CN117152890B - 指定区域监控方法、系统和终端 - Google Patents
指定区域监控方法、系统和终端 Download PDFInfo
- Publication number
- CN117152890B CN117152890B CN202310285292.7A CN202310285292A CN117152890B CN 117152890 B CN117152890 B CN 117152890B CN 202310285292 A CN202310285292 A CN 202310285292A CN 117152890 B CN117152890 B CN 117152890B
- Authority
- CN
- China
- Prior art keywords
- detection
- designated area
- probability
- detected
- frame
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 102
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000001514 detection method Methods 0.000 claims abstract description 158
- 230000035945 sensitivity Effects 0.000 claims abstract description 25
- 238000004590 computer program Methods 0.000 claims description 9
- 230000000007 visual effect Effects 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000006978 adaptation Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 10
- 238000012806 monitoring device Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 10
- 238000000605 extraction Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 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
- 238000004891 communication Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- 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
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
- G06V10/225—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition based on a marking or identifier characterising the area
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- 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
-
- 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
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/02—Mechanical actuation
- G08B13/12—Mechanical actuation by the breaking or disturbance of stretched cords or wires
- G08B13/122—Mechanical actuation by the breaking or disturbance of stretched cords or wires for a perimeter fence
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
- G08B13/189—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems
- G08B13/194—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems
- G08B13/196—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems using television cameras
- G08B13/19602—Image analysis to detect motion of the intruder, e.g. by frame subtraction
- G08B13/19606—Discriminating between target movement or movement in an area of interest and other non-signicative movements, e.g. target movements induced by camera shake or movements of pets, falling leaves, rotating fan
Abstract
本申请提供一种指定区域监控方法、系统和终端,包括以下步骤:获取监控画面中待检测目标的检测概率;初始化检测参数;所述检测参数包括第一预设阈值和检测灵敏度;基于所述检测概率和所述第一预设阈值计算指定区域判决门限;基于所述检测概率和所述检测灵敏度计算多帧联合检测值;将所述多帧联合检测值与所述指定区域判决门限进行比较,以输出判决结果。本申请满足了用户对指定区域的视频监控需求;最大程度上减少了人为干预,实现了指定区域监控判决门限的自适应调整;改进了市面上主流电子围栏硬件设备过多和铺设过程复杂的技术问题。
Description
技术领域
本申请属于检测监控技术领域,涉及一种指定区域监控方法、系统和终端。
背景技术
日常生产和生活中,高空坠物伤人事件时有发生,在一些工程施工现场或其他有可能坠落物体的区域,往往通过设置围栏组织人或宠物进入标记好的危险区域。但传统围栏存在拦截威力较小、入侵报警响应不及时等问题,电子围栏通常需要现场铺设大量设备,成本高且操作繁复。视频监控因为其内容丰富、涵盖面广和实时性强等优点,成为保护人民生命财产安全和维护社会治安的重要工具。
以往的人工智能图像的检测对象是整幅图像,在一幅图里首先定位出目标的边界框,再识别出边界框内物体的类别和位置。该类目标检测方法不能满足指定区域的视频监控需求,即无法判断某一类被监控目标是否出现在视频中指定的指定区域内。
基于视频监控的虚拟电子围栏可用于代替传统物理围栏或电子光幕围栏,对进入危险区域的人或宠物及时进行报警威慑。虚拟电子围栏指在视频中选定区域禁止某类物体进出,以视频中的虚拟边界代替传统的物理边界,具有降低成本、减少设备铺设和安全系数高等优点。但在一些典型应用中,要求只针对局部特定区域进行检测,无法自适应地调整监控策略。
发明内容
本申请的目的在于提供一种指定区域监控方法、系统和终端,用于解决现有技术无法实现指定区域的视频监控技术问题。
第一方面,本申请提供一种指定区域监控方法,包括以下步骤:
获取监控画面中待检测目标的检测概率;
初始化检测参数;所述检测参数包括第一预设阈值和检测灵敏度;
基于所述检测概率和所述第一预设阈值计算指定区域判决门限;
基于所述检测概率和所述检测灵敏度计算多帧联合检测值;
将所述多帧联合检测值与所述指定区域判决门限进行比较,以输出判决结果。
在第一方面的一种实现方式中,获取监控画面中待检测目标的检测概率包括:
获取待检测目标的分类概率;
获取待检测目标的检测框出现在指定区域的概率。
在第一方面的一种实现方式中,获取待检测目标的检测框出现在指定区域的概率包括以下步骤:
获取检测框的面积;
获取所述检测框与指定区域的重叠面积;
计算所述重叠面积与所述检测框的面积比值,并将所述比值作为所述待检测目标的检测框出现在指定区域的概率。
在第一方面的一种实现方式中,基于所述检测概率和所述第一预设阈值计算指定区域判决门限包括采用公式计算所述指定区域判决门限;其中/>为待检测目标的分类概率均值,αT为所述第一预设阈值,DT为所述指定区域判决门限。
在第一方面的一种实现方式中,基于所述检测概率和所述检测灵敏度计算多帧联合检测值包括采用公式计算所述多帧联合检测值;其中p为待检测目标的分类概率,α为待检测目标的检测框出现在指定区域的概率,N为总体样本量,M为所述检测灵敏度,/>为所述多帧联合检测值。
在第一方面的一种实现方式中,还包括以下步骤:
获取待检测目标的标准误差;
基于所述标准误差与所述检测概率更新指定区域判决门限。
第二方面,本申请提供一种指定区域监控系统,所述系统包括:
数据获取模块,用于获取监控画面中待检测目标的检测概率;
初始化模块,用于初始化检测参数;所述检测参数包括第一预设阈值和检测灵敏度;
门限值获取模块,用于基于所述检测概率和所述第一预设阈值计算指定区域判决门限;
检测值获取模块,用于基于所述检测概率和所述检测灵敏度计算多帧联合检测值;
判决模块,用于将所述多帧联合检测值与所述指定区域判决门限进行比较,以输出判决结果。
在第二方面的一种实现方式中,所述系统还包括自适应模块;所述自适应模块包括:
获取单元,用于获取待检测目标的标准误差;
更新单元,用于基于所述标准误差与所述检测概率更新指定区域判决门限。
第三方面,本申请提供一种指定区域监控终端,包括:处理器及存储器;
所述存储器用于存储计算机程序;
所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行上述的指定区域监控方法。
第四方面,本申请提供一种指定区域监控系统,包括上述的指定区域监控终端、UPS电源、监控摄像头、声光报警器和计算机。
如上所述,本申请所述的指定区域监控方法、系统和终端,具有以下有益效果:
(1)满足了用户对指定区域的视频监控需求;
(2)最大程度上减少了人为干预,实现了指定区域监控判决门限的自适应调整;
(3)改进了市面上主流电子围栏硬件设备过多和铺设过程复杂的技术问题。
附图说明
图1显示为本申请的指定区域监控方法于一实施例中的流程图。
图2显示为本申请的指定区域监控方法于一实施例中的待检测目标的检测框与指定区域重叠时的结构示意图。
图3显示为本申请的指定区域监控方法于另一实施例中的流程图。
图4显示为本申请的指定区域监控系统于一实施例中的结构示意图。
图5显示为本申请的指定区域监控系统于另一实施例中的结构示意图。
图6显示为本申请的指定区域监控终端于一实施例中的结构示意图。
图7显示为本申请的指定区域监控系统于再一实施例中的结构示意图。
元件标号说明
1 指定区域监控系统
11 数据获取模块
12 初始化模块
13 门限值获取模块
14 检测值获取模块
15 判决模块
16 自适应模块
161 获取单元
162 更新单元
6 指定区域监控终端
61 处理器
62 存储器
7 UPS电源
8 监控摄像头
9 声光报警器
10 计算机
S1~S6 步骤
S11~S12 步骤
具体实施方式
以下通过特定的具体实例说明本申请的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。本申请还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本申请的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本申请的基本构想,遂图式中仅显示与本申请中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
另外,在本申请中如涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本申请要求的保护范围之内。
本申请以下实施例提供了一种指定区域监控方法、系统和终端,本申请实施例提供的技术方案对应的硬件环境包括但不限于视觉安防监控设备。以下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详细描述。
请参阅图1,显示为本申请的指定区域监控方法于一实施例中的流程图。如图1所示,本实施例提供一种指定区域监控方法,包括以下步骤:
S1、获取监控画面中待检测目标的检测概率。
本实施例中的监控画面为监控摄像头采集的实时监控视频信息。进一步地,需要对监控画面进行预处理,所述预处理过程包括:对实时监控视频信息进行分帧,以获取视频帧;按采集顺序标注每一帧视频帧,以获取视频帧序列;对视频帧序列进行采样,其中抽取样本量为L。于一实施例中,可以每1s抽取1帧作为关键帧,例如当采样时间为10s,则抽取样本量L=10。
需要说明的是,能达到类似效果的其他采样策略同样适用于本申请;同时由于监控画面受现场环境条件、监控设备和视频图像质量的影响较大,为保证监控画面的图像质量,优选采用码率、帧率和分辨率较高的监控设备。
本实施例中的待检测目标包括监控画面中所有的动态物体。具体地,所述动态物体是指在监控画面内位置相对能够发生变化的物体,例如人、动物或者其他的移动机器设备,例如机器人、汽车等。以检测人体为例,为了监控商店门口是否有客人进入,通常在商店入口设置监控摄像头,监控摄像头的成像区域即为监控画面,在整个监控画面中出现的人体可以视为待检测目标。
于一实施例中,获取监控画面中待检测目标的检测概率包括:
S11、获取待检测目标的分类概率。
本实施例采用YOLO系列或Fast-RCNN获取待检测目标的分类概率。以下将以YOLOv8为例,示意性地描述利用YOLO获取分类概率的工作过程。
YOLO可以自动化实现图像特征提取和分类识别,弥补了FastRCNN在检测速度上难以满足实时要求的缺点。具体地,YOLO首先将输入图片统一调整成448×448像素,然后再将图像划分为S×S的网格。如果检测对象的中心落入网格单元格(grid cell)中,则该网格单元格负责检测该对象。每个网格单元格对其中的检测框(boundingbox)进行评分,用于预测网格单元格中存在检测物的可能性。
YOLO的输出格式为(x,y,w,h,confidence),其中,(x,y)为检测框的中心点坐标;w为检测框x轴方向宽度;h为检测框y轴方向高度;confidence为置信度。pj同样是YOLO输出的重要参数,用于表示待检测目标的分类概率,其中pj∈[0,1],j∈[1,N],N为总体样本量,当pj为0时,则代表预测网格单元格中不存在检测物。
S12、获取待检测目标的检测框出现在指定区域的概率。
为了有效并准确地监控指定区域,需要在监控画面标记出指定区域边缘,以形成电子围栏。本实施例中的指定区域可以是监控画面中任意几何图形的监控区域,在进行目标检测时,仅对指定区域内的目标进行检测,指定区域外的目标不予理会。例如,利用商店门口的监控摄像头可以采集到监控画面,监控画面中包括入口处和靠近入口的道路区域,此时为了监控是否有客人进入商店,可以选定入口处作为指定区域,而靠近入口的道路区域则不予监控。
需要说明的是,本实施例中的指定区域及其大小可以根据实际应用场景进行灵活调整。
请参阅图2,显示为本申请的指定区域监控方法于一实施例中的待检测目标的检测框与指定区域重叠时的结构示意图。获取待检测目标的检测框出现在指定区域的概率包括以下步骤:
获取检测框的面积;获取所述检测框与指定区域的重叠面积;计算所述重叠面积与所述检测框的面积比值,并将所述比值作为所述待检测目标的检测框出现在指定区域的概率。
具体地,可以采用如下公式计算待检测目标的检测框出现在指定区域的概率:
其中Area ofself为检测框面积;Area ofOverlap为所述检测框与指定区域的重叠面积;αlos为所述待检测目标的检测框出现在指定区域的概率,且αlos∈[0,1]。
S2、初始化检测参数;所述检测参数包括第一预设阈值和检测灵敏度。
第一预设阈值为自定义参数αT,基于αloss和αT可以判断待检测目标是否进入指定区域。例如,假设αT=0.5,若αlos>αT=0.5,则表示待检测目标的检测框超过一半的面积与指定区域重叠,此时可判定待检测目标进入了指定区域;否则认为待检测目标未进入指定区域内。
所述检测灵敏度与视频帧序列的倒数M帧有关。理论上,M数值越大,出现虚警概率越低,但是检测灵敏度就会下降;反之,M越小,检测灵敏度越高,但是有可能出现一闪而过且后继不再出现的虚警情况。本实施例中的M值可以通过有限的实验获取,通常M取2、3或5时较为合适,默认M=2,具体可以根据用户需求进行指定。
于一实施例,所述检测参数还包括待检测目标的分类概率均值假设用/>表示/>的初始值,由于/>受场景影响较大,且/>与抽取样本量L有关,因此可根据历史经验设置初始L和与初始L对应的/>
S3、基于所述检测概率和所述第一预设阈值计算指定区域判决门限。
于一实施例中,基于所述检测概率和所述第一预设阈值计算指定区域判决门限包括采用公式计算所述指定区域判决门限;其中/>为待检测目标的分类概率均值,αT为所述第一预设阈值,DT为所述指定区域判决门限。
S4、基于所述检测概率和所述检测灵敏度计算多帧联合检测值。
于一实施例中,基于所述检测概率和所述检测灵敏度计算多帧联合检测值包括采用公式计算所述多帧联合检测值;其中p为待检测目标的分类概率,α为待检测目标的检测框出现在指定区域的概率,N为总体样本量,M为所述检测灵敏度,/>为所述多帧联合检测值。
S5、将所述多帧联合检测值与所述指定区域判决门限进行比较,以输出判决结果。
于一实施例中,该步骤的判决公式为:
其中为所述多帧联合检测值,DT为所述指定区域判决门限;当/>则认为在指定区域内检测到了待检测目标,于是返回值设为True;当/>则认为在指定区域内未检测到待检测目标,于是返回值设为false。
请参阅图3,显示为本申请的指定区域监控方法于另一实施例中的流程图。如图3所示,本实施例提供一种指定区域监控方法,还包括以下步骤:
获取待检测目标的标准误差;
基于所述标准误差与所述检测概率更新指定区域判决门限。
于一实施例中,基于所述标准误差与所述检测概率更新指定区域判决门限包括以下步骤:
计算所述标准误差与标准分数的乘积;计算所述乘积与分类概率均值的比值;将所述比值与第二预设阈值进行比较;根据比较结果重新获取抽取样本量L;基于重新获取的抽取样本量L更新指定区域判决门限。
具体地,假设总体样本服从一个数学期望为μ,方差为σ2的正态分布pn~N(μ,σ2),则总体样本方差和总体标准误差的计算公式为:
其中pn为总体样本中的任意一个样本,pn∈[0,1],n∈[1,N],N为总体样本量,μ为总体样本均值或期望值,σ2为总体样本方差,σn为总体样本的标准误差。
由于实际场景中,往往不清楚一个总体样本的均值或期望值μ,而是通过抽取样本,将抽取出的样本均值代替总体均值。本申请中抽取样本的均值、方差及其标准误差的计算公式为:
其中pj为抽取样本中任意一个样本,pj∈[0,1],j∈[1,L],L为抽取样本量,为抽取样本的均值,s2为抽取样本的方差,sn为抽取样本的标准误差。
本实施例中待检测目标对应的标准误差可以是总体样本的标准误差,也可以是抽取样本的标准误差,理论上,如果期望样本足够多的话,可以令所有数据参与运算,但是受限于运算资源,也可以利用总体样本中的L个抽取样本参与运算。
本实施例中的第二预设阈值k为固定值,是通过有限的实验获取的经验值,默认为0.2;本实施例中的标准分数为Z分数,取值可以是1.65、1.96或2.58,其中1.65对应的置信水平为90%,1.96对应的置信水平为95%,2.58对应的置信水平为99%,其他置信水平对应的系数值同样适用于本申请。
于一实施例中,当待检测目标对应的标准误差为抽取样本的标准误差时,分类概率均值对应为抽取样本的均值则此时标准误差与标准分数的乘积为/>该乘积与分类概率均值的比值为:
接着将所述比值与第二预设阈值进行比较,并按照以下判定规则调整抽取样本量L:
其中Z为Z分数,为抽取样本的标准误差,/>为抽取样本的均值,k第二预设阈值,L1为第一抽取样本量,L2为第二抽取样本量,L1<L2。
例如,假设第二预设阈值为0.2,标准分数取置信水平96%对应的系数值1.96,第一抽取样本量设为10,第二抽取样本量设为10000,则按照以下判定规则调整抽取样本量L:
本判定规则的原理在于,当则认为/>概率分布的方差较大,对于平稳随机过程而言,时间上接近的随机量具有较强的相关性,因此,重新选择时间上最近的有限样本计算/>否则认为/>概率分布的方差较小,采用长时间的统计平均代替计算/>
本实现方式中,L值变化后,抽取样本及其均值随之变化,重新获取的/>用于更新指定区域判决门限,最大程度上减少了人为干预,实现了指定区域监控判决门限的自适应调整。
请参阅图4,显示为本申请的指定区域监控系统于一实施例中的结构示意图。如图4所示,本实施例提供一种指定区域监控系统1,所述系统包括:
数据获取模块11,用于获取监控画面中待检测目标的检测概率。
初始化模块12,用于初始化检测参数;所述检测参数包括第一预设阈值和检测灵敏度。
门限值获取模块13,用于基于所述检测概率和所述第一预设阈值计算指定区域判决门限。
检测值获取模块14,用于基于所述检测概率和所述检测灵敏度计算多帧联合检测值。
判决模块15,用于将所述多帧联合检测值与所述指定区域判决门限进行比较,以输出判决结果。
请参阅图5,显示为本申请的指定区域监控系统于另一实施例中的结构示意图。如图5所示,本实施例提供一种指定区域监控系统1,所述系统还包括自适应模块16;所述自适应模块16包括:
获取单元161,用于获取待检测目标的标准误差。
更新单元162,用于基于所述标准误差与所述检测概率更新指定区域判决门限。
于一实施例中,所述更新单元162用于计算所述标准误差与分类概率均值的比值;将所述比值与第二预设阈值进行比较;根据比较结果重新获取抽取样本量L;基于重新获取的抽取样本量L更新指定区域判决门限。
需要说明的是,本实施例中的数据获取模块11、初始化模块12、门限值获取模块13、检测值获取模块14、判决模块15和自适应模块16的结构和原理与上述指定区域监控方法中的步骤及实施例一一对应,故在此不再赘述。
本申请实施例提供的指定区域监控系统可以实现本申请所述的指定区域监控方法,但本申请所述的指定区域监控方法的实现装置包括但不限于本实施例列举的指定区域监控系统的结构,凡是根据本申请的原理所做的现有技术的结构变形和替换,都包括在本申请的保护范围内。
请参阅图6,显示为本申请的指定区域监控终端于一实施例中的结构示意图。如图6所示,本实施例提供一种指定区域监控终端6,包括:处理器61及存储器62。
所述存储器62用于存储计算机程序;
所述处理器61用于执行所述存储器62存储的计算机程序,以使所述终端6执行上述任一项所述的指定区域监控方法。
优选地,所述处理器61可以是通用处理器,包括中央处理器(Central ProcessingUnit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
请参阅图7,显示为本申请的指定区域监控系统于再一实施例中的结构示意图。如图7所示,本实施例提供指定区域监控系统,包括上述的指定区域监控终端6、UPS电源7、监控摄像头8、声光报警器9和计算机10。
所述UPS电源7为不间断电源,用于当市电断电和被人为破坏时给单台计算机10和计算机系统提供稳定不间断的电力供应,同时UPS电源设备还可以对电压过高和电源过低提供保护。
所述监控摄像头8的安装位置可以根据场地进行自行设计。
所述声光报警器9是一种报警装置,被触发时可以发出尖锐的声音和光亮,以起到威慑和报警的作用。
本实现方式中,弥补了传统围栏仅具有单一围挡作用的缺陷,增加了实时在线监测和报警威慑的功能,同时改进了市面上主流电子围栏硬件设备过多和铺设过程复杂的技术问题。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置或方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅是示意性的,例如,模块/单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或单元可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的模块/单元可以是或者也可以不是物理上分开的,作为模块/单元显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块/单元来实现本申请实施例的目的。例如,在本申请各个实施例中的各功能模块/单元可以集成在一个处理模块中,也可以是各个模块/单元单独物理存在,也可以两个或两个以上模块/单元集成在一个模块/单元中。
本领域普通技术人员应该还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本申请实施例还提供了一种计算机可读存储介质。本领域普通技术人员可以理解实现上述实施例的方法中的全部或部分步骤是可以通过程序来指令处理器完成,所述的程序可以存储于计算机可读存储介质中,所述存储介质是非短暂性(non-transitory)介质,例如随机存取存储器,只读存储器,快闪存储器,硬盘,固态硬盘,磁带(magnetic tape),软盘(floppy disk),光盘(optical disc)及其任意组合。上述存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如数字视频光盘(digital video disc,DVD))、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
本申请实施例还可以提供一种计算机程序产品,所述计算机程序产品包括一个或多个计算机指令。在计算设备上加载和执行所述计算机指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机或数据中心进行传输。
所述计算机程序产品被计算机执行时,所述计算机执行前述方法实施例所述的方法。该计算机程序产品可以为一个软件安装包,在需要使用前述方法的情况下,可以下载该计算机程序产品并在计算机上执行该计算机程序产品。
上述各个附图对应的流程或结构的描述各有侧重,某个流程或结构中没有详述的部分,可以参见其他流程或结构的相关描述。
综上所述,本申请提供了一种指定区域监控方法、系统和终端,满足了用户对指定区域的视频监控需求;最大程度上减少了人为干预,实现了指定区域监控判决门限的自适应调整;改进了市面上主流电子围栏硬件设备过多和铺设过程复杂的技术问题。
上述实施例仅例示性说明本申请的原理及其功效,而非用于限制本申请。任何熟悉此技术的人士皆可在不违背本申请的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本申请所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本申请的权利要求所涵盖。
Claims (6)
1.一种指定区域监控方法,其特征在于,包括以下步骤:
获取监控画面中待检测目标的检测概率;
初始化检测参数;所述检测参数包括第一预设阈值和检测灵敏度;
基于所述检测概率和所述第一预设阈值计算指定区域判决门限;
基于所述检测概率和所述检测灵敏度计算多帧联合检测值;
将所述多帧联合检测值与所述指定区域判决门限进行比较,以输出判决结果;
获取监控画面中待检测目标的检测概率包括:
获取待检测目标的分类概率;
获取待检测目标的检测框出现在指定区域的概率;
获取待检测目标的检测框出现在指定区域的概率包括以下步骤:
获取检测框的面积;
获取所述检测框与指定区域的重叠面积;
计算所述重叠面积与所述检测框的面积比值,并将所述比值作为所述待检测目标的检测框出现在指定区域的概率;
基于所述检测概率和所述第一预设阈值计算指定区域判决门限包括采用公式计算所述指定区域判决门限;其中/>为待检测目标的分类概率均值,/>为所述第一预设阈值,/>为所述指定区域判决门限;
基于所述检测概率和所述检测灵敏度计算多帧联合检测值包括采用公式计算所述多帧联合检测值;其中/>为待检测目标的分类概率,为待检测目标的检测框出现在指定区域的概率,/>为总体样本量,/>为所述检测灵敏度,/>为所述多帧联合检测值。
2.根据权利要求1所述的指定区域监控方法,其特征在于,还包括以下步骤:
获取待检测目标的标准误差;
基于所述标准误差与所述检测概率更新指定区域判决门限。
3.一种指定区域监控系统,其特征在于,所述系统包括:
数据获取模块,用于获取监控画面中待检测目标的检测概率;
初始化模块,用于初始化检测参数;所述检测参数包括第一预设阈值和检测灵敏度;
门限值获取模块,用于基于所述检测概率和所述第一预设阈值计算指定区域判决门限;
检测值获取模块,用于基于所述检测概率和所述检测灵敏度计算多帧联合检测值;
判决模块,用于将所述多帧联合检测值与所述指定区域判决门限进行比较,以输出判决结果;
获取监控画面中待检测目标的检测概率包括:
获取待检测目标的分类概率;
获取待检测目标的检测框出现在指定区域的概率;
获取待检测目标的检测框出现在指定区域的概率包括以下步骤:
获取检测框的面积;
获取所述检测框与指定区域的重叠面积;
计算所述重叠面积与所述检测框的面积比值,并将所述比值作为所述待检测目标的检测框出现在指定区域的概率;
基于所述检测概率和所述第一预设阈值计算指定区域判决门限包括采用公式计算所述指定区域判决门限;其中/>为待检测目标的分类概率均值,/>为所述第一预设阈值,/>为所述指定区域判决门限;
基于所述检测概率和所述检测灵敏度计算多帧联合检测值包括采用公式计算所述多帧联合检测值;其中/>为待检测目标的分类概率,为待检测目标的检测框出现在指定区域的概率,/>为总体样本量,/>为所述检测灵敏度,/>为所述多帧联合检测值。
4.根据权利要求3所述的系统,其特征在于,所述系统还包括自适应模块;所述自适应模块包括:
获取单元,用于获取待检测目标的标准误差;
更新单元,用于基于所述标准误差与所述检测概率更新指定区域判决门限。
5.一种指定区域监控终端,其特征在于,包括:处理器及存储器;
所述存储器用于存储计算机程序;
所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行权利要求1至2中任一项所述的指定区域监控方法。
6.一种指定区域监控系统,其特征在于,包括权利要求5所述的指定区域监控终端、UPS电源、监控摄像头、声光报警器和计算机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310285292.7A CN117152890B (zh) | 2023-03-22 | 2023-03-22 | 指定区域监控方法、系统和终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310285292.7A CN117152890B (zh) | 2023-03-22 | 2023-03-22 | 指定区域监控方法、系统和终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117152890A CN117152890A (zh) | 2023-12-01 |
CN117152890B true CN117152890B (zh) | 2024-03-08 |
Family
ID=88901440
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310285292.7A Active CN117152890B (zh) | 2023-03-22 | 2023-03-22 | 指定区域监控方法、系统和终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117152890B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875723A (zh) * | 2018-01-03 | 2018-11-23 | 北京旷视科技有限公司 | 对象检测方法、装置和系统及存储介质 |
WO2021238185A1 (zh) * | 2020-05-29 | 2021-12-02 | 深圳市商汤科技有限公司 | 对象检测方法、装置、电子设备、存储介质和程序 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI424377B (zh) * | 2011-04-01 | 2014-01-21 | Altek Corp | 多畫面中物體的移動分析方法 |
CN110969115B (zh) * | 2019-11-28 | 2023-04-07 | 深圳市商汤科技有限公司 | 行人事件的检测方法及装置、电子设备和存储介质 |
-
2023
- 2023-03-22 CN CN202310285292.7A patent/CN117152890B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875723A (zh) * | 2018-01-03 | 2018-11-23 | 北京旷视科技有限公司 | 对象检测方法、装置和系统及存储介质 |
WO2021238185A1 (zh) * | 2020-05-29 | 2021-12-02 | 深圳市商汤科技有限公司 | 对象检测方法、装置、电子设备、存储介质和程序 |
Non-Patent Citations (2)
Title |
---|
A Study of Advanced Tracking Algorithm using Color Probability Distribution for Objects Tracking System;Lim, Hye-Youn; Dae-Seong, Kang;Journal of Korean Institute of Information Technology;20101231;第8卷(第2期);153-158 * |
基于监控系统的入侵检测方法研究;李彦;;福建电脑;20171231(02);117-118, 158 * |
Also Published As
Publication number | Publication date |
---|---|
CN117152890A (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021120867A1 (zh) | 高空抛物的监测方法、装置、电子设备及存储介质 | |
CN107911653B (zh) | 驻所智能视频监控模组、系统、方法以及存储介质 | |
CN109068099B (zh) | 基于视频监控的虚拟电子围栏监控方法及系统 | |
CN110929648B (zh) | 监控数据处理方法、装置、计算机设备以及存储介质 | |
KR101716365B1 (ko) | 실시간 가축 도난 감지를 위한 모듈화 기반의 지능형 영상 감시 시스템 및 그 방법 | |
WO2022078182A1 (zh) | 抛出位置获取方法、装置、计算机设备及存储介质 | |
CN111488799B (zh) | 一种基于图像识别的坠落物识别方法及系统 | |
CN116777713B (zh) | 基于数据分析的智慧园区安全管理方法和系统 | |
JP5388829B2 (ja) | 侵入物体検知装置 | |
CN112188531A (zh) | 异常检测方法、装置、电子设备及计算机存储介质 | |
KR101454644B1 (ko) | 보행자 추적기를 이용한 서성거림을 탐지하는 방법 | |
CN116743970B (zh) | 一种具有视频ai预警分析的智能管理平台 | |
CN111368741A (zh) | 一种高空抛物检测系统 | |
CN108073858A (zh) | 基于深度摄像机的人群聚集监控识别系统 | |
CN110766894A (zh) | 社区围墙翻越预警方法、系统、服务器及计算机存储介质 | |
CN114065799A (zh) | 一种基于人工智能技术的校园安防监控管理系统 | |
CN102651813A (zh) | 智能视频监控及广告系统 | |
CN115273231A (zh) | 信息处理方法、装置、存储介质及电子设备 | |
CN111860187A (zh) | 一种高精度的佩戴口罩识别方法及系统 | |
CN110505438B (zh) | 一种排队数据的获取方法和摄像机 | |
CN117152890B (zh) | 指定区域监控方法、系统和终端 | |
CN113361469A (zh) | 一种覆盖状态识别方法、装置、设备及存储介质 | |
Singh et al. | An intelligent video surveillance system using edge computing based deep learning model | |
CN116229367A (zh) | 监控视频内容异常的检测方法、装置、设备和存储介质 | |
CN115880631A (zh) | 一种配电站故障识别系统、方法、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |