CN110245696A - 基于视频的违法事件监控方法、设备及可读存储介质 - Google Patents
基于视频的违法事件监控方法、设备及可读存储介质 Download PDFInfo
- Publication number
- CN110245696A CN110245696A CN201910464895.7A CN201910464895A CN110245696A CN 110245696 A CN110245696 A CN 110245696A CN 201910464895 A CN201910464895 A CN 201910464895A CN 110245696 A CN110245696 A CN 110245696A
- Authority
- CN
- China
- Prior art keywords
- illegal
- picture
- convolutional neural
- neural networks
- networks model
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- 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
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Alarm Systems (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明公开了一种基于视频的违法事件监控方法、设备及可读存储介质,方法包括:获取违法场景下拍摄的违法图片以及正常场景下拍摄的正常图片;通过所述违法图片以及正常图片,基于迭代训练的方式对预置卷积神经网络模型进行训练,得到目标卷积神经网络模型;将待识别图片输入所述目标卷积神经网络模型,得到所述待识别图片的识别结果;若所述识别结果为违法,则输出告警提示。通过本发明,使用卷积神经网络模型判断拍摄到的图片是否为违法图片,当判断为违法图片时,视为监控到违法事件,便输出告警提示,以供相关执法人员对违法事件进行处理,使得城市管理工作更加智能,且提高了城市管理工作的效率。
Description
技术领域
本发明涉及城市管理技术领域,尤其涉及基于视频的违法事件监控方法、设备及可读存储介质。
背景技术
现有的城市管理工作,主要依赖执法人员巡视的方式进行。由于城市面积大、违法事件的突发性等因素,加重了执法人员的工作强度,且难以在第一时间发现违法事件,使得城市管理效果不佳。
发明内容
本发明的主要目的在于提供一种基于视频的违法事件监控方法、设备及可读存储介质,旨在解决现有技术中城市管理效果不佳的技术问题。
为实现上述目的,本发明提供一种基于视频的违法事件监控方法,所述基于视频的违法事件监控方法包括以下步骤:
获取违法场景下拍摄的违法图片以及正常场景下拍摄的正常图片;
通过所述违法图片以及正常图片,基于迭代训练的方式对预置卷积神经网络模型进行训练,得到目标卷积神经网络模型;
将待识别图片输入所述目标卷积神经网络模型,得到所述待识别图片的识别结果;
若所述识别结果为违法,则输出告警提示。
可选的,所述通过所述违法图片以及正常图片,基于迭代训练的方式对预置卷积神经网络模型进行训练,得到目标卷积神经网络模型的步骤包括:
将违法图片以及正常图片输入预置卷积神经网络模型,并通过预置卷积神经网络模型的特征提取网络提取违法图片以及正常图片的特征信息;
将所述违法图片以及正常图片的特征信息输入预置卷积神经网络模型的预测层,得到违法图片以及正常图片各自的预测结果;
检测所述违法图片的预测结果是否为违法,若是,则标记为预测正确,否则标记为预测错误;
检测所述正常图片的预测结果是否为正常,若是,则标记为预测正确,否则标记为预测错误;
计算预测正确的次数在总预测次数中所占的比例,并判断是否比例是否大于或等于预设阈值;
若所述比例大于或等于预设阈值,则以当前的预置卷积神经网络模型作为目标卷积神经网络模型;
若所述比例小于预设阈值,则对所述预置卷积神经网络模型进行参数调整,得到新的卷积神经网络模型;
将所述新的卷积神经网络模型作为预置卷积神经网络模型,并执行所述将违法图片以及正常图片输入预置卷积神经网络模型,并通过预置卷积神经网络模型的特征提取网络提取违法图片以及正常图片的特征信息的步骤。
可选的,所述若所述识别结果为违法,则输出告警提示的步骤包括:
若所述识别结果为违法,则获取所述待识别图片对应的拍摄装置的地理位置;
输出告警提示至所述地理位置对应的执法者终端。
此外,为实现上述目的,本发明还提供一种基于视频的违法事件监控设备,所述基于视频的违法事件监控设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于视频的违法事件监控程序,所述基于视频的违法事件监控程序被处理器执行时实现如上所述的基于视频的违法事件监控方法的步骤。
此外,为实现上述目的,本发明还提供一种可读存储介质,所述可读存储介质上存储有基于视频的违法事件监控程序,所述基于视频的违法事件监控程序被处理器执行时实现如上所述的基于视频的违法事件监控方法的步骤。
本发明中,获取违法场景下拍摄的违法图片以及正常场景下拍摄的正常图片;通过所述违法图片以及正常图片,基于迭代训练的方式对预置卷积神经网络模型进行训练,得到目标卷积神经网络模型;将待识别图片输入所述目标卷积神经网络模型,得到所述待识别图片的识别结果;若所述识别结果为违法,则输出告警提示。通过本发明,使用卷积神经网络模型判断拍摄到的图片是否为违法图片,当判断为违法图片时,视为监控到违法事件,便输出告警提示,以供相关执法人员对违法事件进行处理,使得城市管理工作更加智能,且提高了城市管理工作的效率。
附图说明
图1为本发明实施例方案涉及的硬件运行环境的基于视频的违法事件监控设备结构示意图;
图2为本发明基于视频的违法事件监控方法第一实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,图1为本发明实施例方案涉及的硬件运行环境的基于视频的违法事件监控设备结构示意图。
如图1所示,该基于视频的违法事件监控设备可以包括:处理器1001,例如CPU,网络接口1004,用户接口1003,存储器1005,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的基于视频的违法事件监控设备结构并不构成对基于视频的违法事件监控设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及基于视频的违法事件监控程序。
在图1所示的基于视频的违法事件监控设备中,网络接口1004主要用于连接后台服务器,与后台服务器进行数据通信;用户接口1003主要用于连接客户端(用户端),与客户端进行数据通信;而处理器1001可以用于调用存储器1005中存储的基于视频的违法事件监控程序,并执行以下操作:
获取违法场景下拍摄的违法图片以及正常场景下拍摄的正常图片;
通过所述违法图片以及正常图片,基于迭代训练的方式对预置卷积神经网络模型进行训练,得到目标卷积神经网络模型;
将待识别图片输入所述目标卷积神经网络模型,得到所述待识别图片的识别结果;
若所述识别结果为违法,则输出告警提示。
进一步地,处理器1001可以调用存储器1005中存储的基于视频的违法事件监控程序,还执行以下操作:
将违法图片以及正常图片输入预置卷积神经网络模型,并通过预置卷积神经网络模型的特征提取网络提取违法图片以及正常图片的特征信息;
将所述违法图片以及正常图片的特征信息输入预置卷积神经网络模型的预测层,得到违法图片以及正常图片各自的预测结果;
检测所述违法图片的预测结果是否为违法,若是,则标记为预测正确,否则标记为预测错误;
检测所述正常图片的预测结果是否为正常,若是,则标记为预测正确,否则标记为预测错误;
计算预测正确的次数在总预测次数中所占的比例,并判断是否比例是否大于或等于预设阈值;
若所述比例大于或等于预设阈值,则以当前的预置卷积神经网络模型作为目标卷积神经网络模型;
若所述比例小于预设阈值,则对所述预置卷积神经网络模型进行参数调整,得到新的卷积神经网络模型;
将所述新的卷积神经网络模型作为预置卷积神经网络模型,并执行所述将违法图片以及正常图片输入预置卷积神经网络模型,并通过预置卷积神经网络模型的特征提取网络提取违法图片以及正常图片的特征信息的步骤。
进一步地,处理器1001可以调用存储器1005中存储的基于视频的违法事件监控程序,还执行以下操作:
若所述识别结果为违法,则获取所述待识别图片对应的拍摄装置的地理位置;
输出告警提示至所述地理位置对应的执法者终端。
参照图2,图2为本发明基于视频的违法事件监控方法第一实施例的流程示意图。
在一实施例中,基于视频的违法事件监控方法包括:
步骤S10,获取违法场景下拍摄的违法图片以及正常场景下拍摄的正常图片;
本实施例中,为了得到预测精确度高的目标卷积神经网络模型,需要获取数量尽可能多的图片用于训练。图片包括违法场景下拍摄的违法图片以及正常场景下拍摄的正常图片。本实施例中,获取的违法图片数量与正常图片数量可以相同或不相同,但两者数量差不能过大。例如,设置最大数量差为图片总数的百分之一,若获取的图片总数为10000,则违法图片数量与正常图片数量的差值不能超过100。
步骤S20,通过所述违法图片以及正常图片,基于迭代训练的方式对预置卷积神经网络模型进行训练,得到目标卷积神经网络模型;
本实施例中,步骤S20包括:将违法图片以及正常图片输入预置卷积神经网络模型,并通过预置卷积神经网络模型的特征提取网络提取违法图片以及正常图片的特征信息;将所述违法图片以及正常图片的特征信息输入预置卷积神经网络模型的预测层,得到违法图片以及正常图片各自的预测结果;检测所述违法图片的预测结果是否为违法,若是,则标记为预测正确,否则标记为预测错误;检测所述正常图片的预测结果是否为正常,若是,则标记为预测正确,否则标记为预测错误;计算预测正确的次数在总预测次数中所占的比例,并判断是否比例是否大于或等于预设阈值;若所述比例大于或等于预设阈值,则以当前的预置卷积神经网络模型作为目标卷积神经网络模型;若所述比例小于预设阈值,则对所述预置卷积神经网络模型进行参数调整,得到新的卷积神经网络模型;将所述新的卷积神经网络模型作为预置卷积神经网络模型,并执行所述将违法图片以及正常图片输入预置卷积神经网络模型,并通过预置卷积神经网络模型的特征提取网络提取违法图片以及正常图片的特征信息的步骤。本实施例中,神经网络本质上是一个计算流程,在前端接收输入信号后,经过一层层复杂的运算,在最末端输出结果。然后将计算结果和正确结果相比较,得到误差,再根据误差通过相应计算方法改进网络内部的相关参数,使得网络下次再接收到同样的数据时,最终计算输出得到的结果与正确结果之间的误差能越来越小。
步骤S30,将待识别图片输入所述目标卷积神经网络模型,得到所述待识别图片的识别结果;
本实施例中,通过步骤S20,对预置卷积神经网络模型进行训练得到目标卷积神经网络模型,将待识别图片输入目标卷积神经网络模型,即可得到待识别图片的识别结果,识别结果包括两种:违法或正常。
步骤S40,若所述识别结果为违法,则输出告警提示。
本实施例中,若识别结果为违法,则说明发生了违法事件,则输出告警提示,以供相关执法人员对违法事件进行处理。
本实施例中,获取违法场景下拍摄的违法图片以及正常场景下拍摄的正常图片;通过所述违法图片以及正常图片,基于迭代训练的方式对预置卷积神经网络模型进行训练,得到目标卷积神经网络模型;将待识别图片输入所述目标卷积神经网络模型,得到所述待识别图片的识别结果;若所述识别结果为违法,则输出告警提示。通过本实施例,使用卷积神经网络模型判断拍摄到的图片是否为违法图片,当判断为违法图片时,视为监控到违法事件,便输出告警提示,以供相关执法人员对违法事件进行处理,使得城市管理工作更加智能,且提高了城市管理工作的效率。
进一步地,本发明基于视频的违法事件监控方法一实施例中,步骤S40包括:
若所述识别结果为违法,则获取所述待识别图片对应的拍摄装置的地理位置;
输出告警提示至所述地理位置对应的执法者终端。
本实施例中,若识别结果为违法,即监控到违法事件,则进一步获取待识别图片对应的拍摄装置的地理位置。即确定该待识别图片是哪个摄像装置拍摄的,这一点可以通过待识别图片的数据来源确定,从而进一步确定该拍摄装置的地理位置,然后将告警提示发送至地理位置对应的执法者终端,以供执法人员迅速处理该违法事件。
此外,本发明实施例还提出一种可读存储介质,所述可读存储介质上存储有基于视频的违法事件监控程序,所述基于视频的违法事件监控程序被处理器执行时实现如上基于视频的违法事件监控方法各个实施例的步骤。
本发明可读存储介质即计算机可读存储介质,本发明可读存储介质的具体实施例与上述基于视频的违法事件监控方法的各个实施例基本相同,在此不做赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者***不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者***所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
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上述实施例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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用。
Claims (7)
1.一种基于视频的违法事件监控方法,其特征在于,所述基于视频的违法事件监控方法包括以下步骤:
获取违法场景下拍摄的违法图片以及正常场景下拍摄的正常图片;
通过所述违法图片以及正常图片,基于迭代训练的方式对预置卷积神经网络模型进行训练,得到目标卷积神经网络模型;
将待识别图片输入所述目标卷积神经网络模型,得到所述待识别图片的识别结果;
若所述识别结果为违法,则输出告警提示。
2.如权利要求1所述的基于视频的违法事件监控方法,其特征在于,所述通过所述违法图片以及正常图片,基于迭代训练的方式对预置卷积神经网络模型进行训练,得到目标卷积神经网络模型的步骤包括:
将违法图片以及正常图片输入预置卷积神经网络模型,并通过预置卷积神经网络模型的特征提取网络提取违法图片以及正常图片的特征信息;
将所述违法图片以及正常图片的特征信息输入预置卷积神经网络模型的预测层,得到违法图片以及正常图片各自的预测结果;
检测所述违法图片的预测结果是否为违法,若是,则标记为预测正确,否则标记为预测错误;
检测所述正常图片的预测结果是否为正常,若是,则标记为预测正确,否则标记为预测错误;
计算预测正确的次数在总预测次数中所占的比例,并判断是否比例是否大于或等于预设阈值;
若所述比例大于或等于预设阈值,则以当前的预置卷积神经网络模型作为目标卷积神经网络模型;
若所述比例小于预设阈值,则对所述预置卷积神经网络模型进行参数调整,得到新的卷积神经网络模型;
将所述新的卷积神经网络模型作为预置卷积神经网络模型,并执行所述将违法图片以及正常图片输入预置卷积神经网络模型,并通过预置卷积神经网络模型的特征提取网络提取违法图片以及正常图片的特征信息的步骤。
3.如权利要求1所述的基于视频的违法事件监控方法,其特征在于,所述若所述识别结果为违法,则输出告警提示的步骤包括:
若所述识别结果为违法,则获取所述待识别图片对应的拍摄装置的地理位置;
输出告警提示至所述地理位置对应的执法者终端。
4.一种基于视频的违法事件监控设备,其特征在于,所述基于视频的违法事件监控设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于视频的违法事件监控程序,所述基于视频的违法事件监控程序被所述处理器执行时实现如下步骤:
获取违法场景下拍摄的违法图片以及正常场景下拍摄的正常图片;
通过所述违法图片以及正常图片,基于迭代训练的方式对预置卷积神经网络模型进行训练,得到目标卷积神经网络模型;
将待识别图片输入所述目标卷积神经网络模型,得到所述待识别图片的识别结果;
若所述识别结果为违法,则输出告警提示。
5.如权利要求4所述的基于视频的违法事件监控设备,其特征在于,所述基于视频的违法事件监控程序被所述处理器执行时还实现如下步骤:
将违法图片以及正常图片输入预置卷积神经网络模型,并通过预置卷积神经网络模型的特征提取网络提取违法图片以及正常图片的特征信息;
将所述违法图片以及正常图片的特征信息输入预置卷积神经网络模型的预测层,得到违法图片以及正常图片各自的预测结果;
检测所述违法图片的预测结果是否为违法,若是,则标记为预测正确,否则标记为预测错误;
检测所述正常图片的预测结果是否为正常,若是,则标记为预测正确,否则标记为预测错误;
计算预测正确的次数在总预测次数中所占的比例,并判断是否比例是否大于或等于预设阈值;
若所述比例大于或等于预设阈值,则以当前的预置卷积神经网络模型作为目标卷积神经网络模型;
若所述比例小于预设阈值,则对所述预置卷积神经网络模型进行参数调整,得到新的卷积神经网络模型;
将所述新的卷积神经网络模型作为预置卷积神经网络模型,并执行所述将违法图片以及正常图片输入预置卷积神经网络模型,并通过预置卷积神经网络模型的特征提取网络提取违法图片以及正常图片的特征信息的步骤。
6.如权利要求4所述的基于视频的违法事件监控设备,其特征在于,所述基于视频的违法事件监控程序被所述处理器执行时还实现如下步骤:
若所述识别结果为违法,则获取所述待识别图片对应的拍摄装置的地理位置;
输出告警提示至所述地理位置对应的执法者终端。
7.一种可读存储介质,其特征在于,所述可读存储介质上存储有基于视频的违法事件监控程序,所述基于视频的违法事件监控程序被处理器执行时实现如权利要求1至3中任一项所述的基于视频的违法事件监控方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910464895.7A CN110245696A (zh) | 2019-05-30 | 2019-05-30 | 基于视频的违法事件监控方法、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910464895.7A CN110245696A (zh) | 2019-05-30 | 2019-05-30 | 基于视频的违法事件监控方法、设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110245696A true CN110245696A (zh) | 2019-09-17 |
Family
ID=67885478
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910464895.7A Pending CN110245696A (zh) | 2019-05-30 | 2019-05-30 | 基于视频的违法事件监控方法、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110245696A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111091098A (zh) * | 2019-12-20 | 2020-05-01 | 浙江大华技术股份有限公司 | 检测模型的训练方法、检测方法及相关装置 |
CN111126252A (zh) * | 2019-12-20 | 2020-05-08 | 浙江大华技术股份有限公司 | 摆摊行为检测方法以及相关装置 |
CN112712002A (zh) * | 2020-12-24 | 2021-04-27 | 深圳力维智联技术有限公司 | 基于cgan的环境监控方法、装置、***及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160074786A (ko) * | 2014-12-18 | 2016-06-29 | 주식회사 다이나맥스 | Led전광판과 음성통보 기능을 이용한 실시간 불법 주정차 단속 시스템 및 그 방법 |
CN106407903A (zh) * | 2016-08-31 | 2017-02-15 | 四川瞳知科技有限公司 | 基于多尺度卷积神经网络的实时人体异常行为识别方法 |
-
2019
- 2019-05-30 CN CN201910464895.7A patent/CN110245696A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160074786A (ko) * | 2014-12-18 | 2016-06-29 | 주식회사 다이나맥스 | Led전광판과 음성통보 기능을 이용한 실시간 불법 주정차 단속 시스템 및 그 방법 |
CN106407903A (zh) * | 2016-08-31 | 2017-02-15 | 四川瞳知科技有限公司 | 基于多尺度卷积神经网络的实时人体异常行为识别方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111091098A (zh) * | 2019-12-20 | 2020-05-01 | 浙江大华技术股份有限公司 | 检测模型的训练方法、检测方法及相关装置 |
CN111126252A (zh) * | 2019-12-20 | 2020-05-08 | 浙江大华技术股份有限公司 | 摆摊行为检测方法以及相关装置 |
CN111091098B (zh) * | 2019-12-20 | 2023-08-15 | 浙江大华技术股份有限公司 | 检测模型的训练方法、检测方法及相关装置 |
CN111126252B (zh) * | 2019-12-20 | 2023-08-18 | 浙江大华技术股份有限公司 | 摆摊行为检测方法以及相关装置 |
CN112712002A (zh) * | 2020-12-24 | 2021-04-27 | 深圳力维智联技术有限公司 | 基于cgan的环境监控方法、装置、***及存储介质 |
CN112712002B (zh) * | 2020-12-24 | 2024-05-14 | 深圳力维智联技术有限公司 | 基于cgan的环境监控方法、装置、***及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11176418B2 (en) | Model test methods and apparatuses | |
CN109756746A (zh) | 视频审核方法、装置、服务器及存储介质 | |
CN110245696A (zh) | 基于视频的违法事件监控方法、设备及可读存储介质 | |
CN110674790B (zh) | 一种视频监控中异常场景处理方法及*** | |
CN110427265A (zh) | 人脸识别的方法、装置、计算机设备和存储介质 | |
CN110321863A (zh) | 年龄识别方法及装置、存储介质 | |
CN109472193A (zh) | 人脸检测方法及装置 | |
CN110717058B (zh) | 信息推荐方法及装置、存储介质 | |
US20170169062A1 (en) | Method and electronic device for recommending video | |
CN112163468A (zh) | 基于多线程的图像处理方法及装置 | |
CN107153584A (zh) | 异常检测方法及装置 | |
CN111177469A (zh) | 人脸检索方法及人脸检索装置 | |
CN110188717A (zh) | 图像获取方法及装置 | |
CN109960969A (zh) | 移动路线生成的方法、装置及*** | |
CN109889776A (zh) | 视频处理方法、装置、计算机装置及计算机可读存储介质 | |
CN111598176A (zh) | 一种图像匹配处理方法及装置 | |
CN113420871B (zh) | 图像质量的评估方法、装置、存储介质及电子装置 | |
CN109376981B (zh) | 数据处理方式的确定方法、装置、服务器和数据处理方法 | |
CN108446688B (zh) | 人脸图像性别判断方法、装置、计算机设备及存储介质 | |
CN110427998A (zh) | 模型训练、目标检测方法及装置、电子设备、存储介质 | |
CN113627334A (zh) | 对象的行为识别方法及装置 | |
CN105472405B (zh) | 提醒生成方法及装置 | |
CN110598797B (zh) | 故障的检测方法及装置、存储介质和电子装置 | |
CN110472537B (zh) | 一种自适应识别方法、装置、设备及介质 | |
CN110610164A (zh) | 人脸图像处理方法、***、服务器及可读存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190917 |