CN113194298A - 实现非智能相机图像结构化的方法、装置、系统及介质 - Google Patents
实现非智能相机图像结构化的方法、装置、系统及介质 Download PDFInfo
- Publication number
- CN113194298A CN113194298A CN202110494958.0A CN202110494958A CN113194298A CN 113194298 A CN113194298 A CN 113194298A CN 202110494958 A CN202110494958 A CN 202110494958A CN 113194298 A CN113194298 A CN 113194298A
- Authority
- CN
- China
- Prior art keywords
- camera
- image
- intelligent camera
- smart
- intelligent
- 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
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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N17/00—Diagnosis, testing or measuring for television systems or their details
- H04N17/002—Diagnosis, testing or measuring for television systems or their details for television cameras
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/80—Camera processing pipelines; Components thereof
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Studio Devices (AREA)
Abstract
本申请公开了一种实现非智能相机图像结构化的方法,应用于非智能相机,该方法包括:判断当前时刻的智能相机是否处于空闲状态,若是,将拍摄的图像发送至智能相机,使智能相机对接收到的图像进行结构化处理,并提取图像的结构化属性信息;本申请在使用过程中能够通过空闲的智能相机实现对非智能相机获取的图像的结构化处理,无需额外设置服务器,不仅提高了资源利用率,还降低了成本。本申请还公开了一种实现非智能相机图像结构化的方法、装置、系统及计算机可读存储介质,具有上述相同的有益效果。
Description
技术领域
本申请实施例涉及图像处理技术领域,特别是涉及一种实现非智能相机图像结构化的方法、装置、系统及介质。
背景技术
近几年人工智能识别技术发展迅猛,其中的视频结构化和图像结构化等智能识别应用越来越广泛。随着安视频监控产品在生活中的重要性不断提高,安防系统也越来越趋向智能化,安防系统的智能化能够提高视频采集和处理的工作效率和准确性,从而更好的保障人们生活的安全性。目前,安防系统的智能化包括前端系统设备的智能化和后端系统软件的智能化,当前安防系统中的智能相机具有图像结构化的功能,能够提取所抓拍的图像的结构化属性信息,但是对于非智能相机则通常不具备图像结构化的功能,需要借助后端服务器来辅助完成对其抓拍的图像的结构化处理,在该过程中需要对服务器进行调度,不仅会造成一定的资源浪费,还会导致成本增加。
鉴于此,如何在不增加成本的基础上,提供一种实现非智能相机图像结构化的方法、装置、系统及计算机可读存储介质成为本领域技术人员需要解决的问题。
发明内容
本申请实施例的目的是提供一种实现非智能相机图像结构化的方法、装置、系统及计算机可读存储介质,在使用过程中能够实现非智能相机图片的结构化,有利于提高资源利用率、降低整体成本。
为解决上述技术问题,本申请实施例提供了一种实现非智能相机图像结构化的方法,应用于非智能相机,包括:
判断当前时刻的智能相机是否处于空闲状态,若是,
将拍摄的图像发送至所述智能相机,使所述智能相机对接收到的图像进行结构化处理,并提取所述图像的结构化属性信息。
可选的,所述智能相机为多个;
则,所述判断所述智能相机是否处于空闲状态的过程为:
分别判断各所述智能相机是否处于空闲状态,并确定出各空闲的智能相机;
则,所述方法还包括:
从各所述空闲的智能相机中确定出目标智能相机;
则,所述将拍摄的图像发送至所述智能相机,使所述智能相机对接收到的图像进行结构化处理的过程为:
将拍摄的图像发送至所述目标智能相机,使所述目标智能相机对接收到的图像进行结构化处理。
可选的,所述分别判断各所述智能相机是否处于空闲状态的过程为:
监测各智能相机的运行信息,分别根据各个所述运行信息判断对应的智能相机是否处于空闲状态。
可选的,所述分别根据各个所述运行信息判断对应的智能相机是否处于空闲状态的过程为:
根据各所述运行信息分别建立与每个所述智能相机各自对应的多元回归方程模型;
根据每个所述多元回归方程模型分别计算出在所述当前时刻与每个所述智能相机各自对应的实际期望值;
判断所述实际期望值是否小于预设期望值,若是,则对应的智能相机处于空闲状态。
可选的,所述从各所述空闲的智能相机中确定出目标智能相机的过程为:
从各个处于空闲状态的智能相机中选择出,实际期望值最低的智能相机作为目标智能相机。
可选的,所述根据各所述运行信息分别建立与每个所述智能相机各自对应的多元回归方程模型的过程为:
针对每个所述运行信息,依据所述运行信息计算出与所述智能相机对应的各回归参数;
依据所述运行信息、各所述回归参数及所述运行信息分别在当前时刻的权重,建立对应的多元回归方程模型。
可选的,还包括:
采用所述智能相机在当前时刻的多元回归方程模型对下一时刻的期望值进行预测,得到所述智能相机在下一时刻的预测期望值;
将所述当前时刻的预测期望值及实际期望值进行比较;
当所述当前时刻的预测期望值与实际期望值的差值大于预设值时,对每个所述运行信息各自对应的权重进行调整更新,并将调整更新后的权重作为下一时刻对应运行信息的权重。
可选的,所述运行信息包括智能相机算力使用负载、智能相机功耗负载及智能相机流量负载。
本申请实施例还提供了一种实现非智能相机图像结构化的装置,应用于非智能相机,包括:
判断模块,用于判断当前时刻的智能相机是否处于空闲状态,若是,则触发发送模块;
所述发送模块,用于将拍摄的图像发送至所述智能相机,使所述智能相机对接收到的图像进行结构化处理,并抓取所述图像的结构化属性信息。
本申请实施例还提供了一种实现非智能相机图像结构化的方法,应用于智能相机,包括:
接收非智能相机发送的图像;
对所述图像进行结构化处理,并提取所述图像的结构化属性信息。
本申请实施例还提供了一种实现非智能相机图像结构化的装置,应用于智能相机,包括:
接收模块,用于接收非智能相机发送的图像;
处理模块,用于对所述图像进行结构化处理,并抓取所述图像的结构化属性信息。
本申请实施例还提供了一种非智能相机,包括:
第一存储器,用于存储计算机程序;
第一处理器,用于执行所述计算机程序时实现如上述所述实现非智能相机图像结构化的方法的步骤。
本申请实施例还提供了一种智能相机,包括:
第二存储器,用于存储计算机程序;
第二处理器,用于执行所述计算机程序时实现如上述所述实现非智能相机图像结构化的方法的步骤。
本申请实施例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上存储有计算机程序,所述计算机程序被处理器执行时实现如上述所述应用于非智能相机的实现非智能相机图像结构化的方法的步骤;
和/或所述如上述所述应用于智能相机的计算机程序被处理器执行时实现如上述所述实现非智能相机图像结构化的方法的步骤。
本申请实施例提供了一种实现非智能相机图像结构化的方法、装置、系统及计算机可读存储介质,该方法应用于非智能相机包括:判断当前时刻的智能相机是否处于空闲状态,若是,将拍摄的图像发送至所述智能相机,使所述智能相机对接收到的图像进行结构化处理,并提取所述图像的结构化属性信息。
可见,本申请实施例中的非智能相机通过对当前时刻智能相机是否处于空闲状态进行判断,然后在智能相机处于空闲状态时,非智能相机将其拍摄的图像发送至该智能相机,使该智能相机对接收到的图像进行结构化处理,提取该图像的结构化属性信息;本申请通过空闲的智能相机实现对非智能相机获取的图像的结构化处理,无需额外设置服务器,不仅提高了资源利用率,还降低了成本。
本申请还提供了一种实现非智能相机图像结构化的方法、装置、系统及计算机可读存储介质具有上述相同的有益效果。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对现有技术和实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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。
图1为本申请实施例提供的一种实现非智能相机图像结构化的方法的流程示意图;
图2为本申请实施例提供的一种监控系统组网结构图;
图3为本申请实施例提供的一种实现非智能相机图像结构化的装置的结构示意图;
图4为本申请实施例提供的另一种实现非智能相机图像结构化的方法的流程示意图;
图5为本申请实施例提供的另一种实现非智能相机图像结构化的装置的结构示意图。
具体实施方式
本申请实施例提供了一种实现非智能相机图像结构化的方法、装置、系统及计算机可读存储介质,在使用过程中能够实现对非智能相机图片的结构化处理,有利于提高资源利用率、降低整体成本。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
请参照图1,图1为本申请实施例提供的一种实现非智能相机图像结构化的方法的流程示意图。该方法应用于非智能相机,包括:
S110:判断当前时刻的智能相机是否处于空闲状态,若是,则进入S120;
S120:将拍摄的图像发送至智能相机,使智能相机对接收到的图像进行结构化处理,并提取图像的结构化属性信息。
需要说明的是,非智能相机端可以对当前时刻智能相机的状态进行判断,当确定出智能相机处于空闲状态时,非智能相机可以将拍摄的图像发送至智能相机,智能相机在接收到非智能相机发送的图像后,对该图像进行结构化处理提取该图像的结构化属性信息,从而通过当前空闲的智能相机来实现对非智能相机所拍摄的图像的结构化。
进一步的,上述智能相机为多个;
则,上述S110中判断智能相机是否处于空闲状态的过程,具体可以为:
分别判断各智能相机是否处于空闲状态,并确定出各空闲的智能相机;
则,该方法还可以包括:
从各空闲的智能相机中确定出目标智能相机;
则,上述S120中将拍摄的图像发送至智能相机,使智能相机对接收到的图像进行结构化处理的过程,具体可以为:
将拍摄的图像发送至目标智能相机,使目标智能相机对接收到的图像进行结构化处理。
具体的,本申请实施例中的智能相机可以为多个,并且非智能相机通过对每个智能相机的状态进行判断,确定出处于空闲状态的各空闲的智能相机,并从各空闲的智能相机中进一步筛选出用于处理图像的目标智能相机,然后非智能相机将拍摄的图像发送至所确定出的目标智能相机,通过该目标智能相机对图像进行结构化处理。
需要说明的是,在实际应用中非智能相机可以通过交换机与智能相机进行通信,也即,非智能相机可以通过交换机将图像发送至对应的目标智能相机,例如安防系统的组网包括多个智能相机、多个非智能相机和交换机,其中,各非智能相机构成一个组播组A,各智能相机构成一个组播组B,组播组A和组播组B之间通过交换机连接,构成安防系统的组网,如图2所示,其中,左侧两个为非智能相机构成组播组A,右侧三个为智能相机构成组播组B。交换机上提供有与每个非智能相机分别对应的网口,以及提供有与每个智能相机分别对应的网口。更进一步的,上述分别判断各智能相机是否处于空闲状态的过程,具体可以为:
监测各智能相机的运行信息,分别根据各个运行信息判断对应的智能相机是否处于空闲状态。
具体的,非智能相机可以对各个智能相机的运行信息进行监测,根据每个运行信息来进一步判断对应的智能相机是否处于空闲状态,其中,对于安防系统的组网中在线的任一个非智能相机均可通过交换机监测当前时刻每个智能相机各自的运行信息,非智能相机具体可以通过监测交换机上与智能相机对应的网口来获取对应的运行信息,在实际应用中运行信息具体可以包括智能相机算力使用负载、智能相机功耗负载及智能相机流量负载。需要说明的是,本申请实施例中的交换机可由POE供电,并且通过监测交换机网口功率消耗情况,可以进一步得到智能相机功率负载,其中,预先对运行信息进行分类,可以将智能相机算力使用负载确定为类型C,将智能相机功耗负载确定为类型A及将智能相机流量负载确定为类型B,则0~n个智能相机的智能相机功耗负载可以分别为A0、A1、A2、…An,0~n个智能相机的智能相机流量负载分别可以为B0、B1、B2、…Bn,0~n个智能相机的智能相机算力使用负载分别可以为C0、C1、C2、…Cn。
则,智能相机n在t时刻的智能相机功耗负载为Ant=(X-m-P2n)/(N-m)*100%,其中,X为与智能相机n对应的交换机网口功率,m为智能相机n在空载时的功耗,N为智能相机n在满载时的功耗,P2n为智能相机n的线路损耗功率。
其中,由于每个智能相机距离交换机的位置不定,在计算智能相机功率负载时需要通过计算线路损耗功率来提高负载的精确度,线路损耗功率具体计算方法为:
P2=I*I*R,其中,R为网线阻抗(跟线路长度有关系),I为网口满载最大电流,P2为线路损耗功率。
具体的,针对智能相机功耗负载这一运行信息,不同智能相机的算力规格和具体功耗如表1所示:
表1
类型 | 规格(张/秒) | 耗电功耗范围(w) |
A0 | 50 | 5~15 |
A1 | 80 | 8~20 |
A2 | 100 | 10~25 |
A3 | 120 | 10~35 |
An | N' | p~P |
例如,对于智能相机0,其空载时的功耗为5w,其满载时的功耗为15w,如果与该智能相机0对应的交换机网口功率为8w,则t时刻该智能相机0的智能相机功耗负载:A0t=(8-5-P20)/(15-5)*100%,P20为智能相机0的线路损耗功率。
另外,还可以通过监测交换机上与每个智能相机分别对应的网口的进出口流量,来进一步得到每个智能相机流量负载,智能相机n在t时刻的智能相机流量负载为Bnt=Lt%,其中,Lt为t时刻网口Bn的流量。其中,针对智能相机流量负载这一运行信息,各智能相机分别对应的交换机网口的进出口流量情况如表2所示:
表2
类型 | 规格(张/秒) | 满载网口流量范围(Kb) |
B0 | 50 | 0~500 |
B1 | 80 | 0~800 |
B2 | 100 | 0~1000 |
B3 | 120 | 0~1200 |
Bn | L' | l~L” |
另外,智能相机n在t时刻的智能相机算力使用负载Cnt可以根据智能相机n的自身算力使用情况计算得到。
更进一步的,上述分别根据各个运行信息判断对应的智能相机是否处于空闲状态的过程,具体可以为:
根据各运行信息分别建立与每个智能相机各自对应的多元回归方程模型;
根据每个多元回归方程模型分别计算出在当前时刻与每个智能相机各自对应的实际期望值;
判断实际期望值是否小于预设期望值,若是,则对应的智能相机处于空闲状态。
需要说明的是,本申请实施例中可以根据与每个智能相机各自对应的运行信息建立各自的多元回归方程模型,其中,针对每个运行信息,可以依据该运行信息计算出与智能相机对应的各回归参数;然后依据运行信息、各回归参数及运行信息分别在当前时刻的权重,建立对应的多元回归方程模型。
其中,本申请实施例中可以预先为运行信息中的智能相机算力使用负载Cnt、智能相机功耗负载Ant及智能相机流量负载Bnt分别设置对应的权重,其中,智能相机算力使用负载Cnt的权重为X1,智能相机功耗负载Ant的权重为X2及智能相机流量负载Bnt的权重为X3,X1+X2+X3=100%,其中,在t=0时,各权重的默认值为X1>X2>X3,各权重的具体默认数值可以根据实际需要进行确定。
具体的,假定ε概率分布具有零均值,也即E(ε)=0,ε为随机误差项,β0、β1、β2、β3为回归参数,其中,β0、β1、β2、β3通常可以通过最小二乘法来对t时刻的智能相机算力使用负载Cnt、智能相机功耗负载Ant及智能相机流量负载Bnt进行观察估计得到,则在t时刻得到的多元回归方程模型为:
Yn=β0+β1*Ant*X2+β2*Bnt*X3+β3*Cnt*X1+ε;
则可以进一步得到t时刻智能相机的实际期望值:
E(Yn|Ant,Bnt,Cnt)=β0+β1*Ant*X2+β2*Bnt*X3+β3*Cnt*X1
通过上述方法可以得到每个智能相机在t时刻的实际期望值,然后判断实际期望值是否小于预设期望值,若是,则对应的智能相机处于空闲状态。
进一步的,上述从各空闲的智能相机中确定出目标智能相机的过程,具体可以为:
从各个处于空闲状态的智能相机中选择出,实际期望值最低的智能相机作为目标智能相机。
具体的,由于实际期望值小于预设期望值的智能相机可能会存在多个,当存在多个处于空闲状态的智能相机时,需要从这些智能相机中选择出一个目标智能相机用来处理非智能相机发送的图像,本申请实施例中可以将各空闲状态的智能相机的实际期望值进行排序,实际期望值越低说明对应的智能相机越空闲,因此,本申请实施例中可以选择实际期望值最低的智能相机作为目标智能相机。
另外,还需要说明的是,为了避免在t时刻多个非智能相机同时选择同一个智能相机导致该智能相机网络拥堵,还可以获取实际期望值最低的智能相机当前被多少个非智能相机选定,若选定该智能相机的非智能相机数量达到预设数量D,则可以继续获取选定实际期望值次低的智能相机的非智能相机数量,直至选择到符合要求的智能相机作为目标智能相机。
更进一步的,该方法还可以包括:
采用智能相机在当前时刻的多元回归方程模型对下一时刻的期望值进行预测,得到智能相机在下一时刻的预测期望值;
将当前时刻的预测期望值及实际期望值进行比较;
当当前时刻的预测期望值与实际期望值的差值大于预设值时,对每个运行信息各自对应的权重进行调整更新,并将调整更新后的权重作为下一时刻对应运行信息的权重。
还需要说明的是,本申请实施例中为了得到更加准确的实际期望值,可以在每次建立出智能相机的多元回归方程模型及得到实际期望值后,可以根据该多元回归方程模型进一步预测出下一时刻的预测期望值,例如,在t-1时刻计算出某一智能相机的实际期望值后,还需要预测出t时刻的预测期望值,并且在达到t时刻时,再进一步根据t时刻获取到该智能相机的运行信息、建立新的多元回归方程模型,并根据多元回归方程模型计算出t时刻该智能相机的实际期望值,然后将t时刻的实际期望值与t-1时刻预测的预测期望值进行比较,当两者的差值小于等于预设值时,说明两者相近,此时可以使t时刻所采用的各权重保持不变,并用于下一时刻的多元回归方程模型的建立及实际期望值、预测期望值的计算,若两者的差值大于预设值,则需要对运行信息的各权重进行调整更新,然后将调整更新后的各权重用于t+1时刻的多元回归方程模型的建立及实际期望值的计算和预测期望值的计算。具体的,在采用智能相机在当前时刻的多元回归方程模型对t+1时刻的期望值进行预测,得到智能相机在t+1时刻的预测期望值时,例如,对于t时刻智能相机的多元回归方程模型为:
Yn=β0+β1*Ant*X2+β2*Bnt*X3+β3*Cnt*X1+ε,计算得到的实际期望值E(Yn|Ant,Bnt,Cnt)=β0+β1*Ant*X2+β2*Bnt*X3+β3*Cnt*X1
则,预测t+1时刻的预测期望值为:
E1(Yn1|An(t+1),Bn(t+1),Cn(t+1))=β0+β1*An(t+1)*X2+β2*Bn(t+1)*X3+β3*Cn(t+1)*X1
当从t时刻达到t+1时刻时,针对同一个智能相机,获取运行信息An(t+1)’,Bn(t+1)’,Cn(t+1)’,建立当前时刻的多元回归方程模型Yn1’,并计算出实际期望值:
E1’(Yn1’|An(t+1)’,Bn(t+1)’,Cn(t+1)’)=β0’+β1’*An(t+1)’*X2’+β2’*Bn(t+1)’*X3’+β3’*Cn(t+1)’*X1’。
其中,本申请实施例中在当前时刻的预测期望值与实际期望值的差值大于预设值时,对各权重进行调整更新时,具体可以通过以下方法进行更新:
具体可以将β1’*An(t+1)’*X2’与β1*An(t+1)*X2进行比较得到第一差值,将β2’*Bn(t+1)’*X3’与β2*Bn(t+1)*X3进行比较得到第二差值,将β3’*Cn(t+1)’*X1’与β3*Cn(t+1)*X1进行比较,得到第三差值,并且预先设置预设值V1以及两个预设参考值V2和V3,并确定出预设范围0~V1、V1~V2和V2~V3,针对每个差值判断该差值归属的预设范围,若差值在0~V1内,则无需对于对应的权重进行调整更新,若差值在V1~V2内,则可以将对应的权重在当前权重的基础上下降Z%,若差值在V2~V3内,则可以将对应的权重在当前权重的基础上下降Z1%,其中,Z和Z1均为经验值,并且在对权重进行调整的过程中应该保证X1+X2+X3=100%.例如,若第一差值在0~V1内,第二差值在V2~V3内,第三差值也在V2~V3内,则权重X2不需要调整,权重X3需要下调Z%,权重X1也需要下调Z%,并且还保证调整后的各权重之和为100%。
可见,本申请实施例中的非智能相机通过对当前时刻智能相机是否处于空闲状态进行判断,然后在智能相机处于空闲状态时,非智能相机将拍摄的图像发送至该智能相机,使该智能相机对接收到的图像进行结构化处理,提取该图像的结构化属性信息;本申请通过空闲的智能相机实现对非智能相机获取的图像的结构化处理,无需额外设置服务器,不仅提高了资源利用率,还降低了成本。
在上述实施例的基础上,本申请实施例还提供了一种实现非智能相机图像结构化的装置,应用于非智能相机,具体请参照图3。该装置包括:
判断模块11,用于判断当前时刻的智能相机是否处于空闲状态,若是,则触发发送模块;
发送模块12,用于将拍摄的图像发送至智能相机,使智能相机对接收到的图像进行结构化处理,并抓取图像的结构化属性信息。
需要说明的是,本申请实施例中所提供的实现非智能相机图像结构化的方法具有与上述实施例中所提供的方法相同的有益效果,并且对于本申请实施例中所涉及到的实现非智能相机图像结构化的方法的具体介绍请参照上述方法实施例,本申请在此不再赘述。
在上述实施例的基础上,本申请实施例还提供了一种实现非智能相机图像结构化的方法,应用于智能相机,具体请参照图4。该方法包括:
S210:接收非智能相机发送的图像;
S220对图像进行结构化处理,并提取图像的结构化属性信息。
需要说明的是,本申请实施例中的智能相机在接收到非智能相机发送的图像后,可以对该图像进行结构化处理,提取该图像的结构化属性信息,即利用智能相机的结构化功能对图像进行结构化处理及提取图像的结合化属性信息。
在上述实施例的基础上,本申请实施例还提供了一种实现非智能相机图像结构化的装置,应用于智能相机,具体请参照图5。该装置包括:
接收模块21,用于接收非智能相机发送的图像;
处理模块22,用于对图像进行结构化处理,并提取图像的结构化属性信息。
需要说明的是,本申请实施例中所提供的实现非智能相机图像结构化的方法具有与上述实施例中所提供的方法相同的有益效果,并且对于本申请实施例中所涉及到的实现非智能相机图像结构化的方法的具体介绍请参照上述方法实施例,本申请在此不再赘述。
在上述实施例的基础上,本申请实施例还提供了一种非智能相机,包括:
第一存储器,用于存储计算机程序;
第一处理器,用于执行计算机程序时实现如上述实现非智能相机图像结构化的方法的步骤。
例如,本申请实施例中的第二处理器具体可以用于实现判断当前时刻的智能相机是否处于空闲状态,若是,则将拍摄的图像发送至智能相机,使智能相机对接收到的图像进行结构化处理,并提取图像的结构化属性信息。
在上述实施例的基础上,本申请实施例还提供了一种智能相机,包括:
第二存储器,用于存储计算机程序;
第二处理器,用于执行计算机程序时实现如上述实现非智能相机图像结构化的方法的步骤。
例如,本申请实施例中的第二处理器具体可以用于实现接收非智能相机发送的图像;对图像进行结构化处理,并提取图像的结构化属性信息。
在上述实施例的基础上,本申请实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现如上述应用于非智能相机的实现非智能相机图像结构化的方法的步骤;
和/或如上述应用于智能相机的计算机程序被处理器执行时实现如上述实现非智能相机图像结构化的方法的步骤。
该计算机可读存储介质可以包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书中各实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其他实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (14)
1.一种实现非智能相机图像结构化的方法,其特征在于,应用于非智能相机,包括:
判断当前时刻的智能相机是否处于空闲状态,若是,
将拍摄的图像发送至所述智能相机,使所述智能相机对接收到的图像进行结构化处理,并提取所述图像的结构化属性信息。
2.根据权利要求1所述的实现非智能相机图像结构化的方法,其特征在于,所述智能相机为多个;
则,所述判断所述智能相机是否处于空闲状态的过程为:
分别判断各所述智能相机是否处于空闲状态,并确定出各空闲的智能相机;
则,所述方法还包括:
从各所述空闲的智能相机中确定出目标智能相机;
则,所述将拍摄的图像发送至所述智能相机,使所述智能相机对接收到的图像进行结构化处理的过程为:
将拍摄的图像发送至所述目标智能相机,使所述目标智能相机对接收到的图像进行结构化处理。
3.根据权利要求2所述的实现非智能相机图像结构化的方法,其特征在于,所述分别判断各所述智能相机是否处于空闲状态的过程为:
监测各智能相机的运行信息,分别根据各个所述运行信息判断对应的智能相机是否处于空闲状态。
4.根据权利要求3所述的实现非智能相机图像结构化的方法,其特征在于,所述分别根据各个所述运行信息判断对应的智能相机是否处于空闲状态的过程为:
根据各所述运行信息分别建立与每个所述智能相机各自对应的多元回归方程模型;
根据每个所述多元回归方程模型分别计算出在所述当前时刻与每个所述智能相机各自对应的实际期望值;
判断所述实际期望值是否小于预设期望值,若是,则对应的智能相机处于空闲状态。
5.根据权利要求4所述的实现非智能相机图像结构化的方法,其特征在于,所述从各所述空闲的智能相机中确定出目标智能相机的过程为:
从各个处于空闲状态的智能相机中选择出,实际期望值最低的智能相机作为目标智能相机。
6.根据权利要求4所述的实现非智能相机图像结构化的方法,其特征在于,所述根据各所述运行信息分别建立与每个所述智能相机各自对应的多元回归方程模型的过程为:
针对每个所述运行信息,依据所述运行信息计算出与所述智能相机对应的各回归参数;
依据所述运行信息、各所述回归参数及所述运行信息分别在当前时刻的权重,建立对应的多元回归方程模型。
7.根据权利要求6所述的实现非智能相机图像结构化的方法,其特征在于,还包括:
采用所述智能相机在当前时刻的多元回归方程模型对下一时刻的期望值进行预测,得到所述智能相机在下一时刻的预测期望值;
将所述当前时刻的预测期望值及实际期望值进行比较;
当所述当前时刻的预测期望值与实际期望值的差值大于预设值时,对每个所述运行信息各自对应的权重进行调整更新,并将调整更新后的权重作为下一时刻对应运行信息的权重。
8.根据权利要求3-7任意一项所述的实现非智能相机图像结构化的方法,其特征在于,所述运行信息包括智能相机算力使用负载、智能相机功耗负载及智能相机流量负载。
9.一种实现非智能相机图像结构化的装置,其特征在于,应用于非智能相机,包括:
判断模块,用于判断当前时刻的智能相机是否处于空闲状态,若是,则触发发送模块;
所述发送模块,用于将拍摄的图像发送至所述智能相机,使所述智能相机对接收到的图像进行结构化处理,并提取所述图像的结构化属性信息。
10.一种实现非智能相机图像结构化的方法,其特征在于,应用于智能相机,包括:
接收非智能相机发送的图像;
对所述图像进行结构化处理,并提取所述图像的结构化属性信息。
11.一种实现非智能相机图像结构化的装置,其特征在于,应用于智能相机,包括:
接收模块,用于接收非智能相机发送的图像;
处理模块,用于对所述图像进行结构化处理,并提取所述图像的结构化属性信息。
12.一种非智能相机,其特征在于,包括:
第一存储器,用于存储计算机程序;
第一处理器,用于执行所述计算机程序时实现如权利要求1至8任一项所述图像结构化实现非智能相机图像结构化的方法的步骤。
13.一种智能相机,其特征在于,包括:
第二存储器,用于存储计算机程序;
第二处理器,用于执行所述计算机程序时实现如权利要求10所述实现非智能相机图像结构化的方法的步骤。
14.一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上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至8任一项所述实现非智能相机图像结构化的方法的步骤;
和/或所述计算机程序被处理器执行时实现如权利要求10所述实现非智能相机图像结构化的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110494958.0A CN113194298B (zh) | 2021-05-07 | 2021-05-07 | 实现非智能相机图像结构化的方法、装置、系统及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110494958.0A CN113194298B (zh) | 2021-05-07 | 2021-05-07 | 实现非智能相机图像结构化的方法、装置、系统及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113194298A true CN113194298A (zh) | 2021-07-30 |
CN113194298B CN113194298B (zh) | 2023-04-07 |
Family
ID=76984124
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110494958.0A Active CN113194298B (zh) | 2021-05-07 | 2021-05-07 | 实现非智能相机图像结构化的方法、装置、系统及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113194298B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102818338A (zh) * | 2012-08-07 | 2012-12-12 | 杭州华三通信技术有限公司 | 一种机房温度智能控制的方法及装置 |
KR20140081192A (ko) * | 2012-12-21 | 2014-07-01 | 삼성전기주식회사 | 외부 카메라 영상을 처리하는 장치 및 그 방법 |
KR101464344B1 (ko) * | 2014-03-25 | 2014-11-25 | (주)그린아이티코리아 | 감시 영상의 정상 상태 학습을 통한 이상 상태 감지 방법과 이를 적용한 감시 카메라 및 영상 관리 시스템 |
US20160050396A1 (en) * | 2014-08-14 | 2016-02-18 | Hanwha Techwin Co., Ltd. | Intelligent video analysis system and method |
JP2018205900A (ja) * | 2017-05-31 | 2018-12-27 | パナソニックIpマネジメント株式会社 | 監視システム及び監視方法 |
CN110769175A (zh) * | 2018-07-27 | 2020-02-07 | 华为技术有限公司 | 一种智能分析系统、方法及装置 |
CN110944146A (zh) * | 2018-09-21 | 2020-03-31 | 华为技术有限公司 | 智能分析设备资源调整方法及装置 |
-
2021
- 2021-05-07 CN CN202110494958.0A patent/CN113194298B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102818338A (zh) * | 2012-08-07 | 2012-12-12 | 杭州华三通信技术有限公司 | 一种机房温度智能控制的方法及装置 |
KR20140081192A (ko) * | 2012-12-21 | 2014-07-01 | 삼성전기주식회사 | 외부 카메라 영상을 처리하는 장치 및 그 방법 |
KR101464344B1 (ko) * | 2014-03-25 | 2014-11-25 | (주)그린아이티코리아 | 감시 영상의 정상 상태 학습을 통한 이상 상태 감지 방법과 이를 적용한 감시 카메라 및 영상 관리 시스템 |
US20160050396A1 (en) * | 2014-08-14 | 2016-02-18 | Hanwha Techwin Co., Ltd. | Intelligent video analysis system and method |
JP2018205900A (ja) * | 2017-05-31 | 2018-12-27 | パナソニックIpマネジメント株式会社 | 監視システム及び監視方法 |
CN110769175A (zh) * | 2018-07-27 | 2020-02-07 | 华为技术有限公司 | 一种智能分析系统、方法及装置 |
CN110944146A (zh) * | 2018-09-21 | 2020-03-31 | 华为技术有限公司 | 智能分析设备资源调整方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113194298B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109086720B (zh) | 一种人脸聚类方法、装置和存储介质 | |
CN110781914B (zh) | 一种设备故障的监控处理方法、装置、设备和存储介质 | |
CN113110207A (zh) | 基于物联网传感器的虫害远程监测方法、系统及存储介质 | |
CN109743356B (zh) | 工业互联网数据采集方法及装置、可读存储介质和终端 | |
CN107305611B (zh) | 恶意账号对应的模型建立方法和装置、恶意账号识别的方法和装置 | |
CN109618301B (zh) | 无线传感器网络的数据处理方法、可读存储介质和终端 | |
CN112114986B (zh) | 数据异常识别方法、装置、服务器和存储介质 | |
CN114511112B (zh) | 一种基于物联网的智慧运维方法、系统和可读存储介质 | |
CN110287902B (zh) | 畜禽存活检测方法、装置、设备及计算机程序产品 | |
CN111352733A (zh) | 一种扩缩容状态的预测方法和装置 | |
CN111191507A (zh) | 智慧社区的安全预警分析方法及系统 | |
CN116627631A (zh) | 资源调度方法、系统、电子设备和存储介质 | |
CN113055423B (zh) | 策略的推送方法、策略的执行方法、装置、设备及介质 | |
CN113194298B (zh) | 实现非智能相机图像结构化的方法、装置、系统及介质 | |
CN113326061A (zh) | 熔断配置修改方法、装置、设备及可读存储介质 | |
US11393091B2 (en) | Video image processing and motion detection | |
CN115860366B (zh) | 一种社区机器人智慧协调管控方法、系统和可读存储介质 | |
CN116627771A (zh) | 日志采集方法、装置、电子设备和可读存储介质 | |
CN107682409B (zh) | 一种集群资源预伸缩方法及装置 | |
CN116030415A (zh) | 一种环境卫生检测方法、装置、设备及存储介质 | |
CN115712825A (zh) | 一种基于工业互联网大数据的智能优化方法及系统 | |
CN115774602A (zh) | 一种容器资源的分配方法、装置、设备及存储介质 | |
CN112732519A (zh) | 一种事件监控方法及装置 | |
CN114818907A (zh) | 输电线路的状态监测方法、装置、设备及存储介质 | |
CN114936614A (zh) | 一种基于神经网络的作业风险识别方法及系统 |
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 |