示,为本实施例提供的摄像设备位置的自检处理方法的流程示意图。
作为一种可实施的方式,在上述实施例的基础上,可选地,预设区域位置信息通过以下方式获得:
步骤2011,获取摄像设备在初始位置拍摄的第二图像数据。
步骤2012,基于第二图像数据,识别预设目标物体所在的区域位置。
步骤2013,将目标物体所在的区域位置作为预设区域位置。
具体的,将摄像设备安装时确认好的位置作为摄像设备的初始位置,并在摄像设备处于初始位置时的拍摄范围内的预设位置处设置预设目标物体,作为参照物,获取摄像设备在初始位置时拍摄的图像(即第二图像数据),基于第二图像数据,识别预设目标物体在第二图像中所在的区域位置,将该区域位置作为预设区域位置。
示例性的,如图4所示,为本实施例提供的第二图像的示意图。A表示第二图像,其中预设目标物体所在区域位置为一矩形区域B,则将该矩形区域B的区域位置作为预设区域位置。
作为另一种可实施的方式,在上述实施例的基础上,可选地,在根据预设区域位置,对当前图像数据进行裁剪处理,获得当前图像数据中预设区域位置的第一图像数据之后,该方法还包括:
步骤2021,对第一图像数据进行归一化处理,获得归一化图像数据;
基于预先训练好的分类网络模型,判断第一图像数据中是否包含预设目标物体的目标图像数据,包括:
步骤2031,基于预先训练好的分类网络模型,判断归一化图像数据中是否包含预设目标物体的目标图像数据。
具体的,为了降低数据处理量,提高处理效率,可以对第一图像数据进行归一化处理,获得归一化图像数据,再根据归一化图像数据进行判断。
示例性的,将第一图像的像素值减去127.5再整体除以127.5,得到值为-1.0到1.0之间的归一化数据结果。
基于预先训练好的分类网络模型,判断归一化图像数据中是否包含预设目标物体的目标图像数据。可以理解地,这种情况下,在训练分类网络时,对训练数据也进行了同样的处理,在此不再赘述。
可选地,在对第一图像数据进行归一化处理,获得归一化图像数据之后,该方法还包括:
步骤2022,对归一化图像数据进行缩放处理,获得预设大小的缩放后的图像数据。
基于预先训练好的分类网络模型,判断第一图像数据中是否包含预设目标物体的目标图像数据,包括:
步骤2023,基于预先训练好的分类网络模型,判断缩放后的图像数据中是否包含预设目标物体的目标图像数据。
具体的,还可以根据预先训练好的分类网络模型的具体需求,将归一化图像数据进行缩放处理,获得适于预先训练好的分类网络模型需要的大小的图像数据。比如将归一化图像缩放到48*48像素,具体缩放比例可以根据实际需求设置,本实施例不做限定。可以理解地,这种情况下,在训练分类网络时,对训练数据也进行了同样的处理,在此不再赘述。
将缩放后的归一化图像数据输入预先训练好的分类网络模型,获得分类结果,分类结果可以为该缩放后的归一化图像属于0或1,其中0和1分别表示预设目标物体在第一图像中和预设目标物体不在第一图像中。0和1的含义可以根据实际需求设置,不限于这一种方式,也可以是1表示在,0表示不在。
作为另一种可实施的方式,在上述实施例的基础上,可选地,在根据判断结果确定摄像设备的位置是否发生较大位移之后,方法还包括:
步骤105,若确定摄像设备的位置发生较大位移,则进行提示处理。
具体的,若确定摄像设备的位置发生较大位移,可能导致摄像设备无法正常拍摄到需要监控的目标,比如驾照考试的驾驶人员,因此需要对摄像设备进行调整,则可以进行提示,比如将提示信息发送到车辆语音播报系统,由车辆语音播报系统进行播报,或者在摄像设备上设置播报装置进行播报,具体提示方式可以根据实际需求设置,本实施例不做限定。
作为另一种可实施的方式,在上述实施例的基础上,可选地,在基于预先训练好的分类网络模型,判断第一图像数据中是否包含预设目标物体的目标图像数据之前,方法还包括:
获取训练数据,训练数据包括摄像设备预先拍摄的用于训练的训练图像数据及对应的标签数据;
基于训练数据,对预先建立的分类网络进行训练,获得预先训练好的分类网络模型。
具体的,在使用分类网络模型前,需要对其进行训练,获得预先训练好的分类网络模型。可以获取训练数据,基于训练数据对预先建立的分类网络进行训练,获得上述预先训练好的分类网络模型。训练数据包括训练图像数据和对应的标签数据。其中,训练图像数据可以是摄像设备在初始位置拍摄的图像画面中截取不同位置的大小为width(宽)×height(高)的图像,并对这些图像进行标注,获得这些图像对应的标签数据。
