CN112883866A - 一种区域入侵实时检测方法、系统及存储介质 - Google Patents
一种区域入侵实时检测方法、系统及存储介质 Download PDFInfo
- Publication number
- CN112883866A CN112883866A CN202110180376.5A CN202110180376A CN112883866A CN 112883866 A CN112883866 A CN 112883866A CN 202110180376 A CN202110180376 A CN 202110180376A CN 112883866 A CN112883866 A CN 112883866A
- Authority
- CN
- China
- Prior art keywords
- target
- intrusion
- target detection
- monitoring
- targets
- 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 29
- 230000009545 invasion Effects 0.000 title description 2
- 238000001514 detection method Methods 0.000 claims abstract description 100
- 238000012544 monitoring process Methods 0.000 claims abstract description 78
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000011897 real-time detection Methods 0.000 claims description 7
- 238000012806 monitoring device Methods 0.000 description 9
- 230000006399 behavior Effects 0.000 description 5
- 230000002349 favourable effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000005034 decoration Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明提供了一种区域入侵实时检测方法、系统及存储介质，其方法包括步骤：接收监控设备拍摄的监控画面并进行显示；在显示界面中绘制若干区域作为目标检测区域；对所述监控画面的帧图像进行目标检测，并分别对检测出的各个目标绘制边界矩形框；实时跟踪检测出的所述目标，并对出现在任一所述目标检测区域内的所述目标，计算所述目标的边界矩形框与该目标检测区域的重叠面积；当所述重叠面积达到预设阈值时，进行入侵告警。该方案能够适用于单目标或多目标，且能够避免目标间相互影响，有利于提高入侵判断精度，避免出现入侵反应不及时或入侵误判的情况。
Description
技术领域
本发明涉及入侵检测技术领域，尤指一种区域入侵实时检测方法、系统及存储介质。
背景技术
智能监控是嵌入式视频服务器中，集成了智能行为识别算法，能够对画面场景中的行人或车辆的行为进行识别、判断，并在适当的条件下，产生报警提示用户。视频监控是通过获取监控目标的视频图像信息，对视频图像进行监视、记录、回溯，并根据视频图像信息人工或自动地做出相应的动作，以达到对监控目标的监视、控制、安全防范和智能管理，已被广泛应用于消防、林业、堤坝、机场、铁路、港口、城市交通等众多公众场合，且随着技术的进步和成本的降低将逐渐普及到家庭安全防范和娱乐应用中。
现有的智能监控通常是跟踪目标检测区域内的目标的运动轨迹，并通过运动轨迹判断是否存在入侵行为。但是，现有的监控系统存在多目标跟踪难度大、目标间容易相互影响、真实场景复杂难以准确判别目标入侵行为等缺点，导致入侵检测的精准度低、误判率高。因此，需要一种能够适用于单目标或多目标，避免目标间相互影响，能够准确判断入侵行为的入侵检测方法。
发明内容
本发明的目的是提供一种区域入侵实时检测方法、系统及存储介质，该方案能够适用于单目标或多目标，且能够避免目标间相互影响，有利于提高入侵判断精度，避免出现入侵反应不及时或入侵误判的情况。
本发明提供的技术方案如下：
本发明提供一种区域入侵实时检测方法，包括步骤：
接收监控设备拍摄的监控画面并进行显示；
在显示界面中绘制若干区域作为目标检测区域；
对所述监控画面的帧图像进行目标检测，并分别对检测出的各个目标绘制边界矩形框；
实时跟踪检测出的所述目标，并对出现在任一所述目标检测区域内的所述目标，计算所述目标的边界矩形框与该目标检测区域的重叠面积；
当所述重叠面积达到预设阈值时，进行入侵告警。
通过接收监控设备拍摄的监控画面并进行显示，并在显示界面中绘制若干区域作为目标检测区域，同时，获取监控画面的帧图像进行目标检测，在检测出一个或多个目标时，分别对各个目标绘制边界矩形框，实时跟踪各个目标，并对出现在任一目标检测区域内的目标，计算目标的边界矩形框与该目标检测区域的重叠面积，当所述重叠面积达到预设阈值时，进行入侵告警。由于本方案是分别对各个目标绘制边界矩形框，并独立计算重叠面积，因此，本方案能够适用于单目标或多目标，且能够避免目标间相互影响，有利于提高入侵判断精度，避免出现入侵反应不及时或入侵误判的情况。
具体的，在实际应用中，在安装视频监控设备的监控摄像头时，最好采用俯视安装，避免目标被背景遮挡或目标与背景分离的情况。在绘制目标检测区域时，按照实际场景等比例绘制一个或多个多边形作为目标检测区域，方便进行重叠面积，当然，也可以绘制圆形、椭圆形、不规则形等其它形状作为目标检测区域。
进一步地，所述的对所述监控画面的帧图像进行目标检测之前，还包括：
预设置信度，置信度的范围在0到1之间，具体根据检测精度进行调整；
所述的当所述重叠面积达到预设阈值时，进行入侵告警，具体包括：
当S重/S总>(1-d)时，进行入侵告警，其中，S重为所述重叠面积，S总为所述目标的边界矩形框的总面积，d为预设的所述置信度。
进一步地，所述的对所述监控画面的帧图像进行目标检测，并分别对检测出的各个目标绘制边界矩形框，具体包括：
获取所述监控画面的当前帧图像；
通过Yolov5算法对当前帧图像进行目标检测，并通过预设特征模型对检测出的各个目标绘制Bounding Box矩形框。
具体的，在进行目标检测时，采用一帧一帧进行图像检测，并通过Yolov5 算法对当前帧图像进行目标检测，能够提高目标检测的精度，同时，可以通过机器学习提前训练的预设特征模型检测中图像中的目标，并对检测出的各个目标绘制Bounding Box矩形框，以便于计算重叠面积。
进一步地，所述的计算所述目标的边界矩形框与该目标检测区域的重叠面积之后，还包括：
当所述重叠面积小于预设阈值时，继续获取所述监控画面的下一帧图像进行目标检测。
进一步地，所述的实时跟踪检测出的所述目标，具体包括：
通过Deep SORT算法分别对检测出的各个所述目标进行实时跟踪，能够提高跟踪的精度。
进一步地，所述的当所述重叠面积达到预设阈值时，进行入侵告警之后，还包括：
存储当前帧图像，并生成告警日志，以便于根据用户的查询指令从日志存储服务器中读取存储的告警信息，以及入侵片段回放。
另外，本发明还提供一种区域入侵实时检测系统，包括：
监控设备，用于拍摄监控画面；
计算终端，与所述监控设备连接，用于接收所述监控设备发送的监控画面并进行显示；
其中，所述计算终端包括：
输入模块，用于在显示界面中绘制若干区域作为目标检测区域；
检测模块，用于对所述监控画面的帧图像进行目标检测，并分别对检测出的各个目标绘制边界矩形框；
跟踪模块，用于实时跟踪检测出的所述目标；
计算模块，用于在所述目标出现在任一所述目标检测区域内时，计算所述目标的边界矩形框与该目标检测区域的重叠面积；
告警模块，用于在所述重叠面积达到预设阈值时，进行入侵告警。
通过接收监控设备拍摄的监控画面并进行显示，并在显示界面中绘制若干区域作为目标检测区域，同时，获取监控画面的帧图像进行目标检测，在检测出一个或多个目标时，分别对各个目标绘制边界矩形框，实时跟踪各个目标，并对出现在任一目标检测区域内的目标，计算目标的边界矩形框与该目标检测区域的重叠面积，当所述重叠面积达到预设阈值时，进行入侵告警。由于本方案是分别对各个目标绘制边界矩形框，并独立计算重叠面积，因此，本方案能够适用于单目标或多目标，且能够避免目标间相互影响，有利于提高入侵判断精度，避免出现入侵反应不及时或入侵误判的情况。
具体的，在本实施例中，计算终端为基于计算机的客户端系统，以便于图像显示及操作。
进一步地，所述计算终端还包括：
设置模块，与所述监控设备连接，用于设置所述监控设备的监控参数；
告警日志模块，与所述告警模块连接，用于存储当前帧图像，并生成告警日志；
录像回放模块，用于进行监控画面的回放。
进一步地，所述告警模块在S重/S总>(1-d)时，进行入侵告警，其中，S 重为所述重叠面积，S总为所述目标的边界矩形框的总面积，d为预设置信度。
另外，本发明还提供一种存储介质，存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现上述区域入侵实时检测方法所执行的操作。
根据本发明提供的一种区域入侵实时检测方法、系统及存储介质，通过接收监控设备拍摄的监控画面并进行显示，并在显示界面中绘制若干区域作为目标检测区域，同时，获取监控画面的帧图像进行目标检测，在检测出一个或多个目标时，分别对各个目标绘制边界矩形框，实时跟踪各个目标，并对出现在任一目标检测区域内的目标，计算目标的边界矩形框与该目标检测区域的重叠面积，当所述重叠面积达到预设阈值时，进行入侵告警。由于本方案是分别对各个目标绘制边界矩形框，并独立计算重叠面积，因此，本方案能够适用于单目标或多目标，且能够避免目标间相互影响，有利于提高入侵判断精度，避免出现入侵反应不及时或入侵误判的情况。
附图说明
下面将以明确易懂的方式，结合附图说明优选实施方式，对本方案的上述特性、技术特征、优点及其实现方式予以进一步说明。
图1是本发明实施例的整体流程示意图；
图2是本发明实施例的边界矩形框示意图；
图3是本发明另一个实施例的流程示意图；
图4是本发明实施例的系统结构示意图。
图中标号：1-监控设备；2-计算终端；21-输入模块；22-检测模块；23- 跟踪模块；24-计算模块；25-告警模块；26-设置模块；27-告警日志模块； 28-录像回放模块。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。
为使图面简洁，各图中只示意性地表示出了与本发明相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。
实施例1
本发明的一个实施例，如图1所示，本发明提供一种区域入侵实时检测方法，包括步骤：
S1、接收监控设备拍摄的监控画面并进行显示。
具体的，在实际应用中，在安装视频监控设备的监控摄像头时，最好采用俯视安装，避免目标被背景遮挡或目标与背景分离的情况。
S2、在显示界面中绘制若干区域作为目标检测区域。
在绘制目标检测区域时，按照实际场景等比例绘制一个或多个多边形作为目标检测区域，方便进行重叠面积，当然，也可以绘制圆形、椭圆形、不规则形等其它形状作为目标检测区域。
S3、对监控画面的帧图像进行目标检测，并分别对检测出的各个目标绘制边界矩形框。
优选的，对监控画面的帧图像进行目标检测，并分别对检测出的各个目标绘制边界矩形框，具体包括：
S31、获取监控画面的当前帧图像。
S32、通过Yolov5算法对当前帧图像进行目标检测，并通过预设特征模型对检测出的各个目标绘制Bounding Box矩形框。
具体的，本实施例中，在进行目标检测时，采用一帧一帧进行图像检测，并通过Yolov5算法对当前帧图像进行目标检测，能够提高目标检测的精度，同时，可以通过机器学习提前训练的预设特征模型检测中图像中的目标，并对检测出的各个目标绘制BoundingBox矩形框，以便于计算重叠面积。在其它实施例中，还可以选用其它具有类似功能的目标检测算法及模型。
S4、实时跟踪检测出的目标，并对出现在任一目标检测区域内的目标，计算目标的边界矩形框与该目标检测区域的重叠面积。
优选的，实时跟踪检测出的目标，具体包括：通过Deep SORT算法分别对检测出的各个目标进行实时跟踪。
在本实施例中，通过Deep SORT算法进行目标跟踪，能够提高跟踪的精度，在其它实施例中，还可以采用其它类似算法。
S5、当重叠面积达到预设阈值时，进行入侵告警。
通过接收监控设备拍摄的监控画面并进行显示，并在显示界面中绘制若干区域作为目标检测区域，同时，获取监控画面的帧图像进行目标检测，在检测出一个或多个目标时，分别对各个目标绘制边界矩形框，实时跟踪各个目标，并对出现在任一目标检测区域内的目标，计算目标的边界矩形框与该目标检测区域的重叠面积，当重叠面积达到预设阈值时，进行入侵告警。由于本方案是分别对各个目标绘制边界矩形框，并独立计算重叠面积，因此，本方案能够适用于单目标或多目标，且能够避免目标间相互影响，有利于提高入侵判断精度，避免出现入侵反应不及时或入侵误判的情况。
具体的，如图2所示，在本实施例中，绘制的目标检测区域为一六边形，通过对检测出的目标绘制边界矩形框，能够在目标出现在目标检测区域内时，计算目标的边界矩形框与该目标检测区域的重叠面积，从而能够根据计算结果判断是否达成入侵条件。
实施例2
本发明的一个实施例，如图3所示，在实施例1的基础上，对监控画面的帧图像进行目标检测之前，还包括：预设置信度。具体的，置信度的范围在0到1之间，具体根据检测精度进行调整。
当重叠面积达到预设阈值时，进行入侵告警，具体包括：当S重/S总>(1-d) 时，进行入侵告警，其中，S重为重叠面积，S总为目标的边界矩形框的总面积， d为预设的置信度。通过该公式，能够根据目标的实际情况进行计算，使入侵判断更合理。
优选的，计算目标的边界矩形框与该目标检测区域的重叠面积之后，还包括：当重叠面积小于预设阈值时，继续获取监控画面的下一帧图像进行目标检测，使得入侵判断能够持续进行，直至检测出入侵或监控结束。
优选的，当重叠面积达到预设阈值时，进行入侵告警之后，还包括：
存储当前帧图像，并生成告警日志，以便于根据用户的查询指令从日志存储服务器中读取存储的告警信息，以及入侵片段回放。
实施例3
本发明的一个实施例，如图4所示，本发明还提供一种区域入侵实时检测系统，包括监控设备1和计算终端2。在本实施例中，计算终端2为基于计算机的客户端系统，方便进行画面显示和操作控制，在其它实施例中，还可以选用其它类似终端。
监控设备1用于拍摄监控画面；计算终端2与监控设备1连接，用于接收监控设备1发送的监控画面并进行显示。
其中，计算终端2包括输入模块21、检测模块22、跟踪模块23、计算模块24和告警模块25。
输入模块21用于在显示界面中绘制若干区域作为目标检测区域；检测模块22用于对监控画面的帧图像进行目标检测，并分别对检测出的各个目标绘制边界矩形框。
跟踪模块23用于实时跟踪检测出的目标；计算模块24用于在目标出现在任一目标检测区域内时，计算目标的边界矩形框与该目标检测区域的重叠面积；告警模块25用于在重叠面积达到预设阈值时，进行入侵告警。
通过接收监控设备1拍摄的监控画面并进行显示，并在显示界面中绘制若干区域作为目标检测区域，同时，获取监控画面的帧图像进行目标检测，在检测出一个或多个目标时，分别对各个目标绘制边界矩形框，实时跟踪各个目标，并对出现在任一目标检测区域内的目标，计算目标的边界矩形框与该目标检测区域的重叠面积，当重叠面积达到预设阈值时，进行入侵告警。由于本方案是分别对各个目标绘制边界矩形框，并独立计算重叠面积，因此，本方案能够适用于单目标或多目标，且能够避免目标间相互影响，有利于提高入侵判断精度，避免出现入侵反应不及时或入侵误判的情况。
具体的，本实施例中，在进行目标检测时，采用一帧一帧进行图像检测，并通过Yolov5算法对当前帧图像进行目标检测，能够提高目标检测的精度，同时，可以通过机器学习提前训练的预设特征模型检测中图像中的目标，并对检测出的各个目标绘制BoundingBox矩形框，以便于计算重叠面积。在其它实施例中，还可以选用其它具有类似功能的目标检测算法及模型。
另外，在进行目标跟踪时，通过Deep SORT算法进行目标跟踪，能够提高跟踪的精度，在其它实施例中，还可以采用其它类似算法。
实施例4
本发明的一个实施例，如图4所示，在实施例3的基础上，计算终端2 还包括设置模块26、告警日志模块27和录像回放模块28。
设置模块26与监控设备1连接，用于设置监控设备1的监控参数，客户端系统通过通信协议与目标检测系统进行数据交互，用户能通过客户端系统对监控设备的各种参数进行设置及查看。
告警日志模块27与告警模块25连接，用于存储当前帧图像，并生成告警日志，录像回放模块28用于进行监控画面的回放，以便于根据用户的查询指令从日志存储服务器中读取存储的告警信息，以及入侵片段回放。
优选的，告警模块25在S重/S总>(1-d)时，进行入侵告警，其中，S重为重叠面积，S总为目标的边界矩形框的总面积，d为预设置信度。通过该公式，能够根据目标的实际情况进行计算，使入侵判断更合理。若计算的重叠面积小于预设阈值时，则继续获取监控画面的下一帧图像进行目标检测，使得入侵判断能够持续进行，直至检测出入侵或监控结束。
实施例5
另外，本发明还提供一种存储介质，存储介质中存储有至少一条指令，指令由处理器加载并执行以实现实施例1至实施例2任一所述的区域入侵实时检测方法所执行的操作。例如，存储介质可以是只读内存(ROM)、随机存取存储器(RAM)、只读光盘(CD-ROM)、磁带、软盘和光数据存储设备等。它们可以用计算装置可执行的程序代码来实现，从而可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
应当说明的是，上述实施例均可根据需要自由组合。以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种区域入侵实时检测方法，其特征在于，包括步骤：
接收监控设备拍摄的监控画面并进行显示；
在显示界面中绘制若干区域作为目标检测区域；
对所述监控画面的帧图像进行目标检测，并分别对检测出的各个目标绘制边界矩形框；
实时跟踪检测出的所述目标，并对出现在任一所述目标检测区域内的所述目标，计算所述目标的边界矩形框与该目标检测区域的重叠面积；
当所述重叠面积达到预设阈值时，进行入侵告警。
2.根据权利要求1所述的一种区域入侵实时检测方法，其特征在于，所述的对所述监控画面的帧图像进行目标检测之前，还包括：
预设置信度，所述置信度的范围在0到1之间；
所述的当所述重叠面积达到预设阈值时，进行入侵告警，具体包括：
当S重/S总>(1-d)时，进行入侵告警，其中，S重为所述重叠面积，S总为所述目标的边界矩形框的总面积，d为预设的所述置信度。
3.根据权利要求1所述的一种区域入侵实时检测方法，其特征在于，所述的对所述监控画面的帧图像进行目标检测，并分别对检测出的各个目标绘制边界矩形框，具体包括：
获取所述监控画面的当前帧图像；
通过Yolov5算法对当前帧图像进行目标检测，并通过预设特征模型对检测出的各个目标绘制Bounding Box矩形框。
4.根据权利要求1所述的一种区域入侵实时检测方法，其特征在于，所述的计算所述目标的边界矩形框与该目标检测区域的重叠面积之后，还包括：
当所述重叠面积小于预设阈值时，继续获取所述监控画面的下一帧图像进行目标检测。
5.根据权利要求1所述的一种区域入侵实时检测方法，其特征在于，所述的实时跟踪检测出的所述目标，具体包括：
通过Deep SORT算法分别对检测出的各个所述目标进行实时跟踪。
6.根据权利要求1所述的一种区域入侵实时检测方法，其特征在于，所述的当所述重叠面积达到预设阈值时，进行入侵告警之后，还包括：
存储当前帧图像，并生成告警日志。
7.一种区域入侵实时检测系统，其特征在于，包括：
监控设备，用于拍摄监控画面；
计算终端，与所述监控设备连接，用于接收所述监控设备发送的监控画面并进行显示；
其中，所述计算终端包括：
输入模块，用于在显示界面中绘制若干区域作为目标检测区域；
检测模块，用于对所述监控画面的帧图像进行目标检测，并分别对检测出的各个目标绘制边界矩形框；
跟踪模块，用于实时跟踪检测出的所述目标；
计算模块，用于在对出现在任一所述目标检测区域内的所述目标，计算所述目标的边界矩形框与该目标检测区域的重叠面积；
告警模块，用于在所述重叠面积达到预设阈值时，进行入侵告警。
8.根据权利要求7所述的一种区域入侵实时检测系统，其特征在于，所述计算终端还包括：
设置模块，与所述监控设备连接，用于设置所述监控设备的监控参数；
告警日志模块，与所述告警模块连接，用于存储当前帧图像，并生成告警日志；
录像回放模块，用于进行监控画面的回放。
9.根据权利要求7所述的一种区域入侵实时检测系统，其特征在于：所述告警模块在S重/S总>(1-d)时，进行入侵告警，其中，S重为所述重叠面积，S总为所述目标的边界矩形框的总面积，d为预设置信度。
10.一种存储介质，其特征在于：所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现如权利要求1至权利要求6任一项所述的区域入侵实时检测方法所执行的操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110180376.5A CN112883866A (zh) | 2021-02-08 | 2021-02-08 | 一种区域入侵实时检测方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110180376.5A CN112883866A (zh) | 2021-02-08 | 2021-02-08 | 一种区域入侵实时检测方法、系统及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112883866A true CN112883866A (zh) | 2021-06-01 |
Family
ID=76056290
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110180376.5A Pending CN112883866A (zh) | 2021-02-08 | 2021-02-08 | 一种区域入侵实时检测方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112883866A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114973564A (zh) * | 2022-04-28 | 2022-08-30 | 北京机械设备研究所 | 一种无光照条件下的远距离人员入侵检测方法以及装置 |
| WO2023273075A1 (zh) * | 2021-06-30 | 2023-01-05 | 深圳市商汤科技有限公司 | 行为识别方法、装置、计算机设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109068099A (zh) * | 2018-09-05 | 2018-12-21 | 济南大学 | 基于视频监控的虚拟电子围栏监控方法及系统 |
| CN110490146A (zh) * | 2019-08-22 | 2019-11-22 | 北博（厦门）智能科技有限公司 | 基于深度学习的人工智能周界安防方法及服务端 |
| CN111178194A (zh) * | 2019-12-18 | 2020-05-19 | 深圳前海达闼云端智能科技有限公司 | 入侵检测方法、装置和设备 |
| CN111815570A (zh) * | 2020-06-16 | 2020-10-23 | 浙江大华技术股份有限公司 | 区域入侵检测方法及其相关装置 |
| CN112183355A (zh) * | 2020-09-28 | 2021-01-05 | 北京理工大学 | 基于双目视觉和深度学习的出水高度检测系统及其方法 |
-
2021
- 2021-02-08 CN CN202110180376.5A patent/CN112883866A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109068099A (zh) * | 2018-09-05 | 2018-12-21 | 济南大学 | 基于视频监控的虚拟电子围栏监控方法及系统 |
| CN110490146A (zh) * | 2019-08-22 | 2019-11-22 | 北博（厦门）智能科技有限公司 | 基于深度学习的人工智能周界安防方法及服务端 |
| CN111178194A (zh) * | 2019-12-18 | 2020-05-19 | 深圳前海达闼云端智能科技有限公司 | 入侵检测方法、装置和设备 |
| CN111815570A (zh) * | 2020-06-16 | 2020-10-23 | 浙江大华技术股份有限公司 | 区域入侵检测方法及其相关装置 |
| CN112183355A (zh) * | 2020-09-28 | 2021-01-05 | 北京理工大学 | 基于双目视觉和深度学习的出水高度检测系统及其方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023273075A1 (zh) * | 2021-06-30 | 2023-01-05 | 深圳市商汤科技有限公司 | 行为识别方法、装置、计算机设备及存储介质 |
| CN114973564A (zh) * | 2022-04-28 | 2022-08-30 | 北京机械设备研究所 | 一种无光照条件下的远距离人员入侵检测方法以及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113157578B (zh) | 一种基于场景的自动驾驶仿真测试方法及装置 | |
| CN109345829B (zh) | 无人车的监控方法、装置、设备及存储介质 | |
| CN111784857A (zh) | 一种停车位管理方法、装置以及计算机存储介质 | |
| EP1560161B1 (en) | Method and system for searching for events in video surveillance | |
| CN111163285A (zh) | 高空抛坠物监测方法及其系统、计算机可读存储介质 | |
| CN101640788B (zh) | 一种监控控制方法、装置及监控系统 | |
| CN111738240A (zh) | 区域监测方法、装置、设备及存储介质 | |
| CN112883866A (zh) | 一种区域入侵实时检测方法、系统及存储介质 | |
| US20150104067A1 (en) | Method and apparatus for tracking object, and method for selecting tracking feature | |
| CN112464755A (zh) | 一种监控方法及装置、电子设备、存储介质 | |
| CN108830204B (zh) | 面对目标的监控视频中异常检测方法 | |
| CN113869137A (zh) | 事件检测方法、装置、终端设备及存储介质 | |
| CN112288975A (zh) | 一种事件预警的方法和装置 | |
| CN115984320A (zh) | 基于长短期运动预测和有序数据关联的多目标跟踪方法 | |
| CN113869258A (zh) | 交通事件检测方法、装置、电子设备及可读存储介质 | |
| CN109544589A (zh) | 一种视频图像分析方法及其系统 | |
| KR100779858B1 (ko) | 물체인식에 의한 영상감시 제어시스템 및 방법 | |
| CN112926542B (zh) | 一种性别检测方法、装置、电子设备及存储介质 | |
| CN113112814B (zh) | 右转不停车的抓拍方法、抓拍设备及计算机存储介质 | |
| CN114387689A (zh) | 一种控制停车场道闸的方法及相关装置 | |
| CN114863372A (zh) | 一种泊车管理方法、泊车管理装置和计算机可读存储介质 | |
| US20220166939A1 (en) | Information processing apparatus, method, and recording medium | |
| CN114202721A (zh) | 低空飞行器的检测方法 | |
| CN114782883A (zh) | 基于群体智能的异常行为检测方法、装置和设备 | |
| CN110956644B (zh) | 一种运动轨迹确定方法及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210601 |
|
| RJ01 | Rejection of invention patent application after publication |