CN114677652A - 一种违法行为监控方法及装置 - Google Patents
一种违法行为监控方法及装置 Download PDFInfo
- Publication number
- CN114677652A CN114677652A CN202210596393.1A CN202210596393A CN114677652A CN 114677652 A CN114677652 A CN 114677652A CN 202210596393 A CN202210596393 A CN 202210596393A CN 114677652 A CN114677652 A CN 114677652A
- Authority
- CN
- China
- Prior art keywords
- pixel
- waveform
- monitoring
- optimized
- illegal behavior
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,一种违法行为监控方法及装置,包括:获取监控视频,根据预设的时间间隔对所述监控视频的像素执行插值处理,得到插值像素集,根据所述插值像素集在所述监控视频的像素位置建立像素波形,根据所述像素波形建立像素优化函数,依据所述像素优化函数的最小化原则优化所述像素波形,得到优化波形,将所述优化波形对应的插值像素组合得到优化视频,将所述优化视频输入至已优化的所述违法行为识别模型,产生违法行为识别结果。本发明可解决违法行为识别准确率较低的问题。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种违法行为监控方法及装置。
背景技术
伴随人工智能的普及,利用人工智能技术提高生活生产及管理的安全性也变得极受重视,特别地,利用人工智能技术监控行人车辆等违法行为是重要的一个方向。
目前基于人工智能技术监控行人车辆等违法行为主要使用卷积神经网络,通过训练卷积神经网络具备违法行为识别能力后,将未知的监控视频输入至训练完成的卷积神经网络,从而完成智能识别。基于人工智能的违法行为监控识别虽然具备一定普适性,但由于大部分监控视频受到监控设备拍摄影响,容易产生畸变等影响,从而导致违法行为识别准确率较低的问题。
发明内容
本发明提供一种违法行为监控方法、装置及计算机可读存储介质,其主要目的在于解决违法行为识别准确率较低的问题。
为实现上述目的,本发明提供的一种违法行为监控方法,包括:
获取监控视频,根据预设的时间间隔对所述监控视频的像素执行插值处理,得到插值像素集;
根据所述插值像素集在所述监控视频的像素位置建立像素波形,根据所述像素波形建立像素优化函数;
依据所述像素优化函数的最小化原则优化所述像素波形,得到优化波形;
将所述优化波形对应的插值像素组合得到优化视频;
接收预构建的图像训练集及对应的违法行为真实标签集,将所述图像训练集输入至预构建的待优化的违法行为识别模型执行违法行为识别,得到违法行为预测标签集,比较所述违法行为真实标签集与所述违法行为预测标签集的差异值,利用所述差异值调节待优化的违法行为识别模型的模型参数,得到已优化的违法行为识别模型;
将所述优化视频输入至已优化的所述违法行为识别模型,产生违法行为识别结果。
可选地,所述根据预设的时间间隔对所述监控视频的像素执行插值处理,得到插值像素集,包括:
将所述监控视频按照每一帧监控图像出现的时间顺序执行排序,得到监控图像集;
接收用户设定的所述时间间隔,根据所述时间间隔对所述监控图像集执行等距采样,得到等时间间隔的监控图像集;
依次提取等时间间隔的每张监控图像中每个像素点,并将每个像素点映射至预构建的坐标系中,得到监控像素集;
根据牛顿插值法对所述监控像素集执行插值处理,得到所述插值像素集。
可选地,所述将每个像素点映射至预构建的坐标系中,得到监控像素集,包括:
根据等时间间隔的所述监控图像集的图像数量,确定所述坐标系其中一个轴的轴长,其中所述坐标系为三维坐标系;
依次将所述监控图像集中的监控图像按照所述轴长依次排列,得到包括所述监控图像集的坐标系;
确定每个像素点在包括所述监控图像集的坐标系位置及像素值,根据所述坐标系位置及像素值组合得到所述监控像素集。
可选地,所述根据所述插值像素集在所述监控视频的像素位置建立像素波形,包括:
从所述插值像素集中提取像素值,从所述坐标系位置中提取X轴值和Y轴值;
根据所述X轴值及Y轴值建立位置横坐标;
将所述像素值作为竖坐标,结合所述位置横坐标,建立得到所述像素波形。
可选地,所述根据所述像素波形建立像素优化函数,包括:
提取所述像素波形的波形峰值、波形半宽和波形中心数值,得到像素波形参数;
利用所述像素波形参数建立所述像素波形的波形优化函数;
对所述波形优化函数执行泰勒展开,得到波形展开函数;
利用所述波形展开函数构建得到所述像素优化函数。
可选地,所述波形优化函数为:
可选地,所述对所述波形优化函数执行泰勒展开,得到波形展开函数,包括:
采用如下泰勒展开公式对所述波形优化函数执行泰勒展开:
其中,P指完成泰勒展开后的像素波形的波形峰值,波形中心和波形半宽, N指所
有像素波形的个数,m指所有所述像素波形的参数个数,指所述波形展开函数,
指第个所述像素波形的泰勒展开后的监控时间值,分别指所述像素波形执行
完泰勒展开后第一个分波的波形峰值,波形中心和波形半宽的值,分别指所述
像素波形执行完泰勒展开后第二个分波的波形峰值,波形中心和波形半宽的值,指所
述像素波形执行完泰勒展开后第m个分波的波形峰值,波形中心和波形半宽的值,指所
述像素波形参数。
可选地,所述依据所述像素优化函数的最小化原则优化所述像素波形,得到优化波形,包括:
对所述像素优化函数求偏导,得到所述像素优化函数的一阶偏导与二阶偏导;
根据所述一阶偏导与二阶偏导建立最优化函数,根据所述最优化函数优化所述像素优化函数的参数,得到最优参数;
根据所述最优参数求解所述像素优化函数,得到所述优化波形。
可选地,所述预构建的待优化的违法行为识别模型,包括:
从预训练完成的BP神经网络中提取输入层;
接收用户输入的隐藏层数量值和卷积层数量值,从所述BP神经网络中提取与所述隐藏层数量值相同数量的所述隐藏层;
从预训练完成的卷积神经网络中提取与所述卷积层数量值相同数量的所述卷积层;
接收用户指定的激活函数,构建包括所述激活函数的输出层;
按照输入层在前,隐藏层、卷积层在中间及输出层在尾的结构构建得到所述待优化的违法行为识别模型。
为了解决上述问题,本发明还提供一种违法行为监控装置,所述装置包括:
像素插值模块,用于获取监控视频,根据预设的时间间隔对所述监控视频的像素执行插值处理,得到插值像素集;
优化函数构建模块,用于根据所述插值像素集在所述监控视频的像素位置建立像素波形,根据所述像素波形建立像素优化函数;
优化视频构建模块,用于依据所述像素优化函数的最小化原则优化所述像素波形,得到优化波形,将所述优化波形对应的插值像素组合得到优化视频;
模型训练模块,用于接收预构建的图像训练集及对应的违法行为真实标签集,将所述图像训练集输入至预构建的待优化的违法行为识别模型执行违法行为识别,得到违法行为预测标签集,比较所述违法行为真实标签集与所述违法行为预测标签集的差异值,利用所述差异值调节待优化的违法行为识别模型的模型参数,得到已优化的违法行为识别模型;
违法行为识别模块,用于将所述优化视频输入至已优化的所述违法行为识别模型,产生违法行为识别结果。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现上述所述的违法行为监控方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的违法行为监控方法。
本发明实施例为解决背景技术所述问题,先获取监控视频,根据预设的时间间隔对所述监控视频的像素执行插值处理,得到插值像素集,根据所述插值像素集在所述监控视频的像素位置建立像素波形,根据所述像素波形建立像素优化函数,依据所述像素优化函数的最小化原则优化所述像素波形,得到优化波形,将所述优化波形对应的插值像素组合得到优化视频,可见本发明实施例并非直接将监控视频输入至训练完成的违法行为识别模型中,而是先通过插值处理并构建出像素波形,由于部分监控图像因监控设备畸变等原因,可能存在图像失真畸变等问题,因此部分像素点需要通过插值处理以矫正该异常现象,从而得到能准备表示监控画面的像素波形,进一步地,构建与所述像素波形对应的优化函数,通过数学无限逼近原理,最小化优化函数可最大可能的减少像素波形的误差,进而生成优化波形,优化波形可更加精准的代表监控图像的像素集,因此最后通过优化波形重新组合所得到的优化视频,相比于原来的监控视频来说,像素更准确,图像失真畸变等得到改进,因此提高后续模型的违法行为识别准确率。
故本发明提出的违法行为监控方法、装置、电子设备及计算机可读存储介质,可以解决违法行为识别准确率较低的问题。
附图说明
图1为本发明一实施例提供的违法行为监控方法的流程示意图;
图2为图1中其中一个步骤的详细实施流程示意图;
图3为图1中另一个步骤的详细实施流程示意图;
图4为本发明一实施例提供的违法行为监控装置的功能模块图;
