CN113794875A - 一种重大项目现场视频偏移智能巡检的方法及装置 - Google Patents
一种重大项目现场视频偏移智能巡检的方法及装置 Download PDFInfo
- Publication number
- CN113794875A CN113794875A CN202111345494.3A CN202111345494A CN113794875A CN 113794875 A CN113794875 A CN 113794875A CN 202111345494 A CN202111345494 A CN 202111345494A CN 113794875 A CN113794875 A CN 113794875A
- Authority
- CN
- China
- Prior art keywords
- video
- inspection
- picture
- offset
- automatic
- 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
- H04N17/00—Diagnosis, testing or measuring for television systems or their details
- H04N17/004—Diagnosis, testing or measuring for television systems or their details for digital television systems
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C1/00—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people
- G07C1/20—Checking timed patrols, e.g. of watchman
-
- 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
Abstract
本发明公开了一种重大项目现场视频偏移智能巡检的方法及装置,属于重大项目视频监控技术领域,该方法获取监控视频流,通过自动识别监控视频流的关键帧图片,并识别图片的特征信息,存入识别特征库;通过巡检识别特征库与自动巡检时现场对应视频图片的自动比对,依据视频偏移巡检模型最终形成视频自动巡检偏移结果;所述视频偏移巡检模型支持机器学习,按照一定数量的视频画面比对的相似度数值及偏移算法定义,实现按照定义的相似度数据及偏移算法综合判断视频设备是否偏移。本发明能够提升视频巡检效率,有效解放人工巡检及人工对摄像头上下线的管理工作,实现系统摄像头展示的自动化控制。
Description
技术领域
本发明涉及重大项目视频监控技术领域,具体地说是一种重大项目现场视频偏移智能巡检的方法及装置。
背景技术
目前全国各地线上、线下积极进行各类重大项目招商活动,引进重大项目,但引进及开展的各类重大项目落地情况,是否真正开工、具体开工进展情况是衡量重大项目投资落地的主要因素,目前各地对重大项目的落地推进监管多数停留在纸质材料汇总上报,领导对项目现场实体进展情况无法实施查看,无法了解到项目真实进展情况,因此各地有条件的要求项目现场进行视频设备安装,实现领导可实时查看项目现场实时状况的功能;同时对于全省重大项目建设进展,提供给公众可实时查看。
由于视频设备物理安装的场所环境及网络环境及天气及人工运维等原因,安装的视频摄像设备经常会出现视频设备掉线、视频设备被遮挡、视频画面照地、设备画面角度偏移等问题,导致给领导呈现的现场视频质量差,部分项目现场情况无法实时调阅,无法随时、随地手机查看项目工地实时直播的友好体验。同时对于省级或市级发改部门,需关注的全省各地市重大项目较多,为保证全部符合安装视频摄像设备的项目视频正常,需要进行人工每天多次巡查,查看摄像头是否掉线、画面是否偏移,画面质量是否符合展示要求等,同时雨雪及大风等不良天气下,也容易导致摄像头视频设备角度及画面质量的不稳定,更增加了人工视频巡检的工作量。
发明内容
本发明的技术任务是针对以上不足之处,提供一种重大项目现场视频偏移智能巡检的方法及装置,能够提升视频巡检效率,有效解放人工巡检及人工对摄像头上下线的管理工作,实现系统摄像头展示的自动化控制。
本发明解决其技术问题所采用的技术方案是:
一种重大项目现场视频偏移智能巡检的方法,该方法获取监控视频流,通过自动识别监控视频流的关键帧图片,并识别图片的特征信息,存入识别特征库;通过巡检识别特征库与自动巡检时现场对应视频图片的自动比对,依据视频偏移巡检模型最终形成视频自动巡检偏移结果;
所述视频偏移巡检模型支持机器学习,按照一定数量的视频画面比对的相似度数值及偏移算法定义,实现按照定义的相似度数据及偏移算法综合判断视频设备是否偏移;
通过设置自动学习样本库和自动学校装置,实现对巡检识别特征库中图片特征的不断学习,同时实现根据人工自动识别的人工矫正,自动学习为正常数据或偏移数据,并根据学习结果不断修正所述偏移算法并更新所述识别特征库。
本方法在各类重大项目落体现场监控视频巡检时使用,本方法中的视频偏移巡检模型支持机器学习,能够不断优化视频偏移巡检算法,不断提升视频偏移巡检准确度,为解放人工视频巡检工作及项目落体推进考核工作提供有效技术支撑。
优选的,通过自动与视频监控平台对接,获取标准视频流,并通过视频流关键帧图像作为视频巡检用于比对所用的巡检图片;通过本功能,可实现每次视频巡检时,都通过项目现场实时视频流获取巡检图片,用实时巡检图片与偏移识别特征进行比对,判断当前视频是否偏移、偏移角度等,是进行实时视频偏移巡检的实现的前题条件;
设置监控视频流获取关键帧图像装置,实现可在设定时间范围内,将各个重大项目的现场视频装置的视频流获取为关键帧,将视频流关键帧图像保存为对应的每个项目的图片识别特征库。
优选的,将每次自动巡检结果进行数据存储,同时对每次巡检结果自动形成偏移摄像头列表;
根据巡检结果,支持对接视频管理系统,实现自动对不合格摄像头进行下线处理;并实现系统摄像头展示的自动化控制。
能够有效解放人工巡检及人工对摄像头上下线等的管理工作、切实提升视频巡检效率,同时实现系统摄像头展示的自动化控制,可有效支持对全区域范围视频监控质量及稳定性考核工作等提供有效数据提升项目实际落地考核工作的权威性,助力重大项目落地可视化督导工作的有效开展。
优选的,所述识别特征库实现巡检图片特征识别,设置关键图片特征库,通过算法对每个项目的识别图片的特征进行识别,算法包括灰度直方图均衡算法及边缘特征算法;识别图像中的关键特征后为每个项目记录至特征库,以此特征库作为每次视频关键帧图像比对的基本模型,所述特征包括颜色、纹理、形状、轮廓、空间和区域;
同时,所述特征库支持人工对图片识别后记录入特征库时的图片关键特征识别。
优选的,视频偏移巡检模型支持对视频偏移预警值的设置,可设置不同的偏移阈值,在视频设备自动巡检时将各个摄像头巡检结果标志为是否预警。
支持自动巡检偏移判定模型及视频偏移预警模型的自定义,模型可依据巡检图片特征值、特征值权重定义及图片特征相似度比例及相关算法形成自动巡检偏移判定模型,针对不同类的项目的图片特征可设置形成不同项目的判断模型,形成全区域各类重大项目的自动巡检偏移判定模型库及视频偏移预警模型库。
进一步的,所述自动学习训练样本库及自动学校装置,对全区域范围内图片识别学习库中的图片特征不断的学习,依据各类重大项目的建设内容特点及视频设备在不同季节、不同天气环境及每天不同时间段内的巡检图像自动学习,不断更新图片识别特征。
同时实现可根据人工自动识别的人工矫正如对相关误检测图片的人工纠正等,自动学习为正常数据或偏移数据,并根据学习结果不断修正视频偏移识别算法及更新识别特征库。
优选的,该方法具体实施过程如下:
1)、视频巡检项目库与视频监控平台对接,通过巡检装置与视频巡检项目库与视频监控平台对接,实现将纳入巡检范围的各类重大项目视频监控视频源的对接,可对视频源提供的视频项目库建库保存及对应项目上安装视频设备视频源的进行查看及视频获取;
2)、视频监控巡检图片获取,通过对接视频监控平台的视频源的不同项目视频流,实现可识别视频关键帧,并将关键帧保存为可巡检图片;
3)、巡检图片特征识别,通过算法对每个项目的识别图片的特征进行识别;识别图像中的关键特征后为每个项目记录至特征库,以此特征库作为每次视频关键帧图像比对的基本模型,同时本特征库支持人工对图片识别后记录如特征库时的图片关键特征识别;
4)、巡检特征库分类管理,根据重大项目现场监控特点,对识别特征库进行分类管理,包括自动为每个项目建立特征库,同时对每个项目建立天气特征图片库,可分别对晴天、阴天、雨、雪等不同特征天气导致的视频图片的特征变化情况,进行归类;如工程进度特征库,可定义工作不同阶段的主要特征进行归类等,便于视频巡检图片对比判断时,可自动判断项目视频,自动比对本项目依据天气或工程进度等自动比对相关特征图片,提升特征图片比对特征,从而提升比对及巡检效率;
5)、视频巡检偏移模型定义,该模型支持按照自动识别的图片特征及特征值权重及自动比对的多个图片的相似度比例进行定义,形成视频偏移巡检模型定义;
6)、支持对偏移预警值的定义,设置系统预警值,包括巡检偏移次数、每次偏移角度,通过本阈值设置,对大量的项目视频监控,可让视频巡检管理人员分层次管理各类项目视频情况,提升工作效率;
7)、机器学习训练,实现对图片识别学习库中的图片特征不断学习,可对视频设备在不同季节、不同天气环境及每天不同时间段内的巡检图像自动学习,并不断更新图片识别特征;同时人工可对自动巡检的结果进行查看,针对自动巡检有误或不完全准确的,可人工修正为正常状态,根据人工自动识别的人工纠正结果自动学习为正常数据或偏移数据,并根据学习结果不断修正视频偏移识别算法及更新识别特征库;
8)、视频巡检频率及巡检范围定义,根据项目管理需要,自行配置对全区域范围内各类不同项目定义不同的巡检时间及巡检频率;
9)、自动视频巡检,按照定义的巡检项目范围及巡检频率,自动启动视频巡检。
进一步的,所述自动视频巡检,自动获取每个视频监控设备视频流的关键帧图片,并对图片进行关键特征识别,识别完毕与巡检识别特征库中图片进行特征比对,并解析配置视频偏移巡检模型,通过模型判断从而形成视频正常数据库及偏移视频数据库;并依据视频巡检偏移预警值设置,分别形成不同的巡检偏移列表,供工作人员查看每次巡检结果,并可对自动巡检有误或不完全准确的,人工修正为正常状态;
通过自动更新识别特征库,并实现定期自动机器学习,从而不断优化视频巡检偏移模型,不断提升视频巡检准确率。
为了解放人工巡检的工作量及提高巡检效率及设摄像头视频状态的准确性,需进行对全区域范围内各类重大项目现场接入视频设备的自动化巡检,同时由于重大工程项目现场的环境特点,项目监控视频设备覆盖的画面会有调整等情况,需要即可实现自动巡检,又要根据项目现场实际情况,提升自动巡检结果的准确率,即需要实现实现对重大项目现场视频的是否偏移的智能检测、高准确率检测,并可将自动检测结果作为对重大项目现场视频考核的基础数据支撑。
本方法能够提升视频巡检效率,自动巡检结果,可通过巡检状态,自动形成偏移摄像头列表,并可根据巡检结果,自动对不合格摄像头进行下线处理,有效解放人工巡检及人工对摄像头上下线等的管理工作、切实提升视频巡检效率,同时实现系统摄像头展示的自动化控制,同时对自动化巡检结果数据的存储,对视频摄像头质量的考虑形成数据支撑,提升项目实际落地考核工作的权威性。
本发明还要求保护一种重大项目现场视频偏移智能巡检的装置,包括监控视频流获取关键帧图像装置、关键图片特征库、视频偏移计算规则定义模型和自动学习训练样本库及自动学校装置,
该装置实现上述的重大项目现场视频偏移智能巡检的方法。
进一步的,所述监控视频流获取关键帧图像装置,实现可在设定时间范围内,将各个重大项目的现场视频装置的视频流获取为关键帧,将视频流关键帧图像保存为每个项目的图片识别库;
所述关键图片特征库,利用算法将每个项目的识别图片的特征进行识别,识别图像中关键特征后为每个项目记录至特征库,以此特征库作为每次视频关键帧图像比对的基本模型;同时该特征库支持人工对图片识别后记录如特征库时的图片关键特征识别;
所述视频偏移计算规则定义模型,支持按照一定数量的视频画面比对的相似度数值及偏移算法定义,实现按照定义的相似度数据及偏移算法综合判断视频设备是否偏移,同时支持对视频偏移预警值的设置,支持可设置不同的偏移阈值,在视频设备自动巡检时将各个摄像头巡检结果标志为是否预警;
所述自动学习训练样本库及自动学校装置,实现对图片识别学习库中的图片特征不断的学习,可对视频设备在不同季节、不同天气环境及每天不同时间段内的巡检图像自动学习,不断更新图片识别特征,同时实现可根据人工自动识别的人工矫正如对相关误检测图片的人工纠正,自动学习为正常数据或偏移数据,并根据学习结果不断修正视频偏移识别算法及更新识别特征库。
本发明的一种重大项目现场视频偏移智能巡检的方法及装置与现有技术相比,具有以下有益效果:
支持对视频流获取关键帧作为巡检图像,支持与视频巡检平台对接,对不同的视频流,可获取视频流关键帧作为巡检图片,提高图片识别特征判断因素;
支持多种算法获取视频监控图片特征,对于重大项目现场的建设物特点,可支持多种算法,从颜色、形状、轮廓、空间、区域等多个维度识别图片特征,增加特征比对项,更可有效提升视频巡检偏移判断准确率;
支持视频偏移计算模型定义,针对重大项目建设内容不同,视频监控点设置不同及监控画面内容的不同,该模型支持按照一定数量的视频画面比对的相似度数值及偏移算法定义,实现按照定义的相似度数据及偏移算法综合判断视频设备是否偏移;
偏移巡检模型支持机器学习,重大项目视频监控在不同季节、不同天气环境及每天不同时间段内的巡检图像不同,可能出现自动巡检结果不完全准确等情况,本方法及装置支持对巡检结果人工纠正,装置自动将人工纠正结果进行自动学习为正常数据或偏移数据,并根据学习结果不断修正视频偏移识别算法及更新识别特征库,通过对不同天气、不同项目建设阶段的不同视频监控覆盖角度的不同的特点,本方法及装置通过不断的机器学习,可不断修正视频偏移识别算法,有效提升视频偏移巡检结果判断准确率;
支持对偏移巡检预警值设置,支持针对不同类别的重大项目项目根据监控需要可设置不同的偏移阈值,针对最终判断不同的偏移角度大小等设置系统预警值,包括巡检偏移次数、每次偏移角度等,通过本阈值设置在视频设备自动巡检时将各个摄像头巡检结果标志为是否预警;对大量的项目视频监控,可让视频巡检管理人员分层次管理各类项目视频情况,减轻管理人员的工作量,提升工作效率;
支持全区域范围内自动巡检及出具巡检结果,本方法及装置支持对全区域范围内各类重大项目监控设备视频的视频流按照定义的项目巡检范围、巡检时间等自动对各类项目自动启动视频偏移巡检,依据巡检偏移模型解析的偏移规则及偏移预警值设置内容等形成不同的视频巡检结果列表,有效替代人工巡检工作量;
支持对视频巡检结果的共享应用,本方法及装置支持对接视频管理系统等,将相关巡检结果自动提交至视频管理系统,助力视频监控实现自动对不合格摄像头进行下线处理,有效解放人工巡检及人工对摄像头上下线等的管理工作、切实提升视频巡检效率,同时实现系统摄像头展示的自动化控;对自动化巡检结果数据的存储,可有效支持对全区域范围视频监控质量及稳定性考核工作等提供有效数据提升项目实际落地考核工作的权威性,助力重大项目落地可视化督导工作的有效开展。
附图说明
图1是本发明实施例提供的重大项目现场视频偏移智能巡检的方法示意图。
具体实施方式
为了解决技术背景中描述的目前重大项目视频监控画面的自动化巡检及巡检准确率等问题,需充分考虑重大项目的固有特点,构建真正符合重大项目现场视频监控的自动化、高准确率的自动化巡检装置。重大项目现场的视频信息有其固有特点为:1)项目周期长,部分重大项目可能一年或二年周期、项目现场会因项目工程推进情况,视频设备的架设角度会进行调整,如调整高拍摄角度;2)项目现场环境不固定,如建筑工程类项目,随着工程推进情况,每天现场情况不一致,如第一阶段可能在挖地基、第二阶段有相关钢架构、到防尘网及最终楼体不断升高等工程,不同阶段对视频设备画面覆盖度不一致;3)多数工程施工现场地处环境较为空旷,易受天气原因导致视频摄像设备角度偏转,因此不能完全依托固定视频角度的视频识别判断摄像头偏移情况。
综上重大项目现场的视频监控画面的自动化巡检装置与普通视频设备不完全一致,不能单纯依靠固定的摄像头视频的关键帧图片进行比对,判断图片差异点来判断摄像头是否有偏移,会导致巡检结果不准;需要构建即可自动依据视频画面自动判断是否偏移,又需要具有自动学习能力的装置,实现可根据人工对项目摄像头偏移判断结果的修正,如因工程需要摄像头调整覆盖角度后,导致摄像头画面与以前完全不一致,但此类不应简单机械判断为偏移,需要进行人工标注为正常监控画面。本方法过对人工输入及纠正的偏移经过的机器学习库进行不断学习,并通过不断训练视频偏移计算算法,不断提升巡检准确率。即通过构建基于计算机视觉图像和机器学习的视频巡检学习综合装置,即可实现对项目监控现场视频画面的自动巡检,又实现可根据人工修正及系统多次判断后自动识别的修正结果的机器学习库实现自动学习,实现对重大项目现场视频的是否偏移的智能、高准确率检测。
本发明实施例提供一种重大项目现场视频偏移智能巡检的方法,该方法可自动获取视频流关键帧,将关键帧信息图片作为识别图片,并利用灰度直方图均衡算法及边缘特征算法等每个项目的识别图片的特征进行识别,识别图像中关键特征如颜色、纹理、形状、轮廓、空间、区域等特征后为每个项目记录至特征库,通过每次巡检时巡检图片与偏移巡检特征库特征比对及依据巡检偏移模型设置的偏移判定算法等,为每个项目巡检时形成视频是否偏移、偏移角度等的巡检结果;同时支持人工修正巡检结果,通过内置自动学习训练样本库及自动学校装置,实现对图片识别学习库中的图片特征不断的学习,可对视频设备在不同季节、不同天气环境及每天不同时间段内的巡检图像自动学习,不断更新图片识别特征。
同时实现可根据人工自动识别的人工矫正如对相关误检测图片的人工纠正等,自动学习为正常数据或偏移数据,并根据学习结果不断修正视频偏移识别算法及更新识别特征库,有效提升巡检效率及巡检时视频偏移判断的准确性。
该方法支持自动与视频监控平台对接,获取标准视频流,并通过视频流关键帧图像作为视频巡检用于比对所用的巡检图片,通过本功能,可实现每次视频巡检时,都通过项目现场实时视频流获取巡检图片,用实时巡检图片与偏移识别特征进行比对,判断当前视频是否偏移、偏移角度等,是进行实时视频偏移巡检的实现的前题条件。
该方法内置多个图片识别算法,利用利用灰度直方图均衡算法及边缘特征算法等将每个项目的识别图片的特征进行识别,识别图像中关键特征如颜色、纹理、形状、轮廓、空间、区域等特征后为每个项目记录至特征库,以此特征库作为每次视频关键帧图像比对的基本模型;同时本特征库支持人工对图片识别后记录入特征库时的图片关键特征识别。
该方法支持自动巡检偏移判定模型及视频偏移预警模型的自定义,模型可依据巡检图片特征值、特征值权重定义及图片特征相似度比例及相关算法形成自动巡检偏移判定模型,针对不同类的项目的图片特征可设置形成不同项目的判断模型,形成全区域各类重大项目的自动巡检偏移判定模型库及视频偏移预警模型库。
该方法内置自动学习训练样本库及自动学校装置,实现对全区域范围内图片识别学习库中的图片特征不断的学习,可依据各类重大项目的建设内容特点及视频设备在不同季节、不同天气环境及每天不同时间段内的巡检图像自动学习,不断更新图片识别特征;同时实现可根据人工自动识别的人工矫正如对相关误检测图片的人工纠正等,自动学习为正常数据或偏移数据,并根据学习结果不断修正视频偏移识别算法及更新识别特征库。
该方法支持可针对全区域范围内的各类重大项目进行巡检时间及巡检频率进行自定义配置,实现在具体时间点,自动启动获取项目现场实时视频图片作为巡检比对画面,有效提升视频巡检准确度。
该方法中,每次自动巡检结果进行数据存储,同时对每次巡检结果自动形成偏移摄像头列表,同时并可根据巡检结果,支持对接视频管理系统等,实现自动对不合格摄像头进行下线处理,有效解放人工巡检及人工对摄像头上下线等的管理工作、切实提升视频巡检效率。同时实现系统摄像头展示的自动化控制,可有效支持对全区域范围视频监控质量及稳定性考核工作等提供有效数据提升项目实际落地考核工作的权威性,助力重大项目落地可视化督导工作的有效开展。
该方法具体实施过程如下:
1)、视频巡检项目库与视频监控平台对接,通过巡检装置与视频巡检项目库与视频监控平台对接,实现可将纳入巡检范围的各类重大项目视频监控视频源的对接,可对视频源提供的视频项目库建库保存及对应项目上安装视频设备视频源的进行查看及视频获取;
2)、视频监控巡检图片获取,通过对接视频监控平台的视频源的不同项目视频流,实现可识别视频关键帧,并将关键帧保存为可巡检图片;
3)、巡检图片特征识别,实现利用灰度直方图均衡算法及边缘特征算法等将每个项目的识别图片的特征进行识别,识别图像中关键特征如颜色、纹理、形状、轮廓、空间、区域等特征后为每个项目记录至巡检识别特征库,以此特征库作为每次视频关键帧图像比对的基本模型;同时本特征库支持人工对图片识别后记录如特征库时的图片关键特征识别;
4)、巡检特征库分类管理,支持根据重大项目现场监控特点,对识别特征库进行分类管理,包括自动为每个项目建立特征库,同时对每个项目建立天气特征图片库,可分别对晴天、阴天、雨、雪等不同特征天气导致的视频图片的特征变化情况,进行归类;如工程进度特征库,可定义工作不同阶段的主要特征进行归类等,便于视频巡检图片对比判断时,可自动判断项目视频,自动比对本项目依据天气或工程进度等自动比对相关特征图片,提升特征图片比对特征,从而提升比对及巡检效率;
5)、视频巡检偏移模型定义,该模型支持按照自动识别的图片特征及特征值权重及自动比对的多个图片的相似度比例进行定义,形成视频偏移巡检模型定义;
6)、支持对偏移预警值的定义,针对最终判断不同的偏移角度大小等设置系统预警值,包括巡检偏移次数、每次偏移角度等,通过本阈值设置,对大量的项目视频监控,可让视频巡检管理人员分层次管理各类项目视频情况,提升工作效率;
7)、机器学习训练,内置自动学习训练样本库及自动学校装置,实现对图片识别学习库中的图片特征不断的学习,可对视频设备在不同季节、不同天气环境及每天不同时间段内的巡检图像自动学习,不断更新图片识别特征;同时人工可对自动巡检的结果进行查看,针对自动巡检有误或不完全准确的,可人工修正为正常状态,本装置可实现根据人工自动识别的人工纠正结果自动学习为正常数据或偏移数据,并根据学习结果不断修正视频偏移识别算法及更新识别特征库;
8)、视频巡检频率及巡检范围定义,支持根据项目管理需要,自行配置对全区域范围内各类不同项目定义不同的巡检时间及巡检频率;
9)、自动视频巡检,按照定义的巡检项目范围及巡检频率,自动启动视频巡检,自动获取每个视频监控设备视频流的关键帧图片,并对图片进行关键特征识别,识别完毕与巡检识别特征库中图片进行特征比对,并解析配置视频偏移巡检模型,通过模型判断从而形成视频正常数据库及偏移视频数据库;并依据视频巡检偏移预警值设置,分别形成不同的巡检偏移列表,供工作人员查看每次巡检结果,并可对自动巡检有误或不完全准确的,人工修正为正常状态;
通过自动更新识别特征库,并实现定期自动机器学习,从而不断优化视频巡检偏移模型,不断提升视频巡检准确率。
如图1所示为项目视频巡检模型定义及机器学习与智能巡检模型应用装置架构图。
本方法支持对全区域范围内各类重大项目监控设备视频的视频流关键帧图像自动获取,并可对图像进行特征识别,依据定义的巡检时间及巡检图片特征及机器学习等,不断优化视频巡检偏移判断模型;依据所述模型,自动对全区域范围视频进行偏移度判断,有效节省人工巡检的工作量,同时巡检过程数据的保持。通过本方法可提升视频巡检效率,同时自动巡检结果,可通过巡检状态,自动形成偏移摄像头列表,同时并可根据巡检结果,支持对接视频管理系统等,实现将视频偏移巡检结果共享至视频管理系统,助力视频管理系统自动对不合格摄像头进行下线处理,有效解放人工巡检及人工对摄像头上下线等的管理工作、切实提升视频巡检效率。同时本方法实现系统摄像头展示的自动化控制,对自动化巡检结果数据的存储,可有效支持对全区域范围视频监控质量及稳定性考核工作等提供有效数据提升项目实际落地考核工作的权威性,助力重大项目落地可视化督导工作的有效开展。
本发明实施例还提供了一种重大项目现场视频偏移智能巡检的装置,使用本装置,通过自动识别视频监控流关键帧图片,并识别图片特征信息;通过巡检视频特征库与自动巡检时现场对应视频图片的自动比对,依据视频偏移巡检判断模型等形成最终的视频自动巡检偏移结果;同时视频巡检模型支持机器学习,不断优化视频偏移巡检算法,不断提升视频偏移巡检准确度,为解放人工视频巡检工作及项目落体推进考核工作提供有效技术支撑;
该装置包括监控视频流获取关键帧图像装置、关键图片特征库、视频偏移计算规则定义模型和自动学习训练样本库及自动学校装置,
该装置实现上述实施例中所描述的重大项目现场视频偏移智能巡检的方法。
其中,所述监控视频流获取关键帧图像装置,实现可在设定时间范围内,将各个重大项目的现场视频装置的视频流获取为关键帧,将视频流关键帧图像保存为每个项目的图片识别库;
所述关键图片特征库,利用灰度直方图均衡算法及边缘特征算法等将每个项目的识别图片的特征进行识别,识别图像中关键特征如颜色、纹理、形状、轮廓、空间、区域等后为每个项目记录至特征库,以此特征库作为每次视频关键帧图像比对的基本模型;同时该特征库支持人工对图片识别后记录如特征库时的图片关键特征识别;
所述视频偏移计算规则定义模型,支持按照一定数量的视频画面比对的相似度数值及偏移算法定义,实现按照定义的相似度数据及偏移算法综合判断视频设备是否偏移,同时支持对视频偏移预警值的设置,支持可设置不同的偏移阈值,在视频设备自动巡检时将各个摄像头巡检结果标志为是否预警;
所述自动学习训练样本库及自动学校装置,实现对图片识别学习库中的图片特征不断的学习,可对视频设备在不同季节、不同天气环境及每天不同时间段内的巡检图像自动学习,不断更新图片识别特征,同时实现可根据人工自动识别的人工矫正如对相关误检测图片的人工纠正,自动学习为正常数据或偏移数据,并根据学习结果不断修正视频偏移识别算法及更新识别特征库。
本装置应用,基于项目现场视频巡检模型应用,全区域重大项目现场安装视频设备,并通过统一的视频接入平台汇聚各项目现场视频信息后,本装置需与统一视频接入平台对接,能够获取视频接入平台提供的标准视频流,可获取每个视频流的关键帧形成可供视频巡检使用的特征图片,依据定义的图片巡检偏移模型及每类项目视频巡检频率,自动在指定时间内进行视频巡检;巡检时,将视频巡检偏移模型进行解析,结合巡检图片特征点的比对,自动判断摄像头是否偏移、偏移度、是否符合预警条件等形成视频巡检偏移结果列表;工作人员可随时查看每次巡检结果及巡检特征图片,对误判的结果进行人工纠正,装置自动将人工纠正的图片特征再次识别后,优化视频巡检偏移模型算法,下次巡检时采用最新优化模型进行巡检,通过视频设备自动偏移巡检,有效节省人工巡检工作量,同时为项目落地视频推进考核提供数据支撑。
上文通过附图和优选实施例对本发明进行了详细展示和说明,然而本发明不限于这些已揭示的实施例,基与上述多个实施例本领域技术人员可以知晓,可以组合上述不同实施例中的代码审核手段得到本发明更多的实施例,这些实施例也在本发明的保护范围之内。
Claims (10)
1.一种重大项目现场视频偏移智能巡检的方法,其特征在于获取监控视频流,通过自动识别监控视频流的关键帧图片,并识别图片的特征信息,存入识别特征库;通过巡检识别特征库与自动巡检时现场对应视频图片的自动比对,依据视频偏移巡检模型最终形成视频自动巡检偏移结果;
所述视频偏移巡检模型支持机器学习,按照一定数量的视频画面比对的相似度数值及偏移算法定义,实现按照定义的相似度数据及偏移算法综合判断视频设备是否偏移;
通过设置自动学习样本库和自动学校装置,实现对巡检识别特征库中图片特征的不断学习,同时实现根据人工自动识别的人工矫正,自动学习为正常数据或偏移数据,并根据学习结果不断修正所述偏移算法并更新所述识别特征库。
2.根据权利要求1所述的一种重大项目现场视频偏移智能巡检的方法,其特征在于通过自动与视频监控平台对接,获取标准视频流,并通过视频流关键帧图像作为视频巡检用于比对所用的巡检图片;
设置监控视频流获取关键帧图像装置,实现可在设定时间范围内,将各个重大项目的现场视频装置的视频流获取为关键帧,将视频流关键帧图像保存为对应的每个项目的图片识别特征库。
3.根据权利要求1所述的一种重大项目现场视频偏移智能巡检的方法,其特征在于将每次自动巡检结果进行数据存储,同时对每次巡检结果自动形成偏移摄像头列表;
根据巡检结果,支持对接视频管理系统,实现自动对不合格摄像头进行下线处理;并实现系统摄像头展示的自动化控制。
4.根据权利要求2所述的一种重大项目现场视频偏移智能巡检的方法,其特征在于所述识别特征库实现巡检图片特征识别,设置关键图片特征库,通过算法对每个项目的识别图片的特征进行识别,算法包括灰度直方图均衡算法及边缘特征算法;识别图像中的关键特征后为每个项目记录至特征库,以此特征库作为每次视频关键帧图像比对的基本模型,所述特征包括颜色、纹理、形状、轮廓、空间和区域;
所述特征库支持人工对图片识别后记录入特征库时的图片关键特征识别。
5.根据权利要求1所述的一种重大项目现场视频偏移智能巡检的方法,其特征在于视频偏移巡检模型支持对视频偏移预警值的设置,可设置不同的偏移阈值,在视频设备自动巡检时将各个摄像头巡检结果标志为是否预警。
6.根据权利要求1所述的一种重大项目现场视频偏移智能巡检的方法,其特征在于所述自动学习训练样本库及自动学校装置,对全区域范围内图片识别学习库中的图片特征不断的学习,依据各类重大项目的建设内容特点及视频设备在不同季节、不同天气环境及每天不同时间段内的巡检图像自动学习,不断更新图片识别特征。
7.根据权利要求1-6任一所述的一种重大项目现场视频偏移智能巡检的方法,其特征在于该方法具体实施过程如下:
1)、视频巡检项目库与视频监控平台对接,通过巡检装置与视频巡检项目库与视频监控平台对接,实现将纳入巡检范围的各类重大项目视频监控视频源的对接;
2)、视频监控巡检图片获取,通过对接视频监控平台的视频源的不同项目视频流,实现可识别视频关键帧,并将关键帧保存为可巡检图片;
3)、巡检图片特征识别,通过算法对每个项目的识别图片的特征进行识别;识别图像中的关键特征后为每个项目记录至特征库,以此特征库作为每次视频关键帧图像比对的基本模型,同时本特征库支持人工对图片识别后记录如特征库时的图片关键特征识别;
4)、巡检特征库分类管理,根据重大项目现场监控特点,对识别特征库进行分类管理;
5)、视频巡检偏移模型定义,该模型支持按照自动识别的图片特征及特征值权重及自动比对的多个图片的相似度比例进行定义,形成视频偏移巡检模型定义;
6)、支持对偏移预警值的定义,设置系统预警值,包括巡检偏移次数、每次偏移角度;
7)、机器学习训练,实现对图片识别学习库中的图片特征不断学习,并不断更新图片识别特征;根据人工自动识别的人工纠正结果自动学习为正常数据或偏移数据,并根据学习结果不断修正视频偏移识别算法及更新识别特征库;
8)、视频巡检频率及巡检范围定义,根据项目管理需要,自行配置对全区域范围内各类不同项目定义不同的巡检时间及巡检频率;
9)、自动视频巡检,按照定义的巡检项目范围及巡检频率,自动启动视频巡检。
8.根据权利要求7所述的一种重大项目现场视频偏移智能巡检的方法,其特征在于所述自动视频巡检,自动获取每个视频监控设备视频流的关键帧图片,并对图片进行关键特征识别,识别完毕与巡检识别特征库中图片进行特征比对,并解析配置视频偏移巡检模型,通过模型判断从而形成视频正常数据库及偏移视频数据库;并依据视频巡检偏移预警值设置,分别形成不同的巡检偏移列表,供工作人员查看每次巡检结果,并可对自动巡检有误或不完全准确的,人工修正为正常状态;
通过自动更新识别特征库,并实现定期自动机器学习,从而不断优化视频巡检偏移模型,不断提升视频巡检准确率。
9.一种重大项目现场视频偏移智能巡检的装置,其特征在于包括监控视频流获取关键帧图像装置、关键图片特征库、视频偏移计算规则定义模型和自动学习训练样本库及自动学校装置,
该装置实现权利要求1-8任意项所述的重大项目现场视频偏移智能巡检的方法。
10.根据权利要求9所述的一种重大项目现场视频偏移智能巡检的装置,其特征在于监控视频流获取关键帧图像装置,实现可在设定时间范围内,将各个重大项目的现场视频装置的视频流获取为关键帧,将视频流关键帧图像保存为每个项目的图片识别库;
关键图片特征库,利用算法将每个项目的识别图片的特征进行识别,识别图像中关键特征后为每个项目记录至特征库,以此特征库作为每次视频关键帧图像比对的基本模型;同时该特征库支持人工对图片识别后记录如特征库时的图片关键特征识别;
视频偏移计算规则定义模型,支持按照一定数量的视频画面比对的相似度数值及偏移算法定义,实现按照定义的相似度数据及偏移算法综合判断视频设备是否偏移,同时支持对视频偏移预警值的设置,支持可设置不同的偏移阈值,在视频设备自动巡检时将各个摄像头巡检结果标志为是否预警;
自动学习训练样本库及自动学校装置,实现对图片识别学习库中的图片特征不断的学习,可对视频设备在不同季节、不同天气环境及每天不同时间段内的巡检图像自动学习,不断更新图片识别特征,同时实现可根据人工自动识别的人工矫正如对相关误检测图片的人工纠正,自动学习为正常数据或偏移数据,并根据学习结果不断修正视频偏移识别算法及更新识别特征库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111345494.3A CN113794875B (zh) | 2021-11-15 | 2021-11-15 | 一种重大项目现场视频偏移智能巡检的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111345494.3A CN113794875B (zh) | 2021-11-15 | 2021-11-15 | 一种重大项目现场视频偏移智能巡检的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113794875A true CN113794875A (zh) | 2021-12-14 |
CN113794875B CN113794875B (zh) | 2022-02-18 |
Family
ID=78955175
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111345494.3A Active CN113794875B (zh) | 2021-11-15 | 2021-11-15 | 一种重大项目现场视频偏移智能巡检的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113794875B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE60238407D1 (de) * | 2001-07-04 | 2011-01-05 | Koninkl Philips Electronics Nv | Auswahl von referenzmarken zur schnellschätzung der position eines bildaufnahmegeräts |
CN104902218A (zh) * | 2014-03-05 | 2015-09-09 | 王慈 | 广域安防系统中视频监控子网性能监测系统及方法 |
US20160191759A1 (en) * | 2014-12-29 | 2016-06-30 | Intel Corporation | Method and system of lens shift correction for a camera array |
CN112597895A (zh) * | 2020-12-22 | 2021-04-02 | 北京百度网讯科技有限公司 | 基于偏移量检测的置信度确定方法、路侧设备及云控平台 |
CN113239937A (zh) * | 2021-05-08 | 2021-08-10 | 青岛创新奇智科技集团有限公司 | 镜头偏移检测方法、装置、电子设备及可读存储介质 |
CN113469201A (zh) * | 2020-03-31 | 2021-10-01 | 阿里巴巴集团控股有限公司 | 图像采集设备偏移检测方法、图像匹配方法、系统和设备 |
-
2021
- 2021-11-15 CN CN202111345494.3A patent/CN113794875B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE60238407D1 (de) * | 2001-07-04 | 2011-01-05 | Koninkl Philips Electronics Nv | Auswahl von referenzmarken zur schnellschätzung der position eines bildaufnahmegeräts |
CN104902218A (zh) * | 2014-03-05 | 2015-09-09 | 王慈 | 广域安防系统中视频监控子网性能监测系统及方法 |
US20160191759A1 (en) * | 2014-12-29 | 2016-06-30 | Intel Corporation | Method and system of lens shift correction for a camera array |
CN113469201A (zh) * | 2020-03-31 | 2021-10-01 | 阿里巴巴集团控股有限公司 | 图像采集设备偏移检测方法、图像匹配方法、系统和设备 |
CN112597895A (zh) * | 2020-12-22 | 2021-04-02 | 北京百度网讯科技有限公司 | 基于偏移量检测的置信度确定方法、路侧设备及云控平台 |
CN113239937A (zh) * | 2021-05-08 | 2021-08-10 | 青岛创新奇智科技集团有限公司 | 镜头偏移检测方法、装置、电子设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113794875B (zh) | 2022-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111353413B (zh) | 一种输电设备低漏报率缺陷识别方法 | |
CN110246112B (zh) | 基于深度学习的激光扫描slam室内三维点云质量评价方法 | |
CN111143932A (zh) | 一种桥梁健康状态的评估方法、装置、系统和设备 | |
CN110927171A (zh) | 一种基于机器视觉的轴承滚子倒角面缺陷检测方法 | |
CN112200011B (zh) | 曝气池状态检测方法、系统、电子设备及存储介质 | |
CN111191714A (zh) | 桥梁外观损伤病害智能识别方法 | |
CN111160432A (zh) | 一种面板生产制造缺陷的自动分类方法及系统 | |
CN110852164A (zh) | 一种基于YOLOv3的自动检测违章建筑方法及系统 | |
CN111881970A (zh) | 一种基于深度学习的外破图像智能识别方法 | |
CN114240868A (zh) | 一种基于无人机的巡检分析系统及方法 | |
CN111914767A (zh) | 一种基于多源遥感数据的散乱污企业检测方法及系统 | |
CN114943689A (zh) | 基于半监督学习的钢铁冷轧退火炉元器件检测方法 | |
CN111461487B (zh) | 一种基于bim的室内装修工程智慧管理系统 | |
CN115187525A (zh) | 基于知识蒸馏的无监督图像缺陷检测方法、装置及介质 | |
CN113794875B (zh) | 一种重大项目现场视频偏移智能巡检的方法及装置 | |
CN117237925B (zh) | 一种基于计算机视觉的智慧道路病害巡检方法及系统 | |
CN114241332A (zh) | 一种基于深度学习的固废场识别方法、装置以及存储介质 | |
CN113052103A (zh) | 一种基于神经网络的电气设备缺陷检测方法及装置 | |
CN116777865A (zh) | 一种水下裂缝的识别方法、系统、装置及存储介质 | |
CN116993665A (zh) | 一种基于计算机视觉的建筑工程作业面施工进度的智能检测方法 | |
CN111275682A (zh) | 集装箱检测方法、装置及计算机可读存储介质 | |
CN110689028A (zh) | 现场图测评方法、现场勘查记录测评方法及其装置 | |
CN115239621A (zh) | 一种基于虚实匹配的变电站视觉智能巡检方法 | |
CN114757941A (zh) | 变电站设备缺陷的识别方法、装置、电子设备及存储介质 | |
CN114663751A (zh) | 一种基于增量学习技术的输电线路缺陷识别方法和系统 |
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 |