TWI706381B - 影像物件偵測方法及系統 - Google Patents
影像物件偵測方法及系統 Download PDFInfo
- Publication number
- TWI706381B TWI706381B TW108131963A TW108131963A TWI706381B TW I706381 B TWI706381 B TW I706381B TW 108131963 A TW108131963 A TW 108131963A TW 108131963 A TW108131963 A TW 108131963A TW I706381 B TWI706381 B TW I706381B
- Authority
- TW
- Taiwan
- Prior art keywords
- image
- event
- target object
- target
- bounding box
- Prior art date
Links
Images
Landscapes
- Image Analysis (AREA)
- Alarm Systems (AREA)
Abstract
本發明提供一種影像物件偵測方法及系統。所述方法包括:接收異常告警事件;偵測存在於前述事件影像中的目標物件及各目標物件的物件種類及物件邊界框;偵測各事件影像中的移動區域範圍;取得各目標物件的物件邊界框與移動區域範圍的交集率,並據以在目標物件中找出特定目標物件;反應於判定特定目標物件中存在動態物件,基於動態物件的物件種類觸發對應的指定告警程序。
Description
本發明是有關於一種影像監控技術,且特別是有關於一種影像物件偵測方法及系統。
建置影像監視攝影設備並開啟異常偵測告警功能已是即時維護重要場域/園區安防最簡單且普遍的方式。然,實務上常會有誤報率偏高的問題,如:光影變化、小動物或樹葉或鏡頭前蚊蟲經過等所觸發的異常告警事件,隨著影像監視設備廣泛被設置,人力成本應當隨之增加,當人力有限的情況下,會逐漸無法負荷即時監控工作,可能會忽視或關閉監視攝影設備上的異常告警功能,而失去即時監控告警能力。因此,對於本領域技術人員而言,若能藉由相關軟硬體技術和設備協助人員過濾並準確判別監控區域出現的可疑的物件,再發出告警事件通知人員進行進一步地確認與進行反應程序,可讓有限的人力資源有效地運用。
此外,關於雲端AI影像偵測與辨識服務方面,若是採用視訊串流上傳至雲端,才進行監督、分析、控制,會有網路頻寬
的瓶頸,且亦受限於後端執行影像分析的系統資源。並且,場域端還需要部署可相容的攝影設備,不易整合既有已建置的攝影設備,尤其是已具備簡單異常影像偵測能力的監視攝影設備。
有鑑於此,本發明提供一種影像物件偵測方法及系統,其可用以解決上述技術問題。
本發明提供一種影像物件偵測方法,包括:接收一異常告警事件,其中異常告警事件包括對應於一異常事件的多個事件影像;偵測存在於前述事件影像中的至少一目標物件及各目標物件的一物件種類及一物件邊界框;基於前述事件影像偵測各事件影像中的一移動區域範圍;取得各目標物件的物件邊界框與移動區域範圍的一交集率,並據以在至少一目標物件中找出至少一特定目標物件;反應於判定至少一特定目標物件中存在一動態物件,基於動態物件的物件種類觸發對應的一指定告警程序。
本發明提供一種影像物件偵測系統,包括伺服單元、影像處理單元及處理單元。伺服單元接收一異常告警事件,其中異常告警事件包括對應於一異常事件的多個事件影像。影像處理單元經配置以:偵測存在於前述事件影像中的至少一目標物件及各目標物件的一物件種類及一物件邊界框;基於前述事件影像偵測各事件影像中的一移動區域範圍;取得各目標物件的物件邊界框與移動區域範圍的一交集率,並據以在至少一目標物件中找出至
少一特定目標物件。在反應於判定至少一特定目標物件中存在一動態物件之後,處理單元基於動態物件的物件種類觸發對應的一指定告警程序。
基於上述,本發明可提供以機器學習技術訓練之影像物件偵測模型找出影像中的各物件類別與區域,再依連續畫面計算出移動區域,進行影像物件區域與移動區域比對,可區別移動物件與靜止物件。藉此,可大幅減少因光影變化,鏡頭前蚊蟲飛越所造成之誤報事件,以更準確的影像物件偵測辨識能力過濾異常告警事件。
為讓本發明的上述特徵和優點能更明顯易懂,下文特舉實施例,並配合所附圖式作詳細說明如下。
10:系統
100:影像監視裝置
110:影像事件偵測模組
120:告警模組
200:影像物件偵測系統
210:伺服單元
220:資料庫單元
230:影像處理單元
232:影像物件偵測分類模組
234:移動區域運算模組
240:處理單元
242:偵測物件對應處理模組
244:影像物件訓練圖資收集模組
250:偵測模型訓練單元
252:影像物件偵測模型訓練模組
254:模型訓練圖資庫
30:異常告警事件
300:用戶端裝置
311~313:事件影像
711~735:目標物件
811、812:移動區域範圍
S210~S250:步驟
圖1是依據本發明之一實施例繪示的系統示意圖。
圖2是依據本發明之一實施例繪示的影像物件偵測方法。
圖3是依據本發明之一實施例繪示的異常告警事件的示意圖。
圖4是依據圖3繪示的標示有物件邊界框的事件影像示意圖。
圖5是依據圖3繪示的標示的移動區域範圍的事件影像示意圖。
圖6是依據圖4及圖5繪示的取得物件邊界框與移動區域範
圍的交集率的示意圖。
在本發明的實施例中,可利用場域內已建置之既有不具備人工智慧(AI)物件辨識功能之影像監視裝置(例如網路攝影機(IP camera))的內建的影像異常事件偵測告警能力,作為邊界運算(Edge computing)的前端運算節點,找出市場上多數監視攝影設備可提供的共同標準傳輸方式:以電子郵件告警異常事件含影像畫面功能,來收集場域端既有監視攝影設備異常事件與影像畫面。
承上,本發明提供一種影像物件偵測方法與系統,其可透過邊界運算架構實現,更適合運用於雲端AI之應用服務。概略而言,本發明的系統可提供以機器學習技術訓練之影像物件偵測模型找出影像中的各物件類別與區域,再依連續畫面計算出移動區域,進行影像物件區域與移動區域比對,可區別移動物件與靜止物件。藉此,可大幅減少因光影變化,鏡頭前蚊蟲飛越所造成之誤報事件,以更準確的影像物件偵測辨識能力過濾異常告警事件。
另外,要讓機器學習的影像物件偵測模型維持偵測準確度,需要使用大量人力去收集模型訓練圖資庫和標註物件。因此,本發明另提供主動收集影像物件偵測結果信心值未達預測信心閥值之圖資與使用者回報物件偵測結果錯誤之圖資,修正後重新投
入機器學習訓練,透過持續增加的場域影像畫面與修正有辨識瑕疵的物件影像,可以明顯有效減輕圖資收集人力與持續有效精進該物件偵測模型的偵測準確度。以下將作進一步說明。
請參照圖1,其是依據本發明之一實施例繪示的系統示意圖。如圖1所示,系統10包括一或多個影像監視裝置100、影像物件偵測系統200及一或多個用戶端裝置300。
在一實施例中,影像監視裝置100例如是傳統網路攝影機、數位視訊記錄器(Digital Video Recorder,DVR)、網路視訊記錄器(Network Video Recorder,NVR)或其他類似裝置,但不限於此。如圖1所示影像監視裝置100可包括影像事件偵測模組110以及告警模組120。影像事件偵測模組110可具有監視場域影像與偵測異常事件運算能力,並在偵測到異常事件時可產生異常告警事件。在一實施例中,影像事件偵測模組110可具有人臉辨識、入侵偵測、位移偵測、AI物件偵測等一種至多種偵測功能,但可不限於此。
另外,告警模組120可提供將上述異常告警事件發送到影像物件偵測系統200的功能。在一實施例中,上述異常告警事件可包含告警訊息及對應於異常事件的一或多張事件影像,且異常告警事件可以電子郵件的形式經由網路傳送到影像物件偵測系統200之伺服單元210。
在本實施例中,影像監視裝置100必須能透過網路與影
像物件偵測系統200之伺服單元210連結,並且取得寄件者電子郵件帳號與一組伺服單元210所提供的電子郵件收件者帳號。寄件者電子郵件可以與電子郵件收件者帳號相同,但不限於此。影像監視裝置100於其所設置的場域的相關設定範例內容例示於下表1,但本發明可不限於此。
在一實施例中,影像監視裝置100可使用表1的內容登錄於影像物件偵測系統200,藉以讓影像物件偵測系統200掌握影像監視裝置100的資訊、需進行影像偵測的物件種類,以及偵測到動態物件的對應處理方式。舉例而言,在表1的情境中,若偵測到的動態物件的物件種類為機車,則影像物件偵測系統200可相應地發出事件告警,並進行事件存檔的操作。若偵測到的動態
物件的物件種類為人,則影像物件偵測系統200可相應地發出事件告警,並進行事件存檔的操作,但本發明可不限於此。
在圖1中,影像物件偵測系統200可包含伺服單元210、資料庫單元220、影像處理單元230、處理單元240及偵測模型訓練單元250。概略而言,透過執行本發明提出的影像物件偵測方法,影像物件偵測系統200可接收來自前端場域中影像監視裝置100的異常告警事件以及對應於異常事件的事件影像。之後,影像物件偵測系統200可進行影像物件偵測,以在篩選出需告警的物件後執行相對應的處理。此外,影像物件偵測系統200還可提供自主收集可改善機器學習訓練之物件影像圖資,用以持續精練內部之影像物件偵測模型。以下將搭配圖2作詳細說明。
請參照圖2,其是依據本發明之一實施例繪示的影像物件偵測方法。本實施例的方法可由圖1的影像物件偵測系統200執行,以下即輔以圖1的內容說明圖2各步驟的細節。
首先,在步驟S210中,伺服單元210可接收異常告警事件。舉例而言,伺服單元210可從影像監視裝置100接收夾帶異常告警事件及相關的一或多張事件影像的電子郵件。在一實施例中,上述異常告警事件及相關事件影像可儲存於資料庫單元220中,但不限於此。
請參照圖3,其是依據本發明之一實施例繪示的異常告警事件的示意圖。在本實施例中,異常告警事件30例如可夾帶影像
監視裝置100及異常事件的相關資訊(例如設備編號、名稱、異常事件的發生時間、類型)及事件影像311~313,但本發明可不限於此。
接著,在步驟S220中,影像處理單元230可偵測存在於前述事件影像中的目標物件及各目標物件的物件種類及物件邊界框。如圖1所示,影像處理單元230可包括影像物件偵測分類模組232及移動區域運算模組234,其中影像物件偵測分類模組232例如可依表1內容,偵測存在於事件影像中的人、機車及汽車,並可以對應的物件邊界框將所偵測到的目標物件框起。
請參照圖4,其是依據圖3繪示的標示有物件邊界框的事件影像示意圖。如圖4所示,在事件影像311中,影像物件偵測分類模組232例如可在偵測到多個目標物件711~715之後,以對應的物件邊界框予以標示;在事件影像312中,影像物件偵測分類模組232例如可在偵測到多個目標物件721~727之後,以對應的物件邊界框予以標示;在事件影像313中,影像物件偵測分類模組232例如可在偵測到多個目標物件731~735之後,以對應的物件邊界框予以標示,但本發明可不限於此。
在一實施例中,影像物件偵測分類模組232可將事件影像311~313輸入第一影像物件偵測模型,以由第一影像物件偵測模型找出目標物件及各目標物件的物件種類及物件邊界框。上述第一影像物件偵測模型例如是基於一模型訓練圖資庫訓練而得的
機器學習模型,但可不限於此。
在一實施例中,上述第一影像物件偵測模型例如可包括串接的多個子影像物件偵測模型,而這些子影像物件偵測模型可用於偵測對應於不同物件種類的目標物件。以表1內容為例,為偵測屬於人、機車、汽車等物件種類的目標物件,上述第一影像物件偵測模型可包括3個子影像物件偵測模型,而其可分別用於找出屬於人、機車、汽車等物件種類的目標物件,藉以提升對於各目標物件的準確率,但本發明可不限於此。
此外,在一實施例中,上述第一影像物件偵測模型還可產生對於各目標物件的偵測信心值。若第一影像物件偵測模型對於某目標物件偵測信心值越高,即代表第一影像物件偵測模型越確定目標物件的物件種類,反之亦反。
在一實施例中,各事件影像311~313的中各目標物件的物件種類、物件邊界框及偵測信心值可例示如下表2。
在表2中,目標物件711的物件邊界框可表示為(X711,Y711,W711,H711),其中X711及Y711分別是此物件邊界框的一參考點的X座標及Y座標,而W711及H711則分別定義物件邊界框的寬度及長度。基此,本領域具通常知識者應可相應了解其他目標物件的物件邊界框的表示方式,於此不另贅述。
在一些實施例中,若所收到的事件影像僅有一張,則影像物件偵測系統200可在找出目標物件之後,直接依據表1的內容執行對應的操作,例如發送事件告警、事件通知及/或事件存檔等,但不限於此。
在步驟S230之後,移動區域運算模組234可執行步驟S240以基於事件影像311~313偵測各事件影像311~313中的移動區域範圍。在不同的實施例中,移動區域運算模組234例如可對事件影像311~313執行連續影像相減(Temporal Differencing)技術或背景相減(Background Subtraction)技術,以取得各事件影像311~313中的移動區域範圍。在本發明的實施例中,移動區域範圍可概略理解為內有物體在移動的範圍,但本發明可不限於此。
請參照圖5,其是依據圖3繪示的標示的移動區域範圍的事件影像示意圖。如圖5所示,移動區域運算模組234可在事件
影像311中找出移動區域範圍811及812,在事件影像312中找出移動區域範圍821及822,及在事件影像313中找出移動區域範圍831及832。並且,由圖5可看出,移動區域範圍811、821及831彼此相同(以下簡稱為移動區域1),而移動區域範圍812、822及832彼此相同(以下簡稱為移動區域2),但本發明可不限於此。
在一實施例中,移動區域1及2可統整為下表3。
此外,應了解的是,雖圖2中將步驟S240繪示於步驟S230之後,但其並非用以限定其執行順序。在一些實施例中,此二步驟的執行順序亦可對調,但本發明可不限於此。
之後,在步驟S240中,移動區域運算模組234可取得各目標物件711~735的物件邊界框與移動區域範圍811~832的交集率,並據以在目標物件711~735中找出特定目標物件。
在一實施例中,對於目標物件711~735中的第一目標物件而言,移動區域運算模組234可取得第一目標物件的物件邊界框與該移動區域範圍的一交集區域。之後,移動區域運算模組234可以交集區域除以第一目標物件的物件邊界框,以取得第一目標物件的物件邊界框與移動區域範圍的交集率。
請參照圖6,其是依據圖4及圖5繪示的取得物件邊界框與移動區域範圍的交集率的示意圖。以事件影像311中的目標物件711為例,在移動區域運算模組234取得目標物件711的物件邊界框與移動範圍區域811之間交集率的過程中,移動區域運算模組234可先取得目標物件711的物件邊界框與移動區域範圍811的交集區域。在圖6的情境中,此交集區域可視為是目標物件711的整個物件邊界框。之後,移動區域運算模組234可以此交集區域除以目標物件711的物件邊界框,以取得目標物件711的物件邊界框與移動區域範圍811的交集率(即,100%)。
再以事件影像312中的目標物件723為例,在移動區域運算模組234取得目標物件723的物件邊界框與移動範圍區域822之間交集率的過程中,移動區域運算模組234可先取得目標物件723的物件邊界框與移動區域範圍822的交集區域。在圖6的情境中,此交集區域可視為是目標物件723的整個物件邊界框。之後,移動區域運算模組234可以此交集區域除以目標物件723的物件邊界框,以取得目標物件723的物件邊界框與移動區域範圍822的交集率(即,100%)。
對於其他目標物件的物件邊界框與對應的移動範圍區域之間的交集率,本領域具通常知識者應可基於上述教示而推得,於此不另贅述。
之後,移動區域運算模組234可再依據各目標物件
711~735所對應的交集率在其中找出特定目標物件。在本實施例中,各特定目標物件的物件邊界框與對應的移動區域範圍的交集率係高於預設交集率門限值。簡言之,移動區域運算模組234可從目標物件711~735中找出具較高交集率的一或多者作為特定目標物件,但本發明可不限於此。
之後,處理單元240可對目標物件進行分類,以找出其中的動態物件及/或靜態物件。在一實施例中,分類的結果可例示如下表4。
之後,反應於判定特定目標物件中存在動態物件,處理單元240的偵測物件對應處理模組242可基於動態物件的物件種類觸發對應的指定告警程序。舉例而言,由表4可知所找出的動態物件所屬的物件種類為機車及人,與表1內容相符,故處理單元240可相應地發出事件告警,並進行事件存檔的操作。
在一實施例中,若目標物件中僅存在未與任一移動區域
範圍交集的靜態物件,則偵測物件對應處理模組242可相應地忽略上述異常告警事件。
在一實施例中,本發明的影像物件偵測系統200還可收集與修正物件偵測結果不準確之圖資,以機器學習技術再精煉影像物件偵測模型,精練後檢驗,當通過偵測準確度檢驗閥值,即觸發系統更換新模型。詳細說明如下。
在一實施例中,處理單元240中的影像物件訓練圖資收集模組244可用於收集待確認物件,並將待確認物件加入偵測模型訓練單元250中的模型訓練圖資庫254。在不同的實施例中,上述待確認物件可依需求而具有以下的一或多種態樣。
舉例而言,在一實施例中,影像物件訓練圖資收集模組244可在目標物件711~735中找出在各事件影像311~313中的偵測信心值皆小於信心門限值(例如50%)的一或多者作為待確認物件。基於表2的內容,其中的目標物件714、715、724、725、734及735即可被定義為待確認物件,但本發明可不限於此。
舉另一例而言,在連續的第一事件影像及第二事件影像中,影像物件訓練圖資收集模組244可取得第一事件影像中的一第一目標物件及第一目標物件的第一物件種類。之後,影像物件訓練圖資收集模組244可判斷第二事件影像中是否存在對應於第一目標物件的第二目標物件。反應於第二事件影像中存在第二目標物件,影像物件訓練圖資收集模組244可取得第二目標物件的
第二物件種類。之後,反應於第二物件種類不同於第一物件種類,影像物件訓練圖資收集模組244可判定第一目標物件及第二目標物件的至少其中之一屬於待確認物件。簡言之,對於在不同事件影像中的同一目標物件而言,若此目標物件在不同事件影像中所偵測到的物件種類不同,則影像物件訓練圖資收集模組244可將此目標物件視為待確認物件。
此外,影像物件訓練圖資收集模組244亦可直接以使用者選取的目標物件作為待確認物件。具體而言,如圖2所示,用戶端裝置300可包括接收與回饋模組310。在一實施例中,接收與回饋模組310為可接收處理單元240之偵測物件對應處理模組242傳送出來的一至多個告警訊息,其中告警訊息可包含:語音、文字訊息、影像畫面、程式指令、驅動硬體程序等。當接收與回饋模組310接收的方式為電子郵件、網頁瀏覽器、應用程式時,可依據一至多個異常事件影像畫面與所偵測到告警物件之訊息,目標物件偵測結果是否準確之連結或按鈕或圖像,回覆之資訊將回傳影像物件訓練圖資收集模組244,影像物件訓練圖資收集模組244將一至多個回饋為不準確之告警資訊影像以及目標物件框選資訊存至資料庫單元220中,待人員正確標註資料後,加入模型訓練圖資庫254中。
在取得待確認物件之後,偵測模型訓練單元250中的影像物件偵測模型訓練模組252可採用機器學習技術以利用模型訓
練圖資庫254訓練第二影像物件偵測模型,並取得第二影像物件偵測模型的偵測準確率。反應於第二影像物件偵測模型的偵測準確率高於模型檢驗門限值,影像物件偵測模型訓練模組252可以第二影像物件偵測模型取代第一影像物件偵測模型。亦即,若未來出現其他的異常事件告警,則影像處理單元230可採用第二影像物件偵測模型來偵測相關事件影像中的目標物件,但本發明可不限於此。
綜上所述,本發明的方法及系統可提供一種雲端AI應用服務,以邊界運算架構,採用場域端的監視器設備之異常偵測功能作為邊界端點,利用影像監視裝置普遍內建的電子郵件告警事件影像畫面的功能作為服務整合介面,來讓既有不具備AI物件辨識功能之影像監視設備具有AI物件辨識與過濾能力。
本發明可提供僅透過事件影像一或多個連續畫面,使用機器學習物件偵測模型進行影像物件偵測與計算場景影像差異,透過影像物件區域與移動區域兩者比對交集區域內容,藉此區別移動物件與靜止物件,針對預設的特定物件進行告警和指定程序處理。可明顯減少令人詬病的誤報事件,大幅降低影像監視設備誤報事件的人力處理成本。
本發明可提供讓使用者可預先設定篩選物件的種類,當透過機器學習物件偵測模型進行影像物件偵測時,該物件偵測將使用一至複數個符合所需偵測物件種類的物件偵測模型,串接以
形成串接物件偵測模型,有效提升影像物件偵測準確率。
本發明可提供可依據使用者的設定,過濾出各監視場域影像需要告警的移動物件,並驅動相對應的處理程序。其中處理程序的對象亦包含對使用者的市話和智慧型行動裝置進行告警通知或啟動指定的設備內程序,亦可作為開啟特定裝置之互動方式。
本發明可提供有效精練物件偵測模型的訓練圖資收集方法:透過分析每次告警影像的物件偵測結果,收集偵測物件信心值低於預設準確閥值的物件影像資訊、收集連續影像物件偵測結果之相同物件區域但其物件類別名稱不同之圖資、以及收集告警使用者後的訊息回饋,可減輕圖資收集成本;將準確度不佳的圖資經正確標註後,納入機器學習之訓練圖資資料集中,可持續有效精進該影像物件偵測模型的預測準確率。
本發明可作為在不需全面更新影像監視設備的前提下,可將無AI物件判斷能力的影像監控設備升級為具有AI物件判斷功能防護的解決方案。
雖然本發明已以實施例揭露如上,然其並非用以限定本發明,任何所屬技術領域中具有通常知識者,在不脫離本發明的精神和範圍內,當可作些許的更動與潤飾,故本發明的保護範圍當視後附的申請專利範圍所界定者為準。
S210~S250:步驟
Claims (13)
- 一種影像物件偵測方法,包括:接收一異常告警事件,其中該異常告警事件包括對應於一異常事件的多個事件影像;偵測存在於該些事件影像中的至少一目標物件及各該目標物件的一物件種類及一物件邊界框;基於該些事件影像偵測各該事件影像中的一移動區域範圍;取得各該目標物件的該物件邊界框與該移動區域範圍的一交集率,並據以在該至少一目標物件中找出至少一特定目標物件;反應於判定該至少一特定目標物件中存在一動態物件,基於該動態物件的該物件種類觸發對應的一指定告警程序。
- 如申請專利範圍第1項所述的方法,其中該異常告警事件來自於一影像監視裝置。
- 如申請專利範圍第1項所述的方法,其中各該特定目標物件的該物件邊界框與該移動區域範圍的該交集率高於一預設交集率門限值。
- 如申請專利範圍第1項所述的方法,其中基於該些事件影像偵測各該事件影像中的該移動區域範圍的步驟包括:對該些事件影像執行一連續影像相減技術或一背景相減技術,以取得各該事件影像中的該移動區域範圍。
- 如申請專利範圍第1項所述的方法,其中取得各該目標物件的該物件邊界框與該移動區域範圍的該交集率的步驟包括:對於該至少一目標物件中的一第一目標物件而言,取得該第一目標物件的該物件邊界框與該移動區域範圍的一交集區域;以該交集區域除以該第一目標物件的該物件邊界框,以取得該第一目標物件的該物件邊界框與該移動區域範圍的該交集率。
- 如申請專利範圍第1項所述的方法,其中反應於該至少一目標物件中僅存在未與該移動區域範圍交集的一靜態物件,所述方法更包括忽略該異常告警事件。
- 如申請專利範圍第1項所述的方法,其中偵測存在於該些事件影像中的該至少一目標物件及各該目標物件的該物件種類及該物件邊界框的步驟包括:將該些事件影像輸入一第一影像物件偵測模型,以由該第一影像物件偵測模型找出該至少一目標物件及各該目標物件的該物件種類及該物件邊界框。
- 如申請專利範圍第7項所述的方法,其中該第一影像物件偵測模型包括串接的多個子影像物件偵測模型,且該些子影像物件偵測模型用於偵測對應於不同物件種類的該至少一目標物件。
- 如申請專利範圍第7項所述的方法,更包括: 收集至少一待確認物件,並將該至少一待確認物件加入一模型訓練圖資庫;採用一機器學習技術以利用該模型訓練圖資庫訓練一第二影像物件偵測模型,並取得該第二影像物件偵測模型的一偵測準確率;反應於該第二影像物件偵測模型的一偵測準確率高於一模型檢驗門限值,以該第二影像物件偵測模型取代該第一影像物件偵測模型。
- 如申請專利範圍第9項所述的方法,其中收集該至少一待確認物件的步驟包括:由該第一影像物件偵測模型取得偵測各該事件影像中各該目標物件時的一偵測信心值;在該至少一目標物件中找出該至少一待確認物件,其中各該待確認物件對應於各該事件影像的該偵測信心值皆小於一信心值門限值。
- 如申請專利範圍第9項所述的方法,其中該些事件影像包括連續的一第一事件影像及一第二事件影像,且收集該至少一待確認物件的步驟包括:取得該第一事件影像中的一第一目標物件及該第一目標物件的一第一物件種類; 判斷該第二事件影像中是否存在對應於該第一目標物件的一第二目標物件;反應於該第二事件影像中存在該第二目標物件,取得該第二目標物件的一第二物件種類;反應於該第二物件種類不同於該第一物件種類,判定該第一目標物件及該第二目標物件的至少其中之一屬於該至少一待確認物件。
- 如申請專利範圍第9項所述的方法,其中收集該至少一待確認物件的步驟包括:以一使用者在該至少一目標物件中選取的一或多者作為該待確認物件。
- 一種影像物件偵測系統,包括:一伺服單元,其接收一異常告警事件,其中該異常告警事件包括對應於一異常事件的多個事件影像;一影像處理單元,其經配置以:偵測存在於該些事件影像中的至少一目標物件及各該目標物件的一物件種類及一物件邊界框;基於該些事件影像偵測各該事件影像中的一移動區域範圍;取得各該目標物件的該物件邊界框與該移動區域範圍的一交集率,並據以在該至少一目標物件中找出至少一特定目標物 件;一處理單元,其在反應於判定該至少一特定目標物件中存在一動態物件之後,基於該動態物件的該物件種類觸發對應的一指定告警程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108131963A TWI706381B (zh) | 2019-09-04 | 2019-09-04 | 影像物件偵測方法及系統 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108131963A TWI706381B (zh) | 2019-09-04 | 2019-09-04 | 影像物件偵測方法及系統 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI706381B true TWI706381B (zh) | 2020-10-01 |
TW202111670A TW202111670A (zh) | 2021-03-16 |
Family
ID=74091382
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW108131963A TWI706381B (zh) | 2019-09-04 | 2019-09-04 | 影像物件偵測方法及系統 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI706381B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115100807A (zh) * | 2022-06-17 | 2022-09-23 | 贵州东彩供应链科技有限公司 | 一种基于摄像头异常监控告警实现动物养殖场监管的系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201524817A (zh) * | 2013-12-23 | 2015-07-01 | Univ Nat Kaohsiung Applied Sci | 鐵道警示系統 |
US20170221191A1 (en) * | 2007-05-01 | 2017-08-03 | Pictometry International Corp. | System for detecting image abnormalities |
US20180025229A1 (en) * | 2016-06-30 | 2018-01-25 | Beijing Xiaomi Mobile Software Co., Ltd. | Method, Apparatus, and Storage Medium for Detecting and Outputting Image |
CN109767820A (zh) * | 2018-05-29 | 2019-05-17 | 深圳市智影医疗科技有限公司 | 一种基于影像的诊断/检测报告生成方法、装置及设备 |
TWI660325B (zh) * | 2018-02-13 | 2019-05-21 | 大猩猩科技股份有限公司 | 一種分佈式的影像分析系統 |
-
2019
- 2019-09-04 TW TW108131963A patent/TWI706381B/zh active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170221191A1 (en) * | 2007-05-01 | 2017-08-03 | Pictometry International Corp. | System for detecting image abnormalities |
TW201524817A (zh) * | 2013-12-23 | 2015-07-01 | Univ Nat Kaohsiung Applied Sci | 鐵道警示系統 |
US20180025229A1 (en) * | 2016-06-30 | 2018-01-25 | Beijing Xiaomi Mobile Software Co., Ltd. | Method, Apparatus, and Storage Medium for Detecting and Outputting Image |
TWI660325B (zh) * | 2018-02-13 | 2019-05-21 | 大猩猩科技股份有限公司 | 一種分佈式的影像分析系統 |
CN109767820A (zh) * | 2018-05-29 | 2019-05-17 | 深圳市智影医疗科技有限公司 | 一种基于影像的诊断/检测报告生成方法、装置及设备 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115100807A (zh) * | 2022-06-17 | 2022-09-23 | 贵州东彩供应链科技有限公司 | 一种基于摄像头异常监控告警实现动物养殖场监管的系统 |
Also Published As
Publication number | Publication date |
---|---|
TW202111670A (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022105243A1 (zh) | 事件检测方法、装置、电子设备及存储介质 | |
JP7229662B2 (ja) | ビデオ監視システムで警告を発する方法 | |
CN109299703B (zh) | 对鼠情进行统计的方法、装置以及图像采集设备 | |
CN104184986B (zh) | 一种视频监控方法、装置及系统 | |
US10565854B2 (en) | Eyeglasses-type wearable terminal, control method thereof, and control program | |
CN109040693B (zh) | 智能告警系统及方法 | |
US20210357649A1 (en) | Systems and methods of enforcing distancing rules | |
WO2012095867A2 (en) | An integrated intelligent server based system and method/systems adapted to facilitate fail-safe integration and /or optimized utilization of various sensory inputs | |
KR101964683B1 (ko) | 스마트 영상처리장치 및 그 장치의 구동방법 | |
CN109360362A (zh) | 一种铁路视频监控识别方法、系统和计算机可读介质 | |
CN104966304A (zh) | 基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法 | |
CN107122743B (zh) | 安防监控方法、装置和电子设备 | |
CN110659391A (zh) | 一种视频侦查方法及装置 | |
CN111047824B (zh) | 一种室内儿童看护联动控制预警方法及系统 | |
Fawzi et al. | Embedded real-time video surveillance system based on multi-sensor and visual tracking | |
WO2022142414A1 (zh) | 高空抛物的监测方法、装置、电子设备及存储介质 | |
CN115116004A (zh) | 一种基于深度学习的办公区域异常行为检测系统及方法 | |
TWI706381B (zh) | 影像物件偵測方法及系統 | |
US10657783B2 (en) | Video surveillance method based on object detection and system thereof | |
CN107124577A (zh) | 一种基于运动目标检测的实时防窃系统 | |
Nishanthini et al. | Smart Video Surveillance system and alert with image capturing using android smart phones | |
KR20120118339A (ko) | 지능형 무인 감시 서비스 방법 | |
CN117037045B (zh) | 基于融合聚类与深度学习的异常检测系统 | |
CN111832451A (zh) | 基于视频数据处理的适航监察流程监管系统及方法 | |
KR20220000209A (ko) | 딥러닝 분산 처리 기반 지능형 보안 감시 장치의 동작 프로그램이 기록된 기록매체 |