图5为本发明一实施例提供的实现所述违法行为监控方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种违法行为监控方法。所述违法行为监控方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述违法行为监控方法可以由安装在终端设备或服务端设备的软件或硬件来执行。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示,为本发明一实施例提供的违法行为监控方法的流程示意图。在本实施例中,所述违法行为监控方法包括:
S1、获取监控视频,根据预设的时间间隔对所述监控视频的像素执行插值处理,得到插值像素集。
本发明实施例中,主要目的是对监控视频中的违法行为执行智能识别。示例性的,如监控视频中有人红灯时穿越马路,则会智能识别该违法行为。
需解释的是,目前关于智能识别的模型及算法已经较为成熟,特别地,如基于卷积神经网络的违法行为识别模型等,本发明实施例为进一步提高后续模型的识别精度,故在违法行为识别之前先优化监控视频。
详细地,参阅图2所示,所述根据预设的时间间隔对所述监控视频的像素执行插值处理,得到插值像素集,包括:
S11、将所述监控视频按照每一帧监控图像出现的时间顺序执行排序,得到监控图像集;
S12、接收用户设定的所述时间间隔,根据所述时间间隔对所述监控图像集执行等距采样,得到等时间间隔的监控图像集;
S13、依次提取等时间间隔的每张监控图像中每个像素点,并将每个像素点映射至预构建的坐标系中,得到监控像素集;
S14、根据牛顿插值法对所述监控像素集执行插值处理,得到所述插值像素集。
示例性的,如某人行道的监控视频共有三分钟,平均每一分钟的拍摄帧率为30帧每秒,则3分钟的监控视频共有3*60*30,共5400张监控图像。由于过于密集的监控图像不利于违法行为监控,因此先接收用户设定的时间间隔,如每秒取10帧,则依次执行等距采样,得到等时间间隔的监控图像集,即上述5400张监控图像变为1800张监控图像。
进一步地,监控图像由若干像素点组成,且每个像素点的像素值及在图像中的像素位置各不相同,因此详细地,所述将每个像素点映射至预构建的坐标系中,得到监控像素集,包括:
根据等时间间隔的所述监控图像集的图像数量,确定所述坐标系其中一个轴的轴长,其中所述坐标系为三维坐标系;
依次将所述监控图像集中的监控图像按照所述轴长依次排列,得到包括所述监控图像集的坐标系;
确定每个像素点在包括所述监控图像集的坐标系位置及像素值,根据所述坐标系位置及像素值组合得到所述监控像素集。
可理解的是,本发明实施例所述坐标系可为三维坐标系,示例性的,上述共1800张监控图像,则确定Z轴的轴长为1800,即每个刻度排列一张监控图像,每张监控图像的像素点通过坐标系的X轴和Y轴显示。
如第72张监控图像存在一个监控像素的位置及像素值可表示为(3,7,72,187),其中(3,7,72)表示Z轴第72张监控图像的像素点位置为(3,7),其像素点的值为187。
本发明实施例中,由于部分监控图像因监控设备畸变等原因,由于存在图像失真的问题,因此部分像素点需要通过插值处理以矫正畸变等现象,本发明实施例中,所述插值处理可采用牛顿插值法。
S2、根据所述插值像素集在所述监控视频的像素位置建立像素波形,根据所述像素波形建立像素优化函数。
需解释的是,监控视频中经常存在畸变、变形等原因而导致人物、车辆变形或因天气、遮挡等原因突然影响拍摄效果,因此需要对监控视频的像素执行优化处理。
详细地,所述根据所述插值像素集在所述监控视频的像素位置建立像素波形,包括:
从所述插值像素集中提取像素值,从所述坐标系位置中提取X轴值和Y轴值;
根据所述X轴值及Y轴值建立位置横坐标;
将所述像素值作为竖坐标,结合所述位置横坐标,建立得到所述像素波形。
示例性的,如上述第72张监控图像共有1000个像素点,其中一个像素点的位置及像素值为(3,7,72,187),则X轴值和Y轴值分别为3和7,通过预构建的映射关系,以X轴值和Y轴值为自变量可映射得到位置横坐标为8,则表示位置横坐标为8的像素值为187,以此类推,可以得到第72张监控图像完整的像素波形。
进一步地,参阅图3所示,所述根据所述像素波形建立像素优化函数,包括:
S21、提取所述像素波形的波形峰值、波形半宽和波形中心数值,得到像素波形参数;
S22、利用所述像素波形参数建立所述像素波形的波形优化函数;
S23、对所述波形优化函数执行泰勒展开,得到波形展开函数;
S24、利用所述波形展开函数构建得到所述像素优化函数。
详细地,所述波形优化函数为:
详细地,所述对所述波形优化函数执行泰勒展开,得到波形展开函数,包括:
采用如下泰勒展开公式对所述波形优化函数执行泰勒展开:
其中,P指完成泰勒展开后的像素波形的波形峰值,波形中心和波形半宽, N指所
有像素波形的个数,m指所有所述像素波形的参数个数,指所述波形展开函数,
指第个所述像素波形的泰勒展开后的监控时间值,分别指所述像素波形执行
完泰勒展开后第一个分波的波形峰值,波形中心和波形半宽的值,分别指所述
像素波形执行完泰勒展开后第二个分波的波形峰值,波形中心和波形半宽的值,依次类推
得到,指所述像素波形参数,包括。
需解释的是,在像素波形中存在波峰和波谷,当第一次出现波峰和波谷所在的波形区间即为第一个分波。可理解的是,监控视频中由于存在畸变或像素误差等原因,经常会出现波峰及波谷,因此在像素波形中会逐渐出现第一个分波、第二个分波,以此类推。
进一步地,所述利用所述波形展开函数构建得到所述像素优化函数,包括:
其中,指优化后的所述像素波形的第个波形值,为预设的拟合参数,使目的
是使所述像素优化函数更具健壮性。指所述像素波形执行完泰勒展开后第个分波的波
形峰值,波形中心和波形半宽的值,指第个分在所述像素波形时对应的像素波形参
数,为优化后的像素值。
S3、依据所述像素优化函数的最小化原则优化所述像素波形,得到优化波形。
详细地,所述依据所述像素优化函数的最小化原则优化所述像素波形,得到优化波形,包括:
对所述像素优化函数求偏导,得到所述像素优化函数的一阶偏导与二阶偏导;
根据所述一阶偏导与二阶偏导建立最优化函数,根据所述最优化函数优化所述像素优化函数的参数,得到最优参数;
根据所述最优参数求解所述像素优化函数,得到所述优化波形。
本发明实施例中,所述最优化函数可以梯度下降算法为原型,结合所述一阶偏导
与二阶偏导构建得到包括梯度下降算法的最优化函数。进一步地,通过最优化函数可优化
包括等参数,从而求解得到对应的最优参数,进而将最优参数带入至所述像素优化函
数,求解得到所述优化波形。
S4、将所述优化波形对应的插值像素组合得到优化视频。
可理解的是,每个优化波形均由经过插值处理后的像素组成,即为插值像素,因此按照每个插值像素在原来监控视频的位置重新组合,得到所述优化视频。
S5、接收预构建的图像训练集及对应的违法行为真实标签集,将所述图像训练集输入至预构建的待优化的违法行为识别模型执行违法行为识别,得到违法行为预测标签集,比较所述违法行为真实标签集与所述违法行为预测标签集的差异值,利用所述差异值调节待优化的违法行为识别模型的模型参数,得到已优化的违法行为识别模型。
本发明实施例中,所述图像训练集包括违法行为和正常行为的图片,其中违法行为包括横穿马路、闯红绿灯等。真实标签集中记录每张图像是否为违法图片。
详细地,所述预构建的待优化的违法行为识别模型,包括:
从预训练完成的BP神经网络中提取输入层;
接收用户输入的隐藏层数量值和卷积层数量值,从所述BP神经网络中提取与所述隐藏层数量值相同数量的所述隐藏层;
从预训练完成的卷积神经网络中提取与所述卷积层数量值相同数量的所述卷积层;
接收用户指定的激活函数,构建包括所述激活函数的输出层;
按照输入层在前,隐藏层、卷积层在中间及输出层在尾的结构构建得到所述待优化的违法行为识别模型。
需解释的是,BP神经网络是一种多层的前馈神经网络,其主要的特点是数据(如本发明实施例的图片)是前向传播的,而误差是反向传播的。主要包括输入层和隐藏层,因此本发明实施例从BP神经网络中提取出输入层。卷积神经网络(Convolutional NeuralNetworks, CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(FeedforwardNeural Networks),是深度学习(deep learning)的代表算法之一。
由于激活层和卷积层的层数会影响深度学习模型的表现,因此本发明实施例先接收用户指定的激活函数和卷积层数量值,分别从BP神经网络和卷积神经网络中提取相同数量的激活层和卷积层。
此外,本发明实施例所述激活函数包括但不限于SOFTMAX函数、tanh函数、ReLU函数等。
本发明实施例中,利用梯度下降算法结合所述差异值,调节待优化的违法行为识别模型的模型参数,得到已优化的违法行为识别模型。
S6、将所述优化视频输入至已优化的所述违法行为识别模型,产生违法行为识别结果。
进一步地,将优化视频输入至已优化的违法行为识别模型,通过已优化的所述违法行为识别模型的计算能力,可识别出该优化视频中是否有违法行为。
本发明实施例为解决背景技术所述问题,先获取监控视频,根据预设的时间间隔对所述监控视频的像素执行插值处理,得到插值像素集,根据所述插值像素集在所述监控视频的像素位置建立像素波形,根据所述像素波形建立像素优化函数,依据所述像素优化函数的最小化原则优化所述像素波形,得到优化波形,将所述优化波形对应的插值像素组合得到优化视频,可见本发明实施例并非直接将监控视频输入至训练完成的违法行为识别模型中,而是先通过插值处理并构建出像素波形,由于部分监控图像因监控设备畸变等原因,可能存在图像失真畸变等问题,因此部分像素点需要通过插值处理以矫正该异常现象,从而得到能准备表示监控画面的像素波形,进一步地,构建与所述像素波形对应的优化函数,通过数学无限逼近原理,最小化优化函数可最大可能的减少像素波形的误差,进而生成优化波形,优化波形可更加精准的代表监控图像的像素集,因此最后通过优化波形重新组合所得到的优化视频,相比于原来的监控视频来说,像素更准确,图像失真畸变等得到改进,因此提高后续模型的违法行为识别准确率
因此本发明提出的违法行为监控方法、装置、电子设备及计算机可读存储介质,可以解决违法行为识别准确率较低的问题。
如图4所示,是本发明一实施例提供的违法行为监控装置的功能模块图。
本发明所述违法行为监控装置100可以安装于电子设备中。根据实现的功能,所述违法行为监控装置100可以包括像素插值模块101、优化函数构建模块102、优化视频构建模块103、模型训练模块104及违法行为识别模块105。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
所述像素插值模块101,用于获取监控视频,根据预设的时间间隔对所述监控视频的像素执行插值处理,得到插值像素集;
所述优化函数构建模块102,用于根据所述插值像素集在所述监控视频的像素位置建立像素波形,根据所述像素波形建立像素优化函数;
所述优化视频构建模块103,用于依据所述像素优化函数的最小化原则优化所述像素波形,得到优化波形,将所述优化波形对应的插值像素组合得到优化视频;
所述模型训练模块104,用于接收预构建的图像训练集及对应的违法行为真实标签集,将所述图像训练集输入至预构建的待优化的违法行为识别模型执行违法行为识别,得到违法行为预测标签集,比较所述违法行为真实标签集与所述违法行为预测标签集的差异值,利用所述差异值调节待优化的违法行为识别模型的模型参数,得到已优化的违法行为识别模型;
所述违法行为识别模块105,用于将所述优化视频输入至已优化的所述违法行为识别模型,产生违法行为识别结果。
详细地,本发明实施例中所述违法行为监控装置100中的所述各模块的使用具体实施方式与实施例1相同,在此不再赘述。
如图5所示,是本发明一实施例提供的实现违法行为监控方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线12,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如违法行为监控方法程序。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card, SMC)、安全数字(SecureDigital, SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如违法行为监控方法程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如违法行为监控方法程序等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线12可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线12可以分为地址总线、数据总线、控制总线等。所述总线12被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图5仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图5示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的违法行为监控方法程序是多个指令的组合,在所述处理器10中运行时,可以实现:
获取监控视频,根据预设的时间间隔对所述监控视频的像素执行插值处理,得到插值像素集;
根据所述插值像素集在所述监控视频的像素位置建立像素波形;
根据所述像素波形建立像素优化函数;
依据所述像素优化函数的最小化原则优化所述像素波形,得到优化波形,将所述优化波形对应的插值像素组合得到优化视频;
接收预构建的图像训练集及对应的违法行为真实标签集,将所述图像训练集输入至预构建的待优化的违法行为识别模型执行违法行为识别,得到违法行为预测标签集,比较所述违法行为真实标签集与所述违法行为预测标签集的差异值,利用所述差异值调节待优化的违法行为识别模型的模型参数,得到已优化的违法行为识别模型;
将所述优化视频输入至已优化的所述违法行为识别模型,产生违法行为识别结果。
具体地,所述处理器10对上述指令的具体实现方法可参考图1至图5对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/单元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,可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取监控视频,根据预设的时间间隔对所述监控视频的像素执行插值处理,得到插值像素集;
根据所述插值像素集在所述监控视频的像素位置建立像素波形;
根据所述像素波形建立像素优化函数;
依据所述像素优化函数的最小化原则优化所述像素波形,得到优化波形,将所述优化波形对应的插值像素组合得到优化视频;
接收预构建的图像训练集及对应的违法行为真实标签集,将所述图像训练集输入至预构建的待优化的违法行为识别模型执行违法行为识别,得到违法行为预测标签集,比较所述违法行为真实标签集与所述违法行为预测标签集的差异值,利用所述差异值调节待优化的违法行为识别模型的模型参数,得到已优化的违法行为识别模型;
将所述优化视频输入至已优化的所述违法行为识别模型,产生违法行为识别结果。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块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。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种违法行为监控方法,其特征在于,所述方法包括:
获取监控视频,根据预设的时间间隔对所述监控视频的像素执行插值处理,得到插值像素集;
根据所述插值像素集在所述监控视频的像素位置建立像素波形,根据所述像素波形建立像素优化函数;
依据所述像素优化函数的最小化原则优化所述像素波形,得到优化波形;
将所述优化波形对应的插值像素组合得到优化视频;
接收预构建的图像训练集及对应的违法行为真实标签集,将所述图像训练集输入至预构建的待优化的违法行为识别模型执行违法行为识别,得到违法行为预测标签集,比较所述违法行为真实标签集与所述违法行为预测标签集的差异值,利用所述差异值调节待优化的违法行为识别模型的模型参数,得到已优化的违法行为识别模型;
将所述优化视频输入至已优化的所述违法行为识别模型,产生违法行为识别结果。
2.如权利要求1所述的违法行为监控方法,其特征在于,所述根据预设的时间间隔对所述监控视频的像素执行插值处理,得到插值像素集,包括:
将所述监控视频按照每一帧监控图像出现的时间顺序执行排序,得到监控图像集;
接收用户设定的所述时间间隔,根据所述时间间隔对所述监控图像集执行等距采样,得到等时间间隔的监控图像集;
依次提取等时间间隔的每张监控图像中每个像素点,并将每个像素点映射至预构建的坐标系中,得到监控像素集;
根据牛顿插值法对所述监控像素集执行插值处理,得到所述插值像素集。
3.如权利要求2所述的违法行为监控方法,其特征在于,所述将每个像素点映射至预构建的坐标系中,得到监控像素集,包括:
根据等时间间隔的所述监控图像集的图像数量,确定所述坐标系其中一个轴的轴长,其中所述坐标系为三维坐标系;
依次将所述监控图像集中的监控图像按照所述轴长依次排列,得到包括所述监控图像集的坐标系;
确定每个像素点在包括所述监控图像集的坐标系位置及像素值,根据所述坐标系位置及像素值组合得到所述监控像素集。
4.如权利要求3所述的违法行为监控方法,其特征在于,所述根据所述插值像素集在所述监控视频的像素位置建立像素波形,包括:
从所述插值像素集中提取像素值,从所述坐标系位置中提取X轴值和Y轴值;
根据所述X轴值及Y轴值建立位置横坐标;
将所述像素值作为竖坐标,结合所述位置横坐标,建立得到所述像素波形。
5.如权利要求4所述的违法行为监控方法,其特征在于,所述根据所述像素波形建立像素优化函数,包括:
提取所述像素波形的波形峰值、波形半宽和波形中心数值,得到像素波形参数;
利用所述像素波形参数建立所述像素波形的波形优化函数;
对所述波形优化函数执行泰勒展开,得到波形展开函数;
利用所述波形展开函数构建得到所述像素优化函数。
7.如权利要求6所述的违法行为监控方法,其特征在于,所述对所述波形优化函数执行泰勒展开,得到波形展开函数,包括:
采用如下泰勒展开公式对所述波形优化函数执行泰勒展开:
8.如权利要求7所述的违法行为监控方法,其特征在于,所述依据所述像素优化函数的最小化原则优化所述像素波形,得到优化波形,包括:
对所述像素优化函数求偏导,得到所述像素优化函数的一阶偏导与二阶偏导;
根据所述一阶偏导与二阶偏导建立最优化函数,根据所述最优化函数优化所述像素优化函数的参数,得到最优参数;
根据所述最优参数求解所述像素优化函数,得到所述优化波形。
