CN115412671B - 一种监视移动物体的摄像机快门人工智能调整方法及系统 - Google Patents

Abstract

本发明提供一种监视移动物体的摄像机快门人工智能调整方法及系统，属于人工智能技术领域。该系统包括：速度判断系统，用于获取移动物体在监控区域内的移动速度，并将获取到的所述移动速度传输至所述监控主系统；监控主系统，用于接收所述速度判断系统传输的所述移动速度；监控主系统配置有第一深度学习模块，所述第一深度学习模块被训练以根据所述移动速度确定快门速度的调节目标值；所述监控主系统还根据所述快门速度的调节目标值，生成调节所述监控主摄像机的快门速度的控制信号并发送至所述监控主摄像机；监控主摄像机根据所述控制信号调节快门速度。本发明能够根据移动物体在监控画面上的移动速度自适应调整监控摄像机的快门速度。

Description

一种监视移动物体的摄像机快门人工智能调整方法及系统

技术领域

本发明涉及人工智能技术领域，具体涉及一种监视移动物体的摄像机快门人工智能调整方法及系统。

背景技术

摄像机种类繁多，但其工作的基本原理都是一样的:把光学图像信号转变为电信号，以便于存储或者传输。当拍摄一个物体时，此物体上反射的光被摄像机镜头收集，使其聚焦在摄像器件的受光面(例如摄像管的靶面)上，再通过摄像器件把光转变为电能，即得到了"视频信号"。光电信号很微弱，需通过运放电路进行放大，再经过各种电路进行处理和调整，最后得到的标准信号可以送到录像机等记录媒介上记录下来，或通过传播系统传播或送到监视器上显示出来。

现有的摄像机是完成图像分解和光电信号转换的器件。图像分解是把一幅完整图像分解成若干独立的像素(构成电视图像画面的最小单元)的过程。一般说，像素的数目愈多，图像愈清晰。每个像素只用单一的颜色和亮度表示。摄像器件能把图像中各像素的光信号转变成相应的电信号，再按一定的顺序传送到输出端。摄像器件分摄像管和固体(半导体)摄像器件两大类。

摄像管、电子束器件，又分为析像管、光电倍增析像管、超正析像管和光导摄像管等几种。新型摄像机中多使用小巧的氧化铅光电摄像管。各种摄像管都有一个真空玻壳，里面装有靶面和电子枪。被摄景物透过玻壳上的窗成像于靶面，利用靶面的光电发射效应或光电导效应将靶面各点的照度分布转化为相应的电位分布，将光图像变成电图像。在管外偏转线圈驱动下，电子束逐点逐行扫描靶面，把扫描路径上各像素的电位信号按序输出。

固体摄像器件，一种新型的电荷耦合器件(CCD)。几十万个器件单元排列成阵面，表层具有光敏特性。被摄物体成像于阵面，各单元存储电荷量和照度成正比。利用时钟脉冲和移位控制信号，将阵面各单元信号按一定顺序移出，即可得到强度随时间变化的图像电信号。

摄像机应用很广泛，其中作为监控使用最为广泛，但是现有摄像机在记录图像时，物体在接近监控用摄像机时物体在画面上的移动速度变快，相反，物体如果远离监控用摄像机，则物体在画面上的移动速度变慢。

但是，现有的监控摄像机的快门速度一般是提前设定好的，无法根据监控画面不同物体的移动速度进行调整，造成图像堆积或者闪动的情况，监控效果大大降低，无法在后期追责时提供很好的视频证据。

发明内容

因此，本发明实施例为解决现有的监控摄像机的快门速度一般是提前设定好的，无法根据监控区域不同人员的移动速度进行调整，造成图像堆积或者闪动的情况，监控效果大大降低的技术问题，从而提供一种监视移动物体的摄像机快门人工智能调整方法及系统。

为此，本发明提供一种监视移动物体的摄像机快门人工智能调整系统，其特征在于，包括：监控主系统以及分别与所述监控主系统通信连接的监控主摄像机、速度判断系统；

所述速度判断系统，用于获取移动物体在监控区域内的移动速度，并将获取到的所述移动速度传输至所述监控主系统；

所述监控主系统，用于接收所述速度判断系统传输的所述移动速度；所述监控主系统配置有第一深度学习模块，所述第一深度学习模块被训练以根据所述移动速度确定快门速度的调节目标值；所述监控主系统还根据所述快门速度的调节目标值，生成调节所述监控主摄像机的快门速度的控制信号并发送至所述监控主摄像机；

所述监控主摄像机根据所述控制信号调节快门速度。

可选的，所述监控主系统还用于根据所述移动速度计算所述移动物体到达监控中心位置的时间，所述第一深度学习模块被训练以根据所述移动速度和所述移动物体到达监控中心位置的时间确定快门速度的调节目标值；其中，所述监控中心位置为所述监控主摄像机沿着中心向外延伸的直线区域。

可选的，所述第一深度学习模块使用深度学习模型作为学习模型，所述深度学习模型为包括径向基神经网络和BP神经网络级联的多层神经网络系统；

所述多层神经网络系统是通过粒子群算法优化得到，所述粒子群算法的速度更新公式、位置更新公式和惯性权重的公式如下：

其中，v为当前粒子的速度，x为当前粒子的位置，w′为惯性权重，i为当前粒子的编号，d为维数的编号，γ₁,γ₂为收缩因子，k为当前迭代次数，c₁和c₂为学习因子，r₁和r₂为大于或等于0且小于或等于1的随机数，p为个体最优位置，g为全局最优位置，k_max为最大允许迭代次数，w_max，w_min为最大惯性权重和最小惯性权重。

可选的，所述监控主系统还用于根据所述监控主摄像机采集的图像中所述移动物体周围的像素的亮度值确定所述监控主摄像机的光圈调整值或调整的目标光圈值，并将所述光圈调整值或所述目标光圈值发送至所述监控主摄像机。

可选的，所述速度判断系统包括两个监控副摄像机以及两个距离传感器，每一所述距离传感器对应一个所述监控副摄像机；每个所述监控副摄像机上设置一个时间模块；通过两个所述距离传感器测算所述移动物体与所述距离传感器的距离，并且通过两个所述监控副摄像机上监控到所述移动物体的时间差，换算出所述移动物体的移动距离和移动时间，计算出所述移动物体的所述移动速度。

可选的，所述监控主系统还可以根据两个所述距离传感器测算到的与所述移动物体的距离确定所述移动物体的位置。

本发明还提供一种监视移动物体的摄像机快门人工智能调整方法，包括：

速度判断系统获取移动物体在监控区域内的移动速度，并将获取到的所述移动速度传输至监控主系统；

所述监控主系统接收所述速度判断系统传输的所述移动速度，根据所述移动速度确定快门速度的调节目标值；

所述监控主系统还根据所述快门速度的调节目标值，生成调节监控主摄像机的快门速度的控制信号并发送至所述监控主摄像机；

所述监控主摄像机根据所述控制信号调节快门速度。

可选的，所述监控主系统根据所述移动速度确定快门速度的调节目标值，包括：

所述监控主系统根据所述移动速度计算所述移动物体到达监控中心位置的时间；

所述监控主系统根据所述移动速度和所述移动物体到达监控中心位置的时间确定快门速度的调节目标值。

可选的，所述监控主系统根据所述移动速度确定所述快门速度的调节目标值，包括：

所述监控主系统使用深度学习模型，根据所述移动速度确定所述快门速度的调节目标值；所述深度学习模型为包括径向基神经网络和BP神经网络级联的多层神经网络系统；

所述多层神经网络系统是通过粒子群算法优化得到，所述粒子群算法的速度更新公式、位置更新公式和惯性权重的公式如下：

其中，v为当前粒子的速度，x为当前粒子的位置，w′为惯性权重，i为当前粒子的编号，d为维数的编号，γ₁,γ₂为收缩因子，k为当前迭代次数，c₁和c₂为学习因子，r₁和r₂为大于或等于0且小于或等于1的随机数，p为个体最优位置，g为全局最优位置，k_max为最大允许迭代次数，w_max，w_min为最大惯性权重和最小惯性权重。

可选的，所述监控主系统使用深度学习模型，根据所述移动速度确定所述快门速度的调节目标值之前，还包括：

选择训练集数据获取用的第一移动物体；

控制所述第一移动物体在所述监控主摄像机的监控区域内的不同位置以不同移动方向、不同移动速度移动，并控制所述监控主摄像机以不同的快门速度对所述第一移动物体进行拍摄，获取训练集数据；

使用所述训练集数据对所述深度学习模型进行训练。

可选的，所述方法还包括：

所述监控主系统根据所述监控主摄像机采集的图像中所述移动物体周围的像素的亮度值确定所述监控主摄像机的光圈调整值或调整的目标光圈值，并将所述光圈调整值或所述目标光圈值发送至所述监控主摄像机。

可选的，所述速度判断系统包括两个监控副摄像机以及两个距离传感器，每一所述距离传感器对应一个所述监控副摄像机；每个所述监控副摄像机上设置一个时间模块；

所述速度判断系统获取移动物体在监控区域内的移动速度，包括：

根据两个所述距离传感器测算到的所述移动物体与所述距离传感器之间的距离，以及两个所述监控副摄像机上监控到所述移动物体的时间差，换算出所述移动物体的移动距离和移动时间；

根据所述移动距离和所述移动时间，计算出所述移动物体的所述移动速度。

本发明实施例的技术方案，具有如下优点：

本发明实施例提供的监视移动物体的摄像机快门人工智能调整方法及系统，通过速度判断系统计算移动物体在监控区域内的移动速度，所述监控主系统根据所述移动速度生成调节监控主摄像机的快门速度的控制信号，实现根据移动物体在监控画面上的移动速度自适应调整监控摄像机的快门速度，从而避免图像堆积或闪动，使得图像信息更加清晰，提升监控效果，清晰的视频证据有利于后续追责。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或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，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例1中监视移动物体的摄像机快门人工智能调整系统的一个具体示例的原理框图；

图2为本发明实施例1中监视移动物体的摄像机快门人工智能调整系统的一个具体示例的结构示意图；

图3为本发明实施例2中监视移动物体的摄像机快门人工智能调整方法的一个具体示例的流程图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

在本发明的描述中，需要说明的是，本文所用的术语仅用于描述特定实施例的目的，而并非旨在限制本发明。除非上下文明确指出，否则如本文中所使用的单数形式“一”、“一个”和“该”等意图也包括复数形式。使用“包括”和/或“包含”等术语时，是意图说明存在该特征、整数、步骤、操作、元素和/或组件，而不排除一个或多个其他特征、整数、步骤、操作、元素、组件、和/或其他组合的存在或增加。术语“和/或”包括一个或多个相关列出项目的任何和所有组合。术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连通；可以是无线连接，也可以是有线连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

实施例1

本实施例提供一种监视移动物体的摄像机快门人工智能调整系统，如图1所示，包括：监控主系统1以及分别与所述监控主系统1通信连接的监控主摄像机2、速度判断系统3；

所述速度判断系统3，用于获取移动物体在监控区域内的移动速度，并将获取到的所述移动速度传输至所述监控主系统1；

所述监控主系统1，用于接收所述速度判断系统3传输的所述移动速度；所述监控主系统1配置有第一深度学习模块，所述第一深度学习模块被训练以根据所述移动速度确定快门速度的调节目标值；所述监控主系统1还根据所述快门速度的调节目标值，生成调节所述监控主摄像机2的快门速度的控制信号并发送至所述监控主摄像机2；

所述监控主摄像机2根据所述控制信号调节快门速度。

本实施例中，通过速度判断系统3计算移动物体在监控区域内的移动速度，所述监控主系统1根据所述移动速度生成调节监控主摄像机2的快门速度的控制信号，实现根据移动物体在监控画面上的移动速度自适应调整监控摄像机的快门速度，从而避免图像堆积或闪动，使得图像信息更加清晰，提升监控效果，清晰的视频证据有利于后续追责。

如果监控主摄像机2的监控区域(即摄像范围、视野)中存在两个或两个以上的移动物体，则根据新进入的监控区域的移动物体的移动速度确定快门速度。

可选的，所述监控主系统1还用于根据所述移动速度计算所述移动物体到达监控中心位置的时间，所述第一深度学习模块被训练以根据所述移动速度和所述移动物体到达监控中心位置的时间确定快门速度的调节目标值；其中，所述监控中心位置为所述监控主摄像机2沿着中心向外延伸的直线区域。

可选的，所述第一深度学习模块使用深度学习模型作为学习模型，所述深度学习模型为包括径向基神经网络和BP神经网络级联的多层神经网络系统；

所述多层神经网络系统是通过粒子群算法优化得到，所述粒子群算法的速度更新公式、位置更新公式和惯性权重的公式如下：

其中，v为当前粒子的速度，x为当前粒子的位置，w′为惯性权重，i为当前粒子的编号，d为维数的编号，γ₁,γ₂为收缩因子，k为当前迭代次数，c₁和c₂为学习因子，r₁和r₂为大于或等于0且小于或等于1的随机数，p为个体最优位置，g为全局最优位置，k_max为最大允许迭代次数，w_max，w_min为最大惯性权重和最小惯性权重。

本实施例中，在速度更新公式中加入了收缩因子，可以加快算法的收敛速度。

可选的，收缩因子的计算公式如下：

利用所述粒子群算法对所述多层神经网络系统进行优化的方法为：

确定粒子个数、最大惯性权重、最小惯性权重、加速系数及迭代次数；

将各粒子的位置和速度进行初始化，具体可以在一个区间内随机产生粒子的初始速度及初始位置，粒子的位置的各维参数表示的是所述多层神经网络系统的网络权值和阈值；

计算每个粒子的适应度函数值，具体的，可将每一个粒子的初始化位置赋值给所述多层神经网络系统中的网络权值和阈值，使用赋值后的所述多层神经网络系统对训练集进行快门速度的调节目标值的确定，并计算所述多层神经网络系统确定的调节目标值与所述训练集对应的标签之间的误差(例如均方误差)，根据该误差计算所述适应度函数值；

对每个粒子，将其当前位置的适应度函数值与其历史位置的适应度函数值的最小值进行比较，如果更小，则当前位置为当前最好的位置；

对每个粒子，将其当前位置的适应度函数值与历史的全局最好位置的适应度函数值进行比较，如果更小，则记录对应的粒子编号；

判断迭代次数是否达到了最大次数或者是否达到最小误差要求，如果达到，则停止迭代，输出记录粒子编号的粒子最终的最好位置的各维参数作为多层神经网络系统训练的初始网络权值和阈值；否则，根据上述的速度更新公式、位置更新公式更新每个粒子的速度和当前位置，检查粒子速度和位置是否越界，如果越界则再次更新粒子的速度和当前位置，直至不越界，并转到上述计算每个粒子的适应度函数值的步骤。

可选的，所述多层神经网络系统包括输入层、隐藏层和输出层，其中，所述输入层和隐藏层中包括径向基神经网络，所述输出层中包括BP神经网络。

所述多层神经网络系统的目标函数为：

其中，a，b为比例系数，w_i为第i个网络权值，n为网络权值的总数量，ε是以ε^P为元素的向量，W_k为第k次迭代的网络权值向量，J为雅可比矩阵，μ的作用是控制步长。

所述目标函数可以在保证网络训练误差小的同时使得网络具有较小的权值，也即缩小了网络的规模。

所述比例系数a，b的确定方法可以为：

其中，β为所述多层神经网络系统的有效参数个数，N为所述多层神经网络系统的参数总数。

本实施例中，在获取移动物体在监控区域内的移动速度后，不需要进行相机标定(图像坐标系、像素坐标系、相机坐标系与世界坐标系之间的转换)即可实现根据移动物体在监控画面上的移动速度自适应调整监控摄像机的快门速度，降低了计算量，减少生成调节快门速度的控制信号的时间，避免计算处理时间过长导致根据控制信号进行快门速度的调整时已不适合调整时的情况(具体来说已经与调整时移动物体在监控画面上的移动速度)。

另外，由于移动物体在接近监控主摄像机2时移动物体在监控画面上的移动速度变快，相反，移动物体如果远离监控主摄像机2，则移动物体在监控画面上的移动速度变慢，也即是说，监控画面放大了速度的变化，而根据移动物体的速度确定快门速度的调节到实际调节快门之间是有一定时延的，因此本实施例中并非直接根据移动物体在监控画面的移动速度确定所述快门速度的调节目标值，而是直接根据移动物体在监控区域内实际的移动速度确定所述快门速度的调节目标值，可以减小快门调节控制信号生成与实际的快门调节之间的时延带来的影响，使得快门速度的调节更加符合实际调整时的需要。

可选的，所述深度学习模块的输入还可以包括以下至少之一：所述移动物体与所述监控主摄像机2之间的相对位置关系，移动物体的移动方向与所述监控主摄像机2之间的相对位置关系(例如移动物体的移动方向与所述监控中心位置之间的夹角)。所述移动物体的移动方向可以根据短时间内移动物体的位置变换确定。

所述监控主摄像机2中(具体可以是摄像机主机中)设置有图像识别检测模块，所述图像识别检测模块用于判断是否有移动物体进入监控区域，具体可以通过判断监控画面上是否有移动物体进入来判断。本实施例中，所述图像识别检测模块仅需简单地实现移动中的物体的检测即可。

另外，所述监控主摄像机2中设有第一数据库，所述监控主系统1中设置第二数据库，所述第一数据库中记录监控主摄像机2拍摄的图像信息，并且传输给第二数据库备份，所述第二数据库用于记录第一数据库传输的图像信息。

进一步可选的，所述监控主摄像机2中还设置有图像更新模块，所述图像更新模块上设置时间设定模块，所述时间设定模块用于设定所述第一数据库中的图像信息的保存时长(例如30天)，所述图像更新模块对所述第一数据库中超过所述保存时长的图像信息做删除处理，以空出存储空间记录最新采集的图像信息，例如可以以覆盖式的方式使用最新拍摄得到的图像信息替换所述第一数据库中超过所述保存时长的图像信息。本实施例中，为了保证所述监控主摄像机2能够有更长的使用寿命，并且保证监控主摄像机2有更好的反应速度，需要对监控主摄像机2内的数据进行自主清理。

其他可选的具体实施方式中，所述监控主摄像机2也可以是不具有数据保存装置的电视摄像机。

可选的，所述深度学习模型的训练集数据是通过以下方式获取到：

选择训练集数据获取用的第一移动物体；

控制所述第一移动物体在所述监控主摄像机2的监控区域内的不同位置以不同移动方向、不同移动速度移动，并控制所述监控主摄像机2以不同的快门速度对所述第一移动物体进行拍摄。

本实施例中，训练集数据收集容易，使得深度学习模型的训练效果能够得到保证。

训练集的标签包括堆积、闪动和正常等。

可选的，所述监控主系统1还用于根据所述监控主摄像机2采集的图像中所述移动物体周围的像素的亮度值确定所述监控主摄像机2的光圈调整值或调整的目标光圈值，并将所述光圈调整值或所述目标光圈值发送至所述监控主摄像机2。

其中，所述移动物体周围的像素可以包括与所述移动物体的轮廓(也即边缘)相邻的一个或多个像素，还可以包括所述移动物体的轮廓。

在同等光照条件下，摄像机光圈的F值越大，表示光圈的通光量越小，拍摄所需的快门速度较慢；反之，F值越小，表示光圈的通光量越大，拍摄所需的快门速度较快。也即监控主摄像机2的快门速度和光圈具有相关关系。因此，通过提供光圈优先模式和快门速度优先模式，可以获得最佳值。当变更快门速度时，图像的对比度有时会变得极端。在这种情况下，根据图像质量的状态，最佳地调整快门速度和光圈。

调整光圈值是为了防止在背景明亮时光圈缩小而移动物体变暗，相反在背景暗的情况下光圈打开而移动物体变得纯白，导致难以进行移动物体的识别。

本实施例中，所述监控主摄像机2中的图像识别检测模块从采集的图像中检测到移动物体后，求出图像中该物体周围的像素的亮度，并据此调整光圈值。具体来说，所述监控主摄像机2根据所述光圈调整值或目标光圈值调整光圈。

具体的，所述监控主系统1中配置有第二深度学习模块，所述第二深度学习模块被训练根据移动物体的背景亮度确定合适的光圈值。

其他可选的具体实施方式中，可以预先建立背景亮度与光圈值的对应表，所述监控主系统1可以通过查表或者查表结合插值的方式确定合适的光圈值。

可选的，如图2所示，所述速度判断系统3包括两个监控副摄像机31以及两个距离传感器32，每一所述距离传感器对应一个所述监控副摄像机；每个所述监控副摄像机上设置一个时间模块；通过两个所述距离传感器测算所述移动物体与所述距离传感器的距离，并且通过两个所述监控副摄像机上监控到所述移动物体的时间差，换算出所述移动物体的移动距离和移动时间，计算出所述移动物体的所述移动速度。

其他可选的具体实施方式中，所述速度判断系统3也可以将换算出的所述移动物体的移动距离和移动时间发送至所述监控主系统1，然后由所述监控主系统1计算出所述移动速度。

所述时间模块记录的时间与所述监控主系统1记录的时间同步。

进一步可选的，所述速度判断系统3至少包括两组，监控区域以地面水平面界定，监控区域的左右两侧每侧至少设置一个速度判断系统3。

可选的，所述监控主系统1还可以根据两个所述距离传感器测算到的与所述移动物体的距离确定所述移动物体的位置。

具体的，两个所述距离传感器之间的距离是固定的且可以预先测量得到的，因此可以根据两个距离传感器与移动物体之间的距离以及两个距离传感器之间的距离唯一确定一个三角形，然后根据三角形的两个顶点位置(即两个距离传感器的位置)确定另外一个顶点的位置，即所述移动物体的位置。

然后，根据移动物体的位置以及所述监控主摄像机2的位置，确定移动物体与监控主摄像机2之间的相对位置关系。

若所述监控区域内存在多个移动物体，则两个所述距离传感器分别测量其与多个移动物体之间的距离，对两个所述距离传感器测量得到的距离进行两两组合(即一个距离传感器测量得到的距离中选择一个，另一个距离传感器测量得到的距离中选择另一个，组成距离对)，然后分别与两个距离传感器之间的距离组合成三角形定位出待验证的移动物体，然后对待验证的移动物体在监控副摄像机拍摄到的图像中进行标定，若标定位置识别出移动物体，则将待验证的移动物体与识别出的移动物体进行关联(也即认为是同一个移动物体)，否则忽略该待验证的移动物体。

从而，可以对监控区域内的多个移动物体进行区分和跟踪，以获取移动物体对应的移动速度。

另外，本发明实施例中也可以根据移动速度，变更监控主摄像机2中图像记录单元的记录帧速率。即，在移动物体的移动速度大于等于规定值的情况下，提高记录速度。通常，在监视装置中，为了长时间记录图像，降低帧速率进行记录。因此，例如，也可以控制图像记录单元，以使其根据移动物体在监控画面上的速度提高的情况来提高帧速率。

实施例2

本实施例提供一种监视移动物体的摄像机快门人工智能调整方法，如图3所示，包括以下步骤：

S1：速度判断系统获取移动物体在监控区域内的移动速度，并将获取到的所述移动速度传输至监控主系统；

S2：所述监控主系统接收所述速度判断系统传输的所述移动速度，根据所述移动速度确定快门速度的调节目标值；

S3：所述监控主系统还根据所述快门速度的调节目标值，生成调节监控主摄像机的快门速度的控制信号并发送至所述监控主摄像机；

S4：所述监控主摄像机根据所述控制信号调节快门速度。

本实施例中，通过速度判断系统计算移动物体在监控区域内的移动速度，所述监控主系统根据所述移动速度生成调节监控主摄像机的快门速度的控制信号，实现根据移动物体在监控画面上的移动速度自适应调整监控摄像机的快门速度，从而避免图像堆积或闪动，使得图像信息更加清晰，提升监控效果，清晰的视频证据有利于后续追责。

可选的，所述监控主系统根据所述移动速度确定快门速度的调节目标值，包括：

所述监控主系统根据所述移动速度计算所述移动物体到达监控中心位置的时间；

所述监控主系统根据所述移动速度和所述移动物体到达监控中心位置的时间确定快门速度的调节目标值。

可选的，所述监控主系统根据所述移动速度确定所述快门速度的调节目标值，包括：

所述监控主系统使用深度学习模型，根据所述移动速度确定所述快门速度的调节目标值；所述深度学习模型为包括径向基神经网络和BP神经网络级联的多层神经网络系统；

所述多层神经网络系统是通过粒子群算法优化得到，所述粒子群算法的速度更新公式、位置更新公式和惯性权重的公式如下：

其中，v为当前粒子的速度，x为当前粒子的位置，w′为惯性权重，i为当前粒子的编号，d为维数的编号，γ₁,γ₂为收缩因子，k为当前迭代次数，c₁和c₂为学习因子，r₁和r₂为大于或等于0且小于或等于1的随机数，p为个体最优位置，g为全局最优位置，k_max为最大允许迭代次数，w_max，w_min为最大惯性权重和最小惯性权重。

可选的，所述监控主系统使用深度学习模型，根据所述移动速度确定所述快门速度的调节目标值之前，还包括：

选择训练集数据获取用的第一移动物体；

控制所述第一移动物体在所述监控主摄像机的监控区域内的不同位置以不同移动方向、不同移动速度移动，并控制所述监控主摄像机以不同的快门速度对所述第一移动物体进行拍摄，获取训练集数据；

使用所述训练集数据对所述深度学习模型进行训练。

可选的，所述方法还包括：

所述监控主系统根据所述监控主摄像机采集的图像中所述移动物体周围的像素的亮度值确定所述监控主摄像机的光圈调整值或调整的目标光圈值，并将所述光圈调整值或所述目标光圈值发送至所述监控主摄像机。

可选的，所述速度判断系统包括两个监控副摄像机以及两个距离传感器，每一所述距离传感器对应一个所述监控副摄像机；每个所述监控副摄像机上设置一个时间模块；

所述速度判断系统获取移动物体在监控区域内的移动速度，包括：

根据两个所述距离传感器测算到的所述移动物体与所述距离传感器之间的距离，以及两个所述监控副摄像机上监控到所述移动物体的时间差，换算出所述移动物体的移动距离和移动时间；

根据所述移动距离和所述移动时间，计算出所述移动物体的所述移动速度。

详细可参阅上述实施例1，本实施例不再赘述。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (8)

1.一种监视移动物体的摄像机快门人工智能调整系统，其特征在于，包括：监控主系统以及分别与所述监控主系统通信连接的监控主摄像机、速度判断系统；

所述速度判断系统，用于获取移动物体在监控区域内的移动速度，并将获取到的所述移动速度传输至所述监控主系统；

所述监控主系统，用于接收所述速度判断系统传输的所述移动速度；所述监控主系统配置有第一深度学习模块，所述第一深度学习模块被训练以根据所述移动速度确定快门速度的调节目标值；所述监控主系统还根据所述快门速度的调节目标值，生成调节所述监控主摄像机的快门速度的控制信号并发送至所述监控主摄像机；

所述监控主摄像机根据所述控制信号调节快门速度；

所述第一深度学习模块使用深度学习模型作为学习模型，所述深度学习模型为包括径向基神经网络和BP神经网络级联的多层神经网络系统；

所述多层神经网络系统是通过粒子群算法优化得到，所述粒子群算法的速度更新公式、位置更新公式和惯性权重的公式如下：

其中，v为当前粒子的速度，x为当前粒子的位置，w'为惯性权重，i为当前粒子的编号，d为维数的编号，γ₁,γ₂为收缩因子，k为当前迭代次数，c₁和c₂为学习因子，r₁和r₂为大于或等于0且小于或等于1的随机数，p为个体最优位置，g为全局最优位置，k_max为最大允许迭代次数，w_max，w_min为最大惯性权重和最小惯性权重。

2.根据权利要求1所述的系统，其特征在于，所述监控主系统还用于根据所述移动速度计算所述移动物体到达监控中心位置的时间，所述第一深度学习模块被训练以根据所述移动速度和所述移动物体到达监控中心位置的时间确定快门速度的调节目标值；其中，所述监控中心位置为所述监控主摄像机沿着中心向外延伸的直线区域。

3.根据权利要求1所述的系统，其特征在于，所述监控主系统还用于根据所述监控主摄像机采集的图像中所述移动物体周围的像素的亮度值确定所述监控主摄像机的光圈调整值或调整的目标光圈值，并将所述光圈调整值或所述目标光圈值发送至所述监控主摄像机。

4.根据权利要求1所述的系统，其特征在于，所述速度判断系统包括两个监控副摄像机以及两个距离传感器，每一所述距离传感器对应一个所述监控副摄像机；每个所述监控副摄像机上设置一个时间模块；通过两个所述距离传感器测算所述移动物体与所述距离传感器的距离，并且通过两个所述监控副摄像机上监控到所述移动物体的时间差，换算出所述移动物体的移动距离和移动时间，计算出所述移动物体的所述移动速度。

5.根据权利要求4所述的系统，其特征在于，所述监控主系统还可以根据两个所述距离传感器测算到的与所述移动物体的距离确定所述移动物体的位置。

6.一种监视移动物体的摄像机快门人工智能调整方法，其特征在于，包括以下步骤：

速度判断系统获取移动物体在监控区域内的移动速度，并将获取到的所述移动速度传输至监控主系统；

所述监控主系统接收所述速度判断系统传输的所述移动速度，根据所述移动速度确定快门速度的调节目标值；

所述监控主系统还根据所述快门速度的调节目标值，生成调节监控主摄像机的快门速度的控制信号并发送至所述监控主摄像机；

所述监控主摄像机根据所述控制信号调节快门速度；

所述监控主系统根据所述移动速度确定所述快门速度的调节目标值，包括：

所述监控主系统使用深度学习模型，根据所述移动速度确定所述快门速度的调节目标值；所述深度学习模型为包括径向基神经网络和BP神经网络级联的多层神经网络系统；

所述多层神经网络系统是通过粒子群算法优化得到，所述粒子群算法的速度更新公式、位置更新公式和惯性权重的公式如下：

其中，v为当前粒子的速度，x为当前粒子的位置，w'为惯性权重，i为当前粒子的编号，d为维数的编号，γ₁,γ₂为收缩因子，k为当前迭代次数，c₁和c₂为学习因子，r₁和r₂为大于或等于0且小于或等于1的随机数，p为个体最优位置，g为全局最优位置，k_max为最大允许迭代次数，w_max，w_min为最大惯性权重和最小惯性权重。

7.根据权利要求6所述的方法，其特征在于，还包括：

所述监控主系统根据所述监控主摄像机采集的图像中所述移动物体周围的像素的亮度值确定所述监控主摄像机的光圈调整值或调整的目标光圈值，并将所述光圈调整值或所述目标光圈值发送至所述监控主摄像机。

8.根据权利要求6所述的方法，其特征在于，所述速度判断系统包括两个监控副摄像机以及两个距离传感器，每一所述距离传感器对应一个所述监控副摄像机；每个所述监控副摄像机上设置一个时间模块；

所述速度判断系统获取移动物体在监控区域内的移动速度，包括：

根据两个所述距离传感器测算到的所述移动物体与所述距离传感器之间的距离，以及两个所述监控副摄像机上监控到所述移动物体的时间差，换算出所述移动物体的移动距离和移动时间；

根据所述移动距离和所述移动时间，计算出所述移动物体的所述移动速度。

Images