示例性的在拍摄的图像画面中截取了20张大小为10×12的图像,每个图像可以设置图像标识,比如为其设置不同的编号。根据这些图像中是否包含预设目标物体对其进行标注,比如包含标注为0,不包含标注为1。从而获得20张训练图像数据及其对应的标签数据。
基于训练图像数据和对应的标签数据来训练分类网络,获得预先训练好的分类网络模型。
可选地,分类网络包括2个卷积层、2个池化层、2个全连接层和1个激活层。
作为另一种可实施的方式,在上述实施例的基础上,可选地,预先训练好的分类网络模型为基于深度学习的分类网络模型;
预设目标物体为反光条。
示例性的,预设目标物体可以是在指定位置贴的椭圆形、反光率极高的反光条。
可选地,预设目标物体也可以是其他类型的物体,只要可以通过图像识别即可。
作为一种示例性的实施方式,如图5所示,为本实施例提供的摄像设备位置的自检流程图。具体包括:
1、在车内安装摄像头和程序运行设备,并在指定位置贴上椭圆形、反光率极高的反光条,并记录一个画面中包含反光条的矩形区域位置[x,y,width,height]信息,利用摄像头数据(即训练图像数据)训练获得反光条是否存在的分类网络模型。
其中,训练分类网络模型主要步骤包括:
1)采集车内摄像头数据,根据记录下来的[x,y,width,height]信息,通过随机在摄像头画面中截取不同的大小为width×height的图像,作为训练图像数据,将该区域图像的像素值减去127.5再整体除以127.5得到值为-1.0到1.0之间的归一化训练图像数据结果,并将归一化训练图像缩放到48×48像素,获得缩放后的训练图像数据。
2)根据各缩放后的训练图像中是否存在反光条将收集到的缩放后的训练图像标记为0、1两类,获得标签数据,并记录到标签文件,将上一步处理后的图像(即缩放后的训练图像数据)和标签文件对应起来组成训练集。
3)采用2个卷积层、2个池化层、2个全连接层、1个relu激活层搭建反光条是否存在分类网络结构。
4)训练时同时输入缩放后的训练图像数据和其对应的标签数据到网络中,计算损失函数loss:
L=-(ylog(p)+(1-y)log(1-p))
其中p代表网络计算得到的属于0分类的概率,y代表当前的标签的值;根据loss计算反向传播,迭代更新网络参数,当loss趋于稳定且小于0.001(具体值可以根据实际需求设置,不限于0.001)的时候认为模型收敛,即获得训练好的分类网络模型。
2、获取车内摄像头数据(即摄像设备拍摄的当前图像数据),根据安装时得到的包含反光条的矩形区域位置(即预设区域位置)信息[x,y,width,height],裁剪得到该区域的图像(即第一图像),并对裁剪后的图像进行归一化预处理,将整张图像的像素值减去127.5再整体除以127.5得到值为-1.0到1.0之间的归一化数据结果(即归一化图像数据),并将归一化后的图片缩放到48×48像素,获得缩放后的图像数据。
3、将处理完的数据(即缩放后的图像数据)输入上面得到的训练好的分类网络模型;得到当前的缩放后的图像属于0、1两类的置信度,其中0、1两类分别表示反光条在画面内和不在画面内;取0类的置信度p,若大于事先设定的阈值,则认为反光条在画面内,摄像头没有发生较大的位移,否则的话则认为摄像头发生了较大位移需要重新矫正。
通过摄像设备拍摄的图像画面本身来判断摄像设备位置是否发生偏移,可以及时、准确地发现问题,提高检测效率,节省人力成本。
需要说明的是,本实施例中各可实施的方式可以单独实施,也可以在不冲突的情况下以任意组合方式结合实施本申请不做限定。
本实施例提供的摄像设备位置的自检处理方法,通过在摄像设备初始位置的拍摄范围内在预设位置处设置预设目标物体,获取摄像设备拍摄的当前图像数据,根据预设区域位置,对当前图像数据进行裁剪处理,获得当前图像数据中预设区域位置的第一图像数据,基于预先训练好的分类网络模型,判断第一图像数据中是否包含预设目标物体的目标图像数据,根据判断结果确定摄像设备的位置是否发生较大位移,有效提高了摄像设备位置检测的效率,降低人力和时间成本,并提高摄像设备拍摄图像的准确性,解决了现有技术中摄像设备位置偏离导致摄像设备失去作用而影响依赖该摄像设备的其他系统的工作的问题。
