CN116311087A - 基于摄像机组的监控方法、装置、设备及存储介质 - Google Patents
基于摄像机组的监控方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116311087A CN116311087A CN202310584934.3A CN202310584934A CN116311087A CN 116311087 A CN116311087 A CN 116311087A CN 202310584934 A CN202310584934 A CN 202310584934A CN 116311087 A CN116311087 A CN 116311087A
- Authority
- CN
- China
- Prior art keywords
- image
- monitoring
- area
- areas
- repeated
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 310
- 238000000034 method Methods 0.000 title claims abstract description 80
- 230000004927 fusion Effects 0.000 claims abstract description 17
- 230000004044 response Effects 0.000 claims description 35
- 230000002159 abnormal effect Effects 0.000 claims description 31
- 238000012806 monitoring device Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- G06V10/16—Image acquisition using multiple overlapping images; Image stitching
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- 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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明公开了一种基于摄像机组的监控方法、装置、设备及存储介质,该方法包括通过设置在不同监控区域的摄像机组采集目标区域图像集并识别各图像的重复图像区域;并根据根据重复图像区域选取主区域图像;然后将目标区域图像集与主区域图像进行拼接融合获得全景监控图像;接着对不同监控区域对应的全景监控图像进行前后景标记并载入至预设三维建筑模型中获得三维全景监控图,并基于三维全景监控图对不同监控区域进行监控。由于本发明通过识别各图像的重复图像区域进行拼接融合获得全景监控图像,并基于预设三维建筑模型构建三维全景监控图,可以根据三维全景监控图将不同监控区域进行联动监控,降低人为失误的可能,提高了监控效果。
Description
技术领域
本发明涉及摄像机监控技术领域,尤其涉及一种基于摄像机组的监控方法、装置、设备及存储介质。
背景技术
随着科技的飞速发展,现代化工厂企业制度在我国的普及和深化发展,企业的信息化建设不断深入,各企业特别是大中型企业都加快了信息网络平台的建设;以及数字化、网络化、智能化监控趋势正坚定不移朝前迈进,在前端摄像头数多、业务结构复杂、管理和集成度高的情况下,视频监控管理平台也越来越引起人们的关注。
而现有的对于各类公共区域的监控一般是基于单个摄像机采集图像,然后将所有摄像机采集到的图像集成到固定的多块屏幕进行显示,使得安保人员可以在观看的同时实现安全监控。但是现有的监控方式会占用大量的人力资源,并且多块监控屏幕无法实现联动,并且由于人为的失误可能导致监控效果不佳。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供了一种基于摄像机组的监控方法、装置、设备及存储介质,旨在解决现有的将监控图像集成到多块屏幕的监控方式监控效果不佳的技术问题。
为实现上述目的,本发明提供了一种基于摄像机组的监控方法,所述方法包括以下步骤:
通过设置在不同监控区域的摄像机组采集对应的目标区域图像集;
基于所述目标区域图像集识别各图像的重复图像区域;
确定所述重复图像区域对应所述监控区域的重复面积,并将重复面积之和达到预设重复条件的图像作为主区域图像;
根据渐入渐出法将所述目标区域图像集与所述主区域图像进行拼接融合,获得所述监控区域对应的全景监控图像;
对所述全景监控图像进行前后景标记,获得所述全景监控图像对应的前后景图像;
将不同监控区域对应的前后景图像载入至预设三维建筑模型中,获得三维全景监控图;
基于所述三维全景监控图对不同监控区域进行监控。
可选地,所述根据渐入渐出法将所述目标区域图像集与所述主区域图像进行拼接融合,获得所述监控区域对应的全景监控图像的步骤包括:
获取所述目标区域图像集中各图像与所述监控区域的位置分布关系;
根据所述位置分布关系以主区域图像为基准构建坐标系,并基于所述坐标系获取各图像中重复图像区域的坐标序列;
按归一化相关性匹配算法对不同图像中相同重复图像区域的坐标序列进行匹配,获取所述相同重复图像区域的最佳匹配点;
根据各重复图像区域的最佳匹配点通过渐入渐出法对所述目标区域图像集进行拼接融合,获得所述监控区域对应的全景监控图像。
可选地,所述按归一化相关性匹配算法对不同图像中相同重复图像区域的坐标序列进行匹配,获取所述相同重复图像区域的最佳匹配点的步骤包括:
按归一化相关性匹配算法对不同图像中的相同重复图像区域的坐标序列进行数据匹配,获得所述相同重复图像区域对应的响应值;
确定所述响应值中数值最大的响应值为最佳响应值;
根据所述最佳响应值获取所述相同重复图像区域的最佳匹配点。
可选地,所述根据各重复图像区域的最佳匹配点通过渐入渐出法对所述目标区域图像集进行拼接融合,获得所述监控区域对应的全景监控图像的步骤包括:
获取不同图像中相同重复图像区域的像素强度平均值;
根据所述像素强度平均值和预设增益系数构建全景强度误差函数;
基于所述全景强度误差函数获取所述相同重复图像区域的误差值,在所述误差值为最小值时确定所述相同重复图像区域对应的像素强度值;
根据各重复图像区域的最佳匹配点和像素强度值通过渐入渐出法对所述目标区域图像集进行拼接融合,获得所述监控区域对应的全景监控图像。
可选地,所述通过设置在不同监控区域的摄像机组采集对应的目标区域图像集的步骤之前,还包括:
获取目标建筑的遥感影像图,并基于所述遥感影像图提取目标建筑的建筑轮廓数据;
基于所述建筑轮廓数据获得所述目标建筑的建筑分类结果;
根据所述建筑分类结果从三维建筑模型库中对所述遥感影像图进行匹配,获得所述目标建筑对应的三维建筑模型数据;
根据所述三维建筑模型数据和所述遥感影像图构建所述目标建筑对应的预设三维建筑模型。
可选地,所述根据所述三维建筑模型数据和所述遥感影像图构建所述目标建筑对应的预设三维建筑模型的步骤包括:
对所述遥感影像图进行前后景标记,获得遥感影像图对应的前后景图像;
根据所述三维建筑模型数据和所述前后景图像构建所述目标建筑对应的预设三维建筑模型。
可选地,所述基于所述三维全景监控图对不同监控区域进行监控的步骤之后,还包括:
在所述监控区域存在安防异常事件时,基于所述三维全景监控图对所述安防异常事件所在区域进行标记,获得异常标记监控图;
在检测到监控显示指令时,根据所述异常标记监控图提取所述安防异常事件对应的全景监控图像;
基于所述安防异常事件对应的全景监控图像进行安防预警。
此外,为实现上述目的,本发明还提出一种基于摄像机组的监控装置,所述装置包括:
图像获取模块,用于通过设置在不同监控区域的摄像机组采集对应的目标区域图像集;
图像识别模块,用于基于所述目标区域图像集识别各图像的重复图像区域;
所述图像识别模块,还用于确定所述重复图像区域对应所述监控区域的重复面积,并将重复面积之和达到预设重复条件的图像作为主区域图像;
图像融合模块,用于根据渐入渐出法将所述目标区域图像集与所述主区域图像进行拼接融合,获得所述监控区域对应的全景监控图像;
三维图构建模块,用于对所述全景监控图像进行前后景标记,获得所述全景监控图像对应的前后景图像;
所述三维图构建模块,还用于将不同监控区域对应的前后景图像载入至预设三维建筑模型中,获得三维全景监控图;
监控预警模块,用于基于所述三维全景监控图对不同监控区域进行监控。
此外,为实现上述目的,本发明还提出一种基于摄像机组的监控设备,所述设备包括: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基于摄像机组的监控程序,所述基于摄像机组的监控程序配置为实现如上文所述的基于摄像机组的监控方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有基于摄像机组的监控程序,所述基于摄像机组的监控程序被处理器执行时实现如上文所述的基于摄像机组的监控方法的步骤。
本发明通过设置在不同监控区域的摄像机组采集对应的目标区域图像集;基于所述目标区域图像集识别各图像的重复图像区域;确定所述重复图像区域对应所述监控区域的重复面积,并将重复面积之和达到预设重复条件的图像作为主区域图像;然后根据渐入渐出法将所述目标区域图像集与所述主区域图像进行拼接融合,获得所述监控区域对应的全景监控图像;接着对所述全景监控图像进行前后景标记,获得所述全景监控图像对应的前后景图像;将不同监控区域对应的前后景图像载入至预设三维建筑模型中,获得三维全景监控图;最后基于所述三维全景监控图对不同监控区域进行监控。由于本发明通过识别各图像的重复图像区域进行拼接融合获得全景监控图像,根据全景监控图像通过预设三维建筑模型构建三维全景监控图进行监控,相较于现有的将所有摄像机采集的图像集成到固定的多块屏幕由安保人员切换观看的监控方式,本发明可以根据三维全景监控图将不同监控区域进行联动监控,降低人为失误的可能,提高了监控效果。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的基于摄像机组的监控设备的结构示意图;
图2为本发明基于摄像机组的监控方法第一实施例的流程示意图;
图3为本发明基于摄像机组的监控方法第二实施例的流程示意图;
图4为本发明基于摄像机组的监控方法第二实施例中构建坐标序列的场景示意图;
图5为本发明基于摄像机组的监控方法第三实施例的流程示意图;
图6为本发明基于摄像机组的监控装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的基于摄像机组的监控设备结构示意图。
如图1所示,该基于摄像机组的监控设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity,Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM),也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对基于摄像机组的监控设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于摄像机组的监控程序。
在图1所示的基于摄像机组的监控设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明基于摄像机组的监控设备中的处理器1001、存储器1005可以设置在基于摄像机组的监控设备中,所述基于摄像机组的监控设备通过处理器1001调用存储器1005中存储的基于摄像机组的监控程序,并执行本发明实施例提供的基于摄像机组的监控方法。
本发明实施例提供了一种基于摄像机组的监控方法,参照图2,图2为本发明基于摄像机组的监控方法第一实施例的流程示意图。
本实施例中,所述基于摄像机组的监控方法包括以下步骤:
步骤S10:通过设置在不同监控区域的摄像机组采集对应的目标区域图像集。
需要说明的是,本实施例方法的执行主体可以是能够进行摄像监控并进行监控图像处理的计算服务设备,例如监控操作台等,还可以是能够实现相同或相似功能的其他电子设备,例如上述基于摄像机组的监控设备,本实施例对此不加以限制。此处以上述基于摄像机组的监控设备(简称监控设备)对本实施例和下述各实施例进行具体说明。
可理解的是,目标区域图像集是在不同监控区域设置的摄像机组采集的图像集合。一般而言,不论是对企业办公区还是对工厂园区,基本会在各个区域设置摄像机进行安全监控,例如大门、重点机房等,为避免死角,还会在一个区域内设置多个摄像机从而组成摄像机组进行监控。为构建更加规范的监控图像,可以根据监控地点的功能或户型结构将需要监控的地点划分为不同监控区域。以场景类型进行划分为例,可以将需要监控的地点划分为室外道路、楼道廊道、室内办公区等监控区域,在各监控区域的不同位置布置摄像机,以确保能够拍到该监控区域的所有地方。然后监控设备获取在不同监控区域的摄像机组采集的对应的目标区域图像集。
步骤S20:基于所述目标区域图像集识别各图像的重复图像区域。
步骤S30:确定所述重复图像区域对应所述监控区域的重复面积,并将重复面积之和达到预设重复条件的图像作为主区域图像。
需要说明的是,重复图像区域是在获取的目标区域图像集中各个图像所重复的图像区域。以上述室内办公区为例,假设在前门与后门各装了一个摄像机用于监控室内办公区,前门摄像机由于焦距或分辨率原因仅能拍摄到室内办公区前三分之二部分,后门摄像机仅能拍摄到室内办公区后三分之二部分,那么两个摄像机都拍摄到的室内办公区三分之一中间部分为重复图像区域。
可理解的是,重复面积是重复图像区域对应的监控区域所确定的面积。重复面积之和是监控区域中多个摄像机所采集的多个图像,根据多个图像确定了重复图像区域,每个图像可能存在多个部分的重复图像区域,将其重复面积相加所得到的和。预设重复条件可以是将重复面积之和最大所对应的图像作为主区域图像,也可以是将重复面积之和达到一定值(例如监控区域的一般面积)的多个图像作为主区域图像,本实施例对此不加以限制。
应理解的是,主区域图像是为方便拼接融合,将达到预设重复条件的目标区域图像作为拼接融合的主图像,可以以主区域图像为基准将其他图像进行拼接,提高拼接效率和精确性。以上述室内办公区为例,若安装了四个摄像机,那么就获取了室内办公区的四张目标区域图像,将四张目标区域图像两两对比,确定各图像在图像中重复拍摄的图像区域,并根据室内办公区的实际面积确定各重复图像区域的重复面积,此时每张图像的重复图像区域的数量可能不一样,可能有不重复的目标区域图像,也可能有多个重复图像区域的目标区域图像,此时可以将每张目标区域图像的重复面积相加,将重复面积之和最大所对应的图像作为主区域图像进行拼接融合。
步骤S40:根据渐入渐出法将所述目标区域图像集与所述主区域图像进行拼接融合,获得所述监控区域对应的全景监控图像。
需要说明的是,渐入渐出法是常用的图像处理算法,通过改变图像的透明度来实现渐入渐出的效果从而进行图像的拼接融合,也可以使用其他图像拼接融合方法,例如像素加权平均法、基于变换域的图像融合法等。全景监控图像是相对于监控区域的全景图,以上述室内办公区为例,将四张目标区域图像进行拼接融合后,即可获得反映室内办公区全景的监控图。
在具体实现中,可以以主区域图像为基准,将目标区域图像集中其他各图像进行排序,可以根据各图像的重复面积之和的大小排序,根据顺序按渐入渐出法将其他一张张图像与主区域图像逐渐进行拼接融合,从而提高拼接效率和精确性,最终将目标区域图像集中所有图像拼接融合后,获得监控区域对应的全景监控图像。
步骤S50:对所述全景监控图像进行前后景标记,获得所述全景监控图像对应的前后景图像。
步骤S60:将不同监控区域对应的前后景图像载入至预设三维建筑模型中,获得三维全景监控图。
步骤S70:基于所述三维全景监控图对不同监控区域进行监控。
需要说明的是,前后景图像是根据全景监控图像对图像中的监控区域的前景与后景进行标记获得的标记图像。以上述室内办公区为例,在室内办公区可以将固定设施设为后景,人物或移动随身物品标记为前景;也可以将室内的户型结构(例如地板、房梁、承重墙等)标记为后景,室内的布局(例如办公桌椅、电脑等)标记为前景。需要注意的是,此标记可以基于机器学习进行标记,也可以由有经验的技术上人员进行标记,本实施例对此不加以限制。
可理解的是,预设三维建筑模型是根据监控区域的户型构造预先构建的建筑模型。三维全景监控图是将预设三维建筑模型与全景监控图像进行融合获得的三维监控图像。根据上述的前后景标记,将监控区域清晰分为前景和后景,便于输入三维全景监控图后将监控区域的各设施或物体融入预设三维建筑模型中,使获得的三维全景监控图更加真实与立体。
在具体实现中,监控设备可以对全景监控图像进行前后景标记,比如将室内的户型结构(例如地板、房梁、承重墙等)标记为后景,室内的布局(例如办公桌椅、电脑等)标记为前景,获得监控区域的前后景图像。然后将不同监控区域对应的前后景图像载入至预设三维建筑模型中,使获得的三维全景监控图更加真实与立体。最后可以基于三维全景监控图对不同监控区域进行实时监控。
进一步地,考虑到监控时异常事件的发生,本实施例中在步骤S70之后,还包括:在所述监控区域存在安防异常事件时,基于所述三维全景监控图对所述安防异常事件所在区域进行标记,获得异常标记监控图;在检测到监控显示指令时,根据所述异常标记监控图提取所述安防异常事件对应的全景监控图像;基于所述安防异常事件对应的全景监控图像进行安防预警。
需要说明的是,安防异常事件是需要的采取安防措施的异常事件,例如斗殴、持刀伤人等。异常标记监控图是存在安防异常事件时,对三维全景监控图该监控区域进行标记的图像。监控显示指令是根据三维全景监控图将其中的监控区域放大进行观看的指令。例如室外道路有人员斗殴的安防异常事件发生时,监控设备将该区域标红,三维全景监控图中对应的该区域标红闪烁,提醒监控人员,此时监控人员输入监控显示指令,将室外道路的全景监控图像放大,获取实时发生的情况,并根据安防事件发生的等级进行预警,从而及时阻止伤人事件发生,提高监控的预警及时性。
本实施例通过设置在不同监控区域的摄像机组采集对应的目标区域图像集;然后基于目标区域图像集识别各图像的重复图像区域;确定重复图像区域对应所述监控区域的重复面积,并将重复面积之和达到预设重复条件的图像作为主区域图像。以上述室内办公区为例,若安装了四个摄像机,那么就获取了室内办公区的四张目标区域图像,将四张目标区域图像两两对比,确定各图像在图像中重复拍摄的图像区域,并根据室内办公区的实际面积确定各重复图像区域的重复面积,此时每张图像的重复图像区域的数量可能不一样,可能有不重复的目标区域图像,也可能有多个重复图像区域的目标区域图像,此时可以将每张目标区域图像的重复面积相加,将重复面积之和最大所对应的图像作为主区域图像进行拼接融合。然后根据渐入渐出法将目标区域图像集与主区域图像进行拼接融合,获得监控区域对应的全景监控图像;接着对全景监控图像进行前后景标记,获得全景监控图像对应的前后景图像;将不同监控区域对应的前后景图像载入至预设三维建筑模型中,使获得的三维全景监控图更加真实与立体。最后可以基于三维全景监控图对不同监控区域进行实时监控并预警,提高监控的预警及时性。由于本实施例通过识别各图像的重复图像区域进行拼接融合获得全景监控图像,根据全景监控图像通过预设三维建筑模型构建三维全景监控图进行监控,相较于现有的将所有摄像机采集的图像集成到固定的多块屏幕由安保人员切换观看的监控方式,本发明可以根据三维全景监控图将不同监控区域进行联动监控,降低人为失误的可能,提高了监控效果。
参考图3,图3为本发明基于摄像机组的监控方法第二实施例的流程示意图。基于上述第一实施例,在本实施例中,考虑到对图像进行拼接融合的精确性,所述步骤S40包括:
步骤S41:获取所述目标区域图像集中各图像与所述监控区域的位置分布关系。
步骤S42:根据所述位置分布关系以主区域图像为基准构建坐标系,并基于所述坐标系获取各图像中重复图像区域的坐标序列。
需要说明的是,位置分布关系是根据监控区域的户型结构,目标区域图像集中各图像在户型结构的各位置分布。坐标系是根据主区域图像和监控区域的户型结构构建的坐标。坐标序列是根据坐标系反映重复图像区域在监控区域中的位置数据。
为了便于理解,以三张图像进行说明,但并不对本方案进行限定。参考图4,图4为本发明基于摄像机组的监控方法第二实施例中构建坐标序列的场景示意图。图中外部虚线框简单代表监控区域的户型结构,图像1、2、3分别代表摄像机采集的目标区域图像,三张图像所在位置表示图像在监控区域的位置分布。图像1、2、3重叠部分代表各图像的重复图像区域,根据图像1、2、3重叠部分的面积可之和大小可知,图像1的重复面积之和最大,此时将其作为主区域图像,并构建XOY坐标系,坐标系XY数据可以基于图像像素确定,也可以基于实际的监控区域长宽与图像大小的比例换算确定,本实施例对此加以限制。此时根据图像与坐标系的位置关系,可以确定各重复图像区域在坐标系中的坐标序列,例如:
Pi=(x,y);
其中,i=1,2,3…n;n为正整数;Pi表示第i个重复图像区域的坐标序列。
步骤S43:按归一化相关性匹配算法对不同图像中相同重复图像区域的坐标序列进行匹配,获取所述相同重复图像区域的最佳匹配点。
步骤S44:根据各重复图像区域的最佳匹配点通过渐入渐出法对所述目标区域图像集进行拼接融合,获得所述监控区域对应的全景监控图像。
需要说明的是,归一化相关性匹配算法是通过计算模板图像和匹配图像的互相关值,来确定匹配程度的统计匹配算法。在本实施例中,利用归一化相关性匹配算法将不同图像中相同重复图像区域的各坐标序列与主区域图像的坐标序列来确定匹配程度,从而确定相同重复图像区域的最佳匹配点,将各图像的相同重复图像区域在最佳位置进行融合。其具体操作为:以主区域图像为模板,采用归一化相关性匹配算法在被拼接图像中进行匹配计算,得到最佳匹配点,其最佳匹配点的计算公式为:
其中,表示主区域图像中的坐标序列,/>表示其他相同重复图像区域对应图像的坐标序列,/>表示最佳匹配点的坐标序列。在具体实现中,若坐标系XY数据基于图像像素确定,那么/>和/>可以对应转化为该区域图像的像素值,根据最后获得的/>的像素值的响应大小确定最佳匹配点。在确定最佳匹配点的坐标序列后,根据最佳匹配点通过渐入渐出法改变各重复图像区域的透明度实现渐入渐出的效果从而进行图像的拼接融合获得监控区域对应的全景监控图像。
进一步地,考虑到最佳匹配点的精确性,本实施例中在步骤S43包括:按归一化相关性匹配算法对不同图像中的相同重复图像区域的坐标序列进行数据匹配,获得所述相同重复图像区域对应的响应值;确定所述响应值中数值最大的响应值为最佳响应值;根据所述最佳响应值获取所述相同重复图像区域的最佳匹配点。
需要说明的是,采用归一化相关性匹配算法在被拼接图像中进行匹配计算是,若坐标系XY数据基于图像像素确定,那么Pi=(x,y)根据上述公式进行计算时可以转换为像素值,即和/>可以对应转化为该区域图像的像素值。根据上述计算获得的的为各图像对应的相同重复图像区域的响应值,不同图像对应的相同重复图像区域的响应值大小不同,响应值越大,匹配程度则越高。
在具体实现中,若坐标系XY数据基于图像像素确定,此时按归一化相关性匹配算法对不同图像中的相同重复图像区域的坐标序列进行数据匹配,获得所述相同重复图像区域对应的响应值;对不同图像对应的相同重复图像区域的响应值大小进行比较,响应值中数值最大的响应值为最佳响应值;其对应的坐标序列即为重复图像区域与被拼接图像中的最佳匹配点,从而根据像素值的响应大小确定最佳匹配点,提高各重复图像区域与主区域图像进行拼接融合的精确性。
进一步地,考虑到重复图像区域拼接融合后的视觉效果,本实施例中在步骤S44包括:获取不同图像中相同重复图像区域的像素强度平均值;根据所述像素强度平均值和预设增益系数构建全景强度误差函数;基于所述全景强度误差函数获取所述相同重复图像区域的误差值,在所述误差值为最小值时确定所述相同重复图像区域对应的像素强度值;根据各重复图像区域的最佳匹配点和像素强度值通过渐入渐出法对所述目标区域图像集进行拼接融合,获得所述监控区域对应的全景监控图像。
需要说明的是,像素强度平均值是在不同摄像机的拍摄下相同重复图像区域的像素值大小,由于相同重复图像区域是一个区域,不同的点像素值不一致,可以获取相同重复图像区域所有像素点的像素值并求其平均值。预设增益系数是为对融合后的图像进行曝光补偿设置的增益数据。如上所述,Pi=(x,y)表示各图像的重复图像区域,i表示重复图像区域的数量,进一步地,可以表述两两图像的重复区域具体为:
Pa,b=(xa,yb);
其中,Pa,b表示图像a和图像b的重复图像区域部分;此时,可以获取图像a和图像b各相同重复图像区域的像素强度平均值,其值为:
其中,表示相同重复图像区域在图像a中的像素强度平均值,/>表示相同重复图像区域在图像b中的像素强度平均值,a,b=1,2,3…n;n为正整数,表示各图像的索引数量。此时,根据各图像的像素强度平均值可以赋予具备相同重复图像区域的每个图像以曝光补偿的预设增益系数;例如ga和gb为图像a和图像b的预设增益系数。然后根据预设增益系数和像素强度平均值构建全景强度误差函数,其公式如下:
其中,e表示根据图像a和图像b各相同重复图像区域计算获取的误差值,此时,可以根据全景强度误差函数进行迭代求解至全景强度误差函数的误差值为最小值,在其值最小时所对应的预设补偿增益系数使得具备相同重复图像区域的两图像的曝光程度最低,此时在所述误差值为最小值时确定所述相同重复图像区域对应的像素强度值;根据各重复图像区域的最佳匹配点和像素强度值通过渐入渐出法对目标区域图像集进行拼接融合,获得所述监控区域对应的全景监控图像。由于不同摄像机所处位置光线或聚焦的不同,相同重复图像区域在各图像所表现的像素值也是不一样的,因此可以在拼接融合前根据不同图像下相同重复图像区域的像素值大小进行调整,可以提高重复图像区域拼接融合后的整体的视觉效果。
本实施例获取目标区域图像集中各图像与监控区域的位置分布关系;根据位置分布关系以主区域图像为基准构建坐标系,并基于坐标系获取各图像中重复图像区域的坐标序列;然后按归一化相关性匹配算法对不同图像中相同重复图像区域的坐标序列进行匹配,获取相同重复图像区域的最佳匹配点;在确定最佳匹配点的坐标序列后,根据最佳匹配点通过渐入渐出法改变各重复图像区域的透明度实现渐入渐出的效果从而进行图像的拼接融合获得监控区域对应的全景监控图像,从而可以根据新欧标序列提高对图像进行拼接融合的精确性。进一步地,若坐标系XY数据基于图像像素确定,此时按归一化相关性匹配算法对不同图像中的相同重复图像区域的坐标序列进行数据匹配,获得所述相同重复图像区域对应的响应值;对不同图像对应的相同重复图像区域的响应值大小进行比较,响应值中数值最大的响应值为最佳响应值;其对应的坐标序列即为重复图像区域与被拼接图像中的最佳匹配点,从而根据像素值的响应大小确定最佳匹配点,提高各重复图像区域与主区域图像进行拼接融合的精确性。更进一步地,还可以构建全景强度误差函数进行迭代求解至全景强度误差函数的误差值为最小值,在其值最小时所对应的预设补偿增益系数使得具备相同重复图像区域的两图像的曝光程度最低,此时在所述误差值为最小值时确定所述相同重复图像区域对应的像素强度值;根据各重复图像区域的最佳匹配点和像素强度值通过渐入渐出法对目标区域图像集进行拼接融合,获得所述监控区域对应的全景监控图像。由于不同摄像机所处位置光线或聚焦的不同,相同重复图像区域在各图像所表现的像素值也是不一样的,因此可以在拼接融合前根据不同图像下相同重复图像区域的像素值大小进行调整,可以提高重复图像区域拼接融合后的整体的视觉效果。
参考图5,图5为本发明基于摄像机组的监控方法第三实施例的流程示意图。
基于上述各实施例,在本实施例中,考虑到监控区域的三维建筑模型的构建,所述步骤S10之前,所述方法还包括:
步骤S01:获取目标建筑的遥感影像图,并基于所述遥感影像图提取目标建筑的建筑轮廓数据。
步骤S02:基于所述建筑轮廓数据获得所述目标建筑的建筑分类结果。
需要说明的是,目标建筑是本方案中需要进行监控的建筑区域。遥感影像图可以是基于多波段遥感技术所获取的关于目标建筑的影像。其中多波段遥感技术是利用具有两个以上波谱通道的传感器对地物进行同步成像的遥感技术,通过多波段遥感技术可以将目标建筑反射或辐射的电磁波信息分成若干波谱段进行接收和记录,从而获得遥感影像图。
可理解的是,建筑轮廓数据是基于遥感影像图对目标建筑的外形轮廓以及构造提取的数据。建筑分类结果是基于建筑轮廓数据所确定的目标建筑的类型。
在具体实现中,可以无需自行构建三维建筑模型,三维建筑的模型在数据库中有直接的模型可以提取,在此之前可以获取目标建筑的遥感影像图,并基于遥感影像图提取目标建筑的建筑轮廓数据,然后根据建筑轮廓数据确定目标建筑的建筑分类结果。
步骤S03:根据所述建筑分类结果从三维建筑模型库中对所述遥感影像图进行匹配,获得所述目标建筑对应的三维建筑模型数据。
步骤S04:根据所述三维建筑模型数据和所述遥感影像图构建所述目标建筑对应的预设三维建筑模型。
需要说明的是,三维建筑模型库是包含各种类型建筑的三维模型的数据库,此数据库可以基于网络公开的数据库获取,也可以根据自持的模型数据库获取,本实施例对此不加以限制。三维建筑模型数据是与目标建筑对应类型建筑的模型数据。预设三维建筑模型是目标建筑对应的三维建筑模型,由于三维建筑模型数据是基于建筑分类结果从三维建筑模型库中获取的,在大体上与目标建筑一致,但是例如门窗朝向等细节构造还是有所不同。因此,为获取目标建筑更为精准的三维模型,可以基于三维建筑模型数据和遥感影像图获取目标建筑对应的预设三维建筑模型。
进一步地,考虑到预设三维建筑模型的细腻程度,本实施例中在步骤S04包括:对所述遥感影像图进行前后景标记,获得遥感影像图对应的前后景图像;根据所述三维建筑模型数据和所述前后景图像构建所述目标建筑对应的预设三维建筑模型。
需要说明的是,遥感影像图中的目标建筑的前后景或颜色可以一定程度上体现预设三维建筑模型的细腻程度,因此,可以预先对遥感影像图进行前后景标记,包括颜色、纹理、粗糙度等,根据获取的前后景图像的数据和所述三维建筑模型数据构建目标建筑对应的预设三维建筑模型,从而提高预设三维建筑模型的真实度。
本实施例可以无需自行构建三维建筑模型,三维建筑的模型在数据库中有直接的模型可以提取,在此之前可以获取目标建筑的遥感影像图,并基于遥感影像图提取目标建筑的建筑轮廓数据,然后根据建筑轮廓数据确定目标建筑的建筑分类结果。同时由于三维建筑模型数据是基于建筑分类结果从三维建筑模型库中获取的,在大体上与目标建筑一致,但是例如门窗朝向等细节构造还是有所不同。因此,为获取目标建筑更为精准的三维模型,可以基于三维建筑模型数据和遥感影像图获取目标建筑对应的预设三维建筑模型,从而提供预设三维建筑模型的精确度。进一步地,遥感影像图中的目标建筑的前后景或颜色可以一定程度上体现预设三维建筑模型的细腻程度,因此,可以预先对遥感影像图进行前后景标记,包括颜色、纹理、粗糙度等,根据获取的前后景图像的数据和所述三维建筑模型数据构建目标建筑对应的预设三维建筑模型,从而提高预设三维建筑模型的真实度。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有基于摄像机组的监控程序,所述基于摄像机组的监控程序被处理器执行时实现如上文所述的基于摄像机组的监控方法的步骤。
参照图6,图6为本发明基于摄像机组的监控装置第一实施例的结构框图。
如图6所示,本发明实施例提出的基于摄像机组的监控装置包括:
图像获取模块601,用于通过设置在不同监控区域的摄像机组采集对应的目标区域图像集;
图像识别模块602,用于基于所述目标区域图像集识别各图像的重复图像区域;
所述图像识别模块602,还用于确定所述重复图像区域对应所述监控区域的重复面积,并将重复面积之和达到预设重复条件的图像作为主区域图像;
图像融合模块603,用于根据渐入渐出法将所述目标区域图像集与所述主区域图像进行拼接融合,获得所述监控区域对应的全景监控图像;
三维图构建模块604,用于对所述全景监控图像进行前后景标记,获得所述全景监控图像对应的前后景图像;
所述三维图构建模块604,还用于将不同监控区域对应的前后景图像载入至预设三维建筑模型中,获得三维全景监控图;
监控预警模块605,用于基于所述三维全景监控图对不同监控区域进行监控。
本实施例通过设置在不同监控区域的摄像机组采集对应的目标区域图像集;然后基于目标区域图像集识别各图像的重复图像区域;确定重复图像区域对应所述监控区域的重复面积,并将重复面积之和达到预设重复条件的图像作为主区域图像。以上述室内办公区为例,若安装了四个摄像机,那么就获取了室内办公区的四张目标区域图像,将四张目标区域图像两两对比,确定各图像在图像中重复拍摄的图像区域,并根据室内办公区的实际面积确定各重复图像区域的重复面积,此时每张图像的重复图像区域的数量可能不一样,可能有不重复的目标区域图像,也可能有多个重复图像区域的目标区域图像,此时可以将每张目标区域图像的重复面积相加,将重复面积之和最大所对应的图像作为主区域图像进行拼接融合。然后根据渐入渐出法将目标区域图像集与主区域图像进行拼接融合,获得监控区域对应的全景监控图像;接着对全景监控图像进行前后景标记,获得全景监控图像对应的前后景图像;将不同监控区域对应的前后景图像载入至预设三维建筑模型中,使获得的三维全景监控图更加真实与立体。最后可以基于三维全景监控图对不同监控区域进行实时监控并预警,提高监控的预警及时性。由于本实施例通过识别各图像的重复图像区域进行拼接融合获得全景监控图像,根据全景监控图像通过预设三维建筑模型构建三维全景监控图进行监控,相较于现有的将所有摄像机采集的图像集成到固定的多块屏幕由安保人员切换观看的监控方式,本发明可以根据三维全景监控图将不同监控区域进行联动监控,降低人为失误的可能,提高了监控效果。
基于本发明上述基于摄像机组的监控装置第一实施例,提出本发明基于摄像机组的监控装置的第二实施例。
在本实施例中,所述图像融合模块603,还用于获取所述目标区域图像集中各图像与所述监控区域的位置分布关系;根据所述位置分布关系以主区域图像为基准构建坐标系,并基于所述坐标系获取各图像中重复图像区域的坐标序列;按归一化相关性匹配算法对不同图像中相同重复图像区域的坐标序列进行匹配,获取所述相同重复图像区域的最佳匹配点;根据各重复图像区域的最佳匹配点通过渐入渐出法对所述目标区域图像集进行拼接融合,获得所述监控区域对应的全景监控图像。
进一步地,所述图像融合模块603,还用于按归一化相关性匹配算法对不同图像中的相同重复图像区域的坐标序列进行数据匹配,获得所述相同重复图像区域对应的响应值;确定所述响应值中数值最大的响应值为最佳响应值根据所述最佳响应值获取所述相同重复图像区域的最佳匹配点。
进一步地,所述图像融合模块603,还用于获取不同图像中相同重复图像区域的像素强度平均值;根据所述像素强度平均值和预设增益系数构建全景强度误差函数;基于所述全景强度误差函数获取所述相同重复图像区域的误差值,在所述误差值为最小值时确定所述相同重复图像区域对应的像素强度值;根据各重复图像区域的最佳匹配点和像素强度值通过渐入渐出法对所述目标区域图像集进行拼接融合,获得所述监控区域对应的全景监控图像。
进一步地,所述三维图构建模块604,还用于获取目标建筑的遥感影像图,并基于所述遥感影像图提取目标建筑的建筑轮廓数据;基于所述建筑轮廓数据获得所述目标建筑的建筑分类结果;根据所述建筑分类结果从三维建筑模型库中对所述遥感影像图进行匹配,获得所述目标建筑对应的三维建筑模型数据;根据所述三维建筑模型数据和所述遥感影像图构建所述目标建筑对应的预设三维建筑模型。
进一步地,所述三维图构建模块604,还用于对所述遥感影像图进行前后景标记,获得遥感影像图对应的前后景图像;根据所述三维建筑模型数据和所述前后景图像构建所述目标建筑对应的预设三维建筑模型。
进一步地,所述监控预警模块605,还用于在所述监控区域存在安防异常事件时,基于所述三维全景监控图对所述安防异常事件所在区域进行标记,获得异常标记监控图;在检测到监控显示指令时,根据所述异常标记监控图提取所述安防异常事件对应的全景监控图像;基于所述安防异常事件对应的全景监控图像进行安防预警。
本发明基于摄像机组的监控装置的其他实施例或具体实现方式可参照上述各方法实施例,此处不再赘述。
需要说明的是,在本文中,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、物品或者系统不仅包括那些要素,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、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法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,本发明的技术方案本质上或者说对现有技术做出贡献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(如只读存储器/随机存取存储器、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于摄像机组的监控方法,其特征在于,所述基于摄像机组的监控方法包括:
通过设置在不同监控区域的摄像机组采集对应的目标区域图像集;
基于所述目标区域图像集识别各图像的重复图像区域;
确定所述重复图像区域对应所述监控区域的重复面积,并将重复面积之和达到预设重复条件的图像作为主区域图像;
根据渐入渐出法将所述目标区域图像集与所述主区域图像进行拼接融合,获得所述监控区域对应的全景监控图像;
对所述全景监控图像进行前后景标记,获得所述全景监控图像对应的前后景图像;
将不同监控区域对应的前后景图像载入至预设三维建筑模型中,获得三维全景监控图;
基于所述三维全景监控图对不同监控区域进行监控。
2.如权利要求1所述的基于摄像机组的监控方法,其特征在于,所述根据渐入渐出法将所述目标区域图像集与所述主区域图像进行拼接融合,获得所述监控区域对应的全景监控图像的步骤包括:
获取所述目标区域图像集中各图像与所述监控区域的位置分布关系;
根据所述位置分布关系以主区域图像为基准构建坐标系,并基于所述坐标系获取各图像中重复图像区域的坐标序列;
按归一化相关性匹配算法对不同图像中相同重复图像区域的坐标序列进行匹配,获取所述相同重复图像区域的最佳匹配点;
根据各重复图像区域的最佳匹配点通过渐入渐出法对所述目标区域图像集进行拼接融合,获得所述监控区域对应的全景监控图像。
3.如权利要求2所述的基于摄像机组的监控方法,其特征在于,所述按归一化相关性匹配算法对不同图像中相同重复图像区域的坐标序列进行匹配,获取所述相同重复图像区域的最佳匹配点的步骤包括:
按归一化相关性匹配算法对不同图像中的相同重复图像区域的坐标序列进行数据匹配,获得所述相同重复图像区域对应的响应值;
确定所述响应值中数值最大的响应值为最佳响应值;
根据所述最佳响应值获取所述相同重复图像区域的最佳匹配点。
4.如权利要求3所述的基于摄像机组的监控方法,其特征在于,所述根据各重复图像区域的最佳匹配点通过渐入渐出法对所述目标区域图像集进行拼接融合,获得所述监控区域对应的全景监控图像的步骤包括:
获取不同图像中相同重复图像区域的像素强度平均值;
根据所述像素强度平均值和预设增益系数构建全景强度误差函数;
基于所述全景强度误差函数获取所述相同重复图像区域的误差值,在所述误差值为最小值时确定所述相同重复图像区域对应的像素强度值;
根据各重复图像区域的最佳匹配点和像素强度值通过渐入渐出法对所述目标区域图像集进行拼接融合,获得所述监控区域对应的全景监控图像。
5.如权利要求1所述的基于摄像机组的监控方法,其特征在于,所述通过设置在不同监控区域的摄像机组采集对应的目标区域图像集的步骤之前,还包括:
获取目标建筑的遥感影像图,并基于所述遥感影像图提取目标建筑的建筑轮廓数据;
基于所述建筑轮廓数据获得所述目标建筑的建筑分类结果;
根据所述建筑分类结果从三维建筑模型库中对所述遥感影像图进行匹配,获得所述目标建筑对应的三维建筑模型数据;
根据所述三维建筑模型数据和所述遥感影像图构建所述目标建筑对应的预设三维建筑模型。
6.如权利要求5所述的基于摄像机组的监控方法,其特征在于,所述根据所述三维建筑模型数据和所述遥感影像图构建所述目标建筑对应的预设三维建筑模型的步骤包括:
对所述遥感影像图进行前后景标记,获得遥感影像图对应的前后景图像;
根据所述三维建筑模型数据和所述前后景图像构建所述目标建筑对应的预设三维建筑模型。
7.如权利要求1至6任一项所述的基于摄像机组的监控方法,其特征在于,所述基于所述三维全景监控图对不同监控区域进行监控的步骤之后,还包括:
在所述监控区域存在安防异常事件时,基于所述三维全景监控图对所述安防异常事件所在区域进行标记,获得异常标记监控图;
在检测到监控显示指令时,根据所述异常标记监控图提取所述安防异常事件对应的全景监控图像;
基于所述安防异常事件对应的全景监控图像进行安防预警。
8.一种基于摄像机组的监控装置,其特征在于,所述装置包括:
图像获取模块,用于通过设置在不同监控区域的摄像机组采集对应的目标区域图像集;
图像识别模块,用于基于所述目标区域图像集识别各图像的重复图像区域;
所述图像识别模块,还用于确定所述重复图像区域对应所述监控区域的重复面积,并将重复面积之和达到预设重复条件的图像作为主区域图像;
图像融合模块,用于根据渐入渐出法将所述目标区域图像集与所述主区域图像进行拼接融合,获得所述监控区域对应的全景监控图像;
三维图构建模块,用于对所述全景监控图像进行前后景标记,获得所述全景监控图像对应的前后景图像;
所述三维图构建模块,还用于将不同监控区域对应的前后景图像载入至预设三维建筑模型中,获得三维全景监控图;
监控预警模块,用于基于所述三维全景监控图对不同监控区域进行监控。
9.一种基于摄像机组的监控设备,其特征在于,所述设备包括: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基于摄像机组的监控程序,所述基于摄像机组的监控程序配置为实现如权利要求1至7中任一项所述的基于摄像机组的监控方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有基于摄像机组的监控程序,所述基于摄像机组的监控程序被处理器执行时实现如权利要求1至7任一项所述的基于摄像机组的监控方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310584934.3A CN116311087B (zh) | 2023-05-23 | 2023-05-23 | 基于摄像机组的监控方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310584934.3A CN116311087B (zh) | 2023-05-23 | 2023-05-23 | 基于摄像机组的监控方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116311087A true CN116311087A (zh) | 2023-06-23 |
CN116311087B CN116311087B (zh) | 2023-08-08 |
Family
ID=86830900
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310584934.3A Active CN116311087B (zh) | 2023-05-23 | 2023-05-23 | 基于摄像机组的监控方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116311087B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117690278A (zh) * | 2024-02-02 | 2024-03-12 | 长沙弘汇电子科技有限公司 | 一种基于图像识别的地质灾害预警系统 |
CN117939086A (zh) * | 2024-03-19 | 2024-04-26 | 中通服建设有限公司 | 一种数字建筑的智慧监控平台及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090076344A (ko) * | 2008-01-08 | 2009-07-13 | 고려대학교 산학협력단 | 파노라마 영상 생성 장치 및 방법과 파노라마 영상에기반한 차량 후방 감시 장치 |
CN105554447A (zh) * | 2015-12-11 | 2016-05-04 | 北京天地玛珂电液控制系统有限公司 | 一种基于图像处理技术的采煤工作面实时视频拼接系统 |
WO2018107910A1 (zh) * | 2016-12-16 | 2018-06-21 | 杭州海康威视数字技术股份有限公司 | 一种全景视频融合方法及装置 |
CN111770326A (zh) * | 2020-06-20 | 2020-10-13 | 武汉大势智慧科技有限公司 | 一种全景视频投射的室内三维监控方法 |
US20220044356A1 (en) * | 2019-12-17 | 2022-02-10 | Dalian University Of Technology | Large-field-angle image real-time stitching method based on calibration |
-
2023
- 2023-05-23 CN CN202310584934.3A patent/CN116311087B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090076344A (ko) * | 2008-01-08 | 2009-07-13 | 고려대학교 산학협력단 | 파노라마 영상 생성 장치 및 방법과 파노라마 영상에기반한 차량 후방 감시 장치 |
CN105554447A (zh) * | 2015-12-11 | 2016-05-04 | 北京天地玛珂电液控制系统有限公司 | 一种基于图像处理技术的采煤工作面实时视频拼接系统 |
WO2018107910A1 (zh) * | 2016-12-16 | 2018-06-21 | 杭州海康威视数字技术股份有限公司 | 一种全景视频融合方法及装置 |
US20220044356A1 (en) * | 2019-12-17 | 2022-02-10 | Dalian University Of Technology | Large-field-angle image real-time stitching method based on calibration |
CN111770326A (zh) * | 2020-06-20 | 2020-10-13 | 武汉大势智慧科技有限公司 | 一种全景视频投射的室内三维监控方法 |
Non-Patent Citations (1)
Title |
---|
迟龙云等: "基于局部单应性矩阵的图像拼接与定位算法研究", 《导航定位与授时》, vol. 7, no. 3, pages 62 - 69 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117690278A (zh) * | 2024-02-02 | 2024-03-12 | 长沙弘汇电子科技有限公司 | 一种基于图像识别的地质灾害预警系统 |
CN117690278B (zh) * | 2024-02-02 | 2024-04-26 | 长沙弘汇电子科技有限公司 | 一种基于图像识别的地质灾害预警系统 |
CN117939086A (zh) * | 2024-03-19 | 2024-04-26 | 中通服建设有限公司 | 一种数字建筑的智慧监控平台及方法 |
CN117939086B (zh) * | 2024-03-19 | 2024-06-04 | 中通服建设有限公司 | 一种数字建筑的智慧监控平台及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116311087B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116311087B (zh) | 基于摄像机组的监控方法、装置、设备及存储介质 | |
CN109819208B (zh) | 一种基于人工智能动态监控的密集人群安防监控管理方法 | |
CN110400363B (zh) | 基于激光点云的地图构建方法和装置 | |
US7853038B2 (en) | Systems and methods for object dimension estimation | |
US9104914B1 (en) | Object detection with false positive filtering | |
US10043097B2 (en) | Image abstraction system | |
Golparvar-Fard et al. | Evaluation of image-based modeling and laser scanning accuracy for emerging automated performance monitoring techniques | |
JP2000306095A (ja) | 画像照合・検索システム | |
CN112819722B (zh) | 一种红外图像人脸曝光方法、装置、设备及存储介质 | |
TW202026948A (zh) | 活體檢測方法、裝置以及儲存介質 | |
Nyaruhuma et al. | Verification of 2D building outlines using oblique airborne images | |
CN111160202A (zh) | 基于ar设备的身份核验方法、装置、设备及存储介质 | |
CN109740444A (zh) | 人流量信息展示方法及相关产品 | |
CN111539338A (zh) | 行人口罩佩戴管控方法、装置、设备及计算机存储介质 | |
CN116778094B (zh) | 一种基于优选视角拍摄的建筑物变形监测方法及装置 | |
CN109064444B (zh) | 基于显著性分析的轨道板病害检测方法 | |
CN113159229B (zh) | 图像融合方法、电子设备及相关产品 | |
CN110276379A (zh) | 一种基于视频图像分析的灾情信息快速提取方法 | |
CN112749746A (zh) | 一种缺陷样本迭代更新方法、系统及装置 | |
CN112784703B (zh) | 一种基于多光谱的人员行动轨迹确定方法 | |
Ciampini et al. | An innovative method for human height estimation combining video images and 3D laser scanning | |
JP6615709B2 (ja) | 前景領域抽出装置、方法、及びプログラム | |
JP2020031393A (ja) | 対象検知装置、画像処理装置、対象検知方法、画像処理方法、及びプログラム | |
Zhang et al. | Estimation of atmospheric light based on gaussian distribution | |
CN117058767B (zh) | 训练场监测方法、设备、存储介质及装置 |
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 |