CN113688958A - 适用于目标识别数据的过滤方法、装置及系统 - Google Patents
适用于目标识别数据的过滤方法、装置及系统 Download PDFInfo
- Publication number
- CN113688958A CN113688958A CN202111244966.6A CN202111244966A CN113688958A CN 113688958 A CN113688958 A CN 113688958A CN 202111244966 A CN202111244966 A CN 202111244966A CN 113688958 A CN113688958 A CN 113688958A
- Authority
- CN
- China
- Prior art keywords
- target
- identification data
- filtering
- target identification
- event
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
- G06N3/048—Activation functions
-
- 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
Abstract
本申请提出了一种适用于目标识别数据的过滤方法、装置及系统,包括以下步骤:获取包括至少一目标的初始目标识别数据,其中所述初始目标识别数据为目标检测算法识别监控视频或图像后输出的识别结果;获取所述初始目标识别数据内的指定区域,基于所述指定区域的类型调整所述指定区域内的目标,得到第一目标识别数据;将所述第一目标识别数据输入置信度预测模型中获取所述第一目标识别数据中的目标的置信度,过滤置信度低于设定阈值的目标,得到第二目标识别数据。该方案结合多维度过滤机制对目标识别数据进行筛查过滤,在不改变目标检测算法本身的基础上提高识别准确率。
Description
技术领域
本申请涉及数据处理领域,特别是涉及适用于目标识别数据的过滤方法、装置及系统。
背景技术
随着深度学习算法的不断优化,针对图像或视频的目标检测任务的检测性能也得到了明显的提升,其可取代人工检测的方式智能地发现图像或视频的特定目标。目标检测算法在各类领域中都有广泛的应用,比如其可用于城管领域中识别并获取违规的城管事件,在特定的应用场景下,此类目标检测算法得到的识别结果将被用于大数据的分析,然而为了保证最终的分析数据的准确性,往往需要人工地对目标检测算法得到的识别结果再次进行核实,而人工核实的方式存在工作量大、效率低下的致命问题,且人工核实的方式也无法保证核实的准确率。
以城管违规事件的识别结果的核实需求为例进行说明,目前的城管违规事件的识别在实际应用中至少存在以下问题:1.部分应用场景因为训练样本的缺乏,导致目标识别算法本身的检测效果不佳,而无法直接应用于实际场景的违规事件的检测中;2.考虑到应用于不同的地区的监控摄像头因周边环境及监控安装角度等问题都会影响监控视频的内容,进而导致同一目标检测算法在不同的场景中的识别准确率不同;3.目前的目标识别算法在实际检测时存在大量重复或误报的情况,影响城市管理识别服务质量。
发明内容
本申请实施例提供了一种适用于目标识别数据的过滤方法、装置及系统,基于多维度过滤机制对目标检测算法得到的目标识别数据进行筛查过滤,减少目标识别数据的误报率的同时提高目标检测算法的识别准确率。
第一方面,本申请实施例提供了一种适用于目标识别数据的过滤方法,所述方法包括步骤:获取包括至少一目标的初始目标识别数据,其中,所述初始目标识别数据为目标检测算法识别监控视频或图像后输出的识别结果;获取所述初始目标识别数据内的指定区域,基于所述指定区域的类型调整所述指定区域内的目标,得到第一目标识别数据;将所述第一目标识别数据输入置信度预测模型中获取所述第一目标识别数据中的目标的置信度,过滤置信度低于设定阈值的目标,得到第二目标识别数据,其中所述置信度预测模型利用多元线性回归算法结合目标的关联信息训练得到。
第二方面,本申请实施例提供了一种适用于目标识别数据的目标过滤装置,包括:目标识别数据获取单元,用于获取包括至少一目标的初始目标识别数据,其中,所述初始目标识别数据为目标检测算法识别监控视频或图像后输出的识别结果;区域过滤单元,用于获取所述初始目标识别数据内的指定区域,基于所述指定区域的类型调整所述指定区域内的目标,得到第一目标识别数据;置信度过滤单元,用于将所述第一目标识别数据输入置信度预测模型中获取所述第一目标识别数据中的目标的置信度,过滤置信度低于设定阈值的目标,得到第二目标识别数据,其中所述置信度预测模型利用多元线性回归算法结合目标的关联信息训练得到。
第三方面, 本申请实施例提供了一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行任一所述的适用于目标识别数据的目标过滤方法。
第四方面,本申请实施例提供了一种计算机程序产品,包括软件代码部分,当所述计算机程序产品在计算机上被运行时,所述代码软件部分用于执行根据任一项所述的适用于目标识别数据的目标过滤方法。
第五方面,本申请实施例提供了一种可读存储介质,所述可读存储介质中存储有计算机程序,所述计算机程序包括用于控制过程以执行过程的程序代码,所述过程包括根据任一项所述的适用于目标识别数据的目标过滤方法。
本发明的主要贡献和创新点如下:本方案采用多维度过滤机制对目标识别数据进行针对性的筛查过滤,减少人工核查的工作量的同时提高了识别结果的准确率。其不是对目标检测算法本身的检测模型进行优化改进,而是通过对识别结果进行过滤优化的方式提高最终输出结果的准确度,可适用于目标检测算法本身无法很好满足实际检测需求的应用场景,辅助性地提高目标检测算法的适用场景。
本申请实施例提供的用于目标识别数据的过滤方法还可大大减少重复告警、误报告警事件的发生,在不改变目标检测算法本身的识别准确率的情况下,短时间内提升输出结果的准确度。
本申请的一个或多个实施例的细节在以下附图和描述中提出,以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的适用于目标识别数据的过滤方法的流程图;
图2是根据本申请一种实施例的区域过滤机制的框架示意图;
图3是根据本申请一种实施例的置信度过滤机制的框架示意图;
图4是根据本申请一种实施例的误报目标过滤机制的框架示意图;
图5是根据本申请一种实施例的重复事件过滤机制的框架示意图
图6-8是根据本申请实施例的适用于目标识别数据的过滤方法装置的结构框图;
图9是根据本申请实施例的电子装置的硬件结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书一个或多个实施例相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。
需要说明的是:在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中,其方法所包括的步骤可以比本说明书所描述的更多或更少。此外,本说明书中所描述的单个步骤,在其他实施例中可能被分解为多个步骤进行描述;而本说明书中所描述的多个步骤,在其他实施例中也可能被合并为单个步骤进行描述。
实施例一
本申请旨在提出一种结合多维度过滤机制对目标识别数据进行筛查过滤的的技术方案,多维度过滤机制包括对特定区域的目标的过滤、对目标进行置信度再次判断的筛选过滤、对误报和重复告警目标的过滤,在满足设定条件后将最终过滤的结果输出给需求平台,具体的过滤机制可根据需求进行适应性的调整,通过对目标识别数据进行筛查过滤的方式辅助性的提高目标检测算法的识别准确度,且取代人工核查的方式提高了整体管理事件的管理效率。
本申请实施例提供了一种适用于目标识别数据的目标过滤方法,可以实现对目标识别数据中的目标进行过滤的效果,具体地,参考图1,所述方法包括:
获取包括至少一目标的初始目标识别数据,其中,所述初始目标识别数据为目标检测算法识别监控视频或图像后输出的识别结果;
获取所述初始目标识别数据内的指定区域,基于所述指定区域的类型调整所述指定区域内的目标,得到第一目标识别数据;
将所述第一目标识别数据输入置信度预测模型中获取所述第一目标识别数据中的目标的置信度,过滤置信度低于设定阈值的目标,得到第二目标识别数据,其中所述置信度预测模型利用多元线性回归算法结合目标的关联信息训练得到。
在该实施例中,可对所述初始目标识别数据进行特定区域的筛查过滤、并配合置信度的筛查过滤实现目标的双重筛查过滤。当然,在本方案的另一些实施例中,还可加入误报目标筛选过滤和/或重复目标筛选过滤机制,进而实现多维度过滤机制。
在本实施例中,所述初始目标识别数据由各类目标检测算法检测得到,本方案通过对目标检测算法检测得到的初始目标结果进行筛查过滤,可达到在不改变目标检测算法本身的模型结构或增加训练样本的数据量的基础上,提高最终识别准确度的效果。
也就是说,所述初始目标识别数据为目标检测算法识别特定目标后输出的输出结果,此时,所述初始目标识别数据内标记的目标为目标检测算法检测得到的目标。可以是某个特定的物体,也可以是特定的事件。当然,事件的获取本质也是通过对特定的目标进行识别,也就是说,特定的目标在特定的场景中就构成了特定的事件。示例性的,若垃圾出现在路面上则可初步判断出现乱丢垃圾事件。目标检测算法可以对特定的图像,也可以对视频源进行检测,以得到所述初始目标识别数据。对应的,“获取包括至少一目标的初始目标识别数据”包括步骤:利用目标检测算法检测视频或图像中的目标,获取所述初始目标识别数据。
示例性的,本方案将适用于目标识别数据的过滤方法用于城管违规事件的处理中,此时,所述初始目标识别数据中的目标为城管违规事件,比如可以是违停车辆,路面乱堆物料等,具体的目标内容视具体的场景需求所决定。对应的,将装置在监控现场的监控摄像设备获取的监控视频输入目标检测算法中识别得到所述初始目标识别数据,所述初始目标识别数据上标注城管违规事件,所述初始目标识别数据的形式可以是标注有目标的某帧图像。
参考图2,本方案首先对初始目标识别数据进行特定区域的筛查过滤,该步骤主要是针对目标检测算法无法识别或识别错误的区域进行筛查过滤。特定区域的筛选过滤有两种方式:①过滤所述初始目标识别数据的特定区域的目标;②修改所述初始目标识别数据的特定区域的目标,修改的方式可以是修改目标的目标类型。
对应的,“获取所述初始目标识别数据内的指定区域,基于所述指定区域的类型调整所述指定区域内的目标,得到第一目标识别数据”中,包括:“过滤所述指定区域内的目标,或修改所述指定区域内的目标的目标类型,得到第一目标识别数据”。特别值得说明的是:“修改所述指定区域内的目标的目标类型”中的目标类型可以是目标的标记内容。
所述指定区域可人为地进行设定,调整方式也可进行人为地设定。也就是说,监管人员可在下达特定区域过滤服务页面配置相应的规则,规则内设定指定区域以及调整方式。在该步骤中,配置人员根据实际需求首先确定指定区域以及调整方式,其中指定区域可以利用地址数据进行确认,调整方式包括过滤和修改目标类型两种。
若调整方式选择为“过滤”时,获取所述初始目标识别数据中的指定区域内的目标,并剔除过滤该目标。值得说明的是,剔除过滤目标指的是该位置的物体不再作为目标。示例性的,若店铺玻璃门内的物资被识别成乱堆物料,可通过“过滤”的调整方式进行筛查过滤。此时,所述初始目标识别数据中的目标为乱堆物料,在该步骤时确定店铺玻璃门内为指定区域,并将店铺玻璃门内的物资进行过滤,物资不再作为乱丢物料。
若调整方式选择为“修改目标类型”时,依旧是获取所述初始目标识别数据的指定区域内的目标,并修改该目标的目标类型。示例性的,若需要将绿化带中的暴露垃圾调整为绿地脏乱事件,可通过“修改目标类型”的调整方式进行筛查过滤。此时,所述初始目标识别数据中的目标为垃圾,在该步骤时确定绿化带为指定区域,并将绿化带上的垃圾的目标信息修改为绿地脏乱。这样的好处在于:可不用对目标检测算法进行改进和修改,就可以实现同一个检测目标算法应用在不同的事件场景中的效果。
当然,若所述初始目标识别数据中的目标不需要进行调整的话,可直接进入下一步骤的置信度判断。本方案先对特定区域目标进行筛查过滤后再进行执行度筛查过滤的好处在于:减少无效目标或者遗漏目标的置信度判断。
参考图3,在本方案中所述置信度预测模型利用多元线性回归算法结合目标的关联信息训练得到,该方式可在一定程度上减少不必要的误报、错报事件的出现,比如针对下雨天容易将路面少量积水误报为暴露垃圾的情况,就可以通过置信度的筛查过滤将“路面少量积水”的目标过滤掉,以减少暴露垃圾事件的误报。
本方案利用正确目标识别数据和错误目标识别数据作为训练样本对置信度预测模型进行训练。当所述目标为事件时,获取训练样本的获取位置、目标类型、获取时间、目标置信度以及环境信息作为目标的关联信息,将目标及目标的关联信息输入到置信度预测模型中进行训练。
当目标为事件时,本方案所提及的目标的关联信息至少包括:目标的获取位置、目标类型、获取时间、目标置信度以及环境信息。更具体的,以目标为城管违规事件为例进行说明,目标的获取位置为获取该目标识别数据的目标获取位置以及监控角度,在本方案的实施例中,通过对监控摄像头获取的监控视频进行目标检测以获取初始目标识别数据,而监控摄像头往往是球机,球机是可以设置不同的拍摄角度,一个角度即是一个画面,故此时需要获取监控角度;目标类型包括需要告警的城管违规事件的事件类型;环境信息包括基于获取位置获取的地理位置信息,比如基于获取位置获取周边道路上是否存在施工,基于获取位置划分所属的区域范围(医院周边、商业区、学校、农贸市场、地铁口),环境信息还包括基于获取时间获取的天气信息。这些关联信息或多或少都会影响到目标的判断,当然具体关联信息的选择依据实际情况进行调整。
所述置信度预测模型采用逻辑回归算法进行目标的置信度的判断,逻辑回归算法是一种用于解决二分类(0 or 1)问题的机器学习方法,用于估计某种事物的可能性。在本方案的一实施例中,所述置信度预测模型选用Sigmoid函数作为神经网络的阈值函数,将所述关联信息作为特征,基于特征和对应的向量组成输入信息。具体的,将目标的关联信息作为输入,并将同一特征并列为向量X(i),在置信度预测模型的预测训练过程中,将所有的向量排列成一个序列输入特征,序列输入特征中的每个特征都有一个权重,权重结合特征组合成一个列向量W,并加上一个偏移量b组成输入信息,通过sigmoid函数对输入的输入信息进行处理,得到范围在0-1之间的数值,该数值作为置信度。
值得一提的是,本方案可基于正确的目标识别数据不断地通过逻辑回归算法进行训练学习,以不断地提高置信度的准确度。
在本方案中,置信度预测模型在每个特征上都乘以一个回归系数,然后把所有结果值相加,将这个总和代入 Sigmoid 函数中,进而得到一个范围在 0~1 之间的数值。任何大于 0.5 的数据被分入 1 类,小于 0.5 即被归入 0 类。
值得说明的是,本方案还可对目标识别数据进行误报目标筛查过滤,通过误报目标筛查过滤机制将误报目标进行过滤,也就是说,过滤所述初始目标识别数据,所述第一目标识别数据和/或所述第二目标识别数据内的误报目标。
由于误报目标筛查机制是可以独立存在的,故误报目标筛查过滤可被设置于任意步骤,也就是说,本方案可对初始目标识别数据、第一目标识别数据亦或是第二目标识别数据进行误报目标筛查过滤,为了方便进行说明,此处将所述初始目标识别数据、第一目标识别数据和/或第二目标识别数据统称为第三目标识别数据;
参考图4,对应的,该方案包括以下步骤:
获取误报目标;判断第三目标识别数据中第三目标是否和所述误报目标的目标基准信息相同,若相同则判断所述第三目标和所述误报目标的目标区域位置是否重叠,若重叠则判断所述第三目标和所述误报目标是否相似,若相似过滤所述第三目标。
值得一提的是,本方案着重针对目标为事件的情况进行误报目标的过滤,换言之,可针对误报事件进行过滤。本方案中预先获取误报目标及所述误报目标的目标基准信息以及目标区域位置等内容,所述误报目标可人工选择,在本方案中选择对三天内同一个监控点同一个目标类型、误报率最高的目标作为误报目标。当然,所述数据库内的所述误报目标及其误报目标信息实时更新。
在“判断第三目标识别数据中第三目标是否和所述误报目标的目标基准信息相同”中,目标基准信息包括目标获取位置以及目标类型。当目标为事件时,所述目标获取位置包括监控地点,和/或监控角度。
在“判断所述第三目标和所述误报目标的目标区域位置是否重叠”中,获取所述第三目标的目标区域位置,和所述误报目标的目标区域位置进行比对,若重叠度大于重叠设定阈值,则判断两者重叠。所述目标区域位置为:目标在目标识别数据中的坐标区域,坐标区域可表示为左上角的坐标、宽和高。
“判断所述第三目标和所述误报目标是否相似”包括:调用目标对比算法识别并比对所述第三目标和所述误报目标获取比对值,若所述比对值大于比对设定阈值,则判断两者相似。
也就是说,本方案通过将第三目标和误报目标之间进行目标基准信息、目标区域位置以及目标特征相似度的三重比对,以最终确定所述第三目标是否为误报目标,若是的话,则过滤所述第三目标。
参考图5,另外,当所述目标为事件时,本方案还可过滤所述初始目标识别数据,所述第一目标识别数据和/或所述第二目标识别数据内的误报事件。此时,本方案基于重复事件对所述目标识别数据进行重复事件筛查过滤,通过重复目标筛查过滤机制将重复出现的事件进行过滤,此时需要将所述目标识别数据的目标和重复事件进行比对,以判断所述目标识别数据中的目标是否为重复目标。值得说明的是,此处的重复目标指的是重复事件,示例性的,违规停车事件的违规停车车辆作为重复目标,对应的就是重复事件。
此时,由于重复目标筛查机制是可以独立存在的,故重复目标筛查过滤可被设置于任意步骤,也就是说,本方案可对初始目标识别数据、第一目标识别数据亦或是第二目标识别数据进行误报目标筛查过滤,为了方便进行说明,此处将所述初始目标识别数据、第一目标识别数据和/或第二目标识别数据统称为第四目标识别数据。
对应的,该方案包括以下步骤:
获取重复事件的重复目标及处理事件;判断第四目标识别数据中第四目标是否和所述重复事件是否属于同一事件;若属于,判断所述第四目标是否和所述重复目标重叠;若重叠,判断所述第四目标的触发时间和所述处理时间的阈值是否超过时间设定阈值;若未超过,判断所述第四目标和所述重复目标是否相似,若相似,过滤所述第四目标其中所述第四目标识别数据为所述初始目标识别数据、第一目标识别数据和/或第二目标识别数据的其中一种。
值得说明的是,所述重复事件指的是已经在处理的事件,为了避免某个事件在某时间段内重复受理,本方案基于事件类型、时长阈值、目标位置区域以及目标特征相似度进行一一判断比对。
在“判断第四目标识别数据中第四目标是否和所述重复事件是否属于同一事件”中,若所述第四目标和所述重复目标的目标类型以及目标获取位置均一致,则所述第四目标和所述重复事件属于同一事件,其中目标获取位置包括监控地点和监控角度。
在“判断所述第四目标是否和所述重复目标重叠”中,获取所述第四目标的区域位置,和所述重复目标的区域位置进行比对,若重叠度大于重叠设定阈值,则判断两者目标重叠。所述区域位置为:目标在目标识别数据中的坐标区域,坐标区域可表示为左上角的坐标、宽和高。
判断所述第四目标的触发时间和所述处理时间的阈值是否超过时间设定阈值中的时间设定阈值可根据实际情况进行调整。在本方案中根据收集得到的相邻的两重复事件的最短时间差作为时间设定阈值。
在“判断所述第四目标和所述已处理目标是否相似”时,用目标对比算法识别并比对所述第四目标和所述重复目标的特征相似值,若所述特征相似值大于比对设定阈值,则判断两者相似。
在本方案中基于决策树算法对最终的目标识别数据分类后,形成重复与误报目标的归集,并利用图像对比算法,形成可自动化的判定重复与误报目标,减少错误目标的处理,提升目标检测算法输出结果的有效性。
值得一提的是,以上目标过滤方法特别适用于对城管违规事件进行目标过滤,基于其上的方式可将误判或者漏判的事件进行筛查过滤,并确定最终的报告结果,基于最终的报告结果可反馈给业务平台进行后续的处理。
示例说明:以目标识别数据为告警数据为例进行说明,以重复事件为当日受理正确的告警事件为例,当推送出新的告警数据后,进行如下判定步骤:1、相同事件判断,新告警数据与当日受理正确的告警事件的基础信息进行判断,判断是否是同一个监控同一个角度下产生相同的事件类型,且判断两次告警事件的目标区域是否重叠,若重叠度达到90%,满足进行下一步判断;2、重复告警的事件时长判断,对新告警数据与当日受理正确告警事件的时间差进行判断,若在重复告警的事件时长范围内进行下一步判断;3、调用图像对比算法,判断告警目标相似度,通过图像对比算法将重复告警事件中两个目标区域进行判定,若算法判定相似度达到90%及以上则认定新的告警结果为重复告警,系统将过滤该事件,若判定相似度不足90%则为非误报事件。
且,此时获取在一天内同一个监控点与角度的同一事件类型的多条数据,所在图像中目标区域重叠度90%的数据中,通过最早正确告警事件时间与下一次正确告警事件前一次的重复告警事件时间差,得到设定时间阈值。
实施例二
基于相同的构思,参考图6,本申请还提出了一种适用于目标识别数据的目标过滤装置,包括:
目标识别数据获取单元301,用于获取包括至少一目标的初始目标识别数据,其中,所述初始目标识别数据为目标检测算法识别监控视频或图像后输出的识别结果;
区域过滤单元302,用于获取所述初始目标识别数据内的指定区域,基于所述指定区域的类型调整所述指定区域内的目标,得到第一目标识别数据;
置信度过滤单元303,用于将所述第一目标识别数据输入置信度预测模型中获取所述第一目标识别数据中的目标的置信度,过滤置信度低于设定阈值的目标,得到第二目标识别数据,其中所述置信度预测模型利用多元线性回归算法结合目标的关联信息训练得到。
参考图7,在另一些实施例中,一种适用于目标识别数据的目标过滤装置还包括误报事件过滤单元,用于过滤所述初始目标识别数据,所述第一目标识别数据和/或所述第二目标识别数据内的误报目标。
参考图8在另一些实施例中,一种适用于目标识别数据的目标过滤装置还包括重复事件过滤单元,用于在所述目标为事件时过滤所述初始目标识别数据,所述第一目标识别数据和/或所述第二目标识别数据内的重复事件。
关于该适用于目标识别数据的目标过滤装置的过滤方法可参考实施例一的相关介绍,在此就不展开说明。
实施例三
本实施例还提供了一种电子装置,参考图9,包括存储器404和处理器402,该存储器404中存储有计算机程序,该处理器402被设置为运行计算机程序以执行上述任一项适用于目标识别数据的筛查过滤方法的实施例中的步骤。
具体地,上述处理器402可以包括中央处理器(CPU),或者特定集成电路(ApplicationSpecificIntegratedCircuit,简称为ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中,存储器404可以包括用于数据或指令的大容量存储器404。举例来说而非限制,存储器404可包括硬盘驱动器(HardDiskDrive,简称为HDD)、软盘驱动器、固态驱动器(SolidStateDrive,简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(UniversalSerialBus,简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器404可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器404可在数据处理装置的内部或外部。在特定实施例中,存储器404是非易失性(Non-Volatile)存储器。在特定实施例中,存储器404包括只读存储器(Read-OnlyMemory,简称为ROM)和随机存取存储器(RandomAccessMemory,简称为RAM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(ProgrammableRead-OnlyMemory,简称为PROM)、可擦除PROM(ErasableProgrammableRead-OnlyMemory,简称为EPROM)、电可擦除PROM(ElectricallyErasableProgrammableRead-OnlyMemory,简称为EEPROM)、电可改写ROM(ElectricallyAlterableRead-OnlyMemory,简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下,该RAM可以是静态随机存取存储器(StaticRandom-AccessMemory,简称为SRAM)或动态随机存取存储器(DynamicRandomAccessMemory,简称为DRAM),其中,DRAM可以是快速页模式动态随机存取存储器404(FastPageModeDynamicRandomAccessMemory,简称为FPMDRAM)、扩展数据输出动态随机存取存储器(ExtendedDateOutDynamicRandomAccessMemory,简称为EDODRAM)、同步动态随机存取内存(SynchronousDynamicRandom-AccessMemory,简称SDRAM)等。
存储器404可以用来存储或者缓存需要处理和/或通信使用的各种数据文件,以及处理器402所执行的可能的计算机程序指令。
处理器402通过读取并执行存储器404中存储的计算机程序指令,以实现上述实施例中的任意一种适用于目标识别数据的筛查过滤方法。
可选地,上述电子装置还可以包括传输设备406以及输入输出设备408,其中,该传输设备406和上述处理器402连接,该输入输出设备408和上述处理器402连接。
传输设备406可以用来经由一个网络接收或者发送数据。上述的网络具体实例可包括电子装置的通信供应商提供的有线或无线网络。在一个实例中,传输设备包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输设备406可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
输入输出设备408用于输入或输出信息。在本实施例中,输入的信息可以是监控视频、各类识别结果等,输出的信息可以是经过筛查过滤的识别结果等。
可选地,在本实施例中,上述处理器402可以被设置为通过计算机程序执行以下步骤:
S101、获取包括至少一目标的初始目标识别数据,其中,所述初始目标识别数据为目标检测算法识别监控视频或图像后输出的识别结果;
S102、获取所述初始目标识别数据内的指定区域,基于所述指定区域的类型调整所述指定区域内的目标,得到第一目标识别数据;
S103、将所述第一目标识别数据输入置信度预测模型中获取所述第一目标识别数据中的目标的置信度,过滤置信度低于设定阈值的目标,得到第二目标识别数据,其中所述置信度预测模型利用多元线性回归算法结合目标的关联信息训练得到。
需要说明的是,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
通常,各种实施例可以以硬件或专用电路、软件、逻辑或其任何组合来实现。本发明的一些方面可以以硬件来实现,而其他方面可以以可以由控制器、微处理器或其他计算设备执行的固件或软件来实现,但是本发明不限于此。尽管本发明的各个方面可以被示出和描述为框图、流程图或使用一些其他图形表示,但是应当理解,作为非限制性示例,本文中描述的这些框、装置、系统、技术或方法可以以硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其他计算设备或其某种组合来实现。
本发明的实施例可以由计算机软件来实现,该计算机软件由移动设备的数据处理器诸如在处理器实体中可执行,或者由硬件来实现,或者由软件和硬件的组合来实现。包括软件例程、小程序和/或宏的计算机软件或程序(也称为程序产品)可以存储在任何装置可读数据存储介质中,并且它们包括用于执行特定任务的程序指令。计算机程序产品可以包括当程序运行时被配置为执行实施例的一个或多个计算机可执行组件。一个或多个计算机可执行组件可以是至少一个软件代码或其一部分。另外,在这一点上,应当注意,如图中的逻辑流程的任何框可以表示程序步骤、或者互连的逻辑电路、框和功能、或者程序步骤和逻辑电路、框和功能的组合。软件可以存储在诸如存储器芯片或在处理器内实现的存储块等物理介质、诸如硬盘或软盘等磁性介质、以及诸如例如DVD及其数据变体、CD等光学介质上。物理介质是非瞬态介质。
本领域的技术人员应该明白,以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (14)
1.一种适用于目标识别数据的目标过滤方法,其特征在于,包括以下步骤:
获取包括至少一目标的初始目标识别数据,其中,所述初始目标识别数据为目标检测算法识别监控视频或图像后输出的识别结果;
获取所述初始目标识别数据内的指定区域,基于所述指定区域的类型调整所述指定区域内的目标,得到第一目标识别数据;
将所述第一目标识别数据输入置信度预测模型中获取所述第一目标识别数据中的目标的置信度,过滤置信度低于设定阈值的目标,得到第二目标识别数据,其中所述置信度预测模型利用多元线性回归算法结合目标的关联信息训练得到。
2.根据权利要求1所述的适用于目标识别数据的目标过滤方法,其特征在于,“基于所述指定区域的类型调整所述指定区域内的目标,得到第一目标识别数据,包括“过滤所述指定区域内的目标,或修改所述指定区域内的目标的目标类型,得到第一目标识别数据”。
3.根据权利要求1所述的适用于目标识别数据的目标过滤方法,其特征在于,当所述目标为事件时,所述关联信息为所述目标的目标获取位置、目标类型、获取时间、目标置信度以及环境信息。
4.根据权利要求1所述的适用于目标识别数据的目标过滤方法,其特征在于,过滤所述初始目标识别数据,所述第一目标识别数据和/或所述第二目标识别数据内的误报目标。
5.根据权利要求1所述的适用于目标识别数据的目标过滤方法,其特征在于,包括步骤:获取误报目标;判断第三目标识别数据中第三目标是否和所述误报目标的目标基准信息相同,若相同则判断所述第三目标和所述误报目标的目标区域位置是否重叠,若重叠则判断所述第三目标和所述误报目标是否相似,若相似过滤所述第三目标,其中所述第三目标识别数据为所述初始目标识别数据、第一目标识别数据和/或第二目标识别数据的其中一种。
6.根据权利要求5所述的适用于目标识别数据的目标过滤方法,其特征在于,所述目标基准信息包括目标获取位置以及目标类型,所述目标区域位置为目标在目标识别数据中的坐标区域。
7.根据权利要求1所述的适用于目标识别数据的目标过滤方法,其特征在于,当所述目标为事件时,过滤所述初始目标识别数据,所述第一目标识别数据和/或所述第二目标识别数据内的重复事件。
8.根据权利要求1所述的适用于目标识别数据的目标过滤方法,其特征在于,包括步骤:获取重复事件的重复目标及处理事件;判断第四目标识别数据中第四目标是否和所述重复事件是否属于同一事件;若属于,判断所述第四目标是否和所述重复目标重叠;若重叠,判断所述第四目标的触发时间和所述处理时间的阈值是否超过时间设定阈值;若未超过,判断所述第四目标和所述重复目标是否相似,若相似,过滤所述第四目标其中所述第四目标识别数据为所述初始目标识别数据、第一目标识别数据和/或第二目标识别数据的其中一种。
9.根据权利要求8所述的适用于目标识别数据的目标过滤方法,其特征在于,包括步骤:“判断第四目标识别数据中第四目标是否和所述重复事件是否属于同一事件”中,若所述第四目标和所述重复目标的目标类型以及目标获取位置均一致,则所述第四目标和所述重复事件属于同一事件。
10.根据权利要求8所述的适用于目标识别数据的目标过滤方法,其特征在于,包括步骤:所述时间设定阈值为在相邻的两重复事件的最短时间差。
11.一种适用于目标识别数据的目标过滤装置,其特征在于,包括:
目标识别数据获取单元,用于获取包括至少一目标的初始目标识别数据,其中,所述初始目标识别数据为目标检测算法识别监控视频或图像后输出的识别结果;
区域过滤单元,用于获取所述初始目标识别数据内的指定区域,基于所述指定区域的类型调整所述指定区域内的目标,得到第一目标识别数据;
置信度过滤单元,用于将所述第一目标识别数据输入置信度预测模型中获取所述第一目标识别数据中的目标的置信度,过滤置信度低于设定阈值的目标,得到第二目标识别数据,其中所述置信度预测模型利用多元线性回归算法结合目标的关联信息训练得到。
12.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行权利要求1-10任一所述的适用于目标识别数据的目标过滤方法。
13.一种计算机程序产品,其特征在于,包括软件代码部分,当所述计算机程序产品在计算机上被运行时,所述代码软件部分用于执行根据权利要求1-10任一项所述的适用于目标识别数据的目标过滤方法。
14.一种可读存储介质,其特征在于,所述可读存储介质中存储有计算机程序,所述计算机程序包括用于控制过程以执行过程的程序代码,所述过程包括根据权利要求1-10任一项所述的适用于目标识别数据的目标过滤方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111244966.6A CN113688958A (zh) | 2021-10-26 | 2021-10-26 | 适用于目标识别数据的过滤方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111244966.6A CN113688958A (zh) | 2021-10-26 | 2021-10-26 | 适用于目标识别数据的过滤方法、装置及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113688958A true CN113688958A (zh) | 2021-11-23 |
Family
ID=78587961
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111244966.6A Pending CN113688958A (zh) | 2021-10-26 | 2021-10-26 | 适用于目标识别数据的过滤方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113688958A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112507813A (zh) * | 2020-11-23 | 2021-03-16 | 北京旷视科技有限公司 | 事件检测方法、装置、电子设备及存储介质 |
CN113221804A (zh) * | 2021-05-25 | 2021-08-06 | 城云科技(中国)有限公司 | 一种基于监控视频的乱堆物料检测方法、装置及应用 |
CN113420631A (zh) * | 2021-06-17 | 2021-09-21 | 广联达科技股份有限公司 | 一种基于图像识别的安全报警方法及装置 |
CN113470009A (zh) * | 2021-07-26 | 2021-10-01 | 浙江大华技术股份有限公司 | 违规撑伞检测和识别方法、装置、电子设备及存储介质 |
-
2021
- 2021-10-26 CN CN202111244966.6A patent/CN113688958A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112507813A (zh) * | 2020-11-23 | 2021-03-16 | 北京旷视科技有限公司 | 事件检测方法、装置、电子设备及存储介质 |
CN113221804A (zh) * | 2021-05-25 | 2021-08-06 | 城云科技(中国)有限公司 | 一种基于监控视频的乱堆物料检测方法、装置及应用 |
CN113420631A (zh) * | 2021-06-17 | 2021-09-21 | 广联达科技股份有限公司 | 一种基于图像识别的安全报警方法及装置 |
CN113470009A (zh) * | 2021-07-26 | 2021-10-01 | 浙江大华技术股份有限公司 | 违规撑伞检测和识别方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110807385B (zh) | 目标检测方法、装置、电子设备及存储介质 | |
US20230326006A1 (en) | Defect detection method and device for an lcd screen | |
CN108091140B (zh) | 一种确定套牌车辆的方法和装置 | |
US20170032199A1 (en) | Video data analyzing method and apparatus and parking lot monitoring system | |
CN110706261A (zh) | 车辆违章检测方法、装置、计算机设备和存储介质 | |
CN110264495B (zh) | 一种目标跟踪方法及装置 | |
CN105631418A (zh) | 一种人数统计的方法和装置 | |
JP6954420B2 (ja) | 情報処理装置、情報処理方法、及びプログラム | |
EP2798578A2 (en) | Clustering-based object classification | |
CN111508269B (zh) | 一种基于图像识别的开放式停车位车辆判别方法与装置 | |
CN109344886B (zh) | 基于卷积神经网络的遮挡号牌判别方法 | |
CN110826429A (zh) | 一种基于景区视频的旅游突发事件自动监测的方法及系统 | |
CN110838230B (zh) | 一种移动视频监控方法、监控中心及系统 | |
CN112102288A (zh) | 水体识别和水体变化检测方法、装置、设备及介质 | |
CN113255580A (zh) | 抛洒物识别、车辆抛洒滴漏识别方法和装置 | |
CN108734072B (zh) | 一种多源对象关联方法及装置 | |
CN111310739A (zh) | 一种暴雨天气检测方法、系统及终端 | |
CN114926791A (zh) | 一种路口车辆异常变道检测方法、装置、存储介质及电子设备 | |
CN113221760A (zh) | 一种高速公路摩托车检测方法 | |
CN109543610B (zh) | 车辆检测跟踪方法、装置、设备及存储介质 | |
CN113688958A (zh) | 适用于目标识别数据的过滤方法、装置及系统 | |
WO2023151401A1 (zh) | 异常市政设施的定位方法、装置及其应用 | |
CN111325178A (zh) | 警示物检测结果获取方法、装置、计算机设备和存储介质 | |
CN114495244B (zh) | 电像计算数据异常检测方法、装置、设备及存储介质 | |
CN115171031A (zh) | 一种基于车辆参照物的路面积水检测方法、装置及应用 |
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: 20211123 |
|
RJ01 | Rejection of invention patent application after publication |