CN116915946A - 一种基于机器视觉的智能监控方法、系统、设备及介质 - Google Patents
一种基于机器视觉的智能监控方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN116915946A CN116915946A CN202310732216.6A CN202310732216A CN116915946A CN 116915946 A CN116915946 A CN 116915946A CN 202310732216 A CN202310732216 A CN 202310732216A CN 116915946 A CN116915946 A CN 116915946A
- Authority
- CN
- China
- Prior art keywords
- video equipment
- target object
- video
- machine vision
- model
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000006978 adaptation Effects 0.000 claims abstract description 38
- 230000006870 function Effects 0.000 claims description 49
- 238000001514 detection method Methods 0.000 claims description 24
- 230000006399 behavior Effects 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 240000007651 Rubus glaucus Species 0.000 description 1
- 235000011034 Rubus glaucus Nutrition 0.000 description 1
- 235000009122 Rubus idaeus Nutrition 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Alarm Systems (AREA)
Abstract
本申请涉及一种基于机器视觉的智能监控方法,包括:获取用户输入的功能信息;根据功能信息匹配相应的视频监控信息,视频监控信息包括视频设备以及视频设备所对应的视频设备流地址、视频设备IP地址、视频设备访问端口、视频设备通道和视频设备位置信息;获取用户输入的适配规则;根据适配规则匹配相应的功能模型;若视频设备获取到目标物,则对目标物进行实时监控,并与功能模型基于适配规则对目标物作出响应和动作;若未获取到目标物,则继续寻找目标物。其根据功能信息和适配规则匹配相应视频监控信息和功能模型,视频设备自动对覆盖区域进行实时监控并不断的寻找目标物,若获取到目标物,则视频设备进行实时监控且功能模型并作出响应和动作。
Description
技术领域
本申请涉及智能监控领域,尤其是涉及一种基于机器视觉的智能监控方法、系统、设备及介质。
背景技术
机器视觉是一种利用计算机算法和人工智能技术对图像和视频进行自动分析和理解的领域,它已经被广泛应用于很多行业中。其中,最为广泛的应用领域之一是智能监控系统。
智能监控系统是一种将机器视觉技术应用于安防领域的解决方案。它可以通过视频设备捕捉到现场的视频流,并利用机器视觉算法进行实时的图像分析和处理。这些算法可以识别人脸、车牌、行人、交通标志等图像中的物体,并对其进行分类、跟踪和分析。智能监控系统的应用范围非常广泛。例如,它可以用于监控公共场所、商业区、交通路口等地方,及时发现和预防安全事故的发生。同时,智能监控系统还可以用于工厂生产线的质量检测、机器故障预警、商品库存管理等领域。
除了智能监控系统,机器视觉技术还被广泛应用于自动驾驶领域。自动驾驶技术需要通过车载视频设备和激光雷达等传感器来获取车辆周围的信息,并利用机器视觉算法进行实时的图像分析和处理。这些算法可以识别道路标志、车道线、行人、车辆等物体,并对其进行跟踪和分析,从而实现自动驾驶的功能。此外,机器视觉技术还被广泛应用于医疗领域。例如,它可以用于医学影像的分析和诊断,帮助医生更准确地判断病情。同时,机器视觉技术还可以用于手术机器人的控制和操作,帮助医生实现更精细的手术操作。
总的来说,机器视觉技术已经成为了现代工业生产、交通运输、医疗卫生等领域不可或缺的重要技术之一。随着人工智能技术的不断发展和普及,机器视觉技术的应用范围将会越来越广泛,其应用也将会变得更加智能化和高效化。
随着机器视觉的发展,机器视觉已经逐渐地深入到人们的日常生活,比如常见的智能监控,但目前常见的智能监控仅能通过人工控制和调整,进而对固定区域进行监控,这不仅会造成人力资源的浪费,而且人工操控智能监控出现容错率的风险较高,使得智能监控不能很好的对监控覆盖区域进行实时监控,进而导致智能监控容易出现忽略掉部分目标物的问题,致使智能监控的使用效果不佳。
发明内容
