CN110874953A - 区域报警方法、装置、电子设备及可读存储介质 - Google Patents

Abstract

本发明是关于一种区域报警方法、装置、电子设备及可读存储介质。所述方法包括：将采集的当前图像输入至已训练的神经网络模型，以由所述神经网络模型从所述当前图像中识别监控对象并输出所述监控对象的位置信息；根据所述监控对象的位置信息，确定所述监控对象在所述当前图像中所处的目标区域；判断所述目标区域与预先指定的报警区域之间是否存在交集，若是，确定所述监控对象为目标监控对象，并输出报警信号。本发明采用神经网络模型检测监控对象，准确性较高，进而可提高区域报警方法的准确性。

Description

区域报警方法、装置、电子设备及可读存储介质

技术领域

本发明涉及监控技术领域，尤其涉及一种区域报警方法、装置、电子设备及可读存储介质。

背景技术

为加强海上交通管理，维护海上交通环境及秩序，以及保障船舶、设施及人员的安全，海面上的某些禁航区域例如进行工程建设或者军事演习等的区域是不允许船舶经过的。因此，需要对禁航区域进行监控，以及时发现经过的船舶并进行报警，从而提醒相关工作人员。

现有技术中通过采集包括指定区域的图像，采用像素值分割的方法根据船只的形状来检测图像中的船只。但是现有技术中检测船只的精确较低，容易出现漏检或者误检的情况。

发明内容

为解决相关技术中存在的问题，本发明提供一种区域报警方法、装置、电子设备及可读存储介质，以解决现有技术中的不足。

根据本发明实施例的第一方面，提供了一种区域报警方法，所述方法包括：

将采集的当前图像输入至已训练的神经网络模型，以由所述神经网络模型从所述当前图像中识别监控对象并输出所述监控对象的位置信息；

根据所述监控对象的位置信息，确定所述监控对象在所述当前图像中所处的目标区域；

判断所述目标区域与预先指定的报警区域之间是否存在交集，若是，确定所述监控对象为目标监控对象，并输出报警信号。

在本发明的一个实施例中，所述以由所述神经网络模型从所述当前图像中识别监控对象并输出所述监控对象的位置信息包括：

由所述神经网络模型的卷积层对输入的当前图像进行卷积处理得到高维特征数据并输出给所述神经网络模型的池化层；

由所述神经网络模型的池化层对输入的所述高维特征数据进行数据降维处理得到低维特征数据并输出给所述神经网络模型的全连接层；

由所述神经网络模型的全连接层根据输入的所述低维特征数据识别所述当前图像中的目标对象以及目标对象的位置信息，输出所述目标对象的位置信息。

在本发明的一个实施例中，所述判断所述目标区域与预先指定的报警区域之间是否存在交集之前，所述方法进一步包括：

对所述目标区域的尺寸进行校正。

在本发明的一个实施例中，所述对所述目标区域的尺寸进行校正包括：

在所述当前图像的前N张图像中确定与所述当前图像中的监控对象匹配的参考监控对象，N为大于或等于2的整数；

在所述前N张图像中获取所述参考监控对象所处的至少一个参考区域；

将至少一个所述参考区域的尺寸大小进行平均值运算，得到平均尺寸；

将所述目标区域缩放至所述平均尺寸。

在本发明的一个实施例中，该方法还包括：

统计设定周期内目标监控对象的数量。

在本发明的一个实施例中，所述统计设定周期内目标监控对象的数量包括：

统计设定周期内采集的首张图像中目标监控对象的数量T1；

将所述首张图像的下一张图像作为待处理图像；

从所述待处理图像中排除与上一张图像中特征信息匹配的目标监控对象，统计所述待处理图像中剩余目标监控对象的数量T2；

判断所述待处理图像是否为设定周期内采集的最后一张图像，如果是，将所述T1以及T2之和确定为所述设定周期内在所述报警区域中出现的目标监控对象的数量，如果否，将设定周期内采集的待处理图像的下一张图像作为待处理图像，返回从所述待处理图像中排除与上一张图像中特征信息相同的目标监控对象的操作。

根据本发明实施例的第二方面，提供了一种区域报警装置，所述装置包括：

位置信息获取模块，用于将采集的当前图像输入至已训练的神经网络模型，以由所述神经网络模型从所述当前图像中识别监控对象并输出所述监控对象的位置信息；

目标区域确定模块，用于根据所述监控对象的位置信息，确定所述监控对象在所述当前图像中所处的目标区域；

报警模块，用于判断所述目标区域与预先指定的报警区域之间是否存在交集，若是，确定所述监控对象为目标监控对象，并输出报警信号。

在本发明的一个实施例中，所述位置信息获取模块具体用于：

由所述神经网络模型的卷积层对输入的当前图像进行卷积处理得到高维特征数据并输出给所述神经网络模型的池化层；

由所述神经网络模型的池化层对输入的所述高维特征数据进行数据降维处理得到低维特征数据并输出给所述神经网络模型的全连接层；

由所述神经网络模型的全连接层根据输入的所述低维特征数据识别所述当前图像中的目标对象以及目标对象的位置信息，输出所述目标对象的位置信息。

在本发明的一个实施例中，所述装置还包括校正模块，用于在所述判断所述目标区域与预先指定的报警区域之间是否存在交集之前，对所述目标区域的尺寸进行校正。

在本发明的一个实施例中，所述校正模块包括：

参考监控对象确定模块，用于在所述当前图像的前N张图像中确定与所述当前图像中的监控对象匹配的参考监控对象，N为大于或等于2的整数；

参考区域获取模块，用于在所述前N张图像中获取所述参考监控对象所处的至少一个参考区域；

平均尺寸获取模块，用于将至少一个所述参考区域的尺寸大小进行平均值运算，得到平均尺寸；

缩放模块，用于将所述目标区域缩放至所述平均尺寸。

在本发明的一个实施例中，所述装置还包括数量统计模块，用于统计设定周期内目标监控对象的数量。

在本发明的一个实施例中，所述数量统计模块包括：

第一数量统计单元，用于统计设定周期内采集的首张图像中目标监控对象的数量T1；

图像切换单元，用于将所述首张图像的下一张图像作为待处理图像；

第二数量统计单元，用于从所述待处理图像中排除与上一张图像中特征信息匹配的目标监控对象，统计所述待处理图像中剩余目标监控对象的数量T2；

判断单元，用于判断所述待处理图像是否为设定周期内采集的最后一张图像，如果是，将所述T1以及T2之和确定为所述设定周期内在所述报警区域中出现的目标监控对象的数量，如果否，将设定周期内采集的待处理图像的下一张图像作为待处理图像，返回从所述待处理图像中排除与上一张图像中特征信息相同的目标监控对象的操作。

根据本发明实施例的第三方面，提供了一种电子设备，所述电子设备包括处理器及存储器；所述存储器存储有可被处理器调用的程序；其中，所述处理器执行所述程序时，实现如前述实施例中任意一项所述的区域报警方法。

根据本发明实施例的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现如前述实施例中任意一项所述的区域报警方法。

本发明的实施例提供的技术方案可以包括以下有益效果：

本发明实施例提供的区域报警方法、装置、电子设备及可读存储介质，通过已训练的神经网络模型检测当前图像中的监控对象，并在监控对象所处的目标区域与报警区域有交集时输出报警信号。采用神经网络模型检测当前图像中的监控对象，与现有技术相比，误检或者漏检的几率降低，具有更高的检出率和检准率，进而可提高区域报警方法的可靠性。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1为一示例性实施例示出的本发明提供的区域报警方法的应用场景示意图；

图2A是本发明一示例性实施例示出的一种区域报警方法的流程图；

图2B是本发明一示例性实施例示出的已训练的神经网络模型的结构示意图；

图2C是本发明一示例性实施例示出的另一种区域报警方法的流程图；

图2D是本发明一示例性实施例示出的再一种区域报警方法的流程图；

图3是本发明一示例性实施例示出的再一种区域报警方法的流程图；

图4是本发明一示例性实施例示出的再一种区域报警方法的流程图；

图5为本发明一示例性实施例示出的区域报警装置的框图；

图6是本发明根据一示例性实施例示出的一种计算机设备的结构示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本发明可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本发明范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

为了使得本发明的描述更清楚简洁，下面对本发明中的一些技术术语进行解释：

神经网络：一种通过模仿大脑结构抽象而成的技术，该技术将大量简单的函数进行复杂的连接，形成一个网络***，该***可以拟合极其复杂的函数关系，一般可以包括卷积/反卷积操作、激活操作、池化操作，以及加减乘除、通道合并、元素重新排列等操作。使用特定的输入数据和输出数据对网络进行训练，调整其中的连接，可以让神经网络学习拟合输入和输出之间的映射关系。

本申请提供的区域报警方法和装置，可应用于电子设备例如摄像设备中，也可以应用在服务器中。

图1为本申请提供的区域报警方法的一个示例性应用场景示意图。参照图1，在该应用场景中，本申请提供的区域报警方法应用于服务器中，该服务器可基于摄像机采集的图像进行分析以实现监控。

本一个实施例中，摄像机可以是热成像摄相机。热成像摄相机通过接受物体发出的红外线来成像，即使在夜间、雨雾天气或者其他光线很暗的环境下也可以对目标对象进行监控。其中，热成像相机采集的图像可通过显示屏进行显示，并可根据用户的设置显示伪彩图像。

图2A是根据一示例性实施例示出的一种区域报警方法的流程图，如图2A所示，该方法可以包括以下步骤210至步骤230：

在步骤210中，将采集的当前图像输入至已训练的神经网络模型，以由所述神经网络模型从所述当前图像中识别监控对象并输出所述监控对象的位置信息。

其中，当前图像中包含有监控对象，监控对象是被期望进行监控，以根据其位置进行报警的对象。在一个示例性实施例中，监控对象可以是在海面上行驶的船只。

在一个实施例中，当前图像为RGB格式，当前图像的每一个像素点包括三种不同颜色(R、G、B)的子像素点。

在一个实施例中，当前图像可以是摄像机采集的视频拆分得到的视频帧图像，也可以是摄像头拍摄的静止图像。

在一个实施例中，如图2B所示，已训练的神经网络模型可包括卷积层、池化层和全连接层。对应地，如图2C所示，以由所述神经网络模型从所述当前图像中识别监控对象并输出所述监控对象的位置信息可包括如下步骤211至步骤213。

在步骤211中，由神经网络模型的卷积层对输入的当前图像进行卷积处理得到高维特征数据并输出给所述神经网络模型的池化层。

在一个实施例中，神经网络模型的卷积层用于对输入的当前图像进行卷积操作，以得到高维特征数据。其中，高维特征数据维度较高，包括的特征数据更详细充分，但是也可能包括与目标对象无关的、冗余的特征数据。在一个示例性实施例中，高维特征数据为监控对象的深度特征数据。

在步骤212中，由所述神经网络模型的池化层对输入的所述高维特征数据进行数据降维处理得到低维特征数据并输出给所述神经网络模型的全连接层。

神经网络模型的池化层用于对接收的高维特征数据进行降维处理，以有效地去除无关和冗余的特征数据，并输出降维后的低维特征数据，从而提高神经网络模型识别监控对象的效率。其中，低维特征数据的维度小于高维特征数据的维度。

在一个实施例中，低维子特征数据用于反映监控对象的局部特征。示例的，低维子特征数据可以包括监控对象的颜色、位置和轮廓数据中的至少一种等可以用于表示目标对象特征的数据。

在步骤213中，由所述神经网络模型的全连接层根据输入的所述低维特征数据识别所述当前图像中的监控对象以及监控对象的位置信息，输出所述监控对象的位置信息。

全连接层根据低维特征数据识别当前图像中的各个对象，并输出各对象的类别信息以及各个对象的位置信息。其中，各对象的类别信息可以数字表示，例如采用1代表监控对象，0代表非监控对象。在一个示例性实施例中，当前图像为采集的海面的图像，神经网络输出的类别信息包括1和0，其中1代表海面上的船只，0代表海面上的非船只的物体。根据神经网络模型输出的类别信息和位置信息，可获取监控对象的位置信息。

在一个实施例中，全连接层还可输出监控对象的置信度。在一个示例性实施例中，全连接层将位置信息、类别信息及置信度进行组合后输出。

在一个实施例中，神经网络模型输出置信度时，可结合类别信息和置信度来确定当前图像中的监控对象。例如，可选取置信度大于预设值且类别信息为监控对象的对象作为最终确定的监控对象。其中预设值可由用户确定，例如可以是70％、80％等。

在一个实施例中，神经网络模型的检测灵敏度可在训练的过程中由用户根据实际需要设定。

当然，神经网络模型还可包括其他类型的计算层例如激活计算层等。神经网络模型中每一层的计算单元的具体个数和相互连接关系不做限定。

本发明实施例中，采用神经网络模型检测当前图像中的监控对象，由于神经网络模型的鲁棒性和泛化性，可检测到多种形状的监控对象，与现有技术相比，误检率较低，可提高检测监控对象的准确性。

在一个实施例中，神经网络模型输出的监控对象的位置信息为包括监控对象的最小的矩形区域的位置信息，例如可以是矩形区域的四个顶点的坐标。

在步骤220中，根据所述监控对象的位置信息，确定所述监控对象在所述当前图像中所处的目标区域。

由于监控对象的位置信息是从当前图像中检测得到的，因而位置信息在当前图像中对应的图像区域便是监控对象所处的目标区域。可定位到当前图像中对应的位置信息指向的区域，即为监控对象在当前视频帧中所处的目标区域。

在一个实施例中，监控对象的位置信息为矩形区域的四个顶点的坐标，则根据四个顶点的坐标在当前图像中得到该监控对象所处的矩形区域。

在一个实施例中，在确定监控对象在当前图像中所处的目标区域后，可在显示屏中显示目标区域的目标框，从而用户可更直观地观察监控对象所处的区域位置。

在步骤230中，判断所述目标区域与预先指定的报警区域之间是否存在交集，若是，确定所述监控对象为目标监控对象，并输出报警信号。

在一个实施例中，所述判断所述目标区域与预先指定的报警区域之间是否存在交集之前，所述方法进一步包括：对所述目标区域的尺寸进行校正。

在本发明实施例中，若摄像机在某一时刻拍摄图像时的噪音较大或者监控对象部分被遮挡，可能导致检测到的当前图像中监控对象所处的目标区域的尺寸偏小。在判断监控对象是否为目标监控对象之前，对当前图像中监控对象所处的目标区域的尺寸进行校正，可提高区域报警方法的准确性。

在一个实施例中，如图2D所示，所述对所述目标区域的尺寸进行校正可包括如下步骤241至步骤244。

在步骤241中，在所述当前图像的前N张图像中确定与所述当前图像中的监控对象匹配的参考监控对象，N为大于或等于2的整数。

可采用多目标跟踪算法确定前N张图像中与当前图像的监控对象匹配的参考监控对象。具体地，将前N张图像中的监控对象作为跟踪对象，通过前N张图像的多个跟踪对象的特征信息对当前图像中的各监控对象进行匹配，将当前图像中与前N张图像的跟踪对象的特征信息匹配的监控对象作为跟踪结果，则可确定跟踪对象为该跟踪结果的参考监控对象。其中，特征信息包括外观特征和运动特征，外观特征可包括目标监控对象的颜色、纵横比、高度、轮廓等信息，运动特征信息包括监控对象的运动方向、运动速度等。

在步骤242中，在所述前N张图像中获取所述参考监控对象所处的至少一个参考区域。

对于每一监控对象，分别在前N张图像中获取该监控对象的参考监控对象所处的参考区域。

具体地，在前N张图像中确定参考监控对象后，获取参考监控对象的位置信息，之后获取根据参考监控对象的位置信息获取参考监控对象所处的参考区域。

在步骤243中，将至少一个所述参考区域的尺寸大小进行平均值运算，得到平均尺寸。

在一个实施例中，参考区域为矩形区域，参考区域的尺寸至少包括矩形区域的长度和宽度。其中，矩形区域的长度可通过长度方向上的两个顶点的坐标计算得到，矩形区域的宽度可通过宽度方向上的两个顶点的坐标计算得到。对于每一个监控对象，将该监控对象对应的至少一个参考区域的长度和宽度分别进行平均值运算，得到平均长度和平均宽度，即为平均尺寸。

在步骤244中，将所述目标区域缩放至所述平均尺寸。

在对目标区域进行缩放时，保持目标区域的中心位置不变，改变目标区域的长度和宽度，使目标区域的长度等于平均长度，宽度等于平均宽度。

对目标区域进行缩放后，判断缩放后的目标区域与当前图像中预先指定的报警区域之间是否存在交集。若是，则可确定所述监控对象为目标监控对象，并输出报警信号。通过对目标区域的尺寸进行校正，可避免噪音造成的目标区域的尺寸不准确而影响目标监控对象判断的准确性。

在一个实施例中，目标对象与预先指定的报警区域之间存在交集指的是目标对象部分位于报警区域内，或者全部位于报警区域内。

其中，报警区域是要进行监控的区域，例如可以是海面上划定的一片区域，在该区域内不允许船只进入。

在一个实施例中，输出的报警信号可以是蜂鸣声或者发出闪烁的灯光，以提醒存在目标监控对象。或者，输出的报警信号也可以是向工作人员的终端设备例如手机等发送的提示信息，以提醒相关工作人员。

本发明实施例提供的区域报警方法，通过已训练的神经网络模型检测当前图像中的监控对象，并在监控对象所处的目标区域与报警区域有交集时输出报警信号。采用神经网络模型检测当前图像中的监控对象，与现有技术相比，误检或者漏检的几率降低，具有更高的检出率和检准率，进而可提高区域报警方法的可靠性。

以下列举其中一种组合进行示例说明。

如图3所示，图3是本发明根据一示例性实施例示出的再一种区域报警方法的流程图，该方法可以包括以下步骤310至步骤360：

在步骤310中，将采集的当前图像输入至已训练的神经网络模型，由神经网络模型的卷积层对输入的当前图像进行卷积处理得到高维特征数据并输出给所述神经网络的池化层。

在步骤320中，由所述神经网络模型的池化层对输入的所述高维特征数据进行数据降维处理得到低维特征数据并输出给所述神经网络的全连接层。

在步骤330中，由所述神经网络模型的全连接层根据输入的所述低维特征数据识别所述当前图像中的监控对象以及监控对象的位置信息，输出所述监控对象的位置信息。

在步骤340中，根据所述监控对象的位置信息，确定所述监控对象在所述当前图像中所处的目标区域。

在步骤350中，对所述目标区域的尺寸进行校正。

在步骤360中，判断所述目标区域与预先指定的报警区域之间是否存在交集，若是，确定所述监控对象为目标监控对象，并输出报警信号。

本发明实施例提供的区域报警方法，通过已训练的神经网络模型检测当前图像中的监控对象，并在监控对象所处的目标区域与报警区域有交集时输出报警信号。采用神经网络模型检测当前图像中的监控对象，与现有技术相比，误检或者漏检的几率降低，具有更高的检出率和检准率，进而可提高区域报警方法的可靠性。

如图4所示，图4是本发明根据一示例性实施例示出的再一种区域报警方法的流程图，该方法可用于统计设定周期内目标监控对象的数量。该方法可以包括以下步骤410至步骤450：

在步骤410中，统计设定周期内采集的首张图像中目标监控对象的数量T1。

在步骤410之前，要分别检测设定周期内采集的图像中的目标监控对象。在图像中检测目标监控对象的方法可通过上述实施例提供的方法，在此不再进行赘述。

设定周期可由用户进行设定，例如可设置为一天，或者一个小时。

在步骤420中，将所述首张图像的下一张图像作为待处理图像。

在步骤430中，从所述待处理图像中排除与上一张图像中特征信息匹配的目标监控对象，统计所述待处理图像中剩余目标监控对象的数量T2。

在步骤440中，判断所述待处理图像是否为设定周期内采集的最后一张图像。

在步骤450中，如果是，将所述T1以及T2之和确定为所述设定周期内在所述报警区域中出现的目标监控对象的数量，如果否，将设定周期内采集的待处理图像的下一张图像作为待处理图像，返回步骤430。

在该步骤中，如果设定周期内采集的图像的数量为三张或三张以上，则会得到多个T2，在计算设定周期内在所述报警区域中出现的目标监控对象的数量为T1和多个T2之和。

本发明实施例提供的区域报警方法，通过采集设定周期内指定区域中的图像进行分析，可统计得到设定周期内在报警区域中出现的目标监控对象的数量。

与前述区域报警方法的实施例相对应，本申请还提供了区域报警装置的实施例。

图5为本发明实施例提供的监控装置的框图。本实施例提供的监控装置可以通过软件、硬件或软硬结合的方式实现。如图5所示，本实施例提供的区域报警装置可以包括：

位置信息获取模块510，用于将采集的当前图像输入至已训练的神经网络模型，以由所述神经网络模型从所述当前图像中识别监控对象并输出所述监控对象的位置信息；

目标区域确定模块520，用于根据所述监控对象的位置信息，确定所述监控对象在所述当前图像中所处的目标区域；

报警模块530，用于判断所述目标区域与预先指定的报警区域之间是否存在交集，若是，确定所述监控对象为目标监控对象，并输出报警信号。

在本发明的一个实施例中，所述位置信息获取模块510具体用于：

由所述神经网络模型的卷积层对输入的当前图像进行卷积处理得到高维特征数据并输出给所述神经网络模型的池化层；

由所述神经网络模型的池化层对输入的所述高维特征数据进行数据降维处理得到低维特征数据并输出给所述神经网络模型的全连接层；

由所述神经网络模型的全连接层根据输入的所述低维特征数据识别所述当前图像中的目标对象以及目标对象的位置信息，输出所述目标对象的位置信息。

在本发明的一个实施例中，所述装置还包括校正模块，用于在所述判断所述目标区域与预先指定的报警区域之间是否存在交集之前，对所述目标区域的尺寸进行校正。

在本发明的一个实施例中，所述校正模块包括：

参考监控对象确定模块，用于在所述当前图像的前N张图像中确定与所述当前图像中的监控对象匹配的参考监控对象，N为大于或等于2的整数；

参考区域获取模块，用于在所述前N张图像中获取所述参考监控对象所处的至少一个参考区域；

平均尺寸获取模块，用于将至少一个所述参考区域的尺寸大小进行平均值运算，得到平均尺寸；

缩放模块，用于将所述目标区域缩放至所述平均尺寸。

在本发明的一个实施例中，所述装置还包括数量统计模块，用于统计设定周期内目标监控对象的数量。

在本发明的一个实施例中，所述数量统计模块包括：

第一数量统计单元，用于统计设定周期内采集的首张图像中目标监控对象的数量T1；

图像切换单元，用于将所述首张图像的下一张图像作为待处理图像；

第二数量统计单元，用于从所述待处理图像中排除与上一张图像中特征信息匹配的目标监控对象，统计所述待处理图像中剩余目标监控对象的数量T2；

判断单元，用于判断所述待处理图像是否为设定周期内采集的最后一张图像，如果是，将所述T1以及T2之和确定为所述设定周期内在所述报警区域中出现的目标监控对象的数量，如果否，将设定周期内采集的待处理图像的下一张图像作为待处理图像，返回从所述待处理图像中排除与上一张图像中特征信息相同的目标监控对象的操作。

本发明实施例提供的区域报警装置，通过已训练的神经网络模型检测当前图像中的监控对象，并在监控对象所处的目标区域与报警区域有交集时输出报警信号。采用神经网络模型检测当前图像中的监控对象，与现有技术相比，误检或者漏检的几率降低，具有更高的检出率和检准率，进而可提高区域报警方法的可靠性。

需要说明的是：上述实施例提供的区域报警装置，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的区域报警装置与区域报警方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

本发明还提供了区域报警装置所应用的电子设备以及计算机可读存储介质的实施例。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在电子设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图6所示，图6是本发明根据一示例性实施例示出的区域报警装置所在电子设备的一种硬件结构图，除了图6所示的处理器610、内存630、接口620、以及非易失性存储器640之外，实施例中区域报警装置所在的电子设备通常根据该电子设备的实际功能，还可以包括其他硬件，对此不再赘述。

本发明还提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现如前述实施例中任意一项所述的区域报警方法。

本发明可采用在一个或多个其中包含有程序代码的存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。机器可读存储介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。机器可读存储介质的例子包括但不限于：相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

本领域技术人员在考虑说明书及实践这里发明的发明后，将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未发明的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由上面的权利要求指出。

Claims (14)

1.一种区域报警方法，其特征在于，所述方法包括：

将采集的当前图像输入至已训练的神经网络模型，以由所述神经网络模型从所述当前图像中识别监控对象并输出所述监控对象的位置信息；

根据所述监控对象的位置信息，确定所述监控对象在所述当前图像中所处的目标区域；

判断所述目标区域与预先指定的报警区域之间是否存在交集，若是，确定所述监控对象为目标监控对象，并输出报警信号。

2.根据权利要求1所述的区域报警方法，其特征在于，所述以由所述神经网络模型从所述当前图像中识别监控对象并输出所述监控对象的位置信息包括：

由所述神经网络模型的卷积层对输入的当前图像进行卷积处理得到高维特征数据并输出给所述神经网络模型的池化层；

由所述神经网络模型的池化层对输入的所述高维特征数据进行数据降维处理得到低维特征数据并输出给所述神经网络模型的全连接层；

由所述神经网络模型的全连接层根据输入的所述低维特征数据识别所述当前图像中的监控对象以及监控对象的位置信息，输出所述监控对象的位置信息。

3.根据权利要求1所述的区域报警方法，其特征在于，所述判断所述目标区域与预先指定的报警区域之间是否存在交集之前，所述方法进一步包括：

对所述目标区域的尺寸进行校正。

4.根据权利要求3所述的区域报警方法，其特征在于，所述对所述目标区域的尺寸进行校正包括：

在所述当前图像的前N张图像中确定与所述当前图像中的监控对象匹配的参考监控对象，N为大于或等于2的整数；

在所述前N张图像中获取所述参考监控对象所处的至少一个参考区域；

将至少一个所述参考区域的尺寸大小进行平均值运算，得到平均尺寸；

将所述目标区域缩放至所述平均尺寸。

5.根据权利要求1所述的区域报警方法，其特征在于，该方法还包括：

统计设定周期内目标监控对象的数量。

6.根据权利要求5所述的区域报警方法，其特征在于，所述统计设定周期内目标监控对象的数量包括：

统计设定周期内采集的首张图像中目标监控对象的数量T1；

将所述首张图像的下一张图像作为待处理图像；

从所述待处理图像中排除与上一张图像中特征信息匹配的目标监控对象，统计所述待处理图像中剩余目标监控对象的数量T2；

判断所述待处理图像是否为设定周期内采集的最后一张图像，如果是，将所述T1以及T2之和确定为所述设定周期内在所述报警区域中出现的目标监控对象的数量，如果否，将设定周期内采集的待处理图像的下一张图像作为待处理图像，返回从所述待处理图像中排除与上一张图像中特征信息相同的目标监控对象的操作。

7.一种区域报警装置，其特征在于，所述装置包括：

位置信息获取模块，用于将采集的当前图像输入至已训练的神经网络模型，以由所述神经网络模型从所述当前图像中识别监控对象并输出所述监控对象的位置信息；

目标区域确定模块，用于根据所述监控对象的位置信息，确定所述监控对象在所述当前图像中所处的目标区域；

报警模块，用于判断所述目标区域与预先指定的报警区域之间是否存在交集，若是，确定所述监控对象为目标监控对象，并输出报警信号。

8.根据权利要求7所述的区域报警装置，其特征在于，所述位置信息获取模块具体用于：

由所述神经网络模型的卷积层对输入的当前图像进行卷积处理得到高维特征数据并输出给所述神经网络模型的池化层；

由所述神经网络模型的池化层对输入的所述高维特征数据进行数据降维处理得到低维特征数据并输出给所述神经网络模型的全连接层；

由所述神经网络模型的全连接层根据输入的所述低维特征数据识别所述当前图像中的监控对象以及监控对象的位置信息，输出所述监控对象的位置信息。

9.根据权利要求7所述的区域报警装置，其特征在于，所述装置还包括校正模块，用于在所述判断所述目标区域与预先指定的报警区域之间是否存在交集之前，对所述目标区域的尺寸进行校正。

10.根据权利要求9所述的区域报警装置，其特征在于，所述校正模块包括：

参考监控对象确定模块，用于在所述当前图像的前N张图像中确定与所述当前图像中的监控对象匹配的参考监控对象，N为大于或等于2的整数；

参考区域获取模块，用于在所述前N张图像中获取所述参考监控对象所处的至少一个参考区域；

平均尺寸获取模块，用于将至少一个所述参考区域的尺寸大小进行平均值运算，得到平均尺寸；

缩放模块，用于将所述目标区域缩放至所述平均尺寸。

11.根据权利要求7所述的区域报警装置，其特征在于，所述装置还包括数量统计模块，用于统计设定周期内目标监控对象的数量。

12.根据权利要求11所述的区域报警装置，其特征在于，所述数量统计模块包括：

第一数量统计单元，用于统计设定周期内采集的首张图像中目标监控对象的数量T1；

图像切换单元，用于将所述首张图像的下一张图像作为待处理图像；

第二数量统计单元，用于从所述待处理图像中排除与上一张图像中特征信息匹配的目标监控对象，统计所述待处理图像中剩余目标监控对象的数量T2；

判断单元，用于判断所述待处理图像是否为设定周期内采集的最后一张图像，如果是，将所述T1以及T2之和确定为所述设定周期内在所述报警区域中出现的目标监控对象的数量，如果否，将设定周期内采集的待处理图像的下一张图像作为待处理图像，返回从所述待处理图像中排除与上一张图像中特征信息相同的目标监控对象的操作。

13.一种电子设备，其特征在于，包括处理器及存储器；所述存储器存储有可被处理器调用的程序；其中，所述处理器执行所述程序时，实现如权利要求1至6中任意一项所述的区域报警方法。

14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至6任一项所述的区域报警方法。

Images