CN111724440B - 监控设备的方位信息确定方法、装置及电子设备 - Google Patents
监控设备的方位信息确定方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111724440B CN111724440B CN202010460359.2A CN202010460359A CN111724440B CN 111724440 B CN111724440 B CN 111724440B CN 202010460359 A CN202010460359 A CN 202010460359A CN 111724440 B CN111724440 B CN 111724440B
- Authority
- CN
- China
- Prior art keywords
- information
- shadow
- shooting
- predicted picture
- azimuth information
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 137
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000012806 monitoring device Methods 0.000 claims description 73
- 238000012545 processing Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 12
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000003491 array Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000012407 engineering method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C1/00—Measuring angles
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/97—Determining parameters from multiple pictures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Studio Devices (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本申请提出一种监控设备的方位信息确定方法、装置及电子设备，该方法包括获取预测图片；预测图片为监控设备对阴影本体拍摄得到的，预测图片携带拍摄信息；识别预测图片内与阴影本体对应的阴影特征；根据监控设备所处监控点位的经纬度信息结合拍摄信息确定与预测图片对应的太阳方位信息；根据阴影特征、太阳方位信息预测监控设备的方位信息。本申请能够在确定监控设备的方位信息时降低对监控设备的依赖程度，有效地确定出监控设备的方位信息，使得方法具有较为广泛的适用性，提升方位信息的确定效果。
Description
技术领域
本申请涉及智能监控技术领域，尤其涉及一种监控设备的方位信息确定方法、装置及电子设备。
背景技术
在一些应用场景中，通常会在室外布置监控设备来监控室外的人类活动信息、车辆活动信息等，而在分析监控设备的监控内容时，有必要结合监控设备的方位信息(方位信息例如监控设备的朝向、方位角等)辅助监控作业。
相关技术中，通常在监控设备安装测量方向装置(例如陀螺仪)，或利用监控设备自带参数通过方程式求解出方位信息。
这种方式下，较为依赖监控设备自身的参数和监测，若无法获取监控设备自身参数或者不能实现直接测量，则不能够有效地确定出监控设备的方位信息。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本申请提出一种监控设备的方位信息确定方法、装置及电子设备，在确定监控设备的方位信息时降低对监控设备的依赖程度，有效地确定出监控设备的方位信息，使得方法具有较为广泛的适用性，提升方位信息的确定效果。
为达到上述目的，本申请第一方面实施例提出的监控设备的方位信息确定方法，包括：获取预测图片；所述预测图片为监控设备对阴影本体拍摄得到的，所述预测图片携带拍摄信息；识别所述预测图片内与所述阴影本体对应的阴影特征；根据所述监控设备所处监控点位的经纬度信息结合所述拍摄信息确定与所述预测图片对应的太阳方位信息；根据所述阴影特征、所述拍摄信息，以及所述太阳方位信息预测所述监控设备的方位信息。
本申请第一方面实施例提出的监控设备的方位信息确定方法，通过获取监控设备对阴影本体拍摄得到的预测图片，识别预测图片内与阴影本体对应的阴影特征，并根据监控设备所处监控点位的经纬度信息结合拍摄信息确定与预测图片对应的太阳方位信息，以及根据阴影特征、拍摄信息，以及太阳方位信息预测监控设备的方位信息，能够在确定监控设备的方位信息时降低对监控设备的依赖程度，有效地确定出监控设备的方位信息，使得方法具有较为广泛的适用性，提升方位信息的确定效果。
为达到上述目的，本申请第二方面实施例提出的监控设备的方位信息确定装置，包括：获取模块，用于获取预测图片；所述预测图片为监控设备对阴影本体拍摄得到的，所述预测图片携带拍摄信息；识别模块，用于识别所述预测图片内与所述阴影本体对应的阴影特征；确定模块，用于根据所述监控设备所处监控点位的经纬度信息结合所述拍摄信息确定与所述预测图片对应的太阳方位信息；预测模块，用于根据所述阴影特征、所述拍摄信息，以及所述太阳方位信息预测所述监控设备的方位信息。
本申请第二方面实施例提出的监控设备的方位信息确定装置，通过获取监控设备对阴影本体拍摄得到的预测图片，识别预测图片内与阴影本体对应的阴影特征，并根据监控设备所处监控点位的经纬度信息结合拍摄信息确定与预测图片对应的太阳方位信息，以及根据阴影特征、拍摄信息，以及太阳方位信息预测监控设备的方位信息，能够在确定监控设备的方位信息时降低对监控设备的依赖程度，有效地确定出监控设备的方位信息，使得方法具有较为广泛的适用性，提升方位信息的确定效果。
本申请第三方面实施例提出的非临时性计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器被执行时，使得电子设备能够执行一种监控设备的方位信息确定方法，所述方法包括：本申请第一方面实施例提出的监控设备的方位信息确定方法。
本申请第三方面实施例提出的非临时性计算机可读存储介质，通过获取监控设备对阴影本体拍摄得到的预测图片，识别预测图片内与阴影本体对应的阴影特征，并根据监控设备所处监控点位的经纬度信息结合拍摄信息确定与预测图片对应的太阳方位信息，以及根据阴影特征、拍摄信息，以及太阳方位信息预测监控设备的方位信息，能够在确定监控设备的方位信息时降低对监控设备的依赖程度，有效地确定出监控设备的方位信息，使得方法具有较为广泛的适用性，提升方位信息的确定效果。
本申请第四方面实施例提出的电子设备，所述电子设备包括：壳体、处理器、存储器、电路板和电源电路，其中，所述电路板安置在所述壳体围成的空间内部，所述处理器和所述存储器设置在所述电路板上；所述电源电路，用于为所述电子设备的各个电路或器件供电；所述存储器用于存储可执行程序代码；所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于执行本申请第一方面实施例提出的监控设备的方位信息确定方法。
本申请第四方面实施例提出的电子设备，通过获取监控设备对阴影本体拍摄得到的预测图片，识别预测图片内与阴影本体对应的阴影特征，并根据监控设备所处监控点位的经纬度信息结合拍摄信息确定与预测图片对应的太阳方位信息，以及根据阴影特征、拍摄信息，以及太阳方位信息预测监控设备的方位信息，能够在确定监控设备的方位信息时降低对监控设备的依赖程度，有效地确定出监控设备的方位信息，使得方法具有较为广泛的适用性，提升方位信息的确定效果。
本申请附加的方面和优点将在下面的描述中部分给出，部分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是本申请一实施例提出的监控设备的方位信息确定方法的流程示意图；
图2为本申请实施例中的阴影特征示意图；
图3是本申请另一实施例提出的监控设备的方位信息确定方法的流程示意图；
图4是本申请另一实施例提出的监控设备的方位信息确定方法的流程示意图；
图5为本申请实施例中方位置信区间示意图；
图6是本申请一实施例提出的监控设备的方位信息确定装置的结构示意图；
图7是本申请另一实施例提出的监控设备的方位信息确定装置的结构示意图；
图8是本申请一个实施例提出的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，所述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，而不能理解为对本申请的限制。相反，本申请的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
首先对本申请中涉及的术语作出解释：
1、天顶角，指光线入射方向和天顶方向的夹角。
2、太阳高度角，指太阳光的入射方向和地平面之间的夹角。
3、太阳方位角，即太阳所在的方位，指太阳光线在地平面上的投影与当地子午线的夹角，可近似地看作是竖立在地面上的直线在阳光下的阴影与正南方向的夹角。
4、相机光轴，又称为“相机中轴线”，是指在拍摄的时候，相机和被摄体之间的线。
图1是本申请一实施例提出的监控设备的方位信息确定方法的流程示意图。
本实施例以监控设备的方位信息方法被配置为监控设备的方位信息装置中来举例说明。
本实施例中监控设备的方位信息方法可以被配置在监控设备的方位信息装置中，监控设备的方位信息装置可以设置在服务器中，或者也可以设置在电子设备中，本申请实施例对此不作限制。
本实施例以监控设备的方位信息方法被配置在电子设备中为例。
需要说明的是，本申请实施例的执行主体，在硬件上可以例如为服务器或者电子设备中的中央处理器(Central Processing Unit，CPU)，在软件上可以例如为服务器或者电子设备中的相关的后台服务，对此不作限制。
参见图1，该方法包括：
S101：获取预测图片；预测图片为监控设备对阴影本体拍摄得到的，预测图片携带拍摄信息。
上述的预测图片为监控设备对阴影本体拍摄得到的图片。
上述的阴影本体可以为监控设备所能监控到的环境中预先标记的物体，通常选取环境中垂直于地平面的物体作为阴影本体，比如电线杆，树或者人等，垂直于地平面的阴影本体，能够在预测图片中呈现出较为明显的阴影特征，因此，通过选取环境中垂直于地平面的物体作为阴影本体能够有效地辅助后续的阴影特征识别。
在一些实施例中，可以预先建立监控设备与电子设备之间的通信链接，电子设备可以获取监控设备对阴影本体拍摄得到的图片作为预测图片。
在另一些实施例中，可以预先建立监控设备、电子设备，以及云服务器之间的通信链接，监控设备对阴影本体拍摄得到一段时间内的监控视频，并将监控视频发送至云服务器，由电子设备从云服务器获取监控视频，并解析各视频帧，选取若干个时间点的视频帧图片作为预测图片，对此不作限制。
上述的拍摄信息能够用于描述与该预测图片相关的一些拍摄信息，例如，拍摄信息为拍摄时间点，具体例如，拍摄年、月、日、时、分、秒，拍摄信息还可以包括监控设备的标识，拍摄时的气温等，对此不作限制。
S102：识别预测图片内与阴影本体对应的阴影特征。
上述的阴影特征为阴影本体对应于预测图片内的阴影的特征，阴影特征具体例如，阴影本体对应于预测图片内的阴影区域所指示的阴影方向和阴影长度，或者，也可以为其它任意能够描述阴影的尺寸特征，对此不作限制。
可以理解的是，预测图片内阴影区域的形成是由于太阳光对阴影本体的照射，而太阳光具有一定的太阳方位信息(例如，天顶角、太阳高度角，以及太阳方位角)，因此，天顶角、太阳高度角，以及太阳方位角等太阳方位信息可以与阴影特征以及监控设备的方位信息具有一定的内在联系，例如，不同的太阳方位信息和监控设备的方位信息，可能导致不相同的阴影特征。
因此，本申请实施例中正是通过识别了预测图片内与阴影本体对应的阴影特征，而后借助于太阳方位信息确定监控设备的方位信息，具有较强的实施合理性。
在一些实施例中，可以对预测图片进行特征提取，从而将提取的特征输入到图像识别装置中，该图像识别装置预先训练能够根据输入的图像特征识别出对应的阴影特征，根据图像识别装置的输入确定阴影特征。
在另一些实施例中，也可以利用预测图片的图片参数，图片参数例如颜色/纹理、运动时间等得到阴影特征，或者基于深度学习卷积提取预测图片的阴影特征，对此不作限制。
而本申请实施例中，为了提升阴影特征的识别效果，可以识别预测图片的色度和饱和度；根据色度和饱和度对预测图片进行彩色空间变换，得到阴影区域；识别阴影区域的特征作为阴影特征。
作为一个示例，识别预测图片的阴影特征，可以采用基于HSV(Hue,Saturation,Value，色调(H)，饱和度(S)，明度(V))空间阴影检测方法，在HSV色彩空间中，阴影区域在色度和饱和度通道中都与非阴影区域有明显的区别，根据阴影区域的这种特性，采用连续两次的HSV彩色空间变换，可以在预测图片有效的区分出分散的阴影区域，对于检测出的分散的阴影区域，还可以通过形态开闭操作进行填补空洞和去除小连通区域后，遍历搜索找到最大连通区域作为阴影区域。
可选地，可以确定阴影区域的参考像素点，确定阴影区域的质心像素点，并将以参考像素点为起点，且指向质心像素点的方向作为阴影方向，将阴影区域的最小外接矩形的长边的边长作为阴影长度，以及将阴影方向和阴影长度共同作为阴影特征，提供了一种确定阴影特征的方法，不仅仅简化了阴影特征的提取方法，还能够有效地保障阴影特征的提取精确性，通过将阴影方向和阴影长度共同作为阴影特征，使得阴影特征具有较高的参考价值。
作为一个示例，一并参见图2，图2为本申请实施例中的阴影特征示意图，图2包括：阴影区域的参考像素点21，阴影区域的质心像素点22，将以参考像素点21为起点，且指向质心像素点22的方向作为阴影方向，阴影区域的最小外接矩形(图2中标记23所示，图2中的外接矩形仅示出了部分)的长边的边长作为阴影长度。
S103：根据监控设备所处监控点位的经纬度信息结合拍摄信息确定与预测图片对应的太阳方位信息。
一些实施例中，可以采用模型的方法，根据监控设备所处监控点位的经纬度信息结合拍摄信息确定与预测图片对应的太阳方位信息，或者也可以采用其它任意可能的方法确定太阳方位信息。
而本申请中实施例中，可以根据监控设备所处监控点位的经纬度信息结合拍摄时间点，确定与拍摄时间点对应的天顶角、太阳高度角，以及太阳方位角，将对应的天顶角、太阳高度角，以及太阳方位角结合拍摄当天的日出日落时间作为太阳方位信息，实施简便，不需要带来额外的硬件改造成本，有效节约了运算资源消耗，具有广泛的适用性，且确定结果精确性较高。
拍摄时间点，具体例如，拍摄年、月、日、时、分、秒。
根据监控点位经纬度信息与预测图片的拍摄时间点(拍摄年、月、日、时、分、秒)，利用天文学数学公式可以计算拍摄时刻的天顶角、太阳高度角，以及太阳方位角，以及拍摄当天的日出日落时间。
具体公式如下：
求解太阳高度角hs，其中，φ表示地理纬度，δ表示赤纬，Ω表示时角：
求解太阳方位角As：
拍摄当天的日出日落时间可以通过读取当前的地理新闻信息得到，在此不再赘述。
S104：根据阴影特征、拍摄信息，以及太阳方位信息预测监控设备的方位信息。
上述在确定了阴影特征、拍摄信息，以及太阳方位信息后，可以将阴影特征、拍摄信息，以及太阳方位信息作为循环网络模型的输入，该循环网络模型预先学习到了阴影特征、拍摄信息，以及太阳方位信息，以及监控设备的方位信息之间的内在联系，从而根据循环网络模型预测监控设备的方位信息。
当然，循环网络模型仅仅是实现方位信息预测的一种可能的实现方式，在实际执行过程中，可以通过其他任意可能的方式来预测监控设备的方位信息，比如，还可以采用传统的编程技术(比如模拟法和工程学方法)实现，又比如，还可以遗传学算法和人工神经网络的方法来实现，对此不作限制。
本实施例中，通过获取监控设备对阴影本体拍摄得到的预测图片，识别预测图片内与阴影本体对应的阴影特征，并根据监控设备所处监控点位的经纬度信息结合拍摄信息确定与预测图片对应的太阳方位信息，以及根据阴影特征、拍摄信息，以及太阳方位信息预测监控设备的方位信息，能够在确定监控设备的方位信息时降低对监控设备的依赖程度，有效地确定出监控设备的方位信息，使得方法具有较为广泛的适用性，提升方位信息的确定效果。
图3是本申请一实施例提出的监控设备的方位信息确定方法的流程示意图。
本实施例以监控设备的方位信息方法被配置在电子设备中为例，假设电子设备能够采集各个监控点位的视频数据，并且能够呈现出各个监控点位的布置情况，也即具有监控点位可视化功能。
S301：获取至少两张的预测图片。
其中，各预测图片分别为监控设备对阴影本体拍摄得到的，各预测图片的拍摄信息不相同。
例如，获取监控点位的至少两张的预测图片，至少两张的预测图片例如为7张预测图片，每张预测图片的拍摄时间点从上午9时至下午15时，间隔为1小时。
S302：将至少两张的预测图片传输至图像处理模块，并将至少两张的预测图片保存至图库中。
S303：分别识别各预测图片内的阴影区域。
S304：识别阴影区域的特征作为阴影特征，并将阴影特征保存在特征库中。
S305：从特征库选取部分的样本阴影特征，以及确定与样本阴影特征属于相同预测图片的样本拍摄信息、样本太阳方位信息，以及确定样本预测系数。
S306：采用样本阴影特征、与样本阴影特征对应的样本拍摄信息、样本太阳方位信息训练初始的预测模型，直至预测模型预测得到的方位信息，与标注的方位信息满足设定条件，预测模型训练完毕。
需要说明的是，已知阴影方向与太阳方位角近似相等(在同一基准下)，但是每一个监控点位相对于地平面具有一定角度，也即光轴不垂直于地平面，设阴影方向乘以一个系数w后等于太阳方位角。
因此，上述在训练预测模型时，可以确定样本太阳方位信息所包含的样本太阳方位角，并确定样本阴影特征所包含的样本阴影方向，考虑到在光轴垂直于地面时，样本太阳方位角近似于图像中样本阴影方向，但通常由于成像的监控设备往往不垂直于地面，该角度导致样本太阳方位角不再近似于图像中样本阴影方向，因此，可以采用所有的特征结合模型学习寻找一个映射函数，将所有的特征x作为输入，输出的预测方向标签y，y＝h(x；w)，从而保障预测模型的识别精准度。
S307：从特征库选取待预测图片的阴影特征，并确定与待预测图片对应的太阳方位信息，将待预测图片的阴影特征结合对应的太阳方位信息作为预测模型的输入。
S308：根据阴影特征、拍摄信息，以及太阳方位信息结合预测模型预测监控设备的方位信息。
本实施例中，由于预测模型已学习得到样本阴影特征、样本拍摄信息、样本太阳方位信息，以及与样本阴影特征、样本拍摄信息、样本太阳方位信息对应的监控设备的方位信息之间的对应关系，因此，能够快速地辅助确定出监控设备的方位信息。通过确定样本太阳方位信息所包含的样本太阳方位角，并确定样本阴影特征所包含的样本阴影方向，而后确定样本太阳方位角和样本阴影方向的比例值作为模型学习的参数w，采用所有的特征结合模型学习的参数w寻找一个映射函数以训练模型，使得训练模型时可以同时考虑到监控设备的光轴不垂直于地平面的应用场景，从而保障预测模型的识别精准度。
图4是本申请另一实施例提出的监控设备的方位信息确定方法的流程示意图。
参见图4，该方法包括：
S401：获取至少两张的预测图片。
其中，各预测图片分别为监控设备对阴影本体拍摄得到的，各预测图片的拍摄信息不相同。
例如，获取监控点位的至少两张的预测图片，至少两张的预测图片例如为7张预测图片，每张预测图片的拍摄时间点从上午9时至下午15时，间隔为1小时。
S402：分别识别各预测图片内与阴影本体对应的阴影特征。
S403：根据监控设备所处监控点位的经纬度信息结合拍摄信息确定与各预测图片对应的太阳方位信息。
S404：分别根据各预测图片内与阴影本体对应的阴影特征，结合与各预测图片对应的拍摄信息和太阳方位信息预测得到第一方位信息。
上述的第一方位信息，为采用预测模型根据预测图片的阴影特征、对应的拍摄信息和太阳方位信息预测得到的。
可以理解的是，由于各预测图片分别为监控设备对阴影本体拍摄得到的，各预测图片的拍摄信息不相同，并且由于预测模型存在一定的预测误差，因此，针对各预测图片预测得到的第一方位信息也可能不相同。
S405：根据至少两个第一方位信息形成方位置信区间，并将方位置信区间的信息作为监控设备的方位信息。
因此，本申请实施例中可以将最大第一方位信息和最小第一方位信息之间的差值形成方位置信区间，若差值为0，则选取以第一方位信息为基准，以正负30度的区间作为方位置信区间，从而将方位置信区间的信息作为监控设备的方位信息。
参见图5，图5为本申请实施例中方位置信区间示意图，包括若干个监控设备51，以及与各监控设备51对应的方位置信区间52，在具体实施时，可以将方位置信区间52所覆盖的方向作为监控设备的方位信息，对此不作限制。
本实施例中，能够直接利用监控内的预测图片的一些特征结合太阳方位特征估算出监控点位的方位信息，而不需要更换普通监控点位的监控设备，便于推广，可节约成本，并且能够有效提高预测效率，减少人工成本。
本申请实施例在具体执行的过程中，还可以根据预测的方位信息对相应的监控设备添加标签，从而辅助监控设备的排序和追踪。具体如下表1所示：
表1
| 角度 | 方位名 | 标签 |
| [0,22]and[338,360] | 北 | 0 |
| [23,66] | 东北 | 1 |
| [67,111] | 东 | 2 |
| [112,156] | 东南 | 3 |
| [156,201] | 南 | 4 |
| [201,247] | 西南 | 5 |
| [247,292] | 西 | 6 |
| [292,337] | 西北 | 7 |
图6是本申请一实施例提出的监控设备的方位信息确定装置的结构示意图。
参见图6，该装置600包括：
获取模块601，用于获取预测图片；预测图片为监控设备对阴影本体拍摄得到的，预测图片携带拍摄信息；
识别模块602，用于识别预测图片内与阴影本体对应的阴影特征；
确定模块603，用于根据监控设备所处监控点位的经纬度信息结合拍摄信息确定与预测图片对应的太阳方位信息；
预测模块604，用于根据阴影特征、拍摄信息，以及太阳方位信息预测监控设备的方位信息。
可选地，一些实施例中，预测图片的数量为至少两张，各预测图片分别为监控设备对阴影本体拍摄得到的，各预测图片的拍摄信息不相同，预测模块604，具体用于：
分别根据各预测图片内与阴影本体对应的阴影特征，结合与各预测图片对应的拍摄信息和太阳方位信息预测得到第一方位信息；
根据至少两个第一方位信息形成方位置信区间，并将方位置信区间的信息作为监控设备的方位信息。
可选地，一些实施例中，预测模块604，还用于：
根据阴影特征、拍摄信息，以及太阳方位信息结合预测模型预测监控设备的方位信息；
其中，预测模型已学习得到样本阴影特征、样本拍摄信息、样本太阳方位信息，以及与样本阴影特征、样本拍摄信息、样本太阳方位信息对应的监控设备的方位信息之间的对应关系。
可选地，一些实施例中，参见图7，识别模块602，包括：
第一识别子模块6021，用于识别预测图片的色度和饱和度；
处理子模块6022，用于根据色度和饱和度对预测图片进行彩色空间变换，得到阴影区域；
第二识别子模块6023，用于识别阴影区域的特征作为阴影特征。
可选地，一些实施例中，第二识别子模块6023，具体用于：
确定阴影区域的参考像素点；
确定阴影区域的质心像素点；
将以参考像素点为起点，且指向质心像素点的方向作为阴影方向；
将阴影区域的最小外接矩形的长边的边长作为阴影长度；
将阴影方向和阴影长度共同作为阴影特征。
可选地，一些实施例中，拍摄信息为拍摄时间点，确定模块603，具体用于：
根据监控设备所处监控点位的经纬度信息结合拍摄时间点，确定与拍摄时间点对应的天顶角、太阳高度角，以及太阳方位角，并将对应的天顶角、太阳高度角，以及太阳方位角结合拍摄当天的日出日落时间作为太阳方位信息。
需要说明的是，前述图1-图5实施例中对监控设备的方位信息确定方法的实施例的解释说明也适用于该实施例提出的监控设备的方位信息确定装置600，其实现原理类似，此处不再赘述。
本实施例中，通过获取监控设备对阴影本体拍摄得到的预测图片，识别预测图片内与阴影本体对应的阴影特征，并根据监控设备所处监控点位的经纬度信息结合拍摄信息确定与预测图片对应的太阳方位信息，以及根据阴影特征、拍摄信息，以及太阳方位信息预测监控设备的方位信息，能够在确定监控设备的方位信息时降低对监控设备的依赖程度，有效地确定出监控设备的方位信息，使得方法具有较为广泛的适用性，提升方位信息的确定效果。
图8是本申请一个实施例提出的电子设备的结构示意图。
参见图8，本实施例的电子设备800包括壳体801、处理器802、存储器803、电路板804和电源电路805，其中，电路板804安置在壳体801围成的空间内部，处理器802和存储器803设置在电路板804上；电源电路805，用于为电子设备800的各个电路或器件供电；存储器803用于存储可执行程序代码；处理器802通过读取存储器803中存储的可执行程序代码来运行与可执行程序代码对应的程序，以用于执行：
获取预测图片；预测图片为监控设备对阴影本体拍摄得到的，预测图片携带拍摄信息；
识别预测图片内与阴影本体对应的阴影特征；
根据监控设备所处监控点位的经纬度信息结合拍摄信息确定与预测图片对应的太阳方位信息；
根据阴影特征、拍摄信息，以及太阳方位信息预测监控设备的方位信息。
需要说明的是，前述图1-图5实施例中对监控设备的方位信息确定方法的实施例的解释说明也适用于该实施例提出的电子设备800，其实现原理类似，此处不再赘述。
本申请实施例中，通过获取监控设备对阴影本体拍摄得到的预测图片，识别预测图片内与阴影本体对应的阴影特征，并根据监控设备所处监控点位的经纬度信息结合拍摄信息确定与预测图片对应的太阳方位信息，以及根据阴影特征、拍摄信息，以及太阳方位信息预测监控设备的方位信息，能够在确定监控设备的方位信息时降低对监控设备的依赖程度，有效地确定出监控设备的方位信息，使得方法具有较为广泛的适用性，提升方位信息的确定效果。
为了实现上述实施例，本申请实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前述方法实施例的监控设备的方位信息确定方法。
需要说明的是，在本申请的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种监控设备的方位信息确定方法，其特征在于，所述方法包括：
获取预测图片；所述预测图片为监控设备对阴影本体拍摄得到的，所述预测图片携带拍摄信息；
识别所述预测图片内与所述阴影本体对应的阴影特征；
根据所述监控设备所处监控点位的经纬度信息结合所述拍摄信息确定与所述预测图片对应的太阳方位信息；
根据所述阴影特征、所述拍摄信息，以及所述太阳方位信息预测所述监控设备的方位信息；
所述预测图片的数量为至少两张，各所述预测图片分别为所述监控设备对所述阴影本体拍摄得到的，各所述预测图片的拍摄信息不相同，所述根据所述阴影特征、所述拍摄信息，以及所述太阳方位信息预测所述监控设备的方位信息，包括：
分别根据各所述预测图片内与所述阴影本体对应的阴影特征，结合与各所述预测图片对应的拍摄信息和太阳方位信息预测得到第一方位信息；
根据至少两个第一方位信息形成方位置信区间，并将所述方位置信区间所覆盖的方向作为所述监控设备的方位信息，其中，所述方位置信区间是由最大第一方位信息和最小第一方位信息之间的差值形成；
所述识别所述预测图片内与所述阴影本体对应的阴影特征，包括：
确定阴影区域的参考像素点；
确定所述阴影区域的质心像素点；
将以所述参考像素点为起点，且指向所述质心像素点的方向作为阴影方向；
将所述阴影区域的最小外接矩形的长边的边长作为阴影长度；
将所述阴影方向和所述阴影长度共同作为所述阴影特征。
2.如权利要求1所述的监控设备的方位信息确定方法，其特征在于，所述根据所述阴影特征、所述拍摄信息，以及所述太阳方位信息预测所述监控设备的方位信息，包括：
根据所述阴影特征、所述拍摄信息，以及所述太阳方位信息结合预测模型预测所述监控设备的方位信息；
其中，所述预测模型已学习得到样本阴影特征、样本拍摄信息、样本太阳方位信息，以及与所述样本阴影特征、所述样本拍摄信息、样本太阳方位信息对应的监控设备的方位信息之间的对应关系。
3.如权利要求1所述的监控设备的方位信息确定方法，其特征在于，所述识别所述预测图片内与所述阴影本体对应的阴影特征，包括：
识别所述预测图片的色度和饱和度；
根据所述色度和饱和度对所述预测图片进行彩色空间变换，得到阴影区域；
识别所述阴影区域的特征作为所述阴影特征。
4.如权利要求1所述的监控设备的方位信息确定方法，其特征在于，所述拍摄信息为拍摄时间点，所述根据所述监控设备所处监控点位的经纬度信息结合所述拍摄信息确定与所述预测图片对应的太阳方位信息，包括：
根据所述监控设备所处监控点位的经纬度信息结合拍摄时间点，确定与所述拍摄时间点对应的天顶角、太阳高度角，以及太阳方位角；
将所述对应的天顶角、太阳高度角，以及太阳方位角结合拍摄当天的日出日落时间作为所述太阳方位信息。
5.一种监控设备的方位信息确定装置，其特征在于，所述装置包括：
获取模块，用于获取预测图片；所述预测图片为监控设备对阴影本体拍摄得到的，所述预测图片携带拍摄信息；
识别模块，用于识别所述预测图片内与所述阴影本体对应的阴影特征；
确定模块，用于根据所述监控设备所处监控点位的经纬度信息结合所述拍摄信息确定与所述预测图片对应的太阳方位信息；
预测模块，用于根据所述阴影特征、所述拍摄信息，以及所述太阳方位信息预测所述监控设备的方位信息；
所述预测图片的数量为至少两张，各所述预测图片分别为所述监控设备对所述阴影本体拍摄得到的，各所述预测图片的拍摄信息不相同，所述预测模块，具体用于：
分别根据各所述预测图片内与所述阴影本体对应的阴影特征，结合与各所述预测图片对应的拍摄信息和太阳方位信息预测得到第一方位信息；
根据至少两个第一方位信息形成方位置信区间，并将所述方位置信区间的信息作为所述监控设备的方位信息；
所述识别模块，还用于：
确定阴影区域的参考像素点；
确定所述阴影区域的质心像素点；
将以所述参考像素点为起点，且指向所述质心像素点的方向作为阴影方向；
将所述阴影区域的最小外接矩形的长边的边长作为阴影长度；
将所述阴影方向和所述阴影长度共同作为所述阴影特征。
6.如权利要求5所述的监控设备的方位信息确定装置，其特征在于，所述预测模块，还用于：
根据所述阴影特征、所述拍摄信息，以及所述太阳方位信息结合预测模型预测所述监控设备的方位信息；
其中，所述预测模型已学习得到样本阴影特征、样本拍摄信息、样本太阳方位信息，以及与所述样本阴影特征、所述样本拍摄信息、样本太阳方位信息对应的监控设备的方位信息之间的对应关系。
7.如权利要求5所述的监控设备的方位信息确定装置，其特征在于，所述识别模块，包括：
第一识别子模块，用于识别所述预测图片的色度和饱和度；
处理子模块，用于根据所述色度和饱和度对所述预测图片进行彩色空间变换，得到阴影区域；
第二识别子模块，用于识别所述阴影区域的特征作为所述阴影特征。
8.如权利要求5所述的监控设备的方位信息确定装置，其特征在于，所述拍摄信息为拍摄时间点，所述确定模块，具体用于：
根据所述监控设备所处监控点位的经纬度信息结合拍摄时间点，确定与所述拍摄时间点对应的天顶角、太阳高度角，以及太阳方位角，并将所述对应的天顶角、太阳高度角，以及太阳方位角结合拍摄当天的日出日落时间作为所述太阳方位信息。
9.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-4中任一项所述的监控设备的方位信息确定方法。
10.一种电子设备，所述电子设备包括壳体、处理器、存储器、电路板和电源电路，其中，所述电路板安置在所述壳体围成的空间内部，所述处理器和所述存储器设置在所述电路板上；所述电源电路，用于为所述电子设备的各个电路或器件供电；所述存储器用于存储可执行程序代码；所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于执行如权利要求1-4中任一项所述的监控设备的方位信息确定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010460359.2A CN111724440B (zh) | 2020-05-27 | 2020-05-27 | 监控设备的方位信息确定方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010460359.2A CN111724440B (zh) | 2020-05-27 | 2020-05-27 | 监控设备的方位信息确定方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111724440A CN111724440A (zh) | 2020-09-29 |
| CN111724440B true CN111724440B (zh) | 2024-02-02 |
Family
ID=72565041
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010460359.2A Active CN111724440B (zh) | 2020-05-27 | 2020-05-27 | 监控设备的方位信息确定方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111724440B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115529437A (zh) * | 2021-06-25 | 2022-12-27 | 青岛海信智慧生活科技股份有限公司 | 一种监控设备布置信息确定方法、装置、设备及介质 |
| CN117190969B (zh) * | 2023-09-11 | 2024-07-02 | 重庆紫光华山智安科技有限公司 | 摄像机方位角的确定方法、装置、设备及存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007166352A (ja) * | 2005-12-15 | 2007-06-28 | Sony Corp | カメラシステム |
| JP2014185908A (ja) * | 2013-03-22 | 2014-10-02 | Pasco Corp | 方位角推定装置及び方位角推定プログラム |
| WO2016008203A1 (zh) * | 2014-07-15 | 2016-01-21 | 中兴通讯股份有限公司 | 自动获取拍摄参数的方法及装置 |
| JP2016223934A (ja) * | 2015-06-01 | 2016-12-28 | 株式会社Ｎｔｔファシリティーズ | 位置補正システム、位置補正方法、および位置補正プログラム |
| WO2018110377A1 (ja) * | 2016-12-15 | 2018-06-21 | 株式会社日立国際電気 | 映像監視装置 |
| CN108921900A (zh) * | 2018-07-18 | 2018-11-30 | 江苏实景信息科技有限公司 | 一种监测监控摄像机的方位的方法及装置 |
| CN108965687A (zh) * | 2017-05-22 | 2018-12-07 | 阿里巴巴集团控股有限公司 | 拍摄方向识别方法、服务器及监控方法、系统及摄像设备 |
| JP2020060501A (ja) * | 2018-10-12 | 2020-04-16 | パイオニア株式会社 | 情報処理装置 |
| JP2020060499A (ja) * | 2018-10-12 | 2020-04-16 | パイオニア株式会社 | 情報処理装置 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100647807B1 (ko) * | 2005-11-24 | 2006-11-23 | 인하대학교 산학협력단 | 그림자 분석을 통한 3차원 건물정보 추출방법 |
| JP4647514B2 (ja) * | 2006-02-17 | 2011-03-09 | 株式会社日立ソリューションズ | 航空画像処理装置および航空画像処理方法 |
| US8390696B2 (en) * | 2009-01-06 | 2013-03-05 | Panasonic Corporation | Apparatus for detecting direction of image pickup device and moving body comprising same |
| US10270964B2 (en) * | 2014-09-12 | 2019-04-23 | Panasonic Intellectual Property Management Co., Ltd. | Camera and illumination system |
| US9965696B2 (en) * | 2015-12-31 | 2018-05-08 | James Alves | Digital camera control system |
| CN106973218B (zh) * | 2017-01-23 | 2019-09-27 | 北京小米移动软件有限公司 | 智能飞行设备的拍摄方法及智能飞行设备 |
| US20190164309A1 (en) * | 2017-11-29 | 2019-05-30 | Electronics And Telecommunications Research Institute | Method of detecting shooting direction and apparatuses performing the same |
-
2020
- 2020-05-27 CN CN202010460359.2A patent/CN111724440B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007166352A (ja) * | 2005-12-15 | 2007-06-28 | Sony Corp | カメラシステム |
| JP2014185908A (ja) * | 2013-03-22 | 2014-10-02 | Pasco Corp | 方位角推定装置及び方位角推定プログラム |
| WO2016008203A1 (zh) * | 2014-07-15 | 2016-01-21 | 中兴通讯股份有限公司 | 自动获取拍摄参数的方法及装置 |
| JP2016223934A (ja) * | 2015-06-01 | 2016-12-28 | 株式会社Ｎｔｔファシリティーズ | 位置補正システム、位置補正方法、および位置補正プログラム |
| WO2018110377A1 (ja) * | 2016-12-15 | 2018-06-21 | 株式会社日立国際電気 | 映像監視装置 |
| CN108965687A (zh) * | 2017-05-22 | 2018-12-07 | 阿里巴巴集团控股有限公司 | 拍摄方向识别方法、服务器及监控方法、系统及摄像设备 |
| CN108921900A (zh) * | 2018-07-18 | 2018-11-30 | 江苏实景信息科技有限公司 | 一种监测监控摄像机的方位的方法及装置 |
| JP2020060501A (ja) * | 2018-10-12 | 2020-04-16 | パイオニア株式会社 | 情報処理装置 |
| JP2020060499A (ja) * | 2018-10-12 | 2020-04-16 | パイオニア株式会社 | 情報処理装置 |
Non-Patent Citations (3)
| Title |
|---|
| Camera calibration and geo-location estimation from two shadow trajectories;Lin Wu et.al;《Computer Vision and Image Understanding》;第114卷(第8期);915-927 * |
| Camera calibration and light source orientation from solar shadows;Xiaochun Cao et.al;《Computer Vision and Image Understanding》;第105卷(第1期);60-72 * |
| 徐辉等.视频的特定时空求解方法研究.《测绘科学》.2018,第第43卷卷(第第43卷期),第104-110+141. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111724440A (zh) | 2020-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108965687B (zh) | 拍摄方向识别方法、服务器及监控方法、系统及摄像设备 | |
| US20220245792A1 (en) | Systems and methods for image quality detection | |
| CN110648283B (zh) | 图像拼接方法、装置、电子设备和计算机可读存储介质 | |
| US20170031056A1 (en) | Solar Energy Forecasting | |
| CN107590456B (zh) | 一种高空视频监控中小微目标的检测方法 | |
| CN111724440B (zh) | 监控设备的方位信息确定方法、装置及电子设备 | |
| Fedorov et al. | A framework for outdoor mobile augmented reality and its application to mountain peak detection | |
| Ahmad et al. | A novel method for vegetation encroachment monitoring of transmission lines using a single 2D camera | |
| CN111259957A (zh) | 基于深度学习的能见度监测和模型训练方法、装置、终端及介质 | |
| CN110675448B (zh) | 基于民航客机的地面灯光遥感监测方法、系统及存储介质 | |
| CN112991218B (zh) | 图像处理的方法、装置、设备以及存储介质 | |
| Dissawa et al. | Sky Image‐Based Localized, Short‐Term Solar Irradiance Forecasting for Multiple PV Sites via Cloud Motion Tracking | |
| CN110517440B (zh) | 基于卫星遥感系统的智能监控预警系统及方法 | |
| CN115391545B (zh) | 一种面向多平台协同观测任务的知识图谱构建方法和装置 | |
| CN115170792A (zh) | 红外图像处理方法、装置及设备、存储介质 | |
| Jacobs et al. | Webcam geo-localization using aggregate light levels | |
| CN117197789A (zh) | 基于多尺度边界特征融合的幕墙框识别方法及系统 | |
| CN111401302B (zh) | 遥感图像舰船目标一体化检测与细粒度识别方法 | |
| CN117593665A (zh) | 一种卫星遥感影像山火场景多特征数据生成方法和装置 | |
| CN112967286A (zh) | 一种新增建设用地检测方法及装置 | |
| CN116228598B (zh) | 一种用于山区无人机遥感图像的几何畸变校正装置及应用 | |
| Frajberg et al. | Heterogeneous information integration for mountain augmented reality mobile apps | |
| CN112001300A (zh) | 基于按位置交叉熵的楼宇监控方法、装置和电子设备 | |
| CN112001301A (zh) | 基于全局交叉熵加权的楼宇监控方法、装置和电子设备 | |
| CN107895385B (zh) | 基于卷积神经网络的对单张室外图像太阳位置的预测方法 |
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 |