CN114719767A - 距离检测方法、装置、存储介质及电子设备 - Google Patents
距离检测方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN114719767A CN114719767A CN202210327299.6A CN202210327299A CN114719767A CN 114719767 A CN114719767 A CN 114719767A CN 202210327299 A CN202210327299 A CN 202210327299A CN 114719767 A CN114719767 A CN 114719767A
- Authority
- CN
- China
- Prior art keywords
- target
- distance
- queuing
- video
- frame
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000012544 monitoring process Methods 0.000 claims abstract description 28
- 238000006073 displacement reaction Methods 0.000 claims description 33
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 238000005516 engineering process Methods 0.000 abstract description 8
- 238000012545 processing Methods 0.000 description 17
- 238000004590 computer program Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/14—Measuring arrangements characterised by the use of optical techniques for measuring distance or clearance between spaced objects or spaced apertures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本申请公开了一种距离检测方法、装置、存储介质及电子设备。涉及金融科技领域,该方法包括:采集目标监控视频中的视频帧,其中,视频帧至少包括:目标标识的图像帧、包括排队人物的图像帧;采用视频帧对目标网络进行学习训练,得到目标检测模型;在基于目标检测模型确定排队人物的图像帧中相邻两个目标排队人物的相对位置未发生移动的情况下,判定相邻两个目标排队人物之间的距离是否符合预设距离标准。通过本申请,解决了相关技术中在要求银行用户排队保持安全距离时,人力监管成本较高的问题。
Description
技术领域
本申请涉及金融科技领域,具体而言,涉及一种距离检测方法、装置、存储介质及电子设备。
背景技术
目前对于银行ATM排队中保持一定间隔的要求中,大多数场景下都需要相应的工作人员去维持,但是在很多场景下处于无监管状态,例在,ATM排队中并无相关的管控。且在现有的技术中大多数使用机器学习算法将间距预测出来,但通过人工维持会导致人力资源的浪费,而经过机器学习算法进行预测则需要一定的训练数据,而该数据获取也需要耗费一些成本(需要人为标注距离)。
针对相关技术中在要求银行用户排队保持安全距离时,人力监管成本较高的问题,目前尚未提出有效的解决方案。
发明内容
本申请的主要目的在于提供一种距离检测方法、装置、存储介质及电子设备,以解决相关技术中在要求银行用户排队保持安全距离时,人力监管成本较高的问题。
为了实现上述目的,根据本申请的一个方面,提供了一种距离检测方法。该方法包括:采集目标监控视频中的视频帧,其中,视频帧至少包括:目标标识的图像帧、包括排队人物的图像帧;采用视频帧对目标网络进行学习训练,得到目标检测模型;在基于目标检测模型确定排队人物的图像帧中相邻两个目标排队人物的相对位置未发生移动的情况下,判定相邻两个目标排队人物之间的距离是否符合预设距离标准。
进一步地,采集目标监控视频中的视频帧包括:在目标监控视频中按照第一预设时间段确定起始帧和结束帧;对目标监控视频中起始帧以及结束帧的视频流进行截取,得到视频帧。
进一步地,采用视频帧对目标算法网络进行学习训练包括:按照目标算法对视频帧中的图像帧信息进行标识,得到目标视频帧,其中,图像帧信息至少包括:图像帧类型、横坐标、纵坐标、画面框总宽度、画面框总高度;根据目标视频帧中图像帧的宽度以及高度对横坐标、纵坐标、画面框总宽度以及画面框总高度进行归一化处理,得到处理后的数据;采用处理后的数据以及图像帧类型对目标算法网络进行学习训练。
