CN111368728A - 安全监测方法、装置、计算机设备和存储介质 - Google Patents
安全监测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111368728A CN111368728A CN202010141712.0A CN202010141712A CN111368728A CN 111368728 A CN111368728 A CN 111368728A CN 202010141712 A CN202010141712 A CN 202010141712A CN 111368728 A CN111368728 A CN 111368728A
- Authority
- CN
- China
- Prior art keywords
- target vehicle
- image
- distance
- target
- pixel
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 49
- 239000000446 fuel Substances 0.000 claims abstract description 40
- 238000012806 monitoring device Methods 0.000 claims abstract description 12
- 239000007921 spray Substances 0.000 claims abstract description 8
- 230000011218 segmentation Effects 0.000 claims description 79
- 238000001514 detection method Methods 0.000 claims description 38
- 238000004590 computer program Methods 0.000 claims description 26
- 238000010586 diagram Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Abstract
本申请涉及一种安全监测方法、装置、计算机设备和存储介质,计算机设备获取设置于加油站内的采集装置采集的第一图像;第一图像包括车辆和喷油嘴;然后,在第一图像中包含预设类型的目标车辆的情况下,获取喷油嘴和目标车辆的第一距离,并根据第一距离确定目标车辆是否处于加油状态;若目标车辆处于加油状态,则获取目标车辆内的摄像头采集的第二图像,并根据第二图像检测目标车辆中是否有人;第一图像和第二图像的采集时间间隔小于预设阈值。采用上述方法可以提升了目标车辆的监测力度;当目标车辆为校车时,通过第二图像监测校车加油时车内是否有人,可以提升校车内学生的安全性。
Description
技术领域
本申请涉及信息处理技术领域,特别是涉及一种安全监测方法、装置、计算机设备和存储介质。
背景技术
随着越来越多校车的投入使用,校车安全问题引发社会强烈关注。为了保证学生在乘坐校车的人身安全,校车在加油时车内不得乘坐学生。
传统方法中,校车加油时的安全问题依赖于司机自觉或者相关人员的监督,导致监测效果差,不利于学生的人身安全。
发明内容
基于此,有必要针对上述技术问题,提供一种安全监测方法、装置、计算机设备和存储介质。
一种安全监测方法,方法包括:
获取设置于加油站内的采集装置采集的第一图像;第一图像包括车辆和喷油嘴;
在第一图像中包含预设类型的目标车辆的情况下,获取喷油嘴和目标车辆的第一距离,并根据第一距离确定目标车辆是否处于加油状态;
若目标车辆处于加油状态,则获取目标车辆内的摄像头采集的第二图像,并根据第二图像检测目标车辆中是否有人;第一图像和第二图像的采集时间间隔小于预设阈值。
在其中一个实施例中,上述在第一图像中包含预设类型的目标车辆的情况下,获取喷油嘴和目标车辆的第一距离,并根据第一距离确定目标车辆是否处于加油状态,包括:
基于预设的分割模型对第一图像进行分割处理,获得分割图;分割模型用于将图像中预设类型的目标车辆、喷油嘴以及图像的背景图像标记为不同的像素值;
在分割图中包含目标车辆的情况下,基于分割图确定第一距离;
根据第一距离确定目标车辆是否处于加油状态。
在其中一个实施例中,上述分割图中目标车辆对应的像素为第一目标像素,喷油嘴对应的像素为第二目标像素;基于分割图确定第一距离,包括:
按照预设搜索方向,在分割图中分别搜索第一目标像素和第二目标像素;
根据最先搜索到的第一目标像素和最后搜索得到的第二目标像素之间的像素距离,确定目标车辆和喷油嘴的第一距离。
在其中一个实施例中,上述根据第一距离确定目标车辆是否处于加油状态,包括:
若第一距离小于预设距离阈值,则确定目标车辆处于加油状态。
在其中一个实施例中,上述分割模型为PSPNet模型,PSPNet模型包括全局关联模块;全局关联模块用于整合目标车辆以及喷油嘴周围的像素特征,获得分割图的像素值。
在其中一个实施例中,上述根据第二图像检测目标车辆中是否有人,包括:
将第二图像输入预设的目标检测模型,获得检测结果;检测结果用于指示目标车辆中是否有人。
在其中一个实施例中,上述目标检测模型为包括目标检测SSD模型中部分卷积层的模型。
在其中一个实施例中,上述方法还包括:
若处于加油状态的目标车辆中有人,则向监测系统返回告警信息。
在其中一个实施例中,上述方法还包括:
若满足以下条件中任意一个条件时,则向监测系统返回车辆合法信息:
分割图中不包含目标车辆;
目标车辆不处于加油状态;
处于加油状态的目标车辆中没有人。
一种安全监测装置,上述装置包括:
获取模块,用于获取设置于加油站内的采集装置采集的第一图像;第一图像包括车辆和喷油嘴;
确定模块,用于在第一图像中包含预设类型的目标车辆的情况下,获取喷油嘴和目标车辆的第一距离,并根据第一距离确定目标车辆是否处于加油状态;
检测模块,用于在目标车辆处于加油状态时,获取目标车辆内的摄像头采集的第二图像,并根据第二图像检测目标车辆中是否有人;第一图像和第二图像的采集时间间隔小于预设阈值。
一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,上述处理器执行计算机程序时实现以下步骤:
获取设置于加油站内的采集装置采集的第一图像;第一图像包括车辆和喷油嘴;
在第一图像中包含预设类型的目标车辆的情况下,获取喷油嘴和目标车辆的第一距离,并根据第一距离确定目标车辆是否处于加油状态;
若目标车辆处于加油状态,则获取目标车辆内的摄像头采集的第二图像,并根据第二图像检测目标车辆中是否有人;第一图像和第二图像的采集时间间隔小于预设阈值。
一种计算机可读存储介质,其上存储有计算机程序,上述计算机程序被处理器执行时实现以下步骤:
获取设置于加油站内的采集装置采集的第一图像;第一图像包括车辆和喷油嘴;
在第一图像中包含预设类型的目标车辆的情况下,获取喷油嘴和目标车辆的第一距离,并根据第一距离确定目标车辆是否处于加油状态;
若目标车辆处于加油状态,则获取目标车辆内的摄像头采集的第二图像,并根据第二图像检测目标车辆中是否有人;第一图像和第二图像的采集时间间隔小于预设阈值。
上述安全监测方法、装置、计算机设备和存储介质,计算机设备获取设置于加油站内的采集装置采集的第一图像;第一图像包括车辆和喷油嘴;然后,在第一图像中包含预设类型的目标车辆的情况下,获取喷油嘴和目标车辆的第一距离,并根据第一距离确定目标车辆是否处于加油状态;若目标车辆处于加油状态,则获取目标车辆内的摄像头采集的第二图像,并根据第二图像检测目标车辆中是否有人;第一图像和第二图像的采集时间间隔小于预设阈值。由于计算机设备根据第一图像确定了第一图像中是否有目标车辆,从而可以在加油站中存在目标车辆的情况下,确定该目标车辆是否处于加油状态,以确定是否需要对该目标车辆进行安全监测;进一步地,计算机设备在确定目标车辆处于加油状态的情况下,通过对第二图像检测目标车辆中是否有人,而不需要进行人工监督,提升了目标车辆的监测力度;当目标车辆为校车时,通过第二图像监测校车加油时车内是否有人,可以提升校车内学生的安全性。
附图说明
图1为一个实施例中安全监测方法的应用环境图;
图2为一个实施例中安全监测方法的流程示意图;
图3为另一个实施例中安全监测方法的流程示意图;
图3A为一个实施例中安全监测方法的示意图;
图4为另一个实施例中安全监测方法的流程示意图;
图5为一个实施例中安全监测装置的结构框图;
图6为另一个实施例中安全监测装置的结构框图;
图7为另一个实施例中安全监测装置的结构框图;
图8为另一个实施例中安全监测装置的结构框图;
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的安全监测方法,可以应用于如图1所示的应用环境中。其中,采集装置100采集加油站内车辆200和喷油嘴300的图像,采集装置100与计算机设备400连接。其中,上述车辆200可以是大型车辆,也可以是小型车辆,上述计算机设备400可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种安全监测方法,以该方法应用于图1中的终计算机设备为例进行说明,包括以下步骤:
S101、获取设置于加油站内的采集装置采集的第一图像;第一图像包括车辆和喷油嘴。
其中,上述加油站内可以包含一个或多个采集装置。上述采集装置设置于喷油嘴附近,可以同时采集到喷油嘴以及加油站中的车辆。
具体地,采集装置可以实时采集加油站中的图像,然后将包含车辆和喷油嘴的图像确定为第一图像;可选地,采集装置可以在检测到车辆进入加油站之后,开始采集该车辆的第一图像。
上述第一图像可以是采集装置拍摄的照片,也可以是采集装置采集的视频中的其中一帧图像,在此不做限定。
上述车辆可以是小型车辆,也可以是公交车辆,在此不做限定。
计算机设备获取上述第一图像时,可以通过与采集装置连接,接收采集装置发送的第一图像;另外,计算机设备也可以通过监测平台,获取各采集装置上传至监测平台的第一图像;对于上述获取方式在此不做限定。
S102、在第一图像中包含预设类型的目标车辆的情况下,获取喷油嘴和目标车辆的第一距离,并根据第一距离确定目标车辆是否处于加油状态。
其中,上述目标车辆是指待进行安全监测的车辆类型,例如上述目标车辆可以是校车,也可以是公交车,在此不做限定。
在上述步骤的基础上,计算机设备可以对第一图像进行识别,确定该第一图像中是否包含目标车辆。具体地,计算机设备可以通过目标检测模型,获得该第一图像中的车辆的类型,然后确定该车辆的类型是否为目标车辆;另外,计算机设备还可以将第一图像与预设的包含目标车辆的参考图像进行像素比较,确定该第一图像中的车辆是否为目标车辆;对于上述目标车辆的确定方式在此不做限定。
计算机设备确定第一图像中包含目标车辆的情况下,获取第一图像中喷油嘴和目标车辆的第一距离。其中,上述第一距离可以通过第一图像中喷油嘴和目标车辆之间的像素个数表示,也可以通过加油站中喷油嘴和目标车辆之间的实际距离来表示,在此不做限定。
具体地,计算机设备可以对第一图像进行识别处理,分别确定出第一图像中的喷油嘴以及目标车辆所覆盖的像素,然后根据喷油嘴和目标车辆的像素范围计算上述第一距离;另外,计算机设备还在第一图像所在坐标中,根据喷油嘴的坐标以及目标车辆的坐标,计算上述第一距离,对于上述第一距离的确定方式在此不做限定。
计算机设备确定上述第一距离之后,可以将第一距离与预设距离阈值进行比较,以确定确定目标车辆是否处于加油状态。
可选地,计算机设备可以在第一距离小于预设距离阈值时,确定目标车辆处于加油状态。
S103、若目标车辆处于加油状态,则获取目标车辆内的摄像头采集的第二图像,并根据第二图像检测目标车辆中是否有人;第一图像和第二图像的采集时间间隔小于预设阈值。
计算机设备确定目标车辆处于加油状态之后,可以获取目标车辆内的摄像头采集的第二图像,其中,上述第一图像和第二图像的采集时间间隔小于预设阈值,以保证第二图像是目标车辆的摄像头在当前加油状态下采集的图像。
具体地,上述第一图像中可以携带目标车辆的标识信息,例如通过识别第一图像中目标车辆的车牌号码,在第一图像中添加的标识。上述标识可以通过数字或者字母唯一标记上述目标车辆。另外,目标车辆中的摄像头采集的第二图像,也可以与目标车辆的标识进行绑定。当计算机设备确定目标车辆处于加油状态时,可以通过目标车辆的标识获取该目标车辆的第二图像。
上述第二图像可以是目标车辆中的摄像头实时采集的图像,也可以是在接收到了监测平台的指示信息之后采集的图像,在此不做限定。例如,计算机设备确定目标车辆处于加油状态,可以将上述信息上报至监测平台,然后通过监测平台指示目标车辆中的摄像头完成第二图像的采集。
其中,上述第二图像为目标车辆内的摄像头采集的图像,上述目标车辆内的摄像头可以位于目标车辆的车头位置,也可以位于目标车辆的车尾位置,在此不做限定。
进一步地,计算机设备可以根据第二图像检测目标车辆中是否有人。可选地,计算机设备可以将第二图像输入预设的目标检测模型,获得检测结果;检测结果用于指示目标车辆中是否有人。
上述目标检测模型可以是卷积神经网络(Convolutional Neural Networks,简称CNN)模型,也可以采用单目标检测(Single Shot MultiBox Detector,简称SSD)模型,在此不做限定。
可选地,上述目标检测模型可以是SSD简化模型,包括SSD模型中部分卷积层。由于第二图像中的人体特征和其它特征的区别比较明显,因此,通过第二图像中检测目标车辆中是否有人可以采用简化的SSD模型,例如将SSD模型中的conv4_3层、conv7层、conv8_2层、conv9_2层、conv10_2层以及conv11_2层,调整为改为conv4_3层、conv7层以及con8_2层,可以减小模型计算量,提升人体检测速度。
计算机设备可以通过历史图像对简化后的SSD模型进行训练。其中,上述历史图像为各车辆中的摄像头采集的多张图像,可以是在不同的光照条件下采集的,可以包含是否存在人体的标签。计算机设备可以将历史图像输入初始SSD简化模型;并将初始SSD简化模型输出的人体识别结果与历史图像对应的标签,输入损失函数,完成SSD简化模型的训练。
进一步地,计算机设备根据第二图像检测目标车辆中有人之后,可以向监测系统返回告警信息。
可选地,计算机设备根据第二图像检测目标车辆中没有人之后,向监测系统返回车辆合法信息。
另外,当计算机设备确定分割图中不包含目标车辆时,或者目标车辆不处于加油状态的情况下,可以向监测系统返回车辆合法信息。
上述安全监测方法,计算机设备获取设置于加油站内的采集装置采集的第一图像;第一图像包括车辆和喷油嘴;然后,在第一图像中包含预设类型的目标车辆的情况下,获取喷油嘴和目标车辆的第一距离,并根据第一距离确定目标车辆是否处于加油状态;若目标车辆处于加油状态,则获取目标车辆内的摄像头采集的第二图像,并根据第二图像检测目标车辆中是否有人;第一图像和第二图像的采集时间间隔小于预设阈值。由于计算机设备根据第一图像确定了第一图像中是否有目标车辆,从而可以在加油站中存在目标车辆的情况下,确定该目标车辆是否处于加油状态,以确定是否需要对该目标车辆进行安全监测;进一步地,计算机设备在确定目标车辆处于加油状态的情况下,通过对第二图像检测目标车辆中是否有人,而不需要进行人工监督,提升了目标车辆的监测力度;当目标车辆为校车时,通过第二图像监测校车加油时车内是否有人,可以提升校车内学生的安全性。
图3为另一个实施例中安全监测方法的流程示意图,本实施例涉及计算机设备确定目标车辆是否处于加油状态的一种方式,在上述实施例的基础上,如图3所示,上述S102包括:
S201、基于预设的分割模型对第一图像进行分割处理,获得分割图;分割模型用于将图像中预设类型的目标车辆、喷油嘴以及图像的背景图像标记为不同的像素值。
其中,上述分割模型可以是语义分割模型,用于通过深度学习算法自动从第一图像中分割出目标车辆以及喷油嘴的区域。
例如,当第一图像中的车辆为目标车辆时,分割图可以通过不同的像素值显示目标车辆、喷油嘴以及背景图像;当第一图像中的车辆不是目标车辆时,分割图可以通过不同的像素值显示喷油嘴以及背景图像,而不显示车辆的区域。
其中,上述不同的像素值可以为不同的颜色,也可以是不同的像素数值,在此不做限定。例如,上述目标车辆为校车,计算机设备将第一图像输入分割模型后,分割图中的校车部分的颜色为白色,喷油嘴的颜色为灰色,同时背景图像的颜色为黑色,如图3A所示;或者,分割图中的目标车辆部分的像素值为0,喷油嘴的像素值为1,且背景图像的像素值为2。
可选地,上述分割模型为PSPNet模型。其中,上述PSPNet模型包括全局关联模块;全局关联模块用于整合目标车辆以及喷油嘴周围的像素特征,获得分割图的像素值。
例如,PSPNet模块对第一图像进行初步处理后,获得原始特征图,上述原始特征图包含各个像素点的初始特征值,上述原始特征值可以表征目标车辆的初始区域。全局关联模块可以将目标车辆的初始区域中的初始特征值,与上述初始区域周围其它像素的特征值进行关联,通过预设的计算规则获得目标车辆的目标特征值。
其中,上述计算规则可以是其中,xi表示初始区域中像素i的特征值,xj表示初始区域周围其它像素j的特征值,上述f(xi,xj)表示像素i和像素j的关联关系,上述g(xj)为预设的加权系数,上述C(x)为归一化参数,上述yi表示目标车辆的目标特征值。
S202、在分割图中包含目标车辆的情况下,基于分割图确定第一距离。
计算机设备获得分割图之后,可以根据分割图中表征目标车辆以及表征喷油嘴的像素区域,确定目标车辆与喷油嘴的第一距离。
S203、根据第一距离确定目标车辆是否处于加油状态。
进一步地,计算机设备可以在第一距离小于预设距离阈值时,确定目标车辆处于加油状态;在第一距离大于或等于预设距离阈值时,确定目标车辆不处于加油状态。
上述安全监测方法,计算机设备通过分割模型获取第一图像的分割图,从而可以根据分割图中准确地获得目标车辆所在的区域,以及喷油嘴所在的区域;进一步地,通过上述目标车辆以及喷油嘴的区域,可以获得第一距离,进而根据第一距离确定目标车辆是否处于加油状态。
图4为另一个实施例中安全监测方法的流程示意图,本实施例涉及计算机设备确定第一距离的一种方式,在上述实施例的基础上,分割图中目标车辆对应的像素为第一目标像素,喷油嘴对应的像素为第二目标像素,如图4所示,上述S202包括:
S301、按照预设搜索方向,在分割图中分别搜索第一目标像素和第二目标像素。
计算机设备在获取上述第一距离时,可以根据预设搜索方向,在分割图中分别搜索第一目标像素和第二目标像素。
以图3A中的分割图为例,上述分割图中喷油嘴位于目标车辆的左侧,上述搜索方向为从左向右搜索。
S302、根据最先搜索到的第一目标像素和最后搜索得到的第二目标像素之间的像素距离,确定目标车辆和喷油嘴的第一距离。
计算机设备可以提取最先搜索到的第一目标像素A,以及最后所搜得到的第二目标像素B;然后统计第一目标像素A以及第二目标像素B之间的像素数量,确定为目标车辆和喷油嘴之间的第一距离。
上述安全监测方法,由于目标车辆和喷油嘴的形状不规则形,使得根据车辆边缘或者中心位置确定第一距离存在不确定性。计算机设备根据预设的搜索方向,通过搜索第一目标像素和第二目标像素获得第一距离,可以在分割图中获得唯一确定的第一距离,提升了第一距离的确定效率,从而提升对目标车辆的安全监测效率。
应该理解的是,虽然图2-4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,这些步骤可以以其它的顺序执行。而且,图2-4中的至少一部分步骤可以包括多个步骤或者多个阶段,这些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,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图5所示,提供了一种安全监测装置,包括:获取模块10、确定模块20和检测模块30,其中:
获取模块10,用于获取设置于加油站内的采集装置采集的第一图像;第一图像包括车辆和喷油嘴;
确定模块20,用于在第一图像中包含预设类型的目标车辆的情况下,获取喷油嘴和目标车辆的第一距离,并根据第一距离确定目标车辆是否处于加油状态;
检测模块30,用于在目标车辆处于加油状态时,获取目标车辆内的摄像头采集的第二图像,并根据第二图像检测目标车辆中是否有人;第一图像和第二图像的采集时间间隔小于预设阈值。
本申请实施例提供的安全监测装置,可以实现上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在一个实施例中,在上述实施例的基础上,如图6所示,上述确定模块20包括:
分割单元201,用于基于预设的分割模型对第一图像进行分割处理,获得分割图;分割模型用于将图像中预设类型的目标车辆、喷油嘴以及图像的背景图像标记为不同的像素值;
第一确定单元202,用于在分割图中包含目标车辆的情况下,基于分割图确定第一距离;
第二确定单元203,用于根据第一距离确定目标车辆是否处于加油状态。
在一个实施例中,在上述实施例的基础上,如图7所示,上述第一确定单元202包括:
搜索子单元2021,用于按照预设搜索方向,在分割图中分别搜索第一目标像素和第二目标像素;
确定子单元2022,用于根据最先搜索到的第一目标像素和最后搜索得到的第二目标像素之间的像素距离,确定目标车辆和喷油嘴的第一距离。
在一个实施例中,在上述实施例的基础上,确定模块20具体用于:若第一距离小于预设距离阈值,则确定目标车辆处于加油状态。
在一个实施例中,在上述实施例的基础上,分割模型为PSPNet模型,PSPNet模型包括全局关联模块;全局关联模块用于整合目标车辆以及喷油嘴周围的像素特征,获得分割图的像素值。
在一个实施例中,在上述实施例的基础上,检测模块30具体用于:将第二图像输入预设的目标检测模型,获得检测结果;检测结果用于指示目标车辆中是否有人。
在一个实施例中,在上述实施例的基础上,目标检测模型为包括目标检测SSD模型中部分卷积层的模型。
在一个实施例中,在上述实施例的基础上,如图8所示,上述装置还包括告警模块40,用于若处于加油状态的目标车辆中有人,则向监测系统返回告警信息。
在一个实施例中,在上述实施例的基础上,上述告警模块40还用于:若满足以下条件中任意一个条件时,则向监测系统返回车辆合法信息:分割图中不包含目标车辆;目标车辆不处于加油状态;处于加油状态的目标车辆中没有人。
本申请实施例提供的安全监测装置,可以实现上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
关于安全监测装置的具体限定可以参见上文中对于安全监测方法的限定,在此不再赘述。上述安全监测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储安全监测数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种安全监测方法。
本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取设置于加油站内的采集装置采集的第一图像;第一图像包括车辆和喷油嘴;
在第一图像中包含预设类型的目标车辆的情况下,获取喷油嘴和目标车辆的第一距离,并根据第一距离确定目标车辆是否处于加油状态;
若目标车辆处于加油状态,则获取目标车辆内的摄像头采集的第二图像,并根据第二图像检测目标车辆中是否有人;第一图像和第二图像的采集时间间隔小于预设阈值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:基于预设的分割模型对第一图像进行分割处理,获得分割图;分割模型用于将图像中预设类型的目标车辆、喷油嘴以及图像的背景图像标记为不同的像素值;在分割图中包含目标车辆的情况下,基于分割图确定第一距离;根据第一距离确定目标车辆是否处于加油状态。
在一个实施例中,分割图中目标车辆对应的像素为第一目标像素,喷油嘴对应的像素为第二目标像素;处理器执行计算机程序时还实现以下步骤:按照预设搜索方向,在分割图中分别搜索第一目标像素和第二目标像素;根据最先搜索到的第一目标像素和最后搜索得到的第二目标像素之间的像素距离,确定目标车辆和喷油嘴的第一距离。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:若第一距离小于预设距离阈值,则确定目标车辆处于加油状态。
在一个实施例中,分割模型为PSPNet模型,PSPNet模型包括全局关联模块;全局关联模块用于整合目标车辆以及喷油嘴周围的像素特征,获得分割图的像素值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将第二图像输入预设的目标检测模型,获得检测结果;检测结果用于指示目标车辆中是否有人。
在一个实施例中,目标检测模型为包括目标检测SSD模型中部分卷积层的模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:若处于加油状态的目标车辆中有人,则向监测系统返回告警信息。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:若满足以下条件中任意一个条件时,则向监测系统返回车辆合法信息:分割图中不包含目标车辆;目标车辆不处于加油状态;处于加油状态的目标车辆中没有人。
本实施例提供的计算机设备,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取设置于加油站内的采集装置采集的第一图像;第一图像包括车辆和喷油嘴;
在第一图像中包含预设类型的目标车辆的情况下,获取喷油嘴和目标车辆的第一距离,并根据第一距离确定目标车辆是否处于加油状态;
若目标车辆处于加油状态,则获取目标车辆内的摄像头采集的第二图像,并根据第二图像检测目标车辆中是否有人;第一图像和第二图像的采集时间间隔小于预设阈值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:基于预设的分割模型对第一图像进行分割处理,获得分割图;分割模型用于将图像中预设类型的目标车辆、喷油嘴以及图像的背景图像标记为不同的像素值;在分割图中包含目标车辆的情况下,基于分割图确定第一距离;根据第一距离确定目标车辆是否处于加油状态。
在一个实施例中,分割图中目标车辆对应的像素为第一目标像素,喷油嘴对应的像素为第二目标像素;计算机程序被处理器执行时还实现以下步骤:按照预设搜索方向,在分割图中分别搜索第一目标像素和第二目标像素;根据最先搜索到的第一目标像素和最后搜索得到的第二目标像素之间的像素距离,确定目标车辆和喷油嘴的第一距离。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:若第一距离小于预设距离阈值,则确定目标车辆处于加油状态。
在一个实施例中,分割模型为PSPNet模型,PSPNet模型包括全局关联模块;全局关联模块用于整合目标车辆以及喷油嘴周围的像素特征,获得分割图的像素值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将第二图像输入预设的目标检测模型,获得检测结果;检测结果用于指示目标车辆中是否有人。
在一个实施例中,目标检测模型为包括目标检测SSD模型中部分卷积层的模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:若处于加油状态的目标车辆中有人,则向监测系统返回告警信息。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:若满足以下条件中任意一个条件时,则向监测系统返回车辆合法信息:分割图中不包含目标车辆;目标车辆不处于加油状态;处于加油状态的目标车辆中没有人。
本实施例提供的计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是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非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (12)
1.一种安全监测方法,其特征在于,所述方法包括:
获取设置于加油站内的采集装置采集的第一图像;所述第一图像包括车辆和喷油嘴;
在所述第一图像中包含预设类型的目标车辆的情况下,获取所述喷油嘴和所述目标车辆的第一距离,并根据所述第一距离确定所述目标车辆是否处于加油状态;
若所述目标车辆处于加油状态,则获取所述目标车辆内的摄像头采集的第二图像,并根据第二图像检测所述目标车辆中是否有人;所述第一图像和所述第二图像的采集时间间隔小于预设阈值。
2.根据权利要求1所述的安全监测方法,其特征在于,所述在所述第一图像中包含预设类型的目标车辆的情况下,获取所述喷油嘴和所述目标车辆的第一距离,并根据所述第一距离确定所述目标车辆是否处于加油状态,包括:
基于预设的分割模型对所述第一图像进行分割处理,获得分割图;所述分割模型用于将图像中预设类型的目标车辆、喷油嘴以及所述图像的背景图像标记为不同的像素值;
在所述分割图中包含所述目标车辆的情况下,基于所述分割图确定所述第一距离;
根据所述第一距离确定所述目标车辆是否处于加油状态。
3.根据权利要求2所述的安全监测方法,其特征在于,所述分割图中所述目标车辆对应的像素为第一目标像素,所述喷油嘴对应的像素为第二目标像素;所述基于所述分割图确定所述第一距离,包括:
按照预设搜索方向,在所述分割图中分别搜索第一目标像素和第二目标像素;
根据最先搜索到的第一目标像素和最后搜索得到的第二目标像素之间的像素距离,确定所述目标车辆和所述喷油嘴的第一距离。
4.根据权利要求1-3任一项所述的安全监测方法,其特征在于,所述根据所述第一距离确定所述目标车辆是否处于加油状态,包括:
若所述第一距离小于预设距离阈值,则确定所述目标车辆处于加油状态。
5.根据权利要求2或3所述的安全监测方法,其特征在于,所述分割模型为PSPNet模型,所述PSPNet模型包括全局关联模块;所述全局关联模块用于整合所述目标车辆以及所述喷油嘴周围的像素特征,获得所述分割图的像素值。
6.根据权利要求1-3任一项所述的安全监测方法,其特征在于,所述根据第二图像检测所述目标车辆中是否有人,包括:
将所述第二图像输入预设的目标检测模型,获得检测结果;所述检测结果用于指示所述目标车辆中是否有人。
7.根据权利要求6所述的安全监测方法,其特征在于,所述目标检测模型为包括目标检测SSD模型中部分卷积层的模型。
8.根据权利要求1-3任一项所述的安全监测方法,其特征在于,所述方法还包括:
若处于加油状态的所述目标车辆中有人,则向监测系统返回告警信息。
9.根据权利要求8所述的安全监测方法,其特征在于,所述方法还包括:
若满足以下条件中任意一个条件时,则向所述监测系统返回车辆合法信息:
所述分割图中不包含所述目标车辆;
所述目标车辆不处于加油状态;
处于加油状态的所述目标车辆中没有人。
10.一种安全监测装置,其特征在于,所述装置包括:
获取模块,用于获取设置于加油站内的采集装置采集的第一图像;所述第一图像包括车辆和喷油嘴;
确定模块,用于在所述第一图像中包含预设类型的目标车辆的情况下,获取所述喷油嘴和所述目标车辆的第一距离,并根据所述第一距离确定所述目标车辆是否处于加油状态;
检测模块,用于在所述目标车辆处于加油状态时,获取所述目标车辆内的摄像头采集的第二图像,并根据第二图像检测所述目标车辆中是否有人;所述第一图像和所述第二图像的采集时间间隔小于预设阈值。
11.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至9中任一项所述的方法的步骤。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至9中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010141712.0A CN111368728A (zh) | 2020-03-04 | 2020-03-04 | 安全监测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010141712.0A CN111368728A (zh) | 2020-03-04 | 2020-03-04 | 安全监测方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111368728A true CN111368728A (zh) | 2020-07-03 |
Family
ID=71211762
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010141712.0A Pending CN111368728A (zh) | 2020-03-04 | 2020-03-04 | 安全监测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111368728A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112013841A (zh) * | 2020-08-26 | 2020-12-01 | 南京工业大学 | 一种室内动态环境下的语义slam服务机器人导航方法 |
CN112591703A (zh) * | 2021-03-04 | 2021-04-02 | 江苏苏宁银行股份有限公司 | 一种基于视频识别ai算法的数字油站系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103213502A (zh) * | 2013-03-25 | 2013-07-24 | 福州海景科技开发有限公司 | 基于生物识别技术的校车安全管理方法 |
CN106672885A (zh) * | 2017-02-09 | 2017-05-17 | 浙江百倍云信息科技有限公司 | 无人加油方法及系统 |
CN109615904A (zh) * | 2018-11-16 | 2019-04-12 | 广东安居宝数码科技股份有限公司 | 停车管理方法、装置、计算机设备和存储介质 |
CN110682860A (zh) * | 2019-09-19 | 2020-01-14 | 佛吉亚好帮手电子科技有限公司 | 一种针对加油站内通话的车载智能报警方法及其系统 |
CN110775929A (zh) * | 2019-11-08 | 2020-02-11 | 樊俊利 | 加油枪漏油状态监测平台、方法及存储介质 |
-
2020
- 2020-03-04 CN CN202010141712.0A patent/CN111368728A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103213502A (zh) * | 2013-03-25 | 2013-07-24 | 福州海景科技开发有限公司 | 基于生物识别技术的校车安全管理方法 |
CN106672885A (zh) * | 2017-02-09 | 2017-05-17 | 浙江百倍云信息科技有限公司 | 无人加油方法及系统 |
CN109615904A (zh) * | 2018-11-16 | 2019-04-12 | 广东安居宝数码科技股份有限公司 | 停车管理方法、装置、计算机设备和存储介质 |
CN110682860A (zh) * | 2019-09-19 | 2020-01-14 | 佛吉亚好帮手电子科技有限公司 | 一种针对加油站内通话的车载智能报警方法及其系统 |
CN110775929A (zh) * | 2019-11-08 | 2020-02-11 | 樊俊利 | 加油枪漏油状态监测平台、方法及存储介质 |
Non-Patent Citations (2)
Title |
---|
杨晓光 等: "《公共交通与城市发展研究及实践》", 上海同济大学出版社, pages: 521 - 526 * |
梁新宇 等: "基于深度学习的图像语义分割技术研究进展", vol. 56, no. 2, pages 18 - 28 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112013841A (zh) * | 2020-08-26 | 2020-12-01 | 南京工业大学 | 一种室内动态环境下的语义slam服务机器人导航方法 |
CN112591703A (zh) * | 2021-03-04 | 2021-04-02 | 江苏苏宁银行股份有限公司 | 一种基于视频识别ai算法的数字油站系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108596277B (zh) | 一种车辆身份识别方法、装置和存储介质 | |
WO2019105342A1 (zh) | 车辆套牌检测方法、装置、可读存储介质及电子设备 | |
CN110706261A (zh) | 车辆违章检测方法、装置、计算机设备和存储介质 | |
CN111178245A (zh) | 车道线检测方法、装置、计算机设备和存储介质 | |
CN110807491A (zh) | 车牌图像清晰度模型训练方法、清晰度检测方法及装置 | |
CN112287912B (zh) | 基于深度学习的车道线检测方法以及装置 | |
CN111931683B (zh) | 图像识别方法、装置及计算机可读存储介质 | |
CN108694399A (zh) | 车牌识别方法、装置及系统 | |
CN112001378B (zh) | 基于特征空间的车道线处理方法、装置、车载终端和介质 | |
CN109886122B (zh) | 车道线检测方法、装置、计算机设备和存储介质 | |
CN111368728A (zh) | 安全监测方法、装置、计算机设备和存储介质 | |
CN111523489A (zh) | 年龄分类网络的生成方法、车载人员检测方法、装置 | |
CN112712703A (zh) | 车辆视频的处理方法、装置、计算机设备和存储介质 | |
CN114092903A (zh) | 车道线标注、检测模型确定、车道线检测方法及相关设备 | |
CN114299457A (zh) | 积水深度检测方法及装置 | |
CN112597995B (zh) | 车牌检测模型训练方法、装置、设备及介质 | |
CN111724607B (zh) | 转向灯使用检测方法、装置、计算机设备和存储介质 | |
CN112580457A (zh) | 车辆视频的处理方法、装置、计算机设备和存储介质 | |
CN112883853A (zh) | 车道线的检测方法、装置、设备及存储介质 | |
CN112580565A (zh) | 车道线检测方法、装置、计算机设备和存储介质 | |
CN116363628A (zh) | 标志检测方法、装置、非易失性存储介质及计算机设备 | |
CN111652137A (zh) | 违法车辆检测方法、装置、计算机设备和存储介质 | |
JP7450754B2 (ja) | 画像解析から得られたフィンガープリントを用いた、画像フレーム全体に亘る脆弱な道路利用者の追跡 | |
CN115147818A (zh) | 玩手机行为识别方法及装置 | |
CN114299300A (zh) | 一种车道线检测方法、装置、计算机设备和存储介质 |
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 |