CN116156149A - 一种用于检测摄像头移动的检测方法及装置 - Google Patents

Abstract

本发明提供了一种用于检测摄像头移动的检测方法及装置，方法包括：定期获取视频流的当前帧图像作为第一待检测帧图像；确定第一检测帧图像的特征向量；利用当前配置的短期参考库中的图像的特征向量的集合与第一待检测帧图像进行比对，以确认第一待检测帧图像所对应的时刻，摄像头是否发生移动；获取视频流的当前帧图像作为第二待检测帧图像；基于第二待检测帧图像的类别以及预先配置的长期参考库，确定第二待检测帧图像所对应的时刻，摄像头是否发生移动。本发明通过使用短期对比模式以及长期对比模式，可以实时的监测摄像头的移动，同时通过和长期摄像头参照库对比，提高了判断的准确性和可靠性。

Description

一种用于检测摄像头移动的检测方法及装置

技术领域

本发明涉及视频监控技术领域，尤其涉及一种用于检测摄像头移动的检测方法及装置。

背景技术

如今视频监控作为安保最主要的手段之一，已被广泛运用于各个领域和地区。其中监控摄像头作为获取实时数据的主力，大量的被安置在大街小巷。监控摄像头在安装时，其镜头涵盖的位置一般都是设计固定好的，这样才可以监视到目标位置。摄像头的移动或损坏会直接造成无法捕捉所需的实时场景或数据缺失，埋下巨大的安全隐患。

摄像头移动可分为事故性移动和人为移动，其中事故性移动包含摄像头故障或因外界自然因素导致摄像头的位置发生变动或遮挡。人为移动顾名思义为人恶意移动或遮挡摄像头导致其无法正常捕捉画面。由于摄像头数量庞大，若是单纯靠人工看监视屏来检测设备是否正常运作，将会损耗巨大的人力也无法做到每天照顾数以万计的摄像头。使得设备故障无法被追溯或者无法及时处理，从而丢失有用数据。

判断摄像头移动的主要方式就是进行帧与帧之间的对比。若对比的两帧之间的区别大于规定阈值，可基本判定为摄像头移动。其难点在于不能简单地通过两帧之间的像素点差异来定义两帧之间的区别，其原因在于摄像头拍摄的内容不断变化，像素点的差异很大并不能表示摄像头的移动，所以常用的方法需要区分拍摄内容的前景和背景部分，而只有背景发生变化才会被认为是摄像头移动。通常采用检测视频流中连续的两帧图像。首先标注图像中纹理块并且将对应位置灰度图相减得到帧差值来判断摄像头是否移动。

首先由于摄像头所处环境可能非常复杂，例如天气突然变换，这样以来虽然画面并没有移动，但由于外界因素(雨，雪)影响导致纹理块进行变化，从而使得现有检测方法出现误判情况。

在安防场景下，移动检测的目的只是判断摄像头是否移动，一旦发生移动则会派遣施工团队对摄像头进行维护，因此对实时性要求并不高。而现有检测方法需检测连续的两帧，检测频率频繁，复杂度高。而且摄像头数量之庞大，若想在每个摄像头上实现现有检测方法，将会产生很高的计算成本，增加硬件资源的投入以及能源的消耗。

更甚，因现有检测方法只是基于连续的两帧，一旦遗漏镜头移动的时间点，并不能够再次发现潜在的问题。

发明内容

本发明要解决的技术问题是，现有的检测技术中，通常需要对前景和背景进行判断，准确度低；或是需要检测连续帧的状态来判断摄像头的移动情况，计算量较大。有鉴于此，本发明提供一种用于检测摄像头移动的检测方法及装置。

本发明采用的技术方案是，所述用于检测摄像头移动的检测方法，包括：

步骤1，定期获取视频流的当前帧图像作为第一待检测帧图像；

步骤2，确定所述第一检测帧图像的特征向量；

步骤3，利用当前配置的短期参考库中的图像的特征向量的集合与所述第一待检测帧图像进行比对，以确认所述第一待检测帧图像所对应的时刻，摄像头是否发生移动；

步骤4，重复所述步骤1至步骤3至预设的周期次数；

步骤5，获取视频流的当前帧图像作为第二待检测帧图像；

步骤6，基于预设的分类模型，对所述第二待检测帧图像做分类处理；

步骤7，基于所述第二待检测帧图像的类别以及预先配置的长期参考库，确定所述第二待检测帧图像所对应的时刻，摄像头是否发生移动。

在一个实施方式中，所述步骤3进一步包括：

所述短期参考库预先配置有N个短期参考帧图像，当获取到所述第一检测帧图像的特征向量时，通过卷积神经网络来判断N+1帧当前图像的特征向量两两之间的第一距离，并利用聚类算法，确定所述第一距离的类别数目，当出现不同类别时，则判定当前所述第一检测帧图像所对应的时刻，摄像头发生了移动。

在一个实施方式中，所述步骤3进一步包括：

当判定所述第一检测帧图像所对应的时刻，摄像头发生了移动时，不对所述短期参考库进行更新；

当未判定所述第一检测帧图像所对应的时刻，摄像头发生了移动时，将所述第一待检测帧图像的特征向量，加入至所述短期参考库，并且删除所述短期参考库中的，时间距当前时刻最长的短期参考帧图像所对应的特征向量。

在一个实施方式中，所述步骤7进一步包括：

确定所述长期参考库中，是否存在与所述第二待检测帧图像处于同一类别的长期参考帧图像，若不存在，将当前所述第二待检测帧图像及其对应类别，配置于所述长期参考库中；

确定所述长期参考库中，是否存在与所述第二待检测帧图像亮度一致的长期参考帧，若不存在，停止对当前所述第二待检测帧图像的检测处理；

利用卷积神经网络，确定所述长期参考库中，亮度以及类别均与所述第二待检测帧图像相同的长期参考帧图像的特征向量，与所述第二待检测帧图像的特征向量之间的第二距离；

当所述第二距离大于预先配置的长期参考阈值时，判定所述第二待检测帧图像对应的时刻，摄像头发生了移动。

在一个实施方式中，步骤7进一步包括：

响应于用户对判定摄像头发生移动的确认信息，重置所述长期参考库；

响应于用户对判定摄像头发生移动的否认信息，确认是否将当前所述第二待检测帧图像加入所述长期参考库。

在一个实施方式中，所述卷积神经网络包括：连体神经网络，采用三元损失函数的卷积神经网络。

本发明的另一方面还提供了一种用于检测摄像头移动的检测装置，包括：

第一获取模块，被配置为定期获取视频流的当前帧图像作为第一待检测帧图像；

计算模块，被配置为确定所述第一检测帧图像的特征向量；

短期检测模块，被配置为利用当前配置的短期参考库中的图像的特征向量的集合与所述第一待检测帧图像进行比对，以确认所述第一待检测帧图像所对应的时刻，摄像头是否发生移动；

迭代模块，被配置为重复所述第一获取模块，所述计算模块，所述短期检测模块的处理至预设的周期次数；

第二获取模块，被配置为获取视频流的当前帧图像作为第二待检测帧图像；

分类模块，被配置为基于预设的分类模型，对所述第二待检测帧图像做分类处理；

长期检测模块，被配置为基于所述第二待检测帧图像的类别以及预先配置的长期参考库，确定所述第二待检测帧图像所对应的时刻，摄像头是否发生移动。

本发明的另一方面还提供了一种电子设备，所述电子设备包括：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如上任一项所述的用于检测摄像头移动的检测方法的步骤。

本发明的另一方面还提供了一种计算机存储介质，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项所述的用于检测摄像头移动的检测方法的步骤。

采用上述技术方案，本发明至少具有下列优点：

本发明提供的用于检测摄像头移动的检测方法，通过结合连体神经网络，二元分类模型和相似距离测量等更可靠的方法，避免了使用传统图像处理技术中需要对前景和背景进行判断，准确度低的缺点。通过使用短期对比模式以及长期对比模式，可以实时的监测摄像头的移动，同时通过和长期摄像头参照库对比，提高了判断的准确性和可靠性。本方法具有检测频率低(计算复杂度低)，准确度及鲁棒性高的特点，可以自适应季节，天气，和光线等变化。

附图说明

图1为根据本发明实施例的用于检测摄像头移动的检测方法流程图；

图2为根据本发明实施例的另一个用于检测摄像头移动的检测方法流程图；

图3为根据本发明实施例的另一个用于检测摄像头移动的检测方法流程图；

图4为根据本发明实施例的连体神经网络的逻辑结构示意图；

图5为根据本发明实施例的对长期参考库的更新逻辑结构示意图；

图6为根据本发明实施例的用于检测摄像头移动的检测装置的组成结构示意图；

图7为根据本发明实施例电子设备结构示意图。

具体实施方式

为更进一步阐述本发明为达成预定目的所采取的技术手段及功效，以下结合附图及较佳实施例，对本发明进行详细说明如后。

在附图中，为了便于说明，已稍微夸大了物体的厚度、尺寸和形状。附图仅为示例而并非严格按比例绘制。

还应理解的是，用语“包括”、“包括有”、“具有”、“包含”和/或“包含有”，当在本说明书中使用时表示存在所陈述的特征、整体、步骤、操作、元件和/或部件，但不排除存在或附加有一个或多个其它特征、整体、步骤、操作、元件、部件和/或它们的组合。此外，当诸如“...中的至少一个”的表述出现在所列特征的列表之后时，修饰整个所列特征，而不是修饰列表中的单独元件。此外，当描述本申请的实施方式时，使用“可以”表示“本申请的一个或多个实施方式”。并且，用语“示例性的”旨在指代示例或举例说明。

如在本文中使用的，用语“基本上”、“大约”以及类似的用语用作表近似的用语，而不用作表程度的用语，并且旨在说明将由本领域普通技术人员认识到的、测量值或计算值中的固有偏差。

除非另外限定，否则本文中使用的所有用语(包括技术用语和科学用语)均具有与本申请所属领域普通技术人员的通常理解相同的含义。还应理解的是，用语(例如在常用词典中定义的用语)应被解释为具有与它们在相关技术的上下文中的含义一致的含义，并且将不被以理想化或过度正式意义解释，除非本文中明确如此限定。

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。

本发明中说明书中对方法流程的描述及本发明说明书附图中流程图的步骤并非必须按步骤标号严格执行，方法步骤是可以改变执行顺序的。而且，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。

本发明第一实施例，一种用于检测摄像头移动的检测方法，如图1所示，包括以下具体步骤：

步骤1，定期获取视频流的当前帧图像作为第一待检测帧图像；

步骤2，确定第一检测帧图像的特征向量；

步骤3，利用当前配置的短期参考库中的图像的特征向量的集合与第一待检测帧图像进行比对，以确认第一待检测帧图像所对应的时刻，摄像头是否发生移动；

步骤4，重复步骤1至步骤3至预设的周期次数；

步骤5，获取视频流的当前帧图像作为第二待检测帧图像；

步骤6，基于预设的分类模型，对第二待检测帧图像做分类处理；

步骤7，基于第二待检测帧图像的类别以及预先配置的长期参考库，确定第二待检测帧图像所对应的时刻，摄像头是否发生移动。

参考图1至图3，下面将分步对本实施例所提供的方法进行详细说明。

步骤1，定期获取视频流的当前帧图像作为第一待检测帧图像。

本实施例中，视频流可以是由一摄像头持续监控从而获取并形成的，定期获取视频流的当前帧图像，可以是在一定间隔的预设时间内，每间隔预设的时间间隔，即截取当前帧的图像作为第一待检测帧图像；也可以是每间隔一定帧数，截取视频流的当前帧图像作为第一待检测帧图像。

步骤2，确定第一检测帧图像的特征向量。

本实施例中，可以通过卷积元深度学习神经网络模型对第一检测帧图像进行处理，以得到对应的特征向量。

示例性地，卷积神经网络模型可以包括连体神经网络，或是采用三元损失函数的卷积神经网络等更可靠的方法。以使用连体神经网络为例，在对模型训练时，采用两帧作为输入，当两帧来自同一个摄像头时，其标注为负样本对。当两帧来自不同摄像头时，其标注为正样本对。通过对大量采集的数据进行训练，直至收敛。此时该模型对待检测帧进行推理，结果特征向量就可以代表本帧的特征信息。通过比较两帧的特征向量(例如计算其欧式距离或者余弦距离)就可以获取两帧之间的相似度，距离越近相似度越高。当其距离超过某一预先配置的阈值时，可以认为两帧来自于不同的摄像头，也就等于该摄像头发生了位置移动。

步骤3，利用当前配置的短期参考库中的图像的特征向量的集合与第一待检测帧图像进行比对，以确认第一待检测帧图像所对应的时刻，摄像头是否发生移动。

本实施例中，短期参考库可以预先配置有N个短期参考帧图像，当获取到第一检测帧图像的特征向量时，可以通过卷积神经网络来判断N+1帧当前图像的特征向量两两之间的第一距离，并利用聚类算法，确定第一距离的类别数目，当出现不同类别时，则判定当前所述第一检测帧图像所对应的时刻，摄像头发生了移动。

具体地，可以设置一个短期检测的检测频率，例如每隔X帧检测一次；短期参考库大小N，即已保留的参考帧数N。对于每个检测帧，通过上述深度学习模型计算其特征向量，并与短期参考库中其他N帧的特征向量进行对比，计算两两之间的距离，共计算得到(N*(N+1)/2个数值)。

进一步地，通过对距离的分布进行分析，获取摄像头移动检测的结果。例如用聚类算法(Clustering Algorithm)来判断类的数目，当没有移动是，其帧与帧之间的距离分布比较类似，因此聚类算法只会产生一个类。当N*X时间内存在摄像头移动时，其帧与帧之间的距离分布则存在多个中心，移动前的各帧间距离较近，移动后的各帧间距离也较近，但是运动前、后之间的帧间距离较远，此时即检测到摄像头移动。和单纯通过固定阈值判断摄像头移动相比，本实施例使用了多帧的信息，通过距离分布变化的转折点，自动找到摄像头移动的时间点，无需人工设定阈值。也可以发现摄像头缓慢移动的场景，而传统方法通常无法识别。

在一些实施方式中，上述的聚类算法可以是二元分类法。二元分类是人工智能监督学习中分类问题的一个基本应用。例如，如果想通过图片知道图片中的动物是猫，那么你的训练集种需要含括猫的所有形象特征以方便机器进行学习。本质为输入一个对象X，将其划分到预定义好的某一个类别Y中的算法。而本专利将使用人工智能分类模型试图对两个输入进行推理和分类，它将分别预测新数据的类别标签/类别。

在一个实施方式中，步骤3可以进一步包括：

当判定第一检测帧图像所对应的时刻，摄像头发生了移动时，不对短期参考库进行更新；

当未判定所述第一检测帧图像所对应的时刻，摄像头发生了移动时，将第一待检测帧图像的特征向量，加入至短期参考库，并且删除短期参考库中的，时间距当前时刻最长的短期参考帧图像所对应的特征向量，以保证短期参考库库中的样本数目为N。

需要说明的是，当发现摄像头移动时，提出报警信息(用户处理)。此时不更新短期参考库。在某些特定的天气情况下，镜头会发生可恢复的位移(暴雨，暴雪)，待环境恢复后就会停止报警。接受下一个检测帧。

步骤4，重复步骤1至步骤3至预设的周期次数。

可以理解的是，预设的周期次数可以根据实际情况需要而进行适当配置或调整，本文对此将不再限定。

步骤5，获取视频流的当前帧图像作为第二待检测帧图像。

示例性地，对于每M个短期检测，进行一次长期检测，即和长期参考库中的长期参考帧图像进行对比。

步骤6，基于预设的分类模型，对第二待检测帧图像做分类处理。

具体地，长期参考库中存储了正常情况下有代表性帧的特征向量，以及图像特征信息包括亮度分布，场景类别，例如气候、季节等。长期参考库可储存在摄像头的档案信息中，用户可以查阅和修改。

为了减少对比的复杂度，以及减少数据的储存代价，长期检测库中的图像数目有限，仅为有代表性的帧。例如不同的季节，不同的亮度条件，不同的气候条件。

为了保证检测准确度，在当前帧和长期参考库进行对比时，首先需要选择和当前帧比较类似帧，可以采用图像分类深度学习模型作为对长期参考库进行筛选的工具，即首先对当前帧进行分类。

步骤7，基于第二待检测帧图像的类别以及预先配置的长期参考库，确定第二待检测帧图像所对应的时刻，摄像头是否发生移动。

本实施例中，步骤7可以具体包括：

步骤701，确定长期参考库中，是否存在与第二待检测帧图像处于同一类别的长期参考帧图像，若不存在，将当前第二待检测帧图像及其对应类别，配置于长期参考库中；

步骤702，确定长期参考库中，是否存在与第二待检测帧图像亮度一致的长期参考帧，若不存在，停止对当前第二待检测帧图像的检测处理；

步骤703，利用卷积神经网络，确定所述长期参考库中，亮度以及类别均与第二待检测帧图像相同的长期参考帧图像的特征向量，与第二待检测帧图像的特征向量之间的第二距离；

步骤704，当第二距离大于预先配置的长期参考阈值时，判定第二待检测帧图像对应的时刻，摄像头发生了移动。

在一些实施方式中，步骤703中的卷积神经网络可以是连体神经网络，或是采用三元损失函数的卷积神经网络。

参考图4，连体神经网络(Siamese Neural Network)为一种人工神经网络。它具有相同的配置，参数和权重也相同。通过两个相同结构，然后生成两个子网络的特征向量，最后通过向量之间的距离(一般使用余弦距离或欧式距离)来判断相似情况。总的来说，它被用来通过比较其特征向量找到输入的相似性，因此这些网络被用于许多需要比较两者相似性的应用中，例如比较人脸，指纹等。

定义这种损失函数的时候，需要知道的是，网络结构的目标不是应对某一个具体的任务，而是需要来判断两个输入直接的相似度情况。因此，我们使用对比损失函数，其基本的表现形式为：

Loss＝Y(E)²+(1-Y)max(margin-E,0)²

Y函数用来判断两个输入直接是否相似，如果相似，则Y函数的输出为1。如果两者不相似则Y函数的输出为0。其中E在此表示两个子网络输出的欧几里得距离。其中Margin项用于保持约束，当两个输入不相似，或者两个输入距离结构超过了Margin，就不会产生损失，而max公式会取0和Margin减欧几里得距离所得值二者中的最大值。

本实施例中，可以通过连体神经网络所产生的特征向量来计算两者的距离，推测两者之间是否相似。

类似地，三元损失函数(Triplet loss)是深度学习的一种损失函数，主要是用于训练差异性小的样本，比如人脸等；其次在训练目标是得到样本的embedding(嵌入)任务中，triplet loss也经常使用，比如文本、图片的embedding。

简言之，三元损失函数的输入是一个三元组，包括锚(Anchor)示例、正(Positive)示例、负(Negative)示例，通过优化锚示例与正示例的距离小于锚示例与负示例的距离，实现样本之间的相似性计算。

本实施例中，也可以通过三元损失函数所产生的特征向量来计算两者的距离，推测两者之间是否相似。

参考图5，在一个实施方式中，步骤7还可以进一步包括：

当步骤704中，判定摄像头发生了移动时，即可产生告警信息，用户可以根据该告警信息做出判定(例如确认该告警信息为真告警信息或是否认该告警信息)，响应于用户对判定摄像头发生移动的确认信息，重置长期参考库；或者响应于用户对判定摄像头发生移动的否认信息，可以向用户进一步确认是否将当前第二待检测帧图像加入所述长期参考库。

相较于现有技术，本实施例提供的用于检测摄像头移动的检测方法，通过结合连体神经网络，二元分类模型和相似距离测量等更可靠的方法，避免了使用传统图像处理技术中需要对前景和背景进行判断，准确度低的缺点。通过使用短期对比模式以及长期对比模式，可以实时的监测摄像头的移动，同时通过和长期摄像头参照库对比，提高了判断的准确性和可靠性。本方法具有检测频率低(计算复杂度低)，准确度及鲁棒性高的特点，可以自适应季节，天气，和光线等变化。

本发明第二实施例，与第一实施例对应，本实施例介绍一种用于检测摄像头移动的检测装置，如图6所示，包括以下组成部分：

第一获取模块，被配置为定期获取视频流的当前帧图像作为第一待检测帧图像；

计算模块，被配置为确定第一检测帧图像的特征向量；

短期检测模块，被配置为利用当前配置的短期参考库中的图像的特征向量的集合与第一待检测帧图像进行比对，以确认第一待检测帧图像所对应的时刻，摄像头是否发生移动；

迭代模块，被配置为重复第一获取模块，计算模块，短期检测模块的处理至预设的周期次数；

第二获取模块，被配置为获取视频流的当前帧图像作为第二待检测帧图像；

分类模块，被配置为基于预设的分类模型，对第二待检测帧图像做分类处理；

长期检测模块，被配置为基于第二待检测帧图像的类别以及预先配置的长期参考库，确定第二待检测帧图像所对应的时刻，摄像头是否发生移动。

在一个实施方式中，短期检测模块进一步被配置为：

短期参考库预先配置有N个短期参考帧图像，当获取到第一检测帧图像的特征向量时，通过卷积神经网络来判断N+1帧当前图像的特征向量两两之间的第一距离，并利用聚类算法，确定第一距离的类别数目，当出现不同类别时，则判定当前第一检测帧图像所对应的时刻，摄像头发生了移动。

在一个实施方式中，短期检测模块进一步被配置为：

当判定第一检测帧图像所对应的时刻，摄像头发生了移动时，不对短期参考库进行更新；

当未判定第一检测帧图像所对应的时刻，摄像头发生了移动时，将第一待检测帧图像的特征向量，加入至短期参考库，并且删除短期参考库中的，时间距当前时刻最长的短期参考帧图像所对应的特征向量。

在一个实施方式中，长期检测模块进一步被配置为：

确定长期参考库中，是否存在与第二待检测帧图像处于同一类别的长期参考帧图像，若不存在，将当前第二待检测帧图像及其对应类别，配置于长期参考库中；

确定长期参考库中，是否存在与第二待检测帧图像亮度一致的长期参考帧，若不存在，停止对当前第二待检测帧图像的检测处理；

利用卷积神经网络，确定长期参考库中，亮度以及类别均与第二待检测帧图像相同的长期参考帧图像的特征向量，与第二待检测帧图像的特征向量之间的第二距离；

当第二距离大于预先配置的长期参考阈值时，判定第二待检测帧图像对应的时刻，摄像头发生了移动。

在一个实施方式中，长期检测模块进一步被配置为：

响应于用户对判定摄像头发生移动的确认信息，重置长期参考库；

响应于用户对判定摄像头发生移动的否认信息，确认是否将当前第二待检测帧图像加入长期参考库。

本实施例中，卷积神经网络包括：连体神经网络，采用三元损失函数的卷积神经网络。

本发明第三实施例，一种电子设备，如图7所示，可以作为实体装置来理解，包括处理器以及存储有处理器可执行指令的存储器，当指令被处理器执行时，执行如下操作：

步骤1，定期获取视频流的当前帧图像作为第一待检测帧图像；

步骤2，确定第一检测帧图像的特征向量；

步骤3，利用当前配置的短期参考库中的图像的特征向量的集合与第一待检测帧图像进行比对，以确认第一待检测帧图像所对应的时刻，摄像头是否发生移动；

步骤4，重复步骤1至步骤3至预设的周期次数；

步骤5，获取视频流的当前帧图像作为第二待检测帧图像；

步骤6，基于预设的分类模型，对第二待检测帧图像做分类处理；

步骤7，基于第二待检测帧图像的类别以及预先配置的长期参考库，确定第二待检测帧图像所对应的时刻，摄像头是否发生移动。

本发明第四实施例，本实施例的用于检测摄像头移动的检测方法的流程与第一、二或三实施例相同，区别在于，在工程实现上，本实施例可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的所述方法可以以计算机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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台设备执行本发明实施例所述的方法。

综上，本发明相较于现有技术，至少具备以下优点：

1)通过连体神经网络来判断两帧之间的相似度，提高了检测的准确度和鲁棒性。连体神经网络在人脸识别等系统中得到广泛运用。通过定义合适的损失函数，连体神经网络可以自动的发现图像中的关键点而忽略和目标无关的细节。因此可以准确地识别人脸，无论其背景、衣着、发型、年龄，在判断摄像头移动的应用场景中，其可以忽略和位置无关的图像信息。

2)通过短期对比模式，使用聚类算法，可以检测摄像头微小的变动，近实时的判断摄像头的移动，提高了反应速度。

3)通过长期对比模式(和长期摄像头参照库对比)，提高了判断的准确性和可靠性。其中为了减少季节、天气变化等影响，使用了分类模型在参照物中选取和当前帧最接近的场景图片进行对比，提高了长期对比的准确度。另外使用了光线强度匹配的模式，仅选择和参照库中最接近的图像进行对比，进一步提高了判定的准确性。因此保证了检测的准确度及鲁棒性，可以自适应季节，天气，和光线等变化。

4)由于采用了深度学习模型，其准确性很高，因此本专利所采用较低的检测频率，减少了计算量，提升了性能。

通过具体实施方式的说明，应当可对本发明为达成预定目的所采取的技术手段及功效得以更加深入且具体的了解，然而所附图示仅是提供参考与说明之用，并非用来对本发明加以限制。

Claims (9)

1.一种用于检测摄像头移动的检测方法，其特征在于，包括：

步骤1，定期获取视频流的当前帧图像作为第一待检测帧图像；

步骤2，确定所述第一检测帧图像的特征向量；

步骤3，利用当前配置的短期参考库中的图像的特征向量的集合与所述第一待检测帧图像进行比对，以确认所述第一待检测帧图像所对应的时刻，摄像头是否发生移动；

步骤4，重复所述步骤1至步骤3至预设的周期次数；

步骤5，获取视频流的当前帧图像作为第二待检测帧图像；

步骤6，基于预设的分类模型，对所述第二待检测帧图像做分类处理；

步骤7，基于所述第二待检测帧图像的类别以及预先配置的长期参考库，确定所述第二待检测帧图像所对应的时刻，摄像头是否发生移动。

2.根据权利要求1所述的用于检测摄像头移动的检测方法，其特征在于，所述步骤3进一步包括：

所述短期参考库预先配置有N个短期参考帧图像，当获取到所述第一检测帧图像的特征向量时，通过卷积神经网络来判断N+1帧当前图像的特征向量两两之间的第一距离，并利用聚类算法，确定所述第一距离的类别数目，当出现不同类别时，则判定当前所述第一检测帧图像所对应的时刻，摄像头发生了移动。

3.根据权利要求2所述的用于检测摄像头移动的检测方法，其特征在于，所述步骤3进一步包括：

当判定所述第一检测帧图像所对应的时刻，摄像头发生了移动时，不对所述短期参考库进行更新；

当未判定所述第一检测帧图像所对应的时刻，摄像头发生了移动时，将所述第一待检测帧图像的特征向量，加入至所述短期参考库，并且删除所述短期参考库中的，时间距当前时刻最长的短期参考帧图像所对应的特征向量。

4.根据权利要求1所述的用于检测摄像头移动的检测方法，其特征在于，所述步骤7进一步包括：

确定所述长期参考库中，是否存在与所述第二待检测帧图像处于同一类别的长期参考帧图像，若不存在，将当前所述第二待检测帧图像及其对应类别，配置于所述长期参考库中；

确定所述长期参考库中，是否存在与所述第二待检测帧图像亮度一致的长期参考帧，若不存在，停止对当前所述第二待检测帧图像的检测处理；

利用卷积神经网络，确定所述长期参考库中，亮度以及类别均与所述第二待检测帧图像相同的长期参考帧图像的特征向量，与所述第二待检测帧图像的特征向量之间的第二距离；

当所述第二距离大于预先配置的长期参考阈值时，判定所述第二待检测帧图像对应的时刻，摄像头发生了移动。

5.根据权利要求1所述的用于检测摄像头移动的检测方法，其特征在于，所述步骤7进一步包括：

响应于用户对判定摄像头发生移动的确认信息，重置所述长期参考库；

响应于用户对判定摄像头发生移动的否认信息，确认是否将当前所述第二待检测帧图像加入所述长期参考库。

6.根据权利要求2或4所述的用于检测摄像头移动的检测方法，其特征在于，所述卷积神经网络包括：连体神经网络，采用三元损失函数的卷积神经网络。

7.一种用于检测摄像头移动的检测装置，其特征在于，包括：

第一获取模块，被配置为定期获取视频流的当前帧图像作为第一待检测帧图像；

计算模块，被配置为确定所述第一检测帧图像的特征向量；

短期检测模块，被配置为利用当前配置的短期参考库中的图像的特征向量的集合与所述第一待检测帧图像进行比对，以确认所述第一待检测帧图像所对应的时刻，摄像头是否发生移动；

迭代模块，被配置为重复所述第一获取模块，所述计算模块，所述短期检测模块的处理至预设的周期次数；

第二获取模块，被配置为获取视频流的当前帧图像作为第二待检测帧图像；

分类模块，被配置为基于预设的分类模型，对所述第二待检测帧图像做分类处理；

长期检测模块，被配置为基于所述第二待检测帧图像的类别以及预先配置的长期参考库，确定所述第二待检测帧图像所对应的时刻，摄像头是否发生移动。

8.一种电子设备，其特征在于，所述电子设备包括：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如权利要求1至6中任一项所述的用于检测摄像头移动的检测方法的步骤。

9.一种计算机存储介质，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的用于检测摄像头移动的检测方法的步骤。

Images