CN114120199A - 事件统计方法及装置、电子设备和存储介质 - Google Patents
事件统计方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN114120199A CN114120199A CN202111434312.XA CN202111434312A CN114120199A CN 114120199 A CN114120199 A CN 114120199A CN 202111434312 A CN202111434312 A CN 202111434312A CN 114120199 A CN114120199 A CN 114120199A
- Authority
- CN
- China
- Prior art keywords
- video frame
- video
- interest
- target
- identifier
- 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- Withdrawn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
- 238000007619 statistical method Methods 0.000 title description 2
- 238000000034 method Methods 0.000 claims abstract description 105
- 238000001514 detection method Methods 0.000 claims description 121
- 238000002372 labelling Methods 0.000 claims description 34
- 230000004913 activation Effects 0.000 claims description 32
- 238000012360 testing method Methods 0.000 claims description 27
- 238000001816 cooling Methods 0.000 claims description 24
- 238000012216 screening Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 14
- 230000004044 response Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 21
- 238000012545 processing Methods 0.000 description 20
- 238000005516 engineering process Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 230000003287 optical effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000010295 mobile communication Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000003068 static effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 235000011888 snacks Nutrition 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开涉及一种事件统计方法及装置、电子设备和存储介质,所述方法包括:获取目标视频的标注信息,标注信息包括目标视频中至少一个感兴趣对象的对象标识,目标视频的任一段连续视频帧内出现的同一感兴趣对象的对象标识相同且唯一;根据感兴趣对象的对象标识,从目标视频中确定出感兴趣对象出现的视频帧;根据感兴趣对象出现的视频帧,统计感兴趣对象在目标视频中发生预设事件的统计次数。本公开实施例可实现提高目标视频中感兴趣对象发生预设事件的统计次数的准确度。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种事件统计方法及装置、电子设备和存储介质。
背景技术
相关技术中通常利用事件检测模型,对视频中发生的预设事件(例如车辆违规停放事件、摊位违规摆放事件等)进行检测,并统计视频中某对象发生该预设事件的次数;对于此类模型,在进行测试时,则需要预先统计测试视频中某对象发生该预设事件的次数,用以对模型输出结果进行验证。
发明内容
本公开提出了一种事件统计技术方案。
根据本公开的一方面,提供了一种事件统计方法,包括:获取目标视频的标注信息,所述标注信息包括所述目标视频中至少一个感兴趣对象的对象标识,所述目标视频的任一段连续视频帧内出现的同一感兴趣对象的对象标识相同且唯一;根据所述感兴趣对象的对象标识,从所述目标视频中确定出所述感兴趣对象出现的视频帧;根据所述感兴趣对象出现的视频帧,统计所述感兴趣对象在所述目标视频中发生预设事件的统计次数。
在一种可能的实现方式中,所述感兴趣对象出现的视频帧包括所述感兴趣对象首次出现的第一视频帧;其中,所述根据所述感兴趣对象出现的视频帧,统计所述感兴趣对象在所述目标视频中发生预设事件的统计次数,包括:根据所述感兴趣对象的对象标识,确定在第二视频帧中是否存在所述感兴趣对象的同一对象标识,所述第二视频帧是所述第一视频帧之后间隔预设激活时长的视频帧;在所述第二视频帧中存在所述感兴趣对象的同一对象标识,且所述第二视频帧处于指定时间段内的情况下,更新所述预设事件的统计次数。
在一种可能的实现方式中,在更新所述预设事件的统计次数之后,所述方法还包括:根据所述感兴趣对象的对象标识,确定第三视频帧中是否存在所述感兴趣对象的同一对象标识,所述第三视频帧是所述第二视频帧之后间隔预设冷却时长与所述预设激活时长的视频帧;在所述第三视频帧中存在所述感兴趣对象的同一对象标识,且所述第三视频帧处于所述指定时间段内的情况下,更新所述预设事件的统计次数,以及将所述第二视频帧替换为所述第三视频帧,以继续确定所述第三视频帧之后间隔预设冷却时长与所述预设激活时长的视频帧中,是否存在所述感兴趣对象的同一对象标识。
在一种可能的实现方式中,在所述根据所述感兴趣对象的对象标识,确定第三视频帧中是否存在所述感兴趣对象的同一对象标识之后,所述方法还包括:在所述第三视频帧中不存在所述感兴趣对象的同一对象标识,或所述第三视频帧处于所述指定时间段外的情况下,结束统计所述感兴趣对象发生预设事件的统计次数。
在一种可能的实现方式中,所述获取目标视频的标注信息,包括:对所述目标视频的各个视频帧进行目标检测,得到所述各个视频帧中的各个对象以及所述各个对象的类别标识;根据所述各个对象的类别标识,确定包含同一类别对象的各段连续视频帧;为所述各段连续视频帧中的各个对象分别设置对象标识,其中,所述目标视频的任一段连续视频帧内出现的同一对象的对象标识相同且唯一。
在一种可能的实现方式中,所述标注信息还包括所述各个对象的类别标识,在为所述各个视频帧中的各个对象分别设置对象标识之后,所述方法还包括:根据所述各个对象的类别标识以及对象标识,从所述各个对象中筛选出与指定类别标识匹配且与指定对象标识匹配的感兴趣对象。
在一种可能的实现方式中,所述标注信息还包括所述各个对象的类别标识,在对所述目标视频的各个视频帧进行目标检测,得到所述各个视频帧中的各个对象以及所述各个对象的类别标识之后,所述方法还包括:根据所述各个对象的类别标识,从所述各个对象中筛选出与指定类别标识匹配的至少一个感兴趣对象;其中,所述为所述各个视频帧中的各个对象分别设置对象标识,包括:为所述至少一个感兴趣对象分别设置对象标识,其中,所述目标视频的任一段连续视频帧内出现的同一感兴趣对象的对象标识相同且唯一。
在一种可能的实现方式中,在所述对所述目标视频的各个视频帧进行目标检测,得到所述各个视频帧中的各个对象以及所述各个对象的类别标识之后,所述方法还包括:响应于针对所述目标视频的区域标定操作,根据所述区域标定操作指示的目标区域,筛除所述各个视频帧中处于所述目标区域外的对象以及处于所述目标区域外的对象的类别标识。
在一种可能的实现方式中,在所述对所述目标视频的各个视频帧进行目标检测,得到所述各个视频帧中的各个对象以及所述各个对象的类别标识之后,所述方法还包括:响应于针对所述目标视频中任一对象的位置调整操作,调整所述对象对应的坐标位置。
在一种可能的实现方式中,在所述对所述目标视频的各个视频帧进行目标检测,得到所述各个视频帧中的各个对象以及所述各个对象的类别标识之后,所述方法还包括:响应于针对所述目标视频中任一对象的类别调整操作,调整所述对象的类别标识。
在一种可能的实现方式中,在根据所述感兴趣对象出现的视频帧,统计所述感兴趣对象在所述目标视频中发生预设事件的统计次数之后,所述方法还包括:利用事件检测模型,对所述目标视频进行事件检测,得到所述目标视频中所述预设事件的检测次数,所述事件检测模型用于对任意视频中的感兴趣对象进行所述预设事件的检测;根据所述预设事件的统计次数以及所述检测次数,得到所述事件检测模型的测试结果。
根据本公开的一方面,提供了一种事件统计装置,包括:获取模块,用于获取目标视频的标注信息,所述标注信息包括所述目标视频中至少一个感兴趣对象的对象标识,所述目标视频的任一段连续视频帧内出现的同一感兴趣对象的对象标识相同且唯一;视频帧确定模块,用于根据所述感兴趣对象的对象标识,从所述目标视频中确定出所述感兴趣对象出现的视频帧;第一统计模块,用于根据所述感兴趣对象出现的视频帧,统计所述感兴趣对象在所述目标视频中发生预设事件的统计次数。
在一种可能的实现方式中,所述感兴趣对象出现的视频帧包括所述感兴趣对象首次出现的第一视频帧;其中,所述第一统计模块,包括:确定子模块,用于根据所述感兴趣对象的对象标识,确定在第二视频帧中是否存在所述感兴趣对象的同一对象标识,所述第二视频帧是所述第一视频帧之后间隔预设激活时长的视频帧;更新子模块,用于在所述第二视频帧中存在所述感兴趣对象的同一对象标识,且所述第二视频帧处于指定时间段内的情况下,更新所述预设事件的统计次数。
在一种可能的实现方式中,所述装置还包括:确定模块,用于根据所述感兴趣对象的对象标识,确定第三视频帧中是否存在所述感兴趣对象的同一对象标识,所述第三视频帧是所述第二视频帧之后间隔预设冷却时长与所述预设激活时长的视频帧;第二统计模块,用于在所述第三视频帧中存在所述感兴趣对象的同一对象标识,且所述第三视频帧处于所述指定时间段内的情况下,更新所述预设事件的统计次数,以及将所述第二视频帧替换为所述第三视频帧,以继续确定所述第三视频帧之后间隔预设冷却时长与所述预设激活时长的视频帧中,是否存在所述感兴趣对象的同一对象标识。
在一种可能的实现方式中,在所述根据所述感兴趣对象的对象标识,确定第三视频帧中是否存在所述感兴趣对象的同一对象标识之后,所述装置还包括:第三统计模块,用于在所述第三视频帧中不存在所述感兴趣对象的同一对象标识,或所述第三视频帧处于所述指定时间段外的情况下,结束统计所述感兴趣对象发生预设事件的统计次数。
在一种可能的实现方式中,所述获取模块,包括:检测子模块,用于对所述目标视频的各个视频帧进行目标检测,得到所述各个视频帧中的各个对象以及所述各个对象的类别标识;连续视频帧确定模块,用于根据所述各个对象的类别标识,确定包含同一类别对象的各段连续视频帧;标识设置模块,用于为所述各段连续视频帧中的各个对象分别设置对象标识,其中,所述目标视频的任一段连续视频帧内出现的同一对象的对象标识相同且唯一。
在一种可能的实现方式中,所述标注信息还包括所述各个对象的类别标识,在为所述各个视频帧中的各个对象分别设置对象标识之后,所述装置还包括:第一感兴趣对象确定模块,用于根据所述各个对象的类别标识以及对象标识,从所述各个对象中筛选出与指定类别标识匹配且与指定对象标识匹配的感兴趣对象。
在一种可能的实现方式中,所述标注信息还包括所述各个对象的类别标识,在对所述目标视频的各个视频帧进行目标检测,得到所述各个视频帧中的各个对象以及所述各个对象的类别标识之后,所述装置还包括:第二感兴趣对象确定模块,用于根据所述各个对象的类别标识,从所述各个对象中筛选出与指定类别标识匹配的至少一个感兴趣对象;其中,所述标识设置模块,包括:标识设置模块子模块,用于为所述至少一个感兴趣对象分别设置对象标识,其中,所述目标视频的任一段连续视频帧内出现的同一感兴趣对象的对象标识相同且唯一。
在一种可能的实现方式中,在所述对所述目标视频的各个视频帧进行目标检测,得到所述各个视频帧中的各个对象以及所述各个对象的类别标识之后,所述装置还包括:筛除模块,用于响应于针对所述目标视频的区域标定操作,根据所述区域标定操作指示的目标区域,筛除所述各个视频帧中处于所述目标区域外的对象以及处于所述目标区域外的对象的类别标识。
在一种可能的实现方式中,在所述对所述目标视频的各个视频帧进行目标检测,得到所述各个视频帧中的各个对象以及所述各个对象的类别标识之后,所述装置还包括:位置调整模块,用于响应于针对所述目标视频中任一对象的位置调整操作,调整所述对象对应的坐标位置。
在一种可能的实现方式中,在所述对所述目标视频的各个视频帧进行目标检测,得到所述各个视频帧中的各个对象以及所述各个对象的类别标识之后,所述装置还包括:类别调整模块,用于响应于针对所述目标视频中任一对象的类别调整操作,调整所述对象的类别标识。
在一种可能的实现方式中,在根据所述感兴趣对象出现的视频帧,统计所述感兴趣对象在所述目标视频中发生预设事件的统计次数之后,所述装置还包括:事件检测模块,用于利用事件检测模型,对所述目标视频进行事件检测,得到所述目标视频中所述预设事件的检测次数,所述事件检测模型用于对任意视频中的感兴趣对象进行所述预设事件的检测;测试模块,用于根据所述预设事件的统计次数以及所述检测次数,得到所述事件检测模型的测试结果。
根据本公开的一方面,提供了一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为调用所述存储器存储的指令,以执行上述方法。
根据本公开的一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中,由于目标视频的任一段连续视频帧内同一感兴趣对象的对象标识相同且唯一,从而可以表示出用于测试统计的感兴趣对象是否为同一感兴趣对象,且感兴趣对象是在一段连续视频帧内出现或不同连续视频帧出现,进而基于对象标识统计各个感兴趣对象在目标视频中发生预设事件的统计次数,提高目标视频中感兴趣对象发生预设事件的统计次数的准确度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,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。
图1示出根据本公开实施例的事件统计方法的流程图。
图2示出根据本公开实施例的标注信息获取方法的流程图。
图3示出根据本公开实施例的事件统计方法的示意图。
图4示出根据本公开实施例的事件统计方法的示意图。
图5示出根据本公开实施例的事件统计装置的框图。
图6示出根据本公开实施例的一种电子设备的框图。
图7示出根据本公开实施例的另一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种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。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好地说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
相关技术中的事件检测算法通常包含两部分内容:一是检测视频中感兴趣对象的位置以及出现时间长度;二是对检测出的各个感兴趣对象,使用深度学习算法确定不同视频帧中感兴趣对象是否为同一个。其中,使用上述事件检测算法时,通常会根据感兴趣对象是否为同一个产生告警,而冷却时长的定义则是同一个感兴趣对象在出现到离开的时间段里的告警间隔时间。因此在此类事件检测算法中,每一个感兴趣对象都有了自己的独立的冷却时长。那么,对这类事件检测模型进行测试时,如何计算准确地统计视频中实际的告警次数是一个难题。
图1示出根据本公开实施例的事件统计方法的流程图,所述事件统计方法可以由终端设备或服务器等电子设备执行,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal Digital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等,所述方法可以通过终端设备的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,或者,可通过服务器执行所述方法。如图1所示,所述事件统计方法包括:
在步骤S11中,获取目标视频的标注信息。
其中,标注信息可以包括目标视频中至少一个感兴趣对象的对象标识,目标视频的任一段连续视频帧内出现的同一感兴趣对象的对象标识相同且唯一。感兴趣对象的对象标识可以用于指示目标视频中同一类别的不同感兴趣对象;感兴趣对象可以包括人员、车辆、摊位中的至少一种。
其中,目标视频的任一段连续视频帧内出现的同一感兴趣对象的对象标识相同且唯一,可以理解为,目标视频中连续出现的同一感兴趣对象的对象标识相同且唯一,若某一感兴趣对象出现后消失又再次出现,则该感兴趣对象再次出现的对象标识与消失前的对象标识应不同。通过该方式,有利于之后根据感兴趣对象的对象标识准确地统计出发生预设事件的次数。
例如,针对车辆违规停放事件,若某车辆在目标视频中出现后消失,过了一段时间后又重新出现,在基于车辆的对象标识,检测该车辆是否发生车辆违规停放事件时,若该车辆消失前后的对象标识相同,可能会认为该车辆发生了车辆违规停放事件,而实际上该车辆可能并未发生违规停放事件。
在一种可能的实现方式中,可以是通过人工标注的方式,对目标视频进行标注,得到目标视频的标注信息;当然也可以采用已知的视频标注算法,对目标视频进行自动标注的方式,对此本公开实施例不作限制。
在步骤S12中,根据感兴趣对象的对象标识,从目标视频中确定出感兴趣对象出现的视频帧。
如上所述,标注信息可以包括目标视频的中至少一个感兴趣对象的对象标识,在一种可能的实现方式中,标注信息中还可以包括目标视频的各帧视频帧的帧号,各帧视频帧中感兴趣对象的对象标识可以与各帧视频帧的帧号相关联,这样通过帧号可以区分不同视频帧中的感兴趣对象的对象标识,以便于确定出目标视频中任一感兴趣对象出现的视频帧。
在一种可能的实现方式中,根据感兴趣对象的对象标识,从目标视频中确定出感兴趣对象出现的视频帧,可以包括:根据感兴趣对象的对象标识以及标注信息,得到与该与该感兴趣对象的对象标识关联的帧号,也即得到感兴趣对象出现的视频帧。
其中,感兴趣对象出现的视频帧可以包括感兴趣对象首次出现的第一视频帧,还可以是第一视频帧之后的视频帧,对此本公开实施例不作限制。
在步骤S13中,根据感兴趣对象出现的视频帧,统计感兴趣对象在目标视频中发生预设事件的统计次数。
如上所述,感兴趣对象出现的视频帧包括感兴趣对象首次出现的第一视频帧,也即,感兴趣对象的对象标识首次出现的第一视频帧。在一种可能的实现方式中,根据感兴趣对象出现的视频帧,统计感兴趣对象在目标视频中发生预设事件的统计次数,可以包括:
根据感兴趣对象的对象标识,确定在第二视频帧中是否存在感兴趣对象的同一对象标识,第二视频帧是第一视频帧之后间隔预设激活时长的视频帧;在第二视频帧中存在感兴趣对象的同一对象标识,且第二视频帧处于指定时间段内的情况下,更新预设事件的统计次数。通过该方式,能够利用目标视频的标注信息以及预设激活时长,更准确地得到目标视频中发生预设事件的感兴趣对象,提高预设事件的统计次数的准确度。
其中,预设激活时长可以用于检测目标视频中发生预设事件的感兴趣对象,应理解的是,用户可以根据不同预设事件的检测时长需求,设置该预设激活时长的具体数值,对此本公开实施例不作限制。
在一种可能的实现方式中,预设事件可以包括:车辆违规停放事件、摊位违规摆放事件、人员在岗监测事件中的至少一种。例如,针对车辆违规停放事件,可以设置该预设激活时长为30分钟,也即若某车辆在待处理处视频中连续出现超过30分钟,则认为该车辆发生违规停放事件。
如上文所述,标注信息可以包括目标视频中至少一个感兴趣对象的对象标识以及各帧视频帧的帧号,其中,视频帧的帧号与该帧视频帧中感兴趣对象的对象标识关联。在一种可能的实现方式中,根据感兴趣对象的对象标识,确定在第二视频帧中是否存在感兴趣对象的同一对象标识,可以包括:根据激活时长以及第一视频帧,得到第二视频帧;根据标注信息,得到第二视频帧对应的标识集合,该标识集合包括该第二视频帧中出现的各个感兴趣对象的对象标识;判断该标识集合中是否存在与第一视频帧中同一感兴趣对象的对象标识相同的标识,也即确定第二视频帧中是否存在感兴趣对象的同一对象标识。通过该方式,可以准确地确定出感兴趣对象是否发生预设事件。
如上所述,目标视频的连续视频帧中出现的同一感兴趣对象的对象标识相同且唯一,也即,只要感兴趣对象在目标视频中一直出现,该感兴趣对象的对象标识不变,基于此,可以认为通过感兴趣对象的对象标识,可以准确地确定出感兴趣对象是否发生预设事件。
应理解的是,目标视频的各个视频帧是按照时间序列排列的,考虑到预设激活时长换算成帧时序可能存在误差,例如,第一视频帧对应的时刻加上预设激活时长所得到的时刻,可能无法精准对应于某帧视频帧,在一种可能的实现方式中,可以取第一视频帧之后间隔该预设激活时长的时刻处的前后至少一帧第二视频帧。
其中,第二视频帧中存在感兴趣对象的同一对象标识,也即第二视频帧对应的标识集合中存在同一感兴趣对象的相同对象标识。如上文所述,目标视频的连续视频帧中出现的同一感兴趣对象的对象标识相同且唯一,若第二视频帧中存在感兴趣对象的同一对象标识,可以认为该感兴趣对象在目标视频中持续出现超过激活时长,在第二视频帧中存在感兴趣对象的同一对象标识的情况下,可以确定感兴趣对象发生了预设事件。
在一种可能的实现方式中,更新目标视频中预设事件的统计次数,例如可以包括:将预设事件对应的统计次数加一。其中,可以按照预设事件的种类,更新不同预设事件对应的统计次数。
在一种可能的实现方式中,在第二视频帧中不存在感兴趣对象的同一对象标识,也即第二视频帧对应的标识集合中不存在同一感兴趣对象的相同对象标识的情况下,可以按照步骤S12至步骤S13继续确定其它感兴趣对象是否发生预设事件,也即确定其它感兴趣对象出现的视频帧并更新预设事件的统计次数。
在本公开实施例中,由于目标视频的任一段连续视频帧内同一感兴趣对象的对象标识相同且唯一,从而可以表示出用于测试统计的感兴趣对象是否为同一感兴趣对象,且感兴趣对象是在一段连续视频帧内出现或不同连续视频帧出现,进而基于对象标识统计各个感兴趣对象在目标视频中发生预设事件的统计次数,提高目标视频中感兴趣对象发生预设事件的统计次数的准确度。
考虑到,事件检测模型在进行事件检测时,会通过设置冷却时长来控制模型输出事件告警的节奏,例如,每隔10帧检测一次车辆违规停放事件,但100帧才会告警一次,为得到准确有效的事件统计次数,来对事件检测模型进行测试,在一种可能的实现方式中,在更新预设事件的统计次数之后,所述方法还包括:
根据感兴趣对象的对象标识,确定第三视频帧中是否存在感兴趣对象的同一对象标识,第三视频帧是第二视频帧之后间隔预设冷却时长与预设激活时长的视频帧;
在第三视频帧中存在感兴趣对象的同一对象标识,且第三视频帧处于指定时间段内的情况下,更新预设事件的统计次数,以及将第二视频帧替换为第三视频帧,以继续确定第三视频帧之后间隔预设冷却时长与预设激活时长的视频帧中,是否存在感兴趣对象的同一对象标识。
其中,用户可以根据不同事件检测模型中采用的冷却时长,设置该预设冷却时长的具体数值,对此本公开实施例不作限制。
其中,根据感兴趣对象的对象标识,确定第三视频帧中是否存在感兴趣对象的同一对象标识,可以参照上述确定第二视频帧中是否存在感兴趣对象的同一对象标识的实现方式,在此不做赘述。
如上所述,指定时间段可以是感兴趣对象在目标视频中连续出现的时间段,第三视频帧中存在感兴趣对象的同一对象标识且第三视频帧处于指定时间段内,可以理解为,第二视频帧对应的时刻加上预设冷却时长与预设激活时长后得到的第三视频帧中出现了该感兴趣对象的同一对象标识,且第三视频帧未否超出感兴趣对象连续出现的时间段的最大时刻。
其中,第二视频帧替换为第三视频帧,也即将第三视频帧确定为感兴趣对象出现的第二视频帧,进而可以按照上述本公开实施例的实现方式,继续确定该感兴趣对象之后是否还发生预设事件,也即继续确定第三视频帧之后间隔预设冷却时长与预设激活时长的视频帧中,是否存在感兴趣对象的同一对象标识,并在感兴趣对象发生预设事件的情况下,更新统计次数。
在一种可能的实现方式中,在根据感兴趣对象的对象标识,确定第三视频帧中是否存在感兴趣对象的同一对象标识之后,所述方法还包括:在第三视频帧中不存在感兴趣对象的同一对象标识,或第三视频帧处于指定时间段外的情况下,结束统计感兴趣对象发生预设事件的统计次数。通过该方式,可以有效输出预设事件最终的统计次数。
其中,第三视频帧中不存在感兴趣对象的同一对象标识,可以理解为,第三视频帧中未出现同一个感兴趣对象;第三视频帧处于指定时间段外,可以理解为,第三视频帧已超出感兴趣对象连续出现的时间段;在该些情况下,可以认为同一感兴趣对象已不再发生预设事件,此时可以结束针对该感兴趣对象的预设事件的统计,从而可以继续确定其它感兴趣对象发生预设事件的统计次数。
在本公开实施例中,能够实现每间隔预设隔激活时长加预设冷却时长,来检测目标视频中感兴趣对象是否发生预设事件,并在每次检测出感兴趣对象发生预设事件的情况下,更新一次预设事件对应的统计次数,从而满足用户的各种事件统计需求,同时还可以得到准确的统计次数。
如上所述,目标视频中的对象可以包括多种,不同种类的对象在目标视频中出现的时段可能不同,通过上述本公开实施例对整个目标视频进行某类对象的预设事件检测时,会对该类对象未出现的时间段也进行预设事件的检测,使得检测效率降低且浪费运算资源,在一种可能的实现方式中,标注信息还包括目标视频中各个对象的对象类别,在获取目标视频的标识信息后,所述方法还可以包括:根据标注信息,确定与指定类别标识对应的感兴趣对象在目标视频中连续出现的指定时间段。
其中,指定类别标识为用户预先指定的感兴趣对象的类别,可理解为,用户期望统计该指定类别标识的对象所发生预设事件的统计次数。
如上所述,目标视频的连续视频帧中出现的同一感兴趣对象的对象标识相同且唯一,标注信息可以包括目标视频的各帧视频帧中各个感兴趣对象的对象标识,标注信息中还可以包括目标视频的各帧视频帧的帧号,应理解的是,各帧视频帧中各个感兴趣对象的对象标识以及对象类别,可以与各帧视频帧的帧号相关联,以便于确定出感兴趣对象出现的指定时间段。
在一种可能的实现方式中,根据标注信息,确定与指定类别标识对应的感兴趣对象在目标视频中连续出现的指定时间段,可以包括:根据该标注信息,确定出与指定类别标识关联的帧号,也即确定出与指定类别标识对应的感兴趣对象连续出现的指定时间段。可理解的是,感兴趣对象在目标视频中连续出现的指定时间段可能包含至少一个,例如,在目标视频的多个不同时间段内,可能均出现了人员。
可理解的是,在基于目标视频的标注信息,通过上述本公开实施例完成统计目标视频中预设事件的统计次数后,可以输出最终的统计次数,该统计次数可以用于对事件检测模型进行准确率测试,事件检测模型用于对任意视频中的对象进行预设事件的检测。
在一种可能的实现方式中,在根据感兴趣对象出现的视频帧,统计感兴趣对象在目标视频中发生预设事件的统计次数之后,所述方法还包括:
利用事件检测模型,对目标视频进行事件检测,得到目标视频中预设事件的检测次数,事件检测模型用于对任意视频中的感兴趣对象进行预设事件的检测;根据预设事件的统计次数以及检测次数,得到事件检测模型的测试结果。
其中,该检测次数可以指示事件检测模型输出的目标视频中预设事件的发生次数,测试结果可以指示事件检测模型的准确率;根据预设事件的统计次数以及检测次数,得到事件检测模型的测试结果,可以理解为,将事件检测模型对同一目标视频中预设事件的检测次数,与上述本公开实施例对目标视频中预设事件的统计次数进行对比,得到该事件检测模型的准确率。应理解的是,检测次数与统计次数越接近,可以认为事件检测模型的准确率越高。
应理解的是,上述事件检测模型可以是本领域任意已知的事件检测模型,对于该事件检测模型的模型结构、算法种类以及训练方式等本公开实施例不作限制。例如,事件检测模型可以采用深度学习算法,得到目标视频的各帧视频帧中的各个感兴趣对象;并结合预设事件对应的激活时长以及冷却时长,输出目标视频中感兴趣对象发生预设事件的检测次数。
在本公开实施例中,能够利用统计次数对事件检测模型进行准确率测试,从而得到事件检测模型的测试结果,以便于对事件检测模型进行算法优化。
图2示出根据本公开实施例的标注信息获取方法的流程图,如图2所示,在步骤S11中,获取目标视频的标注信息,包括:
步骤S111:对目标视频的各个视频帧进行目标检测,得到各个视频帧中各个对象以及各个对象的类别标识。
应理解的是,目标视频可以是从本地存储空间中获取的视频数据,也可以是接收到的其它电子设备传输的目标视频,对于目标视频的来源,本公开实施例不作限制。
在一种可能的实现方式中,可以通过目标检测网络对目标视频的各帧视频帧进行目标检测,得到各个视频帧中各个对象以及各个对象的类别标识。通过该方式,能够高效全面地得到目标视频中各个对象的以及各个对象的类别标识。应理解的是,对于目标检测网络的网络结构、网络类型以及训练方式等,本公开实施例不作限制。
其中,对象可以包括但不限于人员、车辆(如机动车、非机动车等)、摊位(如街边烧烤摊、小吃摊等)中的至少一种,对此本公开实施例不作限制。
在一种可能的实现方式中,可以通过标注框指示各个视频帧中检测出的对象,标注框的位置也即为对象的位置。其中,可以用最小横坐标、最小纵坐标、最大横坐标、最大纵坐标表征标注框的位置。应理解的是,通过标注框指示视频帧中检测出的对象,是本公开实施例提供的一种实现方式,例如还可通过对象的轮廓指示视频帧中的对象,对此本公开实施例不作限制。
在一种可能的实现方式中,类别标识可以采用数字、字母、文字、特殊符号等任意形式,对此本公开实施例不作限制。可对目标视频的各帧视频帧添加帧号,帧号可表征各帧视频帧为目标视频的第几帧视频帧。通过该方式,可便于区分各帧视频帧以及各帧视频帧中对象的类别标识。
步骤S112:根据各个对象的类别标识,确定包含同一类别对象的各段连续视频帧。
其中,根据各个对象的类别标识,确定包含同一类别对象的各段连续视频帧,可以理解为,对同一类别的对象在目标视频中连续出现的视频帧区间进行合并。或者说,根据各个对象的类别标识,确定同一类别对象在目标视频中连续出现的出现时间段,进而可以对该出现时间段内的各帧连续视频帧中的各个对象添加相同且唯一的对象标识。通过该方式,从而方便后续为同一类别对象设置对象标识。
举例来说,假设目标视频是时长为12小时的视频,在第2小时至第5小时以及第8小时至第12小时之间连续出现了人,在第3小时至第9小时连续出现了车辆,那么人对应的各段连续视频帧可以包括:目标视频中第2小时至第5小时之间的连续视频帧,以及第8小时至第12小时之间的连续视频帧;车辆对应的各段连续视频帧可以包括:第3小时至第9小时之间的连续视频帧。
步骤S113:为各段连续视频帧中的各个对象分别设置对象标识,其中,目标视频的任一段连续视频帧内出现的同一对象的对象标识相同且唯一。
应理解的是,各段连续视频帧中可以包括不同类别的对象(如包含人和车辆),同一类别的对象可能包括多个(如包含多个人),上述目标检测网络可以检测出视频帧中不同类别的对象,但可能无法区分同一类别的不同对象。
在一种可能的实现方式中,可以通过人工标注为各段连续视频帧中的各个对象分别设置对象标识,例如,人工可以通过播放目标视频,以识别连续视频帧中的同一对象;进而可以设置连续视频帧中的同一对象的对象标识相同且唯一。
如上所述,可以用标注框指示视频帧中的对象,考虑到,针对上述预设事件(例如车辆违规停放)的检测,目标视频中待检测的对象大部分处于静止状态,或者说对象很少移动或移动范围较小,在这种情况下,可以通过人工点击视频中标注框上的任一位置或标注框内的任一位置,例如可以通过点击同一对象在连续视频帧中的标注框的方式,实现指示连续视频帧中的同一对象,对此本公开实施例不作限制。
其中,为各个视频帧中的各个对象分别设置对象标识,可以理解为,为连续视频帧中指示的同一对象,添加相同且唯一的对象标识。在一种可能的实现方式中,对象标识可以采用数字、字母、文字、特殊符号等任意形式,对此本公开实施例不作限制。
其中,在人工标注对象标识的过程中,可以限定在某一对象离开画面(也即在视频中消失)或者人工都很难识别该对象的情况下,即便该对象再次回到画面中(也即重新再视频中出现)或人工可以识别出该对象时,该对象的对象标识不能与之前标注的对象标识相同。通过该方式,有利于之后根据对象的对象标识准确地得到目标中发生预设事件的统计次数。
应理解的是,技术人员可通过已知的编程技术,编写实现人工标注所对应的操作界面,操作界面中可提供用于实现上述人工标注操作的相关控件,从而便于用户实现手动标注对象的标识,该操作界面中可以提供视频播放控件,以播放上述目标视频,其中,对于操作界面的界面布局、具有的功能控件等,本公开实施例不作限制。
应理解的是,以上人工标注对象标识的方式,是本公开实施提供的一种实现方式,实际上本领域技术人员还可以采用已知的自动标注算法,实现自动为各段连续视频帧中的各个对象分别设置对象标识,例如,通过算法识别各段连续视频帧中的同一个对象,并自动为各段连续视频帧中的同一个对象设置相同且唯一的对象标识;其中,还可以结合人工校验的方式,对自动添加的对象标识进行修正等,对此本公开实施例不作限制。
在一种可能的实现方式中,在得到各个对象的对象标识与类别标识后,还可以进一步根据各个对象的类别标识以及对象标识,从各个对象中确定出至少一个感兴趣对象,标注信息包括至少一个感兴趣对象的对象标识与类别标识。
在本公开实施例中,能够便捷地对连续视频帧中出现的各个同一类别对象,快速添加相同且唯一的对象标识,提高标注效率。
如上所述,标注信息还可以包括各个对象的类别标识。在一种可能的实现方式中,在为各段连续视频帧中的各个对象分别设置对象标识之后,所述方法还可以包括:根据各个对象的类别标识以及对象标识,从各个对象中筛选出与指定类别标识匹配且与指定对象标识匹配的感兴趣对象。
该方式可以理解为,先为各个对象设置类别标识与对象标识,再基于指定类别标识与指定对象标识,确定出感兴趣对象。其中,与指定类别标识匹配且与指定对象标识匹配的感兴趣对象,可以理解为,感兴趣对象是与用户指定的类别标识以及对象标识相匹配的对象,或者说,用户期望对具有指定类别标识以及指定对象标识的感兴趣对象进行预设事件的次数统计。通过该方式,可以有效确定出用户期望统计预设事件发生次数的感兴趣对象。
在一种可能的实现方式中,在对目标视频的各个视频帧进行目标检测,得到各个视频帧中的各个对象以及各个对象的类别标识之后,所述方法还包括:
根据各个对象的类别标识,从各个对象中筛选出与指定类别标识匹配的至少一个感兴趣对象。通过该方式,可以有效确定出用户期望统计预设事件发生次数的感兴趣对象。
其中,与指定类别标识匹配的至少一个感兴趣对象,可以理解为,感兴趣对象是与用户指定的类别标识相匹配的对象,或者说,用户期望对具有指定类别标识的感兴趣对象进行预设事件的次数统计。应理解的是,同一类别的感兴趣对象包括至少一个。
在一种可能的实现方式中,为各段连续视频帧中的各个对象分别设置对象标识,包括:为各段连续视频帧中的至少一个感兴趣对象分别设置对象标识,其中,目标视频的任一段连续视频帧内出现的同一感兴趣对象的对象标识相同且唯一。该方式可以理解为,先基于指定类别标识确定出感兴趣对象,再对感兴趣对象设置对象标识。通过该方式,可以直接对感兴趣对象设置对象标识,提高对象标识的设置效率。
如上所述,可以通过标注框指示目标视频的各个视频帧中的各个对象,考虑到,通过步骤S111对目标视频进行目标检测,通常会得到目标视频中整个区域内各个对象,但用户可能更关注某些区域内的对象,在一种可能的实现方式中,在对目标视频的各个视频帧进行目标检测,得到各个视频帧中的各个对象以及各个对象的类别标识之后,所述方法还包括:
响应于针对目标视频的区域标定操作,根据区域标定操作指示的目标区域,筛除各个视频帧中处于目标区域外的对象以及处于目标区域外的对象的类别标识。
其中,用户可以例如通过手动框选目标区域、设置区域坐标等操作,来指示目标区域,对此本公开实施例不作限制。
在一种可能的实现方式中,用户可例如指示至少一个目标区域,该至少一个目标区域可以理解为用户关注的区域;指示的目标区域,可作用于目标视频的全部或部分视频帧,也即,当前用户指示的目标区域可以用于筛除目标视频的全部或部分视频帧中处于该目标区域外的对象以及处于该目标区域外的对象的类别标识。
如上所述,可以通过标注框指示各个视频帧中检测出的各个对象,其中,筛除处于目标区域外的对象,可以包括:筛除处于目标区域外的对象的标注框。应理解的是,标注框是基于对象的坐标位置确定的,筛除对象的标注框,也即删除对象对应的坐标位置。
可理解的是,以上筛除处于目标区域外的对象以及处于该目标区域外的对象的类别标识,是本公开实施例提供的一种实现方式,该方式能够更好地适用于用户常规习惯,例如用户通常习惯指示关注区域。实际上,本领域技术人员还可设置为筛除处于目标区域内的对象以及处于目标区域内的对象的类别标识,也即,用户框选出的目标区域还可以是用户不关注的区域,对于采用何种方式,可以根据实际需求设定,对此本公开实施例不作限制。
在一种可能的实现方式中,可以根据目标区域内的各个对象的类别标识,确定同一类别的对象在目标视频中连续出现的出现时间段,基于该出现时间段可以提高对同一类别的对象标注对象标识的效率。
通过该方式,能够过滤掉处于目标区域外的对象以及类别标识,有利于提高后续针对对象标识的标注效率,进而提高目标视频的标注效率。
如上所述,可以通过标注框指示目标视频的各个视频帧中的各个对象,对象的坐标位置也即标注框的坐标位置,应理解的是,通步骤S111中目标检测网络对目标视频进行目标检测所得到的输出结果中,可能存在不准确的坐标位置或遗漏的类别标签等情况。在一种可能的实现方式中,在对目标视频的各个视频帧进行目标检测,得到各个视频帧中的各个对象以及各个对象的类别标识之后,所述方法还包括:响应于针对目标视频中任一对象的位置调整操作,调整对象对应的坐标位置。
其中,位置调整操作,可例如至少包括:针对标注框的平移、扩大、缩小等操作,例如可按照一定比例和方向平移、扩大或缩小标注框,从而实现调整对象对应的坐标位置;还可以包括手动添加遗漏丢失的对象的坐标位置,也即添加丢失的标注框;以及手动删除多余不重要的对象的坐标位置,也即删除多余的标注框等。
在一种可能的实现方式中,在对目标视频的各个视频帧进行目标检测,得到各个视频帧中的各个对象以及各个对象的类别标识之后,所述方法还包括:响应于针对目标视频中任一对象的类别调整操作,调整对象的类别标识。
其中,针对类别标识的类别调整操作,可例如至少包括:修改错误的类别标识、添加遗漏的类别标识、删除多余不重要的类别标识等操作。
如上所述,本领域技术人员可通过已知的编程技术,编写实现人工标注所对应的操作界面。应理解的是,与该操作界面还可提供用于实现上述位置调整操作以及类别调整操作的相关控件,从而便于用户手动调整对象对应的坐标位置以及类别标识。
在本公开实施例中,能够对通过目标检测网络进行目标检测所得到的输出结果进行修正,提高目标视频的标注质量。
需要说明的是,用于实现上述本公开实施例中的人工标注操作、位置调整操作以及类别调整操作的操作界面,可以是不同的操作界面,当然也可以是同一操作界面;换句话说,上述本公开实施例中的人工标注操作、位置调整操作以及类别调整操作可以在不同操作界面中实现,也可以在同一操作界面中实现,对此本公开实施例不作限制。
图3示出根据本公开实施例的事件统计方法的示意图,如图3所示,所述方法包括:
在步骤S31中,获取目标视频;
在步骤S32中,通过目标检测网络对目标视频进行检测,得到目标视频中对象的标注框以及类别标识;
在步骤S33中,过滤处于目标区域外的标注框以及类别标识,确定同一类别的感兴趣对象出现的时间段;
在步骤S34中,人工调整过滤后的标注框以及类别标识;
在步骤S35中,在调整后的标注框与类别标识的基础上,人工添加感兴趣对象的对象标识;
在步骤S36中,根据各个感兴趣对象的对象标识、预设激活时长以及预设冷却时长,确定目标视频中预设事件的统计次数。
其中,步骤S31至步骤S35的实现方式可以参照上述本公开实施例的标注信息获取方式的相关记载,在此不做赘述。步骤S36的实现方式,可以参照上述本公开实施例的事件统计方法,在此不做赘述。
根据本公开的实施例,标注的不仅只有对象的类别标识,同时还标注对象的唯一对象标识,利用唯一对象标识进行事件统计,可以提高统计次数的可信度;利用对象的类别标识,可以方便过滤不关注的对象,得到感兴趣对象。
根据本公开的实施例,可以根据事件检测模型的测试要求,从目标视频中逐帧标注出各个对象的对象标识、类别标识等标注信息;然后根据事件检测模型本身的特性,过滤掉不感兴趣的对象,得到感兴趣对象;针对每个感兴趣对象,通过人工校验或识别算法自动寻找不同视频帧中的同一个感兴趣对象,对同一感兴趣对象添加不重复的唯一标识;根据唯一感兴趣对象标识以及预设激活时长和预设冷却时长,计算出目标视频中发生预设事件的统计次数;将要测试的事件检测模型对同一个目标视频进行事件检测,得到检测次数,进而将检测次数与统计次数进行比对,基于比对结果可以生成测试报告,测试报告可以指示事件检测模型的准确率。
根据本公开的实施例,能够对各种事件检测模型,例如对人员、车辆等进行预设事件的检测模型,进行自动化的准确率检测,在测试的过程中,无需测试人员人工计算事件总数,来得到测试比对结果,提高测试效率。可以对事件检测模型进行大量重复性的测试,复用性以及通用性较高。
图4示出根据本公开实施例的事件统计方法的示意图,如图4所示,所述方法包括:
获取具有指定类别标识的感兴趣对象在目标视频中连续出现的时间段;
获取该时间段内各帧视频帧对应的标注信息,标注信息包括该时间段内各帧视频帧中各个感兴趣对象的对象标识;
将各个感兴趣对象的标识、各个感兴趣对象在该时间段内首次出现的视频帧的帧号、以及各个感兴趣对象在该首次出现的视频帧中的位置添加至缓存列表中;
判断当前缓存列表中记录的最大帧号是否对应上述时间段内最后一帧视频帧;在最小帧号已是上述时间段内的最后一帧视频帧的情况下,输出该时间段内发生预设事件的发生统计次数;
在最小帧号未对应最后一帧视频帧的情况下,判断缓存列表中是否还有未处理的感兴趣对象,或者说缓存队列是否为空;
在缓存队列中还有未处理的感兴趣对象的情况下,从缓存列表中获取任一感兴趣对象X当前对应的帧号与对象标识;
计算该感兴趣对象X当前对应的帧号间隔一个激活时长的第一帧号;
根据上述标注信息,获取间隔一个激活时长的第一帧号所对应的标识集合;
判断标识集合中是否存在感兴趣对象X的对象标识;在标识结合中不存在感兴趣对象X的对象标识的情况下,移除缓存列表中记录的感兴趣对象X的对象标识、位置以及帧号;在标识集合中存在感兴趣对象X的对象标识的情况下,预设事件的统计次数加一;
为感兴趣对象X的第一帧号增加一个冷却时长,并判断增加冷却时长后的第二帧号是否超出上述时间段;在第二帧号已超出上述时间段的情况下,移除缓存列表中记录的感兴趣对象X的对象标识、位置以及帧号;
在第二帧号未超过上述时间段的情况下,将缓存列表中感兴趣对象X当前对应的帧号更新为上述增加冷却时长后的第二帧号,以及将缓存列表中感兴趣对象X的位置,更新为上述第二帧号对应的视频帧中该感兴趣对象X的位置。
根据本公开的实施例,考虑到相邻两帧之间标注框的位置变化不会太大,也即相邻两帧之间同一对象的位置变化不会太大,可以合并连续视频帧中的标注框,便于之后标注对象的对象类别,标注方法简单、准确率较高;可以手动设置目标区域,过滤掉不必要检测的目标区域外的对象的标注框以及类别,提高针对类别的标注效率。
根据本公开的实施例,利用视频标注方法得到的标注信息,引入逐帧标注的唯一对象标识的方式,模拟事件检测模型检测预设事件的过程,有利于得到准确地统计次数。实现对各种事件检测模型的准确率测试。
根据本公开的实施例,能够应用于各种事件检测模型的测试自动化,例如,监管区域人员在岗离检测事件、机动车/非机动车违规停放事件、摊位违规摆放事件、道路积水和市容垃圾乱抛等具有一定时间跨度的事件检测模型的自动化测试。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外,本公开还提供了事件统计装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种事件统计方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
图5示出根据本公开实施例的事件统计装置的框图,如图5所示,所述装置包括:
获取模块101,用于获取目标视频的标注信息,所述标注信息包括所述目标视频中至少一个感兴趣对象的对象标识,所述目标视频的任一段连续视频帧内出现的同一感兴趣对象的对象标识相同且唯一;
视频帧确定模块102,用于根据所述感兴趣对象的对象标识,从所述目标视频中确定出所述感兴趣对象出现的视频帧;
第一统计模块103,用于根据所述感兴趣对象出现的视频帧,统计所述感兴趣对象在所述目标视频中发生预设事件的统计次数。
在一种可能的实现方式中,所述感兴趣对象出现的视频帧包括所述感兴趣对象首次出现的第一视频帧;其中,所述第一统计模块103,包括:确定子模块,用于根据所述感兴趣对象的对象标识,确定在第二视频帧中是否存在所述感兴趣对象的同一对象标识,所述第二视频帧是所述第一视频帧之后间隔预设激活时长的视频帧;更新子模块,用于在所述第二视频帧中存在所述感兴趣对象的同一对象标识,且所述第二视频帧处于指定时间段内的情况下,更新所述预设事件的统计次数。
在一种可能的实现方式中,所述装置还包括:确定模块,用于根据所述感兴趣对象的对象标识,确定第三视频帧中是否存在所述感兴趣对象的同一对象标识,所述第三视频帧是所述第二视频帧之后间隔预设冷却时长与所述预设激活时长的视频帧;第二统计模块,用于在所述第三视频帧中存在所述感兴趣对象的同一对象标识,且所述第三视频帧处于所述指定时间段内的情况下,更新所述预设事件的统计次数,以及将所述第二视频帧替换为所述第三视频帧,以继续确定所述第三视频帧之后间隔预设冷却时长与所述预设激活时长的视频帧中,是否存在所述感兴趣对象的同一对象标识。
在一种可能的实现方式中,在所述根据所述感兴趣对象的对象标识,确定第三视频帧中是否存在所述感兴趣对象的同一对象标识之后,所述装置还包括:第三统计模块,用于在所述第三视频帧中不存在所述感兴趣对象的同一对象标识,或所述第三视频帧处于所述指定时间段外的情况下,结束统计所述感兴趣对象发生预设事件的统计次数。
在一种可能的实现方式中,所述获取模块101,包括:检测子模块,用于对所述目标视频的各个视频帧进行目标检测,得到所述各个视频帧中的各个对象以及所述各个对象的类别标识;连续视频帧确定模块,用于根据所述各个对象的类别标识,确定包含同一类别对象的各段连续视频帧;标识设置模块,用于为所述各段连续视频帧中的各个对象分别设置对象标识,其中,所述目标视频的任一段连续视频帧内出现的同一对象的对象标识相同且唯一。
在一种可能的实现方式中,所述标注信息还包括所述各个对象的类别标识,在为所述各个视频帧中的各个对象分别设置对象标识之后,所述装置还包括:第一感兴趣对象确定模块,用于根据所述各个对象的类别标识以及对象标识,从所述各个对象中筛选出与指定类别标识匹配且与指定对象标识匹配的感兴趣对象。
在一种可能的实现方式中,所述标注信息还包括所述各个对象的类别标识,在对所述目标视频的各个视频帧进行目标检测,得到所述各个视频帧中的各个对象以及所述各个对象的类别标识之后,所述装置还包括:第二感兴趣对象确定模块,用于根据所述各个对象的类别标识,从所述各个对象中筛选出与指定类别标识匹配的至少一个感兴趣对象;其中,所述标识设置模块,包括:标识设置模块子模块,用于为所述至少一个感兴趣对象分别设置对象标识,其中,所述目标视频的任一段连续视频帧内出现的同一感兴趣对象的对象标识相同且唯一。
在一种可能的实现方式中,在所述对所述目标视频的各个视频帧进行目标检测,得到所述各个视频帧中的各个对象以及所述各个对象的类别标识之后,所述装置还包括:筛除模块,用于响应于针对所述目标视频的区域标定操作,根据所述区域标定操作指示的目标区域,筛除所述各个视频帧中处于所述目标区域外的对象以及处于所述目标区域外的对象的类别标识。
在一种可能的实现方式中,在所述对所述目标视频的各个视频帧进行目标检测,得到所述各个视频帧中的各个对象以及所述各个对象的类别标识之后,所述装置还包括:位置调整模块,用于响应于针对所述目标视频中任一对象的位置调整操作,调整所述对象对应的坐标位置。
在一种可能的实现方式中,在所述对所述目标视频的各个视频帧进行目标检测,得到所述各个视频帧中的各个对象以及所述各个对象的类别标识之后,所述装置还包括:类别调整模块,用于响应于针对所述目标视频中任一对象的类别调整操作,调整所述对象的类别标识。
在一种可能的实现方式中,在根据所述感兴趣对象出现的视频帧,统计所述感兴趣对象在所述目标视频中发生预设事件的统计次数之后,所述装置还包括:事件检测模块,用于利用事件检测模型,对所述目标视频进行事件检测,得到所述目标视频中所述预设事件的检测次数,所述事件检测模型用于对任意视频中的感兴趣对象进行所述预设事件的检测;测试模块,用于根据所述预设事件的统计次数以及所述检测次数,得到所述事件检测模型的测试结果。
在本公开实施例中,由于目标视频的任一段连续视频帧内同一感兴趣对象的对象标识相同且唯一,从而可以表示出用于测试统计的感兴趣对象是否为同一感兴趣对象,且感兴趣对象是在一段连续视频帧内出现或不同连续视频帧出现,进而基于对象标识统计各个感兴趣对象在目标视频中发生预设事件的统计次数,提高目标视频中感兴趣对象发生预设事件的统计次数的准确度。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是易失性或非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为调用所述存储器存储的指令,以执行上述方法。
本公开实施例还提供了一种计算机程序产品,包括计算机可读代码,或者承载有计算机可读代码的非易失性计算机可读存储介质,当所述计算机可读代码在电子设备的处理器中运行时,所述电子设备中的处理器执行上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图6示出根据本公开实施例的一种电子设备800的框图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等终端。
参照图6,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如互补金属氧化物半导体(CMOS)或电荷耦合装置(CCD)图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如无线网络(WiFi),第二代移动通信技术(2G)、第三代移动通信技术(3G)、第四代移动通信技术(4G)或第五代移动通信技术(5G),或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图7示出根据本公开实施例的另一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。参照图7,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统,例如微软服务器操作系统(Windows ServerTM),苹果公司推出的基于图形用户界面操作系统(Mac OSXTM),多用户多进程的计算机操作系统(UnixTM),自由和开放原代码的类Unix操作系统(LinuxTM),开放原代码的类Unix操作系统(FreeBSDTM)或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是(但不限于)电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、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)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
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 Development Kit,SDK)等等。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (14)
1.一种事件统计方法,其特征在于,包括:
获取目标视频的标注信息,所述标注信息包括所述目标视频中至少一个感兴趣对象的对象标识,所述目标视频的任一段连续视频帧内出现的同一感兴趣对象的对象标识相同且唯一;
根据所述感兴趣对象的对象标识,从所述目标视频中确定出所述感兴趣对象出现的视频帧;
根据所述感兴趣对象出现的视频帧,统计所述感兴趣对象在所述目标视频中发生预设事件的统计次数。
2.根据权利要求1所述的方法,其特征在于,所述感兴趣对象出现的视频帧包括所述感兴趣对象首次出现的第一视频帧;
其中,所述根据所述感兴趣对象出现的视频帧,统计所述感兴趣对象在所述目标视频中发生预设事件的统计次数,包括:
根据所述感兴趣对象的对象标识,确定在第二视频帧中是否存在所述感兴趣对象的同一对象标识,所述第二视频帧是所述第一视频帧之后间隔预设激活时长的视频帧;
在所述第二视频帧中存在所述感兴趣对象的同一对象标识,且所述第二视频帧处于指定时间段内的情况下,更新所述预设事件的统计次数。
3.根据权利要求2所述的方法,其特征在于,在更新所述预设事件的统计次数之后,所述方法还包括:
根据所述感兴趣对象的对象标识,确定第三视频帧中是否存在所述感兴趣对象的同一对象标识,所述第三视频帧是所述第二视频帧之后间隔预设冷却时长与所述预设激活时长的视频帧;
在所述第三视频帧中存在所述感兴趣对象的同一对象标识,且所述第三视频帧处于所述指定时间段内的情况下,更新所述预设事件的统计次数,以及将所述第二视频帧替换为所述第三视频帧,以继续确定所述第三视频帧之后间隔预设冷却时长与所述预设激活时长的视频帧中,是否存在所述感兴趣对象的同一对象标识。
4.根据权利要求3所述的方法,其特征在于,在所述根据所述感兴趣对象的对象标识,确定第三视频帧中是否存在所述感兴趣对象的同一对象标识之后,所述方法还包括:
在所述第三视频帧中不存在所述感兴趣对象的同一对象标识,或所述第三视频帧处于所述指定时间段外的情况下,结束统计所述感兴趣对象发生预设事件的统计次数。
5.根据权利要求1所述的方法,其特征在于,所述获取目标视频的标注信息,包括:
对所述目标视频的各个视频帧进行目标检测,得到所述各个视频帧中的各个对象以及所述各个对象的类别标识;
根据所述各个对象的类别标识,确定包含同一类别对象的各段连续视频帧;
为所述各段连续视频帧中的各个对象分别设置对象标识,其中,所述目标视频的任一段连续视频帧内出现的同一对象的对象标识相同且唯一。
6.根据权利要求5所述的方法,其特征在于,所述标注信息还包括所述各个对象的类别标识,在为所述各个视频帧中的各个对象分别设置对象标识之后,所述方法还包括:
根据所述各个对象的类别标识以及对象标识,从所述各个对象中筛选出与指定类别标识匹配且与指定对象标识匹配的感兴趣对象。
7.根据权利要求5或6所述的方法,其特征在于,所述标注信息还包括所述各个对象的类别标识,在对所述目标视频的各个视频帧进行目标检测,得到所述各个视频帧中的各个对象以及所述各个对象的类别标识之后,所述方法还包括:
根据所述各个对象的类别标识,从所述各个对象中筛选出与指定类别标识匹配的至少一个感兴趣对象;
其中,所述为所述各个视频帧中的各个对象分别设置对象标识,包括:
为所述至少一个感兴趣对象分别设置对象标识,其中,所述目标视频的任一段连续视频帧内出现的同一感兴趣对象的对象标识相同且唯一。
8.根据权利要求5所述的方法,其特征在于,在所述对所述目标视频的各个视频帧进行目标检测,得到所述各个视频帧中的各个对象以及所述各个对象的类别标识之后,所述方法还包括:
响应于针对所述目标视频的区域标定操作,根据所述区域标定操作指示的目标区域,筛除所述各个视频帧中处于所述目标区域外的对象以及处于所述目标区域外的对象的类别标识。
9.根据权利要求5或8所述的方法,其特征在于,在所述对所述目标视频的各个视频帧进行目标检测,得到所述各个视频帧中的各个对象以及所述各个对象的类别标识之后,所述方法还包括:
响应于针对所述目标视频中任一对象的位置调整操作,调整所述对象对应的坐标位置。
10.根据权利要求5所述的方法,其特征在于,在所述对所述目标视频的各个视频帧进行目标检测,得到所述各个视频帧中的各个对象以及所述各个对象的类别标识之后,所述方法还包括:
响应于针对所述目标视频中任一对象的类别调整操作,调整所述对象的类别标识。
11.根据权利要求1所述的方法,其特征在于,在根据所述感兴趣对象出现的视频帧,统计所述感兴趣对象在所述目标视频中发生预设事件的统计次数之后,所述方法还包括:
利用事件检测模型,对所述目标视频进行事件检测,得到所述目标视频中所述预设事件的检测次数,所述事件检测模型用于对任意视频中的感兴趣对象进行所述预设事件的检测;
根据所述预设事件的统计次数以及所述检测次数,得到所述事件检测模型的测试结果。
12.一种事件统计装置,其特征在于,包括:
获取模块,用于获取目标视频的标注信息,所述标注信息包括所述目标视频中至少一个感兴趣对象的对象标识,所述目标视频的任一段连续视频帧内出现的同一感兴趣对象的对象标识相同且唯一;
视频帧确定模块,用于根据所述感兴趣对象的对象标识,从所述目标视频中确定出所述感兴趣对象出现的视频帧;
第一统计模块,用于根据所述感兴趣对象出现的视频帧,统计所述感兴趣对象在所述目标视频中发生预设事件的统计次数。
13.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行权利要求1至11中任意一项所述的方法。
14.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至11中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111434312.XA CN114120199A (zh) | 2021-11-29 | 2021-11-29 | 事件统计方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111434312.XA CN114120199A (zh) | 2021-11-29 | 2021-11-29 | 事件统计方法及装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114120199A true CN114120199A (zh) | 2022-03-01 |
Family
ID=80371478
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111434312.XA Withdrawn CN114120199A (zh) | 2021-11-29 | 2021-11-29 | 事件统计方法及装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114120199A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117112836A (zh) * | 2023-09-05 | 2023-11-24 | 广西华利康科技有限公司 | 一种面向视频内容的大数据智能分类方法 |
-
2021
- 2021-11-29 CN CN202111434312.XA patent/CN114120199A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117112836A (zh) * | 2023-09-05 | 2023-11-24 | 广西华利康科技有限公司 | 一种面向视频内容的大数据智能分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111274426B (zh) | 类别标注方法及装置、电子设备和存储介质 | |
CN109543537B (zh) | 重识别模型增量训练方法及装置、电子设备和存储介质 | |
CN109543536B (zh) | 图像标识方法及装置、电子设备和存储介质 | |
CN109948494B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110942036B (zh) | 人员识别方法及装置、电子设备和存储介质 | |
CN114240882A (zh) | 缺陷检测方法及装置、电子设备和存储介质 | |
CN110858924B (zh) | 视频背景音乐的生成方法、装置及存储介质 | |
CN110990801B (zh) | 信息校验方法及装置、电子设备和存储介质 | |
CN106919629B (zh) | 在群聊中实现信息筛选的方法及装置 | |
CN109635142B (zh) | 图像选择方法及装置、电子设备和存储介质 | |
CN110941942A (zh) | 电路原理图检查方法、装置及系统 | |
CN112911239B (zh) | 视频处理方法及装置、电子设备和存储介质 | |
CN110543849B (zh) | 检测器的配置方法及装置、电子设备和存储介质 | |
CN109934240B (zh) | 特征更新方法及装置、电子设备和存储介质 | |
CN110807393A (zh) | 基于视频分析的预警方法及装置、电子设备和存储介质 | |
CN113139471A (zh) | 目标检测方法及装置、电子设备和存储介质 | |
CN112633184A (zh) | 告警方法及装置、电子设备和存储介质 | |
CN109671051B (zh) | 图像质量检测模型训练方法及装置、电子设备和存储介质 | |
CN109358788B (zh) | 界面显示方法、装置及终端 | |
CN112950712B (zh) | 定位方法及装置、电子设备和存储介质 | |
CN114120199A (zh) | 事件统计方法及装置、电子设备和存储介质 | |
CN110121115B (zh) | 精彩视频片段的确定方法及装置 | |
CN114067246A (zh) | 视频标注、模型测试方法及装置、电子设备和存储介质 | |
WO2022110801A1 (zh) | 数据处理方法及装置、电子设备和存储介质 | |
CN113378893B (zh) | 数据管理方法及装置、电子设备和存储介质 |
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: 20220301 |