CN116994183A - 一种多算法智能分析方法、装置、存储介质及计算机设备 - Google Patents
一种多算法智能分析方法、装置、存储介质及计算机设备 Download PDFInfo
- Publication number
- CN116994183A CN116994183A CN202310985442.5A CN202310985442A CN116994183A CN 116994183 A CN116994183 A CN 116994183A CN 202310985442 A CN202310985442 A CN 202310985442A CN 116994183 A CN116994183 A CN 116994183A
- Authority
- CN
- China
- Prior art keywords
- analysis
- algorithm
- alarm
- video stream
- target object
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 377
- 238000001514 detection method Methods 0.000 claims abstract description 72
- 238000000034 method Methods 0.000 claims abstract description 27
- 230000006399 behavior Effects 0.000 claims description 47
- 238000012545 processing Methods 0.000 claims description 26
- 238000009432 framing Methods 0.000 claims description 20
- 238000004519 manufacturing process Methods 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 abstract description 19
- 238000005516 engineering process Methods 0.000 description 10
- 238000012544 monitoring process Methods 0.000 description 9
- 230000009471 action Effects 0.000 description 7
- 238000000605 extraction Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000009545 invasion Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000013475 authorization Methods 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G06V10/25—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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/44—Event detection
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本申请提供的一种多算法智能分析方法、装置、存储介质及计算机设备,在对视频流进行告警分析时,可以先获取待分析的告警事件及对应的视频流,并确定该告警事件的事件类型以及视频流对应的分析策略,其中,分析策略表征对视频流进行告警分析时所选用的多个分析算法,接着可以提取视频流中的关键帧图像,并按照事件类型框定关键帧图像中的目标对象,之后,可以根据每一分析算法的算法规则分别对目标对象进行检测,得到目标对象在各个算法规则下的检测结果,进而将各个检测结果进行组合,得到告警事件的综合告警信息,以此可以实现多算法组合分析和事件要素叠加,从而产生一个完整信息的告警事件,以提高视频流在告警分析过程中的完整性和效率。
Description
技术领域
本申请涉及算法分析技术领域,尤其涉及一种多算法智能分析方法、装置、存储介质及计算机设备。
背景技术
随着信息化时代的发展,生物识别领域的影响力逐步扩大,其中视频智能分析技术的应用也越来越广泛,尤其是在一些需要进行安全管控的应用场景中,可以采用视频智能分析技术对摄像头采集到的视频流中的目标对象的行为进行告警分析,进而在该目标对象出现违规行为时进行告警,以达到保障安全的目的。
然而,目前视频智能分析技术采用的分析算法相互独立,在对同一告警事件的视频流进行分析时信息不共享,当视频智能分析技术采用多个分析算法对同一视频流进行不同方面的告警分析时,每一分析算法均需要对视频流进行抽帧和预处理等环节的操作后再进行相应的分析,因此各个分析算法在分析后得到的结果均为独立的事件信息,导致视频流在告警分析过程中的完整性和效率较低。
发明内容
本申请的目的旨在至少能解决上述的技术缺陷之一,特别是现有技术中目前视频智能分析技术采用的各个分析算法在分析后得到的结果均为独立的事件信息,导致视频流在告警分析过程中的完整性和效率较低的技术缺陷。
本申请提供了一种多算法智能分析方法,所述方法包括:
获取待分析的告警事件及对应的视频流,并确定所述告警事件的事件类型、对所述视频流进行告警分析时使用的分析策略;其中,所述分析策略表征对所述视频流进行告警分析时所选用的多个分析算法;
提取所述视频流中的关键帧图像,并按照所述告警事件的事件类型对所述关键帧图像进行目标框定,得到所述关键帧图像的目标对象;
根据每一分析算法的算法规则分别对所述目标对象进行检测,得到所述目标对象在各个算法规则下的检测结果;
将所述目标对象在各个算法规则下的检测结果进行组合后,得到所述告警事件的综合告警信息。
可选地,所述确定对所述视频流进行告警分析时使用的分析策略,包括:
判断所述视频流是否预先设置有多个分析算法;
若是,则选用预先设置的多个分析算法,作为所述视频流进行告警分析时使用的分析策略;
若否,则获取所述视频流的生成地址,并读取所述生成地址在上一次进行告警分析时所选用的多个分析算法,作为所述视频流进行告警分析时使用的分析策略。
可选地,所述提取所述视频流中的关键帧图像,包括:
对所述视频流进行解码,生成视频画面;
根据预设时间间隔对所述视频画面进行抽帧,得到格式化图像;
对所述格式化图像进行图灰度处理、二进制处理以及尺寸调整处理,得到关键帧图像。
可选地,所述对所述视频流进行解码,生成视频画面,包括:
读取所述视频流的编码格式;
调用与所述编码格式对应的视频解码器对所述视频流进行解码,生成视频画面。
可选地,所述按照所述告警事件的事件类型对所述关键帧图像进行目标框定,得到所述关键帧图像的目标对象,包括:
根据所述告警事件的事件类型确定所述视频流的分析对象;
基于所述分析对象对所述关键帧图像进行目标识别,并对识别到的分析对象进行坐标框标注,得到所述关键帧图像的目标对象。
可选地,所述分析策略所选用的分析算法包括人脸识别算法、特征分析算法、周界警戒分析算法、行为分析算法和安全生产算法中的两种或两种以上的组合;
所述根据每一分析算法的算法规则分别对所述目标对象进行检测,包括:
采用所述人脸识别算法的算法规则对所述目标对象进行人脸识别,并根据识别结果读取所述目标对象的身份信息;
采用所述特征分析算法的算法规则对所述目标对象进行特征分析,并检测分析结果中是否存在特征违规行为;
采用所述周界警戒分析算法的算法规则对所述目标对象进行位置分析,并检测分析结果中是否存在位置违规行为;
采用所述行为分析算法的算法规则对所述目标对象进行行为分析,并检测分析结果中是否存在行为违规行为;
采用所述安全生产算法的算法规则对所述目标对象进行安全防护分析,并检测分析结果中是否存在安全违规行为。
可选地,所述将所述目标对象在各个算法规则下的检测结果进行组合后,得到所述告警事件的综合告警信息,包括:
判断对所述视频流进行告警分析时使用的分析策略中是否包括人脸识别算法;
若是,则提取所述人脸识别算法的检测结果中所述目标对象的身份信息,以及所述目标对象在除所述人脸识别算法外的其他检测结果中存在的违规行为,并将所述身份信息以及所述违规行为进行组合,得到所述告警事件的综合告警信息;
若否,则提取各个算法规则下的检测结果中存在的违规行为后进行组合,得到所述告警事件的综合告警信息。
本申请还提供了一种多算法智能分析装置,包括:
数据获取模块,用于获取待分析的告警事件及对应的视频流,并确定所述告警事件的事件类型、对所述视频流进行告警分析时使用的分析策略;其中,所述分析策略表征对所述视频流进行告警分析时所选用的多个分析算法;
目标框定模块,用于提取所述视频流中的关键帧图像,并按照所述告警事件的事件类型对所述关键帧图像进行目标框定,得到所述关键帧图像的目标对象;
目标检测模块,用于根据每一分析算法的算法规则分别对所述目标对象进行检测,得到所述目标对象在各个算法规则下的检测结果;
告警信息生成模块,用于将所述目标对象在各个算法规则下的检测结果进行组合后,得到所述告警事件的综合告警信息。
本申请还提供了一种存储介质,所述存储介质中存储有计算机可读指令,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行如上述实施例中任一项所述多算法智能分析方法的步骤。
本申请还提供了一种计算机设备,包括:一个或多个处理器,以及存储器;
所述存储器中存储有计算机可读指令,所述计算机可读指令被所述一个或多个处理器执行时,执行如上述实施例中任一项所述多算法智能分析方法的步骤。
从以上技术方案可以看出,本申请实施例具有以下优点:
本申请提供的一种多算法智能分析方法、装置、存储介质及计算机设备,在对视频流进行告警分析时,可以先获取待分析的告警事件及对应的视频流,并确定该告警事件的事件类型以及对视频流进行告警分析时使用的分析策略,其中,分析策略表征对视频流进行告警分析时所选用的多个分析算法,以此可以根据不同应用场景的视频流进行不同的多算法组合分析,从而提高多算法智能分析方法的适配性;接着可以提取视频流中的关键帧图像,并按照告警事件的事件类型对关键帧图像进行目标框定,得到关键帧图像的目标对象,这样可以缩小在对关键帧图像识别时的分析范围,减少无关因素的干扰,从而提高分析时的准确率和效率;在对目标对象进行目标框定后,可以根据每一分析算法的算法规则分别对目标对象进行检测,得到目标对象在各个算法规则下的检测结果,进而将目标对象在各个算法规则下的检测结果进行组合,得到告警事件的综合告警信息,以此可以实现多算法组合分析和事件要素叠加,从而产生一个完整信息的告警事件,以提高视频流在告警分析过程中的完整性和效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本申请实施例提供的一种多算法智能分析方法的流程示意图;
图2为本申请实施例提供的关键帧图像提取方法的流程示意图;
图3为本申请实施例提供的综合告警信息生成方法的流程示意图;
图4为本申请实施例提供的一种多算法智能分析装置的结构示意图;
图5为本申请实施例提供的一种计算机设备的的内部结构示意图。
具体实施方式
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做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。
随着信息化时代的发展,生物识别领域的影响力逐步扩大,其中视频智能分析技术的应用也越来越广泛,尤其是在一些需要进行安全管控的应用场景中,可以采用视频智能分析技术对摄像头采集到的视频流中的目标对象的行为进行告警分析,进而在该目标对象出现违规行为时进行告警,以达到保障安全的目的。
然而,目前视频智能分析技术采用的分析算法相互独立,在对同一告警事件的视频流进行分析时信息不共享,当视频智能分析技术采用多个分析算法对同一视频流进行不同方面的告警分析时,每一分析算法均需要对视频流进行抽帧和预处理等环节的操作后再进行相应的分析,因此各个分析算法在分析后得到的结果均为独立的事件信息,导致视频流在告警分析过程中的完整性和效率较低。
基于此,本申请提出了如下技术方案,具体参见下文:
S110:获取待分析的告警事件及对应的视频流,并确定告警事件的事件类型、对视频流进行告警分析时使用的分析策略;其中,分析策略表征对视频流进行告警分析时所选用的多个分析算法。
本步骤中,在对安全管控的应用场景进行告警分析时,可以先从该应用场景中获取待分析的告警事件以及对应的视频流,接着可以结合应用场景确定该告警事件的事件类型,并确定对视频流进行告警分析时需要使用的分析策略。
可以理解的是,这里的分析策略表征对视频流进行告警分析时所选用的多个分析算法,此处可以根据不同应用场景的视频流进行不同的多算法组合分析,从而提高多算法智能分析方法的适配性;而告警事件包括了事件发生的时间、地点和类型等基础信息,在确定待分析的告警事件后,可以从对应的监控系统中获取到对应时间段的视频流,接着可以结合应用场景确定该告警事件的事件类型,这里事件类型指的是分析人员预先根据分析内容对告警事件进行分类后存储的事件类型,这里可以结合应用场景判断告警事件属于哪一类型的事件,例如人员入侵、车辆入侵、安全异常或操作异常等事件类型。
举例来说,在对停车场的视频流进行告警分析时,可以先确定该停车场的告警事件,进而根据告警事件中的监控摄像头的编号、位置和时间范围等信息,以便从停车场监控系统中获取停车场入口处的视频流数据,接着可以根据停车场安全管控的要求将该告警事件的事件类型确认为车辆入侵,进而确定对视频流进行告警分析时需要使用的分析策略。
进一步地,本申请中用于告警分析的视频流可以是监控系统中任一历史时间段的视频流数据,也可以是监控系统中实时采集到的视频流数据,在此不做限制。
S120:提取视频流中的关键帧图像,并按照告警事件的事件类型对关键帧图像进行目标框定,得到关键帧图像的目标对象。
本步骤中,通过步骤S110获取到视频流以及告警事件的事件类型后,可以提取该视频流中的关键帧图像,接着可以按照告警事件的事件类型确定待分析的对象,并根据该待分析的对象在关键帧图像中进行目标框定,从而得到关键帧图像的目标对象,以此可以缩小在对关键帧图像识别时的分析范围,减少了无关因素的干扰,从而提高分析时的准确率和效率。
举例来说,在对停车场的视频流进行告警分析时,若该视频流的事件类型为人员入侵时,则待分析的对象为人员,在提取出该视频流中的关键帧图像后,可以对关键帧图像中的人员进行目标框定;若该视频流的事件类型为车辆入侵时,则待分析的对象为车辆,在提取出该视频流中的关键帧图像后,可以对关键帧图像中的车辆进行目标框定。
S130:根据每一分析算法的算法规则分别对目标对象进行检测,得到目标对象在各个算法规则下的检测结果。
本步骤中,通过步骤S120得到关键帧图像的目标对象后,可以根据分析策略中每一分析算法的算法规则分别对目标对象进行分析,进而根据每一分析结果检测关键帧图像的目标对象是否存在违规行为,以此得到目标对象在各个算法规则下的检测结果。
可以理解的是,这里的各个分析算法可以直接对关键帧图像框定的目标对象进行检测,不需要对关键帧图像进行进一步的处理,以此可以提高目标对象的检测效率,并且,在检测过程中,各个分析算法可以同步对目标对象进行检测,进而可以缩减多个分析算法在对同一关键帧图像中目标对象检测时消耗的时间。
S140:将目标对象在各个算法规则下的检测结果进行组合后,得到告警事件的综合告警信息。
本步骤中,通过步骤S130得到目标对象在各个算法规则下的检测结果后,可以获取将目标对象在各个算法规则下的检测结果,并将每一检测结果中需要进行告警的信息提取出来并进行组合,从而得到告警事件的综合告警信息。
可以理解的是,由于本申请中每一算法规则下的检测对象为同一关键帧图像中目标对象,因此可以将各个算法规则下的检测结果中存在的违规行为进行组合,得到告警事件的综合告警信息,以此可以实现多算法组合分析和事件要素叠加,从而产生一个完整信息的告警事件,以提高视频流在告警分析过程中的完整性和效率。
上述实施例中,在对视频流进行告警分析时,可以先获取待分析的告警事件及对应的视频流,并确定该告警事件的事件类型以及对视频流进行告警分析时使用的分析策略,其中,分析策略表征对视频流进行告警分析时所选用的多个分析算法,以此可以根据不同应用场景的视频流进行不同的多算法组合分析,从而提高多算法智能分析方法的适配性;接着可以提取视频流中的关键帧图像,并按照告警事件的事件类型对关键帧图像进行目标框定,得到关键帧图像的目标对象,这样可以缩小在对关键帧图像识别时的分析范围,减少无关因素的干扰,从而提高分析时的准确率和效率;在对目标对象进行目标框定后,可以根据每一分析算法的算法规则分别对目标对象进行检测,得到目标对象在各个算法规则下的检测结果,进而将目标对象在各个算法规则下的检测结果进行组合,得到告警事件的综合告警信息,以此可以实现多算法组合分析和事件要素叠加,从而产生一个完整信息的告警事件,以提高视频流在告警分析过程中的完整性和效率。
在一个实施例中,步骤S110中确定对视频流进行告警分析时使用的分析策略,可以包括:
S111:判断视频流是否预先设置有多个分析算法;若是,则执行S112,若否,则执行S113。
S112:选用预先设置的多个分析算法,作为视频流进行告警分析时使用的分析策略。
S113:获取视频流的生成地址,并读取生成地址在上一次进行告警分析时所选用的多个分析算法,作为视频流进行告警分析时使用的分析策略。
本实施例中,在确定视频流使用的分析策略时,若分析人员预先为该视频流设置了多个分析算法,则可以直接获取分析人员预先设置的多个分析算法,作为视频流进行告警分析时使用的分析策略;若分析人员没有预先为该视频流设置分析算法,则可以获取视频流的生成地址,并读取生成地址在上一次进行告警分析时所选用的多个分析算法,作为视频流进行告警分析时使用的分析策略。
可以理解的是,视频流的生成地址指的是视频流的采集来源,即监控系统中对应的监控终端,因此,在没有特殊的情况下,同一生成地址对应的监控终端采集的视频流数据的应有场景、拍摄角度和事件类型一致,因此在进行告警分析时,同一生成地址的视频流采用的分析算法一致。
具体地,当生成地址对应的视频流初次进行告警分析时,分析人员可以先根据视频流的告警事件预先设置需要使用的多个分析算法,作为视频流进行告警分析时使用的分析策略,后续再次对该生成地址的其他视频流进行告警分析时,便可以直接读取生成地址在上一次进行告警分析时所选用的多个分析算法,作为视频流进行告警分析时使用的分析策略。进一步地,当需要对该生成地址的分析算法进行调整时,在新一轮的告警分析前,分析人员可以提前设置调整后的多个分析算法,这样在告警分析时可以作为待分析的视频流优先选择的分析策略,以此实现对生成地址的分析策略的调整。
在一个实施例中,如图2所示,图2为本申请实施例提供的关键帧图像提取方法的流程示意图;在图2中,步骤S120提取视频流中的关键帧图像,可以包括:
S121:对视频流进行解码,生成视频画面。
S122:根据预设时间间隔对视频画面进行抽帧,得到格式化图像。
S123:对格式化图像进行图灰度处理、二进制处理以及尺寸调整处理,得到关键帧图像。
本实施例中,在获取到待告警分析的视频流后,可以对视频流进行解码,以将视频流中的压缩数据解码为可视化的视频画面,接着可以根据预设事件间隔对视频画面进行抽帧,得到格式化图像,最后可以对格式化图像进行预处理,得到关键帧图像,在这里的预处理包括但不限于图灰度处理、二进制处理以及尺寸调整处理。
可以理解的是,由于对视频流解析得到的视频画面数据量比较大,直接对其进行告警分析将导致分析的效率和准确率较低,因此可以将连续的视频画面转换为离散的格式化图像,并根据预设时间间隔对视频画面进行抽帧,从而去除视频画面中的冗余信息,提高告警分析时准确率和效率。
需要说明的是,预设时间间隔可以根据应用场景的安全管控的等级来设置,当等级越高时,预设时间间隔可以设置相对短一些,例如5秒、10秒或15秒等,当等级越低时,预设时间间隔可以设置相对长一些,例如1分钟、5分钟或10分钟等。在根据预设时间间隔对视频画面进行抽帧时,可以采用ffmpeg进行抽帧、也可以采用matlab进行抽帧,还可以采用opencv进行抽帧,在此不做限制。
另外,本申请对格式化图像的预处理包括但不限于图灰度处理、二进制处理以及尺寸调整处理。其中,图灰度处理指的是让格式化图像的像素点矩阵中的每一个像素点都满足下面的关系:R=G=B,即红色变量的值、绿色变量的值与蓝色变量的值均相等,该处理公式如下:
灰度化后的R=处理前的R*0.3+处理前的G*0.59+处理前的B*0.11;
灰度化后的G=处理前的R*0.3+处理前的G*0.59+处理前的B*0.11;
灰度化后的B=处理前的R*0.3+处理前的G*0.59+处理前的B*0.11。
由此进行灰度化后的格式化图像,可以快速确定边界,进而对待分析的目标对象进行目标框定。
二进制处理指的是让格式化图像的像素点矩阵中的每个像素点的灰度值为0(黑色)或者255(白色),也就是让整个图像呈现只有黑和白的效果,在灰度化的格式化图像中灰度值的范围为0~255,而在二值化后的图像中的灰度值范围是0或者255。
尺寸调整处理包括了缩放处理、旋转或平移处理。其中,缩放处理指的是对格式化图像进行大小调整,在格式化图像的数据量过大或过小时,可以通过扩大或缩小检测区域,来增加或减少数据的处理量;而旋转或平移处理指的是当格式化图像位置不正或形状不合适时,可以通过旋转或平移,使之处于更加易于被算法检测到的状态。
在一个实施例中,步骤S121中对视频流进行解码,生成实时视频画面,可以包括:
S1211:读取视频流的编码格式。
S1212:调用与编码格式对应的视频解码器对视频流进行解码,生成视频画面。
本实施例中,由于不同编码格式的视频流在解码时采用的解码器不同,因此在对视频流进行解码时,可以先读取视频流的编码格式,进而可以调用与该编码格式对应的视频解码器对视频流进行解码,生成视频画面。
可以理解的是,监控终端在采集到视频画面后,通常会将视频画面压缩为视频流,其中压缩的编码格式有多种,如H.264、MPEG-4、MJPEG等格式,因此在对视频流进行解码时,需要根据其编码格式调用相应的解码器,对视频流中的压缩数据进行解码,还原为可视化的视频画面。
举例来说,MPEG解码器为一种常见的视频解码器,支持MPEG-1、MPEG-2、MPEG-4等多种MPEG格式的视频解码;H.264解码器为一种高效的视频解码器,支持AVC、MP4、MOV、FLV等多种视频格式的解码;HEVC解码器为一种新型的视频解码器,支持H.265、HEVC、MKV等多种视频格式的解码;VP9解码器为一种开源的视频解码器,支持WebM、VP9等多种视频格式的解码。
在一个实施例中,步骤S120中按照告警事件的事件类型对关键帧图像进行目标框定,得到关键帧图像的目标对象,可以包括:
S124:根据告警事件的事件类型确定视频流的分析对象。
S125:基于分析对象对关键帧图像进行目标识别,并对识别到的分析对象进行坐标框标注,得到关键帧图像的目标对象。
本实施例中,在对关键帧图像进行目标框定时,可以先根据告警事件的事件类型确定视频流的分析对象,进而可以以该分析对象为识别目标对关键帧图像进行目标识别,以将在关键帧图像中识别到的分析对象的位置进行坐标框标注,从而得到关键帧图像的目标对象。
具体地,在对关键帧图像进行目标框定时,可以通过预先训练的目标检测模型对关键帧图像进行目标框定,本申请为了进一步缩短检测时间,并提高检测效率,可以根据不同事件类型对应的分析对象预先训练预设的初始检测模型,并在将训练好的各个初始检测模型确定为各个事件类型对应的目标检测模型后进行存储,在需要对关键帧图像进行目标框定时,可以直接使用对应的目标检测模型对分析对象进行位置识别和坐标框标注,从而得到关键帧图像的目标对象。其中,目标检测模型可以选择基于深度学习的目标检测模型,例如Faster R-CNN、YOLO、SSD等,也可以选择基于传统机器学习的目标检测模型,例如SVM、HOG、Haar等,本申请在此不做限制。
在一个实施例中,步骤S130中根据每一分析算法的算法规则分别对目标对象进行检测,可以包括:
S131:采用人脸识别算法的算法规则对目标对象进行人脸识别,并根据识别结果读取目标对象的身份信息。
S132:采用特征分析算法的算法规则对目标对象进行特征分析,并检测分析结果中是否存在特征违规行为。
S133:采用周界警戒分析算法的算法规则对目标对象进行位置分析,并检测分析结果中是否存在位置违规行为。
S134:采用行为分析算法的算法规则对目标对象进行行为分析,并检测分析结果中是否存在行为违规行为。
S135:采用安全生产算法的算法规则对目标对象进行安全防护分析,并检测分析结果中是否存在安全违规行为。
本实施例中,在确定关键帧图像的目标对象以及使用的分析策略后,可以根据分析策略中对应的每一个分析算法的算法规则分别对目标对象进行检测,进而得到目标对象在每一算法规则下的检测结果,这里分析策略所选用的分析算法包括人脸识别算法、特征分析算法、周界警戒分析算法、行为分析算法和安全生产算法中的两种或两种以上的组合。
可以理解的是,对于同一个目标对象,可能需要对其进行多方面的违规行为检测,因此需要将各个方面对应的分析算法进行组合并对目标对象进行分析,在此各个分析算法在分析过程中互不干扰,因此可以同步进行分析,以提高分析效率,进而得到该目标对象在各个方面上的违规行为的检测结果。
举例来说,当需要对停车场的安全管控进行告警分析时,使用的分析策略可以包括特征分析算法、周界警戒分析算法和安全生产算法;当需要对大型工厂的安全管控进行告警分析时,使用的分析策略可以包括人脸识别算法、特征分析算法和行为分析算法;当需要对企业前台的安全管控进行告警分析时,使用的分析策略可以包括人脸识别算法、周界警戒分析算法和行为分析算法。
具体地,人脸识别算法指的是对目标对象进行人脸识别,并根据识别结果从分析人员预先存储在分析系统中的人员信息表中读取该目标对象的身份信息;特征分析算法指的是对目标对象进行特征分析,并检测分析结果中是否存在特征违规行为,该特征分析包括但不限于分析人员的首饰佩戴、穿着、服装颜色进行分析,以及车辆的车牌、颜色、品牌;周界警戒分析算法指的是对目标对象进行位置分析,并检测分析结果中是否存在位置违规行为,该位置分析包括但不限于车辆违停、区域入侵、人员越界、翻墙攀爬;行为分析算法指的是对目标对象进行行为分析,并检测分析结果中是否存在行为违规行为,该行为分析包括但不限于人员摔倒、打架斗殴、人员聚众、抽烟、睡岗、离岗;安全生产算法指的是对目标对象进行安全防护分析,并检测分析结果中是否存在安全违规行为,该安全防护分析包括但不限于安全帽佩戴、安全服穿戴、安全带佩戴、火焰报警、烟雾报警、消防设施。
需要说明的是,本申请提供的多算法智能分析方法,可以应用于公共安全维护领域,示例如,可以应用于企业及小区等公共安全场所,为企业人员及小区住户的安全提供一定的保障。在使用本申请时,可以在具体的应用场合中,设立指示标志,以提醒用户在使用本申请的多算法智能分析方法时,会采集人体生物特征,如人脸识别算法,进而可以在获得用户授权的情况下,合法的采集用户的人体生物特征,以实现本申请的多算法智能分析方法。
在一个实施例中,如图3所示,图3为本申请实施例提供的综合告警信息生成方法的流程示意图;图3中,步骤S140将目标对象在各个算法规则下的检测结果进行组合后,得到告警事件的综合告警信息,可以包括:
S141:判断对视频流进行告警分析时使用的分析策略中是否包括人脸识别算法;若是,则执行步骤S142,若否,则执行步骤S143。
S142:提取人脸识别算法的检测结果中目标对象的身份信息,以及目标对象在除人脸识别算法外的其他检测结果中存在的违规行为,并将身份信息以及违规行为进行组合,得到告警事件的综合告警信息。
S143:提取各个算法规则下的检测结果中存在的违规行为后进行组合,得到告警事件的综合告警信息。
本实施例中,若对视频流进行告警分析时使用的分析策略中包括人脸识别算法,则可以提取人脸识别算法的检测结果中目标对象的身份信息,以及目标对象在除人脸识别算法外的其他检测结果中存在的违规行为,并将身份信息以及违规行为进行组合,得到告警事件的综合告警信息,若对视频流进行告警分析时使用的分析策略中不包括人脸识别算法,则可以提取各个算法规则下的检测结果中存在的违规行为后进行组合,得到告警事件的综合告警信息。
可以理解的是,本申请的提供的多算法智能分析方法中,采用的分析算法主要表现为检测目标对象在各个方面上的行为是否为违规行为,但在目标对象为人员时,需要对其进行安全管控检测,此时可以采用人脸识别算法辅助检测,以便在检测到该目标对象存在违规行为时可以迅速获取到其对应的身份信息,并在必要时能够及时对该目标对象进行告警,避免造成安全事故。
因此,当视频流进行告警分析时使用的分析策略中包括人脸识别算法时,可以先单独提取出人脸识别算法对应的检测结果,接着提取在除人脸识别算法外的其他检测结果中存在的违规行为,以减少冗杂信息,以便后续的查询和浏览,最后可以将身份信息以及违规行为进行组合,得到告警事件的综合告警信息,以此可以实现在同一应用场景下多算法组合分析和事件要素叠加,从而产生一个完整信息的告警事件,以提高视频流在告警分析过程中的完整性和效率。
下面对本申请实施例提供的多算法智能分析装置进行描述,下文描述的多算法智能分析装置与上文描述的多算法智能分析方法可相互对应参照。
在一个实施例中,如4所示,图4为本申请实施例提供的一种多算法智能分析装置的结构示意图;本申请还提供了一种多算法智能分析装置,包括数据获取模块210、目标框定模块220、目标检测模块230和告警信息生成模块240,具体包括如下:
数据获取模块210,用于获取待分析的告警事件及对应的视频流,并确定告警事件的事件类型、对视频流进行告警分析时使用的分析策略;其中,分析策略表征对视频流进行告警分析时所选用的多个分析算法。
目标框定模块220,用于提取视频流中的关键帧图像,并按照告警事件的事件类型对关键帧图像进行目标框定,得到关键帧图像的目标对象。
目标检测模块230,用于根据每一分析算法的算法规则分别对目标对象进行检测,得到目标对象在各个算法规则下的检测结果。
告警信息生成模块240,用于将目标对象在各个算法规则下的检测结果进行组合后,得到告警事件的综合告警信息。
上述实施例中,在对视频流进行告警分析时,可以先获取待分析的告警事件及对应的视频流,并确定该告警事件的事件类型以及对视频流进行告警分析时使用的分析策略,其中,分析策略表征对视频流进行告警分析时所选用的多个分析算法,以此可以根据不同应用场景的视频流进行不同的多算法组合分析,从而提高多算法智能分析方法的适配性;接着可以提取视频流中的关键帧图像,并按照告警事件的事件类型对关键帧图像进行目标框定,得到关键帧图像的目标对象,这样可以缩小在对关键帧图像识别时的分析范围,减少无关因素的干扰,从而提高分析时的准确率和效率;在对目标对象进行目标框定后,可以根据每一分析算法的算法规则分别对目标对象进行检测,得到目标对象在各个算法规则下的检测结果,进而将目标对象在各个算法规则下的检测结果进行组合,得到告警事件的综合告警信息,以此可以实现多算法组合分析和事件要素叠加,从而产生一个完整信息的告警事件,以提高视频流在告警分析过程中的完整性和效率。
在一个实施例中,数据获取模块210可以包括:
算法判断子模块,用于判断视频流是否预先设置有多个分析算法。
第一策略选用子模块,用于选用预先设置的多个分析算法,作为视频流进行告警分析时使用的分析策略。
第二策略选用子模块,用于获取所述视频流的生成地址,并读取所述生成地址在上一次进行告警分析时所选用的多个分析算法,作为所述视频流进行告警分析时使用的分析策略。
在一个实施例中,目标框定模块220可以包括:
视频流解码子模块,用于对视频流进行解码,生成视频画面。
画面抽帧子模块,用于根据预设时间间隔对视频画面进行抽帧,得到格式化图像。
图像预处理子模块,用于对格式化图像进行图灰度处理、二进制处理以及尺寸调整处理,得到关键帧图像。
在一个实施例中,视频流解码子模块可以包括:
格式读取单元,用于读取视频流的编码格式。
解码器调用单元,用于调用与编码格式对应的视频解码器对视频流进行解码,生成视频画面。
在一个实施例中,目标框定模块220还可以包括:
分析对象确定子模块,用于根据告警事件的事件类型确定视频流的分析对象。
目标对象标注子模块,用于基于分析对象对关键帧图像进行目标识别,并对识别到的分析对象进行坐标框标注,得到分析图像数据的目标对象。
在一个实施例中,目标检测模块230可以包括:
人脸识别子模块,用于采用人脸识别算法的算法规则对目标对象进行人脸识别,并根据识别结果读取目标对象的身份信息。
特征检测子模块,用于采用特征分析算法的算法规则对目标对象进行特征分析,并检测分析结果中是否存在特征违规行为。
位置检测子模块,用于采用周界警戒分析算法的算法规则对目标对象进行位置分析,并检测分析结果中是否存在位置违规行为。
行为检测子模块,用于采用行为分析算法的算法规则对目标对象进行行为分析,并检测分析结果中是否存在行为违规行为。
安全检测子模块,用于采用安全生产算法的算法规则对目标对象进行安全防护分析,并检测分析结果中是否存在安全违规行为。
在一个实施例中,告警信息生成模块240可以包括:
策略判断子模块,用于判断对视频流进行告警分析时使用的分析策略中是否包括人脸识别算法。
第一组合子模块,用于提取人脸识别算法的检测结果中目标对象的身份信息,以及目标对象在除人脸识别算法外的其他检测结果中存在的违规行为,并将身份信息以及违规行为进行组合,得到告警事件的综合告警信息。
第二组合子模块,用于提取各个算法规则下的检测结果中存在的违规行为后进行组合,得到告警事件的综合告警信息。
在一个实施例中,本申请还提供了一种存储介质,所述存储介质中存储有计算机可读指令,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行如上述实施例中任一项所述多算法智能分析方法的步骤。
在一个实施例中,本申请还提供了一种计算机设备,所述计算机设备中存储有计算机可读指令,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行如上述实施例中任一项所述多算法智能分析方法的步骤。
示意性地,如图5所示,图5为本申请实施例提供的一种计算机设备的内部结构示意图,该计算机设备300可以被提供为一服务器。参照图5,计算机设备300包括处理组件302,其进一步包括一个或多个处理器,以及由存储器301所代表的存储器资源,用于存储可由处理组件302的执行的指令,例如应用程序。存储器301中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件302被配置为执行指令,以执行上述任意实施例的多算法智能分析方法。
计算机设备300还可以包括一个电源组件303被配置为执行计算机设备300的电源管理,一个有线或无线网络接口304被配置为将计算机设备300连接到网络,和一个输入输出(I/O)接口305。计算机设备300可以操作基于存储在存储器301的操作系统,例如WindowsServer TM、Mac OS XTM、Unix TM、Linux TM、Free BSDTM或类似。
本领域技术人员可以理解,图5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。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者设备不仅包括那些要素,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、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间可以根据需要进行组合,且相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种多算法智能分析方法,其特征在于,所述方法包括:
获取待分析的告警事件及对应的视频流,并确定所述告警事件的事件类型、对所述视频流进行告警分析时使用的分析策略;其中,所述分析策略表征对所述视频流进行告警分析时所选用的多个分析算法;
提取所述视频流中的关键帧图像,并按照所述告警事件的事件类型对所述关键帧图像进行目标框定,得到所述关键帧图像的目标对象;
根据每一分析算法的算法规则分别对所述目标对象进行检测,得到所述目标对象在各个算法规则下的检测结果;
将所述目标对象在各个算法规则下的检测结果进行组合后,得到所述告警事件的综合告警信息。
2.根据权利要求1所述的多算法智能分析方法,其特征在于,所述确定对所述视频流进行告警分析时使用的分析策略,包括:
判断所述视频流是否预先设置有多个分析算法;
若是,则选用预先设置的多个分析算法,作为所述视频流进行告警分析时使用的分析策略;
若否,则获取所述视频流的生成地址,并读取所述生成地址在上一次进行告警分析时所选用的多个分析算法,作为所述视频流进行告警分析时使用的分析策略。
3.根据权利要求1所述的多算法智能分析方法,其特征在于,所述提取所述视频流中的关键帧图像,包括:
对所述视频流进行解码,生成视频画面;
根据预设时间间隔对所述视频画面进行抽帧,得到格式化图像;
对所述格式化图像进行图灰度处理、二进制处理以及尺寸调整处理,得到关键帧图像。
4.根据权利要求3所述的多算法智能分析方法,其特征在于,所述对所述视频流进行解码,生成视频画面,包括:
读取所述视频流的编码格式;
调用与所述编码格式对应的视频解码器对所述视频流进行解码,生成视频画面。
5.根据权利要求1所述的多算法智能分析方法,其特征在于,所述按照所述告警事件的事件类型对所述关键帧图像进行目标框定,得到所述关键帧图像的目标对象,包括:
根据所述告警事件的事件类型确定所述视频流的分析对象;
基于所述分析对象对所述关键帧图像进行目标识别,并对识别到的分析对象进行坐标框标注,得到所述关键帧图像的目标对象。
6.根据权利要求1所述的多算法智能分析方法,其特征在于,所述分析策略所选用的分析算法包括人脸识别算法、特征分析算法、周界警戒分析算法、行为分析算法和安全生产算法中的两种或两种以上的组合;
所述根据每一分析算法的算法规则分别对所述目标对象进行检测,包括:
采用所述人脸识别算法的算法规则对所述目标对象进行人脸识别,并根据识别结果读取所述目标对象的身份信息;
采用所述特征分析算法的算法规则对所述目标对象进行特征分析,并检测分析结果中是否存在特征违规行为;
采用所述周界警戒分析算法的算法规则对所述目标对象进行位置分析,并检测分析结果中是否存在位置违规行为;
采用所述行为分析算法的算法规则对所述目标对象进行行为分析,并检测分析结果中是否存在行为违规行为;
采用所述安全生产算法的算法规则对所述目标对象进行安全防护分析,并检测分析结果中是否存在安全违规行为。
7.根据权利要求1或6所述的多算法智能分析方法,其特征在于,所述将所述目标对象在各个算法规则下的检测结果进行组合后,得到所述告警事件的综合告警信息,包括:
判断对所述视频流进行告警分析时使用的分析策略中是否包括人脸识别算法;
若是,则提取所述人脸识别算法的检测结果中所述目标对象的身份信息,以及所述目标对象在除所述人脸识别算法外的其他检测结果中存在的违规行为,并将所述身份信息以及所述违规行为进行组合,得到所述告警事件的综合告警信息;
若否,则提取各个算法规则下的检测结果中存在的违规行为后进行组合,得到所述告警事件的综合告警信息。
8.一种多算法智能分析装置,其特征在于,包括:
数据获取模块,用于获取待分析的告警事件及对应的视频流,并确定所述告警事件的事件类型、对所述视频流进行告警分析时使用的分析策略;其中,所述分析策略表征对所述视频流进行告警分析时所选用的多个分析算法;
目标框定模块,用于提取所述视频流中的关键帧图像,并按照所述告警事件的事件类型对所述关键帧图像进行目标框定,得到所述关键帧图像的目标对象;
目标检测模块,用于根据每一分析算法的算法规则分别对所述目标对象进行检测,得到所述目标对象在各个算法规则下的检测结果;
告警信息生成模块,用于将所述目标对象在各个算法规则下的检测结果进行组合后,得到所述告警事件的综合告警信息。
9.一种存储介质,其特征在于:所述存储介质中存储有计算机可读指令,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行如权利要求1至7中任一项所述多算法智能分析方法的步骤。
10.一种计算机设备,其特征在于,包括:一个或多个处理器,以及存储器;
所述存储器中存储有计算机可读指令,所述计算机可读指令被所述一个或多个处理器执行时,执行如权利要求1至7中任一项所述多算法智能分析方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310985442.5A CN116994183A (zh) | 2023-08-07 | 2023-08-07 | 一种多算法智能分析方法、装置、存储介质及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310985442.5A CN116994183A (zh) | 2023-08-07 | 2023-08-07 | 一种多算法智能分析方法、装置、存储介质及计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116994183A true CN116994183A (zh) | 2023-11-03 |
Family
ID=88521086
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310985442.5A Pending CN116994183A (zh) | 2023-08-07 | 2023-08-07 | 一种多算法智能分析方法、装置、存储介质及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116994183A (zh) |
-
2023
- 2023-08-07 CN CN202310985442.5A patent/CN116994183A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107679471B (zh) | 基于视频监控平台的室内人员空岗检测方法 | |
CN102859565B (zh) | 用于安全系统恶意干扰检测的方法与系统 | |
WO2016184431A1 (zh) | 一种基于本地计算的视频监控方法及其终端 | |
WO2010030816A2 (en) | Long-term memory in a video analysis system | |
KR20200058260A (ko) | 객체 이미지 인식 dcnn 기반 cctv 영상분석장치 및 그 장치의 구동방법 | |
CN101163234A (zh) | 利用数据处理装置进行模式识别和图像监控的实现方法 | |
CN111767823A (zh) | 一种睡岗检测方法、装置、系统及存储介质 | |
CN111539272B (zh) | 基于联合特征被动检测ai换脸视频的方法及系统 | |
CN108230607B (zh) | 一种基于区域特征分析的图像火灾探测方法 | |
CN107426533A (zh) | 一种基于视频加密压缩和影像识别的视频监控影像识别系统 | |
CN107222660A (zh) | 一种分布式网络视觉监控系统 | |
CN101299269A (zh) | 静止场景的标定方法及装置 | |
US20220122360A1 (en) | Identification of suspicious individuals during night in public areas using a video brightening network system | |
KR102127276B1 (ko) | 복수의 고해상도 카메라들을 이용한 파노라마 영상 감시 시스템 및 그 방법 | |
CN113887445A (zh) | 一种视频中驻足和徘徊行为识别方法及系统 | |
JP2011076316A (ja) | 群衆監視装置および方法ならびにプログラム | |
CN108460319B (zh) | 异常人脸检测方法及装置 | |
CN116246416A (zh) | 一种用于安防的智能分析预警平台及方法 | |
CN107920224B (zh) | 一种异常告警方法、设备及视频监控系统 | |
CN110677619A (zh) | 一种智能监控视频处理方法 | |
KR20200060868A (ko) | 객체 탐지 및 자동 추적이 가능한 다시점 영상 감시 시스템 | |
CN116778673A (zh) | 水域安全监控方法、系统、终端及存储介质 | |
CN116994183A (zh) | 一种多算法智能分析方法、装置、存储介质及计算机设备 | |
CN114187666B (zh) | 边走路边看手机的识别方法及其系统 | |
CN113537165B (zh) | 一种行人打闹的检测方法和系统 |
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 |