CN110855976B - 摄像头异常检测方法、装置及终端设备 - Google Patents
摄像头异常检测方法、装置及终端设备 Download PDFInfo
- Publication number
- CN110855976B CN110855976B CN201910949719.2A CN201910949719A CN110855976B CN 110855976 B CN110855976 B CN 110855976B CN 201910949719 A CN201910949719 A CN 201910949719A CN 110855976 B CN110855976 B CN 110855976B
- Authority
- CN
- China
- Prior art keywords
- camera
- neural network
- image
- trained neural
- corners
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N17/00—Diagnosis, testing or measuring for television systems or their details
- H04N17/002—Diagnosis, testing or measuring for television systems or their details for television cameras
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Studio Devices (AREA)
Abstract
本申请适用于车辆的摄像头监控技术领域,提供了摄像头异常检测方法、装置及终端设备,所述摄像头异常检测方法包括:获取所述摄像头拍摄的图像;将所述图像输入训练后的神经网络;通过所述训练后的神经网络识别出车厢的两个角的坐标,若所述车箱的两个角的坐标不在指定区域内,则通过所述训练后的神经网络输出用于指示所述摄像头的安装角度出现异常的提示,其中,所述车箱的两个角为距离所述摄像头最远的两个角。通过上述方法能够实现对车辆的车厢的及时监控。
Description
技术领域
本申请属于车辆的摄像头监控技术领域,尤其涉及摄像头异常检测方法、装置、终端设备及计算机可读存储介质。
背景技术
目前,为了减少车辆事故的发生,对车辆的管控越来越严格,比如,通过在车辆上安装机械式传感器来检测车厢的状态,但由于机械式传感器容易拆卸,因此,容易被他人做手脚,进而难以实现对车厢的有效监控;为了能够获取更多的图像信息,现有方法通过在车辆上安装用于监控货箱状态的摄像头,根据该摄像头对货箱的监控画面实现对车辆运输货物的监控。
但是,若摄像头出现异常,比如违法司机为了逃避监管,移动了摄像头,则摄像头将不能正常捕获到货箱画面,最终导致通过摄像头对货箱进行监管的方法失效。
发明内容
本申请实施例提供了摄像头异常检测方法、装置、终端设备及计算机可读存储介质,以及时检测摄像头的异常问题。
第一方面,本申请实施例提供了一种摄像头异常检测方法,所述摄像头设置在车辆上,且所述摄像头的镜头对着车厢,所述摄像头异常检测方法包括:
获取所述摄像头拍摄的图像;
将所述图像输入训练后的神经网络;
通过所述训练后的神经网络识别出车厢的两个角的坐标,若所述车箱的两个角的坐标不在指定区域内,通过所述训练后的神经网络输出用于指示所述摄像头的安装角度出现异常的提示,其中,所述车箱的两个角为距离所述摄像头最远的两个角。
第二方面,本申请实施例提供了一种摄像头异常检测装置,所述摄像头设置在车辆上,且所述摄像头的镜头对着车厢,所述摄像头异常检测装置包括:
图像获取单元,用于获取所述摄像头拍摄的图像;
图像传输单元,用于将所述图像输入训练后的神经网络;
异常提示单元,用于通过所述训练后的神经网络识别出车厢的两个角的坐标,若所述车箱的两个角的坐标不在指定区域内,通过所述训练后的神经网络输出用于指示所述摄像头的安装角度出现异常的提示,其中,所述车箱的两个角为距离所述摄像头最远的两个角。
第三方面,本申请实施例提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可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如第一方面所述的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的方法。
第五方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行上述第一方面中所述的摄像头异常检测方法。
本申请实施例与现有技术相比存在的有益效果是:
由于在距离摄像头最远的车厢的两个角的坐标不在指定区域内时,输出摄像头的安装角度出现异常的提示,因此,能够保证在摄像头拍摄的车厢画面不符合要求时及时通知用户,从而实现对车辆的车厢的及时监控。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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。
图1是本申请一实施例提供的一种摄像头异常检测方法的流程图;
图2是本申请一实施例提供的摄像头在车辆的安装位置的示意图;
图3是本申请一实施例提供的指定区域在摄像头拍摄的图像中的位置的示意图;
图4是本申请一实施例提供的一种摄像头异常检测装置的结构示意图;
图5是本申请一实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
图1示出了本申请实施例提供的一种摄像头异常检测方法的流程图,如图2所示,所述摄像头设置在车辆上,且所述摄像头的镜头对着车厢,例如,由于渣土车(自卸车)很容易发生超载行为,而一旦超载发生重大事故的概率将变大,因此,为了实现对渣土车的及时监控,可将摄像头设置在渣土车上,且将该摄像头的镜头对着渣土车的车厢。具体地,所述摄像头异常检测方法包括:
步骤S11,获取所述摄像头拍摄的图像;
该步骤中,通过摄像头拍摄图像,或者通过摄像头录制视频帧,再从录制的视频帧中获取对应的图像。
在本实施例中,若摄像头没有发生异常,比如,没有被移动,或者,没有被污染时,其将能够拍摄到包括车辆的车厢的图像。
在一些实施例中,为了能够及时获取包括车辆信息的图像,则设置在车辆启动时自动开启摄像头,或者,设置摄像头在固定时间段自动开启摄像头,或者,设置摄像头在接收到本地或云端发送的开启指令后自动开启摄像头,之后,获取开启后的摄像头拍摄的图像。
步骤S12,将所述图像输入训练后的神经网络;
该步骤中,预先对神经网络进行训练,以识别出摄像头的安装角度是否发生异常。其中,神经网络的训练过程包括:采用标注了车厢的至少两个角的坐标(其中,一个车厢具有4个角,若标注了坐标的角的数量为2,则距离摄像头最远的两个角都标注了坐标;若标注了坐标的角的数量大于2,则除了距离摄像头最远的两个角标注了坐标,距离摄像头较近的1个或2个角也标注了坐标)的图像作为训练集,根据该训练集对神经网络进行训练,直到训练后的神经网络能够识别出至少包含距离摄像头最远的两个角的坐标,且识别准确率大于预设的角度异常准确率阈值。
步骤S13,通过所述训练后的神经网络识别出车厢的两个角的坐标,若所述车箱的两个角的坐标不在指定区域内,通过所述训练后的神经网络输出用于指示所述摄像头的安装角度出现异常的提示,其中,所述车箱的两个角为距离所述摄像头最远的两个角。
其中,本实施例的提示包括声音和/或光的提示。
在一些实施例中,为了让用户获取更多的信息,则出现异常提示时,将摄像头拍摄的图像显示在指定显示器上。
在一些实施例中,为了能够对车厢进行更有效的监控,则在通过所述训练后的神经网络输出用于指示所述摄像头的安装角度出现异常的提示之后,包括:将所述用于指示所述摄像头的安装角度出现异常的提示对应的信息上传至云端。
本实施例中,由于出现异常提示时将摄像头拍摄的图像显示在指定显示器上,因此,便于用户更快地判断出出现异常提示的原因。
本申请实施例中,获取所述摄像头拍摄的图像,将所述图像输入训练后的神经网络,通过所述训练后的神经网络识别出车厢的两个角的坐标,若所述车箱的两个角的坐标不在指定区域内,通过所述训练后的神经网络输出用于指示所述摄像头的安装角度出现异常的提示。由于在距离摄像头最远的车厢的两个角的坐标不在指定区域内时,输出摄像头的安装角度出现异常的提示,因此,能够保证在摄像头拍摄的车厢画面不符合要求时及时通知用户,从而实现对车辆的车厢的及时监控。
在一些实施例中,如图3所示,考虑到车厢的形状通常是矩形,本实施例的指定区域设定为一个矩形,顶点分别为x1、x2、x3、x4,假设摄像头拍摄的图像的顶点分别为y1、y2、y3、y4。由于摄像头在初始安装后,其拍摄的车厢图像是位于整张图像的中央位置,且与摄像头距离最远的车厢的两个角图像靠近整张图像最上一条边的位置,例如,假设与摄像头距离最远的车厢的两个角为z1和z2,摄像头拍摄的整张图像最上一条边为y1y2,则z1z2所对应的车厢的边靠近y1y2,因此,为了能够实现对车厢的整体监控,则设置指定区域的边x1x4与图像的边y1y4的距离为N,指定区域的边x2x3与图像的边y2y3的距离也为N,顶点x4到x1的距离为M,顶点x3到x2的距离也为M。
在一些实施例中,设置边N=0.25*边y1y2,M=0.125*边y2y3。
在一些实施例中,除了存在摄像头的安装角度出现异常之外,还可能存在镜头出现污染的异常情况,因此,可通过预先对神经网络进行训练,以使得训练后的神经网络除了能够识别摄像头的安装角度是否出现异常,也能够识别出摄像头的镜头是否出现污染,则在所述将所述图像输入训练后的神经网络之后,还包括:
A1、通过所述训练后的神经网络识别图像中是否存在满足第一条件的区域,所述第一条件是:模糊面积大于或等于预设的模糊面积阈值,且所述模糊面积对应的图像区域的清晰度小于或等于预设的清晰度阈值;其中,清晰度是指图像中各细部影纹及其边界的清晰程度。
A2、若存在满足第一条件的区域,则通过所述训练后的神经网络输出用于指示所述摄像头的镜头出现污染的提示。
其中,本实施例的提示包括声音和/或光的提示。
本实施例中,预先对神经网络进行镜头是否被污染的识别训练,具体地,标注人员根据采集到的图像进行有无大面积模糊或大块污点的标注,再将经过标注的图像作为训练集对神经网络进行训练,直到训练后的神经网络能够识别出镜头是否被污染,且识别准确率大于预设的污染准确率阈值。
在一些实施例中,为了让用户获取更多的信息,则出现异常提示时,将摄像头拍摄的图像显示在指定显示器上。
在一些实施例中,除了存在摄像头的安装角度出现异常之外,还可能存在镜头被遮挡的异常情况,因此,可通过预先对神经网络进行训练,以使得训练后的神经网络除了能够识别摄像头的安装角度是否出现异常,也能够识别出摄像头的镜头是否被遮挡,则在所述将所述图像输入训练后的神经网络之后,还包括:
B1、通过所述训练后的神经网络识别图像中是否存在满足第二条件的区域,所述第二条件是:区域中没有包含物体图像,且所述没有包含物体图像的区域面积大于或等于预设的区域面积阈值;
B2、若存在满足第二条件的区域,则通过所述训练后的神经网络输出用于指示所述摄像头的镜头被遮挡的提示。
其中,本实施例的提示包括声音和/或光的提示。
本实施例中,预先对神经网络进行镜头是否被遮挡的识别训练,具体地,标注人员根据采集到的图像进行有无被遮挡的标注,再将经过标注的图像作为训练集对神经网络进行训练,直到训练后的神经网络能够识别出镜头是否被遮挡,且识别准确率大于预设的遮挡准确率阈值。
需要指出的是,本实施例提供的训练后的神经网络也可以能够同时识别摄像头的安装角度是否出现异常、摄像头的镜头是否被遮挡以及镜头是否被污染,此处不作限定。
在一些实施例中,为了让用户获取更多的信息,则出现异常提示时,将摄像头拍摄的图像显示在指定显示器上。
在一些实施例中,由于摄像头拍摄的图像可能包括车厢对应的图像,也可能没有包括车厢对应的图像(比如在摄像头被移动后),因此,为了能够根据得到的车厢的两个角的坐标执行后续的判断步骤,则所述步骤S13包括:
C1、若通过所述训练后的神经网络识别出所述图像存在车厢,则确定所述车厢的两个角的坐标;
C2、若通过所述训练后的神经网络识别出所述图像不存在车厢,则将所述车厢的两个角的坐标设置为默认值。
本实施例中,可通过识别车厢的特征点判断摄像头拍摄的图像是否存在车厢,若不存在车厢,则将车厢的两个角(或4个角)的坐标设置为默认值,比如坐标都设置为0。
在一些实施例中,为了能够更及时地对训练后的神经网络进一步地优化,则所述摄像头异常检测方法还包括:
D1、接收用户对所述训练后的神经网络输出的提示的反馈信息,所述提示为以下任一种:用于指示所述摄像头的安装角度出现异常的提示、用于指示所述摄像头的镜头出现污染的提示、用于指示所述摄像头的镜头被遮挡的提示;其中,反馈信息可以为“同意”、“是”等肯定的信息,也可以是“不同意”、“不是”等否定的信息。
D2、根据所述反馈信息对所述训练后的神经网络进行再次训练,得到更新后的神经网络。
本实施例中,用户可对出现的任一种提示进行核实,若核实结果与提示不同,则终端设备将核实结果作为用户的反馈信息对训练后的神经网络进行再次训练,需要指出的是,在进行再次训练之前,需要删除已得到的判断结果,该已得到的结果与核实结果不同,该判断结果包括以下任一种:摄像头的安装角度出现异常、摄像头的镜头出现污染、摄像头的镜头被遮挡。由于反馈信息能够及时获取,因此,能够更及时地对训练后的神经网络进行再次训练,并将再次训练后的神经网络作为新的训练后的神经网络,从而能够保证采用新的训练后的神经网络输出更准确的提示。
在一些实施例中,由于渣土车发生重大事故的概率较大,且有些司机为了逃避责任很可能会故意提供错误的反馈信息,因此,为了避免本地用户(如司机)提供错误的反馈信息而导致训练出错误的神经网络,则所述步骤D1包括:
接收本地用户对所述训练后的神经网络输出的提示的第一反馈信息,以及,接收云端用户对所述训练后的神经网络输出的提示的第二反馈信息;
对应地,所述步骤D2具体为:
根据所述第二反馈信息对所述训练后的神经网络进行再次训练,得到更新后的神经网络。
本实施例中,终端设备除了接收本地用户发送的第一反馈信息,还接收云端用户发送的第二反馈信息,则以云端发送的第二反馈信息为准对训练后的神经网络进行再次训练,以保证采用更准确的反馈信息对训练后的神经网络进行再次训练,从而使得再次训练后的神经网络的识别精度更高。当然,若仅接受到第一反馈信息,则所述步骤D2具体为:
根据所述第一反馈信息对所述训练后的神经网络进行再次训练,得到更新后的神经网络。
在一些实施例中,为了便于后续对图像的快速处理,则在所述步骤S11之后,包括:
将所述图像的尺寸编辑为预设尺寸;
对应地,所述步骤S12具体为:将编辑为预设尺寸的图像输入训练后的神经网络。
本实施例中,由于输入神经网络的图像的尺寸是固定的,因此,使得不同图像在识别过程中都采用同样的参数标准,从而保证神经网络输出的信息更准确。需要指出的是,若输入训练后的神经网络的图像尺寸为预设尺寸,则训练该神经网络的训练集中的图像的尺寸也为预设尺寸。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的摄像头异常检测方法,图4示出了本申请实施例提供的摄像头异常检测装置的结构框图,所述摄像头设置在车辆上,且所述摄像头的镜头对着车厢,为了便于说明,仅示出了与本申请实施例相关的部分。
该摄像头异常检测装置4包括:图像获取单元41、图像传输单元42、异常提示单元43。其中:
图像获取单元41,用于获取所述摄像头拍摄的图像;
为了能够及时获取包括车辆信息的图像,则该摄像头异常检测装置4包括:摄像头自动开启单元,用于在车辆启动时自动开启摄像头,或者,在固定时间段自动开启摄像头,或者,在接收到本地或云端发送的开启指令后自动开启摄像头。
图像传输单元42,用于将所述图像输入训练后的神经网络;
具体地,预先对神经网络进行训练,以识别出摄像头的安装角度是否发生异常。其中,对神经网络进行训练的过程参考上述实施例中的步骤S12。
异常提示单元43,用于通过所述训练后的神经网络识别出车厢的两个角的坐标,若所述车箱的两个角的坐标不在指定区域内,则通过所述训练后的神经网络输出用于指示所述摄像头的安装角度出现异常的提示,其中,所述车箱的两个角为距离所述摄像头最远的两个角。
其中,本实施例的提示包括声音和/或光的提示。
在一些实施例中,为了让用户获取更多的信息,则该摄像头异常检测装置4还包括:
显示单元,用于在出现异常提示时,将摄像头拍摄的图像显示在指定显示器上。
本申请实施例中,由于在距离摄像头最远的车厢的两个角的坐标不在指定区域内时,输出摄像头的安装角度出现异常的提示,因此,能够保证在摄像头拍摄的车厢画面不符合要求时及时通知用户,从而实现对车辆的车厢的及时监控。
在一些实施例中,指定区域设定为一个矩形,顶点分别为x1、x2、x3、x4,摄像头拍摄的图像的顶点分别为y1、y2、y3、y4。指定区域的边x1x4与图像的边y1y4的距离为N,指定区域的边x2x3与图像的边y2y3的距离也为N,顶点x4到x1的距离为M,顶点x3到x2的距离也为M。
在一些实施例中,设置边N=0.25*边y1y2,M=0.125*边y2y3。
在一些实施例中,除了存在摄像头的安装角度出现异常之外,还可能存在镜头出现污染的异常情况,因此,所述异常提示单元43还包括:
通过所述训练后的神经网络识别图像中是否存在满足第一条件的区域,所述第一条件是:模糊面积大于或等于预设的模糊面积阈值,且所述模糊面积对应的图像区域的清晰度小于或等于预设的清晰度阈值;其中,清晰度是指图像中各细部影纹及其边界的清晰程度。
若存在满足第一条件的区域,则通过所述训练后的神经网络输出用于指示所述摄像头的镜头出现污染的提示。
其中,本实施例的提示包括声音和/或光的提示。
在一些实施例中,除了存在摄像头的安装角度出现异常之外,还可能存在镜头被遮挡的异常情况,因此,所述异常提示单元43还包括:
通过所述训练后的神经网络识别图像中是否存在满足第二条件的区域,所述第二条件是:区域中没有包含物体图像,且所述没有包含物体图像的区域面积大于或等于预设的区域面积阈值;
若存在满足第二条件的区域,则通过所述训练后的神经网络输出用于指示所述摄像头的镜头被遮挡的提示。
其中,本实施例的提示包括声音和/或光的提示。
需要指出的是,本实施例的训练后的神经网络也可以能够同时识别摄像头的安装角度是否出现异常、摄像头的镜头是否被遮挡以及镜头是否被污染,此处不作限定。
在一些实施例中,由于摄像头拍摄的图像可能包括车厢对应的图像,也可能没有包括车厢对应的图像(比如在摄像头被移动后),因此,为了能够得到更准确的判断结果,所述异常提示单元43中通过所述训练后的神经网络识别出车厢的两个角的坐标时,具体用于:
若通过所述训练后的神经网络识别出所述图像存在车厢,则确定所述车厢的两个角的坐标;
若通过所述训练后的神经网络识别出所述图像不存在车厢,则将所述车厢的两个角的坐标设置为默认值。
本实施例中,可通过识别车厢的特征点判断摄像头拍摄的图像是否存在车厢,若不存在车厢,则将车厢的两个角(或4个角)的坐标设置为默认值,比如坐标都设置为0。
在一些实施例中,为了能够更及时地对训练后的神经网络进一步地优化,则所述摄像头异常检测装置4还包括:
反馈信息接收单元,用于接收用户对所述训练后的神经网络输出的提示的反馈信息,所述提示为以下任一种:用于指示所述摄像头的安装角度出现异常的提示、用于指示所述摄像头的镜头出现污染的提示、用于指示所述摄像头的镜头被遮挡的提示;其中,反馈信息可以为“同意”、“是”等肯定的信息,也可以是“不同意”、“不是”等否定的信息。
神经网络在线更新单元,用于根据所述反馈信息对所述训练后的神经网络进行再次训练,得到更新后的神经网络。
在一些实施例中,为了避免本地用户(如司机)提供错误的反馈信息而导致训练出错误的神经网络,则所述反馈信息接收单元包括:
两个反馈信息接收模块,用于接收本地用户对所述训练后的神经网络输出的提示的第一反馈信息,以及,接收云端用户对所述训练后的神经网络输出的提示的第二反馈信息;
对应地,所述神经网络在线更新单元具体用于:
根据所述第二反馈信息对所述训练后的神经网络进行再次训练,得到更新后的神经网络。
在一些实施例中,为了便于后续对图像的快速处理,则所述摄像头异常检测装置4还包括:
尺寸编辑单元,用于将所述图像的尺寸编辑为预设尺寸;
对应地,所述图像传输单元42具体用于:将编辑为预设尺寸的图像输入训练后的神经网络。
本实施例中,由于输入神经网络的图像的尺寸是固定的,因此,使得不同图像在识别过程中都采用同样的参数标准,从而保证神经网络输出的信息更准确。需要指出的是,若输入训练后的神经网络的图像尺寸为预设尺寸,则训练该神经网络的训练集中的图像的尺寸也为预设尺寸。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
图5为本申请一实施例提供的终端设备的结构示意图。如图5所示,该实施例的终端设备5包括:至少一个处理器50(图5中仅示出一个)处理器、存储器51以及存储在所述存储器51中并可在所述至少一个处理器50上运行的计算机程序52,所述处理器50执行所述计算机程序52时实现上述任意各个方法实施例中的步骤。
所述终端设备5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备可包括,但不仅限于,处理器50、存储器51。本领域技术人员可以理解,图5仅仅是终端设备5的举例,并不构成对终端设备5的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括输入输出设备、网络接入设备等。
所称处理器50可以是中央处理单元(Central Processing Unit,CPU),该处理器50还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器51在一些实施例中可以是所述终端设备5的内部存储单元,例如终端设备5的硬盘或内存。所述存储器51在另一些实施例中也可以是所述终端设备5的外部存储设备,例如所述终端设备5上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器51还可以既包括所述终端设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、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单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例还提供了一种网络设备,该网络设备包括:至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个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上述任意各个方法实施例中的步骤。
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在移动终端上运行时,使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
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申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/网络设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/网络设备实施例仅仅是示意性的,例如,所述模块或单元的划分,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讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,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。
以上所述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精神和范围,均应包含在本申请的保护范围之内。