为了使智能监控更好的对覆盖区域进行实时监控,同时提高智能监控的使用效果,本申请提供了一种基于机器视觉的智能监控方法、系统、设备及介质,其根据功能信息和适配规则匹配相应视频监控信息和功能模型,视频设备自动对覆盖区域进行实时监控并不断的寻找目标物,若获取到目标物,则视频设备进行实时监控且功能模型并作出响应和动作。
第一方面,本申请提供的一种基于机器视觉的智能监控方法,采用如下的技术方案:
一种基于机器视觉的智能监控方法,包括以下步骤:
获取用户输入的功能信息;
根据功能信息匹配相应的视频监控信息,频监控信息包括视频设备以及视频设备所对应的视频设备流地址、视频设备IP地址、视频设备访问端口、视频设备通道和视频设备位置信息;
获取用户输入的适配规则;
根据适配规则匹配相应的功能模型;
若视频设备获取到目标物,则对目标物进行实时监控,并与功能模型配合且基于适配规则对目标物作出响应和动作;
若视频设备未获取到目标物,则继续寻找目标物。
优选的,所述视频设备包括一个或多个摄像头。
优选的,所述适配规则包括目标检测规则、人脸识别规则、目标跟踪规则、行为识别规则以及用户自定义的设定规则。
优选的,所述功能模型包括目标检测模型、行为识别模型、人脸识别模型、目标跟踪模型以及用户自定义的模型。
优选的,匹配的功能模型包括目标检测模型、行为识别模型、人脸识别模型、目标跟踪模型以及用户自定义的模型中的一种或多种,且可匹配同一种功能模型的一个或多个。
优选的,所述功能模型基于适配规则对目标物作出响应和动作包括收集推理结果及异常记录项用于日志展示、系统标识预警等级对结果异常项进行标识预警、驱动视频设备完成设定任务,其中设定任务包括声音警报、声音驱离、操作提示。
第二方面,本申请提供的一种基于机器视觉的智能监控系统,采用如下的技术方案:
一种基于机器视觉的智能监控系统,包括:
输入模块,用于用户输入功能信息和适配规则;
功能信息模块,用于获取用户输入的功能信息并匹配相应的视频设备以及视频设备所对应的视频设备流地址、视频设备IP地址、视频设备访问端口、视频设备通道和视频设备位置信息;
适配规则模块,用于获取用户输入的适配规则并匹配相应的功能模型;
判断模块,用于对视频设备是否获取到目标物进行判断,并根据是否获取到目标物而分别调用不同的功能模型;
实时监控模块,用于在判断模块获取到目标物时实时监控目标物;
搜寻模块,用于在判断模块未获取到目标物时搜寻目标物。
第三方面,本申请提供的一种基于机器视觉的智能监控设备,采用如下的技术方案:
一种基于机器视觉的智能监控设备,其包括:
一个或者多个处理器;
存储器;
一个或多个应用程序,其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序配置用于:执行根据上述任一项所述的一种基于机器视觉的智能监控方法。
第四方面,本申请提供的一种计算机可读存储介质,采用如下的技术方案:
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任一项所述的一种基于机器视觉的智能监控方法。
综上所述,本申请包括以下有益技术效果:
1.本申请通过根据功能信息和适配规则匹配相应视频监控信息和功能模型,视频设备自动对覆盖区域进行实时监控并不断的寻找目标物,若获取到目标物,则摄视频设备进行实时监控且功能模型并作出响应和动作。
2.本申请能够根据用户设定的功能信息和适配规则同时匹配多个视频设备和功能模型,且多个相互匹配的视频设备与功能模型能够多线程并行的对目标物进行寻找和实时监控,且能够实现目标检测、人脸识别、目标跟踪、行为识别以及用户自定义的设定的其他功能,且多线程并行的监控方式不仅极大提升了效率,减少了单个任务的等待时间,并且相对于多进程来说,多线程并行所消耗的性能更小,同时多个线程当中可以进行资源的共享
附图说明
图1是本申请实施例的流程图。
具体实施方式
以下结合附图对本申请作进一步详细说明。
本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本申请的权利要求范围内都受到专利法的保护。
为使本申请实施例的目的、技术方案和优点更加清楚,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前提下所获得的所有其他实施例,都属于本申请保护的范围。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,如无特殊说明,一般表示前后关联对象是一种“或”的关系。
下面结合说明书附图对本申请实施例作进一步详细描述。
本申请实施例公开了一种基于机器视觉的智能监控方法,由电子设备执行,该电子设备可以为服务器也可以为终端设备,其中,该服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云计算服务的云服务器。终端设备可以是智能手机、平板电脑、笔记本电脑、台式计算机等,但并不局限于此,该终端设备以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请实施例在此不做限制。
参照图1,基于机器视觉的智能监控方法包括以下步骤:
S1、获取用户输入的功能信息;
具体的,用户手动控制或音控输入用户所需要的功能信息,然后系统获取用户输入的功能信息,功能信息可以是监控某一片区域或者设定监测一个固定位置或者对目标物进行识别跟踪等。
用户在输入端输入功能信息前,系统会进行用户名密码验证,只有在用户获得了系统的访问权限时,用户才能在系统上输入功能信息。
S2、根据功能信息匹配相应的视频监控信息,频监控信息包括视频设备以及视频设备所对应的视频设备流地址、视频设备IP地址、视频设备访问端口、视频设备通道和视频设备位置信息;
其中,视频设备可以是移动终端设备,比如手机摄像头、PC摄像头、平板电脑摄像头、树莓派摄像头、固定摄像头、门禁摄像头等。视频设备可以包含上述多种类别的终端,而且视频设备还可包含同一中类别终端的一个或多个。
在根据功能信息匹配视频设备时,系统会自动的匹配该视频设备的所对应的视频设备流地址、视频设备的IP地址、视频设备的访问端口、视频设备通道以及视频设备的位置信息等与视频设备相关的信息,以便于系统更好的调用以及控制视频设备,并利用视频设备完成用户设定的功能信息。
调用视频设备的过程中,由于视频设备需要与系统进行通信,因此视频设备需要与系统处于一个内网或者使用无线Wifi进行互相连接。
S3、获取用户输入的适配规则;
用户在系统上输入功能信息后,用户可继续在系统上输入适配规则,其中,适配规则包括目标检测规则、人脸识别规则、目标跟踪规则、行为识别规则以及用户自定义的设定规则。
S4、根据功能信息与适配规则匹配相应的功能模型;
具体的,根据用户输入的功能信息以及适配规则,相应的匹配功能模型,其中,功能模型保护目标检测模型、行为识别模型、人脸识别模型、目标跟踪模型以及用户自定义的设定模型等,由于功能模型的种类较多,因此设置一个功能模型库,将各种各样的功能模型储存于功能模型库内,然后在使用时,根据用户的需求自动的选用功能模型,若功能模型库内的模型不能满足用户的需求,或者用户有特定功能的需求,用户可自己自定义设定功能模型。
在匹配功能模型时,系统会根据功能信息与适配规则,相应的匹配一种或多种类型的功能模型,且同一种功能模型可选用一次或多次。由于系统会根据用户输入的功能信息匹配多个视频设备,因此,为了使功能模型更好的与视频设备配合已完成用户输入的功能信息,一种或多种功能模型同时对一个视频设备进行控制和调用。
系统通过选用多种功能模型在同时调用控制多个视频设备时,需要使所有的视频设备处于同一个内网或局域网中,或者所有的视频设备均连接上无线Wifi,以保持视频设备能够随时随地被系统调用和控制。使用时,可以多种功能模型与多个视频设备匹配使用,不同的视频设备可同时工作,以通过多线程并行任务处理,实现效率的最大化,且能够更好的对目标物进行监控。
如此设计,提升数据源多样性和扩展性,传统的检测数据来源单一,且分析数据量也相对较小,大多采用单一摄像头适配,在依靠并行计算提升数据分析速度方面,追求的是高准确性及适配性,从而难以保证其多样性和扩展性。但在实际业务当中,存在数据来源复杂、数据量大等情况,比如摄像监控通常都是成批量的,一些重点区域甚至达到几十甚至到几百个的覆盖,且设备可能来自不同的厂家,如此设计针对此种问题发明此类集成方法能够很好的解决这类问题,还有一些实际业务如多厂区分散或多个部门综合分析涉及的数据源混杂很难保持一致,如此集成应用系统能够很好的完成此类任务。
依据适配的多个功能模型,进行目标异常检测、目标关键行为、人脸识别等多个任务,多个任务可以多线程并行运行,通过适配各功能模型来控制视频设备;依据功能模型库结合所需达到的功能需求筛选视频设备拥有权限的一个或者多个功能模型,对选择的功能模型通过配置方式关联到视频设备。依据视频设备关联到的功能模型类别适配特定规则,特定规则指如目标检测类配置检测目标项,目标项选取关键字进行标识,关键字标识对应目标检测模型的检测类别;如人脸识别类,配置人脸存储库并进行人脸注册;如目标跟踪,配置目标类别标识项,标识项选取关键字标识,关键字对应目标检测模型的检测类别;如行为识别类,配置关键行为标识项,标识项选取关键字进行标识,关键字对应对象行为识别模型的行为标识类别。
如此设计,采用多线程多任务并行处理,能够很好的应用机器性能,同时完成多个检测分析任务。并行的处理任务可极大提升效率,减少单个任务的等待时间,并且相对于多进程来说,多个线程并行消耗的性能更小,并且在多个线程当中可以进行资源的共享,在多核CPU及GPU的机器上充分利用资源,发挥多处理器的强大性能,并且发挥多显卡的强大计算能力,提升机器的资源利用率以及系统的吞吐率,此种方法不仅能够充分利用服务器的硬件资源,并且能够提供更好的交互服务,比如在服务系统上同时启动多个任务避免多操作或多地操作。多线程的设计无需跨进程边界,并且程序逻辑和控制方式皆比较简便,在所有线程之间可以直接共享内存和变量等全局配置。这种方法使算法在多个处理单元(GPU中的线程)上同时执行计算,这可以显著提高计算速度。对于大批量数据源及计算密集型任务非常的重要,可以大幅减少计算时间。这种方法使算法可以充分利用现代GPU中大量的并行处理能力。与在CPU上运行串行任务相比,GPU上的并行任务可以更高效地利用硬件资源。这种方法使算法可以非常容易地扩展来适应不同规模的实际问题。通过调整线程块和线程数量,可以在不同规模的数据源上实现高性能的计算。这种方法可以显著提升算法在机器视觉上的应用,使算法能够更为容易的解决视觉分析问题,并且易于扩展,通常只需要针对特定问题稍作调整,就可以实现高效的并行计算和广泛性应用。
S5、若视频设备获取到目标物,则对目标物进行实时监控,并与功能模型配合且基于适配规则对目标物作出响应和动作;
若视频设备未获取到目标物,则继续寻找目标物。
具体的,使用时,摄像头会根据用户输入的功能信息寻找目标物,若摄像头在监控的区域内未发现目标物,则系统会控制摄像头进行自动转动,以使摄像头对其所覆盖的区域进行监控以便寻找目标物。
若视频设备获取到了目标物,则摄像头会对目标物进行实时监控,并且视频设备会与功能模型基于用户设定的适配规则对目标物作出响应和动作。
其中,响应和动作包括收集推理结果及异常记录项用于日志展示、系统标识预警等级对结果异常项进行标识预警、驱动视频设备完成设定任务,其中设定任务包括声音警报、声音驱离、操作提示。
并且在使用过程中,系统会对视频设备进行功能模型权限授权,查看功能模型基本信息,通过编码关联方式配置关联到视频设备上,同时依系统据功能模型库管理上传外部模型,功能模型库上传选择系统分类,其中系统分类包含目标检测、行为识别、目标跟踪、人脸识别等多个类别,实际是需要完成任务分类。功能模型上传描述详细功能模型信息并且用于展示,其中功能模型详细信息包含目标检测类别、行为识别类别、选取数据集标识及所在数据集上的指标效果。
并且,在系统调用控制视频设备进行工作过程中,系统在选用了功能模型后,系统还会对功能模型与视频设备进行匹配验证,其中,匹配验证是指该视频设备是否能够接收并实现此种功能模型,且在该种功能模型的配合下是否能够实现用户所设定的功能信息。
如此设计,通过系统查询查看视频设备是否对功能模型拥有权限,如此可以更好的维护功能模型的存储及功能模型安全性,如视频设备对功能模型不具备使用权限,需要对功能模型权限进行申请,或者服务端主动对视频设备分配权限,这样可有效的管理功能模型及视频设备,也可有效的防范视频设备对功能模型的错误适配,视频设备获取到拥有权限的功能模型信息,通过功能模型信息可生成功能模型结构,此功能模型结构可用于展示也可用于参数计算等,这样使得功能模型结构清晰直观。通过视频设备信息查询查看到配置规则编码,通过编码关联查询到配置规则,通过配置规则检查规则类型,比如是否目标检测规则,通过规则信息与功能模型信息进行比对,判断任务是否可执行,一般来说这个结果视频设备基本可执行任务,对于熟悉系统的操作配置人员基本不容易出错,也可以来校验任务。如果检测到可执行任务保存任务配置。对于保存的任务可查看任务详细信息,也可在界面上执行任务,点击启动任务,此时即开始检测任务或者跟踪目标等等,在任务上也可点击预览检测即可实时观看检测效果及监控屏幕。在此过程中同时通过视频设备信息查看可查询到告警规则配置编码,通过告警规则配置编码查询告警规则详细信息,通过告警详细信息查看告警规则及驱动规则,启动任务过程中根据告警规则发生告警信息及完成驱动任务。
本申请实施例中还提供了一种基于机器视觉的智能监控系统。
基于机器视觉的智能监控系统包括:
输入模块,用于用户输入功能信息和适配规则;
功能信息模块,用于获取用户输入的功能信息并匹配相应的视频设备以及视频设备所对应的视频设备流地址、视频设备IP地址、视频设备访问端口、视频设备通道和视频设备位置信息;
适配规则模块,用于获取用户输入的适配规则并匹配相应的功能模型;
判断模块,用于对视频设备是否获取到目标物进行判断,并根据是否获取到目标物而分别调用不同的功能模型;
实时监控模块,用于在判断模块获取到目标物时实时监控目标物;
搜寻模块,用于在判断模块未获取到目标物时搜寻目标物。
本申请实施例中还提供了一种基于机器视觉的智能监控设备,该设备包括:处理器和存储器。其中,处理器和存储器相连,如通过总线相连。可选地,该设备还可以包括收发器。需要说明的是,实际应用中收发器不限于一个,该设备的结构并不构成对本申请实施例的限定。
处理器可以是CPU(Central Processing Unit,中央处理器),通用处理器,DSP(Digital Signal Processor,数据信号处理器),ASIC(Application SpecificIntegrated Circuit,专用集成电路),FPGA(Field Programmable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线可包括一通路,在上述组件之间传送信息。总线可以是PCI(PeripheralComponent Interconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。总线可以分为地址总线、数据总线、控制总线等。
存储器可以是ROM(Read Only Memory,只读存储器)或可存储静态信息和指令的其他类型的静态存储设备,RAM(Random Access Memory,随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory,电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory,只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
存储器用于存储执行本申请方案的应用程序代码,并由处理器来控制执行。处理器用于执行存储器中存储的应用程序代码,以实现前述一种基于机器视觉的智能监控方法实施例所示的内容。
本申请实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,当其在计算机上运行时,使得计算机可以执行前述一种基于机器视觉的智能监控方法实施例中相应内容。与相关技术相比,本申请实施例中。
应该理解的是,虽然附图的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,其可以以其他的顺序执行。而且,附图的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,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他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。
以上所述仅是本申请的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (9)
1.一种基于机器视觉的智能监控方法,其特征在于,包括以下步骤:
获取用户输入的功能信息;
根据功能信息匹配相应的视频监控信息,频监控信息包括视频设备以及视频设备所对应的视频设备流地址、视频设备IP地址、视频设备访问端口、视频设备通道和视频设备位置信息;
获取用户输入的适配规则;
根据适配规则匹配相应的功能模型;
若视频设备获取到目标物,则对目标物进行实时监控,并与功能模型配合且基于适配规则对目标物作出响应和动作;
若视频设备未获取到目标物,则继续寻找目标物。
2.根据权利要求1所述的一种基于机器视觉的智能监控方法,其特征在于,所述视频设备包括一个或多个摄像头。
3.根据权利要求1所述的一种基于机器视觉的智能监控方法,其特征在于,所述适配规则包括目标检测规则、人脸识别规则、目标跟踪规则、行为识别规则以及用户自定义的设定规则。
4.根据权利要求3所述的一种基于机器视觉的智能监控方法,其特征在于,所述功能模型包括目标检测模型、行为识别模型、人脸识别模型、目标跟踪模型以及用户自定义的模型。
5.根据权利要求4所述的一种基于机器视觉的智能监控方法,其特征在于,匹配的功能模型包括目标检测模型、行为识别模型、人脸识别模型、目标跟踪模型以及用户自定义的模型中的一种或多种,且可匹配同一种功能模型的一个或多个。
6.根据权利要求5所述的一种基于机器视觉的智能监控方法,其特征在于,所述功能模型基于适配规则对目标物作出响应和动作包括收集推理结果及异常记录项用于日志展示、系统标识预警等级对结果异常项进行标识预警、驱动视频设备完成设定任务,其中设定任务包括声音警报、声音驱离、操作提示。
7.一种基于机器视觉的智能监控系统,其特征在于,包括:
输入模块,用于用户输入功能信息和适配规则;
功能信息模块,用于获取用户输入的功能信息并匹配相应的视频设备以及视频设备所对应的视频设备流地址、视频设备IP地址、视频设备访问端口、视频设备通道和视频设备位置信息;
适配规则模块,用于获取用户输入的适配规则并匹配相应的功能模型;
判断模块,用于对视频设备是否获取到目标物进行判断,并根据是否获取到目标物而分别调用不同的功能模型;
实时监控模块,用于在判断模块获取到目标物时实时监控目标物;
搜寻模块,用于在判断模块未获取到目标物时搜寻目标物。
8.一种基于机器视觉的智能监控设备,其特征在于,其包括:
一个或者多个处理器;
存储器;
一个或多个应用程序,其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序配置用于:执行根据权利要求1至6任一项所述的一种基于机器视觉的智能监控方法。
9.一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,该程序被处理器执行时实现权利要求1至6任一项所述的一种基于机器视觉的智能监控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310732216.6A CN116915946A (zh) | 2023-06-20 | 2023-06-20 | 一种基于机器视觉的智能监控方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310732216.6A CN116915946A (zh) | 2023-06-20 | 2023-06-20 | 一种基于机器视觉的智能监控方法、系统、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116915946A true CN116915946A (zh) | 2023-10-20 |
Family
ID=88350174
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310732216.6A Pending CN116915946A (zh) | 2023-06-20 | 2023-06-20 | 一种基于机器视觉的智能监控方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116915946A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103248867A (zh) * | 2012-08-20 | 2013-08-14 | 苏州大学 | 基于多摄像头数据融合的智能视频监控系统的监控方法 |
CN112906552A (zh) * | 2021-02-07 | 2021-06-04 | 上海卓繁信息技术股份有限公司 | 一种基于计算机视觉的巡检方法、装置和电子设备 |
-
2023
- 2023-06-20 CN CN202310732216.6A patent/CN116915946A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103248867A (zh) * | 2012-08-20 | 2013-08-14 | 苏州大学 | 基于多摄像头数据融合的智能视频监控系统的监控方法 |
CN112906552A (zh) * | 2021-02-07 | 2021-06-04 | 上海卓繁信息技术股份有限公司 | 一种基于计算机视觉的巡检方法、装置和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Intelligent intersection: Two-stream convolutional networks for real-time near-accident detection in traffic video | |
US20200357109A1 (en) | Method for detecting display screen quality, apparatus, electronic device and storage medium | |
CN112114533B (zh) | 物联网数据处理方法、装置、计算机设备和存储介质 | |
CN111770306B (zh) | 场景监控方法、装置、计算机设备和存储介质 | |
CN111597962B (zh) | 仓储物料防盗报警方法、装置及电子设备 | |
Kul et al. | Event-based microservices with Apache Kafka streams: A real-time vehicle detection system based on type, color, and speed attributes | |
CN111629181A (zh) | 消防生命通道监控系统及方法 | |
CN112700198A (zh) | 危化品运输监测信息处理方法和装置 | |
US10860865B2 (en) | Predictive security camera system | |
CN116595756A (zh) | 基于数字孪生的数据中心智能化运维方法及装置 | |
CN112087604A (zh) | 一种基于图像识别的监控视频智慧管控方法 | |
Kim et al. | Detection of centerline crossing in abnormal driving using CapsNet | |
Supriya et al. | Car crash detection system using machine learning and deep learning algorithm | |
Greer et al. | Patterns of vehicle lights: Addressing complexities of camera-based vehicle light datasets and metrics | |
Alvar et al. | Mixture of merged gaussian algorithm using RTDENN | |
CN117274913A (zh) | 一种基于智慧楼宇的安全保障方法及系统 | |
CN116915946A (zh) | 一种基于机器视觉的智能监控方法、系统、设备及介质 | |
CN117237935A (zh) | 一种空间物体的识别方法、装置、电子设备及存储介质 | |
CN116245907A (zh) | 一种基于密度聚类的稠密场景下多目标跟踪方法及装置 | |
Agostinelli | Actionable framework for city digital twin-enabled predictive maintenance and security management systems | |
Persia et al. | Labeling the frames of a video stream with interval events | |
CN112153341B (zh) | 一种任务监督方法、装置、系统、电子设备及存储介质 | |
CN114022070A (zh) | 盘库方法、装置、设备及存储介质 | |
CN113672762A (zh) | 一种用于智慧物流仓储园区的物流监控感知系统 | |
CN113902999A (zh) | 一种跟踪方法、装置、设备及介质 |
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 |