9.如权利要求1所述的违法行为监控方法,其特征在于,所述预构建的待优化的违法行为识别模型,包括:
从预训练完成的BP神经网络中提取输入层;
接收用户输入的隐藏层数量值和卷积层数量值,从所述BP神经网络中提取与所述隐藏层数量值相同数量的所述隐藏层;
从预训练完成的卷积神经网络中提取与所述卷积层数量值相同数量的所述卷积层;
接收用户指定的激活函数,构建包括所述激活函数的输出层;
按照输入层在前,隐藏层、卷积层在中间及输出层在尾的结构构建得到所述待优化的违法行为识别模型。
10.一种违法行为监控装置,其特征在于,所述装置包括:
像素插值模块,用于获取监控视频,根据预设的时间间隔对所述监控视频的像素执行插值处理,得到插值像素集;
优化函数构建模块,用于根据所述插值像素集在所述监控视频的像素位置建立像素波形,根据所述像素波形建立像素优化函数;
优化视频构建模块,用于依据所述像素优化函数的最小化原则优化所述像素波形,得到优化波形,将所述优化波形对应的插值像素组合得到优化视频;
模型训练模块,用于接收预构建的图像训练集及对应的违法行为真实标签集,将所述图像训练集输入至预构建的待优化的违法行为识别模型执行违法行为识别,得到违法行为预测标签集,比较所述违法行为真实标签集与所述违法行为预测标签集的差异值,利用所述差异值调节待优化的违法行为识别模型的模型参数,得到已优化的违法行为识别模型;
违法行为识别模块,用于将所述优化视频输入至已优化的所述违法行为识别模型,产生违法行为识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210596393.1A CN114677652B (zh) | 2022-05-30 | 2022-05-30 | 一种违法行为监控方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210596393.1A CN114677652B (zh) | 2022-05-30 | 2022-05-30 | 一种违法行为监控方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114677652A true CN114677652A (zh) | 2022-06-28 |
CN114677652B CN114677652B (zh) | 2022-09-16 |
Family
ID=82080964
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210596393.1A Active CN114677652B (zh) | 2022-05-30 | 2022-05-30 | 一种违法行为监控方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114677652B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130266185A1 (en) * | 2012-04-06 | 2013-10-10 | Xerox Corporation | Video-based system and method for detecting exclusion zone infractions |
CN106886755A (zh) * | 2017-01-19 | 2017-06-23 | 北京航空航天大学 | 一种基于交通标志识别的交叉口车辆违章检测系统 |
CN108012157A (zh) * | 2017-11-27 | 2018-05-08 | 上海交通大学 | 用于视频编码分数像素插值的卷积神经网络的构建方法 |
CN113516000A (zh) * | 2021-01-13 | 2021-10-19 | 腾讯科技(深圳)有限公司 | 波形图像的处理方法、装置、设备及存储介质 |
US11164014B1 (en) * | 2020-11-09 | 2021-11-02 | Hayden Ai Technologies, Inc. | Lane violation detection using convolutional neural networks |
CN113971775A (zh) * | 2021-10-14 | 2022-01-25 | 江苏省电力试验研究院有限公司 | 一种基于优化yolov4算法的违章行为识别方法及系统 |
-
2022
- 2022-05-30 CN CN202210596393.1A patent/CN114677652B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130266185A1 (en) * | 2012-04-06 | 2013-10-10 | Xerox Corporation | Video-based system and method for detecting exclusion zone infractions |
CN106886755A (zh) * | 2017-01-19 | 2017-06-23 | 北京航空航天大学 | 一种基于交通标志识别的交叉口车辆违章检测系统 |
CN108012157A (zh) * | 2017-11-27 | 2018-05-08 | 上海交通大学 | 用于视频编码分数像素插值的卷积神经网络的构建方法 |
US11164014B1 (en) * | 2020-11-09 | 2021-11-02 | Hayden Ai Technologies, Inc. | Lane violation detection using convolutional neural networks |
CN113516000A (zh) * | 2021-01-13 | 2021-10-19 | 腾讯科技(深圳)有限公司 | 波形图像的处理方法、装置、设备及存储介质 |
CN113971775A (zh) * | 2021-10-14 | 2022-01-25 | 江苏省电力试验研究院有限公司 | 一种基于优化yolov4算法的违章行为识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114677652B (zh) | 2022-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020248386A1 (zh) | 视频分析方法、装置、计算机设备及存储介质 | |
CN112446025A (zh) | 联邦学习防御方法、装置、电子设备及存储介质 | |
CN111723727A (zh) | 基于边缘计算的云监控方法、装置、电子设备及存储介质 | |
CN111311010B (zh) | 车辆风险预测方法、装置、电子设备及可读存储介质 | |
CN112446544A (zh) | 交通流预测模型训练方法、装置、电子设备及存储介质 | |
CN112137591B (zh) | 基于视频流的目标物位置检测方法、装置、设备及介质 | |
CN111274937B (zh) | 摔倒检测方法、装置、电子设备及计算机可读存储介质 | |
CN116168350B (zh) | 基于物联网实现施工人员违规行为的智能监测方法及装置 | |
CN111768096A (zh) | 基于算法模型的评级方法、装置、电子设备及存储介质 | |
CN111985449A (zh) | 救援现场图像的识别方法、装置、设备及计算机介质 | |
CN111339072B (zh) | 基于用户行为的变化值分析方法、装置、电子设备及介质 | |
CN112651782B (zh) | 基于缩放点积注意力的行为预测方法、装置、设备及介质 | |
CN114022841A (zh) | 人员监控识别方法、装置、电子设备及可读存储介质 | |
CN114677652B (zh) | 一种违法行为监控方法及装置 | |
CN112101481A (zh) | 目标物的影响因子筛选方法、装置、设备及存储介质 | |
CN113343882A (zh) | 人群计数方法、装置、电子设备及存储介质 | |
CN115147660A (zh) | 基于增量学习的图像分类方法、装置、设备及存储介质 | |
CN113255456B (zh) | 非主动活体检测方法、装置、电子设备及存储介质 | |
CN114782405A (zh) | 基于图像识别及机器视觉的桥梁裂纹检测方法及装置 | |
CN113869269A (zh) | 活动现场拥挤度检测方法、装置、电子设备及存储介质 | |
CN114758403B (zh) | 疲劳驾驶智能分析方法及装置 | |
CN113190703A (zh) | 视频图像的智能检索方法、装置、电子设备及存储介质 | |
CN112434601A (zh) | 基于行车视频的车辆违法检测方法、装置、设备及介质 | |
CN111553324A (zh) | 人体姿态预测值校正方法、装置,服务器及存储介质 | |
CN111583215A (zh) | 损伤图像智能定损方法、装置、电子设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |