CN112784797A - 目标图像识别方法和装置 - Google Patents
目标图像识别方法和装置 Download PDFInfo
- Publication number
- CN112784797A CN112784797A CN202110133370.2A CN202110133370A CN112784797A CN 112784797 A CN112784797 A CN 112784797A CN 202110133370 A CN202110133370 A CN 202110133370A CN 112784797 A CN112784797 A CN 112784797A
- Authority
- CN
- China
- Prior art keywords
- preset
- entity
- alarm
- image
- module
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000001514 detection method Methods 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000004891 communication Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims 1
- 206010063385 Intellectualisation Diseases 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 3
- 241000282472 Canis lupus familiaris Species 0.000 description 23
- 238000010586 diagram Methods 0.000 description 9
- 238000010276 construction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 241000282465 Canis Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Abstract
本申请公开了一种目标图像识别方法和装置，涉及深度学习、计算机视觉等人工智能技术领域，可应用于智慧城市场景下。具体实现方案为：获取场景区域的场景图像，并通过预设的检测网络检测场景图像中是否包含预设实体；在包含预设实体时，确定预设实体的危险系数；在危险系数大于等于预设阈值时，从场景图像中提取与预设实体相关的图像特征，并在图像特征满足预设的报警条件时进行报警处理。由此，实现了一种识别出危险实体并报警的方式，实现了对危险实体管理的智能化和高效率，节约了有关管理的人力投入。
Description
技术领域
本申请涉及深度学习、计算机视觉等人工智能技术领域，尤其涉及一种目标图像识别方法和装置。
背景技术
随着计算机技术的发展，依托于计算机技术进行的社会管理成为一种主流需求，比如，目前各大城市都有在推出合理的养犬系统，但都是公安机关在进行人为监察，或者对监控视频进行抽查，之后人工肉眼进行判断。或者，在某些国家，每条犬体内都要被植入芯片，基于对芯片的管控对养犬进行管理。
发明内容
本申请提供了一种目标图像识别方法和装置，以用于解决上述的技术问题。
根据本申请的一方面，提供了一种目标图像识别方法，包括：获取场景区域的场景图像，并通过预设的检测网络检测所述场景图像中是否包含预设实体；
在包含所述预设实体时，确定所述预设实体的危险系数；
在所述危险系数大于等于预设阈值时，从所述场景图像中提取与所述预设实体相关的图像特征，并在所述图像特征满足预设的报警条件时进行报警处理。
根据本申请的另一方面，提供了一种报警装置，包括：
检测模块，用于获取场景区域的场景图像，并通过预设的检测网络检测所述场景图像中是否包含预设实体；
确定模块，用于在包含所述预设实体时，确定所述预设实体的危险系数
提取模块，用于在所述危险系数大于等于预设阈值时，从所述场景图像中提取与所述预设实体相关的图像特征；
报警模块，用于在所述图像特征满足预设的报警条件时进行报警处理。
根据本申请的又一方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的目标图像识别方法。
根据本申请的还一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行上述的目标图像识别方法。
根据本申请的再一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现上述的目标图像识别方法。
本发明的上述实施例，至少具有如下技术效果：
获取场景区域的场景图像，并通过预设的检测网络检测场景图像中是否包含预设实体，在包含预设实体时，确定预设实体的危险系数，进而，在危险系数大于等于预设阈值时，从场景图像中提取与预设实体相关的图像特征，并在图像特征满足预设的报警条件时进行报警处理。由此，实现了一种识别出危险实体并报警的方式，实现了对危险实体管理的智能化和高效率，节约了有关管理的人力投入。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是根据本申请第一实施例的目标图像识别方法的流程示意图；
图2是根据本申请第二实施例的目标图像识别方法的流程示意图；
图3是根据本申请第三实施例的目标图像识别方法的流程示意图；
图4是根据本申请第四实施例的目标图像识别方法的流程示意图；
图5是根据本申请第五实施例的报警装置的结构框图；
图6是用来实现本申请实施例的报警的方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
为了解决上述背景技术中提到的社会管理，需要大量的人力财力投入的技术问题，本发明提出一种智能化管理的技术方案。
下面参考具体的附图说明本发明实施例的目标图像识别方法。
图1是根据本发明一个实施例的目标图像识别方法的流程图，如图1所示，该方法包括：
步骤101，获取场景区域的场景图像，并通过预设的检测网络检测场景图像中是否包含预设实体。
在本实施例中，可以在社会管理的区域等场景区域设置摄像头等，通过摄像头拍摄视频流，在本实施例中，获取摄像头拍摄的视频流，并识别视频流中的有关场景图像中是否包含预设实体，其中，在不同的应用场景中，预设实体不同，在一些可能的示例中，该预设实体可以为狗、车辆、路障等。
需要说明的是，在不同的应用场景下，通过预设的检测网络检测所述场景图像中是否包含预设实体的方式不同，示例如下：
示例一：
在本示例中，提取场景图像中预设实体所在图像区域的图像特征，并获取预设实体的标准图像特征，计算图像特征和标准图像特征的欧式距离，当欧式距离小于预设阈值时，则确定场景图像中包含预设实体。
示例二：
在本示例中，预先根据大量样本数据基于深度学习技术训练检测网络，从而，将场景图像输入该训练好的检测网络，根据该检测网络的输出确定是否包含预设实体。
示例三：
在本示例中，根据图像处理技术得到场景图像的轮廓特征，计算该轮廓特征与预设实体的标准轮廓特征的欧式距离，若是该欧式距离小于等于预设距离，则确定该场景图像中包含预设实体。
步骤102，在包含预设实体时，确定预设实体的危险系数。
在本实施例中，可能并非是所有的预设实体都会导致危险，比如，当预设实体为狗时，并非所有狗的品种都具有危险性，只有大型犬等才具有危险性，因此，在本实施例中，识别预设实体的危险系数，若是危险系数较高，则认为该预设实体相对危险。
步骤103，在危险系数大于等于预设阈值时，从场景图像中提取与预设实体相关的图像特征，并在图像特征满足预设的报警条件时进行报警处理。
容易理解的是，即使包含预设实体也不意味着该预设实体存在危险，比如，场景图像中仅仅包含一条小奶狗，则显然该预设实体不具有危险性，当然，即使预设实体的危险系数大于预设阈值，也并不一定意味着该预设实体具有危险性，比如，对于大型犬来说，若是该大型犬被拴住了狗绳，则不认为其具有危险性，因此，还需要进一步判断预设实体，是否满足预设报警件。
在本实施例中，提取与预设实体相关的图像特征，比如提取场景图像中与预设实体所在区域具有重叠区域的实体的对应的图像特征等，在一些可能的示例中，可以基于预先训练得到的卷积模型提取该图像特征。
在本实施例中，若是满足预设报警条件，则发送针对预设实体的报警信息，以便于及时避免危险的发生。
需要说明的是，在不同的应用场景中，发送针对目标预设实体的报警消息的方式不同，示例如下：
示例一：
在本示例中，如图2所示，发送针对所述目标预设实体的报警消息，包括：
步骤201，获取预设实体的位置信息。
在本实施例中，可以根据采集视频流的摄像头的登记位置，或者根据图像中位置特征信息(比如街道号等)的识别，获取预设实体的位置信息。
步骤202，生成包含位置信息和预设实体的报警消息。
在本实施中，为了便于直观的公布预设实体所在的位置，生成包含位置信息和预设实体的报警消息，比如生成的报警消息为“人民街有一个未拴狗绳的藏獒，请注意”。
步骤203，通过预设的通信方式发送报警信息。
其中，预设的通信方式可以包括但不限于短信、电话、公众号等。
在一些可能的实施例中，可以根据用户的终端设备的携带设备标识的历史行走轨迹，确定用户在当前时刻是否可能经过该位置信息，若是用户可能经过该位置信息，则获取经过该位置信息的用户终端设备的设备标识，将该设备标识发送至云服务器，获取云服务器中存储的与该设备标识信息对应的用户联系信息(比如电话号码等)，根据该联系信息向用户发送所述报警信息。
示例二：
在本示例中，获取预设实体的位置信息，该位置信息的获取方式可以参照上述实施例，在此不再赘述。
在本实施例中，将位置信息发送至云服务器，云服务器查询预先存储的与该位置信息对应的管理平台联系方式，从而，向对应的管理平台发送对应的报警消息，该报警消息中包含预设实体以及对应的位置信息。
综上，本发明实施例的目标图像识别方法，获取场景区域的场景图像，并通过预设的检测网络检测场景图像中是否包含预设实体，在包含预设实体时，确定预设实体的危险系数，进而，在危险系数大于等于预设阈值时，从场景图像中提取与预设实体相关的图像特征，并在图像特征满足预设的报警条件时进行报警处理。由此，实现了一种识别出危险实体并报警的方式，实现了对危险实体管理的智能化和高效率，节约了有关管理的人力投入。
在实际执行过程中，若是确定场景图像中是否包含预设实体的方式，为上述实施例所提到的预先根据包含大量样本图像的样本图像集训练得到检测网络，从而，将场景图像输入预先训练的检测网络，以根据检测网络的输出识别是否包含预设实体。
在本示例中，为了保证输出结果的准确性，在本实施例中，输入图像首先经过预处理，比如，将场景图像处理为固定尺寸(该固定尺寸与样本图像的尺寸一致)后，获取训练检测网络的样本图像集中所有样本图像的RGB均值和RGB均值方差，根据预设的公式对每帧图像每个像素点在每个颜色通道的像素值、RGB均值和RGB均值方差计算，将计算结果更新每个像素点的像素值。
其中，在一些可能的示例中，预设的公式为：将每个像素点的像素值除以255后，对应的颜色通道的像素值减去对应颜色通道的RGB均值后，并除以对应的颜色通道的RGB均值方差，进一步的，将更新像素值后的每帧图像，输入预先训练的检测网络。
举例而言，当场景图像A中像素点1包含的RGB颜色通道的像素值为(a,b,c)，且RGB均值为(0.485，0.456，0.406)，RGB均值方差为(0.229，0.224，0.225)，则图像A中像素点1调整后的像素值为
综上，本发明实施例的目标图像识别方法，可以在对场景图像处理之前，对图像预处理，进一步提高了输入到检测网络的图片的纯净度，提高了预设实体识别的准确度。
在不同的社会管理场景中，对应的报警处理方式不同，下面结合具体的示例说明：
示例一：
在本示例中，预设实体为宠物，比如是狗等。
在本示例中，识别宠物对应的品种类型，比如，可以根据样本数据训练得深度学习模型，如图3所示，将场景图像输入到对应的深度学习模型，根据该模型的输出确定该宠物的品种类型，品种类型包括宠物的大小类型，所属的工种(工作宠物、流浪宠物)等。
进一步的，根据预设设置的包含品种类型与危险系数的对应关系，确定与宠物对应危险系数。
在本实施例中，若是该危险系数大于预设阈值，则提取与该宠物对应的图像特征，在根据所述图像特征确定不存在与所述宠物对应的安全管理设备时，比如不存在狗绳、狗笼子等，生成与所述宠物对应的报警信息，并通过预设的通信方式发送报警信息，其中，报警信息的发送方式可以参照上述实施例，在此不再赘述。在本实施例中，该预设的通信方式发送的对象可以根据用户的注册信息确定，以将报警信息发送给预先在有关平台注册过的用户所在的终端等。
举例而言，参照图4，当宠物为狗时，将场景图片输入到检测网络，判断该场景图片中是否包含狗，若是没有狗，则不进行报警操作，若包含狗，则根据经验值确定该狗的危险系数，对危险系数大于预设阈值的狗，判断该够有无拴狗绳，若是没有狗绳，则给出报警信息，并根据预设的通信方式发送该报警信息，如有狗绳，则不进行报警操作。
示例二：
在本示例中，预设实体为路障，比如，井盖、三角标识等。
在本实施例中，可以根据场景图像对应的摄像头采集时的时间标识获取该采集时间。
应当理解的是，当预设实体出现在不同的时间段，则其可能对应的危险程度是不同的，比如，对于路障来讲，如其出现在凌晨3点，显然与其出现在早上8点的危险程度是不同的，因此，计算采集时间与预设的报警时间点的时间差，比如，采集时间为3点，预设的报警时间为8点，则时间差为-5，当然，若是报警时间点为多个，比如，报警时间点为8点和10点，则计算采集时间与每个报警时间点的差值。
在本实施例中，在预设的数据库中，存储与每个报警时间点对应的时间差所属范围所对应的危险系数，参照下表1，由此，可以通过查询预设数据库，确定与时间差对应的危险系数，当存在多个报警时间点时，则存在多个危险系数，将最危险的危险系数作为本实施例中的预设实体对应的最终的危险系数。
表1
进一步的，在危险系数大于预设阈值时，根据图像特征确定位置信息不属于预设的位置信息时，比如井盖不属于原有的位置，比如路障没有放在路边，则生成与路障对应的报警信息，进而，通过预设的通信方式发送报警信息，其中，报警信息的发送方式可以参照上述实施例，在此不再赘述。在本实施例中，该预设的通信方式发送的对象可以根据用户的注册信息确定，以将报警信息发送给预先在有关平台注册过的用户所在的终端等。
综上，本发明实施例的目标图像识别方法，可作为结合智慧城市系统的建设，成为其中的一部分。由于目前城市中犬类管理系统尚未建立，同时所用技术具有较强的鲁棒性，能有效支持后续的智慧城市建设。
为了实现上述实施例，本申请还提出了一种目标图像识别装置。图5是根据本发明一个实施例的目标图像识别装置的结构示意图，如图5所示，该目标图像识别装置包括：检测模块510、确定模块520、提取模块530和报警模块540，其中，
检测模块510，用于获取场景区域的场景图像，并通过预设的检测网络检测所述场景图像中是否包含预设实体；
确定模块520，用于在包含所述预设实体时，确定所述预设实体的危险系数；
提取模块530，用于在所述危险系数大于等于预设阈值时，从所述场景图像中提取与所述预设实体相关的图像特征；
报警模块540，用于在所述图像特征满足预设的报警条件时进行报警处理。
在本发明的一个实施例中，参照图6，该装置包括：检测模块610、确定模块620、提取模块630、报警模块640、获取模块650、计算模块660，其中，检测模块610、确定模块620、提取模块630、报警模块640与图5中的检测模块510、确定模块520、提取模块530和报警模块540功能相同，在此不再赘述，其中，
获取模块650，用于获取训练所述检测网络的样本图像集中所有样本图像的RGB均值和RGB均值方差；
计算模块660，用于根据预设的公式对所述每帧图像每个像素点在每个颜色通道的像素值、所述RGB均值和所述RGB均值方差计算，根据计算结果更新所述每个像素点的像素值。
在本发明的一个实施例中，当所述预设实体为宠物时，所述确定模块520，具体用于：
识别所述宠物对应的品种类型；
查询预设对应关系确定与所述宠物对应危险系数。
在本实施例中，所述报警模块540，具体用于：
在根据所述图像特征确定不存在与所述宠物对应的安全管理设备时，生成与所述宠物对应的报警信息；
通过预设的通信方式发送所述报警信息。
在本发明的一个实施例中，
当所述预设实体为路障时，所述确定模块520，具体用于：
识别所述预设实体对应的场景图像的采集时间；
计算所述采集时间与预设报警时间点的时间差值；
查询预设数据库，以确定与所述时间差值对应的所述危险系数。
在本实施例中，报警模块540，具体用于：
在根据所述图像特征确定的位置信息不属于预设的位置信息时，生成与所述路障对应的报警信息；
通过预设的通信方式发送所述报警信息。
需要说明的是，前述对目标图像识别方法实施例的解释说明，也适用于前述对目标图像识别装置实施例的解释说明，其实现原理类似，在此不再赘述。
根据本申请的实施例，本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图6示出了可以用来实施本申请的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如目标图像识别方法。例如，在一些实施例中，目标图像识别方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的目标图像识别方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行目标图像识别方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
服务器也可以为分布式系统的服务器，或者是，结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
Claims (15)
1.一种目标图像识别方法，包括：
获取场景区域的场景图像，并通过预设的检测网络检测所述场景图像中是否包含预设实体；
在包含所述预设实体时，确定所述预设实体的危险系数；
在所述危险系数大于等于预设阈值时，从所述场景图像中提取与所述预设实体相关的图像特征，并在所述图像特征满足预设的报警条件时进行报警处理。
2.如权利要求1所述的方法，其中，在所述并通过预设的检测网络检测所述场景图像中是否包含预设实体之前，包括：
获取训练所述检测网络的样本图像集中所有样本图像的RGB均值和RGB均值方差；
根据预设的公式对所述每帧图像每个像素点在每个颜色通道的像素值、所述RGB均值和所述RGB均值方差计算，根据计算结果更新所述每个像素点的像素值。
3.如权利要求1所述的方法，其中，当所述预设实体为宠物时，所述确定所述预设实体的危险系数，包括：
识别所述宠物对应的品种类型；
查询预设对应关系确定与所述宠物对应危险系数。
4.如权利要求3所述的方法，其中，在所述图像特征满足预设的报警条件时进行报警处理，包括：
在根据所述图像特征确定不存在与所述宠物对应的安全管理设备时，生成与所述宠物对应的报警信息；
通过预设的通信方式发送所述报警信息。
5.如权利要求1所述的方法，其中，当所述预设实体为路障时，所述确定所述预设实体的危险系数，包括：
识别所述预设实体对应的场景图像的采集时间；
计算所述采集时间与预设报警时间点的时间差值；
查询预设数据库，以确定与所述时间差值对应的所述危险系数。
6.如权利要求5所述的方法，其中，所述在所述图像特征满足预设的报警条件时进行报警处理，包括：
在根据所述图像特征确定的位置信息不属于预设的位置信息时，生成与所述路障对应的报警信息；
通过预设的通信方式发送所述报警信息。
7.一种目标图像识别装置，包括：
检测模块，用于获取场景区域的场景图像，并通过预设的检测网络检测所述场景图像中是否包含预设实体；
确定模块，用于在包含所述预设实体时，确定所述预设实体的危险系数；
提取模块，用于在所述危险系数大于等于预设阈值时，从所述场景图像中提取与所述预设实体相关的图像特征；
报警模块，用于在所述图像特征满足预设的报警条件时进行报警处理。
8.如权利要求7所述的装置，还包括：
获取模块，用于获取训练所述检测网络的样本图像集中所有样本图像的RGB均值和RGB均值方差；
计算模块，用于根据预设的公式对所述每帧图像每个像素点在每个颜色通道的像素值、所述RGB均值和所述RGB均值方差计算，根据计算结果更新所述每个像素点的像素值。
9.如权利要求7所述的装置，其中，当所述预设实体为宠物时，所述确定模块，具体用于：
识别所述宠物对应的品种类型；
查询预设对应关系确定与所述宠物对应危险系数。
10.如权利要求9所述的装置，其中，所述报警模块，具体用于：
在根据所述图像特征确定不存在与所述宠物对应的安全管理设备时，生成与所述宠物对应的报警信息；
通过预设的通信方式发送所述报警信息。
11.如权利要求7所述的装置，其中，当所述预设实体为路障时，所述确定模块，具体用于：
识别所述预设实体对应的场景图像的采集时间；
计算所述采集时间与预设报警时间点的时间差值；
查询预设数据库，以确定与所述时间差值对应的所述危险系数。
12.如权利要求11所述的装置，其中，所述报警模块，具体用于：
在根据所述图像特征确定的位置信息不属于预设的位置信息时，生成与所述路障对应的报警信息；
通过预设的通信方式发送所述报警信息。
13.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的目标图像识别方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的目标图像识别方法。
15.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的目标图像识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110133370.2A CN112784797A (zh) | 2021-01-29 | 2021-01-29 | 目标图像识别方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110133370.2A CN112784797A (zh) | 2021-01-29 | 2021-01-29 | 目标图像识别方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112784797A true CN112784797A (zh) | 2021-05-11 |
Family
ID=75760198
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110133370.2A Pending CN112784797A (zh) | 2021-01-29 | 2021-01-29 | 目标图像识别方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112784797A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116912758A (zh) * | 2023-06-16 | 2023-10-20 | 北京安信创业信息科技发展有限公司 | 一种用于安全隐患监测的目标图像识别方法和装置 |
| WO2023245833A1 (zh) * | 2022-06-22 | 2023-12-28 | 清华大学 | 基于边缘计算的场景监控方法、装置、设备及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007147414A (ja) * | 2005-11-28 | 2007-06-14 | Japan Radio Co Ltd | 船舶用障害物警報装置 |
| CN103353743A (zh) * | 2013-06-21 | 2013-10-16 | 杨文军 | 一种宠物监控系统及控制方法 |
| CN109190485A (zh) * | 2018-07-31 | 2019-01-11 | 李明 | 数据处理方法、装置、计算机设备和存储介质 |
| CN110502982A (zh) * | 2019-07-11 | 2019-11-26 | 平安科技（深圳）有限公司 | 一种检测高速公路中障碍物的方法、装置及计算机设备 |
| CN111105581A (zh) * | 2019-12-20 | 2020-05-05 | 上海寒武纪信息科技有限公司 | 智能预警方法及相关产品 |
| CN111275911A (zh) * | 2020-01-16 | 2020-06-12 | 珠海格力电器股份有限公司 | 一种危险提示方法、设备和计算机可读存储介质 |
| CN112257604A (zh) * | 2020-10-23 | 2021-01-22 | 北京百度网讯科技有限公司 | 图像检测方法、装置、电子设备和存储介质 |
-
2021
- 2021-01-29 CN CN202110133370.2A patent/CN112784797A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007147414A (ja) * | 2005-11-28 | 2007-06-14 | Japan Radio Co Ltd | 船舶用障害物警報装置 |
| CN103353743A (zh) * | 2013-06-21 | 2013-10-16 | 杨文军 | 一种宠物监控系统及控制方法 |
| CN109190485A (zh) * | 2018-07-31 | 2019-01-11 | 李明 | 数据处理方法、装置、计算机设备和存储介质 |
| CN110502982A (zh) * | 2019-07-11 | 2019-11-26 | 平安科技（深圳）有限公司 | 一种检测高速公路中障碍物的方法、装置及计算机设备 |
| CN111105581A (zh) * | 2019-12-20 | 2020-05-05 | 上海寒武纪信息科技有限公司 | 智能预警方法及相关产品 |
| CN111275911A (zh) * | 2020-01-16 | 2020-06-12 | 珠海格力电器股份有限公司 | 一种危险提示方法、设备和计算机可读存储介质 |
| CN112257604A (zh) * | 2020-10-23 | 2021-01-22 | 北京百度网讯科技有限公司 | 图像检测方法、装置、电子设备和存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023245833A1 (zh) * | 2022-06-22 | 2023-12-28 | 清华大学 | 基于边缘计算的场景监控方法、装置、设备及存储介质 |
| CN116912758A (zh) * | 2023-06-16 | 2023-10-20 | 北京安信创业信息科技发展有限公司 | 一种用于安全隐患监测的目标图像识别方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113205037B (zh) | 事件检测的方法、装置、电子设备以及可读存储介质 | |
| CN112784797A (zh) | 目标图像识别方法和装置 | |
| CN112863187B (zh) | 感知模型的检测方法、电子设备、路侧设备和云控平台 | |
| CN113299073B (zh) | 识别车辆违章停车的方法、装置、设备和存储介质 | |
| CN113326773A (zh) | 识别模型训练方法、识别方法、装置、设备及存储介质 | |
| CN110602446A (zh) | 垃圾回收提醒方法、系统及存储介质 | |
| US20220309763A1 (en) | Method for identifying traffic light, device, cloud control platform and vehicle-road coordination system | |
| CN115908816A (zh) | 基于人工智能的积水识别方法、装置、设备及存储介质 | |
| CN114708498A (zh) | 图像处理方法、装置、电子设备以及存储介质 | |
| CN113807209A (zh) | 车位检测方法、装置、电子设备及存储介质 | |
| CN114064745A (zh) | 一种确定交通提示距离的方法、装置及电子设备 | |
| CN113780178A (zh) | 道路检测方法、装置、电子设备和存储介质 | |
| CN113989300A (zh) | 车道线分割的方法、装置、电子设备和存储介质 | |
| CN113344064A (zh) | 事件处理方法和装置 | |
| CN114005095A (zh) | 车辆属性识别方法、装置、电子设备和介质 | |
| CN114333345B (zh) | 停车位被遮挡时的预警方法、设备、存储介质及程序产品 | |
| CN113806361B (zh) | 电子监控设备与道路的关联方法、装置及存储介质 | |
| CN112700657B (zh) | 用于生成检测信息的方法、装置、路侧设备和云控平台 | |
| CN117615363B (zh) | 基于信令数据分析目标车辆内人员的方法、装置、设备 | |
| CN113052048A (zh) | 交通事件检测方法、装置、路侧设备以及云控平台 | |
| CN113869318A (zh) | 车牌识别方法、装置、电子设备和存储介质 | |
| CN116363400A (zh) | 一种车辆匹配方法、装置、电子设备和存储介质 | |
| CN117612054A (zh) | 监控视频处理方法、处理装置、电子设备及存储介质 | |
| CN114627423A (zh) | 对象检测和模型训练方法、装置、设备及存储介质 | |
| CN113936258A (zh) | 图像处理方法、装置、电子设备和存储介质 |
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 |