本申请再一实施例提供一种摄像设备位置的自检处理装置,用于执行上述实施例的方法。
如图6所示,为本实施例提供的摄像设备位置的自检处理装置的结构示意图。该摄像设备位置的自检处理装置30包括获取模块31、预处理模块32、处理模块33和确定模块34。
其中,获取模块,用于获取摄像设备拍摄的当前图像数据;预处理模块,用于根据预设区域位置,对当前图像数据进行裁剪处理,获得当前图像数据中预设区域位置的第一图像数据;处理模块,基于预先训练好的分类网络模型,判断第一图像数据中是否包含预设目标物体的目标图像数据,预设目标物体为预先设置在摄像设备在初始位置时的拍摄范围内的预设位置处;确定模块,用于根据判断结果确定摄像设备的位置是否发生较大位移。
关于本实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
根据本实施例提供的摄像设备位置的自检处理装置,通过在摄像设备初始位置的拍摄范围内在预设位置处设置预设目标物体,获取摄像设备拍摄的当前图像数据,根据预设区域位置,对当前图像数据进行裁剪处理,获得当前图像数据中预设区域位置的第一图像数据,基于预先训练好的分类网络模型,判断第一图像数据中是否包含预设目标物体的目标图像数据,根据判断结果确定摄像设备的位置是否发生较大位移,有效提高了摄像设备位置检测的效率,降低人力和时间成本,并提高摄像设备拍摄图像的准确性,解决了现有技术中摄像设备位置偏离导致摄像设备失去作用而影响依赖该摄像设备的其他系统的工作的问题。
本申请又一实施例对上述实施例提供的装置做进一步补充说明。
作为一种可实施的方式,在上述实施例的基础上,可选地,预处理模块,还用于:
获取摄像设备在初始位置拍摄的第二图像数据;
基于第二图像数据,识别预设目标物体所在的区域位置;
将目标物体所在的区域位置作为预设区域位置。
作为另一种可实施的方式,在上述实施例的基础上,可选地,预处理模块,还用于:
对第一图像数据进行归一化处理,获得归一化图像数据;
处理模块,具体用于:
基于预先训练好的分类网络模型,判断归一化图像数据中是否包含预设目标物体的目标图像数据。
可选地,预处理模块,还用于:
对归一化图像数据进行缩放处理,获得预设大小的缩放后的图像数据;
处理模块,具体用于:
基于预先训练好的分类网络模型,判断缩放后的图像数据中是否包含预设目标物体的目标图像数据。
作为另一种可实施的方式,在上述实施例的基础上,可选地,处理模块,还用于:
若确定摄像设备的位置发生较大位移,则进行提示处理。
作为另一种可实施的方式,在上述实施例的基础上,可选地,获取模块,还用于获取训练数据,训练数据包括摄像设备预先拍摄的用于训练的训练图像数据及对应的标签数据;
处理模块,还用于基于训练数据,对预先建立的分类网络进行训练,获得预先训练好的分类网络模型。
作为另一种可实施的方式,在上述实施例的基础上,可选地,预先训练好的分类网络模型的分类网络包括2个卷积层、2个池化层、2个全连接层和1个激活层。
可选地,预先训练好的分类网络模型为基于深度学习的分类网络模型。
可选地,预设目标物体为反光条。
关于本实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
需要说明的是,本实施例中各可实施的方式可以单独实施,也可以在不冲突的情况下以任意组合方式结合实施本申请不做限定。
根据本实施例的摄像设备位置的自检处理装置,通过在摄像设备初始位置的拍摄范围内在预设位置处设置预设目标物体,获取摄像设备拍摄的当前图像数据,根据预设区域位置,对当前图像数据进行裁剪处理,获得当前图像数据中预设区域位置的第一图像数据,基于预先训练好的分类网络模型,判断第一图像数据中是否包含预设目标物体的目标图像数据,根据判断结果确定摄像设备的位置是否发生较大位移,有效提高了摄像设备位置检测的效率,降低人力和时间成本,并提高摄像设备拍摄图像的准确性,解决了现有技术中摄像设备位置偏离导致摄像设备失去作用而影响依赖该摄像设备的其他系统的工作的问题。
本申请再一实施例提供一种电子设备,用于执行上述实施例提供的方法。该电子设备可以为任意可实施的计算机设备。
如图7所示,为本实施例提供的电子设备的结构示意图。该电子设备50包括:至少一个处理器51和存储器52;
存储器存储计算机执行指令;至少一个处理器执行存储器存储的计算机执行指令,使得至少一个处理器执行如上任一实施例提供的方法。
根据本实施例的电子设备,通过在摄像设备初始位置的拍摄范围内在预设位置处设置预设目标物体,获取摄像设备拍摄的当前图像数据,根据预设区域位置,对当前图像数据进行裁剪处理,获得当前图像数据中预设区域位置的第一图像数据,基于预先训练好的分类网络模型,判断第一图像数据中是否包含预设目标物体的目标图像数据,根据判断结果确定摄像设备的位置是否发生较大位移,有效提高了摄像设备位置检测的效率,降低人力和时间成本,并提高摄像设备拍摄图像的准确性,解决了现有技术中摄像设备位置偏离导致摄像设备失去作用而影响依赖该摄像设备的其他系统的工作的问题。
本申请又一实施例提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,当处理器执行计算机执行指令时,实现如上任一实施例提供的方法。
根据本实施例的计算机可读存储介质,通过在摄像设备初始位置的拍摄范围内在预设位置处设置预设目标物体,获取摄像设备拍摄的当前图像数据,根据预设区域位置,对当前图像数据进行裁剪处理,获得当前图像数据中预设区域位置的第一图像数据,基于预先训练好的分类网络模型,判断第一图像数据中是否包含预设目标物体的目标图像数据,根据判断结果确定摄像设备的位置是否发生较大位移,有效提高了摄像设备位置检测的效率,降低人力和时间成本,并提高摄像设备拍摄图像的准确性,解决了现有技术中摄像设备位置偏离导致摄像设备失去作用而影响依赖该摄像设备的其他系统的工作的问题。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,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系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。上述描述的装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (10)
1.一种摄像设备位置的自检处理方法,其特征在于,包括:
获取所述摄像设备拍摄的当前图像数据;
根据预设区域位置,对所述当前图像数据进行裁剪处理,获得所述当前图像数据中预设区域位置的第一图像数据;
基于预先训练好的分类网络模型,判断所述第一图像数据中是否包含预设目标物体的目标图像数据,所述预设目标物体为预先设置在所述摄像设备在初始位置时的拍摄范围内的预设位置处;
根据判断结果确定所述摄像设备的位置是否发生较大位移。
2.根据权利要求1所述的方法,其特征在于,所述预设区域位置信息通过以下方式获得:
获取所述摄像设备在初始位置拍摄的第二图像数据;
基于所述第二图像数据,识别所述预设目标物体所在的区域位置;
将所述目标物体所在的区域位置作为所述预设区域位置。
3.根据权利要求1所述的方法,其特征在于,在根据预设区域位置,对所述当前图像数据进行裁剪处理,获得所述当前图像数据中预设区域位置的第一图像数据之后,所述方法还包括:
对所述第一图像数据进行归一化处理,获得归一化图像数据;
所述基于预先训练好的分类网络模型,判断所述第一图像数据中是否包含预设目标物体的目标图像数据,包括:
基于预先训练好的分类网络模型,判断所述归一化图像数据中是否包含预设目标物体的目标图像数据。
4.根据权利要求3所述的方法,其特征在于,在对所述第一图像数据进行归一化处理,获得归一化图像数据之后,所述方法还包括:
对所述归一化图像数据进行缩放处理,获得预设大小的缩放后的图像数据;
所述基于预先训练好的分类网络模型,判断所述第一图像数据中是否包含预设目标物体的目标图像数据,包括:
基于预先训练好的分类网络模型,判断所述缩放后的图像数据中是否包含预设目标物体的目标图像数据。
5.根据权利要求1所述的方法,其特征在于,在根据判断结果确定所述摄像设备的位置是否发生较大位移之后,所述方法还包括:
若确定所述摄像设备的位置发生较大位移,则进行提示处理。
6.根据权利要求1所述的方法,其特征在于,在基于预先训练好的分类网络模型,判断所述第一图像数据中是否包含预设目标物体的目标图像数据之前,所述方法还包括:
获取训练数据,所述训练数据包括所述摄像设备预先拍摄的用于训练的训练图像数据及对应的标签数据;
基于所述训练数据,对预先建立的分类网络进行训练,获得所述预先训练好的分类网络模型。
7.根据权利要求1所述的方法,其特征在于,所述预先训练好的分类网络模型的分类网络包括2个卷积层、2个池化层、2个全连接层和1个激活层;
所述预先训练好的分类网络模型为基于深度学习的分类网络模型;
所述预设目标物体为反光条。
8.一种摄像设备位置的自检处理,其特征在于,包括:
获取模块,用于获取所述摄像设备拍摄的当前图像数据;
预处理模块,用于根据预设区域位置,对所述当前图像数据进行裁剪处理,获得所述当前图像数据中预设区域位置的第一图像数据;
处理模块,基于预先训练好的分类网络模型,判断所述第一图像数据中是否包含预设目标物体的目标图像数据,所述预设目标物体为预先设置在所述摄像设备在初始位置时的拍摄范围内的预设位置处;
确定模块,用于根据判断结果确定所述摄像设备的位置是否发生较大位移。
9.一种电子设备,其特征在于,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911111960.4A CN110827348A (zh) | 2019-11-14 | 2019-11-14 | 摄像设备位置的自检处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911111960.4A CN110827348A (zh) | 2019-11-14 | 2019-11-14 | 摄像设备位置的自检处理方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110827348A true CN110827348A (zh) | 2020-02-21 |
Family
ID=69555152
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911111960.4A Pending CN110827348A (zh) | 2019-11-14 | 2019-11-14 | 摄像设备位置的自检处理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110827348A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101751669A (zh) * | 2009-12-17 | 2010-06-23 | 北京中星微电子有限公司 | 一种静止物体检测方法和装置 |
CN102609957A (zh) * | 2012-01-16 | 2012-07-25 | 上海智觉光电科技有限公司 | 一种摄像装置画面偏移检测方法及系统 |
JP2013195783A (ja) * | 2012-03-21 | 2013-09-30 | Ricoh Co Ltd | 位置ずれ検出装置、車両及び位置ずれ検出方法 |
CN104506857A (zh) * | 2015-01-15 | 2015-04-08 | 苏州阔地网络科技有限公司 | 一种摄像头位置偏离检测方法及设备 |
CN109146971A (zh) * | 2018-08-13 | 2019-01-04 | 济南大学 | 一种判定摄像头异常移动和场景内异物入侵的检测方法 |
-
2019
- 2019-11-14 CN CN201911111960.4A patent/CN110827348A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101751669A (zh) * | 2009-12-17 | 2010-06-23 | 北京中星微电子有限公司 | 一种静止物体检测方法和装置 |
CN102609957A (zh) * | 2012-01-16 | 2012-07-25 | 上海智觉光电科技有限公司 | 一种摄像装置画面偏移检测方法及系统 |
JP2013195783A (ja) * | 2012-03-21 | 2013-09-30 | Ricoh Co Ltd | 位置ずれ検出装置、車両及び位置ずれ検出方法 |
CN104506857A (zh) * | 2015-01-15 | 2015-04-08 | 苏州阔地网络科技有限公司 | 一种摄像头位置偏离检测方法及设备 |
CN109146971A (zh) * | 2018-08-13 | 2019-01-04 | 济南大学 | 一种判定摄像头异常移动和场景内异物入侵的检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3771198B1 (en) | Target tracking method and device, movable platform and storage medium | |
US11205276B2 (en) | Object tracking method, object tracking device, electronic device and storage medium | |
EP3709266A1 (en) | Human-tracking methods, apparatuses, systems, and storage media | |
CN110443245B (zh) | 一种非限制场景下的车牌区域的定位方法、装置及设备 | |
CN112947419B (zh) | 避障方法、装置及设备 | |
CN112613387A (zh) | 一种基于YOLOv3的交通标志检测方法 | |
CN112422909B (zh) | 一种基于人工智能的视频行为分析管理系统 | |
CN110473227A (zh) | 目标跟踪方法、装置、设备及存储介质 | |
CN103810696A (zh) | 一种目标对象图像检测方法及装置 | |
CN111898610B (zh) | 卡片缺角检测方法、装置、计算机设备及存储介质 | |
CN116245937A (zh) | 货物堆垛的堆高预测方法及装置、设备、存储介质 | |
EP3819815A1 (en) | Human body recognition method and device, as well as storage medium | |
CN112784675B (zh) | 目标检测方法及装置、存储介质、终端 | |
CN112101134B (zh) | 物体的检测方法及装置、电子设备和存储介质 | |
CN111563492B (zh) | 一种跌倒检测方法、跌倒检测装置及存储装置 | |
US9392146B2 (en) | Apparatus and method for extracting object | |
CN111914739A (zh) | 智能跟随方法、装置、终端设备和可读存储介质 | |
CN116363628A (zh) | 标志检测方法、装置、非易失性存储介质及计算机设备 | |
CN110827348A (zh) | 摄像设备位置的自检处理方法、装置、设备及存储介质 | |
CN116452676A (zh) | 一种摄像头标定方法、装置、设备及可读存储介质 | |
CN113824880B (zh) | 一种基于目标检测和uwb定位的车辆跟踪方法 | |
CN115953744A (zh) | 一种基于深度学习的车辆识别追踪方法 | |
CN112802112B (zh) | 视觉定位方法、装置、服务器及存储介质 | |
CN109344776A (zh) | 数据处理方法 | |
CN113516685B (zh) | 目标跟踪方法、装置、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 |
Application publication date: 20200221 |
|
RJ01 | Rejection of invention patent application after publication |