CN111581436B - 目标识别方法、装置、计算机设备和存储介质 - Google Patents

目标识别方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN111581436B
CN111581436B CN202010237413.7A CN202010237413A CN111581436B CN 111581436 B CN111581436 B CN 111581436B CN 202010237413 A CN202010237413 A CN 202010237413A CN 111581436 B CN111581436 B CN 111581436B
Authority
CN
China
Prior art keywords
target
attribute information
image data
frame image
video frame
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010237413.7A
Other languages
English (en)
Other versions
CN111581436A (zh
Inventor
李宁鸟
韩雪云
王文涛
李杨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xi'an Tianhe Defense Technology Co ltd
Original Assignee
Xi'an Tianhe Defense Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xi'an Tianhe Defense Technology Co ltd filed Critical Xi'an Tianhe Defense Technology Co ltd
Priority to CN202010237413.7A priority Critical patent/CN111581436B/zh
Publication of CN111581436A publication Critical patent/CN111581436A/zh
Application granted granted Critical
Publication of CN111581436B publication Critical patent/CN111581436B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/7837—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using objects detected or recognised in the video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/73—Querying
    • G06F16/735—Filtering based on additional data, e.g. user or group profiles
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Library & Information Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种目标识别方法、装置、计算机设备和存储介质。所述方法包括：获取目标视频帧图像数据；对所述目标视频帧图像数据进行目标检测识别处理，得到多个待检测目标的属性信息；其中，所述属性信息包括坐标信息、类别信息；对所述属性信息进行异常判断处理，以筛选出所述多个待检测目标中的异常目标；对所述异常目标的目标属性信息进行预设结构化处理，得到目标结构化属性信息；将所述目标结构化属性信息发送至预设显示平台。采用本方法能够提供计算机设备的灵活性和智能性。

Description

目标识别方法、装置、计算机设备和存储介质
技术领域
本申请涉及图像处理技术领域，特别是涉及一种目标识别方法、装置、计算机设备和存储介质。
背景技术
随着摄像机技术的发展，可以将摄像机用于视频监控场景中，以用于对摄像机拍摄到的视频流进行目标检测追踪或者检测告警处理。
传统方法中，摄像机会以预先设置的摄像机路数对拍摄到的视频流进行目标检测追踪或者检测告警处理，并将处理结果发送至上位机进行显示。
由于传统方法中摄像机路数是预先设置的，因此在处理较多路数的视频图像数据时会出现卡机或处理速度很慢的情况，导致摄像机的灵活性不高。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高摄像机灵活性的目标识别方法、装置、计算机设备和存储介质。
一种目标识别方法，所述方法包括：
获取目标视频帧图像数据；
对所述目标视频帧图像数据进行目标检测识别处理，得到多个待检测目标的属性信息；其中，所述属性信息包括坐标信息、类别信息；
对所述属性信息进行异常判断处理，以筛选出所述多个待检测目标中的异常目标；
对所述异常目标的目标属性信息进行预设结构化处理，得到目标结构化属性信息；
将所述目标结构化属性信息发送至预设显示平台。
在其中一个实施例中，所述获取目标视频帧图像数据，包括：
获取预设的图像采集位置以及图像采集张数；
在所述图像采集位置处按照预设时间间隔依次采集多张视频图像；
对所述多张视频图像进行预设解码处理，得到解码处理后视频图像；
将所述解码处理后视频图像中的一张作为所述目标视频帧图像数据。
在其中一个实施例中，所述对所述目标视频帧图像数据进行目标检测识别处理，得到多个待检测目标的属性信息，包括：
利用预设的深度学习优化加速算法对训练好的深度学习目标检测识别模型进行优化处理，得到优化处理后深度学习目标检测识别模型；
利用所述优化处理后深度学习目标检测识别模型对所述目标视频帧图像数据进行目标检测识别处理，得到多个待检测目标的属性信息。
在其中一个实施例中，所述对所述属性信息进行异常判断处理，以筛选出所述多个待检测目标中的异常目标，包括：
将所述属性信息与物联网平台发布的预设目标属性信息进行匹配处理，并将匹配失败时对应的目标作为所述多个待检测目标中的异常目标。
在其中一个实施例中，所述获取目标视频帧图像数据，包括：
获取视频流数据，并将所述视频流数据中的一帧视频帧图像，作为目标视频帧图像数据。
在其中一个实施例中，所述对所述属性信息进行异常判断处理，以筛选出所述多个待检测目标中的异常目标，包括：
获取所述目标视频帧图像数据的下一帧视频帧图像数据，作为参考视频帧图像数据；
根据所述属性信息，确定所述目标视频帧图像数据和所述参考视频帧图像数据中存在的相同待检测目标；
获取所述相同待检测目标在设定时长内或设定区域内的出现次数；
确定所述出现次数超过预设次数阈值时，将所述相同待检测目标作为异常目标；其中，所述相同待检测目标为所述多个待检测目标中的至少一个目标。
在其中一个实施例中，在所述获取目标视频帧图像数据的步骤之后，所述方法还包括：
将所述目标视频帧图像数据发送至预设显示平台，以使所述目标视频帧图像数据按照预设格式进行显示。
一种目标识别系统，所述系统包括计算机设备和预设显示平台，其中：
所述计算机设备，用于获取目标视频帧图像数据，并对所述目标视频帧图像数据进行目标检测识别处理，得到多个待检测目标的属性信息；对所述属性信息进行异常判断处理，以筛选出所述多个待检测目标中的异常目标；对所述异常目标的目标属性信息进行预设结构化处理，得到目标结构化属性信息；将所述目标结构化属性信息发送至预设显示平台；其中，所述属性信息包括坐标信息、类别信息；
所述预设显示平台，用于按照预设格式显示所述目标结构化属性信息。
一种目标识别装置，所述装置包括：
获取模块，用于获取目标视频帧图像数据；
目标检测识别模块，用于对所述目标视频帧图像数据进行目标检测识别处理，得到多个待检测目标的属性信息；其中，所述属性信息包括坐标信息、类别信息；
异常目标判断模块，用于对所述属性信息进行异常判断处理，以筛选出所述多个待检测目标中的异常目标；
结构化处理模块，用于对所述异常目标的目标属性信息进行预设结构化处理，得到目标结构化属性信息；
目标数据发送模块，用于将所述目标结构化属性信息发送至预设显示平台。
所述获取模块具体包括：第一获取单元、采集单元、处理单元、第一确定单元。
其中，第一获取单元，用于获取预设的图像采集位置以及图像采集张数；采集单元，用于在所述图像采集位置处按照预设时间间隔依次采集多张视频图像；处理单元，用于对所述多张视频图像进行预设解码处理，得到解码处理后视频图像；第一确定单元，用于将所述解码处理后视频图像中的一张作为所述目标视频帧图像数据。
目标检测识别模块，具体包括：优化处理单元和目标检测识别处理单元。
其中，优化处理单元，用于利用预设的深度学习优化加速算法对训练好的深度学习目标检测识别模型进行优化处理，得到优化处理后深度学习目标检测识别模型；目标检测识别处理单元，用于利用所述优化处理后深度学习目标检测识别模型对所述目标视频帧图像数据进行目标检测识别处理，得到多个待检测目标的属性信息。
异常目标判断模块，还具体用于将所述属性信息与物联网平台发布的预设目标属性信息进行匹配处理，并将匹配失败时对应的目标作为所述多个待检测目标中的异常目标。
获取模块，还具体用于获取视频流数据，并将所述视频流数据中的一帧视频帧图像，作为目标视频帧图像数据。
异常目标判断模块13，还具体包括：第二获取单元、第二确定单元、第三获取单元和异常目标判断单元。
其中，第二获取单元，用于获取所述目标视频帧图像数据的下一帧视频帧图像数据，作为参考视频帧图像数据；第二确定单元，用于根据所述属性信息，确定所述目标视频帧图像数据和所述参考视频帧图像数据中存在的相同待检测目标；第三获取单元，用于获取所述相同待检测目标在设定时长内或设定区域内的出现次数；异常目标判断单元，用于确定所述出现次数超过预设次数阈值时，将所述相同待检测目标作为异常目标；其中，所述相同待检测目标为所述多个待检测目标中的至少一个目标。
所述目标识别装置，还具体包括数据发送模块，所述数据发送模块，可以用于将所述目标视频帧图像数据发送至预设显示平台，以使所述目标视频帧图像数据按照预设格式进行显示。
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，所述处理器执行所述计算机程序时实现以下步骤：
获取目标视频帧图像数据；
对所述目标视频帧图像数据进行目标检测识别处理，得到多个待检测目标的属性信息；其中，所述属性信息包括坐标信息、类别信息；
对所述属性信息进行异常判断处理，以筛选出所述多个待检测目标中的异常目标；
对所述异常目标的目标属性信息进行预设结构化处理，得到目标结构化属性信息；
将所述目标结构化属性信息发送至预设显示平台。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取目标视频帧图像数据；
对所述目标视频帧图像数据进行目标检测识别处理，得到多个待检测目标的属性信息；其中，所述属性信息包括坐标信息、类别信息；
对所述属性信息进行异常判断处理，以筛选出所述多个待检测目标中的异常目标；
对所述异常目标的目标属性信息进行预设结构化处理，得到目标结构化属性信息；
将所述目标结构化属性信息发送至预设显示平台。
上述目标识别方法、装置、计算机设备和存储介质，所述目标识别方法首先获取目标视频帧图像数据，并对所述目标视频帧图像数据进行目标检测识别处理，得到多个待检测目标的属性信息。由于所述属性信息包括坐标信息、类别信息，所述多个待检测目标中存在异常目标，因此对所述多个待检测目标的属性信息进行异常判断处理后能够筛选出所述多个待检测目标中的异常目标，以此提高了获取目标视频帧图像数据中多个待检测目标的属性信息的快速性和可靠性，从而提高了获取所述目标视频帧图像数据中异常目标的属性信息的快速性和准确性；进一步的，通过对所述异常目标的目标属性信息进行预设结构化处理，得到目标结构化属性信息，然后将所述目标结构化属性信息发送至预设显示平台，以此避免传统技术中的摄像机处理较大路数视频数据时导致的卡机或处理速度很慢的问题，实现了计算机设备在处理不同路数的视频帧图像数据时也能够确保计算机设备的流畅性和准确性，从而提高了计算机设备的灵活性和可靠性。
附图说明
图1为一个实施例中目标识别方法的流程示意图；
图2为另一实施例中目标识别方法的流程示意图；
图3为再一实施例中目标识别方法的流程示意图；
图4为又一实施例中目标识别方法的流程示意图；
图5为一个实施例中目标识别系统的结构框图；
图6为一个实施例中目标识别装置的结构框图；
图7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。
本申请提供的目标识别方法，其执行主体可以是目标识别装置，所述目标识别装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部。可选的，该计算机设备可以为个人计算机(Persodal Computer，PC)、便携式设备、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备等具有摄像功能的电子设备，例如平板电脑、手机等等，本申请实施例对计算机设备的具体形式并不做限定。
需要说明的是，下述方法实施例的执行主体可以是上述计算机设备的部分或者全部。下述方法实施例以执行主体为计算机设备为例进行说明。
在一个实施例中，如图1所示，提供了一种目标识别方法，包括以下步骤：
步骤S11，获取目标视频帧图像数据。
具体地，所述目标视频帧图像数据可以是计算机设备通过实时流传输协议(RealTime Streaming Protocol，RTSP)从正在录入的视频流数据或者存储的视频流数据中选取一帧视频帧图像，也可以是计算机设备在覆盖区域内的设定位置处采集多帧图像数据后选取一帧图像数据；其中，所述设定位置可以是预先设置的出现待检测目标的概率最高的位置，所述待检测目标可以包括人、车辆等其他目标。
步骤S12，对所述目标视频帧图像数据进行目标检测识别处理，得到多个待检测目标的属性信息；其中，所述属性信息包括坐标信息、类别信息。
其中，所述待检测目标可以是所述目标视频帧图像数据中的设定目标，比如设定目标可以是所述目标视频帧图像数据中的人、车辆等，当待检测目标为人时，类别信息可以是人的性别，当待检测目标为车辆时，类别信息可以是车辆所属种类，以此确定车辆是轿车还是客运货车等其他类型的车辆。
具体地，计算机设备在对所述目标视频帧图像数据进行目标检测识别处理时，可以先将所述目标视频帧图像数据输入训练好的深度学习目标检测识别模型中，得到属性信息文档，所述属性信息文档包括多个待检测目标的属性信息。
然后再对所述属性信息文档进行流图化处理，以使所述属性信息文档中每个待检测目标的属性信息能够以流图的形式输出，提高了数据传输的快速性和可靠性。
步骤S13，对所述属性信息进行异常判断处理，以筛选出所述多个待检测目标中的异常目标。
其中，所述异常目标可以是与预设目标不相同的目标，也可以是满足预设的异常目标条件的目标，所述异常目标条件可以包括在设定时长内持续出现在固定区域内，也可以包括在设定时长内在设定警戒线外出现。比如，设定计算机设备的覆盖区域为进入公司内部的一个入口区域，待检测目标可以出现在所述入口区域的人和/或车辆，所述预设目标可以是该公司内部的每一个职员和/职员的车辆，如果根据所述属性信息确定多个待检测目标中的至少一个目标不是该公司的职员和/或不是职员的车辆，则可以确定所述至少一个目标为异常目标；亦比如，计算机设备根据所述属性信息确定所述多个待检测目标中的某一目标为逗留人员或者越线车辆时，也可以确定该目标为异常目标。
具体地，计算机设备在获取到所述目标视频帧图像数据中的多个待检测目标的属性信息时，可以进一步对所述多个待检测目标的属性信息进行异常判断处理，也即将所述目标视频帧图像数据中与预设目标不相同的目标作为异常目标或者满足预设的异常目标条件的目标作为异常目标，以此获取所述目标视频帧图像数据中存在的异常目标的坐标信息、类别信息，同时将所述多个待检测目标中除去异常目标之外的剩余待检测目标作为正常目标保留。
步骤S14，对所述异常目标的目标属性信息进行预设结构化处理，得到目标结构化属性信息。
具体地，计算机设备在确定出所述目标视频帧图像数据中的异常目标时，可以获取所述异常目标的属性信息，并进一步对所述异常目标的属性信息进行数据结构化处理，得到的所述目标结构化属性信息可以包括[{“label”：“unknown”}，{“image”：“base64字节流”}，{“time”：“时间戳”}]或[{“label”：“车牌号”}，{“time”：“时间戳”}]等，也可以包括[{{“label”：“unknown”}，{“image”：“base64字节流1”}，{“time”：“时间戳1”}}，{{“label”：“person”}，{“image”：“base64字节流2”}，{“time”：“时间戳2”}}，…]。
其中，image可以为整幅所述目标视频帧图像数据，也可以为所述目标视频帧图像数据中所述异常目标所在区域的图像数据。
在实际处理过程中，计算机设备也可以将所述目标视频帧图像数据中与预设目标相同的目标或者不满足预设的异常目标条件的目标作为正常目标，并对所述正常目标的属性信息也进行数据结构化处理，得到数据结构化信息，所述数据结构化信息可以包括[{“label”：“员工工号”}，{“image”：“base64字节流”}，{“time”：“时间戳”}]或[{“label”：“person”}，{“time”：“时间戳”}]等，也可以包括[{{“label”：“person1”}，{“image”：“base64字节流1”}，{“time”：“时间戳1”}}，{{“label”：“person2”}，{“image”：“base64字节流2”}，{“time”：“时间戳2”}}，…]。
步骤S15，将所述目标结构化属性信息发送至预设显示平台。
其中，所述预设显示平台可以是服务器端，也可以是物联网监控平台。
具体地，计算机设备可以通过消息队列遥测传输(Message Queuing TelemetryTransport，mqtt)协议将所述目标结构化属性信息发送至物联网监控平台，也可以通过Socket协议将所述目标结构化属性信息发送传输到服务器端，以使得服务器端或者物联网监控平台可以实时接收计算机设备发送的所述目标结构化属性信息，从而使得服务器端或者物联网监控平台可以选择性地显示所述目标结构化属性信息中的部分数据或者全部数据。
在实际处理过程中，所述预设显示平台可以接收所述目标结构化属性信息和所述数据结构化信息，且所述预设显示平台可以选择性地显示所述目标结构化属性信息和所述数据结构化信息中的部分数据或者全部数据。可选地，当预设显示平台接收到的所述目标结构化属性信息中员工工号为“unknown”或者车牌号为“unknown”时可以直接进行告警，以提示公司门卫对所述异常目标进行处理。
上述目标识别方法中，计算机设备首先获取目标视频帧图像数据，并对所述目标视频帧图像数据进行目标检测识别处理，得到多个待检测目标的属性信息。由于所述属性信息包括坐标信息、类别信息，所述多个待检测目标中存在异常目标，因此对所述多个待检测目标的属性信息进行异常判断处理后能够筛选出所述多个待检测目标中的异常目标，以此提高了获取目标视频帧图像数据中多个待检测目标的属性信息的快速性和可靠性，从而提高了获取所述目标视频帧图像数据中异常目标的属性信息的快速性和准确性；进一步的，通过对所述异常目标的目标属性信息进行预设结构化处理，得到目标结构化属性信息，然后将所述目标结构化属性信息发送至预设显示平台；由于所述目标结构化属性信息是以流图形式输出的，因此计算机设备能够实现将所述目标结构化属性信息分批次发送至预设显示平台，以此避免了传统技术中的摄像机在传输较大容量数据时导致的卡机或发送速度很慢的问题，实现了计算机设备在处理不同路数的视频帧图像数据时也能够确保计算机设备的流畅性和准确性，从而提高了计算机设备的灵活性和可靠性。
在一个实施例中，如图2所示，步骤S11包括：
步骤S111，获取预设的图像采集位置以及图像采集张数。
其中，所述图像采集位置可以是预先设置的出现待检测目标的概率最高的位置，比如计算机设备应用于公司门口的监控场景时，可以设置进入公司内部的每一个进出口为所述图像采集位置；所述图像采集张数为计算机设备在所述图像采集位置处采集的视频图像张数。
具体地，计算机设备可以在预设的多个图像采集位置处选取其中一个作为当前图像采集位置，并进一步确定在所述当前图像采集位置处利用H264协议采集视频图像的所述图像采集张数，可以设定所述图像采集张数为m，m为正整数。
步骤S112，在所述图像采集位置处按照预设时间间隔依次采集多张视频图像。
其中，所述预设时间间隔可以是0秒，也可以是几秒或几分钟，此处不做限定。
具体地，计算机设备在获取到所述图像采集位置和所述图像采集张数时，可以在所述图像采集位置处连续采集m张视频图像，也可以在所述图像采集位置处以几秒或者几分钟为预设时间间隔依次采集m张视频图像。
步骤S113，对所述多张视频图像进行预设解码处理，得到解码处理后视频图像。
其中，所述预设解码处理可以为软解码处理，所述软解码处理可以用于解码视频格式文件，且能够使得画质更加清晰。
具体地，计算机设备在所述图像采集位置处采集到m张视频图像时，可以对每一张视频图像进行软解码处理，以得到m张软解码处理后视频图像，所述m张软解码处理后视频图像即为所述解码处理后视频图像。
步骤S114，将所述解码处理后视频图像中的一张作为所述目标视频帧图像数据。
其中，所述解码处理后视频图像可以为m张软解码处理后视频图像。
具体地，计算机设备在得到所述m张软解码处理后视频图像时，可以获取每张解码处理后视频图像的画质清晰度，并在所得到的m个清晰度中选取清晰度最高的目标清晰度，最后将所述目标清晰度对应的目标解码处理后视频图像作为所述目标视频帧图像数据。
本实施例中，计算机设备获取到预设的图像采集位置以及图像采集张数时，通过在所述图像采集位置处按照预设时间间隔依次采集多张视频图像，以此实现识别出待检测目标的准确性和可靠性；然后，计算机设备对所述多张视频图像进行预设解码处理，得到解码处理后视频图像，以将所述解码处理后视频图像中的一张作为所述目标视频帧图像数据，从而提高了计算机设备获取目标视频帧图像数据的灵活性和快速性。
在一个实施例中，如图3所示，步骤S12包括：
步骤S121，利用预设的深度学习优化加速算法对训练好的深度学习目标检测识别模型进行优化处理，得到优化处理后深度学习目标检测识别模型。
其中，所述深度学习优化加速算法可以为深度学习优化加速工具TensorRT，TensorRT是一个高性能的深度学习推理(Inference)优化器,可以为深度学习应用提供低延迟、高吞吐率的部署推理。所述训练好的深度学习目标检测识别模型可以是使用同一类型待检测目标的多张视频图像训练深度学习目标检测识别模型后得到的模型，TensorRT是一款基于统一计算设备架构(Compute Unified Device Architecture，CUDA)和CUDA深层神经网络(CUDA Deep Neural Network，cudnn)的神经网络推断加速引擎，因此，采用TensorRT优化所述训练好的深度学习目标检测识别模型，能够提升所述训练好的深度学习目标检测识别模型的运行速度，降低其响应时间，满足项目的实时性要求。
具体地，计算机设备使用TensorRT优化所述训练好的深度学习目标检测识别模型的优化过程主要包括构建和部署两个阶段。在构建阶段，导入所述训练好的深度学习目标检测识别模型并创建新的TensorRT模型，并指定所述优化处理后深度学习目标检测识别模型的权重参数的数据类型，如FP32、FP16、INT8等，利用模型解析器解析所述优化处理后深度学习目标检测识别模型，并将权值参数等填充到所述新的TensorRT模型中。根据所述新的TensorRT模型，创建一个可执行的推理引擎。为了减少后续的运行时间，序列化所述推理引擎并将序列化后生成的流图保存内存或者磁盘中。在部署阶段，直接从内存或者磁盘中调用所述流图，对其进行反序列化，生成可执行的推理引擎。其中，所述可执行的推理引擎可以为所述优化处理后深度学习目标检测识别模型。
步骤S122，利用所述优化处理后深度学习目标检测识别模型对所述目标视频帧图像数据进行目标检测识别处理，得到多个待检测目标的属性信息。
具体地，计算机设备在得到所述优化处理后深度学习目标检测识别模型后，可以将所述目标视频帧图像数据输入至所述优化处理后深度学习目标检测识别模型中进行目标检测及识别，从而得到所述目标视频帧图像数据中的多个待检测目标的属性信息，并且所述多个待检测目标的属性信息可以以流图的形式输出。
本实施例中，计算机设备首先利用预设的深度学习优化加速算法对训练好的深度学习目标检测识别模型进行优化处理，得到优化处理后深度学习目标检测识别模型；以此提高深度学习目标检测识别模型的目标识别速率和目标识别准确性；然后，计算机设备再利用所述优化处理后深度学习目标检测识别模型对所述目标视频帧图像数据进行目标检测识别处理，得到多个待检测目标的属性信息。由于所述多个待检测目标的属性信息是以流图的形式输出的，因此计算机设备能够实现将所述多个待检测目标的属性信息分批次地进行输出，以此实现计算机设备能够快速获取所述目标视频帧图像数据中待检测目标的属性信息的准确性和可靠性的同时，还能够提高计算机设备传输数据的快速性和流畅性，从而提高了计算机设备的智能性和灵活性。
在一个实施例中，步骤S13包括：
将所述属性信息与物联网平台发布的预设目标属性信息进行匹配处理，并将匹配失败时对应的目标作为所述多个待检测目标中的异常目标。
其中，所述预设目标属性信息可以是公司内部每一个职员的属性信息，比如职员的人脸信息、位置信息或者职员车辆的车牌号等。
具体地，计算机设备在得到所述目标视频帧图像数据中存在的多个待检测目标的属性信息时，可以将每一个目标的属性信息与所述预设目标属性信息进行匹配处理，也即当所述目标为人脸信息时，可以对所述目标的人脸信息与公司内部每一个职员的人脸信息进行预设特征提取，然后将所述目标的预设特征与公司内部每一个职员的预设特征进行匹配且匹配均失败时，表明所述目标不属于该公司职员，此时可以确定所述目标为异常目标；相反，将所述目标的预设特征与公司内部每一个职员的预设特征进行匹配且匹配成功时，则表明所述目标属于该公司职员，从而可以确定所述目标为正常目标。
在实际处理过程中，如果确定与计算机设备连接的预设显示平台为物联网监控平台时，可以设定所述物联网监控平台对某公司大门口进行监控，此时可以对多种情况如员工人脸打卡、机动车车牌识别等进行实时判断处理，若所述目标视频帧图像数据中检测识别到的目标的属性信息(包括人脸、车牌等)与物联网平台发布的预设目标属性信息不匹配，可以直接向所述物联网监控平台发布告警提示。
本实施例中，计算机设备通过将所述属性信息与物联网平台发布的预设目标属性信息进行匹配处理，并将匹配失败时对应的目标作为所述多个待检测目标中的异常目标，以此能够达到快速从所述目标视频帧图像数据中确定出异常目标的目的，从而提高了计算机设备识别出异常目标的灵活性和可靠性。
在一个实施例中，如图4所示，步骤S13还可以包括：
步骤S131，获取所述目标视频帧图像数据的下一帧视频帧图像数据，作为参考视频帧图像数据。
具体地，计算机设备在从计算机设备正在录入的视频流数据或者存储的视频流数据中选取一帧视频帧图像作为目标视频帧图像数据的同时，也可以在所述视频流数据中获取所述目标视频帧图像数据的下一帧视频帧图像数据，并将所述下一帧视频帧图像数据作为参考视频帧图像数据。
步骤S132，根据所述属性信息，确定所述目标视频帧图像数据和所述参考视频帧图像数据中存在的相同待检测目标。
具体地，首先，计算机设备根据所述目标视频帧图像数据中存在的多个待检测目标的属性信息判断每个目标的类别，以确定所述目标为人或者车辆；然后再进一步根据所述属性信息判断所述参考视频帧图像数据中是否存在至少一个参考目标，所述参考目标可以包括人、车辆等；最后将每个目标分别与至少一个参考目标进行特征匹配，将特征匹配成功时对应的目标和参考目标作为所述相同待检测目标。
其中，当目标和参考目标均为人时，所述特征匹配可以是将目标的人脸信息与参考目标的人脸信息进行相似度检测，如果相似度达到预设相似度阈值，可以认为目标的人脸信息与参考目标的人脸信息特征匹配成功；当目标和参考目标均为车辆时，所述特征匹配可以是判断目标的车牌信息与参考目标的车牌信息是否相同，如果目标的车牌信息与参考目标的车牌信息相同，可以认为目标的车牌信息与参考目标的车牌信息匹配成功。可选的，所述预设相似度阈值可以为90％以上。
步骤S133，获取所述相同待检测目标在设定时长内或设定区域内的出现次数。
其中，所述相同待检测目标可以包括人、车辆等，所述设定时长可以为几分钟或半小时，所述设定区域可以为计算机设备的整个监测区域或者部分检测区域。
具体地，计算机设备在确定出所述目标视频帧图像数据和所述参考视频帧图像数据中存在的相同待检测目标时，可以进一步获取所述相同待检测目标在设定时长内的出现次数，也可以获取所述相同待检测目标走出或驶出所属设定区域时对应的出现次数，以为后续步骤确定所述相同待检测目标是否为异常目标提供依据。
步骤S134，确定所述出现次数超过预设次数阈值时，将所述相同待检测目标作为异常目标；其中，所述相同待检测目标为所述多个待检测目标中的至少一个目标。
具体地，计算机设备在确定出所述相同待检测目标在设定时长内或设定区域内的出现次数时，进一步判断所述出现次数是否超过预设次数阈值，如果确定所述出现次数超过预设次数阈值，则将所述相同待检测目标作为异常目标；反之，如果确定所述出现次数没有超过预设次数阈值，则将所述相同待检测目标作为正常目标。
本实施例中，计算机设备通过获取所述目标视频帧图像数据的下一帧视频帧图像数据作为参考视频帧图像数据，并根据所述属性信息，确定所述目标视频帧图像数据和所述参考视频帧图像数据中存在的相同待检测目标，以此实现根据视频流数据中的相邻两帧视频帧图像数据快速确定出相同待检测目标的，以便于后续根据所述相同待检测目标确定异常目标。进一步的，计算机设备通过获取所述相同待检测目标在设定时长内或设定区域内的出现次数，并在确定出所述出现次数超过预设次数阈值时将所述相同待检测目标作为异常目标，以此实现根据视频流数据中相邻两帧视频视频帧图像数据确定出异常目标的目的，从而提高了计算机设备识别异常目标的灵活性和可靠性。
在一个实施例中，在步骤S11之后，所述还可以包括：
将所述目标视频帧图像数据发送至预设显示平台，以使所述目标视频帧图像数据按照预设格式进行显示。
其中，所述预设显示平台可以是服务器端，也可以是物联网监控平台；所述预设格式可以是全部数据的显示格式或者部分数据的显示格式。
具体地，计算机设备在获取到所述目标视频帧图像数据时，可以将所述目标视频帧图像数据直接发送至预设显示平台，以便于所述预设显示平台将所述目标视频帧图像数据中的全部数据或者部分数据按照结构化的方式进行显示。
本实施例中，计算机设备通过将所述目标视频帧图像数据发送至预设显示平台，以使所述目标视频帧图像数据按照预设格式进行显示，以此提高计算机设备的灵活性和智能性。
应该理解的是，虽然图1-4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1-4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，提供了一种目标识别系统，所述目标识别系统包括：计算机设备21和预设显示平台22，其中：
所述计算机设备21，用于获取目标视频帧图像数据，并对所述目标视频帧图像数据进行目标检测识别处理，得到多个待检测目标的属性信息；其中，所述属性信息包括坐标信息、类别信息；对所述属性信息进行异常判断处理，以筛选出所述多个待检测目标中的异常目标；对所述异常目标的目标属性信息进行预设结构化处理，得到目标结构化属性信息；将所述目标结构化属性信息发送至预设显示平台。
所述预设显示平台22，用于接收计算机设备发送的所述目标结构化属性信息，并按照预设格式显示所述目标结构化属性信息。
具体地，所述获取目标视频帧图像数据，包括：
获取预设的图像采集位置以及图像采集张数；在所述图像采集位置处按照预设时间间隔依次采集多张视频图像；对所述多张视频图像进行预设解码处理，得到解码处理后视频图像；将所述解码处理后视频图像中的一张作为所述目标视频帧图像数据。
所述对所述目标视频帧图像数据进行目标检测识别处理，得到多个待检测目标的属性信息，包括：
利用预设的深度学习优化加速算法对训练好的深度学习目标检测识别模型进行优化处理，得到优化处理后深度学习目标检测识别模型；利用所述优化处理后深度学习目标检测识别模型对所述目标视频帧图像数据进行目标检测识别处理，得到多个待检测目标的属性信息。
所述对所述属性信息进行异常判断处理，以筛选出所述多个待检测目标中的异常目标，包括：
将所述属性信息与物联网平台发布的预设目标属性信息进行匹配处理，并将匹配失败时对应的目标作为所述多个待检测目标中的异常目标。
所述获取目标视频帧图像数据，包括：
获取视频流数据，并将所述视频流数据中的一帧视频帧图像，作为目标视频帧图像数据。
所述对所述属性信息进行异常判断处理，以筛选出所述多个待检测目标中的异常目标，包括：
获取所述目标视频帧图像数据的下一帧视频帧图像数据，作为参考视频帧图像数据；根据所述属性信息，确定所述目标视频帧图像数据和所述参考视频帧图像数据中存在的相同待检测目标；获取所述相同待检测目标在设定时长内或设定区域内的出现次数；确定所述出现次数超过预设次数阈值时，将所述相同待检测目标作为异常目标；其中，所述相同待检测目标为所述多个待检测目标中的至少一个目标。
在所述获取目标视频帧图像数据的步骤之后，所述方法还包括：
将所述目标视频帧图像数据发送至预设显示平台，以使所述目标视频帧图像数据按照预设格式进行显示。
在一个实施例中，如图6所示，提供了一种目标识别装置，包括：获取模块11、目标检测识别模块12、异常目标判断模块13、结构化处理模块14和目标数据发送模块15，其中：
获取模块11，可以用于获取目标视频帧图像数据。
目标检测识别模块12，可以用于对所述目标视频帧图像数据进行目标检测识别处理，得到多个待检测目标的属性信息；其中，所述属性信息包括坐标信息、类别信息。
异常目标判断模块13，可以用于对所述属性信息进行异常判断处理，以筛选出所述多个待检测目标中的异常目标。
结构化处理模块14，可以用于对所述异常目标的目标属性信息进行预设结构化处理，得到目标结构化属性信息。
目标数据发送模块15，可以用于将所述目标结构化属性信息发送至预设显示平台。
所述获取模块11可以具体包括：第一获取单元、采集单元、处理单元、第一确定单元。
具体地，第一获取单元，可以用于获取预设的图像采集位置以及图像采集张数。
采集单元，可以用于在所述图像采集位置处按照预设时间间隔依次采集多张视频图像。
处理单元，可以用于对所述多张视频图像进行预设解码处理，得到解码处理后视频图像。
第一确定单元，可以用于将所述解码处理后视频图像中的一张作为所述目标视频帧图像数据。
目标检测识别模块12，可以具体包括：优化处理单元和目标检测识别处理单元。
具体地，优化处理单元，可以用于利用预设的深度学习优化加速算法对训练好的深度学习目标检测识别模型进行优化处理，得到优化处理后深度学习目标检测识别模型。
目标检测识别处理单元，可以用于利用所述优化处理后深度学习目标检测识别模型对所述目标视频帧图像数据进行目标检测识别处理，得到多个待检测目标的属性信息。
异常目标判断模块13，还可以用于将所述属性信息与物联网平台发布的预设目标属性信息进行匹配处理，并将匹配失败时对应的目标作为所述多个待检测目标中的异常目标。
获取模块11，还可以具体用于获取视频流数据，并将所述视频流数据中的一帧视频帧图像，作为目标视频帧图像数据。
异常目标判断模块13，还可以具体包括：第二获取单元、第二确定单元、第三获取单元和异常目标判断单元。
具体地，第二获取单元，可以用于获取所述目标视频帧图像数据的下一帧视频帧图像数据，作为参考视频帧图像数据。
第二确定单元，可以用于根据所述属性信息，确定所述目标视频帧图像数据和所述参考视频帧图像数据中存在的相同待检测目标。
第三获取单元，可以用于获取所述相同待检测目标在设定时长内或设定区域内的出现次数。
异常目标判断单元，可以用于确定所述出现次数超过预设次数阈值时，将所述相同待检测目标作为异常目标；其中，所述相同待检测目标为所述多个待检测目标中的至少一个目标。
所述目标识别装置，还可以包括数据发送模块，所述数据发送模块，可以用于将所述目标视频帧图像数据发送至预设显示平台，以使所述目标视频帧图像数据按照预设格式进行显示。
关于目标识别装置的具体限定可以参见上文中对于目标识别方法的限定，在此不再赘述。上述目标识别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终端，其内部结构图可以如图7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、通信接口、显示屏和输入装置。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和计算机程序。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。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种目标识别方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图7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：
获取目标视频帧图像数据；
对所述目标视频帧图像数据进行目标检测识别处理，得到多个待检测目标的属性信息；其中，所述属性信息包括坐标信息、类别信息；
对所述属性信息进行异常判断处理，以筛选出所述多个待检测目标中的异常目标；
对所述异常目标的目标属性信息进行预设结构化处理，得到目标结构化属性信息；
将所述目标结构化属性信息发送至预设显示平台。
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：
获取预设的图像采集位置以及图像采集张数；在所述图像采集位置处按照预设时间间隔依次采集多张视频图像；对所述多张视频图像进行预设解码处理，得到解码处理后视频图像；将所述解码处理后视频图像中的一张作为所述目标视频帧图像数据。
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：
利用预设的深度学习优化加速算法对训练好的深度学习目标检测识别模型进行优化处理，得到优化处理后深度学习目标检测识别模型；利用所述优化处理后深度学习目标检测识别模型对所述目标视频帧图像数据进行目标检测识别处理，得到多个待检测目标的属性信息。
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：
将所述属性信息与物联网平台发布的预设目标属性信息进行匹配处理，并将匹配失败时对应的目标作为所述多个待检测目标中的异常目标。
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：
获取视频流数据，并将所述视频流数据中的一帧视频帧图像，作为目标视频帧图像数据。
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：
获取所述目标视频帧图像数据的下一帧视频帧图像数据，作为参考视频帧图像数据；根据所述属性信息，确定所述目标视频帧图像数据和所述参考视频帧图像数据中存在的相同待检测目标；获取所述相同待检测目标在设定时长内或设定区域内的出现次数；确定所述出现次数超过预设次数阈值时，将所述相同待检测目标作为异常目标；其中，所述相同待检测目标为所述多个待检测目标中的至少一个目标。
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：
将所述目标视频帧图像数据发送至预设显示平台，以使所述目标视频帧图像数据按照预设格式进行显示。
应当清楚的是，本申请实施例中处理器执行计算机程序的过程，与上述方法中各个步骤的执行过程一致，具体可参见上文中的描述。
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：
获取目标视频帧图像数据；
对所述目标视频帧图像数据进行目标检测识别处理，得到多个待检测目标的属性信息；其中，所述属性信息包括坐标信息、类别信息；
对所述属性信息进行异常判断处理，以筛选出所述多个待检测目标中的异常目标；
对所述异常目标的目标属性信息进行预设结构化处理，得到目标结构化属性信息；
将所述目标结构化属性信息发送至预设显示平台。
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：
获取预设的图像采集位置以及图像采集张数；在所述图像采集位置处按照预设时间间隔依次采集多张视频图像；对所述多张视频图像进行预设解码处理，得到解码处理后视频图像；将所述解码处理后视频图像中的一张作为所述目标视频帧图像数据。
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：
利用预设的深度学习优化加速算法对训练好的深度学习目标检测识别模型进行优化处理，得到优化处理后深度学习目标检测识别模型；利用所述优化处理后深度学习目标检测识别模型对所述目标视频帧图像数据进行目标检测识别处理，得到多个待检测目标的属性信息。
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：
将所述属性信息与物联网平台发布的预设目标属性信息进行匹配处理，并将匹配失败时对应的目标作为所述多个待检测目标中的异常目标。
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：
获取视频流数据，并将所述视频流数据中的一帧视频帧图像，作为目标视频帧图像数据。
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：
获取所述目标视频帧图像数据的下一帧视频帧图像数据，作为参考视频帧图像数据；根据所述属性信息，确定所述目标视频帧图像数据和所述参考视频帧图像数据中存在的相同待检测目标；获取所述相同待检测目标在设定时长内或设定区域内的出现次数；确定所述出现次数超过预设次数阈值时，将所述相同待检测目标作为异常目标；其中，所述相同待检测目标为所述多个待检测目标中的至少一个目标。
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：
将所述目标视频帧图像数据发送至预设显示平台，以使所述目标视频帧图像数据按照预设格式进行显示。
应当清楚的是，本申请实施例中计算机程序被处理器执行的过程，与上述方法中各个步骤的执行过程一致，具体可参见上文中的描述。
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 (10)

1.一种目标识别方法，其特征在于，所述方法包括：
获取目标视频帧图像数据；
利用预设的深度学习优化加速算法对训练好的深度学习目标检测识别模型进行优化处理，得到优化处理后深度学习目标检测识别模型；
利用所述优化处理后深度学习目标检测识别模型对所述目标视频帧图像数据进行目标检测识别处理，得到多个待检测目标的属性信息；其中，所述属性信息包括坐标信息、类别信息；
对所述属性信息进行异常判断处理，以筛选出所述多个待检测目标中的异常目标；
对所述异常目标的目标属性信息进行预设结构化处理，得到目标结构化属性信息；
将所述目标结构化属性信息发送至预设显示平台。
2.根据权利要求1所述的方法，其特征在于，所述获取目标视频帧图像数据，包括：
获取预设的图像采集位置以及图像采集张数；
在所述图像采集位置处按照预设时间间隔依次采集多张视频图像；
对所述多张视频图像进行预设解码处理，得到解码处理后视频图像；
将所述解码处理后视频图像中的一张作为所述目标视频帧图像数据。
3.根据权利要求1所述的方法，其特征在于，所述对所述属性信息进行异常判断处理，以筛选出所述多个待检测目标中的异常目标，包括：
将所述属性信息与物联网平台发布的预设目标属性信息进行匹配处理，并将匹配失败时对应的目标作为所述多个待检测目标中的异常目标。
4.根据权利要求1所述的方法，其特征在于，所述获取目标视频帧图像数据，包括：
获取视频流数据，并将所述视频流数据中的一帧视频帧图像，作为目标视频帧图像数据。
5.根据权利要求4所述的方法，其特征在于，所述对所述属性信息进行异常判断处理，以筛选出所述多个待检测目标中的异常目标，包括：
获取所述目标视频帧图像数据的下一帧视频帧图像数据，作为参考视频帧图像数据；
根据所述属性信息，确定所述目标视频帧图像数据和所述参考视频帧图像数据中存在的相同待检测目标；
获取所述相同待检测目标在设定时长内或设定区域内的出现次数；
确定所述出现次数超过预设次数阈值时，将所述相同待检测目标作为异常目标；其中，所述相同待检测目标为所述多个待检测目标中的至少一个目标。
6.根据权利要求1所述的方法，其特征在于，在所述获取目标视频帧图像数据的步骤之后，所述方法还包括：
将所述目标视频帧图像数据发送至预设显示平台，以使所述目标视频帧图像数据按照预设格式进行显示。
7.一种目标识别系统，其特征在于，所述系统包括计算机设备和预设显示平台，其中：
所述计算机设备，用于获取目标视频帧图像数据，并利用预设的深度学习优化加速算法对训练好的深度学习目标检测识别模型进行优化处理，得到优化处理后深度学习目标检测识别模型；利用所述优化处理后深度学习目标检测识别模型对所述目标视频帧图像数据进行目标检测识别处理，得到多个待检测目标的属性信息；对所述属性信息进行异常判断处理，以筛选出所述多个待检测目标中的异常目标；对所述异常目标的目标属性信息进行预设结构化处理，得到目标结构化属性信息；将所述目标结构化属性信息发送至预设显示平台；其中，所述属性信息包括坐标信息、类别信息；
所述预设显示平台，用于按照预设格式显示所述目标结构化属性信息。
8.一种目标识别装置，其特征在于，所述装置包括：
获取模块，用于获取目标视频帧图像数据；
目标检测识别模块，用于利用预设的深度学习优化加速算法对训练好的深度学习目标检测识别模型进行优化处理，得到优化处理后深度学习目标检测识别模型；利用所述优化处理后深度学习目标检测识别模型对所述目标视频帧图像数据进行目标检测识别处理，得到多个待检测目标的属性信息；其中，所述属性信息包括坐标信息、类别信息；
异常目标判断模块，用于对所述属性信息进行异常判断处理，以筛选出所述多个待检测目标中的异常目标；
结构化处理模块，用于对所述异常目标的目标属性信息进行预设结构化处理，得到目标结构化属性信息；
目标数据发送模块，用于将所述目标结构化属性信息发送至预设显示平台。
9.一种计算机设备，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6中任一项所述方法的步骤。
10.一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6中任一项所述的方法的步骤。
CN202010237413.7A 2020-03-30 2020-03-30 目标识别方法、装置、计算机设备和存储介质 Active CN111581436B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010237413.7A CN111581436B (zh) 2020-03-30 2020-03-30 目标识别方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010237413.7A CN111581436B (zh) 2020-03-30 2020-03-30 目标识别方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN111581436A CN111581436A (zh) 2020-08-25
CN111581436B true CN111581436B (zh) 2024-03-22

Family

ID=72126107

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010237413.7A Active CN111581436B (zh) 2020-03-30 2020-03-30 目标识别方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN111581436B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112137591B (zh) * 2020-10-12 2021-07-23 平安科技（深圳）有限公司 基于视频流的目标物位置检测方法、装置、设备及介质
CN113743235B (zh) * 2021-08-11 2024-04-05 中国南方电网有限责任公司超高压输电公司广州局 基于边缘计算的电力巡检图像处理方法、装置和设备
CN116708725B (zh) * 2023-08-07 2023-10-31 清华大学 基于语义编解码的低带宽人群场景安防监控方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019051813A1 (zh) * 2017-09-15 2019-03-21 达闼科技（北京）有限公司 一种目标识别方法、装置和智能终端
CN110443109A (zh) * 2019-06-11 2019-11-12 万翼科技有限公司 异常行为监控处理方法、装置、计算机设备和存储介质
CN110782639A (zh) * 2019-10-28 2020-02-11 深圳奇迹智慧网络有限公司 异常行为告警方法、装置、系统和存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019051813A1 (zh) * 2017-09-15 2019-03-21 达闼科技（北京）有限公司 一种目标识别方法、装置和智能终端
CN110443109A (zh) * 2019-06-11 2019-11-12 万翼科技有限公司 异常行为监控处理方法、装置、计算机设备和存储介质
CN110782639A (zh) * 2019-10-28 2020-02-11 深圳奇迹智慧网络有限公司 异常行为告警方法、装置、系统和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
董莹荷 ; 胡国胜 ; .视频监控系统中异常行为检测与识别.机械设计与制造工程.2020,(03),全文. *

Also Published As

Publication number Publication date
CN111581436A (zh) 2020-08-25

Similar Documents

Publication Publication Date Title
CN111581436B (zh) 目标识别方法、装置、计算机设备和存储介质
EP3471021B1 (en) Method for determining target intelligently followed by unmanned aerial vehicle, unmanned aerial vehicle and remote controller
US10740607B2 (en) Method for determining target through intelligent following of unmanned aerial vehicle, unmanned aerial vehicle and remote control
WO2020042984A1 (zh) 一种车辆行为检测方法及装置
US20180232904A1 (en) Detection of Risky Objects in Image Frames
US20110001812A1 (en) Context-Aware Alarm System
US20240135710A1 (en) Systems and methods for video analysis
CN113139403A (zh) 违规行为识别方法、装置、计算机设备和存储介质
US11961004B2 (en) Predicting brain data using machine learning models
CN111611894A (zh) 人员轨迹预测方法、装置、计算机设备及存储介质
WO2018155594A1 (ja) 情報処理装置、情報処理方法、及びコンピュータ読み取り可能な記録媒体
US20230386243A1 (en) Information processing apparatus, control method, and non-transitory storage medium
CN114663871A (zh) 图像识别方法、训练方法、装置、系统及存储介质
CN110191356A (zh) 视频审核方法、装置和电子设备
JPWO2013145530A1 (ja) 解析システム
US20220076005A1 (en) Person authentication apparatus, control method, and non-transitory storage medium
CN117456417A (zh) 交通异常事件感知方法、系统、电子设备及存储介质
US20220207863A1 (en) Object detection device, object detection method, program, and recording medium
CN114764895A (zh) 异常行为检测装置和方法
US20230360402A1 (en) Video-based public safety incident prediction system and method therefor
CN112419638B (zh) 一种告警视频的获取方法及装置
CN115035576A (zh) 基于人脸视频的用户情绪识别方法、装置、设备及介质
Huang et al. A bus crowdedness sensing system using deep-learning based object detection
JP2023522390A (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
CN112818838A (zh) 表情识别方法、装置和电子设备

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
GR01 Patent grant
GR01 Patent grant