CN116580360B - 一种用于安防监控的图像数据处理方法及系统 - Google Patents

一种用于安防监控的图像数据处理方法及系统 Download PDF

Info

Publication number
CN116580360B
CN116580360B CN202310571590.2A CN202310571590A CN116580360B CN 116580360 B CN116580360 B CN 116580360B CN 202310571590 A CN202310571590 A CN 202310571590A CN 116580360 B CN116580360 B CN 116580360B
Authority
CN
China
Prior art keywords
monitoring
image
scale
outputting
optimizing
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
CN202310571590.2A
Other languages
English (en)
Other versions
CN116580360A (zh
Inventor
柳明录
蔡宏华
张广良
倪志林
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.)
Jiangsu Yanjia Technology Co ltd
Original Assignee
Jiangsu Yanjia 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 Jiangsu Yanjia Technology Co ltd filed Critical Jiangsu Yanjia Technology Co ltd
Priority to CN202310571590.2A priority Critical patent/CN116580360B/zh
Publication of CN116580360A publication Critical patent/CN116580360A/zh
Application granted granted Critical
Publication of CN116580360B publication Critical patent/CN116580360B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06V10/52—Scale-space analysis, e.g. wavelet analysis
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)
  • Closed-Circuit Television Systems (AREA)
  • Alarm Systems (AREA)

Abstract

本发明公开了一种用于安防监控的图像数据处理方法及系统，应用于数据处理技术领域，该方法包括：通过接收监控图像集合，进行监控特征分类，输出多类监控图像。分别对多类监控图像中每一类监控图像进行分解尺度寻优，输出与多类监控图像分别对应的多个分解尺度。按照多类监控图像与多个分解尺度的映射关系，进行模型训练，输出尺度决策模型。将实时监控图像输入尺度决策模型中进行决策，输出第一决策尺度。根据第一决策尺度对第一实时监控图像进行小波分解，输出图像冗余处理结果。解决了现有技术中安防监控图像中包含大量的非监控对象特征，导致安防监控图像处理效率低的技术问题。

Description

一种用于安防监控的图像数据处理方法及系统
技术领域
本发明涉及数据处理领域，尤其涉及一种用于安防监控的图像数据处理方法及系统。
背景技术
安防监控是利用光纤、电缆等在闭合环路内传输视频信号，由摄像到图像显示和记录的独立系统。然而，在现有技术中由于安防监控图像中包含大量的非监控对象特征，在处理过程中需要对非监控对象特征的冗余信息进行处理，导致安防监控图像处理效率较低。
因此，在现有技术中安防监控图像中包含大量的非监控对象特征，导致安防监控图像处理效率低的技术问题。
发明内容
本申请通过提供一种用于安防监控的图像数据处理方法及系统，解决了在现有技术中安防监控图像中包含大量的非监控对象特征，导致安防监控图像处理效率低的技术问题。
本申请提供一种用于安防监控的图像数据处理方法，所述方法包括：接收来自第一监控装置对第一安防区域的监控图像集合；对所述监控图像集合进行监控特征分类，输出多类监控图像，其中，每一类图像对应一个监控特征；分别对所述多类监控图像中每一类监控图像进行分解尺度寻优，输出与所述多类监控图像分别对应的多个分解尺度；按照所述多类监控图像与所述多个分解尺度的映射关系，进行模型训练，输出尺度决策模型；将所述第一安防区域的第一实时监控图像输入所述尺度决策模型中进行决策，输出第一决策尺度；根据所述第一决策尺度对所述第一实时监控图像进行小波分解，输出图像冗余处理结果。
本申请还提供了一种用于安防监控的图像数据处理系统，所述系统包括：图像集合获取模块，用于接收来自第一监控装置对第一安防区域的监控图像集合；控特征分类模块，用于对所述监控图像集合进行监控特征分类，输出多类监控图像，其中，每一类图像对应一个监控特征；分解尺度获取模块，用于分别对所述多类监控图像中每一类监控图像进行分解尺度寻优，输出与所述多类监控图像分别对应的多个分解尺度；尺度决策模型获取模块，用于按照所述多类监控图像与所述多个分解尺度的映射关系，进行模型训练，输出尺度决策模型；决策尺度获取模块，用于将所述第一安防区域的第一实时监控图像输入所述尺度决策模型中进行决策，输出第一决策尺度；冗余处理模块，用于根据所述第一决策尺度对所述第一实时监控图像进行小波分解，输出图像冗余处理结果。
本申请还提供了一种电子设备，包括：
存储器，用于存储可执行指令；
处理器，用于执行所述存储器中存储的可执行指令时，实现本申请实施例提供的一种用于安防监控的图像数据处理方法。
本申请实施例提供一种计算机可读存储介质，存储有计算机程序，该程序被处理器执行时，实现本申请实施例提供的一种用于安防监控的图像数据处理方法。
拟通过本申请提出的一种用于安防监控的图像数据处理方法及系统，通过接收监控图像集合，进行监控特征分类，输出多类监控图像。分别对多类监控图像中每一类监控图像进行分解尺度寻优，输出与多类监控图像分别对应的多个分解尺度。按照多类监控图像与多个分解尺度的映射关系，进行模型训练，输出尺度决策模型。将实时监控图像输入尺度决策模型中进行决策，输出第一决策尺度。根据第一决策尺度对第一实时监控图像进行小波分解，输出图像冗余处理结果。实现了在可以清楚分辨监控对象的前提下，输出图像冗余处理结果，从而提高安防图像的比对处理的效率。解决了现有技术中安防监控图像中包含大量的非监控对象特征，导致安防监控图像处理效率低的技术问题。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对本公开实施例的附图作简单地介绍。明显地，下面描述中的附图仅仅涉及本公开的一些实施例，而非对本公开的限制。
图1为本申请实施例提供的一种用于安防监控的图像数据处理方法的流程示意图；
图2为本申请实施例提供的一种用于安防监控的图像数据处理方法获取多类监控图像的流程示意图；
图3为本申请实施例提供的一种用于安防监控的图像数据处理方法进行模板化冗余处理的流程示意图；
图4为本申请实施例提供的一种用于安防监控的图像数据处理方法的系统的结构示意图；
图5为本发明实施例提供的一种用于安防监控的图像数据处理方法的系统电子设备的结构示意图。
附图标记说明：图像集合获取模块11，控特征分类模块12，分解尺度获取模块13，尺度决策模型获取模块14，决策尺度获取模块15，冗余处理模块16，处理器31，存储器32，输入装置33，输出装置34。
具体实施方式
实施例一
为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，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它实施例，都属于本申请保护的范围。
在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
在以下的描述中，所涉及的术语“第一\第二\第三”仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上，所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
如图1所示，本申请实施例提供了一种用于安防监控的图像数据处理方法，所述方法包括：
S10：接收来自第一监控装置对第一安防区域的监控图像集合；
S20：对所述监控图像集合进行监控特征分类，输出多类监控图像，其中，每一类图像对应一个监控特征；
S30：分别对所述多类监控图像中每一类监控图像进行分解尺度寻优，输出与所述多类监控图像分别对应的多个分解尺度；
具体的，安防监控是利用光纤、电缆等在闭合环路内传输视频信号，由摄像到图像显示和记录的独立系统。现有技术中由于安防监控图像中包含大量的非监控对象特征，在处理过程中需要对非监控对象特征的冗余信息进行处理，导致安防监控图像处理效率较低。通过接收第一监控装置对第一安防区域的监控图像集合，其中第一安防区域为需要进行安防监控的区域，监控图像集合为历史监控图像。随后，利用分类树对监控图像集合进行监控特征分类，输出不同类别的监控图像，得到多类监控图像，其中，每一类图像对应一个监控特征。进一步，根据多类监控图像分别对多类监控图像中每一类监控图像进行分解尺度寻优，即按照不同类别的监控图像进行尺度寻优，输出与所述多类监控图像分别对应的多个分解尺度，其中分解尺度为具体的分解尺寸，且每一类监控图像对应一个分解尺度。
如图2所示，本申请实施例提供的方法S20还包括：
S21：获取第一级特征、第二级特征和第三级特征，所述第一级特征为监控物理对象特征，所述第二级特征为监控静动态属性特征，所述第三级特征为监控所处场景特征；
S22：将所述第一级特征、第二级特征和第三级特征分别作为叶节点，生成监控特征分类树；
S23：将所述监控图像集合输入所述监控特征分类树中进行对各个图像进行遍历，输出各个叶节点下的分类结果，获取所述多类监控图像。
具体的，获取第一级特征、第二级特征和第三级特征，所述第一级特征为监控物理对象特征即具体的监控对象特征，如车辆、行人、贵重物品等，所述第二级特征为监控静动态属性特征即监控对象的动态或静态特征，所述第三级特征为监控所处场景特征即监控对象所处的场景或区域。将所述第一级特征、第二级特征和第三级特征分别作为叶节点，并且第一级特征、第二级特征和第三级特征的处理顺序按照第一级特征处理后进行第二级特征处理，最后进行第三级特征，生成监控特征分类树。最后，将所述监控图像集合输入所述监控特征分类树中进行对各个图像进行遍历，输出各个叶节点下的分类结果，获取所述多类监控图像。
本申请实施例提供的方法S20还包括：
S24：根据所述监控物理对象特征的对象识别粒度，对所述第一级特征的叶节点进行尺度信息熵赋值；以及
S25：根据所述监控静动态属性特征的动态粒度，对所述第二级特征的叶节点进行尺度信息熵赋值；以及
S26：根据所述监控所处场景特征的场景识别粒度，对所述第三级特征的叶节点进行尺度信息熵赋值；
S27：根据各个叶节点的尺度信息熵赋值，根据信息熵赋值结果，优化所述多类监控图像与所述多个分解尺度的映射关系。
具体的，由于不同识别对象的体积不同，因此对应的识别粒度也不同，根据监控物理对象特征的对象识别粒度，即识别对象的特征大小，对第一级特征的叶节点进行尺度信息熵赋值，特征对象越小则对应的信息熵赋值越高，其中每一个第一级特征叶节点均存在对应的尺度信息熵赋值。根据所述监控静动态属性特征的动态粒度，由于物体的动态属性以及静态属性在识别时存在识别粒度区别，对所述第二级特征的叶节点进行尺度信息熵赋值，其中动态属性的尺度信息熵赋值大于静态属性，每一个第二级特征叶节点均存在对应的尺度信息熵赋值。根据所述监控所处场景特征的场景识别粒度，由于不同场景下的场景复杂程度不同，越复杂的场景则对应的识别粒度小，对应的需求识别尺度则越小，对所述第三级特征的叶节点进行尺度信息熵赋值，场景越复杂则尺度信息熵赋值越高，其中每一个第三级特征叶节点均存在对应的尺度信息熵赋值。最后，根据各个叶节点的尺度信息熵赋值结果，优化所述多类监控图像与所述多个分解尺度的映射关系，即通过获取不同类别特征在各级特征叶节点分类后的总的信息熵赋值结果，信息熵赋值结果越高，则对应的分解尺度越小，对细小物品的分辨能力越好，不同信息熵赋值结果对应不同的分解尺度区间。
本申请实施例提供的方法S30还包括：
S31：获取分解尺度寻优空间以及寻优收敛标识信息，其中，所述分解尺度寻优空间为用于进行尺度寻优的参数范围，所述寻优收敛标识信息为标识预设图像尺度分解效果的信息；
S32：对所述多类监控图像进行寻优粒子群划分，采用所述分解尺度寻优空间以及所述寻优收敛标识信息进行寻优，输出多个寻优结果，其中，所述多个寻优结果包括与所述多类监控图像分别对应的多个分解尺度。
具体的，由于通过监控特征分类树获取的分解尺度为较大的范围，为了更好的获取图像处理效果。通过获取分解尺度寻优空间以及寻优收敛标识信息，其中，所述分解尺度寻优空间为各类别监控图像用于进行尺度寻优的参数范围，所述寻优收敛标识信息为通过人工标识的各类别预设图像尺度分解最佳效果的信息。通过对多类监控图像进行寻优粒子群划分，每个寻优粒子群对应一种类别的监控图像。随后，采用所述分解尺度寻优空间以及所述寻优收敛标识信息进行寻优，按照不同的分解尺度进行处理，获取处理结果与寻优收敛标识信息进行比较，直至处理结果满足寻优收敛标识信息时，输出寻优结果。获取不同多个类监控图像的多个寻优结果，输出多个寻优结果，其中，所述多个寻优结果包括与所述多类监控图像分别对应的多个分解尺度。
S40：按照所述多类监控图像与所述多个分解尺度的映射关系，进行模型训练，输出尺度决策模型；
S50：将所述第一安防区域的第一实时监控图像输入所述尺度决策模型中进行决策，输出第一决策尺度；
S60：根据所述第一决策尺度对所述第一实时监控图像进行小波分解，输出图像冗余处理结果。
具体的，按照多类监控图像与所述多个分解尺度的映射关系，进行模型训练，将多类监控图像与所述多个分解尺度的映射关系对神经网络模型进行监督训练，直至模型根据不同类别的监控图像输出的分解尺度满足预设准确率时，完成对模型的项目，获得尺度决策模型。随后，将第一安防区域的第一实时监控图像输入所述尺度决策模型中进行决策，输出第一决策尺度。最后，根据所述第一决策尺度对所述第一实时监控图像进行小波分解，输出图像冗余处理结果。进而实现在可以清楚分辨监控对象的前提下，输出图像冗余处理结果，从而提高安防图像的比对效率。
本申请实施例提供的方法S60还包括：
S61：获取所述多类监控图像分别对应的异常比对图像区域；
S62：基于所述异常比对图像区域，对所述图像冗余处理结果中的图像进行异常比对，输出异常比对结果，其中，所述异常比对结果包括比对相似度；
S63：若所述比对相似度大于预设比对相似度，生成异常提醒信息。
具体的，获取多类监控图像分别对应的异常比对图像区域，其中异常比对图像区域为对应监控图像在历史安防监控过程中对应图像区域存在异常的图像处理结果，如进行安防特征监测的区域异常，如人的异常行为图像、车辆的异常图像例如异常拖移等。并基于所述异常比对图像区域，对所述图像冗余处理结果中的图像进行异常比对，输出异常比对结果，即比对异常比对图像区域与图像冗余处理结果的相似度，当相似度大于预设比对相似度时，则图像冗余处理结果中出现与异常比对图像区域的相似的异常情况。其中，所述异常比对结果包括比对相似度。若所述比对相似度大于预设比对相似度，则生成异常提醒信息，用于对异常情况的提醒。
如图3所示，本申请实施例提供的方法S60还包括：
S64：基于所述多类监控图像，生成多个存储节点，其中，每个存储节点用于存储对应类别的监控图像以及监控图像对应的冗余处理后的图像；
S65：当所述多个存储节点中任一存储节点的图像量化满足预设量化需求，对所述存储节点的冗余处理参数进行模板化处理，输出模板化处理结果；
S66：基于所述模板化处理结果可对接收的所述第一实时监控图像进行模板化冗余处理。
具体的，基于多类监控图像，生成多个存储节点，每个存储节点对应存储一种类别的监控图像，每个存储节点用于存储对应类别的监控图像以及监控图像对应的冗余处理后的图像。当所述多个存储节点中任一存储节点的图像量化满足预设量化需求，即达到预设存储数据量时，则对存储节点的冗余处理参数进行模板化处理，即将对应的处理参数如分解尺度参数进行模板化处理，输出模板化处理结果。以便于后续可以直接利用模板化处理结果进行图像处理。进一步，基于所述模板化处理结果可对接收的所述第一实时监控图像进行模板化冗余处理。
本申请实施例提供的方法S60还包括：
S67：对所述模板化处理结果进行模板化冗余处理效果分析，输出模板化效用指数；
S68：当所述模板化效用指数大于等于预设模板化效用指数，激活模板化处理指令，按照所述模板化处理指令对接收的所述第一实时监控图像进行模板化冗余处理。
具体的，对模板化处理结果进行模板化冗余处理效果分析，通过人工评价的方式对模板化处理冗余处理效果进行评价，输出模板化效用指数，效用指数越高则对应的模板化冗余处理效果越好。当所述模板化效用指数大于等于预设模板化效用指数，此时模板化处理效果较好，则激活模板化处理指令，按照所述模板化处理指令对接收的所述第一实时监控图像进行模板化冗余处理。当小于预设模板化效用指数时，模板化处理效果较差，则继续按照原有的处理方式进行监控图像的处理。通过对处理方法进行模板化处理，实现在保证处理效果的前提下提高安防监控图像处理效率。
本发明实施例所提供的技术方案，通过接收来自第一监控装置对第一安防区域的监控图像集合。对所述监控图像集合进行监控特征分类，输出多类监控图像，其中，每一类图像对应一个监控特征。分别对所述多类监控图像中每一类监控图像进行分解尺度寻优，输出与所述多类监控图像分别对应的多个分解尺度。按照所述多类监控图像与所述多个分解尺度的映射关系，进行模型训练，输出尺度决策模型。将所述第一安防区域的第一实时监控图像输入所述尺度决策模型中进行决策，输出第一决策尺度。根据所述第一决策尺度对所述第一实时监控图像进行小波分解，输出图像冗余处理结果。实现了在可以清楚分辨监控对象的前提下，输出图像冗余处理结果，从而提高安防图像的比对处理的效率。解决了现有技术中安防监控图像中包含大量的非监控对象特征，导致安防监控图像处理效率低的技术问题。
实施例二
基于与前述实施例中一种用于安防监控的图像数据处理方法同样发明构思，本发明还提供了一种用于安防监控的图像数据处理方法的系统，系统可以由硬件和/或软件的方式来实现，一般可集成于电子设备中，用于执行本发明任意实施例所提供的方法。如图4所示，所述系统包括：
图像集合获取模块11，用于接收来自第一监控装置对第一安防区域的监控图像集合；
控特征分类模块12，用于对所述监控图像集合进行监控特征分类，输出多类监控图像，其中，每一类图像对应一个监控特征；
分解尺度获取模块13，用于分别对所述多类监控图像中每一类监控图像进行分解尺度寻优，输出与所述多类监控图像分别对应的多个分解尺度；
尺度决策模型获取模块14，用于按照所述多类监控图像与所述多个分解尺度的映射关系，进行模型训练，输出尺度决策模型；
决策尺度获取模块15，用于将所述第一安防区域的第一实时监控图像输入所述尺度决策模型中进行决策，输出第一决策尺度；
冗余处理模块16，用于根据所述第一决策尺度对所述第一实时监控图像进行小波分解，输出图像冗余处理结果。
进一步地，所述控特征分类模块12还用于：
获取第一级特征、第二级特征和第三级特征，所述第一级特征为监控物理对象特征，所述第二级特征为监控静动态属性特征，所述第三级特征为监控所处场景特征；
将所述第一级特征、第二级特征和第三级特征分别作为叶节点，生成监控特征分类树；
将所述监控图像集合输入所述监控特征分类树中进行对各个图像进行遍历，输出各个叶节点下的分类结果，获取所述多类监控图像。
进一步地，所述控特征分类模块12还用于：
根据所述监控物理对象特征的对象识别粒度，对所述第一级特征的叶节点进行尺度信息熵赋值；以及
根据所述监控静动态属性特征的动态粒度，对所述第二级特征的叶节点进行尺度信息熵赋值；以及
根据所述监控所处场景特征的场景识别粒度，对所述第三级特征的叶节点进行尺度信息熵赋值；
根据各个叶节点的尺度信息熵赋值，根据信息熵赋值结果，优化所述多类监控图像与所述多个分解尺度的映射关系。
进一步地，所述冗余处理模块16还用于：
获取所述多类监控图像分别对应的异常比对图像区域；
基于所述异常比对图像区域，对所述图像冗余处理结果中的图像进行异常比对，输出异常比对结果，其中，所述异常比对结果包括比对相似度；
若所述比对相似度大于预设比对相似度，生成异常提醒信息。
进一步地，所述冗余处理模块16还用于：
基于所述多类监控图像，生成多个存储节点，其中，每个存储节点用于存储对应类别的监控图像以及监控图像对应的冗余处理后的图像；
当所述多个存储节点中任一存储节点的图像量化满足预设量化需求，对所述存储节点的冗余处理参数进行模板化处理，输出模板化处理结果；
基于所述模板化处理结果可对接收的所述第一实时监控图像进行模板化冗余处理。
进一步地，所述冗余处理模块16还用于：
对所述模板化处理结果进行模板化冗余处理效果分析，输出模板化效用指数；
当所述模板化效用指数大于等于预设模板化效用指数，激活模板化处理指令，按照所述模板化处理指令对接收的所述第一实时监控图像进行模板化冗余处理。
进一步地，所述分解尺度获取模块13还用于：
获取分解尺度寻优空间以及寻优收敛标识信息，其中，所述分解尺度寻优空间为用于进行尺度寻优的参数范围，所述寻优收敛标识信息为标识预设图像尺度分解效果的信息；
对所述多类监控图像进行寻优粒子群划分，采用所述分解尺度寻优空间以及所述寻优收敛标识信息进行寻优，输出多个寻优结果，其中，所述多个寻优结果包括与所述多类监控图像分别对应的多个分解尺度。
所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
实施例三
图5为本发明实施例三提供的电子设备的结构示意图，示出了适于用来实现本发明实施方式的示例性电子设备的框图。图5显示的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。如图5所示，该电子设备包括处理器31、存储器32、输入装置33及输出装置34；电子设备中处理器31的数量可以是一个或多个，图5中以一个处理器31为例，电子设备中的处理器31、存储器32、输入装置33及输出装置34可以通过总线或其他方式连接，图5中以通过总线连接为例。
存储器32作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的一种用于安防监控的图像数据处理方法对应的程序指令/模块。处理器31通过运行存储在存储器32中的软件程序、指令以及模块，从而执行计算机设备的各种功能应用以及数据处理，即实现上述一种用于安防监控的图像数据处理方法。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (8)

1.一种用于安防监控的图像数据处理方法，其特征在于，所述方法包括：
接收来自第一监控装置对第一安防区域的监控图像集合；
对所述监控图像集合进行监控特征分类，输出多类监控图像，其中，每一类图像对应一个监控特征；
分别对所述多类监控图像中每一类监控图像进行分解尺度寻优，输出与所述多类监控图像分别对应的多个分解尺度；
按照所述多类监控图像与所述多个分解尺度的映射关系，进行模型训练，输出尺度决策模型；
将所述第一安防区域的第一实时监控图像输入所述尺度决策模型中进行决策，输出第一决策尺度；
根据所述第一决策尺度对所述第一实时监控图像进行小波分解，输出图像冗余处理结果；
其中，对所述监控图像集合进行监控特征分类，输出多类监控图像，包括：
获取第一级特征、第二级特征和第三级特征，所述第一级特征为监控物理对象特征，所述第二级特征为监控静动态属性特征，所述第三级特征为监控所处场景特征；
将所述第一级特征、第二级特征和第三级特征分别作为叶节点，生成监控特征分类树；
将所述监控图像集合输入所述监控特征分类树中进行对各个图像进行遍历，输出各个叶节点下的分类结果，获取所述多类监控图像；
分别对所述多类监控图像中每一类监控图像进行分解尺度寻优，包括：
获取分解尺度寻优空间以及寻优收敛标识信息，其中，所述分解尺度寻优空间为用于进行尺度寻优的参数范围，所述寻优收敛标识信息为标识预设图像尺度分解效果的信息；
对所述多类监控图像进行寻优粒子群划分，采用所述分解尺度寻优空间以及所述寻优收敛标识信息进行寻优，输出多个寻优结果，其中，所述多个寻优结果包括与所述多类监控图像分别对应的多个分解尺度。
2.如权利要求1所述的方法，其特征在于，所述方法还包括：
根据所述监控物理对象特征的对象识别粒度，对所述第一级特征的叶节点进行尺度信息熵赋值；以及
根据所述监控静动态属性特征的动态粒度，对所述第二级特征的叶节点进行尺度信息熵赋值；以及
根据所述监控所处场景特征的场景识别粒度，对所述第三级特征的叶节点进行尺度信息熵赋值；
根据各个叶节点的尺度信息熵赋值，根据信息熵赋值结果，优化所述多类监控图像与所述多个分解尺度的映射关系。
3.如权利要求1所述的方法，其特征在于，输出图像冗余处理结果之后，方法还包括：
获取所述多类监控图像分别对应的异常比对图像区域；
基于所述异常比对图像区域，对所述图像冗余处理结果中的图像进行异常比对，输出异常比对结果，其中，所述异常比对结果包括比对相似度；
若所述比对相似度大于预设比对相似度，生成异常提醒信息。
4.如权利要求1所述的方法，其特征在于，所述方法还包括：
基于所述多类监控图像，生成多个存储节点，其中，每个存储节点用于存储对应类别的监控图像以及监控图像对应的冗余处理后的图像；
当所述多个存储节点中任一存储节点的图像量化满足预设量化需求，对所述存储节点的冗余处理参数进行模板化处理，输出模板化处理结果；
基于所述模板化处理结果可对接收的所述第一实时监控图像进行模板化冗余处理。
5.如权利要求4所述的方法，其特征在于，所述输出模板化处理结果之前，方法还包括：
对所述模板化处理结果进行模板化冗余处理效果分析，输出模板化效用指数；
当所述模板化效用指数大于等于预设模板化效用指数，激活模板化处理指令，按照所述模板化处理指令对接收的所述第一实时监控图像进行模板化冗余处理。
6.一种用于安防监控的图像数据处理系统，其特征在于，所述系统包括：
图像集合获取模块，用于接收来自第一监控装置对第一安防区域的监控图像集合；
控特征分类模块，用于对所述监控图像集合进行监控特征分类，输出多类监控图像，其中，每一类图像对应一个监控特征；
分解尺度获取模块，用于分别对所述多类监控图像中每一类监控图像进行分解尺度寻优，输出与所述多类监控图像分别对应的多个分解尺度；
尺度决策模型获取模块，用于按照所述多类监控图像与所述多个分解尺度的映射关系，进行模型训练，输出尺度决策模型；
决策尺度获取模块，用于将所述第一安防区域的第一实时监控图像输入所述尺度决策模型中进行决策，输出第一决策尺度；
冗余处理模块，用于根据所述第一决策尺度对所述第一实时监控图像进行小波分解，输出图像冗余处理结果；
其中，所述控特征分类模块还用于：
获取第一级特征、第二级特征和第三级特征，所述第一级特征为监控物理对象特征，所述第二级特征为监控静动态属性特征，所述第三级特征为监控所处场景特征；
将所述第一级特征、第二级特征和第三级特征分别作为叶节点，生成监控特征分类树；
将所述监控图像集合输入所述监控特征分类树中进行对各个图像进行遍历，输出各个叶节点下的分类结果，获取所述多类监控图像；
所述分解尺度获取模块还用于：
获取分解尺度寻优空间以及寻优收敛标识信息，其中，所述分解尺度寻优空间为用于进行尺度寻优的参数范围，所述寻优收敛标识信息为标识预设图像尺度分解效果的信息；
对所述多类监控图像进行寻优粒子群划分，采用所述分解尺度寻优空间以及所述寻优收敛标识信息进行寻优，输出多个寻优结果，其中，所述多个寻优结果包括与所述多类监控图像分别对应的多个分解尺度。
7.一种电子设备，其特征在于，所述电子设备包括：
存储器，用于存储可执行指令；
处理器，用于执行所述存储器中存储的可执行指令时，实现权利要求1至5任一项所述的一种用于安防监控的图像数据处理方法。
8.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一所述的一种用于安防监控的图像数据处理方法。
CN202310571590.2A 2023-05-21 2023-05-21 一种用于安防监控的图像数据处理方法及系统 Active CN116580360B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310571590.2A CN116580360B (zh) 2023-05-21 2023-05-21 一种用于安防监控的图像数据处理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310571590.2A CN116580360B (zh) 2023-05-21 2023-05-21 一种用于安防监控的图像数据处理方法及系统

Publications (2)

Publication Number Publication Date
CN116580360A CN116580360A (zh) 2023-08-11
CN116580360B true CN116580360B (zh) 2024-02-27

Family

ID=87543826

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310571590.2A Active CN116580360B (zh) 2023-05-21 2023-05-21 一种用于安防监控的图像数据处理方法及系统

Country Status (1)

Country Link
CN (1) CN116580360B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110335285A (zh) * 2019-07-08 2019-10-15 中国科学院自动化研究所 基于稀疏表示的sar图像目标标记方法、系统、装置
CN111125405A (zh) * 2019-12-19 2020-05-08 国网冀北电力有限公司信息通信分公司 电力监控图像异常检测方法和装置、电子设备及存储介质
CN113111782A (zh) * 2021-04-14 2021-07-13 中国工商银行股份有限公司 基于显著对象检测的视频监控方法及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110717354B (zh) * 2018-07-11 2023-05-12 哈尔滨工业大学 基于半监督k-svd与多尺度稀疏表示的超像元分类方法
US11562500B2 (en) * 2019-07-24 2023-01-24 Squadle, Inc. Status monitoring using machine learning and machine vision

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110335285A (zh) * 2019-07-08 2019-10-15 中国科学院自动化研究所 基于稀疏表示的sar图像目标标记方法、系统、装置
CN111125405A (zh) * 2019-12-19 2020-05-08 国网冀北电力有限公司信息通信分公司 电力监控图像异常检测方法和装置、电子设备及存储介质
CN113111782A (zh) * 2021-04-14 2021-07-13 中国工商银行股份有限公司 基于显著对象检测的视频监控方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于小波域TS-MRF模型的监督图像分割方法;刘国英;王爱民;陈荣元;秦前清;;红外与毫米波学报;20110215(第01期);全文 *

Also Published As

Publication number Publication date
CN116580360A (zh) 2023-08-11

Similar Documents

Publication Publication Date Title
CN107122594B (zh) 一种新能源车辆电池的健康预测方法和系统
DE112016005536T5 (de) Bestimmen von reihenfolgen einer ausführung eines neuronalen netzes
CN113095370B (zh) 图像识别方法、装置、电子设备及存储介质
EP3620982B1 (en) Sample processing method and device
CN113470695A (zh) 声音异常检测方法、装置、计算机设备及存储介质
DE102021207269A1 (de) Verfahren und system zum erlernen von perturbationsmengen beim maschinenlernen
CN112580780A (zh) 模型训练的处理方法、装置、设备和存储介质
CN116486524A (zh) 基于场景识别的交流充电电子锁控制方法
Gorokhovatskyi et al. Transforming image descriptions as a set of descriptors to construct classification features
CN117036060A (zh) 车险欺诈识别方法、装置和存储介质
CN114386931A (zh) 一种基于ai技术的图像分析系统及方法
EP3588441A1 (en) Imagification of multivariate data sequences
CN116580360B (zh) 一种用于安防监控的图像数据处理方法及系统
CN117475253A (zh) 一种模型训练方法、装置、电子设备及存储介质
US11868899B2 (en) System and method for model configuration selection preliminary class
DE102023207516A1 (de) Systeme und Verfahren zur Experten-geführten Halbüberwachung mit Contrastive Loss für Maschinenlernmodelle
CN114115150B (zh) 基于数据的热泵系统在线建模方法及装置
CN116150186A (zh) 一种基于大数据的通信物联管理方法及系统
CN111737371B (zh) 可动态预测的数据流量检测分类方法及装置
CN114328174A (zh) 一种基于对抗学习的多视图软件缺陷预测方法及系统
Singh et al. Implication of Mathematics in Data Science Technology Disciplines
Olga et al. Big data analysis methods based on machine learning to ensure information security
CN113779473A (zh) 一种基于人工智能的互联网大数据处理方法及系统
CN113378157A (zh) 一种基于嵌入式软件二次开发的车联网数据采集系统
Shirbhate et al. Performance evaluation of PCA filter in clustered based intrusion detection system

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