进一步地,在采用视频帧对目标网络进行学习训练,得到目标检测模型之后,该方法还包括:根据目标检测模型计算相对位移量,其中,相对位移量为相邻两个目标排队人物的相对位置的移动距离;在相对位移量小于预设阈值的情况下,确定排队人物的图像帧中相邻两个目标排队人物的相对位置未发生移动。
进一步地,根据目标检测模型计算相对位移量包括:设置第二预设时间段;在第二预设时间段内根据目标检测模型计算相对位移量。
进一步地,判定相邻两个目标排队人物之间的距离是否符合预设距离标准包括:对目标标识的图像帧中相邻标识之间的距离进行计算,得到目标距离;将相邻两个目标排队人物之间的距离与目标距离进行比较,得到比较结果;若比较结果表示相邻两个目标排队人物之间的距离小于目标距离,确定相邻两个目标排队人物之间的距离不符合预设距离标准;若比较结果表示相邻两个目标排队人物之间的距离大于或等于目标距离,确定相邻两个目标排队人物之间的距离符合预设距离标准。
进一步地,在确定相邻两个目标排队人物之间的距离不符合预设距离标准之后,该方法还包括:通过目标设备将激光投射至相邻两个目标排队人物所处的目标地面上,以提醒相邻两个目标排队人物调整间隔距离。
为了实现上述目的,根据本申请的另一方面,提供了一种距离检测装置。该装置包括:采集单元,用于采集目标监控视频中的视频帧,其中,视频帧至少包括:目标标识的图像帧、包括排队人物的图像帧;训练单元,用于采用视频帧对目标网络进行学习训练,得到目标检测模型;判断单元,用于在基于目标检测模型确定排队人物的图像帧中相邻两个目标排队人物的相对位置未发生移动的情况下,判定相邻两个目标排队人物之间的距离是否符合预设距离标准。
进一步地,采集单元包括:第一确定模块,用于在目标监控视频中按照第一预设时间段确定起始帧和结束帧;截取模块,用于对目标监控视频中起始帧以及结束帧的视频流进行截取,得到视频帧。
进一步地,训练单元包括:标识模块,用于按照目标算法对视频帧中的图像帧信息进行标识,得到目标视频帧,其中,图像帧信息至少包括:图像帧类型、横坐标、纵坐标、画面框总宽度、画面框总高度;处理模块,用于根据目标视频帧中图像帧的宽度以及高度对横坐标、纵坐标、画面框总宽度以及画面框总高度进行归一化处理,得到处理后的数据;训练模块,用于采用处理后的数据以及图像帧类型对目标算法网络进行学习训练。
进一步地,该装置还包括:计算单元,用于在采用视频帧对目标网络进行学习训练,得到目标检测模型之后,根据目标检测模型计算相对位移量,其中,相对位移量为相邻两个目标排队人物的相对位置的移动距离;确定单元,用于在相对位移量小于预设阈值的情况下,确定排队人物的图像帧中相邻两个目标排队人物的相对位置未发生移动。
进一步地,计算单元包括:设置模块,用于设置第二预设时间段;第一计算模块,用于在第二预设时间段内根据目标检测模型计算相对位移量。
进一步地,判断单元包括:第二计算模块,用于对目标标识的图像帧中相邻标识之间的距离进行计算,得到目标距离;比较模块,用于将相邻两个目标排队人物之间的距离与目标距离进行比较,得到比较结果;第二确定模块,用于若比较结果表示相邻两个目标排队人物之间的距离小于目标距离,确定相邻两个目标排队人物之间的距离不符合预设距离标准;第三确定模块,用于若比较结果表示相邻两个目标排队人物之间的距离大于或等于目标距离,确定相邻两个目标排队人物之间的距离符合预设距离标准。
进一步地,该装置还包括:处理单元,用于在确定相邻两个目标排队人物之间的距离不符合预设距离标准之后,通过目标设备将激光投射至相邻两个目标排队人物所处的目标地面上,以提醒相邻两个目标排队人物调整间隔距离。
通过本申请,采用以下步骤:采集目标监控视频中的视频帧,其中,视频帧至少包括:目标标识的图像帧、包括排队人物的图像帧;采用视频帧对目标网络进行学习训练,得到目标检测模型;在基于目标检测模型确定排队人物的图像帧中相邻两个目标排队人物的相对位置未发生移动的情况下,判定相邻两个目标排队人物之间的距离是否符合预设距离标准,解决了相关技术中在要求银行用户排队保持安全距离时,人力监管成本较高的问题。通过目标检测模型对采集到的视频帧距离进行判断,进而达到了在要求银行用户排队保持安全距离时,降低人力监管成本的效果。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例提供的距离检测方法的流程图;
图2是根据本申请实施例提供的距离检测装置的示意图;
图3是根据本申请实施例提供的距离检测电子设备的网络架构示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是,本公开所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
下面结合优选的实施步骤对本发明进行说明,图1是根据本申请实施例提供的距离检测方法的流程图,如图1所示,该方法包括如下步骤:
步骤S101,采集目标监控视频中的视频帧,其中,视频帧至少包括:目标标识的图像帧、包括排队人物的图像帧。
具体的,本申请通过拍摄视频的摄像头,利用YOLO算法对ATM自助取款机等待排队人群、黄色警示贴条(对应于本申请中的目标标识)的视频帧进行捕捉采集,其中。视频监控通过网络上传视频流数据。
可选地,在本申请实施例提供的距离检测方法中,采集目标监控视频中的视频帧包括:在目标监控视频中按照第一预设时间段确定起始帧和结束帧;对目标监控视频中起始帧以及结束帧的视频流进行截取,得到视频帧。
具体的,对实时上传的监控视频进行帧抽取,以k毫秒(对应于本申请中的第一预设时间段)作为区间取开始视频帧图片和结束视频帧图片,其中,视频帧中可以包括等待排队人群以及黄色警示贴条。通过对监控视频的实时获取,使得抽取静态帧图像更加准确。
步骤S102,采用视频帧对目标网络进行学习训练,得到目标检测模型。
具体的,将监控视频捕捉到的视频帧输入至YOLOv4网络中进行训练,得到目标检测模型。
可选地,在本申请实施例提供的距离检测方法中,采用视频帧对目标算法网络进行学习训练包括:按照目标算法对视频帧中的图像帧信息进行标识,得到目标视频帧,其中,图像帧信息至少包括:图像帧类型、横坐标、纵坐标、画面框总宽度、画面框总高度;根据目标视频帧中图像帧的宽度以及高度对横坐标、纵坐标、画面框总宽度以及画面框总高度进行归一化处理,得到处理后的数据;采用处理后的数据以及图像帧类型对目标算法网络进行学习训练。
具体的,根据YOLO算法对视频中获取的图片信息进行标注,例如,每一行图像帧信息可以是图像帧类型、左上角横坐标(x)、左上角纵坐标(y)、框宽(width)、框高(height),其中除了类别,其他图像帧信息的标识都可以通过除以图片的宽和高做归一化处理,通过利用处理后的数据对YOLOv4网络进行训练,并保存验证集上表现最优的检测模型作为本申请中的目标检测模型,提升了对目标检测模型的训练准确性。
可选地,在本申请实施例提供的距离检测方法中,在采用视频帧对目标网络进行学习训练,得到目标检测模型之后,该方法还包括:根据目标检测模型计算相对位移量,其中,相对位移量为相邻两个目标排队人物的相对位置的移动距离;在相对位移量小于预设阈值的情况下,确定排队人物的图像帧中相邻两个目标排队人物的相对位置未发生移动。
具体的,根据目标检测模型计算相对位移量包括:设置第二预设时间段;在第二预设时间段内根据目标检测模型计算相对位移量。
需要说明的是,第二预设时间段为监控相邻两个目标排队人物的相对位置是否发生移动的最小监控单元。
例如,根据YOLOv4模型在1s(对应于本申请中的第二预设时间)内计算相邻两个目标排队人物之间的位移量,当该偏移量小于t时认为排队人物之间没有发生移动,认为排队人物保持在相对稳定的状态下,适合进行安全距离的检测;当该偏移量大于t时认为排队人物之间发生移动,即排队伍往前移,不适合进行安全距离的检测,本申请通过对排队人群位移量大小的判定,体现了目标检测模型的精准性。
步骤S103,在基于目标检测模型确定排队人物的图像帧中相邻两个目标排队人物的相对位置未发生移动的情况下,判定相邻两个目标排队人物之间的距离是否符合预设距离标准。
具体的,若相邻两个排队人物至今不存在相对移动,则提取取k毫秒内计算出来的坐标信息判定相邻两个目标排队人物之间的距离是否符合预设距离标准。
可选地,在本申请实施例提供的距离检测方法中,判定相邻两个目标排队人物之间的距离是否符合预设距离标准包括:对目标标识的图像帧中相邻标识之间的距离进行计算,得到目标距离;将相邻两个目标排队人物之间的距离与目标距离进行比较,得到比较结果;若比较结果表示相邻两个目标排队人物之间的距离小于目标距离,确定相邻两个目标排队人物之间的距离不符合预设距离标准;若比较结果表示相邻两个目标排队人物之间的距离大于或等于目标距离,确定相邻两个目标排队人物之间的距离符合预设距离标准。
例如,计算相邻黄色警示条的相对距离d1,以此为阈值,相邻的检测目标之间的相对距离dn,当dn<d1时,认为被检测的相对排队人物之间的距离不符合安全距离规定。
其中,d=(x1+0.5w1)-(x2+0.5w2),x1为起始帧中排队人物的坐标值,x2为结束帧中排队人物的坐标值,w1为起始帧中图像宽度,w2为结束帧中图像宽度。
也即,通过对相邻两个目标排队人物之间的距离是否符合预设距离标准的智能判断,减少不必要的人力监管支出。
可选地,在本申请实施例提供的距离检测方法中,在确定相邻两个目标排队人物之间的距离不符合预设距离标准之后,该方法还包括:通过目标设备将激光投射至相邻两个目标排队人物所处的目标地面上,以提醒相邻两个目标排队人物调整间隔距离。
具体的,当某两个相邻检测目标距离不符合安全规定时,则使用激光投射到不符合安全距离对象的中心地面预警,以提醒相邻两个目标排队人物调整间隔距离,进一步减少不必要的人力监管支出。
综上,本申请实施例提供的距离检测方法,通过采集目标监控视频中的视频帧,其中,视频帧至少包括:目标标识的图像帧、包括排队人物的图像帧;采用视频帧对目标网络进行学习训练,得到目标检测模型;在基于目标检测模型确定排队人物的图像帧中相邻两个目标排队人物的相对位置未发生移动的情况下,判定相邻两个目标排队人物之间的距离是否符合预设距离标准,解决了相关技术中在要求银行用户排队保持安全距离时,人力监管成本较高的问题。通过目标检测模型对采集到的视频帧距离进行判断,进而达到了在要求银行用户排队保持安全距离时,降低人力监管成本的效果。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例还提供了一种距离检测装置,需要说明的是,本申请实施例的距离检测装置可以用于执行本申请实施例所提供的用于距离检测方法。以下对本申请实施例提供的距离检测装置进行介绍。
图2是根据本申请实施例的距离检测装置的示意图。如图2所示,该装置包括:采集单元201、训练单元202、判断单元203。
具体的,采集单元201,用于采集目标监控视频中的视频帧,其中,视频帧至少包括:目标标识的图像帧、包括排队人物的图像帧;
训练单元202,用于采用视频帧对目标网络进行学习训练,得到目标检测模型;
判断单元203,用于在基于目标检测模型确定排队人物的图像帧中相邻两个目标排队人物的相对位置未发生移动的情况下,判定相邻两个目标排队人物之间的距离是否符合预设距离标准。
综上,本申请实施例提供的距离检测装置,通过采集单元201采集目标监控视频中的视频帧,其中,视频帧至少包括:目标标识的图像帧、包括排队人物的图像帧;训练单元202采用视频帧对目标网络进行学习训练,得到目标检测模型;判断单元203在基于目标检测模型确定排队人物的图像帧中相邻两个目标排队人物的相对位置未发生移动的情况下,判定相邻两个目标排队人物之间的距离是否符合预设距离标准,解决了相关技术中在要求银行用户排队保持安全距离时,人力监管成本较高的问题。通过目标检测模型对采集到的视频帧距离进行判断,进而达到了在要求银行用户排队保持安全距离时,降低人力监管成本的效果。
可选地,在本申请实施例提供的距离检测装置中,采集单元201包括:第一确定模块,用于在目标监控视频中按照第一预设时间段确定起始帧和结束帧;截取模块,用于对目标监控视频中起始帧以及结束帧的视频流进行截取,得到视频帧。
可选地,在本申请实施例提供的距离检测装置中,训练单元202包括:标识模块,用于按照目标算法对视频帧中的图像帧信息进行标识,得到目标视频帧,其中,图像帧信息至少包括:图像帧类型、横坐标、纵坐标、画面框总宽度、画面框总高度;处理模块,用于根据目标视频帧中图像帧的宽度以及高度对横坐标、纵坐标、画面框总宽度以及画面框总高度进行归一化处理,得到处理后的数据;训练模块,用于采用处理后的数据以及图像帧类型对目标算法网络进行学习训练。
可选地,在本申请实施例提供的距离检测装置中,该装置还包括:计算单元,用于在采用视频帧对目标网络进行学习训练,得到目标检测模型之后,根据目标检测模型计算相对位移量,其中,相对位移量为相邻两个目标排队人物的相对位置的移动距离;确定单元,用于在相对位移量小于预设阈值的情况下,确定排队人物的图像帧中相邻两个目标排队人物的相对位置未发生移动。
可选地,在本申请实施例提供的距离检测装置中,计算单元包括:设置模块,用于设置第二预设时间段;第一计算模块,用于在第二预设时间段内根据目标检测模型计算相对位移量。
可选地,在本申请实施例提供的距离检测装置中,判断单元203包括:计算模块,用于对目标标识的图像帧中相邻标识之间的距离进行计算,得到目标距离;比较模块,用于将相邻两个目标排队人物之间的距离与目标距离进行比较,得到比较结果;第二确定模块,用于若比较结果表示相邻两个目标排队人物之间的距离小于目标距离,确定相邻两个目标排队人物之间的距离不符合预设距离标准;第三确定模块,用于若比较结果表示相邻两个目标排队人物之间的距离大于或等于目标距离,确定相邻两个目标排队人物之间的距离符合预设距离标准。
可选地,在本申请实施例提供的距离检测装置中,该装置还包括:处理单元,用于在确定相邻两个目标排队人物之间的距离不符合预设距离标准之后,通过目标设备将激光投射至相邻两个目标排队人物所处的目标地面上,以提醒相邻两个目标排队人物调整间隔距离。
距离检测装置包括处理器和存储器,上述采集单元201、训练单元202、判断单元203等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来进行距离检测。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本发明实施例提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现距离检测方法。
本发明实施例提供了一种处理器,处理器用于运行程序,其中,程序运行时执行距离检测方法。
如图3所示,本发明实施例提供了一种电子设备,设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现以下步骤:采集目标监控视频中的视频帧,其中,视频帧至少包括:目标标识的图像帧、包括排队人物的图像帧;采用视频帧对目标网络进行学习训练,得到目标检测模型;在基于目标检测模型确定排队人物的图像帧中相邻两个目标排队人物的相对位置未发生移动的情况下,判定相邻两个目标排队人物之间的距离是否符合预设距离标准。
处理器执行程序时还实现以下步骤:在目标监控视频中按照第一预设时间段确定起始帧和结束帧;对目标监控视频中起始帧以及结束帧的视频流进行截取,得到视频帧。
