CN109934099A - 放置位置的提示方法及装置、存储介质、电子装置 - Google Patents
放置位置的提示方法及装置、存储介质、电子装置 Download PDFInfo
- Publication number
- CN109934099A CN109934099A CN201910069015.6A CN201910069015A CN109934099A CN 109934099 A CN109934099 A CN 109934099A CN 201910069015 A CN201910069015 A CN 201910069015A CN 109934099 A CN109934099 A CN 109934099A
- Authority
- CN
- China
- Prior art keywords
- target
- image
- target object
- capture
- equipment
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供了一种放置位置的提示方法及装置、存储介质、电子装置,该方法包括:在客户端上显示目标对象的图像信息,其中,图像信息中显示有目标对象的活动轨迹以及预定放置区域,预定放置区域用于放置捕捉设备,捕捉设备用于捕捉目标对象;在确定出捕捉设备到达预定放置区域内的情况下,在客户端上输出提示信息,其中,提示信息用于提示捕捉设备已到达预定放置区域。通过本发明,解决了相关技术中捕捉设备的放置不准确的问题,达到准确放置捕捉设备的效果。
Description
技术领域
本发明涉及计算机领域,具体而言,涉及一种放置位置的提示方法及装置、存储介质、电子装置。
背景技术
餐饮服务场所是卫生要求极高的场所,食品安全直接关系到消费者的身心健康。而在食品堆积聚集的餐饮后厨、仓库等场所,通常也最容易滋生昆虫、老鼠等病媒生物。根据世卫组织统计,每年全球有十分之一的人,因食用受污染的食品而患病。病媒生物不仅传播疾病、污染食物,也会给餐厅经营者带来经济损失、声誉损失。
餐饮业主要的病媒生物包括老鼠以及蟑螂、蚊子、苍蝇等。餐饮后厨多有蚊蝇及飞虫的孳生物和引诱物,其中又以老鼠最难防治。小家鼠筑巢多在墙基、库房货堆中和保温层内打洞或在破纸箱、抽屉中,也可能会随货物一起进入室内;褐家鼠警觉性强,可通过下水道、马桶等侵入室内;黄胸鼠能沿粗糙墙直上直下攀爬,沿铁丝、电线行走,可通过管线孔洞,天花板入侵室内。
虫鼠害防治工作重点关注食品操作区,包括食品粗加工制作区、切配区、餐用具清洗和消毒区、餐厨垃圾盛放区,以及食品库房等关键区域的检查和控制。常规的鼠害防治工作受限于餐饮场所不得使用杀鼠剂,主要使用物理防治方法,首选粘鼠板。防治人员依据经验,沿墙边、房间角落等位置部署粘鼠板。
现有方案要求有专人在每天部署、检查、撤走部署装置,同时还要求有另一个人与其配合,复查所有装置是否按照视频监控所显示的位置正确放置所有的部署装置,既有人力资源的耗费,也带来一定的人为出错影响,出错即导致灭鼠效果不佳。
另外,在后厨的空间较大,环境较复杂的情况下,现有方案也会使得灭鼠工作的实施复杂度上升,防治人员如果对实施环境不熟悉,会在识别捕鼠装置概要放置的位置上发生困难。
针对上述技术问题,相关技术中尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种放置位置的提示方法及装置、存储介质、电子装置,以至少解决相关技术中捕捉设备的放置不准确的问题。
根据本发明的一个实施例,提供了一种放置位置的提示方法,包括:在客户端上显示目标对象的图像信息,其中,图像信息中显示有目标对象的活动轨迹以及预定放置区域,预定放置区域用于放置捕捉设备,捕捉设备用于捕捉目标对象;在确定出捕捉设备到达预定放置区域内的情况下,在客户端上输出提示信息,其中,提示信息用于提示捕捉设备已到达预定放置区域。
可选地,在客户端上输出提示信息之前,还包括:根据红外发射器发射的红外信号确定红外发射器的位置,其中,红外发射器外接在捕捉设备上,或者,红外发射器设置在捕捉设备中;判断红外发射器的位置是否在预定放置区域内;在红外发射器的位置在预定放置区域内的情况下,确定出捕捉设备到达预定放置区域内。
可选地,根据红外发射器发射的红外信号确定红外发射器的位置包括:通过摄像设备接收红外发射器发射的红外信号;根据接收到的红外信号确定红外发射器的位置。
可选地,在客户端上输出提示信息之前,还包括:在客户端上接收到位置确定结果,其中,位置确定结果用于指示捕捉设备到达预定放置区域内,位置确定结果是通过判断红外发射器的位置是否在预定放置区域内而得到的判断结果,红外发射器的位置是根据红外发射器发射的红外信号确定得到的位置;红外发射器外接在捕捉设备上,或者,红外发射器设置在捕捉设备中。
可选地,方法还包括:通过声音传感器接收目标对象发出的声音信息,其中,声音传感器外接在捕捉设备上,或者,声音传感器设置在捕捉设备中;根据声音信息确定目标对象的捕捉结果;根据捕捉结果调整捕捉设备的放置位置。
可选地,目标对象的捕捉结果包括以下至少之一:目标对象被捕捉的次数,目标对象逃脱的次数,目标对象被捕捉的时间,目标对象逃脱的时间,目标对象的声音的分布信息,目标对象被捕捉的位置。
可选地,根据捕捉结果调整捕捉设备的放置位置包括:在确定所目标对象逃脱的情况下,通过摄像设备获取目标对象逃脱轨迹;基于逃脱轨迹调整捕捉设备的放置位置。
可选地,在客户端上输出提示信息包括以下至少之一:在客户端上播放目标声频,其中,提示信息包括目标声频;在客户端上显示目标文字,其中,提示信息包括目标文字;在客户端上显示目标图像,其中,提示信息包括目标图像;在客户端上播放目标视频,其中,提示信息包括目标视频。
根据本发明的另一个实施例,提供了一种放置位置的提示装置,包括:显示模块,用于在客户端上显示目标对象的图像信息,其中,图像信息中显示有目标对象的活动轨迹以及预定放置区域,预定放置区域用于放置捕捉设备,捕捉设备用于捕捉目标对象;输出模块,用于在确定出捕捉设备到达预定放置区域内的情况下,在客户端上输出提示信息,其中,提示信息用于提示捕捉设备已到达预定放置区域。
根据本发明的又一个实施例,还提供了一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本发明的又一个实施例,还提供了一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
通过本发明,由于在客户端上显示目标对象的图像信息,其中,图像信息中显示有目标对象的活动轨迹以及预定放置区域,预定放置区域用于放置捕捉设备,捕捉设备用于捕捉目标对象;在确定出捕捉设备到达预定放置区域内的情况下,在客户端上输出提示信息,其中,提示信息用于提示捕捉设备已到达预定放置区域。因此,可以解决相关技术中捕捉设备的放置不准确的问题,达到准确放置捕捉设备的效果。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明实施例的一种放置位置的提示方法的移动终端的硬件结构框图;
图2是根据本发明实施例的放置位置的提示方法的流程图;
图3是根据本发明实施例的图像信息的示意图(一);
图4是根据本发明实施例的图像信息的示意图(二);
图5是根据本发明实施例的又一种可选的各模块数据连接的示意图;
图6是根据本发明实施例的又一种可选的鼠患检测***的原理示意图;
图7是根据本发明实施例的放置位置的提示装置的结构框图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
本申请实施例所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例,图1是本发明实施例的一种放置位置的提示方法的移动终端的硬件结构框图。如图1所示,移动终端10可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104,可选地,上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述移动终端的结构造成限定。例如,移动终端10还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本发明实施例中的放置位置的提示方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至移动终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端10的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种运放置位置的提示方法,图2是根据本发明实施例的放置位置的提示方法的流程图,如图2所示,该流程包括如下步骤:
步骤S202,在客户端上显示目标对象的图像信息,其中,图像信息中显示有目标对象的活动轨迹以及预定放置区域,预定放置区域用于放置捕捉设备,捕捉设备用于捕捉目标对象;
步骤S204,在确定出捕捉设备到达预定放置区域内的情况下,在客户端上输出提示信息,其中,提示信息用于提示捕捉设备已到达预定放置区域。
通过本发明,由于在客户端上显示目标对象的图像信息,其中,图像信息中显示有目标对象的活动轨迹以及预定放置区域,预定放置区域用于放置捕捉设备,捕捉设备用于捕捉目标对象;在确定出捕捉设备到达预定放置区域内的情况下,在客户端上输出提示信息,其中,提示信息用于提示捕捉设备已到达预定放置区域。因此,可以解决相关技术中捕捉设备的放置不准确的问题,达到准确放置捕捉设备的效果。
可选地,上述步骤的执行主体可以为终端等,但不限于此。
在一个可选的实施例中,客户端可以是带有显示屏幕的手机。目标对象可以是老鼠、蟑螂等害虫。捕捉设备可以是捕鼠器、蟑螂贴等等。
提示信息可以是语音提示,例如:“位置正确”、嘟嘟的声音,也可以是文字信息。
在一个可选的实施例中,在客户端上输出提示信息之前,还包括:根据红外发射器发射的红外信号确定红外发射器的位置,其中,红外发射器外接在捕捉设备上,或者,红外发射器设置在捕捉设备中;判断红外发射器的位置是否在预定放置区域内;在红外发射器的位置在预定放置区域内的情况下,确定出捕捉设备到达预定放置区域内。预定放置区域可以是目标对象经常活动的区域,例如,洗菜池的周围,仓库的墙角。红外发射器可以是装置在捕捉设备上,也可以是用户在放置捕捉设备时,手持红外发射器。
在一个可选的实施例中,通过以下方式根据红外发射器发射的红外信号确定红外发射器的位置:通过摄像设备接收红外发射器发射的红外信号;根据接收到的红外信号确定红外发射器的位置。在本实施例中,摄像设备可以安装在摄像头中,夜间也可以对厨房进行监控。摄像设备可以包括但不限于:带有红外照明功能的摄像头,例如,红外微光夜视摄像头。进一步,该摄像头还可以包括但不限于:移动侦测功能、存储功能、联网功能(如wifi联网)及高清晰度(如大于1080p)配置。
在一个可选的实施例中,在客户端上输出提示信息之前,需要在客户端上接收到位置确定结果,其中,位置确定结果用于指示捕捉设备到达预定放置区域内,位置确定结果是通过判断红外发射器的位置是否在预定放置区域内而得到的判断结果,红外发射器的位置是根据红外发射器发射的红外信号确定得到的位置;红外发射器外接在捕捉设备上,或者,红外发射器设置在捕捉设备中。
在一个可选的实施例中,可以通过声音传感器接收目标对象发出的声音信息,其中,声音传感器外接在捕捉设备上,或者,声音传感器设置在捕捉设备中;根据声音信息确定目标对象的捕捉结果;根据捕捉结果调整捕捉设备的放置位置。例如,老鼠在被捕鼠器捕捉到时,会发出声音,声音传感器即可以获取到老鼠发出的声音,从而确定出老鼠被捕捉了。
在一个可选的实施例中,目标对象的捕捉结果包括以下至少之一:目标对象被捕捉的次数,目标对象逃脱的次数,目标对象被捕捉的时间,目标对象逃脱的时间,目标对象的声音的分布信息,目标对象被捕捉的位置。
在一个可选的实施例中,通过以下方式根据捕捉结果调整捕捉设备的放置位置:在确定目标对象逃脱的情况下,通过摄像设备获取目标对象逃脱轨迹;基于逃脱轨迹调整捕捉设备的放置位置。对放置位置进行的调整可以更加准确的放置捕捉设备。
在一个可选的实施例中,在客户端上输出提示信息包括以下至少之一:在客户端上播放目标声频,其中,提示信息包括目标声频;在客户端上显示目标文字,其中,提示信息包括目标文字;在客户端上显示目标图像,其中,提示信息包括目标图像;在客户端上播放目标视频,其中,提示信息包括目标视频。
下面结合具体实施例对本发明进行详细说明:
本实施例中的目标对象以老鼠,捕捉设备以捕鼠器、粘鼠板等灭鼠设备为例进行说明:
应用数字化技术,在餐厅等注重食品安全的环境中辅助完成视频监测鼠迹之后的针对性防治工作。
本实施例提出一种智能化***,使得视频监控设备能够自动地识别监控区域的粘鼠板是否已经被布置在“对”的位置,增加灭鼠设备的部署效率和准确度。
通过客户端中设置的APP获知所需要部署的位置以及当前自己所处的室内位置。手持粘鼠板能被图像识别技术自动识别,当粘鼠板被识别出来,并且其部署位置位于预定放置区域内时,APP即发送提示信息,以此指导所有的粘鼠板的部署工作。
本实施例还提出一种便捷的捕鼠器外接装置,包括红外发射器,供摄像设备感知红外发射器精确的位置,以及包括声音传感器,能够监测到捕鼠器周边的声响,用来监测半夜老鼠活动到附近的踪迹,以及触碰到捕鼠器(尤其指粘鼠板)后挣扎或挣脱的情况。
部署捕鼠器的位置的步骤如下:
在APP中展示所在后厨待部署的拍摄区域,以及需要部署的点(图3中的圆圈区域)。点击可进入该区域,获得该区域的实时视频监控画面,以便定位所要部署的确切位置。
通过以下方式获取目标对象的图像信息:
在合适的餐厅位置部署视频监控设备,获得后厨关键设施的视频数据,用以观察虫类、鼠类出没情况。考虑到老鼠在夜间出没的特点,视频监控设备需有夜视功能。收集视频数据用于进一步处理。一个餐厅可视环境要求部署多组监控设备。
视频数据实时回传至服务器端,设备部署人员通过客户端APP,读取目标对象的图像信息。同时,在的图像信息上标注经过计算的老鼠出没轨迹(图4中的线段),以及预设的安放捕鼠装置位置(图3中的圆圈)。
放置捕鼠器的步骤如下:
捕鼠器放置人员对照圆圈位置,走进圆圈。放置人员手持的捕鼠器附带一个红外发射器,带有红外发射器能被摄像头捕捉并识别。当捕鼠器所处位置位于红圈内时,APP端发出“嘀嘀”声提示其已经走到了正确位置,指示在该位置放置捕鼠器材;
每完成一处放置,设备放置人员即点击“部署确认”按钮,以防止其遗漏该要部署的所有位置。
捕鼠过程的自动监测步骤如下:
考虑到在实际情况中,老鼠体型太大、力量太大,即可以逃脱捕鼠器的控制,尤其是使用粘鼠板的场景下。因此有必要监控到此情况的发生,以找替代方案。
捕鼠过程包含两种情况:一是捕鼠器成功捕捉到老鼠,二是捕鼠器被老鼠成功逃脱。捕鼠装置附带的外接声音探测器能侦测到捕鼠器附近的声响。
判断是否成功捕捉到老鼠,可以在捕鼠器或粘鼠板下方放置压敏开关,或者,在捕鼠器或粘鼠板的边缘放置触敏开关,并将监测结果回传至服务器。
声音探测器侦测到声响,即回传数据至服务器端。服务器记录声响发生的室内位置,以及时间。
数据展示步骤如下:
通过APP、网页等形式展示捕鼠器放置、捕鼠监测、捕鼠结果。
捕鼠器放置阶段,向部署人员展示所有该放置的位置,并在探测到正确放置之后实时告知;向管理人员展示所有位置是否被正确摆放,发出提示讯息,告知未被正确摆放的位置。
捕鼠监测阶段,展示当晚的声音探测器、视频监控设备所有已回传的监测日志,包含回传的设备、设备具***置、发生声音或监测到老鼠图像的时间点/时间段。
捕鼠结果展示,统计所有当天(当晚)成功捕捉的只数、捕捉失败的次数,以及老鼠踪迹、声音分布图等指标。
综上所述,本实施例增加了数字化捕鼠方案中的灭鼠装置的部署效率,减少了遗漏出错情况发生,增加了捕鼠的成功率以及整套方案的有效性。
捕鼠阶段的监测能感知到捕捉失败的场景,也能辅助定位鼠患出现的位置和时间,能更精确全面地了解鼠患情况,增加防治的有效性。
可选的,除了灭鼠之外,也能对蟑螂等其他虫害控制起到效果,部署蟑螂屋等相应的控虫设备同样有效。
可选地,在本实施例中,还提供了一种目标对象的确定方法。假设图像采集设备为摄像设备,采集到的图像数据集是从视频文件中提取出的图像帧。图像采集设备所监控的目标建筑内的空间区域为目标区域。上述方法包括以下步骤:
步骤S1,获取摄像设备对目标区域拍摄得到的视频文件。
在本申请上述步骤S1提供的技术方案中,摄像设备可以为监控摄像头,比如,该摄像设备为红外微光夜视摄像头,用于对目标区域进行拍摄监控,得到视频文件。其中,目标区域为目标建筑内被检测的空间区域,也即,用于检测是否有目标对象出现的区域,该目标对象可以为体型较大的需要进行防治的病媒生物,比如,该目标对象为老鼠。
该实施例的视频文件包括对目标区域进行拍摄得到的原始视频数据,可以包括目标区域的监控视频序列,该监控视频序列也即图像视频序列。
可选地,该实施例在视频数据采集层通过ARM板获取目标区域的原始视频数据,以生成上述视频文件,从而实现了对目标区域的视频进行采集的目的。
步骤S2,对视频文件进行抽帧采样,得到一组视频帧图像。
在本申请上述步骤S2提供的技术方案中,在获取摄像设备对目标区域拍摄得到的视频文件之后,对视频文件进行预处理,可以在视频数据处理层对视频文件进行抽帧采样,得到一组视频帧图像。
在该实施例中,可以对视频文件进行等间隔的抽帧采样,从而得到视频文件的一组视频帧图像,比如,视频文件包括100个视频帧序列,在进行抽帧采样之后,得到10个视频帧序列,则将这10个视频帧序列作为上述一组视频帧图像,从而减少对目标对象进行确定的算法的运算量。
步骤S3,根据一组视频帧图像中的像素点的像素值在一组视频帧图像中确定出多个目标图像。
在本申请上述步骤S3提供的技术方案中,在对视频文件进行抽帧采样,得到一组视频帧图像之后,根据一组视频帧图像中的像素点的像素值在一组视频帧图像中确定出多个目标图像,其中,每个目标图像用于指示在对应的目标区域中存在运动的对象。
在该实施例中,对视频文件进行预处理,还包括对视频文件进行动态检测,从一组视频帧图像中确定用于指示在目标区域中存在运动的对象的目标图像,也即,在该目标图像中存在运动的对象,该目标图像可以为存在运动的对象的视频片段,其中,存在运动的对象可能是目标对象,也可能不是。该实施例可以通过动态检测算法确定目标图像,根据一组视频帧图像中的像素点的像素值在一组视频帧图像中确定出多个目标图像,进而执行步骤S4。
可选地,在一组视频帧图像中,除多个目标图像之外的视频帧图像未指示出在对应的目标区域中有运动的图像,可以不进行后续的检测。
步骤S4,对每个目标图像进行目标对象检测,得到每个目标图像的图像特征。
在本申请上述步骤S4提供的技术方案中,在根据一组视频帧图像中的像素点的像素值在一组视频帧图像中确定出多个目标图像之后,对每个目标图像进行目标对象检测,得到每个目标图像的图像特征,其中,图像特征针对每个目标图像而言,用于表示目标图像中存在运动的对象被判定为目标对象时存在运动的对象所在的目标图像区域。
在该实施例中,对每个目标图像进行目标对象检测,也即,对目标图像中存在的运动对象进行检测,可以通过目标检测***采用动态目标检测方法和基于神经网络的目标检测方法对目标图像中存在的运动对象进行检测,得到每个目标图像的图像特征,其中,动态目标检测方法的运算速度快、对机器配置要求较低,而基于神经网络的目标检测方法的准确性和鲁棒性更好,图像特征可以为矩形框中的视觉信息,用于表示目标图像区域,该矩形框可以为检测框,用于表示在存在运动的对象中,与所要识别的目标对象之间的相似度大于第一阈值的对象所在的目标图像区域。也就是说,上述图像特征用于指示粗筛确认出的目标对象可能出现的位置。
步骤S5,根据每个目标图像的图像特征确定出运动特征。
在本申请上述步骤S5,提供的技术方案中,在对每个目标图像进行目标对象检测,得到每个目标图像的图像特征之后,根据每个目标图像的图像特征确定出运动特征,其中,运动特征用于表示多个目标图像中存在运动的对象的运动速度和运动方向。
在该实施例中,在对每个目标图像进行目标对象检测,得到每个目标图像的图像特征之后,可以将每个目标图像的图像特征输入至运动特征提取模块,该运动特征提取模块根据每个目标图像的图像特征确定出运动特征,该运动特征针对多个目标图像而言,用于表示多个目标图像中存在运动的对象的运动速度和运动方向,同时进一步过滤掉非目标对象的移动所造成的干扰图像,比如,删除掉蚊虫的移动等干扰信息。
可选地,在该实施例中,由于每个目标图像中存在运动的对象的运动是连续的,运动特征提取模块的运动特征提取算法可以先根据每个目标图像的图像特征检测多个目标图像之间的图像特征的相关性,可以将相关性大的图像特征对应的对象确定为同一对象,对每一目标图像的图像特征进行匹配,得到对象的一系列运动图片,最后可以使用3D的特征提取网络提取运动序列的特征,从而得到运动特征,比如,根据每个目标图像的检测框,计算多个目标图像之间检测框的相关性,可以将相关性大的检测框对应的对象确定为同一对象,对每个目标图像的检测框进行匹配,得到对象的一系列运动图片,最后使用3D的特征提取网络提取运动序列的特征,得到运动特征,进而确定多个目标图像中存在运动的对象的运动速度和运动方向。
可选地,该实施例也可以将多个目标图像的图像特征进行融合和且进行特征提取,从而防止单帧的目标检测器出现误判的情况,进而实现对目标图像进行精筛以准确确定出是否出现目标对象。
步骤S6,根据运动特征和每个目标图像的图像特征,确定多个目标图像中是否出现有目标对象。
在本申请上述步骤S6提供的技术方案中,在根据每个目标图像的图像特征确定出运动特征之后,可以将运动特征和每个目标图像的图像特征进行融合,输入至预先训练好的分类网络中,该分类网络为预先设计好的用于确定多个目标图像中是否出现有目标对象的分类网络模型,进而根据运动特征和每个目标图像的图像特征,确定多个目标图像中是否出现有目标对象,比如,确定多个目标图像中是否出现有老鼠。
可选地,该实施例可以将多个目标图像中有目标对象的图像中的图像特征输入至前端显示界面,该前端显示界面可以进而显示出目标对象的检测框和移动轨迹。
可选地,该实施例的分类网络模型可以用于过滤非目标对象的图片序列,而保留目标对象的图片序列,从而降低虚警率,保证目标对象提示信息的准确性。
通过上述步骤S1至步骤S6,通过获取摄像设备对目标区域拍摄得到的视频文件;对视频文件进行抽帧采样,得到一组视频帧图像;根据一组视频帧图像中的像素点的像素值在一组视频帧图像中确定出多个目标图像,其中,每个目标图像用于指示在目标区域中存在运动的对象;对每个目标图像进行目标对象检测,得到每个目标图像的图像特征,其中,图像特征用于表示在存在运动的对象中,与目标对象之间的相似度大于第一阈值的对象所在的目标图像区域;根据每个目标图像的图像特征确定出运动特征,其中,运动特征用于表示多个目标图像中存在运动的对象的运动速度和运动方向;根据运动特征和每个目标图像的图像特征,确定多个目标图像中是否出现有目标对象。也就是说,对目标区域的视频文件进行抽帧采样,得到一组视频帧图像,根据一组视频帧图像中的像素点的像素值在一组视频帧图像中确定出用于指示在目标区域中存在运动的对象的多个目标图像,再根据每个目标图像的图像特征确定出运动特征,进而根据运动特征和每个目标图像的图像特征,达到自动确定多个目标图像中是否出现有目标对象的目的,不仅大大减少了确定目标对象的人力成本,而且提高了确定目标对象的准确率,解决了对目标对象进行确定的效率低的问题,进而达到了提高鼠患检测准确度的效果。
作为一种可选的实施方式,步骤S3,根据一组视频帧图像中的像素点的像素值在一组视频帧图像中确定出多个目标图像包括:获取一组视频帧图像中的每个像素点的平均像素值;获取一组视频帧图像中的每个视频帧图像中的每个像素点的像素值与对应的平均像素值之间的差值;将一组视频帧图像中差值满足预定条件的视频帧图像确定为目标图像。
在该实施例中,在根据一组视频帧图像中的像素点的像素值在一组视频帧图像中确定出多个目标图像时,可以获取一组视频帧图像中的每个像素点的像素值,根据每个像素点的像素值计算出平均像素值,再获取一组视频帧图像中的每个像素点的像素值与对应的平均像素值之间的差值。
可选地,该实施例还可以获取一组视频帧图像中的每个视频帧图像中的每个像素点的像素值与背景或者每个视频帧图像的前一帧之间的差值。
在获取上述差值之后,判断差值是否满足预定条件,将一组视频帧图像中差值满足预定条件的视频帧图像确定为目标图像,从而得到一组视频帧图像中的多个目标图像。
作为一种可选的实施方式,获取一组视频帧图像中的每个视频帧图像中的每个像素点的像素值与对应的平均像素值之间的差值包括:对于一组视频帧图像中的每个视频帧图像中的每个像素点执行以下操作,其中,在执行以下操作时每个视频帧图像被视为当前视频帧图像,将每个像素点视为当前像素点::D(x,y)=|f(x,y)-b(x,y)|,其中,(x,y)为当前像素点在当前视频帧图像中的坐标,f(x,y)表示当前像素点的像素值,b(x,y)表示当前像素点的平均像素值,D(x,y)表示当前像素点的像素值与对应的平均像素值之间的差值。
在该实施例中,在获取一组视频帧图像中的每个视频帧图像中的每个像素点的像素值与对应的平均像素值之间的差值时,每个视频帧图像被视为当前视频帧图像,将每个像素点视为当前像素点:,可以通过(x,y)表示当前像素点在当前视频帧图像中的坐标,比如,为以当前视频帧图像左上角为原点,宽方向为X轴,高方向为Y轴建立的坐标系中像素点的坐标,通过f(x,y)表示当前像素点的像素值,通过b(x,y)表示当前像素点的平均像素值,通过D(x,y)表示当前像素点的像素值与对应的平均像素值之间的差值,按照公式D(x,y)=|f(x,y)-b(x,y)|计算出当前像素点的像素值与对应的平均像素值之间的差值,从而通过上述方法达到获取一组视频帧图像中的每个视频帧图像中的每个像素点的像素值与对应的平均像素值之间的差值的目的。
作为一种可选的实施方式,将一组视频帧图像中差值满足预定条件的视频帧图像确定为目标图像包括:对于一组视频帧图像中的每个视频帧图像中的每个像素点执行以下操作,其中,在执行以下操作时每个视频帧图像被视为当前视频帧图像,将每个像素点视为当前像素点::其中,D(x,y)表示为当前像素点的像素值与对应的平均像素值之间的差值,T为第一预设阈值;其中,预定条件包括:目标图像中M(x,y)=1的像素点的个数超过第二预设阈值。
在该实施例中,在将一组视频帧图像中差值满足预定条件的视频帧图像确定为目标图像时,每个视频帧图像被视为当前视频帧图像,将每个像素点视为当前像素点:,通过M(x,y)表示当前视频帧图像,D(x,y)表示当前像素点的像素值与对应的平均像素值之间的差值,通过T表示第一预设阈值,如果当前视频帧中M(x,y)=1的像素点的个数超过第二预设阈值,则将当前视频帧图像确定为目标图像,也即,则当前视频帧图像中存在运动的对象,为目标图像,否则,当前视频帧图像中不存在运动的对象。
该实施例的一组视频帧图像中多个目标图像组成了运动目标图像,可以经过形态学运算合并像素点可得出所有运动的对象,作为输出结果。
可选地,该实施例对目标图像中存在运动的对象的检测为基于神经网络的目标检测,可以将一组视频帧图像输入预先训练好的网络模型,得出所有存在运动的对象和其置信度,将大于某个置信度阈值的图像特征作为该网络模块的输出。使用的网络模型可以包含但不限于单次多目标检测器(Single Shot MultiBox Detector,简称为SSD)、区域卷积网络(Faster Region-CNN,简称为Faster-RCNN)、特征金字塔网络(Feature PyramidNetwork,简称为FPN)等,此处不做任何限制。
作为一种可选的实施方式,步骤S5,根据每个目标图像的图像特征确定出运动特征包括:获取与每个目标图像的图像特征所表示的目标图像区域对应的目标矢量,得到多个目标矢量,其中,每个目标矢量用于表示对应的一个目标图像中存在运动的对象在经过目标图像区域时的运动速度和运动方向;将多个目标矢量按照每个目标图像在视频文件中的时间顺序组成第一目标向量,其中,运动特征包括第一目标向量;或者获取与每个目标图像的图像特征所表示的目标图像区域对应的二维光流图,得到多个二维光流图,其中,每个二维光流图包括对应的一个目标图像中存在运动的对象在经过目标图像区域时的运动速度和运动方向;将多个二维光流图按照每个目标图像在视频文件中的时间顺序组成三维第二目标向量,其中,运动特征包括三维第二目标向量。
在该实施例中,每个目标图像的图像特征可以用于表示与目标图像区域对应的目标矢量,从而得到与多个目标视频帧一一对应的多个目标矢量,其中的每个目标矢量用于表示对应的一个目标图像中存在运动的对象在经过目标图像区域时的运动速度和运动方向,也即,可以将每个目标图像中存在运动的对象在经过目标图像区域时的运动速度和运动方向,作为每个目标图像的图像特征。在得到多个目标矢量之后,将多个目标矢量按照每个目标图像在视频文件中的时间顺序组成第一目标向量,其中,每个目标图像在视频文件中的时间顺序可以通过时间轴表示,进而可以将多个目标矢量沿着时间轴做拼接,得到第一目标向量,该第一目标向量为一维向量,将该一维向量作为运动特征进行输出。
可选地,每个目标图像的图像特征用于表示目标图像区域,可以计算每个目标图像区域的光流(Optical flow or optic flow),得到与该目标图像区域对应的二维光流图,进而得到与多个目标图像一一对应的多个二维光流图,其中,光流用于描述相对于观察者的运动所造成的观测目标、表面或边缘的运动。该实施例的每个二维光流图包括对应的一个目标图像中存在运动的对象在经过目标图像区域时的运动速度和运动方向,也即,目标图像中存在运动的对象在经过目标图像区域时的运动速度和运动方向可以通过二维光流图来表示。在得到多个二维光流图之后,将多个二维光流图按照每个目标图像在视频文件中的时间顺序组成三维第二目标向量,其中,每个目标图像在视频文件中的时间顺序可以通过时间轴表示,可以将多个二维光流图沿着时间轴做拼接,得到第二目标向量,该第二目标向量为三维向量,将该三维向量作为运动特征进行输出。
该实施例通过用于表示对应的一个目标图像中存在运动的对象在经过目标图像区域时的运动速度和运动方向的目标矢量,或者与每个目标图像的图像特征所表示的目标图像区域对应的二维光流图来确定出运动特征,该运动特征可以为一维向量或者为三维向量,从而实现了根据每个目标图像的图像特征确定出运动特征的目的,进而根据运动特征和每个目标图像的图像特征,确定多个目标图像中是否出现有目标对象,达到自动确定多个目标图像中是否出现有目标对象的目的,提高了确定目标对象的准确率。
作为一种可选的示例,通过融合了对上述存在运动的对象的检测(目标检测)和运动特征提取的网络输出特征图,该特征图融合了包括视觉和运动特征的四维向量,其中,该四维向量可以包括但不限于时间维度、通道维度、长维度、高维度。
作为一种可选的实施方式,步骤S6,根据运动特征和每个目标图像的图像特征,确定多个目标图像中是否出现有目标对象包括:将运动特征和每个目标图像的图像特征输入到预先训练好的神经网络模型中,得到对象识别结果,其中,对象识别结果用于表示多个目标图像中是否出现有目标对象。
在该实施例中,在根据运动特征和每个目标图像的图像特征,确定多个目标图像中是否出现有目标对象时,可以将运动特征和每个目标图像的图像特征输入到预先训练好的神经网络模型中,得到对象识别结果,该神经网络模型也即分类网络模型,可以根据存在有运动的目标对象的图像特征样本、运动特征样本和用于指示目标对象的数据对初始神经网络模型进行训练,且用于确定视频帧图像中是否出现有目标对象的模型。对象识别结果也即分类结果、判别结果,用于表示多个目标图像中是否出现有目标对象。
作为一种可选的实施方式,将运动特征和每个目标图像的图像特征输入到预先训练好的神经网络模型中,得到对象识别结果包括:将每个图像特征经过包括卷积层、正则化层和激活函数层的神经网络层结构,得到多个第一特征向量;将多个第一特征向量与运动特征进行融合,得到第二特征向量;将第二特征向量输入到全连接层进行分类,得到第一分类结果,其中,神经网络模型包括神经网络层结构和全连接层,对象识别结果包括第一分类结果,第一分类结果用于表示多个目标图像中是否出现有目标对象;或者将每个图像特征经过包括卷积层、正则化层和激活函数层的第一神经网络层结构,得到多个第一特征向量;将运动特征经过包括卷积层、正则化层、激活函数层的第二神经网络层结构,得到第二特征向量;将多个第一特征向量与第二特征向量进行融合,得到第三特征向量;将第三特征向量输入到全连接层进行分类,得到第二分类结果,其中,神经网络模型包括第一神经网络层结构、第二神经网络层结构和全连接层,对象识别结果包括第二分类结果,第二分类结果用于表示多个目标图像中是否出现有目标对象。
在该实施例中,神经网络模型的总体结构可以分为卷积层、正则化层、激活函数层、全连接层,其中,卷积层由若干卷积单元组成,每个卷积单元的参数都是通过反向传播算法最佳化得到的;正则化层可以用于防止神经网络模型训练的过拟合,激活函数层可以将非线性引入网络,全连接层在整个卷积神经网络中起到分类器的作用。
在该实施例中,在将运动特征和每个目标图像的图像特征输入到预先训练好的神经网络模型中,得到对象识别结果时,可以将每个图像特征经过包括卷积层、正则化层和激活函数层的神经网络层结构,得到多个第一特征向量,将该多个第一特征向量与上述运动特征进行融合,从而得到第二特征向量,其中,运动特征为一维运动特征。
作为一种可选的融合方式,可以将多个第一特征向量与运动特征进行拼接(或称为组合),得到第二特征向量。
在得到第二特征向量之后,将第二特征向量输入到全连接层进行分类,也即,通全连接层对第二特征向量进行分类,从而得到第一分类结果,其中,该实施例的神经网络模型包括上述神经网络层结构和上述全连接层,第一分类结果用于表示多个目标图像中是否出现有目标对象的对象识别结果,比如,为多个目标图像中是否出现有老鼠的分类结果。
可选地,上述将每个图像特征经过包括卷积层、正则化层和激活函数层的神经网络层结构,得到多个第一特征向量,将多个第一特征向量与运动特征进行融合,得到第二特征向量,将第二特征向量输入到全连接层进行分类,得到第一分类结果的方法,可以在获取与每个目标图像的图像特征所表示的目标图像区域对应的目标矢量,得到多个目标矢量,将多个目标矢量按照每个目标图像在视频文件中的时间顺序组成第一目标向量之后执行。
可选地,在将运动特征和每个目标图像的图像特征输入到预先训练好的神经网络模型中,得到对象识别结果时,将每个图像特征经过包括卷积层、正则化层和激活函数层的第一神经网络层结构,得到多个第一特征向量;将上述运动特征经过包括卷积层、正则化层、激活函数层的第二神经网络层结构,得到第二特征向量。在得到第一特征向量和得到第二特征向量之后,将多个第一特征向量与第二特征向量进行融合,得到第三特征向量。
作为一种可选的融合方式,可以将多个第一特征向量与第二特征向量进行拼接(或称为组合),得到第三特征向量。
在得到第三特征向量之后,将第三特征向量输入到全连接层进行分类,从而得到第二分类结果,其中,该实施例的神经网络模型包括第一神经网络层结构、第二神经网络层结构和全连接层,对象识别结果包括第二分类结果,该第二分类结果用于表示多个目标图像中是否出现有目标对象,比如,为多个目标图像中是否出现有老鼠的分类结果。
可选地,上述将每个图像特征经过包括卷积层、正则化层和激活函数层的第一神经网络层结构,得到多个第一特征向量,将运动特征经过包括卷积层、正则化层、激活函数层的第二神经网络层结构,得到第二特征向量,将多个第一特征向量与第二特征向量进行融合,得到第三特征向量,将第三特征向量输入到全连接层进行分类,得到第二分类结果的方法,可以在获取与每个目标图像的图像特征所表示的目标图像区域对应的二维光流图,得到多个二维光流图,将多个二维光流图按照每个目标图像在视频文件中的时间顺序组成三维第二目标向量之后执行。
作为另一种可选的示例,将运动特征和每个目标图像的图像特征输入到预先训练好的神经网络模型中,得到对象识别结果包括:将每个图像特征依次经过多个块,得到多个第一特征向量,其中,在每个块中会对块的输入依次执行卷积层上的卷积操作、正则化层上的正则化操作、激活函数层上的激活操作;将多个第一特征向量与运动特征进行拼接,得到第二特征向量;将第二特征向量输入到全连接层,通过全连接层输出得到第一分类结果,其中,神经网络模型包括多个块和全连接层,对象识别结果包括第一分类结果,第一分类结果用于表示多个目标图像中是否出现有目标对象;或者将每个图像特征依次经过多个第一块,得到多个第一特征向量,其中,在每个第一块中会对第一块的输入依次执行卷积层上的卷积操作、正则化层上的正则化操作、激活函数层上的激活操作;将运动特征依次经过多个第二块,得到第二特征向量,其中,在每个第二块中会对第二块的输入依次执行卷积层上的卷积操作、正则化层上的正则化操作、激活函数层上的激活操作;将多个第一特征向量与第二特征向量进行拼接,得到第三特征向量;将第三特征向量输入到全连接层,通过全连接层输出得到第二分类结果,其中,神经网络模型包括多个第一块、多个第二块和全连接层,对象识别结果包括第二分类结果,第二分类结果用于表示多个目标图像中是否出现有目标对象。
在该实施例中,还可以通过块对每个图像特征进行处理。可以将每个图像特征依次经过多个块,得到多个第一特征向量,在每个块中会对块的输入依次执行在卷积层上的卷积操作、在正则化层上的正则化操作以及在激活函数层上的激活操作。在得到多个第一特征向量之后,将多个第一特征向量与运动特征进行拼接,从而得到第二特征向量。在得到第二特征向量之后,将第二特征向量输入到全连接层进行分类,通过全连接层输出得到第一分类结果,其中,该实施例的神经网络模型包括多个块和全连接层,对象识别结果包括第一分类结果,该第一分类结果用于表示多个目标图像中是否出现有目标对象,比如,为多个目标图像中是否出现有老鼠的分类结果。
可选地,该实施例通过第一块对每个图像特征进行处理,将每个图像特征依次经过多个第一块,得到多个第一特征向量,在每个第一块中会对第一块的输入依次执行在卷积层上的卷积操作、在正则化层上的正则化操作以及在激活函数层上的激活操作。该实施例还可以通过第二块对运动特征进行处理,将运动特征依次经过多个第二块,得到第二特征向量,在每个第二块中会对第二块的输入依次执行在卷积层上的卷积操作、在正则化层上的正则化操作以及在激活函数层上的激活操作。在得到多个第一特征向量和第二特征向量之后,将多个第一特征向量与第二特征向量进行拼接,得到第三特征向量,最后将第三特征向量输入到全连接层进行分类,通过全连接层输出得到第二分类结果,其中,该实施例的神经网络模型包括多个第一块、多个第二块和全连接层,对象识别结果包括第二分类结果,该第二分类结果用于表示多个目标图像中是否出现有目标对象,比如,为多个目标图像中是否出现有老鼠的分类结果。
作为一种可选的实施方式,对视频文件进行抽帧采样,得到一组视频帧图像包括:对视频文件中的视频序列进行等间隔的抽帧采样,得到一组视频帧图像。
在该实施例中,视频文件包括视频序列,可以在对视频文件进行抽帧采样,得到一组视频帧图像时,对视频文件中的视频序列进行等间隔的抽帧采样,得到一组视频帧图像,从而减少对目标对象进行确定的算法的运算量,进而快速多个目标视频帧中是否出现有目标对象,提高了对目标对象进行确定的效率。
作为一种可选的实施方式,获取摄像设备对目标区域拍摄得到的视频文件包括:获取的视频文件包括:获取红外微光夜视摄像头对目标区域拍摄得到的视频文件,其中,视频文件中的视频帧图像为通过红外微光夜视摄像头拍摄到的图像。
在该实施例中,摄像设备可以为摄像头,比如,为红外微光夜视摄像头,该红外微光夜视摄像头带有红外照明功能。通过红外微光夜视摄像头对目标区域进行拍摄,得到视频文件,该视频文件中的视频帧图像为通过红外微光夜视摄像头拍摄到的图像。
可选地,该实施例的摄像设备还包括但不限于:移动侦测功能、联网功能(如wifi联网)及高清晰度(如大于1080p)配置。
作为一种可选的实施方式,在确定多个目标图像中是否出现有目标对象之后,该方法还包括:在确定出多个目标图像中出现有目标对象的情况下,确定目标对象在多个目标图像中的位置;将位置显示在多个目标图像中。
在该实施例中,在确定多个目标图像中是否出现有目标对象之后,在确定出多个目标图像中出现有目标对象的情况下,可以进一步确定目标对象在多个目标图像中的位置,比如,确定老鼠在多个目标图像中的位置,进而将位置显示在多个目标图像中,比如,将用于指示位置的图标、文本等信息显示在多个目标图像中。
可选地,该实施例还可以获取目标对象出现的时间、在目标区域中的活动区域等信息,将目标对象的位置、时间、在目标区域中的具体活动区域、在目标区域的活动频率、移动轨迹等信息输出至前端,该前端也即显示部件,目标对象出现的时间、活动区域等信息可以在显示界面中进行显示,从而避免了人工确定目标对象导致对目标对象进行确定的效率低下的为问题。
可选地,在确定出多个目标图像中出现有目标对象的情况下,可以发送报警信息至前端,该报警信息用于指示目标区域中出现有目标对象,以使相关防治人员采取防治措施,从而提高对目标对象进行防治的效率。
作为一种可选的实施方式,目标对象的确定方法由设置在本地的服务器执行。
该实施例的目标对象的确定方法可以由设置在本地的服务器执行,无需连接云服务器,内部即可实现上述的运算和可视化,避免了运算端在云服务器上,会有计算资源上、传输上的问题,导致整个框架效率较为低下的问题,从而提高了对目标对象进行确定的效率。
该实施例旨在应用图像识别的技术,融合图像特征和运动特征,自动检测监控视频中是否有目标对象,对目标对象做定位和跟踪,可以生成目标对象的移动轨迹和在各目标区域的活动频率,整个过程全为算法实现,无需额外的人力成本;另外,该实施例无需通过放置目标捕捉装置来确定目标区域中的目标对象,也无需花费人力进行观测,不仅大大减少了监测目标对象的人力成本,提高了对目标对象进行确定的效率,进而方便了进一步对目标对象进行防治的工作。
进一步,下面结合优选的实施例对本发明实施例的技术方案进行举例说明。具体以目标对象为老鼠进行举例说明。
根据本发明实施例的另一种目标对象的确定方法。该方法还包括:
步骤S1,获取红外微光夜视摄像头拍摄到的视频文件。
步骤S2,判断视频文件中是否存在运动物体。
步骤S3,如果存在运动物体,则提取存在运动物体的视频片段。
步骤S4,对存在运动物体的视频片段进行图像特征和动态特征提取。
步骤S5,根据提取到的图像特征和动态特征判断运动物体是否为老鼠。
步骤S6,如果判断结果为是,则发出提示信息。
该实施例采用获取红外微光夜视摄像头拍摄到的视频文件;判断视频文件中是否存在运动物体;如果存在运动物体,则提取存在运动物体的视频片段;对存在运动物体的视频片段进行图像特征和动态特征提取;根据提取到的图像特征和动态特征判断运动物体是否为老鼠;如果判断结果为是,则发出提示信息,从而解决了对目标对象进行确定的效率低的问题,进而达到了提高鼠患检测准确度的效果。
本发明实施例的技术方案可以作为一种融合视觉特征和轨迹特征的鼠患视频监测方法,可以应用在多种场景中用于检测拍摄到的视频中是否存在老鼠,通过红外微光夜视摄像头拍摄当前环境的视频文件,然后判断是否存在运动物体,如果存在运动物体,则通过提取运动物体的视频片段进行特征识别,进一步判断提取运动物体是否为老鼠,如果判断出是老鼠,则发出提示信息,提示信息可以是在屏幕上显示文字,也可以是发出声音提示信息,也可以是亮灯或闪烁等多种类型的提示信息。
需要说明的是,本发明实施例的技术方案中,监控摄像头采用的是红外微光夜视摄像头,另外,其判断、提取等处理过程是在本地服务器中进行的,无需将数据发送到远程服务器来处理,可以减少数据传输量,提高监测效率。
可选地,在发出提示信息之后,确定运动物体在视频文件中每帧图片中的位置;将预设标记叠加在每帧图片对应的位置处显示在前端界面上。
在发出有老鼠的提示后,确定老鼠在视频文件中每帧图片中的位置,然后将预设的标记叠加在每帧图片对应的位置处显示,预设标记可以是绿色或者红色的矩形框,把每帧图片中老鼠的位置用矩形框标记出,以方便用户可以及时查看到老鼠的位置和经常出没区域。
可选地,判断视频文件中是否存在运动物体包括:对视频文件中的视频序列进行等间隔的抽帧采样,得到采样视频帧;通过动态目标检测算法或者基于神经网络的目标检测算法判断采样视频帧图像中是否有运动物体。
在判断视频文件中是否存在运动物体时,可以对视频序列进行等间隔的抽帧采样,以减少算法的运算量,然后判断采样视频帧中是否有运动物体,判断时可以采用动态目标检测算法或者基于神经网络的目标检测算法中的任意一种,在一些情况下,也可以两者混合使用。
可选地,通过动态目标检测算法判断采样视频帧图像中是否有运动物体包括:通过Dk(x,y)=丨fk(x,y)-bk(x,y)丨计算当前帧和背景或前一帧的差值;通过判断是否存在运动物体,其中,(x,y)为以图像左上角为原点,宽方向为X轴,高方向为Y轴建立的坐标系中像素点的坐标,k为当前帧的索引,f表示当前帧,b表示背景或者上一帧,M(x,y)为运动图像,T为阈值。
若M(x,y)为1表示有运动目标,所有X(x,y)的像素组成了运动目标图像,经过形态学运算合并像素点可得出所有运动的目标。
可选地,根据提取到的图像特征和动态特征判断运动物体是否为老鼠包括:将提取到的图像特征和动态特征输入到预先训练好的神经网络模型中,进行模型判别,得到模型输出结果;根据模型输出结果判断运动物体是否为老鼠。
可以通过预先训练好的神经网络模型对提取到的图像特征和动态特征进行模型判别,模型是预先根据大量的样本训练得到的,大量的样本包括图片和该图片中是否有老鼠的标签,在一些情况下,还可以包括该图片中的老鼠数量的标签,这样可以使模型更加精确。
本发明实施例的技术方案可以应用在厨房、餐厅等需要监测是否有鼠害的应用场景中,也可以使用于酒店业学校、实验室、医院等室内外对于环境卫生有要求的场所,对在鼠害防治工作中,应用本发明实施例的图像识别技术进行老鼠检测和跟踪,使用独立的一个装置,通过监控摄像头在本地完成鼠患的监控,无需放置鼠夹鼠笼,也无需花费人力进行观测,将监测鼠害变为高效全自动的流程工作,不仅大大减少了监测鼠害的人力成本,同时准确率高,方便对鼠害卫生的监管,并且提供了轨迹信息,方便了进一步的灭鼠工作。
本发明实施例的技术方案还提供了一种优选实施方式,下面结合该优选实施方式对本发明实施例的技术方案进行说明。
本发明实施例旨在应用图像识别的技术,融合视觉和图像序列特征,自动检测监控视频中是否有老鼠,对老鼠做定位和跟踪,并且生成老鼠的运动轨迹路线和各区域的活动频率,整个过程全为算法实现,无需额外的人力成本,并且是一个独立的装置,无需连接云服务器,内部可实现所有的运算和可视化。
根据本发明实施例的一种鼠患视频监测装置可以包括分为几个部件:红外微光夜视摄像头、数据处理模块和前端显示部件,上述装置工作时原理如下:红外微光夜视摄像头负责采集场景视频序列,数据处理模块接收视频序列并且检测视频中有无老鼠,若检测到老鼠,将老鼠的位置等一系列信息输出至前端显示界面,前端显示界面显示老鼠的位置、出现时间、活动区域并且可以即时进行鼠患的报警。
上述数据处理模块可以分为视频采集模块502、视频处理模块504和存储模块506。图5是根据本发明实施例的一种各模块数据连接的示意图,如图5所示,视频采集模块502通过ARM板5022采集视频数据,并通过视频预处理模块5024进行预处理,视频处理模块504读入已训练好的模型在嵌入式GPU处理器5042中根据深度学习算法进行视频处理,若深度学习网络模型检测到某一个片段时间有老鼠,则将该片段以及相应的检测结果存储至存储模块506,存储模块506将这一系列信息输出至前端。
图6是根据本发明实施例的一种鼠患检测***的原理示意图。如图6所示,该算法包括以下几个模块:预处理、目标检测,运动特征提取和分类网络,***的输入为原始视频序列,预处理包含两个步骤:抽帧和动态检测,先是对原始视频序列进行等间隔的抽帧采样,减少算法的运算量,然后利用目标检测算法进行目标检测,判断图像中是否有运动物体,若无运动物体,则不进行后续的检测,若有运动物体,则将有运动物体的视频片段输入后续模块。在目标检测过程中,对预处理后的视频序列的每一帧进行检测,在可能存在老鼠的位置获取图像特征(如该位置对应的检测框内的视觉信息),并通过运动特征提取模块,将各个视频图像帧之间的信息进行融合和特征提取,防止单帧的目标检测器出现误判的情况,随后将提取的运动特征和与图像特征输入分类网络,由分类网络判别是否是老鼠,若是老鼠,则将老鼠在每一帧所在位置的矩形检测框传给前端显示界面。
需要说明的是,在本实施例中,上述目标检测过程是根据具体的机器计算资源分配了两种算法:动态目标检测算法和基于神经网络的目标检测算法,前者运算速度快、对机器配置要求低,后者准确性和鲁棒性。
1)动态目标检测算法包含背景差和帧差法,利用下述公式(1),计算当前帧和背景或者前一帧的差值:
Dk(x,y)=丨fk(x,y)-bk(x,y)丨 (1)
上式中,(x,y)为以图像左上角为原点,宽方向为X轴,高方向为Y轴建立的坐标系中像素点的坐标,k为当前帧的索引,f代表当前帧,b代表背景或者上一帧。利用公式(2)判断是否存在运动目标:
M(x,y)为运动图像,T为阈值,若M(x,y)为1表示有运动目标,所有X(x,y)的像素组成了运动目标图像,经过形态学运算合并像素点可得出所有运动的目标,作为该模块的输出。
2)基于神经网络的目标检测算法将图片输入预先训练好的网络模型,得出所有可能的目标和其置信度,大于某个置信度阈值的检测框作为该模块的输出。使用的网络模型包含但不限于SSD、Faster-RCNN、FPN等。图6是本发明实施例的一种Faster-RCNN网络模型的示意图。如图6所示,其中conv是卷积层,由卷积核(是一个矩阵)在输入上进行划窗,对每个输入的划窗位置都和矩阵根据公式(3)相点乘,结果F作为该划窗位置的特征输出。
F=∑0≤i,j≤nk(i,j)*I(i,j) (3)
RPN为区域提出网络,会提出一系列的候选框,ROI pooling池化层将卷积层提到的特征图在RPN输出的坐标下的区域映射成大小(w,h)固定的矩形框,输入由全连接层构成的分类器和边框回归器,边框回归输出老鼠的可能坐标位置,分类器输出是该位置老鼠的置信度。
上述运动特征提取:因为物体的运动是连续的,运动特征提取算法先根据每一帧得到的检测框,计算帧与帧之间检测框的相关性,相关性大的检测框认为是同一物体,对每一帧的检测框进行匹配,得到物体的一系列运动图片,最后使用3D的特征提取网络提取运动序列的特征。
上述分类网络:将目标检测框中的视觉信息和运动特征融合,输入设计好的分类的网络模型,用于筛除非老鼠的图片序列,降低虚警率,将结果输入前端显示界面,显示老鼠的检测框和轨迹。
在本发明实施例中,对于整体的框架,还可以但不限于通过目标检测和分类网络来达到检测识别的目的,以节省框架布局成本。
本发明实施例提出了利用图像识别算法,自动识别监控视频中的老鼠,无需放置鼠夹鼠笼,也无需花费人力进行观测,将监测鼠害变为高效全自动的流程工作,不仅大大减少了监测鼠害的人力成本,同时准确率高,方便对后厨鼠害卫生的监管,同时,还可以提供老鼠活动的轨迹,便于人员选择灭鼠工具放置位置,方便了进一步的除害工作。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
在本实施例中还提供了一种放置位置的提示装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图7是根据本发明实施例的放置位置的提示装置的结构框图,如图7所示,该装置包括:显示模块702和输出模块704,下面对该装置进行详细说明:
显示模块702,用于在客户端上显示目标对象的图像信息,其中,图像信息中显示有目标对象的活动轨迹以及预定放置区域,预定放置区域用于放置捕捉设备,捕捉设备用于捕捉目标对象;
输出模块704,连接至上述中的显示模块702,用于在确定出捕捉设备到达预定放置区域内的情况下,在客户端上输出提示信息,其中,提示信息用于提示捕捉设备已到达预定放置区域。
通过本发明,由于在客户端上显示目标对象的图像信息,其中,图像信息中显示有目标对象的活动轨迹以及预定放置区域,预定放置区域用于放置捕捉设备,捕捉设备用于捕捉目标对象;在确定出捕捉设备到达预定放置区域内的情况下,在客户端上输出提示信息,其中,提示信息用于提示捕捉设备已到达预定放置区域。因此,可以解决相关技术中捕捉设备的放置不准确的问题,达到准确放置捕捉设备的效果。
可选地,上述步骤的执行主体可以为终端等,但不限于此。
在一个可选的实施例中,客户端可以是带有显示屏幕的手机。目标对象可以是老鼠、蟑螂等害虫。捕捉设备可以是捕鼠器、蟑螂贴等等。
提示信息可以是语音提示,例如:“位置正确”、嘟嘟的声音,也可以是文字信息。
在一个可选的实施例中,在客户端上输出提示信息之前,还包括:根据红外发射器发射的红外信号确定红外发射器的位置,其中,红外发射器外接在捕捉设备上,或者,红外发射器设置在捕捉设备中;判断红外发射器的位置是否在预定放置区域内;在红外发射器的位置在预定放置区域内的情况下,确定出捕捉设备到达预定放置区域内。预定放置区域可以是目标对象经常活动的区域,例如,洗菜池的周围,仓库的墙角。红外发射器可以是装置在捕捉设备上,也可以是用户在放置捕捉设备时,手持红外发射器。
在一个可选的实施例中,通过以下方式根据红外发射器发射的红外信号确定红外发射器的位置:通过摄像设备接收红外发射器发射的红外信号;根据接收到的红外信号确定红外发射器的位置。在本实施例中,摄像设备可以安装在摄像头中,夜间也可以对厨房进行监控。摄像设备可以包括但不限于:带有红外照明功能的摄像头,例如,红外微光夜视摄像头。进一步,该摄像头还可以包括但不限于:移动侦测功能、存储功能、联网功能(如wifi联网)及高清晰度(如大于1080p)配置。
在一个可选的实施例中,在客户端上输出提示信息之前,需要在客户端上接收到位置确定结果,其中,位置确定结果用于指示捕捉设备到达预定放置区域内,位置确定结果是通过判断红外发射器的位置是否在预定放置区域内而得到的判断结果,红外发射器的位置是根据红外发射器发射的红外信号确定得到的位置;红外发射器外接在捕捉设备上,或者,红外发射器设置在捕捉设备中。
在一个可选的实施例中,可以通过声音传感器接收目标对象发出的声音信息,其中,声音传感器外接在捕捉设备上,或者,声音传感器设置在捕捉设备中;根据声音信息确定目标对象的捕捉结果;根据捕捉结果调整捕捉设备的放置位置。例如,老鼠在被捕鼠器捕捉到时,会发出声音,声音传感器即可以获取到老鼠发出的声音,从而确定出老鼠被捕捉了。
在一个可选的实施例中,目标对象的捕捉结果包括以下至少之一:目标对象被捕捉的次数,目标对象逃脱的次数,目标对象被捕捉的时间,目标对象逃脱的时间,目标对象的声音的分布信息,目标对象被捕捉的位置。
在一个可选的实施例中,通过以下方式根据捕捉结果调整捕捉设备的放置位置:在确定目标对象逃脱的情况下,通过摄像设备获取目标对象逃脱轨迹;基于逃脱轨迹调整捕捉设备的放置位置。对放置位置进行的调整可以更加准确的放置捕捉设备。
在一个可选的实施例中,在客户端上输出提示信息包括以下至少之一:在客户端上播放目标声频,其中,提示信息包括目标声频;在客户端上显示目标文字,其中,提示信息包括目标文字;在客户端上显示目标图像,其中,提示信息包括目标图像;在客户端上播放目标视频,其中,提示信息包括目标视频。
在一个可选的实施例中,通过以下方式确定目标对象:获取摄像设备对目标区域拍摄得到的视频文件;对视频文件进行抽帧采样,得到一组视频帧图像;根据一组视频帧图像中的像素点的像素值在一组视频帧图像中确定出多个目标图像,其中,每个目标图像用于指示在目标区域中存在运动的对象;对每个目标图像进行目标对象的检测,得到每个目标图像的图像特征,其中,图像特征用于表示在存在运动的对象中,与目标对象之间的相似度大于第一阈值的对象所在的目标图像区域;根据每个目标视频帧图像的图像特征确定出运动特征,其中,运动特征用于表示多个目标图像中存在运动的对象的运动速度和运动方向;根据运动特征和每个目标图像的图像特征,确定多个目标视频帧图像中是否出现有目标对象。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,对于后者,可以通过以下方式实现,但不限于此:上述模块均位于同一处理器中;或者,上述各个模块以任意组合的形式分别位于不同的处理器中。
本发明的实施例还提供了一种存储介质,该存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以上各步骤的计算机程序。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明的实施例还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以上各步骤。
可选地,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (12)
1.一种放置位置的提示方法,其特征在于,包括:
在客户端上显示目标对象的图像信息,其中,所述图像信息中显示有所述目标对象的活动轨迹以及预定放置区域,所述预定放置区域用于放置捕捉设备,所述捕捉设备用于捕捉所述目标对象;
在确定出所述捕捉设备到达所述预定放置区域内的情况下,在所述客户端上输出提示信息,其中,所述提示信息用于提示所述捕捉设备已到达所述预定放置区域。
2.根据权利要求1所述的方法,其特征在于,在所述客户端上输出提示信息之前,还包括:
根据红外发射器发射的红外信号确定所述红外发射器的位置,其中,所述红外发射器外接在所述捕捉设备上,或者,所述红外发射器设置在所述捕捉设备中;
判断所述红外发射器的位置是否在所述预定放置区域内;
在所述红外发射器的位置在所述预定放置区域内的情况下,确定出所述捕捉设备到达所述预定放置区域内。
3.根据权利要求2所述的方法,其特征在于,根据红外发射器发射的红外信号确定所述红外发射器的位置包括:
通过摄像设备接收所述红外发射器发射的红外信号;
根据接收到的所述红外信号确定所述红外发射器的位置。
4.根据权利要求1所述的方法,其特征在于,在所述客户端上输出提示信息之前,还包括:
在所述客户端上接收到位置确定结果,其中,所述位置确定结果用于指示所述捕捉设备到达所述预定放置区域内,所述位置确定结果是通过判断红外发射器的位置是否在所述预定放置区域内而得到的判断结果,所述红外发射器的位置是根据所述红外发射器发射的红外信号确定得到的位置;所述红外发射器外接在所述捕捉设备上,或者,所述红外发射器设置在所述捕捉设备中。
5.根据权利要求1至4中任一项所述的方法,其特征在于,所述方法还包括:
通过声音传感器接收所述目标对象发出的声音信息,其中,所述声音传感器外接在所述捕捉设备上,或者,所述声音传感器设置在所述捕捉设备中;
根据所述声音信息确定所述目标对象的捕捉结果;
根据所述捕捉结果调整所述捕捉设备的放置位置。
6.根据权利要求5所述的方法,其特征在于,所述目标对象的捕捉结果包括以下至少之一:
所述目标对象被捕捉的次数,所述目标对象逃脱的次数,所述目标对象被捕捉的时间,所述目标对象逃脱的时间,所述目标对象的声音的分布信息,所述目标对象被捕捉的位置。
7.根据权利要求5所述的方法,其特征在于,根据所述捕捉结果调整所述捕捉设备的放置位置包括:
在确定所目标对象逃脱的情况下,通过摄像设备获取所述目标对象逃脱轨迹;
基于所述逃脱轨迹调整所述捕捉设备的放置位置。
8.根据权利要求1至4中任一项所述的方法,其特征在于,在所述客户端上输出提示信息包括以下至少之一:
在所述客户端上播放目标声频,其中,所述提示信息包括所述目标声频;
在所述客户端上显示目标文字,其中,所述提示信息包括所述目标文字;
在所述客户端上显示目标图像,其中,所述提示信息包括所述目标图像;
在所述客户端上播放目标视频,其中,所述提示信息包括所述目标视频。
9.根据权利要求1所述的方法,其特征在于,通过以下方式确定所述目标对象:
获取摄像设备对目标区域拍摄得到的视频文件;
对所述视频文件进行抽帧采样,得到一组视频帧图像;
根据所述一组视频帧图像中的像素点的像素值在所述一组视频帧图像中确定出多个目标图像,其中,每个所述目标图像用于指示在所述目标区域中存在运动的对象;
对每个所述目标图像进行目标对象的检测,得到每个所述目标图像的图像特征,其中,所述图像特征用于表示在所述存在运动的对象中,与所述目标对象之间的相似度大于第一阈值的对象所在的目标图像区域;
根据每个所述目标图像特征确定出运动特征,其中,所述运动特征用于表示所述多个目标图像中所述存在运动的对象的运动速度和运动方向;
根据所述运动特征和每个所述目标图像的图像特征,确定所述多个目标图像中是否出现有所述目标对象。
10.一种放置位置的提示装置,其特征在于,包括:
显示模块,用于在客户端上显示目标对象的图像信息,其中,所述图像信息中显示有所述目标对象的活动轨迹以及预定放置区域,所述预定放置区域用于放置捕捉设备,所述捕捉设备用于捕捉所述目标对象;
输出模块,用于在确定出所述捕捉设备到达所述预定放置区域内的情况下,在所述客户端上输出提示信息,其中,所述提示信息用于提示所述捕捉设备已到达所述预定放置区域。
11.一种存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至9任一项中所述的方法。
12.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行所述权利要求1至9任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910069015.6A CN109934099A (zh) | 2019-01-24 | 2019-01-24 | 放置位置的提示方法及装置、存储介质、电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910069015.6A CN109934099A (zh) | 2019-01-24 | 2019-01-24 | 放置位置的提示方法及装置、存储介质、电子装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109934099A true CN109934099A (zh) | 2019-06-25 |
Family
ID=66985164
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910069015.6A Pending CN109934099A (zh) | 2019-01-24 | 2019-01-24 | 放置位置的提示方法及装置、存储介质、电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109934099A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110796494A (zh) * | 2019-10-30 | 2020-02-14 | 北京爱笔科技有限公司 | 一种客群识别方法及装置 |
CN113194357A (zh) * | 2021-01-25 | 2021-07-30 | 妙微(杭州)科技有限公司 | 一种运动目标检测方法及*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104904703A (zh) * | 2015-05-14 | 2015-09-16 | 沈银如 | 一种捕鼠的定位***及定位方法 |
CN205431745U (zh) * | 2015-12-24 | 2016-08-10 | 国家电网公司 | 机房内多方位防鼠设备 |
CN106056056A (zh) * | 2016-05-23 | 2016-10-26 | 浙江大学 | 一种远距离非接触的行李体积检测***及其方法 |
CN107065808A (zh) * | 2017-05-27 | 2017-08-18 | 深圳增强现实技术有限公司 | 产品附件置入方法、质检方法及生产线用*** |
US20170345181A1 (en) * | 2016-05-27 | 2017-11-30 | Beijing Kuangshi Technology Co., Ltd. | Video monitoring method and video monitoring system |
CN108259830A (zh) * | 2018-01-25 | 2018-07-06 | 深圳冠思大数据服务有限公司 | 基于云服务器的鼠患智能监控***和方法 |
CN207733515U (zh) * | 2018-01-18 | 2018-08-17 | 叶秉城 | 一种带有转角镜的远程智能监控捕鼠器 |
CN108829762A (zh) * | 2018-05-28 | 2018-11-16 | 思百达物联网科技(北京)有限公司 | 基于视觉的小目标识别方法和装置 |
CN109215325A (zh) * | 2018-11-27 | 2019-01-15 | 浙江帮帮环境科技集团有限公司 | 鼠情智能无线监测装置 |
-
2019
- 2019-01-24 CN CN201910069015.6A patent/CN109934099A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104904703A (zh) * | 2015-05-14 | 2015-09-16 | 沈银如 | 一种捕鼠的定位***及定位方法 |
CN205431745U (zh) * | 2015-12-24 | 2016-08-10 | 国家电网公司 | 机房内多方位防鼠设备 |
CN106056056A (zh) * | 2016-05-23 | 2016-10-26 | 浙江大学 | 一种远距离非接触的行李体积检测***及其方法 |
US20170345181A1 (en) * | 2016-05-27 | 2017-11-30 | Beijing Kuangshi Technology Co., Ltd. | Video monitoring method and video monitoring system |
CN107065808A (zh) * | 2017-05-27 | 2017-08-18 | 深圳增强现实技术有限公司 | 产品附件置入方法、质检方法及生产线用*** |
CN207733515U (zh) * | 2018-01-18 | 2018-08-17 | 叶秉城 | 一种带有转角镜的远程智能监控捕鼠器 |
CN108259830A (zh) * | 2018-01-25 | 2018-07-06 | 深圳冠思大数据服务有限公司 | 基于云服务器的鼠患智能监控***和方法 |
CN108829762A (zh) * | 2018-05-28 | 2018-11-16 | 思百达物联网科技(北京)有限公司 | 基于视觉的小目标识别方法和装置 |
CN109215325A (zh) * | 2018-11-27 | 2019-01-15 | 浙江帮帮环境科技集团有限公司 | 鼠情智能无线监测装置 |
Non-Patent Citations (2)
Title |
---|
本社编: "《农家顾问》", 31 August 1981, 湖南科学技术出版社 * |
科学普及出版社编: "《走进乐高机器人》", 31 July 2012, 科学普及出版社 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110796494A (zh) * | 2019-10-30 | 2020-02-14 | 北京爱笔科技有限公司 | 一种客群识别方法及装置 |
CN113194357A (zh) * | 2021-01-25 | 2021-07-30 | 妙微(杭州)科技有限公司 | 一种运动目标检测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7018462B2 (ja) | 目標対象物の監視方法、装置及びシステム | |
CN109922310B (zh) | 目标对象的监控方法、装置及*** | |
CN109886130B (zh) | 目标对象的确定方法、装置、存储介质和处理器 | |
JP6949988B2 (ja) | 領域特定方法、装置、記憶媒体及びプロセッサ | |
CN109886999B (zh) | 位置确定方法、装置、存储介质和处理器 | |
JP7229662B2 (ja) | ビデオ監視システムで警告を発する方法 | |
CN109886555A (zh) | 食品安全的监测方法及装置 | |
CN102473238B (zh) | 用于图像分析的***和方法 | |
CN110428522A (zh) | 一种智慧新城的智能安防*** | |
US20160019427A1 (en) | Video surveillence system for detecting firearms | |
CN109886129A (zh) | 提示信息生成方法和装置,存储介质及电子装置 | |
CN109831634A (zh) | 目标对象的密度信息确定方法及装置 | |
CN102521578A (zh) | 一种入侵检测和识别方法 | |
CN109558785A (zh) | 安防监控***及应用其的无人便利店 | |
WO2021063046A1 (zh) | 一种分布式目标监测***和方法 | |
KR102149832B1 (ko) | 딥러닝 기반의 자동 폭력 감지 시스템 | |
CN109255360B (zh) | 一种目标分类方法、装置及*** | |
CN109934099A (zh) | 放置位置的提示方法及装置、存储介质、电子装置 | |
CN109284740A (zh) | 对鼠情进行统计的方法、装置、设备以及存储介质 | |
KR102182660B1 (ko) | 시공간 특징을 이용한 폭력 감지 시스템, 방법 및 상기 방법을 수행하도록 하는 프로그램이 저장된 컴퓨터 판독 가능한 기록매체 | |
CN116416281A (zh) | 一种粮库ai视频监管分析方法及*** | |
CN108874910A (zh) | 基于视觉的小目标识别*** | |
CN111428626A (zh) | 一种移动物体的识别方法、装置、及存储介质 | |
Liu et al. | Towards continuous surveillance of fruit flies using sensor networks and machine vision | |
CN106921846A (zh) | 视频移动终端遗留物检测装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190625 |