CN117372968B - 一种基于物联网的电动车入户监测方法 - Google Patents
一种基于物联网的电动车入户监测方法 Download PDFInfo
- Publication number
- CN117372968B CN117372968B CN202311666569.7A CN202311666569A CN117372968B CN 117372968 B CN117372968 B CN 117372968B CN 202311666569 A CN202311666569 A CN 202311666569A CN 117372968 B CN117372968 B CN 117372968B
- Authority
- CN
- China
- Prior art keywords
- video frame
- video
- image
- area
- electric vehicle
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012544 monitoring process Methods 0.000 title claims abstract description 29
- 238000012512 characterization method Methods 0.000 claims description 58
- 230000006835 compression Effects 0.000 claims description 30
- 238000007906 compression Methods 0.000 claims description 30
- 230000000007 visual effect Effects 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 21
- 238000012216 screening Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 12
- 230000003068 static effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 12
- 230000005540 biological transmission Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012549 training Methods 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
- G06V10/70—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明涉及视频监测领域,尤其涉及一种基于物联网的电动车入户监测方法,本发明通过视频段中各视频帧图像参量的差异计算动态离散表征值,划分所述视频段的类别,仅将动态类型视频段传送至云端,并且,在传送时根据各视频帧中局部图像区域间图像参量的差异计算各视频帧的视觉复杂表征值,筛选出各视频帧的冗余图像区域,调整对冗余图像区域进行编码压缩时的编码压缩率,并且,在云端仅分析特征视频帧中是否存在目标物体,通过上述过程,优化视频传输过程,在保证视频数据可靠性的前提下减小传输视频数据所需占用的带宽,能够筛选出具备数据表征性的视频帧针对性分析,减少无关特征的干扰,在保证可靠性的前提下减少算力资源的耗费。
Description
技术领域
本发明涉及视频监测领域,尤其涉及一种基于物联网的电动车入户监测方法。
背景技术
随着物联网技术以及图像处理技术的发展,现在能够通过物联网图像采集设备获取图像,在云端对视频进行分析得出分析结果,相关技术被广泛应用在各类监控领域,例如火灾监控、盗窃监控、电动车入户监控等等。
中国专利公开号:CN115841655A,公开了一种用于城市楼宇消防的电动车入户监测方法及系统,涉及楼宇消防技术领域,入户监测方法包括如下步骤:当人体红外检测器获取到人体红外图像时,启动摄像头获取人体图像;在楼宇的入口处对电动车车牌信息和图像信息进行获取,以及在楼宇内的电梯处对电动车车牌信息和图像信息进行获取;对电动车车牌信息进行处理,当获取到电动车车牌号码有效时,输出电动车进入信号;该发明通过在楼宇的入口处和电梯处进行电动车进入监测,并且针对电动车和人员进行特征提取,能够有效识别筛选到电动车入户信息,以解决现有的电动车入户监测方法存在不足,很难对电动车入户进行有效监管的问题。
但是,现有技术中,还存在以下问题:
在实际情况中,若对大面积的楼宇进行监控,视频传输需要占用较大的带宽,且处理端需要处理海量的视频数据,而对视频中的目标特征进行识别则需要耗费算力,尤其数据量较大时,需要占用较大的算力资源。
发明内容
为此,本发明提供一种基于物联网的电动车入户监测方法,用以克服现有技术中对大面积的楼宇进行监控,视频传输需要占用较大的带宽,且处理端需要处理海量的视频数据,而对视频中的目标特征进行识别则需要耗费算力,尤其数据量较大时,需要占用较大的算力资源的问题。
为实现上述目的,本发明提供一种基于物联网的电动车入户监测方法,其包括:
步骤S1,获取设置在预定区域的图像采集单元所采集的视频数据,根据视频段中各视频帧图像参量的差异计算动态离散表征值,以划分所述视频段的类别,所述图像参量包括亮度以及色度;
步骤S2,仅将动态类型视频段传送至云端,传送过程包括,
基于各视频帧中局部图像区域间图像参量的差异计算各视频帧的视觉复杂表征值,筛选出各视频帧的冗余图像区域,调整对冗余图像区域进行编码压缩时的编码压缩率,以对各视频帧编码压缩后将所得编码压缩数据传送至云端;
步骤S3,对传送至云端的编码压缩数据进行分析,分析过程包括,
对所述编码压缩数据进行解码得到若干还原视频帧,基于各所述还原视频帧中物体轮廓的面积初步筛选出特征视频帧,仅分析特征视频帧中是否存在目标物体,所述目标物体为预先所确定。
进一步地,在所述步骤S1中,按照公式(1)计算视频段对应的动态离散表征值G,
,
公式(1)中,Di表示所述视频段中第i视频帧的平均色度,ΔD表示所述视频段的平均色度,Ri表示所述视频段中第i视频帧的平均亮度,ΔR表示所述视频段的平均亮度,n表示所述视频段中视频帧数量,i为大于0的整数。
进一步地,在所述步骤S1中,基于动态离散表征值划分所述视频段的类别的过程包括,
将所述动态离散表征值与预定的动态离散表征阈值进行对比,
若所述动态离散表征值大于等于所述动态离散表征阈值,将所述视频段的类别划分为动态类型;
若所述动态离散表征值小于所述动态离散表征阈值,将所述视频段的类别划分为静态类型。
进一步地,所述步骤S2中,获取视频帧中各局部图像区域的图像参量,根据公式(2)计算视觉复杂表征值E,
,
公式(2)中,Dei表示视频帧第i局部图像区域的平均色度,ΔDe表示所述视频帧的平均色度,Rei表示视频帧第i局部图像区域的平均亮度,ΔRe表示所述视频帧的平均亮度,ne表示所述视频帧中局部图像区域的数量,i为大于0的整数。
进一步地,在所述步骤S2中,筛选出各视频帧的冗余图像区域的过程包括,
将所述视频帧中各局部图像区域对应的视觉复杂表征值与预设的视觉复杂表征阈值进行对比,
若所述视频帧中局部图像区域对应的视觉复杂表征值小于预设的视觉复杂表征阈值,则判定所述局部图像区域为冗余图像区域。
进一步地,各所述局部图像区域为预先划定,且各所述局部图像区域的面积均相同。
进一步地,在所述步骤S2中,调整对冗余图像区域进行编码压缩时的编码压缩率,其中,
进行编码压缩时的编码压缩率与所述冗余图像区域对应的视觉复杂表征阈值成反相关关系。
进一步地,在所述步骤S3中,基于各所述还原视频帧中物体轮廓的面积初步筛选出特征视频帧的过程包括,
识别各所述还原视频帧中的物体轮廓的面积,
将还原视频帧中物体轮廓的面积与预设的面积阈值进行对比,
若所述还原视频帧中物体轮廓的面积大于或等于所述面积阈值,则筛选所述还原视频帧为特征视频帧。
进一步地,在所述步骤S3中,预先设置有用以识别特征视频帧中是否出现目标物体的图像处理模型。
进一步地,所述步骤S3中还包括,存储存在目标物体的特征视频帧,并标定其中的目标物体。
与现有技术相比,本发明通过视频段中各视频帧图像参量的差异计算动态离散表征值,划分所述视频段的类别,仅将动态类型视频段传送至云端,并且,在传送时根据各视频帧中局部图像区域间图像参量的差异计算各视频帧的视觉复杂表征值,筛选出各视频帧的冗余图像区域,调整对冗余图像区域进行编码压缩时的编码压缩率,并且,在云端对还原视频帧进行分析时筛选出特征视频帧,仅分析特征视频帧中是否存在目标物体,通过上述过程,优化视频传输过程,在保证视频数据可靠性的前提下减小传输视频数据所需占用的带宽,并且能够筛选出具备数据表征性的视频帧,进行针对性分析,进而减少无关特征的干扰,在保证可靠性的前提下减少算力资源的耗费。
尤其,本发明中划分视频段的类别,在实际情况中,采用图像采集单元对电动车进行入户监测时,一般采用特征识别的方式,但是,大量时间内所获取的视频数据中不存在有效特征,后续对图像数据进行全域分析则会占用算力,因此,本发明通过计算动态离散表征值,划分视频帧段的类别,仅将动态类型视频段传送至云端,并且,动态离散表征值基于图像参量计算所得,图像参量属于显性参数,便于获取,不占用算力,进而,可靠的对视频数据进行初步筛选,减少无关特征的干扰,在保证可靠性的前提下减少算力资源的耗费。
尤其,本发明在将动态类型视频段传输至云端时,筛选出各视频帧的冗余图像区域,视频帧各局部区域中特征的数据表征性不同,在实际情况中,若单个视频段中出现人物移动,则人物移动的区域为重点监测区域,同样的由于人物移动,会导致该区域内的图像参量发生变化,与周边环境体现出一定的差异性,而后续采用图像进行分析时,周边环境的特征可能不会影响到最终的分析结果,因此,本发明识别冗余图像区域,调整对冗余图像区域进行编码压缩时的编码压缩率,进而优化视频传输过程,在保证视频数据可靠性的前提下减小传输视频数据所需占用的带宽。
尤其,本发明对云端的编码压缩数据进行分析时初步筛选出特征视频帧,仅分析特征视频帧中是否存在目标物体,在实际情况中,若人携带电动车入户,人体以及电动车所构成的物体轮廓在视频数据中会较大,因此,根据还原视频帧中物体轮廓的面积初步筛选出特征视频帧后再通过图像处理模型识别是否存在预先设定的目标物体,在保证可靠性的前提下减少算力资源的耗费。
附图说明
图1为发明实施例的基于物联网的电动车入户监测方法步骤示意图;
图2为发明实施例的视频段的类别划分过程逻辑框图;
图3为发明实施例的冗余图像区域筛选过程逻辑框图;
图4为发明实施例的特征视频帧筛选过程逻辑框图。
具体实施方式
为了使本发明的目的和优点更加清楚明白,下面结合实施例对本发明作进一步描述;应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非在限制本发明的保护范围。
此外,还需要说明的是,在本发明的描述中,除非另有明确的规定和限定,术语“连接”应做广义理解,例如,可以是电连接,可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域技术人员而言,可根据具体情况理解上述术语在本发明中的具体含义。
请参阅图1、图2、图3以及图4所示,图1为发明实施例的基于物联网的电动车入户监测方法步骤示意图,图2为发明实施例的视频段的类别划分过程逻辑框图,图3为发明实施例的冗余图像区域筛选过程逻辑框图,图4为发明实施例的特征视频帧筛选过程逻辑框图,本发明实施例的基于物联网的电动车入户监测方法包括:
步骤S1,获取设置在预定区域的图像采集单元所采集的视频数据,根据视频段中各视频帧图像参量的差异计算动态离散表征值,以划分所述视频段的类别,所述图像参量包括亮度以及色度;
步骤S2,仅将动态类型视频段传送至云端,传送过程包括,
基于各视频帧中局部图像区域间图像参量的差异计算各视频帧的视觉复杂表征值,筛选出各视频帧的冗余图像区域,调整对冗余图像区域进行编码压缩时的编码压缩率,以对各视频帧编码压缩后将所得编码压缩数据传送至云端;
步骤S3,对传送至云端的编码压缩数据进行分析,分析过程包括,
对所述编码压缩数据进行解码得到若干还原视频帧,基于各所述还原视频帧中物体轮廓的面积初步筛选出特征视频帧,仅分析特征视频帧中是否存在目标物体,所述目标物体为预先所确定。
具体而言,在本实施例中,目标物体可预先设定为电动车。
具体而言,本发明对图像采集单元的具体结构不做限定,在本实施例中其可以是物联网摄像头,只需能将所采集的数据传输至云端即可,当然,物联网摄像头需具备通信模组,预先与云端建立通信协议,此为现有技术,不再赘述。
以及,物联网摄像头还需具备逻辑部件,以实现一定的分析判定运算功能,逻辑部件包括现场可编程部件或微处理器。
具体而言,本发明对确定视频数据图像参量的具体方式不做限定,图像参量为显性参量,便于获取,此不再赘述。
具体而言,本发明对编码压缩的标准不做限定,可以理解的是,图像传输需要进行编码压缩,图像处理单元对所获取的图像数据进行编码压缩的标准有多种,例如H.264,其为目前广泛使用的编码标准,此处不再赘述。
具体而言,本发明对云端处理数据的方式不做限定,其可以是设置云端平台,需预先与图像采集单元连接,建立通信协议,以传输数据,此不再赘述。
具体而言,在所述步骤S1中,按照公式(1)计算视频段对应的动态离散表征值G,
,
公式(1)中,Di表示所述视频段中第i视频帧的平均色度,ΔD表示所述视频段的平均色度,Ri表示所述视频段中第i视频帧的平均亮度,ΔR表示所述视频段的平均亮度,n表示所述视频段中视频帧数量,i为大于0的整数,视频段的平均色度为各视频帧的平均色度的平均值,视频段的平均亮度为各视频帧的平均亮度的平均值。
具体而言,在所述步骤S1中,基于动态离散表征值划分所述视频段的类别的过程包括,
将所述动态离散表征值与预定的动态离散表征阈值进行对比,
若所述动态离散表征值大于等于所述动态离散表征阈值,将所述视频段的类别划分为动态类型;
若所述动态离散表征值小于所述动态离散表征阈值,将所述视频段的类别划分为静态类型。
具体而言,动态离散表征阈值G0为预先所设定,预先采集包含移动人物的若干样本视频段,计算各样本视频段的动态离散标准值的平均值ΔG,设定,G0=α×ΔG,α为精度系数,1.15<α<1.3。
本发明中划分视频段的类别,在实际情况中,采用图像采集单元对电动车进行入户监测时,一般采用特征识别的方式,但是,大量时间内所获取的视频数据中不存在有效特征,后续对图像数据进行全域分析则会占用算力,因此,本发明通过计算动态离散表征值,划分视频帧段的类别,仅将动态类型视频段传送至云端,并且,动态离散表征值基于图像参量计算所得,图像参量属于显性参数,便于获取,不占用算力,进而,可靠的对视频数据进行初步筛选,减少无关特征的干扰,在保证可靠性的前提下减少算力资源的耗费。
具体而言,所述步骤S2中,获取视频帧中各局部图像区域的图像参量,根据公式(2)计算视觉复杂表征值E,
,
公式(2)中,Dei表示视频帧第i局部图像区域的平均色度,ΔDe表示所述视频帧的平均色度,Rei表示视频帧第i局部图像区域的平均亮度,ΔRe表示所述视频帧的平均亮度,ne表示所述视频帧中局部图像区域的数量,i为大于0的整数。
具体而言,在所述步骤S2中,筛选出各视频帧的冗余图像区域的过程包括,
将所述视频帧中各局部图像区域对应的视觉复杂表征值与预设的视觉复杂表征阈值进行对比,
若所述视频帧中局部图像区域对应的视觉复杂表征值小于预设的视觉复杂表征阈值,则判定所述局部图像区域为冗余图像区域。
具体而言,在本实施例中,视觉复杂标准阈值E0为预先设定,其中,获取若干图像采集单元所获取的包含人物的视频帧,并求解各视频帧中人物所在局部图像区域对应的视觉复杂表征值,并求解平均值ΔE,设定E0=ΔE×β,β为偏移系数,0.85<β<0.95。
具体而言,各所述局部图像区域为预先划定,且各所述局部图像区域的面积均相同。
具体而言,在所述步骤S2中,调整对冗余图像区域进行编码压缩时的编码压缩率,其中,
进行编码压缩时的编码压缩率与所述冗余图像区域对应的视觉复杂表征阈值成反相关关系。
在本实施例中,提供调整编码压缩率的调整方式,具体包括,
将冗余图像区域对应的视觉复杂表征值与预设的第一视觉复杂表征值E1以及第二视觉复杂表征值E2进行对比,
若E>E2,调整对冗余图像区域进行编码压缩时的编码压缩率为第一编码压缩率K1,
若E1≤E≤E2,调整对冗余图像区域进行编码压缩时的编码压缩率为第二编码压缩率K2,
若E<E1,调整对冗余图像区域进行编码压缩时的编码压缩率为第三编码压缩率K3,
在本实施例中,E1=0.75E0,E2=0.85E0,1/200<K1<K2<K3<1/20。
本发明在将动态类型视频段传输至云端时,筛选出各视频帧的冗余图像区域,视频帧各局部区域中特征的数据表征性不同,在实际情况中,若单个视频段中出现人物移动,则人物移动的区域为重点监测区域,同样的由于人物移动,会导致该区域内的图像参量发生变化,与周边环境体现出一定的差异性,而后续采用图像进行分析时,周边环境的特征可能不会影响到最终的分析结果,因此,本发明识别冗余图像区域,调整对冗余图像区域进行编码压缩时的编码压缩率,进而优化视频传输过程,在保证视频数据可靠性的前提下减小传输视频数据所需占用的带宽。
具体而言,在所述步骤S3中,基于各所述还原视频帧中物体轮廓的面积初步筛选出特征视频帧的过程包括,
识别各所述还原视频帧中的物体轮廓的面积,
将还原视频帧中物体轮廓的面积与预设的面积阈值进行对比,
若所述还原视频帧中物体轮廓的面积大于或等于所述面积阈值,则筛选所述还原视频帧为特征视频帧。
具体而言,此处的物体轮廓具体包括物体对应的轮廓以及人物对应的轮廓或物体与人物因位置关系重叠后对应的轮廓。
具体而言,面积阈值S0为预先设定,获取图像采集单元所采集的仅包含单个人物的视频帧,求解各视频帧中单个人物对应的轮廓面积,并求解轮廓面积平均值ΔS,设定S0=ΔS×1.6。
本发明对云端的编码压缩数据进行分析时初步筛选出特征视频帧,仅分析特征视频帧中是否存在目标物体,在实际情况中,若人携带电动车入户,人体以及电动车所构成的物体轮廓在视频数据中会较大,因此,根据还原视频帧中物体轮廓的面积初步筛选出特征视频帧后再通过图像处理模型识别是否存在预先设定的目标物体,在保证可靠性的前提下减少算力资源的耗费。
具体而言,在所述步骤S3中,预先设置有用以识别特征视频帧中是否出现目标物体的图像处理模型。
具体而言,本发明对图像处理模型的具体构造不做限定,识别图像中目标物体的图像处理模块有多种,例如,R-CNN模型,通过候选区域提取和分类来实现目标检测;SSD模型,基于卷积神经网络的目标检测模型,能够在单个前向传播中同时预测多个不同尺度的目标;
这些模型都是基于深度学习方法的目标检测模型,在训练之前需要大量的标注数据和计算资源,在实际情况中,可以选择使用已经训练好的模型进行物体识别,或者根据需求重新训练模型,此为现有技术,不再赘述。
具体而言,所述步骤S3中还包括,存储存在目标物体的特征视频帧,并标定其中的目标物体。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征做出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (7)
1.一种基于物联网的电动车入户监测方法,其特征在于,包括:
步骤S1,获取设置在预定区域的图像采集单元所采集的视频数据,根据视频段中各视频帧图像参量的差异计算动态离散表征值,以划分所述视频段的类别,所述图像参量包括亮度以及色度;
步骤S2,仅将动态类型视频段传送至云端,传送过程包括,
基于各视频帧中局部图像区域间图像参量的差异计算各视频帧的视觉复杂表征值,筛选出各视频帧的冗余图像区域,调整对冗余图像区域进行编码压缩时的编码压缩率,以对各视频帧编码压缩后将所得编码压缩数据传送至云端;
步骤S3,对传送至云端的编码压缩数据进行分析,分析过程包括,
对所述编码压缩数据进行解码得到若干还原视频帧,基于各所述还原视频帧中物体轮廓的面积初步筛选出特征视频帧,仅分析特征视频帧中是否存在目标物体,所述目标物体为预先所确定;
在所述步骤S1中,按照公式(1)计算视频段对应的动态离散表征值G,
,
公式(1)中,Di表示所述视频段中第i视频帧的平均色度,ΔD表示所述视频段的平均色度,Ri表示所述视频段中第i视频帧的平均亮度,ΔR表示所述视频段的平均亮度,n表示所述视频段中视频帧数量,i为大于0的整数;
在所述步骤S1中,基于动态离散表征值划分所述视频段的类别的过程包括,
将所述动态离散表征值与预定的动态离散表征阈值进行对比,
若所述动态离散表征值大于等于所述动态离散表征阈值,将所述视频段的类别划分为动态类型;
若所述动态离散表征值小于所述动态离散表征阈值,将所述视频段的类别划分为静态类型;
所述步骤S2中,获取视频帧中各局部图像区域的图像参量,根据公式(2)计算视觉复杂表征值E,
,
公式(2)中,Dei表示视频帧第i局部图像区域的平均色度,ΔDe表示所述视频帧的平均色度,Rei表示视频帧第i局部图像区域的平均亮度,ΔRe表示所述视频帧的平均亮度,ne表示所述视频帧中局部图像区域的数量,i为大于0的整数。
2.根据权利要求1所述的基于物联网的电动车入户监测方法,其特征在于,在所述步骤S2中,筛选出各视频帧的冗余图像区域的过程包括,
将所述视频帧中各局部图像区域对应的视觉复杂表征值与预设的视觉复杂表征阈值进行对比,
若所述视频帧中局部图像区域对应的视觉复杂表征值小于预设的视觉复杂表征阈值,则判定所述局部图像区域为冗余图像区域。
3.根据权利要求2所述的基于物联网的电动车入户监测方法,其特征在于,各所述局部图像区域为预先划定,且各所述局部图像区域的面积均相同。
4.根据权利要求1所述的基于物联网的电动车入户监测方法,其特征在于,在所述步骤S2中,调整对冗余图像区域进行编码压缩时的编码压缩率,其中,
进行编码压缩时的编码压缩率与所述冗余图像区域对应的视觉复杂表征阈值成反相关关系。
5.根据权利要求1所述的基于物联网的电动车入户监测方法,其特征在于,在所述步骤S3中,基于各所述还原视频帧中物体轮廓的面积初步筛选出特征视频帧的过程包括,
识别各所述还原视频帧中的物体轮廓的面积,
将还原视频帧中物体轮廓的面积与预设的面积阈值进行对比,
若所述还原视频帧中物体轮廓的面积大于或等于所述面积阈值,则筛选所述还原视频帧为特征视频帧。
6.根据权利要求1所述的基于物联网的电动车入户监测方法,其特征在于,在所述步骤S3中,预先设置有用以识别特征视频帧中是否出现目标物体的图像处理模型。
7.根据权利要求1所述的基于物联网的电动车入户监测方法,其特征在于,所述步骤S3中还包括,存储存在目标物体的特征视频帧,并标定其中的目标物体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311666569.7A CN117372968B (zh) | 2023-12-07 | 2023-12-07 | 一种基于物联网的电动车入户监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311666569.7A CN117372968B (zh) | 2023-12-07 | 2023-12-07 | 一种基于物联网的电动车入户监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117372968A CN117372968A (zh) | 2024-01-09 |
CN117372968B true CN117372968B (zh) | 2024-03-22 |
Family
ID=89404426
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311666569.7A Active CN117372968B (zh) | 2023-12-07 | 2023-12-07 | 一种基于物联网的电动车入户监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117372968B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109831650A (zh) * | 2019-02-18 | 2019-05-31 | 中国科学院半导体研究所 | 一种监控视频的处理系统及方法 |
WO2019242330A1 (zh) * | 2018-06-19 | 2019-12-26 | 华为技术有限公司 | 一种监控方法、识别方法、相关装置及系统 |
CN113470011A (zh) * | 2021-07-28 | 2021-10-01 | 浙江大华技术股份有限公司 | 一种电动车检测、报警方法、装置、设备、介质及系统 |
CN114202742A (zh) * | 2021-02-03 | 2022-03-18 | 苏州飞易智能系统有限公司 | 电瓶车是否进入电梯的判断方法及装置 |
CN115841655A (zh) * | 2023-02-21 | 2023-03-24 | 广东广宇科技发展有限公司 | 一种用于城市楼宇消防的电动车入户监测方法及系统 |
CN116456061A (zh) * | 2023-06-15 | 2023-07-18 | 四川三思德科技有限公司 | 基于动态目标检测的智能社区监控管理方法、系统及介质 |
CN116797993A (zh) * | 2023-05-13 | 2023-09-22 | 全景智联(武汉)科技有限公司 | 一种基于智慧社区场景的监控方法、系统、介质及设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11302117B2 (en) * | 2019-04-09 | 2022-04-12 | Avigilon Corporation | Anomaly detection method, system and computer readable medium |
-
2023
- 2023-12-07 CN CN202311666569.7A patent/CN117372968B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019242330A1 (zh) * | 2018-06-19 | 2019-12-26 | 华为技术有限公司 | 一种监控方法、识别方法、相关装置及系统 |
CN109831650A (zh) * | 2019-02-18 | 2019-05-31 | 中国科学院半导体研究所 | 一种监控视频的处理系统及方法 |
CN114202742A (zh) * | 2021-02-03 | 2022-03-18 | 苏州飞易智能系统有限公司 | 电瓶车是否进入电梯的判断方法及装置 |
CN113470011A (zh) * | 2021-07-28 | 2021-10-01 | 浙江大华技术股份有限公司 | 一种电动车检测、报警方法、装置、设备、介质及系统 |
CN115841655A (zh) * | 2023-02-21 | 2023-03-24 | 广东广宇科技发展有限公司 | 一种用于城市楼宇消防的电动车入户监测方法及系统 |
CN116797993A (zh) * | 2023-05-13 | 2023-09-22 | 全景智联(武汉)科技有限公司 | 一种基于智慧社区场景的监控方法、系统、介质及设备 |
CN116456061A (zh) * | 2023-06-15 | 2023-07-18 | 四川三思德科技有限公司 | 基于动态目标检测的智能社区监控管理方法、系统及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117372968A (zh) | 2024-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112037365B (zh) | 面向行车记录仪基于边缘计算的车辆火灾事故检测报警系统 | |
CN110261436A (zh) | 基于红外热成像和计算机视觉的轨道故障检测方法及系统 | |
CN112396658B (zh) | 一种基于视频的室内人员定位方法及定位系统 | |
CN111762649A (zh) | 出入电梯物件检测系统及方法、物件检测系统、电梯光幕以及电梯设备 | |
CN105744232A (zh) | 一种基于行为分析技术的输电线路视频防外破的方法 | |
CN110348380B (zh) | 一种可视化接地刀闸状态视频识别系统及方法 | |
CN112016435A (zh) | 异常行为的检测方法、装置、电子设备和存储介质 | |
CN114202711A (zh) | 一种列车车厢内异常行为智能监测方法、装置及监控系统 | |
CN116095347B (zh) | 基于视频分析的建筑工程安全施工方法及系统 | |
CN111047874A (zh) | 智能交通违章管理方法及相关产品 | |
CN113111823A (zh) | 一种建筑施工地的异常行为检测方法和相关装置 | |
CN112183219A (zh) | 一种基于人脸识别的公共安全视频监测方法及系统 | |
CN115578666A (zh) | 交通异常事件和静态事件相结合的关键帧过滤系统 | |
CN111523386A (zh) | 一种基于机器视觉的高速铁路站台门监测防护方法及系统 | |
CN117372968B (zh) | 一种基于物联网的电动车入户监测方法 | |
CN111241918B (zh) | 一种基于人脸识别的车用防跟踪方法及系统 | |
CN115861905B (zh) | 一种基于物联网的酒店管理系统 | |
CN111783618A (zh) | 一种基于视频内容分析的园区大脑感知方法和系统 | |
CN114743140A (zh) | 一种基于人工智能技术的消防通道占用识别方法和装置 | |
CN103095967A (zh) | 一种视频噪声量化计算方法及系统 | |
CN112115767B (zh) | 基于Retinex和YOLOv3模型的隧道异物检测方法 | |
CN111145219B (zh) | 一种基于Codebook原理的高效视频移动目标检测方法 | |
CN113689399A (zh) | 一种用于电网识别遥感图像处理方法及系统 | |
CN112158695A (zh) | 一种电梯控制方法 | |
CN117549938B (zh) | 用于记录列控车载设备灯位状态信息的智能诊断分析系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |