CN110472492A - 目标生物检测方法、装置、计算机设备和存储介质 - Google Patents
目标生物检测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110472492A CN110472492A CN201910603620.7A CN201910603620A CN110472492A CN 110472492 A CN110472492 A CN 110472492A CN 201910603620 A CN201910603620 A CN 201910603620A CN 110472492 A CN110472492 A CN 110472492A
- Authority
- CN
- China
- Prior art keywords
- video
- target organism
- detected
- target
- monitoring end
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及机器学习,提供了一种目标生物检测方法、装置、计算机设备和存储介质。所述方法包括:当达到预设条件时,向视频监控端发送启动指令,视频监控端根据启动指令启动监控;获取视频监控端监控的视频信息,从视频信息中抽取待检测视频帧,得到待检测视频图片;计算待检测视频图片的RGB值,截取待检测视频图片中RGB值大于预设阈值的图片区域,得到待检测图片区域;将待检测图片区域输入到已训练的目标生物识别模型中进行识别,得到目标生物识别结果;当目标生物识别结果为存在目标生物时,从视频监控端中获取预设时间范围内的视频数据,将视频数据保存并向管理终端返回报警提示信息。采用本方法能够提高检测目标生物的精确性。
Description
技术领域
本申请涉及互联网技术领域,特别是涉及一种目标生物检测方法、装置、计算机设备和存储介质。
背景技术
随着社会生活水平的提高,人们越来越注重目标生物对周围环境的影响,比如,在餐饮后厨中,通过监控目标生物比如老鼠、苍蝇等可以监控到餐饮后厨的卫生状况,保证食品安全卫生。目前,都是通过人工检测或者通过视频监控使用机器学习算法进行检测。人工检测的效率非常低下。通过视频监控使用机器学习算法通过是检测人体等较大物体,对目标生物检测的准确较低,无法准确反映目标生物的状况。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高检测精确性的目标生物检测方法、装置、计算机设备和存储介质。
一种目标生物检测方法,所述方法包括:
当达到预设条件时,向视频监控端发送启动指令,视频监控端根据启动指令启动监控;
获取视频监控端监控的视频信息,从视频信息中抽取待检测视频帧,得到待检测视频图片;
计算待检测视频图片的RGB值,截取待检测视频图片中RGB值大于预设阈值的图片区域,得到待检测图片区域;
将待检测图片区域输入到已训练的目标生物识别模型中进行识别,得到目标生物识别结果;
当目标生物识别结果为存在目标生物时,从视频监控端中获取预设时间范围内的视频数据,将视频数据保存并向管理终端返回报警提示信息。
在其中一个实施例中,当达到预设条件时,向视频监控端发送启动指令,包括:
获取监控图片,将监控图片输入到已训练的人体检测模型中进行检测,得到检测结果;
当检测结果为未存在人体时,向视频监控端发送启动指令。
在其中一个实施例中,当达到预设条件时,向视频监控端发送启动指令,包括:
获取***当前时间,当***当前时间与预设时间一致时,向视频监控端发送启动指令。
在其中一个实施例中,将待检测图片区域输入到已训练的目标生物识别模型中进行识别,得到目标生物识别结果,包括:
将待检测图片区域转换为目标分辨率的图片,将图片输入到卷积神经网络模型中进行识别,得到模型输出结果;
从模型输出结果中得到目标生物类别、数量和位置信息,根据目标生物类别、数量和位置信息得到目标生物识别结果。
在其中一个实施例中,已训练的目标生物识别模型的生成步骤,包括:
获取历史监控视频和对应的目标生物标注信息;
将历史监控视频作为卷积神经网络算法的输入,将目标生物标注信息作为标签进行训练,当达到预设条件时,得到已训练的目标生物识别模型。
在其中一个实施例中,在当目标生物识别结果为存在目标生物时,从视频监控终端中获取预设时间范围内的视频数据,将视频数据保存并向管理终端返回报警提示信息之后,还包括:
记录报警次数,当报警次数大于预设次数时,获取视频监控端对应的目标标识,将目标标识和视频数据发送监管终端。
在其中一个实施例中,方法还包括:
获取多个视频监控端返回的各个视频信息和各个视频信息对应的目标标识,并计算目标标识的哈希值;
根据哈希值将各个视频信息分配到从节点服务器,从节点服务器通过目标生物识别模型识别分配的视频信息得到目标生物识别结果;
获取从节点服务器对各个视频信息的目标生物识别结果,根据目标标识将对应的目标生物识别结果返回给管理终端。
一种目标生物检测装置,装置包括:
监控启动模块,用于当达到预设条件时,向视频监控端发送启动指令,视频监控端根据启动指令启动监控;
抽帧模块,用于获取视频监控端监控的视频信息,从视频信息中抽取待检测视频帧,得到待检测视频图片;
截取模块,用于计算待检测视频图片的RGB值,截取待检测视频图片中RGB值大于预设阈值的图片区域,得到待检测图片区域;
识别模块,用于将待检测图片区域输入到已训练的目标生物识别模型中进行识别,得到目标生物识别结果;
视频获取模块,用于当目标生物识别结果为存在目标生物时,从视频监控端中获取预设时间范围内的视频数据,将视频数据保存并向管理终端返回报警提示信息。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
当达到预设条件时,向视频监控端发送启动指令,视频监控端根据启动指令启动监控;
获取视频监控端监控的视频信息,从视频信息中抽取待检测视频帧,得到待检测视频图片;
计算待检测视频图片的RGB值,截取待检测视频图片中RGB值大于预设阈值的图片区域,得到待检测图片区域;
将待检测图片区域输入到已训练的目标生物识别模型中进行识别,得到目标生物识别结果;
当目标生物识别结果为存在目标生物时,从视频监控端中获取预设时间范围内的视频数据,将视频数据保存并向管理终端返回报警提示信息。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
当达到预设条件时,向视频监控端发送启动指令,视频监控端根据启动指令启动监控;
获取视频监控端监控的视频信息,从视频信息中抽取待检测视频帧,得到待检测视频图片;
计算待检测视频图片的RGB值,截取待检测视频图片中RGB值大于预设阈值的图片区域,得到待检测图片区域;
将待检测图片区域输入到已训练的目标生物识别模型中进行识别,得到目标生物识别结果;
当目标生物识别结果为存在目标生物时,从视频监控端中获取预设时间范围内的视频数据,将视频数据保存并向管理终端返回报警提示信息。
上述目标生物检测方法、装置、计算机设备和存储介质,通过当达到预设条件时,向视频监控端发送启动指令,视频监控端根据启动指令启动监控,在符合监控条件时,进行监控能够节省视频监控资源消耗。然后通过获取视频监控端监控的视频信息,从视频信息中抽取待检测视频帧,得到待检测视频图片。计算待检测视频图片的RGB值,截取待检测视频图片中RGB值大于预设阈值的图片区域,得到待检测图片区域。将待检测图片区域输入到已训练的目标生物识别模型中进行识别,得到目标生物识别结果。即通过使用待检测图片区域来进行目标生物的识别,能够进一步的提高识别结果的精确性。并且当目标生物识别结果为存在目标生物时,从视频监控端中获取预设时间范围内的视频数据,将视频数据保存,从而不必保存全部的监控视频,节省了存储资源。
附图说明
图1为一个实施例中目标生物检测方法的应用场景图;
图2为一个实施例中目标生物检测方法的流程示意图;
图3为一个实施例中进行人体检测的流程示意图;
图4为一个实施例中得到目标生物识别结果的流程示意图;
图5为一个实施例中训练目标生物识别模型的流程示意图;
图6为另一个实施例中目标生物检测方法的流程示意图;
图7为一个实施例中目标生物检测装置的结构框图;
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的目标生物检测方法,可以应用于如图1所示的应用环境中。其中,视频监控端102与服务器104通过网络进行通信,服务器104通过网络与管理终端106进行通信。当达到预设条件时,服务器104向视频监控端发送启动指令,视频监控端根据启动指令启动监控。服务器104获取视频监控端102监控的视频信息,从视频信息中抽取待检测视频帧,得到待检测视频图片。服务器104计算待检测视频图片的RGB值,截取待检测视频图片中RGB值大于预设阈值的图片区域,得到待检测图片区域;服务器104将待检测图片区域输入到已训练的目标生物识别模型中进行识别,得到目标生物识别结果;当目标生物识别结果为存在目标生物时,服务器104从视频监控端102中获取预设时间范围内的视频数据,将视频数据保存并向管理终端106返回报警提示信息。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种目标生物检测方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
S202,当达到预设条件时,向视频监控端发送启动指令,视频监控端根据启动指令启动监控。
其中,预设条件是指预先设置好的视频监控端启动的条件,可以包括时间条件或者是目标监控区域的状态条件。比如,在夜晚七点时启动视频监控端监控目标生物。视频监控端是用来进行监控从而得到热成像视频的摄像装置,比如热成像摄像头。
具体地,服务器检测是否符合预先设置好的时间条件或者是目标监控区域是否处于无人状态,当符合预设条件之一时,服务器向视频监控端发送启动指令,视频监控端根据启动指令启动监控,来监控目标监控区域。
S204,获取视频监控端监控的视频信息,从视频信息中抽取待检测视频帧,得到待检测视频图片。
具体地,服务器获取到视频监控端监控的视频信息,从视频信息中按照预先设置好的时间间隔抽取视频帧,得到待检测视频图片。其中,时间间隔可以设置为10秒等等。
S206,计算待检测视频图片的RGB值,截取待检测视频图片中RGB值大于预设阈值的图片区域,得到待检测图片区域。
其中,RGB值是指该待检测视频图片的亮度值。待检测图片区域是待检测视频图片的RGB值较高的部分,该待检测图片区域中存在目标生物的可能性较高。目标生物是指体型较小,对周围环境卫生可能造成污染和人体有害的生物,比如,苍蝇,蛾蚋、白蚁、蟑螂、蚊子和老鼠等等,
具体地,服务器计算待检测视频图片的RGB值,从待检测视频图片中截取RGB值大于预设阈值的图片区域,得到各个待检测图片区域。
S208,将待检测图片区域输入到已训练的目标生物识别模型中进行识别,得到目标生物识别结果。
其中,目标生物识别模型是用来识别待检测图片区域中的目标生物,比如,老鼠,蛾蚋、白蚁、蟑螂,苍蝇,蚊子等等的,该目标生物识别模型是卷积神经网络模型。
具体地,将各个待检测图片区域输入到已训练的目标生物识别模型中进行识别,得到各个待检测图片区域对应的目标生物识别结果。该目标生物识别结果是用来表示该待检测图片区域对中是否存在目标生物的。
S210,当目标生物识别结果为存在目标生物时,从视频监控端中获取预设时间范围内的视频数据,将视频数据保存并向管理终端返回报警提示信息。
具体地,当各个待检测图片区域对应的目标生物识别结果中存在目标生物时,服务器从视频监控端获取到在预设时间范围内的视频数据,该预设时间范围的视频数据就包括待检测视频帧。比如,可以获取到该视频帧前两分钟和后两分钟的视频数据。服务器将获取得到的视频数据保存。然后向管理终端返回报警提示信息。该管理终端是管理该视频监控端的,并且预先在服务器中配置好的管理终端和视频监控端的对应关系,并将该对应关系存储到对应关系表中的。
上述目标生物检测方法、装置、计算机设备和存储介质,通过当达到预设条件时,向视频监控端发送启动指令,视频监控端根据启动指令启动监控,在符合监控条件时,进行监控能够节省视频监控资源消耗。然后通过获取视频监控端监控的视频信息,从视频信息中抽取待检测视频帧,得到待检测视频图片。计算待检测视频图片的RGB值,截取待检测视频图片中RGB值大于预设阈值的图片区域,得到待检测图片区域。将待检测图片区域输入到已训练的目标生物识别模型中进行识别,得到目标生物识别结果。即通过使用待检测图片区域来进行目标生物的识别,能够进一步的提高识别结果的精确性。并且当目标生物识别结果为存在目标生物时,从视频监控端中获取预设时间范围内的视频数据,将视频数据保存,从而不必保存全部的监控视频,节省了存储资源。
在一个实施例中,如图3所示,步骤S202,即当达到预设条件时,向视频监控端发送启动指令,包括步骤:
S302,获取监控图片,将监控图片输入到已训练的人体检测模型中进行检测,得到检测结果。
其中,人体检测模型是指根据已有的人体数据使用Fast R-CNN算法(目标检测算法的一种)训练得到的模型。
具体地,服务器可以从普通的摄像头等监控设备获取到目标区域的监控图片,将该监控图片直接输入到已训练的人体检测模型中进行人体检测,得到检测结果,该检测结果包括存在人体和未存在人体两种。也可将监控图片归一化为目标分辨率的图片,将该图片输入到已训练的人体检测模型中进行人体检测。
S304,当检测结果为未存在人体时,向视频监控端发送启动指令。
具体地,当检测结果为未存在人体时,服务器向视频监控端发送启动指令。
在上述实施例中,通过获取监控图片,将监控图片输入到已训练的人体检测模型中进行检测,得到检测结果,当检测结果为未存在人体时,向视频监控端发送启动指令。即当目标区域中未存在人体时启动视频监控端监控目标生物,可以提高目标生物检测精度并且节省监控资源。
在一个实施例中,步骤S202,当达到预设条件时,向视频监控端发送启动指令,包括步骤:
获取***当前时间,当***当前时间与预设时间一致时,向视频监控端发送启动指令。
具体地,服务器获取***当前时间点,判断该***当前时间点是否与设置好的预设时间点一致,当***当前时间与预设时间一致时,向视频监控端发送启动指令,根据设置的预设时间点开启监控从而不必全天候进行监控,节省监控资源。比如,餐饮企业后厨晚上10点下班,此时设置晚上10点开启视频监控端监控该餐饮企业后厨的目标生物状况,以保证餐饮企业后厨卫生。
在一个实施例中,如图4所示,步骤S208,即将待检测图片区域输入到已训练的目标生物识别模型中进行识别,得到目标生物识别结果,包括步骤:
S402,将待检测图片区域转换为目标分辨率的图片,将图片输入到卷积神经网络模型中进行识别,得到模型输出结果。
其中,目标分辨率是指目标生物识别模型输入的图片分辨率,该目标生物识别模型是一种卷积神经网络模型。
具体地,服务器将待检测图片区域的分辨率转换为符合目标生物识别模型输入的目标分辨率的图片,将图片输入到卷积神经网络模型中进行识别,得到模型输出结果。通过将待检测图片区域的分辨率转换图片分辨率可以提高目标生物识别的精确性。
S406,从模型输出结果中得到目标生物类别、数量和位置信息,根据目标生物类别、数量和位置信息得到目标生物识别结果。
其中,模型输出结果可以是非结构化的数据即带有标注结果的图片,该标准结果用来展示识别的结果,可以包括目标生物类别、数量和位置信息等,该位置信息是指目标生物在监控区域的位置。模型输出结果也可以是结构化数据,该结构化数据包括有多个预设属性,每个预设属性有多个字段,比如:老鼠属性,该属性下包括:老鼠有无字段,老鼠数量字段和老鼠位置字段等等。
具体地,服务器解析模型输出结果得到目标生物类别、数量和位置信息,根据目标生物类别、数量和位置信息得到监控区域是否存在目标生物结果和存在目标生物时,目标生物的数量,类别和位置信息。
在上述实施例中,能够通过卷积神经网络模型识别得到监控区域中存在的目标生物类别、数量和位置信息,方便监管和后续处理。
在一个实施例中,已训练的目标生物识别模型的生成步骤,包括步骤:
S502,获取历史监控视频和对应的目标生物标注信息。
其中,目标生物标注信息用于标注监控视频存在目标生物的视频帧和未存在目标生物的视频帧。
具体地,服务器获取到历史监控视频中存在目标生物对应的视频帧和与未存目标生物对应的视频帧。
S504,将历史监控视频作为卷积神经网络算法的输入,将目标生物标注信息作为标签进行训练,当达到预设条件时,得到已训练的目标生物识别模型。
其中,该卷积神经网络算法可以是YOLO(You Only Look Once)v3算法,其中,激活函数使用leaky RELU:其中,a为固定参数。预设条件用于判断目标生物识别模型训练是否完成,可以是损失函数的值达到预设阈值,也可以是训练迭代次数达到最大迭代次数。其中损失函数可以均方和误差,由三部分组成:坐标误差,IOU(交并比)误差和分类误差。
具体地,服务器将存在目标生物对应的视频帧和未存在目标生物对应的视频帧为卷积神经网络算法的输入,将对应的目标生物是否存在作为标签进行训练。预设条件可以是当损失函数的值达到预设阈值,或者训练迭代次数达到最大迭代次数,当达到预设条件时,将得到模型作为已训练的目标生物识别模型。
在上述实施例中,通过预先根据历史视频数据和对应的标注信息使用卷积神经网络算法训练得到目标生物识别模型,可以直接进行使用,比较方便。
在一个实施例中,在当目标生物识别结果为存在目标生物时,从视频监控终端中获取预设时间范围内的视频数据,将视频数据保存并向管理终端返回报警提示信息之后,还包括:
记录报警次数,当报警次数大于预设次数时,获取视频监控端对应的目标标识,将目标标识和视频数据发送监管终端。
其中,目标标识是指该视频监控端监控的区域对应的标识,服务器预先存储有视频监控端和目标标识对应的数据表。比如,监控企业后厨卫生,则该目标标识可以是该企业后厨的地址信息,该企业的标识等等。该视频数据是指服务器保存到存在目标生物的视频。
具体地,服务器记录报警次数,当报警次数在一定时间内超过预先设置好的次数时,服务器根据报警次数超过预设次数对应的视频监控端从数据表中查找视频监控端对应的目标标识,将目标标识和视频数据发送到监管终端,以使监管终端根据该目标标识和视频数据进行监管处理。
在一个实施例中,如图6所示,该目标生物监控方法还包括步骤:
S602,获取多个视频监控端返回的各个视频信息和各个视频信息对应的目标标识,并计算目标标识的哈希值。
其中,目标标识是用于标识视频信息,可以是视频编号,视频名称等等。
具体地,当服务器连接多个视频监控端时,获取到多个视频监控端返回的各个视频信息和各个视频信息对应的目标标识,此时使用哈希算法计算出目标标识的哈希值。
S604,根据哈希值将各个视频信息分配到从节点服务器,从节点服务器通过目标生物识别模型识别分配的视频信息得到目标生物识别结果。
具体地,将该哈希值取模计算得到计算结果,根据该计算结果将各个视频信息分配到从节点服务器中进行目标生物识别,从节点服务器通过目标生物识别模型识别分配的视频信息得到目标生物识别结果。在一个实施例中,奖所述目标标识对应的视频信息按照从节点服务器按照负载均衡分配。
S606,获取从节点服务器对各个视频信息的目标生物识别结果,根据目标标识将对应的目标生物识别结果返回给管理终端。
具体地,服务器获取从节点服务器对各个视频信息的目标生物识别结果,根据目标标识将对应的目标生物识别结果返回给管理终端,并进行报警提示。其中,该管理终端可以是目标标识对应的视频监控端的管理人员的终端,比如,餐饮企业的管理人员的终端等等。而监管终端可以是对所有视频监控端进行监管人员的终端,比如,***门的管理人员的终端等等。
在上述实施例中,当服务器连接大量视频监控端时,可以将识别任务分配到从节点服务器进行目标生物识别,减去服务器的任务处理压力,保证服务器的正常运行。
应该理解的是,虽然图2-6的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-6中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图7所示,提供了一种目标生物检测装置700,包括:监控启动模块702、抽帧模块704、截取模块706、识别模块708和视频获取模块710,其中:
监控启动模块702,用于当达到预设条件时,向视频监控端发送启动指令,视频监控端根据启动指令启动监控;
抽帧模块704,用于获取视频监控端监控的视频信息,从视频信息中抽取待检测视频帧,得到待检测视频图片;
截取模块706,用于计算待检测视频图片的RGB值,截取待检测视频图片中RGB值大于预设阈值的图片区域,得到待检测图片区域;
识别模块708,用于将待检测图片区域输入到已训练的目标生物识别模型中进行识别,得到目标生物识别结果;
视频获取模块710,用于当目标生物识别结果为存在目标生物时,从视频监控端中获取预设时间范围内的视频数据,将视频数据保存并向管理终端返回报警提示信息。
在一个实施例中,监控启动模块702,包括:
人体检测模块,用于获取监控图片,将监控图片输入到已训练的人体检测模型中进行检测,得到检测结果;
启动模块,用于当检测结果为未存在人体时,向视频监控端发送启动指令。
在一个实施例中,监控启动模块702,包括:
时间获取模块,用于获取***当前时间,当***当前时间与预设时间一致时,向视频监控端发送启动指令。
在一个实施例中,识别模块708,包括:
转换模块,用于将待检测图片区域转换为目标分辨率的图片,将图片输入到卷积神经网络模型中进行识别,得到模型输出结果;
信息得到模块,用于从模型输出结果中得到目标生物类别、数量和位置信息,根据目标生物类别、数量和位置信息得到目标生物识别结果。
在一个实施例中,目标生物检测装置700,包括:
信息获取模块,用于获取历史监控视频和对应的目标生物标注信息;
模型训练模块,用于将历史监控视频作为卷积神经网络算法的输入,将目标生物标注信息作为标签进行训练,当达到预设条件时,得到已训练的目标生物识别模型。
在一个实施例中,目标生物检测装置700,还包括:
记录模块,用于记录报警次数,当报警次数大于预设次数时,获取视频监控端对应的目标标识,将目标标识和视频数据发送监管终端。
在一个实施例中,目标生物检测装置700,还包括:
哈希值计算模块,用于获取多个视频监控端返回的各个视频信息和各个视频信息对应的目标标识,并计算目标标识的哈希值;
视频分配模块,用于根据哈希值将各个视频信息分配到从节点服务器,从节点服务器通过目标生物识别模型识别分配的视频信息得到目标生物识别结果;
结果获取模块,用于获取从节点服务器对各个视频信息的目标生物识别结果,根据目标标识将对应的目标生物识别结果返回给管理终端。
关于目标生物检测装置的具体限定可以参见上文中对目标生物检测方法的限定,在此不再赘述。上述目标生物检测装置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。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图8所示。该计算机设备包括通过***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***、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***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视频数据。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一种目标生物检测方法。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现以下步骤:当达到预设条件时,向视频监控端发送启动指令,视频监控端根据启动指令启动监控;获取视频监控端监控的视频信息,从视频信息中抽取待检测视频帧,得到待检测视频图片;计算待检测视频图片的RGB值,截取待检测视频图片中RGB值大于预设阈值的图片区域,得到待检测图片区域;将待检测图片区域输入到已训练的目标生物识别模型中进行识别,得到目标生物识别结果;当目标生物识别结果为存在目标生物时,从视频监控端中获取预设时间范围内的视频数据,将视频数据保存并向管理终端返回报警提示信息。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取监控图片,将监控图片输入到已训练的人体检测模型中进行检测,得到检测结果;当检测结果为未存在人体时,向视频监控端发送启动指令。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取***当前时间,当***当前时间与预设时间一致时,向视频监控端发送启动指令。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将待检测图片区域转换为目标分辨率的图片,将图片输入到卷积神经网络模型中进行识别,得到模型输出结果;从模型输出结果中得到目标生物类别、数量和位置信息,根据目标生物类别、数量和位置信息得到目标生物识别结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取历史监控视频和对应的目标生物标注信息;将历史监控视频作为卷积神经网络算法的输入,将目标生物标注信息作为标签进行训练,当达到预设条件时,得到已训练的目标生物识别模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:记录报警次数,当报警次数大于预设次数时,获取视频监控端对应的目标标识,将目标标识和视频数据发送监管终端。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取多个视频监控端返回的各个视频信息和各个视频信息对应的目标标识,并计算目标标识的哈希值;根据哈希值将各个视频信息分配到从节点服务器,从节点服务器通过目标生物识别模型识别分配的视频信息得到目标生物识别结果;获取从节点服务器对各个视频信息的目标生物识别结果,根据目标标识将对应的目标生物识别结果返回给管理终端。
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:当达到预设条件时,向视频监控端发送启动指令,视频监控端根据启动指令启动监控;获取视频监控端监控的视频信息,从视频信息中抽取待检测视频帧,得到待检测视频图片;计算待检测视频图片的RGB值,截取待检测视频图片中RGB值大于预设阈值的图片区域,得到待检测图片区域;将待检测图片区域输入到已训练的目标生物识别模型中进行识别,得到目标生物识别结果;当目标生物识别结果为存在目标生物时,从视频监控端中获取预设时间范围内的视频数据,将视频数据保存并向管理终端返回报警提示信息。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取监控图片,将监控图片输入到已训练的人体检测模型中进行检测,得到检测结果;当检测结果为未存在人体时,向视频监控端发送启动指令。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取***当前时间,当***当前时间与预设时间一致时,向视频监控端发送启动指令。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将待检测图片区域转换为目标分辨率的图片,将图片输入到卷积神经网络模型中进行识别,得到模型输出结果;从模型输出结果中得到目标生物类别、数量和位置信息,根据目标生物类别、数量和位置信息得到目标生物识别结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取历史监控视频和对应的目标生物标注信息;将历史监控视频作为卷积神经网络算法的输入,将目标生物标注信息作为标签进行训练,当达到预设条件时,得到已训练的目标生物识别模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:记录报警次数,当报警次数大于预设次数时,获取视频监控端对应的目标标识,将目标标识和视频数据发送监管终端。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取多个视频监控端返回的各个视频信息和各个视频信息对应的目标标识,并计算目标标识的哈希值;根据哈希值将各个视频信息分配到从节点服务器,从节点服务器通过目标生物识别模型识别分配的视频信息得到目标生物识别结果;获取从节点服务器对各个视频信息的目标生物识别结果,根据目标标识将对应的目标生物识别结果返回给管理终端
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。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种目标生物检测方法,所述方法包括:
当达到预设条件时,向视频监控端发送启动指令,所述视频监控端根据所述启动指令启动监控;
获取视频监控端监控的视频信息,从所述视频信息中抽取待检测视频帧,得到待检测视频图片;
计算所述待检测视频图片的RGB值,截取所述待检测视频图片中所述RGB值大于预设阈值的图片区域,得到待检测图片区域;
将所述待检测图片区域输入到已训练的目标生物识别模型中进行识别,得到目标生物识别结果;
当所述目标生物识别结果为存在目标生物时,从所述视频监控端中获取预设时间范围内的视频数据,将所述视频数据保存并向管理终端返回报警提示信息。
2.根据权利要求1所述的方法,其特征在于,所述当达到预设条件时,向视频监控端发送启动指令,包括:
获取监控图片,将所述监控图片输入到已训练的人体检测模型中进行检测,得到检测结果;
当所述检测结果为未存在人体时,向视频监控端发送启动指令。
3.根据权利要求1所述的方法,其特征在于,所述当达到预设条件时,向视频监控端发送启动指令,包括:
获取***当前时间,当所述***当前时间与预设一致时,向视频监控端发送启动指令。
4.根据权利要求1所述的方法,其特征在于,将所述待检测图片区域输入到已训练的目标生物识别模型中进行识别,得到目标生物识别结果,包括:
将所述待检测图片区域转换为目标分辨率的图片,将所述图片输入到卷积神经网络模型中进行识别,得到模型输出结果;
从所述模型输出结果中得到目标生物类别、数量和位置信息,根据所述目标生物类别、数量和位置信息得到目标生物识别结果。
5.根据权利要求1所述的方法,其特征在于,所述已训练的目标生物识别模型的生成步骤,包括:
获取历史监控视频和对应的目标生物标注信息;
将所述历史监控视频作为卷积神经网络算法的输入,将所述目标生物标注信息作为标签进行训练,当达到预设条件时,得到所述已训练的目标生物识别模型。
6.根据权利要求1所述的方法,其特征在于,所述在当所述目标生物识别结果为存在目标生物时,从所述视频监控终端中获取预设时间范围内的视频数据,将所述视频数据保存并向管理终端返回报警提示信息之后,还包括:
记录报警次数,当所述报警次数大于预设次数时,获取所述视频监控端对应的目标标识,将所述目标标识和所述视频数据发送监管终端。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取多个视频监控端返回的各个视频信息和各个视频信息对应的目标标识,并计算所述目标标识的哈希值;
根据所述哈希值将所述各个视频信息分配到从节点服务器,所述从节点服务器通过所述目标生物识别模型识别分配的视频信息得到目标生物识别结果;
获取从节点服务器对各个视频信息的目标生物识别结果,根据所述目标标识将对应的目标生物识别结果返回给管理终端。
8.一种目标生物检测装置,其特征在于,所述装置包括:
监控启动模块,用于当达到预设条件时,向视频监控端发送启动指令,所述视频监控端根据所述启动指令启动监控;
抽帧模块,用于获取视频监控端监控的视频信息,从所述视频信息中抽取待检测视频帧,得到待检测视频图片;
截取模块,用于计算所述待检测视频图片的RGB值,截取所述待检测视频图片中所述RGB值大于预设阈值的图片区域,得到待检测图片区域;
识别模块,用于将所述待检测图片区域输入到已训练的目标生物识别模型中进行识别,得到目标生物识别结果;
视频获取模块,用于当所述目标生物识别结果为存在目标生物时,从所述视频监控端中获取预设时间范围内的视频数据,将所述视频数据保存并向管理终端返回报警提示信息。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910603620.7A CN110472492A (zh) | 2019-07-05 | 2019-07-05 | 目标生物检测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910603620.7A CN110472492A (zh) | 2019-07-05 | 2019-07-05 | 目标生物检测方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110472492A true CN110472492A (zh) | 2019-11-19 |
Family
ID=68506800
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910603620.7A Pending CN110472492A (zh) | 2019-07-05 | 2019-07-05 | 目标生物检测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110472492A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111126153A (zh) * | 2019-11-25 | 2020-05-08 | 北京锐安科技有限公司 | 基于深度学习的安全监测方法、***、服务器及存储介质 |
CN111160123A (zh) * | 2019-12-11 | 2020-05-15 | 桂林长海发展有限责任公司 | 一种飞机目标识别方法、装置及存储介质 |
CN111552837A (zh) * | 2020-05-08 | 2020-08-18 | 深圳市英威诺科技有限公司 | 基于深度学习的动物视频标签自动生成方法、终端及介质 |
CN113365018A (zh) * | 2020-03-06 | 2021-09-07 | 杭州海康威视数字技术股份有限公司 | 一种周期调整方法、装置及设备 |
JP2021152966A (ja) * | 2020-06-29 | 2021-09-30 | ベイジン バイドゥ ネットコム サイエンス アンド テクノロジー カンパニー リミテッド | シートベルト着用状態の認識方法、認識装置、電子機器及び記憶媒体 |
CN113593142A (zh) * | 2021-07-26 | 2021-11-02 | 中国工商银行股份有限公司 | 一种自动柜员机巡查方法及装置 |
CN113591589A (zh) * | 2021-07-02 | 2021-11-02 | 北京百度网讯科技有限公司 | 产品漏检的识别方法、装置、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102693537A (zh) * | 2011-01-17 | 2012-09-26 | 三星泰科威株式会社 | 图像监视***和检测对象是被留下还是被带走的方法 |
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 |
CN109640113A (zh) * | 2018-12-28 | 2019-04-16 | 网宿科技股份有限公司 | 一种拖拉视频数据的处理方法及代理服务器 |
CN109684946A (zh) * | 2018-12-10 | 2019-04-26 | 成都睿码科技有限责任公司 | 一种基于单高斯背景建模的厨房老鼠检测方法 |
CN109815851A (zh) * | 2019-01-03 | 2019-05-28 | 深圳壹账通智能科技有限公司 | 厨房卫生检测方法、装置、计算机设备和存储介质 |
CN109919009A (zh) * | 2019-01-24 | 2019-06-21 | 北京明略软件***有限公司 | 目标对象的监控方法、装置及*** |
-
2019
- 2019-07-05 CN CN201910603620.7A patent/CN110472492A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102693537A (zh) * | 2011-01-17 | 2012-09-26 | 三星泰科威株式会社 | 图像监视***和检测对象是被留下还是被带走的方法 |
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 |
CN109684946A (zh) * | 2018-12-10 | 2019-04-26 | 成都睿码科技有限责任公司 | 一种基于单高斯背景建模的厨房老鼠检测方法 |
CN109640113A (zh) * | 2018-12-28 | 2019-04-16 | 网宿科技股份有限公司 | 一种拖拉视频数据的处理方法及代理服务器 |
CN109815851A (zh) * | 2019-01-03 | 2019-05-28 | 深圳壹账通智能科技有限公司 | 厨房卫生检测方法、装置、计算机设备和存储介质 |
CN109919009A (zh) * | 2019-01-24 | 2019-06-21 | 北京明略软件***有限公司 | 目标对象的监控方法、装置及*** |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111126153A (zh) * | 2019-11-25 | 2020-05-08 | 北京锐安科技有限公司 | 基于深度学习的安全监测方法、***、服务器及存储介质 |
CN111160123A (zh) * | 2019-12-11 | 2020-05-15 | 桂林长海发展有限责任公司 | 一种飞机目标识别方法、装置及存储介质 |
CN111160123B (zh) * | 2019-12-11 | 2023-06-09 | 桂林长海发展有限责任公司 | 一种飞机目标识别方法、装置及存储介质 |
CN113365018A (zh) * | 2020-03-06 | 2021-09-07 | 杭州海康威视数字技术股份有限公司 | 一种周期调整方法、装置及设备 |
CN113365018B (zh) * | 2020-03-06 | 2022-07-01 | 杭州海康威视数字技术股份有限公司 | 一种周期调整方法、装置及设备 |
CN111552837A (zh) * | 2020-05-08 | 2020-08-18 | 深圳市英威诺科技有限公司 | 基于深度学习的动物视频标签自动生成方法、终端及介质 |
JP2021152966A (ja) * | 2020-06-29 | 2021-09-30 | ベイジン バイドゥ ネットコム サイエンス アンド テクノロジー カンパニー リミテッド | シートベルト着用状態の認識方法、認識装置、電子機器及び記憶媒体 |
CN113591589A (zh) * | 2021-07-02 | 2021-11-02 | 北京百度网讯科技有限公司 | 产品漏检的识别方法、装置、电子设备及存储介质 |
CN113593142A (zh) * | 2021-07-26 | 2021-11-02 | 中国工商银行股份有限公司 | 一种自动柜员机巡查方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110472492A (zh) | 目标生物检测方法、装置、计算机设备和存储介质 | |
CN108922622B (zh) | 一种动物健康监测方法、装置及计算机可读存储介质 | |
US7617167B2 (en) | Machine vision system for enterprise management | |
CN109766766A (zh) | 员工工作状况监控方法、装置、计算机设备和存储介质 | |
CN109767261A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
CN109344682A (zh) | 课堂监控方法、装置、计算机设备及存储介质 | |
US20150327518A1 (en) | Method of monitoring infectious disease, system using the same, and recording medium for performing the same | |
CN110197107B (zh) | 微表情识别方法、装置、计算机设备及存储介质 | |
US11875569B2 (en) | Smart video surveillance system using a neural network engine | |
CN110458008A (zh) | 视频处理方法、装置、计算机设备和存储介质 | |
CA3029643A1 (en) | System and method for automatically detecting and classifying an animal in an image | |
CN109376237A (zh) | 客户稳定性的预测方法、装置、计算机设备和存储介质 | |
US11429820B2 (en) | Methods for inter-camera recognition of individuals and their properties | |
CN105404849B (zh) | 使用关联存储器分类的画面以获得姿势的度量 | |
US20180197287A1 (en) | Process of using machine learning for cannabis plant health diagnostics | |
US20200225820A1 (en) | Minimally invasive user metadata | |
US10891480B2 (en) | Image zone processing | |
JPWO2020026643A1 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
CN111159476B (zh) | 目标对象的搜索方法、装置、计算机设备及存储介质 | |
WO2023279716A1 (zh) | 设备联动方法、装置、设备、存储介质、程序产品及计算机程序 | |
CN110298239B (zh) | 目标监控方法、装置、计算机设备及存储介质 | |
CN108874910A (zh) | 基于视觉的小目标识别*** | |
US20220094785A1 (en) | Systems and methods for telephone call regulation based on spam factor and user input | |
EP2193435A2 (en) | Machine vision system for enterprise management | |
Zambare et al. | Deep Learning Model for Disease Identification of Cotton Plants |
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: 20191119 |