CN116597340B - 高空抛物位置预测方法、电子设备及可读存储介质 - Google Patents
高空抛物位置预测方法、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN116597340B CN116597340B CN202310385702.5A CN202310385702A CN116597340B CN 116597340 B CN116597340 B CN 116597340B CN 202310385702 A CN202310385702 A CN 202310385702A CN 116597340 B CN116597340 B CN 116597340B
- Authority
- CN
- China
- Prior art keywords
- parabolic
- track
- characteristic
- scene
- characteristic values
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000003860 storage Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims description 70
- 230000006870 function Effects 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 13
- 230000001133 acceleration Effects 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 238000002790 cross-validation Methods 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000004590 computer program Methods 0.000 description 13
- 238000012360 testing method Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 239000000463 material Substances 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 230000006399 behavior Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000007635 classification algorithm Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 239000011449 brick Substances 0.000 description 2
- 238000005266 casting Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 241000699670 Mus sp. Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 229910052573 porcelain Inorganic materials 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/245—Aligning, centring, orientation detection or correction of the image by locating a pattern; Special marks for positioning
-
- 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
- G06V10/40—Extraction of image or video features
- G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
-
- 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
-
- 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
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
-
- 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
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本申请公开了一种高空抛物位置预测方法、电子设备及可读存储介质，涉及人工智能技术领域，所述高空抛物位置预测方法包括：获取场景视频中的抛物的运动轨迹；对所述抛物进行分类识别，获得所述抛物的抛物类型，并基于所述抛物类型确定所述抛物的密度系数；将所述抛物所处场景的水平风力、垂直风力、雨势分别对应的特征值、所述密度系数以及所述运动轨迹的特征值输入到轨迹预测模型中，获得所述抛物的预测轨迹；基于所述预测轨迹、所述抛物的落点与所述抛物对应的楼体的距离，确定所述抛物的抛出位置。本申请解决了传统高空抛物位置预测方案稳定性差的技术问题。
Description
技术领域
本申请涉及人工智能技术领域，尤其涉及一种高空抛物位置预测方法、电子设备及可读存储介质。
背景技术
随着城市化的进程，越来越多的高楼大厦建设起来，而其中频发的高空抛物行为的发生对人们的生命财产安全造成了严重的危险，尤其是居民小区中的高空抛物，给居民的带来了严重的安全隐患。但是高空抛物行为往往难以及时检测到具体的抛物楼层，一旦造成安全事故往往难以定责。传统的高空抛物识别抛出点方案，如基于毫米波雷达的高空抛物预测方法，造价比较昂贵，而且易受气象变化、电磁信号干扰信号的影响；而基于声学传感器的高空抛物预测方法对不同物料的区分能力较弱，以上因素都会导致高空抛物位置预测的稳定性较差。
发明内容
本申请的主要目的在于提供一种高空抛物位置预测方法、装置、电子设备及存储介质，旨在解决传统高空抛物位置预测方案稳定性差的技术问题。
为实现上述目的，本申请提供一种高空抛物位置预测方法，所述高空抛物位置预测方法包括：
获取场景视频中的抛物的运动轨迹；
对所述抛物进行分类识别，获得所述抛物的抛物类型，并基于所述抛物类型确定所述抛物的密度系数；
将所述抛物所处场景的水平风力、垂直风力、雨势分别对应的特征值、所述密度系数以及所述运动轨迹的特征值输入到轨迹预测模型中，获得所述抛物的预测轨迹，其中，所述轨迹预测模型是由多个抛物视频以及各所述抛物视频对应的场景特征训练得到；
基于所述预测轨迹、所述抛物的落点与所述抛物的楼体之间的距离，确定所述抛物的抛出位置。
可选地，所述获取场景视频中的抛物的运动轨迹的步骤包括：
对所述场景视频中的抛物进行双目定位，获得所述抛物的抛出方向；
根据所述抛出方向以及所述抛出方向对应的垂直方向，建立直角坐标系；
依据所述场景视频中所述抛物在各帧图片中的位置，在所述直角坐标系中绘制所述抛物的运动轨迹。
可选地，所述抛出位置至少包括在所述直角坐标系中的横坐标和纵坐标，所述基于所述预测轨迹、所述抛物的落点与所述抛物的楼体之间的距离，确定所述抛物的抛出位置的步骤包括：
将所述抛物的落点与所述抛物的楼体之间的距离设置为所述抛出位置在所述直角坐标系中的横坐标；
在所述预测轨迹中查询所述横坐标对应的纵坐标。
可选地，所述对所述抛物进行分类识别，获得所述抛物的抛物类型，并基于所述抛物类型确定所述抛物的密度系数的步骤包括：
采用Haar（哈尔）分类器对所述抛物进行分类识别，获得所述抛物的抛物类型；
查询所述抛物类型对应的密度值，获得所述抛物的密度值；
对所述抛物的密度值进行归一化处理，获得密度系数。
可选地，在所述将所述抛物所处场景的水平风力、垂直风力、雨势分别对应的特征值、所述密度系数以及所述运动轨迹的特征值输入到轨迹预测模型中，获得所述抛物的预测轨迹的步骤之前，还包括：
提取抛物视频中的运动轨迹的特征值、对应的抛物的密度系数以及对应的场景特征值，获得训练特征集合，其中，所述场景特征值至少包括水平风力、垂直风力、雨势分别对应的特征值；
根据所述训练特征集合对预设岭回归模型进行训练，获得待验证轨迹预测模型；
对所述待验证轨迹预测模型进行k-折交叉验证，获得轨迹预测模型。
可选地，述提取抛物视频中的运动轨迹的特征值的步骤包括：
对所述抛物视频中的运动轨迹进行特征提取，获得所述运动轨迹的特征值，其中，所述运动轨迹的特征值至少包括抛物坐标、速度、加速度、曲率、曲率半径、方向角、夹角、小波变换系数以及自相关系数。
可选地，所述根据所述训练特征集合对预设岭回归模型进行训练，获得待验证轨迹预测模型的步骤包括：
建立预设岭回归模型的特征损失函数；
将所述训练特征集合中的各组特征值输入所述预设岭回归模型，获得各组特征值对应的预测值；
将各组特征值中的真值和对应的预测值输入所述特征损失函数，获得所述预设岭回归模型的特征损失；
根据所述特征损失迭代优化所述预设岭回归模型的岭回归参数；
当所述特征损失符合预设阈值时，停止对所述岭回归参数的优化，获得待验证轨迹预测模型。
可选地，所述岭回归参数包括岭参数和回归参数，所述特征损失函数表示为：
其中，为岭参数，/>为所述训练特征集合中的特征值，/>为回归参数，/>为特征的维度，/>为所述训练特征集合中特征值的组数目，/>和/>分别为求和公式下的起始值。
本申请还提供一种高空抛物位置预测装置，所述高空抛物位置预测装置应用于高空抛物位置预测设备，所述高空抛物位置预测装置包括：
轨迹获取模块，用于获取场景视频中的抛物的运动轨迹；
密度识别模块，用于对所述抛物进行分类识别，获得所述抛物的抛物类型，并基于所述抛物类型确定所述抛物的密度系数；
轨迹预测模块，用于将所述抛物所处场景的水平风力、垂直风力、雨势分别对应的特征值、所述密度系数以及所述运动轨迹的特征值输入到轨迹预测模型中，获得所述抛物的预测轨迹，其中，所述轨迹预测模型是由多个抛物视频以及各所述抛物视频对应的场景特征训练得到；
位置预测模块，基于所述预测轨迹、所述抛物的落点与所述抛物的楼体之间的距离，确定所述抛物的抛出位置。
可选地，所述轨迹获取模块还用于：
对所述场景视频中的抛物进行双目定位，获得所述抛物的抛出方向；
根据所述抛出方向以及所述抛出方向对应的垂直方向，建立直角坐标系；
依据所述场景视频中所述抛物在各帧图片中的位置，在所述直角坐标系中绘制所述抛物的运动轨迹。
可选地，所述位置预测模块还用于：
将所述抛物的落点与所述抛物的楼体之间的距离设置为所述抛出位置在所述直角坐标系中的横坐标；
在所述预测轨迹中查询所述横坐标对应的纵坐标。
可选地，所述密度识别模块还用于：
采用Haar分类器对所述抛物进行分类识别，获得所述抛物的抛物类型；
查询所述抛物类型对应的密度值，获得所述抛物的密度值；
对所述抛物的密度值进行归一化处理，获得密度系数。
可选地，所述轨迹预测模块还用于：
提取抛物视频中的运动轨迹的特征值、对应的抛物的密度系数以及对应的场景特征值，获得训练特征集合，其中，所述场景特征值至少包括水平风力、垂直风力、雨势分别对应的特征值；
根据所述训练特征集合对预设岭回归模型进行训练，获得待验证轨迹预测模型；
对所述待验证轨迹预测模型进行k-折交叉验证，获得轨迹预测模型。
可选地，所述轨迹预测模块还用于：
对所述抛物视频中的运动轨迹进行特征提取，获得所述运动轨迹的特征值，其中，所述运动轨迹的特征值至少包括抛物坐标、速度、加速度、曲率、曲率半径、方向角、夹角、小波变换系数以及自相关系数。
可选地，所述轨迹预测模块还用于：
建立预设岭回归模型的特征损失函数；
将所述训练特征集合中的各组特征值输入所述预设岭回归模型，获得各组特征值对应的预测值；
将各组特征值中的真值和对应的预测值输入所述特征损失函数，获得所述预设岭回归模型的特征损失；
根据所述特征损失迭代优化所述预设岭回归模型的岭回归参数；
当所述特征损失符合预设阈值时，停止对所述岭回归参数的优化，获得待验证轨迹预测模型。
本申请还提供一种电子设备，所述电子设备为实体设备，所述电子设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述高空抛物位置预测方法的程序，所述高空抛物位置预测方法的程序被处理器执行时可实现如上述的高空抛物位置预测方法的步骤。
本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有实现高空抛物位置预测方法的程序，所述高空抛物位置预测方法的程序被处理器执行时实现如上述的高空抛物位置预测方法的步骤。
本申请还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述的高空抛物位置预测方法的步骤。
本申请提供了一种高空抛物位置预测方法、电子设备及可读存储介质，首先获取场景视频中的抛物的运动轨迹，再对所述抛物进行分类识别，获得所述抛物的抛物类型，并基于所述抛物类型确定所述抛物的密度系数，然后将所述抛物所处场景的水平风力、垂直风力、雨势分别对应的特征值、所述密度系数以及所述运动轨迹的特征值输入到轨迹预测模型中，获得所述抛物的预测轨迹，其中，所述轨迹预测模型是由多个抛物视频以及各所述抛物视频对应的场景特征训练得到，最后基于所述预测轨迹、所述抛物的落点与所述抛物的楼体之间的距离，确定所述抛物的抛出位置，本申请的技术方案中通过对抛物的运动轨迹进行建模进而实现轨迹预测，其中考虑到了运动轨迹本身的特征值、抛物的密度的特征值、所处场景的特征值作为预测模型的参数，提高了预测模型的准确性，从而获得更精准的预测轨迹，实现了根据场景视频中的一段轨迹即可预测完整的抛物轨迹以及抛物的抛出位置，本申请的技术方案主要基于场景视频数据中的运动轨迹实现抛物位置预测，克服了现有的抛物位置预测方案易受干扰信号影响和对物料区分能力弱的技术缺陷，提高了高空抛物位置预测的稳定性。
附图说明
图1为本申请高空抛物位置预测方法第一实施例的流程示意图；
图2为本申请高空抛物位置预测方法的场景示意图；
图3为本申请高空抛物位置预测方法中的风势正交分解示意图；
图4为本申请高空抛物位置预测方法中的双目定位技术示意图；
图5为本申请高空抛物位置预测方法中的抛出位置坐标确定过程示意图；
图6为本申请高空抛物位置预测方法第二实施例的流程示意图；
图7为本申请实施例中高空抛物位置预测装置的组成结构示意图；
图8为本申请实施例中高空抛物位置预测方法涉及的硬件运行环境的设备结构示意图。
本申请目的的实现、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
为使本申请的上述目的、特征和优点能够更加明显易懂，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其它实施例，均属于本申请保护的范围。
实施例一
近年来，高空抛物行为时有发生，各种层出不穷的高空抛物行为对城市小区居民的带来了严重的安全隐患。但是，高空抛物行为的隐蔽性较高，抛物的初始位置难以确定，也难以部署摄像头对楼体的各个窗口进行全面监控，因此往往难以检测到具体的抛物位置，一旦造成安全事故往往难以定责，不能追究到责任人。现有技术中有一些传统的高空抛物识别抛出点方案，如雷达和声学传感器，其造价较为昂贵，而且不适合在干扰信号较大的环境中部署，存在一定的缺陷，例如毫米波雷达的高空抛物预测方法，易受气象变化以及电磁信号干扰信号的影响，而基于声学传感器的高空抛物预测方法对不同物料的区分能力较弱。本申请实施例是一种基于人工智能的高空抛物位置预测方法，可以提供一种成本低、效果好且可靠高的解决方案。
本申请实施例提供一种高空抛物位置预测方法，在本申请高空抛物位置预测方法的第一实施例中，参照图1，所述高空抛物位置预测方法包括：
步骤S10，获取场景视频中的抛物的运动轨迹；
步骤S20，对所述抛物进行分类识别，获得所述抛物的抛物类型，并基于所述抛物类型确定所述抛物的密度系数；
步骤S30，将所述抛物所处场景的水平风力、垂直风力、雨势分别对应的特征值、所述密度系数以及所述运动轨迹的特征值输入到轨迹预测模型中，获得所述抛物的预测轨迹，其中，所述轨迹预测模型是由多个抛物视频以及各所述抛物视频对应的场景特征训练得到；
步骤S40，基于所述预测轨迹、所述抛物的落点与所述抛物的楼体之间的距离，确定所述抛物的抛出位置。
在本申请实施例中，需要说明的是，所述场景视频为通过摄像头采集的目标区域（如楼体一侧）的监控视频，且至少包括由两个以上摄像头采集的场景视频，以便于用双目定位技术确定所述抛物的移动方向；所述抛物的密度系数取决于所述抛物的类型，例如常见的被抛出的物体，如玩具、抱枕、餐具、椅子、花盘、砖头、垃圾等，再根据其平均密度进行归一化处理。得到一个表示物体类别的密度系数；本申请实施例中通过将各种因素对应的特征值作为轨迹预测模型的自变量来进行轨迹预测，提高了轨迹预测的精度，其中，所述运动轨迹为摄像头采集到的抛物运动轨迹，而所述预测轨迹则为未采集到的预测轨迹，用于推测所述抛物的抛出位置，其中，所述轨迹模型根据。
作为一种示例，所述高空抛物位置预测方法的场景示意图如图2所示，1为抛物对应的楼体，2为抛物对应的窗口，3为抛物所处场景的风势，参照图3，可对所述风势进行正交分解，例如所述风势的风力为5级，所述风势的方向为与抛出方向呈60度夹角，与抛出方向的垂直方向呈30度夹角，则将所述风势正交分解为水平风力为4级，竖直风力为3级；4为所述抛物，5为摄像头采集到的抛物运动轨迹，6为预测轨迹，7为抛物落点与楼体之间的距离。
作为一种示例，步骤S10至步骤S40包括：通过至少两个摄像头采集目标区域的场景视频；基于双目定位技术对所述场景视频中包括抛物的视频帧进行分析，获得所述抛物的抛物方向；根据所述抛物方向以及所述抛物方向对应的垂直方向建立直角坐标系；提取所述场景视频中包括抛物的视频帧，根据所述抛物的各视频帧在所述直角坐标系进行轨迹建模，获得所述抛物的运动轨迹；通过Haar分类器对包括所述抛物的视频帧图像进行分类识别，获得所述抛物的抛物类型；根据所述抛物类型查询所述抛物的密度值并根据所述密度值确定所述抛物对应的密度系数；通过传感器获取所述抛物所处场景的水平风力、垂直风力以及雨势，并对所述水平风力、所述垂直风力以及所述雨势分别进行归一化处理，获得所述抛物所处场景的水平风力、垂直风力、雨势分别对应的特征值；将所述抛物所处场景的水平风力、垂直风力、雨势分别对应的特征值、所述密度系数以及所述运动轨迹的特征值输入到抛物运动轨迹预测模型，通过所述轨迹预测模型对所述抛物的轨迹进行预测，获得未采集到的从抛出位置到所述场景视频中的运动轨迹起点之间的预测轨迹；根据所述预测轨迹、所述抛物的落点与所述抛物的楼体之间的距离，确定所述抛物在所述直角坐标系中的坐标，其中至少包括抛出位置的纵坐标，即所处高度。
其中，所述将所述抛物所处场景的水平风力、垂直风力、雨势分别对应的特征值、所述密度系数以及所述运动轨迹的特征值输入到抛物运动轨迹预测模型，通过所述轨迹预测模型对所述抛物的轨迹进行预测，获得未采集到的从抛出位置到所述场景视频中的运动轨迹起点之间的预测轨迹的步骤包括：将所述抛物所处场景的水平风力、垂直风力、雨势分别对应的特征值、所述密度系数以及所述运动轨迹中运动轨迹起点的特征值输入所述轨迹预测模型，获得所述运动轨迹起点对应的前一个点的特征值；将所述前一个点的特征值、场景特征值以及密度系数继续输入所述轨迹预测模型，获得所述前一个点对应的前一个点的特征值，重复执行上述步骤，直至获得的预测点的横坐标值不小于所述抛物的落点与所述抛物的楼体之间的距离，即可获得所述预测轨迹中各点的坐标；依据所述预测轨迹中各点的坐标在所述直角坐标系中绘制预测轨迹。
其中，所述获取场景视频中的抛物的运动轨迹的步骤包括：
步骤S11，对所述场景视频中的抛物进行双目定位，获得所述抛物的抛出方向；
步骤S12，根据所述抛出方向以及所述抛出方向对应的垂直方向，建立直角坐标系；
步骤S13，依据所述场景视频中所述抛物在各帧图片中的位置，在所述直角坐标系中绘制所述抛物的运动轨迹。
在本申请实施例中，需要说明的是，所述抛出方向是指抛物线在水平面上的移动方向，本申请实施例中以所述抛出方向和与所述抛出方向垂直的方向（一般是重力方向，即竖直向下的方向）建立平面直角坐标系，从而将三维空间的抛物运动轨迹简化为在某一平面上的抛物运动轨迹，降低了计算复杂度。
在确定所述抛出方向时，应用到了双目定位技术，即通过两个摄像头分别采集的视频帧中抛物的位置坐标以及两个摄像头的相对位置计算所述抛物在三维空间中的实际位置。如图4所述，和/>分别是两摄像头的位置，且它们摆放角度/>和/>已知。/>和是物体/>在相机成像平面上的投影点，也就是照片上拍摄到/>点。根据两摄像头所在坐标系/>与/>的相对位置，以及/>和/>分别在对应的坐标系/>和/>的位置，则可以计算出点P在空间中的三维位置。
作为一种示例，步骤S11至步骤S13包括：获取所述场景视频对应的两个摄像头的相对位置；根据所述相对位置与两个摄像头分别对应的场景视频中抛物在各视频帧的位置，基于双目定位技术计算所述抛物在抛出过程中在三维空间中的位置坐标变化情况；基于所述抛物的位置坐标变化情况，绘制出所述抛物在三维空间中的运动轨迹；分析所述抛出在三维空间中的运动轨迹在水平面的运动方向，获得所述抛物的抛出方向；将所述抛物的抛出方向作为横轴坐标，并将竖直方向作为纵轴坐标，获得抛物的运动轨迹所在平面的直角坐标系，其中，所述直角坐标系的原点为所述抛物的落点；依据所述抛物在所述直角坐标系中的坐标变化情况，绘制所述抛物的运动轨迹。
另外，所述抛出位置至少包括在所述直角坐标系中的横坐标和纵坐标，所述基于所述预测轨迹、所述抛物的落点与所述抛物的楼体之间的距离，确定所述抛物的抛出位置的步骤包括：
步骤S41，将所述抛物的落点与所述抛物的楼体之间的距离设置为所述抛出位置在所述直角坐标系中的横坐标；
步骤S42，在所述预测轨迹中查询所述横坐标对应的纵坐标。
在本申请实施例中，需要说明的是，本申请实施例提供了一种在获得所述预测轨迹之后的抛出位置确定方法，其中，所述预测轨迹包括其轨迹线上各点的横纵坐标，本申请实施例通过所述预测轨迹的起点在所述直角坐标系中的横纵坐标确定具体的抛出位置，进而确定抛出的楼层，便于在发生高空抛物事件后及时找到责任人。
作为一种示例，参照图5，步骤S41至步骤S42包括：获取所述抛物的落点与所述抛物的楼体之间的距离L；将所述抛物的落点与所述抛物的楼体之间的距离L设置为所述抛出位置在所述直角坐标系xOy中的横坐标；根据所述横坐标L在所述预测轨迹中读取对应的纵坐标H，获得所述抛出位置a的坐标（L，H）。
另外，所述对所述抛物进行分类识别，获得所述抛物的抛物类型，并基于所述抛物类型确定所述抛物的密度系数的步骤包括：
步骤S21，采用Haar分类器对所述抛物进行分类识别，获得所述抛物的抛物类型；
步骤S22，查询所述抛物类型对应的密度值，获得所述抛物的密度值；
步骤S23，对所述抛物的密度值进行归一化处理，获得密度系数。
在本申请实施例中，需要说明的是，所述Haar分类器为一种常规目标检测分类算法，是事先训练好的一款抛物分类模型，所述Haar分类器是通过大量常见抛物的图像进行训练得到，可选地，也可采用其他目标检测分类算法代替Haar分类器，例如KNN（K-NearestNeighbor，k最邻近分类算法）等。所述抛物类型的密度值为所述抛物类型在物理学意义上的密度值，例如，塑料的密度为1.38-1.41g/cm³，瓷器的密度为2.4-2.9g/cm³，而所述密度系数为归一化后的用于表征抛物类型密度的特征值，例如抱枕1，垃圾1.2，玩具2.3，餐具2.5，砖头4等，因此，本申请实施例对应的技术方案克服了现有技术中的轨迹预测方案不能区分不同物料的技术缺陷，提高了高空抛物位置预测精度。
作为一种示例，表征S21至步骤S23的步骤包括：将含有所述抛物图像的视频帧输入Haar分类器，通过所述Haar分类器对所述抛物进行分类识别，获得所述抛物的抛物类型；查询所述物的抛物类型对应的密度值，并根据预设映射规则将所述密度值归一化处理，获得所述抛物的密度系数，其中，所述预设映射规则为预设密度值与密度系数之间的对应表。
作为另一种示例，可以将常见的抛物类型和对应的密度系数之间的对应关系制作成映射表，在获得所述抛物类型后，即可直接在所述映射表中查询到对应的密度系数。
本申请实施例提供了一种高空抛物位置预测方法，首先获取场景视频中的抛物的运动轨迹，再对所述抛物进行分类识别，获得所述抛物的抛物类型，并基于所述抛物类型确定所述抛物的密度系数，然后将所述抛物所处场景的水平风力、垂直风力、雨势分别对应的特征值、所述密度系数以及所述运动轨迹的特征值输入到轨迹预测模型中，获得所述抛物的预测轨迹，其中，所述轨迹预测模型是由多个抛物视频以及各所述抛物视频对应的场景特征训练得到，最后基于所述预测轨迹、所述抛物的落点与所述抛物的楼体之间的距离，确定所述抛物的抛出位置，本申请的技术方案中通过对抛物的运动轨迹进行建模进而实现轨迹预测，其中考虑到了运动轨迹本身的特征值、抛物的密度的特征值、所处场景的特征值作为预测模型的参数，提高了预测模型的准确性，从而获得更精准的预测轨迹，实现了根据场景视频中的一段轨迹即可预测完整的抛物轨迹以及抛物的抛出位置，本申请的技术方案主要基于场景视频数据中的运动轨迹实现抛物位置预测，克服了现有的抛物位置预测方案易受干扰信号影响和对物料区分能力弱的技术缺陷，提高了高空抛物位置预测的稳定性。
实施例二
进一步地，基于本申请第一实施例和第二实施例，在本申请另一实施例中，与上述实施例一相同或相似的内容，可以参考上文介绍，后续不再赘述。在此基础上，参照图6，在所述将所述抛物所处场景的水平风力、垂直风力、雨势分别对应的特征值、所述密度系数以及所述运动轨迹的特征值输入到轨迹预测模型中，获得所述抛物的预测轨迹的步骤之前，还包括：
步骤A10，提取抛物视频中的运动轨迹的特征值、对应的抛物的密度系数以及对应的场景特征值，获得训练特征集合，其中，所述场景特征值至少包括水平风力、垂直风力、雨势分别对应的特征值；
步骤A20，根据所述训练特征集合对预设岭回归模型进行训练，获得待验证轨迹预测模型；
步骤A30，对所述待验证轨迹预测模型进行k-折交叉验证，获得轨迹预测模型。
在本申请实施例中，需要说明的是，本申请实施例提供了一种在进行高空抛物位置预测之前的模型训练方法，主要应用到了岭回归模型，岭回归(英文名：ridgeregression, Tikhonov regularization)是一种专用于共线性数据分析的有偏估计回归方法，实质上是一种改良的最小二乘估计法，岭回归模型通过放弃最小二乘法的无偏性，以损失部分信息、降低精度为代价获得回归系数更为符合实际、更可靠的回归方法，对病态数据的拟合要强于最小二乘法，对本申请实施例中的训练特征集合中的各样本数据有较好的拟合效果。其中，所述运动轨迹特征值至少包括抛物坐标、速度、加速度、曲率、曲率半径、方向角、夹角、小波变换系数以及自相关系数，用于描述摄像头采集到的运动轨迹的特征；另外，所述雨势为根据预设条件将场景环境中的进行数值化，例如0表示无雨，雨势越大数值越大，可以将所述抛物所处场景的水平风力、垂直风力、雨势分别对应的特征值以及所述密度系数以一四维向量的形式表示某个抛物的场景特征值，例如：[1,0,0,0]表示密度系数为1的抛物，无风、无雨，又例如：[4,3,0,0]表示密度系数为4的抛物，抛出水平方向上风力系数为3，无雨 。本申请实施例中通过将多个抛物视频中的抛物的各维度特征以及场景特征作为训练特征集合中的样本数据来训练预设岭回归模型，获得关于摄像头未采集到的轨迹的预测值，即所述预测轨迹，来实现对高空抛物完整轨迹的预测，进而确定高空抛物的抛出位置。
作为一种示例，步骤A10至步骤A30包括：对多个抛物视频中包括抛物的视频帧进行建模分析，在对应的直角坐标系中绘制所述抛物的运动轨迹；从所述抛物的运动轨迹中提取所述运动轨迹的特征值，其中，所述运动轨迹的特征值至少包括抛物坐标、速度、加速度、曲率、曲率半径、方向角、夹角、小波变换系数以及自相关系数中的一种；通过传感器获取各抛物对应的场景特征，并将所述场景特征进行归一化处理，获得所述场景特征值，其中，所述场景特征值至少包括水平风力、垂直风力、雨势分别对应的特征值；将各所述运动轨迹的特征值划分为训练集和测试集；并将所述训练集和所述测试集分别输入所述预设岭回归模型，以完成所述预设岭回归模型的训练与测试，获得待验证轨迹预测模型；将各所述运动轨迹的特征值分为k份，并以各份分别作为测试集，其他份作为训练集，获得k组训练集和测试集，对所述待验证轨迹预测模型进行k次验证评估，获得k组评估结果；计算k组评估结果的平均值，依据所述平均值判断所述待验证轨迹预测模型是否通过验证，若是，则停止对所述待验证轨迹预测模型的训练，获得轨迹预测模型。
其中，所述提取抛物视频中的运动轨迹的特征值的步骤包括：
步骤A11，对所述抛物视频中的运动轨迹进行特征提取，获得所述运动轨迹的特征值，其中，所述运动轨迹的特征值至少包括抛物坐标、速度、加速度、曲率、曲率半径、方向角、夹角、小波变换系数以及自相关系数。
在本申请实施例中，需要说明的是，所述运动轨迹的特征值用于表征抛物的运动特征，以及与场景特征值一起共同作为样本数据进行模型训练，以获得符合要求的轨迹预测模型，其中，所述抛物坐标为所述抛物在轨迹运动过程中每个点的坐标，所述速度为轨迹运动中的线速度，在提取各所述特征值后，还对所述运动轨迹的特征值进行归一化处理，以将各所述特征值限定在一定的范围内(比如[0,1]或者[-1,1]，可根据具体需求自行设置),从而消除异常样本数据带来的不良影响。
作为一种示例，步骤A11包括：对所述抛物的运动轨迹进行建模，以在直角坐标系中绘制所述运动轨迹；在所述直角坐标系中对所述运动轨迹进行分析，获得所述抛物的运动轨迹中对应的抛物坐标、速度、加速度、曲率、曲率半径、方向角、夹角、小波变换系数以及自相关系数；获取用户输入的归一化处理范围，并依据所述归一化处理范围将所述抛物坐标、速度、加速度、曲率、曲率半径、方向角、夹角、小波变换系数以及自相关系数进行归一化处理，获得的所述运动轨迹的各特征值。
另外，所述根据所述训练特征集合对预设岭回归模型进行训练，获得待验证轨迹预测模型的步骤包括：
步骤A21，建立预设岭回归模型的特征损失函数；
步骤A22，将所述训练特征集合中的各组特征值输入所述预设岭回归模型，获得各组特征值对应的预测值；
步骤A23，将各组特征值中的真值和对应的预测值输入所述特征损失函数，获得所述预设岭回归模型的特征损失；
步骤A24，根据所述特征损失迭代优化所述预设岭回归模型的岭回归参数；
步骤A25，当所述特征损失符合预设阈值时，停止对所述岭回归参数的优化，获得待验证轨迹预测模型。
在本申请实施例中，需要说明的是，所述预设岭回归模型的特征损失函数中包括岭参数和回归参数，对所述预设岭回归模型的训练的过程也包括对所述岭参数和回归参数优化的过程，所述预测值为预测点的抛物坐标、速度、加速度、曲率、曲率半径、方向角、夹角、小波变换系数以及自相关系数，在通过所述训练特征集合对所述预设岭回归模型的训练中，将所述运动轨迹中某一个点的特征值、场景特征值以及密度系数输入所述预设岭回归模型，获得对应的预测值，所述预测值包括所述某一个点的前一个点的特征值，而所述真值为所述运动轨迹中对应的前一个的特征值，由此计算特征损失以评估预设岭回归预测模型的效果，所述预设阈值为可供用户根据具体需求设置的一特征损失阈值，若对轨迹预测模型的预设精度要求高，则可设置低一点，若对轨迹预测模型得到预测精度要求低，则可设置高一点，所述待验证轨迹预测模型为训练已结束的轨迹预测模型，只需要再通过验证评估，即可投入使用，实现对抛物运动轨迹的预测，便于追踪到抛物对应的楼层以及窗口。
其中，作为一种优选，所述特征损失函数可以表示为：
其中，为岭参数，/>为所述训练特征集合中的特征值，/>为回归参数，/>为特征的维度，/>为所述训练特征集合中特征值的组数目，/>和/>分别为求和公式下的起始值。
作为一种示例，步骤A21至步骤A25包括：建立预设岭回归模型的特征损失函数，所述特征损失函数中至少包括岭参数、所述训练特征集合中的特征值、回归参数、特征维度以及所述训练特征集合中特征值的组数目；将所述训练特征集合中的各组特征值划分为训练集和测试集；将所述训练集数据中的运动轨迹中各点的特征值、密度系数以及对应的场景特征输入所述预设岭回归模型，获得各点对应的前一个点的第一预测值；将所述第二预测值以及所述训练集中所述前一个点的特征值输入所述特征损失函数，获得所述预设岭回归模型的训练特征损失；基于所述训练特征损失迭代优化所述岭回归模型中的岭参数和回归参数；将所述测试集数据中的运动轨迹中各点的特征值、密度系数以及对应的场景特征输入所述预设岭回归模型，获得各点对应的前一个点的第二预测值；将所述第二预测值以及所述测试集中所述前一个点的特征值输入所述特征损失函数，获得所述预设岭回归模型的测试特征损失；判断所述测试特征损失是否不大于预设阈值；若所述测试特征损失大于所述预设阈值，则返回执行步骤：将所述训练集数据中的运动轨迹中各点的特征值、密度系数以及对应的场景特征输入所述预设岭回归模型，获得各点对应的前一个点的第一预测值，并将所述第一预测值以及所述训练集中所述前一个点的特征值输入所述特征损失函数，获得所述预设岭回归模型的训练特征损失，然后基于所述训练特征损失迭代优化所述岭回归模型中的岭参数和回归参数；若所述测试特征损失不大于所述预设阈值，则停止优化所述岭回归模型中的岭参数和回归参数，获得待验证轨迹预测模型。
本申请实施例提供了一种在进行高空抛物位置预测之前的模型训练方法，其中具体采用了多个抛物视频中的运动轨迹的特征值、对应的抛物的密度系数以及对应的场景特征值，获得训练特征集合，其中，所述场景特征值至少包括水平风力、垂直风力、雨势分别对应的特征值作为训练数据集来对预设岭回归模型进行训练，充分考虑到了影响抛物轨迹的各种环境因素以及抛物本身的特征，提高了训练出来的抛物运动轨迹模型的精度，在进行模型验证时，还采用了k-折交叉验证方法对模型进行评估，克服了抛物视频的采集难度较大，而难以获得大量的训练数据的技术缺陷，提高了所述训练特征集合中各样本数据的利用率，在样本数据过少的情况下增强模型训练的效果，获得了预测精度更高的轨迹预测模型。
实施例三
本申请实施例还提供一种高空抛物位置预测装置，所述高空抛物位置预测装置应用于高空抛物位置预测设备，参照图7，所述高空抛物位置预测装置包括：
轨迹获取模块101，用于获取场景视频中的抛物的运动轨迹；
密度识别模块102，用于对所述抛物进行分类识别，获得所述抛物的抛物类型，并基于所述抛物类型确定所述抛物的密度系数；
轨迹预测模块103，用于将所述抛物所处场景的水平风力、垂直风力、雨势分别对应的特征值、所述密度系数以及所述运动轨迹的特征值输入到轨迹预测模型中，获得所述抛物的预测轨迹，其中，所述轨迹预测模型是由多个抛物视频以及各所述抛物视频对应的场景特征训练得到；
位置预测模块104，基于所述预测轨迹、所述抛物的落点与所述抛物的楼体之间的距离，确定所述抛物的抛出位置。
可选地，所述轨迹获取模块还用于：
对所述场景视频中的抛物进行双目定位，获得所述抛物的抛出方向；
根据所述抛出方向以及所述抛出方向对应的垂直方向，建立直角坐标系；
依据所述场景视频中所述抛物在各帧图片中的位置，在所述直角坐标系中绘制所述抛物的运动轨迹。
可选地，所述位置预测模块还用于：
将所述抛物的落点与所述抛物的楼体之间的距离设置为所述抛出位置在所述直角坐标系中的横坐标；
在所述预测轨迹中查询所述横坐标对应的纵坐标。
可选地，所述密度识别模块还用于：
采用Haar分类器对所述抛物进行分类识别，获得所述抛物的抛物类型；
查询所述抛物类型对应的密度值，获得所述抛物的密度值；
对所述抛物的密度值进行归一化处理，获得密度系数。
可选地，所述轨迹预测模块还用于：
提取抛物视频中的运动轨迹的特征值、对应的抛物的密度系数以及对应的场景特征值，获得训练特征集合，其中，所述场景特征值至少包括水平风力、垂直风力、雨势分别对应的特征值；
根据所述训练特征集合对预设岭回归模型进行训练，获得待验证轨迹预测模型；
对所述待验证轨迹预测模型进行k-折交叉验证，获得轨迹预测模型。
可选地，所述轨迹预测模块还用于：
对所述抛物视频中的运动轨迹进行特征提取，获得所述运动轨迹的特征值，其中，所述运动轨迹的特征值至少包括抛物坐标、速度、加速度、曲率、曲率半径、方向角、夹角、小波变换系数以及自相关系数。
可选地，所述轨迹预测模块还用于：
建立预设岭回归模型的特征损失函数；
将所述训练特征集合中的各组特征值输入所述预设岭回归模型，获得各组特征值对应的预测值；
将各组特征值中的真值和对应的预测值输入所述特征损失函数，获得所述预设岭回归模型的特征损失；
根据所述特征损失迭代优化所述预设岭回归模型的岭回归参数；
当所述特征损失符合预设阈值时，停止对所述岭回归参数的优化，获得待验证轨迹预测模型。
本申请提供的高空抛物位置预测装置，采用上述实施例中的高空抛物位置预测方法，解决了传统高空抛物位置预测方案稳定性差的技术问题。与现有技术相比，本申请实施例提供的高空抛物位置预测装置的有益效果与上述实施例提供的高空抛物位置预测方法的有益效果相同，且该高空抛物位置预测装置中的其他技术特征与上一实施例方法公开的特征相同，在此不做赘述。
实施例四
本申请实施例提供一种电子设备，电子设备包括：至少一个处理器；以及，与至少一个处理器通信链接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述实施例一中的高空抛物位置预测方法。
下面参考图8，其示出了适于用来实现本公开实施例的电子设备的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA（personal digital assistant，个人数字助理）、PAD（平板电脑）、PMP（Portable MediaPlayer，便携式多媒体播放器）、车载终端（例如车载导航终端）等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图8示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图8所示，电子设备可以包括处理装置（例如中央处理器、图形处理器等），其可以根据存储在只读存储器（ROM，read only memory）中的程序或者从存储装置加载到随机访问存储器（RAM，random access memory）中的程序而执行各种适当的动作和处理。在RAM中，还存储有电子设备操作所需的各种程序和数据。处理装置、ROM以及RAM通过总线彼此相连。输入/输出（I/O）接口也链接至总线。
通常，以下系统可以链接至I/O接口：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置；包括例如液晶显示器（LCD，liquid crystaldisplay）、扬声器、振动器等的输出装置；包括例如磁带、硬盘等的存储装置；以及通信装置。通信装置可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种系统的电子设备，但是应理解的是，并不要求实施或具备所有示出的系统。可以替代地实施或具备更多或更少的系统。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置从网络上被下载和安装，或者从存储装置被安装，或者从ROM被安装。在该计算机程序被处理装置执行时，执行本公开实施例的方法中限定的上述功能。
本申请提供的电子设备，采用上述实施例中的高空抛物位置预测方法，解决了传统高空抛物位置预测方案稳定性差的技术问题。与现有技术相比，本申请实施例提供的电子设备的有益效果与上述实施例一提供的高空抛物位置预测方法的有益效果相同，且该电子设备中的其他技术特征与上一实施例方法公开的特征相同，在此不做赘述。
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式的描述中，具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
实施例五
本实施例提供一种计算机可读存储介质，具有存储在其上的计算机可读程序指令，计算机可读程序指令用于执行上述实施例一中的高空抛物位置预测的方法。
本申请实施例提供的计算机可读存储介质例如可以是U盘，但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电链接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM，ErasableProgrammable Read-Only Memory或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、系统或者器件使用或者与其结合使用。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
上述计算机可读存储介质可以是电子设备中所包含的；也可以是单独存在，而未装配入电子设备中。
上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被电子设备执行时，使得电子设备：获取场景视频中的抛物的运动轨迹；对所述抛物进行分类识别，获得所述抛物的抛物类型，并基于所述抛物类型确定所述抛物的密度系数；将所述抛物所处场景的水平风力、垂直风力、雨势分别对应的特征值、所述密度系数以及所述运动轨迹的特征值输入到轨迹预测模型中，获得所述抛物的预测轨迹，其中，所述轨迹预测模型是由多个抛物视频以及各所述抛物视频对应的场景特征训练得到；基于所述预测轨迹、所述抛物的落点与所述抛物的楼体之间的距离，确定所述抛物的抛出位置。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN，local area network)或广域网(WAN，Wide Area Network)—链接到用户计算机，或者，可以链接到外部计算机（例如利用因特网服务提供商来通过因特网链接）。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该单元本身的限定。
本申请提供的计算机可读存储介质，存储有用于执行上述高空抛物位置预测方法的计算机可读程序指令，解决了传统高空抛物位置预测方案稳定性差的技术问题。与现有技术相比，本申请实施例提供的计算机可读存储介质的有益效果与上述实施例提供的高空抛物位置预测方法的有益效果相同，在此不做赘述。
实施例六
本申请还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述的高空抛物位置预测方法的步骤。
本申请提供的计算机程序产品解决了传统高空抛物位置预测方案稳定性差的技术问题。与现有技术相比，本申请实施例提供的计算机程序产品的有益效果与上述实施例提供的高空抛物位置预测方法的有益效果相同，在此不做赘述。
以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请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，均同理包括在本申请的专利处理范围内。
Claims (8)
1.一种高空抛物位置预测方法，其特征在于，所述高空抛物位置预测方法包括：
获取场景视频中的抛物的运动轨迹；
对所述抛物进行分类识别，获得所述抛物的抛物类型，并基于所述抛物类型确定所述抛物的密度系数；
将所述抛物所处场景的水平风力、垂直风力、雨势分别对应的特征值、所述密度系数以及所述运动轨迹的特征值输入到轨迹预测模型中，获得所述抛物的预测轨迹，其中，所述轨迹预测模型是由多个抛物视频以及各所述抛物视频对应的场景特征训练得到；
基于所述预测轨迹、所述抛物的落点与所述抛物的楼体之间的距离，确定所述抛物的抛出位置；
其中，在所述将所述抛物所处场景的水平风力、垂直风力、雨势分别对应的特征值、所述密度系数以及所述运动轨迹的特征值输入到轨迹预测模型中，获得所述抛物的预测轨迹的步骤之前，还包括：
提取抛物视频中的运动轨迹的特征值、对应的抛物的密度系数以及对应的场景特征值，获得训练特征集合，其中，所述场景特征值至少包括水平风力、垂直风力、雨势分别对应的特征值；
根据所述训练特征集合对预设岭回归模型进行训练，获得待验证轨迹预测模型；
对所述待验证轨迹预测模型进行k-折交叉验证，获得轨迹预测模型；
其中，所述提取抛物视频中的运动轨迹的特征值的步骤包括：
对所述抛物视频中的运动轨迹进行特征提取，获得所述运动轨迹的特征值，其中，所述运动轨迹的特征值至少包括抛物坐标、速度、加速度、曲率、曲率半径、方向角、夹角、小波变换系数以及自相关系数。
2.如权利要求1所述高空抛物位置预测方法，其特征在于，所述获取场景视频中的抛物的运动轨迹的步骤包括：
对所述场景视频中的抛物进行双目定位，获得所述抛物的抛出方向；
根据所述抛出方向以及所述抛出方向对应的垂直方向，建立直角坐标系；
依据所述场景视频中所述抛物在各帧图片中的位置，在所述直角坐标系中绘制所述抛物的运动轨迹。
3.如权利要求2所述高空抛物位置预测方法，其特征在于，所述抛出位置至少包括在所述直角坐标系中的横坐标和纵坐标，所述基于所述预测轨迹、所述抛物的落点与所述抛物的楼体之间的距离，确定所述抛物的抛出位置的步骤包括：
将所述抛物的落点与所述抛物的楼体之间的距离设置为所述抛出位置在所述直角坐标系中的横坐标；
在所述预测轨迹中查询所述横坐标对应的纵坐标。
4.如权利要求1所述高空抛物位置预测方法，其特征在于，所述对所述抛物进行分类识别，获得所述抛物的抛物类型，并基于所述抛物类型确定所述抛物的密度系数的步骤包括：
采用Haar分类器对所述抛物进行分类识别，获得所述抛物的抛物类型；
查询所述抛物类型对应的密度值，获得所述抛物的密度值；
对所述抛物的密度值进行归一化处理，获得密度系数。
5.如权利要求1所述高空抛物位置预测方法，其特征在于，所述根据所述训练特征集合对预设岭回归模型进行训练，获得待验证轨迹预测模型的步骤包括：
建立预设岭回归模型的特征损失函数；
将所述训练特征集合中的各组特征值输入所述预设岭回归模型，获得各组特征值对应的预测值；
将各组特征值中的真值和对应的预测值输入所述特征损失函数，获得所述预设岭回归模型的特征损失；
根据所述特征损失迭代优化所述预设岭回归模型的岭回归参数；
当所述特征损失符合预设阈值时，停止对所述岭回归参数的优化，获得待验证轨迹预测模型。
6.如权利要求5所述高空抛物位置预测方法，其特征在于，所述岭回归参数包括岭参数和回归参数，所述特征损失函数表示为：
；
其中，为岭参数，/>为所述训练特征集合中的特征值，/>为回归参数，/>为特征的维度，/>为所述训练特征集合中特征值的组数目，/>和/>分别为求和公式下的起始值。
7.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信链接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至6中任一项所述的高空抛物位置预测方法的步骤。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有实现高空抛物位置预测方法的程序，所述实现高空抛物位置预测方法的程序被处理器执行以实现如权利要求1至6中任一项所述高空抛物位置预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310385702.5A CN116597340B (zh) | 2023-04-12 | 2023-04-12 | 高空抛物位置预测方法、电子设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310385702.5A CN116597340B (zh) | 2023-04-12 | 2023-04-12 | 高空抛物位置预测方法、电子设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116597340A CN116597340A (zh) | 2023-08-15 |
| CN116597340B true CN116597340B (zh) | 2023-10-10 |
Family
ID=87592668
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310385702.5A Active CN116597340B (zh) | 2023-04-12 | 2023-04-12 | 高空抛物位置预测方法、电子设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116597340B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104102835A (zh) * | 2014-07-11 | 2014-10-15 | 大连理工大学 | 一种基于实时视频图像的投掷训练成绩检测方法 |
| CN110427927A (zh) * | 2019-09-29 | 2019-11-08 | 恒大智慧科技有限公司 | 高空坠物的拦截方法、拦截控制系统以及存储介质 |
| CN112288991A (zh) * | 2020-09-08 | 2021-01-29 | 江苏澳联科技开发有限公司 | 一种高空坠物智能报警系统 |
| CN112329627A (zh) * | 2020-11-05 | 2021-02-05 | 重庆览辉信息技术有限公司 | 一种高空抛掷物判别方法 |
| CN113393495A (zh) * | 2021-06-21 | 2021-09-14 | 暨南大学 | 基于强化学习的高空抛物轨迹识别方法 |
| CN114299106A (zh) * | 2021-09-13 | 2022-04-08 | 武汉理工大学 | 一种基于视觉传感与轨迹预测的高空抛物预警系统及方法 |
| CN114612850A (zh) * | 2020-12-08 | 2022-06-10 | 共达地创新技术(深圳)有限公司 | 高空抛物检测方法、电子设备和存储介质 |
| KR20220121626A (ko) * | 2021-02-25 | 2022-09-01 | 국방과학연구소 | 파편 낙하 안전 영역 산출 시스템 및 방법 |
| CN115049606A (zh) * | 2022-06-07 | 2022-09-13 | 武汉理工大学 | 一种融合运动学与机器视觉的高空抛物检测和溯源方法 |
| CN115359422A (zh) * | 2022-08-18 | 2022-11-18 | 杭州海康威视数字技术股份有限公司 | 一种高空抛物图像生成方法、装置及系统 |
| CN115423850A (zh) * | 2022-07-29 | 2022-12-02 | 深圳天海宸光科技有限公司 | 一种自动过滤晃动目标区域的抗干扰捕获高空抛物方法 |
| CN115511921A (zh) * | 2022-07-29 | 2022-12-23 | 深圳天海宸光科技有限公司 | 一种基于级联匹配的高精度实时抛物轨迹生成方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160212385A1 (en) * | 2015-01-21 | 2016-07-21 | Sportstech LLC | Real-Time Sports Advisory System Using Ball Trajectory Prediction |
-
2023
- 2023-04-12 CN CN202310385702.5A patent/CN116597340B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104102835A (zh) * | 2014-07-11 | 2014-10-15 | 大连理工大学 | 一种基于实时视频图像的投掷训练成绩检测方法 |
| CN110427927A (zh) * | 2019-09-29 | 2019-11-08 | 恒大智慧科技有限公司 | 高空坠物的拦截方法、拦截控制系统以及存储介质 |
| CN112288991A (zh) * | 2020-09-08 | 2021-01-29 | 江苏澳联科技开发有限公司 | 一种高空坠物智能报警系统 |
| CN112329627A (zh) * | 2020-11-05 | 2021-02-05 | 重庆览辉信息技术有限公司 | 一种高空抛掷物判别方法 |
| CN114612850A (zh) * | 2020-12-08 | 2022-06-10 | 共达地创新技术(深圳)有限公司 | 高空抛物检测方法、电子设备和存储介质 |
| KR20220121626A (ko) * | 2021-02-25 | 2022-09-01 | 국방과학연구소 | 파편 낙하 안전 영역 산출 시스템 및 방법 |
| CN113393495A (zh) * | 2021-06-21 | 2021-09-14 | 暨南大学 | 基于强化学习的高空抛物轨迹识别方法 |
| CN114299106A (zh) * | 2021-09-13 | 2022-04-08 | 武汉理工大学 | 一种基于视觉传感与轨迹预测的高空抛物预警系统及方法 |
| CN115049606A (zh) * | 2022-06-07 | 2022-09-13 | 武汉理工大学 | 一种融合运动学与机器视觉的高空抛物检测和溯源方法 |
| CN115423850A (zh) * | 2022-07-29 | 2022-12-02 | 深圳天海宸光科技有限公司 | 一种自动过滤晃动目标区域的抗干扰捕获高空抛物方法 |
| CN115511921A (zh) * | 2022-07-29 | 2022-12-23 | 深圳天海宸光科技有限公司 | 一种基于级联匹配的高精度实时抛物轨迹生成方法 |
| CN115359422A (zh) * | 2022-08-18 | 2022-11-18 | 杭州海康威视数字技术股份有限公司 | 一种高空抛物图像生成方法、装置及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于EKF的机器人捕捉轨迹未知的抛物方法;康骏;郑睿;;传感器与微系统(01);第19-23页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116597340A (zh) | 2023-08-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105051754B (zh) | 用于通过监控系统检测人的方法和装置 | |
| CN110400352B (zh) | 利用特征识别的摄像机校准 | |
| US20180158244A1 (en) | Virtual sensor configuration | |
| JP2022548441A (ja) | 位置姿勢決定方法、装置、電子機器、記憶媒体及びコンピュータプログラム | |
| CN112712023B (zh) | 车型识别方法、系统及电子设备 | |
| US9292743B1 (en) | Background modeling for fixed, mobile, and step- and-stare video camera surveillance | |
| WO2018100676A1 (ja) | カメラ制御システム、カメラ制御方法、およびプログラム | |
| CN111814548A (zh) | 一种异常行为检测方法和装置 | |
| CN113910224B (zh) | 机器人跟随的方法、装置及电子设备 | |
| JP2019198077A (ja) | 監視 | |
| JP2018523231A5 (zh) | ||
| CN112822471B (zh) | 投影控制方法、智能机器人及相关产品 | |
| CN116597340B (zh) | 高空抛物位置预测方法、电子设备及可读存储介质 | |
| CN111914784B (zh) | 轨旁障碍物入侵实时检测方法、装置及电子设备 | |
| CN111310595B (zh) | 用于生成信息的方法和装置 | |
| CN115713616B (zh) | 一种房源空间模型生成方法、装置、终端设备及存储介质 | |
| CN113762017B (zh) | 一种动作识别方法、装置、设备及存储介质 | |
| CN115174818A (zh) | 基于声音定位的目标跟踪方法、电子设备及可读存储介质 | |
| CN115346157A (zh) | 入侵检测方法、系统、设备及介质 | |
| CN112422895A (zh) | 基于无人机的图像分析跟踪、定位系统及方法 | |
| Shan et al. | Rapid full-field deformation measurements of tall buildings using UAV videos and deep learning | |
| CN114863650B (zh) | 障碍物预警方法、装置、电子设备及可读存储介质 | |
| CN114125138B (zh) | 音量调整优化方法、装置、电子设备及可读存储介质 | |
| CN116363598A (zh) | 人群拥挤预警方法、装置、电子设备及可读存储介质 | |
| Jana | Vision and Learning based Sensing for Structural Health Monitoring |
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 |