CN113505643A - 违章目标物检测方法及相关装置 - Google Patents

违章目标物检测方法及相关装置 Download PDF

Info

Publication number
CN113505643A
CN113505643A CN202110632531.2A CN202110632531A CN113505643A CN 113505643 A CN113505643 A CN 113505643A CN 202110632531 A CN202110632531 A CN 202110632531A CN 113505643 A CN113505643 A CN 113505643A
Authority
CN
China
Prior art keywords
target object
violation
detection
target
area
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
Application number
CN202110632531.2A
Other languages
English (en)
Inventor
张兴明
严广宇
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.)
Zhejiang Dahua Technology Co Ltd
Original Assignee
Zhejiang Dahua 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 Zhejiang Dahua Technology Co Ltd filed Critical Zhejiang Dahua Technology Co Ltd
Priority to CN202110632531.2A priority Critical patent/CN113505643A/zh
Publication of CN113505643A publication Critical patent/CN113505643A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种违章目标物检测方法及相关装置，所述违章目标物检测方法包括：获取监控设备在预定位置且采用预定角度对当前检测区域所拍摄获得的多张检测图像；获得每张所述检测图像中的每个目标物区域以及预测的各个目标物类型的置信度；其中，所述目标物类型包括普通目标物和违章目标物；响应于当前目标物的所述目标物类型为普通目标物且其置信度超过第一置信度阈值，则利用与所述检测图像对应的基准图像判定所述普通目标物是否为空地新增违章目标物；其中，所述基准图像为所述当前检测区域中无违章目标物的历史图像。通过上述设计方式，本申请能够有效识别出空地新增违章目标物的情况。

Description

违章目标物检测方法及相关装置
技术领域
本申请属于违章目标物检测技术领域，具体涉及一种违章目标物检测方法及相关装置。
背景技术
随着城市化的快速发展，房产价值的不断提升，非法占用土地新增违章建筑，或者改变原有建筑设计加盖违章建筑的事件层出不穷。尽管很多地方政府也都成立的专门的部门管理查处违章建筑，但是人力资源有限，信息途径有限，不能及时有效发现违章建筑。尤其是某些空地新增的普通房屋也属于违章建筑，但现有的违章建筑检测方式很难将其识别出来。
发明内容
本申请提供一种违章目标物检测方法及相关装置，以有效识别出空地新增违章目标物的情况。
为解决上述技术问题，本申请采用的一个技术方案是：提供一种违章目标物检测方法，包括：获取监控设备在预定位置且采用预定角度对当前检测区域所拍摄获得的多张检测图像；获得每张所述检测图像中的每个目标物区域以及预测的各个目标物类型的置信度；其中，所述目标物类型包括普通目标物和违章目标物；响应于当前目标物的所述目标物类型为普通目标物且其置信度超过第一置信度阈值，则利用与所述检测图像对应的基准图像判定所述普通目标物是否为空地新增违章目标物；其中，所述基准图像为所述当前检测区域中无违章目标物的历史图像。
其中，所述利用与所述检测图像对应的基准图像判定所述普通目标物是否为空地新增违章目标物的步骤，包括：利用当前目标物的所述目标物区域在所述检测图像中的位置信息，从与所述检测图像对应的所述基准图像中获得对应的基准区域；获得所述目标物区域与对应的所述基准区域之间的第一重叠率；响应于所述第一重叠率低于第一阈值，则判定当前目标物为空地新增违章目标物。
其中，所述获得所述目标物区域与对应的所述基准区域之间的第一重叠率的步骤，包括：获得所述目标物区域和对应的所述基准区域之间的第一重叠面积以及第一合并面积；其中，所述第一合并面积为所述目标物区域的面积与所述基准区域的面积之和减去所述重叠面积；将所述第一重叠面积与所述第一合并面积的比值作为所述第一重叠率。
其中，所述获得每张所述检测图像中的每个目标物区域以及预测的各个目标物类型的置信度的步骤之后，还包括：响应于当前目标物的所述目标物类型为违章目标物且其置信度超过第二置信度阈值，则利用与所述检测图像对应的基准图像判定所述违章目标物是否为真实违章目标物。
其中，所述利用与所述检测图像对应的基准图像判定所述违章目标物是否为真实违章目标物的步骤，包括：对当前目标物的所述目标物区域进行抠图操作以获得目标物成像；利用当前目标物的所述目标物区域在所述检测图像中的位置信息，从与所述检测图像对应的所述基准图像中获得对应的基准区域，并对所述基准区域进行抠图操作以获得目标物基准成像；获得所述目标物成像和所述目标物基准成像之间的相似度；响应于所述相似度小于第一相似度阈值，则判定当前目标物为真实违章目标物。
其中，所述获得所述目标物成像和所述目标物基准成像之间的相似度的步骤之前，包括：对所述目标物成像进行高分辨率重建。
其中，当利用与所述检测图像对应的基准图像判定所述普通目标物为空地新增违章目标物或者利用与所述检测图像对应的基准图像判定所述违章目标物为真实违章目标物的步骤之后，所述违章目标物检测方法还包括：生成当前目标物对应的预警信息，所述预警信息包括累计检出次数；判断所述当前目标物的累计检出次数是否超过预警阈值；若是，则生成报警信息并进行上报。
其中，所述生成当前目标物对应的预警信息的步骤，包括：判断是否存在已生成的预警信息；若已存在已生成的预警信息，则获得当前目标物的目标物区域与已生成的预警信息对应的违章目标物之间的第二重叠率；响应于所述第二重叠率超过第二阈值，则所述当前目标物与已生成的预警信息对应的违章目标物为同一个，将与所述当前目标物对应的已生成的预警信息中的累计检出次数加一；若不存在已生成的预警信息，则直接生成当前目标物对应的预警信息，且当前目标物对应的预警信息中的累计检出次数为一。
其中，所述获得每张所述检测图像中的每个目标物区域以及对应的目标物类型的步骤，包括：利用Faster RCNN模型或YOLO模型或SSD模型获得所述检测图像中的每个目标物区域以及对应的目标物类型；和/或，所述对所述目标物成像进行高分辨率重建的步骤，包括：利用生成对抗模型对所述目标物成像进行高分辨率重建；和/或，所述获得所述目标物成像和所述目标物基准成像之间的相似度的步骤，包括：利用孪生模型对所述目标物成像和所述目标物基准成像同时进行特征提取以分别获得目标物成像特征向量和目标物基准成像特征向量；获得所述目标物成像特征向量和所述目标物基准成像特征向量之间的相似度。
其中，所述获取监控设备在预定位置且采用预定角度对当前检测区域所拍摄获得的多张检测图像的步骤之前，包括：获取并存储所述监控设备在所述预定位置且分别采用多个角度对所述当前检测区域所拍摄获得的多张基准图像；所述利用与所述检测图像对应的基准图像判定所述普通目标物是否为空地新增违章目标物的步骤之前，包括：根据所述监控设备所处的预定位置以及所采用的预定角度获得对应的所述基准图像。
其中，所述当前目标物包括建筑物。
为解决上述技术问题，本申请提供的另一种技术方案是：提供一种违章目标物检测装置，包括：处理器和存储器，其中，所述处理器与所述存储器耦接，用于实现上述任一实施例中所述的违章目标物检测方法。
为解决上述技术问题，本申请采用的又一个技术方案是：提供一种具有存储功能的装置，其上存储有程序数据，所述程序数据能够被处理器执行以实现上述任一实施例中所述的违章目标物检测方法。
区别于现有技术情况，本申请的有益效果是：本申请所提供的违章目标物检测方法中会对每张检测图像进行识别以获得每个目标物区域和对应的目标物类型；而当当前目标物的目标物类型为普通目标物时，则利用与检测图像对应的基准图像来判定该普通目标物是否为空地新增违章目标物；其中，该基准图像为当前检测区域中无违章目标物的历史图像。即本申请中可以通过结合历史图像(即基准图像)来判定该普通目标物是否属于空地新增违章目标物，其准确率较高。当当前目标物为建筑物时，通过上述方式可以准确判断出是否存在空地新增违章建筑的情况。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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它的附图，其中：
图1为本申请违章目标物检测方法一实施方式的流程示意图；
图2为图1中步骤S104对应的一实施方式的流程示意图；
图3为图1中步骤S106对应的一实施方式的流程示意图；
图4为本申请违章目标物检测装置一实施方式的框架示意图；
图5为本申请违章目标物检测装置一实施方式的结构示意图；
图6为本申请具有存储功能的装置一实施方式的结构示意图。
具体实施方式
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，所描述的实施例仅是本申请的一部分实施例，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它实施例，都属于本申请保护的范围。
请参阅图1，图1为本申请违章目标物检测方法一实施方式的流程示意图，该违章目标物检测方法具体包括：
S101：获取监控设备在预定位置且采用预定角度对当前检测区域所拍摄获得的多张检测图像。
具体地，在本实施例中，监控设备可以为安置在城市或农村场景制高点的高空监控摄像机或者是无人机等。为了便于后续判定过程，在上述步骤S101之前，本申请所提供的违章目标物检测方法还包括利用监控设备建立由多个基准图像形成的数据库，而该基准图像为当前检测区域中无违章目标物的历史图像。上述建立数据库的具体过程可以为：获取并存储监控设备在预定位置且分别采用多个角度对当前检测区域所拍摄获得的多张基准图像。
以高空监控摄像机为例，在进行违章目标物检测之前，摄像机需针对待检测的多个检测区域设立基准图像。基准图像的设立可按如下方式进行：在天气状况良好且视野开阔的情况下，高空监控摄像机到达预定位置后每次横向转动一定角度(如5度等)，然后镜头变焦到不同位置的检测区域，停留5分钟，拍摄距离合适且清晰度较高的图片作为基准图像。镜头旋转拍摄360度后，即可设立完该检测区域内的所有基准图像。后续可以将该所有基准图像输入到进行目标检测的第一深度学习模型(例如Faster RCNN模型、YOLO模型或SSD模型)中，检测基准图像中已有的目标物，保存并记录该检测区域内已有目标物的类型与目标物区域(即检出矩形框)在基准图像中的坐标信息。而在建立多个基准图像构成的数据库的过程中，还可经过人工筛选过程，此时人工筛选过程可能发现当前拍摄获得的基准图像中已经存在违章目标物，则此时可通知相关部门对该违章目标物进行处理，且在处理后对该检测区域重新进行拍摄以获得不包含违章目标物的基准图像。
另外，在进行上述步骤S101时，为保证拍摄的检测图像能与基准图像具有相同的拍摄场景，监控设备需与拍摄基准图像时所处的预定位置以及转动角度的方式相同。
此外，在本申请中，对当前检测区域进行违章目标物检测的对象可以为建筑物。一般而言，违章建筑的产生时间周期较长，故违章建筑目标物功能可以固定时间间隔开启检测一次，如间隔一周，一个月等。即可对当前检测区域每间隔预定周期执行上述违章目标物检测方法。在开启违章目标物检测功能后，监控设备按照设立基准图像时的移动方式进行移动，到达预定位置后，停留一段时间(例如，5-10分钟等)并保持预定角度不变以拍摄获得多张检测图像。当然，在其他实施例中，对当前检测区域进行违章目标物检测的对象还可以是构筑物或其他设施等。当其为构筑物或其他设施时，上述预定周期的大小可以根据实际目标物的产生时间周期进行设定。
S102：获得每张检测图像中的每个目标物区域以及预测的对应的目标物类型的置信度，其中，目标物类型包括普通目标物和违章目标物。
具体地，在本实施例中，在进行上述步骤S102之前，还可以对检测图像进行滤波去噪等图像预处理以使得后续检测结果较为精确。而上述步骤S102的具体实现过程可以为：利用第一深度学习模型(例如，Faster RCNN模型或YOLO模型或SSD模型等)获得检测图像中的每个目标物区域(例如，包含目标物的矩形框坐标)以及对应的目标物类型。当然，在其他实施例中，也可结合项目需求与硬件条件灵活设置，选择其他合适的模型结构。
当然，容易想到的是，在上述步骤S102之前需要预先训练第一深度学习模型。第一深度学习模型的输出结果为包含目标物的矩形框坐标和预测为普通目标物或违章目标物的置信度。第一深度学习模型是基于样本图像和样本图像的标注标签训练得到的。样本图像为：城市与农村场景中常见目标物物的图像。标注标签为：样本图像中目标物区域的矩形框坐标和目标物物的类别。本申请根据城市与农村场景中常见的目标物物，将目标物划分标注为：普通目标物和违章目标物。
S103：判断当前目标物的目标物类型是否为普通目标物且其置信度超过第一置信度阈值。
具体地，在本实施例中，第一置信度阈值可以根据实际需求进行设定，例如，该第一置信度阈值为0.8等。
S104：若是，则利用与检测图像对应的基准图像判定普通目标物是否为空地新增违章目标物。
具体地，在本实施例中，在上述步骤S104中利用与检测图像对应的基准图像判定普通目标物是否为空地新增违章目标物的步骤之前，还需要从数据库中获得与当前检测图像对应的基准图像，具体过程可以为：根据监控设备所处的预定位置以及所采用的预定角度获得对应的基准图像。
进一步，请参阅图2，图2为图1中步骤S104对应的一实施方式的流程示意图。上述步骤S104具体包括：
S201：利用当前目标物的目标物区域在检测图像中的位置信息，从与检测图像对应的基准图像中获得对应的基准区域。
具体地，当前目标物的目标物区域在检测图像中的位置信息可以理解为当前目标物的矩形框在检测图像中的坐标信息，通过该坐标信息从对应的基准图像中获得具有相同坐标信息的矩形框对应的区域即为基准区域。
S202：获得目标物区域与对应的基准区域之间的第一重叠率。
具体地，上述步骤S202的具体实现过程可以为：获得目标物区域和对应的基准区域之间的第一重叠面积以及第一合并面积；其中，第一合并面积为目标物区域的面积与基准区域的面积之和减去重叠面积；将第一重叠面积与第一合并面积的比值作为第一重叠率IOU1。以公式表示如下：
Figure BDA0003104228430000071
其中，Area1表示目标物区域的面积、Area2表示基准区域的面积，Area1∩Area2表示目标物区域和基准区域的第一重叠面积(即具有相同区域的面积)。Area1∪Area2表示目标物区域和基准区域的第一合并面积，即Area1+Area2-(Area1∩Area2)。
S203：响应于第一重叠率低于第一阈值，则判定当前目标物为空地新增违章目标物；响应于第一重叠率大于或等于第一阈值，则判定当前目标物不是空地新增违章目标物。
具体地，在本实施例中，第一阈值可以根据实际需求进行设定，例如，该第一阈值为0.2等。
即本申请中可以通过结合历史图像(即基准图像)来判定该普通目标物是否属于空地新增违章目标物，其准确率较高。当然，在其他实施例中，上述步骤S104中利用与检测图像对应的基准图像判定普通目标物是否为空地新增违章目标物的实现过程也可为其他，例如，可以通过对比目标物区域与对应的基准区域之间的相似度情况来评定当前目标物是否为空地新增违章目标物。
此外，请继续参阅图1，与上述步骤S104同时的还有：
S105：若否，则判断当前目标物的目标物类型是否为违章目标物且其置信度超过第二置信度阈值。
具体地，在本实施例中，第二置信度阈值可以与第一置信度阈值相同，例如，第二置信度阈值可以0.8等。
S106：若是，则利用与检测图像对应的基准图像判定违章目标物是否为真实违章目标物。
具体地，在本实施例中，请参阅图3，图3为图1中步骤S106对应的一实施方式的流程示意图，上述步骤S106具体包括：
S301：对当前目标物的目标物区域进行抠图操作以获得目标物成像。
S302：利用当前目标物的目标物区域在检测图像中的位置信息，从与检测图像对应的基准图像中获得对应的基准区域，并对基准区域进行抠图操作以获得目标物基准成像。
具体地，在本实施例中，上述步骤S302和步骤S301的顺序也可以调换。
S303：获得目标物成像和目标物基准成像之间的相似度。
由于拍摄距离和天气的影响，高空监控设备实际拍摄所得的检测图片通常存在不同程度的模糊现象，这一点在抠图所得的目标物成像上尤为明显。为了在后续与目标物基准成像进行相似度计算时得到较为准确的相似度估计值，在上述步骤S303之前还可将步骤S302中抠图得到的目标物成像输入到第二深度学习模型中，进行图像高分辨率重建，恢复目标物成像中的细节与纹理信息，得到高清重建后的目标物成像。
可选地，在本实施例中，第二深度学习模型为生成对抗模型(例如，ESRGAN模型等)。第二深度学习模型是基于模糊的目标物物图片和与其对应的高清目标物物图片训练得到的。训练过程中，模糊的目标物物图片输入到ESRGAN的生成器网络中，模拟生成高清的目标物物图片，然后将模拟的高清目标物物图片与真实的高清目标物物图片分别输入到判别器网络中，让判别器网络分辨输入图片是否为真实的高清图片。生成器网络用于尽可能模拟生成出高清的目标物图片，判别器网络则用于尽可能分辨别出模拟的高清图片与真实的高清图片。通过多次重复迭代上述步骤，即可用ESRGAN的生成器网络得到足够清晰逼真的高清目标物物图片。
当然，在本实施例中，由于基准图像的分辨率较高，故无需对目标物基准图像进行高分辨率重建。
此外，上述步骤S303的具体实现过程可以为：利用孪生网络模型对目标物成像和目标物基准成像同时进行特征提取以分别获得目标物成像特征向量和目标物基准成像特征向量；获得目标物成像特征向量和目标物基准成像特征向量之间的相似度。该方法与直接利用像素点进行相似度计算的方式相比，误差较小。
S304：响应于相似度小于第一相似度阈值，则判定当前目标物为真实违章目标物；响应于相似度大于或等于第一相似度阈值，则判定当前目标物不是真实违章目标物。
具体地，在本实施例中，第一相似度阈值可以根据实际需求进行设定，例如，第一相似度阈值可以为0.7等。
在某些情况下，在步骤S102中第一深度学习模型可能存在误检，即将普通目标物误识别为违章目标物；且一般而言，只有新增违章目标物才能立案。故在上述过程中引入了与基准图像的比对过程，新检出的违章目标物物与历史基准图像进行相似度计算，根据计算得到相似度来最终判定是否存在真实违章目标物，即可以提高违章目标物检测的准确率。
此外，请继续参阅图1，当在上述步骤S104中利用与检测图像对应的基准图像判定普通目标物为空地新增违章目标物的步骤之后，或者在上述步骤S106中利用与检测图像对应的基准图像判定违章目标物为真实违章目标物的步骤之后，本申请所提供的违章目标物检测方法还包括：
S107：生成当前目标物对应的预警信息，预警信息包括空地新增违章目标物/真实违章目标物的累计检出次数。
具体地，上述步骤S107的实现过程可以为：
A、判断是否存在已生成的预警信息。
具体而言，当已经有目标物检测出为空地新增违章目标物时，已生成的预警信息可以包括：该空地新增违章目标物的第一次检出时间、检出矩形框位置坐标、检出置信度、第一重叠率和累计检出次数。
当已经有目标物检测出为真实违章目标物时，已生成的预警信息可以包括：该真实违章目标物的第一次检出时间、检出矩形框位置坐标、检出置信度、相似度和累计检出次数。
B、若已存在已生成的预警信息，则获得当前目标物的目标物区域与已生成的预警信息对应的违章目标物的目标物区域之间的第二重叠率。
具体地，若已存在已生成的预警信息，则表明在多个检测图像中已经有空地新增违章目标物或真实违章目标物被检出。而具体第二重叠率IOU2的计算公式可以为：
Figure BDA0003104228430000101
其中，Area3表示当前目标物的目标物区域的面积、Area2表示已生成的预警信息对应的违章目标物的面积，Area3∩Area4表示两者的第二重叠面积(即具有相同区域的面积)。Area3∪Area4表示两者的第二合并面积，即Area3+Area4-Area3∩Area4。
当然，已生成的预警信息可能不止一个，可以将该当前空地新增违章目标物或真实违章目标物与多个已生成的预警信息分别进行上述第二重叠率的计算。
C、响应于第二重叠率超过第二阈值，则当前目标物与已生成的预警信息对应的违章目标物为同一个，将与当前目标物对应的违章目标物为同一个的已生成的预警信息中的累计检出次数加一。
具体地，第二阈值的大小可以根据实际需求进行设定，例如，第二阈值为0.6等。此外，还可进一步对与当前目标物对应的违章目标物为同一个的已生成的预警信息中的其他信息进行更新，例如，将已生成的预警信息中的检出矩形框位置坐标、检出置信度、第一重叠率/相似度更新为当前目标物对应的信息。
D、若不存在已生成的预警信息，则直接生成当前目标物对应的预警信息，且当前目标物对应的预警信息中的累计检出次数为一；或者，若第二重叠率小于或等于第二阈值，则表明当前目标物与已生成的预警信息对应的违章目标物不是同一个，则生成当前目标物对应的预警信息，且当前目标物对应的预警信息中的累计检出次数为一。上述两种情况表明当前目标物所对应的空地违章目标物/真实违章目标物是首次被检出。
S108：判断当前目标物的累计检出次数是否超过预警阈值。
具体地，该预警阈值可以根据实际需求进行设定，例如，当多张检测图像的个数为60时，预警阈值可以为30。
S109：若是，则生成报警信息并进行上报。
此外，需要说明的是，一张检测图像中可能包含多个目标物区域，可以针对当前检测图像中的每个目标物区域均执行上述步骤S103至步骤S109的过程。当对当前检测图像中的当前目标物区域检测过程结束后，可以对当前检测图像中的下一个目标物区域重复执行上述步骤S103至步骤S109，直至当前检测图像中的所有目标物区域均检测完毕。而当当前检测图像中的所有目标物区域均检测完毕后，可继续对下一检测图像执行上述过程。
请参阅图4，图4为本申请违章目标物检测装置一实施方式的框架示意图，该违章目标物检测装置具体包括：
获取模块10，用于获取监控设备在预定位置且采用预定角度对当前检测区域所拍摄获得的多张检测图像。
预测模块12，与获取模块10耦接，用于获得每张检测图像中的每个目标物区域以及预测的各个目标物类型的置信度；其中，目标物类型包括普通目标物和违章目标物。
处理模块14，与预测模块12耦接，用于判断当前目标物的目标物类型为是否为普通目标物且其置信度超过第一置信度阈值；若是，则利用与检测图像对应的基准图像判定普通目标物是否为空地新增违章目标物；其中，基准图像为当前检测区域中无违章目标物的历史图像。
请参阅图5，图5为本申请违章目标物检测装置一实施方式的结构示意图。该违章目标物检测装置包括相互耦接的处理器20和存储器22，用于相互配合以实现上述任一实施例中所述的违章目标物检测方法。在本实施例中，处理器20还可以称为CPU(CentralProcessing Unit，中央处理单元)。处理器20可能是一种集成电路芯片，具有信号的处理能力。处理器20还可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
此外，本申请所提供的违章目标物检测装置还可包括其他结构，例如，常见的显示屏、通信电路等，本申请对此不作过多说明。
请参阅图6，图6为本申请具有存储功能的装置一实施方式的结构示意图。该具有存储功能的装置30上存储有程序数据300，程序数据300能够被处理器执行以实现上述任一实施例中所述的违章目标物检测方法。其中，该程序数据300可以以软件产品的形式存储在上述存储装置中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储装置包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质，或者是计算机、服务器、手机、平板等终端设备。
以上所述仅为本申请的实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (13)

1.一种违章目标物检测方法，其特征在于，包括：
获取监控设备在预定位置且采用预定角度对当前检测区域所拍摄获得的多张检测图像；
获得每张所述检测图像中的每个目标物区域以及预测的各个目标物类型的置信度；其中，所述目标物类型包括普通目标物和违章目标物；
响应于当前目标物的所述目标物类型为普通目标物且其置信度超过第一置信度阈值，则利用与所述检测图像对应的基准图像判定所述普通目标物是否为空地新增违章目标物；其中，所述基准图像为所述当前检测区域中无违章目标物的历史图像。
2.根据权利要求1所述的违章目标物检测方法，其特征在于，所述利用与所述检测图像对应的基准图像判定所述普通目标物是否为空地新增违章目标物的步骤，包括：
利用当前目标物的所述目标物区域在所述检测图像中的位置信息，从与所述检测图像对应的所述基准图像中获得对应的基准区域；
获得所述目标物区域与对应的所述基准区域之间的第一重叠率；
响应于所述第一重叠率低于第一阈值，则判定当前目标物为空地新增违章目标物。
3.根据权利要求2所述的违章目标物检测方法，其特征在于，所述获得所述目标物区域与对应的所述基准区域之间的第一重叠率的步骤，包括：
获得所述目标物区域和对应的所述基准区域之间的第一重叠面积以及第一合并面积；其中，所述第一合并面积为所述目标物区域的面积与所述基准区域的面积之和减去所述重叠面积；
将所述第一重叠面积与所述第一合并面积的比值作为所述第一重叠率。
4.根据权利要求1所述的违章目标物检测方法，其特征在于，所述获得每张所述检测图像中的每个目标物区域以及预测的各个目标物类型的置信度的步骤之后，还包括：
响应于当前目标物的所述目标物类型为违章目标物且其置信度超过第二置信度阈值，则利用与所述检测图像对应的基准图像判定所述违章目标物是否为真实违章目标物。
5.根据权利要求4所述的违章目标物检测方法，其特征在于，所述利用与所述检测图像对应的基准图像判定所述违章目标物是否为真实违章目标物的步骤，包括：
对当前目标物的所述目标物区域进行抠图操作以获得目标物成像；
利用当前目标物的所述目标物区域在所述检测图像中的位置信息，从与所述检测图像对应的所述基准图像中获得对应的基准区域，并对所述基准区域进行抠图操作以获得目标物基准成像；
获得所述目标物成像和所述目标物基准成像之间的相似度；
响应于所述相似度小于第一相似度阈值，则判定当前目标物为真实违章目标物。
6.根据权利要求5所述的违章目标物检测方法，其特征在于，所述获得所述目标物成像和所述目标物基准成像之间的相似度的步骤之前，包括：
对所述目标物成像进行高分辨率重建。
7.根据权利要求4所述的违章目标物检测方法，其特征在于，
当利用与所述检测图像对应的基准图像判定所述普通目标物为空地新增违章目标物或者利用与所述检测图像对应的基准图像判定所述违章目标物为真实违章目标物的步骤之后，所述违章目标物检测方法还包括：
生成当前目标物对应的预警信息，所述预警信息包括累计检出次数；
判断所述当前目标物的累计检出次数是否超过预警阈值；
若是，则生成报警信息并进行上报。
8.根据权利要求7所述的违章目标物检测方法，其特征在于，所述生成当前目标物对应的预警信息的步骤，包括：
判断是否存在已生成的预警信息；
若已存在已生成的预警信息，则获得当前目标物的目标物区域与已生成的预警信息对应的违章目标物之间的第二重叠率；
响应于所述第二重叠率超过第二阈值，则所述当前目标物与已生成的预警信息对应的违章目标物为同一个，将与所述当前目标物对应的已生成的预警信息中的累计检出次数加一；
若不存在已生成的预警信息，则直接生成当前目标物对应的预警信息，且当前目标物对应的预警信息中的累计检出次数为一。
9.根据权利要求6所述的违章目标物检测方法，其特征在于，
所述获得每张所述检测图像中的每个目标物区域以及对应的目标物类型的步骤，包括：利用Faster RCNN模型或YOLO模型或SSD模型获得所述检测图像中的每个目标物区域以及对应的目标物类型；和/或，
所述对所述目标物成像进行高分辨率重建的步骤，包括：利用生成对抗模型对所述目标物成像进行高分辨率重建；和/或，
所述获得所述目标物成像和所述目标物基准成像之间的相似度的步骤，包括：利用孪生模型对所述目标物成像和所述目标物基准成像同时进行特征提取以分别获得目标物成像特征向量和目标物基准成像特征向量；获得所述目标物成像特征向量和所述目标物基准成像特征向量之间的相似度。
10.根据权利要求1所述的违章目标物检测方法，其特征在于，
所述获取监控设备在预定位置且采用预定角度对当前检测区域所拍摄获得的多张检测图像的步骤之前，包括：获取并存储所述监控设备在所述预定位置且分别采用多个角度对所述当前检测区域所拍摄获得的多张基准图像；
所述利用与所述检测图像对应的基准图像判定所述普通目标物是否为空地新增违章目标物的步骤之前，包括：根据所述监控设备所处的预定位置以及所采用的预定角度获得对应的所述基准图像。
11.根据权利要求1-10中任一项所述的违章目标物检测方法，其特征在于，
所述当前目标物包括建筑物。
12.一种违章目标物检测装置，其特征在于，包括：
处理器和存储器，其中，所述处理器与所述存储器耦接，用于实现权利要求1-11中任一项所述的违章目标物检测方法。
13.一种具有存储功能的装置，其特征在于，其上存储有程序数据，所述程序数据能够被处理器执行以实现如权利要求1-11中任一项所述的违章目标物检测方法。
CN202110632531.2A 2021-06-07 2021-06-07 违章目标物检测方法及相关装置 Pending CN113505643A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110632531.2A CN113505643A (zh) 2021-06-07 2021-06-07 违章目标物检测方法及相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110632531.2A CN113505643A (zh) 2021-06-07 2021-06-07 违章目标物检测方法及相关装置

Publications (1)

Publication Number Publication Date
CN113505643A true CN113505643A (zh) 2021-10-15

Family

ID=78009100

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110632531.2A Pending CN113505643A (zh) 2021-06-07 2021-06-07 违章目标物检测方法及相关装置

Country Status (1)

Country Link
CN (1) CN113505643A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114005038A (zh) * 2021-11-08 2022-02-01 浙江力石科技股份有限公司 景区附近违章建筑的识别方法
CN117437598A (zh) * 2023-12-13 2024-01-23 山东大莱龙铁路有限责任公司 邻近营业线施工安全智能防护系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108052917A (zh) * 2017-12-25 2018-05-18 东南大学 一种基于新旧时相变化发现的违章建筑自动识别的方法
CN109145812A (zh) * 2018-08-20 2019-01-04 贵州宜行智通科技有限公司 违建监测方法及装置
CN109670515A (zh) * 2018-12-13 2019-04-23 南京工业大学 一种用于无人机影像中建筑物变化的检测方法及系统
CN109753928A (zh) * 2019-01-03 2019-05-14 北京百度网讯科技有限公司 违章建筑物识别方法和装置
CN110084169A (zh) * 2019-04-22 2019-08-02 东南大学 一种基于K-Means聚类和轮廓拓扑约束的违章建筑物识别方法
CN110096943A (zh) * 2019-01-28 2019-08-06 浙江浩腾电子科技股份有限公司 一种基于深度学习的违章建筑检测系统
CN110276319A (zh) * 2019-06-26 2019-09-24 韶关市创驰科技技术发展有限公司 一种比对监管系统
WO2020103109A1 (zh) * 2018-11-22 2020-05-28 深圳市大疆创新科技有限公司 一种地图生成方法、设备、飞行器及存储介质
CN111368615A (zh) * 2019-06-26 2020-07-03 杭州海康威视系统技术有限公司 一种违章建筑预警方法、装置及电子设备
CN111563448A (zh) * 2020-04-30 2020-08-21 北京百度网讯科技有限公司 一种违章建筑物检测方法、装置、电子设备和存储介质
CN111582117A (zh) * 2020-04-29 2020-08-25 长江大学 一种无人机违章建筑物巡检方法、设备及存储介质
WO2021003824A1 (zh) * 2019-07-11 2021-01-14 平安科技（深圳）有限公司 基于图像识别的违章建筑识别方法、装置

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108052917A (zh) * 2017-12-25 2018-05-18 东南大学 一种基于新旧时相变化发现的违章建筑自动识别的方法
CN109145812A (zh) * 2018-08-20 2019-01-04 贵州宜行智通科技有限公司 违建监测方法及装置
WO2020103109A1 (zh) * 2018-11-22 2020-05-28 深圳市大疆创新科技有限公司 一种地图生成方法、设备、飞行器及存储介质
CN109670515A (zh) * 2018-12-13 2019-04-23 南京工业大学 一种用于无人机影像中建筑物变化的检测方法及系统
CN109753928A (zh) * 2019-01-03 2019-05-14 北京百度网讯科技有限公司 违章建筑物识别方法和装置
CN110096943A (zh) * 2019-01-28 2019-08-06 浙江浩腾电子科技股份有限公司 一种基于深度学习的违章建筑检测系统
CN110084169A (zh) * 2019-04-22 2019-08-02 东南大学 一种基于K-Means聚类和轮廓拓扑约束的违章建筑物识别方法
CN110276319A (zh) * 2019-06-26 2019-09-24 韶关市创驰科技技术发展有限公司 一种比对监管系统
CN111368615A (zh) * 2019-06-26 2020-07-03 杭州海康威视系统技术有限公司 一种违章建筑预警方法、装置及电子设备
WO2021003824A1 (zh) * 2019-07-11 2021-01-14 平安科技（深圳）有限公司 基于图像识别的违章建筑识别方法、装置
CN111582117A (zh) * 2020-04-29 2020-08-25 长江大学 一种无人机违章建筑物巡检方法、设备及存储介质
CN111563448A (zh) * 2020-04-30 2020-08-21 北京百度网讯科技有限公司 一种违章建筑物检测方法、装置、电子设备和存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114005038A (zh) * 2021-11-08 2022-02-01 浙江力石科技股份有限公司 景区附近违章建筑的识别方法
CN117437598A (zh) * 2023-12-13 2024-01-23 山东大莱龙铁路有限责任公司 邻近营业线施工安全智能防护系统
CN117437598B (zh) * 2023-12-13 2024-02-27 山东大莱龙铁路有限责任公司 邻近营业线施工安全智能防护系统

Similar Documents

Publication Publication Date Title
US11455805B2 (en) Method and apparatus for detecting parking space usage condition, electronic device, and storage medium
CN110598558B (zh) 人群密度估计方法、装置、电子设备及介质
CN109035304B (zh) 目标跟踪方法、介质、计算设备和装置
CN112733690B (zh) 一种高空抛物检测方法、装置及电子设备
CN111210399B (zh) 一种成像质量评价方法、装置及设备
JP2004534315A (ja) 移動対象物を監視する方法およびシステム
CN111368615B (zh) 一种违章建筑预警方法、装置及电子设备
JP2004531842A (ja) サーベイランスシステムおよび監視システムに関する方法
CN112669344A (zh) 一种运动物体的定位方法、装置、电子设备及存储介质
US20160148383A1 (en) Estimating rainfall precipitation amounts by applying computer vision in cameras
CN110909712B (zh) 运动目标检测方法、装置、电子设备及存储介质
CN110766899A (zh) 一种增强虚拟环境中电子围栏监控预警的方法及系统
CN113505643A (zh) 违章目标物检测方法及相关装置
CN110189355A (zh) 安全疏散通道占用检测方法、装置、电子设备及存储介质
CN112766069A (zh) 基于深度学习的车辆违停检测方法、装置及电子设备
CN111654700A (zh) 一种隐私遮蔽处理方法、装置、电子设备及监控系统
CN113658192A (zh) 一种多目标行人的轨迹获取方法、系统、装置及介质
CN114399734A (zh) 一种基于视觉信息的森林火灾预警方法
CN115690496A (zh) 基于YOLOv5的实时区域入侵检测方法
CN113158963B (zh) 一种高空抛物的检测方法及装置
CN112926426A (zh) 基于监控视频的船舶识别方法、系统、设备及存储介质
WO2018085063A1 (en) Segmentation-based display highlighting subject of interest
Tang Development of a multiple-camera tracking system for accurate traffic performance measurements at intersections
CN114387544A (zh) 一种高空抛物检测方法、系统、电子设备及存储介质
CN114419531A (zh) 目标检测方法、目标检测系统以及计算机可读存储介质

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