CN117253195B - 一种ipc安全监测方法、监测系统、计算机设备和可读存储介质 - Google Patents
一种ipc安全监测方法、监测系统、计算机设备和可读存储介质 Download PDFInfo
- Publication number
- CN117253195B CN117253195B CN202311520718.9A CN202311520718A CN117253195B CN 117253195 B CN117253195 B CN 117253195B CN 202311520718 A CN202311520718 A CN 202311520718A CN 117253195 B CN117253195 B CN 117253195B
- Authority
- CN
- China
- Prior art keywords
- target
- contour
- image
- model
- ashing
- 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 94
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000004458 analytical method Methods 0.000 claims abstract description 73
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 238000004380 ashing Methods 0.000 claims description 55
- 238000003384 imaging method Methods 0.000 claims description 29
- 238000005070 sampling Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 14
- 238000005286 illumination Methods 0.000 claims description 11
- 230000000694 effects Effects 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 6
- 238000010835 comparative analysis Methods 0.000 description 5
- 238000003331 infrared imaging Methods 0.000 description 3
- 230000036544 posture Effects 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 2
- 208000001613 Gambling Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing 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
- G06V20/50—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
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
-
- 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
- G06V10/752—Contour matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Closed-Circuit Television Systems (AREA)
- Image Analysis (AREA)
- Alarm Systems (AREA)
Abstract
本申请公开了一种IPC安全监测方法、监测系统、计算机设备和可读存储介质，所述方法包括获取各型号摄像单元在不同拍摄环境中对目标特征在不同距离的对比成功率的实验数据，生成可靠等级匹配模型；接收图像对比指令以确定目标单元，以获取对应的目标图像并输入至图像轮廓识别模型中，通过轮廓识别算法识别目标图像中的目标轮廓；通过图像测距算法识别各目标轮廓与目标单元的目标距离，获取目标单元的型号信息和拍摄环境信息，基于各目标轮廓的目标距离和目标单元的型号、拍摄环境，确定各目标轮廓的可靠等级；将高可靠级的目标轮廓标记为待分析轮廓，将目标图像发送至图像对比分析模型；本申请具有提高安防监控系统的图像对比分析效率的效果。
Description
技术领域
本申请涉及监控网络的技术领域，尤其是涉及一种IPC安全监测方法、监测系统、计算机设备和可读存储介质。
背景技术
由于网络摄像机具有对监控影像进行实时传输的功能，目前正被广泛应用于安防监控系统中，每个摄像头都能将监控图像传输至具有相应权限的监控接收终端，以供人员实时查看或由通过相关的计算机算法与预设的人员图像进行自动对比，从而实现人工寻找或自动匹配特定人员的功能；然而，对所有监控图像进行分析需要消耗大量的人力资源或计算机资源，因而存在图像对比分析效率低的问题。
发明内容
为了提高安防监控系统的图像对比分析效率，本申请提供一种IPC安全监测方法、监测系统、计算机设备和可读存储介质。
本申请的发明目的一采用如下技术方案实现：
一种IPC安全监测方法，包括：
获取各型号摄像单元在不同拍摄环境中对目标特征在不同距离的对比成功率的实验数据，生成可靠等级匹配模型，所述可靠等级包括高可靠级和低可靠级，各所述可靠等级对应不同的对比成功率数据区间；
接收图像对比指令以确定目标单元，以获取对应的目标图像并输入至图像轮廓识别模型中，通过轮廓识别算法识别目标图像中的目标轮廓；
通过图像测距算法识别各目标轮廓与目标单元的目标距离，获取目标单元的型号信息和拍摄环境信息，基于各所述目标轮廓的目标距离和目标单元的型号信息、拍摄环境信息，确定各所述目标轮廓的可靠等级；
将高可靠级的目标轮廓标记为待分析轮廓，将所述目标图像发送至图像对比分析模型；
所述目标特征是指图像对比分析需要对比的图像特征类型，所述目标单元是指图像对比指令所确定的摄像单元，所述目标图像是指目标单元拍摄的监控图像，目标轮廓是指待监控目标的同类轮廓图像。
通过采用上述技术方案，由于安防监控系统对不同区域的监控需求存在差异，因此，设置在不同区域的摄像单元的型号和光照条件等拍摄环境存在差异，造成不同区域的摄像头成像质量存在差异，部分监控图像并无对比分析价值；因此，获取各种不同型号摄像单元在不同拍摄环境中对目标特征在不同距离进行对比分析的对比成功率实验数据，以便获知摄像单元的成像质量与型号、拍摄环境、拍摄距离之间的关系，生成可靠等级匹配模型，便于后续评估对监控图像中目标特征进行识别的可靠性；接收图像对比指令，以确定拍摄了目标图像的目标单元，获取目标图像并输入图像轮廓识别算法中，以识别目标轮廓；通过图像测距算法识别目标轮廓与目标单元之间的距离，并进一步根据目标单元的型号和拍摄环境匹配可靠等级；将高可靠级的目标轮廓标记为待分析轮廓，以发送至图像对比分析模型中进行进一步的对比分析，无需对低可靠级的目标轮廓进行对比分析，从而从目标单元的众多监控图像中筛选出有对比分析价值的待分析轮廓图像，以降低图像对比分析的数据量，提高了安防监控系统的图像对比分析效率。
本申请在一较佳示例中：所述目标特征包括多种类型，每一种目标特征均对应有相应的可靠等级匹配模型和可靠等级。
通过采用上述技术方案，由于对人员、车辆等目标进行搜索时，可以通过对人脸图像、身材体态、运动姿态、衣着特征、车辆图像和车牌号码等多种类型的目标特征进行图像对比分析，而对不同类型的目标特征进行对比分析时，对监控图像的成像质量要求存在差异，因此，对每一种目标特征均对应设置有相应的可靠等级匹配模型和可靠等级，从而便于根据不同的目标特征设置不同的可靠等级确定标准。
本申请在一较佳示例中：所述可靠等级还包括待定可靠级；
所述确定各所述目标轮廓的可靠等级之后，还包括：
获取图像对比指令对应的指令等级，所述指令等级包括高重要级和一般重要级；
若所述指令等级为高重要级，将待定可靠级的目标轮廓标记为待分析轮廓，将所述目标图像发送至图像对比分析模型。
通过采用上述技术方案，可靠等级还包括待定可靠级，获取图像对比指令所对应的指令等级，以便确定图像对比指令岁对应的报警事件的重要性程度，其中指令等级包括高重要级和一般重要级；若指令等级为高重要级，则将待定可靠级的目标轮廓标记为待分析轮廓，以便后续对待定可靠级的目标轮廓进行进一步的对比分析处理，若指令等级为一般重要级，则无需对待定可靠级的目标轮廓进行进一步的对比分析处理，从而实现根据报警事件的重要性程度调整图像对比分析数据量的功能。
本申请在一较佳示例中：所述接收图像对比指令以确定目标单元之前，还包括：
获取各摄像单元的部署方位信息，以确定各摄像单元对应的拍摄区域信息；
基于各所述拍摄区域信息，获取相应的建筑模型数字信息，以创建安防区域模型；
接收报警信息以确定报警事件地点坐标，基于所述报警事件地点坐标和目标搜索半径，从安防区域模型中确定搜索区域；
向搜索区域内的摄像单元发送图像对比指令。
通过采用上述技术方案，获取各摄像单元的部署位置和镜头朝向的信息，从而确定各摄影单元拍摄范围所覆盖的区域，以得到拍摄区域信息；获取各拍摄区域内的建筑模型数字信息，从而创建安防监控系统监控区域的建筑信息模型，以得到安防区域模型；接收到报警信息后，确定报警事件地点坐标，并根据目标搜索半径确定搜索区域；向搜索区域内的摄像单元发送图像对比指令，从而实现在接收报警信息后自动获取附近摄像单元的监控图像并进行图像对比分析工作的效果。
本申请在一较佳示例中：所述将高可靠级的目标轮廓标记为待分析轮廓，将所述目标图像发送至图像对比分析模型之后，包括：
逐一将各待分析轮廓进行灰度化处理，得到灰化轮廓，获取所述灰化轮廓中像素点的平均灰度值；
基于预设的采样率值从所述灰化轮廓中采集n个像素点，并确定对应的采样灰度值；
计算所述灰化轮廓的清晰度参数，将所述清晰度参数A与预设的清晰度阈值/>进行对比；
若，将所述灰化轮廓标记为有效灰化目标轮廓，将所述有效灰化目标轮廓与预设的对比图像进行图像对比分析处理，若/>，将所述灰化轮廓标记为无效灰化目标轮廓。
通过采用上述技术方案，逐一将各待分析轮廓进行灰度化处理以得到灰化轮廓，确定灰化轮廓中像素点的平均灰度值；根据预设的采样率值从灰化轮廓中采集若干像素点以及对应的灰度值；基于采样得到的各像素点的采样灰度值和平均灰度值的方差计算得到清晰度参数，将清晰度参数与预设的清晰度阈值进行对比；将清晰度参数大于等于清晰度阈值的灰化轮廓标记为有效灰化目标轮廓并与预设的对比图像进行图像对比分析处理，以便判断待分析轮廓是否属于所需寻找的人员或车辆等目标，将清晰度参数小于清晰度阈值的灰化轮廓标记为无效灰化目标轮廓，以降低消耗在对比分析不清楚轮廓图像上的计算机资源。
本申请的发明目的二采用如下技术方案实现：
一种IPC安全监测系统，应用于上述任一项所述IPC安全监测方法，包括：
可靠等级匹配模型生成模块，用于获取各型号摄像单元在不同拍摄环境中对目标特征在不同距离的对比成功率的实验数据，生成可靠等级匹配模型，所述可靠等级包括高可靠级和低可靠级，各所述可靠等级对应不同的对比成功率数据区间；
目标轮廓识别模块，用于接收图像对比指令以确定目标单元，以获取对应的目标图像并输入至图像轮廓识别模型中，通过轮廓识别算法识别目标图像中的目标轮廓；
可靠等级评估模块，用于通过图像测距算法识别各目标轮廓与目标单元的目标距离，获取目标单元的型号信息和拍摄环境信息，基于各所述目标轮廓的目标距离和目标单元的型号信息、拍摄环境信息，确定各所述目标轮廓的可靠等级；
待分析轮廓标记模块，用于将高可靠级的目标轮廓标记为待分析轮廓，将所述目标图像发送至图像对比分析模型。
本申请在一较佳示例中：所述目标轮廓识别模块包括：
拍摄区域信息确定子模块，用于获取各摄像单元的部署方位信息，以确定各摄像单元对应的拍摄区域信息；
安防区域模型创建子模块，用于基于各所述拍摄区域信息，获取相应的建筑模型数字信息，以创建安防区域模型；
搜索区域确定子模块，用于接收报警信息以确定报警事件地点坐标，基于所述报警事件地点坐标和目标搜索半径，从安防区域模型中确定搜索区域；
图像对比指令发送子模块，用于向搜索区域内的摄像单元发送图像对比指令。
本申请在一较佳示例中：所述待分析轮廓标记模块包括：
平均灰度值获取子模块，用于逐一将各待分析轮廓进行灰度化处理，得到灰化轮廓，获取所述灰化轮廓中像素点的平均灰度值；
像素点采样子模块，用于基于预设的采样率值从所述灰化轮廓中采集n个像素点，并确定对应的采样灰度值；
清晰度参数对比子模块，用于计算所述灰化轮廓的清晰度参数，将所述清晰度参数A与预设的清晰度阈值/>进行对比；
灰化轮廓标记子模块，用于若，将所述灰化轮廓标记为有效灰化目标轮廓，将所述有效灰化目标轮廓与预设的对比图像进行图像对比分析处理，若/>，将所述灰化轮廓标记为无效灰化目标轮廓。
本申请的发明目的三采用如下技术方案实现：
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述IPC安全监测方法的步骤。
本申请的发明目的四采用如下技术方案实现：
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述IPC安全监测方法的步骤。
综上所述，本申请包括以下至少一种有益技术效果：
1. 由于安防监控系统对不同区域的监控需求存在差异，因此，设置在不同区域的摄像单元的型号和光照条件等拍摄环境存在差异，造成不同区域的摄像头成像质量存在差异，部分监控图像并无对比分析价值；因此，获取各种不同型号摄像单元在不同拍摄环境中对目标特征在不同距离进行对比分析的对比成功率实验数据，以便获知摄像单元的成像质量与型号、拍摄环境、拍摄距离之间的关系，生成可靠等级匹配模型，便于后续评估对监控图像中目标特征进行识别的可靠性；接收图像对比指令，以确定拍摄了目标图像的目标单元，获取目标图像并输入图像轮廓识别算法中，以识别目标轮廓；通过图像测距算法识别目标轮廓与目标单元之间的距离，并进一步根据目标单元的型号和拍摄环境匹配可靠等级；将高可靠级的目标轮廓标记为待分析轮廓，以发送至图像对比分析模型中进行进一步的对比分析，无需对低可靠级的目标轮廓进行对比分析，从而从目标单元的众多监控图像中筛选出有对比分析价值的待分析轮廓图像，以降低图像对比分析的数据量，提高了安防监控系统的图像对比分析效率。
2. 获取各摄像单元的部署位置和镜头朝向的信息，从而确定各摄影单元拍摄范围所覆盖的区域，以得到拍摄区域信息；获取各拍摄区域内的建筑模型数字信息，从而创建安防监控系统监控区域的建筑信息模型，以得到安防区域模型；接收到报警信息后，确定报警事件地点坐标，并根据目标搜索半径确定搜索区域；向搜索区域内的摄像单元发送图像对比指令，从而实现在接收报警信息后自动获取附近摄像单元的监控图像并进行图像对比分析工作的效果。
3. 逐一将各待分析轮廓进行灰度化处理以得到灰化轮廓，确定灰化轮廓中像素点的平均灰度值；根据预设的采样率值从灰化轮廓中采集若干像素点以及对应的灰度值；基于采样得到的各像素点的采样灰度值和平均灰度值的方差计算得到清晰度参数，将清晰度参数与预设的清晰度阈值进行对比；将清晰度参数大于等于清晰度阈值的灰化轮廓标记为有效灰化目标轮廓并与预设的对比图像进行图像对比分析处理，以便判断待分析轮廓是否属于所需寻找的人员或车辆等目标，将清晰度参数小于清晰度阈值的灰化轮廓标记为无效灰化目标轮廓，以降低消耗在对比分析不清楚轮廓图像上的计算机资源。
附图说明
图1是本申请实施例一中IPC安全监测方法的流程图。
图2是本申请实施例二中IPC安全监测系统的一原理框图。
图3是本申请实施例三中的设备示意图。
具体实施方式
以下结合附图1至3对本申请作进一步详细说明。
实施例一
本申请公开一种IPC安全监测方法，可应用于由网络摄像机构成的安防监控系统中，以对特定区域进行实时安防监控，其中，安防监控系统包含若干摄像单元、交换机、录像机、路由器和监控接收终端，录像机是指用于安装硬盘，以保存监控图像的设备；其中摄像单元包括摄像机和照明传感器，各摄像头均连接于相应的交换机，在本实施例中使用的摄像机至少包括可见光成像模式，也可以根据实际需求使用具有红外成像模式和红外补光灯的摄像机，照明传感器包括用于检测可见光强度的光照传感器，当摄像机具有红外成像模式时，照明传感器还包括用于检测红外补光灯照射的红外线强度的红外传感器；交换机连接于录像机和路由器，路由器通讯连接于云平台服务端，监控接收终端电连接于录像机或路由器，云平台服务端与监控接收终端之间通过内网穿透实现互联，以便实现使监控接收终端能够直接连接摄像头和云平台服务端，但云平台服务端无法直接访问监控接收终端的效果；本实施例主要以使用安防监控系统识别和追踪失踪人员、违法分子等特定人员或特定车辆等目标为例进行说明。
参照图1，IPC安全监测方法具体包括如下步骤：
S10：获取各型号摄像单元在不同拍摄环境中对目标特征在不同距离的对比成功率的实验数据，生成可靠等级匹配模型，所述可靠等级包括高可靠级和低可靠级，各所述可靠等级对应不同的对比成功率数据区间。
在本实施例中，安防监控系统中的不同摄像单元所包含的摄像机型号可能存在差异，但每一摄像单元所包含的摄像机的像素、焦段、光圈值、所具备的成像模式等与其成像质量相关的参数均已知，成像模式包括可见光成像模式和红外成像模式；拍摄环境是指摄像单元当前的成像模式和光照条件，其中光照条件以可见光的光照强度lux或红外光的辐照强度W/㎡进行衡量，具体选用的指标应根据成像模式而确定，当摄像单元选择可见光成像模式时，则光照条件为光照强度数据，当摄像单元选择红外成像模式时，则光照条件为红外线强度数据；目标特征是指图像对比分析需要对比的图像特征类型，具体包括人脸图像、身材体态、运动姿态、衣着特征、车辆图像和车牌号码，用于辨识人员和车辆。
具体地，由于安防监控系统对不同区域的监控需求存在差异，因此，设置在不同区域的摄像单元的型号和光照条件等拍摄环境存在差异，造成不同区域的摄像头成像质量存在差异，因而部分监控图像对于识别特定人员或车辆来说并无对比分析的价值，若要将所有摄像头的监控图像都进行对比分析，则需要消耗大量的计算机资源，例如，对于某摄像头拍摄到的30m外的人员图像来说，其人脸图像可能非常模糊而不存在进行图像对比分析的价值；因此，获取安防监控系统中所有型号摄像单元在不同拍摄环境中对目标特征在不同距离进行对比分析的对比成功率实验数据，以便获知摄像单元的成像质量与型号、拍摄环境、拍摄距离之间的关系，生成可靠等级匹配模型，便于后续评估对监控图像中目标特征进行识别的可靠性。
在本实施例中，可靠等级匹配模型包含若干个数据关系式，每个数据关系式用于记录摄像单元在不同拍摄环境中对不同距离的目标特征识别成功率的数据关系式；可靠等级匹配模型包含每一种摄像单元和目标特征组合时所对应的数据关系式。
其中，可靠等级包括高可靠级、待定可靠级和低可靠级，高可靠级对应50%-100%的识别成功率，待定可靠级对应5%-50%的识别成功率，低可靠级对应0%-5%的识别成功率。
具体地，当某型号摄像头在预设的拍摄环境中，拍摄0-10米内的人员图像并与预存的同一人员的人脸图像进行对比分析时能够达到50%-100%的识别成功率，而拍摄10-20米内的人员图像并与预存的同一人员的人脸图像进行对比分析时能够达到5%-50%的识别成功率时，则对于人脸图像这一目标特征时，监控图像中距离10米以内的人员轮廓图像的可靠等级为高可靠等级，监控图像中距离10米-20米的人员轮廓图像的可靠等级为待定可靠等级，监控图像中距离20米以上的人员轮廓图像的可靠等级为低可靠等级；所述可靠等级匹配模型记录了安防监控系统中每一种型号摄像单元在不同拍摄环境中高可靠等级、待定可靠等级、低可靠等级所对应的距离数据。
具体地，由于对人员、车辆等目标进行搜索时，可以通过对人脸图像、身材体态、运动姿态、衣着特征、车辆图像和车牌号码等多种类型的目标特征进行图像对比分析，而对不同类型的目标特征进行对比分析时，对监控图像的成像质量要求存在差异；因此，在本实施例中，每一种目标特征均对应有相应的可靠等级匹配模型和可靠等级，便于根据不同的目标特征设置不同的可靠等级确定标准。
S20：接收图像对比指令以确定目标单元，以获取对应的目标图像并输入至图像轮廓识别模型中，通过轮廓识别算法识别目标图像中的目标轮廓。
在本实施例中，图像对比指令是指基于报警信息而确定用于执行对监控图像进行对比分析的指令；目标单元是指图像对比指令所确定的摄像单元；目标图像是指目标单元所拍摄的监控图像，目标轮廓是指包含目标特征的待监控目标的同类轮廓图像，例如，目标特征为人脸图像时，目标轮廓即目标图像中的所有符合人脸图像特征的轮廓的图像。
具体地，接收图像对比指令，以确定拍摄了目标图像的目标单元，获取目标图像并输入图像轮廓识别算法中，以识别目标轮廓。
其中，在步骤S20中，接收图像对比指令以确定目标单元的步骤之前，还包括：
S21：获取各摄像单元的部署方位信息，以确定各摄像单元对应的拍摄区域信息。
在本实施例中，部署方位信息包括摄像单元的部署位置坐标和镜头朝向角度信息；拍摄区域信息是指摄像单元的拍摄范围区域的位置、形状、尺寸的信息。
具体地，获取各摄像单元的部署位置和镜头朝向的信息，从而确定各摄影单元拍摄范围所覆盖的区域，以得到拍摄区域信息。
S22：基于各所述拍摄区域信息，获取相应的建筑模型数字信息，以创建安防区域模型。
在本实施例中，建筑模型数字信息是指拍摄区域内建筑物的位置、形状、尺寸等用于进行BIM建模的数据。
具体地，获取各拍摄区域内的建筑模型数字信息，从而创建安防监控系统监控区域的BIM模型，以得到安防区域模型。
S23：接收报警信息以确定报警事件地点坐标，基于所述报警事件地点坐标和目标搜索半径，从安防区域模型中确定搜索区域。
在本实施例中，报警信息包括报警事件发生时间信息、报警事件发生地点信息、相关人员图像信息和/或相关车辆图像信息；目标搜索半径是指用于确定搜索区域的半径，其中目标搜索半径的尺寸可以根据待追踪目标的预期移动速度和报警事件发生时间而确定，目标搜索半径可以设置上限值，上限值可以根据安防监控系统的计算机资源和报警事件的重要性程度而定。
具体地，接收到报警信息后，确定报警事件地点坐标，并根据目标搜索半径确定搜索区域，以提高搜索区域设置的合理性。
S24：向搜索区域内的摄像单元发送图像对比指令。
具体地，向搜索区域内的摄像单元发送图像对比指令，并将搜索区域内的摄像单元定义为目标单元，从而实现在接收报警信息后自动获取附近摄像单元的监控图像并进行图像对比分析工作的效果。
S30：通过图像测距算法识别各目标轮廓与目标单元的目标距离，获取目标单元的型号信息和拍摄环境信息，基于各所述目标轮廓的目标距离和目标单元的型号信息、拍摄环境信息，确定各所述目标轮廓的可靠等级。
在本实施例中，图像测距算法是指根据监控图像测量摄像单元与监控图像中物体之间距离的算法，具体可以根据摄像单元的实际情况使用现有技术中的单目测距算法或双目测距算法。
具体地，通过图像测距算法识别目标轮廓与目标单元之间的距离，并进一步根据目标单元的型号和拍摄环境匹配可靠等级。
其中，在步骤S30中，确定各所述目标轮廓的可靠等级的步骤之后，还包括：
S31：获取图像对比指令对应的指令等级，所述指令等级包括高重要级和一般重要级。
在本实施例中，指令等级是指用于确定图像对比指令所对应的报警事件的重要性程度的等级；例如，若报警事件为调查命案或重大暴力犯罪案件时，可将该报警事件对应的图像对比指令的指令等级定为高重要级；若报警事件为聚众赌博等行政违法案件时，则可将该报警事件对应的图像对比指令的指令等级定为一般重要级，便于后续对重要性程度不同的案件提供不同的资源。
具体地，获取图像对比指令所对应的指令等级，以便确定图像对比指令岁对应的报警事件的重要性程度，其中指令等级包括高重要级和一般重要级。
S32：若所述指令等级为高重要级，将待定可靠级的目标轮廓标记为待分析轮廓，将所述目标图像发送至图像对比分析模型。
在本实施例中，待分析轮廓是指需要进行进一步图像对比分析处理的轮廓图像；图像对比分析模型是指用于对待分析轮廓进行进一步图像对比分析处理的计算机模型。
具体地，若指令等级为高重要级，则将待定可靠级的目标轮廓标记为待分析轮廓，以便后续对待定可靠级的目标轮廓进行进一步的对比分析处理，若指令等级为一般重要级，则无需对待定可靠级的目标轮廓进行进一步的对比分析处理，从而实现根据报警事件的重要性程度调整图像对比分析数据量的功能；便于集中计算机资源处理重要性程度较高的报警事件，例如命案，以便加大对潜逃的犯罪嫌疑人的追捕力度，提高案件侦破概率；而对于重要性程度较低的报警事件，则可以减少计算机资源的投入，提高安防监控系统运行效率。
S40：将高可靠级的目标轮廓标记为待分析轮廓，将所述目标图像发送至图像对比分析模型。
具体地，将高可靠级的目标轮廓标记为待分析轮廓，以发送至图像对比分析模型中进行进一步的对比分析，无需对低可靠级的目标轮廓进行对比分析，从而从目标单元的众多监控图像中筛选出有对比分析价值的待分析轮廓图像，以降低图像对比分析的数据量，提高了安防监控系统的图像对比分析效率。
其中，在步骤S40之后，还包括：
S41：逐一将各待分析轮廓进行灰度化处理，得到灰化轮廓，获取所述灰化轮廓中像素点的平均灰度值。
在本实施例中，灰度化处理是指将待分析轮廓图像转化为灰度图，以得到灰化轮廓。
具体地，逐一将各待分析轮廓进行灰度化处理以得到灰化轮廓，确定灰化轮廓中像素点的平均灰度值。
S42：基于预设的采样率值从所述灰化轮廓中采集n个像素点，并确定对应的采样灰度值。
在本实施例中，采样率值用于确定从灰化轮廓中采集像素点的数量，优选的，采样率可以设置为1%。
具体地，根据预设的采样率值从灰化轮廓中采集若干像素点以及对应的灰度值。
S43：计算所述灰化轮廓的清晰度参数，将所述清晰度参数A与预设的清晰度阈值/>进行对比。
具体地，基于采样得到的各像素点的采样灰度值和平均灰度值的方差计算得到清晰度参数，将清晰度参数与预设的清晰度阈值进行对比。
S44：若，将所述灰化轮廓标记为有效灰化目标轮廓，将所述有效灰化目标轮廓与预设的对比图像进行图像对比分析处理，若/>，将所述灰化轮廓标记为无效灰化目标轮廓。
具体地，由于摄像单元的摄像机受汽车远光灯等强光暂时照射或镜头长期积灰未清理时，可能导致所拍摄的目标轮廓虽然距离很近，但仍存在局部模糊的情况，因此，计算清晰度参数，便于对各待分析轮廓进行一次前置检验，将待分析轮廓中不清晰的目标轮廓进行剔除；将清晰度参数大于等于清晰度阈值的灰化轮廓标记为有效灰化目标轮廓并与预设的对比图像进行图像对比分析处理，以便判断待分析轮廓是否属于所需寻找的人员或车辆等目标，将清晰度参数小于清晰度阈值的灰化轮廓标记为无效灰化目标轮廓，以降低消耗在对比分析不清楚轮廓图像上的计算机资源。
应理解，上述实施例中各步骤的序号大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
实施例二
一种IPC安全监测系统，该IPC安全监测系统与上述实施例中IPC安全监测方法相对应。
如图2所示，IPC安全监测系统，包括可靠等级匹配模型生成模块、目标轮廓识别模块、可靠等级评估模块和待分析轮廓标记模块。各功能模块的详细说明如下：
可靠等级匹配模型生成模块，用于获取各型号摄像单元在不同拍摄环境中对目标特征在不同距离的对比成功率的实验数据，生成可靠等级匹配模型，所述可靠等级包括高可靠级和低可靠级，各所述可靠等级对应不同的对比成功率数据区间；
目标轮廓识别模块，用于接收图像对比指令以确定目标单元，以获取对应的目标图像并输入至图像轮廓识别模型中，通过轮廓识别算法识别目标图像中的目标轮廓；
可靠等级评估模块，用于通过图像测距算法识别各目标轮廓与目标单元的目标距离，获取目标单元的型号信息和拍摄环境信息，基于各所述目标轮廓的目标距离和目标单元的型号信息、拍摄环境信息，确定各所述目标轮廓的可靠等级；
待分析轮廓标记模块，用于将高可靠级的目标轮廓标记为待分析轮廓，将所述目标图像发送至图像对比分析模型。
其中，目标轮廓识别模块还包括：
拍摄区域信息确定子模块，用于获取各摄像单元的部署方位信息，以确定各摄像单元对应的拍摄区域信息；
安防区域模型创建子模块，用于基于各所述拍摄区域信息，获取相应的建筑模型数字信息，以创建安防区域模型；
搜索区域确定子模块，用于接收报警信息以确定报警事件地点坐标，基于所述报警事件地点坐标和目标搜索半径，从安防区域模型中确定搜索区域；
图像对比指令发送子模块，用于向搜索区域内的摄像单元发送图像对比指令。
其中，可靠等级评估模块还包括：
指令等级获取子模块，用于获取图像对比指令对应的指令等级，所述指令等级包括高重要级和一般重要级；
待定可靠级处理子模块，用于若所述指令等级为高重要级，将待定可靠级的目标轮廓标记为待分析轮廓，将所述目标图像发送至图像对比分析模型。
其中，待分析轮廓标记模块还包括：
平均灰度值获取子模块，用于逐一将各待分析轮廓进行灰度化处理，得到灰化轮廓，获取所述灰化轮廓中像素点的平均灰度值；
像素点采样子模块，用于基于预设的采样率值从所述灰化轮廓中采集n个像素点，并确定对应的采样灰度值；
清晰度参数对比子模块，用于计算所述灰化轮廓的清晰度参数，将所述清晰度参数A与预设的清晰度阈值/>进行对比；
灰化轮廓标记子模块，用于若，将所述灰化轮廓标记为有效灰化目标轮廓，将所述有效灰化目标轮廓与预设的对比图像进行图像对比分析处理，若/>，将所述灰化轮廓标记为无效灰化目标轮廓。
关于IPC安全监测系统的具体限定可以参见上文中对于IPC安全监测方法的限定，在此不再赘述；上述IPC安全监测系统中的各个模块可全部或部分通过软件、硬件及其组合来实现；上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以是以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
实施例三
一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图3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、网络接口和数据库。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、计算机程序和数据库。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。该计算机设备的数据库用于存储实验数据、可靠等级匹配模型、可靠等级、图像对比指令、图像轮廓识别模型、轮廓识别算法、目标图像、目标轮廓、目标距离、型号信息、拍摄环境信息、待分析轮廓和图像对比分析模型等数据。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IPC安全监测方法。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
S10：获取各型号摄像单元在不同拍摄环境中对目标特征在不同距离的对比成功率的实验数据，生成可靠等级匹配模型，所述可靠等级包括高可靠级和低可靠级，各所述可靠等级对应不同的对比成功率数据区间；
S20：接收图像对比指令以确定目标单元，以获取对应的目标图像并输入至图像轮廓识别模型中，通过轮廓识别算法识别目标图像中的目标轮廓；
S30：通过图像测距算法识别各目标轮廓与目标单元的目标距离，获取目标单元的型号信息和拍摄环境信息，基于各所述目标轮廓的目标距离和目标单元的型号信息、拍摄环境信息，确定各所述目标轮廓的可靠等级；
S40：将高可靠级的目标轮廓标记为待分析轮廓，将所述目标图像发送至图像对比分析模型。
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：
S10：获取各型号摄像单元在不同拍摄环境中对目标特征在不同距离的对比成功率的实验数据，生成可靠等级匹配模型，所述可靠等级包括高可靠级和低可靠级，各所述可靠等级对应不同的对比成功率数据区间；
S20：接收图像对比指令以确定目标单元，以获取对应的目标图像并输入至图像轮廓识别模型中，通过轮廓识别算法识别目标图像中的目标轮廓；
S30：通过图像测距算法识别各目标轮廓与目标单元的目标距离，获取目标单元的型号信息和拍摄环境信息，基于各所述目标轮廓的目标距离和目标单元的型号信息、拍摄环境信息，确定各所述目标轮廓的可靠等级；
S40：将高可靠级的目标轮廓标记为待分析轮廓，将所述目标图像发送至图像对比分析模型。
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。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域普通技术人员应当理解；其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (6)
1.一种IPC安全监测方法，其特征在于，包括：
获取各型号摄像单元在不同拍摄环境中对目标特征在不同距离的对比成功率的实验数据，生成可靠等级匹配模型，所述可靠等级包括高可靠级和低可靠级，各所述可靠等级对应不同的对比成功率数据区间，拍摄环境是指摄像单元当前的成像模式和光照条件，每一摄像单元所包含的摄像机的像素、焦段、光圈值、所具备的成像模式等与其成像质量相关的参数均已知；
接收图像对比指令以确定目标单元，以获取对应的目标图像并输入至图像轮廓识别模型中，通过轮廓识别算法识别目标图像中的目标轮廓；
通过图像测距算法识别各目标轮廓与目标单元的目标距离，获取目标单元的型号信息和拍摄环境信息，基于各所述目标轮廓的目标距离和目标单元的型号信息、拍摄环境信息，确定各所述目标轮廓的可靠等级；
将高可靠级的目标轮廓标记为待分析轮廓，将所述待分析轮廓发送至图像对比分析模型；
所述目标特征是指图像对比分析需要对比的图像特征类型，所述目标单元是指图像对比指令所确定的摄像单元，所述目标图像是指目标单元拍摄的监控图像，目标轮廓是指待监控目标的同类轮廓图像；
所述接收图像对比指令以确定目标单元之前，还包括：
获取各摄像单元的部署方位信息，以确定各摄像单元对应的拍摄区域信息；
基于各所述拍摄区域信息，获取相应的建筑模型数字信息，以创建安防区域模型；
接收报警信息以确定报警事件地点坐标，基于所述报警事件地点坐标和目标搜索半径，从安防区域模型中确定搜索区域；
向搜索区域内的摄像单元发送图像对比指令；
所述将高可靠级的目标轮廓标记为待分析轮廓，将所述待分析轮廓发送至图像对比分析模型之后，包括：
逐一将各待分析轮廓进行灰度化处理，得到灰化轮廓，获取所述灰化轮廓中像素点的平均灰度值；
基于预设的采样率值从所述灰化轮廓中采集n个像素点，并确定对应的采样灰度值；
计算所述灰化轮廓的清晰度参数，将所述清晰度参数A与预设的清晰度阈值/>进行对比；
若，将所述灰化轮廓标记为有效灰化目标轮廓，将所述有效灰化目标轮廓与预设的对比图像进行图像对比分析处理，若/>，将所述灰化轮廓标记为无效灰化目标轮廓。
2.根据权利要求1所述的一种IPC安全监测方法，其特征在于：所述目标特征包括多种类型，每一种目标特征均对应有相应的可靠等级匹配模型和可靠等级。
3.根据权利要求2所述的一种IPC安全监测方法，其特征在于：所述可靠等级还包括待定可靠级；
所述确定各所述目标轮廓的可靠等级之后，还包括：
获取图像对比指令对应的指令等级，所述指令等级包括高重要级和一般重要级；
若所述指令等级为高重要级，将待定可靠级的目标轮廓标记为待分析轮廓，将所述待分析轮廓发送至图像对比分析模型。
4.一种IPC安全监测系统，其特征在于，应用于权利要求1-3任一项所述IPC安全监测方法，包括：
可靠等级匹配模型生成模块，用于获取各型号摄像单元在不同拍摄环境中对目标特征在不同距离的对比成功率的实验数据，生成可靠等级匹配模型，所述可靠等级包括高可靠级和低可靠级，各所述可靠等级对应不同的对比成功率数据区间；
目标轮廓识别模块，用于接收图像对比指令以确定目标单元，以获取对应的目标图像并输入至图像轮廓识别模型中，通过轮廓识别算法识别目标图像中的目标轮廓；
可靠等级评估模块，用于通过图像测距算法识别各目标轮廓与目标单元的目标距离，获取目标单元的型号信息和拍摄环境信息，基于各所述目标轮廓的目标距离和目标单元的型号信息、拍摄环境信息，确定各所述目标轮廓的可靠等级；
待分析轮廓标记模块，用于将高可靠级的目标轮廓标记为待分析轮廓，将所述待分析轮廓发送至图像对比分析模型；
所述目标轮廓识别模块包括：
拍摄区域信息确定子模块，用于获取各摄像单元的部署方位信息，以确定各摄像单元对应的拍摄区域信息；
安防区域模型创建子模块，用于基于各所述拍摄区域信息，获取相应的建筑模型数字信息，以创建安防区域模型；
搜索区域确定子模块，用于接收报警信息以确定报警事件地点坐标，基于所述报警事件地点坐标和目标搜索半径，从安防区域模型中确定搜索区域；
图像对比指令发送子模块，用于向搜索区域内的摄像单元发送图像对比指令；
所述待分析轮廓标记模块包括：
平均灰度值获取子模块，用于逐一将各待分析轮廓进行灰度化处理，得到灰化轮廓，获取所述灰化轮廓中像素点的平均灰度值；
像素点采样子模块，用于基于预设的采样率值从所述灰化轮廓中采集n个像素点，并确定对应的采样灰度值；
清晰度参数对比子模块，用于计算所述灰化轮廓的清晰度参数，将所述清晰度参数A与预设的清晰度阈值/>进行对比；
灰化轮廓标记子模块，用于若，将所述灰化轮廓标记为有效灰化目标轮廓，将所述有效灰化目标轮廓与预设的对比图像进行图像对比分析处理，若/>，将所述灰化轮廓标记为无效灰化目标轮廓。
5.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至3任一项所述IPC安全监测方法的步骤。
6.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至3任一项所述IPC安全监测方法的步骤。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311502319 | 2023-11-13 | ||
| CN202311502319X | 2023-11-13 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117253195A CN117253195A (zh) | 2023-12-19 |
| CN117253195B true CN117253195B (zh) | 2024-02-27 |
Family
ID=89129788
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311520718.9A Active CN117253195B (zh) | 2023-11-13 | 2023-11-15 | 一种ipc安全监测方法、监测系统、计算机设备和可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117253195B (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN202624201U (zh) * | 2012-04-27 | 2012-12-26 | 浙江吉利汽车研究院有限公司杭州分公司 | 一种车用行人检测智能控制装置 |
| CN105898135A (zh) * | 2015-11-15 | 2016-08-24 | 乐视移动智能信息技术（北京）有限公司 | 相机成像方法及相机装置 |
| CN108806151A (zh) * | 2018-05-31 | 2018-11-13 | 上海与德科技有限公司 | 监控报警方法、装置、服务器和存储介质 |
| CN109684989A (zh) * | 2018-12-20 | 2019-04-26 | Oppo广东移动通信有限公司 | 安全监护方法、装置、终端及计算机可读存储介质 |
| CN110147465A (zh) * | 2019-05-23 | 2019-08-20 | 上海闻泰电子科技有限公司 | 图像处理方法、装置、设备和介质 |
| CN110503108A (zh) * | 2019-07-11 | 2019-11-26 | 平安科技（深圳）有限公司 | 违章建筑识别方法及装置、存储介质、计算机设备 |
| CN110929591A (zh) * | 2019-11-04 | 2020-03-27 | 广州供电局有限公司 | 变电站监控方法、装置、计算机设备和存储介质 |
| CN112351247A (zh) * | 2020-10-16 | 2021-02-09 | 国电大渡河枕头坝发电有限公司 | 一种基于图像处理的水电厂内电光闪光检测方法 |
| WO2021238070A1 (zh) * | 2020-05-29 | 2021-12-02 | 深圳市沃特沃德股份有限公司 | 三维图像的生成方法、装置及计算机设备 |
| CN114241370A (zh) * | 2021-12-07 | 2022-03-25 | 广东电网有限责任公司广州供电局 | 基于数字孪生变电站的入侵识别方法、装置和计算机设备 |
| CN114387648A (zh) * | 2021-12-31 | 2022-04-22 | 深圳云天励飞技术股份有限公司 | 异常图像检测方法、装置、计算机设备及存储介质 |
| CN114845097A (zh) * | 2022-05-06 | 2022-08-02 | 广东申立信息工程股份有限公司 | 一种ipc安全监测系统 |
| WO2022183902A1 (zh) * | 2021-03-02 | 2022-09-09 | 百果园技术(新加坡)有限公司 | 图像清晰度确定方法、装置、设备及存储介质 |
| CN115171197A (zh) * | 2022-09-01 | 2022-10-11 | 广州市森锐科技股份有限公司 | 一种高精度图像信息识别方法、系统、设备及存储介质 |
| CN115278208A (zh) * | 2022-05-17 | 2022-11-01 | 广东申立信息工程股份有限公司 | Ipc安全监测系统、方法及计算机可读存储介质 |
| CN116634100A (zh) * | 2023-05-25 | 2023-08-22 | 广东申立信息工程股份有限公司 | 一种基于ipc的信息交互方法及系统 |
-
2023
- 2023-11-15 CN CN202311520718.9A patent/CN117253195B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN202624201U (zh) * | 2012-04-27 | 2012-12-26 | 浙江吉利汽车研究院有限公司杭州分公司 | 一种车用行人检测智能控制装置 |
| CN105898135A (zh) * | 2015-11-15 | 2016-08-24 | 乐视移动智能信息技术（北京）有限公司 | 相机成像方法及相机装置 |
| WO2017080237A1 (zh) * | 2015-11-15 | 2017-05-18 | 乐视控股（北京）有限公司 | 相机成像方法及相机装置 |
| CN108806151A (zh) * | 2018-05-31 | 2018-11-13 | 上海与德科技有限公司 | 监控报警方法、装置、服务器和存储介质 |
| WO2020125406A1 (zh) * | 2018-12-20 | 2020-06-25 | Oppo广东移动通信有限公司 | 安全监护方法、装置、终端及计算机可读存储介质 |
| CN109684989A (zh) * | 2018-12-20 | 2019-04-26 | Oppo广东移动通信有限公司 | 安全监护方法、装置、终端及计算机可读存储介质 |
| CN110147465A (zh) * | 2019-05-23 | 2019-08-20 | 上海闻泰电子科技有限公司 | 图像处理方法、装置、设备和介质 |
| CN110503108A (zh) * | 2019-07-11 | 2019-11-26 | 平安科技（深圳）有限公司 | 违章建筑识别方法及装置、存储介质、计算机设备 |
| CN110929591A (zh) * | 2019-11-04 | 2020-03-27 | 广州供电局有限公司 | 变电站监控方法、装置、计算机设备和存储介质 |
| WO2021238070A1 (zh) * | 2020-05-29 | 2021-12-02 | 深圳市沃特沃德股份有限公司 | 三维图像的生成方法、装置及计算机设备 |
| CN112351247A (zh) * | 2020-10-16 | 2021-02-09 | 国电大渡河枕头坝发电有限公司 | 一种基于图像处理的水电厂内电光闪光检测方法 |
| WO2022183902A1 (zh) * | 2021-03-02 | 2022-09-09 | 百果园技术(新加坡)有限公司 | 图像清晰度确定方法、装置、设备及存储介质 |
| CN114241370A (zh) * | 2021-12-07 | 2022-03-25 | 广东电网有限责任公司广州供电局 | 基于数字孪生变电站的入侵识别方法、装置和计算机设备 |
| CN114387648A (zh) * | 2021-12-31 | 2022-04-22 | 深圳云天励飞技术股份有限公司 | 异常图像检测方法、装置、计算机设备及存储介质 |
| CN114845097A (zh) * | 2022-05-06 | 2022-08-02 | 广东申立信息工程股份有限公司 | 一种ipc安全监测系统 |
| CN115278208A (zh) * | 2022-05-17 | 2022-11-01 | 广东申立信息工程股份有限公司 | Ipc安全监测系统、方法及计算机可读存储介质 |
| CN115171197A (zh) * | 2022-09-01 | 2022-10-11 | 广州市森锐科技股份有限公司 | 一种高精度图像信息识别方法、系统、设备及存储介质 |
| CN116634100A (zh) * | 2023-05-25 | 2023-08-22 | 广东申立信息工程股份有限公司 | 一种基于ipc的信息交互方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117253195A (zh) | 2023-12-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Venkateswari et al. | License Plate cognizance by Ocular Character Perception' | |
| US10115209B2 (en) | Image target tracking method and system thereof | |
| CN110533923B (zh) | 停车管理方法、装置、计算机设备及存储介质 | |
| US7006950B1 (en) | Statistical modeling and performance characterization of a real-time dual camera surveillance system | |
| CN112396658B (zh) | 一种基于视频的室内人员定位方法及定位系统 | |
| US20200057886A1 (en) | Gesture recognition method and apparatus, electronic device, and computer-readable storage medium | |
| CN110264495B (zh) | 一种目标跟踪方法及装置 | |
| CN110287776B (zh) | 一种人脸识别的方法、装置以及计算机可读存储介质 | |
| CN108665476A (zh) | 一种行人跟踪方法以及电子设备 | |
| KR101553589B1 (ko) | Lpr 시스템에서 적응적 확률기반의 저조도 영상개선 및 스미어 복원처리 장치와 그 방법 | |
| CN113490965A (zh) | 图像跟踪处理方法、装置、计算机设备和存储介质 | |
| CN111259813A (zh) | 人脸检测跟踪方法、装置、计算机设备和存储介质 | |
| Mahajan et al. | Detection of concealed weapons using image processing techniques: A review | |
| CN114037892A (zh) | 一种用于目标识别的方法、装置、设备和可读存储介质 | |
| CN114092515A (zh) | 用于障碍遮挡的目标跟踪检测方法、装置、设备及介质 | |
| CN117253195B (zh) | 一种ipc安全监测方法、监测系统、计算机设备和可读存储介质 | |
| KR102506971B1 (ko) | 딥러닝 기반의 후방 촬영을 통한 이륜자동차 번호판 인식 방법 및 시스템 | |
| CN116452976A (zh) | 一种煤矿井下安全检测方法 | |
| CN116704411A (zh) | 一种基于物联网的安防管控方法、系统及存储介质 | |
| CN115767424A (zh) | 一种基于rss与csi融合的视频定位方法 | |
| KR102426594B1 (ko) | 크라우드소싱 환경에서 객체의 위치를 추정하는 시스템 및 방법 | |
| CN114882003A (zh) | 一种检测相机的拍摄位姿变化的方法、介质及计算设备 | |
| KR101563543B1 (ko) | 경차 및 이륜차 인식을 위한 lpr 시스템 | |
| CN111882656A (zh) | 基于人工智能的图形处理方法、设备及存储介质 | |
| US20220036114A1 (en) | Edge detection image capture and recognition system |
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 |