CN115631449B - 一种视频智能识别管理方法及系统 - Google Patents

一种视频智能识别管理方法及系统 Download PDF

Info

Publication number
CN115631449B
CN115631449B CN202211629392.9A CN202211629392A CN115631449B CN 115631449 B CN115631449 B CN 115631449B CN 202211629392 A CN202211629392 A CN 202211629392A CN 115631449 B CN115631449 B CN 115631449B
Authority
CN
China
Prior art keywords
camera
preset
abnormal
region
videos
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
Application number
CN202211629392.9A
Other languages
English (en)
Other versions
CN115631449A (zh
Inventor
丁强
时培成
王超
刘壮
张�杰
刘欢
冷险峰
宋亚军
黎锋
薛德仕
周志刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Power Technology Co ltd
Original Assignee
Nanjing Power Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Power Technology Co ltd filed Critical Nanjing Power Technology Co ltd
Priority to CN202211629392.9A priority Critical patent/CN115631449B/zh
Publication of CN115631449A publication Critical patent/CN115631449A/zh
Application granted granted Critical
Publication of CN115631449B publication Critical patent/CN115631449B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • 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
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G06V10/225—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition based on a marking or identifier characterising the area
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • 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
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Alarm Systems (AREA)

Abstract

本发明涉及监控管理技术领域，具体公开了一种视频智能识别管理方法及系统，所述方法包括获取摄像头布置信息，基于摄像头布置信息调整摄像头类型及其工作参数；实时接收摄像头获取到的视频，基于所述摄像头布置信息将视频转换为区域图像组；根据预设的卷积核遍历匹配所述区域图像组，获取异常区域及其异常时长；对满足预设时长阈值的异常区域进行生物特征识别，根据生物特征识别结果生成警示信息。本发明接收摄像头获取到的视频并进行拼接，得到基于时间排序的区域图像组，统计预先获取的异常区域，生成异常区域对应的卷积核，根据所述卷积核遍历区域图像组，查询并定位异常区域，最后对异常区域进行生物识别，搭建了智能化的工作人员监控系统。

Description

一种视频智能识别管理方法及系统
技术领域
本发明涉及监控管理技术领域，具体是一种视频智能识别管理方法及系统。
背景技术
随着生产力的提高以及物质需求的增多，生产建设活动一直在进行并且如火如荼；在现有的生产建设活动中，管理方会预先安装摄像头，由摄像头对区域静物和工作人员进行识别。但是，具体的识别过程还是依赖于人工，即，工作人员实时的观察摄像头获取到的图像，一旦发现问题，由人工进行上报；这一工作非常枯燥，工作人员的工作压力很大，有时候会出现监控失误的情形。
发明内容
本发明的目的在于提供一种视频智能识别管理方法及系统，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种视频智能识别管理方法，所述方法包括：
获取摄像头布置信息，基于摄像头布置信息调整摄像头类型及其工作参数；所述摄像头类型至少包括固定式摄像头和转向式摄像头；
实时接收摄像头获取到的视频，基于所述摄像头布置信息将视频转换为区域图像组；
根据预设的卷积核遍历匹配所述区域图像组，获取异常区域及其异常时长；
对满足预设时长阈值的异常区域进行生物特征识别，根据生物特征识别结果生成警示信息。
作为本发明进一步的方案：所述获取摄像头布置信息，基于摄像头布置信息调整摄像头类型及其工作参数的步骤包括：
在预设的风险记录库中读取风险记录，根据风险记录在预设的作业区地图中标记风险点；其中，不同风险级别对应不同的风险点色值；
获取摄像头布置信息，根据所述摄像头布置信息确定监控网格；所述监控网格与作业区地图范围相同；所述监控网格的交点对应摄像头的位置信息；
根据风险点色值调节监控网格交点处的摄像头类型及其工作参数；
其中，在根据风险点色值调节监控网格交点处的摄像头类型及其工作参数的步骤中，根据风险点色值调节监控网格的区域密度；所述区域密度用于表征某一区域的网格单元尺寸。
作为本发明进一步的方案：所述实时接收摄像头获取到的视频，基于所述摄像头布置信息将视频转换为区域图像组的步骤包括：
实时接收摄像头获取到的视频，根据摄像头的位置及其工作参数查询其监控范围在作业区地图中的映射区域；
根据时间信息拼接不同摄像头获取到的视频，得到区域图像组；
其中，当相邻的摄像头获取到的视频之间存在重叠时，对两个视频进行逻辑运算，计算识别差异率，当所述识别差异率达到预设的阈值时，生成报错提示并对相应的视频标记为存疑视频。
作为本发明进一步的方案：所述根据预设的卷积核遍历匹配所述区域图像组，获取异常区域及其异常时长的步骤包括：
在预设的卷积核表中读取卷积核，根据所述卷积核依次遍历所述区域图像组中的区域图像，获取异常区域；所述异常区域为与卷积核的相关系数达到预设的系数阈值的子区域；所述子区域与所述卷积核同尺寸；
根据区域图像组的顺序排列获取到的异常区域，计算异常区域的时间特征；所述时间特征由异常区域的出现时段确定；
其中，所述根据所述卷积核依次遍历所述区域图像组中的区域图像的计算公式为：
；
式中，为子区域中点的值，为子区域中的均值，为卷积核中点的值，为卷积核中的均值，为所述子区域和所述卷积核的尺寸。
作为本发明进一步的方案：所述对满足预设时长阈值的异常区域进行生物特征识别，根据生物特征识别结果生成警示信息的步骤包括：
读取满足预设时长阈值的异常区域，对所述异常区域进行轮廓识别，确定目标轮廓及其子轮廓；
计算子轮廓的色值均值，根据子轮廓在目标轮廓中的位置，确定色值数组；
将所述色值数组输入训练好的统计模型，确定目标轮廓的身份信息；
根据所述身份信息生成警示信息。
作为本发明进一步的方案：所述读取满足预设时长阈值的异常区域，对所述异常区域进行轮廓识别，确定目标轮廓及其子轮廓的步骤包括：
读取满足预设时长阈值的异常区域，根据温度信息在所述异常区域中确定目标轮廓；
计算目标轮廓中相邻像素点的色值差，将所述色值差与预设的容差比对；
当所述色值差达到预设的容差时，将所述相邻像素点标记为边界；
根据标记的边界确定子轮廓。
本发明技术方案还提供了一种视频智能识别管理系统，所述系统包括：
摄像头布置模块，用于获取摄像头布置信息，基于摄像头布置信息调整摄像头类型及其工作参数；所述摄像头类型至少包括固定式摄像头和转向式摄像头；
视频转换模块，用于实时接收摄像头获取到的视频，基于所述摄像头布置信息将视频转换为区域图像组；
遍历识别模块，用于根据预设的卷积核遍历匹配所述区域图像组，获取异常区域及其异常时长；
生物识别模块，用于对满足预设时长阈值的异常区域进行生物特征识别，根据生物特征识别结果生成警示信息。
作为本发明进一步的方案：所述摄像头布置模块包括：
风险点标记单元，用于在预设的风险记录库中读取风险记录，根据风险记录在预设的作业区地图中标记风险点；其中，不同风险级别对应不同的风险点色值；
监控网格确定单元，用于获取摄像头布置信息，根据所述摄像头布置信息确定监控网格；所述监控网格与作业区地图范围相同；所述监控网格的交点对应摄像头的位置信息；
摄像头调节单元，用于根据风险点色值调节监控网格交点处的摄像头类型及其工作参数；
其中，在根据风险点色值调节监控网格交点处的摄像头类型及其工作参数的步骤中，根据风险点色值调节监控网格的区域密度；所述区域密度用于表征某一区域的网格单元尺寸。
作为本发明进一步的方案：所述视频转换模块包括：
区域映射单元，用于实时接收摄像头获取到的视频，根据摄像头的位置及其工作参数查询其监控范围在作业区地图中的映射区域；
视频拼接单元，用于根据时间信息拼接不同摄像头获取到的视频，得到区域图像组；
其中，当相邻的摄像头获取到的视频之间存在重叠时，对两个视频进行逻辑运算，计算识别差异率，当所述识别差异率达到预设的阈值时，生成报错提示并对相应的视频标记为存疑视频。
作为本发明进一步的方案：所述生物识别模块包括：
轮廓识别单元，用于读取满足预设时长阈值的异常区域，对所述异常区域进行轮廓识别，确定目标轮廓及其子轮廓；
色值数组生成单元，用于计算子轮廓的色值均值，根据子轮廓在目标轮廓中的位置，确定色值数组；
身份信息确定单元，用于将所述色值数组输入训练好的统计模型，确定目标轮廓的身份信息；
警示信息生成单元，用于根据所述身份信息生成警示信息。
与现有技术相比，本发明的有益效果是：本发明接收摄像头获取到的视频并进行拼接，得到基于时间排序的区域图像组，统计预先获取的异常区域，生成异常区域对应的卷积核，根据所述卷积核遍历区域图像组，查询并定位异常区域，最后对异常区域进行生物识别，搭建了智能化的工作人员监控系统。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例。
图1为视频智能识别管理方法的流程框图。
图2为视频智能识别管理方法的第一子流程框图。
图3为视频智能识别管理方法的第二子流程框图。
图4为视频智能识别管理方法的第三子流程框图。
图5为视频智能识别管理方法的第四子流程框图。
图6为视频智能识别管理系统的组成结构框图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。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。
实施例1
图1为视频智能识别管理方法的流程框图，本发明实施例中，一种视频智能识别管理方法，所述方法包括：
步骤S100：获取摄像头布置信息，基于摄像头布置信息调整摄像头类型及其工作参数；所述摄像头类型至少包括固定式摄像头和转向式摄像头；
在现有的生产区域中，摄像头已经成为了基础设施，几乎每个生产区域都会配备摄像头；这些摄像头大都采用枪机与球机相互配合的架构，通俗地说，就是一个固定式的高清晰度的摄像头和多个活动式的高灵活度的摄像头。
步骤S200：实时接收摄像头获取到的视频，基于所述摄像头布置信息将视频转换为区域图像组；
由摄像头获取到的视频，可以拼接得到区域图像，视频是基于时间排列的图像，因此，由视频拼接得到的数据是一个区域图像组。
步骤S300：根据预设的卷积核遍历匹配所述区域图像组，获取异常区域及其异常时长；
卷积核是图像特征，比如3*3区域大小的异常情况对应的图像特征，由多个预先获取的异常图像组成的训练集确定；通俗地说，所述卷积核是由若干个异常区域共同确定的子集。
步骤S400：对满足预设时长阈值的异常区域进行生物特征识别，根据生物特征识别结果生成警示信息；
在生产区域中，由摄像头判定的异常区域一般都是人为因素引起的异常（设备异常由设备传感器获取），对异常区域进行生物特征识别，可以生成警示信息；所述警示信息可以是未佩戴安全帽、站位存在风险等等。
图2为视频智能识别管理方法的第一子流程框图，所述获取摄像头布置信息，基于摄像头布置信息调整摄像头类型及其工作参数的步骤包括：
步骤S101：在预设的风险记录库中读取风险记录，根据风险记录在预设的作业区地图中标记风险点；其中，不同风险级别对应不同的风险点色值；
生产区域中产生的风险问题都会进行记录，根据风险记录在作业区地图中可以标记风险点；风险记录中含有风险级别，不同风险级别对应不同的色值；所述作业区地图指的就是工作区地图。
步骤S102：获取摄像头布置信息，根据所述摄像头布置信息确定监控网格；所述监控网格与作业区地图范围相同；所述监控网格的交点对应摄像头的位置信息；
读取已经备案的摄像头布置信息，摄像头布置信息是一张网，因此采用网格的形式表示摄像头布置信息。
步骤S103：根据风险点色值调节监控网格交点处的摄像头类型及其工作参数；
结合标记的风险点，根据风险点对摄像头布置信息进行调整；举例来说，调整方式可以是调高风险点处的枪机清晰度。
作为本发明技术方案的一个优选实施例，在根据风险点色值调节监控网格交点处的摄像头类型及其工作参数的步骤中，根据风险点色值调节监控网格的区域密度；所述区域密度用于表征某一区域的网格单元尺寸。
除了调高清晰度，还可以调高摄像头布置密度。
图3为视频智能识别管理方法的第二子流程框图，所述实时接收摄像头获取到的视频，基于所述摄像头布置信息将视频转换为区域图像组的步骤包括：
步骤S201：实时接收摄像头获取到的视频，根据摄像头的位置及其工作参数查询其监控范围在作业区地图中的映射区域；
摄像头获取到的视频与作业区地图之间存在映射关系，在作业区地图中确定映射区域的过程并不困难。
步骤S202：根据时间信息拼接不同摄像头获取到的视频，得到区域图像组；
将同一时刻或同一时刻附近的各个摄像头获取到的视频拼接起来，得到区域图像，对区域图像进行排列，即可得到区域图像组；
在本发明技术方案的一个实例中，当相邻的摄像头获取到的视频之间存在重叠时，对两个视频进行逻辑运算，计算识别差异率，当所述识别差异率达到预设的阈值时，生成报错提示并对相应的视频标记为存疑视频。
图4为视频智能识别管理方法的第三子流程框图，所述根据预设的卷积核遍历匹配所述区域图像组，获取异常区域及其异常时长的步骤包括：
步骤S301：在预设的卷积核表中读取卷积核，根据所述卷积核依次遍历所述区域图像组中的区域图像，获取异常区域；所述异常区域为与卷积核的相关系数达到预设的系数阈值的子区域；所述子区域与所述卷积核同尺寸；
卷积核的数量有很多，每个卷积核都对应一种异常情况，读取一个卷积核，根据卷积核遍历区域图像，计算相关系数，根据计算到的相关系数判断区域图像中是否存在异常情况。
步骤S302：根据区域图像组的顺序排列获取到的异常区域，计算异常区域的时间特征；所述时间特征由异常区域的出现时段确定；
同一个卷积核有可以在不同的区域图像中出现，就意味着不同区域图像中存在同一种异常现象，此时，基于时间对这些异常现象进行排列，即可得到时间特征。
其中，所述根据所述卷积核依次遍历所述区域图像组中的区域图像的计算公式为：
；
式中，为子区域中点的值，为子区域中的均值，为卷积核中点的值，为卷积核中的均值，为所述子区域和所述卷积核的尺寸。
是相关系数，上述计算公式属于现有的相关系数计算公式的变种，m×n是子区域和卷积核的区域大小；分母是标准差的乘积，分子是协方差；其中，区域中的值是单值，因此，在遍历计算过程中，可以对子区域进行数值归一化处理；通俗地说，就是将RGB色值转换为单一数值。含义是以点（x，y）为中心的m×n大小的区域与卷积核之间的相关系数。
图5为视频智能识别管理方法的第四子流程框图，所述对满足预设时长阈值的异常区域进行生物特征识别，根据生物特征识别结果生成警示信息的步骤包括：
步骤S401：读取满足预设时长阈值的异常区域，对所述异常区域进行轮廓识别，确定目标轮廓及其子轮廓；
步骤S402：计算子轮廓的色值均值，根据子轮廓在目标轮廓中的位置，确定色值数组；
步骤S403：将所述色值数组输入训练好的统计模型，确定目标轮廓的身份信息；
在工作区域中，每个工作人员的轮廓特征几乎是固定的，安全帽、工服等，在工作人员数量有限的情况下，由轮廓特征即可确定目标轮廓的身份信息。
步骤S404：根据所述身份信息生成警示信息；
由轮廓特征结合身份信息生成警示信息。
所述读取满足预设时长阈值的异常区域，对所述异常区域进行轮廓识别，确定目标轮廓及其子轮廓的步骤包括：
读取满足预设时长阈值的异常区域，根据温度信息在所述异常区域中确定目标轮廓；
由温度信息定位工作人员的位置；完成这一步骤的前提是，摄像头能够获取热源信息。
计算目标轮廓中相邻像素点的色值差，将所述色值差与预设的容差比对；
当所述色值差达到预设的容差时，将所述相邻像素点标记为边界；
根据标记的边界确定子轮廓；
借鉴现有的轮廓识别技术，计算相邻像素点的色值差，即可轻松的确定边界。
实施例2
图6为视频智能识别管理系统的组成结构框图，本发明实施例中，一种视频智能识别管理系统，所述系统10包括：
摄像头布置模块11，用于获取摄像头布置信息，基于摄像头布置信息调整摄像头类型及其工作参数；所述摄像头类型至少包括固定式摄像头和转向式摄像头；
视频转换模块12，用于实时接收摄像头获取到的视频，基于所述摄像头布置信息将视频转换为区域图像组；
遍历识别模块13，用于根据预设的卷积核遍历匹配所述区域图像组，获取异常区域及其异常时长；
生物识别模块14，用于对满足预设时长阈值的异常区域进行生物特征识别，根据生物特征识别结果生成警示信息。
所述摄像头布置模块11包括：
风险点标记单元，用于在预设的风险记录库中读取风险记录，根据风险记录在预设的作业区地图中标记风险点；其中，不同风险级别对应不同的风险点色值；
监控网格确定单元，用于获取摄像头布置信息，根据所述摄像头布置信息确定监控网格；所述监控网格与作业区地图范围相同；所述监控网格的交点对应摄像头的位置信息；
摄像头调节单元，用于根据风险点色值调节监控网格交点处的摄像头类型及其工作参数；
其中，在根据风险点色值调节监控网格交点处的摄像头类型及其工作参数的步骤中，根据风险点色值调节监控网格的区域密度；所述区域密度用于表征某一区域的网格单元尺寸。
所述视频转换模块12包括：
区域映射单元，用于实时接收摄像头获取到的视频，根据摄像头的位置及其工作参数查询其监控范围在作业区地图中的映射区域；
视频拼接单元，用于根据时间信息拼接不同摄像头获取到的视频，得到区域图像组；
其中，当相邻的摄像头获取到的视频之间存在重叠时，对两个视频进行逻辑运算，计算识别差异率，当所述识别差异率达到预设的阈值时，生成报错提示并对相应的视频标记为存疑视频。
所述生物识别模块14包括：
轮廓识别单元，用于读取满足预设时长阈值的异常区域，对所述异常区域进行轮廓识别，确定目标轮廓及其子轮廓；
色值数组生成单元，用于计算子轮廓的色值均值，根据子轮廓在目标轮廓中的位置，确定色值数组；
身份信息确定单元，用于将所述色值数组输入训练好的统计模型，确定目标轮廓的身份信息；
警示信息生成单元，用于根据所述身份信息生成警示信息。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种视频智能识别管理方法，其特征在于，所述方法包括：
获取摄像头布置信息，基于摄像头布置信息调整摄像头类型及其工作参数；所述摄像头类型至少包括固定式摄像头和转向式摄像头；
实时接收摄像头获取到的视频，基于所述摄像头布置信息将视频转换为区域图像组；
根据预设的卷积核遍历匹配所述区域图像组，获取异常区域及其异常时长；
对满足预设时长阈值的异常区域进行生物特征识别，根据生物特征识别结果生成警示信息；
所述获取摄像头布置信息，基于摄像头布置信息调整摄像头类型及其工作参数的步骤包括：
在预设的风险记录库中读取风险记录，根据风险记录在预设的作业区地图中标记风险点；其中，不同风险级别对应不同的风险点色值；
获取摄像头布置信息，根据所述摄像头布置信息确定监控网格；所述监控网格与作业区地图范围相同；所述监控网格的交点对应摄像头的位置信息；
根据风险点色值调节监控网格交点处的摄像头类型及其工作参数；
其中，在根据风险点色值调节监控网格交点处的摄像头类型及其工作参数的步骤中，根据风险点色值调节监控网格的区域密度；所述区域密度用于表征某一区域的网格单元尺寸；
所述实时接收摄像头获取到的视频，基于所述摄像头布置信息将视频转换为区域图像组的步骤包括：
实时接收摄像头获取到的视频，根据摄像头的位置及其工作参数查询其监控范围在作业区地图中的映射区域；
根据时间信息拼接不同摄像头获取到的视频，得到区域图像组；
其中，当相邻的摄像头获取到的视频之间存在重叠时，对两个视频进行逻辑运算，计算识别差异率，当所述识别差异率达到预设的阈值时，生成报错提示并对相应的视频标记为存疑视频。
2.根据权利要求1所述的视频智能识别管理方法，其特征在于，所述根据预设的卷积核遍历匹配所述区域图像组，获取异常区域及其异常时长的步骤包括：
在预设的卷积核表中读取卷积核，根据所述卷积核依次遍历所述区域图像组中的区域图像，获取异常区域；所述异常区域为与卷积核的相关系数达到预设的系数阈值的子区域；所述子区域与所述卷积核同尺寸；
根据区域图像组的顺序排列获取到的异常区域，计算异常区域的时间特征；所述时间特征由异常区域的出现时段确定；
其中，所述根据所述卷积核依次遍历所述区域图像组中的区域图像的计算公式为：
；
式中，为子区域中点的值，为子区域中的均值，为卷积核中点的值，为卷积核中的均值，为所述子区域和所述卷积核的尺寸。
3.根据权利要求1所述的视频智能识别管理方法，其特征在于，所述对满足预设时长阈值的异常区域进行生物特征识别，根据生物特征识别结果生成警示信息的步骤包括：
读取满足预设时长阈值的异常区域，对所述异常区域进行轮廓识别，确定目标轮廓及其子轮廓；
计算子轮廓的色值均值，根据子轮廓在目标轮廓中的位置，确定色值数组；
将所述色值数组输入训练好的统计模型，确定目标轮廓的身份信息；
根据所述身份信息生成警示信息。
4.根据权利要求3所述的视频智能识别管理方法，其特征在于，所述读取满足预设时长阈值的异常区域，对所述异常区域进行轮廓识别，确定目标轮廓及其子轮廓的步骤包括：
读取满足预设时长阈值的异常区域，根据温度信息在所述异常区域中确定目标轮廓；
计算目标轮廓中相邻像素点的色值差，将所述色值差与预设的容差比对；
当所述色值差达到预设的容差时，将所述相邻像素点标记为边界；.
根据标记的边界确定子轮廓。
5.一种视频智能识别管理系统，其特征在于，所述系统包括：
摄像头布置模块，用于获取摄像头布置信息，基于摄像头布置信息调整摄像头类型及其工作参数；所述摄像头类型至少包括固定式摄像头和转向式摄像头；
视频转换模块，用于实时接收摄像头获取到的视频，基于所述摄像头布置信息将视频转换为区域图像组；
遍历识别模块，用于根据预设的卷积核遍历匹配所述区域图像组，获取异常区域及其异常时长；
生物识别模块，用于对满足预设时长阈值的异常区域进行生物特征识别，根据生物特征识别结果生成警示信息；
所述摄像头布置模块包括：
风险点标记单元，用于在预设的风险记录库中读取风险记录，根据风险记录在预设的作业区地图中标记风险点；其中，不同风险级别对应不同的风险点色值；
监控网格确定单元，用于获取摄像头布置信息，根据所述摄像头布置信息确定监控网格；所述监控网格与作业区地图范围相同；所述监控网格的交点对应摄像头的位置信息；
摄像头调节单元，用于根据风险点色值调节监控网格交点处的摄像头类型及其工作参数；
其中，在根据风险点色值调节监控网格交点处的摄像头类型及其工作参数的步骤中，根据风险点色值调节监控网格的区域密度；所述区域密度用于表征某一区域的网格单元尺寸；
所述视频转换模块包括：
区域映射单元，用于实时接收摄像头获取到的视频，根据摄像头的位置及其工作参数查询其监控范围在作业区地图中的映射区域；
视频拼接单元，用于根据时间信息拼接不同摄像头获取到的视频，得到区域图像组；
其中，当相邻的摄像头获取到的视频之间存在重叠时，对两个视频进行逻辑运算，计算识别差异率，当所述识别差异率达到预设的阈值时，生成报错提示并对相应的视频标记为存疑视频。
6.根据权利要求5所述的视频智能识别管理系统，其特征在于，所述生物识别模块包括：
轮廓识别单元，用于读取满足预设时长阈值的异常区域，对所述异常区域进行轮廓识别，确定目标轮廓及其子轮廓；
色值数组生成单元，用于计算子轮廓的色值均值，根据子轮廓在目标轮廓中的位置，确定色值数组；
身份信息确定单元，用于将所述色值数组输入训练好的统计模型，确定目标轮廓的身份信息；
警示信息生成单元，用于根据所述身份信息生成警示信息。
CN202211629392.9A 2022-12-19 2022-12-19 一种视频智能识别管理方法及系统 Active CN115631449B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211629392.9A CN115631449B (zh) 2022-12-19 2022-12-19 一种视频智能识别管理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211629392.9A CN115631449B (zh) 2022-12-19 2022-12-19 一种视频智能识别管理方法及系统

Publications (2)

Publication Number Publication Date
CN115631449A CN115631449A (zh) 2023-01-20
CN115631449B true CN115631449B (zh) 2023-04-25

Family

ID=84909647

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211629392.9A Active CN115631449B (zh) 2022-12-19 2022-12-19 一种视频智能识别管理方法及系统

Country Status (1)

Country Link
CN (1) CN115631449B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115861859A (zh) * 2023-02-20 2023-03-28 中国科学院东北地理与农业生态研究所 一种坡耕地环境监测方法及系统
CN115934979B (zh) * 2023-02-21 2023-05-16 中国科学院东北地理与农业生态研究所 一种基于多采集端的土壤侵蚀信息管理方法及系统
CN115880673B (zh) * 2023-02-22 2023-05-26 西南石油大学 一种基于计算机视觉的避障方法及系统
CN116074479A (zh) * 2023-03-03 2023-05-05 山东交通学院 基于图像分析的乘务监控系统、方法、设备及存储介质
CN116069976B (zh) * 2023-03-06 2023-09-12 南京和电科技有限公司 一种区域视频分析方法及系统
CN116522261B (zh) * 2023-05-06 2023-12-22 北京瀚海蓝山智能科技有限公司 一种基于大数据的风险信息监控方法及系统
CN118096559A (zh) * 2024-04-25 2024-05-28 吉林省中业光电技术有限公司 一种基于多信道图像融合的视景增强方法及设备

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105812723A (zh) * 2014-12-31 2016-07-27 中兴通讯股份有限公司 一种智能摄像头监控的方法及装置
CN106851209A (zh) * 2017-02-28 2017-06-13 北京小米移动软件有限公司 监控方法、装置及电子设备
CN111191586B (zh) * 2019-12-30 2020-11-27 安徽小眯当家信息技术有限公司 一种施工现场人员安全帽佩戴情况巡检方法及系统
CN115116004A (zh) * 2022-06-27 2022-09-27 禾麦科技开发（深圳）有限公司 一种基于深度学习的办公区域异常行为检测系统及方法
CN115171218A (zh) * 2022-07-29 2022-10-11 国网山西省电力公司物资分公司 一种基于图像识别技术的物资送样异常行为识别系统

Also Published As

Publication number Publication date
CN115631449A (zh) 2023-01-20

Similar Documents

Publication Publication Date Title
CN115631449B (zh) 一种视频智能识别管理方法及系统
US10713776B2 (en) Method for predicting defects in assembly units
US11763443B2 (en) Method for monitoring manufacture of assembly units
CN103886612B (zh) 一种基于水库监控摄像头的水位自动提取方法及系统
CN103543394A (zh) 一种高压电气设备放电紫外成像量化参数提取方法
CN107748901B (zh) 基于相似性局部样条回归的工业过程故障诊断方法
CN113609901A (zh) 一种输变电设备故障监测方法及系统
US20220375056A1 (en) Method for predicting defects in assembly units
CN115171361B (zh) 一种基于计算机视觉的危险行为智能检测预警方法
CN117237367B (zh) 一种基于机器视觉的螺旋叶片厚度磨损检测方法及系统
CN115294145A (zh) 一种输电线路弧垂的测量方法及系统
CN113591597A (zh) 一种基于热成像的智慧治安信息系统
CN117314986A (zh) 基于语义分割的无人机跨模态配电设备巡检图像配准方法
CN116895036A (zh) 一种基于深度学习的耕地保护预警方法及装置
CN115994953A (zh) 电力现场安监追踪方法及系统
CN114663416B (zh) 基于计算机视觉的铜排冷隔缺陷检测方法及系统
CN116259008A (zh) 一种基于计算机视觉的水位实时监测方法
CN115861364A (zh) 一种基于ai识别的现场人员管控方法和系统
CN113743492B (zh) 一种压板行列位置排序方法及装置
CN111414825B (zh) 一种安全帽佩戴检测方法
CN117934481B (zh) 基于人工智能的输电线缆状态识别处理方法及系统
CN117952971B (zh) 一种热喷涂超细粉末用等离子重熔监测方法及系统
CN116311029B (zh) 基于大数据的施工作业违章识别系统及方法
CN115937601B (zh) 一种基于正常样本建模的变电站异常检测方法
CN114782441B (zh) 一种电子元器件生产流水线故障信息识别方法

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
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A Video Intelligent Recognition Management Method and System

Granted publication date: 20230425

Pledgee: Nanjing Bank Co.,Ltd. Nanjing North Branch

Pledgor: Nanjing Power Technology Co.,Ltd.

Registration number: Y2024980003022