CN114092884A - 摄像机镜头移位检测方法、装置、电子设备及存储介质 - Google Patents

摄像机镜头移位检测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114092884A
CN114092884A CN202111409819.XA CN202111409819A CN114092884A CN 114092884 A CN114092884 A CN 114092884A CN 202111409819 A CN202111409819 A CN 202111409819A CN 114092884 A CN114092884 A CN 114092884A
Authority
CN
China
Prior art keywords
image
feature extraction
camera lens
result
sub
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
CN202111409819.XA
Other languages
English (en)
Inventor
王永森
李丽
陈魏然
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.)
China Post Information Technology Beijing Co ltd
Original Assignee
China Post Information Technology Beijing 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 China Post Information Technology Beijing Co ltd filed Critical China Post Information Technology Beijing Co ltd
Priority to CN202111409819.XA priority Critical patent/CN114092884A/zh
Publication of CN114092884A publication Critical patent/CN114092884A/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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30232—Surveillance

Landscapes

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

Abstract

本发明实施例公开了一种摄像机镜头移位检测方法、装置、电子设备及存储介质。该方法包括：获取待检测摄像机镜头拍摄的摄像画面图像，并将获取的摄像画面图像划分为至少两个子区域图像；对所述至少两个子区域图像进行编码以及神经网络特征提取，得到编码结果以及特征提取结果；依据当前摄像画面图像的编码结果以及特征提取结果与上一摄像画面图像的编码结果以及特征提取结果，确定待检测摄像机镜头是否发生移位。通过本发明实施例的技术方案，弥补了人工设置特征的不足，提高了判断的准确性，降低了误报率，可以根据不同场景需要，设置不同的图像提取的时间间隔、子区域图像大小以及距离阈值，提高了摄像机镜头移位检测的准确性。

Description

摄像机镜头移位检测方法、装置、电子设备及存储介质
技术领域
本发明实施例涉及安全监控技术领域，尤其涉及一种摄像机镜头移位检测方法、装置、电子设备及存储介质。
背景技术
近年来，在公司、企业、工厂、家庭及各公共场所，都会安装摄像头进行监控，是一种非常有效的安防手段，但是，该种方式还存在一些漏洞，如监控摄像头被恶意或者非常规移动镜头位置，导致无法监控到原来目标位置。
目前已有的方案中，大都是基于常规的图像像素变换来判断摄像机镜头是否发生移动，但遇到复杂场景，以及画面中的较大目标发生变动的情况，非常容易出现误报。通过图像中固有的常规特征的方式来进行判断，计算相对复杂，对图像质量以及适用场景都有一定要求，尤其针对复杂场景普适性不强。
因此，如何提高摄像机镜头移位检测的准确性，是本领域技术人员亟待解决的技术问题。
发明内容
本发明实施例提供一种摄像机镜头移位检测方法、装置、电子设备及存储介质，以提高摄像机镜头移位检测的准确性。
第一方面，本发明实施例提供了一种摄像机镜头移位检测方法，包括：
获取待检测摄像机镜头拍摄的摄像画面图像，并将获取的摄像画面图像划分为至少两个子区域图像；
对所述至少两个子区域图像进行编码以及神经网络特征提取，得到编码结果以及特征提取结果；
依据当前摄像画面图像的编码结果以及特征提取结果与上一摄像画面图像的编码结果以及特征提取结果，确定待检测摄像机镜头是否发生移位。
第二方面，本发明实施例还提供了一种摄像机镜头移位检测装置，包括：
子区域图像获取模块，用于获取待检测摄像机镜头拍摄的摄像画面图像，并将获取的摄像画面图像划分为至少两个子区域图像；
结果确定模块，用于对所述至少两个子区域图像进行编码以及神经网络特征提取，得到编码结果以及特征提取结果；
移位确定模块，用于依据当前摄像画面图像的编码结果以及特征提取结果与上一摄像画面图像的编码结果以及特征提取结果，确定待检测摄像机镜头是否发生移位。
第三方面，本发明实施例还提供了一种电子设备，该电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明任意实施例所述的摄像机镜头移位检测方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明任意实施例所述的摄像机镜头移位检测方法。
本发明实施例提供了一种摄像机镜头移位检测方法、装置、电子设备和存储介质，通过获取待检测摄像机镜头拍摄的摄像画面图像，并将获取的摄像画面图像划分为至少两个子区域图像；对所述至少两个子区域图像进行编码以及神经网络特征提取，得到编码结果以及特征提取结果；依据当前摄像画面图像的编码结果以及特征提取结果与上一摄像画面图像的编码结果以及特征提取结果，确定待检测摄像机镜头是否发生移位。通过本发明实施例的技术方案，基于常规像素值变化的判断方式，设计了新的像素信息特征提取算法，分别利用层次更深和宽度更广的语义信息作为判断的指标；采用深度神经网络，提取出图像隐含的特征，弥补了人工设置特征的不足，提高了判断的准确性，降低了误报率，且计算流程简单。该方法可以根据不同场景需要，设置不同的图片提取的时间间隔、图像子区域大小以及距离阈值，从而改变算法感知的敏感度，增强普适性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1是本发明实施例一提供的一种摄像机镜头移位检测方法的流程图；
图2A是本发明实施例二提供的一种摄像机镜头移位检测方法的流程图；
图2B是本发明实施例二提供的另一种摄像机镜头移位检测方法的流程图；
图3是本发明实施例三提供的一种摄像机镜头移位检测装置的结构示意图；
图4是本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前，应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作(或步骤)可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1是本发明实施例一提供的一种摄像机镜头移位检测方法的流程图，本实施例可适用于对摄像机镜头移位进行检测的情况，本实施例的方法可以由摄像机镜头移位检测装置来执行，该装置可以采用硬件和/或软件的方式来实现。该装置可以配置于摄像机镜头移位检测的服务器中。该方法具体包括如下步骤：
S110、获取待检测摄像机镜头拍摄的摄像画面图像，并将获取的摄像画面图像划分为至少两个子区域图像。
目前已有的方案中，大都是基于常规的图像像素变换来判断摄像机镜头是否发生移动，如根据两张图像之间的像素变化、像素特征分布情况等；还有一部分是根据检测图像中固有的常规特征的方式，来判断摄像机移位，如根据边缘特征等。
基于传统常规的像素值变化方式来判断镜头是否移位的方式容易导致误报，如当遇到复杂场景，以及画面中的较大目标发生变动的情况，非常容易出现误报。而通过图像中固有的常规特征的方式来进行判断，需要对图像中的背景和前景目标进行特征提取，计算相对复杂，或者还需要人工设计图像中的特征，以及需要预先设置背景图像，实施相对复杂，对图像质量以及适用场景都有一定要求，尤其针对复杂场景普适性不强。因此，本申请提供了一种摄像机镜头移位检测方法。
其中，摄像画面图像可以是指由待检测摄像机镜头拍摄的画面图像，例如可以是待检测摄像机镜头监控视频的实时画面，获取视频内的画面图像。从待检测摄像机镜头内定时获取至少2张摄像画面图像，并按照预设尺寸将摄像画面图像进行尺寸缩放。
子区域图像可以是指将获取的摄像画面图像根据设置好的参数划分为若干个子区域图像，例如将摄像画面图像根据预设的参数，划分成m*n个子区域。
S120、对所述至少两个子区域图像进行编码以及神经网络特征提取，得到编码结果以及特征提取结果。
其中，编码可以是指将各个子区域图像的像素点转换为数码，例如，对至少两个子区域图像进行灰度处理，去除图像的噪声，将各个子区域进行编码，提取更高层的特征信息得到抽象语义特征，从而对各个子区域图像进行判断，得到编码结果。
神经网络特征提取可以是指利用神经网络将各个子区域图像像素点的特征进行提取，例如利用卷积神经网络将处理后的各个子区域图像进行像素点特征的提取，提取出图像隐含的特征，计算特征值，得到所述特征提取结果。
利用编码以及神经网络特征提取，综合判断待检测摄像机镜头移位情况，弥补了人工设置特征的不足，提高了检测的准确性。
S130、依据当前摄像画面图像的编码结果以及特征提取结果与上一摄像画面图像的编码结果以及特征提取结果，确定待检测摄像机镜头是否发生移位。
其中，上一摄像画面图像可以是指根据预设时间间隔上一采集时刻采集的摄像画面图像，例如可以是指根据预设时间间隔上一采集时刻获取的待检测摄像机镜头拍摄的摄像画面图像，并将获取的上一摄像画面图像划分为至少两个子区域图像；对所述至少两个子区域图像进行编码以及神经网络特征提取，得到编码结果以及特征提取结果。
依据当前子区域图像的编码结果以及特征提取结果与上一子区域图像的编码结果以及特征提取结果，确定发生变化的子区域图像数量；根据发生变化的子区域数量确定待检测摄像机镜头是否发生移位。例如，发生变化的子区域图像数量超过预设的子区域图像数量，则确定所述待检测摄像机镜头发生移位，其中预设的子区域图像数量可以是指摄像画面图像中子区域图像的80％，例如将当前摄像画面图像划分为10*9共90个子区域图像，若发生变化的子区域图像数量超过72个，则判断待检测摄像机镜头发生移位。
本发明实施例提供了一种摄像机镜头移位检测方法，通过获取待检测摄像机镜头拍摄的摄像画面图像，并将获取的摄像画面图像划分为至少两个子区域图像；对所述至少两个子区域图像进行编码以及神经网络特征提取，得到编码结果以及特征提取结果；依据当前摄像画面图像的编码结果以及特征提取结果与上一摄像画面图像的编码结果以及特征提取结果，确定待检测摄像机镜头是否发生移位。通过本发明实施例的技术方案，基于常规像素值变化的判断方式，设计了新的像素信息特征提取算法，分别利用层次更深和宽度更广的语义信息作为判断的指标；采用深度神经网络，提取出图像隐含的特征，弥补了人工设置特征的不足，提高了判断的准确性，降低了误报率，且计算流程简单。
实施例二
图2A为本发明实施例二提供的一种摄像机镜头移位检测方法的流程图。本发明实施例在上述实施例的基础上对前述实施例进行进一步优化，本发明实施例可以与上述一个或者多个实施例中各个可选方案结合。如图2A所示，本发明实施例中提供的摄像机镜头移位检测方法，可包括以下步骤：
S210、获取待检测摄像机镜头拍摄的具有预设时间间隔的至少两张摄像画面图像，并将所述摄像画面图像尺寸缩放到预设尺寸。
其中，获取摄像画面图像依赖监控视频的实时流画面，首先需要接入摄像头，获取到视频画面的连续帧，由于需要判断画面的变化，所以需要获取两张具有一定时间间隔的图片，故需要从连续的视频帧画面中，定时的去获取具有时间间隔的图片。根据不同的场景需求，设置不同的时间间隔，增强普适性。
将获取的至少两张摄像画面图像进行预处理操作，其目的是改变图像的高度和宽度，将图像尺寸缩放到预设的固定高度和宽度。
S220、根据预设参数，将进行尺寸缩放后的摄像画面图像划分为至少两个子区域图像。
其中，为了解决复杂场景中，因图像中发生较大区域的像素变化从而造成误检，影响检测精度的问题，本方案提出了一种基于像素子区域划分的检测方法，采用分块的特征检测机制，降低算法对图像中大区域像素面积变化特征的敏感性，减小了对特征变化分析的粒度，降低了误报率。将经过尺寸缩放得到的具有统一固定高度和宽度的图像，根据设置好的参数，划分成m*n个子区域图像。根据不同的场景需求，设置不同的子区域图像大小，增强普适性。
S230、对所述至少两个子区域图像进行编码，得到编码结果。
可选的，对所述至少两个子区域图像像素信息进行灰度处理，去除RGB通道像素信息对特征的影响；
采用编码方式对所述至少两个子区域图像提取更高层的特征信息，得到编码结果；
其中，所述编码方式包括平均哈希算法、感知哈希算法以及差异哈希算法。
首先对子区域图像像素信息进行灰度处理，其目的是消除原本RGB通道像素信息对特征的影响，利用灰度值更有利于特征的平滑，也更加统一，且便于特征的编码计算，降低复杂度。
图像发生变化时，其像素值之间的差异变化幅度很大，无法通过其对图像中是否发生所需要检测的变化情况进行准确的判定，很容易发生误判，所以，需要通过提取更高层的特征信息得到抽象语义特征，从而对图像变化进行一个准确的判定，该步骤的编码方式包括但不限于平均哈希算法、感知哈希算法以及差异哈希算法等。
基于常规像素值变化的判断方式，设计了新的像素信息特征提取算法，分别利用了层次更深和宽度更广的语义信息作为判断的指标，降低了误报率。
S240、对所述至少两个子区域图像进行神经网络特征提取，得到特征提取结果。
可选的，将所述至少两个子区域图像缩放到固定尺寸，对所述至少两个子区域图像像素信息进行归一化处理；
采用卷积神经网络对所述至少两个子区域图像像素信息进行特征提取，得到特征提取结果；
其中，所述归一化处理包括计算所述至少两个子区域图像像素信息的均值和标准差。
为了提取到更为均衡的像素信息，减少异常值对整体特征向量的干扰，就需要统一数值的量纲，该步骤的处理方法为将子区域图像缩放到固定尺寸，然后计算出均值和标准差，利用均值和标准差对子区域图像像素值进行归一化。
只使用常规方式设置的图像特征，无法满足对图像变化的精准判定，为了得到隐含的深层图像特征，本方法使用了卷积神经网络进行特征提取，由于本方案对算法的处理效率要求高，所以设计了浅层的神经网络，此网络预先使用大量分类数据集对其进行训练，得到收敛的网络权重，然后将预处理之后需要提取特征的子区域图像送入此卷积神经网络，计算出特征值。
采用了深度神经网络，提取出图像隐含的特征，弥补了人工设置特征的不足，提高了判断的准确性。
S250、依据当前摄像画面图像的编码结果以及特征提取结果与上一摄像画面图像的编码结果以及特征提取结果，确定待检测摄像机镜头是否发生移位。
可选的，若当前摄像画面图像子区域的编码结果与上一摄像画面图像子区域的编码结果的距离差超过预设距离，则判断该子区域发生变化；
若当前摄像画面图像子区域的特征提取结果与上一摄像画面图像子区域的特征提取结果的距离差超过预设距离，则判断该子区域发生变化；
依据各个子区域的变化情况，确定所述摄像机镜头是否发生移位。
对两张图像中对应的每个子区域经过编码以及神经网络特征提取，计算得到编码结果和特征提取结果，然后分别对其进行距离计算，最后根据两个指标分别设定的阈值去判断是否发生移位。根据不同的场景需求，设置不同的距离阈值，增强普适性。
可选的，若各个子区域发生变化情况超过预设子区域发生变化数量，则判断所述摄像机镜头发生移位；
若各个子区域发生变化情况未超过预设子区域发生变化数量，则判断所述摄像机镜头未发生移位。
通过对两种特征的变化来综合判断是否发生移位，提高了移位特征检测的准确率，降低了误报率。
在本申请实施例的一种可选方案中，图2B是本发明实施例二提供的另一种摄像机镜头移位检测方法的流程图，如图2B所示，本发明实施例中提供的摄像机镜头移位检测方法，可包括以下步骤：
A1、获取摄像画面图像；
A2、对所述摄像画面图像进行预处理；
A3、对所述摄像画面图像进行区域划分；
A4、对子区域图像进行编码以及神经网络处理；
A5、对子区域图像进行相似度计算；
A6、对待检测摄像机镜头进行移位判断。
本发明实施例提供了一种摄像机镜头移位检测方法，根据不同的场景需求，设置不同的时间间隔，获取待检测摄像机镜头拍摄的至少两张摄像画面图像，并将所述摄像画面图像尺寸缩放到预设尺寸；根据预设参数，将进行尺寸缩放后的摄像画面图像划分为至少两个子区域图像；对所述至少两个子区域图像像素信息进行灰度处理，消除原本RGB通道像素信息对特征的影响，提取更高层的特征信息得到抽象语义特征进行编码，得到编码结果，降低误报率；将子区域图像缩放到固定尺寸，然后计算出均值和标准差，利用均值和标准差对子区域图像像素值进行归一化，将提取特征的子区域图像送入卷积神经网络，计算出特征值，提取出图像隐含的特征，弥补了人工设置特征的不足，提高了判断的准确性；通过对两种特征的变化来综合判断是否发生移位，提高了移位特征检测的准确率，降低了误报率。该方法根据不同场景需要，设置不同的图片提取的时间间隔、子区域图像大小、距离阈值，从而改变算法感知的敏感度，增强普适性。
实施例三
图3是本发明实施例三提供的一种摄像机镜头移位检测装置的结构示意图，该装置包括：子区域图像获取模块310、结果确定模块320和移位确定模块330。
其中：
子区域图像获取模块310，用于获取待检测摄像机镜头拍摄的摄像画面图像，并将获取的摄像画面图像划分为至少两个子区域图像；
结果确定模块320，用于对所述至少两个子区域图像进行编码以及神经网络特征提取，得到编码结果以及特征提取结果；
移位确定模块330，用于依据当前摄像画面图像的编码结果以及特征提取结果与上一摄像画面图像的编码结果以及特征提取结果，确定待检测摄像机镜头是否发生移位。
在上述实施例的基础上，可选的，所述子区域图像获取模块310包括：
获取待检测摄像机镜头拍摄的具有预设时间间隔的至少两张摄像画面图像，并将所述摄像画面图像尺寸缩放到预设尺寸；
根据预设参数，将进行尺寸缩放后的摄像画面图像划分为至少两个子区域图像。
在上述实施例的基础上，可选的，所述结果确定模块320包括：
对所述至少两个子区域图像像素信息进行灰度处理，去除RGB通道像素信息对特征的影响；
采用编码方式对所述至少两个子区域图像提取更高层的特征信息，得到编码结果；
其中，所述编码方式包括平均哈希算法、感知哈希算法以及差异哈希算法。
在上述实施例的基础上，可选的，所述结果确定模块320还包括：
将所述至少两个子区域图像缩放到固定尺寸，对所述至少两个子区域图像像素信息进行归一化处理；
采用卷积神经网络对所述至少两个子区域图像像素信息进行特征提取，得到特征提取结果；
其中，所述归一化处理包括计算所述至少两个子区域图像像素信息的均值和标准差。
在上述实施例的基础上，可选的，所述移位确定模块330包括：
若当前摄像画面图像子区域的编码结果与上一摄像画面图像子区域的编码结果的距离差超过预设距离，则判断该子区域发生变化；
若当前摄像画面图像子区域的特征提取结果与上一摄像画面图像子区域的特征提取结果的距离差超过预设距离，则判断该子区域发生变化；
依据各个子区域的变化情况，确定所述摄像机镜头是否发生移位。
在上述实施例的基础上，可选的，所述依据各个子区域的变化情况，确定所述摄像机镜头是否发生移位包括：
若各个子区域发生变化情况超过预设子区域发生变化数量，则判断所述摄像机镜头发生移位；
若各个子区域发生变化情况未超过预设子区域发生变化数量，则判断所述摄像机镜头未发生移位。
上述装置可执行本发明任意实施例所提供的摄像机镜头移位检测方法，具备执行该摄像机镜头移位检测方法相应的功能模块和有益效果。
实施例四
图4是本申请实施例四提供的一种电子设备的结构示意图。本申请实施例提供了一种电子设备，该电子设备中可集成本申请实施例提供的摄像机镜头移位检测的互动装置。如图4所示，本实施例提供了一种电子设备400，其包括：一个或多个处理器420；存储装置410，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器420执行，使得所述一个或多个处理器420实现本申请实施例所提供的摄像机镜头移位检测方法，该方法包括：
获取待检测摄像机镜头拍摄的摄像画面图像，并将获取的摄像画面图像划分为至少两个子区域图像；
对所述至少两个子区域图像进行编码以及神经网络特征提取，得到编码结果以及特征提取结果；
依据当前摄像画面图像的编码结果以及特征提取结果与上一摄像画面图像的编码结果以及特征提取结果，确定待检测摄像机镜头是否发生移位。
当然，本领域技术人员可以理解，处理器420还实现本申请任意实施例所提供的摄像机镜头移位检测方法的技术方案。
图4显示的电子设备400仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图4所示，该电子设备400包括处理器420、存储装置410、输入装置430和输出装置440；电子设备中处理器420的数量可以是一个或多个，图4中以一个处理器420为例；电子设备中的处理器420、存储装置410、输入装置430和输出装置440可以通过总线或其他方式连接，图4中以通过总线450连接为例。
存储装置410作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块单元，如本申请实施例中的摄像机镜头移位检测方法对应的程序指令。
存储装置410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；存储数据区可存储根据终端的使用所创建的数据等。此外，存储装置410可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储装置410可进一步包括相对于处理器420远程设置的存储器，这些远程存储器可以通过网络连接。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置430可用于接收输入的数字、字符信息或语音信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入。输出装置440可包括显示屏、扬声器等电子设备。
本申请实施例提供的电子设备，可以达到有效提高摄像机镜头移位检测准确性的技术效果。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种摄像机镜头移位检测方法，该方法包括：
获取待检测摄像机镜头拍摄的摄像画面图像，并将获取的摄像画面图像划分为至少两个子区域图像；
对所述至少两个子区域图像进行编码以及神经网络特征提取，得到编码结果以及特征提取结果；
依据当前摄像画面图像的编码结果以及特征提取结果与上一摄像画面图像的编码结果以及特征提取结果，确定待检测摄像机镜头是否发生移位。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机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。计算机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、便携式计算机磁盘、硬盘、随机存取存储器(Random AccessMemory，RAM)、只读存储器(Read Only Memory，ROM)、可擦式可编程只读存储器(ErasableProgrammable Read Only Memory，EPROM)、闪存、光纤、便携式CD-ROM、光存储器件、磁存储器件、或者上述的任意合适的组合。计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于：电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、无线电频率(RadioFrequency，RF)等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种摄像机镜头移位检测方法，其特征在于，所述方法包括：
获取待检测摄像机镜头拍摄的摄像画面图像，并将获取的摄像画面图像划分为至少两个子区域图像；
对所述至少两个子区域图像进行编码以及神经网络特征提取，得到编码结果以及特征提取结果；
依据当前摄像画面图像的编码结果以及特征提取结果与上一摄像画面图像的编码结果以及特征提取结果，确定待检测摄像机镜头是否发生移位。
2.根据权利要求1所述的方法，其特征在于，所述获取待检测摄像机镜头拍摄的摄像画面图像，并将获取的摄像画面图像划分为至少两个子区域图像包括：
获取待检测摄像机镜头拍摄的具有预设时间间隔的至少两张摄像画面图像，并将所述摄像画面图像尺寸缩放到预设尺寸；
根据预设参数，将进行尺寸缩放后的摄像画面图像划分为至少两个子区域图像。
3.根据权利要求1所述的方法，其特征在于，所述对所述至少两个子区域图像进行编码以及神经网络特征提取，得到编码结果以及特征提取结果包括：
对所述至少两个子区域图像像素信息进行灰度处理，去除RGB通道像素信息对特征的影响；
采用编码方式对所述至少两个子区域图像提取更高层的特征信息，得到编码结果；
其中，所述编码方式包括平均哈希算法、感知哈希算法以及差异哈希算法。
4.根据权利要求1所述的方法，其特征在于，所述对所述至少两个子区域图像进行编码以及神经网络特征提取，得到编码结果以及特征提取结果包括：
将所述至少两个子区域图像缩放到固定尺寸，对所述至少两个子区域图像像素信息进行归一化处理；
采用卷积神经网络对所述至少两个子区域图像像素信息进行特征提取，得到特征提取结果；
其中，所述归一化处理包括计算所述至少两个子区域图像像素信息的均值和标准差。
5.根据权利要求1所述的方法，其特征在于，所述依据当前摄像画面图像的编码结果以及特征提取结果与上一摄像画面图像的编码结果以及特征提取结果，确定待检测摄像机镜头是否发生移位包括：
若当前摄像画面图像子区域的编码结果与上一摄像画面图像子区域的编码结果的距离差超过预设距离，则判断该子区域发生变化；
若当前摄像画面图像子区域的特征提取结果与上一摄像画面图像子区域的特征提取结果的距离差超过预设距离，则判断该子区域发生变化；
依据各个子区域的变化情况，确定所述摄像机镜头是否发生移位。
6.根据权利要求5所述的方法，其特征在于，所述依据各个子区域的变化情况，确定所述摄像机镜头是否发生移位包括：
若各个子区域发生变化情况超过预设子区域发生变化数量，则判断所述摄像机镜头发生移位；
若各个子区域发生变化情况未超过预设子区域发生变化数量，则判断所述摄像机镜头未发生移位。
7.一种摄像机镜头移位检测装置，其特征在于，所述装置包括：
子区域图像获取模块，用于获取待检测摄像机镜头拍摄的摄像画面图像，并将获取的摄像画面图像划分为至少两个子区域图像；
结果确定模块，用于对所述至少两个子区域图像进行编码以及神经网络特征提取，得到编码结果以及特征提取结果；
移位确定模块，用于依据当前摄像画面图像的编码结果以及特征提取结果与上一摄像画面图像的编码结果以及特征提取结果，确定待检测摄像机镜头是否发生移位。
8.根据权利要求7所述的装置，其特征在于，所述子区域图像获取模块包括：
获取待检测摄像机镜头拍摄的具有预设时间间隔的至少两张摄像画面图像，并将所述摄像画面图像尺寸缩放到预设尺寸；
根据预设参数，将进行尺寸缩放后的摄像画面图像划分为至少两个子区域图像。
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程序时实现如权利要求1-6中任一所述的摄像机镜头移位检测方法。
10.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-6中任一所述的摄像机镜头移位检测方法。
CN202111409819.XA 2021-11-25 2021-11-25 摄像机镜头移位检测方法、装置、电子设备及存储介质 Pending CN114092884A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111409819.XA CN114092884A (zh) 2021-11-25 2021-11-25 摄像机镜头移位检测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111409819.XA CN114092884A (zh) 2021-11-25 2021-11-25 摄像机镜头移位检测方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN114092884A true CN114092884A (zh) 2022-02-25

Family

ID=80304444

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111409819.XA Pending CN114092884A (zh) 2021-11-25 2021-11-25 摄像机镜头移位检测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114092884A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114566052A (zh) * 2022-04-27 2022-05-31 华南理工大学 一种基于车流方向判别高速公路车流监控设备转动的方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114566052A (zh) * 2022-04-27 2022-05-31 华南理工大学 一种基于车流方向判别高速公路车流监控设备转动的方法
CN114566052B (zh) * 2022-04-27 2022-08-12 华南理工大学 一种基于车流方向判别高速公路车流监控设备转动的方法

Similar Documents

Publication Publication Date Title
US10070053B2 (en) Method and camera for determining an image adjustment parameter
EP3082065A1 (en) Duplicate reduction for face detection
US20180144476A1 (en) Cascaded-time-scale background modeling
CN111368771A (zh) 一种基于图像处理的隧道火灾预警方法、装置、计算机设备以及计算机可读存储介质
US20200175692A9 (en) Low-complexity motion detection based on image edges
WO2017047494A1 (ja) 画像処理装置
WO2018032270A1 (en) Low complexity tamper detection in video analytics
CN110060278B (zh) 基于背景减法的运动目标的检测方法及装置
Yang et al. A fast source camera identification and verification method based on PRNU analysis for use in video forensic investigations
CN116707965A (zh) 一种威胁检测方法、装置、存储介质以及电子设备
CN114092884A (zh) 摄像机镜头移位检测方法、装置、电子设备及存储介质
US8988219B2 (en) Alert system based on camera identification
Pérez-González et al. Fast sequential forensic detection of camera fingerprint
CN111369557A (zh) 图像处理方法、装置、计算设备和存储介质
CN111369591A (zh) 一种运动物体的跟踪方法、装置及设备
US9214031B2 (en) Motion detection method and associated apparatus
CN115830513A (zh) 一种图像场景变化确定的方法、装置、系统及存储介质
CN116051477A (zh) 一种超高清视频文件的图像噪声检测方法及装置
CN113095272B (zh) 活体检测方法、设备、介质及计算机程序产品
Law et al. PRNU-based source identification for network video surveillance system
CN112738387B (zh) 目标抓拍方法、装置及存储介质
CN113674158A (zh) 图像处理方法、装置、设备及存储介质
CN114596210A (zh) 噪声估计方法、装置、终端设备及计算机可读存储介质
CN111191593A (zh) 图像目标检测方法、装置、存储介质及污水管道检测装置
CN115861321B (zh) 应用于工业互联网的生产环境检测方法及系统

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