CN113421241A - 异常事件上报方法、装置、计算机设备及存储介质 - Google Patents
异常事件上报方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113421241A CN113421241A CN202110698990.0A CN202110698990A CN113421241A CN 113421241 A CN113421241 A CN 113421241A CN 202110698990 A CN202110698990 A CN 202110698990A CN 113421241 A CN113421241 A CN 113421241A
- Authority
- CN
- China
- Prior art keywords
- abnormal
- event
- detection result
- detection
- current
- 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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T7/20—Analysis of motion
- G06T7/254—Analysis of motion involving subtraction of images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/77—Determining position or orientation of objects or cameras using statistical methods
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种异常事件上报方法、装置、计算机设备及存储介质,该方法通过接收包含待检测坐标信息的异常检测指令;通过边缘计算方法在与待检测坐标信息对应的待检测区域中进行检测,得到当前检测结果;通过基于移动侦测的帧差法确定当前检测结果中是否包含当前异常检测结果;在所述当前检测结果中包含当前异常检测结果时,获取历史异常事件记录表;通过IOU匹配算法根据当前异常检测结果以及各历史异常检测结果,确定符合预设上报要求的待上报事件,将待上报事件上报并存储至历史异常事件记录表中。本发明提高了异常事件上报的效率以及准确率,避免了冗余数据重复上报对服务器方面带来的压力。
Description
技术领域
本发明涉及异常监控技术领域,尤其涉及一种异常事件上报方法、装置、计算机设备及存储介质。
背景技术
在互联网领域中,一个服务系统上所产生的服务数据是非常庞大的,往往一个服务数据牵扯到众多子系统或者子服务,而在监控领域中,针对日常监控产生的数据进行异常上报是非常重要的。
目前的数据异常上报只要是在发生异常之后,立刻将本次异常发生的事件上报并存储至服务器中。但是在很多场景中,例如垃圾分类场景下,摄像头拍摄的画面就是垃圾投放点,当不在垃圾投放时间段时候,就很少有人出现在画面中,此时就会有大量的异常图像上报至服务器中,进而导致异常事件上报冗余,从而导致服务器容易出现崩溃现象。
发明内容
本发明实施例提供一种异常事件上报方法、装置、计算机设备及存储介质,以解决异常事件上报冗余的问题。
一种异常事件上报方法,包括:
接收包含待检测坐标信息的异常检测指令;
通过边缘计算方法在与所述待检测坐标信息对应的待检测区域中进行检测,得到当前检测结果;
通过基于移动侦测的帧差法确定所述当前检测结果中是否包含当前异常检测结果;
在所述当前检测结果中包含所述当前异常检测结果时,获取历史异常事件记录表;所述历史异常事件记录表中包含至少一个历史异常检测结果;
通过IOU匹配算法根据所述当前异常检测结果以及各所述历史异常检测结果,确定符合预设上报要求的待上报事件,将所述待上报事件上报并存储至所述历史异常事件记录表中。
一种异常事件上报装置,包括:
异常检测指令接收模块,用于接收包含待检测坐标信息的异常检测指令;
边缘计算检测模块,用于通过边缘计算方法在与所述待检测坐标信息对应的待检测区域中进行检测,得到当前检测结果;
异常检测结果确定模块,用于通过基于移动侦测的帧差法确定所述当前检测结果中是否包含当前异常检测结果;
历史异常事件记录表获取模块,用于在所述当前检测结果中包含所述当前异常检测结果时,获取历史异常事件记录表;所述历史异常事件记录表中包含至少一个历史异常检测结果;
待上报事件确定模块,用于通过IOU匹配算法根据所述当前异常检测结果以及各所述历史异常检测结果,确定符合预设上报要求的待上报事件,将所述待上报事件上报并存储至所述历史异常事件记录表中。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述异常事件上报方法。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述异常事件上报方法。
上述异常事件上报方法、装置、计算机设备及存储介质,该方法通过接收包含待检测坐标信息的异常检测指令;通过边缘计算方法在与所述待检测坐标信息对应的待检测区域中进行检测,得到当前检测结果;通过基于移动侦测的帧差法确定所述当前检测结果中是否包含当前异常检测结果;在所述当前检测结果中包含所述当前异常检测结果时,获取历史异常事件记录表;所述历史异常事件记录表中包含至少一个历史异常检测结果;通过IOU匹配算法根据所述当前异常检测结果以及各所述历史异常检测结果,确定符合预设上报要求的待上报事件,将所述待上报事件上报并存储至所述历史异常事件记录表中。
本发明通过结合边缘计算方法、基于移动侦测的帧差法以及IOU匹配算法确定是否包含符合预设上报要求的待上报事件,如此可以大量减少冗余异常事件重复上报的问题,提高了异常事件上报的效率以及准确率;同时,也避免了冗余数据重复上报对服务器方面带来的压力,减少服务器的负荷,提高了服务器的利用率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例中异常事件上报方法的一应用环境示意图;
图2是本发明一实施例中异常事件上报方法的一流程图;
图3是本发明一实施例中异常事件上报方法中步骤S30的一流程图;
图4是本发明一实施例中异常事件上报方法中步骤S50的一流程图;
图5是本发明一实施例中异常事件上报装置的一原理框图;
图6是本发明一实施例中异常事件上报装置中异常检测结果确定模块的一原理框图;
图7是本发明一实施例中异常事件上报装置中待上报事件确定模块的一原理框图;
图8是本发明一实施例中计算机设备的一示意图。
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作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。
本发明实施例提供的异常事件上报方法,该异常事件上报方法可应用如图1所示的应用环境中。具体地,该异常事件上报方法应用在异常事件上报系统中,该异常事件上报系统包括如图1所示的客户端和服务器,客户端与服务器通过网络进行通信,用于解决异常事件上报冗余的问题。其中,客户端又称为用户端,是指与服务器相对应,为客户提供本地服务的程序。客户端可安装在但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备上。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中,如图2所示,提供一种异常事件上报方法,以该方法应用在图1中的服务器为例进行说明,包括如下步骤:
S10:接收包含待检测坐标信息的异常检测指令;
可以理解地,异常检测指令可以由用户通过移动终端传输,也可以在用户传输待检测区域之后自动生成。待检测坐标信息指示等待检测是否发生异常的区域的坐标信息,进而可以通过各待检测坐标信息确定待检测区域。
S20:通过边缘计算方法在与所述待检测坐标信息对应的待检测区域中进行检测,得到当前检测结果;
可以理解地,边缘计算方法是指采用在靠近检测物体或者数据源头的一侧,采用网络、计算、存储和应用核心能力为一体的开放平台的方法。当前检测结果为多个图像按照检测采集顺序组合生成的一个图像序列。示例性地,例如在垃圾分类场景下,待检测区域可以为垃圾投放点区域;例如后厨监管场景下,待检测区域可以为后厨区域。
在一实施例中,步骤S20中,也即所述通过边缘计算方法在所述待检测区域中进行检测,得到当前检测结果,包括:
S201:通过边缘计算平台获取检测图像序列;所述检测图像序列是通过预设图像拍摄设备对所述待检测区域进行图像拍摄得到的;所述检测图像序列包含多帧检测图像;
可以理解地,针对于一个待检测区域可以设置多个预设图像拍摄设备进行图像拍摄,其中,预设图像拍摄设备可以为摄像机、录影机等具备图像拍摄能力的设备。边缘计算平台即为基于边缘计算方法构建的平台,该边缘计算平台用于获取各预设图像拍摄设备拍摄得到的检测图像序列。
具体地,在接收包含待检测区域的异常检测指令之后,通过预设图像拍摄设备对待检测区域进行图像拍摄,得到多帧检测图像,进而将每一预设图像拍摄设备拍摄到的检测图像按照拍摄时间顺序形成检测图像序列并存储在预设图像拍摄设备的数据库中,进而可以通过边缘计算平台自预设图像拍摄设备的数据库中获取检测图像序列。
S202:自所述检测图像序列的检测图像中按照预设抽取方法抽取若干待检测图像,并根据各所述待检测图像生成所述当前检测结果。
可以理解地,当边缘计算平台运用至各场景中时,为了避免数据的冗余对边缘计算平台的存储能力造成负荷,因此需要自所述检测图像序列的检测图像中按照预设抽取方法抽取若干待检测图像,例如每间隔预设时间(如2s)抽取一帧检测图像,进而将各抽取得到的检测图像作为待检测图像,进而根据各待检测图像生成当前检测结果。
S30:通过基于移动侦测的帧差法确定所述当前检测结果中是否包含当前异常检测结果;
可以理解地,在实际应用过程中,会有很大一部分的静态画面(比如在垃圾分类场景下,摄像头拍摄的画面就是垃圾投放点,当不在垃圾投放时间段时候,就很少有人出现在画面中;又如在后厨监管场景下,摄像头拍摄的画面是后厨,当该餐馆不在营业时间段时候,拍摄的画面就是静止的)。正常的业务逻辑是按照设定好的时间间隔,对抽取出来的图片都会进行检测分析,有异常就会上报。但是在静态画面时间段内,如果有异常,会有大量重复的异常结果,因此本实施例中引入基于基于移动侦测的帧差法,解决上述重复上报异常结果的问题。
在一实施例中,如图3所示,步骤S30中,也即所述通过基于移动侦测的帧差法确定所述当前检测结果中是否包含当前异常检测结果,包括:
S301:自所述当前检测结果中确定至少一组待检测图像组;一组所述待检测图像组中包含连续的两帧待检测图像;
可以理解地,当前检测结果中包含多帧待检测图像,因此本实施例中将当前待检测结果中任意连续的两帧待检测图像组成一组待检测图像组。可选地,本实施例中的待检测图像组为连续的两帧待检测图像仅为一种示例,一组待检测图像组还可以包含连续的三帧待检测图像。
S302:将所述待检测图像组中前一帧待检测图像记录为第一待检测图像,将所述待检测图像组中后一帧待检测图像记录为第二待检测图像;
具体地,在自当前结果中确定至少一组待检测图像组之后,将待检测图像组中前一帧待检测图像记录为第一待检测图像,将待检测图像组中后一帧待检测图像记录为第二待检测图像。
S303:获取所述第一待检测图像的第一灰度值,以及获取所述第二待检测图像的第二灰度值;
可以理解地,第一灰度值是指第一待检测图像中各像素点对应的灰度值;第二灰度值是指第二待检测图像中各像素点对应的灰度值。第一灰度值和第二灰度值可以通过如openCV,matlab等应用程序获取。
S304:将所述第一灰度值与所述第二灰度值之间的差值记录为灰度值差值,并将所述灰度值差值与预设灰度阈值进行比较;
可选地,预设灰度阈值可以根据具体应用场景进行设定。具体地,在获取第一待检测图像的第一灰度值以及获取第二待检测图像的第二灰度值之后,将第一灰度值与第二灰度值之间的差值记录为灰度值差值,也即将第一待检测图像与第二待检测图像中每一个相同像素位置的第一灰度值与第二灰度值之间的差值记录为灰度值差值,进而将灰度值差值与预设灰度阈值进行比较。
S305:在所述灰度值差值大于或等于所述预设灰度阈值时,确定所述当前检测结果中包含与所述待检测图像组对应的当前异常检测结果。
具体地,在将第一灰度值与第二灰度值之间的差值记录为灰度值差值之后,并取该灰度值差值的绝对值得到差分图像,对该差分图像的各像素点进行二值化处理,得到二值化图像;对该二值化图像进行连通性分析之后,即可确定该当前检测结果中是否包含与待检测图像组对应的当前异常检测结果,也即连通性分析之后,即可确定第二待检测图像相较于第一待检测图像是否存在移动/新增/减少的对象,在第二待检测图像相较于第一待检测图像存在移动/新增/减少的对象时,即表征灰度值差值大于或等于预设灰度阈值,进而可以确定当前检测结果中包含与待检测图像组对应的当前异常检测结果。
在一实施例中,步骤S304之后,也即所述将所述灰度值差值与预设灰度阈值进行比较之后,还包括:
在所述灰度值差值小于所述预设灰度阈值时,确定所述当前检测结果中不包含与所述待检测图像组对应的当前异常检测结果。
具体地,在将灰度值差值与预设灰度阈值进行比较之后,若灰度值差值小于预设灰度阈值,确定当前检测结果中不包含与待检测图像组对应的当前异常检测结果,也即该组待检测图像组不包含当前异常检测结果,因此可以继续检测下一待检测图像组中是否包含当前异常检测结果。
S40:在所述当前检测结果中包含所述当前异常检测结果时,获取历史异常事件记录表;所述历史异常事件记录表中包含至少一个历史异常检测结果;
可以理解地,本实施例中可以针对每一个预设图像拍摄设备建立一个对应的历史异常事件记录表,每个历史异常事件记录表中可以存储多个历史异常检测结果,一个历史异常检测结果中包含各异常检测对象以及各异常检测对象在历史异常检测结果中的位置信息等。
S50:通过IOU匹配算法根据所述当前异常检测结果以及各所述历史异常检测结果,确定符合预设上报要求的待上报事件,将所述待上报事件上报并存储至所述历史异常事件记录表中。
具体地,在所述当前检测结果中包含所述当前异常检测结果时,获取历史异常事件记录表之后,通过IOU(Intersection over Union,重叠度)匹配算法根据所述当前异常检测结果以及各所述历史异常检测结果,确定符合预设上报要求的待上报事件,将所述待上报事件上报并存储至所述历史异常事件记录表中。其中,预设上报要求即为当前异常检测结果需要与所有历史异常检测结果均不匹配时,当前异常检测结果中的异常事件才可以被认为是待上报事件,如此可以解决相同的异常事件重复上传的问题。
在一实施例中,如图4所示,步骤S50中,也即所述通过IOU匹配算法根据所述当前异常检测结果以及各所述历史异常检测结果,确定符合预设上报要求的待上报事件,包括:
S501:获取所述当前异常检测结果的当前检测数量,并获取所述历史异常检测结果的历史检测数量;
可以理解地,当前异常检测结果为一个待检测图像,一个待检测图像中包含多个待检测对象,因此当前检测数量即为该当前异常检测结果中所有待检测对象的总数。同理,历史异常检测结果为一个历史检测图像,一个历史检测图像中也包含多个待检测对象,因此历史检测数量即为该历史异常检测结果中所有待检测对象的总数。
S502:在所述当前检测数量与所述历史检测数量相同时,获取所述当前异常检测结果中的所有当前检测事件,并获取所述历史异常检测结果中的所有历史检测事件;
可以理解地,一个当前检测事件中包含一个当前检测对象以及与该当前检测对象在该当前检测事件中的第一位置信息,根据上述说明,一个当前异常检测结果可以为一个待检测图像,因此本实施例中针对当前异常检测结果中的所有当前检测对象均生成一个当前检测事件,该当前检测事件中包含当前检测对象以及该当前检测对象在待检测图像中的第一位置信息。例如,在垃圾分类检测场景下,一个垃圾箱或者一个垃圾桶均可以作为一个当前检测对象,而垃圾箱在待检测图像中的位置信息即为第一位置信息。同理,一个历史异常检测结果可以为一个历史检测图像,本实施例中针对历史异常检测结果中的所有历史检测对象均生成一个历史检测事件,该历史检测事件中包含历史检测对象以及该历史检测对象在历史检测图像中的第二位置信息。
S503:通过IOU匹配算法根据所述当前检测事件以及所述历史检测事件,确定各所述历史异常检测结果中是否与所述当前异常检测结果匹配;
在一实施例中,步骤S503中,也即所述通过IOU匹配算法根据所述当前检测事件以及所述历史检测事件,确定各所述历史异常检测结果中是否与所述当前异常检测结果匹配,包括:
获取所述当前检测事件中的当前检测对象的第一位置信息,以及获取所述历史检测事件中的历史检测对象的第二位置信息;
可以理解地,当前检测事件可以视为一个待检测图像,因此第一位置信息即为当前检测对象在待检测图像中的具体位置信息。同理,历史检测事件可以视为一个历史检测图像,因此第二位置信息即为历史检测对象在历史检测图像中的具体位置信息。
确定与所述第一位置信息对应的第一ROI区域,以及确定与所述第二位置信息对应的第二ROI区域;
可以理解地,第一ROI(Region Of Interest,感兴趣区域)区域即为与第一位置信息对应且包含当前检测对象的特征的区域;第二ROI区域即为与第二位置信息对应且包含历史检测对象的特征的区域。
确定所述第一ROI区域与所述第二ROI区域之间的最小余弦距离,并将所述最小余弦距离与预设余弦距离阈值进行比较;
具体地,在确定与所述第一位置信息对应的第一ROI区域,以及确定与所述第二位置信息对应的第二ROI区域之后,确定第一ROI区域与第二ROI区域之间的最小余弦距离,该最小余弦距离表征当前检测对象与历史检测对象之间的特征相似度,进而将最小余弦距离与预设余弦距离阈值进行比较。其中,最小余弦距离的取值范围可以为0至1,最小余弦距离越大,表征第一ROI区域与第二ROI区域之间的特征相似程度越高。预设余弦距离阈值可以根据应用场景进行选取,示例性地,预设余弦距离阈值可以设定为0.9,0.95等。
在所述最小余弦距离大于或等于所述预设余弦距离阈值时,确定所述第一位置信息与所述第二位置信息的位置重合度;
具体地,在将最小余弦距离与预设余弦距离阈值进行比较之后,若最小余弦距离大于或等于预设余弦距离阈值,则表明当前检测对象与历史检测对象为同一检测对象,进而需要判断第一位置信息与第二位置信息是否重合,因此可以确定第一位置信息与第二位置信息之间的位置重合度。位置重合度的取值范围也可以为0至1,位置重合度越高,表征第一位置信息与第二位置信息之间的相关程度越大。
将所述位置重合度与预设重合阈值进行比较,在所述位置重合度大于或等于所述预设重合阈值时,确定所述当前检测事件与所述历史检测事件匹配;
具体地,在确定第一位置信息与第二位置信息之间的位置重合度之后,将位置重合度与预设重合阈值进行比较,若位置重合度大于或等于预设重合阈值,则表征第一位置信息与第二位置信息之间的相关程度较大,也即表征当前检测事件与历史检测事件匹配。
在所有所述当前检测事件与所述历史检测事件均匹配时,确定所述当前异常检测结果与所述历史异常检测结果匹配。
具体地,在将所有当前检测事件与对应的所有历史检测事件匹配完成之后,若所有当前检测事件与历史检测事件均匹配时,则确定该当前异常检测结果与历史异常检测结果匹配。
在一实施例中,所述将所述最小余弦距离与预设余弦距离阈值进行比较之后,包括:
在所述最小余弦距离小于所述预设余弦距离阈值时,确定所述当前检测事件与所述历史检测事件不匹配;
所述将所述位置重合度与预设重合阈值进行比较之后,包括:
在所述位置重合度小于所述预设重合阈值时,确定所述当前检测事件与所述历史检测事件不匹配;
在任意一个当前检测事件与历史检测事件不匹配时,确定所述当前异常检测结果与所述历史异常检测结果不匹配。
可以理解地,在最小余弦距离小于预设余弦距离阈值时,表征当前检测对象与历史检测对象不为同一个检测对象;或者在位置重合度小于预设重合阈值时,表征当前检测对象所在的第一位置信息,与历史检测对象所在的第二位置信息之间的位置重合度较低,也即即使当前检测对象与历史检测对象为同一检测对象时,但是该检测对象所处的位置信息并不相同,因此确定当前检测事件与历史检测事件不匹配。进一步地,在任意一个当前检测事件与历史检测事件不匹配时,即可确定当前异常检测结果与历史异常检测结果不匹配。
S504:在所有所述历史异常检测结果与所述当前异常检测结果均不匹配时,将所述当前异常检测结果中的所有待检测事件确定为符合所述预设上报要求的待上报事件。
具体地,在通过IOU匹配算法根据所述当前检测事件以及所述历史检测事件,确定各所述历史异常检测结果中是否与所述当前异常检测结果匹配之后,若所有历史异常检测结果与当前异常检测结果均不匹配时,将所述当前异常检测结果中的所有待检测事件确定为符合预设上报要求的待上报事件。
在本实施例中,通过结合边缘计算方法、基于移动侦测的帧差法以及IOU匹配算法确定是否包含符合预设上报要求的待上报事件,如此可以大量减少冗余异常事件重复上报的问题,提高了异常事件上报的效率以及准确率;同时,也避免了冗余数据重复上报对服务器方面带来的压力,减少服务器的负荷,提高了服务器的利用率。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
在一实施例中,提供一种异常事件上报装置,该异常事件上报装置与上述实施例中异常事件上报方法一一对应。如图5所示,该异常事件上报装置包括异常检测指令接收模块10、边缘计算检测模块20、异常检测结果确定模块30、历史异常事件记录表获取模块40和待上报事件确定模块50。各功能模块详细说明如下:
异常检测指令接收模块10,用于接收包含待检测坐标信息的异常检测指令;
边缘计算检测模块20,用于通过边缘计算方法在与所述待检测坐标信息对应的待检测区域中进行检测,得到当前检测结果;
异常检测结果确定模块30,用于通过基于移动侦测的帧差法确定所述当前检测结果中是否包含当前异常检测结果;
历史异常事件记录表获取模块40,用于在所述当前检测结果中包含所述当前异常检测结果时,获取历史异常事件记录表;所述历史异常事件记录表中包含至少一个历史异常检测结果;
待上报事件确定模块50,用于通过IOU匹配算法根据所述当前异常检测结果以及各所述历史异常检测结果,确定符合预设上报要求的待上报事件,将所述待上报事件上报并存储至所述历史异常事件记录表中。
优选地,边缘计算检测模块20包括:
检测图像序列获取单元,用于通过边缘计算平台获取检测图像序列;所述检测图像序列是通过预设图像拍摄设备对所述待检测区域进行图像拍摄得到的;所述检测图像序列包含多帧检测图像;
抽帧处理单元,用于自所述检测图像序列的检测图像中按照预设抽取方法抽取若干待检测图像,并根据各所述待检测图像生成所述当前检测结果。
优选地,如图6所示,异常检测结果确定模块30,包括:
待检测图像组获取单元301,用于自所述当前检测结果中确定至少一组待检测图像组;一组所述待检测图像组中包含连续的两帧待检测图像;
待检测图像记录单元302,用于将所述待检测图像组中前一帧待检测图像记录为第一待检测图像,将所述待检测图像组中后一帧待检测图像记录为第二待检测图像;
灰度值获取单元303,用于获取所述第一待检测图像的第一灰度值,以及获取所述第二待检测图像的第二灰度值;
灰度值差值确定单元304,用于将所述第一灰度值与所述第二灰度值之间的差值记录为灰度值差值,并将所述灰度值差值与预设灰度阈值进行比较;
异常检测结果确定单元305,用于在所述灰度值差值大于或等于所述预设灰度阈值时,确定所述当前检测结果中包含与所述待检测图像组对应的当前异常检测结果。
优选地,异常检测结果确定模块30,包括:
灰度值差值比较单元,用于在所述灰度值差值小于所述预设灰度阈值时,确定所述当前检测结果中不包含与所述待检测图像组对应的当前异常检测结果。
优选地,如图7所示,待上报事件确定模块50,包括:
检测数量获取单元501,用于获取所述当前异常检测结果的当前检测数量,并获取所述历史异常检测结果的历史检测数量;
当前检测事件获取单元502,用于在所述当前检测数量与所述历史检测数量相同时,获取所述当前异常检测结果中的所有当前检测事件,并获取所述历史异常检测结果中的所有历史检测事件;
检测事件匹配单元503,用于通过IOU匹配算法根据所述当前检测事件以及所述历史检测事件,确定各所述历史异常检测结果中是否与所述当前异常检测结果匹配;
待上报事件确定单元504,用于在所有所述历史异常检测结果与所述当前异常检测结果均不匹配时,将所述当前异常检测结果中的所有待检测事件确定为符合所述预设上报要求的待上报事件。
优选地,检测事件匹配单元503,包括:
位置信息获取子单元,用于获取所述当前检测事件中的当前检测对象的第一位置信息,以及获取所述历史检测事件中的历史检测对象的第二位置信息;
ROI区域确定子单元,用于确定与所述第一位置信息对应的第一ROI区域,以及确定与所述第二位置信息对应的第二ROI区域;
最小余弦距离确定子单元,用于确定所述第一ROI区域与所述第二ROI区域之间的最小余弦距离,并将所述最小余弦距离与预设余弦距离阈值进行比较;
位置重合度确定子单元,用于在所述最小余弦距离大于或等于所述预设余弦距离阈值时,确定所述第一位置信息与所述第二位置信息的位置重合度;
检测事件匹配子单元,用于将所述位置重合度与预设重合阈值进行比较,在所述位置重合度大于或等于所述预设重合阈值时,确定所述当前检测事件与所述历史检测事件匹配;
第一匹配结果确定子单元,用于在所有所述当前检测事件与所述历史检测事件均匹配时,确定所述当前异常检测结果与所述历史异常检测结果匹配。
优选地,检测事件匹配单元503,包括:
第二匹配结果确定子单元,用于在所述最小余弦距离小于所述预设余弦距离阈值时,确定所述当前检测事件与所述历史检测事件不匹配;
第三匹配结果确定子单元,用于在所述位置重合度小于所述预设重合阈值时,确定所述当前检测事件与所述历史检测事件不匹配。
关于异常事件上报装置的具体限定可以参见上文中对于异常事件上报方法的限定,在此不再赘述。上述异常事件上报装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储上述实施例中的异常事件上报方法中所使用到的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种异常事件上报方法。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述实施例中的异常事件上报方法。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述实施例中的异常事件上报方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种异常事件上报方法,其特征在于,包括:
接收包含待检测坐标信息的异常检测指令;
通过边缘计算方法在与所述待检测坐标信息对应的待检测区域中进行检测,得到当前检测结果;
通过基于移动侦测的帧差法确定所述当前检测结果中是否包含当前异常检测结果;
在所述当前检测结果中包含所述当前异常检测结果时,获取历史异常事件记录表;所述历史异常事件记录表中包含至少一个历史异常检测结果;
通过IOU匹配算法根据所述当前异常检测结果以及各所述历史异常检测结果,确定符合预设上报要求的待上报事件,将所述待上报事件上报并存储至所述历史异常事件记录表中。
2.如权利要求1所述的异常事件上报方法,其特征在于,所述通过边缘计算方法在所述待检测区域中进行检测,得到当前检测结果,包括:
通过边缘计算平台获取检测图像序列;所述检测图像序列是通过预设图像拍摄设备对所述待检测区域进行图像拍摄得到的;所述检测图像序列包含多帧检测图像;
自所述检测图像序列的检测图像中按照预设抽取方法抽取若干待检测图像,并根据各所述待检测图像生成所述当前检测结果。
3.如权利要求2所述的异常事件上报方法,其特征在于,所述通过基于移动侦测的帧差法确定所述当前检测结果中是否包含当前异常检测结果,包括:
自所述当前检测结果中确定至少一组待检测图像组;一组所述待检测图像组中包含连续的两帧待检测图像;
将所述待检测图像组中前一帧待检测图像记录为第一待检测图像,将所述待检测图像组中后一帧待检测图像记录为第二待检测图像;
获取所述第一待检测图像的第一灰度值,以及获取所述第二待检测图像的第二灰度值;
将所述第一灰度值与所述第二灰度值之间的差值记录为灰度值差值,并将所述灰度值差值与预设灰度阈值进行比较;
在所述灰度值差值大于或等于所述预设灰度阈值时,确定所述当前检测结果中包含与所述待检测图像组对应的当前异常检测结果。
4.如权利要求3所述的异常事件上报方法,其特征在于,所述将所述灰度值差值与预设灰度阈值进行比较之后,还包括:
在所述灰度值差值小于所述预设灰度阈值时,确定所述当前检测结果中不包含与所述待检测图像组对应的当前异常检测结果。
5.如权利要求1所述的异常事件上报方法,其特征在于,所述通过IOU匹配算法根据所述当前异常检测结果以及各所述历史异常检测结果,确定符合预设上报要求的待上报事件,包括:
获取所述当前异常检测结果的当前检测数量,并获取所述历史异常检测结果的历史检测数量;
在所述当前检测数量与所述历史检测数量相同时,获取所述当前异常检测结果中的所有当前检测事件,并获取所述历史异常检测结果中的所有历史检测事件;
通过IOU匹配算法根据所述当前检测事件以及所述历史检测事件,确定各所述历史异常检测结果中是否与所述当前异常检测结果匹配;
在所有所述历史异常检测结果与所述当前异常检测结果均不匹配时,将所述当前异常检测结果中的所有待检测事件确定为符合所述预设上报要求的待上报事件。
6.如权利要求5所述的异常事件上报方法,其特征在于,所述通过IOU匹配算法根据所述当前检测事件以及所述历史检测事件,确定各所述历史异常检测结果中是否与所述当前异常检测结果匹配,包括:
获取所述当前检测事件中的当前检测对象的第一位置信息,以及获取所述历史检测事件中的历史检测对象的第二位置信息;
确定与所述第一位置信息对应的第一ROI区域,以及确定与所述第二位置信息对应的第二ROI区域;
确定所述第一ROI区域与所述第二ROI区域之间的最小余弦距离,并将所述最小余弦距离与预设余弦距离阈值进行比较;
在所述最小余弦距离大于或等于所述预设余弦距离阈值时,确定所述第一位置信息与所述第二位置信息的位置重合度;
将所述位置重合度与预设重合阈值进行比较,在所述位置重合度大于或等于所述预设重合阈值时,确定所述当前检测事件与所述历史检测事件匹配;
在所有所述当前检测事件与所述历史检测事件均匹配时,确定所述当前异常检测结果与所述历史异常检测结果匹配。
7.如权利要求6所述的异常事件上报方法,其特征在于,所述将所述最小余弦距离与预设余弦距离阈值进行比较之后,还包括:
在所述最小余弦距离小于所述预设余弦距离阈值时,确定所述当前检测事件与所述历史检测事件不匹配;
所述将所述位置重合度与预设重合阈值进行比较之后,包括:
在所述位置重合度小于所述预设重合阈值时,确定所述当前检测事件与所述历史检测事件不匹配。
8.一种异常事件上报装置,其特征在于,包括:
异常检测指令接收模块,用于接收包含待检测坐标信息的异常检测指令;
边缘计算检测模块,用于通过边缘计算方法在与所述待检测坐标信息对应的待检测区域中进行检测,得到当前检测结果;
异常检测结果确定模块,用于通过基于移动侦测的帧差法确定所述当前检测结果中是否包含当前异常检测结果;
历史异常事件记录表获取模块,用于在所述当前检测结果中包含所述当前异常检测结果时,获取历史异常事件记录表;所述历史异常事件记录表中包含至少一个历史异常检测结果;
待上报事件确定模块,用于通过IOU匹配算法根据所述当前异常检测结果以及各所述历史异常检测结果,确定符合预设上报要求的待上报事件,将所述待上报事件上报并存储至所述历史异常事件记录表中。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述异常事件上报方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述异常事件上报方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110698990.0A CN113421241B (zh) | 2021-06-23 | 2021-06-23 | 异常事件上报方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110698990.0A CN113421241B (zh) | 2021-06-23 | 2021-06-23 | 异常事件上报方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113421241A true CN113421241A (zh) | 2021-09-21 |
CN113421241B CN113421241B (zh) | 2023-08-18 |
Family
ID=77716386
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110698990.0A Active CN113421241B (zh) | 2021-06-23 | 2021-06-23 | 异常事件上报方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113421241B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113837091A (zh) * | 2021-09-24 | 2021-12-24 | 上海商汤智能科技有限公司 | 识别方法、装置、电子设备及计算机可读存储介质 |
CN115082400A (zh) * | 2022-06-21 | 2022-09-20 | 北京字跳网络技术有限公司 | 一种图像处理方法、装置、计算机设备及可读存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090052784A1 (en) * | 2007-08-22 | 2009-02-26 | Michele Covell | Detection And Classification Of Matches Between Time-Based Media |
US20160217330A1 (en) * | 2013-09-19 | 2016-07-28 | Nec Corporation | Image processing system and image processing method |
CN107871011A (zh) * | 2017-11-21 | 2018-04-03 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、移动终端及计算机可读存储介质 |
CN109614948A (zh) * | 2018-12-19 | 2019-04-12 | 北京锐安科技有限公司 | 异常行为的检测方法、装置、设备和存储介质 |
CN110517293A (zh) * | 2019-08-29 | 2019-11-29 | 京东方科技集团股份有限公司 | 目标跟踪方法、装置、系统和计算机可读存储介质 |
CN209895464U (zh) * | 2019-07-01 | 2020-01-03 | 深圳江行联加智能科技有限公司 | 一种变电站异常监测报警系统 |
CN110766214A (zh) * | 2019-10-17 | 2020-02-07 | 中南林业科技大学 | 一种基于边缘计算和大数据的实时防洪监测系统 |
US20200193802A1 (en) * | 2018-12-17 | 2020-06-18 | Honeywell International Inc. | Systems and methods for detecting a system malfunction in a surveillance system |
CN111555917A (zh) * | 2020-04-26 | 2020-08-18 | 四川爱创科技有限公司 | 基于云平台的告警信息处理方法及装置 |
US20200348662A1 (en) * | 2016-05-09 | 2020-11-05 | Strong Force Iot Portfolio 2016, Llc | Platform for facilitating development of intelligence in an industrial internet of things system |
CN112437259A (zh) * | 2020-11-11 | 2021-03-02 | 广州瀚信通信科技股份有限公司 | 基于5g边缘计算的智慧城市视频监控系统及方法 |
CN112491999A (zh) * | 2020-11-18 | 2021-03-12 | 成都佳华物链云科技有限公司 | 一种数据上报方法及装置 |
CN112712702A (zh) * | 2019-10-24 | 2021-04-27 | 杭州海康威视系统技术有限公司 | 违法事件去重方法、装置、电子设备及机器可读存储介质 |
-
2021
- 2021-06-23 CN CN202110698990.0A patent/CN113421241B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090052784A1 (en) * | 2007-08-22 | 2009-02-26 | Michele Covell | Detection And Classification Of Matches Between Time-Based Media |
US20160217330A1 (en) * | 2013-09-19 | 2016-07-28 | Nec Corporation | Image processing system and image processing method |
US20200348662A1 (en) * | 2016-05-09 | 2020-11-05 | Strong Force Iot Portfolio 2016, Llc | Platform for facilitating development of intelligence in an industrial internet of things system |
CN107871011A (zh) * | 2017-11-21 | 2018-04-03 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、移动终端及计算机可读存储介质 |
US20200193802A1 (en) * | 2018-12-17 | 2020-06-18 | Honeywell International Inc. | Systems and methods for detecting a system malfunction in a surveillance system |
CN109614948A (zh) * | 2018-12-19 | 2019-04-12 | 北京锐安科技有限公司 | 异常行为的检测方法、装置、设备和存储介质 |
CN209895464U (zh) * | 2019-07-01 | 2020-01-03 | 深圳江行联加智能科技有限公司 | 一种变电站异常监测报警系统 |
CN110517293A (zh) * | 2019-08-29 | 2019-11-29 | 京东方科技集团股份有限公司 | 目标跟踪方法、装置、系统和计算机可读存储介质 |
CN110766214A (zh) * | 2019-10-17 | 2020-02-07 | 中南林业科技大学 | 一种基于边缘计算和大数据的实时防洪监测系统 |
CN112712702A (zh) * | 2019-10-24 | 2021-04-27 | 杭州海康威视系统技术有限公司 | 违法事件去重方法、装置、电子设备及机器可读存储介质 |
CN111555917A (zh) * | 2020-04-26 | 2020-08-18 | 四川爱创科技有限公司 | 基于云平台的告警信息处理方法及装置 |
CN112437259A (zh) * | 2020-11-11 | 2021-03-02 | 广州瀚信通信科技股份有限公司 | 基于5g边缘计算的智慧城市视频监控系统及方法 |
CN112491999A (zh) * | 2020-11-18 | 2021-03-12 | 成都佳华物链云科技有限公司 | 一种数据上报方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113837091A (zh) * | 2021-09-24 | 2021-12-24 | 上海商汤智能科技有限公司 | 识别方法、装置、电子设备及计算机可读存储介质 |
CN115082400A (zh) * | 2022-06-21 | 2022-09-20 | 北京字跳网络技术有限公司 | 一种图像处理方法、装置、计算机设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113421241B (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110569721B (zh) | 识别模型训练方法、图像识别方法、装置、设备及介质 | |
CN109710780B (zh) | 一种归档方法及装置 | |
CN111222423B (zh) | 基于作业区域的目标识别方法、装置、计算机设备 | |
CN113239874B (zh) | 基于视频图像的行为姿态检测方法、装置、设备及介质 | |
CN106560840B (zh) | 一种图像信息识别处理方法及装置 | |
CN113421241B (zh) | 异常事件上报方法、装置、计算机设备及存储介质 | |
CN111241938A (zh) | 基于图像校验的人脸识别方法、装置和计算机设备 | |
GB2501224A (en) | Generating and comparing video signatures using sets of image features | |
CN109308704B (zh) | 背景剔除方法、装置、计算机设备及存储介质 | |
CN110930434A (zh) | 目标对象跟踪方法、装置、存储介质和计算机设备 | |
CN109815370A (zh) | 一种归档方法及装置 | |
CN113139403A (zh) | 违规行为识别方法、装置、计算机设备和存储介质 | |
JPWO2018179586A1 (ja) | 解析システム、解析方法及びプログラム | |
CN109002776B (zh) | 人脸识别方法、系统、计算机设备和计算机可读存储介质 | |
CN111666915A (zh) | 监控方法、装置、设备以及存储介质 | |
CN114067431A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN113869137A (zh) | 事件检测方法、装置、终端设备及存储介质 | |
CN112052702A (zh) | 一种识别二维码的方法和装置 | |
CN110334568B (zh) | 轨迹生成与监控方法、装置、设备及存储介质 | |
CN109996063B (zh) | 视频图像花屏检测方法、装置、计算机设备和存储介质 | |
CN111274965A (zh) | 人脸识别方法、装置、计算机设备和存储介质 | |
CN109919017B (zh) | 人脸识别优化方法、装置、计算机设备和存储介质 | |
CN111091146A (zh) | 图片相似度获取方法、装置、计算机设备及存储介质 | |
CN110163183B (zh) | 目标检测算法的评估方法、装置、计算机设备和存储介质 | |
CN113505015B (zh) | 应用异常信息采集方法、装置、计算机设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |