CN112203054B - 监控视频点位标注方法、装置、存储介质及电子设备 - Google Patents
监控视频点位标注方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN112203054B CN112203054B CN202011073773.4A CN202011073773A CN112203054B CN 112203054 B CN112203054 B CN 112203054B CN 202011073773 A CN202011073773 A CN 202011073773A CN 112203054 B CN112203054 B CN 112203054B
- Authority
- CN
- China
- Prior art keywords
- subspace
- point location
- video point
- area
- monitoring
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本申请涉及人工智能领域,应用于智慧城管领域,揭示了一种监控视频点位标注方法、装置、存储介质及电子设备。该方法包括:获取监控视频点位分布图;将所述监控视频点位分布图划分为若干个子空间区域,其中,各所述子空间区域的大小和形状相同;基于每一所述子空间区域所对应的属性信息要素,确定每一所述子空间区域所对应的属性值;基于所述子空间区域对应的属性值并利用预先训练好的机器学习模型,确定目标监控视频点位的监控范围所对应的标签,所述监控范围大于所述子空间区域。此方法下,能自动对监控视频点位进行标注,提高了标注效率,降低了标注成本,使得监控视频点位的标注更完善,实现了对监控资源的整合。
Description
技术领域
本申请涉及人工智能领域,应用于智慧城管领域,特别涉及一种监控视频点位标注方法、装置、存储介质及电子设备。
背景技术
随着现代科技发展及5G的普及,政府管理部门大量新增了各种用途的监控视频,用以监控包括不限于各类违法犯罪活动、交通管理、森林防火、河流污染、大气环境、工地监管、视频直播等。
现有监控视频点位由各单位各部门分别管理。而对监控视频点位的标签数据,通常因为没有共享机制,由各单位各部门管理人员自主标注,没有得到更精准、更清晰、更丰富的描述。因而造成各类监控视频点位繁多,一方面可能会存在功能重合,没有统筹规划机制,造成资源重复建设;另一方面,需要人力标注监控视频点位的属性信息,存在漏标注、错标注的情况,这也导致了标注效率低下,标注成本高。
发明内容
在人工智能和智慧城管技术领域,为了解决上述技术问题,本申请的目的在于提供一种监控视频点位标注方法、装置、存储介质及电子设备。
根据本申请的一方面,提供了一种监控视频点位标注方法,所述方法包括:
获取监控视频点位分布图,所述监控视频点位分布图包括至少一个监控视频点位和至少一个属性信息要素,所述属性信息要素与所述监控视频点位分布图中的区域或位置点相对应;
将所述监控视频点位分布图划分为若干个子空间区域,其中,各所述子空间区域的大小和形状相同;
基于每一所述子空间区域所对应的属性信息要素,确定每一所述子空间区域所对应的属性值;
基于所述子空间区域对应的属性值并利用预先训练好的机器学习模型,确定目标监控视频点位的监控范围所对应的标签,所述监控范围大于所述子空间区域。
根据本申请的另一方面,提供了一种监控视频点位标注装置,所述装置包括:
获取模块,被配置为获取监控视频点位分布图,所述监控视频点位分布图包括至少一个监控视频点位和至少一个属性信息要素,所述属性信息要素与所述监控视频点位分布图中的区域或位置点相对应;
划分模块,被配置为将所述监控视频点位分布图划分为若干个子空间区域,其中,各所述子空间区域的大小和形状相同;
属性值确定模块,被配置为基于每一所述子空间区域所对应的属性信息要素,确定每一所述子空间区域所对应的属性值;
标注模块,被配置为基于所述子空间区域对应的属性值并利用预先训练好的机器学习模型,确定目标监控视频点位的监控范围所对应的标签,所述监控范围大于所述子空间区域。
根据本申请的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,当所述计算机可读指令被计算机执行时,使计算机执行如前所述的方法。
根据本申请的另一方面,提供了一种电子设备,所述电子设备包括:
处理器;
存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,实现如前所述的方法。
本申请的实施例提供的技术方案可以包括以下有益效果:
本申请所提供的监控视频点位标注方法,包括如下步骤:获取监控视频点位分布图,所述监控视频点位分布图包括至少一个监控视频点位和至少一个属性信息要素,所述属性信息要素与所述监控视频点位分布图中的区域或位置点相对应;将所述监控视频点位分布图划分为若干个子空间区域,其中,各所述子空间区域的大小和形状相同;基于每一所述子空间区域所对应的属性信息要素,确定每一所述子空间区域所对应的属性值;基于所述子空间区域对应的属性值并利用预先训练好的机器学习模型,确定目标监控视频点位的监控范围所对应的标签,所述监控范围大于所述子空间区域。
此方法下,通过将监控视频点位分布图划分为若干个子空间区域,确定与子空间区域对应的属性值,基于该属性值利用机器学习模型进行目标监控视频点位的监控范围所对应的标签的标注,提高了标注效率,降低了标注成本,使得监控视频点位的标注更完善,实现了对监控资源的整合。本方案可应用于智慧城管领域中,从而推动智慧城市的建设。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种监控视频点位标注方法的系统架构示意图;
图2是根据一示例性实施例示出的一种监控视频点位标注方法的流程图;
图3是根据一示例性实施例示出的在监控视频点位分布图中所确定出的监控视频点位的监控范围与子空间区域的关系示意图;
图4是根据图2对应实施例示出的一实施例的步骤230的细节流程图;
图5是根据一示例性实施例示出的一种监控视频点位标注装置的框图;
图6是根据一示例性实施例示出的一种实现上述监控视频点位标注方法的电子设备示例框图;
图7是根据一示例性实施例示出的一种实现上述监控视频点位标注方法的计算机可读存储介质。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
此外,附图仅为本申请的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。
本申请首先提供了一种监控视频点位标注方法。监控视频点位是监控视频点位分布图中点状的对象,其与实际环境下监控探头设置的位置是相对应的。正如背景技术中所说的那样,目前社会上的监控视频点位众多,种类繁杂,并且由不同的监管部门单独管理,监控资源存在重复建设并且难以利用的状态,而本申请通过对监控视频点位进行标注,实现了对监控资源的整合,可以在根据特定的需求确定哪些监控视频点位可以利用,也可以基于已有视频点位确定可以满足哪些监控需求;同时,由于监控视频点位是自动标注的,也可以提高标注效率,降低标注成本。本方案属于智慧城管领域,通过本方案能够推动智慧城市的建设。
本申请的实施终端可以是任何具有运算、处理以及通信功能的设备,该设备可以与外部设备相连,用于接收或者发送数据,具体可以是便携移动设备,例如智能手机、平板电脑、笔记本电脑、PDA(Personal Digital Assistant)等,也可以是固定式设备,例如,计算机设备、现场终端、台式电脑、服务器、工作站等,还可以是多个设备的集合,比如云计算的物理基础设施或者服务器集群。
可选地,本申请的实施终端可以为服务器或者云计算的物理基础设施。
图1是根据一示例性实施例示出的一种监控视频点位标注方法的系统架构示意图。如图1所示,该系统架构包括服务器110和用户终端120。用户终端120与服务器110通过有线或者无线通信链路相连,因此,用户终端120可以向服务器110发送数据,也可以接收来自服务器110的数据,服务器110上设有预先训练好的机器学习模型,而用户终端120上存储有监控视频点位分布图,服务器110为本实施例中的实施终端。当本申请提供的监控视频点位标注方法应用于图1所示的系统架构中时,一个具体过程可以是这样的:服务器110首先通过通信链路从用户终端120获取监控视频点位分布图;然后,服务器110将获取到的监控视频点位分布图划分为大小和形状相同的若干个子空间区域;接着,服务器110确定出各子空间区域所对应的属性值;最后,服务器110将各子空间区域所对应的属性值输入至预先训练好的机器学习模型得到目标监控视频点位的监控范围所对应的标签,这样就完成了监控视频点位的标注。
值得一提的是,图1仅为本申请的一个实施例,虽然在本实施例中监控视频点位分布图存储于用户终端上并且机器学习模型存储于实施终端本地,但在其他实施例或者实际应用中,监控视频点位分布图和/或机器学习模型既可以存储于本申请实施终端的本地,也可以存储在本申请实施终端之外的设备上;虽然在本实施例中,用户终端120与服务器110直接通过通信链路相连,但此处仅仅是示意性的,在实际情况下,用户终端120与服务器110之间还可以包括代理服务器、网关、路由器等各种设备。本申请对此不作限定,本申请的保护范围也不应因此而受到任何限制。
图2是根据一示例性实施例示出的一种监控视频点位标注方法的流程图。本实施例提供的监控视频点位标注方法可以由服务器执行,如图2所示,包括以下步骤:
步骤210,获取监控视频点位分布图。
所述监控视频点位分布图包括至少一个监控视频点位和至少一个属性信息要素,所述属性信息要素与所述监控视频点位分布图中的区域或位置点相对应。
正如前面所说的那样,监控视频点位是监控视频点位分布图中点状的对象,其在监控视频点位分布图中唯一对应一个坐标位置,监控视频点位相当于真实场景下监控探头所设置的位置在监控视频点位分布图中的映射。
