CN114067250A - 一种偷排事件检测方法、装置、计算机设备和存储介质 - Google Patents
一种偷排事件检测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN114067250A CN114067250A CN202111368622.6A CN202111368622A CN114067250A CN 114067250 A CN114067250 A CN 114067250A CN 202111368622 A CN202111368622 A CN 202111368622A CN 114067250 A CN114067250 A CN 114067250A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- target type
- image
- detected
- preset 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.)
- Withdrawn
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 claims abstract description 41
- 230000004913 activation Effects 0.000 claims abstract description 18
- 238000003062 neural network model Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 10
- 230000002550 fecal effect Effects 0.000 claims description 10
- 239000010865 sewage Substances 0.000 claims description 7
- 239000002002 slurry Substances 0.000 claims description 4
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 238000007599 discharging Methods 0.000 abstract description 5
- 230000009471 action Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 210000003608 fece Anatomy 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000011897 real-time detection Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Burglar Alarm Systems (AREA)
- Alarm Systems (AREA)
Abstract
本公开提供了一种偷排事件检测方法、装置、计算机设备和存储介质,其中,该方法包括:获取包括进行偷排事件检测的预设区域的待检测图像;在识别到待检测图像的预设区域包括目标类型的车辆的情况下,基于在预设区域识别到目标类型的车辆的连续多帧图像,确定目标类型的车辆在预设区域内的停留时长;在停留时长大于预设激活时长的情况下,生成识别到的目标类型的车辆的偷排事件告警信息。本公开实施例能够精准地检测预设区域内是否存在目标类型的车辆,通过确定目标类型的车辆在预设区域内的停留时长及时地判断出目标类型的车辆是否有实施偷排行为,节省了人力排查偷排事件的成本,提升了对偷排事件的监管效率。
Description
技术领域
本公开涉及图像识别技术领域,具体而言,涉及一种偷排事件检测方法、装置、计算机设备和存储介质。
背景技术
近年来,城市偷排问题严峻,虽然一些城市制定了相关管理条例,但是目前违规偷排的现象依然存在,比如粪车偷排、泥浆偷排、污水偷排、垃圾偷排等。现有的城市管理方案往往是通过专项行动整治偷排事件,需要耗费大量的人力进行排查走访,存在及时性差、成本高、效率低等情况,因此,需要一种有效的解决方式来解决目前城市存在的偷排问题。
发明内容
有鉴于此,本公开实施例至少提供一种偷排事件检测方法、装置、计算机设备和存储介质。
第一方面,本公开实施例提供了一种偷排事件检测方法,包括:
获取包括进行偷排事件检测的预设区域的待检测图像;
在识别到所述待检测图像的所述预设区域包括目标类型的车辆的情况下,基于在所述预设区域识别到所述目标类型的车辆的连续多帧图像,确定所述目标类型的车辆在所述预设区域内的停留时长,其中,所述连续多帧图像包括所述待检测图像;所述目标类型包括预设的与偷排事件关联的车辆类型;
在所述停留时长大于预设激活时长的情况下,生成识别到的所述目标类型的车辆的偷排事件告警信息。
该方面利用图像识别技术能够精准地检测预设区域内是否存在目标类型的车辆,并在预设区域内识别到目标类型的车辆的情况下,通过停留时长及时地判断出目标类型的车辆是否有实施偷排行为,节省了人力排查偷排事件的成本,提升了对偷排事件的监管效率。
一种可选的实施方式中,所述获取包括进行偷排事件检测的预设区域的待检测图像,包括:
根据预设的跳帧数量,从拍摄设备拍摄的视频流中每隔所述跳帧数量提取一帧所述待检测图像,所述待检测图像包括进行偷排事件检测的预设区域。
该实施方式,通过跳帧获取待检测图像,能够保证对目标类型的车辆的识别精度的情况下,减少图像识别过程中识别待检测图像的数量,从而能够节省计算资源,减轻处理器进行图像识别的负担。
一种可选的实施方式中,所述基于在所述预设区域识别到所述目标类型的车辆的连续多帧图像,确定所述目标类型的车辆在所述预设区域内的停留时长,包括:
基于所述预设激活时长,确定图像采集帧数N;
获取拍摄设备拍摄的视频流中与所述待检测图像相邻的、所述待检测图像的前N帧图像,以及,与所述待检测图像相邻的、所述待检测图像的后N帧图像,并将所述前N帧图像、所述待检测图像以及所述后N帧图像作为待处理视频片段;
从所述待处理视频片段中获取在所述预设区域中包括所述目标类型的车辆的目标视频片段;
基于所述目标视频片段中包括的图像的数量,确定所述目标类型的车辆在所述预设区域内的停留时长。
该实施方式,利用包括目标类型的车辆的多帧连续图像,能够精准地确定出该目标类型的车辆在预设区域内的停留时长,无需通过人力排查,节省人力资源,并且效率较高。
一种可选的实施方式中,所述基于在所述预设区域识别到所述目标类型的车辆的连续多帧图像,确定所述目标类型的车辆在所述预设区域内的停留时长,包括:
在所述预设区域内识别到所述待检测图像包括所述目标类型的车辆的情况下,基于最近已连续识别到所述目标类型的车辆的待检测图像的数量,确定所述目标类型的车辆在所述预设区域内的停留时长,其中,所述最近已连续识别到所述目标类型的车辆的待检测图像包括,当前识别到所述目标类型的车辆的所述待检测图像,以及当前识别到所述目标类型的车辆的所述待检测图像之前的、连续多帧其他待检测图像;在所述其他待检测图像的所述预设区域内包括所述目标类型的车辆。
该实施方式,利用最近的已经连续识别到的包括目标类型的车辆的待检测图像来确定停留时长,能够实现对停留时长的实时检测,从而能够实现对目标类型的车辆的偷排事件的时时检测,提高了检测效率。另外,在跳帧获取待检测图像的情况下,只需累加跳帧后的待检测图像的数量,就可以确定目标类型的车辆在预设区域内的停留时长,通过减少对跳帧图像的检测,提高检测效率。
一种可选的实施方式中,按照以下步骤识别所述目标类型的车辆;
将所述待检测图像输入到神经网络模型中,利用所述神经网络模型提取所述待检测图像的所述预设区域的图像特征,以及基于所述图像特征,输出图像的目标检测结果,所述目标检测结果用于指示所述预设区域中是否包含所述目标类型的车辆。
该实施方式,提取预设区域的图像特征,确定针对该图像特征的目标检测结果,能够保证识别精度;另外,仅提取预设区域的图像特征,还能够减少特征提取量,提高检测效率。
一种可选的实施方式中,在获取包括进行偷排事件检测的预设区域的待检测图像之后,还包括:
获取用户输入的、至少一个预设区域的位置信息;
基于所述位置信息,识别在所述预设区域内的所述目标类型的车辆。
该实施方式,能够根据用户的输入灵活设置预设区域,提高了对偷排事件检测的灵活性。同时,仅针对预设区域进行目标类型的车辆的识别,能够避免对不相关图像区域的检测,有利于提高检测效率,节约计算资源。
一种可选的实施方式中,所述偷排事件告警信息包括以下至少一项:
所述目标类型的车辆的车牌号、车牌号的置信度、车牌颜色、所述目标类型、事件发生时间、事件发生地点、所述目标类型的车辆在所述预设区域停留的图像、所述目标类型的车辆在所述预设区域内的停留时长。
该实施方式,基于上述具体的偷排事件告警信息,能够较为全面的反应发生偷排事件的经过,为相关人员提供明确、清晰的告警信息。
一种可选的实施方式中,所述偷排事件包括以下至少一项:粪车偷排、泥浆偷排、污水偷排、垃圾偷排。
一种可选的实施方式中,其特征在于,所述预设区域包括在地面上的井盖口,和/或下水道口。
一种可选的实施方式中,所述目标类型的车辆包括卡车和/或渣土车。
第二方面,本公开实施例还提供一种偷排事件检测装置,包括:
获取模块,用于获取包括进行偷排事件检测的预设区域的待检测图像;
确定模块,用于在识别到所述待检测图像的所述预设区域包括目标类型的车辆的情况下,基于在所述预设区域识别到所述目标类型的车辆的连续多帧图像,确定所述目标类型的车辆在所述预设区域内的停留时长,其中,所述连续多帧图像包括所述待检测图像;所述目标类型包括预设的与偷排事件关联的车辆类型;
生成模块,用于在所述停留时长大于预设激活时长的情况下,生成识别到的所述目标类型的车辆的偷排事件告警信息。
一种可选的实施方式中,所述获取模块,用于根据预设的跳帧数量,从拍摄设备拍摄的视频流中每隔所述跳帧数量提取一帧所述待检测图像,所述待检测图像包括进行偷排事件检测的预设区域。
一种可选的实施方式中,所述确定模块,用于基于所述预设激活时长,确定图像采集帧数N;
获取拍摄设备拍摄的视频流中与所述待检测图像相邻的、所述待检测图像的前N帧图像,以及,与所述待检测图像相邻的、所述待检测图像的后N帧图像,并将所述前N帧图像、所述待检测图像以及所述后N帧图像作为待处理视频片段;
从所述待处理视频片段中获取在所述预设区域中包括所述目标类型的车辆的目标视频片段;
基于所述目标视频片段中包括的图像的数量,确定所述目标类型的车辆在所述预设区域内的停留时长。
一种可选的实施方式中,所述确定模块,用于在所述预设区域内识别到所述待检测图像包括所述目标类型的车辆的情况下,基于最近已连续识别到所述目标类型的车辆的待检测图像的数量,确定所述目标类型的车辆在所述预设区域内的停留时长,其中,所述最近已连续识别到所述目标类型的车辆的待检测图像包括,当前识别到所述目标类型的车辆的所述待检测图像,以及当前识别到所述目标类型的车辆的所述待检测图像之前的、连续多帧其他待检测图像;在所述其他待检测图像的所述预设区域内包括所述目标类型的车辆。
一种可选的实施方式中,所述确定模块,用于按照以下步骤识别所述目标类型的车辆:将所述待检测图像输入到神经网络模型中,利用所述神经网络模型提取所述待检测图像的所述预设区域的图像特征,以及基于所述图像特征,输出图像的目标检测结果,所述目标检测结果用于指示所述预设区域中是否包含所述目标类型的车辆。
一种可选的实施方式中,所述获取模块,还用于获取用户输入的、至少一个预设区域的位置信息;
所述确定模块,还用于基于所述位置信息,识别在所述预设区域内的所述目标类型的车辆。
一种可选的实施方式中,所述偷排事件告警信息包括以下至少一项:
所述目标类型的车辆的车牌号、车牌号的置信度、车牌颜色、所述目标类型、事件发生时间、事件发生地点、所述目标类型的车辆在所述预设区域停留的图像、所述目标类型的车辆在所述预设区域内的停留时长。
一种可选的实施方式中,所述偷排事件包括以下至少一项:粪车偷排、泥浆偷排、污水偷排、垃圾偷排。
一种可选的实施方式中,其特征在于,所述预设区域包括在地面上的井盖口,和/或下水道口。
一种可选的实施方式中,所述目标类型的车辆包括卡车和/或渣土车。
第三方面,本公开实施例还提供一种计算机设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当计算机设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行上述第一方面,或第一方面中任一种可能的实施方式中的步骤。
第四方面,本公开实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述第一方面,或第一方面中任一种可能的实施方式中的步骤。
关于上述偷排事件检测装置、计算机设备和存储介质的效果描述参见上述偷排事件检测方法的说明,这里不再赘述。
为使本公开的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,此处的附图被并入说明书中并构成本说明书中的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。应当理解,以下附图仅示出了本公开的某些实施例,因此不应被看作是对范围的限定,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他相关的附图。
图1示出了本公开实施例所提供的一种偷排事件检测方法的流程图;
图2示出了本公开实施例所提供的粪车偷排事件中预先设置的ROI区域的展示示意图;
图3示出了本公开实施例所提供的粪车偷排事件的事件报告的展示示意图;
图4示出了本公开实施例所提供的一种偷排事件检测装置的示意图;
图5示出了本公开实施例所提供的一种计算机设备的结构示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例中附图,对本公开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公开一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本公开实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本公开的实施例的详细描述并非旨在限制要求保护的本公开的范围,而是仅仅表示本公开的选定实施例。基于本公开的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本公开保护的范围。
另外,本公开实施例中的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。
在本文中提及的“多个或者若干个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
经研究发现,现今存在很多不良现象损害了城市的环境和形象,比如,粪车偷排问题严重等,那些未经处理的粪便直接排入污水管道,极易引起管道堵塞,并且也会对环境产生影响,并且粪车偷排行为极为隐蔽,城管很难查处。
基于上述研究,本公开提供了一种偷排事件检测方法,借力于城市监控工程中覆盖主次干道上沿街商铺的摄像头,能够精准地检测预设区域内是否存在目标类型的车辆,并在预设区域内检测到目标类型的车辆的情况下,通过停留时长及时地判断出目标类型的车辆是否有实施偷排行为,节省了人力排查偷排事件的成本,提升了对偷排事件的监管效率。
针对以上方案所存在的缺陷,均是发明人在经过实践并仔细研究后得出的结果,因此,上述问题的发现过程以及下文中本公开针对上述问题所提出的解决方案,都应该是发明人在本公开过程中对本公开做出的贡献。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
为便于对本实施例进行理解,首先对本公开实施例所公开的一种偷排事件检测方法进行详细介绍,本公开实施例所提供的偷排事件检测方法的执行主体一般为具有一定计算能力的计算机设备。在一些可能的实现方式中,该偷排事件检测方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
下面以执行主体为计算机设备为例对本公开实施例提供的偷排事件检测方法加以说明。
参见图1所示,为本公开实施例提供的一种偷排事件检测方法的流程图,该方法包括步骤S101~S103,其中:
S101:获取包括进行偷排事件检测的预设区域的待检测图像。
本步骤中,待检测图像的图像来源可以是为偷排事件设置的不同拍摄设备拍摄到的、针对预设区域的视频流中的图像。其中,预设区域可以包括预先设置的、与偷排事件关联的某一固定区域,比如感兴趣区域(region of interest,ROI)。示例性的,针对粪车偷排事件,预设区域可以包括在地面上的井盖口、下水道口等。针对污水偷排事件,预设区域可以包括水库、河流、湖泊等。
这里,待检测图像可以是拍摄到的视频流中的每帧图像;或者,也可以是从视频流中跳帧选取的图像。
拍摄设备拍摄的视频流可以但不仅限于来自实时流传输协议(Real TimeStreaming Protocol,RTSP)传送的视频资源。
在一种可能的实施方式中,可以根据预设的跳帧数量,从拍摄设备拍摄的视频流中每隔跳帧数量提取一帧所述待检测图像,待检测图像包括进行偷排事件检测的预设区域。其中,预设的跳帧数量可以基于经验获取,在此不进行限定。
具体实施时,将RTSP传送的视频资源输入到基于预先训练的深度神经网络模型进行解码处理,可以得到解码后的每一帧图像,利用预先设置的跳帧数量,可以在解码后的连续多帧图像中每隔跳帧数量提取待检测图像。通过跳帧获取待检测图像,能够保证对目标类型的车辆的识别精度的情况下,减少图像识别过程中识别待检测图像的数量,从而能够节省计算资源,减轻处理器进行图像识别的负担。
在一种可能的实施方式中,可以获取用户输入的、至少一个预设区域的位置信息;基于位置信息,识别在预设区域内的目标类型的车辆。
具体实施时,可以将上述解码后的每一帧图像划分为若干个区域图像,每一块区域图像对应一个位置信息,基于若干个位置信息,用户可以通过添加至少一个位置,来获取ROI区域,并识别在ROI区域内是否存在目标类型的车辆。
另外,预设区域的位置信息可以根据以下方式进行获取:通过用户预先选择的目标类型的车辆的类型,可以确定目标类型的车辆的大小、形状等信息,根据目标类型的车辆的大小、形状等信息,用户可以设置出一个尽量能够拍摄到整个目标类型的车辆的区域,例如,在目标类型的车辆体型比较大的情况下,上述区域需要设置的比较大,这样既能够保证拍摄到完整的车辆,还能够减少图像处理过程中需要处理的数据量,之后,根据设置的上述区域可以确定对应的位置信息。
例如,针对粪车偷排行为的检测,在偷排事件检测任务启动之前,首先获取目标机动车(比如卡车或渣土车等)可能存在的型号大小和形状,可以选取最大型号目标机动车所占待检测图像面积作为预设区域的标准面积;其次,根据机动车行进轨迹方向,确定该预设区域所在待检测图像中的位置信息,比如,确定待检测图像中井盖附近街道对应的长方形区域为ROI区域,可以参见图2所示,其为粪车偷排事件中预先设置的ROI区域的展示示意图。
上述实施方式,能够根据用户的输入灵活设置预设区域,提高了对偷排事件检测的灵活性。同时,仅针对预设区域进行目标类型的车辆的识别,能够避免对不相关图像区域的检测,有利于提高检测效率,节约计算资源。
S102:在识别到待检测图像的预设区域包括目标类型的车辆的情况下,基于在预设区域识别到目标类型的车辆的连续多帧图像,确定目标类型的车辆在预设区域内的停留时长。
其中,连续多帧图像包括待检测图像。目标类型包括预设的与偷排事件关联的车辆类型。例如,针对粪车偷排事件,目标类型的车辆可以包括但不仅限于为改造过的大卡车、小卡车或渣土车等。
识别目标类型的车辆,在一些实施例中,可以将待检测图像输入到神经网络模型中,利用神经网络模型输出针对待检测图像的预设区域的目标检测结果判断预设区域是否包含目标类型的车辆。
具体实施时,可以将待检测图像输入到神经网络模型中,利用神经网络模型提取待检测图像的预设区域的图像特征,以及基于图像特征,输出图像的目标检测结果。其中,目标检测结果可以用于指示预设区域中是否包含目标类型的车辆。
这里,神经网络模型可以包括分类网络模型,利用分类网络模型提取图像特征,并对该图像特征进行分类处理,确定提取到的图像特征是否属于目标类型的车辆的特征,进而确定目标检测结果。
示例性的,利用分类网络模型提取图像特征,如果确定预设区域包括目标类型的车辆的车头部位或车尾部位的特征,即可确定预设区域包括目标类型的车辆。其中,车头部位或车尾部位占车身的具体比例可以按照车身的二分之一划分,或者还可以按照其他比例进行划分,在此不进行限定。
针对步骤S102,可以非实时获取待检测图像,即从历史拍摄到的视频流中选择待检测图像,确定目标类型的车辆在预设区域内的停车时长。一种可能的实施方式为,基于预设激活时长,确定图像采集帧数N;获取拍摄设备拍摄的视频流中与待检测图像相邻的、待检测图像的前N帧图像,以及,与待检测图像相邻的、待检测图像的后N帧图像,并将前N帧图像、待检测图像以及后N帧图像作为待处理视频片段;从待处理视频片段中获取在预设区域中包括目标类型的车辆的目标视频片段;基于目标视频片段中包括的图像的数量,确定目标类型的车辆在预设区域内的停留时长。
其中,预设激活时长可以用于判断是否发生偷排事件。当目标类型的车辆在预设区域内的停留时长超过预设激活时长时,则判定发生偷排事件,也即该目标类型的车辆存在偷排行为;当目标类型的车辆在预设区域内的停留时长未超过预设激活时长时,则判定未发生偷排事件,也即该目标类型的车辆不存在偷排行为。可以利用包括目标类型的车辆的多张连续图像,能够精准地确定出该目标类型的车辆在预设区域内的停留时长,无需通过人力排查,节省人力资源,并且效率较高。
以粪车偷排事件为例,在识别到待检测图像的井盖附近包括目标类型的车辆的情况下,可以预设激活时长为2分钟,确定与2分钟时段对应相等的N帧图像,比如,如果1秒对应24帧,那么当预设激活时长为2分钟的情况下,应确定采集2440帧图像;获取拍摄设备拍摄的视频流中与待检测图像相邻的前2440帧图像和与待检测图像相邻的后2440帧图像,将上述4880帧图像和待检测图像共同组成待处理视频片段;从待处理视频片段中获取在预设区域内包含目标类型的车辆的视频片段,确定目标类型的车辆在预设区域内的停留时长。
针对步骤S102,还可以实时获取待检测图像,即从正在录制的视频流中获取当前识别到目标类型的车辆的待检测图像,确定目标类型的车辆在预设区域内的停车时长。另一种可能的实施方式为,在预设区域内识别到待检测图像包括目标类型的车辆的情况下,基于最近已连续识别到目标类型的车辆的待检测图像的数量,确定目标类型的车辆在预设区域内的停留时长。其中,最近已连续识别到目标类型的车辆的待检测图像包括,当前识别到目标类型的车辆的待检测图像,以及当前识别到目标类型的车辆的待检测图像之前的、连续多帧其他待检测图像;在其他待检测图像预设区域内包括目标类型的车辆。
基于上述实施方式可以存在以下两种情况:
一、在不跳帧检测的情况下,具体实施时,可以在预设区域内识别到待检测图像包括目标类型的车辆的情况下,实时获取当前识别到目标类型的车辆的待检测图像,以及当前识别到目标类型的车辆的待检测图像之前的、连续多帧其他待检测图像,这里其他待检测图像的预设区域内也包括目标类型的车辆,可以确定目标类型的车辆在该预设区域停留了一段时间,可以累计最近已连续识别到目标类型的车辆的待检测图像的数量,基于累计的每一帧待检测图像数量,确定目标类型的车辆在预设区域内的停留时长。该方式,利用最近的已经连续识别到的包括目标类型的车辆的待检测图像来确定停留时长,能够实现对停留时长的实时检测,从而能够实现对目标类型的车辆的偷排事件的时时检测,提高了检测效率。
二、在跳帧检测,且跳帧数量较少的情况下,待检测图像之间具有较短的时间间隔,统计出目标类型的车辆在预设区域内的停留时长的误差在允许范围内,此时可以忽略目标类型的车辆在间隔时间段内的停留时长,具体实施时,可以在预设区域内识别到待检测图像包括目标类型的车辆的情况下,实时获取当前识别到目标类型的车辆的待检测图像,以及当前识别到目标类型的车辆的待检测图像之前的、连续多帧其他待检测图像,这里其他待检测图像的预设区域内也包括目标类型的车辆,实时跳帧获取当前识别到目标类型的车辆的待检测图像,以及当前识别到目标类型的车辆的待检测图像之前的、跳帧得到的多帧其他待检测图像。这里,跳帧得到的多帧其他待检测图像在时序上连续,并且其他待检测图像包括目标类型的车辆。可以累计最近时序连续的识别到目标类型的车辆的待检测图像的数量。基于累计的每一帧待检测图像数量,确定目标类型的车辆在预设区域内的停留时长。该方式,只需累加跳帧后的待检测图像的数量,就可以确定目标类型的车辆在预设区域内的停留时长,通过减少对跳帧图像的检测,提高检测效率。
S103:在停留时长大于预设激活时长的情况下,生成识别到的目标类型的车辆的偷排事件告警信息。
偷排事件告警信息可以包括但不仅限于:目标类型的车辆的车牌号、车牌号的置信度、车牌颜色、目标类型、事件发生时间、事件发生地点、目标类型的车辆在预设区域停留的图像、目标类型的车辆在预设区域内的停留时长。
这里,偷排事件告警信息能够较为全面的反应发生偷排事件的经过,为相关人员提供明确、清晰的告警信息。另外,偷排事件告警信息还可以成为历史事件资料,支持后续相关人员的检索、统计、核查和追溯。
这里,可以利用神经网络模型输出目标类型的车辆的车牌号、车牌号的置信度、车牌颜色、目标类型等信息。
可以根据拍摄设备记录的待检测图像的拍摄时间,确定偷排事件发生的时间,即事件发生时间;可以根据拍摄设备的标识,确定事件发生地点。在预设区域内包括目标类型的车辆的待检测图像可以为目标类型的车辆在预设区域停留的图像。根据S102中确定停留时长,确定偷排事件告警信息中的停留时长。
在一些实施例中,偷排事件告警信息可以以事件报告的形式进行展示。可以参见图3所示,其为粪车偷排事件的事件报告的展示示意图。
通过上述S101~S103,详细说明了本公开实施例提供的一种偷排事件检测方法,本公开实施例借力于城市监控工程中覆盖主次干道上沿街商铺的摄像头,精准地检测预设区域内是否存在目标类型的车辆,通过确定目标类型的车辆在预设区域内的停留时长及时地判断出目标类型的车辆是否有实施偷排行为,节省了人力排查偷排事件的成本,由于检测过程中耗时较短,因此为城市管理部门提高了监管效率。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
基于同一发明构思,本公开实施例中还提供了与偷排事件检测方法对应的偷排事件检测装置,由于本公开实施例中的装置解决问题的原理与本公开实施例上述偷排事件检测方法相似,因此装置的实施可以参见方法的实施,重复之处不再赘述。
参见图4所示,为本公开实施例提供的一种偷排事件检测装置的示意图,所述装置包括:获取模块401、确定模块402、生成模块403;其中,
获取模块401,用于获取包括进行偷排事件检测的预设区域的待检测图像;
确定模块402,用于在识别到所述待检测图像的所述预设区域包括目标类型的车辆的情况下,基于在所述预设区域识别到所述目标类型的车辆的连续多帧图像,确定所述目标类型的车辆在所述预设区域内的停留时长,其中,所述连续多帧图像包括所述待检测图像;所述目标类型包括预设的与偷排事件关联的车辆类型;
生成模块403,用于在所述停留时长大于预设激活时长的情况下,生成识别到的所述目标类型的车辆的偷排事件告警信息。
一种可选的实施方式中,所述获取模块401,用于根据预设的跳帧数量,从拍摄设备拍摄的视频流中每隔所述跳帧数量提取一帧所述待检测图像,所述待检测图像包括进行偷排事件检测的预设区域。
一种可选的实施方式中,所述确定模块402,用于基于所述预设激活时长,确定图像采集帧数N;
获取拍摄设备拍摄的视频流中与所述待检测图像相邻的、所述待检测图像的前N帧图像,以及,与所述待检测图像相邻的、所述待检测图像的后N帧图像,并将所述前N帧图像、所述待检测图像以及所述后N帧图像作为待处理视频片段;
从所述待处理视频片段中获取在所述预设区域中包括所述目标类型的车辆的目标视频片段;
基于所述目标视频片段中包括的图像的数量,确定所述目标类型的车辆在所述预设区域内的停留时长。
一种可选的实施方式中,所述确定模块402,用于在所述预设区域内识别到所述待检测图像包括所述目标类型的车辆的情况下,基于最近已连续识别到所述目标类型的车辆的待检测图像的数量,确定所述目标类型的车辆在所述预设区域内的停留时长,其中,所述最近已连续识别到所述目标类型的车辆的待检测图像包括,当前识别到所述目标类型的车辆的所述待检测图像,以及当前识别到所述目标类型的车辆的所述待检测图像之前的、连续多帧其他待检测图像;在所述其他待检测图像所述预设区域内包括所述目标类型的车辆。
一种可选的实施方式中,所述确定模块402,用于按照以下步骤识别所述目标类型的车辆:将所述待检测图像输入到神经网络模型中,利用所述神经网络模型提取所述待检测图像的所述预设区域的图像特征,以及基于所述图像特征,输出图像的目标检测结果,所述目标检测结果用于指示所述预设区域中是否包含所述目标类型的车辆。
一种可选的实施方式中,所述获取模块401,还用于获取用户输入的、至少一个预设区域的位置信息;
所述确定模块402,还用于基于所述位置信息,识别在所述预设区域内的所述目标类型的车辆。
一种可选的实施方式中,所述偷排事件告警信息包括以下至少一项:
所述目标类型的车辆的车牌号、车牌号的置信度、车牌颜色、所述目标类型、事件发生时间、事件发生地点、所述目标类型的车辆在所述预设区域停留的图像、所述目标类型的车辆在所述预设区域内的停留时长。
一种可选的实施方式中,所述偷排事件包括以下至少一项:粪车偷排、泥浆偷排、污水偷排、垃圾偷排。
一种可选的实施方式中,其特征在于,所述预设区域包括在地面上的井盖口,和/或下水道口。
一种可选的实施方式中,所述目标类型的车辆包括卡车和/或渣土车。
关于装置中的各模块的处理流程、以及各模块之间的交互流程的描述可以参照上述方法实施例中的相关说明,这里不再详述。
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。参见图5所示,为本申请实施例提供的计算机设备的结构示意图,包括:处理器501、存储器502和总线503。其中,存储器502存储有处理器501可执行的机器可读指令,处理器501用于执行存储器502中存储的机器可读指令,所述机器可读指令被处理器501执行时,处理器501执行下述步骤:S101:获取包括进行偷排事件检测的预设区域的待检测图像;S102:在识别到待检测图像的预设区域包括目标类型的车辆的情况下,基于在预设区域识别到目标类型的车辆的连续多帧图像,确定目标类型的车辆在预设区域内的停留时长;S103:在停留时长大于预设激活时长的情况下,生成识别到的目标类型的车辆的偷排事件告警信息。
上述存储器502包括内存5021和外部存储器5022;这里的内存5021也称内存储器,用于暂时存放处理器501中的运算数据,以及与硬盘等外部存储器5022交换的数据,处理器501通过内存5021与外部存储器5022进行数据交换,当计算机设备运行时,处理器501与存储器502之间通过总线503通信,使得处理器501在执行上述方法实施例中所提及的执行指令。
本公开实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述方法实施例中所述的偷排事件检测方法的步骤。其中,该存储介质可以是易失性或非易失的计算机可读取存储介质。
本公开实施例所提供的偷排事件检测方法的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行上述方法实施例中所述的偷排事件检测方法的步骤,具体可参见上述方法实施例,在此不再赘述。
本公开实施例还提供一种计算机程序,该计算机程序被处理器执行时实现前述实施例的任意一种方法。该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一个可选实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software DevelopmentKit,SDK)等等。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。在本公开所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本公开各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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)执行本公开各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本公开的具体实施方式,用以说明本公开的技术方案,而非对其限制,本公开的保护范围并不局限于此,尽管参照前述实施例对本公开进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本公开实施例技术方案的精神和范围,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应所述以权利要求的保护范围为准。
Claims (13)
1.一种偷排事件检测方法,其特征在于,包括:
获取包括进行偷排事件检测的预设区域的待检测图像;
在识别到所述待检测图像的所述预设区域包括目标类型的车辆的情况下,基于在所述预设区域识别到所述目标类型的车辆的连续多帧图像,确定所述目标类型的车辆在所述预设区域内的停留时长,其中,所述连续多帧图像包括所述待检测图像;所述目标类型包括预设的与偷排事件关联的车辆类型;
在所述停留时长大于预设激活时长的情况下,生成识别到的所述目标类型的车辆的偷排事件告警信息。
2.根据权利要求1所述的偷排事件检测方法,其特征在于,所述获取包括进行偷排事件检测的预设区域的待检测图像,包括:
根据预设的跳帧数量,从拍摄设备拍摄的视频流中每隔所述跳帧数量提取一帧所述待检测图像,所述待检测图像包括进行偷排事件检测的预设区域。
3.根据权利要求1或2所述的偷排事件检测方法,其特征在于,所述基于在所述预设区域识别到所述目标类型的车辆的连续多帧图像,确定所述目标类型的车辆在所述预设区域内的停留时长,包括:
基于所述预设激活时长,确定图像采集帧数N;
获取拍摄设备拍摄的视频流中与所述待检测图像相邻的、所述待检测图像的前N帧图像,以及,与所述待检测图像相邻的、所述待检测图像的后N帧图像,并将所述前N帧图像、所述待检测图像以及所述后N帧图像作为待处理视频片段;
从所述待处理视频片段中获取在所述预设区域中包括所述目标类型的车辆的目标视频片段;
基于所述目标视频片段中包括的图像的数量,确定所述目标类型的车辆在所述预设区域内的停留时长。
4.根据权利要求1或2所述的偷排事件检测方法,其特征在于,所述基于在所述预设区域识别到所述目标类型的车辆的连续多帧图像,确定所述目标类型的车辆在所述预设区域内的停留时长,包括:
在所述预设区域内识别到所述待检测图像包括所述目标类型的车辆的情况下,基于最近已连续识别到所述目标类型的车辆的待检测图像的数量,确定所述目标类型的车辆在所述预设区域内的停留时长,其中,所述最近已连续识别到所述目标类型的车辆的待检测图像包括,当前识别到所述目标类型的车辆的所述待检测图像,以及当前识别到所述目标类型的车辆的所述待检测图像之前的、连续多帧其他待检测图像;在所述其他待检测图像的所述预设区域内包括所述目标类型的车辆。
5.根据权利要求1~4任一项所述的偷排事件检测方法,其特征在于,按照以下步骤识别所述目标类型的车辆:
将所述待检测图像输入到神经网络模型中,利用所述神经网络模型提取所述待检测图像的所述预设区域的图像特征,以及基于所述图像特征,输出图像的目标检测结果,所述目标检测结果用于指示所述预设区域中是否包含所述目标类型的车辆。
6.根据权利要求1~5任一项所述的偷排事件检测方法,其特征在于,在获取包括进行偷排事件检测的预设区域的待检测图像之后,还包括:
获取用户输入的、至少一个预设区域的位置信息;
基于所述位置信息,识别在所述预设区域内的所述目标类型的车辆。
7.根据权利要求1~6任一项所述的偷排事件检测方法,其特征在于,所述偷排事件告警信息包括以下至少一项:
所述目标类型的车辆的车牌号、车牌号的置信度、车牌颜色、所述目标类型、事件发生时间、事件发生地点、所述目标类型的车辆在所述预设区域停留的图像、所述目标类型的车辆在所述预设区域内的停留时长。
8.根据权利要求1~7任一项所述的偷排事件检测方法,其特征在于,所述偷排事件包括以下至少一项:粪车偷排、泥浆偷排、污水偷排、垃圾偷排。
9.根据权利要求1~7任一项所述的偷排事件检测方法,其特征在于,所述预设区域包括在地面上的井盖口,和/或下水道口。
10.根据权利要求1~7任一项所述的偷排事件检测方法,其特征在于,所述目标类型的车辆包括卡车,和/或渣土车。
11.一种偷排事件检测装置,其特征在于,包括:
获取模块,用于获取包括进行偷排事件检测的预设区域的待检测图像;
确定模块,用于在识别到所述待检测图像的所述预设区域包括目标类型的车辆的情况下,基于在所述预设区域识别到所述目标类型的车辆的连续多帧图像,确定所述目标类型的车辆在所述预设区域内的停留时长,其中,所述连续多帧图像包括所述待检测图像;所述目标类型包括预设的与偷排事件关联的车辆类型;
生成模块,用于在所述停留时长大于预设激活时长的情况下,生成识别到的所述目标类型的车辆的偷排事件告警信息。
12.一种计算机设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当计算机设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如权利要求1至10任一项所述的偷排事件检测方法的步骤。
13.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1至10任一项所述的偷排事件检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111368622.6A CN114067250A (zh) | 2021-11-18 | 2021-11-18 | 一种偷排事件检测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111368622.6A CN114067250A (zh) | 2021-11-18 | 2021-11-18 | 一种偷排事件检测方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114067250A true CN114067250A (zh) | 2022-02-18 |
Family
ID=80279215
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111368622.6A Withdrawn CN114067250A (zh) | 2021-11-18 | 2021-11-18 | 一种偷排事件检测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114067250A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115604425A (zh) * | 2022-09-09 | 2023-01-13 | 中国铁塔股份有限公司浙江省分公司(Cn) | 应用于耕地智保场景的铁塔视联系统 |
CN117392618A (zh) * | 2023-09-27 | 2024-01-12 | 重庆欣荣土地房屋勘测技术研究所有限责任公司 | 一种基于大数据的储备土地智慧管护平台 |
-
2021
- 2021-11-18 CN CN202111368622.6A patent/CN114067250A/zh not_active Withdrawn
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115604425A (zh) * | 2022-09-09 | 2023-01-13 | 中国铁塔股份有限公司浙江省分公司(Cn) | 应用于耕地智保场景的铁塔视联系统 |
CN117392618A (zh) * | 2023-09-27 | 2024-01-12 | 重庆欣荣土地房屋勘测技术研究所有限责任公司 | 一种基于大数据的储备土地智慧管护平台 |
CN117392618B (zh) * | 2023-09-27 | 2024-05-07 | 重庆欣荣土地房屋勘测技术研究所有限责任公司 | 一种基于大数据的储备土地智慧管护平台 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114067250A (zh) | 一种偷排事件检测方法、装置、计算机设备和存储介质 | |
CN110889371B (zh) | 一种渣土车抛洒检测的方法及装置 | |
CN106373426A (zh) | 基于计算机视觉的停车位及违规占道停车监控方法 | |
CN109326124A (zh) | 一种基于机器视觉的城市环境停放车辆行为识别系统 | |
CN105336170A (zh) | 交通违法监测方法及其装置 | |
CN110046547A (zh) | 违章举报方法、系统、计算机设备及存储介质 | |
KR100983777B1 (ko) | 객체 촬영시스템 및 그 제어방법 | |
CN103246876A (zh) | 基于图像特征比对的车辆套牌识别方法 | |
CN102902960B (zh) | 基于高斯建模与目标轮廓的遗留物检测方法 | |
CN108230669B (zh) | 基于大数据和云分析的道路车辆违法检测方法及系统 | |
CN114898297A (zh) | 基于目标检测和目标跟踪的非机动车违法行为判定的方法 | |
CN108847031A (zh) | 交通行为监控方法、装置、计算机设备和存储介质 | |
CN113901946A (zh) | 一种异常行为检测的方法、装置、电子设备及存储介质 | |
CN105070061A (zh) | 车辆违章取证稽查方法及其系统 | |
CN106530727A (zh) | 交通违规信息的处理系统 | |
CN113076934A (zh) | 车辆抛洒物检测方法、装置、电子设备及存储介质 | |
CN109147338B (zh) | 一种违规停车的识别方法、装置及服务器 | |
CN111563425A (zh) | 交通事件识别方法及电子设备 | |
Kumar et al. | Smart City Traffic Management and Surveillance System for Indian Scenario | |
Kumar et al. | The Real Time Vehicle License Plate Identification System | |
CN113989715A (zh) | 车辆违停检测方法、装置、电子设备及存储介质 | |
CN113870185A (zh) | 基于图像抓拍的图像处理方法、终端及存储介质 | |
CN114511825A (zh) | 一种区域占用检测方法、装置、设备及存储介质 | |
CN110717352B (zh) | 一种站台客流量的统计方法、服务器及图像采集设备 | |
CN114648718A (zh) | 道路占道检测方法、系统、电子设备及可读存储介质 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220218 |