CN113422939A - 一种基于智联网的摄像机协同作业方法、系统及计算机存储介质 - Google Patents

一种基于智联网的摄像机协同作业方法、系统及计算机存储介质 Download PDF

Info

Publication number
CN113422939A
CN113422939A CN202110966204.0A CN202110966204A CN113422939A CN 113422939 A CN113422939 A CN 113422939A CN 202110966204 A CN202110966204 A CN 202110966204A CN 113422939 A CN113422939 A CN 113422939A
Authority
CN
China
Prior art keywords
camera
event
model
monitoring
task
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
CN202110966204.0A
Other languages
English (en)
Other versions
CN113422939B (zh
Inventor
夏东
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.)
Hunan Lebo Technology Co ltd
Original Assignee
Hunan Lebo 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 Hunan Lebo Technology Co ltd filed Critical Hunan Lebo Technology Co ltd
Priority to CN202110966204.0A priority Critical patent/CN113422939B/zh
Publication of CN113422939A publication Critical patent/CN113422939A/zh
Application granted granted Critical
Publication of CN113422939B publication Critical patent/CN113422939B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Studio Devices (AREA)

Abstract

本发明公开了一种基于智联网的摄像机协同作业方法、系统及计算机存储介质，应用于由多个智能体通过网络连接形成的智联网中；其中，每个智能体为具备存储、计算和联网能力的摄像机；所述智能体通过同一知识模型进行协同工作；协同作业方法包括：多个智能体对各监控场景进行不断监控，当后台用户判断出现需处理事件，定义所述需处理事件的事件类型、被监控事件的发生地点、被监控事件的监控起始时间和预测的监控结束时间作为事件向量，输入摄像机协同工作模型，输出得到后台用户与摄像机协同工作列表。本发明利用智联网摄像机的分析能力搭建摄像机协同作业模型，解放摄像机后台用户的设计编排任务的压力。

Description

一种基于智联网的摄像机协同作业方法、系统及计算机存储 介质
技术领域
本发明涉及智能视频分析监控领域，尤其涉及一种基于智联网的摄像机协同作业方法、系统及计算机存储介质。
背景技术
随着图像人工智能与嵌入式设备技术不断发展，摄像机越来越具备独立智能处理图像视频的能力。单个摄像机可以分析车辆、行人甚至事件等需求。在实际中利用摄像机分析处理一个事件时往往需要多个摄像机共同参与并需要人工不断调整干预，才能将一个事件准确的分析清楚。
现有技术提出了多个摄像机的协同工作，即在事先设定好协同的规则，遇到特定的分析处理场景就按照事先预定的协同规则进行多个摄像机联合分析。这类方法比较死板，根本问题在于，多个摄像机的协同工作的规则是需要人工进行设定的，是需要人对场景进行分析后进行设计的，而摄像机仅仅是被动接收规则，这给用户造成较大的规则编排的开销。
本发明提出一种摄像机，带有存储、计算和联网功能的，运用智联网理念，将摄像机看成是一个智能体，自主协同式的与用户完成联合拍摄与分析。
发明内容
本发明提供了一种基于智联网的摄像机协同作业方法、系统及计算机存储介质，用以解决现有技术中摄像机分析处理一个事件时需要人工设定协同工作规则的技术问题。为解决上述技术问题，本发明提出的技术方案为：一种基于智联网的摄像机协同作业方法，应用于由多个智能体通过网络连接形成的智联网中；其中，每个智能体为具备存储、计算和联网能力的摄像机；所述智能体通过同一知识模型进行协同工作，所述知识模型包括：被监控事件的事件类型、被监控事件的发生地点、被监控事件的监控起始时间和监控结束时间以及后台用户与摄像机的协同工作列表；
协同作业方法包括：
多个智能体对各监控场景进行不断监控，当后台用户判断出现需处理事件，定义所述需处理事件的事件类型、被监控事件的发生地点、被监控事件的监控起始时间和预测的监控结束时间作为事件向量，输入摄像机协同工作模型，输出得到后台用户与摄像机协同工作列表；所述协同工作列表包括一个以上的摄像机任务和人员任务，每个摄像机任务和人员任务均包含有下一个分析处理的角色标识以指示摄像机任务和人员任务的次序。
优选的，所述摄像机任务包括：被使用摄像机的网络标识、被使用摄像机部署的地理位置、被使用摄像机使用的起始时间和结束时间，在起始时间和结束时间被使用摄像机所使用的分析处理能力，以及下一个分析处理的角色标识；
所述人员任务包括：人员标识、下达的指令和下一个分析处理的角色标识；
其中，角色标识为人员标识或摄像机标识。
优选的，所述摄像机协同工作模型通过以下方法训练得到：
根据多组所述后台用户与所述摄像机的交互式监控操作的信息，构建通过同一知识模型进行协同工作的协同工作知识；将历史积累的多组协同工作知识作为学习样本；
根据每一个学习样本的知识模型，构建事件向量到后台用户与摄像机的协同工作列表的映射；建立自回归模型，利用所述学习样本进行训练得到摄像机协同工作模型。
优选的，根据多组所述后台用户与所述摄像机的交互式监控操作的信息，构建通过同一知识模型进行协同工作的协同工作知识，包括以下步骤：
S1 多个摄像机对各监控场景进行监控并将视频流传至后台监控中心；每个摄像 机的智联网能力模型表示为
Figure 100002_DEST_PATH_IMAGE001
，其中
Figure 420189DEST_PATH_IMAGE002
代表摄像机的网络标识，
Figure 100002_DEST_PATH_IMAGE003
代表 该摄像机的计算能力，
Figure 382329DEST_PATH_IMAGE004
代表存储能力，
Figure 100002_DEST_PATH_IMAGE005
代表该摄像机部署的地理位置，
Figure 948439DEST_PATH_IMAGE006
为摄像 机分析处理能力列表；知识模型表达为
Figure 100002_DEST_PATH_IMAGE007
，其中
Figure 312424DEST_PATH_IMAGE008
为被监控的事件类型，
Figure 100002_DEST_PATH_IMAGE009
为被监控事件的发生地点，
Figure 735315DEST_PATH_IMAGE010
为被监控事 件的监控起始时间和监控结束时间，
Figure 100002_DEST_PATH_IMAGE011
为后台用户与摄像机协同工作列表，内容分为 摄像机任务和人员任务；摄像机任务为
Figure 122434DEST_PATH_IMAGE012
，其中
Figure 56018DEST_PATH_IMAGE002
代表被使用 摄像机的网络标识，
Figure 946613DEST_PATH_IMAGE005
代表被使用摄像机部署的地理位置，
Figure 100002_DEST_PATH_IMAGE013
代表被使用摄像机使 用的起始时间和结束时间，
Figure 930619DEST_PATH_IMAGE014
代表在
Figure 103236DEST_PATH_IMAGE013
时间内被使用摄像机所使用的分析处理能力，
Figure 100002_DEST_PATH_IMAGE015
代表下一个分析处理的角色标识；人员任务为
Figure 401362DEST_PATH_IMAGE016
，其中
Figure 412044DEST_PATH_IMAGE002
为人员标 识，
Figure 100002_DEST_PATH_IMAGE017
为下达的指令，
Figure 442317DEST_PATH_IMAGE015
代表下一个分析处理的角色标识；角色标识为人员标识或摄 像机标识；
S2 后台用户根据视频流不断判断是否有异常情况发生，若判断发生异常情况，由 后台用户定义
Figure 538449DEST_PATH_IMAGE008
，
Figure 250053DEST_PATH_IMAGE009
，
Figure 679022DEST_PATH_IMAGE018
，其中
Figure 817880DEST_PATH_IMAGE008
为异常事件的事件类型、
Figure 463625DEST_PATH_IMAGE009
为拍摄到所述异常事件的摄像机的部署位置、
Figure 713340DEST_PATH_IMAGE018
为使用所述摄像机的起始时间；然后转入 S3；
S3 后台用户发出指令，即
Figure 698614DEST_PATH_IMAGE017
，若指令包括需要被使用的摄像机的网络标识和所 述需要被使用的摄像机的分析能力，则转入S4，若指令为结束，则转入S6；
S4 开始指令的下一个摄像机任务，即
Figure 70689DEST_PATH_IMAGE015
，若
Figure 141414DEST_PATH_IMAGE015
不为空，则将所述
Figure 257137DEST_PATH_IMAGE015
存储为上一条记录中的
Figure 96917DEST_PATH_IMAGE015
，否则转入S3；
S5 标识为
Figure 577577DEST_PATH_IMAGE015
的摄像机开始运用指令中的分析能力，系统记录此摄像机的
Figure 371483DEST_PATH_IMAGE002
、
Figure 792362DEST_PATH_IMAGE005
、
Figure 100002_DEST_PATH_IMAGE019
和
Figure 611283DEST_PATH_IMAGE014
，分析结束后由后台用户确认分析结果，分析结果通过则结束使用此摄像机 记录使用
Figure 262844DEST_PATH_IMAGE020
，并转入S4；若不通过，则将此摄像机的
Figure 370477DEST_PATH_IMAGE002
、
Figure 765686DEST_PATH_IMAGE005
、
Figure 314479DEST_PATH_IMAGE020
和
Figure 954584DEST_PATH_IMAGE014
删除，并转入S3；
S6 后台用户确认使用摄像机拍摄所述异常事件的结束时间
Figure 100002_DEST_PATH_IMAGE021
；
S7 收集S3~S5中的后台用户任务列表和摄像机任务列表的构建摄像机协同工作 列表
Figure 283934DEST_PATH_IMAGE011
。
优选的，训练所述摄像机协同工作模型时，所述方法还包括以下步骤：
针对每一个知识模型
Figure 482834DEST_PATH_IMAGE007
，由后台用户确 认，将其中协同工作列表
Figure 886134DEST_PATH_IMAGE011
中不需要指挥员下指令的任务去掉，需要由指挥员做决策 和下指令的任务保留，得到更新的知识模型
Figure 207394DEST_PATH_IMAGE022
；其 中，
Figure 100002_DEST_PATH_IMAGE023
为更新后的协同工作列表；
根据每一个学习样本的知识模型，构建事件向量到所述更新后的协同工作列表的映射；建立自回归模型，根据事件向量到所述更新后的协同工作列表的映射，利用所述学习样本进行训练得到摄像机协同工作模型。
本发明的实施例还提供了一种计算机系统，包括存储器、处理器以及存储在存储器上并可在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方法的步骤。
本发明的实施例还提供了一种计算机存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述方法中的步骤。
本发明具有以下有益效果：
本发明的一种基于智联网的摄像机协同作业方法通过采集摄像机所监控事件的事件属性，并将所述事件属性输入至摄像机协同作业模型中，输出得到协同工作任务列表。利用智联网摄像机的分析能力搭建摄像机协同作业模型，解放摄像机后台用户的设计编排任务的压力。
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照附图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明一种基于智联网的摄像机协同作业方法、系统及计算机存储介质的流程图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
参见图1，本发明的一种基于智联网的摄像机协同作业方法，应用于由多个智能体通过网络连接形成的智联网中；其中，每个智能体为具备存储、计算和联网能力的摄像机；所述智能体通过同一知识模型进行协同工作，所述知识模型包括：被监控事件的事件类型、被监控事件的发生地点、被监控事件的监控起始时间和监控结束时间以及后台用户与摄像机的协同工作列表；
协同作业方法包括：
S101 多个智能体对各监控场景进行不断监控；
S102 当后台用户判断出现需处理事件，定义所述需处理事件的事件类型、被监控事件的发生地点、被监控事件的监控起始时间和预测的监控结束时间作为事件向量；
S103 输入摄像机协同工作模型；
S104 输出得到后台用户与摄像机协同工作列表，所述协同工作列表包括一个以上的摄像机任务和人员任务，每个摄像机任务和人员任务均包含有下一个分析处理的角色标识以指示摄像机任务和人员任务的次序。
本实施例中，所述摄像机任务包括：被使用摄像机的网络标识、被使用摄像机部署的地理位置、被使用摄像机使用的起始时间和结束时间，在起始时间和结束时间被使用摄像机所使用的分析处理能力，以及下一个分析处理的角色标识；
所述人员任务包括：人员标识、下达的指令和下一个分析处理的角色标识；
其中，角色标识为人员标识或摄像机标识。
实施时，每个摄像机的能力可以表示为
Figure 24040DEST_PATH_IMAGE001
，其中
Figure 761052DEST_PATH_IMAGE002
代表摄像 机的网络标识，
Figure 848219DEST_PATH_IMAGE003
代表该摄像机的计算能力，
Figure 340380DEST_PATH_IMAGE004
代表存储能力，
Figure 316426DEST_PATH_IMAGE005
代表该摄像机部署的地 理位置，
Figure 670178DEST_PATH_IMAGE006
为摄像机分析处理能力列表，如车牌识别、人脸识别、定点高清、范围扫描等 摄像机内在具备的视频图像分析处理能力。
本实施例中，所述摄像机协同工作模型通过以下方法训练得到：
根据多组所述后台用户与所述摄像机的交互式监控操作的信息，构建通过同一知识模型进行协同工作的协同工作知识；将历史积累的多组协同工作知识作为学习样本；
根据每一个学习样本的知识模型，构建事件向量到后台用户与摄像机的协同工作列表的映射；建立自回归模型，利用所述学习样本进行训练得到摄像机协同工作模型。
本实施例中，根据多组所述后台用户与所述摄像机的交互式监控操作的信息，构建通过同一知识模型进行协同工作的协同工作知识，包括以下步骤：
S1 多个摄像机对各监控场景进行监控并将视频流传至后台监控中心；每个摄像 机的智联网能力模型表示为
Figure 375966DEST_PATH_IMAGE001
，其中
Figure 274914DEST_PATH_IMAGE002
代表摄像机的网络标识，
Figure 3836DEST_PATH_IMAGE003
代表 该摄像机的计算能力，
Figure 144967DEST_PATH_IMAGE004
代表存储能力，
Figure 642945DEST_PATH_IMAGE005
代表该摄像机部署的地理位置，
Figure 149012DEST_PATH_IMAGE006
为摄像 机分析处理能力列表；知识模型表达为
Figure 427547DEST_PATH_IMAGE007
，其中
Figure 310052DEST_PATH_IMAGE008
为被监控的事件类型，
Figure 662536DEST_PATH_IMAGE009
为被监控事件的发生地点，
Figure 667401DEST_PATH_IMAGE010
为被监控事 件的监控起始时间和监控结束时间，
Figure 105336DEST_PATH_IMAGE011
为后台用户与摄像机协同工作列表，内容分为 摄像机任务和人员任务；摄像机任务为
Figure 525953DEST_PATH_IMAGE012
，其中
Figure 562304DEST_PATH_IMAGE002
代表被使用 摄像机的网络标识，
Figure 410175DEST_PATH_IMAGE005
代表被使用摄像机部署的地理位置，
Figure 335405DEST_PATH_IMAGE013
代表被使用摄像机使 用的起始时间和结束时间，
Figure 622030DEST_PATH_IMAGE014
代表在
Figure 949106DEST_PATH_IMAGE013
时间内被使用摄像机所使用的分析处理能力，
Figure 233457DEST_PATH_IMAGE015
代表下一个分析处理的角色标识；人员任务为
Figure 708301DEST_PATH_IMAGE016
，其中
Figure 470721DEST_PATH_IMAGE002
为人员标 识，
Figure 652303DEST_PATH_IMAGE017
为下达的指令，
Figure 169872DEST_PATH_IMAGE015
代表下一个分析处理的角色标识；角色标识为人员标识或摄 像机标识；
S2 后台用户根据视频流不断判断是否有异常情况发生，若判断发生异常情况，由 后台用户定义
Figure 69695DEST_PATH_IMAGE008
，
Figure 635806DEST_PATH_IMAGE009
，
Figure 235676DEST_PATH_IMAGE018
，其中
Figure 861830DEST_PATH_IMAGE008
为异常事件的事件类型、
Figure 248949DEST_PATH_IMAGE009
为拍摄到所述异常事件的摄像机的部署位置、
Figure 415488DEST_PATH_IMAGE018
为使用所述摄像机的起始时间；然后转入 S3；
S3 后台用户发出指令，即
Figure 571663DEST_PATH_IMAGE017
，若指令包括需要被使用的摄像机的网络标识和所 述需要被使用的摄像机的分析能力，则转入S4，若指令为结束，则转入S6；
S4 开始指令的下一个摄像机任务，即
Figure 368718DEST_PATH_IMAGE015
，若
Figure 39870DEST_PATH_IMAGE015
不为空，则将所述
Figure 213363DEST_PATH_IMAGE015
存储为上一条记录中的
Figure 224044DEST_PATH_IMAGE015
，否则转入S3；
S5 标识为
Figure 254317DEST_PATH_IMAGE015
的摄像机开始运用指令中的分析能力，系统记录此摄像机的
Figure 350449DEST_PATH_IMAGE002
、
Figure 796474DEST_PATH_IMAGE005
、
Figure 491023DEST_PATH_IMAGE019
和
Figure 629880DEST_PATH_IMAGE014
，分析结束后由后台用户确认分析结果，分析结果通过则结束使用此摄像机 记录使用
Figure 213308DEST_PATH_IMAGE020
，并转入S4；若不通过，则将此摄像机的
Figure 525341DEST_PATH_IMAGE002
、
Figure 572931DEST_PATH_IMAGE005
、
Figure 882690DEST_PATH_IMAGE020
和
Figure 953414DEST_PATH_IMAGE014
删除，并转入S3；
S6 后台用户确认使用摄像机拍摄所述异常事件的结束时间
Figure 69137DEST_PATH_IMAGE021
；
S7 收集S3~S5中的后台用户任务列表和摄像机任务列表的构建摄像机协同工作 列表
Figure 908917DEST_PATH_IMAGE011
。
本实施例中，训练所述摄像机协同工作模型时，所述方法还包括以下步骤：
针对每一个知识模型
Figure 953359DEST_PATH_IMAGE007
，由后台用户确 认，将其中协同工作列表
Figure 245800DEST_PATH_IMAGE011
中不需要指挥员下指令的任务去掉，需要由指挥员做决策 和下指令的任务保留，得到更新的知识模型
Figure 102898DEST_PATH_IMAGE022
；其 中，
Figure 859501DEST_PATH_IMAGE023
为更新后的协同工作列表；
根据每一个学习样本的知识模型，构建事件向量到所述更新后的协同工作列表的映射；建立自回归模型，根据事件向量到所述更新后的协同工作列表的映射，利用所述学习样本进行训练得到摄像机协同工作模型。
实施时，先将
Figure 511062DEST_PATH_IMAGE024
构建事件向量
Figure DEST_PATH_IMAGE025
；再将所有
Figure 618696DEST_PATH_IMAGE023
做成合集
Figure 13905DEST_PATH_IMAGE026
，将
Figure 562698DEST_PATH_IMAGE026
中的每个任务量化为独立的数值
Figure DEST_PATH_IMAGE027
；然后构建映射
Figure 713056DEST_PATH_IMAGE028
，其中
Figure DEST_PATH_IMAGE029
为
Figure 555590DEST_PATH_IMAGE025
对应的
Figure 488911DEST_PATH_IMAGE023
中数值构成的向量；然后利用学 习样本，即映射
Figure 157790DEST_PATH_IMAGE028
，对自回归模型进行训练；最后训练完毕保存模型参数。
本发明的还提供了一种计算机系统，包括存储器、处理器以及存储在存储器上并可在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方法的步骤。
本发明的还提供了一种计算机存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述方法的步骤。
实施时，所述存储介质例如可以包括智能电话的存储卡、平板电脑的存储部件、个人计算机的硬盘、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器、或者上述存储介质的任意组合。所述计算机可读存储介质可以是一个或多个计算机可读存储介质的任意组合。
在一种实施例中，在车辆事故现场的情况下，结构化摄像机C1不断在高空检测马路路口的情况，当路口发生车辆碰撞事故时，C1将事故画面传至后台用户，后台用户判断事故画面所属事件的事件类型、发生地点、监控起始时间以及预测的监控结束时间，并将事故画面所属事件的事件类型、发生地点、监控起始时间以及预测的监控结束时间转换为事件向量输入摄像机协同工作模型内，输出摄像机协同工作列表，然后按照输出的协同工作列表进行工作，具体包括：需要工作的摄像机C2的摄像机标识、摄像机C2的部署位置、摄像机C2使用的起始时间、摄像机C2使用的结束时间、摄像机C2的分析能力为车牌识别和下一个分析处理的角色标识为后台用户A的人员标识；分析处理的角色标识为后台用户A的人员标识、后台用户A的指令为调取事故车辆的信息和下一个分析处理的角色标识为摄像机C3的摄像机标识；分析处理的角色标识为摄像机C3的摄像机标识、摄像机C3的部署位置、摄像机C3使用的起始时间、摄像机C3使用的结束时间、摄像机C3的分析能力为人脸识别和下一个分析处理的角色标识为后台用户A的人员标识；分析处理的角色标识为后台用户A的人员标识，后台用户A的指令为推送事故车辆和事故人员具体信息至交通值勤人员，下一个分析处理的角色标识为空。
本发明的一种基于智联网的摄像机协同作业方法、系统及计算机存储介质通过采集摄像机所监控事件的事件属性，并将所述事件属性输入至摄像机协同作业模型中，输出得到协同工作任务列表。利用智联网摄像机的分析能力搭建摄像机协同作业模型，解放摄像机后台用户的设计编排任务的压力。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于智联网的摄像机协同作业方法，其特征在于，应用于由多个智能体通过网络连接形成的智联网中；其中，每个智能体为具备存储、计算和联网能力的摄像机；所述智能体通过同一知识模型进行协同工作，所述知识模型包括：被监控事件的事件类型、被监控事件的发生地点、被监控事件的监控起始时间和监控结束时间以及后台用户与摄像机的协同工作列表；
协同作业方法包括：
多个智能体对各监控场景进行不断监控，当后台用户判断出现需处理事件，定义所述需处理事件的事件类型、被监控事件的发生地点、被监控事件的监控起始时间和预测的监控结束时间作为事件向量，输入摄像机协同工作模型，输出得到后台用户与摄像机协同工作列表；所述协同工作列表包括一个以上的摄像机任务和人员任务，每个摄像机任务和人员任务均包含有下一个分析处理的角色标识以指示摄像机任务和人员任务的次序。
2.根据权利要求1所述一种基于智联网的摄像机协同作业方法，其特征在于，
所述摄像机任务包括：被使用摄像机的网络标识、被使用摄像机部署的地理位置、被使用摄像机使用的起始时间和结束时间，在起始时间和结束时间被使用摄像机所使用的分析处理能力，以及下一个分析处理的角色标识；
所述人员任务包括：人员标识、下达的指令和下一个分析处理的角色标识；
其中，角色标识为人员标识或摄像机标识。
3.根据权利要求1所述一种基于智联网的摄像机协同作业方法，其特征在于，所述摄像机协同工作模型通过以下方法训练得到：
根据多组所述后台用户与所述摄像机的交互式监控操作的信息，构建通过同一知识模型进行协同工作的协同工作知识；将历史积累的多组协同工作知识作为学习样本；
根据每一个学习样本的知识模型，构建事件向量到后台用户与摄像机的协同工作列表的映射；建立自回归模型，利用所述学习样本进行训练得到摄像机协同工作模型。
4.根据权利要求3所述一种基于智联网的摄像机协同作业方法，其特征在于，根据多组所述后台用户与所述摄像机的交互式监控操作的信息，构建通过同一知识模型进行协同工作的协同工作知识，包括以下步骤：
S1多个摄像机对各监控场景进行监控并将视频流传至后台监控中心；每个摄像机的智 联网能力模型表示为
Figure DEST_PATH_IMAGE001
，其中
Figure 294445DEST_PATH_IMAGE002
代表摄像机的网络标识，
Figure DEST_PATH_IMAGE003
代表该摄像 机的计算能力，
Figure 273903DEST_PATH_IMAGE004
代表存储能力，
Figure DEST_PATH_IMAGE005
代表该摄像机部署的地理位置，
Figure 53640DEST_PATH_IMAGE006
为摄像机分析 处理能力列表；知识模型表达为
Figure DEST_PATH_IMAGE007
，其中
Figure 12631DEST_PATH_IMAGE008
为被监控的事件类型，
Figure DEST_PATH_IMAGE009
为被监控事件的发生地点，
Figure 889320DEST_PATH_IMAGE010
为被监控事 件的监控起始时间和监控结束时间，
Figure DEST_PATH_IMAGE011
为后台用户与摄像机协同工作列表，内容分为 摄像机任务和人员任务；摄像机任务为
Figure 711782DEST_PATH_IMAGE012
，其中
Figure 41133DEST_PATH_IMAGE002
代表被使用 摄像机的网络标识，
Figure 240033DEST_PATH_IMAGE005
代表被使用摄像机部署的地理位置，
Figure DEST_PATH_IMAGE013
代表被使用摄像机使 用的起始时间和结束时间，
Figure 971228DEST_PATH_IMAGE014
代表在
Figure 964592DEST_PATH_IMAGE013
时间内被使用摄像机所使用的分析处理能力，
Figure DEST_PATH_IMAGE015
代表下一个分析处理的角色标识；人员任务为
Figure 282703DEST_PATH_IMAGE016
，其中
Figure 19715DEST_PATH_IMAGE002
为人员标 识，
Figure DEST_PATH_IMAGE017
为下达的指令，
Figure 605417DEST_PATH_IMAGE015
代表下一个分析处理的角色标识；角色标识为人员标识或摄 像机标识；
S2 后台用户根据视频流不断判断是否有异常情况发生，若判断发生异常情况，由后台 用户定义
Figure 35262DEST_PATH_IMAGE008
，
Figure 339204DEST_PATH_IMAGE009
，
Figure 614327DEST_PATH_IMAGE018
，其中
Figure 257798DEST_PATH_IMAGE008
为异常事件的事件类型、
Figure 655282DEST_PATH_IMAGE009
为拍 摄到所述异常事件的摄像机的部署位置、
Figure 384203DEST_PATH_IMAGE018
为使用所述摄像机的起始时间；然后转入S3；
S3后台用户发出指令，即
Figure 463018DEST_PATH_IMAGE017
，若指令包括需要被使用的摄像机的网络标识和所述需 要被使用的摄像机的分析能力，则转入S4，若指令为结束，则转入S6；
S4 开始指令的下一个摄像机任务，即
Figure 524777DEST_PATH_IMAGE015
，若
Figure 296424DEST_PATH_IMAGE015
不为空，则将所述
Figure 247062DEST_PATH_IMAGE015
存储 为上一条记录中的
Figure 191885DEST_PATH_IMAGE015
，否则转入S3；
S5 标识为
Figure 544368DEST_PATH_IMAGE015
的摄像机开始运用指令中的分析能力，系统记录此摄像机的
Figure 549234DEST_PATH_IMAGE002
、
Figure 987168DEST_PATH_IMAGE005
、
Figure DEST_PATH_IMAGE019
和
Figure 470102DEST_PATH_IMAGE014
，分析结束后由后台用户确认分析结果，分析结果通过则结束使用此摄像机 记录使用
Figure 942672DEST_PATH_IMAGE020
，并转入S4；若不通过，则将此摄像机的
Figure 56121DEST_PATH_IMAGE002
、
Figure 545134DEST_PATH_IMAGE005
、
Figure 769442DEST_PATH_IMAGE020
和
Figure 830939DEST_PATH_IMAGE014
删除，并转入S3；
S6 后台用户确认使用摄像机拍摄所述异常事件的结束时间
Figure DEST_PATH_IMAGE021
；
S7 收集S3~S5中的后台用户任务列表和摄像机任务列表的构建摄像机协同工作列表
Figure 177606DEST_PATH_IMAGE011
。
5.根据权利要求4所述一种基于智联网的摄像机协同作业方法，其特征在于，训练所述摄像机协同工作模型时，所述方法还包括以下步骤：
针对每一个知识模型
Figure 590133DEST_PATH_IMAGE007
，由后台用户确认，将 其中协同工作列表
Figure 680449DEST_PATH_IMAGE011
中不需要指挥员下指令的任务去掉，需要由指挥员做决策和下 指令的任务保留，得到更新的知识模型
Figure 862031DEST_PATH_IMAGE022
；其中，
Figure DEST_PATH_IMAGE023
为更新后的协同工作列表；
根据每一个学习样本的知识模型，构建事件向量到所述更新后的协同工作列表的映射；建立自回归模型，根据事件向量到所述更新后的协同工作列表的映射，利用所述学习样本进行训练得到摄像机协同工作模型。
6.一种计算机系统，包括存储器、处理器以及存储在存储器上并可在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上述权利要求1至5任一所述方法的步骤。
7.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现上述权利要求1至5任一所述方法中的步骤。
CN202110966204.0A 2021-08-23 2021-08-23 一种基于智联网的摄像机协同作业方法、系统及计算机存储介质 Active CN113422939B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110966204.0A CN113422939B (zh) 2021-08-23 2021-08-23 一种基于智联网的摄像机协同作业方法、系统及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110966204.0A CN113422939B (zh) 2021-08-23 2021-08-23 一种基于智联网的摄像机协同作业方法、系统及计算机存储介质

Publications (2)

Publication Number Publication Date
CN113422939A true CN113422939A (zh) 2021-09-21
CN113422939B CN113422939B (zh) 2021-12-07

Family

ID=77719768

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110966204.0A Active CN113422939B (zh) 2021-08-23 2021-08-23 一种基于智联网的摄像机协同作业方法、系统及计算机存储介质

Country Status (1)

Country Link
CN (1) CN113422939B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11136663A (ja) * 1997-10-29 1999-05-21 Kyuunan:Kk 監視装置
JP2014175786A (ja) * 2013-03-07 2014-09-22 Canon Inc 撮像装置
CN111107314A (zh) * 2019-12-06 2020-05-05 江苏苏宁物流有限公司 一种仓库物流的监控方法和系统
CN111553264A (zh) * 2020-04-27 2020-08-18 中国科学技术大学先进技术研究院 一种适用于中小学生的校园非安全行为检测及预警方法
JP2020144738A (ja) * 2019-03-08 2020-09-10 三菱電機株式会社 防犯装置、及び、防犯方法
CN112509270A (zh) * 2020-11-19 2021-03-16 北京城市轨道交通咨询有限公司 一种列车车厢的火灾监控联动方法、装置及系统
CN112511541A (zh) * 2020-12-01 2021-03-16 万申科技股份有限公司 一种基于云计算的智慧园区应急预警管理系统
CN112866647A (zh) * 2021-01-15 2021-05-28 森罗云科技(广州)有限公司 一种基于智慧社区的物业智能化管理系统
CN112988337A (zh) * 2021-03-01 2021-06-18 创新奇智(上海)科技有限公司 任务处理系统、方法、装置、电子设备、存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11136663A (ja) * 1997-10-29 1999-05-21 Kyuunan:Kk 監視装置
JP2014175786A (ja) * 2013-03-07 2014-09-22 Canon Inc 撮像装置
JP2020144738A (ja) * 2019-03-08 2020-09-10 三菱電機株式会社 防犯装置、及び、防犯方法
CN111107314A (zh) * 2019-12-06 2020-05-05 江苏苏宁物流有限公司 一种仓库物流的监控方法和系统
CN111553264A (zh) * 2020-04-27 2020-08-18 中国科学技术大学先进技术研究院 一种适用于中小学生的校园非安全行为检测及预警方法
CN112509270A (zh) * 2020-11-19 2021-03-16 北京城市轨道交通咨询有限公司 一种列车车厢的火灾监控联动方法、装置及系统
CN112511541A (zh) * 2020-12-01 2021-03-16 万申科技股份有限公司 一种基于云计算的智慧园区应急预警管理系统
CN112866647A (zh) * 2021-01-15 2021-05-28 森罗云科技(广州)有限公司 一种基于智慧社区的物业智能化管理系统
CN112988337A (zh) * 2021-03-01 2021-06-18 创新奇智(上海)科技有限公司 任务处理系统、方法、装置、电子设备、存储介质

Also Published As

Publication number Publication date
CN113422939B (zh) 2021-12-07

Similar Documents

Publication Publication Date Title
CN108388888B (zh) 一种车辆识别方法、装置和存储介质
AU2022246412A2 (en) A method and apparatus for conducting surveillance
CN108701392A (zh) 用于执行监视的方法和装置
CN109002789B (zh) 一种应用于摄像头的人脸识别方法
CN110298683A (zh) 基于微表情的信息推广方法、装置、设备及介质
CN111738083B (zh) 一种人脸识别模型的训练方法和装置
CN112132030B (zh) 视频处理方法及装置、存储介质及电子设备
CN116186770A (zh) 图像脱敏方法、装置、电子设备及存储介质
CN113128368B (zh) 一种人物交互关系的检测方法、装置及系统
JP2008146191A (ja) 画像出力装置および画像出力方法
CN112699758A (zh) 基于动态手势识别的手语翻译方法、装置、计算机设备及存储介质
CN111881740A (zh) 人脸识别方法、装置、电子设备及介质
CN112383824A (zh) 视频广告过滤方法、设备及存储介质
US11301508B2 (en) System for creating an audio-visual recording of an event
CN111241926A (zh) 考勤与学情分析方法、系统、设备及可读存储介质
CN113422939B (zh) 一种基于智联网的摄像机协同作业方法、系统及计算机存储介质
CN114051116A (zh) 一种驾考车辆的视频监控方法、装置以及系统
CN113592881A (zh) 图片指代性分割方法、装置、计算机设备和存储介质
WO2024103682A1 (zh) 基于视频分类的跌倒行为识别方法及电子设备
CN116205726A (zh) 一种贷款风险预测方法、装置、电子设备及存储介质
CN114827553B (zh) 视频巡控方法、装置、设备及存储介质
Aravindan et al. A Smart Assistive System for Visually Impaired to Inform Acquaintance Using Image Processing (ML) Supported by IoT
CN114513681A (zh) 一种视频处理系统、方法、装置、电子设备和存储介质
CN110826436A (zh) 情绪数据传输及处理方法、装置、终端设备、云平台
CN115410137B (zh) 基于时空特征的双流工人劳动状态识别方法

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