CN111862508B - 监控方法、监控设备和计算机可读存储介质 - Google Patents
监控方法、监控设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN111862508B CN111862508B CN202010572504.6A CN202010572504A CN111862508B CN 111862508 B CN111862508 B CN 111862508B CN 202010572504 A CN202010572504 A CN 202010572504A CN 111862508 B CN111862508 B CN 111862508B
- Authority
- CN
- China
- Prior art keywords
- sample image
- event
- monitoring
- dynamic
- dynamic region
- 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
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
- G08B13/189—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems
- G08B13/194—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems
- G08B13/196—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems using television cameras
- G08B13/19602—Image analysis to detect motion of the intruder, e.g. by frame subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
- G08B13/189—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems
- G08B13/194—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems
- G08B13/196—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems using television cameras
- G08B13/19602—Image analysis to detect motion of the intruder, e.g. by frame subtraction
- G08B13/19606—Discriminating between target movement or movement in an area of interest and other non-signicative movements, e.g. target movements induced by camera shake or movements of pets, falling leaves, rotating fan
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
- G08B13/189—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems
- G08B13/194—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems
- G08B13/196—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems using television cameras
- G08B13/19602—Image analysis to detect motion of the intruder, e.g. by frame subtraction
- G08B13/19613—Recognition of a predetermined image pattern or behaviour pattern indicating theft or intrusion
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (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)
- Alarm Systems (AREA)
- Image Analysis (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明提出了一种监控方法、监控设备和计算机可读存储介质。其中方法包括:获取监控区域的样本图像;检测样本图像中的动态区域;基于样本图像存在动态区域,则开始统计预设时间段内样本图像存在动态区域的第一事件次数;基于第一事件次数大于或等于次数阈值,则生成第一事件信息;基于存在第一事件信息,且样本图像不存在动态区域,则开始统计预设时间段内样本图像不存在动态区域的第二事件次数;基于第二事件次数大于或等于次数阈值,则生成第二事件信息。从而避免了监测对象长时间出现在监控区域内导致的频繁报警的问题,输出更精确的事件,而且避免飞鸟等非监测对象造成的误判,有利于提高用户的事件处理效率。
Description
技术领域
本发明涉及安防监控智能化应用技术领域,具体而言,涉及一种监控方法、一种监控设备和一种计算机可读存储介质。
背景技术
在安防领域中,基于深度学习的安防监控系统能有效地检测入侵房屋或站房的行人,自动形成报警信息,从而保证站房的安全。
在安防监控需求中,一段时间内同一个人被检测到多次,属于一个事件,但由于监控系统是每隔一段时间(10s)进行拍摄,并传输图片进行检测,一段时间内会产生同一个人的多次报警,随之带来大量的安全事件,增大管理者的工作量。
发明内容
本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。
为此,本发明的第一方面在于提出了一种监控方法。
本发明的第二方面在于提出了一种监控设备。
本发明的第三方面在于提出了一种计算机可读存储介质。
有鉴于此,根据本发明的第一方面,提出了一种监控方法,包括:获取监控区域的样本图像;检测样本图像中的动态区域;基于样本图像存在动态区域,则开始统计预设时间段内样本图像存在动态区域的第一事件次数;基于第一事件次数大于或等于次数阈值,则生成第一事件信息;基于存在第一事件信息,且样本图像不存在动态区域,则开始统计预设时间段内样本图像不存在动态区域的第二事件次数;基于第二事件次数大于或等于次数阈值,则生成第二事件信息。
本发明提供的监控方法,按照指定采样间隔获取监控区域的样本图像,检测样本图像中是否存在不同于监控区域背景的动态区域,若检测出存在动态区域,说明此时监控区域出现移动的人或物体,此时开始统计第一事件次数,即预设时间段内采集到的所有连续的样本图像中检测出动态区域的样本图像的个数,当第一事件次数大于或等于次数阈值,说明预设时间段内监测区域内长时间存在移动的人或物体,则将多次检测到动态区域的结果合并为一个事件的任务,记录访问的时间,并生成第一事件信息,在生成出现动态区域的事件信息后,继续采集图像并检测,当样本图像不存在动态区域,说明可移动的人或物体离开监控区域,此时开始统计第二事件次数,即预设时间段内采集到的所有连续的样本图像中未检测出动态区域的样本图像的个数,若第二事件次数大于或等于次数阈值,说明预设时间段内监测区域内长时间未出现人或物体,则将多次检测到动态区域的结果合并为一个事件的任务,记录离开的时间,并生成第二事件信息。从而只在产生新的事件时才会生成是事件信息,一方面,在保留监控事件的基础上,有效减少生成事件的次数,防止引起事件的漏检而造成事件的分隔,并且避免了监测对象长时间出现在监控区域内导致的频繁报警的问题,减小单一事件分析的局限性,输出更精确的事件信息,另一方面,避免飞鸟等非监测对象造成的误判,减少对管理者的干扰,有利于提高用户的事件处理效率,满足用户多方面的使用需求。
具体地,预设时间段可以是当前采样时刻之前的一段时间,也可以是之后的一段时间,可根据采样间隔合理设置;次数阈值可根据预设时间段、采样间隔和检测需求合理设置。
另外,根据本发明提供的上述技术方案中的监控方法,还可以具有如下附加技术特征:
在上述技术方案中,进一步地,生成第一事件信息的步骤之后,还包括:停止检测样本图像中的动态区域,并开始计时待定时长;基于待定时长大于或等于时长阈值,则重新开始检测样本图像中的动态区域。
在该技术方案中,考虑到访问人员通常需要在监控区域停留一定的时间,在生成出现动态区域的事件信息后,系统进入待定阶段,继续采集样本图像,但停止检测样本图像中的动态区域,当待定时长达到时长阈值时,退出待定阶段,重新开始检测样本图像中的动态区域,并继续进行监控。从而能够节省处理资源,提高用户的事件处理效率。其中,时长阈值可根据检测对象的历史停留时间合理设置。
在上述任一技术方案中,进一步地,检测样本图像中的动态区域的步骤,具体包括:获取监控区域的背景图像;基于样本图像和背景图像不匹配,则确定样本图像存在动态区域;基于样本图像和背景图像匹配,则确定样本图像不存在动态区域。
在该技术方案中,获取预存的监控区域的背景图像,采用深度学习检测模型模糊匹配样本图像和背景图像,或采用帧间差分法,将样本图像和背景图像的像素值相减,根据差值和设定的匹配阈值实现样本图像和背景图像的匹配,若检测到样本图像和背景图像不匹配,说明两者之间存在明显差异,则确定样本图像存在动态区域,若检测到样本图像和背景图像匹配,说明两者之间无明显差异,则确定样本图像不存在动态区域,通过上述方案能够准确识别出样本图像的动态区域,避免发生漏检现象,为后续事件合并提供可靠的依据,提高了监控的有效性。
在上述任一技术方案中,进一步地,检测样本图像中的动态区域的步骤之后,还包括:基于样本图像存在动态区域,识别动态区域的人员特征数据;确定人员特征数据和预设人员特征数据的相似度并排序;根据最大的相似度对应的预设人员特征,确定动态区域的人员信息。
在该技术方案中,在确认样本图像存在动态区域后,对样本图像中的人员特征数据(例如,人脸特征向量、身形特征向量等)进行识别,将人员特征数据与数据库中的预设人员特征数据进行比对,即计算人员特征数据和预设人员特征数据之间的向量距离,根据向量距离确定人员特征数据和预设人员特征的相似度并排序,根据相似度值最大的预设人员特征确定人员特征数据对应的人员信息(例如,姓名、所属部门、职位等),从而对进入监控区域的访问人员进行识别,便于事件追踪,提高监控日志的全面性。
其中,相似度是指向量距离越近则对应的人员特征越相似,向量距离可以包括欧氏距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离、马氏距离、余弦距离、汉明距离、杰卡德距离中的至少一种。
在上述任一技术方案中,进一步地,还包括:基于人员信息不满足监控区域的权限信息,则发送警示信息。
在该技术方案中,识别出人员信息后,将人员信息与监控区域的权限信息进行比对,若人员信息不满足权限信息,说明访问人员无进入监控区域的权限,此时发送警示信息,从而满足了监控设备的安保需求,做到防患于未然,保证监控区域的安全。
在上述任一技术方案中,进一步地,获取监控区域的样本图像的步骤,具体包括:获取监控区域的监控视频;按照预设采样间隔截取监控视频,得到样本图像。
在该技术方案中,样本图像不仅可以拍摄获取的单帧图片,还可以从多帧监控视频中截取,拓展了监控的应用场景,有助于监控工作效率的提高。
在上述任一技术方案中,进一步地,采用CenterNet检测模型或帧间差分函数检测样本图像中的动态区域。
在该技术方案中,使用帧间差分或模型检测的方法对动态区域进行判别,提高了检测对象进入监测区域时实时检测的检测速度和精度,降低误报和漏报。具体地,CenterNet检测模型属于anchor-free系列的目标检测,相比于CornerNet做出了改进,使得检测速度和精度相比于one_stage(单阶段)和two_stage(双阶段)的框架都有不小的提高,实现了速度和精度更好的权衡。帧间差分函数,例如,opencv(计算机视觉库)中的absdiff函数,实现简单,运算速度快,广泛性高,对光线的变化不敏感。
在上述任一技术方案中,进一步地,第一事件信息包括存在动态区域的样本图像和存在动态区域的样本图像的采样时刻;第二事件信息包括不存在动态区域的样本图像的采样时刻。
根据本发明的第二方面,提出了一种监控设备,包括:至少一个摄像装置;存储器,存储器存储有计算机程序;处理器,与存储器和至少一个摄像装置连接,处理器执行计算机程序时执行第一方面的技术方案的监控方法。
本发明提供的监控设备,能够按照指定采样间隔获取监控区域的样本图像,检测样本图像中是否存在不同于监控区域背景的动态区域,若检测出存在动态区域,说明此时监控区域出现移动的人或物体,此时开始统计第一事件次数,即预设时间段内采集到的所有连续的样本图像中检测出动态区域的样本图像的个数,当第一事件次数大于或等于次数阈值,说明预设时间段内监测区域内长时间存在移动的人或物体,则将多次检测到动态区域的结果合并为一个事件的任务,记录访问的时间,并生成第一事件信息,在生成出现动态区域的事件信息后,继续采集图像并检测,当样本图像不存在动态区域,说明可移动的人或物体离开监控区域,此时开始统计第二事件次数,即预设时间段内采集到的所有连续的样本图像中未检测出动态区域的样本图像的个数,若第二事件次数大于或等于次数阈值,说明预设时间段内监测区域内长时间未出现人或物体,则将多次检测到动态区域的结果合并为一个事件的任务,记录离开的时间,并生成第二事件信息。从而只在产生新的事件时才会生成是事件信息,一方面,在保留监控事件的基础上,有效减少生成事件的次数,防止引起事件的漏检而造成事件的分隔,并且避免了监测对象长时间出现在监控区域内导致的频繁报警的问题,减小单一事件分析的局限性,输出更精确的事件信息,另一方面,避免飞鸟等非监测对象造成的误判,减少对管理者的干扰,有利于提高用户的事件处理效率,满足用户多方面的使用需求。
根据本发明的第三方面,提出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执行第一方面的技术方案的监控方法的步骤。因此该计算机可读存储介质具备第一方面的技术方案的监控方法的全部有益效果。
本发明的附加方面和优点将在下面的描述部分中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1示出了本发明一个实施例的监控方法流程示意图;
图2示出了本发明又一个实施例的监控方法流程示意图;
图3示出了本发明又一个实施例的监控方法流程示意图;
图4示出了本发明又一个实施例的监控方法流程示意图;
图5示出了本发明一个具体实施例的站房监控方法流程示意图;
图6示出了本发明一个具体实施例的站房监控图像;
图7示出了图6中(3)的CenterNet检测模型检测结果示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不限于下面公开的具体实施例的限制。
下面参照图1至图7描述根据本发明一些实施例的监控方法、监控设备和计算机可读存储介质。
实施例一
如图1所示,根据本发明第一方面的实施例,提出了一种监控方法,该方法包括:
步骤102,获取监控区域的样本图像;
步骤104,检测样本图像中是否存在动态区域,若是,进入步骤106,若否,进入步骤102;
步骤106,开始统计预设时间段内样本图像存在动态区域的第一事件次数;
步骤108,第一事件次数是否大于或等于次数阈值,若是,进入步骤110,若否,进入步骤102;
步骤110,生成第一事件信息;
步骤112,继续获取监控区域的样本图像;
步骤114,检测样本图像中是否存在动态区域,若是,进入步骤112,若否,进入步骤116;
步骤116,开始统计预设时间段内样本图像不存在动态区域的第二事件次数;
步骤118,第二事件次数是否大于或等于次数阈值,若是,进入步骤120,若否,进入步骤112;
步骤120,生成第二事件信息。
在该实施例中,按照指定采样间隔获取监控区域的样本图像,检测样本图像中是否存在不同于监控区域背景的动态区域,若检测出存在动态区域,说明此时监控区域出现移动的人或物体,此时开始统计第一事件次数,即预设时间段内采集到的所有连续的样本图像中检测出动态区域的样本图像的个数,当第一事件次数大于或等于次数阈值,说明预设时间段内监测区域内长时间存在移动的人或物体,则将多次检测到动态区域的结果合并为一个事件的任务,记录访问的时间,并生成第一事件信息,在生成出现动态区域的事件信息后,继续采集图像并检测,当样本图像不存在动态区域,说明可移动的人或物体离开监控区域,此时开始统计第二事件次数,即预设时间段内采集到的所有连续的样本图像中未检测出动态区域的样本图像的个数,若第二事件次数大于或等于次数阈值,说明预设时间段内监测区域内长时间未出现人或物体,则将多次检测到动态区域的结果合并为一个事件的任务,记录离开的时间,并生成第二事件信息。从而只在产生新的事件时才会生成是事件信息,一方面,在保留监控事件的基础上,有效减少生成事件的次数,防止引起事件的漏检而造成事件的分隔,并且避免了监测对象长时间出现在监控区域内导致的频繁报警的问题,减小单一事件分析的局限性,输出更精确的事件信息,另一方面,避免飞鸟等非监测对象造成的误判,减少对管理者的干扰,有利于提高用户的事件处理效率,满足用户多方面的使用需求。具体地,预设时间段可以是当前采样时刻之前的一段时间,也可以是之后的一段时间,可根据采样间隔合理设置。例如,下午1点第一次检测出现动态区域,预设时间段为当前采样时刻的后60s,采样间隔为20s,预设时间段内共采集3张样本图像,次数阈值设定为3,当3张样本图像均检测到动态区域时,确定监控区域被访问,生成访问事件任务,并生成访问事件任务的访问时间。
进一步地,获取监控区域的样本图像的步骤,具体包括:获取监控区域的监控视频;按照预设采样间隔截取监控视频,得到样本图像,也即样本图像不仅可以拍摄获取的单帧图片,还可以从多帧监控视频中截取,拓展了监控的应用场景,有助于监控工作效率的提高。
实施例二
如图2所示,根据本发明的一个实施例,提出了一种监控方法,该方法包括:
步骤202,获取监控区域的样本图像;
步骤204,检测样本图像中是否存在动态区域,若是,进入步骤206,若否,进入步骤202;
步骤206,开始统计预设时间段内样本图像存在动态区域的第一事件次数;
步骤208,第一事件次数是否大于或等于次数阈值,若是,进入步骤210,若否,进入步骤202;
步骤210,生成第一事件信息;
步骤212,继续获取监控区域的样本图像;
步骤214,停止检测样本图像中的动态区域,并开始计时待定时长;
步骤216,待定时长是否大于或等于时长阈值,若是,进入步骤218,若否,进入步骤212;
步骤218,重新开始检测样本图像中是否存在动态区域,若是,重复步骤218,若否,进入步骤220;
步骤220,开始统计预设时间段内样本图像不存在动态区域的第二事件次数;
步骤222,第二事件次数是否大于或等于次数阈值,若是,进入步骤224,若否,进入步骤218;
步骤224,生成第二事件信息。
具体地,第一事件信息包括访问时间和访问时间对应的样本图像,第二事件信息包括离开时间和访问时间至离开时间内采集的样本图像。
在该实施例中,考虑到访问人员通常需要在监控区域停留一定的时间,在生成出现动态区域的事件信息后,系统进入待定阶段,继续周期性采集样本图像,但停止检测样本图像中的动态区域,当待定时长达到时长阈值时,退出待定阶段,重新开始检测样本图像中的动态区域,并继续进行监控。从而能够节省处理资源,提高用户的事件处理效率。
实施例三
如图3所示,根据本发明的一个实施例,除上述实施例限定的特征之外还进一步,检测样本图像中是否存在动态区域的步骤具体包括:
步骤302,获取监控区域的背景图像;
步骤304,样本图像和背景图像是否匹配,若是,进入步骤306,若否,进入步骤308;
步骤306,确定样本图像不存在动态区域;
步骤308,确定样本图像存在动态区域。
在该技术方案中,获取预存的监控区域的背景图像,采用深度学习检测模型模糊匹配样本图像和背景图像,或采用帧间差分法,将样本图像和背景图像的像素值相减,根据差值和设定的匹配阈值实现样本图像和背景图像的匹配,若检测到样本图像和背景图像不匹配,说明两者之间存在明显差异,则确定样本图像存在动态区域,若检测到样本图像和背景图像匹配,说明两者之间无明显差异,则确定样本图像不存在动态区域,通过上述方案能够准确识别出样本图像的动态区域,避免发生漏检现象,为后续事件合并提供可靠的依据,提高了监控的有效性。
具体地,采用CenterNet检测模型或帧间差分函数检测样本图像中的动态区域,提高了检测对象进入监测区域时实时检测的检测速度和精度,降低误报和漏报。
其中,CenterNet检测模型属于anchor-free系列的目标检测,相比于CornerNet做出了改进,使得检测速度和精度相比于one_stage(单阶段)和two_stage(双阶段)的框架都有不小的提高,实现了速度和精度更好的权衡。帧间差分函数,例如,opencv(计算机视觉库)中的absdiff函数,实现简单,运算速度快,广泛性高,对光线的变化不敏感。
实施例四
如图4所示,根据本发明的一个实施例,提出了一种监控方法,该方法包括:
步骤402,获取监控区域的样本图像;
步骤404,检测样本图像中是否存在动态区域,若是,进入步骤406,若否,进入步骤402;
步骤406,开始统计预设时间段内样本图像存在动态区域的第一事件次数;
步骤408,第一事件次数是否大于或等于次数阈值,若是,进入步骤410,若否,进入步骤402;
步骤410,识别动态区域的人员特征数据;
步骤412,确定人员特征数据和预设人员特征数据的相似度并排序;
步骤414,根据最大的相似度对应的预设人员特征,确定动态区域的人员信息;
步骤416,人员信息是否满足监控区域的权限信息,若是,进入步骤418,若否,进入步骤420;
步骤418,生成第一事件信息;
步骤420,生成第一事件信息,并发送警示信息。
在该实施例中,在确认样本图像存在动态区域后,对样本图像中的人员特征数据(例如,人脸特征向量、身形特征向量等)进行识别,将人员特征数据与数据库中的预设人员特征数据进行比对,即计算人员特征数据和预设人员特征数据之间的向量距离,根据向量距离确定人员特征数据和预设人员特征的相似度并排序,根据相似度值最大的预设人员特征确定人员特征数据对应的人员信息(例如,姓名、所属部门、职位等),从而对进入监控区域的访问人员进行识别,便于事件追踪,提高监控日志的全面性。另外,识别出人员信息后,将人员信息与监控区域的权限信息进行比对,若人员信息不满足权限信息,说明访问人员无进入监控区域的权限,此时发送警示信息,从而满足了监控设备的安保需求,做到防患于未然,保证监控区域的安全。
其中,相似度是指向量距离越近则对应的人员特征越相似,向量距离可以包括欧氏距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离、马氏距离、余弦距离、汉明距离、杰卡德距离中的至少一种。
具体地,第一事件信息包括访问时间、人员信息和访问时间对应的样本图像。
实施例五
如图5所示,根据本发明的一个具体实施例,提出了一种站房的监控方法,该方法包括:
步骤502,输入一张来自站房的图;
步骤504,模型推理,结果为ret;
步骤506,ret是否为空,若是,进入步骤508,若否,进入步骤510;
步骤508,上一个ret是否为空,若是,进入步骤512,若否,进入步骤514;
步骤512,发生0→0,属于同一事件pre=0,event不变,进入步骤502;
步骤514,发生1→0;
步骤516,num_1_0是否大于或等于3,若是,进入步骤518,若否,进入步骤502;
步骤518,事件结束pre=0,更新event,进入步骤502;
步骤510,上一个ret是否为空,若是,进入步骤520,若否,进入步骤526;
步骤520,发生0→1;
步骤522,num_0_1是否大于或等于3,若是,进入步骤524,若否,进入步骤502;
步骤524,产生新的事件pre=1,更新event;
步骤526,发生1→1,属于同一事件pre=1,event不变,进入步骤502。
其中,利用CenterNet检测模型检测站房图中是否出现访问人员,具体地,ret:站房图中是否出现访问人员的检测结果;0→1:从无检测结果的状态到有检测结果的状态(暂不返回结果,多判断3次,能防止误检现象,从第3次返回结果,新加表示事件的event字段,字段值为当前的访问时间(datetime));1→1:从有检测结果的状态到有检测结果的状态(返回结果,event字段值为该事件开始的访问时间);1→0:从有检测结果的状态到无检测结果的状态(暂不返回空,多判断3次,从第3次后返回,event值改为当前图片的访问时间);0→0:从无检测结果的状态到无检测结果的状态(返回空);num_0_1:连续发生0-1的次数;num_1_0:连续发生1-0的次数;pre:上一张图片的状态,有0和1,0代表上一张图片的模型推理为空,1代表模型推理不为空;event:返回结果新加的字段,表示图片所属的事件。
详细地,1.从站房配置的摄像头抓取足够的图片,训练基于这些图片的CenterNet检测模型,将训练好的模型部署到生产环境下。其中,CenterNet检测模型是属于anchor-free系列的目标检测,相比于CornerNet做出了改进,使得检测速度和精度相比于one_stage和two_stage的框架都有不小的提高。
2.如图6所示,给出了连续采集得到的10张站房入侵的拍摄图片,其中(1)是无人进入站房的,(2)到(7)是有人进入的,而且属于连续的时间,故需要合并为一个事件,(8)到(10)是无人进入站房的,不需要合并。
3.首先初始化pre=0,num_0_1=0,num_1_0=0。当将(1)输入到CenterNet检测模型中,输出检测结果为空,由于pre=0,所以此时发生的是0-0的情况,pre赋值为0,event更新为当前的时间,继续进入下一个循环。
4.将(2)输入到模型中,输出结果不为空,其中,输出结果如图7所示。由于pre=0,所以此时发生的是0→1,依照流程图,发生0→1的时候,需要判断3次,以防引起事件的误检,只有在产生新的事件时,pre才会被赋值为1,故此时令pre=0,由于是第一次发生0→1的情况,所以累计num_0_1=1。然后将(3)输入到模型中,num_0_1的值加1,pre依旧被赋值为0。当将(4)输入到模型时,输出结果不为空,num_0_1的值加1,此时大于等于3,所以产生新的事件,此时令pre=1,num_0_1=0表示本次判定结束,更新字段event值为当前图片的访问时间。
5.将(5)输入到检测模型时,输出结果不为空。由于pre=1,所以此时发生的是1→1的情况,依照流程图,发生1→1的时候,表示本张图片和上一张图片是属于同一事件,pre赋值为1,字段event不更新。依次类推,(6)到(7)同理。另外,为了节省处理资源,可以在此时对该路的摄像头进行5分钟的待定阶段,在待定阶段内,获取图片但不调用模型对图片进行推理,直接返回有人的结果,等到5分钟之后,才开始继续对图片进行模型推理。
6.将(8)输入到模型时,输出结果为空。由于pre=1,所以此时发生的是1-0,依照流程图,发生1→0的情况的时候,需要判断3次,以防引起事件的漏检,而造成事件的分隔。由于事件还未结束,故对pre赋值为1,num_1_0标识变量赋值为1,表示出现1→0的次数。然后将(9)输入到模型中,输出结果为空,num_1_0的值加1,pre依旧被赋值为1。当将(10)输入到模型时,输出结果为空,num_1_0的值加1,此时num_1_0大于等于3,所以该事件结束,event字段更新。
7.(4)到(7)一共4张图片属于一个事件,根据event字段的值,相同即合并,不同不合并,且合并有返回结果的图片,故(4)到(7)合并成功。(2)和(3)虽然也有人员进入,但是作为判定的依据,未合并到事件中去。
另外,还可以利用图像差分的方法对人员进行判别,以此来判定前后两张图是否属于同一个人,具体地,利用opencv中的absdiff函数对两个图片的灰度图相减,设定阈值为3000000。当大于阈值代表不属于同一个人,小于阈值说明属于同一个人。
通过该实施例记载的技术方案,能够解决了安防监控领域站房入侵的同一个事件的多张图片的合并问题,并且在对图片的检测过程,产生同属一个事件的图片时,加入待定阶段,起到了节省处理资源的作用。
实施例六
根据本发明第二方面的实施例,提出了一种监控设备,包括:至少一个摄像装置、存储器和处理器。
其中,存储器存储有计算机程序,处理器与存储器和至少一个摄像装置连接,处理器执行计算机程序时执行第一方面的实施例的监控方法。
本实施例提供的监控设备,能够按照指定采样间隔获取监控区域的样本图像,检测样本图像中是否存在不同于监控区域背景的动态区域,若检测出存在动态区域,说明此时监控区域出现移动的人或物体,此时开始统计第一事件次数,即预设时间段内采集到的所有连续的样本图像中检测出动态区域的样本图像的个数,当第一事件次数大于或等于次数阈值,说明预设时间段内监测区域内长时间存在移动的人或物体,则将多次检测到动态区域的结果合并为一个事件的任务,记录访问的时间,并生成第一事件信息,在生成出现动态区域的事件信息后,继续采集图像并检测,当样本图像不存在动态区域,说明可移动的人或物体离开监控区域,此时开始统计第二事件次数,即预设时间段内采集到的所有连续的样本图像中未检测出动态区域的样本图像的个数,若第二事件次数大于或等于次数阈值,说明预设时间段内监测区域内长时间未出现人或物体,则将多次检测到动态区域的结果合并为一个事件的任务,记录离开的时间,并生成第二事件信息。从而只在产生新的事件时才会生成是事件信息,一方面,在保留监控事件的基础上,有效减少生成事件的次数,防止引起事件的漏检而造成事件的分隔,并且避免了监测对象长时间出现在监控区域内导致的频繁报警的问题,减小单一事件分析的局限性,输出更精确的事件信息,另一方面,避免飞鸟等非监测对象造成的误判,减少对管理者的干扰,有利于提高用户的事件处理效率,满足用户多方面的使用需求。
实施例七
根据本发明第三方面的实施例,提出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执行如上述第一方面实施例的监控设备的控制方法的步骤。因此该计算机可读存储介质具备上述任一实施例的制冷或热泵系统的控制方法的全部有益效果。
在本说明书的描述中,术语“第一”、“第二”仅用于描述的目的,而不能理解为指示或暗示相对重要性,除非另有明确的规定和限定;术语“连接”、“安装”、“固定”等均应做广义理解,例如,“连接”可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本说明书的描述中,术语“一个实施例”、“一些实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明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实例。而且,描述的具体特征、结构、材料或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。
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。凡在本发明的精神和原则之内,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 (9)
1.一种监控方法,其特征在于,包括:
获取监控区域的样本图像;
检测所述样本图像中的动态区域;
基于所述样本图像存在所述动态区域,则开始统计预设时间段内所述样本图像存在所述动态区域的第一事件次数;
基于所述第一事件次数大于或等于次数阈值,则生成第一事件信息;
基于存在所述第一事件信息,且所述样本图像不存在所述动态区域,则开始统计所述预设时间段内所述样本图像不存在所述动态区域的第二事件次数;
基于所述第二事件次数大于或等于所述次数阈值,则生成第二事件信息;
所述检测所述样本图像中的动态区域的步骤,具体包括:
获取所述监控区域的背景图像;
基于所述样本图像和所述背景图像不匹配,则确定所述样本图像存在所述动态区域;
基于所述样本图像和所述背景图像匹配,则确定所述样本图像不存在所述动态区域。
2.根据权利要求1所述的监控方法,其特征在于,所述生成第一事件信息的步骤之后,还包括:
停止检测所述样本图像中的所述动态区域,并开始计时待定时长;
基于所述待定时长大于或等于时长阈值,则重新开始检测所述样本图像中的所述动态区域。
3.根据权利要求1所述的监控方法,其特征在于,所述检测所述样本图像中的动态区域的步骤之后,还包括:
基于所述样本图像存在所述动态区域,识别所述动态区域的人员特征数据;
确定所述人员特征数据和预设人员特征数据的相似度并排序;
根据最大的所述相似度对应的所述预设人员特征,确定所述动态区域的人员信息。
4.根据权利要求3所述的监控方法,其特征在于,还包括:
基于所述人员信息不满足所述监控区域的权限信息,则发送警示信息。
5.根据权利要求1至4中任一项所述的监控方法,其特征在于,所述获取监控区域的样本图像的步骤,具体包括:
获取所述监控区域的监控视频;
按照预设采样间隔截取所述监控视频,得到所述样本图像。
6.根据权利要求1至4中任一项所述的监控方法,其特征在于,
采用CenterNet检测模型或帧间差分函数检测所述样本图像中的所述动态区域。
7.根据权利要求1至4中任一项所述的监控方法,其特征在于,
所述第一事件信息包括存在所述动态区域的所述样本图像和存在所述动态区域的所述样本图像的采样时刻;
所述第二事件信息包括不存在所述动态区域的所述样本图像的采样时刻。
8.一种监控设备,其特征在于,包括:
至少一个摄像装置;
存储器,所述存储器存储有计算机程序;
处理器,与所述存储器和所述至少一个摄像装置连接,所述处理器执行计算机程序时执行如权利要求1至7中任一项所述的监控方法。
9.一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执行如权利要求1至7中任一项所述的监控方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010572504.6A CN111862508B (zh) | 2020-06-22 | 2020-06-22 | 监控方法、监控设备和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010572504.6A CN111862508B (zh) | 2020-06-22 | 2020-06-22 | 监控方法、监控设备和计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111862508A CN111862508A (zh) | 2020-10-30 |
CN111862508B true CN111862508B (zh) | 2022-08-30 |
Family
ID=72987058
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010572504.6A Active CN111862508B (zh) | 2020-06-22 | 2020-06-22 | 监控方法、监控设备和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111862508B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113159074B (zh) * | 2021-04-26 | 2024-02-09 | 京东科技信息技术有限公司 | 图像处理方法、装置、电子设备和存储介质 |
CN113468948B (zh) * | 2021-04-26 | 2023-11-10 | 深圳市安软科技股份有限公司 | 基于视图数据的治安防控方法、模块、设备及存储介质 |
CN114040244B (zh) * | 2021-10-14 | 2024-01-05 | 北京激浊扬清文化科技有限公司 | 边缘视觉场景下减少错误事件的方法、系统、设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107229402A (zh) * | 2017-05-22 | 2017-10-03 | 努比亚技术有限公司 | 终端的动态截屏方法、装置及可读存储介质 |
CN110459030A (zh) * | 2019-09-06 | 2019-11-15 | 深圳市瑞讯云技术有限公司 | 火灾的检测方法及装置 |
CN111160107A (zh) * | 2019-12-05 | 2020-05-15 | 东南大学 | 一种基于特征匹配的动态区域检测方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102469247A (zh) * | 2010-11-09 | 2012-05-23 | 鸿富锦精密工业(深圳)有限公司 | 摄像装置及其动态对焦方法 |
JP2016057683A (ja) * | 2014-09-05 | 2016-04-21 | 株式会社日立システムズ | イベント監視コンピュータシステム及びイベント監視方法 |
CN105046682B (zh) * | 2015-05-20 | 2018-04-03 | 王向恒 | 一种基于本地计算的视频监控方法 |
CN109560963A (zh) * | 2018-11-23 | 2019-04-02 | 北京车和家信息技术有限公司 | 监控报警方法、系统以及计算机可读存储介质 |
CN110516656A (zh) * | 2019-09-04 | 2019-11-29 | 上海眼控科技股份有限公司 | 视频监控方法、装置、计算机设备和可读存储介质 |
CN110533874A (zh) * | 2019-09-06 | 2019-12-03 | 深圳市瑞讯云技术有限公司 | 一种火灾的检测方法及装置 |
CN110781750A (zh) * | 2019-09-25 | 2020-02-11 | 万翼科技有限公司 | 危险人物监控处理方法、装置、计算机设备和存储介质 |
-
2020
- 2020-06-22 CN CN202010572504.6A patent/CN111862508B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107229402A (zh) * | 2017-05-22 | 2017-10-03 | 努比亚技术有限公司 | 终端的动态截屏方法、装置及可读存储介质 |
CN110459030A (zh) * | 2019-09-06 | 2019-11-15 | 深圳市瑞讯云技术有限公司 | 火灾的检测方法及装置 |
CN111160107A (zh) * | 2019-12-05 | 2020-05-15 | 东南大学 | 一种基于特征匹配的动态区域检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111862508A (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111862508B (zh) | 监控方法、监控设备和计算机可读存储介质 | |
CN110222640B (zh) | 监控场所中嫌疑人的识别方法、装置、方法和存储介质 | |
JP6854881B2 (ja) | 顔画像照合システムおよび顔画像検索システム | |
KR102153591B1 (ko) | 영상 감시 시스템에서의 실시간 쓰레기 투기 행위 탐지 방법 및 장치 | |
CN106780250B (zh) | 一种基于物联网技术的智慧社区安全事件处理方法及系统 | |
CN107911653A (zh) | 驻所智能视频监控模组、系统、方法以及存储介质 | |
US20170004629A1 (en) | Low-complexity motion detection based on image edges | |
JPH10285581A (ja) | 自動監視装置 | |
CN113887445A (zh) | 一种视频中驻足和徘徊行为识别方法及系统 | |
CN109117771B (zh) | 一种基于锚节点的图像中暴力事件检测系统及方法 | |
CN112001230A (zh) | 睡觉行为的监控方法、装置、计算机设备和可读存储介质 | |
JP5758165B2 (ja) | 物品検出装置および静止人物検出装置 | |
CN102244769B (zh) | 物件及其关键人监控系统与方法 | |
CN114170295A (zh) | 一种基于混合视觉的高空抛物检测方法及装置 | |
CN112535459A (zh) | 睡眠异常检测方法、装置、电子设备及可读存储介质 | |
CN111126100B (zh) | 报警方法、装置、电子设备及存储介质 | |
CN116403162A (zh) | 一种机场场面目标行为识别方法、系统及电子设备 | |
CN114973135A (zh) | 一种基于头肩的时序视频睡岗识别方法、系统及电子设备 | |
CN112686146A (zh) | 一种基于面部特征识别的客流分析方法、装置及系统 | |
WO2012074352A1 (en) | System and method to detect loitering event in a region | |
CN113516691A (zh) | 一种基于机器视觉的高空抛物检测系统 | |
WO2020139071A1 (en) | System and method for detecting aggressive behaviour activity | |
US20220292281A1 (en) | Loitering and Vagrancy Computer Vision Ai | |
Kushwaha et al. | Theft-Detection using Motion Sensing Camera | |
CN112291282B (zh) | 一种动检告警方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |