CN113887303A - 前端监控设备管理方法、装置和设备及存储介质 - Google Patents

前端监控设备管理方法、装置和设备及存储介质 Download PDF

Info

Publication number
CN113887303A
CN113887303A CN202111018431.7A CN202111018431A CN113887303A CN 113887303 A CN113887303 A CN 113887303A CN 202111018431 A CN202111018431 A CN 202111018431A CN 113887303 A CN113887303 A CN 113887303A
Authority
CN
China
Prior art keywords
monitoring
scene
end monitoring
similarity
pictures
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
CN202111018431.7A
Other languages
English (en)
Inventor
姚佳俊
周道利
王海星
阮学武
马东星
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 CN202111018431.7A priority Critical patent/CN113887303A/zh
Publication of CN113887303A publication Critical patent/CN113887303A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/22Matching criteria, e.g. proximity measures
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/70Determining position or orientation of objects or cameras
    • G06T7/73Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/74Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10004Still image; Photographic image
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30196Human being; Person
    • G06T2207/30201Face
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30232Surveillance

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Alarm Systems (AREA)

Abstract

本申请公开了一种前端监控设备管理方法、装置和设备及存储介质,涉及监控设备管理技术领域,该方法通过对巡检的多个前端监控设备拍摄的监控图片进行场景相似度计算,当两个监控图片之间的场景相似度较高时,则说明相应的两个监控设备的监控场景相同,进而进一步判断这两个前端监控设备的位置信息是否一致,若一致,则表明这两个前端监控设备可能是外力导致使得其中一个设备的监控区域错误,使得这两个前端监控设备针对同一场景进行监控,进而生成相应的巡检结果,并将所述巡检结果上传至管理平台设备,以便管理人员及时进行处理,避免不同监控设备监控同一监控场景带来的资源浪费。

Description

前端监控设备管理方法、装置和设备及存储介质
技术领域
本申请涉及计算机技术领域,尤其涉及监控设备管理技术领域,提供一种前端监控设备管理方法、装置和设备及存储介质。
背景技术
目前,监控设备大量被应用于各种监控场景中,为了方便对监控设备进行管理,通常可以将监控设备统一纳入到管理平台中,由该管理平台实现监控设备的管理,同时,一个监控设备还可能被纳入到不同的管理平台中,例如可以被纳入至村级政务管理平台、实际政务管理平台以及消防管理平台等,以方便各个监控设备的监控视频能被各个管理单位灵活的取用。
目前,各个管理平台一般可实现对监控设备的监控视频图像的管理,但是缺乏对监控设备的有效管理措施,例如,在监控设备由于架设或者后期调教错误,可能导致对于单一场景进行多次采集的问题,从而导致资源浪费。
发明内容
本申请实施例提供一种前端监控设备管理方法、装置和设备及存储介质,用于解决因多个监控设备对于单一场景进行多次采集导致的资源浪费的问题。
一方面,提供一种前端监控设备管理方法,所述方法包括:
基于预先设定的监控设备巡检策略,确定本次巡检的多个前端监控设备;
获取每个所述前端监控设备拍摄的监控图片,每个所述监控图片的拍摄时刻距离当前时刻之间的时长不超过设定时长阈值;
确定每两个所述监控图片的场景相似度是否大于设定的第一场景相似度阈值;
若所述场景相似度大于所述第一场景相似度阈值,则判断所述相似度关联的所述监控图片对应的所述前端监控设备的位置信息是否一致;
若所述前端监控设备的位置信息一致,则生成所述前端监控设备针对同一场景进行监控的巡检结果,并将所述巡检结果上传至管理平台设备。
一方面,提供一种前端监控设备管理装置,所述装置包括:
策略确定单元,用于基于预先设定的监控设备巡检策略,确定本次巡检的多个前端监控设备;
图片获取单元,用于获取每个所述前端监控设备拍摄的监控图片,每个所述监控图片的拍摄时刻距离当前时刻之间的时长不超过设定时长阈值;
巡检判定单元,用于确定每两个所述监控图片的场景相似度是否大于设定的第一场景相似度阈值;若所述场景相似度大于所述第一场景相似度阈值,则判断所述相似度关联的所述监控图片对应的所述前端监控设备的位置信息是否一致;若所述前端监控设备的位置信息一致,则生成所述前端监控设备针对同一场景进行监控的巡检结果;
发送单元,用于将所述巡检结果上传至管理平台设备。
可选的,所述装置还包括相似度确定单元,用于:
分别对每个所述监控图片进行场景特征提取,获得每个所述监控图片的场景特征信息;
针对每两个所述监控图片的场景特征信息进行特征比对,确定每两个所述监控图片之间的场景相似度。
可选的,所述巡检判定单元,还用于:
若所述场景相似度不大于所述第一场景相似度阈值,则确定所述场景相似度是否大于设定的第二场景相似度阈值,所述第二场景相似度阈值小于所述第一场景相似度阈值;
若确定所述场景相似度大于所述第二场景相似度阈值,则基于所述场景相似度关联的所述监控图片中的人脸特征信息,确定所述监控图片是否属于同一场景;
若确定所述监控图片属于同一场景,确定所述监控图片对应的所述前端监控设备的位置信息是否一致;
若所述前端监控设备的位置信息一致,生成所述前端监控设备针对同一场景进行监控的巡检结果,并将所述巡检结果上传至所述管理平台设备。
可选的,所述巡检判定单元,具体用于:
分别对所述监控图片进行人脸检测;
若检测到所述监控图片中均包括人脸,则分别从所述监控图片提取人脸特征信息;
将所述监控图片对应的人脸特征信息进行特征比对,确定所述监控图片的人脸相似度是否大于设定的人脸相似度阈值;
若所述人脸相似度大于所述人脸相似度阈值,则确定所述监控图片属于同一场景;或者,
若所述人脸相似度不大于所述人脸相似度阈值,则确定所述监控图片属于不同场景。
可选的,所述巡检判定单元,还用于若确定所述前端监控设备的位置信息不一致,则生成所述前端监控设备中其中一个前端监控设备的位置信息录入错误的巡检结果;
所述发送单元,还用于将所述巡检结果上传至所述管理平台设备。
可选的,所述N个前端监控设备来自于多个级联的下级平台,则所述巡检判定单元,还用于:
确定所述前端监控设备所来自的下级平台标识是否相同;
若所述前端监控设备所来自的下级平台标识不同,则生成指示下级平台的前端监控设备存在重复的指示信息,且对重复的前端监控设备进行合并优化处理。
一方面,提供一种计算机设备,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,所述处理器执行所述计算机程序时实现上述任一种方法的步骤。
一方面,提供一种计算机存储介质,其上存储有计算机程序指令,该计算机程序指令被处理器执行时实现上述任一种方法的步骤。
一方面,提供一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述任一种方法的步骤。
本申请实施例中,通过对巡检的多个前端监控设备拍摄的监控图片进行场景相似度计算,当监控图片之间的场景相似度较高时,则说明相应的前端监控设备的监控场景相同,进而进一步判断这两个前端监控设备的位置信息是否一致,若一致,则表明这两个前端监控设备可能是外力导致使得其中一个设备的监控区域错误,使得这两个前端监控设备针对同一场景进行监控,进而生成相应的巡检结果,并将所述巡检结果上传至管理平台设备,以便管理人员及时进行处理,避免不同监控设备监控同一监控场景带来的资源浪费。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案,下面将对实施例或相关技术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,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种应用场景图;
图2为本申请实施例提供的另一种应用场景图;
图3为本申请实施例提供的前端监控设备管理方法的一种流程示意图;
图4为本申请实施例提供的前端监控设备管理方法的另一种流程示意图;
图5为本申请实施例提供的前端监控设备管理装置的一种结构示意图;
图6为本申请实施例提供的计算机设备的一种结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白,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,所描述的实施例仅仅是本申请一部分实施例,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他实施例,都属于本申请保护的范围。在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
下面对本申请实施例的设计思想进行简要介绍。
监控设备在日常生活中是即为常见的,极大的保障了日常生活的便利性和安全性。目前,各个管理平台一般可实现对监控设备的监控视频图像的管理,例如目前可以对异构数据源数据进行分类,区分出视频图像基础属性、视频图像描述信息和视频图像原始数据,也就是根据视频数据的属性对视频图像数据进行分类管理。但是,缺乏对监控设备的有效管理措施,例如,在监控设备由于架设或者后期调教错误,可能导致对于单一场景进行多次采集的问题,从而导致资源浪费。
基于此,本申请实施例提供了一种前端监控设备管理方法,在该方法中,通过对巡检的多个前端监控设备拍摄的监控图片进行场景相似度计算,当两个监控图片之间的场景相似度较高时,则说明相应的两个监控设备的监控场景相同,进而进一步判断这两个前端监控设备的位置信息是否一致,若一致,则表明这两个前端监控设备可能是外力导致使得其中一个设备的监控区域错误,使得这两个前端监控设备针对同一场景进行监控,进而生成相应的巡检结果,并将所述巡检结果上传至管理平台设备,以便管理人员及时进行处理,避免不同监控设备监控同一监控场景带来的资源浪费。
此外,若是判断两个前端监控设备的位置信息不同,这两个前端监控设备的监控场景却相同,那么这两个前端监控设备的位置存在疑虑,那么同样生成相应的巡检结果,上报至管理平台,以便及时处理。
本申请实施例中,还考虑到外力导致的多个前端监控设备拍摄同一场景时,前端监控设备的监控场景可能存在一定差异,因而可以借助其他因素辅助进行判断,基于此,本申请实施例通过对监控图片进行人脸检测,当两个监控图片存在人脸时,那么可针对人脸进行特征比对,当人脸一致时,那么表明这两个前端监控设备的监控场景是相同的,从而降低对监控场景相似性的判别错误。
在介绍完本申请实施例的设计思想之后,下面对本申请实施例的技术方案能够适用的应用场景做一些简单介绍,需要说明的是,以下介绍的应用场景仅用于说明本申请实施例而非限定。在具体实施过程中,可以根据实际需要灵活地应用本申请实施例提供的技术方案。
本申请实施例提供的方案可以适用于大多数监控设备管理场景中。
如图1所示,为本申请实施例提供的一种应用场景图,在该场景中,包括前端监控设备101、监控设备管理设备102、管理平台设备103和管理用户终端104。
前端监控设备101为任意具备监控功能的设备,例如可以为部署于各个监控场景的摄像头等。前端监控设备101可用于拍摄监控视频流,并将拍摄的监控视频流上传至管理平台设备103。其中,前端监控设备101可连接至一个或者多个管理平台设备103,从其拍摄的监控视频流可分别上传至各个管理平台设备103。
监控设备管理设备102为具备一定处理能力的设备,其可以包括一个或多个处理器1021、存储器1022以及与终端交互的I/O接口1023等。此外,监控设备管理设备102还可以配置数据库1024,数据库1024可以用于存储本申请实施例的方法涉及到的数据等。其中,监控设备管理设备102的存储器1022中还可以存储本申请实施例提供的前端监控设备管理方法的程序指令,这些程序指令被处理器1021执行时能够用以实现本申请实施例提供的前端监控设备管理方法的步骤,以对多个前端监控设备管理进行巡检,获得相应的巡检结果。
管理平台设备103可以为管理平台的后台服务器,例如可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器,但并不局限于此。
管理用户终端104可以打开与管理平台设备103对应的页面,例如安装有了管理客户端,或者也可以通过浏览器打开相应的管理页面。其中,管理用户终端104例如可以为手机、平板电脑(PAD)、笔记本电脑、台式电脑、智能电视以及智能可穿戴设备等。
在具体应用时,前端监控设备101拍摄自身对应的监控场景的监控视频流,并上传至相应的管理平台设备103。监控设备管理设备102可以在巡检时机到达时,可以从管理平台设备103中获取巡检方案指定的N个前端监控设备101近期拍摄的监控图片,并基于监控图片判定各个前端监控设备101的监控场景是否相同,当监控场景相同时,可结合各个前端监控设备101的位置信息判定前端监控设备101可能存在的部署问题,并生成相应的巡检结果,并上传至管理平台设备103,当存在问题,管理平台设备103可及时推送给管理用户终端104,以便持有管理用户终端104的人员可及时安排进行检查,尽快处理存在的问题。
在具体实施时,监控设备管理设备102和管理平台设备103可以是分别独立的设备,也可以是部署于同一物理服务器的不同功能部分,还可以是监控设备管理设备102和管理平台设备103为同一服务器。对于具体的部署方式,本申请实施例并不进行限制。
前端监控设备101、监控设备管理设备102、管理平台设备103和管理用户终端104之间可以通过一个或者多个网络105进行直接或间接的通信连接。该网络105可以是有线网络,也可以是无线网络,例如无线网络可以是移动蜂窝网络,或者可以是无线保真(Wireless-Fidelity,WIFI)网络,当然还可以是其他可能的网络,本申请实施例对此不做限制。
需要说明的是,在本申请实施例中,前端监控设备101的数量可以为一个,也可以为多个,同样的,管理平台设备103的数量也可以为一个,也可以为多个,也就是说对于前端监控设备101或者管理平台设备103的数量并不进行限制。
如图2所示,为本申请实施例提供的另一种应用场景图,在该场景中,包括多级级联的管理平台设备,图2中具体以2级为例,即多个下级管理平台设备21级联至上级管理平台设备20,每个下级管理平台设备21管理着多个前端监控设备,这些前端监控设备的视频流被汇总至上级管理平台设备20中。在具体应用时,下级管理平台设备21例如可以为区级管理平台的设备,上级管理平台设备20例如可以是区级管理平台的设备;或者,下级管理平台设备21可以为不同行政部门的管理平台的设备,例如消防部门或者行政部门的设备,上级管理平台设备20则为统管这些部门的上级部门的设备。
本申请实施例的前端监控设备管理方法可以由任一管理平台设备来执行,例如可以由图2所示的任一下级管理平台设备21或者上级管理平台设备20来执行。
在具体应用时,由于多级前端监控设备可以连接至不同的下级管理平台设备21,从而使得上级管理平台设备20中,可能存在同一前端监控设备多次存在的情况,从而占用上级管理平台设备20的资源,产生资源浪费。从而基于本申请实施例的前端监控设备管理方法,在进行巡检时,则可以检测出相同的前端监控设备,从而可以在上级管理平台设备20进行合并优化,减少同一前端监控设备多次占用资源,减少资源浪费。
当然,本申请实施例提供的方法并不限用于图1或图2所示的应用场景中,还可以用于其他可能的应用场景,本申请实施例并不进行限制。对于图1或图2所示的应用场景的各个设备所能实现的功能将在后续的方法实施例中一并进行描述,在此先不过多赘述。
请参见图3,为本申请各实施例提供的前端监控设备管理方法的一种流程示意图,该方法可以通过图1或图2中的前端监控设备管理设备101来执行,该方法的流程介绍如下。
步骤301:基于预先设定的监控设备巡检策略,确定本次巡检的多个前端监控设备。
本申请实施例中,监控设备巡检策略可以是预先设定好的,其包含巡检的时间、周期以及巡检对象等信息。
例如,处于位置A的前端监控设备包括2个,一个为主监控设备,另一个为备用监控设备,那么这两个前端监控设备的监控场景都是相同,因而在进行巡检时,为避免报错,可以选择其中一个前端监控设备作为巡检对象,例如可以将主监控设备设为巡检对象。
进而,在巡检时机到达时,可以确定本次巡检的多个前端监控设备,即多个巡检对象。
步骤302:获取每个前端监控设备拍摄的监控图片,每个监控图片的拍摄时刻距离当前时刻之间的时长不超过设定时长阈值。
本申请实施例中,针对本次巡检的多个前端监控设备,可以获取每个前端监控设备近期拍摄的监控图片,进而基于监控图片继续后续的巡检过程。
其中,这里的近期是指监控图片的拍摄时刻距离当前时刻之间的时长不超过设定时长阈值,一般而言,可以选取多个前端监控设备在同一时刻拍摄的监控图片,当然,需要说明的是,同一时刻并不是严格的完全相同,可以是指时间差在一定范围内,例如,在间隔10s的时间差内拍摄的监控图片则可以认为是在同一时刻拍摄的。
具体的,前端监控设备拍摄的视频流可以存储于相应的数据服务器中,例如图1所示的管理平台设备,因而可以从数据服务器中获取各个前端监控设备的监控图片。
步骤303:确定每两个监控图片的场景相似度是否大于设定的第一场景相似度阈值。
本申请实施例中,为了解决多个前端监控设备对单一的监控场景进行监控,从而产生的资源浪费问题,可以通过对巡检的各个前端监控设备拍摄的监控图片进行相似度检测,以判断其监控场景是否相同,从而辅助制定后续的改善措施。
由于任意两个监控图片的相似性判别过程均是类似的,因而这里具体以两个监控图片的相似性判别过程为例进行介绍,即前端监控设备A拍摄的监控图片1和前端监控设备B拍摄的监控图片2。
具体的,可以分别对多个监控图片中的各个监控图片进行场景特征提取,获得每个监控图片的场景特征信息。针对监控图片1和监控图片2,通过场景特征提取,则可以得到监控图片1和监控图片2中的场景特征信息,从而将监控图片1和监控图片2的场景特征信息进行特征比对,以获取监控图片1和监控图片2之间的场景相似度,进而可以确定场景相似度是否大于设定的第一场景相似度阈值。
其中,在进行场景特征提取时,可以针对每个监控图片进行灰度处理后,采用预先训练的特征提取模型来进行特征提取。其中,特征提取模型例如可以为卷积神经网络(Convolution Neural Network,CNN)等深度学习神经网络模型来实现。
本申请实施例中,除了可以针对每个前端监控设备获取一个监控图片之外,也可以采用针对每个前端监控设备获取一段监控视频,进而基于该监控视频来进行场景特征提取,获得场景特征信息,并基于获得的场景特征信息,确定每两个前端监控设备的监控场景之间的相似度。
步骤304:若场景相似度大于第一场景相似度阈值,则判断场景相似度关联的监控图片对应的前端监控设备的位置信息是否一致。
本申请实施例中,若步骤303的确定结果为是,也就是说每两个监控图片之间的场景相似度大于第一场景相似度阈值时,则确定每两个监控图片对应的两个前端监控设备的位置信息是否一致。
沿用上述监控图片1和监控图片2的例子,若监控图片1和监控图片2的场景相似度大于第一场景相似度阈值,则可以获取其相应的前端监控设备A和前端监控设备B的位置信息,从而确定前端监控设备A和前端监控设备B的位置信息是否一致。
其中,场景相似关联的监控图片是指计算相似度的另个监控图片,如杉树的监控图片1和监控图片2。
步骤305:若前端监控设备的位置信息一致,则生成存在前端监控设备针对同一场景进行监控的巡检结果,并将巡检结果上传至管理平台设备。
本申请实施例中,若步骤304的确定结果为是,即当前端监控设备A和前端监控设备B的位置信息一致时,则表明前端监控设备A和前端监控设备B为设置于同一场景的两个前端监控设备,且其监控的内容相同,从而可以生成每两个监控图片对应的前端监控设备针对同一场景进行监控的巡检结果,并将巡检结果上传至管理平台设备。
具体的,两个前端监控设备的监控场景相同可能是由如下的原因导致的:
(1)前端监控设备由于架设或者后期调教错误,导致多个前端监控设备拍摄同一场景,如同一杆上架设多个摄像头时,可能因为调教错误,使得多个摄像头拍摄同一方向。
(2)由于外力导致的前端监控设备的拍摄方向发生变化,从而使得多个前端监控设备拍摄同一场景,例如同一杆上架设多个摄像头时,可能会因风力较大使得摄像头的拍摄方向发生变化,从而使得多个摄像头拍摄同一方向,或者也可以能人为的改变了摄像头的拍摄方向,使得多个摄像头拍摄同一方向。
(3)当需要巡检的多个前端监控设备来自于多个级联的下级平台时,则可能出现来自不同下级平台的多个前端监控设备为同一前端监控设备,从而出现监控场景相同的情况,进而若两个前端监控设备的位置信息一致,除了生成每两个监控图片对应的前端监控设备针对同一场景进行监控的巡检结果,还可以确定两个前端监控设备所来自的下级平台标识是否相同,若两个前端监控设备所来自的下级平台标识不同,则生成指示下级平台的前端监控设备存在重复的指示信息,且对重复的前端监控设备进行合并优化处理。
因而,当检测到同一场景的多个前端监控设备拍摄同一场景时,则需要提醒管理人员进行核查,从而及时解决存在的同一场景存在多个前端监控设备的问题,减少资源浪费。
参见图4所示,为本申请实施例提供的前端监控设备方法的另一种流程示意图。
步骤401:基于预先设定的监控设备巡检策略,确定本次巡检的多个前端监控设备。
步骤402:获取每个前端监控设备拍摄的监控图片。
步骤403:确定每两个监控图片的场景相似度是否大于设定的第一场景相似度阈值X。
需要说明的是,后续均以两个监控图片为例进行介绍,该两个监控图片可以为N个监控图片组合的任意两个监控图片。
步骤404:若步骤403的结果为是,则获取场景相似度大于第一场景相似度阈值的两个监控图片的对应的前端监控设备的位置信息。
步骤405:确定前端监控设备的位置信息是否一致。
即,若存在两个监控图片的场景相似度是否大于设定的第一场景相似度阈值X,则获取这两个监控图片对应的前端监控设备的位置信息,并判断这两个监控图片对应的两个前端监控设备的位置信息是否一致。
步骤406:若步骤405的结果为是,则生成存在前端监控设备针对同一场景进行监控的巡检结果。
其中,步骤401~步骤406与图3所示的实施例部分的处理过程类似,因而可参考图3所示的实施例中相应部分的介绍,在此不再进行赘述。
步骤407:若步骤405的结果为否,则生成存在前端监控设备针对同一场景进行监控,且位置信息错误的巡检结果。
若这两个监控图片对应的两个前端监控设备的位置信息不一致,即本应设置于不同位置的两个前端监控设备却拍摄两个相同场景的监控图片,说明其中有一个前端监控设备的位置信息是错误的,从而生成这两个监控图片对应的前端监控设备中其中一个前端监控设备的位置信息录入错误的巡检结果,从而管理人员得知该巡检结果后,则可以现场核查是否存在相应的问题,并进行改善。
步骤408:若步骤403的结果为否,则确定该两个监控图片之间的场景相似度是否大于设定的第二场景相似度阈值Y。
其中,第二场景相似度阈值Y小于第一场景相似度阈值X,第一场景相似度阈值X和第二场景相似度阈值Y均为用户自行设置的值,例如可以设置第一场景相似度阈值为98%,第二场景相似度阈值为95%,当然,也可以设置其他任意满足条件的值,本申请实施例对此不做限制。
步骤409:若步骤408的结果为是,则检测这两个监控图片是否存在人脸。
也就是说,当场景特征信息无法充分证明两个监控图片为同一场景时,则可以借助场景中出现的人脸来辅助判定是否为同一场景,由于上述的N个监控图片几乎为同一时刻拍摄的图片,因而若场景中出现了同一人脸,则足以证明两个监控图片为同一场景。
步骤410:若检测到这两个监控图片中均包括人脸,则分别从这两个监控图片提取人脸特征信息,并进行特征比对。
具体的,当分别对这两个监控图片进行人脸检测,且检测到监控图片中均包含人脸时,则可以分别提取得到人脸特征信息。当监控图片中存在多个人脸时,则可以针对每个人脸进行人脸特征信息的提取,进而在进行特征比对时,可以将两个监控图片中的人脸进行一对一(1V1)的比对,即监控图片A中每个人脸分别与监控图片B中的各个人脸进行比对,以确定是否存在人脸相似度是否大于人脸相似度阈值Z的两个人脸。
步骤411:确定这两个监控图片的人脸相似度是否大于人脸相似度阈值Z。
具体的,提取将每两个监控图片对应的人脸特征信息进行特征比对,确定每两个监控图片的人脸相似度是否大于设定的人脸相似度阈值Z。其中,人脸相似度阈值可以根据用户的具体需求进行设置,例如可以设置为95%,当然,也可以设置为其他可能的值,本申请实施例对此不做限制。
在实际应用时,若步骤411的结果为是,即这两个监控图片的人脸相似度大于设定的人脸相似度阈值Z,那么也就表明这两个监控图片属于同一场景,进而跳转至步骤405继续执行。
而若步骤411的结果为否,即人脸相似度均不大于人脸相似度阈值Z,则确定这两个监控图片属于不同场景。
综上所述,本申请实施例针对存在大量前端监控设备时,对前端监控设备进行巡检,判断是否存在前端由于架设或者后期调教错误导致多个摄像头拍摄同一场景,如同一杆上架设多个摄像头时,由于外力或者人为调教时,长期拍摄同一场景,或者由于前期建设时不规范位置信息录入错误,或者单一杆子存在多前端可能性等情况。此外,还可以针对多级前端监控设备平台级联至上层平台的场景,若同一前端监控设备存在于不同平台,级联完成后可能存在上层平台同一前端监控设备多次存在于上层平台的情况,进而本申请实施例通过获取场景图并提取特征,而后进行特征比对,获取疑似同一场景多前端的前端监控设备案例并提示管理员,以整合系统中的数据资源,做到“一数一源”,解决单一场景多前端监控设备造成的资源浪费的问题。
请参见图5,基于同一发明构思,本申请实施例还提供了一种前端监控设备管理装置50,该装置包括:
策略确定单元501,用于基于预先设定的监控设备巡检策略,确定本次巡检的多个前端监控设备;
图片获取单元502,用于获取每个前端监控设备拍摄的监控图片,每个监控图片的拍摄时刻距离当前时刻之间的时长不超过设定时长阈值;
巡检判定单元503,用于确定每两个监控图片的场景相似度是否大于设定的第一场景相似度阈值;若场景相似度大于第一场景相似度阈值,则判断相似度关联的监控图片对应的前端监控设备的位置信息是否一致;若前端监控设备的位置信息一致,则生成前端监控设备针对同一场景进行监控的巡检结果;
发送单元504,用于将巡检结果上传至管理平台设备。
可选的,该装置还包括相似度确定单元505,用于:
分别对每个监控图片进行场景特征提取,获得每个监控图片的场景特征信息;
针对每两个监控图片的场景特征信息进行特征比对,确定每两个监控图片之间的场景相似度。
可选的,巡检判定单元503,还用于:
若场景相似度不大于第一场景相似度阈值,则确定场景相似度是否大于设定的第二场景相似度阈值,第二场景相似度阈值小于第一场景相似度阈值;
若确定场景相似度大于第二场景相似度阈值,则基于场景相似度关联的监控图片中的人脸特征信息,确定监控图片是否属于同一场景;
若确定监控图片属于同一场景,确定监控图片对应的前端监控设备的位置信息是否一致;
若前端监控设备的位置信息一致,生成前端监控设备针对同一场景进行监控的巡检结果,并将巡检结果上传至管理平台设备。
可选的,巡检判定单元503,具体用于:
分别对监控图片进行人脸检测;
若检测到监控图片中均包括人脸,则分别从监控图片提取人脸特征信息;
将监控图片对应的人脸特征信息进行特征比对,确定监控图片的人脸相似度是否大于设定的人脸相似度阈值;
若人脸相似度大于人脸相似度阈值,则确定监控图片属于同一场景;或者,
若人脸相似度不大于人脸相似度阈值,则确定监控图片属于不同场景。
可选的,巡检判定单元503,还用于若确定前端监控设备的位置信息不一致,则生成前端监控设备中其中一个前端监控设备的位置信息录入错误的巡检结果;
发送单元504,还用于将巡检结果上传至管理平台设备。
可选的,N个前端监控设备来自于多个级联的下级平台,则巡检判定单元503,还用于:
确定前端监控设备所来自的下级平台标识是否相同;
若前端监控设备所来自的下级平台标识不同,则生成指示下级平台的前端监控设备存在重复的指示信息,且对重复的前端监控设备进行合并优化处理。
该装置可以用于执行图3或图4所示的实施例中所示的方法,因此,对于该装置的各功能模块所能够实现的功能等可参考图3或图4所示的实施例的描述,不多赘述。
请参见图6,基于同一技术构思,本申请实施例还提供了一种计算机设备60,可以包括存储器601和处理器602。
所述存储器601,用于存储处理器602执行的计算机程序。存储器601可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据计算机设备的使用所创建的数据等。处理器602,可以是一个中央处理单元(central processing unit,CPU),或者为数字处理单元等等。本申请实施例中不限定上述存储器601和处理器602之间的具体连接介质。本申请实施例在图6中以存储器601和处理器602之间通过总线603连接,总线603在图6中以粗线表示,其它部件之间的连接方式,仅是进行示意性说明,并不引以为限。所述总线603可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器601可以是易失性存储器(volatile memory),例如随机存取存储器(random-access memory,RAM);存储器601也可以是非易失性存储器(non-volatilememory),例如只读存储器,快闪存储器(flash memory),硬盘(hard disk drive,HDD)或固态硬盘(solid-state drive,SSD)、或者存储器601是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器601可以是上述存储器的组合。
处理器602,用于调用所述存储器601中存储的计算机程序时执行如图3或图4所示的实施例中设备所执行的方法。
在一些可能的实施方式中,本申请提供的方法的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在计算机设备上运行时,所述程序代码用于使所述计算机设备执行本说明书上述描述的根据本申请各种示例性实施方式的方法中的步骤,例如,所述计算机设备可以执行如图3或图4所示的实施例中设备所执行的方法。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。

Claims (10)

1.一种前端监控设备管理方法,其特征在于,所述方法包括:
基于预先设定的监控设备巡检策略,确定本次巡检的多个前端监控设备;
获取每个所述前端监控设备拍摄的监控图片,每个所述监控图片的拍摄时刻距离当前时刻之间的时长不超过设定时长阈值;
确定每两个所述监控图片的场景相似度是否大于设定的第一场景相似度阈值;
若所述场景相似度大于所述第一场景相似度阈值,则判断所述场景相似度关联的所述监控图片对应的所述前端监控设备的位置信息是否一致;
若所述前端监控设备的位置信息一致,则生成所述前端监控设备针对同一场景进行监控的巡检结果,并将所述巡检结果上传至管理平台设备。
2.如权利要求1所述的方法,其特征在于,在获取每个所述前端监控设备拍摄的监控图片之后,所述方法还包括:
分别对每个所述监控图片进行场景特征提取,获得每个所述监控图片的场景特征信息;
针对每两个所述监控图片的场景特征信息进行特征比对,确定每两个所述监控图片之间的场景相似度。
3.如权利要求1所述的方法,其特征在于,在确定每两个所述监控图片的场景相似度是否大于设定的第一场景相似度阈值之后,所述方法还包括:
若所述场景相似度不大于所述第一场景相似度阈值,则确定所述场景相似度是否大于设定的第二场景相似度阈值,所述第二场景相似度阈值小于所述第一场景相似度阈值;
若确定所述场景相似度大于所述第二场景相似度阈值,则基于所述场景相似度关联的所述监控图片中的人脸特征信息,确定所述监控图片是否属于同一场景;
若确定所述监控图片属于同一场景,确定所述监控图片对应的所述前端监控设备的位置信息是否一致;
若所述前端监控设备的位置信息一致,生成所述前端监控设备针对同一场景进行监控的巡检结果,并将所述巡检结果上传至所述管理平台设备。
4.如权利要求3所述的方法,其特征在于,基于所述场景相似度关联的所述监控图片中的人脸特征信息,确定所述监控图片是否属于同一场景,包括:
分别对所述监控图片进行人脸检测;
若检测到所述监控图片中均包括人脸,则分别从所述监控图片提取人脸特征信息;
将所述监控图片对应的人脸特征信息进行特征比对,确定所述监控图片的人脸相似度是否大于设定的人脸相似度阈值;
若所述人脸相似度大于所述人脸相似度阈值,则确定所述监控图片属于同一场景;或者,
若所述人脸相似度不大于所述人脸相似度阈值,则确定所述监控图片属于不同场景。
5.如权利要求1~4任一所述的方法,其特征在于,在判断所述相似度关联的所述监控图片对应的所述前端监控设备的位置信息是否一致之后,所述方法还包括:
若确定所述前端监控设备的位置信息不一致,则生成所述前端监控设备中其中一个前端监控设备的位置信息录入错误的巡检结果,并将所述巡检结果上传至所述管理平台设备。
6.如权利要求1~4任一所述的方法,其特征在于,所述多个前端监控设备来自于多个级联的下级平台;
则若所述前端监控设备的位置信息一致,所述方法还包括:
确定所述前端监控设备所来自的下级平台标识是否相同;
若所述前端监控设备所来自的下级平台标识不同,则生成指示下级平台的前端监控设备存在重复的指示信息,且对重复的前端监控设备进行合并优化处理。
7.一种前端监控设备管理装置,其特征在于,所述装置包括:
策略确定单元,用于基于预先设定的监控设备巡检策略,确定本次巡检的多个前端监控设备;
图片获取单元,用于获取每个所述前端监控设备拍摄的监控图片,每个所述监控图片的拍摄时刻距离当前时刻之间的时长不超过设定时长阈值;
巡检判定单元,用于确定每两个所述监控图片的场景相似度是否大于设定的第一场景相似度阈值;若所述场景相似度大于所述第一场景相似度阈值,则判断所述相似度关联的所述监控图片对应的所述前端监控设备的位置信息是否一致;若所述前端监控设备的位置信息一致,则生成所述前端监控设备针对同一场景进行监控的巡检结果;
发送单元,用于将所述巡检结果上传至管理平台设备。
8.如权利要求7所述的装置,其特征在于,所述巡检判定单元,还用于:
若所述场景相似度不大于所述第一场景相似度阈值,则确定所述场景相似度是否大于设定的第二场景相似度阈值,所述第二场景相似度阈值小于所述第一场景相似度阈值;
若确定所述场景相似度大于所述第二场景相似度阈值,则基于所述场景相似度关联的所述监控图片中的人脸特征信息,确定所述监控图片是否属于同一场景;
若确定所述监控图片属于同一场景,确定所述监控图片对应的所述前端监控设备的位置信息是否一致;
若所述前端监控设备的位置信息一致,生成所述前端监控设备针对同一场景进行监控的巡检结果,并将所述巡检结果上传至所述管理平台设备。
9.一种计算机设备,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,其特征在于,
所述处理器执行所述计算机程序时实现权利要求1至6任一项所述方法的步骤。
10.一种计算机存储介质,其上存储有计算机程序指令,其特征在于,
该计算机程序指令被处理器执行时实现权利要求1至6任一项所述方法的步骤。
CN202111018431.7A 2021-09-01 2021-09-01 前端监控设备管理方法、装置和设备及存储介质 Pending CN113887303A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111018431.7A CN113887303A (zh) 2021-09-01 2021-09-01 前端监控设备管理方法、装置和设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111018431.7A CN113887303A (zh) 2021-09-01 2021-09-01 前端监控设备管理方法、装置和设备及存储介质

Publications (1)

Publication Number Publication Date
CN113887303A true CN113887303A (zh) 2022-01-04

Family

ID=79011587

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111018431.7A Pending CN113887303A (zh) 2021-09-01 2021-09-01 前端监控设备管理方法、装置和设备及存储介质

Country Status (1)

Country Link
CN (1) CN113887303A (zh)

Similar Documents

Publication Publication Date Title
CN111918039B (zh) 基于5g网络的人工智能高风险作业管控系统
CN109241897B (zh) 监控图像的处理方法、装置、网关设备及存储介质
WO2021041176A1 (en) Shuffle, attend, and adapt: video domain adaptation by clip order prediction and clip attention alignment
CN110610610B (zh) 一种车辆出入管理方法、装置以及存储介质
CN111565225B (zh) 一种人物行动轨迹确定方法及装置
CN109960969B (zh) 移动路线生成的方法、装置及系统
CN110969215A (zh) 聚类处理方法和装置、存储介质及电子装置
CN110765134A (zh) 档案建立方法、设备及存储介质
CN111177469A (zh) 人脸检索方法及人脸检索装置
CN111464819A (zh) 直播图像检测方法、装置、设备及存储介质
CN113792691A (zh) 一种视频识别方法、系统、设备及介质
CN111259839A (zh) 目标对象行为监测方法、装置、设备、系统及存储介质
CN111260869A (zh) 监控视频中视频帧的提取方法、装置和计算机设备
CN110505438B (zh) 一种排队数据的获取方法和摄像机
CN114363565A (zh) 一种视频轮巡方法、装置、设备及介质
CN113988225A (zh) 建立表征提取模型、表征提取、类型识别的方法和装置
CN114049658A (zh) 基于人脸识别的流动人口管理方法、装置、计算机设备和存储介质
CN112418062A (zh) 人脸识别方法、系统、电子设备及存储介质
CN113887303A (zh) 前端监控设备管理方法、装置和设备及存储介质
CN110855947A (zh) 一种图像抓拍处理方法及装置
CN114143429B (zh) 图像拍摄方法、装置、电子设备和计算机可读存储介质
US11398091B1 (en) Repairing missing frames in recorded video with machine learning
CN114863364A (zh) 一种基于智能视频监控的安防检测方法及系统
CN114040223A (zh) 一种图像处理方法及系统
CN113158842A (zh) 一种识别方法、系统、设备及介质

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