CN112750104A - 一种多相机监控船舶自动匹配最优相机的方法及装置 - Google Patents

一种多相机监控船舶自动匹配最优相机的方法及装置 Download PDF

Info

Publication number
CN112750104A
CN112750104A CN202011602071.0A CN202011602071A CN112750104A CN 112750104 A CN112750104 A CN 112750104A CN 202011602071 A CN202011602071 A CN 202011602071A CN 112750104 A CN112750104 A CN 112750104A
Authority
CN
China
Prior art keywords
camera
ship
cameras
list
optimal
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
CN202011602071.0A
Other languages
English (en)
Other versions
CN112750104B (zh
Inventor
杨航
梁淑婷
李雪莲
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.)
Guangdong Jianmian Intelligent Technology Co ltd
Original Assignee
Guangdong Jianmian Intelligent 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 Guangdong Jianmian Intelligent Technology Co ltd filed Critical Guangdong Jianmian Intelligent Technology Co ltd
Priority to CN202011602071.0A priority Critical patent/CN112750104B/zh
Publication of CN112750104A publication Critical patent/CN112750104A/zh
Application granted granted Critical
Publication of CN112750104B publication Critical patent/CN112750104B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • H04N23/64—Computer-aided capture of images, e.g. transfer from script file into camera, check of taken image quality, advice or proposal for image composition or decision on when to take image
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/90—Arrangement of cameras or camera modules, e.g. multiple cameras in TV studios or sports stadiums
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30232—Surveillance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Abstract

本发明公开了一种多相机监控船舶自动匹配最优相机的方法及装置，包括步骤：创建列表放入所有摄像机编号；获取待拍摄船舶；调用物体目标检测算法获得所述船舶在图像中的中心位置以及所述船舶大小；按照第一评分标准评分后排序，所述第一评分标准，按照所述船舶距离图像中心位置和所述船舶在画面中的占比进行评分。通过填补在多相机监控船舶情况下自动匹配最优相机的方法方面的空白，设计一套评估最优相机的指标，同时结合深度学习算法与图像处理算法对相关指标进行高效运算，节省人力资源，提高监管效率。

Description

一种多相机监控船舶自动匹配最优相机的方法及装置
技术领域
本发明涉及图像处理技术领域，尤其涉及一种多相机监控船舶自动匹配最优相机的方法及装置。
背景技术
随着经济的不断发展，海上航运四通八达，目前通过在桥梁或港口设置监控设备对附近船舶进行录像监控；在多个摄像机共同拍摄的情况下，各个摄像机的拍摄质量参差不齐，若要追踪某条船舶，想要获得拍摄角度最好、画质最清晰的摄像机，传统的方法需通过监控人员对摄像机拍摄的画面进行人工筛选，才能选定最佳追踪该船舶的摄像机，此方法效率较低；而且，若同时追踪多条船舶时识别效率远不能满足实际需求，也不能智能自动匹配最佳摄像机，得到最佳拍摄角度，对航运监管质量的提高不能起到积极作用；因此缺乏一种在桥梁或港口等近海域监控区域，监控区域布存在性能、型号不一的摄像机，当监控船舶处于多个监控摄像头监控区域内时，自动匹配调用性能最佳，视频质量最优的摄像机方法。
发明内容
为解决上述技术问题，本发明提供一种多相机监控船舶自动匹配最优相机的方法及装置，能当监控船舶处于多个监控摄像头监控区域内时，自动匹配调用性能最佳，视频质量最优的摄像机。具体方案如下：
一方面，本发明提供一种多相机监控船舶自动匹配最优相机的方法，包括步骤：
S100，创建列表放入所有摄像机编号；
S200，获取待拍摄船舶；
S300，调用物体目标检测算法获得所述船舶在图像中的中心位置以及所述船舶大小；
S400，按照第一评分标准评分后排序，所述第一评分标准，按照所述船舶距离图像中心位置和所述船舶在画面中的占比进行评分；预设所述船舶距离图像中心位置阈值和所述船舶在画面中占比阈值，剔除高于所述中心位置阈值以及不符合所述画面中占比值的所述摄像机，再按照第一评分标准评分后排序得到第一摄像机列表；
S500，调用视频质量评估算法对所述第一摄像机列表的摄像机进行评分，按照评分结果进行排序，得到第二摄像机列表，同时输出质量评分最高的摄像机，为最优视角摄像机。
进一步地，当调用视频质量评估算法对所述第一摄像机列表的摄像机进行评分时，还包括步骤：
S510，预设分数阈值，剔除低于所述分数阈值的摄像机，
按照评分结果进行排序，得到第二摄像机列表，同时输出质量评分最高的摄像机，为最优视角摄像机。
进一步地，当剔除低于所述分数阈值的摄像机后，还包括步骤：
S520，若此时摄像机数量为0，则降低检测标准重新评分，得到第三摄像机列表。
进一步地，若此时摄像机数量为0，则降低检测标准重新评分时，还包括步骤：
S530，从所述第三摄像机列表中挑选性能排列最前的摄像机型号，按照评分结果进行排序，同时输出质量评分最高的摄像机，为最优视角摄像机。
进一步地，
所述物体目标检测算法采用SSD算法；
所述视频质量评估算法采用深度学习的无参考视频质量评价算法。
另一方面，本发明提供一种多摄像相机监控船舶自动匹配最优拍摄相机的装置，包括：
一种多摄像相机监控船舶自动匹配最优拍摄相机的装置，其特征在于，包括：
创建模块，用于创建列表放入所有摄像机编号；
获取模块，用于获取待拍摄船舶，
检测模块，用于调用物体目标检测算法获得所述物体在图像中的中心位置以及所述船舶大小；
评分模块，用于按照第一评分标准评分后排序，所述第一评分标准，按照所述船舶距离图像中心位置和所述船舶在画面中的占比进行评分；预设所述船舶距离图像中心位置阈值和所述船舶在画面中占比阈值，剔除高于所述中心位置阈值以及不符合所述画面中占比值的所述摄像机，再按照第一评分标准评分后排序得到第一摄像机列表；
视频质量评估模块，用于调用视频质量评估算法对所述第一摄像机列表的摄像机进行评分，按照评分结果进行排序，得到第二摄像机列表，同时输出质量评分最高的摄像机，为最优视角摄像机。
进一步地，
所述视频质量评估模块，还用于预设分数阈值，剔除低于所述分数阈值的摄像机，
若此时摄像机数量为0，则降低检测标准重新评分，得到第三摄像机列表。
进一步地，
从所述第三摄像机列表中挑选性能排列最前的摄像机型号，按照评分结果进行排序，同时输出质量评分最高的摄像机，为最优视角摄像机。
第三方面，还提供一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，执行上述任一项所述的多相机监控船舶自动匹配最优相机的方法。
第四方面，还提供一种计算机可读存储介质，所述计算机可读介质存储有计算机指令，所述计算机指令用于执行上述任一项所述的多相机监控船舶自动匹配最优相机的方法。
本发明的有益效果是：本发明用于在桥梁或港口等近海域监控区域，监控区域布存在性能、型号不一的摄像机，当监控船舶处于多个监控摄像头监控区域内时，能自动匹配调用性能最佳、视频质量最优的摄像机。通过填补在多相机监控船舶情况下自动匹配最优相机的方法方面的空白，设计一套评估最优相机的指标，同时结合深度学习算法与图像处理算法对相关指标进行高效运算，节省人力资源，提高监管效率，实现智能监控追踪，为管理者提供更加专业和有效的指导。
附图说明
图1为本发明一种多相机监控船舶自动匹配最优相机的方法的流程图。
图2为本发明一种多相机监控船舶自动匹配最优相机的方法的另一流程图。
图3为本发明一种多相机监控船舶自动匹配最优相机的方法的又一流程图。
图4为本发明一种多相机监控船舶自动匹配最优相机的装置的原理框图。
图5为本发明一种多相机监控船舶自动匹配最优相机的电子设备的原理框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，本发明提供一种多相机监控船舶自动匹配最优相机的方法，包括步骤：
S100，创建列表放入所有摄像机编号；
S200，获取待拍摄船舶；
S300，调用物体目标检测算法获得所述船舶在图像中的中心位置以及所述船舶大小；
S400，按照第一评分标准评分后排序，所述第一评分标准，按照所述船舶距离图像中心位置和所述船舶在画面中的占比进行评分；预设所述船舶距离图像中心位置阈值和所述船舶在画面中占比阈值，剔除高于所述中心位置阈值以及不符合所述画面中占比值的所述摄像机，再按照第一评分标准评分后排序得到第一摄像机列表；
S500，调用视频质量评估算法对所述第一摄像机列表的摄像机进行评分，按照评分结果进行排序，得到第二摄像机列表，同时输出质量评分最高的摄像机，为最优视角摄像机。
在本实施例中，在后台创建列表，将海域上的监控摄像机给予编号，每个摄像机有自己的ID 编号；当需拍摄的船舶进入监控海域时，邻近摄像机开始获取拍摄画面，再调用目标检测算法获得船舶距离图像中心位置和检测船舶的大小，通过检测船舶的图像大小计算与整个拍摄画面的面积占比。需要说明的是，第一评分标准，可按照实际需要设定，其中评分标准的设计原则是，其一距离图像中心位置越小评分越高；其二所述船舶在画面中的面积占比的分布图为高斯分布，最高值为面积占比的最佳值，可预先通过人工定义图像占比最佳比例，例可设置船舶的面积占比的最佳比例是60%，最佳值两端的值随比例的增加或减少船舶清晰度降低。第一评分标准按照船舶图像位置距离画面中心和面积占比共同评价，得出二者的综合评分并进行排序，并剔除高于所述中心位置阈值以及不符合所述画面中占比值的所述摄像机；剔除高于所述中心位置阈值目的是过滤掉离图像中心较远的船舶图片，以保证物体集中在图像中心位置，得到更好的画面效果；剔除不符合所述画面中占比值的所述摄像机，由于物体占比过小或过大都会影响物体的清晰度，要求检测船舶所占的画面比例在最佳比例值附近，进而能够得到更优的图像画面；可设置画面占比低于20%和高于80%为不符合值范围，将在此范围的摄像机剔除，此处不做具体限定，完成第一次筛选后输出第一摄像机列表。再根据视频质量评估算法再次对第一摄像机列表进行二次筛选，采用卷积神经网络提取视频帧差的空域特征信息，该过程代替了传统手工提取特征的阶段，然后使用Xgboost 算法对特征和视频质量评分两者之间建立非线性映射关系。进而得到第二个评分顺序，输出第二摄像机列表，其中质量评分最高的摄像机为最优视角摄像机。通过两个维度的评分筛选能实现在桥梁或港口等近海域监控区域，监控区域布存在性能、型号不一的摄像机，当监控船舶处于多个监控摄像头监控区域内时，能自动匹配调用性能最佳、视频质量最优的摄像机对船舶进行追踪拍摄。避免出现摄像机拍摄质量参差不齐，影响监控质量，花费大量人力资源进行筛选的情况出现。
参见图2和图3，优选的，当调用视频质量评估算法对所述第一摄像机列表的摄像机进行评分时，还包括步骤：
S510，预设分数阈值，剔除低于所述分数阈值的摄像机，按照评分结果进行排序，得到第二摄像机列表，同时输出质量评分最高的摄像机，为最优视角摄像机。
在本实施例中，在通过频质量评估算法对摄像机进行二次评分后，可先剔除低于所述分数阈值的摄像机，再输出最优视角摄像机。通过删除不符合摄像机的编号，有利于监控人员得知拍摄效果较好的摄像机编号，按照需求更方便地挑选优质视频。
优选的，当剔除低于所述分数阈值的摄像机后，还包括步骤：
S520，若此时摄像机数量为0，则降低检测标准重新评分，得到第三摄像机列表。
在本实施例中，以上步骤为防止通过第一次筛选后所有摄像机的均不达到标准，导致出现拍摄空缺情况，保证拍摄追踪能持续进行。其中，降低检测标准，通过调整第一评分标准，即提高船舶距离图像中心位置阈值和放宽不符合画面中占比值。例如：原船舶距离图像中心位置阈值为80，降低标准后调整为100；原画面占比低于20%和高于80%为不符合值范围，降低标准后可调整为画面占比低于10%和高于90%为不符合值范围。需要说明的是，其中以上两个评分标准可降低其中一个或两个来降低检测标准，具体标准可根据实际情况设置，此处不做具体限定。
优选的，若此时摄像机数量为0，则降低检测标准重新评分时，还包括步骤：
S530，从所述第三摄像机列表中挑选性能排列最前的摄像机型号，按照评分结果进行排序，同时输出质量评分最高的摄像机，为最优视角摄像机。
在本实施例中，此步骤为对步骤S520的进一步优化，预先在系统中录入各个摄像机的型号和功能，基于第三摄像机列表的顺序，再通过比较挑选性能排列最好的摄像机，输出最优视角摄像机。
优选的，所述物体目标检测算法采用SSD算法；所述视频质量评估算法采用深度学习的无参考视频质量评价算法。
在本实施例中， SSD算法，前期通过大量船只图片对SSD算法进行训练得出可靠的物体识别模型，使用时调用该模型对视频内容进行识别。
视频质量评分模块首先采用卷积神经网络提取视频帧差的空域特征信息。该过程代替了传统手工提取特征的阶段。然后使用Xgboost 算法对特征和视频质量评分两者之间建立非线性映射关系。本发明采用深度学习的方法，利用深度学习在特征提取方面的优势，自动去寻找导致视频质量下降的主要特征信息。采用先进的深度学习技术让该算法的准确性，实时性大大提高。
参见图4，第二方面，基于同一发明构思，本发明还提供一种多摄像相机监控船舶自动匹配最优拍摄相机的装置，其中，与本发明提供的多摄像相机监控船舶自动匹配最优拍摄相机方法工作原理原理相同或相似，因此重复之处不再赘述。包括：
创建模块10，用于创建列表放入所有摄像机编号；
获取模块20，用于获取待拍摄船舶，
检测模块30，用于调用物体目标检测算法获得所述物体在图像中的中心位置以及所述船舶大小；
评分模块40，用于按照第一评分标准评分后排序，所述第一评分标准，按照所述船舶距离图像中心位置和所述船舶在画面中的占比进行评分；预设所述船舶距离图像中心位置阈值和所述船舶在画面中占比阈值，剔除高于所述中心位置阈值以及不符合所述画面中占比值的所述摄像机，再按照第一评分标准评分后排序得到第一摄像机列表；
视频质量评估模块50，用于调用视频质量评估算法对所述第一摄像机列表的摄像机进行评分，按照评分结果进行排序，得到第二摄像机列表，同时输出质量评分最高的摄像机，为最优视角摄像机。
优选的，所述视频质量评估模块50，还用于预设分数阈值，剔除低于所述分数阈值的摄像机，若此时摄像机数量为0，则降低检测标准重新评分，得到第三摄像机列表。
优选的，从所述第三摄像机列表中挑选性能排列最前的摄像机型号，按照评分结果进行排序，同时输出质量评分最高的摄像机，为最优视角摄像机。
参见图5，第三方面，基于同一发明构思，本发明还提供一种电子设备，其中，与本发明提供的多摄像相机监控船舶自动匹配最优拍摄相机方法工作原理原理相同或相似，因此重复之处不再赘述。
包括：存储器81和处理器80，所述存储器81和所述处理器80之间通信连接，所述存储器81中存储有计算机指令，所述处理器80通过执行所述计算机指令，执行如上述任一项所述的多相机监控船舶自动匹配最优相机的方法。
在本实施例中，处理器80可以包括中央处理器(Central Processing Unit，CPU)、数字信号处理器(Digital Signal Processor，DSP)、网络处理器(Network Processor，NP)、专用集成电路(Application Specific Integrated Circuit，ASIC) 、现场可编程门阵列(FieldProgrammable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。存储器81作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块。可以包括随机存取存储器(Random AccessMemory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。
第四方面，基于同一发明构思，本发明还提供一种计算机可读存储介质，所述计算机可读介质存储有计算机指令，所述计算机指令用于执行上述任一项所述的多相机监控船舶自动匹配最优相机的方法。
在本实施例中，存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(SolidState Drive，SSD)等；存储介质还可以包括上述种类的存储器的组合。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (10)

1.一种多相机监控船舶自动匹配最优相机的方法，其特征在于，包括步骤：
S100，创建列表放入所有摄像机编号；
S200，获取待拍摄船舶；
S300，调用物体目标检测算法获得所述船舶在图像中的中心位置以及所述船舶大小；
S400，按照第一评分标准评分后排序，所述第一评分标准，按照所述船舶距离图像中心位置和所述船舶在画面中的占比进行评分；预设所述船舶距离图像中心位置阈值和所述船舶在画面中占比阈值，剔除高于所述中心位置阈值以及不符合所述画面中占比值的所述摄像机，再按照第一评分标准评分后排序得到第一摄像机列表；
S500，调用视频质量评估算法对所述第一摄像机列表的摄像机进行评分，按照评分结果进行排序，得到第二摄像机列表，同时输出质量评分最高的摄像机，为最优视角摄像机。
2.根据权利要求1所述的多相机监控船舶自动匹配最优相机的方法，其特征在于，当调用视频质量评估算法对所述第一摄像机列表的摄像机进行评分时，还包括步骤：
S510，预设分数阈值，剔除低于所述分数阈值的摄像机，
按照评分结果进行排序，得到第二摄像机列表，同时输出质量评分最高的摄像机，为最优视角摄像机。
3.根据权利要求2所述的多相机监控船舶自动匹配最优相机的方法，其特征在于，当剔除低于所述分数阈值的摄像机后，还包括步骤：
S520，若此时摄像机数量为0，则降低检测标准重新评分，得到第三摄像机列表。
4.根据权利要求3所述的多相机监控船舶自动匹配最优相机的方法，其特征在于，若此时摄像机数量为0，则降低检测标准重新评分时，还包括步骤：
S530，从所述第三摄像机列表中挑选性能排列最前的摄像机型号，按照评分结果进行排序，同时输出质量评分最高的摄像机，为最优视角摄像机。
5.根据权利要求1所述的多相机监控船舶自动匹配最优相机的方法，其特征在于，
所述物体目标检测算法采用SSD算法；
所述视频质量评估算法采用深度学习的无参考视频质量评价算法。
6.一种多摄像相机监控船舶自动匹配最优拍摄相机的装置，其特征在于，包括：
创建模块，用于创建列表放入所有摄像机编号；
获取模块，用于获取待拍摄船舶，
检测模块，用于调用物体目标检测算法获得所述物体在图像中的中心位置以及所述船舶大小；
评分模块，用于按照第一评分标准评分后排序，所述第一评分标准，按照所述船舶距离图像中心位置和所述船舶在画面中的占比进行评分；预设所述船舶距离图像中心位置阈值和所述船舶在画面中占比阈值，剔除高于所述中心位置阈值以及不符合所述画面中占比值的所述摄像机，再按照第一评分标准评分后排序得到第一摄像机列表；
视频质量评估模块，用于调用视频质量评估算法对所述第一摄像机列表的摄像机进行评分，按照评分结果进行排序，得到第二摄像机列表，同时输出质量评分最高的摄像机，为最优视角摄像机。
7.根据权利要求6所述的多摄像相机监控船舶自动匹配最优拍摄相机的装置，其特征在于，
所述视频质量评估模块，还用于预设分数阈值，剔除低于所述分数阈值的摄像机，
若此时摄像机数量为0，则降低检测标准重新评分，得到第三摄像机列表。
8.根据权利要求7所述的多摄像相机监控船舶自动匹配最优拍摄相机的装置，其特征在于，
从所述第三摄像机列表中挑选性能排列最前的摄像机型号，按照评分结果进行排序，同时输出质量评分最高的摄像机，为最优视角摄像机。
9.一种电子设备，其特征在于，包括：存储器和处理器，所述存储器和所述处理器之间通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，执行如权利要求1至5任一项所述的多相机监控船舶自动匹配最优相机的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读介质存储有计算机指令，所述计算机指令用于执行权利要求1至5任一项所述的多相机监控船舶自动匹配最优相机的方法。
CN202011602071.0A 2020-12-29 2020-12-29 一种多相机监控船舶自动匹配最优相机的方法及装置 Active CN112750104B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011602071.0A CN112750104B (zh) 2020-12-29 2020-12-29 一种多相机监控船舶自动匹配最优相机的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011602071.0A CN112750104B (zh) 2020-12-29 2020-12-29 一种多相机监控船舶自动匹配最优相机的方法及装置

Publications (2)

Publication Number Publication Date
CN112750104A true CN112750104A (zh) 2021-05-04
CN112750104B CN112750104B (zh) 2023-01-17

Family

ID=75647055

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011602071.0A Active CN112750104B (zh) 2020-12-29 2020-12-29 一种多相机监控船舶自动匹配最优相机的方法及装置

Country Status (1)

Country Link
CN (1) CN112750104B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114014037A (zh) * 2021-11-17 2022-02-08 安徽海螺信息技术工程有限责任公司 一种码头智能化水泥装卸监控系统
CN114302059A (zh) * 2021-12-27 2022-04-08 维坤智能科技（上海）有限公司 三维在线智能巡视系统及其方法
WO2022262763A1 (zh) * 2021-06-18 2022-12-22 影石创新科技股份有限公司 图像构图质量评估方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107452038A (zh) * 2017-07-28 2017-12-08 武汉理工大学 基于ais和主动摄像机的复杂水域目标跟踪方法
US20190182415A1 (en) * 2015-04-27 2019-06-13 Snap-Aid Patents Ltd. Estimating and using relative head pose and camera field-of-view
CN111523465A (zh) * 2020-04-23 2020-08-11 中船重工鹏力（南京）大气海洋信息系统有限公司 基于摄像机标定及深度学习算法的船舶身份识别系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190182415A1 (en) * 2015-04-27 2019-06-13 Snap-Aid Patents Ltd. Estimating and using relative head pose and camera field-of-view
CN107452038A (zh) * 2017-07-28 2017-12-08 武汉理工大学 基于ais和主动摄像机的复杂水域目标跟踪方法
CN111523465A (zh) * 2020-04-23 2020-08-11 中船重工鹏力（南京）大气海洋信息系统有限公司 基于摄像机标定及深度学习算法的船舶身份识别系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022262763A1 (zh) * 2021-06-18 2022-12-22 影石创新科技股份有限公司 图像构图质量评估方法及装置
CN114014037A (zh) * 2021-11-17 2022-02-08 安徽海螺信息技术工程有限责任公司 一种码头智能化水泥装卸监控系统
CN114014037B (zh) * 2021-11-17 2023-08-29 安徽海螺信息技术工程有限责任公司 一种码头智能化水泥装卸监控系统
CN114302059A (zh) * 2021-12-27 2022-04-08 维坤智能科技（上海）有限公司 三维在线智能巡视系统及其方法

Also Published As

Publication number Publication date
CN112750104B (zh) 2023-01-17

Similar Documents

Publication Publication Date Title
CN112750104B (zh) 一种多相机监控船舶自动匹配最优相机的方法及装置
CN111325713B (zh) 基于神经网络的木材缺陷检测方法、系统及存储介质
CN106934803B (zh) 电子器件表面缺陷的检测方法及装置
CN113065558A (zh) 一种结合注意力机制的轻量级小目标检测方法
WO2021042682A1 (zh) 变电站异物识别方法、装置、系统、电子设备和存储介质
Spampinato et al. Detecting, tracking and counting fish in low quality unconstrained underwater videos
CN111680746B (zh) 车损检测模型训练、车损检测方法、装置、设备及介质
CN112001902A (zh) 缺陷检测方法和相关装置、设备、存储介质
CN109460754B (zh) 一种水面异物检测方法、装置、设备及存储介质
WO2018000252A1 (zh) 高分辨遥感海洋图像的海背景建模与抑制的方法及系统
CN110796048A (zh) 一种基于深度神经网络的船舰目标实时检测方法
CN110825900A (zh) 特征重构层的训练方法、图像特征的重构方法及相关装置
CN110415208A (zh) 一种自适应目标检测方法及其装置、设备、存储介质
CN111695373B (zh) 斑马线的定位方法、系统、介质及设备
US20220128358A1 (en) Smart Sensor Based System and Method for Automatic Measurement of Water Level and Water Flow Velocity and Prediction
CN109492647A (zh) 一种电网机器人障碍物识别方法
CN115861799A (zh) 基于注意力梯度的轻量化空对地目标检测方法
CN113569981A (zh) 一种基于单阶段目标检测网络的电力巡检鸟窝检测方法
CN115880260A (zh) 基站施工的检测方法、装置、设备及计算机可读存储介质
CN114235815A (zh) 基于场景过滤的换流站户外电气设备表面缺陷检测方法
CN112116567A (zh) 一种无参考图像质量评价方法、装置及存储介质
CN104899854A (zh) 堆粮高度线的检测方法和装置
CN111723656A (zh) 一种基于YOLO v3与自优化的烟雾检测方法及装置
CN112560929B (zh) 溢油区域确定方法及装置、存储介质
CN114049478A (zh) 基于改进Cascade R-CNN的红外船舶图像快速识别方法及系统

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
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A method and device for automatically matching the optimal camera for multi camera monitoring of ships

Effective date of registration: 20230908

Granted publication date: 20230117

Pledgee: Bank of China Limited by Share Ltd. Zhuhai branch

Pledgor: Guangdong jianmian Intelligent Technology Co.,Ltd.

Registration number: Y2023980055789

PE01 Entry into force of the registration of the contract for pledge of patent right