CN111160067A - 危险识别方法、装置、电子设备及计算机可读存储介质 - Google Patents
危险识别方法、装置、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111160067A CN111160067A CN201811320595.3A CN201811320595A CN111160067A CN 111160067 A CN111160067 A CN 111160067A CN 201811320595 A CN201811320595 A CN 201811320595A CN 111160067 A CN111160067 A CN 111160067A
- Authority
- CN
- China
- Prior art keywords
- danger
- infrared image
- probability
- image
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 231100001267 hazard identification Toxicity 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 abstract description 19
- 230000006870 function Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012351 Integrated analysis Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/143—Sensing or illuminating at different wavelengths
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供一种危险识别方法、装置、电子设备及计算机可读存储介质，应用于图像识别技术领域，其中该方法包括：获取第一图像采集设备采集的第一红外图像，并对第一红外图像进行识别，确定第一红外图像指示的第一危险概率，当第一危险概率处于预设的概率阈值范围之内时，获取至少一个第二图像采集设备采集到的至少一个第二红外图像，并对至少一个第二红外图像进行识别，确定第二红外图像指示的第二危险概率，然后基于第一危险概率与第二危险概率得到危险识别结果，从而解决了在可见光不好的情况下监控图像的采集与危险自动识别问题，同时，通过两个联动的图像监控体系综合进行危险识别，降低了危险识别的误报率，提升了危险识别的准确性。
Description
技术领域
本申请涉及图像识别技术领域，具体而言，本申请涉及一种危险识别方法、装置、电子设备及计算机可读存储介质。
背景技术
随着人们对于安全防护的需求越来越重视，由于智能视频监控系统能够利用计算机视觉技术对监控设备采集的视频信号进行处理与分析，从而得到目标对象的危险识别结果，通过智能视频监控系统进行安全防护成为了人们进行安全防护的一种重要方式。
目前，现有的智能视频监控系统的危险识别方法应用于可见光较好(白天或辅助灯光光线较好的夜晚等)的场景下，即通过智能视频监控系统的传统摄像头采集具有较好可见光监控区域的视频，并对提取的某一时刻的图像帧进行处理分析，得到图像中目标对象的危险识别结果。
然而，现有的智能视频监控系统的危险识别方法仅能在可见光情况较好的情况下进行目标对象的图像的采集与危险识别，对于可见光条件不好(如夜晚且辅助光源不好的场景)的情况，并不能有效获取目标对象的图像信息并进行危险识别，此外，现有的智能视频监控系统的危险识别方法仅对提取的某一时刻的图像帧进行处理分析得到目标对象的危险结果，导致目标对象危险识别的误报率较高。因此，现有的智能视频监控系统的危险识别方法存在在无可见光或可见光条件较差的情况下不能有效采集目标对象的图像并进行危险识别的问题，以及存在目标对象的危险识别误报率较高的问题。
发明内容
本申请提供了一种危险识别方法、装置、电子设备及计算机可读存储介质，用于在无可见光或可见光条件较差的情况下也能有效获取并识别目标对象的图像信息，以及降低目标对象危险识别的误报率，本申请采用的技术方案如下：
第一方面，提供了一种基于红外图像的危险识别方法，该方法包括，
获取第一图像采集设备采集的第一红外图像；
对第一红外图像进行识别，确定第一红外图像指示的第一危险概率；
当第一危险概率处于预设的概率阈值范围之内时，获取至少一个第二图像采集设备采集到的至少一个第二红外图像；
对至少一个第二红外图像进行识别，确定第二红外图像指示的第二危险概率；
基于第一危险概率与第二危险概率得到危险识别结果。
进一步地，对红外图像进行识别，确定红外图像指示的危险概率，包括：
通过预训练的神经网络识别模型，对红外图像进行识别，确定红外图像的图像特征信息；
根据图像特征信息，确定红外图像指示的危险概率。
进一步地，根据图像特征信息，确定红外图像指示的危险概率，包括：
将图像特征信息与预设的危险图像特征进行相似度计算，确定红外图像指示的危险概率。
进一步地，该方法还包括：
如果第一危险概率大于预设的概率阈值范围的最大值时，确定危险识别结果为存在危险。
进一步地，基于第一危险概率与第二危险概率得到危险识别结果，包括：
基于第一危险概率与第二危险概率，计算确定第三危险概率；
若第三危险概率大于第一危险概率阈值，确定危险识别结果为存在危险。
进一步地，该方法还包括：
将提取到的第一红外图像的图像特征信息及至少一个第二红外图像的图像特征信息进行相似度计算；
若计算得到的相似度大于预定相似度阈值时，确定第一红外图像与至少一个第二红外图像包括相同的目标对象。
进一步地，该方法还包括以下至少一项：
危险识别结果为存在危险，将危险识别结果信息上传至物联网云端服务器，用于请求物联网云端服务器根据危险识别结果信息控制相应的报警设备进行报警操作；
危险识别结果为存在危险，控制相应的报警设备进行报警。
第二方面，提供了一种基于红外图像的危险识别装置，该装置包括，
第一获取模块，用于获取第一图像采集设备采集的第一红外图像；
第一确定模块，用于对第一获取模块获取的第一红外图像进行识别，确定第一红外图像指示的第一危险概率；
第二获取模块，当第一确定模块确定的第一危险概率处于预设的概率阈值范围之内时，获取至少一个第二图像采集设备采集到的至少一个第二红外图像；
第二确定模块，用于对至少一个第二红外图像进行识别，确定第二获取模块获取的第二红外图像指示的第二危险概率；
识别结果获取模块，基于第一确定模块确定的第一危险概率与第二确定模块确定的第二危险概率确定得到的危险识别结果。
进一步地，第一确定模块包括第一确定单元与第二确定单元；
第一确定单元，用于通过预训练的神经网络识别模型，对第一红外图像进行识别，确定第一红外图像的图像特征信息；
第二确定单元，用于根据第一确定单元确定的第一红外图像的图像特征信息，确定第一红外图像指示的危险概率；
第二确定模块包括第三确定单元与第四确定单元；
第三确定单元，用于通过预训练的神经网络识别模型，对第二红外图像进行识别，确定第二红外图像的图像特征信息；
第四确定单元，用于根据第三确定单元确定的第二红外图像的图像特征信息，确定第二红外图像指示的危险概率。
进一步地，第二确定单元，用于将第一红外图像的图像特征信息与预设的危险图像特征进行相似度计算，确定第一红外图像指示的危险概率；
第四确定单元，用于将第二红外图像的图像特征信息与预设的危险图像特征进行相似度计算，确定第二红外图像指示的危险概率。
进一步地，该装置还包括：第三确定模块；
第三确定模块，用于如果第一识危险概率大于预设的概率阈值范围的最大值时，确定危险识别结果为存在危险。
进一步地，识别结果获取模块包括：计算单元与第五确定单元；
计算单元，用于基于第一危险概率与第二危险概率，计算确定第三危险概率；
第五确定单元，用于若计算单元计算确定的第三危险概率大于第一危险概率阈值，确定危险识别结果为存在危险。
进一步地，第一确定模块还用于将提取到的第一红外图像的图像特征信息及至少一个第二红外图像的图像特征信息进行相似度计算，以及用于若计算得到的相似度大于预定相似度阈值时，确定第一红外图像与至少一个第二红外图像包括相同的目标对象；
或，第二确定模块还用于将提取到的第一红外图像的图像特征信息及至少一个第二红外图像的图像特征信息进行相似度计算，以及用于若计算得到的相似度大于预定相似度阈值时，确定第一红外图像与至少一个第二红外图像包括相同的目标对象。
进一步地，该装置还包括上传模块或控制模块；
上传模块，用于危险识别结果为存在危险，将危险识别结果信息上传至物联网云端服务器，用于请求物联网云端服务器根据危险识别结果信息控制相应的报警设备进行报警操作；
控制模块，用于危险识别结果为存在危险，控制相应的报警设备进行报警。
第三方面，提供了一种电子设备，该电子设备包括：
一个或多个处理器；
存储器；
一个或多个应用程序，其中一个或多个应用程序被存储在存储器中并被配置为由一个或多个处理器执行，一个或多个程序配置用于：执行第一方面所示的基于红外图像的危险识别方法。
第四方面，提供了一种计算机可读存储介质，计算机存储介质用于存储计算机指令，当其在计算机上运行时，使得计算机可以执行第一方面所示的基于红外图像的危险识别方法。
本申请实施例提供了一种危险识别方法、装置、电子设备及计算机可读存储介质，与现有技术仅能在可见光较好的场景下进行目标对象的图像采集与危险识别相比，本申请通过获取第一图像采集设备采集的第一红外图像，并对第一红外图像进行识别，确定第一红外图像指示的第一危险概率，当第一危险概率处于预设的概率阈值范围之内时，获取至少一个第二图像采集设备采集到的至少一个第二红外图像，并对至少一个第二红外图像进行识别，确定第二红外图像指示的第二危险概率，然后基于第一危险概率与第二危险概率得到危险识别结果，即通过采集目标对象的红外图像并进行危险自动识别，从而解决了在可见光不好的情况下对监控图像的采集与危险自动识别问题，此外，通过确定第一红外图像的第一危险概率与第二红外图像的第二危险概率，继而根据第一危险概率与第二危险概率进行综合判断得到目标对象的危险识别结果，即通过两个联动的图像监控体系综合进行危险识别，从而降低了危险识别的误报率，提升了危险识别的准确性。
本申请附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本申请实施例的一种基于红外图像的危险识别方法的流程示意图；
图2为本申请实施例的一种基于红外图像的危险识别装置的结构示意图；
图3为本申请实施例的另一种基于红外图像的危险识别装置的结构示意图；
图4为本申请实施例的一种电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例，各实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本申请的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。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，对本申请的实施例进行描述。
本申请实施例提供了一种基于红外图像的危险识别方法，如图1所示，该方法包括，
步骤S101，获取第一图像采集设备采集的第一红外图像；
对于本申请实施例，通过对第一图像采集设备采集的红外视频进行图像帧提取，获取第一图像采集设备采集的第一红外图像，其中，图像采集设备可以是红外线摄像头，其工作原理是红外灯发出红外线照射物体，红外线漫反射，被监控摄像头接收，形成视频图像，因其对目标对象图像的采集不需要可见光条件，利用红外线摄像头可以日夜24小时对监控区域进行监控，其中可以按照具体应用需求选择普通红外摄像头与点阵红外摄像头。
步骤S102，对第一红外图像进行识别，确定第一红外图像指示的第一危险概率；
对于本申请实施例，通过相应的图像识别技术对获取的第一红外图像进行图像识别，从而得到第一红外图像指示的第一危险概率。
步骤S103，当第一危险概率处于预设的概率阈值范围之内时，获取至少一个第二图像采集设备采集到的至少一个第二红外图像；
对于本申请实施例，预先设置一定的危险概率阈值范围，用于根据识别得到的第一危险概率，判定是否需要对识别的目标对象的危险进行进一步判断识别，当第一危险概率处于预设的概率阈值范围之内时，获取至少一个第二图像采集设备采集到的至少一个第二红外图像。其中，在安防区域可设置多个图像采集设备，如果其中任意一个图像采集设备作为第一图像采集设备，对应的其余的图像采集设备作为相应的第二图像采集设备；也可以设置两组图像采集设备，第一组包括一个图像采集设备，作为第一图像采集设备，第二组包括至少一个图像采集设备，作为第二图像采集设备。
步骤S104，对至少一个第二红外图像进行识别，确定第二红外图像指示的第二危险概率；
对于本申请实施例，通过相应的图像识别技术对得到的至少一个第二红外图像进行图像识别，确定第二红外图像指示的第二危险概率。
步骤S105，基于第一危险概率与第二危险概率得到危险识别结果。
对于本申请实施例，对识别得到的第一危险概率与第二危险概率进行综合分析判断，得到危险识别结果。
本申请实施例提供了一种基于红外图像的危险识别方法，与现有技术仅能在可见光较好的场景下进行目标对象的图像采集与危险识别相比，本申请实施例通过获取第一图像采集设备采集的第一红外图像，并对第一红外图像进行识别，确定第一红外图像指示的第一危险概率，当第一危险概率处于预设的概率阈值范围之内时，获取至少一个第二图像采集设备采集到的至少一个第二红外图像，并对至少一个第二红外图像进行识别，确定第二红外图像指示的第二危险概率，然后基于第一危险概率与第二危险概率得到危险识别结果，即通过采集目标对象的红外图像并进行危险自动识别，从而解决了在可见光不好的情况下对监控图像的采集与危险自动识别问题，此外，通过确定第一红外图像的第一危险概率与第二红外图像的第二危险概率，继而根据第一危险概率与第二危险概率进行综合判断得到目标对象的危险识别结果，即通过两个联动的图像监控体系综合进行危险识别，从而降低了危险识别的误报率，提升了危险识别的准确性。
本申请实施例提供了一种可能的实现方式，具体地，步骤102、步骤104中的对红外图像进行识别，确定红外图像指示的危险概率，包括，
步骤A(图中未示出)，通过预训练的神经网络识别模型，对红外图像进行识别，确定红外图像的图像特征信息；
对于本申请实施例，预先基于多个红外图像及对应的标注的危险与安全分类信息样本训练神经网络识别模型，其中该神经网络识别模型可以是基于CNN、RCNN、Faster-RCNN架构的神经网络识别模型，此处不做限定。
对于本申请实施例，通过预训练的神经网络识别模型对红外图像进行识别，得到红外图像的图像特征信息，其中也可以是通过预训练的神经网络模型的卷积层对红外图像进行卷积操作得到图像特征信息，其中，在对红外图像进行识别之前，可以对红外图像进行预处理，如可以通过相应的校正算法(如基于定标的非均匀性校正、基于场景的非均匀性校正)对红外图像进行校正，如可以通过邻域平均、中值等滤波方法对红外图像进行滤波降噪，如可以通过微分、Butterworth高通滤波、形态学高低帽等方法对红外图像的目标与背景的对比度进行增强。
步骤B(图中未示出)，根据图像特征信息，确定红外图像指示的危险概率。
对于本申请实施例，根据得到的图像特征信息，通过相应的识别方法得到红外图像指示的危险概率。
对于本申请实施例，通过预训练的神经网络识别模型对红外图像进行识别，得到图像特征信息，然后根据得到的图像特征信息确定红外图像指示的危险概率，从而解决了如何根据获取的红外图像得到相应的危险概率的问题。
本申请实施例提供了一种可能的实现方式，具体地，步骤B包括，
步骤B1，将图像特征信息与预设的危险图像特征进行相似度计算，确定红外图像指示的危险概率。
对于本申请实施例，预先分别提取并存储多个危险图像的图像特征信息，分别计算红外图像的图像特征信息与存储的图像特征信息两者之间的相似度，其中可通过计算红外图像的图像特征信息与存储的图像特征信息之间的余弦距离或曼哈顿距离或卡方距离确定两者之间的相似度，其中两者之间的相似度也可以是通过计算其他距离得到的，可以理解的是，两者之间的距离越大，表示两者之间的相似度越小，指示的危险概率越小，两者的距离越小，表示两者之间的相似度越大，红外图像指示的危险概率越大。
对于本申请实施例，通过红外图像的图像特征信息与预设的危险图像特征进行相似度计算，从而解决了如何根据红外图像的特征信息确定红外图像指示的危险概率的问题。
本申请实施例提供了另一种可能的实现方式，具体地，该方法还包括，
步骤S106(图中未示出)，如果第一危险概率大于预设的概率阈值范围的最大值时，确定危险识别结果为存在危险。
对于本申请实施例，如果第一危险概率大于预设的概率阈值范围的最大值时，说明不需要再获取第二红外图像进行辅助判断确定目标对象的危险，可直接确定危险识别结果为存在危险。
对于本申请实施例，如果第一危险概率大于预设的概率阈值范围的最大值，不再进行相应的辅助判断确定危险识别结果，直接确定危险识别结果为存在危险，从而减少了相应的数据处理操作，节省了识别处理时间，保证了后续根据危险识别结果进行报警操作的及时性。
本申请实施例提供了一种可能的实现方式，具体地，步骤S105包括，
步骤S1051(图中未示出)，基于第一危险概率与第二危险概率，计算确定第三危险概率；
对于本申请实施例，基于识别得到的第一危险概率与第二危险概率计算确定第三危险概率，其中，示例性的第三危险概率的计算可以是通过如下方法得到的：第一危险概率及相应的第二危险概率分别对应有不同的权重值，对第一危险概率与第二危险概率加权处理后进行和运算得到第三危险概率，其中，第三危险概率也可以是通过其他方法得到的，此处不做限定。
步骤S1052(图中未示出)，若第三危险概率大于第一危险概率阈值，确定危险识别结果为存在危险。
对于本申请实施例，如果根据第一危险概率与第二危险概率计算得到的第三危险概率大于第一危险概率阈值，则确定危险识别结果为存在危险。
对于本申请实施例，根据第一红外图像指示的第一危险概率与第二红外图像指示的第二危险概率计算得到第三危险概率，继而得到危险识别结果，实现了对第一红外图像与第二红外图像进行综合分析判断得到危险识别结果，从而减少了危险识别的误报率，提升了危险识别的准确性。
本申请实施例提供了一种可能的实现方式，具体地，步骤102或步骤104还包括：
步骤C(图中未示出)，将提取到的第一红外图像的图像特征信息及至少一个第二红外图像的图像特征信息进行相似度计算；
步骤D(图中未示出)，若计算得到的相似度大于预定相似度阈值时，确定第一红外图像与至少一个第二红外图像包括相同的目标对象。
对于本申请实施例，分别提取第一红外图像的图像特征信息及至少一个第二红外图像的图像特征信息并计算两者之间的相似度，其中，该相似度可以是通过计算两者之间的汉明距离或其他距离得到的，如果计算得到的相似度大于预先设定的相似度阈值，则确定第一红外图像与至少一个第二红外图像包括相同的目标对象。
对于本申请实施例，通过计算第一红外图像的图像特征信息及至少一个第二红外图像的图像特征信息之间的相似度，实现了确定出与第一红外图像包括相同目标对象的第二红外图像，从而为后续通过确定第二红外图像指示的第二危险概率，并与第一红外图像指示的第一危险概率进行综合分析得到危险识别结果奠定了基础。
本申请实施例提供了一种可能的实现方式，具体地，该方法还包括，
步骤S107(图中未示出)，危险识别结果为存在危险，将危险识别结果信息上传至物联网云端服务器，用于请求物联网云端服务器根据危险识别结果信息控制相应的报警设备进行报警操作；
对于本申请实施例，如果危险识别结果为存在危险，则建立与物联网云端服务器之间的连接，将危险识别结果信息上传到相应的物联网云端服务器，用于请求物联网云端服务器根据危险识别结果信息控制相应的物联网报警设备进行报警操作，其中危险识别结果信息可以包括危险识别结果及相应的位置信息等，其中该物联网云端服务器可以是网络边缘服务器，能够控制物联网中连接的多个物联网设备。
步骤S108(图中未示出)，危险识别结果为存在危险，控制相应的报警设备进行报警。
对于本申请实施例，如果危险识别结果为存在危险，控制相应的报警设备进行报警操作，其中相应的报警设备可以是扩音器、强灯等设备，其中报警也可以是通过相应的通信设备向绑定的相应用户终端设备进行短消息提醒。
对于本申请实施例，解决了在危险识别结果为存在危险的情况下，如何进行报警的问题，从而能够实现保证安防区域的安全的效果。
图2为本申请实施例提供的一种基于红外图像的危险识别装置，该装置20包括：第一获取模块201、第一确定模块202、第二获取模块203、第二确定模块204及识别结果获取模块205；
第一获取模块201，用于获取第一图像采集设备采集的第一红外图像；
第一确定模块202，用于对第一获取模块201获取的第一红外图像进行识别，确定第一红外图像指示的第一危险概率；
第二获取模块203，当第一确定模块202确定的第一危险概率处于预设的概率阈值范围之内时，获取至少一个第二图像采集设备采集到的至少一个第二红外图像；
第二确定模块204，用于对至少一个第二红外图像进行识别，确定第二获取模块203获取的第二红外图像指示的第二危险概率；
识别结果获取模块205，基于第一确定模块202确定的第一危险概率与第二确定模块204确定的第二危险概率得到危险识别结果。
本申请实施例提供了一种基于红外图像的危险识别装置，与现有技术仅能在可见光较好的场景下进行目标对象的图像采集与危险识别相比，本申请实施例通过获取第一图像采集设备采集的第一红外图像，并对第一红外图像进行识别，确定第一红外图像指示的第一危险概率，当第一危险概率处于预设的概率阈值范围之内时，获取至少一个第二图像采集设备采集到的至少一个第二红外图像，并对至少一个第二红外图像进行识别，确定第二红外图像指示的第二危险概率，然后基于第一危险概率与第二危险概率得到危险识别结果，即通过采集目标对象的红外图像并进行危险自动识别，从而解决了在可见光不好的情况下对监控图像的采集与危险自动识别问题，此外，通过确定第一红外图像的第一危险概率与第二红外图像的第二危险概率，继而根据第一危险概率与第二危险概率进行综合判断得到目标对象的危险识别结果，即通过两个联动的图像监控体系综合进行危险识别，从而降低了危险识别的误报率，提升了危险识别的准确性。
本实施例的基于红外图像的危险识别装置可执行本申请上述实施例中提供的一种基于红外图像的危险识别方法，其实现原理相类似，此处不再赘述。
本申请实施例提供了另一种基于红外图像的危险识别装置，如图3所示，本实施例的装置30包括：第一获取模块301、第一确定模块302、第二获取模块303、第二确定模块304及识别结果获取模块305；
第一获取模块301，用于获取第一图像采集设备采集的第一红外图像；
其中，图3中的第一获取模块301与图2中的第一获取模块201的功能相同或者相似。
第一确定模块302，用于对第一获取模块301获取的第一红外图像进行识别，确定第一红外图像指示的第一危险概率；
其中，图3中的第一确定模块302与图2中的第一确定模块202的功能相同或者相似。
第二获取模块303，当第一确定模块302确定的第一危险概率处于预设的概率阈值范围之内时，获取至少一个第二图像采集设备采集到的至少一个第二红外图像；
其中，图3中的第二获取模块302与图2中的第二获取模块202的功能相同或者相似。
第二确定模块304，用于对至少一个第二红外图像进行识别，确定第二获取模块303获取的第二红外图像指示的第二危险概率；
其中，图3中的第二确定模块304与图2中的第二确定模块204的功能相同或者相似。
识别结果获取模块305，基于第一确定模块302确定的第一危险概率与第二确定模块304确定的第二危险概率得到危险识别结果。
其中，图3中的识别结果获取模块305与图2中的识别结果获取模块205的功能相同或者相似。
其中，第一确定模块302与第二确定模块304可以为同一模块，也可以为两个模块。
本申请实施例提供了一种可能的实现方式，具体地，第一确定模块302包括第一确定单元3021与第二确定单元3022；
第一确定单元3021，用于通过预训练的神经网络识别模型，对第一红外图像进行识别，确定第一红外图像的图像特征信息；
第二确定单元3022，用于根据第一确定单元3021确定的第一红外图像的图像特征信息，确定第一红外图像指示的危险概率；
第二确定模块304包括第三确定单元3041与第四确定单元3042；
第三确定单元3041，用于通过预训练的神经网络识别模型，对第二红外图像进行识别，确定第二红外图像的图像特征信息；
第四确定单元3042，用于根据第三确定单元3041确定的第二红外图像的图像特征信息，确定第二红外图像指示的危险概率。
对于本申请实施例，通过预训练的神经网络识别模型对红外图像进行识别，得到图像特征信息，然后根据得到的图像特征信息确定红外图像指示的危险概率，从而解决了如何根据获取的红外图像得到相应的危险概率的问题。
本申请实施例提供了一种可能的实现方式，具体地，第二确定单元3022，用于将第一红外图像的图像特征信息与预设的危险图像特征进行相似度计算，确定第一红外图像指示的危险概率；
第四确定单元3042，用于将第二红外图像的图像特征信息与预设的危险图像特征进行相似度计算，确定第二红外图像指示的危险概率。
对于本申请实施例，通过红外图像的图像特征信息与预设的危险图像特征进行相似度计算，从而解决了如何根据红外图像的特征信息确定红外图像指示的危险概率的问题。
本申请实施例提供了一种可能的实现方式，进一步地，该装置还包括：第三确定模块306；
第三确定模块306，用于如果第一危险概率大于预设的概率阈值范围的最大值时，确定危险识别结果为存在危险。
对于本申请实施例，如果第一危险概率大于预设的概率阈值范围的最大值，不再进行相应的辅助判断确定危险识别结果，直接确定危险识别结果为存在危险，从而减少了相应的数据处理操作，节省了识别处理时间，保证了后续根据危险识别结果进行报警操作的及时性。
本申请实施例提供了一种可能的实现方式，具体地，识别结果获取模块305包括：计算单元3051与第五确定单元3052；
计算单元3051，用于基于第一危险概率与第二危险概率，计算确定第三危险概率；
第五确定单元3052，用于若计算单元3051计算确定的第三危险概率大于第一危险概率阈值，确定危险识别结果为存在危险。
对于本申请实施例，根据第一红外图像指示的第一危险概率与第二红外图像指示的第二危险概率计算得到第三危险概率，继而得到危险识别结果，实现了对第一红外图像与第二红外图像进行综合分析判断得到危险识别结果，从而减少了危险识别的误报率，提升了危险识别的准确性。
本申请实施例提供了一种可能的实现方式，具体地，第一确定模块302还用于将提取到的第一红外图像的图像特征信息及至少一个第二红外图像的图像特征信息进行相似度计算，以及用于若计算得到的相似度大于预定相似度阈值时，确定第一红外图像与至少一个第二红外图像包括相同的目标对象；
或，第二确定模块304还用于将提取到的第一红外图像的图像特征信息及至少一个第二红外图像的图像特征信息进行相似度计算，以及用于若计算得到的相似度大于预定相似度阈值时，确定第一红外图像与至少一个第二红外图像包括相同的目标对象。
对于本申请实施例，通过计算第一红外图像的图像特征信息及至少一个第二红外图像的图像特征信息之间的相似度，实现了确定出与第一红外图像包括相同目标对象的第二红外图像，从而为后续通过确定第二红外图像指示的第二危险概率，并与第一红外图像指示的第一危险概率进行综合分析得到危险识别结果奠定了基础。
本申请实施例提供了一种可能的实现方式，进一步地，该装置还包括上传模块307或控制模块(图中未示出)；
上传模块307，用于危险识别结果为存在危险，将危险识别结果信息上传至物联网云端服务器，用于请求物联网云端服务器根据危险识别结果信息控制相应的报警设备进行报警操作；
控制模块，用于危险识别结果为存在危险，控制相应的报警设备进行报警。
对于本申请实施例，解决了在危险识别结果为存在危险的情况下，如何进行报警的问题，从而能够实现保证安防区域的安全的效果。
本申请实施例提供了一种电子设备，如图4所示，图4所示的电子设备40包括：处理器4001和存储器4003。其中，处理器4001和存储器4003相连，如通过总线4002相连。进一步地，电子设备40还可以包括收发器4004。需要说明的是，实际应用中收发器4004不限于一个，该电子设备400的结构并不构成对本申请实施例的限定。
其中，处理器4001应用于本申请实施例中，用于实现图2或图3所示的第一获取模块、第一确定模块、第二获取模块、第二确定模块以及识别结果获取模块的功能，以及用于实现图3所示的第三确定模块与上传模块或图中未示出的控制模块的功能。收发器4004包括接收机和发射机。
处理器4001可以是CPU，通用处理器，DSP，ASIC，FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器4001也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线4002可包括一通路，在上述组件之间传送信息。总线4002可以是PCI总线或EISA总线等。总线4002可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
存储器4003可以是ROM或可存储静态信息和指令的其他类型的静态存储设备，RAM或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM、CD-ROM或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
存储器4003用于存储执行本申请方案的应用程序代码，并由处理器4001来控制执行。处理器4001用于执行存储器4003中存储的应用程序代码，以实现图2或图3所示实施例提供的基于红外图像的危险识别装置的功能。
本申请实施例提供了一种电子设备适用于上述方法实施例。在此不再赘述。
本申请实施例提供了一种电子设备，与现有技术仅能在可见光较好的场景下进行目标对象的图像采集与危险识别相比，本申请实施例通过获取第一图像采集设备采集的第一红外图像，并对第一红外图像进行识别，确定第一红外图像指示的第一危险概率，当第一危险概率处于预设的概率阈值范围之内时，获取至少一个第二图像采集设备采集到的至少一个第二红外图像，并对至少一个第二红外图像进行识别，确定第二红外图像指示的第二危险概率，然后基于第一危险概率与第二危险概率得到危险识别结果，即通过采集目标对象的红外图像并进行危险自动识别，从而解决了在可见光不好的情况下对监控图像的采集与危险自动识别问题，此外，通过确定第一红外图像的第一危险概率与第二红外图像的第二危险概率，继而根据第一危险概率与第二危险概率进行综合判断得到目标对象的危险识别结果，即通过两个联动的图像监控体系综合进行危险识别，从而降低了危险识别的误报率，提升了危险识别的准确性。
本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现上述实施例中所示的方法。
本申请实施例提供了一种计算机可读存储介质，与现有技术仅能在可见光较好的场景下进行目标对象的图像采集与危险识别相比，本申请实施例通过获取第一图像采集设备采集的第一红外图像，并对第一红外图像进行识别，确定第一红外图像指示的第一危险概率，当第一危险概率处于预设的概率阈值范围之内时，获取至少一个第二图像采集设备采集到的至少一个第二红外图像，并对至少一个第二红外图像进行识别，确定第二红外图像指示的第二危险概率，然后基于第一危险概率与第二危险概率得到危险识别结果，即通过采集目标对象的红外图像并进行危险自动识别，从而解决了在可见光不好的情况下对监控图像的采集与危险自动识别问题，此外，通过确定第一红外图像的第一危险概率与第二红外图像的第二危险概率，继而根据第一危险概率与第二危险概率进行综合判断得到目标对象的危险识别结果，即通过两个联动的图像监控体系综合进行危险识别，从而降低了危险识别的误报率，提升了危险识别的准确性。
本申请实施例提供了一种计算机可读存储介质适用于上述方法实施例。在此不再赘述。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上仅是本申请的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种基于红外图像的危险识别方法，其特征在于，包括：
获取第一图像采集设备采集的第一红外图像；
对所述第一红外图像进行识别，确定所述第一红外图像指示的第一危险概率；
当第一危险概率处于预设的概率阈值范围之内时，获取至少一个第二图像采集设备采集到的至少一个第二红外图像；
对所述至少一个第二红外图像进行识别，确定所述第二红外图像指示的第二危险概率；
基于所述第一危险概率与所述第二危险概率得到危险识别结果。
2.根据权利要求1所述的方法，其特征在于，对红外图像进行识别，确定红外图像指示的危险概率，包括：
通过预训练的神经网络识别模型，对所述红外图像进行识别，确定所述红外图像的图像特征信息；
根据所述图像特征信息，确定所述红外图像指示的危险概率。
3.根据权利要求2所述的方法，其特征在于，根据图像特征信息，确定红外图像指示的危险概率，包括：
将所述图像特征信息与预设的危险图像特征进行相似度计算，确定红外图像指示的危险概率。
4.根据权利要求1所述的方法，其特征在于，该方法还包括：
如果所述第一危险概率大于预设的概率阈值范围的最大值时，确定危险识别结果为存在危险。
5.根据权利要求1所述的方法，其特征在于，所述基于所述第一危险概率与所述第二危险概率得到危险识别结果，包括：
基于所述第一危险概率与所述第二危险概率，计算确定第三危险概率；
若所述第三危险概率大于第一危险概率阈值，确定危险识别结果为存在危险。
6.根据权利要求2所述的方法，其特征在于，该方法还包括：
将提取到的第一红外图像的图像特征信息及至少一个第二红外图像的图像特征信息进行相似度计算；
若计算得到的相似度大于预定相似度阈值时，确定所述第一红外图像与所述至少一个第二红外图像包括相同的目标对象。
7.根据权利要求4或5所述的方法，其特征在于，该方法还包括以下至少一项：
所述危险识别结果为存在危险，将危险识别结果信息上传至物联网云端服务器，用于请求物联网云端服务器根据危险识别结果信息控制相应的报警设备进行报警操作；
所述危险识别结果为存在危险，控制相应的报警设备进行报警。
8.一种基于红外图像的危险识别装置，其特征在于，包括：
第一获取模块，用于获取第一图像采集设备采集的第一红外图像；
第一确定模块，用于对所述第一获取模块获取的所述第一红外图像进行识别，确定所述第一红外图像指示的第一危险概率；
第二获取模块，当所述第一确定模块确定的第一危险概率处于预设的概率阈值范围之内时，获取至少一个第二图像采集设备采集到的至少一个第二红外图像；
第二确定模块，用于对所述至少一个第二红外图像进行识别，确定所述第二获取模块获取的所述第二红外图像指示的第二危险概率；
识别结果获取模块，基于所述第一确定模块确定的所述第一危险概率与所述第二确定模块确定的所述第二危险概率确定得到的危险识别结果。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器；
一个或多个应用程序，其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序配置用于：执行根据权利要求1至7任一项所述的基于红外图像的危险识别方法。
10.一种计算机可读存储介质，其特征在于，所述计算机存储介质用于存储计算机指令，当其在计算机上运行时，使得计算机可以执行上述权利要求1至7中任一项所述的基于红外图像的危险识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811320595.3A CN111160067A (zh) | 2018-11-07 | 2018-11-07 | 危险识别方法、装置、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811320595.3A CN111160067A (zh) | 2018-11-07 | 2018-11-07 | 危险识别方法、装置、电子设备及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111160067A true CN111160067A (zh) | 2020-05-15 |
Family
ID=70554645
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811320595.3A Pending CN111160067A (zh) | 2018-11-07 | 2018-11-07 | 危险识别方法、装置、电子设备及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111160067A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118068732A (zh) * | 2024-01-10 | 2024-05-24 | 耀客明道物联网(武汉)有限公司 | 一种可变式危险源安全管控系统及危险源安全管控方法 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101547344A (zh) * | 2009-04-24 | 2009-09-30 | 清华大学深圳研究生院 | 基于联动摄像机的视频监控装置及其跟踪记录方法 |
| CN101673448A (zh) * | 2009-09-30 | 2010-03-17 | 青岛科恩锐通信息技术有限公司 | 一种森林火灾探测方法及系统 |
| CN102831615A (zh) * | 2011-06-13 | 2012-12-19 | 索尼公司 | 对象监控方法和装置,以及监控系统操作方法 |
| CN103871186A (zh) * | 2012-12-17 | 2014-06-18 | 博立码杰通讯(深圳)有限公司 | 安防监控系统及相应的报警触发方法 |
| CN203773678U (zh) * | 2014-03-20 | 2014-08-13 | 东华大学 | 基于dsp双目红外摄像头的火源自动跟踪系统 |
| TW201435818A (zh) * | 2013-03-13 | 2014-09-16 | Oriental Inst Technology | 安全監控系統及其方法 |
| CN104851140A (zh) * | 2014-12-12 | 2015-08-19 | 重庆凯泽科技有限公司 | 基于人脸识别的考勤门禁系统 |
| CN105590097A (zh) * | 2015-12-17 | 2016-05-18 | 重庆邮电大学 | 暗视觉条件下双摄像头协同实时人脸识别安防系统及方法 |
| CN106791706A (zh) * | 2017-01-24 | 2017-05-31 | 上海木爷机器人技术有限公司 | 对象锁定方法及系统 |
| CN107408288A (zh) * | 2015-03-10 | 2017-11-28 | Jvc 建伍株式会社 | 警告装置、警告方法以及警告程序 |
| CN108184098A (zh) * | 2018-01-16 | 2018-06-19 | 珠海市俊凯机械科技有限公司 | 安全区域的监控方法以及系统 |
| CN108197563A (zh) * | 2017-12-29 | 2018-06-22 | 百度在线网络技术（北京）有限公司 | 用于获取信息的方法及装置 |
| CN108229292A (zh) * | 2017-07-28 | 2018-06-29 | 北京市商汤科技开发有限公司 | 目标识别方法、装置、存储介质和电子设备 |
| CN108353128A (zh) * | 2015-10-27 | 2018-07-31 | 富士胶片株式会社 | 摄像系统以及对象检测装置及其工作方法 |
-
2018
- 2018-11-07 CN CN201811320595.3A patent/CN111160067A/zh active Pending
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101547344A (zh) * | 2009-04-24 | 2009-09-30 | 清华大学深圳研究生院 | 基于联动摄像机的视频监控装置及其跟踪记录方法 |
| CN101673448A (zh) * | 2009-09-30 | 2010-03-17 | 青岛科恩锐通信息技术有限公司 | 一种森林火灾探测方法及系统 |
| CN102831615A (zh) * | 2011-06-13 | 2012-12-19 | 索尼公司 | 对象监控方法和装置,以及监控系统操作方法 |
| CN103871186A (zh) * | 2012-12-17 | 2014-06-18 | 博立码杰通讯(深圳)有限公司 | 安防监控系统及相应的报警触发方法 |
| TW201435818A (zh) * | 2013-03-13 | 2014-09-16 | Oriental Inst Technology | 安全監控系統及其方法 |
| CN203773678U (zh) * | 2014-03-20 | 2014-08-13 | 东华大学 | 基于dsp双目红外摄像头的火源自动跟踪系统 |
| CN104851140A (zh) * | 2014-12-12 | 2015-08-19 | 重庆凯泽科技有限公司 | 基于人脸识别的考勤门禁系统 |
| CN107408288A (zh) * | 2015-03-10 | 2017-11-28 | Jvc 建伍株式会社 | 警告装置、警告方法以及警告程序 |
| CN108353128A (zh) * | 2015-10-27 | 2018-07-31 | 富士胶片株式会社 | 摄像系统以及对象检测装置及其工作方法 |
| CN105590097A (zh) * | 2015-12-17 | 2016-05-18 | 重庆邮电大学 | 暗视觉条件下双摄像头协同实时人脸识别安防系统及方法 |
| CN106791706A (zh) * | 2017-01-24 | 2017-05-31 | 上海木爷机器人技术有限公司 | 对象锁定方法及系统 |
| CN108229292A (zh) * | 2017-07-28 | 2018-06-29 | 北京市商汤科技开发有限公司 | 目标识别方法、装置、存储介质和电子设备 |
| CN108197563A (zh) * | 2017-12-29 | 2018-06-22 | 百度在线网络技术（北京）有限公司 | 用于获取信息的方法及装置 |
| CN108184098A (zh) * | 2018-01-16 | 2018-06-19 | 珠海市俊凯机械科技有限公司 | 安全区域的监控方法以及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 程思竹 等: "机场围界入侵目标红外图像检测方法", 《机电工程技术》, pages 6 - 9 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118068732A (zh) * | 2024-01-10 | 2024-05-24 | 耀客明道物联网(武汉)有限公司 | 一种可变式危险源安全管控系统及危险源安全管控方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108053427B (zh) | 一种基于KCF与Kalman的改进型多目标跟踪方法、系统及装置 | |
| CN108009473B (zh) | 基于目标行为属性视频结构化处理方法、系统及存储装置 | |
| CN109166261B (zh) | 基于图像识别的图像处理方法、装置、设备及存储介质 | |
| CN108062349B (zh) | 基于视频结构化数据及深度学习的视频监控方法和系统 | |
| CN108052859B (zh) | 一种基于聚类光流特征的异常行为检测方法、系统及装置 | |
| CN109145742B (zh) | 一种行人识别方法及系统 | |
| CN108701396B (zh) | 一种车前积雪与结冰的检测报警方法、存储介质和服务器 | |
| CN109766779B (zh) | 徘徊人员识别方法及相关产品 | |
| CN105678213B (zh) | 基于视频特征统计的双模式蒙面人事件自动检测方法 | |
| CN111275040B (zh) | 定位方法及装置、电子设备、计算机可读存储介质 | |
| CN113705426B (zh) | 人脸校验方法、装置、服务器及可读存储介质 | |
| CN116091781B (zh) | 一种用于图像识别的数据处理方法及装置 | |
| CN106851229B (zh) | 一种基于图像识别的安防智能决策的方法与系统 | |
| CN108229473A (zh) | 车辆年检标签检测方法及装置 | |
| CN111783732A (zh) | 团雾识别方法、装置、电子设备及存储介质 | |
| CN113808135B (zh) | 图像亮度异常检测方法、电子设备及存储介质 | |
| CN111160067A (zh) | 危险识别方法、装置、电子设备及计算机可读存储介质 | |
| CN110837760A (zh) | 目标检测方法、用于目标检测的训练方法和装置 | |
| CN113014876A (zh) | 视频监控方法、装置、电子设备及可读存储介质 | |
| CN107403192B (zh) | 一种基于多分类器的快速目标检测方法及系统 | |
| CN113239738B (zh) | 一种图像的模糊检测方法及模糊检测装置 | |
| CN112733722B (zh) | 姿态识别方法、装置、系统及计算机可读存储介质 | |
| CN112906495B (zh) | 一种目标检测方法、装置、电子设备及存储介质 | |
| CN112016514B (zh) | 一种交通标志识别方法、装置、设备及储存介质 | |
| CN114973135A (zh) | 一种基于头肩的时序视频睡岗识别方法、系统及电子设备 |
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 |