Claims (8)
1.一种摄像头异常检测方法,其特征在于,所述摄像头设置在车辆上,且所述摄像头的镜头对着车厢,所述摄像头异常检测方法包括:
获取所述摄像头拍摄的图像;
将所述图像输入训练后的神经网络;
通过所述训练后的神经网络识别出车厢的两个角的坐标,若所述车厢的两个角的坐标不在指定区域内,则通过所述训练后的神经网络输出用于指示所述摄像头的安装角度出现异常的提示,其中,所述车厢的两个角为距离所述摄像头最远的两个角,所述指定区域的大小小于所述图像的大小,所述指定区域为矩形,所述矩形的其中一边在所述图像最远的边缘上,且所述在所述图像最远的边缘上的边的长度小于所述图像最远的边缘所对应的长度;
所述摄像头异常检测方法还包括:
若接收司机对所述训练后的神经网络输出的提示的第一反馈信息,以及,接收云端用户对所述训练后的神经网络输出的提示的第二反馈信息,则根据所述第二反馈信息对所述训练后的神经网络进行再次训练,得到更新后的神经网络所述提示为以下任一种:用于指示所述摄像头的安装角度出现异常的提示、用于指示所述摄像头的镜头出现污染的提示、用于指示所述摄像头的镜头被遮挡的提示;
若只接收司机对所述训练后的神经网络输出的提示的第一反馈信息,则根据所述第一反馈信息对所述训练后的神经网络进行再次训练,得到更新后的神经网络。
2.如权利要求1所述的摄像头异常检测方法,其特征在于,在所述将所述图像输入训练后的神经网络之后,还包括:
通过所述训练后的神经网络识别图像中是否存在满足第一条件的区域,所述第一条件是:模糊面积大于或等于预设的模糊面积阈值,且所述模糊面积对应的图像区域的清晰度小于或等于预设的清晰度阈值;
若存在满足第一条件的区域,则通过所述训练后的神经网络输出用于指示所述摄像头的镜头出现污染的提示。
3.如权利要求1所述的摄像头异常检测方法,其特征在于,在所述将所述图像输入训练后的神经网络之后,还包括:
通过所述训练后的神经网络识别图像中是否存在满足第二条件的区域,所述第二条件是:区域中没有包含物体图像,且所述没有包含物体图像的区域面积大于或等于预设的区域面积阈值;
若存在满足第二条件的区域,则通过所述训练后的神经网络输出用于指示所述摄像头的镜头被遮挡的提示。
4.如权利要求1所述的摄像头异常检测方法,其特征在于,所述通过所述训练后的神经网络识别出车厢的两个角的坐标,包括:
若通过所述训练后的神经网络识别出所述图像存在车厢,则确定所述车厢的两个角的坐标;
若通过所述训练后的神经网络识别出所述图像不存在车厢,则将所述车厢的两个角的坐标设置为默认值。
5.如权利要求1所述的摄像头异常检测方法,其特征在于,在所述获取所述摄像头拍摄的图像之后,包括:
将所述图像的尺寸编辑为预设尺寸;
对应地,所述将所述图像输入训练后的神经网络具体为:将编辑为预设尺寸的图像输入训练后的神经网络。
6.一种摄像头异常检测装置,其特征在于,所述摄像头设置在车辆上,且所述摄像头的镜头对着车厢,所述摄像头异常检测装置包括:
图像获取单元,用于获取所述摄像头拍摄的图像;
图像传输单元,用于将所述图像输入训练后的神经网络;
异常提示单元,用于通过所述训练后的神经网络识别出车厢的两个角的坐标,若所述车厢的两个角的坐标不在指定区域内,通过所述训练后的神经网络输出用于指示所述摄像头的安装角度出现异常的提示,其中,所述车厢的两个角为距离所述摄像头最远的两个角,所述指定区域的大小小于所述图像的大小,所述指定区域为矩形,所述矩形的其中一边在所述图像最远的边缘上,且所述在所述图像最远的边缘上的边的长度小于所述图像最远的边缘所对应的长度;
反馈信息接收单元,用于接收司机对所述训练后的神经网络输出的提示的第一反馈信息,以及,接收云端用户对所述训练后的神经网络输出的提示的第二反馈信息,或者,用于接收司机对所述训练后的神经网络输出的提示的第一反馈信息;
神经网络在线更新单元,用于在接收到所述第二反馈信息时,根据所述第二反馈信息对所述训练后的神经网络进行再次训练,得到更新后的神经网络,以及,用于在只接收到所述第一反馈信息时,根据所述第一反馈信息对所述训练后的神经网络进行再次训练,得到更新后的神经网络。
7.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可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如权利要求1至5任一项所述的方法。
8.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910949719.2A CN110855976B (zh) | 2019-10-08 | 2019-10-08 | 摄像头异常检测方法、装置及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910949719.2A CN110855976B (zh) | 2019-10-08 | 2019-10-08 | 摄像头异常检测方法、装置及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110855976A CN110855976A (zh) | 2020-02-28 |
CN110855976B true CN110855976B (zh) | 2022-03-11 |
Family
ID=69597387
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910949719.2A Active CN110855976B (zh) | 2019-10-08 | 2019-10-08 | 摄像头异常检测方法、装置及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110855976B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111722195B (zh) * | 2020-06-29 | 2021-03-16 | 江苏蛮酷科技有限公司 | 一种雷达遮挡检测方法及计算机存储介质 |
WO2022198442A1 (zh) * | 2021-03-23 | 2022-09-29 | 深圳市锐明技术股份有限公司 | 一种货箱监控方法、终端设备及存储介质 |
CN112804522B (zh) * | 2021-04-15 | 2021-07-20 | 魔门塔(苏州)科技有限公司 | 一种对摄像头异常状况的检测方法及装置 |
CN113194297B (zh) * | 2021-04-30 | 2023-05-23 | 重庆市科学技术研究院 | 一种智能监控系统及方法 |
CN114189612B (zh) * | 2021-11-18 | 2023-08-11 | 深圳市锐明技术股份有限公司 | 摄像头的安装角度确定方法、装置及终端设备 |
CN114612762A (zh) * | 2022-03-15 | 2022-06-10 | 首约科技(北京)有限公司 | 一种智能设备监管方法 |
CN115131933A (zh) * | 2022-06-30 | 2022-09-30 | 上海汽车集团股份有限公司 | 一种安防方法及相关装置、车辆 |
CN115484453B (zh) * | 2022-08-31 | 2024-04-30 | 重庆长安汽车股份有限公司 | 车载影像系统的自检方法、装置、车辆及存储介质 |
CN115331155B (zh) * | 2022-10-14 | 2023-02-03 | 智慧齐鲁(山东)大数据科技有限公司 | 一种海量视频监控点位出图状态检测方法及系统 |
CN116156310A (zh) * | 2023-01-10 | 2023-05-23 | 济南大学 | 一种穿戴式摄像机姿态监控与识别系统及方法 |
CN116320387B (zh) * | 2023-04-06 | 2023-09-29 | 深圳博时特科技有限公司 | 摄像头模组检测系统及检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102421008A (zh) * | 2011-12-07 | 2012-04-18 | 浙江捷尚视觉科技有限公司 | 视频质量智能检测系统 |
CN104093016A (zh) * | 2014-06-12 | 2014-10-08 | 华南理工大学 | 一种摄像头模组脏污检测方法及系统 |
CN104539937A (zh) * | 2014-11-24 | 2015-04-22 | 青岛歌尔声学科技有限公司 | 一种摄像头模组污点检测的方法和装置 |
CN106686347A (zh) * | 2016-11-21 | 2017-05-17 | 国电南瑞科技股份有限公司 | 一种基于视频的判定地铁摄像机移位的方法 |
CN107705334A (zh) * | 2017-08-25 | 2018-02-16 | 北京图森未来科技有限公司 | 一种摄像机异常检测方法及装置 |
CN107743224A (zh) * | 2017-09-30 | 2018-02-27 | 奇酷互联网络科技(深圳)有限公司 | 镜头脏污的提醒方法、系统、可读存储介质及移动终端 |
CN109003304A (zh) * | 2018-07-12 | 2018-12-14 | 南京云计趟信息技术有限公司 | 一种基于深度学习的摄像头角度移动检测系统和方法 |
-
2019
- 2019-10-08 CN CN201910949719.2A patent/CN110855976B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102421008A (zh) * | 2011-12-07 | 2012-04-18 | 浙江捷尚视觉科技有限公司 | 视频质量智能检测系统 |
CN104093016A (zh) * | 2014-06-12 | 2014-10-08 | 华南理工大学 | 一种摄像头模组脏污检测方法及系统 |
CN104539937A (zh) * | 2014-11-24 | 2015-04-22 | 青岛歌尔声学科技有限公司 | 一种摄像头模组污点检测的方法和装置 |
CN106686347A (zh) * | 2016-11-21 | 2017-05-17 | 国电南瑞科技股份有限公司 | 一种基于视频的判定地铁摄像机移位的方法 |
CN107705334A (zh) * | 2017-08-25 | 2018-02-16 | 北京图森未来科技有限公司 | 一种摄像机异常检测方法及装置 |
CN107743224A (zh) * | 2017-09-30 | 2018-02-27 | 奇酷互联网络科技(深圳)有限公司 | 镜头脏污的提醒方法、系统、可读存储介质及移动终端 |
CN109003304A (zh) * | 2018-07-12 | 2018-12-14 | 南京云计趟信息技术有限公司 | 一种基于深度学习的摄像头角度移动检测系统和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110855976A (zh) | 2020-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110855976B (zh) | 摄像头异常检测方法、装置及终端设备 | |
US9275547B2 (en) | Prediction of free parking spaces in a parking area | |
EP3716194A1 (en) | Method and device for processing vehicle loss assessment data and processing device | |
JP6421355B2 (ja) | 走行情報取得システム、通信端末装置、サーバ装置、コンピュータプログラム、走行情報取得方法、及びメーターパネル | |
CN113515985B (zh) | 自助过磅系统、过磅检测方法、设备及存储介质 | |
CN111814746A (zh) | 一种识别车道线的方法、装置、设备及存储介质 | |
CN111079621B (zh) | 检测对象的方法、装置、电子设备和存储介质 | |
CN108501807A (zh) | 在车载显示器上叠置与潜在危险相关联的道路对象 | |
CN112818839A (zh) | 驾驶员违章行为识别方法、装置、设备及介质 | |
CN111178357A (zh) | 车牌识别方法、系统、设备和存储介质 | |
CN114022767A (zh) | 一种电梯楼层定位方法、装置、终端设备及存储介质 | |
CN112418213A (zh) | 一种车辆行驶轨迹识别方法、装置及存储介质 | |
CN110706115A (zh) | 交通事故快速理赔方法、系统以及一种服务器 | |
CN115019242B (zh) | 一种交通场景的异常事件检测方法、装置和处理设备 | |
CN111191603B (zh) | 车内人员识别方法、装置、终端设备及介质 | |
CN115965636A (zh) | 车辆侧面图的生成方法、装置及终端设备 | |
CN114724107B (zh) | 一种图像检测方法、装置、设备及介质 | |
CN112292847A (zh) | 图像处理设备、移动设备、方法和程序 | |
CN115880632A (zh) | 超时停留检测方法、监控设备、计算机可读存储介质和芯片 | |
CN112950961B (zh) | 车流量统计方法、装置、设备和存储介质 | |
CN110033468B (zh) | 一种物体移除检测方法、装置及终端设备 | |
CN114627432A (zh) | 一种装卸货识别监控系统 | |
CN113989778A (zh) | 车辆信息匹配方法、装置、终端设备及存储介质 | |
CN111639640A (zh) | 基于人工智能的车牌识别方法、装置及设备 | |
US11961284B2 (en) | Task appropriateness determination apparatus |
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 |