处理器执行程序时还实现以下步骤:按照目标算法对视频帧中的图像帧信息进行标识,得到目标视频帧,其中,图像帧信息至少包括:图像帧类型、横坐标、纵坐标、画面框总宽度、画面框总高度;根据目标视频帧中图像帧的宽度以及高度对横坐标、纵坐标、画面框总宽度以及画面框总高度进行归一化处理,得到处理后的数据;采用处理后的数据以及图像帧类型对目标算法网络进行学习训练。
处理器执行程序时还实现以下步骤:在采用视频帧对目标网络进行学习训练,得到目标检测模型之后,根据目标检测模型计算相对位移量,其中,相对位移量为相邻两个目标排队人物的相对位置的移动距离;在相对位移量小于预设阈值的情况下,确定排队人物的图像帧中相邻两个目标排队人物的相对位置未发生移动。
处理器执行程序时还实现以下步骤:设置第二预设时间段;在第二预设时间段内根据目标检测模型计算相对位移量。
处理器执行程序时还实现以下步骤:对目标标识的图像帧中相邻标识之间的距离进行计算,得到目标距离;将相邻两个目标排队人物之间的距离与目标距离进行比较,得到比较结果;若比较结果表示相邻两个目标排队人物之间的距离小于目标距离,确定相邻两个目标排队人物之间的距离不符合预设距离标准;若比较结果表示相邻两个目标排队人物之间的距离大于或等于目标距离,确定相邻两个目标排队人物之间的距离符合预设距离标准。
处理器执行程序时还实现以下步骤:在确定相邻两个目标排队人物之间的距离不符合预设距离标准之后,通过目标设备将激光投射至相邻两个目标排队人物所处的目标地面上,以提醒相邻两个目标排队人物调整间隔距离。
本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如下方法步骤的程序:采集目标监控视频中的视频帧,其中,视频帧至少包括:目标标识的图像帧、包括排队人物的图像帧;采用视频帧对目标网络进行学习训练,得到目标检测模型;在基于目标检测模型确定排队人物的图像帧中相邻两个目标排队人物的相对位置未发生移动的情况下,判定相邻两个目标排队人物之间的距离是否符合预设距离标准。
当在数据处理设备上执行时,还适于执行初始化有如下方法步骤的程序:在目标监控视频中按照第一预设时间段确定起始帧和结束帧;对目标监控视频中起始帧以及结束帧的视频流进行截取,得到视频帧。
当在数据处理设备上执行时,还适于执行初始化有如下方法步骤的程序:按照目标算法对视频帧中的图像帧信息进行标识,得到目标视频帧,其中,图像帧信息至少包括:图像帧类型、横坐标、纵坐标、画面框总宽度、画面框总高度;根据目标视频帧中图像帧的宽度以及高度对横坐标、纵坐标、画面框总宽度以及画面框总高度进行归一化处理,得到处理后的数据;采用处理后的数据以及图像帧类型对目标算法网络进行学习训练。
当在数据处理设备上执行时,还适于执行初始化有如下方法步骤的程序:在采用视频帧对目标网络进行学习训练,得到目标检测模型之后,根据目标检测模型计算相对位移量,其中,相对位移量为相邻两个目标排队人物的相对位置的移动距离;在相对位移量小于预设阈值的情况下,确定排队人物的图像帧中相邻两个目标排队人物的相对位置未发生移动。
当在数据处理设备上执行时,还适于执行初始化有如下方法步骤的程序:设置第二预设时间段;在第二预设时间段内根据目标检测模型计算相对位移量。
当在数据处理设备上执行时,还适于执行初始化有如下方法步骤的程序:对目标标识的图像帧中相邻标识之间的距离进行计算,得到目标距离;将相邻两个目标排队人物之间的距离与目标距离进行比较,得到比较结果;若比较结果表示相邻两个目标排队人物之间的距离小于目标距离,确定相邻两个目标排队人物之间的距离不符合预设距离标准;若比较结果表示相邻两个目标排队人物之间的距离大于或等于目标距离,确定相邻两个目标排队人物之间的距离符合预设距离标准。
当在数据处理设备上执行时,还适于执行初始化有如下方法步骤的程序:在确定相邻两个目标排队人物之间的距离不符合预设距离标准之后,通过目标设备将激光投射至相邻两个目标排队人物所处的目标地面上,以提醒相邻两个目标排队人物调整间隔距离。
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、嵌入式处理机或其他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他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。
这些计算机程序指令也可存储在能引导计算机或其他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多个流程和/或方框图一个方框或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他可编程数据处理设备上,使得在计算机或其他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,从而在计算机或其他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。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,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。
以上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)
1.一种距离检测方法,其特征在于,包括:
采集目标监控视频中的视频帧,其中,所述视频帧至少包括:目标标识的图像帧、包括排队人物的图像帧;
采用所述视频帧对目标网络进行学习训练,得到目标检测模型;
在基于所述目标检测模型确定所述排队人物的图像帧中相邻两个目标排队人物的相对位置未发生移动的情况下,判定相邻两个目标排队人物之间的距离是否符合预设距离标准。
2.根据权利要求1所述的方法,其特征在于,采集目标监控视频中的视频帧包括:
在所述目标监控视频中按照第一预设时间段确定起始帧和结束帧;
对所述目标监控视频中所述起始帧以及所述结束帧的视频流进行截取,得到所述视频帧。
3.根据权利要求1所述的方法,其特征在于,采用所述视频帧对目标算法网络进行学习训练包括:
按照目标算法对所述视频帧中的图像帧信息进行标识,得到目标视频帧,其中,所述图像帧信息至少包括:图像帧类型、横坐标、纵坐标、画面框总宽度、画面框总高度;
根据所述目标视频帧中图像帧的宽度以及高度对所述横坐标、所述纵坐标、所述画面框总宽度以及所述画面框总高度进行归一化处理,得到处理后的数据;
采用所述处理后的数据以及所述图像帧类型对目标算法网络进行学习训练。
4.根据权利要求1所述的方法,其特征在于,在采用所述视频帧对目标网络进行学习训练,得到目标检测模型之后,所述方法还包括:
根据所述目标检测模型计算相对位移量,其中,所述相对位移量为所述相邻两个目标排队人物的相对位置的移动距离;
在所述相对位移量小于预设阈值的情况下,确定所述排队人物的图像帧中相邻两个目标排队人物的相对位置未发生移动。
5.根据权利要求4所述的方法,其特征在于,根据所述目标检测模型计算相对位移量包括:
设置第二预设时间段;
在所述第二预设时间段内根据所述目标检测模型计算相对位移量。
6.根据权利要求1所述的方法,其特征在于,判定相邻两个目标排队人物之间的距离是否符合预设距离标准包括:
对所述目标标识的图像帧中相邻标识之间的距离进行计算,得到目标距离;
将相邻两个目标排队人物之间的距离与所述目标距离进行比较,得到比较结果;
若所述比较结果表示相邻两个目标排队人物之间的距离小于所述目标距离,确定相邻两个目标排队人物之间的距离不符合预设距离标准;
若所述比较结果表示相邻两个目标排队人物之间的距离大于或等于所述目标距离,确定相邻两个目标排队人物之间的距离符合预设距离标准。
7.根据权利要求6所述的方法,其特征在于,在确定相邻两个目标排队人物之间的距离不符合预设距离标准之后,所述方法还包括:
通过目标设备将激光投射至所述相邻两个目标排队人物所处的目标地面上,以提醒相邻两个目标排队人物调整间隔距离。
8.一种距离检测装置,其特征在于,包括:
采集单元,用于采集目标监控视频中的视频帧,其中,所述视频帧至少包括:目标标识的图像帧、包括排队人物的图像帧;
训练单元,用于采用所述视频帧对目标网络进行学习训练,得到目标检测模型;
判断单元,用于在基于所述目标检测模型确定所述排队人物的图像帧中相邻两个目标排队人物的相对位置未发生移动的情况下,判定相邻两个目标排队人物之间的距离是否符合预设距离标准。
9.一种计算机可读存储介质,其特征在于,所述存储介质存储程序,其中,所述程序执行权利要求1至7中任意一项所述的方法。
10.一种电子设备,其特征在于,包括:包括一个或多个处理器和存储器,所述存储器用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现权利要求1至7中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210327299.6A CN114719767A (zh) | 2022-03-30 | 2022-03-30 | 距离检测方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210327299.6A CN114719767A (zh) | 2022-03-30 | 2022-03-30 | 距离检测方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114719767A true CN114719767A (zh) | 2022-07-08 |
Family
ID=82240159
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210327299.6A Pending CN114719767A (zh) | 2022-03-30 | 2022-03-30 | 距离检测方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114719767A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114897655A (zh) * | 2022-07-12 | 2022-08-12 | 深圳市信润富联数字科技有限公司 | 基于视觉的防疫控制方法及装置、存储介质、电子设备 |
CN115294649A (zh) * | 2022-08-02 | 2022-11-04 | 上海禹创智能科技有限公司成都分公司 | 识别使用移动设备行为的方法、装置、存储介质及处理器 |
CN115880643A (zh) * | 2023-01-06 | 2023-03-31 | 之江实验室 | 一种基于目标检测算法的社交距离监测方法和装置 |
CN116797986A (zh) * | 2022-12-14 | 2023-09-22 | 慧之安信息技术股份有限公司 | 一种基于边缘计算的核酸检测点人员距离维持系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112287869A (zh) * | 2020-11-10 | 2021-01-29 | 上海依图网络科技有限公司 | 一种图像数据检测方法及装置 |
CN112735019A (zh) * | 2021-01-20 | 2021-04-30 | 联仁健康医疗大数据科技股份有限公司 | 排队导引方法、装置、系统、电子设备以及存储介质 |
US20210174536A1 (en) * | 2019-12-10 | 2021-06-10 | Vivotek Inc. | Queue analyzing method and image monitoring apparatus |
CN113011280A (zh) * | 2021-02-26 | 2021-06-22 | 清华大学 | 人员接触距离的检测方法、装置、计算机设备和存储介质 |
CN113052029A (zh) * | 2021-03-12 | 2021-06-29 | 天天惠民(北京)智能物流科技有限公司 | 基于动作识别的异常行为监管方法、装置及存储介质 |
US20210390840A1 (en) * | 2020-06-11 | 2021-12-16 | 3D Industries Limited | Self-supervised social distance detector |
CN113989707A (zh) * | 2021-10-27 | 2022-01-28 | 福州大学 | 一种基于OpenPose和OpenCV的公共场所排队异常行为检测方法 |
CN114049378A (zh) * | 2021-11-05 | 2022-02-15 | 北京市商汤科技开发有限公司 | 一种排队分析方法和装置 |
CN114200533A (zh) * | 2021-11-19 | 2022-03-18 | 赵永翔 | 一种社交距离保持提醒方法、装置及介质 |
-
2022
- 2022-03-30 CN CN202210327299.6A patent/CN114719767A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210174536A1 (en) * | 2019-12-10 | 2021-06-10 | Vivotek Inc. | Queue analyzing method and image monitoring apparatus |
US20210390840A1 (en) * | 2020-06-11 | 2021-12-16 | 3D Industries Limited | Self-supervised social distance detector |
CN112287869A (zh) * | 2020-11-10 | 2021-01-29 | 上海依图网络科技有限公司 | 一种图像数据检测方法及装置 |
CN112735019A (zh) * | 2021-01-20 | 2021-04-30 | 联仁健康医疗大数据科技股份有限公司 | 排队导引方法、装置、系统、电子设备以及存储介质 |
CN113011280A (zh) * | 2021-02-26 | 2021-06-22 | 清华大学 | 人员接触距离的检测方法、装置、计算机设备和存储介质 |
CN113052029A (zh) * | 2021-03-12 | 2021-06-29 | 天天惠民(北京)智能物流科技有限公司 | 基于动作识别的异常行为监管方法、装置及存储介质 |
CN113989707A (zh) * | 2021-10-27 | 2022-01-28 | 福州大学 | 一种基于OpenPose和OpenCV的公共场所排队异常行为检测方法 |
CN114049378A (zh) * | 2021-11-05 | 2022-02-15 | 北京市商汤科技开发有限公司 | 一种排队分析方法和装置 |
CN114200533A (zh) * | 2021-11-19 | 2022-03-18 | 赵永翔 | 一种社交距离保持提醒方法、装置及介质 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114897655A (zh) * | 2022-07-12 | 2022-08-12 | 深圳市信润富联数字科技有限公司 | 基于视觉的防疫控制方法及装置、存储介质、电子设备 |
CN115294649A (zh) * | 2022-08-02 | 2022-11-04 | 上海禹创智能科技有限公司成都分公司 | 识别使用移动设备行为的方法、装置、存储介质及处理器 |
CN115294649B (zh) * | 2022-08-02 | 2023-05-12 | 上海禹创智能科技有限公司 | 识别使用移动设备行为的方法、装置、存储介质及处理器 |
CN116797986A (zh) * | 2022-12-14 | 2023-09-22 | 慧之安信息技术股份有限公司 | 一种基于边缘计算的核酸检测点人员距离维持系统 |
CN115880643A (zh) * | 2023-01-06 | 2023-03-31 | 之江实验室 | 一种基于目标检测算法的社交距离监测方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114719767A (zh) | 距离检测方法、装置、存储介质及电子设备 | |
US10102421B2 (en) | Method and device for face recognition in video | |
CN108288027B (zh) | 一种图像质量的检测方法、装置及设备 | |
CN107491752B (zh) | 一种基于深度学习的自然场景中船牌文字识别方法、装置 | |
CN108921008B (zh) | 人像识别方法、装置及电子设备 | |
CN110853033A (zh) | 基于帧间相似度的视频检测方法和装置 | |
CN111325051B (zh) | 一种基于人脸图像roi选取的人脸识别方法及装置 | |
US20180144476A1 (en) | Cascaded-time-scale background modeling | |
WO2016201683A1 (en) | Cloud platform with multi camera synchronization | |
CN111553231B (zh) | 基于信息融合的人脸抓拍与去重系统、方法、终端及介质 | |
US11990010B2 (en) | Methods and apparatuses for early warning of climbing behaviors, electronic devices and storage media | |
CN113139403A (zh) | 违规行为识别方法、装置、计算机设备和存储介质 | |
Gupta et al. | Cvucams: Computer vision based unobtrusive classroom attendance management system | |
CN110427810A (zh) | 视频定损方法、装置、拍摄端及机器可读存储介质 | |
CN113269127A (zh) | 实时自动建库的人脸识别和行人重识别监控方法及系统 | |
CN108960165A (zh) | 一种基于智能视频识别技术的体育场馆人群监控方法 | |
EP4287145A1 (en) | Statistical model-based false detection removal algorithm from images | |
CN108334811B (zh) | 一种人脸图像处理方法及装置 | |
CN111985413A (zh) | 一种智能楼宇监控终端、监控系统及监控方法 | |
Baba et al. | Stray dogs behavior detection in urban area video surveillance streams | |
WO2022228325A1 (zh) | 行为检测方法、电子设备以及计算机可读存储介质 | |
US20210287051A1 (en) | Methods and systems for recognizing object using machine learning model | |
CN113822367B (zh) | 一种基于人脸的区域行为分析方法、系统及介质 | |
CN114627542A (zh) | 眼动位置的确定方法、装置、存储介质及电子设备 | |
CN110751034B (zh) | 行人行为识别方法及终端设备 |
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 |