CN116597371A - 基于图像监控的危险物预警方法、系统、计算机设备 - Google Patents
基于图像监控的危险物预警方法、系统、计算机设备 Download PDFInfo
- Publication number
- CN116597371A CN116597371A CN202310419415.1A CN202310419415A CN116597371A CN 116597371 A CN116597371 A CN 116597371A CN 202310419415 A CN202310419415 A CN 202310419415A CN 116597371 A CN116597371 A CN 116597371A
- Authority
- CN
- China
- Prior art keywords
- dangerous object
- dangerous
- interest point
- distance
- image information
- 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 50
- 238000012544 monitoring process Methods 0.000 title claims abstract description 47
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 238000004590 computer program Methods 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 18
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 231100001267 hazard identification Toxicity 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 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
- G06V20/50—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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Alarm Systems (AREA)
Abstract
本方案涉及一种基于图像监控的危险物预警方法、系统、计算机设备及存储介质，实现无需依赖网络、自动智能识别危险物，自动告警，应用场景丰富。所述方法包括：基于图像识别出危险物以及危险物类别，自动计算安防区和危险物的第一距离；自动识别图像中的兴趣点和兴趣点类别，自动计算兴趣点与危险物之间的第二距离；根据危险物类别、兴趣点类别、第一距离、第二距离判断危险物是否构成威胁，并得到判断结果；根据判断结果进行危险物预警；通过获取毫米波雷达反射图像，对比历史视频监控图像，过滤非关注运动物体，实现大雾、雨雪等低能见度下的危险物判别和预警；危险物识别、距离计算和预警均在本地计算机设备上进行，无需依赖网络和后台。
Description
技术领域
本发明涉及智能安防技术领域，特别是涉及一种基于图像监控的危险物预警方法、系统、计算机设备及存储介质。
背景技术
随着科技的发展，人们的安全意识逐渐加强，为了保证人身安全以及财产安全，安防技术应运而生。其中，安防系统是实施安全防范控制的重要技术手段，在当前安防需求膨胀的形势下，其在安全技术防范领域的运用也越来越广泛。随着光电信息技术、微电子技术、微计算机技术与视频图像处理技术等的发展，传统的安防系统也正由数字化、网络化，而逐步走向智能化。这种智能化是指在不需要人为干预的情况下，系统能自动实现对监控画面中的异常情况进行检测、识别，在有异常时能及时作出预警。在安防领域，需要能自动甄别危险物和自动测量距离来实现智能化安防。现有的技术手段是将图像通过网络上传到后台服务器，依靠服务器的大算力资源甄别危险物，并通过图像测量安防区域和危险物之间的距离。
然而，传统的危险物预警方法往往依赖网络上传图像信息，存在对网络的依赖程度高的问题。
发明内容
基于此，为了解决上述技术问题，提供一种基于图像监控的危险物预警方法、系统、计算机设备及存储介质，可以不依赖网络运行，使用场景更加丰富。
一种基于图像监控的危险物预警方法，所述方法包括：
基于图像监控获取图像信息，并识别出所述图像信息中的危险物，确定所述危险物对应的危险物类别；
确定安防区位置，基于所述安防区位置以及所述图像信息计算所述危险物与安防区之间的第一距离；
识别所述图像信息中的兴趣点，确定所述兴趣点对应的兴趣点类别，并计算所述兴趣点与所述危险物之间的第二距离；
根据所述危险物类别、所述兴趣点类别、所述第一距离、所述第二距离判断所述危险物是否构成威胁，并得到判断结果；
根据所述判断结果进行危险物预警。
在其中一个实施例中，在识别所述图像信息中的兴趣点之前，所述方法还包括：
获取兴趣点设置请求，并根据所述兴趣点设置请求展示兴趣点设置界面；
通过所述兴趣点设置界面获取兴趣点信息，并根据所述兴趣点信息设置兴趣点。
在其中一个实施例中，所述方法还包括：
获取包含有各个兴趣点的图像信息作为训练样本；
将所述训练样本输入至卷积神经网络中进行训练，得到兴趣点识别模型；
所述识别所述图像信息中的兴趣点，包括：
将所述图像信息输入到所述兴趣点识别模型中，识别出所述兴趣点。
在其中一个实施例中，所述根据所述危险物类别、所述兴趣点类别、所述第一距离、所述第二距离判断所述危险物是否构成威胁，并得到判断结果，包括：
分别获取危险物目标类别列表、兴趣点类别列表、第一距离阈值、第二距离阈值；
当所述危险物类别在所述危险物目标类别列表中，所述兴趣点类别在所述兴趣点类别列表中时，且所述第一距离小于所述第一距离阈值，则判断所述危险物构成威胁；或
当所述危险物类别在所述危险物目标类别列表中，所述兴趣点类别在所述兴趣点类别列表中时，且所述第二距离小于所述第二距离阈值，则判断所述危险物构成威胁。
在其中一个实施例中，所述根据所述判断结果进行危险物预警，包括：
当所述判断结果为所述危险物构成威胁时，将所述判断结果发送至客户端；
所述客户端根据所述判断结果发出警报提示。
在其中一个实施例中，所述方法还包括：
接收通过蓝牙传输的列表升级信息，并根据所述列表升级信息对所述危险物目标类别列表、所述兴趣点类别列表进行升级。
在其中一个实施例中，所述识别出所述图像信息中的危险物，包括：
获取通过毫米波雷达在安防区位置处采集的反射波，并获取历史图像信息；
根据所述反射波确定安防区位置处的各个反射物品，并提取所述历史图像信息中的各个历史物品；
将各个所述反射物品与各个所述历史物品比对，从各个所述反射物品中识别出危险物。
一种基于图像监控的危险物预警系统，所述系统包括：
危险物识别模块，用于基于图像监控获取图像信息，并识别出所述图像信息中的危险物，确定所述危险物对应的危险物类别；
第一距离计算模块，用于确定安防区位置，基于所述安防区位置以及所述图像信息计算所述危险物与安防区之间的第一距离；
兴趣点识别模块，用于识别所述图像信息中的兴趣点，确定所述兴趣点对应的兴趣点类别，并计算所述兴趣点与所述危险物之间的第二距离；
威胁判断模块，用于根据所述危险物类别、所述兴趣点类别、所述第一距离、所述第二距离判断所述危险物是否构成威胁，并得到判断结果；
预警模块，用于根据所述判断结果进行危险物预警。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
基于图像监控获取图像信息，并识别出所述图像信息中的危险物，确定所述危险物对应的危险物类别；
确定安防区位置，基于所述安防区位置以及所述图像信息计算所述危险物与安防区之间的第一距离；
识别所述图像信息中的兴趣点，确定所述兴趣点对应的兴趣点类别，并计算所述兴趣点与所述危险物之间的第二距离；
根据所述危险物类别、所述兴趣点类别、所述第一距离、所述第二距离判断所述危险物是否构成威胁，并得到判断结果；
根据所述判断结果进行危险物预警。
一种计算机可读存储介质，其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以下步骤：
基于图像监控获取图像信息，并识别出所述图像信息中的危险物，确定所述危险物对应的危险物类别；
确定安防区位置，基于所述安防区位置以及所述图像信息计算所述危险物与安防区之间的第一距离；
识别所述图像信息中的兴趣点，确定所述兴趣点对应的兴趣点类别，并计算所述兴趣点与所述危险物之间的第二距离；
根据所述危险物类别、所述兴趣点类别、所述第一距离、所述第二距离判断所述危险物是否构成威胁，并得到判断结果；
根据所述判断结果进行危险物预警。
上述基于图像监控的危险物预警方法、系统、计算机设备及存储介质，基于图像监控获取图像信息，并识别出所述图像信息中的危险物，确定所述危险物对应的危险物类别；确定安防区位置，基于所述安防区位置以及所述图像信息计算所述危险物与安防区之间的第一距离；识别所述图像信息中的兴趣点，确定所述兴趣点对应的兴趣点类别，并计算所述兴趣点与所述危险物之间的第二距离；根据所述危险物类别、所述兴趣点类别、所述第一距离、所述第二距离判断所述危险物是否构成威胁，并得到判断结果；根据所述判断结果进行危险物预警。危险物识别、计算第一距离和第二距离、判断是否构成威胁均在本地计算机设备上进行，无需依赖网络和后台，节约资源且应用场景丰富。
附图说明
图1为一个实施例中基于图像监控的危险物预警方法的应用环境图；
图2为一个实施例中基于图像监控的危险物预警方法的流程示意图；
图3为一个实施例中基于图像监控的危险物预警系统的结构框图；
图4为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
可以理解，本申请所使用的术语“第一”、“第二”等可在本文中用于描述距离，但这些距离不受这些术语限制。这些术语仅用于将第一个距离与另一个距离区分。举例来说，在不脱离本申请的范围的情况下，可以将第一距离称为第二距离，且类似地，可将第二距离称为第一距离。第一距离和第二距离两者都是距离，但其不是同一距离。
本申请实施例提供的基于图像监控的危险物预警方法，可以应用于如图1所示的应用环境中。如图1所示，该应用环境包括计算机设备110、摄像机120。计算机设备110可以基于摄像机120采集的图像监控获取图像信息，并识别出图像信息中的危险物，确定危险物对应的危险物类别；计算机设备110可以确定安防区位置，基于安防区位置以及图像信息计算危险物与安防区之间的第一距离；计算机设备110可以识别图像信息中的兴趣点，确定兴趣点对应的兴趣点类别，并计算兴趣点与危险物之间的第二距离；计算机设备110可以根据危险物类别、兴趣点类别、第一距离、第二距离判断危险物是否构成威胁，并得到判断结果；计算机设备110可以根据判断结果进行危险物预警。其中，计算机设备110可以但不限于是各种个人计算机、笔记本电脑、智能手机、机器人、无人飞行器、平板电脑和便携式可穿戴设备等；摄像机120可以是双目摄像机。
在一个实施例中，如图2所示，提供了一种基于图像监控的危险物预警方法，包括以下步骤：
步骤202，基于图像监控获取图像信息，并识别出图像信息中的危险物，确定危险物对应的危险物类别。
监控处可以设置有摄像机，用于采集视频图像等，便于后续分析处理。在本实施例中，摄像机可以基于图像监控采集到图像信息，并传输到计算机设备中，由计算机设备对图像信息中的危险物进行识别，并得到识别结果。
其中，计算机设备在对危险物进行识别时，可以计算图像信息中各个物品的置信度，并根据置信度得到识别结果。计算机设备可以获取用户输入的识别结果调整指令，并根据识别结果调整指令对各个物品的置信度阈值进行动态调整，从而提高物品识别的准确率。
举例说明，计算机设备计算出图像信息中塔吊的置信度为0.25，用户通过计算机设备输入识别结果调整指令，计算机设备可以根据识别结果调整指令将塔吊的置信度调整为0.26。通过动态调整阈值，计算机设备系统识别准确性大幅提升。
其中，危险物可以是化学物品、电气设备等，危险物还可以是使用者指定的具体物品。每个危险物都对应有危险物类别，且不同危险物对应的危险物类别是不同的，在采集图像信息并识别危险物后可以进一步对危险物类别进行识别。
步骤204，确定安防区位置，基于安防区位置以及图像信息计算危险物与安防区之间的第一距离。
摄像机所在的位置可以是安防区位置。在本实施例中，摄像机可以是双目摄像机。具体的，双目摄像机可以采集两张图像信息，识别出危险物后，可以计算危险物与两张图片信息中的视差，从而计算出危险物与安防区之间的第一距离。
步骤206，识别图像信息中的兴趣点，确定兴趣点对应的兴趣点类别，并计算兴趣点与危险物之间的第二距离。
其中，由于图像信息是位于安防区的摄像机采集得到的，因此图像信息为安防区的图像信息。兴趣点可以是预先设置好的，例如塔吊、汽车、大棚、输电线路等。
计算机设备在识别出图像信息中兴趣点的位置后，可以确定兴趣点对应的兴趣点类别，并计算出兴趣点与危险物之间的第二距离。
步骤208，根据危险物类别、兴趣点类别、第一距离、第二距离判断危险物是否构成威胁，并得到判断结果。
在得到危险物类别、兴趣点类别、危险物与安防区之间的第一距离、兴趣点与危险物之间的第二距离后，计算机设备可以综合判断出危险物是否构成威胁，从而得到构成威胁或者不构成威胁的判断结果。
步骤210，根据判断结果进行危险物预警。
在本实施例中，计算机设备基于图像监控获取图像信息，并识别出图像信息中的危险物，确定危险物对应的危险物类别；确定安防区位置，基于安防区位置以及图像信息计算危险物与安防区之间的第一距离；识别图像信息中的兴趣点，确定兴趣点对应的兴趣点类别，并计算兴趣点与危险物之间的第二距离；根据危险物类别、兴趣点类别、第一距离、第二距离判断危险物是否构成威胁，并得到判断结果；根据判断结果进行危险物预警。危险物识别、计算第一距离和第二距离、判断是否构成威胁均在本地计算机设备上进行，无需依赖网络和后台，节约资源且应用场景丰富；通过自动识别危险物类别和距离，一旦发现对安防区域构成威胁的物体，自动进行危险物预警，不再需要在监控中心依靠人工值守，人工判别，避免人工判别失误导致外破事件的发生，也提高了劳动生产率。
在一个实施例中，提供的一种基于图像监控的危险物预警方法还可以包括人为确定兴趣点的过程，具体过程包括：获取兴趣点设置请求，并根据兴趣点设置请求展示兴趣点设置界面；通过兴趣点设置界面获取兴趣点信息，并根据兴趣点信息设置兴趣点。
用户也可以通过计算机设备发起兴趣点设置请求，计算机设备的显示屏上可以展示兴趣点设置界面，用户可以通过兴趣点设置界面输入兴趣点信息，例如兴趣点名称、兴趣点坐标等信息，从而设置兴趣点。
在一个实施例中，提供的一种基于图像监控的危险物预警方法还可以包括深度学习识别兴趣点的过程，具体过程包括：获取包含有各个兴趣点的图像信息作为训练样本；将训练样本输入至卷积神经网络中进行训练，得到兴趣点识别模型；将图像信息输入到兴趣点识别模型中，识别出兴趣点。即，在本实施例中，计算机设备内部的系统通过学习建模，自动识别兴趣点，无需人工干预。
在一个实施例中，提供的一种基于图像监控的危险物预警方法还可以包括判断危险是否构成威胁的过程，具体过程包括：分别获取危险物目标类别列表、兴趣点类别列表、第一距离阈值、第二距离阈值；当危险物类别在危险物目标类别列表中，兴趣点类别在兴趣点类别列表中时，且第一距离小于第一距离阈值，则判断危险物构成威胁；或，当危险物类别在危险物目标类别列表中，兴趣点类别在兴趣点类别列表中时，且第二距离小于第二距离阈值，则判断危险物构成威胁。
其中，危险物目标类别列表可以是用户预先设置好的，用于确定各个危险物对应的危险物类别是否达到构成威胁的标准；兴趣点类别列表可以是用户预先设置好的，用于确定各个兴趣点对应的兴趣点类别是否需要判断构成威胁。在本实施例中，当危险物类别达到威胁标准且危险物放置得距离安防区太近，或者危险物类别达到威胁标准且危险物放置得距离兴趣点太近，则计算机设备会判断危险物构成威胁。
在一个实施例中，提供的一种基于图像监控的危险物预警方法还可以包括通过三维建模实现危险物预警的过程，具体过程包括：根据图像信息对安防区进行三维建模，得到安防区的三维模型；根据三维模型计算危险物与兴趣点或安防区之间的最大接近距离，并根据最大接近距离判断危险物是否构成威胁。
通过对安防区进行三维建模，可以提前判断危险物是否对兴趣点和安防区构成威胁，从而提前发出预警。
在一个实施例中，提供的一种基于图像监控的危险物预警方法还可以包括进行危险物预警的过程，具体过程包括：当判断结果为危险物构成威胁时，将判断结果发送至客户端；客户端根据判断结果发出警报提示。
客户端可以与计算机设备通信连接，当计算机设备判断出危险物构成威胁时，可以通知客户端，由客户端通过短信、微信等方式发出警报提示，从而通知管理人员，不再需要在监控中心依靠人工值守，人工判别，避免人工判别失误导致外破事件的发生，也提高了劳动生产率。
在一个实施例中，提供的一种基于图像监控的危险物预警方法还可以包括升级危险物识别的过程，具体过程包括：接收通过蓝牙传输的列表升级信息，并根据列表升级信息对危险物目标类别列表、兴趣点类别列表进行升级。
根据运行人员要求，计算机设备可以接收通过蓝牙传输的列表升级信息，由计算机设备中的程序进行自动识别，从而实现对危险物目标类别列表、兴趣点类别列表的升级。
在一个实施例中，提供的一种基于图像监控的危险物预警方法还可以包括识别危险物的过程，具体过程包括：获取通过毫米波雷达在安防区位置处采集的反射波，并获取历史图像信息；根据反射波确定安防区位置处的各个反射物品，并提取历史图像信息中的各个历史物品；将各个反射物品与各个历史物品比对，从各个反射物品中识别出危险物。
其中，历史图像信息可以是在获取反射波前采集的最近的图像信息，且历史图像信息可以是能见度良好时采集的可见光图像。在大雾、雨雪、沙尘等低能见度天气下，通过可见光和红外线补光等方式都无法探测到危险物，更无法实现测距时，可以通过毫米波雷达在安防区位置处采集反射波，实现低能见度环境下危险物测距问题。
具体的，计算机设备可以根据采集到的反射波确定安防区位置处的各个反射物品，并将各个反射物品与各个历史物品比对，过滤掉干扰运动物体，例如大片风吹动的树叶，从而实现低见度环境下的危险物识别。
应该理解的是，虽然上述流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，上述流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图3所示，提供了一种基于图像监控的危险物预警系统，包括：危险物识别模块310、第一距离计算模块320、兴趣点识别模块330、威胁判断模块340和预警模块350，其中：
危险物识别模块310，用于基于图像监控获取图像信息，并识别出图像信息中的危险物，确定危险物对应的危险物类别；
第一距离计算模块320，用于确定安防区位置，基于安防区位置以及图像信息计算危险物与安防区之间的第一距离；
兴趣点识别模块330，用于识别图像信息中的兴趣点，确定兴趣点对应的兴趣点类别，并计算兴趣点与危险物之间的第二距离；
威胁判断模块340，用于根据危险物类别、兴趣点类别、第一距离、第二距离判断危险物是否构成威胁，并得到判断结果；
预警模块350，用于根据判断结果进行危险物预警。
在一个实施例中，兴趣点识别模块330还用于获取兴趣点设置请求，并根据兴趣点设置请求展示兴趣点设置界面；通过兴趣点设置界面获取兴趣点信息，并根据兴趣点信息设置兴趣点。
在一个实施例中，兴趣点识别模块330还用于获取包含有各个兴趣点的图像信息作为训练样本；将训练样本输入至卷积神经网络中进行训练，得到兴趣点识别模型；将图像信息输入到兴趣点识别模型中，识别出兴趣点。
在一个实施例中，威胁判断模块340还用于分别获取危险物目标类别列表、兴趣点类别列表、第一距离阈值、第二距离阈值；当危险物类别在危险物目标类别列表中，兴趣点类别在兴趣点类别列表中时，且第一距离小于第一距离阈值，则判断危险物构成威胁；或，当危险物类别在危险物目标类别列表中，兴趣点类别在兴趣点类别列表中时，且第二距离小于第二距离阈值，则判断在一个实施例中，危险物构成威胁。
在一个实施例中，预警模块350还用于当判断结果为危险物构成威胁时，将判断结果发送至客户端；客户端根据判断结果发出警报提示。
在一个实施例中，提供的一种基于图像监控的危险物预警系统还可以包括升级模块，用于接收通过蓝牙传输的列表升级信息，并根据列表升级信息对危险物目标类别列表、兴趣点类别列表进行升级。
在一个实施例中，危险物识别模块310还用于获取通过毫米波雷达在安防区位置处采集的反射波，并获取历史图像信息；根据反射波确定安防区位置处的各个反射物品，并提取历史图像信息中的各个历史物品；将各个反射物品与各个历史物品比对，从各个反射物品中识别出危险物。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于图像监控的危险物预警方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
基于图像监控获取图像信息，并识别出图像信息中的危险物，确定危险物对应的危险物类别；
确定安防区位置，基于安防区位置以及图像信息计算危险物与安防区之间的第一距离；
识别图像信息中的兴趣点，确定兴趣点对应的兴趣点类别，并计算兴趣点与危险物之间的第二距离；
根据危险物类别、兴趣点类别、第一距离、第二距离判断危险物是否构成威胁，并得到判断结果；
根据判断结果进行危险物预警。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取兴趣点设置请求，并根据兴趣点设置请求展示兴趣点设置界面；通过兴趣点设置界面获取兴趣点信息，并根据兴趣点信息设置兴趣点。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取包含有各个兴趣点的图像信息作为训练样本；将训练样本输入至卷积神经网络中进行训练，得到兴趣点识别模型；将图像信息输入到兴趣点识别模型中，识别出兴趣点。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：分别获取危险物目标类别列表、兴趣点类别列表、第一距离阈值、第二距离阈值；当危险物类别在危险物目标类别列表中，兴趣点类别在兴趣点类别列表中时，且第一距离小于第一距离阈值，则判断危险物构成威胁；或，当危险物类别在危险物目标类别列表中，兴趣点类别在兴趣点类别列表中时，且第二距离小于第二距离阈值，则判断危险物构成威胁。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：当判断结果为危险物构成威胁时，将判断结果发送至客户端；客户端根据判断结果发出警报提示。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：接收通过蓝牙传输的列表升级信息，并根据列表升级信息对危险物目标类别列表、兴趣点类别列表进行升级。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取通过毫米波雷达在安防区位置处采集的反射波，并获取历史图像信息；根据反射波确定安防区位置处的各个反射物品，并提取历史图像信息中的各个历史物品；将各个反射物品与各个历史物品比对，从各个反射物品中识别出危险物。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
基于图像监控获取图像信息，并识别出图像信息中的危险物，确定危险物对应的危险物类别；
确定安防区位置，基于安防区位置以及图像信息计算危险物与安防区之间的第一距离；
识别图像信息中的兴趣点，确定兴趣点对应的兴趣点类别，并计算兴趣点与危险物之间的第二距离；
根据危险物类别、兴趣点类别、第一距离、第二距离判断危险物是否构成威胁，并得到判断结果；
根据判断结果进行危险物预警。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取兴趣点设置请求，并根据兴趣点设置请求展示兴趣点设置界面；通过兴趣点设置界面获取兴趣点信息，并根据兴趣点信息设置兴趣点。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取包含有各个兴趣点的图像信息作为训练样本；将训练样本输入至卷积神经网络中进行训练，得到兴趣点识别模型；将图像信息输入到兴趣点识别模型中，识别出兴趣点。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：分别获取危险物目标类别列表、兴趣点类别列表、第一距离阈值、第二距离阈值；当危险物类别在危险物目标类别列表中，兴趣点类别在兴趣点类别列表中时，且第一距离小于第一距离阈值，则判断危险物构成威胁；或，当危险物类别在危险物目标类别列表中，兴趣点类别在兴趣点类别列表中时，且第二距离小于第二距离阈值，则判断危险物构成威胁。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：当判断结果为危险物构成威胁时，将判断结果发送至客户端；客户端根据判断结果发出警报提示。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：接收通过蓝牙传输的列表升级信息，并根据列表升级信息对危险物目标类别列表、兴趣点类别列表进行升级。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取通过毫米波雷达在安防区位置处采集的反射波，并获取历史图像信息；根据反射波确定安防区位置处的各个反射物品，并提取历史图像信息中的各个历史物品；将各个反射物品与各个历史物品比对，从各个反射物品中识别出危险物。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于图像监控的危险物预警方法，其特征在于，所述方法包括：
基于图像监控获取图像信息，并识别出所述图像信息中的危险物，确定所述危险物对应的危险物类别；
确定安防区位置，基于所述安防区位置以及所述图像信息计算所述危险物与安防区之间的第一距离；
识别所述图像信息中的兴趣点，确定所述兴趣点对应的兴趣点类别，并计算所述兴趣点与所述危险物之间的第二距离；
根据所述危险物类别、所述兴趣点类别、所述第一距离、所述第二距离判断所述危险物是否构成威胁，并得到判断结果；
根据所述判断结果进行危险物预警。
2.根据权利要求1所述的基于图像监控的危险物预警方法，其特征在于，在识别所述图像信息中的兴趣点之前，所述方法还包括：
获取兴趣点设置请求，并根据所述兴趣点设置请求展示兴趣点设置界面；
通过所述兴趣点设置界面获取兴趣点信息，并根据所述兴趣点信息设置兴趣点。
3.根据权利要求1所述的基于图像监控的危险物预警方法，其特征在于，所述方法还包括：
获取包含有各个兴趣点的图像信息作为训练样本；
将所述训练样本输入至卷积神经网络中进行训练，得到兴趣点识别模型；
所述识别所述图像信息中的兴趣点，包括：
将所述图像信息输入到所述兴趣点识别模型中，识别出所述兴趣点。
4.根据权利要求1所述的基于图像监控的危险物预警方法，其特征在于，所述根据所述危险物类别、所述兴趣点类别、所述第一距离、所述第二距离判断所述危险物是否构成威胁，并得到判断结果，包括：
分别获取危险物目标类别列表、兴趣点类别列表、第一距离阈值、第二距离阈值；
当所述危险物类别在所述危险物目标类别列表中，所述兴趣点类别在所述兴趣点类别列表中时，且所述第一距离小于所述第一距离阈值，则判断所述危险物构成威胁；或
当所述危险物类别在所述危险物目标类别列表中，所述兴趣点类别在所述兴趣点类别列表中时，且所述第二距离小于所述第二距离阈值，则判断所述危险物构成威胁。
5.根据权利要求4所述的基于图像监控的危险物预警方法，其特征在于，所述根据所述判断结果进行危险物预警，包括：
当所述判断结果为所述危险物构成威胁时，将所述判断结果发送至客户端；
所述客户端根据所述判断结果发出警报提示。
6.根据权利要求4所述的基于图像监控的危险物预警方法，其特征在于，所述方法还包括：
接收通过蓝牙传输的列表升级信息，并根据所述列表升级信息对所述危险物目标类别列表、所述兴趣点类别列表进行升级。
7.根据权利要求1所述的基于图像监控的危险物预警方法，其特征在于，所述识别出所述图像信息中的危险物，包括：
获取通过毫米波雷达在安防区位置处采集的反射波，并获取历史图像信息；
根据所述反射波确定安防区位置处的各个反射物品，并提取所述历史图像信息中的各个历史物品；
将各个所述反射物品与各个所述历史物品比对，从各个所述反射物品中识别出危险物。
8.一种基于图像监控的危险物预警系统，其特征在于，所述系统包括：
危险物识别模块，用于基于图像监控获取图像信息，并识别出所述图像信息中的危险物，确定所述危险物对应的危险物类别；
第一距离计算模块，用于确定安防区位置，基于所述安防区位置以及所述图像信息计算所述危险物与安防区之间的第一距离；
兴趣点识别模块，用于识别所述图像信息中的兴趣点，确定所述兴趣点对应的兴趣点类别，并计算所述兴趣点与所述危险物之间的第二距离；
威胁判断模块，用于根据所述危险物类别、所述兴趣点类别、所述第一距离、所述第二距离判断所述危险物是否构成威胁，并得到判断结果；
预警模块，用于根据所述判断结果进行危险物预警。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310419415.1A CN116597371A (zh) | 2023-04-18 | 2023-04-18 | 基于图像监控的危险物预警方法、系统、计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310419415.1A CN116597371A (zh) | 2023-04-18 | 2023-04-18 | 基于图像监控的危险物预警方法、系统、计算机设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116597371A true CN116597371A (zh) | 2023-08-15 |
Family
ID=87610669
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310419415.1A Pending CN116597371A (zh) | 2023-04-18 | 2023-04-18 | 基于图像监控的危险物预警方法、系统、计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116597371A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117993622A (zh) * | 2024-04-03 | 2024-05-07 | 四川弘和数智集团有限公司 | 一种野生动物伤亡风险评估方法及系统、设备、存储介质 |
| CN118135195A (zh) * | 2024-03-05 | 2024-06-04 | 江苏濠汉信息技术有限公司 | 基于双目测距的变电站内危险源距离自动测量方法及系统 |
-
2023
- 2023-04-18 CN CN202310419415.1A patent/CN116597371A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118135195A (zh) * | 2024-03-05 | 2024-06-04 | 江苏濠汉信息技术有限公司 | 基于双目测距的变电站内危险源距离自动测量方法及系统 |
| CN117993622A (zh) * | 2024-04-03 | 2024-05-07 | 四川弘和数智集团有限公司 | 一种野生动物伤亡风险评估方法及系统、设备、存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116597371A (zh) | 基于图像监控的危险物预警方法、系统、计算机设备 | |
| US10593109B1 (en) | Systems and methods for controlling a fleet of drones for data collection | |
| CN106952303B (zh) | 车距检测方法、装置和系统 | |
| US20220215667A1 (en) | Method and apparatus for monitoring vehicle, cloud control platform and system for vehicle-road collaboration | |
| CN111680535B (zh) | 在视频监控中实时预测一个或多个潜在威胁的方法和系统 | |
| CN109484935A (zh) | 一种电梯轿厢监控方法、装置及系统 | |
| CN110491060B (zh) | 一种机器人及其安全监控方法、装置及存储介质 | |
| KR102543161B1 (ko) | 산만 운전 모니터링 방법, 시스템 및 전자기기 | |
| JP7282186B2 (ja) | 状況認識監視 | |
| CN111191507A (zh) | 智慧社区的安全预警分析方法及系统 | |
| CN115600953A (zh) | 仓库库位的监控方法、装置、计算机设备和存储介质 | |
| KR101579275B1 (ko) | 위험객체 위치추적을 통한 실시간 모니터링을 이용한 방범보안 시스템 | |
| CN117495804A (zh) | 充电站安全监测方法、装置、计算机设备和存储介质 | |
| CN112802100A (zh) | 一种入侵检测方法、装置、设备和计算机可读存储介质 | |
| CN112802058A (zh) | 一种非法运动目标的跟踪方法及装置 | |
| CN117214598A (zh) | 基于巡检图像的电缆监测系统及方法 | |
| CN115407355B (zh) | 库位地图的验证方法、装置及终端设备 | |
| CN112037478A (zh) | 适用于电力设备的监控方法及监控系统 | |
| CN115953815A (zh) | 基建现场的监测方法及装置 | |
| CN111189533A (zh) | 外力入侵监测方法、装置、计算机设备和存储介质 | |
| CN116363222A (zh) | 一种车辆控制方法、装置、电子设备及存储介质 | |
| CN113807209A (zh) | 车位检测方法、装置、电子设备及存储介质 | |
| CN110471056B (zh) | 一种虚警信息判断方法、装置及终端设备 | |
| CN114332695A (zh) | 电梯开关门的识别方法、设备及存储介质 | |
| CN114119531A (zh) | 应用于校园智慧平台的火灾检测方法、装置及计算机设备 |
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 |