CN111126252A - 摆摊行为检测方法以及相关装置 - Google Patents
摆摊行为检测方法以及相关装置 Download PDFInfo
- Publication number
- CN111126252A CN111126252A CN201911330913.9A CN201911330913A CN111126252A CN 111126252 A CN111126252 A CN 111126252A CN 201911330913 A CN201911330913 A CN 201911330913A CN 111126252 A CN111126252 A CN 111126252A
- Authority
- CN
- China
- Prior art keywords
- target
- area
- detection
- detected
- images
- 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
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本申请公开了一种摆摊行为检测方法以及相关装置。其中,摆摊行为检测方法包括:利用目标检测模型对多帧待检测图像进行检测,获取与待检测图像中的目标对象对应的目标区域和目标类别;分析获取的目标区域,得到多帧待检测图像的区域分布情况,并分析获取的目标类别,得到多帧待检测图像的类别分布情况;基于区域分布情况和类别分布情况,从获取的目标区域中筛选出至少一个疑似存在摆摊行为的候选区域;基于至少一个候选区域,获取当前帧图像的检测区域;对检测区域的图像数据进行检测,确定是否存在摆摊行为。上述方案,能够提高摆摊行为检测的准确性和效率。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种摆摊行为检测方法以及相关装置。
背景技术
随着城市建设的推进,城市管理的压力越来越大,传统的以人力为主的城市管理方案和模式严重制约了城市的管理水平。其中,在城市管理的各种业务需求中,对违章占道摆卖、店外经营和流动商贩等摆摊行为的检查又是城市管理的重点之一,对于摆摊行为的检查往往需要消耗相当多的人力资源,执法效率低下,而目前通过传感器进行摆摊行为检测虽然在一定程度上缓解了人力资源压力,但又极易将正常行人和其他运动目标误判为商贩。有鉴于此,如何提高摆摊行为检测的准确性和效率成为亟待解决的问题。
发明内容
本申请主要解决的技术问题是提供一种摆摊行为检测方法以及相关装置,能够提高摆摊行为检测的准确性和效率。
为了解决上述问题,本申请第一方面提供了一种摆摊行为检测方法,包括:利用目标检测模型对多帧待检测图像进行检测,获取与待检测图像中的目标对象对应的目标区域和目标类别;分析获取的目标区域,得到多帧待检测图像的区域分布情况,并分析获取的目标类别,得到多帧待检测图像的类别分布情况;基于区域分布情况和类别分布情况,从获取的目标区域中筛选出至少一个疑似存在摆摊行为的候选区域;基于至少一个候选区域,获取当前帧图像的检测区域;对检测区域的图像数据进行检测,确定是否存在摆摊行为。
为了解决上述问题,本申请第二方面提供了一种摆摊行为检测装置,包括目标检测模块、分布分析模块、区域筛选模块、区域确定模块和摆摊行为检测模块,目标检测模块用于利用目标检测模型对多帧待检测图像进行检测,获取与待检测图像中的目标对象对应的目标区域和目标类别;分布分析模块用于分析获取的目标区域,得到多帧待检测图像的区域分布情况,并分析获取的目标类别,得到多帧待检测图像的类别分布情况;区域筛选模块用于基于区域分布情况和类别分布情况,从获取的目标区域中筛选出至少一个疑似存在摆摊行为的候选区域;区域确定模块用于基于至少一个候选区域,获取当前帧图像的检测区域;摆摊检测模块用于对检测区域的图像数据进行检测,确定是否存在摆摊行为。
为了解决上述问题,本申请第三方面提供了一种摆摊行为检测装置,包括:相互耦接的存储器和处理器;处理器用于执行存储器存储的程序指令,以实现上述第一方面中的摆摊行为检测方法。
为了解决上述问题,本申请第四方面提供了一种存储装置,存储有能够被处理器运行的程序指令,程序指令用于实现上述第一方面中的摆摊行为检测方法。
上述方案,通过利用目标检测模型对多帧待检测图像进行检测,获取与待检测图像中的目标对象对应的目标区域和目标类别,并分析获取的目标区域,得到多帧待检测图像的区域分布情况,且分析获取的目标类别,得到多帧待检测图像的类别分布情况,从而基于区域分布情况和类别分布情况,从获取的目标区域中筛选出至少一个疑似存在摆摊行为的候选区域,从而能够初步实现对摆摊行为的检测,并基于至少一个候选区域,获取当前帧图像的检测区域,从而对检测区域的图像数据进行检测,确定是否存在摆摊行为,进而能够在初步检测结果的基础上进行进一步检测,提高摆摊行为检测的准确性,此外,由于对摆摊行为的检测是通过对拍摄到的多帧待检测图像的检测而实现的,因此,能够提高检测效率。
附图说明
图1是本申请摆摊行为检测方法一实施例的流程示意图;
图2是本申请摆摊行为检测方法另一实施例的流程示意图;
图3是图2中步骤S22一实施例的框架示意图;
图4是本申请摆摊行为检测装置一实施例的框架示意图;
图5是本申请摆摊行为检测装置另一实施例的框架示意图;
图6是本申请存储装置一实施例的框架示意图。
具体实施方式
下面结合说明书附图,对本申请实施例的方案进行详细说明。
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、接口、技术之类的具体细节,以便透彻理解本申请。
本文中术语“系统”和“网络”在本文中常被可互换使用。本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。此外,本文中的“多”表示两个或者多于两个。
请参阅图1,图1是本申请摆摊行为检测方法一实施例的流程示意图。具体而言,可以包括如下步骤:
步骤S11:利用目标检测模型对多帧待检测图像进行检测,获取与待检测图像中的目标对象对应的目标区域和目标类别。
本实施例中,多帧待检测图像可以是监控摄像机拍摄到的,监控摄像机可以设置于路口、商业街、小区门口、公园等等,本实施例在此不做具体限制。目标对象可以包括但不限于:板车、小面包车等流动摊位,或者,遮阴棚等固定摊位,本实施例在此不做具体限制。
本实施例中,目标区域可以是包含目标对象的目标框,例如:矩形框。具体地,可以将获取到的与待检测图像中的目标对象对应的目标区域和目标类别进行缓存,如目标区域的坐标和其对应的目标类别。在一个具体的实施场景中,当目标区域是一个包含目标对象的矩形框时,可以缓存矩形框任意一对对顶点的坐标,以及对应的目标类别。此外,在另一个具体的实施场景中,在利用目标检测模型对多帧待检测图像进行检测时,还可以获取与检测到的目标对象对应的置信度,若置信度高于一预设阈值时,可以认为当前所检测到的目标对象是与摆摊行为有关的目标对象,并对目标对象对应的目标区域和目标类别进行缓存,否则,可以认为当前所检测到的目标对象与摆摊行为无关,此时,可以不对其进行缓存。
目标检测模型可以是利用深度学习的模型预先训练得到的。具体地,本实施例中,可以通过获取多帧标注有摊位类别标签和摊位附属类别标签的样本图像,然后再利用深度学习网络模型和预设损失函数对多帧样本图像进行训练,获得目标检测模型。
在一个具体的实施场景中,摊位附属类别标签可以是摆摊高概率附属目标类别标签,例如,可以包括:摆摊遮阳伞、摆摊桌椅、摆摊柜台、冰柜,本实施例在此不做具体限制。
在另一个具体的实施场景中,摊位类别标签可以包括:蔬菜摊、水果摊、纸箱摊、杂货摊、衣服摊、小吃摊。例如,在小板车平台上存在摆摊目标时,除了可以标注具体摊位售卖物品外,还可以将板车平台的一部分作为该种摊位的一个典型辅助特征,并标注进去。通过这种方式,可以增加异类目标的类间间距,减少同类目标的类内间距,使得目标特征显著化,同时使得目标具有一致的类内特征和差异较大的类间特征,最终能够优化训练得到的目标检测模型,提高目标检测的准确性。
在又一个具体的实施场景中,为了解决正负样本不均衡和难易样本不均衡的问题,还可以将预设损失函数设置为focal loss损失函数,关于focal loss损失函数的具体技术细节为本领域的现有技术,本实施例在此不再赘述。
在又一个具体的实施场景中,为了提高样本图像的多样性,从而优化最终训练得到的目标检测模型,可以从收集的视频数据中跳帧采样,得到不同帧的图像,从而减少相邻帧之间静态目标的重复采样,并将采样得到的图像进行旋转、镜像和仿射变换中的至少一种,例如,对某一帧采样得到的图像经过旋转和镜像变换,对另一帧采样得到的图像经过镜像和仿射变换,对又一帧采样得到的图像进行旋转、镜像和仿射变换,本实施例在此不再一一举例,关于旋转、镜像和仿射变换的具体技术细节为本领域的现有技术,本实施例在此不再赘述。
在一个实施场景中,为了便于用户对重点区域进行摆摊监测,还可以在利用目标检测模型对多帧待检测图像进行检测之前,接收用户设置的检测配置信息,其中,检测配置信息中包含配置区域,从而可以利用目标检测模型对多帧待检测图像进行检测,获取待检测图像中位于配置区域的目标对象所对应的目标区域和目标类别。配置区域可以是道路边、小区门口、办公楼门口等等,本实施例在此不再一一举例。在另一个实施场景中,为了便于用户灵活设置摆摊检测的时长,还可以在利用目标检测模型对多帧待检测图像进行检测之前,接收用户设置的检测配置信息,其中,检测配置信息中包含检测时长,从而可以利用目标检测模型对检测时长内的多帧待检测图像进行检测,获取与待检测图像中的目标对象对应的目标区域和目标类别。在又一个实施场景中,还可以接受用户设置的同时包含配置区域和检测时长的检测配置信息,从而可以利用目标检测模型对检测时长内的多帧待检测图像进行检测,获取待检测图像中位于配置区域内的目标对象所对应的目标区域和目标类别。
步骤S12:分析获取的目标区域,得到多帧待检测图像的区域分布情况,并分析获取的目标类别,得到多帧待检测图像的类别分布情况。
对获取到的目标区域进行分析,从而可以得到多帧待检测图像的区域分布情况,例如,对于在小区大门摆摊行为检测场景而言,可以分别得到多帧待检测图像中检测出在小区门口区域摆摊的次数,在靠近小区入口路边的区域摆摊的次数,在距离小区门口10米位置处摆摊的次数等等;或者,对于在马路附近摆摊行为检测场景而言,可以分别得到多帧待检测图像中检测出在马路停车线内的区域摆摊的次数,在马路人行通道的区域摆摊的次数等等,本实施例在此不再一一举例。
对获取到的目标类别进行分析,从而可以得到多帧待检测图像的类别分布情况,例如,可以得到多帧待检测图像中检测出蔬菜摊的次数,检测出水果摊的次数,检测出衣服摊的次数,以及检测出小吃摊的次数,本实施例在此不再一一举例。
步骤S13:基于区域分布情况和类别分布情况,从获取的目标区域中筛选出至少一个疑似存在摆摊行为的候选区域。
在一个实施场景中,为了避免误检,提高检测的准确性,可以将区域分布情况中分布较为稀疏的某一区域剔除,剩余的区域可以认为是疑似存在摆摊行为的候选区域。
在另一个实施场景中,为了避免误检,提高检测的准确性,还可以将类别分布情况中分布较为稀疏的某一类别剔除,并剔除获取的目标区域中其目标类别为剔除的目标类别的目标区域,剩余的目标区域可以认为是疑似存在摆摊行为的候选区域。
在又一个实施场景中,为了避免误检,提高检测的准确性,还可以先将区域分布情况中分布较为稀疏的区域剔除,再将类别分布情况中分布较为稀疏的某一类别剔除,然后再在剩余的目标区域中剔除其目标类别为已经剔除的目标类别的区域,所剩下的目标区域可以认为是疑似存在摆摊行为的候选区域。
在又一个实施场景中,当筛选出至少一个疑似存在摆摊行为的候选区域之后,还可以进一步清空所缓存的与目标对象对应的目标区域和目标类别。
步骤S14:基于至少一个候选区域,获取当前帧图像的检测区域。
在一个实施场景中,为了将候选区域之外,且与摆摊关联性较强的上下文环境信息包含进来,同时滤除无关区域的背景信息,将各类目标对象自然组合在一起,并保持各个目标对象在自然环境中的相对位置和状态,避免孤立环境下机械地将目标或特征进行串联而造成误判,进而提高检测准确性,可以将上述获取到的至少一个候选区域的最小外接矩形作为当前帧图像的检测区域。
步骤S15:对检测区域的图像数据进行检测,确定是否存在摆摊行为。
在一个实施场景中,为了提高检测的准确性,还可以进一步通过二次分类网络对检测区域的图像数据进行检测,从而确定是否存在摆摊行为。具体地,可以利用场景分类模型对检测区域的图像数据进行检测,获取场景分类结果,若场景分类结果为摆摊场景,则确定存在摆摊行为。场景分类模型可以通过预先训练的方式获得,例如,获取多帧标注有场景类别标签的样本图像,利用深度学习网络模型和预设损失函数对多帧样本图像进行训练,从而得到场景分类模型,具体地,可以参考本实施例中上述相关步骤,在此不再赘述。
在一个实施场景中,为了使用户及时获悉监控区域内是否存在摆摊行为,还可以在确定存在摆摊行为时,输出报警提示信息,报警提示信息可以包括但不限于:声音信息、文字信息、图片信息、指示灯信息。
在一个实施场景中,为了实现对检测到的存在摆摊行为的目标对象的持续监测,还可以在利用目标检测模型对多帧待检测图像进行检测,获取与待检测图像中的目标对象对应的目标区域和目标类别之前,获取用户设置的检测配置信息,且检测配置信息中包含报警间隔时长,从而能够根据获取到的报警间隔时长,获取报警间隔时长内的多帧图像,并检测获取的多帧图像中是否存在当前帧图像的检测区域中的目标对象,若存在,则输出报警提示信息,从而实现对存在摆摊行为的目标对象的持续监测。
上述方案,通过利用目标检测模型对多帧待检测图像进行检测,获取与待检测图像中的目标对象对应的目标区域和目标类别,并分析获取的目标区域,得到多帧待检测图像的区域分布情况,且分析获取的目标类别,得到多帧待检测图像的类别分布情况,从而基于区域分布情况和类别分布情况,从获取的目标区域中筛选出至少一个疑似存在摆摊行为的候选区域,从而能够初步实现对摆摊行为的检测,并基于至少一个候选区域,获取当前帧图像的检测区域,从而对检测区域的图像数据进行检测,确定是否存在摆摊行为,进而能够在初步检测结果的基础上进行进一步检测,提高摆摊行为检测的准确性,此外,由于对摆摊行为的检测是通过对拍摄到的多帧待检测图像的检测而实现的,因此,能够提高检测的效率。
请参阅图2,图2本申请摆摊行为检测方法另一实施例的流程示意图。具体而言,可以包括如下步骤:
步骤S21:利用目标检测模型对多帧待检测图像进行检测,获取与待检测图像中的目标对象对应的目标区域和目标类别。
具体请参阅上述实施例中的步骤S11。
步骤S22:基于获取的目标区域之间的位置关系,将获取的目标区域分为至少一个区域集。
本实施例中,可以将对多帧待检测图像进行检测而获取到的目标区域中距离较近的目标区域划分至同一个区域集,距离较远的目标区域划分至不同的区域集。
具体地,请结合参阅图3,图3是图2中步骤S22一实施例的流程示意图,可以通过如下步骤将获取的目标区域分为至少一个区域集:
步骤S221:统计获取的目标区域的中心点之间的位置距离,并统计获取的目标区域之间的重叠率。
本实施例中,目标区域之间的重叠率可以通过计算目标区域之间的交并比(Intersection-over-Union,IoU),通过统计两个目标区域之间的交集像素点的个数,并统计两个目标区域之间的并集像素点的个数,再计算两者之间的比值,即可得到两个目标区域之间的交并比。
例如,获取的目标区域包括目标区域A、目标区域B、目标区域C,则可以分别统计目标区域A和目标区域B之间的位置距离dAB和重叠率IoUAB,目标区域B和目标区域C之间的位置距离dBC和重叠率IoUBC,目标区域A和目标区域C之间的位置距离dAC和重叠率IoUAC,当获取的目标区域为其他目标区域时,可以以此类推,本实施例在此不再一一举例。
步骤S222:若任意两个目标区域之间的位置距离小于一预设距离阈值,且任意两个目标区域之间的重叠率大于一预设重叠率阈值,则将任意两个目标区域划分至同一区域集。
预设距离阈值和预设重叠率阈值可以根据具体应用场景设置,例如,预设距离阈值可以设置为:1个像素点、2个像素点、3个像素点等等,本实施例在此不做具体限制。预设重叠率阈值可以设置为:95%、97%、99%等等,本实施例在此不做具体限制。
将位置距离小于预设距离阈值且重叠率大于预设重叠率阈值的任意两个目标区域划分至同一区域集,例如,将目标区域A和目标区域C划分为同一区域集,将目标区域B划分至另一区域集,本实施例在此不再一一举例。
步骤S23:统计每一个区域集中的目标区域的第一数量。
将获取的目标区域分为至少一个区域集之后,即可统计每一个区域集中的目标区域的第一数量,具体地,可以统计区域集i中的目标区域的第一数量count_regi,例如,统计区域集1中的目标区域的第一数量count_reg1,统计区域集2中的目标区域的第一数量count_reg2等等,本实施例在此不再一一举例。
步骤S24:基于获取的目标类别,统计每一种目标类别的第二数量。
具体地,可以统计每一种目标类别j的第二数量count_clsj,例如,统计到目标类别1的第二数量count_cls1,统计到目标类别2的第二数量count_cls2等等,本实施例在此不再一一举例。
上述步骤S22~步骤S23,以及步骤S24可以按先后顺序执行,例如,先执行步骤S22~步骤S23,后执行步骤S24,或者,先执行步骤S24,后执行步骤S22~步骤S23,或者,还可以同时执行步骤S22~步骤S23,以及步骤S24,本实施例在此不做具体限制。
步骤S25:筛选第一数量符合第一预设条件的区域集,作为有效区域集,并筛选第二数量符合第二预设条件的目标类别,作为有效目标类别。
本实施例中,第一预设条件为第一数量大于第一比例阈值与多帧待检测图像的第三数量的乘积,具体地,第一预设条件为第一数量count_regi大于第一比例阈值ratioreg与多帧待检测图像的第三数量detect_frame的乘积,在一个具体的实施场景中,可以表示为:
count_regi>ratioreg*detect_frame
例如,筛选到区域集1、区域集2、区域集3、区域集4中,符合第一预设条件的区域集为区域集1和区域集3,并将其作为有效区域集。
本实施例中,第二预设条件为第二数量大于第二比例阈值与多帧待检测图像的第三数量的乘积,具体地,第二预设条件为第二数量count_clsj大于第二比例阈值ratiocls与多帧待检测图像的第三数量detect_frame的乘积,在一个具体的实施场景中,可以表示为:
count_clsj>ratiocls*detect_frame
例如,筛选到目标类别1、目标类别2、目标类别3、目标类别4中,符合第二预设条件的目标类别为目标类型1和目标类别4,并将其作为有效目标类别。
步骤S26:筛选有效区域集中目标类别为有效目标类别的目标区域,作为疑似存在摆摊行为的候选区域。
例如,对有效区域集1中所包含的目标区域A、目标区域C的目标类别进行判断,发现目标区域A的目标类别为目标类别1,即为有效目标类别,此时,可以将目标区域A作为疑似存在摆摊行为的候选区域,发现目标区域C的目标类别为目标类别2,即不是有效目标类别,此时,则可以认为目标区域C并不是疑似存在摆摊行为的候选区域;类似地,再对有效区域集2中所包含的目标区域B的目标类别进行判断,发现目标区域B的目标类别为目标类别4,即为有效目标类别,此时,可以将目标区域B作为疑似存在摆摊行为的候选区域。
步骤S27:基于至少一个候选区域,获取当前帧图像的检测区域。
例如,将获取到的候选区域,即目标区域A和目标区域B的最小外接矩形作为当前帧图像的检测区域。具体地,可以参阅上述实施例中的步骤,本实施例在此不再赘述。
步骤S28:对检测区域的图像数据进行检测,确定是否存在摆摊行为。
具体请参阅上述实施例中的步骤S15。
上述方案,基于获取的目标区域之间的位置关系,将获取的目标区域分为至少一个区域集,统计每一个区域集中的目标区域的第一数量,并基于获取的目标类别,统计每一种目标类别的第二数量,从而筛选第一数量符合第一预设条件的区域集,作为有效区域集,并筛选第二数量符合第二预设条件的目标类别,作为有效目标类别,筛选有效区域集中目标类别为有效目标类别的目标区域,作为疑似存在摆摊行为的候选区域,从而分类别和分区域统计持续时间内的检测累加结果,能够准确地判断摆摊行为发生的区域。
请参阅图4,图4是本申请摆摊行为检测装置40一实施例的框架示意图。摆摊行为检测装置40包括目标检测模块41、分布分析模块42、区域筛选模块43、区域确定模块44和摆摊检测模块45,目标检测模块41用于利用目标检测模型对多帧待检测图像进行检测,获取与待检测图像中的目标对象对应的目标区域和目标类别;分布分析模块42用于分析获取的目标区域,得到多帧待检测图像的区域分布情况,并分析获取的目标类别,得到多帧待检测图像的类别分布情况;区域筛选模块43用于基于区域分布情况和类别分布情况,从获取的目标区域中筛选出至少一个疑似存在摆摊行为的候选区域;区域确定模块44用于基于至少一个候选区域,获取当前帧图像的检测区域;摆摊检测模块45用于对检测区域的图像数据进行检测,确定是否存在摆摊行为。
上述方案,通过利用目标检测模型对多帧待检测图像进行检测,获取与待检测图像中的目标对象对应的目标区域和目标类别,并分析获取的目标区域,得到多帧待检测图像的区域分布情况,且分析获取的目标类别,得到多帧待检测图像的类别分布情况,从而基于区域分布情况和类别分布情况,从获取的目标区域中筛选出至少一个疑似存在摆摊行为的候选区域,从而能够初步实现对摆摊行为的检测,并基于至少一个候选区域,获取当前帧图像的检测区域,从而对检测区域的图像数据进行检测,确定是否存在摆摊行为,进而能够在初步检测结果的基础上进行进一步检测,提高摆摊行为检测的准确性,此外,由于对摆摊行为的检测是通过对拍摄到的多帧待检测图像的检测而实现的,因此,能够提高检测的效率。
在一些实施例中,分布分析模块42包括区域划分子模块,用于基于获取的目标区域之间的位置关系,将获取的目标区域分为至少一个区域集,分布分析模块42还包括第一数量统计子模块,用于统计每一个区域集中的目标区域的第一数量,分布分析模块42还包括第二数量统计子模块,用于基于获取的目标类别,统计每一种目标类别的第二数量,区域筛选模块43包括第一筛选子模块,用于筛选第一数量符合第一预设条件的区域集,作为有效区域集,并筛选第二数量符合第二预设条件的目标类别,作为有效目标类别,区域筛选模块43还包括第二筛选子模块,用于筛选有效区域集中目标类别为有效目标类别的目标区域,作为疑似存在摆摊行为的候选区域。在一个实施场景中,第一预设条件为第一数量大于第一比例阈值与多帧待检测图像的第三数量的乘积。在另一个实施场景中,第二预设条件为第二数量大于第二比例阈值与多帧待检测图像的第三数量的乘积。
区别于前述实施例,基于获取的目标区域之间的位置关系,将获取的目标区域分为至少一个区域集,统计每一个区域集中的目标区域的第一数量,并基于获取的目标类别,统计每一种目标类别的第二数量,从而筛选第一数量符合第一预设条件的区域集,作为有效区域集,并筛选第二数量符合第二预设条件的目标类别,作为有效目标类别,筛选有效区域集中目标类别为有效目标类别的目标区域,作为疑似存在摆摊行为的候选区域,从而分类别和分区域统计持续时间内的检测累加结果,能够准确地判断摆摊行为发生的区域。
在一些实施例中,区域划分子模块包括数值统计单元,用于统计获取的目标区域的中心点之间的位置距离,并统计获取的目标区域之间的重叠率,区域划分子模块还包括数值判断单元,用于若任意两个目标区域之间的位置距离小于一预设距离阈值,且任意两个目标区域之间的重叠率大于一预设重叠率阈值,则将任意两个目标区域划分至同一区域集。
在一些实施例中,区域确定模块44具体用于将至少一个候选区域的最小外接矩形框作为当前帧图像的检测区域。
在一些实施例中,摆摊检测模块45包括场景分类子模块,用于利用场景分类模型对检测区域的图像数据进行检测,获取场景分类结果,摆摊检测模块45还包括场景判断子模块,用于在场景分类结果为摆摊场景时,则确定存在摆摊行为。
在一些实施例中,摆摊行为检测装置40还包括配置信息获取模块,用于接收用户设置的检测配置信息,其中,检测配置信息包括配置区域和检测时长,目标检测模块41具体用于利用目标检测模型对检测时长内的多帧待检测图像进行检测,获取待检测图像中位于配置区域内的目标对象所对应的目标区域和目标类别。
区别于前述实施例,通过接收用户设置的检测配置信息,能够便于用户对配置区域进行摆摊监测。
在一些实施例中,摆摊行为检测装置40还包括报警提示模块,用于当存在摆摊行为时,输出报警提示信息。
区别于前述实施例,通过当检测出摆摊行为时,输出报警提示信息。
在一些实施例中,检测配置信息还包括报警间隔时长,摆摊行为检测装置40还包括帧图像获取模块,用于获取报警间隔时长内的多帧图像,摆摊行为检测装置40还包括目标对象检测模块,用于检测获取的多帧图像中是否存在当前帧图像的检测区域中的目标对象,报警提示模块还用于在检测获取的多帧图像中存在当前帧图像的检测区域中的目标对象时,输出报警提示信息。
区别于前述实施例,通过配置报警间隔时长,从而获取报警间隔时长内的多帧图像,并检测获取的多帧图像中是否存在当前帧图像的检测区域中的目标对象,能够实现对存在摆摊行为的目标对象的持续监测。
在一些实施例中,摆摊行为检测装置40还包括样本图像获取模块,用于获取多帧样本图像,其中,多帧样本图像标注有摊位类别标签和摊位附属类别标签,摆摊行为检测装置40还包括学习训练模块,用于利用深度学习网络模型和预设损失函数对多帧样本图像进行训练,获得目标检测模型。在一个实施场景中,预设损失函数为focal loss损失函数。在一个实施场景中,摊位类别标签包括:蔬菜摊、水果摊、纸箱摊、杂货摊、衣服摊、小吃摊。在一个实施场景中,摊位附属类别标签包括:摆摊遮阳伞、摆摊桌椅、摆摊柜台、冰柜。
区别于前述实施例,通过获取多帧样本图像,其中,多帧样本图像标注有摊位类别标签和摊位附属类别标签,并利用深度学习网络模型和预设损失函数对多帧样本图像进行训练,获得目标检测模型,能够增加异类目标的类间间距,减少同类目标类内间距,使得目标特征显著化,同时使得目标具有一致的类内特征和差异较大的类间特征,最终能够优化训练得到的目标检测模型,提高目标检测的准确性。
请参阅图5,图5是本申请摆摊行为检测装置50一实施例的框架示意图。摆摊行为检测装置50包括相互耦接的存储器51和处理器52,处理器52用于执行存储器51存储的程序指令,以实现上述任一摆摊行为检测方法实施例中的步骤。
具体地,处理器52用于控制存储器51及其自身以实现上述任一摆摊行为检测方法的实施例中的步骤。处理器52还可以称为CPU(Central Processing Unit,中央处理单元)。处理器52可能是一种集成电路芯片,具有信号的处理能力。处理器52还可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable GateArray,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。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。另外,处理器52可以由多个成电路芯片共同实现。
本实施例中,处理器52用于利用目标检测模型对多帧待检测图像进行检测,获取与待检测图像中的目标对象对应的目标区域和目标类别,处理器52还用于分析获取的目标区域,得到多帧待检测图像的区域分布情况,并分析获取的目标类别,得到多帧待检测图像的类别分布情况;处理器52还用于基于区域分布情况和类别分布情况,从获取的目标区域中筛选出至少一个疑似存在摆摊行为的候选区域;处理器52还用于基于至少一个候选区域,获取当前帧图像的检测区域;处理器52还用于对检测区域的图像数据进行检测,确定是否存在摆摊行为。
上述方案,通过利用目标检测模型对多帧待检测图像进行检测,获取与待检测图像中的目标对象对应的目标区域和目标类别,并分析获取的目标区域,得到多帧待检测图像的区域分布情况,且分析获取的目标类别,得到多帧待检测图像的类别分布情况,从而基于区域分布情况和类别分布情况,从获取的目标区域中筛选出至少一个疑似存在摆摊行为的候选区域,从而能够初步实现对摆摊行为的检测,并基于至少一个候选区域,获取当前帧图像的检测区域,从而对检测区域的图像数据进行检测,确定是否存在摆摊行为,进而能够在初步检测结果的基础上进行进一步检测,提高摆摊行为检测的准确性,此外,由于对摆摊行为的检测是通过对拍摄到的多帧待检测图像的检测而实现的,因此,能够提高检测的效率。
在一些实施例中,处理器52还用于基于获取的目标区域之间的位置关系,将获取的目标区域分为至少一个区域集,处理器52还用于统计每一个区域集中的目标区域的第一数量,处理器52还用于基于获取的目标类别,统计每一种目标类别的第二数量,处理器52还用于筛选第一数量符合第一预设条件的区域集,作为有效区域集,并筛选第二数量符合第二预设条件的目标类别,作为有效目标类别;处理器52还用于筛选有效区域集中目标类别为有效目标类别的目标区域,作为疑似存在摆摊行为的候选区域。在一个实施场景中,第一预设条件为第一数量大于第一比例阈值与多帧待检测图像的第三数量的乘积。在另一个实施场景中,第二预设条件为第二数量大于第二比例阈值与多帧待检测图像的第三数量的乘积。
区别于前述实施例,基于获取的目标区域之间的位置关系,将获取的目标区域分为至少一个区域集,统计每一个区域集中的目标区域的第一数量,并基于获取的目标类别,统计每一种目标类别的第二数量,从而筛选第一数量符合第一预设条件的区域集,作为有效区域集,并筛选第二数量符合第二预设条件的目标类别,作为有效目标类别,筛选有效区域集中目标类别为有效目标类别的目标区域,作为疑似存在摆摊行为的候选区域,从而分类别和分区域统计持续时间内的检测累加结果,能够准确地判断摆摊行为发生的区域。
在一些实施例中,处理器52还用于统计获取的目标区域的中心点之间的位置距离,并统计获取的目标区域之间的重叠率;处理器52还用于若任意两个目标区域之间的位置距离小于一预设距离阈值,且任意两个目标区域之间的重叠率大于一预设重叠率阈值,则将任意两个目标区域划分至同一区域集。
在一些实施例中,处理器52还用于将至少一个候选区域的最小外接矩形框作为当前帧图像的检测区域,处理器52还用于利用场景分类模型对检测区域的图像数据进行检测,获取场景分类结果,处理器52还用于当场景分类结果为摆摊场景,确定存在摆摊行为。
在一些实施例中,处理器52还用于接收用户设置的检测配置信息,其中,检测配置信息包括配置区域和检测时长,处理器52还用于利用目标检测模型对检测时长内的多帧待检测图像进行检测,获取待检测图像中位于配置区域内的目标对象所对应的目标区域和目标类别。
区别于前述实施例,通过接收用户设置的检测配置信息,能够便于用户对配置区域进行摆摊监测。
在一些实施例中,摆摊行为检测装置50还包括人机交互电路,处理器52还用于当存在摆摊行为时,控制人机交互电路输出报警提示信息。
区别于前述实施例,通过当检测出摆摊行为时,输出报警提示信息。
在一些实施例中,处理器52还用于获取报警间隔时长内的多帧图像,处理器52还用于检测获取的多帧图像中是否存在当前帧图像的检测区域中的目标对象,处理器52还用于当检测获取的多帧图像中存在当前帧图像的检测区域中的目标对象时,控制人机交互电路输出报警提示信息。
区别于前述实施例,通过配置报警间隔时长,从而获取报警间隔时长内的多帧图像,并检测获取的多帧图像中是否存在当前帧图像的检测区域中的目标对象,能够实现对存在摆摊行为的目标对象的持续监测。
在一些实施例中,处理器52还用于获取多帧样本图像,其中,多帧样本图像标注有摊位类别标签和摊位附属类别标签;处理器52还用于利用深度学习网络模型和预设损失函数对多帧样本图像进行训练,获得目标检测模型。在一个实施场景中,预设损失函数为focal loss损失函数。在一个实施场景中,摊位类别标签包括:蔬菜摊、水果摊、纸箱摊、杂货摊、衣服摊、小吃摊。在一个实施场景中,摊位附属类别标签包括:摆摊遮阳伞、摆摊桌椅、摆摊柜台、冰柜。
区别于前述实施例,通过获取多帧样本图像,其中,多帧样本图像标注有摊位类别标签和摊位附属类别标签,并利用深度学习网络模型和预设损失函数对多帧样本图像进行训练,获得目标检测模型,能够增加异类目标的类间间距,减少同类目标类内间距,使得目标特征显著化,同时使得目标具有一致的类内特征和差异较大的类间特征,最终能够优化训练得到的目标检测模型,提高目标检测的准确性。
请参阅图6,图6为本申请存储装置60一实施例的框架示意图。存储装置60存储有能够被处理器运行的程序指令61,程序指令61用于实现上述任一摆摊行为检测方法实施例中的步骤。
该存储装置60具体可以为U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等可以存储程序指令61的介质,或者也可以为存储有该程序指令61的服务器,该服务器可将存储的程序指令61发送给其他设备运行,或者也可以自运行该存储的程序指令61。
上述方案,通过利用目标检测模型对多帧待检测图像进行检测,获取与待检测图像中的目标对象对应的目标区域和目标类别,并分析获取的目标区域,得到多帧待检测图像的区域分布情况,且分析获取的目标类别,得到多帧待检测图像的类别分布情况,从而基于区域分布情况和类别分布情况,从获取的目标区域中筛选出至少一个疑似存在摆摊行为的候选区域,从而能够初步实现对摆摊行为的检测,并基于至少一个候选区域,获取当前帧图像的检测区域,从而对检测区域的图像数据进行检测,确定是否存在摆摊行为,进而能够在初步检测结果的基础上进行进一步检测,提高摆摊行为检测的准确性,此外,由于对摆摊行为的检测是通过对拍摄到的多帧待检测图像的检测而实现的,因此,能够提高检测的效率。
在本申请所提供的几个实施例中,应该理解到,所揭露的方法和装置,可以通过其它的方式实现。例如,以上所描述的装置实施方式仅仅是示意性的,例如,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。
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方式方案的目的。
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,也可以采用软件功能单元的形式实现。
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,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品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方式方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (12)
1.一种摆摊行为检测方法,其特征在于,包括:
利用目标检测模型对多帧待检测图像进行检测,获取与所述待检测图像中的目标对象对应的目标区域和目标类别;
分析获取的目标区域,得到所述多帧待检测图像的区域分布情况,并分析获取的目标类别,得到所述多帧待检测图像的类别分布情况;
基于所述区域分布情况和所述类别分布情况,从获取的目标区域中筛选出至少一个疑似存在摆摊行为的候选区域;
基于至少一个所述候选区域,获取当前帧图像的检测区域;
对所述检测区域的图像数据进行检测,确定是否存在摆摊行为。
2.根据权利要求1所述的摆摊行为检测方法,其特征在于,所述分析获取的目标区域,得到所述多帧待检测图像的区域分布情况包括:
基于获取的目标区域之间的位置关系,将获取的目标区域分为至少一个区域集;
统计每一个所述区域集中的目标区域的第一数量;
所述分析获取的目标类别,得到所述多帧待检测图像的类别分布情况包括:
基于获取的目标类别,统计每一种所述目标类别的第二数量;
所述基于所述区域分布情况和所述类别分布情况,从获取的目标区域中筛选出至少一个疑似存在摆摊行为的候选区域包括:
筛选所述第一数量符合第一预设条件的区域集,作为有效区域集,并筛选所述第二数量符合第二预设条件的目标类别,作为有效目标类别;
筛选所述有效区域集中所述目标类别为所述有效目标类别的目标区域,作为疑似存在摆摊行为的候选区域。
3.根据权利要求2所述的摆摊行为检测方法,其特征在于,所述基于获取的目标区域之间的位置关系,将获取的目标区域分为至少一个区域集包括:
统计获取的目标区域的中心点之间的位置距离,并统计获取的目标区域之间的重叠率;
若任意两个目标区域之间的位置距离小于一预设距离阈值,且所述任意两个目标区域之间的重叠率大于一预设重叠率阈值,则将所述任意两个目标区域划分至同一所述区域集。
4.根据权利要求2所述的摆摊行为检测方法,其特征在于,所述第一预设条件为所述第一数量大于第一比例阈值与所述多帧待检测图像的第三数量的乘积;和/或,所述第二预设条件为所述第二数量大于第二比例阈值与所述多帧待检测图像的第三数量的乘积。
5.根据权利要求1所述的摆摊行为检测方法,其特征在于,所述基于至少一个所述候选区域,获取当前帧图像的检测区域包括:
将至少一个所述候选区域的最小外接矩形框作为所述当前帧图像的检测区域;
所述对所述检测区域的图像数据进行检测,确定是否存在摆摊行为包括:
利用场景分类模型对所述检测区域的图像数据进行检测,获取场景分类结果;
若所述场景分类结果为摆摊场景,则确定存在摆摊行为。
6.根据权利要求1所述的摆摊行为检测方法,其特征在于,所述利用目标检测模型对多帧待检测图像进行检测,获取与所述待检测图像中的目标对象对应的目标区域和目标类别之前,所述方法还包括:
接收用户设置的检测配置信息,其中,所述检测配置信息包括配置区域和检测时长;
所述利用目标检测模型对多帧待检测图像进行检测,获取与所述待检测图像中的目标对象对应的目标区域和目标类别包括:
利用目标检测模型对所述检测时长内的多帧待检测图像进行检测,获取所述待检测图像中位于所述配置区域内的目标对象所对应的目标区域和目标类别。
7.根据权利要求6所述的摆摊行为检测方法,其特征在于,所述方法还包括:
若存在摆摊行为,则输出报警提示信息;
和/或,所述检测配置信息还包括报警间隔时长,所述方法还包括:
获取所述报警间隔时长内的多帧图像;
检测获取的多帧图像中是否存在所述当前帧图像的检测区域中的目标对象;
若存在,则输出报警提示信息。
8.根据权利要求1所述的摆摊检测方法,其特征在于,所述利用目标检测模型对多帧待检测图像进行检测,获取与所述待检测图像中的目标对象对应的目标区域和目标类别之前,所述方法还包括:
获取多帧样本图像,其中,所述多帧样本图像标注有摊位类别标签和摊位附属类别标签;
利用深度学习网络模型和预设损失函数对所述多帧样本图像进行训练,获得所述目标检测模型。
9.根据权利要求8所述的摆摊行为检测方法,其特征在于,所述预设损失函数为focalloss损失函数;和/或,
所述摊位类别标签包括:蔬菜摊、水果摊、纸箱摊、杂货摊、衣服摊、小吃摊;和/或,
所述摊位附属类别标签包括:摆摊遮阳伞、摆摊桌椅、摆摊柜台、冰柜。
10.一种摆摊行为检测装置,其特征在于,包括:
目标检测模块,用于利用目标检测模型对多帧待检测图像进行检测,获取与所述待检测图像中的目标对象对应的目标区域和目标类别;
分布分析模块,用于分析获取的目标区域,得到所述多帧待检测图像的区域分布情况,并分析获取的目标类别,得到所述多帧待检测图像的类别分布情况;
区域筛选模块,用于基于所述区域分布情况和所述类别分布情况,从获取的目标区域中筛选出至少一个疑似存在摆摊行为的候选区域;
区域确定模块,用于基于至少一个所述候选区域,获取当前帧图像的检测区域;
摆摊检测模块,用于对所述检测区域的图像数据进行检测,确定是否存在摆摊行为。
11.一种摆摊行为检测装置,其特征在于,包括相互耦接的存储器和处理器;
所述处理器用于执行所述存储器存储的程序指令,以实现权利要求1至9任一项所述的摆摊行为检测方法。
12.一种存储装置,其特征在于,存储有能够被处理器运行的程序指令,所述程序指令用于实现权利要求1至9任一项所述的摆摊行为检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911330913.9A CN111126252B (zh) | 2019-12-20 | 2019-12-20 | 摆摊行为检测方法以及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911330913.9A CN111126252B (zh) | 2019-12-20 | 2019-12-20 | 摆摊行为检测方法以及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111126252A true CN111126252A (zh) | 2020-05-08 |
CN111126252B CN111126252B (zh) | 2023-08-18 |
Family
ID=70501348
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911330913.9A Active CN111126252B (zh) | 2019-12-20 | 2019-12-20 | 摆摊行为检测方法以及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111126252B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111709340A (zh) * | 2020-06-09 | 2020-09-25 | 杭州云视通互联网科技有限公司 | 伞具使用行为的检测方法与系统 |
CN111914657A (zh) * | 2020-07-06 | 2020-11-10 | 浙江大华技术股份有限公司 | 一种宠物行为检测方法、装置、电子设备及存储介质 |
CN112153107A (zh) * | 2020-08-12 | 2020-12-29 | 上海新爱季信息技术有限公司 | 地摊管理方法 |
CN112487966A (zh) * | 2020-11-30 | 2021-03-12 | 中再云图技术有限公司 | 一种流动商贩行为识别管理系统 |
CN112507813A (zh) * | 2020-11-23 | 2021-03-16 | 北京旷视科技有限公司 | 事件检测方法、装置、电子设备及存储介质 |
CN112766055A (zh) * | 2020-12-30 | 2021-05-07 | 浙江大华技术股份有限公司 | 摊位管理方法、装置、系统、存储介质及电子装置 |
CN112785573A (zh) * | 2021-01-22 | 2021-05-11 | 上海商汤智能科技有限公司 | 图像处理方法及相关装置、设备 |
CN113095301A (zh) * | 2021-05-21 | 2021-07-09 | 南京甄视智能科技有限公司 | 占道经营监测方法、系统与服务器 |
CN113163334A (zh) * | 2021-02-19 | 2021-07-23 | 合肥海赛信息科技有限公司 | 一种基于视频分析的流动摊贩智能检测方法 |
CN113554008A (zh) * | 2021-09-18 | 2021-10-26 | 深圳市安软慧视科技有限公司 | 静态物体区域内检测方法、装置、电子设备及存储介质 |
CN113723226A (zh) * | 2021-08-13 | 2021-11-30 | 浙江大华技术股份有限公司 | 一种流动摊位检测方法、装置、电子设备及存储介质 |
WO2022048578A1 (zh) * | 2020-09-04 | 2022-03-10 | 北京灵汐科技有限公司 | 图像内容检测方法、装置、电子设备和可读存储介质 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110103694A1 (en) * | 2009-10-30 | 2011-05-05 | Canon Kabushiki Kaisha | Object identification apparatus and object identification method |
CN105868708A (zh) * | 2016-03-28 | 2016-08-17 | 锐捷网络股份有限公司 | 一种图像目标识别方法及装置 |
CN106210615A (zh) * | 2015-04-30 | 2016-12-07 | 北京文安智能技术股份有限公司 | 一种城市管理自动监测方法、装置及系统 |
US20170024619A1 (en) * | 2015-07-22 | 2017-01-26 | Xerox Corporation | Video-based system and method for parking occupancy detection |
CN106845325A (zh) * | 2015-12-04 | 2017-06-13 | 杭州海康威视数字技术股份有限公司 | 一种信息检测方法及装置 |
CN108304798A (zh) * | 2018-01-30 | 2018-07-20 | 北京同方软件股份有限公司 | 基于深度学习及运动一致性的街面秩序事件视频检测方法 |
WO2019000653A1 (zh) * | 2017-06-30 | 2019-01-03 | 清华大学深圳研究生院 | 一种图像目标识别方法及装置 |
CN109359563A (zh) * | 2018-09-29 | 2019-02-19 | 江南大学 | 一种基于数字图像处理的占道现象实时检测方法 |
CN109614948A (zh) * | 2018-12-19 | 2019-04-12 | 北京锐安科技有限公司 | 异常行为的检测方法、装置、设备和存储介质 |
US20190197673A1 (en) * | 2017-12-26 | 2019-06-27 | Samsung Electronics Co., Ltd. | Image acquisition device and method of controlling the same |
US20190279045A1 (en) * | 2016-12-16 | 2019-09-12 | Beijing Sensetime Technology Development Co., Ltd | Methods and apparatuses for identifying object category, and electronic devices |
CN110245696A (zh) * | 2019-05-30 | 2019-09-17 | 武汉智云集思技术有限公司 | 基于视频的违法事件监控方法、设备及可读存储介质 |
CN110276254A (zh) * | 2019-05-17 | 2019-09-24 | 恒锋信息科技股份有限公司 | 基于无人机的禁止摆摊区域摊贩自动识别预警方法 |
CN110443280A (zh) * | 2019-07-05 | 2019-11-12 | 北京达佳互联信息技术有限公司 | 图像检测模型的训练方法、装置及存储介质 |
CN110458082A (zh) * | 2019-08-05 | 2019-11-15 | 城云科技(中国)有限公司 | 一种城市管理案件分类识别方法 |
-
2019
- 2019-12-20 CN CN201911330913.9A patent/CN111126252B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110103694A1 (en) * | 2009-10-30 | 2011-05-05 | Canon Kabushiki Kaisha | Object identification apparatus and object identification method |
CN106210615A (zh) * | 2015-04-30 | 2016-12-07 | 北京文安智能技术股份有限公司 | 一种城市管理自动监测方法、装置及系统 |
US20170024619A1 (en) * | 2015-07-22 | 2017-01-26 | Xerox Corporation | Video-based system and method for parking occupancy detection |
CN106845325A (zh) * | 2015-12-04 | 2017-06-13 | 杭州海康威视数字技术股份有限公司 | 一种信息检测方法及装置 |
CN105868708A (zh) * | 2016-03-28 | 2016-08-17 | 锐捷网络股份有限公司 | 一种图像目标识别方法及装置 |
US20190279045A1 (en) * | 2016-12-16 | 2019-09-12 | Beijing Sensetime Technology Development Co., Ltd | Methods and apparatuses for identifying object category, and electronic devices |
WO2019000653A1 (zh) * | 2017-06-30 | 2019-01-03 | 清华大学深圳研究生院 | 一种图像目标识别方法及装置 |
US20190197673A1 (en) * | 2017-12-26 | 2019-06-27 | Samsung Electronics Co., Ltd. | Image acquisition device and method of controlling the same |
CN108304798A (zh) * | 2018-01-30 | 2018-07-20 | 北京同方软件股份有限公司 | 基于深度学习及运动一致性的街面秩序事件视频检测方法 |
CN109359563A (zh) * | 2018-09-29 | 2019-02-19 | 江南大学 | 一种基于数字图像处理的占道现象实时检测方法 |
CN109614948A (zh) * | 2018-12-19 | 2019-04-12 | 北京锐安科技有限公司 | 异常行为的检测方法、装置、设备和存储介质 |
CN110276254A (zh) * | 2019-05-17 | 2019-09-24 | 恒锋信息科技股份有限公司 | 基于无人机的禁止摆摊区域摊贩自动识别预警方法 |
CN110245696A (zh) * | 2019-05-30 | 2019-09-17 | 武汉智云集思技术有限公司 | 基于视频的违法事件监控方法、设备及可读存储介质 |
CN110443280A (zh) * | 2019-07-05 | 2019-11-12 | 北京达佳互联信息技术有限公司 | 图像检测模型的训练方法、装置及存储介质 |
CN110458082A (zh) * | 2019-08-05 | 2019-11-15 | 城云科技(中国)有限公司 | 一种城市管理案件分类识别方法 |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111709340B (zh) * | 2020-06-09 | 2023-05-30 | 杭州云视通互联网科技有限公司 | 伞具使用行为的检测方法与系统 |
CN111709340A (zh) * | 2020-06-09 | 2020-09-25 | 杭州云视通互联网科技有限公司 | 伞具使用行为的检测方法与系统 |
CN111914657A (zh) * | 2020-07-06 | 2020-11-10 | 浙江大华技术股份有限公司 | 一种宠物行为检测方法、装置、电子设备及存储介质 |
CN111914657B (zh) * | 2020-07-06 | 2023-04-07 | 浙江大华技术股份有限公司 | 一种宠物行为检测方法、装置、电子设备及存储介质 |
CN112153107A (zh) * | 2020-08-12 | 2020-12-29 | 上海新爱季信息技术有限公司 | 地摊管理方法 |
WO2022048578A1 (zh) * | 2020-09-04 | 2022-03-10 | 北京灵汐科技有限公司 | 图像内容检测方法、装置、电子设备和可读存储介质 |
CN112507813A (zh) * | 2020-11-23 | 2021-03-16 | 北京旷视科技有限公司 | 事件检测方法、装置、电子设备及存储介质 |
WO2022105243A1 (zh) * | 2020-11-23 | 2022-05-27 | 北京旷视科技有限公司 | 事件检测方法、装置、电子设备及存储介质 |
CN112487966A (zh) * | 2020-11-30 | 2021-03-12 | 中再云图技术有限公司 | 一种流动商贩行为识别管理系统 |
CN112766055A (zh) * | 2020-12-30 | 2021-05-07 | 浙江大华技术股份有限公司 | 摊位管理方法、装置、系统、存储介质及电子装置 |
CN112766055B (zh) * | 2020-12-30 | 2024-04-16 | 浙江大华技术股份有限公司 | 摊位管理方法、装置、系统、存储介质及电子装置 |
CN112785573A (zh) * | 2021-01-22 | 2021-05-11 | 上海商汤智能科技有限公司 | 图像处理方法及相关装置、设备 |
CN113163334A (zh) * | 2021-02-19 | 2021-07-23 | 合肥海赛信息科技有限公司 | 一种基于视频分析的流动摊贩智能检测方法 |
CN113095301A (zh) * | 2021-05-21 | 2021-07-09 | 南京甄视智能科技有限公司 | 占道经营监测方法、系统与服务器 |
CN113723226A (zh) * | 2021-08-13 | 2021-11-30 | 浙江大华技术股份有限公司 | 一种流动摊位检测方法、装置、电子设备及存储介质 |
CN113554008A (zh) * | 2021-09-18 | 2021-10-26 | 深圳市安软慧视科技有限公司 | 静态物体区域内检测方法、装置、电子设备及存储介质 |
CN113554008B (zh) * | 2021-09-18 | 2021-12-31 | 深圳市安软慧视科技有限公司 | 静态物体区域内检测方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111126252B (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111126252A (zh) | 摆摊行为检测方法以及相关装置 | |
US11455805B2 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
US9547866B2 (en) | Methods and apparatus to estimate demography based on aerial images | |
WO2020248386A1 (zh) | 视频分析方法、装置、计算机设备及存储介质 | |
Venetianer et al. | Performance evaluation of an intelligent video surveillance system–A case study | |
US20180189532A1 (en) | Object Detection for Video Camera Self-Calibration | |
US20130226667A1 (en) | Methods and apparatus to analyze markets based on aerial images | |
CN102902960B (zh) | 基于高斯建模与目标轮廓的遗留物检测方法 | |
CN112149503A (zh) | 目标事件检测方法、装置和电子设备和可读介质 | |
WO2022227480A1 (zh) | 行为识别方法、装置、设备、存储介质、计算机程序及程序产品 | |
CN113221804B (zh) | 一种基于监控视频的乱堆物料检测方法、装置及应用 | |
Agrawal et al. | Multi-angle parking detection system using mask r-cnn | |
CN110895543B (zh) | 人口迁徙跟踪展示方法、装置及存储介质 | |
Feris et al. | Case study: IBM smart surveillance system | |
Ge et al. | Enhanced spatial–temporal map-based video analytic platform and its local-versus cloud-based deployment with regional 511 camera network | |
KR101794115B1 (ko) | Cctv 영상분석 및 빅데이터를 활용한 상권정보 제공시스템 | |
CN112158692B (zh) | 获取电梯内目标对象流量的方法及装置 | |
CN115223003A (zh) | 基于YOLOv5的入侵检测模型的训练方法和装置 | |
CN111027560B (zh) | 文本检测方法以及相关装置 | |
CN113505643A (zh) | 违章目标物检测方法及相关装置 | |
CN112668364A (zh) | 一种基于视频的行为预测方法及装置 | |
CN110555721A (zh) | 一种商场类型分类方法、装置及电子设备 | |
KR102303044B1 (ko) | 부동산가치평가장치 및 그 장치의 구동방법 | |
Chavan et al. | Billboard Detection in the Wild | |
Ge | A spatial-temporal-map-based traffic video analytic model for large-scale cloud-based deployment |
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 |