CN115019400B - 违规行为检测方法及装置 - Google Patents
违规行为检测方法及装置 Download PDFInfo
- Publication number
- CN115019400B CN115019400B CN202210850944.2A CN202210850944A CN115019400B CN 115019400 B CN115019400 B CN 115019400B CN 202210850944 A CN202210850944 A CN 202210850944A CN 115019400 B CN115019400 B CN 115019400B
- Authority
- CN
- China
- Prior art keywords
- target object
- image
- environment
- moment
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本申请提供的一种违规行为检测方法及装置,该检测方法包括如下步骤:捕捉目标对象;获取所述目标对象的第一图像和多个第二图像;基于所述第一图像,识别出所述目标对象所处的环境;基于所述环境,获取与所述环境参数对应的检测模型;基于多个所述第二图像,对所述目标对象的行为进行识别,以得到所述目标对象的姿态特征;将所述姿态特征输入到检测模型中进行检测,以判断所述目标对象的行为是否违规。本申请旨在解决现有技术中行为是否违规准确率不足的技术问题。
Description
技术领域
本申请涉及视频识别技术领域,尤其涉及一种违规行为检测方法及装置。
背景技术
对目标对象的行为识别有助于辅助监控。在诸多赛事中,每一处环境都有不同的违规禁止动作。现有技术中,通过对单个图像识别的方式来判断目标对象的行为是否违规具有一定的不准确度。比如,基于高分辨率的图像,能够准确地识别出姿态特征,但是无法识别出环境特征。而,基于低分辨率的图像,能够很准确地识别出环境特征,但是无法识别出姿态特征。
发明内容
本发明实施例的提供一种违规行为检测方法及装置,旨在解决现有技术中行为是否违规准确率不足的技术问题。
本申请提出一种违规行为检测方法,包括如下步骤:
捕捉目标对象;
获取所述目标对象的第一图像和多个第二图像;
基于所述第一图像,识别出所述目标对象所处的环境;
基于所述环境,获取与所述环境参数对应的检测模型;
基于多个所述第二图像,对所述目标对象的行为进行识别,以得到所述目标对象的姿态特征;
将所述姿态特征输入到检测模型中进行检测,以判断所述目标对象的行为是否违规。
可选地,所述获取所述目标对象的第一图像和多个第二图像的步骤包括:获取第一时刻的第一图像和多个第二图像;获取第二时刻的第二图像和多个第二图像;所述基于所述第一图像,识别出所述目标对象所处的环境的步骤包括:基于所述第一时刻的第一图像和第二时刻的第一图像,计算出所述目标对象的环境变化参数;若所述环境变化参数大于预设参数,则获取与所述第二时刻对应的环境;所述基于所述环境,获取与所述环境参数对应的检测模型的步骤包括:获取与所述第二时刻对应的环境对应的检测模型;所述基于多个所述第二图像,对所述目标对象的行为进行识别,以得到所述目标对象的姿态特征的步骤包括:基于所述第二时刻的多个所述第二图像,对所述目标对象的行为进行识别,以得到所述目标对象在所述第二时刻的姿态特征;所述将所述姿态特征输入到检测模型中进行检测,以判断所述目标对象的行为是否违规的步骤包括:将所述第二时刻的姿态特征输入到与所述第二时刻对应的环境对应的检测模型进行检测,以判断所述目标对象的行为是否违规。
可选地,若所述环境变化参数小于或等于所述预设参数,则获取与所述第一时刻对应的环境;所述基于所述环境,获取与所述环境参数对应的检测模型的步骤包括:获取与所述第一时刻对应的环境对应的检测模型;所述基于多个所述第二图像,对所述目标对象的行为进行识别,以得到所述目标对象的姿态特征的步骤包括:基于所述第二时刻的多个所述第二图像,对所述目标对象的行为进行识别,以得到所述目标对象在所述第二时刻的姿态特征;所述将所述姿态特征输入到检测模型中进行检测,以判断所述目标对象的行为是否违规的步骤包括:将所述第二时刻的姿态特征输入到与所述第一时刻对应的环境对应的检测模型进行检测,以判断所述目标对象的行为是否违规。
可选地,所述基于所述第一时刻的第一图像和第二时刻的第一图像,计算出所述目标对象的环境变化参数的步骤具体包括:对所述第一图像和所述第二图像分别进行背景分割和灰度转换,以得到所述第一图像的第一背景灰度图像和所述第二图像的第二背景灰度图像;根据第一背景灰度图像和第二背景灰度图像,计算出所述目标对象所处环境的环境变化系数。
可选地,所述第一时刻和所述第二时刻为相邻的两个采集时刻。
可选地,所述第一图像由全局摄像机拍摄,多个所述第二图像由不同的局部摄像机拍摄。
本申请还提出一种违规行为检测装置包括:捕捉模块:捕捉目标对象;第一获取模块:获取所述目标对象的第一图像和多个第二图像;第一识别模块:识别出所述目标对象所处的环境;第二获取模块:基于所述环境,获取与所述环境参数对应的检测模型;第二识别模块:基于多个所述第二图像,对所述目标对象的行为进行识别,以得到所述目标对象的姿态特征;检测模块:将所述姿态特征输入到检测模型中进行检测,以判断所述目标对象的行为是否违规。
可选地,所述第一获取模块进一步适于:获取第一时刻的第一图像和多个第二图像;获取第二时刻的第二图像和多个第二图像;所述第一识别模块进一步适于:基于所述第一时刻的第一图像和第二时刻的第一图像,计算出所述目标对象的环境变化参数;若所述环境变化参数大于预设参数,则获取与所述第二时刻对应的环境;所述第二获取模块进一步适于:获取与所述第二时刻对应的环境对应的检测模型;所述第二识别模块进一步适于:基于所述第二时刻的多个所述第二图像,对所述目标对象的行为进行识别,以得到所述目标对象在所述第二时刻的姿态特征;所述检测模块进一步适于:将所述第二时刻的姿态特征输入到与所述第二时刻对应的环境对应的检测模型进行检测,以判断所述目标对象的行为是否违规。
可选地,本申请还提出一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被执行时实现如前所述的方法的步骤。
可选地,本申请还提出一种计算机设备,包括处理器、存储器和存储于所述存储器上的计算机程序,所述处理器执行所述计算机程序时实现如前所述的步骤。
本申请实施例的技术方案中,通过捕捉目标对象,并获取目标对象的第一图像和多个第二图像。从第一图像识别出目标对象所处的环境,并获取与该环境对象的环境检测模型。从多个第二图像中获取目标对象的姿态特征,并输入到该环境检测模型中进行检测,判断目标对象的行为是否违规。相比较于现有技术而言,本申请实施例中从不同的图像中获取目标对象所述的环境和姿态特征,能够提高判断目标对象行为是否为违规的准确率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的违规检测装置的应用场景示意图;
图2是本申请实施例提供的违规检测方法的流程示意图;
图3是本申请实施例提供的违规检测装置的结构示意图;
图4是本申请实施例提供的计算机设备的内部结构图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
图1是根据本申请一些实施例所示的违规检测装置的应用场景示意图。如图1所示,违规检测装置100可以包括服务器110、网络120、图像采集设备组130、和存储器140。
服务器110可以处理从违规检测装置100的至少一个组件(例如,图像采集设备组130和存储器140)或外部数据源(例如,云数据中心)获取的数据和/或信息。例如,服务器110可以从图像采集设备组130获取交互指令。又例如,服务器110还可以从存储器140获取历史数据。
在一些实施例中,服务器110可以包括处理设备112。处理设备112可以处理与人机交互系统相关的信息和/或数据以执行本说明书中描述的一个或多个功能。例如,处理设备112可以基于交互指令和/或历史数据确定成像控制策略。在一些实施例中,处理设备112可包括至少一个处理单元(例如,单核处理引擎或多核处理引擎)。在一些实施例中,处理设备112可以为图像采集设备组130的一部分。
网络120可以提供信息交换的渠道。在一些实施例中,网络120可以包括一个或多个网络接入点。违规检测装置100的一个或多个部件可以通过接入点连接到网络120以交换数据和/或信息。在一些实施例中,违规检测装置100中的至少一个组件可以经由网络120访问存储在存储器140中的数据或指令。
图像采集设备组130可以由多个图像采集设备组成,图像采集设备的种类不做限制,例如可以是摄像头、光场相机或具有图像采集功能的移动终端等。
在一些实施例中,存储器140可以存储处理设备112可以执行或使用以完成本说明书描述的示例性方法的数据和/或指令。例如,存储器140可以存储历史数据。在一些实施例中,存储器140可以作为后端存储器直接连接到服务器110。在一些实施例中,存储器140可以是服务器110、图像采集设备组130一部分。
图2示出了一种违规行为检测方法的具体步骤,包括:
S100,捕捉目标对象;
S200,获取所述目标对象的第一图像和多个第二图像;
S300,基于所述第一图像,识别出所述目标对象所处的环境;
S400,基于所述环境,获取与所述环境参数对应的检测模型;
S500,基于多个所述第二图像,对所述目标对象的行为进行识别,以得到所述目标对象的姿态特征;
S600,将所述姿态特征输入到检测模型中进行检测,以判断所述目标对象的行为是否违规。
本申请实施例的技术方案中,通过捕捉目标对象,并获取目标对象的第一图像和多个第二图像。从第一图像识别出目标对象所处的环境,并获取与该环境对象的环境检测模型。从多个第二图像中获取目标对象的姿态特征,并输入到该环境检测模型中进行检测,判断目标对象的行为是否违规。相比较于现有技术而言,本申请实施例中从不同的图像中获取目标对象所述的环境和姿态特征,能够提高判断目标对象行为是否为违规的准确率。
第一图像的分辨率低于第二图像的分辨率。比如,所述第一图像由全局摄像机拍摄,多个所述第二图像由不同的局部摄像机拍摄。通过对全局摄像机拍摄的第一图像能够识别出目标对象所处的环境特征,进而得到其所处的环境。通过对不同的局部摄像机拍摄的第二图像识别,能够多角度的识别出目标对象的姿态特征,进而组合形成目标对象的行为。
需要说明的是,环境检测模型是由基于人工智能算法训练而得到的模型。环境监测模型针对多个在特定环境下,将在特定环境下的违规行为的图像进行人工智能算法学习而得到环境检测模型。
捕捉目标对象时,将视频图像从RGB颜色空间转换到HSV颜色空间;对视频图像的H分量进行直方图统计,得到颜色概率查找表;将视频图像中每个像素的值用其颜色出现的概率进行替换,由此得到颜色概率分布图;使用算法寻优,采用公式:
式中,K表示漂移系数,z表示空间中的任意点位置,Sk表示的是训练集和验证集中的点到x的距离小于球半径h的数据点;
使用camShift跟踪算法进行感兴趣的目标跟踪,在视频序列的每一帧当中都运用meanShift,并将上一帧的meanShift结果作为下一帧的初始值,进行循环迭代,完成目标的捕捉。
目标对象在移动时,其所处的环境可能发生变化。在不同的环境下,所对应的违规行为也是不同的。为此,需要将环境进行甄别,以提高识别违规行为的准确率。因而,作为上述实施例的可选实施方式,所述获取所述目标对象的第一图像和多个第二图像的步骤包括:获取第一时刻的第一图像和多个第二图像;获取第二时刻的第二图像和多个第二图像。
所述基于所述第一图像,识别出所述目标对象所处的环境的步骤包括:
基于所述第一时刻的第一图像和第二时刻的第一图像,计算出所述目标对象的环境变化参数。获取不同时刻的第一图像,并计算目标对象的环境参数变化,以用于识别目标对象所处的环境,进而能够对环境进行甄别。若所述环境变化参数大于预设参数,则获取与所述第二时刻对应的环境;所述基于所述环境,获取与所述环境参数对应的检测模型的步骤包括:获取与所述第二时刻对应的环境对应的检测模型;所述基于多个所述第二图像,对所述目标对象的行为进行识别,以得到所述目标对象的姿态特征的步骤包括:基于所述第二时刻的多个所述第二图像,对所述目标对象的行为进行识别,以得到所述目标对象在所述第二时刻的姿态特征。所述将所述姿态特征输入到检测模型中进行检测,以判断所述目标对象的行为是否违规的步骤包括:将所述第二时刻的姿态特征输入到与所述第二时刻对应的环境对应的检测模型进行检测,以判断所述目标对象的行为是否违规。也即,若环境发生变化,则需要重新读取与环境适配的环境监测模型,以对第二时刻获取的多个第二图像对应的姿态特征,进行违规判断,进而能够对不同环境下的目标对象的行为进行违规检测。
作为上述实施例的可选实施方式,所述环境变化参数小于或等于所述预设参数,则获取与所述第一时刻对应的环境。所述基于所述环境,获取与所述环境参数对应的检测模型的步骤包括:获取与所述第一时刻对应的环境对应的检测模型。所述基于多个所述第二图像,对所述目标对象的行为进行识别,以得到所述目标对象的姿态特征的步骤包括:基于所述第二时刻的多个所述第二图像,对所述目标对象的行为进行识别,以得到所述目标对象在所述第二时刻的姿态特征。所述将所述姿态特征输入到检测模型中进行检测,以判断所述目标对象的行为是否违规的步骤包括:将所述第二时刻的姿态特征输入到与所述第一时刻对应的环境对应的检测模型进行检测,以判断所述目标对象的行为是否违规。也即,若环境发生变化,则无需重新读取与环境适配的环境监测模型,而仍然采用第一时刻对应的环境监测模型对第二时刻获取的多个第二图像对应的姿态特征,进行违规判断。
作为上述实施例的可选实施方式,所述第一时刻和所述第二时刻为相邻的两个采集时刻。也即:计算环境参数变化是基于连续帧的两个第一图像的图像获取,有利于提高环境的甄别准确率。
作为上述实施例的可选实施方式,所述基于所述第一时刻的第一图像和第二时刻的第一图像,计算出所述目标对象的环境变化参数的步骤具体包括:对所述第一图像和所述第二图像分别进行背景分割和灰度转换,以得到所述第一图像的第一背景灰度图像和所述第二图像的第二背景灰度图像;根据第一背景灰度图像和第二背景灰度图像,计算出所述目标对象所处环境的环境变化系数。
其中,环境变化变化系数按照如下方式获取:
式中,Ai代表第一图像的背景灰度图片,Bi代表所述第二图像的背景灰度图片,aj代表所述第一图像的背景灰度图片中第j点的像素,bj代表所述第二图像的背景灰度图片中第j点的像素,d(Ai,Bi)代表所述第一图像的背景灰度图片和所述第二图像的背景灰度图片之间的距离,δ代表所述环境变化系数,所述第一图像和所述第二图像的数量均为m,i代表第i张图片,m≥i>0,i为整数。
图3所示,本申请实施例还提出一种违规检测装置,包括:
捕捉模块10:捕捉目标对象;
第一获取模块20:获取所述目标对象的第一图像和多个第二图像;
第一识别模块30:识别出所述目标对象所处的环境;
第二获取模块40:基于所述环境,获取与所述环境参数对应的检测模型;
第二识别模块50:基于多个所述第二图像,对所述目标对象的行为进行识别,以得到所述目标对象的姿态特征;
检测模块60:将所述姿态特征输入到检测模型中进行检测,以判断所述目标对象的行为是否违规。
作为上述实施例的可选实施方式,所述第一获取模块进一步适于:获取第一时刻的第一图像和多个第二图像;获取第二时刻的第二图像和多个第二图像;所述第一识别模块进一步适于:基于所述第一时刻的第一图像和第二时刻的第一图像,计算出所述目标对象的环境变化参数;若所述环境变化参数大于预设参数,则获取与所述第二时刻对应的环境;所述第二获取模块进一步适于:获取与所述第二时刻对应的环境对应的检测模型;所述第二识别模块进一步适于:基于所述第二时刻的多个所述第二图像,对所述目标对象的行为进行识别,以得到所述目标对象在所述第二时刻的姿态特征;所述检测模块进一步适于:将所述第二时刻的姿态特征输入到与所述第二时刻对应的环境对应的检测模型进行检测,以判断所述目标对象的行为是否违规。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述装置中模块/单元/子单元/组件的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在一些实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储图像采集设备的相关数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种违规检测方法及系统。
在一些实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现违规检测方法及系统。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一些实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一些实施例中,提供了一种计算机可读存储介质,存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
综上所述,本申请还提供的一种违规检测方法,包括:
捕捉目标对象;
获取所述目标对象的第一图像和多个第二图像;
基于所述第一图像,识别出所述目标对象所处的环境;
基于所述环境,获取与所述环境参数对应的检测模型;
基于多个所述第二图像,对所述目标对象的行为进行识别,以得到所述目标对象的姿态特征;
将所述姿态特征输入到检测模型中进行检测,以判断所述目标对象的行为是否违规。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元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单元来实现本实施例方案的目的。
另外,在本申请提供的实施例中的各功能单元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。
所述功能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取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释,此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (9)
1.一种违规行为检测方法,其特征在于,包括如下步骤:
捕捉目标对象;
获取所述目标对象的第一图像和多个第二图像;
基于所述第一图像,识别出所述目标对象所处的环境;
基于所述环境,获取与所述环境参数对应的检测模型;
基于多个所述第二图像,对所述目标对象的行为进行识别,以得到所述目标对象的姿态特征;
将所述姿态特征输入到检测模型中进行检测,以判断所述目标对象的行为是否违规;
其中,所述获取所述目标对象的第一图像和多个第二图像的步骤包括:
获取第一时刻的第一图像和多个第二图像;
获取第二时刻的第二图像和多个第二图像;
所述基于所述第一图像,识别出所述目标对象所处的环境的步骤包括:
基于所述第一时刻的第一图像和第二时刻的第一图像,计算出所述目标对象的环境变化参数;若所述环境变化参数大于预设参数,则获取与所述第二时刻对应的环境;
所述基于所述环境,获取与所述环境参数对应的检测模型的步骤包括:
获取与所述第二时刻对应的环境对应的检测模型;
所述基于多个所述第二图像,对所述目标对象的行为进行识别,以得到所述目标对象的姿态特征的步骤包括:
基于所述第二时刻的多个所述第二图像,对所述目标对象的行为进行识别,以得到所述目标对象在所述第二时刻的姿态特征;
所述将所述姿态特征输入到检测模型中进行检测,以判断所述目标对象的行为是否违规的步骤包括:
将所述第二时刻的姿态特征输入到与所述第二时刻对应的环境对应的检测模型进行检测,以判断所述目标对象的行为是否违规。
2.如权利要求1所述的方法,其特征在于,若所述环境变化参数小于或等于所述预设参数,则获取与所述第一时刻对应的环境;
所述基于所述环境,获取与所述环境参数对应的检测模型的步骤包括:
获取与所述第一时刻对应的环境对应的检测模型;
所述基于多个所述第二图像,对所述目标对象的行为进行识别,以得到所述目标对象的姿态特征的步骤包括:
基于所述第二时刻的多个所述第二图像,对所述目标对象的行为进行识别,以得到所述目标对象在所述第二时刻的姿态特征;
所述将所述姿态特征输入到检测模型中进行检测,以判断所述目标对象的行为是否违规的步骤包括:
将所述第二时刻的姿态特征输入到与所述第一时刻对应的环境对应的检测模型进行检测,以判断所述目标对象的行为是否违规。
3.如权利要求1或2所述的方法,其特征在于,所述基于所述第一时刻的第一图像和第二时刻的第一图像,计算出所述目标对象的环境变化参数的步骤具体包括:
对所述第一图像和所述第二图像分别进行背景分割和灰度转换,以得到所述第一图像的第一背景灰度图像和所述第二图像的第二背景灰度图像;
根据第一背景灰度图像和第二背景灰度图像,计算出所述目标对象所处环境的环境变化系数。
4.如权利要求1或2所述的方法,其特征在于,所述第一时刻和所述第二时刻为相邻的两个采集时刻。
5.如权利要求1所述的方法,其特征在于,所述第一图像由全局摄像机拍摄,多个所述第二图像由不同的局部摄像机拍摄。
6.一种违规行为检测装置,其特征在于,包括:
捕捉模块:捕捉目标对象;
第一获取模块:获取所述目标对象的第一图像和多个第二图像;
第一识别模块:识别出所述目标对象所处的环境;
第二获取模块:基于所述环境,获取与所述环境参数对应的检测模型;
第二识别模块:基于多个所述第二图像,对所述目标对象的行为进行识别,以得到所述目标对象的姿态特征;
检测模块:将所述姿态特征输入到检测模型中进行检测,以判断所述目标对象的行为是否违规。
7.如权利要求6所述的违规行为检测装置,其特征在于,
所述第一获取模块进一步适于:获取第一时刻的第一图像和多个第二图像;获取第二时刻的第二图像和多个第二图像;
所述第一识别模块进一步适于:基于所述第一时刻的第一图像和第二时刻的第一图像,计算出所述目标对象的环境变化参数;若所述环境变化参数大于预设参数,则获取与所述第二时刻对应的环境;
所述第二获取模块进一步适于:获取与所述第二时刻对应的环境对应的检测模型;
所述第二识别模块进一步适于:基于所述第二时刻的多个所述第二图像,对所述目标对象的行为进行识别,以得到所述目标对象在所述第二时刻的姿态特征;
所述检测模块进一步适于:将所述第二时刻的姿态特征输入到与所述第二时刻对应的环境对应的检测模型进行检测,以判断所述目标对象的行为是否违规。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被执行时实现如权利要求1~5中任意一项所述方法的步骤。
9.一种计算机设备,包括处理器、存储器和存储于所述存储器上的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-5中任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210850944.2A CN115019400B (zh) | 2022-07-19 | 2022-07-19 | 违规行为检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210850944.2A CN115019400B (zh) | 2022-07-19 | 2022-07-19 | 违规行为检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115019400A CN115019400A (zh) | 2022-09-06 |
CN115019400B true CN115019400B (zh) | 2023-03-03 |
Family
ID=83079944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210850944.2A Active CN115019400B (zh) | 2022-07-19 | 2022-07-19 | 违规行为检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115019400B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105868690A (zh) * | 2016-03-11 | 2016-08-17 | 博康智能信息技术有限公司 | 识别驾驶员打手机行为的方法和装置 |
CN106004883A (zh) * | 2016-05-24 | 2016-10-12 | 北京小米移动软件有限公司 | 车辆违规提醒的方法及装置 |
CN110287906A (zh) * | 2019-06-26 | 2019-09-27 | 四川长虹电器股份有限公司 | 基于图像视频检测人“玩手机”的方法及系统 |
WO2020164284A1 (zh) * | 2019-02-12 | 2020-08-20 | 平安科技(深圳)有限公司 | 基于平面检测的活体识别方法、装置、终端及存储介质 |
CN113971795A (zh) * | 2021-11-18 | 2022-01-25 | 上海顺诠科技有限公司 | 基于自驾车视觉感测的违规巡检系统及其方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112149511A (zh) * | 2020-08-27 | 2020-12-29 | 深圳市点创科技有限公司 | 基于神经网络的驾驶员违规行为检测方法、终端、装置 |
CN114173094A (zh) * | 2021-12-06 | 2022-03-11 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 视频监控方法、装置、计算机设备和存储介质 |
-
2022
- 2022-07-19 CN CN202210850944.2A patent/CN115019400B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105868690A (zh) * | 2016-03-11 | 2016-08-17 | 博康智能信息技术有限公司 | 识别驾驶员打手机行为的方法和装置 |
CN106004883A (zh) * | 2016-05-24 | 2016-10-12 | 北京小米移动软件有限公司 | 车辆违规提醒的方法及装置 |
WO2020164284A1 (zh) * | 2019-02-12 | 2020-08-20 | 平安科技(深圳)有限公司 | 基于平面检测的活体识别方法、装置、终端及存储介质 |
CN110287906A (zh) * | 2019-06-26 | 2019-09-27 | 四川长虹电器股份有限公司 | 基于图像视频检测人“玩手机”的方法及系统 |
CN113971795A (zh) * | 2021-11-18 | 2022-01-25 | 上海顺诠科技有限公司 | 基于自驾车视觉感测的违规巡检系统及其方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115019400A (zh) | 2022-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108280477B (zh) | 用于聚类图像的方法和装置 | |
EP1768058B1 (en) | Information processing apparatus and control method therefor | |
CN106845331B (zh) | 一种图像处理方法及终端 | |
CN110853033A (zh) | 基于帧间相似度的视频检测方法和装置 | |
CN111626295A (zh) | 车牌检测模型的训练方法和装置 | |
CN111274999A (zh) | 数据处理、图像处理方法、装置及电子设备 | |
CN113034514A (zh) | 天空区域分割方法、装置、计算机设备和存储介质 | |
CN114758249A (zh) | 基于野外夜间环境的目标物监测方法、装置、设备及介质 | |
CN114049568A (zh) | 基于图像比对的标的物形变检测方法、装置、设备及介质 | |
CN111784658A (zh) | 一种用于人脸图像的质量分析方法和系统 | |
CN112862703B (zh) | 基于移动拍照的图像校正方法、装置、电子设备及介质 | |
CN114332457A (zh) | 图像实例分割模型训练、图像实例分割方法和装置 | |
CN115019400B (zh) | 违规行为检测方法及装置 | |
CN115049836B (zh) | 图像分割方法、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 | |
CN115953744A (zh) | 一种基于深度学习的车辆识别追踪方法 | |
CN115660969A (zh) | 图像处理方法、模型训练方法、装置、设备和存储介质 | |
CN114463764A (zh) | 表格线检测方法、装置、计算机设备和存储介质 | |
CN114005052A (zh) | 全景图像的目标检测方法、装置、计算机设备和存储介质 | |
CN113887384A (zh) | 基于多轨迹融合的行人轨迹分析方法、装置、设备及介质 | |
CN111860492A (zh) | 一种车牌倾斜矫正方法、装置、计算机设备和存储介质 | |
CN115035395B (zh) | 用于机场航站楼场景的安全分析装置方法及装置 | |
CN116452878B (zh) | 一种基于深度学习算法与双目视觉的考勤方法及系统 | |
CN117150369B (zh) | 超重预测模型的训练方法及电子设备 | |
CN113255683B (zh) | 一种基于神经网络的图像分割方法、系统及存储介质 |
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 |