CN111507268A - 报警方法及装置、存储介质和电子装置 - Google Patents
报警方法及装置、存储介质和电子装置 Download PDFInfo
- Publication number
- CN111507268A CN111507268A CN202010307112.7A CN202010307112A CN111507268A CN 111507268 A CN111507268 A CN 111507268A CN 202010307112 A CN202010307112 A CN 202010307112A CN 111507268 A CN111507268 A CN 111507268A
- Authority
- CN
- China
- Prior art keywords
- image sequence
- preset
- image
- neural network
- network model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000003062 neural network model Methods 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 43
- 230000009471 action Effects 0.000 claims abstract description 36
- 238000004590 computer program Methods 0.000 claims description 18
- 238000001931 thermography Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 4
- 230000000391 smoking effect Effects 0.000 abstract description 34
- 230000008569 process Effects 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 239000000779 smoke Substances 0.000 description 4
- 235000019504 cigarettes Nutrition 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010295 mobile communication 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Alarm Systems (AREA)
Abstract
本发明提供了一种报警方法及装置、存储介质和电子装置,其中,该方法包括:根据获取的视频流数据确定第一图像序列,其中,视频流包括目标对象图像;将第一图像序列输入到第一预设神经网络模型中以识别出第二图像序列,其中,第二图像序列中包括第一目标动作;第一预设神经网络模型是根据训练集对初始神经网络模型训练得到的,训练集包含有第一目标动作的图像序列;在确定第一预设数量连续的第二图像序列中出现温度值高于预设温度阈值的区域的情况下,发送报警信息。通过本发明,解决了相关技术中对于吸烟过程的监控不够准确的问题。
Description
技术领域
本发明涉及计算机领域,具体而言,涉及一种报警方法及装置、存储介质和电子装置。
背景技术
相关技术中,在比较特殊的环境中对于吸烟的监控的方式,使用红外热像仪对吸烟温度数据进行分析来判断是否吸烟这样会使得温度类似的其他环境因素产生误报,从而极大地降低吸烟的有效率。还有使用人脸可见光和红外子图像训练神经网络模型,通过可见光子图像获取目标位置。这种方法主要的问题有:(1)使用人脸特征,对侧面吸烟的人脸难易看到的目标会漏掉;(2)可见光和红外子图像同时输入训练的神经网络模型,一方面会增加图像的数据要求,另一方面每次使用红外会使耗时增加,从而影响实时性。
针对相关技术中的上述问题,目前尚未存在有效的解决方案。
发明内容
本发明实施例提供了一种报警方法及装置、存储介质和电子装置,以至少解决相关技术中对于吸烟过程的监控不够准确的问题。
根据本发明的一个实施例,提供了一种报警方法,包括:根据获取的视频流数据确定第一图像序列,其中,所述视频流包括目标对象图像;将所述第一图像序列输入到第一预设神经网络模型中以识别出第二图像序列,其中,所述第二图像序列中包括第一目标动作;所述第一预设神经网络模型是根据训练集对初始神经网络模型训练得到的,所述训练集包含有所述第一目标动作的图像序列;在确定第一预设数量连续的所述第二图像序列中出现温度值高于预设温度阈值的区域的情况下,发送报警信息。
根据本发明的另一个实施例,提供了一种报警装置,包括:第一确定模块,用于根据获取的视频流数据确定第一图像序列,其中,所述视频流包括目标对象图像;输入模块,用于将所述第一图像序列输入到第一预设神经网络模型中以识别出第二图像序列,其中,所述第二图像序列中包括第一目标动作;所述第一预设神经网络模型是根据训练集对初始神经网络模型训练得到的,所述训练集包含有所述第一目标动作的图像序列;第一发送模块,用于在确定第一预设数量连续的所述第二图像序列中出现温度值高于预设温度阈值的区域的情况下,发送报警信息。
根据本发明的又一个实施例,还提供了一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本发明的又一个实施例,还提供了一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
通过本发明,通过第一预设神经网络模型对获取到的第一图像序列进行识别,以识别出包括第一目标动作的第二图像序列,在确定出第一预设数量连续的第二图像序列中出现温度值高于预设温度阈值的区域的情况下,发送报警信息;其中,如果该第一目标动作是与吸烟相关的动作,先通过神经网络模型确定吸烟相关的动作,进而吸烟导致的温度是否高于预设阈值的方式提高了对吸烟过程的监控效率,也提高了环境的安全性能,能够避免危险情况的发生,从而解决了相关技术中对于吸烟过程的监控不够准确的问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明实施例的一种报警方法的终端的硬件结构框图;
图2是根据本发明实施例的报警方法的流程图;
图3是根据本发明实施例的报警装置的结构框图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
实施例1
本申请实施例一所提供的方法实施例可以在终端、计算机终端或者类似的运算装置中执行。以运行在终端上为例,图1是本发明实施例的一种报警方法的终端的硬件结构框图。如图1所示,终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104,可选地,上述终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述终端的结构造成限定。例如,终端还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本发明实施例中的报警方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括终端的通信供应商提供的无线网络。在一个实例中,传输设备106包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输设备106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种运行于上述终端的报警方法,图2是根据本发明实施例的报警方法的流程图,如图2所示,该流程包括如下步骤:
步骤S202,根据获取的视频流数据确定第一图像序列,其中,视频流包括目标对象图像;
步骤S204,将第一图像序列输入到第一预设神经网络模型中以识别出第二图像序列,其中,第二图像序列中包括第一目标动作;第一预设神经网络模型是根据训练集对初始神经网络模型训练得到的,训练集包含有第一目标动作的图像序列;
步骤S206,在确定第一预设数量连续的第二图像序列中出现温度值高于预设温度阈值的区域的情况下,发送报警信息。
通过上述步骤S202至步骤S206,通过第一预设神经网络模型对获取到的第一图像序列进行识别,以识别出包括第一目标动作的第二图像序列,在确定出第一预设数量连续的第二图像序列中出现温度值高于预设温度阈值的区域的情况下,发送报警信息;其中,如果该第一目标动作是与吸烟相关的动作,先通过神经网络模型确定吸烟相关的动作,进而吸烟导致的温度是否高于预设阈值的方式提高了对吸烟过程的监控效率,也提高了环境的安全性能,能够避免危险情况的发生,从而解决了相关技术中对于吸烟过程的监控不够准确的问题。
需要说明的是,本实施例中涉及到的视频流数据优选为监控摄像头得到的视频流数据,例如,厂库中的摄像头,商店中的摄像头等等。当然,这仅仅是本实施例中优选情况,其他方式获取到的视频流数据均是在本申请的保护范围之内的。此外,本实施例中第一目标动作,以吸烟场景为例,可以是吸烟的常用动作,例如,用手从嘴把烟夹出的动作,或者是吸烟后吐烟雾的动作,或者是用嘴叼烟的动作等等。
在本实施例的可选实施方式中,对于步骤S202中涉及到的根据获取到的视频流数据确定出第一图像序列的方式,进一步可以包括:
步骤S202-11,将获取到的视频流数据转换为第三图像序列;
步骤S202-12,从第三图像序列中筛选出包括目标区域的图像序列作为第一图像序列。
对于上述步骤S202-11和步骤S202-12,在具体应用场景中以吸烟场景为例,则该目标区域优选为图像序列中用户的肩部到头部的区域作为目标区域,因此,对于视频流数据转换的第三图像序列中,需要将没有包括该目标区域的图像序列剔除,剩下的则作为第一图像序列。当然,如果是其他应用场景,该目标区域可以根据场景的不同进行相应的调整。
在本实施例的另一个可选实施方式,对于本实施例中涉及到的确定出第一预设数量连续的第二图像序列中出现温度值高于预设温度阈值的区域的方式,进一步可以包括:
步骤S11,判断第一预设数量连续的第二图像序列中是否存在图像序列组合,其中,图像序列组合由第二预设数量连续的第二图像序列组成;第二预设数量的数值小于第一预设数量的数值;
其中,对于判断第一预设数量连续的第二图像序列中是否存在图像序列组合,进一步可以是:根据该目标区域在可见光中的位置信息获取与每一个与第一图像序列对应的热成像图像序列;判断热成像图像序列中是否存在温度值高于预设温度阈值的图像序列组合。
对于上述方式,以吸烟为场景,该预设温度值应该高于人体体温值的,且最好高于5摄氏度以上,具体预设温度值的设定可以根据实际情况进行相应的设置。而第二预设数量的数值小于第一预设数量的数值,其具体取值可以是第二预设数量的数值为4,而第一预设数量的数值为8;当然这里,仅仅是举例说明,可以根据实际情况进行相应的设置。
步骤S12,在判断结果为是的情况下,确定出第一确定结果,其中,第一确定结果用于指示第一预设数量连续的第二图像序列中出现温度值高于预设温度阈值的区域;
步骤S13,在判断结果为否的情况下,继续获取视频流数据下一视频流数据。
通过上述步骤S11至步骤S13可知,如果获取到的视频流对应的多个图像队列中出现了出现温度值高于预设温度阈值的区域,则说明当前视频流中是存在危险情况的,因此,需要发送报警信息,如果仅仅单个图像或两个图像序列出现温度值高于预设温度阈值的区域,而不是连续的多个图像序列出现,则判断是没有危险情况的,无需报警,例如,用户A在进入电梯后吸了一口烟发现,有孕妇则马上把烟掐掉,这样情况是没有危险的。因此,在这种情况下,则会继续判断一下段视频流是否出现危险情况,即整个过程是一个循环的过程。
需要说明的是,本实施例的方法步骤的执行主体可以是终端也可以是服务器,对于终端和服务器后台而言,其整个过程可以是:
步骤S21,将视频监控的视频流转化为图像序列(f1,f2,f3,…,fN)。
步骤S22,获取当前帧图像fn(n=1,…,N-1)。
步骤S23,使用头肩检测获取fn中所有的头肩目标Objm(m=1,…,M-1)。
步骤S24,使用头肩目标跟踪对3中的Objn,m(m=1,…,M-1)赋予目标ID;若n=1,则f1每个目标的吸烟计数初始化为0:S1,m(m=1,…,M-1)={0};若n>1且该目标第一次出现,则对该目标吸烟计数初始化为0:S1,x(x=1,…,X-1)={0}。
步骤S25,将S24中的跟踪目标的送至训练好的吸烟检测深度网络,判断是否具有吸烟特征。
根据上述S25的结果,若有吸烟的,获取可见光中的该头肩目标在热成像中的位置信息,判断温度是否达到吸烟的大致区域;若满足吸烟,将该目标的吸烟计数加1:Sa+1,x=Sa,x+1,并判断是否满足设置的吸烟计数阈值,若满足返回吸烟结果,进行报警处理。返回至步骤S22。
在本实施例的可选实施方式中,对于上述本实施例中的训练集是可以进行更新的,即本实施例的方法步骤还可以包括:
步骤S108,对训练集进行更新,其中,更新后的训练集为包含有第二目标动作的图像序列;第一目标动作与第二目标动作不相同;
步骤S110,通过更新后的训练集对初始神经网络模型训练得到第二预设神经网络模型。
在对训练集和神经网络模型进行更新后,依然可以执行上述本实施例的方法步骤,即:
步骤S202,将第一图像序列输入到第二预设神经网络模型中以识别出第二图像序列,其中,第二图像序列中包括第二目标动作;
步骤S204,在确定第一预设数量连续的第二图像序列中出现温度值高于预设温度阈值的区域的情况下,发送报警信息。
也就是说,在本实施例中可以根据实际情况根据不同的目标动作对神经网络模型进行训练,这样可以适应多个不同的应用场景。
本实施实例中,利用可见光下的头肩目标检测获取目标的目标区域(如头肩位置),将包含有第一目标动作图像作为深度网络模型的输入,如果是吸烟场景,则训练一个吸烟的神经网络模型。对视频中烟的占比非常小、不明显、被遮挡等信息,通过加入了手势判断,可以降低对烟的依赖性,从而使得该发明应用性更广。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例的方法。
实施例2
在本实施例中还提供了一种报警装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图3是根据本发明实施例的报警装置的结构框图,如图3所示,该装置包括:第一确定模块32,用于根据获取的视频流数据确定第一图像序列,其中,视频流包括目标对象图像;输入模块34,用于将第一图像序列输入到第一预设神经网络模型中以识别出第二图像序列,其中,第二图像序列中包括第一目标动作;第一预设神经网络模型是根据训练集对初始神经网络模型训练得到的,训练集包含有第一目标动作的图像序列;第一发送模块36,用于在确定第一预设数量连续的第二图像序列中出现温度值高于预设温度阈值的区域的情况下,发送报警信息。
可选地,本实施例中的第一确定模块34进一步可以包括:转换单元,用于将获取到的视频流数据转换为第三图像序列;筛选单元,用于从第三图像序列中筛选出包括目标区域的图像序列作为第一图像序列。
可选地,本实施例的装置还可以包括:判断模块,用于判断第一预设数量连续的第二图像序列中是否存在图像序列组合,其中,图像序列组合由第二预设数量连续的第第二图像序列组成;第二预设数量的数值小于第一预设数量的数值;确定模块,用于在判断结果为是的情况下,确定出第一确定结果,其中,第一确定结果用于指示第一预设数量连续的第二图像序列中出现温度值高于预设温度阈值的区域。获取模块,还用于在判断结果为否的情况下,继续获取视频流数据的下一视频流数据。
其中,该判断模块进一步可以包括:获取单元,用于根据该目标区域在可见光中的位置信息获取与每一个与第一图像序列对应的热成像图像序列;判断单元,用于判断热成像图像序列中是否存在温度值高于预设温度阈值的图像序列组合。
可选地,本实施例的装置还可以包括:更新模块,用于对训练集进行更新,其中,更新后的训练集为包含有第二目标动作的图像序列;第一目标动作与第二目标动作不相同;训练模块,用于通过更新后的训练集对初始神经网络模型训练得到第二预设神经网络模型。
可选地,本实施例的装置还可以包括:识别模块,用于将第一图像序列输入到第二预设神经网络模型中以识别出第二图像序列,其中,第二图像序列中包括第二目标动作;第二发送模块,用于在确定第一预设数量连续的第二图像序列中出现温度值高于预设温度阈值的区域的情况下,发送报警信息。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,对于后者,可以通过以下方式实现,但不限于此:上述模块均位于同一处理器中;或者,上述各个模块以任意组合的形式分别位于不同的处理器中。
实施例3
本发明的实施例还提供了一种存储介质,该存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,根据获取的视频流数据确定第一图像序列,其中,视频流包括目标对象图像;
S2,将第一图像序列输入到第一预设神经网络模型中以识别出第二图像序列,其中,第二图像序列中包括第一目标动作;第一预设神经网络模型是根据训练集对初始神经网络模型训练得到的,训练集包含有第一目标动作的图像序列;
S3,在确定第一预设数量连续的第二图像序列中出现温度值高于预设温度阈值的区域的情况下,发送报警信息。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明的实施例还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,根据获取的视频流数据确定第一图像序列,其中,视频流包括目标对象图像;
S2,将第一图像序列输入到第一预设神经网络模型中以识别出第二图像序列,其中,第二图像序列中包括第一目标动作;第一预设神经网络模型是根据训练集对初始神经网络模型训练得到的,训练集包含有第一目标动作的图像序列;
S3,在确定第一预设数量连续的第二图像序列中出现温度值高于预设温度阈值的区域的情况下,发送报警信息。
可选地,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种报警方法,其特征在于,包括:
根据获取的视频流数据确定第一图像序列,其中,所述视频流包括目标对象图像;
将所述第一图像序列输入到第一预设神经网络模型中以识别出第二图像序列,其中,所述第二图像序列中包括第一目标动作;所述第一预设神经网络模型是根据训练集对初始神经网络模型训练得到的,所述训练集包含有所述第一目标动作的图像序列;
在确定第一预设数量连续的所述第二图像序列中出现温度值高于预设温度阈值的区域的情况下,发送报警信息。
2.根据权利要求1所述的方法,其特征在于,所述根据获取到的视频流数据确定出第一图像序列,包括:
将获取到的视频流数据转换为第三图像序列;
从所述第三图像序列中筛选出包括目标区域的图像序列作为所述第一图像序列。
3.根据权利要求1所述的方法,其特征在于,所述确定出第一预设数量连续的所述第二图像序列中出现温度值高于预设温度阈值的区域,包括:
判断所述第一预设数量连续的所述第二图像序列中是否存在图像序列组合,其中,所述图像序列组合由第二预设数量连续的所述第第二图像序列组成;所述第二预设数量的数值小于所述第一预设数量的数值;
在判断结果为是的情况下,确定出第一确定结果,其中,所述第一确定结果用于指示第一预设数量连续的所述第二图像序列中出现温度值高于预设温度阈值的区域。
4.根据权利要求3所述的方法,其特征在于,判断所述第一预设数量连续的所述第二图像序列中是否存在图像序列组合包括:
根据该目标区域在可见光中的位置信息获取与每一个与所述第一图像序列对应的热成像图像序列;
判断所述热成像图像序列中是否存在温度值高于预设温度阈值的图像序列组合。
5.根据权利要求3所述的方法,其特征在于,
在判断结果为否的情况下,继续获取所述视频流数据的下一视频流数据。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
对所述训练集进行更新,其中,更新后的训练集所述训练集为包含有第二目标动作的图像序列;所述第一目标动作与所述第二目标动作不相同;
通过更新后的训练集对所述初始神经网络模型训练得到第二预设神经网络模型。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
将所述第一图像序列输入到所述第二预设神经网络模型中以识别出第二图像序列,其中,所述第二图像序列中包括第二目标动作;
在确定第一预设数量连续的所述第二图像序列中出现温度值高于预设温度阈值的区域的情况下,发送报警信息。
8.一种报警装置,其特征在于,包括:
第一确定模块,用于根据获取的视频流数据确定第一图像序列,其中,所述视频流包括目标对象图像;
输入模块,用于将所述第一图像序列输入到第一预设神经网络模型中以识别出第二图像序列,其中,所述第二图像序列中包括第一目标动作;所述第一预设神经网络模型是根据训练集对初始神经网络模型训练得到的,所述训练集包含有所述第一目标动作的图像序列;
第一发送模块,用于在确定第一预设数量连续的所述第二图像序列中出现温度值高于预设温度阈值的区域的情况下,发送报警信息。
9.一种计算机可读的存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至7任一项中所述的方法。
10.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行所述权利要求1至7任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010307112.7A CN111507268B (zh) | 2020-04-17 | 2020-04-17 | 报警方法及装置、存储介质和电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010307112.7A CN111507268B (zh) | 2020-04-17 | 2020-04-17 | 报警方法及装置、存储介质和电子装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111507268A true CN111507268A (zh) | 2020-08-07 |
CN111507268B CN111507268B (zh) | 2024-02-20 |
Family
ID=71871073
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010307112.7A Active CN111507268B (zh) | 2020-04-17 | 2020-04-17 | 报警方法及装置、存储介质和电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111507268B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112084882A (zh) * | 2020-08-18 | 2020-12-15 | 深圳英飞拓科技股份有限公司 | 一种行为检测方法、装置及计算机可读存储介质 |
CN112802299A (zh) * | 2020-12-30 | 2021-05-14 | 易启科技(吉林省)有限公司 | 加油站风险感知预警危险区域管控系统及其处理方法 |
CN113691687A (zh) * | 2021-07-08 | 2021-11-23 | 浙江大华技术股份有限公司 | 报警方法、报警设备、电子装置和存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014012070A1 (en) * | 2012-07-12 | 2014-01-16 | Flir Systems, Inc. | Infant monitoring systems and methods using thermal imaging |
CN105651392A (zh) * | 2015-12-31 | 2016-06-08 | 深圳还是威健康科技有限公司 | 检测用户吸烟的方法和装置 |
US20170131663A1 (en) * | 2015-11-09 | 2017-05-11 | Ricoh Company, Ltd. | Image forming apparatus |
CN106887108A (zh) * | 2015-12-16 | 2017-06-23 | 天维尔信息科技股份有限公司 | 基于热成像的预警联动方法及系统 |
JP2017188792A (ja) * | 2016-04-06 | 2017-10-12 | 株式会社Jvcケンウッド | 撮影装置、撮影方法及び撮影プログラム |
CN107403407A (zh) * | 2017-08-04 | 2017-11-28 | 深圳市唯特视科技有限公司 | 一种基于热成像技术的呼吸跟踪方法 |
WO2018109657A1 (en) * | 2016-12-12 | 2018-06-21 | Essence Security International (E.S.I.) Ltd. | Alarm system with smoke generation |
CN109499068A (zh) * | 2018-11-14 | 2019-03-22 | 腾讯科技(深圳)有限公司 | 对象的控制方法和装置、存储介质、电子装置 |
WO2019127273A1 (zh) * | 2017-12-28 | 2019-07-04 | 深圳市锐明技术股份有限公司 | 一种多人脸检测方法、装置、服务器、系统及存储介质 |
CN110099253A (zh) * | 2019-05-20 | 2019-08-06 | 浙江大华技术股份有限公司 | 告警操作的执行方法、显示设备 |
US10504023B1 (en) * | 2015-06-05 | 2019-12-10 | Google Llc | Training recurrent neural networks to generate sequences |
CN110956118A (zh) * | 2019-11-26 | 2020-04-03 | 浙江大华技术股份有限公司 | 目标对象检测方法和装置、存储介质及电子装置 |
-
2020
- 2020-04-17 CN CN202010307112.7A patent/CN111507268B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014012070A1 (en) * | 2012-07-12 | 2014-01-16 | Flir Systems, Inc. | Infant monitoring systems and methods using thermal imaging |
US10504023B1 (en) * | 2015-06-05 | 2019-12-10 | Google Llc | Training recurrent neural networks to generate sequences |
US20170131663A1 (en) * | 2015-11-09 | 2017-05-11 | Ricoh Company, Ltd. | Image forming apparatus |
CN106887108A (zh) * | 2015-12-16 | 2017-06-23 | 天维尔信息科技股份有限公司 | 基于热成像的预警联动方法及系统 |
CN105651392A (zh) * | 2015-12-31 | 2016-06-08 | 深圳还是威健康科技有限公司 | 检测用户吸烟的方法和装置 |
JP2017188792A (ja) * | 2016-04-06 | 2017-10-12 | 株式会社Jvcケンウッド | 撮影装置、撮影方法及び撮影プログラム |
WO2018109657A1 (en) * | 2016-12-12 | 2018-06-21 | Essence Security International (E.S.I.) Ltd. | Alarm system with smoke generation |
CN107403407A (zh) * | 2017-08-04 | 2017-11-28 | 深圳市唯特视科技有限公司 | 一种基于热成像技术的呼吸跟踪方法 |
WO2019127273A1 (zh) * | 2017-12-28 | 2019-07-04 | 深圳市锐明技术股份有限公司 | 一种多人脸检测方法、装置、服务器、系统及存储介质 |
CN109499068A (zh) * | 2018-11-14 | 2019-03-22 | 腾讯科技(深圳)有限公司 | 对象的控制方法和装置、存储介质、电子装置 |
CN110099253A (zh) * | 2019-05-20 | 2019-08-06 | 浙江大华技术股份有限公司 | 告警操作的执行方法、显示设备 |
CN110956118A (zh) * | 2019-11-26 | 2020-04-03 | 浙江大华技术股份有限公司 | 目标对象检测方法和装置、存储介质及电子装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112084882A (zh) * | 2020-08-18 | 2020-12-15 | 深圳英飞拓科技股份有限公司 | 一种行为检测方法、装置及计算机可读存储介质 |
CN112802299A (zh) * | 2020-12-30 | 2021-05-14 | 易启科技(吉林省)有限公司 | 加油站风险感知预警危险区域管控系统及其处理方法 |
CN113691687A (zh) * | 2021-07-08 | 2021-11-23 | 浙江大华技术股份有限公司 | 报警方法、报警设备、电子装置和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111507268B (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111507268A (zh) | 报警方法及装置、存储介质和电子装置 | |
CN109145771B (zh) | 一种人脸抓拍方法及装置 | |
CN110475124B (zh) | 视频卡顿检测方法及装置 | |
CN110995810B (zh) | 一种基于人工智能的对象识别方法和相关装置 | |
CN108323202A (zh) | 超时等待的提示方法及云系统 | |
CN112446395A (zh) | 网络摄像机、视频监控系统及方法 | |
CN112163468A (zh) | 基于多线程的图像处理方法及装置 | |
CN112017323A (zh) | 一种巡检报警方法、装置、可读存储介质及终端设备 | |
CN112492383A (zh) | 视频帧的生成方法及装置、存储介质、电子设备 | |
CN110264497B (zh) | 跟踪时长的确定方法及装置、存储介质、电子装置 | |
CN115168024A (zh) | 基于边缘计算的预警方法、装置及设备 | |
CN111540020A (zh) | 目标行为的确定方法及装置、存储介质、电子装置 | |
CN113435359A (zh) | 一种图像识别方法 | |
CN110414322B (zh) | 提取图片的方法、装置、设备及存储介质 | |
CN111265881A (zh) | 一种模型训练方法、内容生成方法以及相关装置 | |
CN115952398A (zh) | 基于物联网的数据上传统计计算方法、系统和存储介质 | |
CN111866468B (zh) | 对象跟踪分配方法、装置、存储介质及电子装置 | |
US20230306711A1 (en) | Monitoring system, camera, analyzing device, and ai model generating method | |
CN115351782A (zh) | 基于边缘计算的多机器人控制方法、装置及存储介质 | |
CN112347834B (zh) | 基于人员类别属性的远程看护方法、设备及可读存储介质 | |
US20220255953A1 (en) | Feature detection with neural network classification of images representations of temporal graphs | |
CN108111557A (zh) | 一种获取云存储系统中数据的方法及装置 | |
CN112949606A (zh) | 工服穿戴状态检测方法、装置、存储介质及电子装置 | |
CN109685012B (zh) | 生物的视频监控方法及装置 | |
CN112232170A (zh) | 对象行为的确定方法及装置、存储介质、电子装置 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20231010 Address after: Room 201, Building A, Integrated Circuit Design Industrial Park, No. 858, Jianshe 2nd Road, Economic and Technological Development Zone, Xiaoshan District, Hangzhou City, Zhejiang Province, 311200 Applicant after: Zhejiang Huagan Technology Co.,Ltd. Address before: No. 1187, Bin'an Road, Binjiang high tech Zone, Hangzhou, Zhejiang, 310051 Applicant before: ZHEJIANG DAHUA TECHNOLOGY Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |