CN114359783A - 一种异常事件检测方法、装置及设备 - Google Patents
一种异常事件检测方法、装置及设备 Download PDFInfo
- Publication number
- CN114359783A CN114359783A CN202111467963.9A CN202111467963A CN114359783A CN 114359783 A CN114359783 A CN 114359783A CN 202111467963 A CN202111467963 A CN 202111467963A CN 114359783 A CN114359783 A CN 114359783A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- storage queue
- abnormal event
- filtering
- 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
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本申请提供一种异常事件检测方法、装置及设备,该方法包括:获取目标摄像机对应的至少一个存储队列,每个存储队列均包括目标摄像机采集的异常事件图像;针对每个存储队列,确定存储队列对应的用户偏好信息,基于用户偏好信息确定存储队列对应的图像过滤参数;针对目标摄像机采集的存在异常事件的目标图像,从目标摄像机对应的所有存储队列中选取目标图像对应的目标存储队列,基于目标存储队列对应的图像过滤参数确定是否过滤目标图像;若是,则过滤所述目标图像;若否,则将所述目标图像发送给管理平台,由管理平台基于所述目标图像进行异常事件检测。通过本申请的技术方案,避免管理平台存在大量冗余的目标图像,节约人力资源,节省审核时间。
Description
技术领域
本申请涉及人工智能领域,尤其涉及一种异常事件检测方法、装置及设备。
背景技术
机器学习是实现人工智能的一种途径,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习用于研究计算机如何模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习更加注重算法设计,使计算机能够自动地从数据中学习规律,并利用规律对未知数据进行预测。机器学习已经有了十分广泛的应用,如深度学习、数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、语音识别和手写识别等。
基于机器学习技术,可以训练出异常事件检测模型,该异常事件检测模型用于检测图像中是否存在异常事件。比如说,针对摄像机采集的图像,可以将该图像输入给异常事件检测模型,由异常事件检测模型对该图像进行异常事件检测,得到是否存在异常事件的检测结果。若该图像存在异常事件,则可以将该图像发送给管理平台,而管理人员可以从管理平台查看该图像,对该图像进行审核,并到现场(即该摄像机所在位置)查看是否存在异常事件。
但是,可能将大量存在异常事件的图像发送给管理平台,而管理人员通常只会对少量的图像进行审核,导致存在大量冗余的图像,而且,管理人员很难从大量图像中找到真正有价值的图像进行审核,导致管理人员频繁到现场查看,需要耗费大量人力资源,并消耗大量时间,浪费工作量,使用体验较差。
发明内容
本申请提供一种异常事件检测方法,所述方法包括:
获取目标摄像机对应的至少一个存储队列,每个存储队列均包括所述目标摄像机采集的异常事件图像;其中,同一存储队列中的异常事件图像具有相似特征,不同存储队列中的异常事件图像具有不相似特征;
针对每个存储队列,确定所述存储队列对应的用户偏好信息,并基于所述用户偏好信息确定所述存储队列对应的图像过滤参数;
针对目标摄像机采集的存在异常事件的目标图像,从所述目标摄像机对应的所有存储队列中选取所述目标图像对应的目标存储队列,并基于所述目标存储队列对应的图像过滤参数确定是否过滤所述目标图像;
若是,则过滤所述目标图像。
本申请提供一种异常事件检测装置,所述装置包括:
获取模块,用于获取目标摄像机对应的至少一个存储队列,每个存储队列均包括所述目标摄像机采集的异常事件图像;其中,同一存储队列中的异常事件图像具有相似特征,不同存储队列中的异常事件图像具有不相似特征;
确定模块,用于针对每个存储队列,确定所述存储队列对应的用户偏好信息,并基于所述用户偏好信息确定所述存储队列对应的图像过滤参数;
处理模块,用于针对所述目标摄像机采集的存在异常事件的目标图像,从所述目标摄像机对应的所有存储队列中选取所述目标图像对应的目标存储队列,并基于所述目标存储队列对应的图像过滤参数确定是否过滤所述目标图像;若是,则过滤所述目标图像。
本申请提供一种异常事件检测设备,包括:处理器和机器可读存储介质,所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令;所述处理器用于执行机器可执行指令,以实现上述实施例公开的异常事件检测方法。
由以上技术方案可见,本申请实施例中,针对目标摄像机采集的存在异常事件的目标图像,可以选取目标图像对应的目标存储队列,并基于目标存储队列对应的图像过滤参数确定是否过滤目标图像,若是,则过滤该目标图像,即不将该目标图像发送给管理平台,若否,则将该目标图像发送给管理平台,从而能够将真正有价值的目标图像发送给管理平台,而不是将大量存在异常事件的目标图像均发送给管理平台,避免管理平台存在大量冗余的目标图像,管理人员可以对少量目标图像进行审核,节约人力资源,节省审核时间。在上述方式中,可以基于用户偏好信息确定存储队列对应的图像过滤参数,并基于图像过滤参数确定是否过滤目标图像,从而符合管理人员的审核习惯,将符合管理人员审核习惯的目标图像发送给管理平台,避免将冗余的目标图像发送给管理平台,方便管理人员快速获取到存在异常事件的目标图像,可有效解决审核冗余、无效事件较多等问题,提升异常事件推送的准确率,减少管理人员的无效审核量,避免管理人员频繁到现场查看,管理人员的使用体验比较好。
附图说明
为了更加清楚地说明本申请实施例或者现有技术中的技术方案,下面将对本申请实施例或者现有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中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据本申请实施例的这些附图获得其他的附图。
图1是本申请一种实施方式中的异常事件检测方法的流程示意图;
图2是本申请一种实施方式中的应用场景示意图;
图3是本申请一种实施方式中的异常事件的过滤推荐系统的示意图;
图4是本申请一种实施方式中的异常事件的过滤推荐系统的示意图;
图5A是本申请一种实施方式中的检测是否存在异常事件的示意图;
图5B是本申请一种实施方式中的提取图像特征的示意图;
图5C是本申请一种实施方式中的各摄像机对应的存储队列的示意图;
图5D是本申请一种实施方式中的收集用户偏好信息的示意图;
图6是本申请一种实施方式中的目标图像的排序过程的示意图;
图7是本申请一种实施方式中的异常事件检测装置的结构示意图;
图8是本申请一种实施方式中的异常事件检测设备的硬件结构图。
具体实施方式
在本申请实施例使用的术语仅仅是出于描述特定实施例的目的,而非限制本申请。本申请和权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其它含义。还应当理解,本文中使用的术语“和/或”是指包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请实施例可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,此外,所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
本申请实施例中提出一种异常事件检测方法,该方法可以应用于异常事件检测设备,参见图1所示,为该方法的流程示意图,该方法可以包括:
步骤101、获取目标摄像机对应的至少一个存储队列,每个存储队列均包括目标摄像机采集的异常事件图像;其中,同一存储队列中的异常事件图像具有相似特征,不同存储队列中的异常事件图像具有不相似特征。
示例性的,获取目标摄像机对应的至少一个存储队列,可以包括但不限于:在得到目标摄像机采集的异常事件图像后,若该异常事件图像的图像特征与目标摄像机对应的存储队列的已存储图像特征的相似度大于预设相似度阈值,则将该异常事件图像存储到该存储队列;若该异常事件图像的图像特征与目标摄像机对应的所有存储队列的已存储图像特征的相似度均不大于预设相似度阈值,则为目标摄像机创建新存储队列,并将该异常事件图像存储到该新存储队列。
步骤102、针对每个存储队列,确定该存储队列对应的用户偏好信息,并基于该用户偏好信息确定该存储队列对应的图像过滤参数。
示例性的,基于该用户偏好信息确定该存储队列对应的图像过滤参数,可以包括但不限于:若该用户偏好信息是关注偏好,则可以确定该存储队列对应的图像过滤参数是第一过滤概率值。若该用户偏好信息是不关注偏好,则可以确定该存储队列对应的图像过滤参数是第二过滤概率值。其中,第二过滤概率值可以大于第一过滤概率值,对此第二过滤概率值和第一过滤概率值不做限制。
示例性的,确定该存储队列对应的用户偏好信息,可以包括但不限于:获取存储队列对应的已配置偏好,基于已配置偏好确定该存储队列对应的用户偏好信息。其中,若已配置偏好表示关注存储队列中的异常事件图像,则确定存储队列对应的用户偏好信息是关注偏好;若已配置偏好表示不关注存储队列中的异常事件图像,则确定该存储队列对应的用户偏好信息是不关注偏好。或者,获取该存储队列对应的审核标签,基于该审核标签确定该存储队列对应的用户偏好信息。其中,若审核标签表示存储队列对应的目标图像被管理平台检测为正报图像,则确定该存储队列对应的用户偏好信息是关注偏好;若审核标签表示存储队列对应的目标图像被管理平台检测为误报图像,则确定该存储队列对应的用户偏好信息是不关注偏好;若审核标签表示存储队列对应的目标图像未被管理平台进行检测,则确定该存储队列对应的用户偏好信息是不关注偏好。
步骤103、针对目标摄像机采集的存在异常事件的目标图像,从目标摄像机对应的所有存储队列中选取该目标图像对应的目标存储队列。
步骤104、基于该目标存储队列对应的图像过滤参数确定是否过滤该目标图像。若是,则可以执行步骤105,若否,则可以执行步骤106。
示例性的,基于该目标存储队列对应的图像过滤参数确定是否过滤该目标图像,可以包括但不限于:若目标存储队列对应的图像过滤参数是第一过滤概率值,则基于该第一过滤概率值生成第一数值区间和第二数值区间;为目标图像生成第一随机数,若该第一随机数与该第一数值区间匹配,则过滤该目标图像,若该第一随机数与该第二数值区间匹配,则不过滤该目标图像。或者,若目标存储队列对应的图像过滤参数是第二过滤概率值,则基于该第二过滤概率值生成第三数值区间和第四数值区间;为目标图像生成第二随机数,若该第二随机数与该第三数值区间匹配,则过滤该目标图像,若该第二随机数与该第四数值区间匹配,则不过滤该目标图像。其中,第三数值区间的长度可以大于第一数值区间的长度;第四数值区间的长度可以小于第二数值区间的长度。
步骤105、过滤该目标图像,即禁止将该目标图像发送给管理平台。
步骤106、将该目标图像发送给管理平台,由管理平台基于该目标图像进行异常事件检测,对此异常事件检测过程不做限制。
示例性的,若过滤剩余的目标图像的数量为多个,将该目标图像发送给管理平台(即将多个目标图像发送给管理平台),可以包括但不限于:针对每个目标图像,可以基于该目标图像的图像特征确定该目标图像的发送顺序,并基于每个目标图像的发送顺序将多个目标图像依次发送给管理平台。
比如说,若该目标图像的图像特征与正报图像的图像特征的相似度大于第一相似度阈值,则将该目标图像存储到第一发送队列;若该目标图像的图像特征与误报图像的图像特征的相似度大于第二相似度阈值,则将该目标图像存储到第二发送队列;若该目标图像的图像特征与正报图像的图像特征的相似度不大于第一相似度阈值,且该目标图像的图像特征与误报图像的图像特征的相似度不大于第二相似度阈值,则将该目标图像存储到第三发送队列;在此基础上,先将第一发送队列中的目标图像发送给管理平台,再将第三发送队列中的目标图像发送给管理平台,再将第二发送队列中的目标图像发送给管理平台。
由以上技术方案可见,本申请实施例中,针对目标摄像机采集的存在异常事件的目标图像,可以选取目标图像对应的目标存储队列,并基于目标存储队列对应的图像过滤参数确定是否过滤目标图像,若是,则过滤该目标图像,即不将该目标图像发送给管理平台,若否,则将该目标图像发送给管理平台,从而能够将真正有价值的目标图像发送给管理平台,而不是将大量存在异常事件的目标图像均发送给管理平台,避免管理平台存在大量冗余的目标图像,管理人员可以对少量目标图像进行审核,节约人力资源,节省审核时间。在上述方式中,可以基于用户偏好信息确定存储队列对应的图像过滤参数,并基于图像过滤参数确定是否过滤目标图像,从而符合管理人员的审核习惯,将符合管理人员审核习惯的目标图像发送给管理平台,避免将冗余的目标图像发送给管理平台,方便管理人员快速获取到存在异常事件的目标图像,可有效解决审核冗余、无效事件较多等问题,提升异常事件推送的准确率,减少管理人员的无效审核量,避免管理人员频繁到现场查看,管理人员的使用体验比较好。
以下结合具体应用场景,对本申请实施例的技术方案进行说明。
参见图2所示,目标场景(即待管理区域)可以部署多个摄像机(如网络摄像机或者模拟摄像机等),这些摄像机可以采集目标场景的初始图像,并将初始图像发送给异常事件检测设备,每个摄像机可以称为一个点位。
异常事件检测设备可以是后端设备(与摄像机这种前端设备对应),如存储设备等,对此异常事件检测设备的类型不做限制。异常事件检测设备在接收到摄像机发送的初始图像之后,可以在存储介质中存储该初始图像。
异常事件检测设备在接收到初始图像之后,还可以检测初始图像是否存在异常事件,如违章摆摊、违章停车、打架斗殴等异常事件,本实施例对此异常事件的类型不做限制,可以是人为或自然因素导致的各种现象或行为。
比如说,异常事件检测设备包括已训练的异常事件检测模型(即机器学习模型,如深度学习模型、神经网络模型等,对此异常事件检测模型的类型不做限制),该异常事件检测模型用于检测初始图像中是否存在异常事件。比如说,异常事件检测设备可以将初始图像输入给异常事件检测模型,由异常事件检测模型对该初始图像进行异常事件检测,得到是否存在异常事件的检测结果。
若基于该检测结果确定该初始图像存在异常事件,则异常事件检测设备可以将该初始图像发送给管理平台。若基于该检测结果确定该初始图像不存在异常事件,则异常事件检测设备不会将该初始图像发送给管理平台。
管理平台可以是用户(如管理人员或工作人员等)使用的设备,如个人计算机、服务器、笔记本电脑、智能终端等,对此管理平台的类型不做限制。管理平台在接收到异常事件检测设备发送的初始图像后,将初始图像显示给用户,由用户从管理平台查看该初始图像,对该初始图像进行审核,确认是否存在异常事件,并能够到现场(即摄像机所在位置)查看是否存在异常事件。
但是,在上述方式中,异常事件检测设备将所有存在异常事件的初始图像发送给管理平台,可能将大量存在异常事件的初始图像发送给管理平台,而用户通常只会对少量初始图像进行审核,导致存在大量冗余的初始图像,用户很难从大量初始图像中找到真正有价值的初始图像进行审核,导致用户频繁到现场查看,需要耗费大量人力资源,并消耗大量时间,浪费工作量。
针对上述发现,本申请实施例中提出一种可学习用户审核习惯的异常事件检测方式,通过分析用户审核习惯,可以对异常事件图像进行过滤,向管理平台发送与用户审核习惯匹配的异常事件图像,从而将真正有价值的图像发送给管理平台,避免将冗余的大量图像发送给管理平台,方便用户快速获取到存在异常事件的图像,有效解决审核冗余、无效事件较多等问题,提升异常事件推送的准确率,减少用户的无效审核量,避免用户频繁到现场查看。
本申请实施例中提出一种异常事件的过滤推荐系统,参见图3所示,为异常事件的过滤推荐系统的示意图,该过滤推荐系统可以包括用户模型管理模块、事件模型管理模块和推荐模块。针对用户模型管理模块来说,可以收集用户偏好信息(如用户根据自身需求显示提出的已配置偏好,或者,通过采集用户审核数据隐式分析出的审核标签),基于用户偏好信息确定图像过滤参数,并将图像过滤参数发送给推荐模块,由推荐模块基于图像过滤参数对图像进行过滤,将过滤剩余的图像发送给管理平台,避免将大量图像发送给管理平台。
针对事件模型管理模块来说,可以从摄像机获取图像,并检测图像中是否存在异常事件。针对存在异常事件的图像,可以提取图像中的图像特征,将图像特征发送给推荐模块,由推荐模块基于图像特征对图像进行过滤,将过滤剩余的图像发送给管理平台,避免将大量图像发送给管理平台。
针对推荐模块来说,推荐模块可以从用户模型管理模块获得图像过滤参数,从事件模型管理模块获得图像特征,并基于图像过滤参数和图像特征对存在异常事件的图像进行过滤,将符合用户审核习惯的图像发送给管理平台,即将真正有价值的图像发送给管理平台,避免将冗余的大量图像发送给管理平台,减少用户无效审核量,能够有效解决审核冗余、无效事件较多等问题。
参见图4所示,为异常事件的过滤推荐系统的另一示意图,过滤推荐系统可以包括事件模型管理模块、用户模型管理模块和推荐模块。事件模型管理模块可以包括事件检测模块和特征提取模块。用户模型管理模块可以包括用户偏好信息收集模块和用户习惯管理模块。推荐模块可以包括过滤模块和排序模块。
当然,上述模块只是本申请实施例为了方便描述的示例,对这些模块不做限制,只要能够实现这些模块的功能即可,以下对上述各模块的功能进行说明。
第一,事件检测模块。目标场景可以部署多个摄像机(每个摄像机可以称为一个点位),这些摄像机可以采集目标场景的初始图像,并将初始图像发送给事件检测模块。针对每个初始图像,事件检测模块可以检测该初始图像是否存在异常事件,如违章摆摊、违章停车、打架斗殴等异常事件,对此异常事件的类型不做限制。针对存在异常事件的初始图像来说,后续可以称为异常事件图像,事件检测模块可以在异常事件图像上标注异常区域(即异常事件所在区域,如标注矩形框),并给出异常事件的类别,如违章摆摊、违章停车、打架斗殴等,将异常事件图像发送给特征提取模块,由后续各模块基于异常事件图像进行分析和处理。针对不存在异常事件的初始图像,事件检测模块不将初始图像发送给特征提取模块,后续各模块不会基于该初始图像进行分析和处理。
示例性的,事件检测模块可以使用已训练的异常事件检测模型检测初始图像中是否存在异常事件。参见图5A所示,为检测初始图像中是否存在异常事件的示意图,针对每个初始图像,事件检测模块可以将该初始图像输入给异常事件检测模型,由异常事件检测模型对该初始图像进行异常事件检测,得到是否存在异常事件的检测结果。针对存在异常事件的初始图像来说,异常事件检测模型可以在异常事件图像上标注异常区域,并给出异常事件的类别。
其中,异常事件检测模型是采用机器学习技术训练得到的模型,对此异常事件检测模型的训练过程不做限制。异常事件检测模型可以是机器学习模型,如深度学习模型、CNN(Convolutional Neural Networks,卷积神经网络)模型、Transformer(全自注意力网络)模型等,对此异常事件检测模型的类型不做限制,只要该异常事件检测模型能够检测初始图像中是否存在异常事件即可。
第二,特征提取模块。特征提取模块在得到异常事件图像(即存在异常事件的初始图像)后,获取异常事件图像对应的图像特征,如异常事件图像中异常区域对应的图像特征,并基于该图像特征将异常事件图像存储到存储队列。
示例性的,特征提取模块可以使用已训练的特征提取模型从异常事件图像中提取图像特征,参见图5B所示,为从异常事件图像中提取图像特征的示意图。针对每个异常事件图像,特征提取模块可以将该异常事件图像输入给特征提取模型,由特征提取模型从该异常事件图像的异常区域中提取图像特征。
其中,特征提取模型是采用机器学习技术训练得到的模型,对此特征提取模型的训练过程不做限制。特征提取模型可以是机器学习模型,如深度学习模型、CNN模型等,对此特征提取模型的类型不做限制,只要特征提取模型能够从异常事件图像中提取图像特征即可。比如说,特征提取模型为CNN模型,CNN模型可以采用通识模型,如采用ImageNet训练得到的Resnet50。
示例性的,可以为每个摄像机维护一组存储队列,存储队列的数量为至少一个,每个存储队列均包括该摄像机采集的异常事件图像,同一存储队列中的异常事件图像具有相似特征,不同存储队列中的异常事件图像具有不相似特征。
示例性的,特征提取模块采用特征提取模型提取异常事件图像中的图像特征,就用于将具有相似特征的异常事件图像存储到同一存储队列中,并将具有不相似特征的异常事件图像存储到不同存储队列中,从而能够保证同类型的异常事件图像在特征空间足够接近,保证不同类型的异常事件图像在特征空间足够远,这样,便于在构建存储队列时,能够将相似特征的异常事件图像存储到同一存储队列,将不相似特征的异常事件图像存储到不同存储队列。
在一种可能的实施方式中,在得到某个摄像机采集的异常事件图像后,若该摄像机没有对应存储队列,则为该摄像机创建存储队列,将该异常事件图像存储到该存储队列。若该摄像机有对应存储队列,且该异常事件图像的图像特征与该摄像机对应的存储队列的已存储图像特征的相似度大于预设相似度阈值,则将该异常事件图像存储到该存储队列。若该异常事件图像的图像特征与该摄像机对应的所有存储队列的已存储图像特征的相似度均不大于预设相似度阈值,则为该摄像机创建新存储队列,并将该异常事件图像存储到该新存储队列。
参见图5C所示,为各摄像机对应的存储队列的示意图,摄像机1对应存储队列11、存储队列12和存储队列13,摄像机2对应存储队列21和存储队列22。
在得到摄像机2采集的异常事件图像s之后,计算异常事件图像s的图像特征(即通过特征提取模型得到的图像特征)与存储队列21的已存储图像特征的相似度。若该相似度大于预设相似度阈值(可以根据经验配置,对此预设相似度阈值不做限制),则可以将异常事件图像s存储到存储队列21中。
其中,已存储图像特征可以是存储队列21中任一异常事件图像对应的图像特征,也可以是存储队列21中所有异常事件图像对应的图像特征的平均值,还可以是存储队列21中所有异常事件图像对应的图像特征的最大值,还可以是存储队列21中所有异常事件图像对应的图像特征的最小值,对此不做限制。
其中,在将异常事件图像s存储到存储队列21后,还可以更新存储队列21的已存储图像特征,例如,重新计算所有异常事件图像对应的图像特征的平均值(或最大值、最小值),将重新计算的平均值作为更新后的已存储图像特征。
若异常事件图像s的图像特征与存储队列21的已存储图像特征的相似度不大于预设相似度阈值,则计算异常事件图像s的图像特征与存储队列22的已存储图像特征的相似度。若该相似度大于预设相似度阈值,则可以将异常事件图像s存储到存储队列22中。若该相似度不大于预设相似度阈值,则为摄像机2创建新的存储队列23,并将异常事件图像s存储到存储队列23中。
综上所述,基于异常事件图像之间的相似度,能够将相似的异常事件图像归为一个存储队列,并将不相似的异常事件图像归为不同存储队列,也就是说,单一存储队列中的异常事件图像具有相似的图像特征,且都是同一摄像机采集的异常事件图像,这保证单一存储队列中的异常事件图像的相似度足够高。
第三,用户偏好信息收集模块。用户偏好信息收集模块用于收集存储队列对应的用户偏好信息,该用户偏好信息可以是关注偏好或不关注偏好。比如说,若存储队列对应的用户偏好信息是关注偏好,则表示该存储队列中的异常事件图像符合用户审核习惯。若存储队列对应的用户偏好信息是不关注偏好,则表示该存储队列中的异常事件图像不符合用户审核习惯。若存储队列没有对应用户偏好信息,则无法获知该存储队列中的异常事件图像是否符合用户审核习惯。
示例性的,为了收集存储队列对应的用户偏好信息,参见图5D所示,为收集用户偏好信息的示意图,可以采用如下情况收集用户偏好信息:
情况1、根据用户自身需求显示得到已配置偏好,用户偏好信息收集模块获取存储队列对应的已配置偏好,基于已配置偏好确定存储队列对应的用户偏好信息。比如说,若已配置偏好表示关注存储队列中的异常事件图像,则确定该存储队列对应的用户偏好信息是关注偏好;若已配置偏好表示不关注存储队列中的异常事件图像,则确定该存储队列对应的用户偏好信息是不关注偏好。
比如说,用户关注指定类别(如违章停车)的异常事件图像时,可以显示提出自身需求,表示自身关注指定类别的异常事件图像,即已配置偏好表示关注存储队列中的异常事件图像。在此基础上,用户偏好信息收集模块可以获取指定类别对应的存储队列,参见图5C所示,假设存储队列11和存储队列22与指定类别对应(即存储队列11和存储队列22中的异常事件图像的异常事件类别是指定类别),则用户偏好信息收集模块确定存储队列11对应的已配置偏好表示关注存储队列11中的异常事件图像,并确定存储队列11对应的用户偏好信息是关注偏好,确定存储队列22对应的已配置偏好表示关注存储队列22中的异常事件图像,并确定存储队列22对应的用户偏好信息是关注偏好。
又例如,用户不关注指定类别的异常事件图像时,可以显示提出自身需求,表示自身不关注指定类别的异常事件图像,即已配置偏好表示不关注存储队列中的异常事件图像。在此基础上,用户偏好信息收集模块可以获取指定类别对应的存储队列,如存储队列11和存储队列22,确定存储队列11对应的已配置偏好表示不关注存储队列11中的异常事件图像,即存储队列11对应的用户偏好信息是不关注偏好,确定存储队列22对应的已配置偏好表示不关注存储队列22中的异常事件图像,即存储队列22对应的用户偏好信息是不关注偏好。
又例如,用户关注存储队列21中的异常事件图像时,可以显示提出自身需求,表示自身关注存储队列21中的异常事件图像,在此基础上,用户偏好信息收集模块可以确定存储队列21对应的已配置偏好表示关注存储队列21中的异常事件图像,即存储队列21对应的用户偏好信息是关注偏好。
又例如,用户不关注存储队列22中的异常事件图像时,可以显示提出自身需求,表示自身不关注存储队列22中的异常事件图像,在此基础上,用户偏好信息收集模块可以确定存储队列22对应的已配置偏好表示不关注存储队列22中的异常事件图像,即存储队列22对应的用户偏好信息是不关注偏好。
当然,上述只是已配置偏好的几个示例,对此已配置偏好不做限制,只要能够根据用户自身需求显示得到已配置偏好即可,在此不再重复赘述。
情况2、通过采集用户审核数据隐式分析出审核标签,并基于该审核标签确定用户偏好信息,也就是说,用户偏好信息收集模块获取存储队列对应的审核标签,基于该审核标签确定该存储队列对应的用户偏好信息。比如说,若审核标签表示存储队列对应的目标图像被管理平台检测为正报图像,则可以确定该存储队列对应的用户偏好信息是关注偏好;若审核标签表示存储队列对应的目标图像被管理平台检测为误报图像,则可以确定该存储队列对应的用户偏好信息是不关注偏好;若审核标签表示存储队列对应的目标图像未被管理平台进行检测,则可以确定该存储队列对应的用户偏好信息是不关注偏好。
比如说,针对存储队列中的多个异常事件图像来说,可以将该存储队列中的多个异常事件图像发送给管理平台,具体发送过程参见后续实施例,将发送给管理平台的异常事件图像记为目标图像。在将存储队列中的多个目标图像发送给管理平台之后,管理平台上针对目标图像的处理方式包括:
针对某目标图像来说,用户可能在管理平台上对该目标图像进行审核,即核实该目标图像对应的异常事件是否真正存在,即该目标图像被管理平台进行检测。用户也可能不对该目标图像进行审核,即不会核实该目标图像对应的异常事件是否真正存在,即该目标图像未被管理平台进行检测。
在用户核实该目标图像对应的异常事件是否真正存在时,用户可以到现场查看是否真正存在异常事件,对此实现方式不做限制。在审核结束后,若该目标图像对应的异常事件真正存在,则标记该目标图像是正报图像,即目标图像被管理平台检测为正报图像。若该目标图像对应的异常事件不存在,则标记该目标图像是误报图像,即目标图像被管理平台检测为误报图像。
针对某个存储队列11来说,在将存储队列11对应的多个目标图像发送给管理平台之后,若用户在管理平台上对部分目标图像进行审核,且审核结果为至少一个目标图像对应的异常事件真正存在,即至少一个目标图像被管理平台检测为正报图像,那么,用户偏好信息收集模块获取存储队列11对应的审核标签,该审核标签表示存储队列11对应的至少一个目标图像被管理平台检测为正报图像,因此,确定存储队列11对应的用户偏好信息是关注偏好。
针对存储队列12来说,在将存储队列12对应的多个目标图像发送给管理平台之后,若用户在管理平台上对部分目标图像进行审核,且审核结果为k个以上的目标图像对应的异常事件不存在,即k个以上的目标图像被管理平台检测为误报图像,那么,存储队列12对应的审核标签表示存储队列12对应的目标图像被管理平台检测为误报图像,确定存储队列12对应的用户偏好信息是不关注偏好。综上所述,若存在k次以上的误报,则用户偏好信息是不关注偏好。其中,k的取值可以根据经验配置,如k的取值为2、3等,对此不做限制。
针对存储队列13来说,在将存储队列13对应的多个目标图像发送给管理平台之后,若用户在管理平台上未对存储队列13对应的连续m个目标图像进行审核,即存储队列13对应的连续m个目标图像未被管理平台进行检测,那么,存储队列13对应的审核标签就表示存储队列13对应的目标图像未被管理平台进行检测,因此,可以确定存储队列13对应的用户偏好信息是不关注偏好。综上所述,若存在连续m个(或m个以上)的目标图像未被检测,则用户偏好信息是不关注偏好。m的取值可以根据经验配置,如20、30等,对此不做限制。
当然,上述只是审核标签的几个示例,对此不做限制,只要能够通过采集用户审核数据隐式分析出审核标签,并基于审核标签确定用户偏好信息即可。
情况3、若存储队列对应已配置偏好,且该存储队列对应审核标签,那么,基于该已配置偏好和该审核标签确定该存储队列对应的用户偏好信息。
比如说,若已配置偏好表示关注存储队列中的异常事件图像,且审核标签表示存储队列对应的目标图像被管理平台检测为正报图像,则用户偏好信息是关注偏好。若已配置偏好表示关注存储队列中的异常事件图像,且审核标签表示存储队列对应的目标图像被管理平台检测为误报图像,则用户偏好信息是关注偏好。若已配置偏好表示关注存储队列中的异常事件图像,且审核标签表示存储队列对应的目标图像未被管理平台进行检测,则用户偏好信息是关注偏好。若已配置偏好表示不关注存储队列中的异常事件图像,且审核标签表示存储队列对应的目标图像被管理平台检测为正报图像,则用户偏好信息是不关注偏好。若已配置偏好表示不关注存储队列中的异常事件图像,且审核标签表示存储队列对应的目标图像被管理平台检测为误报图像,则用户偏好信息是不关注偏好。若已配置偏好表示不关注存储队列中的异常事件图像,且审核标签表示存储队列对应的目标图像未被管理平台进行检测,则用户偏好信息是不关注偏好。
情况4、若存储队列没有对应已配置偏好,且该存储队列没有对应审核标签,则该存储队列没有对应用户偏好信息,即用户偏好信息不是关注偏好,也不是不关注偏好,无法获知该存储队列中的异常事件图像是否符合用户审核习惯。
综上所述,针对每个存储队列,用户偏好信息收集模块可以收集该存储队列对应的用户偏好信息,该用户偏好信息可以是关注偏好或不关注偏好。
第四,用户习惯管理模块。针对每个存储队列,用户习惯管理模块基于该存储队列对应的用户偏好信息确定该存储队列对应的图像过滤参数,图像过滤参数可以为过滤概率值,表示采用该过滤概率值对该存储队列对应的异常事件图像进行过滤,过滤剩余的图像被发送给管理平台,过滤掉的图像则禁止发送。
示例性的,针对某个存储队列,若该存储队列对应的用户偏好信息是关注偏好,则表示该存储队列对应的异常事件图像符合用户审核习惯,应该将该存储队列对应的异常事件图像发送给管理平台,基于此,确定该存储队列对应的图像过滤参数是第一过滤概率值,该第一过滤概率值可以是比较小的概率值,表示只将该存储队列对应的少量异常事件图像过滤,将该存储队列对应的大量异常事件图像发送给管理平台。比如说,第一过滤概率值可以是5%、2%、1%等,甚至该第一过滤概率值可以是0,表示不对该存储队列对应的异常事件图像进行过滤,将该存储队列对应的所有异常事件图像均发送给管理平台。
针对某个存储队列,若该存储队列对应的用户偏好信息是不关注偏好,则表示该存储队列对应的异常事件图像不符合用户审核习惯,不应该将该存储队列对应的异常事件图像发送给管理平台,基于此,确定该存储队列对应的图像过滤参数是第二过滤概率值,该第二过滤概率值可以是比较大的概率值,表示将该存储队列对应的大量异常事件图像过滤,将该存储队列对应的少量异常事件图像发送给管理平台。比如说,第二过滤概率值可以是95%、98%、99%等,甚至该第二过滤概率值可以是100%,表示对该存储队列对应的所有异常事件图像进行过滤,禁止将该存储队列对应的每个异常事件图像发送给管理平台。
综上可以看出,第二过滤概率值是比较大的概率值,而第一过滤概率值是比较小的概率值,因此,第二过滤概率值可以大于第一过滤概率值,对此第二过滤概率值和第一过滤概率值均不做限制,只要第二过滤概率值大于第一过滤概率值即可,如第二过滤概率值为99%,第一过滤概率值为1%。
针对某个存储队列来说,该存储队列也可能没有对应用户偏好信息,即用户偏好信息不是关注偏好,也不是不关注偏好,无法获知该存储队列中的异常事件图像是否符合用户审核习惯,在此情况下,可以确定该存储队列对应的图像过滤参数是第三过滤概率值,该第三过滤概率值可以是比较小的概率值,表示只将该存储队列对应的少量异常事件图像过滤,将该存储队列对应的大量异常事件图像发送给管理平台,由用户决策是否对异常事件图像进行审核。
其中,第三过滤概率值可以等于第一过滤概率值,且第二过滤概率值可以大于第三过滤概率值,例如,第三过滤概率值可以是5%、2%、1%等,甚至第三过滤概率值可以是0,表示不对该存储队列对应的异常事件图像进行过滤,将该存储队列对应的所有异常事件图像均发送给管理平台,对此不做限制。
或者,第三过滤概率值可以大于第一过滤概率值,第二过滤概率值大于第三过滤概率值,如第三过滤概率值是50%、20%、10%等,对此第三过滤概率值不做限制,第三过滤概率值位于第一过滤概率值与第二过滤概率值之间即可。
综上所述,针对每个存储队列,用户习惯管理模块可以确定该存储队列对应的图像过滤参数,该图像过滤参数可以是第一过滤概率值、或第二过滤概率值、或第三过滤概率值,表示采用该过滤概率值对异常事件图像进行过滤。
在一种可能的实施方式中,由于用户审核习惯会不断变化,即审核标签以及已配置偏好不断更新,因此,可以周期性确定每个存储队列对应的用户偏好信息,并周期性确定每个存储队列对应的图像过滤参数,即每个存储队列对应的用户偏好信息和图像过滤参数,会随着用户审核习惯的变化而不断更新。
在一种可能的实施方式中,各存储队列需要具有不断的更新机制,例如,各存储队列只保留特定时间段(如3个月或6个月等)的异常事件图像。
第五,过滤模块。事件检测模块得到异常事件图像之后,除了将异常事件图像发送给特征提取模块,由特征提取模块将异常事件图像存储到某个存储队列之外,事件检测模块还可以将异常事件图像发送给过滤模块。或者,特征提取模块将异常事件图像存储到某个存储队列之后,还可以将异常事件图像发送给过滤模块。综上所述,过滤模块可以得到异常事件图像,即存在异常事件的图像,为了区分方便,将这个存在异常事件的图像称为目标图像。
针对每个目标图像,过滤模块可以从目标摄像机(即用于采集该目标图像的摄像机)对应的所有存储队列中选取该目标图像对应的目标存储队列(即用于存储该目标图像的存储队列)。基于目标存储队列对应的图像过滤参数确定是否过滤该目标图像。若是,则过滤该目标图像,即禁止将该目标图像发送给管理平台。若否,则将该目标图像发送给管理平台,在将目标图像发送给管理平台时,目标图像上标注有异常区域(如矩形框),且给出异常事件的类别。
示例性的,若目标存储队列对应的图像过滤参数是第一过滤概率值,第一过滤概率值是比较小的概率值,表示将大量异常事件图像发送给管理平台,如2%等,则基于第一过滤概率值生成第一数值区间和第二数值区间,第一数值区间的长度小于第二数值区间的长度,且第一数值区间的长度与总长度(即第一数值区间的长度与第二数值区间的长度之和)的比例为第一过滤概率值,如第一数值区间为[1,2],第二数值区间为[3,100]。在此基础上,针对每个目标图像,可以为该目标图像生成第一随机数,如1-100之间的正整数,若第一随机数与第一数值区间匹配,即第一随机数位于第一数值区间[1,2],则表示需要过滤该目标图像,若第一随机数与第二数值区间匹配,即第一随机数位于第二数值区间[3,100],则表示不需要过滤该目标图像。综上所述,若目标存储队列对应的图像过滤参数是第一过滤概率值,则目标图像以较高的概率向管理平台发送。
若目标存储队列对应的图像过滤参数是第二过滤概率值,第二过滤概率值是比较大的概率值,表示将少量异常事件图像发送给管理平台,如98%等,则基于第二过滤概率值生成第三数值区间和第四数值区间,第三数值区间的长度大于第四数值区间的长度,第三数值区间的长度与总长度(即第三数值区间的长度与第四数值区间的长度之和)的比例为第二过滤概率值,第三数值区间的长度大于第一数值区间的长度,第四数值区间的长度小于第二数值区间的长度,如第三数值区间为[1,98],第四数值区间为[99,100]。在此基础上,针对每个目标图像,为该目标图像生成第二随机数,如1-100之间的正整数,若第二随机数与第三数值区间匹配,即第二随机数位于第三数值区间[1,98],表示需要过滤该目标图像,若第二随机数与第四数值区间匹配,即第二随机数位于第四数值区间[99,100],表示不需要过滤该目标图像。综上,若目标存储队列对应的图像过滤参数是第二过滤概率值,则目标图像以较低的概率向管理平台发送。
若目标存储队列对应的图像过滤参数是第三过滤概率值,如40%等,则基于第三过滤概率值生成第五数值区间和第六数值区间,第五数值区间的长度与总长度(即第五数值区间的长度与第六数值区间的长度之和)的比例为第三过滤概率值,第五数值区间的长度大于第一数值区间的长度且小于第三数值区间的长度,第六数值区间的长度小于第二数值区间的长度且大于第四数值区间的长度,例如,第五数值区间为[1,40],第六数值区间为[41,100]。在此基础上,针对每个目标图像,可以为该目标图像生成第三随机数,如1-100之间的正整数,若第三随机数与第五数值区间匹配,即第三随机数位于第五数值区间[1,40],则表示需要过滤该目标图像,若第三随机数与第六数值区间匹配,即第三随机数位于第六数值区间[41,100],则表示不需要过滤该目标图像。
综上所述,若目标存储队列对应的图像过滤参数是第一过滤概率值,则过滤模块采用较高概率向管理平台发送与目标存储队列对应的目标图像,使得发送给管理平台的目标图像符合用户审核习惯,减少无效审核量。若目标存储队列对应的图像过滤参数是第二过滤概率值,则过滤模块采用较低概率向管理平台发送与目标存储队列对应的目标图像,减少图像发送数量,减少用户审核量。
第六,排序模块。采用过滤模块对所有存储队列的目标图像进行过滤(即已采用过滤概率值对目标对象进行过滤)后,过滤剩余的目标图像的数量可能为多个,这些目标图像已经是需要发送给管理平台的目标图像,不同目标图像可以是对应不同存储队列的目标图像,也可以是对应同一存储队列的目标图像,在此基础上,在将多个目标图像发送给管理平台时,针对每个目标图像,排序模块可以基于该目标图像的图像特征确定该目标图像的发送顺序。基于每个目标图像的发送顺序,排序模块可以将多个目标图像依次发送给管理平台。
示例性的,针对每个目标图像,若该目标图像的图像特征与正报图像的图像特征的相似度大于第一相似度阈值(可以根据经验配置),则排序模块将该目标图像存储到第一发送队列。若该目标图像的图像特征与误报图像的图像特征的相似度大于第二相似度阈值(可以根据经验配置),则排序模块将该目标图像存储到第二发送队列。若该目标图像的图像特征与正报图像的图像特征的相似度不大于第一相似度阈值,且该目标图像的图像特征与误报图像的图像特征的相似度不大于第二相似度阈值,则排序模块将该目标图像存储到第三发送队列。在此基础上,排序模块可以先将第一发送队列中的目标图像发送给管理平台,在发送完成后,排序模块再将第三发送队列中的目标图像发送给管理平台,在发送完成后,排序模块再将第二发送队列中的目标图像发送给管理平台。
比如说,针对过滤剩余的多个目标图像,排序模块还可以根据目标图像对应的采集时刻(即异常事件发生时刻)和用户喜爱度对目标图像进行排序。参见图6所示,为目标图像的排序过程的示意图,排序模块可以维护第一发送队列(也可以称为喜爱池队列)、第三发送队列(也可以称为一般池队列)和第二发送队列(也可以称为厌恶池队列)。其中,第一发送队列用于存储用户喜爱度比较高的目标图像,第二发送队列用于存储用户喜爱度比较差的目标图像。
针对过滤剩余的每个目标图像,若该目标图像的图像特征与正报图像的图像特征的相似度大于第一相似度阈值,则排序模块将该目标图像存储到第一发送队列。其中,参见上述实施例,在用户核实目标图像对应的异常事件是否真正存在时,若目标图像对应的异常事件真正存在,则目标图像是正报图像,且排序模块可以得到正报图像的图像特征。其中,当第一发送队列包括多个目标图像时,可以按照目标图像的图像特征与正报图像的图像特征的相似度,对这些目标图像进行排序,相似度越大,目标图像在第一发送队列中的位置越靠前。
针对过滤剩余的每个目标图像,若该目标图像的图像特征与误报图像的图像特征的相似度大于第二相似度阈值,则排序模块将该目标图像存储到第二发送队列。其中,参见上述实施例,在用户核实目标图像对应的异常事件是否真正存在时,若目标图像对应的异常事件不存在,则目标图像是误报图像,且排序模块可以得到误报图像的图像特征。其中,当第二发送队列包括多个目标图像时,可以按照目标图像的图像特征与误报图像的图像特征的相似度,对这些目标图像进行排序,相似度越大,目标图像在第二发送队列中的位置越靠后。
针对过滤剩余的每个目标图像,若该目标图像的图像特征与正报图像的图像特征的相似度不大于第一相似度阈值,且该目标图像的图像特征与误报图像的图像特征的相似度不大于第二相似度阈值,则表示该目标图像没有明显偏好,排序模块将该目标图像存储到第三发送队列。其中,当第三发送队列包括多个目标图像时,可以按照目标图像对应的采集时刻对这些目标图像进行排序,比如说,针对采集时刻越早的目标图像,在第二发送队列中的位置越靠前。
综上所述,参见图6所示,排序模块可以先将第一发送队列中的目标图像发送给管理平台,在发送第一发送队列中的多个目标图像时,按照这些目标图像的顺序依次发送。在第一发送队列中的目标图像发送完成后,排序模块将第三发送队列中的目标图像发送给管理平台,在发送第三发送队列中的多个目标图像时,按照这些目标图像的顺序依次发送。在第三发送队列中的目标图像发送完成后,排序模块将第二发送队列中的目标图像发送给管理平台,在发送第二发送队列中的多个目标图像时,按照这些目标图像的顺序依次发送。
通过上述发送方式,使得用户能够及时处理自己需要的目标图像(即排序靠前的目标图像),而排序越靠后的目标图像,用户可根据自身情况进行选择性审核,从而减少审核工作量,提高审核效率,提供用户使用感受。
由以上技术方案可见,本申请实施例中,能够将真正有价值的目标图像发送给管理平台,而不是将大量存在异常事件的目标图像均发送给管理平台,避免管理平台存在大量冗余的目标图像,用户可以对少量目标图像进行审核,节约人力资源,节省审核时间。可以基于用户偏好信息确定存储队列对应的图像过滤参数,并基于图像过滤参数确定是否过滤目标图像,从而符合用户的审核习惯,将符合用户审核习惯的目标图像发送给管理平台,避免将冗余的目标图像发送给管理平台,方便用户快速获取到存在异常事件的目标图像,可有效解决审核冗余、无效事件较多等问题,提升异常事件推送的准确率,减少用户的无效审核量,避免用户频繁到现场查看,用户的使用体验比较好。
基于与上述方法同样的申请构思,本申请实施例中提出一种异常事件检测装置,参见图7所示,为所述装置的结构示意图,所述装置可以包括:
获取模块71,用于获取目标摄像机对应的至少一个存储队列,每个存储队列均包括所述目标摄像机采集的异常事件图像;其中,同一存储队列中的异常事件图像具有相似特征,不同存储队列中的异常事件图像具有不相似特征;
确定模块72,用于针对每个存储队列,确定所述存储队列对应的用户偏好信息,并基于所述用户偏好信息确定所述存储队列对应的图像过滤参数;
处理模块73,用于针对所述目标摄像机采集的存在异常事件的目标图像,从所述目标摄像机对应的所有存储队列中选取所述目标图像对应的目标存储队列,并基于所述目标存储队列对应的图像过滤参数确定是否过滤所述目标图像;若是,则过滤所述目标图像;若否,则将所述目标图像发送给管理平台,以使所述管理平台基于所述目标图像进行异常事件检测。
示例性的,所述获取模块71获取目标摄像机对应的至少一个存储队列时具体用于:在得到所述目标摄像机采集的异常事件图像后,若该异常事件图像的图像特征与所述目标摄像机对应的存储队列的已存储图像特征的相似度大于预设相似度阈值(可以根据经验进行配置),则将该异常事件图像存储到该存储队列;或者,若该异常事件图像的图像特征与所述目标摄像机对应的所有存储队列的已存储图像特征的相似度均不大于预设相似度阈值,则为所述目标摄像机创建新存储队列,并将该异常事件图像存储到该新存储队列。
示例性的,所述确定模块72基于所述用户偏好信息确定所述存储队列对应的图像过滤参数时具体用于:若所述用户偏好信息是关注偏好,则确定所述存储队列对应的图像过滤参数是第一过滤概率值;若所述用户偏好信息是不关注偏好,则确定所述存储队列对应的图像过滤参数是第二过滤概率值;其中,所述第二过滤概率值大于所述第一过滤概率值。
示例性的,所述确定模块72确定所述存储队列对应的用户偏好信息时具体用于:获取所述存储队列对应的已配置偏好,基于所述已配置偏好确定所述存储队列对应的用户偏好信息;其中,若所述已配置偏好表示关注所述存储队列中的异常事件图像,则确定用户偏好信息是关注偏好;若所述已配置偏好表示不关注所述存储队列中的异常事件图像,则确定用户偏好信息是不关注偏好;或者,获取所述存储队列对应的审核标签,基于所述审核标签确定所述存储队列对应的用户偏好信息;其中,若所述审核标签表示所述存储队列对应的目标图像被管理平台检测为正报图像,则确定用户偏好信息是关注偏好;若所述审核标签表示所述存储队列对应的目标图像被管理平台检测为误报图像,则确定用户偏好信息是不关注偏好;若所述审核标签表示所述存储队列对应的目标图像未被管理平台进行检测,则确定用户偏好信息是不关注偏好。
示例性的,所述处理模块73基于所述目标存储队列对应的图像过滤参数确定是否过滤所述目标图像时具体用于:若所述目标存储队列对应的图像过滤参数是第一过滤概率值,则基于所述第一过滤概率值生成第一数值区间和第二数值区间;为所述目标图像生成第一随机数,若所述第一随机数与所述第一数值区间匹配,则过滤所述目标图像,若所述第一随机数与所述第二数值区间匹配,则不过滤所述目标图像;若所述目标存储队列对应的图像过滤参数是第二过滤概率值,则基于所述第二过滤概率值生成第三数值区间和第四数值区间;为所述目标图像生成第二随机数,若所述第二随机数与所述第三数值区间匹配,则过滤所述目标图像,若所述第二随机数与所述第四数值区间匹配,则不过滤所述目标图像;其中,所述第三数值区间的长度大于所述第一数值区间的长度;其中,所述第四数值区间的长度小于所述第二数值区间的长度。
示例性的,若过滤剩余的目标图像的数量为多个,所述处理模块73将所述目标图像发送给管理平台时具体用于:针对每个目标图像,基于该目标图像的图像特征确定该目标图像的发送顺序,基于每个目标图像的发送顺序将多个目标图像依次发送给管理平台;其中,所述处理模块基于该目标图像的图像特征确定该目标图像的发送顺序,基于每个目标图像的发送顺序将多个目标图像依次发送给管理平台时具体用于:若该目标图像的图像特征与正报图像的图像特征的相似度大于第一相似度阈值,则将该目标图像存储到第一发送队列;若该目标图像的图像特征与误报图像的图像特征的相似度大于第二相似度阈值,则将该目标图像存储到第二发送队列;若该目标图像的图像特征与正报图像的图像特征的相似度不大于第一相似度阈值,且该目标图像的图像特征与误报图像的图像特征的相似度不大于第二相似度阈值,则将该目标图像存储到第三发送队列;先将第一发送队列中的目标图像发送给管理平台,再将第三发送队列中的目标图像发送给管理平台,再将第二发送队列中的目标图像发送给管理平台。
基于与上述方法同样的申请构思,本申请实施例中提出一种异常事件检测设备,参见图8所示,异常事件检测设备包括处理器81和机器可读存储介质82,机器可读存储介质82存储有能够被处理器81执行的机器可执行指令;处理器81用于执行机器可执行指令,以实现本申请上述示例公开的异常事件检测方法。
基于与上述方法同样的申请构思,本申请实施例还提供一种机器可读存储介质,所述机器可读存储介质上存储有若干计算机指令,所述计算机指令被处理器执行时,能够实现本申请上述示例公开的异常事件检测方法。
其中,上述机器可读存储介质可以是任何电子、磁性、光学或其它物理存储装置,可以包含或存储信息,如可执行指令、数据,等等。例如,机器可读存储介质可以是:RAM(Radom Access Memory,随机存取存储器)、易失存储器、非易失性存储器、闪存、存储驱动器(如硬盘驱动器)、固态硬盘、任何类型的存储盘(如光盘、dvd等),或者类似的存储介质,或者它们的组合。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机,计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可以由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其它可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其它可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
而且,这些计算机程序指令也可以存储在能引导计算机或其它可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或者多个流程和/或方框图一个方框或者多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其它可编程数据处理设备上,使得在计算机或者其它可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其它可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种异常事件检测方法,其特征在于,所述方法包括:
获取目标摄像机对应的至少一个存储队列,每个存储队列均包括所述目标摄像机采集的异常事件图像;其中,同一存储队列中的异常事件图像具有相似特征,不同存储队列中的异常事件图像具有不相似特征;
针对每个存储队列,确定所述存储队列对应的用户偏好信息,并基于所述用户偏好信息确定所述存储队列对应的图像过滤参数;
针对目标摄像机采集的存在异常事件的目标图像,从所述目标摄像机对应的所有存储队列中选取所述目标图像对应的目标存储队列,并基于所述目标存储队列对应的图像过滤参数确定是否过滤所述目标图像;
若是,则过滤所述目标图像。
2.根据权利要求1所述的方法,其特征在于,
所述获取目标摄像机对应的至少一个存储队列,包括:
在得到所述目标摄像机采集的异常事件图像后,若该异常事件图像的图像特征与所述目标摄像机对应的存储队列的已存储图像特征的相似度大于预设相似度阈值,则将该异常事件图像存储到该存储队列;
若该异常事件图像的图像特征与所述目标摄像机对应的所有存储队列的已存储图像特征的相似度均不大于预设相似度阈值,则为所述目标摄像机创建新存储队列,并将该异常事件图像存储到该新存储队列。
3.根据权利要求1所述的方法,其特征在于,
所述基于所述用户偏好信息确定所述存储队列对应的图像过滤参数,包括:
若所述用户偏好信息是关注偏好,确定所述存储队列对应的图像过滤参数是第一过滤概率值;若所述用户偏好信息是不关注偏好,确定所述存储队列对应的图像过滤参数是第二过滤概率值;第二过滤概率值大于第一过滤概率值。
4.根据权利要求1或3所述的方法,其特征在于,
所述确定所述存储队列对应的用户偏好信息,包括:
获取所述存储队列对应的已配置偏好,基于所述已配置偏好确定所述存储队列对应的用户偏好信息;其中,若所述已配置偏好表示关注所述存储队列中的异常事件图像,则确定用户偏好信息是关注偏好;若所述已配置偏好表示不关注所述存储队列中的异常事件图像,则确定用户偏好信息是不关注偏好;
或,获取所述存储队列对应的审核标签,基于所述审核标签确定所述存储队列对应的用户偏好信息;其中,若所述审核标签表示所述存储队列对应的目标图像被管理平台检测为正报图像,则确定用户偏好信息是关注偏好;若所述审核标签表示所述存储队列对应的目标图像被管理平台检测为误报图像,则确定用户偏好信息是不关注偏好;若所述审核标签表示所述存储队列对应的目标图像未被管理平台进行检测,则确定用户偏好信息是不关注偏好。
5.根据权利要求3所述的方法,其特征在于,所述基于所述目标存储队列对应的图像过滤参数确定是否过滤所述目标图像,包括:
若所述目标存储队列对应的图像过滤参数是第一过滤概率值,则基于所述第一过滤概率值生成第一数值区间和第二数值区间;为所述目标图像生成第一随机数,若所述第一随机数与所述第一数值区间匹配,则过滤所述目标图像,若所述第一随机数与所述第二数值区间匹配,则不过滤所述目标图像;
若所述目标存储队列对应的图像过滤参数是第二过滤概率值,则基于所述第二过滤概率值生成第三数值区间和第四数值区间;为所述目标图像生成第二随机数,若所述第二随机数与所述第三数值区间匹配,则过滤所述目标图像,若所述第二随机数与所述第四数值区间匹配,则不过滤所述目标图像;
所述第三数值区间的长度大于所述第一数值区间的长度;
所述第四数值区间的长度小于所述第二数值区间的长度。
6.根据权利要求1所述的方法,其特征在于,若过滤剩余的目标图像的数量为多个,所述将所述目标图像发送给管理平台,包括:
针对每个目标图像,基于该目标图像的图像特征确定该目标图像的发送顺序,基于每个目标图像的发送顺序将多个目标图像依次发送给所述管理平台。
7.根据权利要求6所述的方法,其特征在于,
所述基于该目标图像的图像特征确定该目标图像的发送顺序,基于每个目标图像的发送顺序将多个目标图像依次发送给所述管理平台,包括:
若该目标图像的图像特征与正报图像的图像特征的相似度大于第一相似度阈值,则将该目标图像存储到第一发送队列;若该目标图像的图像特征与误报图像的图像特征的相似度大于第二相似度阈值,则将该目标图像存储到第二发送队列;若该目标图像的图像特征与正报图像的图像特征的相似度不大于第一相似度阈值,且该目标图像的图像特征与误报图像的图像特征的相似度不大于第二相似度阈值,则将该目标图像存储到第三发送队列;
先将第一发送队列中的目标图像发送给管理平台,再将第三发送队列中的目标图像发送给管理平台,再将第二发送队列中的目标图像发送给管理平台。
8.一种异常事件检测装置,其特征在于,所述装置包括:
获取模块,用于获取目标摄像机对应的至少一个存储队列,每个存储队列均包括所述目标摄像机采集的异常事件图像;其中,同一存储队列中的异常事件图像具有相似特征,不同存储队列中的异常事件图像具有不相似特征;
确定模块,用于针对每个存储队列,确定所述存储队列对应的用户偏好信息,并基于所述用户偏好信息确定所述存储队列对应的图像过滤参数;
处理模块,用于针对所述目标摄像机采集的存在异常事件的目标图像,从所述目标摄像机对应的所有存储队列中选取所述目标图像对应的目标存储队列,并基于所述目标存储队列对应的图像过滤参数确定是否过滤所述目标图像;若是,则过滤所述目标图像。
9.根据权利要求8所述的装置,其特征在于,其中,所述获取模块获取目标摄像机对应的至少一个存储队列时具体用于:在得到所述目标摄像机采集的异常事件图像后,若该异常事件图像的图像特征与所述目标摄像机对应的存储队列的已存储图像特征的相似度大于预设相似度阈值,则将该异常事件图像存储到该存储队列;若该异常事件图像的图像特征与所述目标摄像机对应的所有存储队列的已存储图像特征的相似度均不大于预设相似度阈值,则为所述目标摄像机创建新存储队列,并将该异常事件图像存储到该新存储队列;
其中,所述确定模块基于所述用户偏好信息确定所述存储队列对应的图像过滤参数时具体用于:若所述用户偏好信息是关注偏好,则确定所述存储队列对应的图像过滤参数是第一过滤概率值;若所述用户偏好信息是不关注偏好,则确定所述存储队列对应的图像过滤参数是第二过滤概率值;其中,所述第二过滤概率值大于所述第一过滤概率值;
其中,所述确定模块确定所述存储队列对应的用户偏好信息时具体用于:获取所述存储队列对应的已配置偏好,基于所述已配置偏好确定所述存储队列对应的用户偏好信息;其中,若所述已配置偏好表示关注所述存储队列中的异常事件图像,则确定用户偏好信息是关注偏好;若所述已配置偏好表示不关注所述存储队列中的异常事件图像,则确定用户偏好信息是不关注偏好;或者,获取所述存储队列对应的审核标签,基于所述审核标签确定所述存储队列对应的用户偏好信息;其中,若所述审核标签表示所述存储队列对应的目标图像被管理平台检测为正报图像,则确定用户偏好信息是关注偏好;若所述审核标签表示所述存储队列对应的目标图像被管理平台检测为误报图像,则确定用户偏好信息是不关注偏好;若所述审核标签表示所述存储队列对应的目标图像未被管理平台进行检测,则确定用户偏好信息是不关注偏好;
其中,所述处理模块基于所述目标存储队列对应的图像过滤参数确定是否过滤所述目标图像时具体用于:若所述目标存储队列对应的图像过滤参数是第一过滤概率值,则基于所述第一过滤概率值生成第一数值区间和第二数值区间;为所述目标图像生成第一随机数,若所述第一随机数与所述第一数值区间匹配,则过滤所述目标图像,若所述第一随机数与所述第二数值区间匹配,则不过滤所述目标图像;若所述目标存储队列对应的图像过滤参数是第二过滤概率值,则基于所述第二过滤概率值生成第三数值区间和第四数值区间;为所述目标图像生成第二随机数,若所述第二随机数与所述第三数值区间匹配,则过滤所述目标图像,若所述第二随机数与所述第四数值区间匹配,则不过滤所述目标图像;其中,所述第三数值区间的长度大于所述第一数值区间的长度;其中,所述第四数值区间的长度小于所述第二数值区间的长度;
其中,若过滤剩余的目标图像的数量为多个,所述处理模块将所述目标图像发送给管理平台时具体用于:针对每个目标图像,基于该目标图像的图像特征确定该目标图像的发送顺序,基于每个目标图像的发送顺序将多个目标图像依次发送给管理平台;其中,所述处理模块基于该目标图像的图像特征确定该目标图像的发送顺序,基于每个目标图像的发送顺序将多个目标图像依次发送给管理平台时具体用于:若该目标图像的图像特征与正报图像的图像特征的相似度大于第一相似度阈值,则将该目标图像存储到第一发送队列;若该目标图像的图像特征与误报图像的图像特征的相似度大于第二相似度阈值,则将该目标图像存储到第二发送队列;若该目标图像的图像特征与正报图像的图像特征的相似度不大于第一相似度阈值,且该目标图像的图像特征与误报图像的图像特征的相似度不大于第二相似度阈值,则将该目标图像存储到第三发送队列;先将第一发送队列中的目标图像发送给管理平台,再将第三发送队列中的目标图像发送给管理平台,再将第二发送队列中的目标图像发送给管理平台。
10.一种异常事件检测设备,其特征在于,包括:处理器和机器可读存储介质,所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令;所述处理器用于执行机器可执行指令,以实现权利要求1-7任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111467963.9A CN114359783A (zh) | 2021-12-03 | 2021-12-03 | 一种异常事件检测方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111467963.9A CN114359783A (zh) | 2021-12-03 | 2021-12-03 | 一种异常事件检测方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114359783A true CN114359783A (zh) | 2022-04-15 |
Family
ID=81097033
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111467963.9A Pending CN114359783A (zh) | 2021-12-03 | 2021-12-03 | 一种异常事件检测方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114359783A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115629890A (zh) * | 2022-10-27 | 2023-01-20 | 圣名科技(广州)有限责任公司 | 传感器数据采集方法及装置、电子设备 |
-
2021
- 2021-12-03 CN CN202111467963.9A patent/CN114359783A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115629890A (zh) * | 2022-10-27 | 2023-01-20 | 圣名科技(广州)有限责任公司 | 传感器数据采集方法及装置、电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112860943A (zh) | 一种教学视频审核方法、装置、设备及介质 | |
CN111898581A (zh) | 动物检测方法、装置、电子设备及可读存储介质 | |
CN112348117A (zh) | 场景识别方法、装置、计算机设备和存储介质 | |
CN112200081A (zh) | 异常行为识别方法、装置、电子设备及存储介质 | |
CN111522987A (zh) | 一种图像审核方法、设备及计算机可读存储介质 | |
US20170337426A1 (en) | Method for analyzing video data | |
CN106537387B (zh) | 检索/存储与事件相关联的图像 | |
CN112784740B (zh) | 步态数据的采集与标注方法及应用 | |
CN110096606B (zh) | 一种外籍人员管理方法、装置和电子设备 | |
CN111814690A (zh) | 一种目标重识别方法、装置和计算机可读存储介质 | |
CN111209446A (zh) | 一种人员检索信息的呈现方法、装置和电子设备 | |
Uganya et al. | Crime Scene Object Detection from Surveillance Video by using Tiny YOLO Algorithm | |
CN112699758A (zh) | 基于动态手势识别的手语翻译方法、装置、计算机设备及存储介质 | |
CN114359783A (zh) | 一种异常事件检测方法、装置及设备 | |
CN111753642B (zh) | 一种确定关键帧的方法及装置 | |
CN112365269A (zh) | 风险检测方法、装置、设备以及存储介质 | |
CN105930430B (zh) | 一种基于非累积属性的实时欺诈检测方法及装置 | |
CN112001280A (zh) | 一种实时、可在线优化的人脸识别系统和方法 | |
CN113158953B (zh) | 一种人员查找方法、装置、设备及介质 | |
CN112035726B (zh) | 商标注册的方法及装置 | |
CN114817607A (zh) | 一种图像检测方法、装置、设备及存储介质 | |
CN114612246A (zh) | 对象集合识别方法、装置、计算机设备及存储介质 | |
CN113837091A (zh) | 识别方法、装置、电子设备及计算机可读存储介质 | |
CN113012006A (zh) | 一种智能侦查研判方法、系统、计算机设备及存储介质 | |
CN113011576A (zh) | 识别案件类型的方法及装置 |
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 |