CN116071698A - 预警方法、装置、电子设备及存储介质 - Google Patents
预警方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116071698A CN116071698A CN202211640391.4A CN202211640391A CN116071698A CN 116071698 A CN116071698 A CN 116071698A CN 202211640391 A CN202211640391 A CN 202211640391A CN 116071698 A CN116071698 A CN 116071698A
- Authority
- CN
- China
- Prior art keywords
- target
- early warning
- image
- image recognition
- equipment
- 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
- 238000000034 method Methods 0.000 title claims abstract description 100
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 40
- 230000004044 response Effects 0.000 claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 description 20
- 238000012544 monitoring process Methods 0.000 description 18
- 230000014509 gene expression Effects 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 9
- 230000009471 action Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 230000001960 triggered effect Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013515 script Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- 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
- G06V20/44—Event detection
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Educational Technology (AREA)
- Multimedia (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Computer Security & Cryptography (AREA)
- Development Economics (AREA)
- Emergency Management (AREA)
- Alarm Systems (AREA)
Abstract
本申请实施例提供了一种预警方法、装置、电子设备及存储介质。所述方法包括:获取目标区域内的目标摄像设备采集的目标图像;调用所述目标摄像设备对应的目标图像识别模型对所述目标图像进行处理,得到图像识别结果;根据所述目标摄像设备对应的目标预警规则,确定所述图像识别结果是否满足预警条件;响应于所述图像识别结果满足预警条件,生成并输出预警信息。本申请实施例通过模型对目标区域内的图像进行识别,以及时识别安全风险事件,并在满足预警条件时及时输出预警提示信息,可以在安全事故进一步恶化前及时阻止,从而保障人员的生命安全,提升应急响应的能力。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种预警方法、装置、电子设备及存储介质。
背景技术
校园安全是社会安全的重要组成部分,关系到青少年儿童的身心健康,也关系到我国教育事业的健康发展,甚至影响到家庭幸福和整个社会的安定和谐。
现有智能校园监控系统是利用监控设备对学校场所进行全方位视频立体化监控。另外可以对摄像机、云台进行远程控制,并对监控内容进行数字录像和储存,对数字录像文件进行编辑、检索和回放功能。
现有技术通过依赖摄像机、线缆、录像机和监视器等专用设备。例如,摄像机通过专用同轴缆输出视频信号。有限监控能力只支持本地监控,受到模拟视频缆传输长度和缆放大器限制。还存在监控设备故障导致视频存储失败,事后难追溯问题。已有设备老旧,厂家服务响应慢、已有安防系统覆盖场景缺失。覆盖校园安防全应用场景的产品一次性投入成本高,重新建设的预算相对较高。最重要的是已有安防系统缺失AI能力、无法及时发现校园内随时有可能发生的安全事件,无法对摄像头的视频信息进行实时分析,将发生的安全隐患进行智能识别,通过识别到的安全风险自动派单给学校的负责人进行处理,如陌生人闯入校园、踩踏事件,学生到达危险区域等事件。无法向校园安全负责人和校长老师精准推送安全预警信息,现有校园监控系统无法广播,道闸等终端无法自动发出联动预警。缺乏事前、事发、事中、事后立体防控能力。
发明内容
本申请实施例所要解决的技术问题是提供一种预警方法、装置、电子设备及存储介质,以通过模型对目标区域内的图像进行识别,以及时识别安全风险事件,并在满足预警条件时及时输出预警提示信息,可以在安全事故进一步恶化前及时阻止,从而保障人员的生命安全,提升应急响应的能力。
第一方面,本申请实施例提供了一种预警方法,所述方法包括:
获取目标区域内的目标摄像设备采集的目标图像;
调用所述目标摄像设备对应的目标图像识别模型对所述目标图像进行处理,得到图像识别结果;
根据所述目标摄像设备对应的目标预警规则,确定所述图像识别结果是否满足预警条件;
响应于所述图像识别结果满足预警条件,生成并输出预警信息。
可选地,在所述获取目标区域内的目标摄像设备采集的目标图像之前,还包括:
获取所述目标区域内的摄像设备,及所述摄像设备的设备标识;
根据所述摄像设备在所述目标区域内的位置信息,设置所述设备标识对应的预警规则,及所述设备标识对应的图像识别模型;
根据所述位置信息,获取所述摄像设备对应的预警接收设备;
建立并保存所述设备标识、所述预警规则、所述图像识别模型和所述预警接收设备之间的关联关系。
可选地,所述调用所述目标摄像设备对应的目标图像识别模型对所述目标图像进行处理,得到图像识别结果,包括:
获取所述目标摄像设备的目标设备标识;
根据所述关联关系,获取所述目标设备标识对应的所述目标图像识别模型;
调用所述目标图像识别模型对所述目标图像进行处理,得到所述图像识别结果。
可选地,所述根据所述目标摄像设备对应的目标预警规则,确定所述图像识别结果是否满足预警条件,包括:
根据所述目标摄像设备的目标设备标识和所述关联关系,获取所述目标摄像设备的对应的目标预警规则;
将所述图像识别结果与所述目标预警规则进行匹配,得到匹配结果;
根据所述匹配结果,确定是否满足所述预警条件。
可选地,所述调用所述目标摄像设备对应的目标图像识别模型对所述目标图像进行处理,得到图像识别结果,包括:
获取所述目标图像对应的算力需求值;
根据所述算力需求值,从算力节点中筛选出目标算力节点;
将所述目标图像发送给所述目标算力节点,以由所述目标算力节点调用所述目标图像识别模型对所述目标图像进行处理,得到图像识别结果。
可选地,所述响应于所述图像识别结果满足预警条件,生成并输出预警信息,包括:
根据所述目标摄像设备的目标设备标识,确定所述目标摄像设备对应的目标预警接收设备;
响应于所述图像识别结果满足预警条件,生成所述预警信息;
输出所述预警信息至所述目标预警接收设备。
可选地,所述输出所述预警信息至所述目标预警接收设备,包括:
获取所述目标图像的图像生成时间;
确定当前时间与所述图像生成时间之间的时长是否大于或等于时长阈值;
响应于所述时长小于所述时长阈值,输出所述预警信息至所述目标预警接收设备。
第二方面,本申请实施例提供了一种预警装置,所述装置包括:
目标图像获取模块,用于获取目标区域内的目标摄像设备采集的目标图像;
识别结果获取模块,用于调用所述目标摄像设备对应的目标图像识别模型对所述目标图像进行处理,得到图像识别结果;
预警条件确定模块,用于根据所述目标摄像设备对应的目标预警规则,确定所述图像识别结果是否满足预警条件;
预警信息输出模块,用于响应于所述图像识别结果满足预警条件,生成并输出预警信息。
可选地,所述装置还包括:
摄像设备获取模块,用于获取所述目标区域内的摄像设备,及所述摄像设备的设备标识;
识别模型设置模块,用于根据所述摄像设备在所述目标区域内的位置信息,设置所述设备标识对应的预警规则,及所述设备标识对应的图像识别模型;
预警设备获取模块,用于根据所述位置信息,获取所述摄像设备对应的预警接收设备;
关联关系建立模块,用于建立并保存所述设备标识、所述预警规则、所述图像识别模型和所述预警接收设备之间的关联关系。
可选地,所述识别结果获取模块包括:
设备标识获取单元,用于获取所述目标摄像设备的目标设备标识;
目标模型获取单元,用于根据所述关联关系,获取所述目标设备标识对应的所述目标图像识别模型;
识别结果获取单元,用于调用所述目标图像识别模型对所述目标图像进行处理,得到所述图像识别结果。
可选地,所述预警条件确定模块包括:
目标规则获取单元,用于根据所述目标摄像设备的目标设备标识和所述关联关系,获取所述目标摄像设备的对应的目标预警规则;
匹配结果获取单元,用于将所述图像识别结果与所述目标预警规则进行匹配,得到匹配结果;
预警条件确定单元,用于根据所述匹配结果,确定是否满足所述预警条件。
可选地,所述识别结果获取模块包括:
算力需求获取单元,用于获取所述目标图像对应的算力需求值;
目标算力筛选单元,用于根据所述算力需求值,从算力节点中筛选出目标算力节点;
图像识别结果获取单元,用于将所述目标图像发送给所述目标算力节点,以由所述目标算力节点调用所述目标图像识别模型对所述目标图像进行处理,得到图像识别结果。
可选地,所述预警信息输出模块包括:
目标设备确定单元,用于根据所述目标摄像设备的目标设备标识,确定所述目标摄像设备对应的目标预警接收设备;
预警信息生成单元,用于响应于所述图像识别结果满足预警条件,生成所述预警信息;
第一预警信息输出单元,用于输出所述预警信息至所述目标预警接收设备。
可选地,所述预警信息输出模块包括:
图像生成时间获取单元,用于获取所述目标图像的图像生成时间;
时长阈值确定单元,用于确定当前时间与所述图像生成时间之间的时长是否大于或等于时长阈值;
第二预警信息输出单元,用于响应于所述时长小于所述时长阈值,输出所述预警信息至所述目标预警接收设备。
第三方面,本申请实施例提供了一种电子设备,包括:
处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现上述任一项所述的预警方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行上述任一项所述的预警方法。
与现有技术相比,本申请实施例包括以下优点:
本申请实施例中,通过获取目标区域内的目标摄像设备采集的目标图像,调用目标摄像设备对应的目标图像识别模型对目标图像进行处理,得到图像识别结果,根据目标摄像设备对应的目标预警规则,确定图像识别结果是否满足预警条件,响应于图像识别结果满足预警条件,生成并输出预警信息。本申请实施例通过模型对目标区域内的图像进行识别,以及时识别安全风险事件,并在满足预警条件时及时输出预警提示信息,可以在安全事故进一步恶化前及时阻止,从而保障人员的生命安全,提升应急响应的能力。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
图1为本申请实施例提供的一种预警方法的步骤流程图;
图2为本申请实施例提供的一种关联关系建立方法的步骤流程图;
图3为本申请实施例提供的一种图像识别结果获取方法的步骤流程图;
图4为本申请实施例提供的一种预警条件确定方法的步骤流程图;
图5为本申请实施例提供的另一种图像识别结果获取方法的步骤流程图;
图6为本申请实施例提供的一种预警信息输出方法的步骤流程图;
图7为本申请实施例提供的另一种预警信息输出方法的步骤流程图;
图8为本申请实施例提供的一种预警装置的结构示意图;
图9为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。
在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
本申请实施例是通过对摄像头的视频信息进行实时AI分析,基于AI分析能力,平台自动识别重点区域闯入、重点人群监测、人群密度预警,周界预警等,将发生的安全隐患进行智能识别,通过识别到的安全风险自动派单给负责人,将预警信息第一时间下发,并进行处理,同步联动区域内的应急预案及时响应,联动周边的摄像头、广播等物联设备进行提醒,在安全事故进一步恶化前及时阻止,从而保障人员的生命安全,提升应急响应的能力。
接下来结合下述具体实施例对本申请的技术方案进行如下详细描述。
参照图1,示出了本申请实施例提供的一种预警方法的步骤流程图,如图1所示,该预警方法可以包括:步骤101、步骤102、步骤103和步骤104。
步骤101:获取目标区域内的目标摄像设备采集的目标图像。
本申请实施例是运用智能全IP摄像头,所有摄像机都通过经济高效有线或者无线以太网简单连接到网络,以利用现有局域网基础设施。一台工业标准服务器和一套控制管理应用软件就可运行整个监控系统。也能轻松添加更多摄像头,任何经授权客户机都可直接访问任意摄像头,且永久保护监视图像不受硬盘驱动器故障影响,做到实时监控会看。摄像头还具有一定AI识别能力,可以实时捕捉校园内的安全事件。例如,在有安全事故发生时,会捕捉照片进行识别。例如重点区域内出现流动人员,摄像头捕捉流动人员,并发出预警。摄像头捕捉到重点人群面部信息会发出预警。智能捕捉到某一区域人员密度过大发出预警等。同时预警信息会精准、及时地推送给学校安全负责人。并且可以一键启动预警预案,组织疏散,同时联动智能终端,例如校园广播开始播报,智能道闸打开,以最高效,最快的方式解决安全事件。
基于AI的视频分析是视频监控的重要技术,相关的预期也较高。因为实时监控和查看视频监控内容十分具有挑战性,尤其是在处理大量摄像机接入时。传统的人工处理方式不仅效率低下,还容易遗漏信息,而且需要大量人力成本。基于AI的视频分析技术通过使用全面而复杂的算法来分析视频流。AI可以逐像素查看摄像机的图像,几乎不会遗漏任何信息。
视频分析是一项具有挑战性的工作,在视频处理中将逐帧读取视频,并且对于每一帧,将执行图像处理以便从该帧中提取特征。
机器学习算法使用大量采样数据(训练数据)自动构建数学模型,以便能够在无需专门编程的情况下,通过计算结果做出判定。目前市场上也有许多用于图像处理的机器学习框架。OpenCV是一个开源计算机视觉和机器学习的库,主要用于图像识别和视频处理任务。另一方面,TensorFlow是Google创建的开源机器学习框架,用于检测高精度对象。可以将视频处理视为五个关键任务的混合:
物体检测(Object Detection),它是一种计算机视觉形式,可以识别图像或视频中的对象并找到它们。物体识别可以使用这种识别和定位的方法计算场景中的物品,并确定和标注它们的确切位置。
物体识别(Object Recognition),物体识别是一种计算机视觉形式,用于识别图片或视频中的物体。深度学习和机器学习算法的主要结果是物体识别。就类似当人类看图像或看电影时,可以快速发现和甄别人物、事物、场景等信息。
目标跟踪(Object Tracking),目标跟踪是机器视觉领域的重要课题,被广泛应用于智能监控、动作与行为分析、自动驾驶等应用领域。例如在重点区域预警中,目标不仅仅是人,也可能是生物、汽车或其他重要物体。
实时视频分析(Real-Time Video Analytics),摄像机会产生大量视频数据,人工有时无法手动查看存储的图像以进行相关事件的处理。因此需要借助AI智能识别分析,以此来发现监控图像中的重要信息,如周界入侵、危险行为、烟火、可疑人脸等等。
触发实时警报(Triggering Real-Time Alerts),AI通过在视频图像中检测到异常行为时,便做出响应,如:向管理员发出告警信息。视频识别技术提高了态势感知的能力。一些应用示例包括:
1、基于相似外观的告警:视频监控可根据实体外观相似的需求定制告警,如危险物检测、烟火检测等。
2、基于计数的告警:当在给定时间段内在预定位置检测到一定数量的物体(车辆或人)时,可以触发警报。
人脸识别告警:相关部门可以根据从视频图像中提取的信息,以此快速识别罪犯并实时发出告警。
图像识别是人工智能的一个重要领域,是指利用计算机对图像进行处理、分析和理解,以识别各种不同模式的目标和对象的技术。一般工业使用中,采用工业相机拍摄图片,然后再利用软件根据图片灰阶差做进一步识别处理。
在本实施例中,目标区域是指需要进行预警的区域,在本示例中,目标区域可以为学校区域、办公楼区域等,具体地,对于目标区域的具体类型可以根据业务需求而定,本实施例对此不加以限制。
目标摄像设备是指安装于目标区域内的摄像设备,在本示例中,目标摄像设备可以为监控摄像头等设备,具体地,对于目标摄像设备的具体类型可以根据业务需求而定,本实施例对此不加以限制。
目标图像是指由目标摄像设备采集的图像。
在对目标区域内进行安全监控时,可以获取目标区域内的目标摄像设备采集的目标图像。
在获取到目标区域内的目标摄像设备采集的目标图像之后,执行步骤102。
步骤102:调用所述目标摄像设备对应的目标图像识别模型对所述目标图像进行处理,得到图像识别结果。
在本实施例中,针对不同的摄像设备可以设置对应的图像识别模型,以进行预警识别,具体地,对于设置不同摄像设备关联的图像识别模型的过程可以结合图2进行如下详细描述。
参照图2,示出了本申请实施例提供的一种关联关系建立方法的步骤流程图,如图2所示,该关联关系建立方法可以包括:步骤201、步骤202、步骤203和步骤204。
步骤201:获取所述目标区域内的摄像设备,及所述摄像设备的设备标识。
在本实施例中,可以获取目标区域内的摄像设备,以及摄像设备的设备标识。
在具体实现中,每个摄像设备的设备标识可以为数字标识,也可以为英文字符标识等,以标识摄像设备的身份。在本示例中,设备标识可以为在获取到目标区域内所有的摄像设备之后,为每个摄像设备分配的标识等。
在获取到目标区域内的摄像设备以及摄像设备的设备标识之后,执行步骤202。
步骤202:根据所述摄像设备在所述目标区域内的位置信息,设置所述设备标识对应的预警规则,及所述设备标识对应的图像识别模型。
在获取到目标区域内的摄像设备以及摄像设备的设备标识之后,可以根据摄像设备在目标区域内的位置信息设置摄像设备对应的设备标识的预警规则。例如,目标区域以学校区域为例,针对学校区域内的宿舍楼道可以设置人群密度的预警规则。针对学校区域内的校门口区域可以设置车辆数量预警规则等。
在设置设备标识对应的预警规则之后,可以根据预警规则设置设备标识对应的图像识别模型,例如,承接上述示例,针对学校宿舍楼道可以设置人群密度识别模型。针对校门口区域可以设置车流量检测模型等。
可以理解地,上述示例仅是为了更好地理解本申请实施例的技术方案而列举的示例,不作为对本实施例的唯一限制。
在根据摄像设备在目标区域内的位置信息设置设备标识对应的预警规则,及设备标识对应的图像识别模型之后,执行步骤203。
步骤203:根据所述位置信息,获取所述摄像设备对应的预警接收设备。
在根据摄像设备在目标区域内的位置信息设置设备标识对应的预警规则,及设备标识对应的图像识别模型之后,可以根据摄像设备的位置信息获取摄像设备的对应的预警接收设备,即对应负责人的预警接收设备。
可以理解地,在目标区域内,不同的区域可以有相应的负责人,如学校中,宿舍中有宿管,校园区域内有指定负责人等,在本示例中,可以根据摄像设备所监控的区域设置摄像设备对应的预警接收设备。
在根据位置信息获取到摄像设备对应的预警接收设备之后,执行步骤204。
步骤204:建立并保存所述设备标识、所述预警规则、所述图像识别模型和所述预警接收设备之间的关联关系。
在根据位置信息获取到摄像设备对应的预警接收设备之后,可以建立并保存设备标识、预警规则、图像识别模型和预警接收设备之间的关联关系。
在获取到目标区域内的目标摄像设备采集的目标图像之后,可以根据上述建立的关联关系,获取目标摄像设备对应的目标图像识别模型。进而,可以调用目标图像识别模型对目标图像进行处理,以得到图像识别结果。对于该实现过程可以结合图3进行如下详细描述。
参照图3,示出了本申请实施例提供的一种图像识别结果获取方法的步骤流程图,如图3所述,该图像识别结果获取方法可以包括:步骤301、步骤302和步骤303。
步骤301:获取所述目标摄像设备的目标设备标识。
在本实施例中,在获取到目标区域内的目标摄像设备采集的目标图像之后,可以获取目标摄像设备的目标设备标识。
在获取到目标摄像设备的目标设备标识之后,执行步骤302。
步骤302:根据所述关联关系,获取所述目标设备标识对应的所述目标图像识别模型。
在获取到目标摄像设备的目标设备标识之后,可以根据上述关联关系获取目标设备标识对应的目标图像识别模型。
在根据关联关系获取到目标设备标识对应的目标图像识别模型之后,执行步骤303。
步骤303:调用所述目标图像识别模型对所述目标图像进行处理,得到所述图像识别结果。
在根据关联关系获取到目标设备标识对应的目标图像识别模型之后,则可以调用目标图像识别模型对目标图像进行处理,以得到图像识别结果。
在本实施例中,还可以采用分布式算力网络对目标图像进行处理,对于该实现过程可以结合图5进行如下详细描述。
参照图5,示出了本申请实施例提供的另一种图像识别结果获取方法的步骤流程图,如图5所述,该图像识别结果获取方法可以包括:步骤501、步骤502和步骤503。
步骤501:获取所述目标图像对应的算力需求值。
在本实施例中,在获取到目标区域内目标摄像设备采集的目标图像之后,可以获取目标图像对应的算力需求值。
在获取到目标图像对应的算力需求值之后,执行步骤503。
步骤502:根据所述算力需求值,从算力节点中筛选出目标算力节点。
在获取到目标图像对应的算力需求值之后,可以根据算力需求值从算力节点中筛选出目标算力节点。
在根据算力需求值从算力节点中筛选出目标算力节点之后,执行步骤503。
步骤503:将所述目标图像发送给所述目标算力节点,以由所述目标算力节点调用所述目标图像识别模型对所述目标图像进行处理,得到图像识别结果。
在根据算力需求值从算力节点中筛选出目标算力节点之后,可以将目标图像发送给目标算力节点,以由目标算力节点调用目标图像识别模型对目标图像进行处理,得到图像识别结果。
在本实施例中,可以提供云边端协同能力:通过将云端的计算能力进行拓展,边缘云能够深入到传统云无法覆盖到的边缘应用场景。终端侧、边缘数据能够反向连接云中心端,支持从不同的地域、多种业务系统、多种异构数据源、设备中采集数据,轻松实现跨层级的数据交换和应用协同。数据从设备端到边缘端,实现“聚端到边”,从边缘端到云端,实现“数据入云”。
设备端侧重多维感知数据采集和前端智能处理;
边缘端侧重感知数据汇聚、存储、处理和智能应用;
云中心端侧重包括物联网数据在内的多维数据的融合,以及基于AI、大数据的多维分析应用。
算力资源调度能力:支持数据按需汇聚,以及AI算力资源的灵活与精细化调度能力。通过调用AI算法模型规范,将多种AI算法在算法仓中进行管理调度,同时还能管理、调度域内计算存储资源池、数据资源池和AI算法仓库的资源,改善AI计算的资源使用效率,实现算法的灵活接入、AI算力资源的统一调度分配、智能分析结果统一展示等。
支持统一管控云计算节点、边缘计算节点、算力节点、网络资源(含计算节点内部网络和广域网络)等,根据业务需求对算力资源以及相应的网络资源、存储资源等进行统一调度。
实时监测业务流量,动态调整算力资源,完成各类任务高效处理和整合输出,并在满足业务需求的前提下实现资源的弹性伸缩,优化算力分配。
自动派单实现:使用redis作为数据存储,使用timingWhell作为时间的推动者。这样便可以将定时任务的存储和时间推动进行解耦,依赖Redis的AOF机制,也不用过于担心工单数据的丢失。kafka中为了处理成千上万的延时任务选择了多层时间轮的设计,可以从业务角度和开发难度上做了取舍,只选择设计单层的时间轮便可以满足需求。
在调用目标摄像设备对应的目标图像识别模型对目标图像进行处理得到图像识别结果之后,执行步骤103。
步骤103:根据所述目标摄像设备对应的目标预警规则,确定所述图像识别结果是否满足预警条件。
在调用目标摄像设备对应的目标图像识别模型对目标图像进行处理得到图像识别结果之后,可以根据目标摄像设备对应的目标预警规则,确定图像识别结果是否满足预警条件。具体地,可以根据目标摄像设备的标识获取对应的目标预警规则,然后将图像识别结果与目标预警规则进行匹配,以判断是否满足预警条件。对于该实现过程可以结合图4进行如下详细描述。
参照图4,示出了本申请实施例提供的一种预警条件确定方法的步骤流程图,如图4所示,该预警条件确定方法可以包括:步骤401、步骤402和步骤403。
步骤401:根据所述目标摄像设备的目标设备标识和所述关联关系,获取所述目标摄像设备的对应的目标预警规则。
在本实施例中,可以根据目标摄像设备的目标设备标识和上述建立的关联关系,获取目标摄像设备的对应的目标预警规则。
在根据目标摄像设备的目标设备标识和上述建立的关联关系获取目标摄像设备的对应的目标预警规则之后,执行步骤402。
步骤402:将所述图像识别结果与所述目标预警规则进行匹配,得到匹配结果。
在根据目标摄像设备的目标设备标识和上述建立的关联关系获取目标摄像设备的对应的目标预警规则之后,可以将图像识别结果与目标预警规则进行匹配,得到匹配结果。
在将图像识别结果与目标预警规则进行匹配得到匹配结果之后,执行步骤403。
步骤403:根据所述匹配结果,确定是否满足所述预警条件。
在将图像识别结果与目标预警规则进行匹配得到匹配结果之后,可以根据匹配结果判断是否满足预警条件。
在根据目标摄像设备对应的目标预警规则确定图像识别结果满足预警条件之后,执行步骤104。
步骤104:响应于所述图像识别结果满足预警条件,生成并输出预警信息。
在根据目标摄像设备对应的目标预警规则确定图像识别结果满足预警条件之后,可以响应于图像识别结果满足预警条件,生成并输出预警信息。
在本实施例中,可以根据目标摄像设备对应的目标预警接收设备,输出预警信息至目标预警设备,对于该实现过程可以结合图6进行如下详细描述。
参照图6,示出了本申请实施例提供的一种预警信息输出方法的步骤流程图,如图6所示,该预警信息输出方法可以包括:步骤601、步骤602和步骤603。
步骤601:根据所述目标摄像设备的目标设备标识,确定所述目标摄像设备对应的目标预警接收设备。
在本实施例中,在获取到目标摄像设备采集的目标图像之后,可以获取目标摄像设备对应的目标设备标识,并根据目标设备标识确定目标摄像设备对应的目标预警接收设备。
在根据目标摄像设备的目标设备标识确定出目标摄像设备对应的目标预警接收设备之后,执行步骤602。
步骤602:响应于所述图像识别结果满足预警条件,生成所述预警信息。
在根据目标摄像设备的目标设备标识确定出目标摄像设备对应的目标预警接收设备,且确定图像识别结果满足预警条件之后,可以响应于图像识别结果满足预警条件,生成预警信息。
在生成预警信息之后,执行步骤603。
步骤603:输出所述预警信息至所述目标预警接收设备。
在生成预警信息之后,则可以将预警信息输出至目标预警接收设备,以由目标预警接收设备对应的负责人进行后续处理。
在本实施例中,在输出预警信息之前,还需要判断预警时效性,对于该实现过程可以结合图7进行如下详细描述。
参照图7,示出了本申请实施例提供的另一种预警信息输出方法的步骤流程图,如图7所示,该预警信息输出方法可以包括:步骤701、步骤702和步骤703。
步骤701:获取所述目标图像的图像生成时间。
在本实施例中,在获取到目标摄像设备采集的目标图像之后,可以获取目标图像的图像生成时间。
在获取到目标图像的图像生成时间之后,执行步骤702。
步骤702:确定当前时间与所述图像生成时间之间的时长是否大于或等于时长阈值。
在获取到目标图像的图像生成时间之后,可以判断当前时间与图像生成时间之间的时长是否大于或等于时长阈值。
步骤703:响应于所述时长小于所述时长阈值,输出所述预警信息至所述目标预警接收设备。
若当前时间与图像生成时间之间的时长小于时长阈值,则输出预警信息至目标预警接收设备。
在本实施例中,当预警策略判定被触发时,各condition(预警条件)独立进行判定,然后将判定结果按relation(关联度)定义的逻辑关系进行组合判断,若结果为true则将结果汇总到策略判定结果,然后整合策略判定结果进行报警。
当最小判定元condition内只有统计表达式时,遍历判定各统计表达式,首先会判定是否是统计表达式的判定时间,同环比表达式根据属性值time_from,time_to和环比间隔或同比周期来确定。
若不是判定时间,考虑到多个统计表达式的组合判定情况时,各表达式的判定时间可能不一致,可以取出缓存中上次的未过期的判定结果返回。
若是判定时间,则进行同环比计算判定,构造OpenTSDB查询语句调用API查询本期值与基期值,计算得出同/环比值(率),并与阈值进行比较得出判定结果,结果会缓存到Redis,这里也会将此condition的判定置为有效,因为如果condition里的表达式都未达到判定时间,这次判定其实是无效的。
若condition内既有统计表达式又有流式表达式(即为混合预警)时,统计表达式会进行正常的判定运算操作,但对于定时任务触发的流式表达式则直接返回false,因此condition判定结果也为false。
对于时效性的判断策略如下:
一、时间格和缓存的映射维护:假设当前时间currentTime为11:49:50,订单派发时间dispatchTime为11:49:57,那么时间轮的时间格#7中会设置一个哨兵节点(作为是否有数据存储在redis的依据)用来表示该时间段是否会时间事件触发,同时会将这份数据放入到缓存中(key=dispatchTime+ip),当7秒过后,触发了该时间段的数据,便会从redis中获取数据,异步执行相应的业务逻辑。最后,防止由于重启等一些操作导致数据的丢失,哨兵节点的维护也会在缓存中维护一份数据,在重启的时候重新读取。
二、缓存的key统一加上IP标识:由于时间调度器是依附于自身系统的,通过将缓存的key统一加上IP的标识,这样就可以保证各台服务器消费属于自身的数据,从而防止分布式环境下的并发问题,也可以减轻遍历整个列表带来的时间损耗。
三、使用异步线程处理时间格中对应的数据:使用异步线程,是考虑到如果上一个节点发生异常或者超时等情况,会延误下一秒的操作,如果使用异常可以改善调度的即时性问题。可以在设计系统的时候,系统的完善度和业务的满足度是互相关联影响的,单从上述的设计看,是会有些问题的,比如使用IP作为缓存的key,如果集群发生变更便会导致数据不会被消费;使用线程池异步处理也有概率导致数据不会被消费。这些不会被消费的数据会进入到派单池中。从派单场景的需求来看,这些场景是可以被接受的,当然了,本系统会有脚本来进行定期的筛选,将那些进入派单池的工单进行再次派单。
本申请实施例提供的预警方法,通过获取目标区域内的目标摄像设备采集的目标图像,调用目标摄像设备对应的目标图像识别模型对目标图像进行处理,得到图像识别结果,根据目标摄像设备对应的目标预警规则,确定图像识别结果是否满足预警条件,响应于图像识别结果满足预警条件,生成并输出预警信息。本申请实施例通过模型对目标区域内的图像进行识别,以及时识别安全风险事件,并在满足预警条件时及时输出预警提示信息,可以在安全事故进一步恶化前及时阻止,从而保障人员的生命安全,提升应急响应的能力。
参照图8,示出了本申请实施例提供的一种预警装置的结构示意图,如图8所示,该预警装置800可以包括以下模块:
目标图像获取模块810,用于获取目标区域内的目标摄像设备采集的目标图像;
识别结果获取模块820,用于调用所述目标摄像设备对应的目标图像识别模型对所述目标图像进行处理,得到图像识别结果;
预警条件确定模块830,用于根据所述目标摄像设备对应的目标预警规则,确定所述图像识别结果是否满足预警条件;
预警信息输出模块840,用于响应于所述图像识别结果满足预警条件,生成并输出预警信息。
可选地,所述装置还包括:
摄像设备获取模块,用于获取所述目标区域内的摄像设备,及所述摄像设备的设备标识;
识别模型设置模块,用于根据所述摄像设备在所述目标区域内的位置信息,设置所述设备标识对应的预警规则,及所述设备标识对应的图像识别模型;
预警设备获取模块,用于根据所述位置信息,获取所述摄像设备对应的预警接收设备;
关联关系建立模块,用于建立并保存所述设备标识、所述预警规则、所述图像识别模型和所述预警接收设备之间的关联关系。
可选地,所述识别结果获取模块包括:
设备标识获取单元,用于获取所述目标摄像设备的目标设备标识;
目标模型获取单元,用于根据所述关联关系,获取所述目标设备标识对应的所述目标图像识别模型;
识别结果获取单元,用于调用所述目标图像识别模型对所述目标图像进行处理,得到所述图像识别结果。
可选地,所述预警条件确定模块包括:
目标规则获取单元,用于根据所述目标摄像设备的目标设备标识和所述关联关系,获取所述目标摄像设备的对应的目标预警规则;
匹配结果获取单元,用于将所述图像识别结果与所述目标预警规则进行匹配,得到匹配结果;
预警条件确定单元,用于根据所述匹配结果,确定是否满足所述预警条件。
可选地,所述识别结果获取模块包括:
算力需求获取单元,用于获取所述目标图像对应的算力需求值;
目标算力筛选单元,用于根据所述算力需求值,从算力节点中筛选出目标算力节点;
图像识别结果获取单元,用于将所述目标图像发送给所述目标算力节点,以由所述目标算力节点调用所述目标图像识别模型对所述目标图像进行处理,得到图像识别结果。
可选地,所述预警信息输出模块包括:
目标设备确定单元,用于根据所述目标摄像设备的目标设备标识,确定所述目标摄像设备对应的目标预警接收设备;
预警信息生成单元,用于响应于所述图像识别结果满足预警条件,生成所述预警信息;
第一预警信息输出单元,用于输出所述预警信息至所述目标预警接收设备。
可选地,所述预警信息输出模块包括:
图像生成时间获取单元,用于获取所述目标图像的图像生成时间;
时长阈值确定单元,用于确定当前时间与所述图像生成时间之间的时长是否大于或等于时长阈值;
第二预警信息输出单元,用于响应于所述时长小于所述时长阈值,输出所述预警信息至所述目标预警接收设备。
本申请实施例提供的预警装置,通过获取目标区域内的目标摄像设备采集的目标图像,调用目标摄像设备对应的目标图像识别模型对目标图像进行处理,得到图像识别结果,根据目标摄像设备对应的目标预警规则,确定图像识别结果是否满足预警条件,响应于图像识别结果满足预警条件,生成并输出预警信息。本申请实施例通过模型对目标区域内的图像进行识别,以及时识别安全风险事件,并在满足预警条件时及时输出预警提示信息,可以在安全事故进一步恶化前及时阻止,从而保障人员的生命安全,提升应急响应的能力。
本申请实施例还提供了一种电子设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现上述预警方法。
图9示出了本发明实施例的一种电子设备900的结构示意图。如图9所示,电子设备900包括中央处理单元(CPU)901,其可以根据存储在只读存储器(ROM)902中的计算机程序指令或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序指令,来执行各种适当的动作和处理。在RAM903中,还可存储电子设备900操作所需的各种程序和数据。CPU901、ROM902以及RAM903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
电子设备900中的多个部件连接至I/O接口905,包括:输入单元906,例如键盘、鼠标、麦克风等;输出单元907,例如各种类型的显示器、扬声器等;存储单元908,例如磁盘、光盘等;以及通信单元909,例如网卡、调制解调器、无线通信收发机等。通信单元909允许电子设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
上文所描述的各个过程和处理,可由处理单元901执行。例如,上述任一实施例的方法可被实现为计算机软件程序,其被有形地包含于计算机可读介质,例如存储单元908。在一些实施例中,计算机程序的部分或者全部可以经由ROM902和/或通信单元909而被载入和/或安装到电子设备900上。当计算机程序被加载到RAM903并由CPU901执行时,可以执行上文描述的方法中的一个或多个动作。
另外地,本申请实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述预警方法。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本申请实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本申请实施例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,本申请实施例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。
本申请实施例是参照根据本申请实施例的方法、终端(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终端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终端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终端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终端上,使得在计算机或其他可编程终端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终端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。
尽管已描述了本申请实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者终端不仅包括那些要素,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、物品或者终端所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端中还存在另外的相同要素。
以上对本申请所提供的一种预警方法、一种预警装置、一种电子设备和一种计算机可读存储介质,进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种预警方法,其特征在于,所述方法包括:
获取目标区域内的目标摄像设备采集的目标图像;
调用所述目标摄像设备对应的目标图像识别模型对所述目标图像进行处理,得到图像识别结果;
根据所述目标摄像设备对应的目标预警规则,确定所述图像识别结果是否满足预警条件;
响应于所述图像识别结果满足预警条件,生成并输出预警信息。
2.根据权利要求1所述的方法,其特征在于,在所述获取目标区域内的目标摄像设备采集的目标图像之前,还包括:
获取所述目标区域内的摄像设备,及所述摄像设备的设备标识;
根据所述摄像设备在所述目标区域内的位置信息,设置所述设备标识对应的预警规则,及所述设备标识对应的图像识别模型;
根据所述位置信息,获取所述摄像设备对应的预警接收设备;
建立并保存所述设备标识、所述预警规则、所述图像识别模型和所述预警接收设备之间的关联关系。
3.根据权利要求2所述的方法,其特征在于,所述调用所述目标摄像设备对应的目标图像识别模型对所述目标图像进行处理,得到图像识别结果,包括:
获取所述目标摄像设备的目标设备标识;
根据所述关联关系,获取所述目标设备标识对应的所述目标图像识别模型;
调用所述目标图像识别模型对所述目标图像进行处理,得到所述图像识别结果。
4.根据权利要求2所述的方法,其特征在于,所述根据所述目标摄像设备对应的目标预警规则,确定所述图像识别结果是否满足预警条件,包括:
根据所述目标摄像设备的目标设备标识和所述关联关系,获取所述目标摄像设备的对应的目标预警规则;
将所述图像识别结果与所述目标预警规则进行匹配,得到匹配结果;
根据所述匹配结果,确定是否满足所述预警条件。
5.根据权利要求1所述的方法,其特征在于,所述调用所述目标摄像设备对应的目标图像识别模型对所述目标图像进行处理,得到图像识别结果,包括:
获取所述目标图像对应的算力需求值;
根据所述算力需求值,从算力节点中筛选出目标算力节点;
将所述目标图像发送给所述目标算力节点,以由所述目标算力节点调用所述目标图像识别模型对所述目标图像进行处理,得到图像识别结果。
6.根据权利要求2所述的方法,其特征在于,所述响应于所述图像识别结果满足预警条件,生成并输出预警信息,包括:
根据所述目标摄像设备的目标设备标识,确定所述目标摄像设备对应的目标预警接收设备;
响应于所述图像识别结果满足预警条件,生成所述预警信息;
输出所述预警信息至所述目标预警接收设备。
7.根据权利要求6所述的方法,其特征在于,所述输出所述预警信息至所述目标预警接收设备,包括:
获取所述目标图像的图像生成时间;
确定当前时间与所述图像生成时间之间的时长是否大于或等于时长阈值;
响应于所述时长小于所述时长阈值,输出所述预警信息至所述目标预警接收设备。
8.一种预警装置,其特征在于,所述装置包括:
目标图像获取模块,用于获取目标区域内的目标摄像设备采集的目标图像;
识别结果获取模块,用于调用所述目标摄像设备对应的目标图像识别模型对所述目标图像进行处理,得到图像识别结果;
预警条件确定模块,用于根据所述目标摄像设备对应的目标预警规则,确定所述图像识别结果是否满足预警条件;
预警信息输出模块,用于响应于所述图像识别结果满足预警条件,生成并输出预警信息。
9.一种电子设备,其特征在于,包括:
处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现权利要求1至7中任一项所述的预警方法。
10.一种计算机可读存储介质,其特征在于,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行权利要求1至7中任一项所述的预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211640391.4A CN116071698A (zh) | 2022-12-20 | 2022-12-20 | 预警方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211640391.4A CN116071698A (zh) | 2022-12-20 | 2022-12-20 | 预警方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116071698A true CN116071698A (zh) | 2023-05-05 |
Family
ID=86179468
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211640391.4A Pending CN116071698A (zh) | 2022-12-20 | 2022-12-20 | 预警方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116071698A (zh) |
-
2022
- 2022-12-20 CN CN202211640391.4A patent/CN116071698A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110428522B (zh) | 一种智慧新城的智能安防系统 | |
CA2824330C (en) | An integrated intelligent server based system and method/systems adapted to facilitate fail-safe integration and/or optimized utilization of various sensory inputs | |
CN109191761A (zh) | 一种基于火焰多特征融合的火灾识别方法 | |
US20160357762A1 (en) | Smart View Selection In A Cloud Video Service | |
CN106331657A (zh) | 人群聚集及移动的视频分析检测方法及系统 | |
US20110109742A1 (en) | Broker mediated video analytics method and system | |
CN110516529A (zh) | 一种基于深度学习图像处理的投喂检测方法和系统 | |
US20170034483A1 (en) | Smart shift selection in a cloud video service | |
CN106454253A (zh) | 区域徘徊的检测方法及系统 | |
CN106412522A (zh) | 对室内外环境中物体的视频分析检测方法及系统 | |
KR20200052418A (ko) | 딥러닝 기반의 자동 폭력 감지 시스템 | |
CN115002414A (zh) | 监测方法、装置及服务器和计算机可读存储介质 | |
CN110674728B (zh) | 基于视频图像识别玩手机方法、装置、服务器及存储介质 | |
CN115103157A (zh) | 基于边云协同的视频分析方法、装置、电子设备及介质 | |
CN116246416A (zh) | 一种用于安防的智能分析预警平台及方法 | |
CN110895663A (zh) | 一种两轮车识别方法、装置、电子设备及监控系统 | |
Arikuma et al. | Intelligent multimedia surveillance system for safer cities | |
CN117612060A (zh) | 基于人工智能检测的视频预警系统、方法、设备及介质 | |
CN117453835A (zh) | 一种智慧社区管理系统 | |
CN109120896B (zh) | 安防视频监控卫士系统 | |
CN116208633A (zh) | 一种人工智能服务平台系统、方法、设备及介质 | |
CN116071698A (zh) | 预警方法、装置、电子设备及存储介质 | |
Singh et al. | An intelligent video surveillance system using edge computing based deep learning model | |
CN115052128A (zh) | 一种综合视频监控与网络异常检测的机房安全管理方法 | |
Nishanthini et al. | Smart Video Surveillance system and alert with image capturing using android smart phones |
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 |