属性信息要素即为监控视频点位分布图中的基本属性,比如可以为河流、道路、社区、公园、绿地、山脉等。属性信息要素与所述监控视频点位分布图中的区域相对应是指,河流、道路、社区、公园、绿地、山脉等这些属性信息要素均表示了监控视频点位分布图中的一些实体,而这些实体在监控视频点位分布图中是要用一定的区域来表示的。
属性信息要素和监控视频点位分布图可以分别是地理信息系统(GeographicInformation System,GIS)中的要素和地图。
在一实施例中,所述获取监控视频点位分布图,包括:
获取监控视频点位数据和要素地图,所述要素地图包括至少一个属性信息要素;
根据所述监控视频点位数据在所述要素地图中添加监控视频点位,得到监控视频点位分布图。
这里的要素地图是不包含监控视频点位但包含其他属性信息要素的地图,比如,要素地图可以包含河流、道路、社区、公园、绿地、山脉等。
步骤220,将所述监控视频点位分布图划分为若干个子空间区域。
其中,各所述子空间区域的大小和形状相同。
监控视频点位与子空间区域的划分之间存在关联关系,它们都位于监控视频点位分布图中,子空间区域的划分是用来在后续步骤中对监控视频点位所对应的标签进行标注的。
各子空间区域的形状可以是任意的,只要各所述子空间区域的大小和形状相同即可,比如,各子空间区域可以为矩形、菱形等。
在一个实施例中,所述子空间区域为正六边形。
由于监控视频点位分布图上一个点与监控视频点位的距离影响着该点受到监控视频点位的辐射作用的大小,而正六边形中心点与任意相邻的正六边形中心点距离相同,能够更好的体现距离对监控视频点位的影响;同时监控视频点位的监控范围一般为圆形,而正六边形可以很好地与圆形相吻合,因此,采用正六边形的子空间区域可以在不显著增加运算量的情况下,很好地覆盖监控范围。
在一个实施例中,所述监控视频点位分布图的各监控视频点位对应的监控范围为监控视频点位所在的正六边形以及与该正六边形相邻的六个正六边形。
也就是说,监控视频点位的监控范围为监控视频点位所属的正六边形以及该正六边形周围的六个正六边形,监控视频点位所属的正六边形的每条边分别属于该正六边形周围的六个正六边形中的每一个正六边形。
图3是根据一示例性实施例示出的在监控视频点位分布图中所确定出的监控视频点位的监控范围与子空间区域的关系示意图。请参见图3,示出了监控视频点位分布图300,每一个正六边形为一个子空间区域,监控视频点位310位于中部,其对应的监控范围320为中部较大圆形,可以看到,监控范围320覆盖了多个子空间区域,而属于该监控范围320的子空间区域即为圆形内的七个正六边形。
步骤230,基于每一所述子空间区域所对应的属性信息要素,确定每一所述子空间区域所对应的属性值。
子空间区域对应的属性值都是子空间区域的特征值,与子空间区域相绑定,其反映了子空间区域映射到现实空间区域下的真实属性,因此,确定子空间区域对应的属性值是对监控视频点位分布图进行栅格转换的过程。子空间区域对应的属性值可以利用河流、道路、公园、绿地等与属性信息要素类似的字符来表示,也可以用包括但不限于颜色、图案样式、文字、符号等各种形式表示。
继续参照图3,可以看到,各子空间区域都是用填充了一定图案样式的正六边形来表示的,对于一个特定图案样式的正六边形而言,该正六边形代表了对应的子空间区域,而该正六边形中的图案样式则表示了该子空间区域对应的属性值;具体而言,在图3中,各子空间区域分别用四种不同的图案样式填充,相应地,这也将所有子空间区域划分为四类属性值不同的子空间区域,比如可以分别为社区301、河流302、绿地303、道路304,这代表这些子空间区域所对应的现实空间中至少存在社区、河流、绿地和道路等实体。当子空间区域对应的属性值用颜色来表示时,道路304对应的子空间区域可以用灰色表示,绿地303对应的子空间区域可以用绿色表示等,只需要颜色与属性信息要素一一对应即可。
在一个实施例中,步骤230的具体步骤可以如图4所示。图4是根据图2对应实施例示出的一实施例的步骤230的细节流程图。如图4所示,包括以下步骤:
步骤231,在各属性信息要素对应的区域中确定出与每一所述子空间区域相重叠的至少一个区域,作为目标区域。
在一个实施例中,所述在各属性信息要素对应的区域中确定出与每一所述子空间区域相重叠的至少一个区域,作为目标区域,包括:
针对每一所述子空间区域,若在各属性信息要素对应的区域中存在一个坐标点的位置位于该子空间区域内,则确定与该坐标点相对应的区域为与该子空间区域相重叠的目标区域,其中,所述子空间区域和所述区域均包括多个坐标点。
步骤232,根据各目标区域与所述子空间区域的面积重叠比例和各目标区域对应的属性信息要素,确定与每一所述子空间区域对应的属性值。
在一个实施例中,所述根据各目标区域与所述子空间区域的面积重叠比例和各目标区域对应的属性信息要素,确定与每一所述子空间区域对应的属性值,包括:
确定与每一所述子空间区域的面积重叠比例最大的目标区域;
根据确定出的各所述目标区域对应的属性信息要素,确定与每一所述子空间区域对应的属性值。
在监控视频点位分布图中,各个目标区域都有一定的面积,子空间区域也有一定的面积,目标区域与子空间区域所重叠的部分的面积与子空间区域的自身的面积的比例即为与子空间区域的面积重叠比例。
例如,监控视频点位分布图包括的属性信息要素有河流、道路、公园、社区,而道路、公园和社区这三个属性信息要素对应的区域与该子空间区域有重叠,即道路、公园和社区这三个属性信息要素对应的区域为目标区域,假如该子空间区域与道路、公园和社区这三个属性信息要素对应的目标区域的面积重叠比例分别为30%、10%、60%,因此,子空间区域与社区这一属性信息要素对应的目标区域的面积重叠比例是最大的,可以确定与该子空间区域对应的属性值为社区。
步骤240,基于所述子空间区域对应的属性值并利用预先训练好的机器学习模型,确定目标监控视频点位的监控范围所对应的标签。
所述监控范围大于所述子空间区域。
目标监控视频点位是待标注标签的监控视频点位,它可以是根据用户的请求而获取的,也可以是根据程序的指令而自动选取的,比如可以通过访问数据库可以自动选取目标视频点位,它也可以位于监控视频点位分布图中,这与监控视频点位分布图的监控视频点位的获取方式可以是类似的。
目标监控视频点位的监控范围所对应的标签是与监控有关的信息,比如可以是该监控范围主要用于什么用途的监控等,具体来说,监控的用途可以包括但不限于道路监控、社区监控、河流监控、森林监控、污染源监控、车辆监控等。
由此可见,本申请提供的监控视频点位标注方法是对监控视频点位所能覆盖的监控范围标注标签。
预先训练好的机器学习模型可以通过如下的方式进行训练:首先,通过人工方式对子空间区域进行属性值的标注,然后,对监控范围进行标签的标注,最后将子空间区域和对应的属性值、监控范围和对应的标签以及监控范围与子空间区域的关系数据输入至机器学习模型中,即可进行机器学习模型的训练,训练得到的机器学习模型可以根据子空间区域、子空间区域对应的属性值以及待标注的监控视频点位的监控范围来输出对应的标签,从而提高标注效率。
在一个实施例中,所述基于所述子空间区域对应的属性值并利用预先训练好的机器学习模型,确定目标监控视频点位的监控范围所对应的标签,包括:
将所述监控视频点位分布图中的目标监控视频点位输入至预先训练好的机器学习模型,得到由所述机器学习模型输出的所述目标监控视频点位的监控范围所对应的标签,其中,所述标签是根据所述机器学习模型各子空间区域对应的属性值输出的。
本实施例中向机器学习模型输入目标监控视频点位即可进行监控范围所对应的标签的标注,实现了端到端的标签标注。
在一个实施例中,所述基于所述子空间区域对应的属性值并利用预先训练好的机器学习模型,确定目标监控视频点位的监控范围所对应的标签,包括:
确定目标监控视频点位的监控范围;
获取属于所述监控范围的各子空间区域对应的属性值;
确定各所述属性值的数量;
将各所述属性值的数量输入至预先训练好的机器学习模型,得到由所述机器学习模型输出的所述目标监控视频点位的监控范围所对应的标签。
确定目标监控视频点位的监控范围可以采用多种方式,比如,可以通过查询数据库的方式。
在本实施例中,通过向机器学习模型输入属性值的数量来得到机器学习模型输出的标签。
监控范围内的各子空间区域对应的属性值的数量也能在一定程度上反映出监控范围所对应的标签是什么,比如,一个监控范围内有4个子空间区域对应的属性值为社区,有2个子空间区域对应的属性值为河流,有1个各子空间区域对应的属性值为河流,那么,机器学习模型输出的标签可以为社区监控。
在一个实施例中,所述基于所述子空间区域对应的属性值并利用预先训练好的机器学习模型,确定目标监控视频点位的监控范围所对应的标签,包括:
确定目标监控视频点位的监控范围;
根据所述监控范围确定子空间区域选取范围,其中,所述子空间区域选取范围包括所述监控范围;
获取属于所述子空间区域选取范围的各子空间区域对应的属性值;
将所述子空间区域选取范围、所述监控范围及所述属性值输入至预先训练好的机器学习模型,得到所述机器学习模型输出的目标监控视频点位的监控范围所对应的标签。
子空间区域选取范围包括监控范围,也就是说子空间区域选取范围的面积大于或等于监控范围,并且监控范围是子空间区域选取范围的一部分。
比如一个子空间区域为社区,该子空间区域附近的子空间区域有山脉,由于山脉的遮挡作用可能使该子空间区域所对应的监控范围很小,导致该子空间区域对应的监控范围容易被标注错误,在本实施例中,通过将包括监控范围的子空间区域选取范围以及子空间区域选取范围内的各子空间区域对应的属性值均输入至机器学习模型,使得机器学习模型可以根据更大的范围对监控范围进行标签的标注,在一定程度上可以使得标注的标签更为合理。
在一个实施例中,所述监控视频点位分布图包括多个属性信息要素,各属性信息要素中存在至少两个属性信息要素分属于不同类型,所述子空间区域与多个属性信息要素相对应,所述基于每一所述子空间区域所对应的属性信息要素,确定每一所述子空间区域所对应的属性值,包括:
基于每一所述子空间区域所对应的属性信息要素,确定每一所述子空间区域所对应的至少一个属性值,所述至少一个属性值属于至少一个类型;
所述基于所述子空间区域对应的属性值并利用预先训练好的机器学习模型,确定目标监控视频点位的监控范围所对应的标签,包括:
基于所述子空间区域对应的至少一个属性值并利用预先训练好的机器学习模型,确定目标监控视频点位的监控范围所对应的至少一个标签。
属性信息要素的类型可以是任意的,比如,监控视频点位分布图可以包括河流、道路、公园、绿地等描述了地理位置特征的属性信息要素,这些属性信息要素可以为地理信息类型,还可以包括描述交通违法犯罪种类以及人数的属性信息要素,这些属性信息要素可以为交通违法类型,比如A区域可以对应闯红灯516人、超速20人,B区域可以对应闯红灯15人、超速100人等,这时A区域的属性值可以为闯红灯多发区,而A区域的属性值可以为超速多发区。因此,可以为一个监控范围确定多个标签,从而为监控范围构建全面的描述信息。
综上所述,根据图2实施例提供的监控视频点位标注方法,通过将监控视频点位分布图划分为若干个子空间区域,确定与子空间区域对应的属性值,基于该属性值利用机器学习模型进行目标监控视频点位的监控范围所对应的标签的标注,提高了标注效率,降低了标注成本,使得监控视频点位的标注更完善,实现了对监控资源的整合,可以准确描述监控视频点位的功能,能够基于大数据分析,形成区域格局评价,满足对现状监控视频点位分布的描述,直观的展示各区域的监控视频点位情况对比,为建设监控视频系统提供统筹规划的管理手段。本方案可应用于智慧城管领域中,从而推动智慧城市的建设。
本申请还提供了一种监控视频点位标注装置,以下是本申请的装置实施例。
图5是根据一示例性实施例示出的一种监控视频点位标注装置的框图。如图5所示,该装置500包括:
获取模块510,被配置为获取监控视频点位分布图,所述监控视频点位分布图包括至少一个监控视频点位和至少一个属性信息要素,所述属性信息要素与所述监控视频点位分布图中的区域或位置点相对应;
划分模块520,被配置为将所述监控视频点位分布图划分为若干个子空间区域,其中,各所述子空间区域的大小和形状相同;
属性值确定模块530,被配置为基于每一所述子空间区域所对应的属性信息要素,确定每一所述子空间区域所对应的属性值;
标注模块540,被配置为基于所述子空间区域对应的属性值并利用预先训练好的机器学习模型,确定目标监控视频点位的监控范围所对应的标签,所述监控范围大于所述子空间区域。
根据本申请的第三方面,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图6来描述根据本发明的这种实施方式的电子设备600。图6显示的电子设备600仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。如图6所示,电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于:上述至少一个处理单元610、上述至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630。其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元610执行,使得所述处理单元610执行本说明书上述“实施例方法”部分中描述的根据本发明各种示例性实施方式的步骤。存储单元620可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)621和/或高速缓存存储单元622,还可以进一步包括只读存储单元(ROM)623。存储单元620还可以包括具有一组(至少一个)程序模块625的程序/实用工具624,这样的程序模块625包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。总线630可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。电子设备600也可以与一个或多个外部设备800(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备600交互的设备通信,和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行,比如与显示单元640通信。并且,电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器660通过总线630与电子设备600的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备600使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本申请实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本申请实施方式的方法。
根据本申请的第四方面,还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,当所述计算机可读指令被计算机执行时,使计算机执行本说明书上述的方法。
在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
参考图7所示,描述了根据本发明的实施方式的用于实现上述方法的程序产品700,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围执行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (9)
1.一种监控视频点位标注方法,其特征在于,所述方法包括:
获取监控视频点位分布图,所述监控视频点位分布图包括至少一个监控视频点位和至少一个属性信息要素,所述属性信息要素与所述监控视频点位分布图中的区域或位置点相对应;
将所述监控视频点位分布图划分为若干个子空间区域,其中,各所述子空间区域的大小和形状相同;
在各属性信息要素对应的区域中确定出与每一所述子空间区域相重叠的至少一个区域,作为目标区域;
根据各目标区域与所述子空间区域的面积重叠比例和各目标区域对应的属性信息要素,确定与每一所述子空间区域对应的属性值;
基于所述子空间区域对应的属性值并利用预先训练好的机器学习模型,确定目标监控视频点位的监控范围所对应的标签,所述监控范围大于所述子空间区域,所述子空间区域属于所述监控范围。
2.根据权利要求1所述的方法,其特征在于,所述根据各目标区域与所述子空间区域的面积重叠比例和各目标区域对应的属性信息要素,确定与每一所述子空间区域对应的属性值,包括:
确定与每一所述子空间区域的面积重叠比例最大的目标区域;
根据确定出的各所述目标区域对应的属性信息要素,确定与每一所述子空间区域对应的属性值。
3.根据权利要求1-2任意一项所述的方法,其特征在于,所述基于所述子空间区域对应的属性值并利用预先训练好的机器学习模型,确定目标监控视频点位的监控范围所对应的标签,包括:
将所述监控视频点位分布图中的目标监控视频点位输入至预先训练好的机器学习模型,得到由所述机器学习模型输出的所述目标监控视频点位的监控范围所对应的标签,其中,所述标签是根据所述机器学习模型各子空间区域对应的属性值输出的。
4.根据权利要求1-2任意一项所述的方法,其特征在于,所述基于所述子空间区域对应的属性值并利用预先训练好的机器学习模型,确定目标监控视频点位的监控范围所对应的标签,包括:
确定目标监控视频点位的监控范围;
获取属于所述监控范围的各子空间区域对应的属性值;
确定各所述属性值的数量;
将各所述属性值的数量输入至预先训练好的机器学习模型,得到由所述机器学习模型输出的所述目标监控视频点位的监控范围所对应的标签。
5.根据权利要求1-2任意一项所述的方法,其特征在于,所述基于所述子空间区域对应的属性值并利用预先训练好的机器学习模型,确定目标监控视频点位的监控范围所对应的标签,包括:
确定目标监控视频点位的监控范围;
根据所述监控范围确定子空间区域选取范围,其中,所述子空间区域选取范围包括所述监控范围;
获取属于所述子空间区域选取范围的各子空间区域对应的属性值;
将所述子空间区域选取范围、所述监控范围及所述属性值输入至预先训练好的机器学习模型,得到所述机器学习模型输出的目标监控视频点位的监控范围所对应的标签。
6.根据权利要求1所述的方法,其特征在于,所述监控视频点位分布图包括多个属性信息要素,各属性信息要素中存在至少两个属性信息要素分属于不同类型,所述子空间区域与多个属性信息要素相对应,所述基于每一所述子空间区域所对应的属性信息要素,确定每一所述子空间区域所对应的属性值,包括:
根据各目标区域与所述子空间区域的面积重叠比例和各目标区域对应的属性信息要素,确定与每一所述子空间区域对应的至少一个属性值,所述至少一个属性值属于至少一个类型;
所述基于所述子空间区域对应的属性值并利用预先训练好的机器学习模型,确定目标监控视频点位的监控范围所对应的标签,包括:
基于所述子空间区域对应的至少一个属性值并利用预先训练好的机器学习模型,确定目标监控视频点位的监控范围所对应的至少一个标签。
7.一种监控视频点位标注装置,其特征在于,所述装置包括:
获取模块,被配置为获取监控视频点位分布图,所述监控视频点位分布图包括至少一个监控视频点位和至少一个属性信息要素,所述属性信息要素与所述监控视频点位分布图中的区域或位置点相对应;
划分模块,被配置为将所述监控视频点位分布图划分为若干个子空间区域,其中,各所述子空间区域的大小和形状相同;
属性值确定模块,被配置为在各属性信息要素对应的区域中确定出与每一所述子空间区域相重叠的至少一个区域,作为目标区域;以及
根据各目标区域与所述子空间区域的面积重叠比例和各目标区域对应的属性信息要素,确定与每一所述子空间区域对应的属性值;
标注模块,被配置为基于所述子空间区域对应的属性值并利用预先训练好的机器学习模型,确定目标监控视频点位的监控范围所对应的标签,所述监控范围大于所述子空间区域,所述子空间区域属于所述监控范围。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机可读指令,当所述计算机可读指令被计算机执行时,使计算机执行根据权利要求1至6中任一项所述的方法。
9.一种电子设备,其特征在于,所述电子设备包括:
处理器;
存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,实现如权利要求1至6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011073773.4A CN112203054B (zh) | 2020-10-09 | 2020-10-09 | 监控视频点位标注方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011073773.4A CN112203054B (zh) | 2020-10-09 | 2020-10-09 | 监控视频点位标注方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112203054A CN112203054A (zh) | 2021-01-08 |
CN112203054B true CN112203054B (zh) | 2022-10-14 |
Family
ID=74012694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011073773.4A Active CN112203054B (zh) | 2020-10-09 | 2020-10-09 | 监控视频点位标注方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112203054B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113419393A (zh) * | 2021-06-21 | 2021-09-21 | 浙江嘉兴数字城市实验室有限公司 | 一种道路摄像机及其点位标签自动计算方法 |
CN115269918B (zh) * | 2022-07-26 | 2023-11-07 | 南京帅举电子科技有限公司 | 基于大数据信息系统建设与运维管理系统及方法 |
CN117197717B (zh) * | 2023-09-18 | 2024-09-20 | 鄂尔多斯市龙腾捷通科技有限公司 | 一种基于视频识别的智慧城市管理系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2504966A (en) * | 2012-08-15 | 2014-02-19 | Ibm | Data plot processing |
CN106027931B (zh) * | 2016-04-14 | 2018-03-16 | 平安科技(深圳)有限公司 | 视频录制方法及服务器 |
US10679390B1 (en) * | 2016-07-19 | 2020-06-09 | Uber Technologies, Inc. | Confidence threshold determination for machine-learned labeling |
CN106886607A (zh) * | 2017-03-21 | 2017-06-23 | 乐蜜科技有限公司 | 城市区域划分方法、装置和终端设备 |
CN109147340A (zh) * | 2018-08-30 | 2019-01-04 | 平安科技(深圳)有限公司 | 违法停车案件的鉴别方法、装置和计算机设备 |
CN111813875B (zh) * | 2019-04-11 | 2024-04-05 | 浙江宇视科技有限公司 | 地图点位信息处理方法、装置及服务器 |
-
2020
- 2020-10-09 CN CN202011073773.4A patent/CN112203054B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112203054A (zh) | 2021-01-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112203054B (zh) | 监控视频点位标注方法、装置、存储介质及电子设备 | |
Li et al. | Real-time GIS for smart cities | |
Huang et al. | Analytics of location-based big data for smart cities: Opportunities, challenges, and future directions | |
Jiang et al. | Large-scale taxi O/D visual analytics for understanding metropolitan human movement patterns | |
US11887473B2 (en) | Road congestion detection method and device, and electronic device | |
CN111190982B (zh) | 一种基于大数据的共享单车管理方法及系统 | |
CN113094275B (zh) | 一种数据处理方法、装置、电子设备及介质 | |
CN102184311A (zh) | 移动pda现场应急指挥系统 | |
US11468349B2 (en) | POI valuation method, apparatus, device and computer storage medium | |
CN116975785B (zh) | 一种基于cim模型的多源异构数据融合分析方法及系统 | |
Yao et al. | Understanding human activity and urban mobility patterns from massive cellphone data: Platform design and applications | |
JP2023022185A (ja) | 地図データ処理方法及び装置、電子機器、記憶媒体、並びにコンピュータプログラム | |
Xiang et al. | Flood Markup Language–A standards-based exchange language for flood risk communication | |
CN109859505A (zh) | 高速站点的预警处理方法、装置、服务器和介质 | |
Chen et al. | Data visualization in smart grid and low‐carbon energy systems: A review | |
CN115540893A (zh) | 车辆路径规划方法、装置、电子设备和计算机可读介质 | |
CN112132037B (zh) | 基于人工智能的人行道检测方法、装置、设备及介质 | |
JP2014078217A (ja) | 非対応データベース間でインフラストラクチャ・レイアウトをマッピングするための方法、システム、またはコンピュータ使用可能プログラム | |
CN113624245B (zh) | 导航方法及装置、计算机存储介质、电子设备 | |
CN115330069A (zh) | 信息处理方法及装置 | |
CN114638308A (zh) | 一种获取对象关系的方法、装置、电子设备和存储介质 | |
CN113255352A (zh) | 一种街道信息确定方法、装置及计算机设备 | |
CN114140289A (zh) | 一种基于卫星遥感技术的智慧城市规划系统 | |
CN108810036A (zh) | 地理位置信息的处理方法、装置与系统 | |
Ma et al. | A Displacement Algorithm Considering Geometry Constraints to Resolve Spatial Conflicts between Roads and Buildings |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210128 Address after: 518000 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.) Applicant after: Shenzhen saiante Technology Service Co.,Ltd. Address before: 1-34 / F, Qianhai free trade building, 3048 Xinghai Avenue, Mawan, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong 518000 Applicant before: Ping An International Smart City Technology Co.,Ltd. |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |