CN112584091A - 报警信息生成方法、报警信息解析方法、系统和装置 - Google Patents

报警信息生成方法、报警信息解析方法、系统和装置 Download PDF

Info

Publication number
CN112584091A
CN112584091A CN201910930551.0A CN201910930551A CN112584091A CN 112584091 A CN112584091 A CN 112584091A CN 201910930551 A CN201910930551 A CN 201910930551A CN 112584091 A CN112584091 A CN 112584091A
Authority
CN
China
Prior art keywords
alarm information
attribute
target object
label
packet
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910930551.0A
Other languages
English (en)
Other versions
CN112584091B (zh
Inventor
蔡博振
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.)
Hangzhou Hikvision Digital Technology Co Ltd
Original Assignee
Hangzhou Hikvision Digital 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 Hangzhou Hikvision Digital Technology Co Ltd filed Critical Hangzhou Hikvision Digital Technology Co Ltd
Priority to CN201910930551.0A priority Critical patent/CN112584091B/zh
Publication of CN112584091A publication Critical patent/CN112584091A/zh
Application granted granted Critical
Publication of CN112584091B publication Critical patent/CN112584091B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Alarm Systems (AREA)

Abstract

本发明提供一种报警信息生成方法、报警信息解析方法、系统和装置。本发明通过算法模型包可以获得目标对象的属性标签，该属性标签只有与相应的算法模型包相匹配的模型描述文件才能解析得到目标对象的目标属性，在报警信息存储和传输时，报警信息中只有属性标签，并未包含字符串，节省存储空间和传输带宽，并且能够保护报警信息的安全性，防止报警信息泄露，另外，属性标签可以是多种多样，同样解析出的结果可以是多样化的，不局限报警类型的数量，可扩展性大。

Description

报警信息生成方法、报警信息解析方法、系统和装置
技术领域
本发明涉及视频监控技术领域，特别涉及一种报警信息生成方法、报警信息解析方法、系统和装置。
背景技术
目前，AI(Artificial Intelligence，人工智能)应用在安防领域遍地开花，人脸识别比对、人体识别、车辆识别等都是采用智能算法对监控视频或者图片进行智能分析实现，智能IPC(IP Camera，网络摄像装置)和智能NVR(Network Video Recorder，网络硬盘录像机)可以实现以上功能。智能分析的结果往往是通过报警上报的方式在设备本地或者中心平台客户端展示分析目标结构化信息，不同的分析算法分析的结构化数据字段不一致，报警报文不同，通过不同的报警类型来进行区分，比如有人脸识别的报警类型，车辆识别的报警类型，当接收到人脸识别的报警类型时，采用已经约定好的协议中，人脸识别的报文格式解析人脸识别报警参数然后进行展示。
目前常用的报警数据解析都是固定的字符串字段解析方式，复杂的字段比如车辆品牌会引入车辆品牌字典，根据品牌代号再进一步查询具体的车辆主子品牌，但是车辆字典在协议制定时，中心平台和设备已经做好了约定，一方修改后，另外一方就没办法准确描述，通用的解析字段没办法随时修改。
发明内容
为了解决以上技术问题，本发明提供一种报警信息解析系统，该报警信息解析系统包括：
图像检测智能引擎模块，用于响应于接收到的采集图像加载基于深度学习的算法模型包；当利用加载的算法模型包在采集图像中检测到目标对象时，获取该算法模型包产生的目标对象的属性标签、并产生报警信息，其中，报警信息中包括目标对象的属性标签、以及产生该属性标签的算法模型包的包标签；
报警解析模块，用于响应于接收到的报警信息，获取报警信息中的包标签和属性标签；调用与获取到的包标签相匹配的模型描述文件、并利用调用的模型描述文件从获取的属性标签中解析得到目标对象的目标属性。其中
可选地，报警解析模块进一步用于将获取到的属性标签与模型描述文件中包括的各算法模型的类型、每种类型的标签含义以及各算法模型之间的关系进行匹配。
可选地，智能引擎模块进一步用于在报警信息中添加目标对象在采集图像中的位置信息。
可选地，进一步包括：结果显示模块，用于根据目标对象在采集图像中的位置信息在所述采集图像标识出目标对象、并在所述采集图像标记所述目标对象的目标属性。
可选地，进一步包括：报警处理模块，用于将智能引擎模块产生的报警信息向报警解析模块发送、并且存储智能引擎模块产生的报警信息。
可选地，进一步包括：网络传输模块，用于将报警处理模块向报警解析模块发送的报警信息通过网络传输至报警解析模块。
可选地，进一步包括：智能分析模块，用于获取采集图像，并将获取到的采集图像以码流形式传输至智能引擎模块。
本发明的实施例还提供了一种报警信息生成方法，该报警信息生成方法包括：
响应于接收到的采集图像加载基于深度学习的算法模型包；
当利用加载的算法模型包在采集图像中检测到目标对象时，获取该算法模型包产生的目标对象的属性标签、并产生报警信息；
其中，报警信息中包括目标对象的属性标签、以及产生该属性标签的算法模型包的包标签。
可选地，进一步包括：响应于接收到的报警信息，获取报警信息中的包标签和属性标签；调用与获取到的包标签相匹配的模型描述文件、并利用调用的模型描述文件从获取的属性标签中解析得到目标对象的目标属性。
可选地，进一步包括：将获取到的属性标签与模型描述文件中包括的各算法模型的类型、每种类型的标签含义以及各算法模型之间的关系进行匹配。
可选地，进一步包括：在报警信息中添加目标对象在采集图像中的位置信息。
可选地，进一步包括：根据目标对象在采集图像中的位置信息在所述采集图像标识所目标对象、并在所述采集图像标记所述目标对象的目标属性。
本发明的实施例还提供了一种报警信息解析方法，该报警信息解析方法包括：
响应于接收到的报警信息，获取报警信息中的包标签和属性标签，其中，报警信息中包括目标对象的属性标签、以及产生该属性标签的算法模型包的包标签；
调用与获取到的包标签相匹配的模型描述文件、并利用调用的模型描述文件从获取的属性标签中解析得到目标对象的目标属性。
可选地，进一步包括：将获取到的属性标签与模型描述文件中包括的各算法模型的类型、每种类型的标签含义以及各算法模型之间的关系进行匹配。
本发明的实施例还提供了一种电子设备，其特征在于，所述电子设备包括处理器，所述处理器用于执行如上所述的报警信息生成方法中的步骤、或者如上所述的报警信息解析方法中的步骤。
本发明的实施例还提供了一种非瞬时计算机可读存储介质，所述非瞬时计算机可读存储介质存储指令，所述指令在由处理器执行时使得所述处理器执行如上所述的报警信息生成方法中的步骤、或者如上所述的报警信息解析方法中的步骤。
由以上技术方案可知，本发明通过算法模型包可以获得目标对象的属性标签，该属性标签只有与相应的算法模型包相匹配的模型描述文件才能解析得到目标对象的目标属性，在报警信息存储和传输时，报警信息中只有属性标签，并未包含字符串，节省存储空间和传输带宽，并且能够保护报警信息的安全性，防止报警信息泄露，另外，属性标签可以是多种多样，同样解析出的结果可以是多样化的，不局限报警类型的数量，可扩展性大。
附图说明
以下附图仅对本发明做示意性说明和解释，并不限定本发明的范围。
图1为一个实施例中的一种报警信息解析系统的框架结构示意图。
图2为如图1所示的报警信息解析系统解析结果示例图。
图3为如图1所示的报警信息解析系统的扩展结构示意图。
图4为如图1所示的报警信息解析系统的进一步扩展结构示意图。
图5为如图1所示的报警信息解析系统的第一应用实例的示意图。
图6为如图1所示的报警信息解析系统的第二应用实例的示意图。
图7为如图1所示的报警信息解析系统的第三应用实例的示意图。
图8为如图1所示的报警信息解析系统的第四应用实例的示意图。
图9为如图1所示的报警信息解析系统的第五应用实例的示意图。
图10为如图1所示的报警信息解析系统的第六应用实例的示意图。
图11为如图3所示的报警信息解析系统的第七应用实例的示意图。
图12为如图4所示的报警信息解析系统的第八应用实例的示意图。
图13为如图4所示的报警信息解析系统的第九应用实例的示意图。
图14为如图4所示的报警信息解析系统的第十应用实例的示意图。
图15为本发明实施例的码流设备示意图。
图16为本发明实施例的摄像装置示意图。
图17为本发明实施例的监控装置示意图。
图18为本发明实施例的一种报警信息生成方法的流程图。
图19为图18的一种报警信息生成方法的扩展流程图。
图20为图18的一种报警信息生成方法的另一扩展流程图。
图21为图18的一种报警信息生成方法的另一扩展流程图。
图22为图18的一种报警信息生成方法的另一扩展流程图。
图23为本发明实施例的一种报警信息解析方法的流程图。
图24为图23中一种报警信息解析方法的扩展流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下参照附图并举实施例，对本发明作进一步详细说明。
图1为一个实施例中的一种报警信息解析系统的框架结构示意图。请参见图1，在一个实施例中，一种报警信息解析系统可以包括：
智能引擎模块110，用于响应于接收到的采集图像加载基于深度学习的算法模型包；当利用加载的算法模型包在采集图像中检测到目标对象时，获取该算法模型包产生的目标对象的属性标签、并产生报警信息，其中，报警信息中包括目标对象的属性标签、以及产生该属性标签的算法模型包的包标签；
报警解析模块120，用于响应于接收到的智能引擎模块110产生的报警信息，获取报警信息中的包标签和属性标签；调用与获取到的包标签相匹配的模型描述文件、并利用调用的模型描述文件从获取的属性标签中解析得到目标对象的目标属性。
该属性标签可以认为是目标对象属性的某种代号或者标号，该属性标签中并未包含字符串，模型描述文件与算法模型包相对应，通过算法模型包可以获得目标对象的属性标签，该属性标签只有与相应的算法模型包相匹配的模型描述文件才能解析得到目标对象的目标属性，在报警信息存储和传输时，报警信息中只有属性标签，并未包含字符串，节省存储空间和传输带宽，并且能够保护报警信息的安全性，防止报警信息泄露，另外，属性标签可以是多种多样，同样解析出的结果可以是多样化的，不局限报警类型的数量，可扩展性大。
另外，每个算法模型包与相匹配的模型描述文件通过包标签对应，可以认为每个算法模型包的包标签是其唯一ID(Identity document，身份标识号)，模型描述文件具有与其唯一ID相同的ID，通过该ID即可将模型描述文件和算法模型包相适配。
模型描述文件中包括算法模型包内的各算法模型的类型、每种类型的标签含义以及各算法模型之间的关系，根据算法模型的类型、算法模型之间的关系可以解析属性标签，该报警解析模块120进一步用于将获取到的属性标签与模型描述文件中包括的各算法模型的类型、每种类型的标签含义以及各算法模型之间的关系进行匹配，匹配即可解析得到属相标签对应的目标属性。
算法模型包可以包括多种算法模型，并且各算法模型之间可以存在相互依赖关系。图2为图1所示的报警信息解析系统的解析结果示例图，如图2所示，算法模型包的包标签是动物，算法模型包内包括模型1和模型2，相应的模型描述文件则为动物模型描述文件，其中，模型1的类型可以是动物类别，类型标签可以是1和2，分别代表猫和狗。模型2的类型可以是动物的颜色，模型2依赖于模型1，模型2的类型标签可以是a和b，分别代表白色和黑色。
当智能引擎模块110检测到目标对象为黑猫时，获取目标对象的属性标签，属性标签即为1b，报警信息中则包括属性标签1b和包标签动物。报警解析模块120则根据包标签动物调取动物模型描述文件，将动物模型描述文件与属性标签1b匹配，则可解析得到目标对象的属性为黑猫。
采集图形包含该目标对象，而报警信息的作用在于能够识别出目标对象的存在，智能引擎模块进一步用于在报警信息中添加目标对象在采集图像中的位置信息，目标对象的位置信息确定后，即目标对象位置确定，可以起提示作用。
图3为如图1所示的报警信息解析系统的扩展结构示意图。如图3所示，报警信息解析系统可以进一步包括：
结果显示模块130，用于根据目标对象在采集图像中的位置信息在采集图像标识出目标对象、并在采集图像标记目标对象的目标属性。
结果显示模块130用于接收采集图像、目标对象在采集图形中的位置信息以及目标对象的目标属性，结果显示模块130在采集图形中标记出目标对象的位置，并在该位置处标记目标属性。
例如，采集图像中包含的目标为黑猫，则结果显示模块130则用于在采集图像中标识出黑猫的位置，该标识可以是框选黑猫，并且将解析结果“黑猫”标记在框内，标识目标属性。
如图3所示，该报警信息解析系统可以进一步包括：
报警处理模块140，用于将智能引擎模块110产生的报警信息向报警解析模块120发送、并且存储智能引擎模块110产生的报警信息。
智能分析模块160，用于获取采集图像，并将获取到的采集图像以码流形式传输至智能引擎模块110。
智能分析模块160用于接收采集图像，并给采集图像分配码流通道，采集图像以码流的形式传输至智能引擎模块110。
图4为如图1所示的报警信息解析系统的进一步扩展结构示意图。该报警信息解析系统可以进一步包括：
网络传输模块150，用于将报警处理模块110向报警解析模块120发送的报警信息通过网络传输至报警解析模块120。
与之相对应的，报警处理模块140可以用于将智能引擎模块110产生的报警信息向网络传输模块150发送，由网络传输模块150通过网络向报警解析模块120发送报警信息。
图5为如图1所示的报警信息解析系统的第一应用实例的示意图。如图5所示，在第一应用实例中，智能引擎模块110部署在码流设备410，报警解析模块120部署在中心管理平台510。其中，码流设备410可以是例如NVR(Network Video Recorder，网络硬盘录像机)等具有码流传输、存储和处理能力的设备，并且码流设备410可以接收来自摄像装置610拍摄的图像，摄像装置610可以是IPC(IP Camera，网络摄像装置)等集成图像采集和网络传输能力的设备。摄像装置610可以采集视频码流，也可以抓拍，视频码流和抓拍的图像均可以作为采集图像传输至码流设备410。虽然图5中仅示出了一台摄像装置610和一台码流设备410，但可以理解的是，该摄像装置610也可以与其他前端设备一起接入在同一台码流设备410、并且可以有多台码流设备410接入到中心管理平台510，以形成分布式的网络架构。
图6为如图1所示的报警信息解析系统的第二应用实例的示意图。如图6所示，在第二应用实例中，智能引擎模块110和报警解析模块120均部署在码流设备410，码流设备410可以是例如NVR(Network Video Recorder，网络硬盘录像机)等具有码流传输、存储和处理能力的设备，并且码流设备410可以接收来自摄像装置610拍摄的图像，摄像装置610可以是IPC(IP Camera，网络摄像装置)等集成图像采集和网络传输能力的设备。
图7为如图1所示的报警信息解析系统的第三应用实例的示意图。如图7所示，在第三应用实例中，智能引擎模块110部署在摄像装置610，报警解析模块120部署在中心管理平台510。其中，摄像装置610可以是IPC(IP Camera，网络摄像装置)等集成图像采集、网络传输和处理能力的设备。虽然图7中仅示出了一台摄像装置610但可以理解的是，可以有多台摄像装置610接入到中心管理平台510，以形成分布式的网络架构。
图8为如图1所示的报警信息解析系统的第四应用实例的示意图。如图8所示，在第四应用实例中，智能引擎模块110部署在摄像装置610，报警解析模块120部署在码流设备410。其中，码流设备410可以是例如NVR(Network Video Recorder，网络硬盘录像机)等具有码流传输、存储和处理能力的设备，摄像装置610可以是IPC(IP Camera，网络摄像装置)等集成图像采集、网络传输和处理能力的设备。虽然图7中仅示出了一台摄像装置610，但可以理解的是，可以有多台摄像装置610接入到码流设备410，以形成分布式的网络架构。
图9为如图1所示的报警信息解析系统的第五应用实例的示意图。如图9所示，在第五应用实例中，智能引擎模块110部署在码流设备410，报警解析模块120部署在中心管理平台510，此外，中心管理平台510还部署有图像发送模块170，该图像发送模块170可以将采集图像发送至智能引擎模块110。其中，码流设备410可以是例如NVR(Network VideoRecorder，网络硬盘录像机)等具有码流传输、存储和处理能力的设备，并且码流设备410可以接收来自中心管理平台510的采集图像，视频码流和抓拍的图像均可以作为采集图像传输至码流设备410。虽然图5中仅示出了一台码流设备410，但可以理解的是，可以有多台码流设备410接入到中心管理平台510，以形成分布式的网络架构。具体可以是中心管理平台510将用户用手机拍摄的视频或照片，发送至NVR产生报警信息。
图10为如图1所示的报警信息解析系统的第六应用实例的示意图。如图10所示，在第六应用实例中，智能引擎模块110和报警解析模块120部署在码流设备410。其中，码流设备410可以是例如NVR(Network Video Recorder，网络硬盘录像机)等具有码流传输、存储和处理能力的设备，并且码流设备410可以接收来自中心管理平台510的采集图像，视频码流和抓拍的图像均可以作为采集图像传输至码流设备410。
图11为如图2所示的报警信息解析系统的第七应用实例的示意图。如图11所示，在第七应用实例中，智能引擎模块110、报警解析模块120、报警处理模块140和智能分析模块160均部署在码流设备410，码流设备410可以是例如NVR(Network Video Recorder，网络硬盘录像机)等具有码流传输、存储和处理能力的设备，并且码流设备410可以接收来自摄像装置610拍摄的图像，摄像装置610可以是IPC(IP Camera，网络摄像装置)等集成图像采集和网络传输能力的设备。
图12为如图4所示的报警信息解析系统的第八应用实例的示意图。如图12所示，在第八应用实例中，智能引擎模块110、网络传输模块130、报警处理模块140和智能分析模块160均部署在码流设备410，报警解析模块120部署在中心管理平台510。码流设备410可以是例如NVR(Network Video Recorder，网络硬盘录像机)等具有码流传输、存储和处理能力的设备，并且码流设备410可以接收来自摄像装置610拍摄的图像，摄像装置610可以是IPC(IPCamera，网络摄像装置)等集成图像采集和网络传输能力的设备。虽然图12中仅示出了一台摄像装置610和一台码流设备410，但可以理解的是，该摄像装置610也可以与其他前端设备一起接入在同一台码流设备410、并且可以有多台码流设备410接入到中心管理平台510，以形成分布式的网络架构。
图13为如图4所示的报警信息解析系统的第九应用实例的示意图。如图13所示，在第九应用实例中，智能引擎模块110、网络传输模块130、报警处理模块140和智能分析模块160均部署在摄像装置610，报警解析模块120部署在中心管理平台510。摄像装置610可以是IPC(IP Camera，网络摄像装置)等集成图像采集、网络传输和处理能力的设备。虽然图13中仅示出了一台摄像装置610，但可以理解的是，可以有多台摄像装置610接入到中心管理平台510，以形成分布式的网络架构。
图14为如图4所示的报警信息解析系统的第十应用实例的示意图。如图14所示，在第十应用实例中，智能引擎模块110、报警解析模块120、网络传输模块130、报警处理模块140和智能分析模块160均部署在码流设备410，报警解析模块120部署在中心管理平台510。码流设备410可以是例如NVR(Network Video Recorder，网络硬盘录像机)等具有码流传输、存储和处理能力的设备，并且码流设备410可以接收来自摄像装置610拍摄的图像，摄像装置610可以是IPC(IP Camera，网络摄像装置)等集成图像采集和网络传输能力的设备。虽然图14中仅示出了一台摄像装置610和一台码流设备410，但可以理解的是，该摄像装置610也可以与其他前端设备一起接入在同一台码流设备410、并且可以有多台码流设备410接入到中心管理平台510，以形成分布式的网络架构。
图15为本发明实施例的码流设备示意图。如图15所示，该码流设备包括处理器710，处理器710用于：
响应于接收到的采集图像加载基于深度学习的算法模型包；
当利用加载的算法模型包在采集图像中检测到目标对象时，获取该算法模型包产生的目标对象的属性标签、并产生报警信息；
其中，报警信息中包括目标对象的属性标签、以及产生该属性标签的算法模型包的包标签。
利用算法模型包产生的属性标签并未包含表示目标对象属性的字符串，节省存储空间和传输带宽，并且能够保护报警信息的安全性，防止报警信息泄露，另外，属性标签可以是多种多样，同样解析出的结果可以是多样化的，不局限报警类型的数量，可扩展性大。
该处理器710进一步用于：
响应于接收到的报警信息，获取报警信息中的包标签和属性标签；
调用与获取到的包标签相匹配的模型描述文件
利用调用的模型描述文件从获取的属性标签中解析得到目标对象的目标属性。
即该处理器710可以实现对报警信息的解析。具体解析获得目标对象的目标属性可以是将获取到的属性标签与模型描述文件中包括的各算法模型的类型、每种类型的标签含义以及各算法模型之间的关系进行匹配，得到目标对象的目标属性。
该处理器710可以进一步用于：
利用加载的算法模型包获得目标对象在采集图像中的位置信息、并在报警信息中添加目标对象在采集图像中的位置信息；
根据目标对象在采集图像中的位置信息在采集图像标识目标对象、并在采集图像标记目标对象的目标属性。
此外，处理器710还可以用于：从前端摄像头获取采集图像，并将获取到的采集图像以码流形式输出；以及存储和通过网络传输报警信息。
在实际使用时，码流设备的处理器710可以进一步优化，并且可以用于接收修改后的模型描述文件和算法模型包、覆盖原有模型描述文件和算法模型包，并输出修改后的模型描述文件和算法模型包。
每个智能模型包唯一对应一个模型描述文件，允许随时修改模型描述文件和算法模型包，保持模型描述文件和算法模型包的一一对应关系，仍然可以实现对报警信息的生成和解析，该算法模型包不受设备间协议的影响，算法模型包修改后，协议不会改变。
该码流设备还包括非瞬时计算机可读存储介质720，非瞬时计算机可读存储介质720可以被配置为存储处理器710执行的用于生成报警信息和解析报警信息的指令集。
图16为本发明实施例的摄像装置示意图。如图16所示，该摄像装置包括处理器810，处理器810用于：
响应于接收到的采集图像加载基于深度学习的算法模型包；
当利用加载的算法模型包在采集图像中检测到目标对象时，获取该算法模型包产生的目标对象的属性标签、并产生报警信息；
其中，报警信息中包括目标对象的属性标签、以及产生该属性标签的算法模型包的包标签。
利用算法模型包产生的属性标签并未包含表示目标对象属性的字符串，节省存储空间和传输带宽，并且能够保护报警信息的安全性，防止报警信息泄露，另外，属性标签可以是多种多样，同样解析出的结果可以是多样化的，不局限报警类型的数量，可扩展性大。
该处理器810进一步用于：
响应于接收到的报警信息，获取报警信息中的包标签和属性标签；
调用与获取到的包标签相匹配的模型描述文件
利用调用的模型描述文件从获取的属性标签中解析得到目标对象的目标属性。
即该处理器810可以实现对报警信息的解析。具体解析获得目标对象的目标属性可以是将获取到的属性标签与模型描述文件中包括的各算法模型的类型、每种类型的标签含义以及各算法模型之间的关系进行匹配，得到目标对象的目标属性。
该处理器810可以进一步用于：
利用加载的算法模型包获得目标对象在采集图像中的位置信息、并在报警信息中添加目标对象在采集图像中的位置信息；
根据目标对象在采集图像中的位置信息在采集图像标识目标对象、并在采集图像标记目标对象的目标属性。
此外，处理器810还可以用于：从前端摄像头获取采集图像，并将获取到的采集图像以码流形式输出；以及存储和通过网络传输报警信息。
在实际使用时，处理器810可以进一步优化，并且可以用于接收修改后的模型描述文件和算法模型包、覆盖原有模型描述文件和算法模型包，并输出修改后的模型描述文件和算法模型包。
每个智能模型包唯一对应一个模型描述文件，允许随时修改模型描述文件和算法模型包，保持模型描述文件和算法模型包的一一对应关系，仍然可以实现对报警信息的生成和解析，该算法模型包不受设备间协议的影响，算法模型包修改后，协议不会改变。
该摄像装置还包括非瞬时计算机可读存储介质820，非瞬时计算机可读存储介质820可以被配置为存储处理器810执行的用于生成报警信息和解析报警信息的指令集。
图17为本发明实施例的监控装置示意图。如图17所示，该监控装置包括处理器910，该处理器910用于：
响应于接收到的报警信息，获取报警信息中的包标签和属性标签；其中，报警信息中包括目标对象的属性标签、以及产生该属性标签的算法模型包的包标签；
调用与获取到的包标签相匹配的模型描述文件；
利用调用的模型描述文件从获取的属性标签中解析得到目标对象的目标属性。
算法模型包与模型描述文件相匹配，并且通过包标签实现算法模型包和模型描述文件的一一对应，属性标签并未包含表示目标对象属性的字符串，节省存储空间和传输带宽，并且能够保护报警信息的安全性，防止报警信息泄露，另外，属性标签可以是多种多样，同样解析出的结果可以是多样化的，不局限报警类型的数量，可扩展性大。
该处理器910进一步用于：
响应于接收到的报警信息，获取报警信息中的包标签和属性标签；其中，报警信息中包括目标对象的属性标签、以及产生该属性标签的算法模型包的包标签；
调用与获取到的包标签相匹配的模型描述文件；
将获取到的属性标签与模型描述文件中包括的各算法模型的类型、每种类型的标签含义以及各算法模型之间的关系进行匹配，得到目标对象的目标属性。
此外，该处理器910进一步可以用于：接收修改后的模型描述文件和算法模型包、覆盖原有模型描述文件和算法模型包，并输出修改后的模型描述文件和算法模型包。每个智能模型包唯一对应一个模型描述文件，允许随时修改模型描述文件和算法模型包，保持模型描述文件和算法模型包的一一对应关系，仍然可以实现对报警信息的生成和解析。
该监控装置还包括非瞬时计算机可读存储介质920，非瞬时计算机可读存储介质920可以被配置为存储处理器910执行的用于解析报警信息的指令集。
图18为本发明实施例的一种报警信息生成方法的流程图。如图18所示，该报警信息生成方法可以包括：
S201：响应于接收到的采集图像加载基于深度学习的算法模型包；
S202：当利用加载的算法模型包在采集图像中检测到目标对象时，获取该算法模型包产生的目标对象的属性标签、并产生报警信息；
其中，报警信息中包括目标对象的属性标签、以及产生该属性标签的算法模型包的包标签。
利用算法模型包产生的属性标签并未包含表示目标对象属性的字符串，节省存储空间和传输带宽，并且能够保护报警信息的安全性，防止报警信息泄露，另外，属性标签可以是多种多样，同样解析出的结果可以是多样化的，不局限报警类型的数量，可扩展性大。
图19为图18的一种报警信息生成方法的扩展流程图。如图19所示，该报警信息生成方法可以包括：
S201：响应于接收到的采集图像加载基于深度学习的算法模型包；
S202：当利用加载的算法模型包在采集图像中检测到目标对象时，获取该算法模型包产生的目标对象的属性标签、并产生报警信息；
其中，报警信息中包括目标对象的属性标签、以及产生该属性标签的算法模型包的包标签；
S203：响应于接收到的报警信息，获取报警信息中的包标签和属性标签；
S204：调用与获取到的包标签相匹配的模型描述文件
S205：利用调用的模型描述文件从获取的属性标签中解析得到目标对象的目标属性。
在步骤S202中产生报警信息之后，该报警生成方法进一步可以包括获取包标签和属性标签，以及调用模型描述文件解析属性标签获得目标属性。
模型描述文件与算法模型包相匹配，并通过包标签实现一一对应，调用模型描述文件可以解析属性标签得到目标对象的目标属性。
图20为图18的一种报警信息生成方法的另一扩展流程图。如图20所示，该报警信息生成方法可以包括：
S201：响应于接收到的采集图像加载基于深度学习的算法模型包；
S202：当利用加载的算法模型包在采集图像中检测到目标对象时，获取该算法模型包产生的目标对象的属性标签、并产生报警信息；
其中，报警信息中包括目标对象的属性标签、以及产生该属性标签的算法模型包的包标签；
S203：响应于接收到的报警信息，获取报警信息中的包标签和属性标签；
S204：调用与获取到的包标签相匹配的模型描述文件；
S205：将获取到的属性标签与模型描述文件中包括的各算法模型的类型、每种类型的标签含义以及各算法模型之间的关系进行匹配，得到目标对象的目标属性。
具体利用模型描述文件解析属性标签可以是将属性标签与模型描述文件中算法模型的类型、每种类型的标签含义以及各算法模型之间的关系进行匹配，即可得到属性标签所代表的目标对象的属性。
图21为图18的一种报警信息生成方法的另一扩展流程图。如图21所示，该报警信息生成方法可以包括：
S201：响应于接收到的采集图像加载基于深度学习的算法模型包；
S2021：当利用加载的算法模型包在采集图像中检测到目标对象时，获取该算法模型包产生的目标对象的属性标签；
S2022：产生报警信息；
其中，报警信息中包括目标对象的属性标签、以及产生该属性标签的算法模型包的包标签；
S2023：利用加载的算法模型包获得目标对象在采集图像中的位置信息、并在报警信息中添加目标对象在采集图像中的位置信息；
S203：响应于接收到的报警信息，获取报警信息中的包标签和属性标签；
S204：调用与获取到的包标签相匹配的模型描述文件；
S205：将获取到的属性标签与模型描述文件中包括的各算法模型的类型、每种类型的标签含义以及各算法模型之间的关系进行匹配，得到目标对象的目标属性；
S206：根据目标对象在采集图像中的位置信息在采集图像标识目标对象、并在采集图像标记目标对象的目标属性。
其中，步骤S2021、S2022和S2023可以认为是步骤S202的子步骤，在该步骤S202中进一步获取目标对象在采集图像中的位置信息，并将该位置信息添加在报警信息中，同时增加步骤S206，可以实现在采集图像中对目标对象的标识以及标记目标属性。
图22为图18的一种报警信息生成方法的另一扩展流程图。如图22所示，该报警信息生成方法可以包括：
S209：从前端摄像头获取采集图像，并将获取到的采集图像以码流形式输出；
S201：响应于接收到的采集图像加载基于深度学习的算法模型包；
S2021：当利用加载的算法模型包在采集图像中检测到目标对象时，获取该算法模型包产生的目标对象的属性标签；
S2022：产生报警信息；
其中，报警信息中包括目标对象的属性标签、以及产生该属性标签的算法模型包的包标签；
S2023：利用加载的算法模型包获得目标对象在采集图像中的位置信息、并在报警信息中添加目标对象在采集图像中的位置信息；
S207：发送并且存储报警信息；
S208：通过网络传输报警信息；
S203：响应于接收到的报警信息，获取报警信息中的包标签和属性标签；
S204：调用与获取到的包标签相匹配的模型描述文件；
S205：将获取到的属性标签与模型描述文件中包括的各算法模型的类型、每种类型的标签含义以及各算法模型之间的关系进行匹配，得到目标对象的目标属性；
S206：根据目标对象在采集图像中的位置信息在采集图像标识目标对象、并在采集图像标记目标对象的目标属性。
其中，步骤S207、S208和S209虽然在本示例中同时出现，但是并不排斥只采用三个步骤中的一个或者两个的方案。
图23为本发明实施例的一种报警信息解析方法的流程图。如图23所示，该报警信息解析方法可以包括：
S301：响应于接收到的报警信息，获取报警信息中的包标签和属性标签；其中，报警信息中包括目标对象的属性标签、以及产生该属性标签的算法模型包的包标签；
S302：调用与获取到的包标签相匹配的模型描述文件；
S303：利用调用的模型描述文件从获取的属性标签中解析得到目标对象的目标属性。
算法模型包与模型描述文件相匹配，并且通过包标签实现算法模型包和模型描述文件的一一对应，属性标签并未包含表示目标对象属性的字符串，节省存储空间和传输带宽，并且能够保护报警信息的安全性，防止报警信息泄露，另外，属性标签可以是多种多样，同样解析出的结果可以是多样化的，不局限报警类型的数量，可扩展性大。
图24为图23中一种报警信息解析方法的扩展流程图。如图24所示，该报警信息解析方法可以包括：
S301：响应于接收到的报警信息，获取报警信息中的包标签和属性标签；其中，报警信息中包括目标对象的属性标签、以及产生该属性标签的算法模型包的包标签；
S302：调用与获取到的包标签相匹配的模型描述文件；
S303：将获取到的属性标签与模型描述文件中包括的各算法模型的类型、每种类型的标签含义以及各算法模型之间的关系进行匹配，得到目标对象的目标属性。
步骤S303中解析的过程即可以是属性标签与各算法模型的类型、每种类型的标签含义以及各算法模型之间的关系进行匹配，得到目标对象的目标属性。
前述报警信息生成方法或报警信息解析方法可以应用于上述如图15所示的码流设备、如图16所示的摄像装置、以及如图17所示的监控设备。由此可以认为，电子设备的设备形态对于前述报警信息生成方法或报警信息解析方法的应用不存在限制。
从而，在另一个实施例，提供了一种电子设备，该电子设备包括处理器，用于执行前述报警信息生成方法中的步骤、或者前述的报警信息解析方法中的步骤。
另一个实施例中，提供了一种非瞬时计算机可读存储介质，所述非瞬时计算机可读存储介质存储指令，所述指令在由处理器执行时使得处理器执行上述的报警信息解析方法和报警信息生成方法中的步骤。
应当理解，虽然本说明书是按照各个实施方式描述的，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施方式中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，而并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方案或变更，如特征的组合、分割或重复，均应包含在本发明的保护范围之内。

Claims (13)

1.一种报警信息解析系统，其特征在于，包括：
智能引擎模块，用于响应于接收到的采集图像加载基于深度学习的算法模型包；当利用加载的算法模型包在采集图像中检测到目标对象时，获取该算法模型包产生的目标对象的属性标签、并产生报警信息，其中，报警信息中包括目标对象的属性标签、以及产生该属性标签的算法模型包的包标签；
报警解析模块，用于响应于接收到的报警信息，获取报警信息中的包标签和属性标签；调用与获取到的包标签相匹配的模型描述文件、并利用调用的模型描述文件从获取的属性标签中解析得到目标对象的目标属性。
2.根据权利要求1所述的报警信息解析系统，其特征在于，报警解析模块进一步用于将获取到的属性标签与模型描述文件中包括的各算法模型的类型、每种类型的标签含义以及各算法模型之间的关系进行匹配。
3.根据权利要求1所述的报警信息解析系统，其特征在于，
智能引擎模块进一步用于在报警信息中添加目标对象在采集图像中的位置信息；
报警信息解析系统进一步包括结果显示模块，用于根据目标对象在采集图像中的位置信息，在所述采集图像标识出目标对象、并在所述采集图像标记所述目标对象的目标属性。
4.根据权利要求1所述的报警信息解析系统，其特征在于，报警信息解析系统进一步包括：
报警处理模块，用于将智能引擎模块产生的报警信息向报警解析模块发送、并且存储智能引擎模块产生的报警信息。
5.根据权利要求1所述的报警信息解析系统，其特征在于，报警信息解析系统进一步包括：
智能分析模块，用于获取采集图像，并将获取到的采集图像以码流形式传输至智能引擎模块。
6.一种报警信息生成方法，其特征在于，包括：
响应于接收到的采集图像加载基于深度学习的算法模型包；
当利用加载的算法模型包在采集图像中检测到目标对象时，获取该算法模型包产生的目标对象的属性标签、并产生报警信息；
其中，报警信息中包括目标对象的属性标签、以及产生该属性标签的算法模型包的包标签。
7.根据权利要求6所述的报警信息生成方法，其特征在于，进一步包括：
响应于接收到的报警信息，获取报警信息中的包标签和属性标签；
调用与获取到的包标签匹配的模型描述文件；
利用调用的模型描述文件从获取的属性标签中解析得到目标对象的目标属性。
8.根据权利要求7所述的报警信息生成方法，其特征在于，进一步包括：
将获取到的属性标签与模型描述文件中包括的各算法模型的类型、每种类型的标签含义以及各算法模型之间的关系进行匹配。
9.根据权利要求6所述的报警信息生成方法，其特征在于，进一步包括：
在报警信息中添加目标对象在采集图像中的位置信息；
根据目标对象在采集图像中的位置信息在所述采集图像标识所目标对象、并在所述采集图像标记所述目标对象的目标属性。
10.一种报警信息解析方法，其特征在于，包括：
响应于接收到的报警信息，获取报警信息中的包标签和属性标签，其中，报警信息中包括目标对象的属性标签、以及产生该属性标签的算法模型包的包标签；
调用与获取到的包标签相匹配的模型描述文件；
利用调用的模型描述文件从获取的属性标签中解析得到目标对象的目标属性。
11.根据权利要求10所述的报警信息解析方法，其特征在于，进一步包括：
将获取到的属性标签与模型描述文件中包括的各算法模型的类型、每种类型的标签含义以及各算法模型之间的关系进行匹配。
12.一种电子设备，其特征在于，所述电子设备包括处理器，所述处理器用于执行如权利要求6至9中任一所述的报警信息生成方法中的步骤、或者如权利要求10至11中任一所述的报警信息解析方法中的步骤。
13.一种非瞬时计算机可读存储介质，其特征在于，所述非瞬时计算机可读存储介质存储指令，所述指令在由处理器执行时使得所述处理器执行如权利要求6至9中任一项所述的报警信息生成方法中的步骤、或者如权利要求10至11中任一所述的报警信息解析方法中的步骤。
CN201910930551.0A 2019-09-29 2019-09-29 报警信息生成方法、报警信息解析方法、系统和装置 Active CN112584091B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910930551.0A CN112584091B (zh) 2019-09-29 2019-09-29 报警信息生成方法、报警信息解析方法、系统和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910930551.0A CN112584091B (zh) 2019-09-29 2019-09-29 报警信息生成方法、报警信息解析方法、系统和装置

Publications (2)

Publication Number Publication Date
CN112584091A true CN112584091A (zh) 2021-03-30
CN112584091B CN112584091B (zh) 2022-04-26

Family

ID=75110382

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910930551.0A Active CN112584091B (zh) 2019-09-29 2019-09-29 报警信息生成方法、报警信息解析方法、系统和装置

Country Status (1)

Country Link
CN (1) CN112584091B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003092291A1 (fr) * 2002-04-25 2003-11-06 Matsushita Electric Industrial Co., Ltd. Dispositif de detection d'objet, serveur de detection d'objet et procede de detection d'objet
WO2017008652A1 (zh) * 2015-07-13 2017-01-19 阿里巴巴集团控股有限公司 信息处理方法及装置
CN106776619A (zh) * 2015-11-20 2017-05-31 百度在线网络技术（北京）有限公司 用于确定目标对象的属性信息的方法和装置
CN109212520A (zh) * 2018-09-29 2019-01-15 河北德冠隆电子科技有限公司 全方位检测雷达的路况感知异常事件检测报警系统及方法
CN109344682A (zh) * 2018-08-02 2019-02-15 平安科技（深圳）有限公司 课堂监控方法、装置、计算机设备及存储介质
CN109583268A (zh) * 2017-09-28 2019-04-05 杭州海康威视数字技术股份有限公司 一种目标的属性识别方法、装置及电子设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003092291A1 (fr) * 2002-04-25 2003-11-06 Matsushita Electric Industrial Co., Ltd. Dispositif de detection d'objet, serveur de detection d'objet et procede de detection d'objet
WO2017008652A1 (zh) * 2015-07-13 2017-01-19 阿里巴巴集团控股有限公司 信息处理方法及装置
CN106776619A (zh) * 2015-11-20 2017-05-31 百度在线网络技术（北京）有限公司 用于确定目标对象的属性信息的方法和装置
CN109583268A (zh) * 2017-09-28 2019-04-05 杭州海康威视数字技术股份有限公司 一种目标的属性识别方法、装置及电子设备
CN109344682A (zh) * 2018-08-02 2019-02-15 平安科技（深圳）有限公司 课堂监控方法、装置、计算机设备及存储介质
CN109212520A (zh) * 2018-09-29 2019-01-15 河北德冠隆电子科技有限公司 全方位检测雷达的路况感知异常事件检测报警系统及方法

Also Published As

Publication number Publication date
CN112584091B (zh) 2022-04-26

Similar Documents

Publication Publication Date Title
CN111405241A (zh) 一种用于视频监控的边缘计算方法和系统
US20120154581A1 (en) Cascadable camera tampering detection transceiver module
CN109413760B (zh) 一种无线连接方法及设备
CN111539338A (zh) 行人口罩佩戴管控方法、装置、设备及计算机存储介质
KR100622940B1 (ko) 전자 메일 서버
CN110677601B (zh) 视频源智能切换视频系统及视频源智能切换方法
KR20200119409A (ko) 번호판 판독을 위한 장치 및 방법
CN112419639A (zh) 一种视频信息的获取方法及装置
JP7107596B2 (ja) 駅監視システム及び駅監視方法
CN111405238A (zh) 抓拍图片的传输方法、装置、系统、摄像机及存储设备
CN111507268A (zh) 报警方法及装置、存储介质和电子装置
CN112584091B (zh) 报警信息生成方法、报警信息解析方法、系统和装置
CN115113197A (zh) 用于生成标记传感器数据的传感器
CN109698932B (zh) 数据传输方法及摄像机、电子设备
US20240221426A1 (en) Behavior detection method, electronic device, and computer readable storage medium
CN115424405A (zh) 烟火监测告警方法、装置、设备及存储介质
CN112419638B (zh) 一种告警视频的获取方法及装置
JP7300958B2 (ja) 撮像装置、制御方法、及びコンピュータプログラム
CN112394809B (zh) 一种实现增强现实的方法、装置及通信设备
CN114419544A (zh) 一种基于图像识别的智能监控方法、装置、设备及介质
WO2020039898A1 (ja) 駅監視装置、駅監視方法及びプログラム
KR20210061647A (ko) 차량용 영상 기록 장치 및 영상 기록 공유 방법
CN110796826A (zh) 一种用于识别烟雾火焰的报警方法及系统
CN111225178A (zh) 基于对象检测的视频监控方法及其系统
KR20200063294A (ko) 차량용 블랙박스 영상의 자동 수집이 가능한 객체추적 시스템 및 방법

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