CN110910415A - 抛物检测方法、装置、服务器和计算机可读介质 - Google Patents
抛物检测方法、装置、服务器和计算机可读介质 Download PDFInfo
- Publication number
- CN110910415A CN110910415A CN201911189562.4A CN201911189562A CN110910415A CN 110910415 A CN110910415 A CN 110910415A CN 201911189562 A CN201911189562 A CN 201911189562A CN 110910415 A CN110910415 A CN 110910415A
- Authority
- CN
- China
- Prior art keywords
- target object
- target
- determining
- video
- frame
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本公开的实施例公开了抛物检测方法、装置、服务器和计算机可读介质。该方法的一具体实施方式包括:检测目标视频中是否存在目标对象;响应于存在,对标视频进行分析,确定目标对象的移动距离和移动时间;根据移动距离和移动时间,确定目标对象是否是自由落体;响应于确定是自由落体,存储目标视频与目标对象相关联的至少一个视频帧。该实施方式实现了由机器判断出该目标对象是否是空中抛物,并且由于存储了目标对象的视频也方便后期取证。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及抛物检测方法、装置、服务器和计算机可读介质。
背景技术
高空抛物给社会带来很大危害,所以高空抛物问题一直备受关注。而现有的高空抛物检测方式却仍然使用传统的方式:如,1、通过人为判断是否是空中抛物,或者使用超声波来判断高空坠物。2、采用视觉检测方案来判断物体是否是空中抛物。第一种方式因为无法记录,所以存在后期无法准确取证的问题。而第二种方式,因为传统的视觉检测方案采用的是基于传统图像处理的目标检测方式,所以其存在检测速度慢和检测精度低的问题。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了抛物检测方法、装置、服务器和计算机可读介质,来解决以上背景技术部分提到的技术问题中的一项或者多项。
第一方面,本公开的一些实施例提供了抛物检测方法,包括:
检测目标视频中是否存在目标对象;响应于存在,对目标视频进行分析,确定目标对象的移动距离和移动时间;根据移动距离和移动时间,确定目标对象是否是自由落体;响应于确定是自由落体,存储目标视频与目标对象相关联的至少一个视频帧。
第二方面,本公开的一些实施例提供了一种抛物检测的装置,包括:目标检测模块,被配置成检测目标视频中是否存在目标对象;目标计算模块,被配置成响应于存在,对上述目标视频进行分析,确定上述目标对象的移动距离和移动时间;目标确定模块,被配置成根据上述移动距离和移动时间,确定上述目标对象是否是自由落体;目标存储模块,被配置成响应于确定是上述自由落体,存储上述目标视频与上述目标对象相关联的至少一个视频帧。
第三方面,本公开的一些实施例提供了一种抛物检测的装置,其包括:监控屏:实时显示监控画面;摄像机:采集前端视频数据;服务器:其包括目标检测模块、目标计算模块、目标确定模块和目标存储模块;无线路由:通信设备,连接摄像机和服务器;网络交换机:通信设备,连接监控屏和服务器。
第四方面,本公开的一些实施例提供了一种服务器,包括:
一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现第一方面公开的抛物检测方法。
第五方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,上述程序被处理器执行时实现第一方面公开的抛物检测方法。
本公开的上述各个实施例中的一个实施例具有如下有益效果:通过检测目标对象,根据目标对象的移动速度和时间判断出目标对象是否是自由落体,并将是自由落体的相应的目标对象的视频进行存储。这样可以由机器判断出该对象是否是空中抛物,并且因为存储了的目标对象的视频也方便后期取证。此外,可选地,机器判断的结果还可以用于提前做出预警,采用单射探测器模型检测目标对象还有利于提高检测目标对象的速度和精度。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1是本公开的一些实施例可以应用于其中的示例性***的架构图;
图2是根据本公开的抛物检测方法的一些实施例的流程图;
图3是根据本公开的一些实施例的抛物检测装置的结构示意图;
图4是根据本公开的一些实施例的服务器的结构示意图;
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本公开的一些实施例的抛物检测方法的示例性***架构100。
如图1所示,***架构100可以包括无线路由101、多台摄像机102、网络交换机103、服务器104和监控屏105。无线路由101用以在多台摄像机102、网络交换机103之间提供通信链路的介质,网络交换机103用以在无线路由101、服务器104和监控屏105之间提供通信链路的介质。网络交换机103可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
服务器104可以是提供各种服务的服务器,例如对摄像机采集的图像进行处理的服务器。需要说明的是,本公开的实施例所提供的用于抛物检测的方法可以由摄像机102执行,也可以由服务器104执行。在此不做具体限定。
需要说明的是,服务器104可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
通过摄像机102采集视频信息,将其发送给服务器104进行处理,通过服务器104对视频信息进行相应的计算来确定视频中的物体图像是否是自由落体,确定是自由落体,将信息发送到监控屏,以及发出预警信息。
应该理解,图1中的摄像机、监控屏、网络交换机、无线路由和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的摄像机、监控屏、网络交换机、无线路由和服务器。
继续参考图2,示出了根据本公开的抛物检测方法的一些实施例的流程200。该抛物检测方法,包括以下步骤:
步骤201,检测目标视频中是否存在目标对象。
在一些实施例中,执行主体可以是摄像机。目标视频可以是该执行主体采集的视频信息,可以是实时采集的视频信息,也可以是存储的视频信息。目标对象是空中抛落的物体。作为示例,该执行主体可以检测某个高楼上是否有抛落的玻璃瓶。
在本公开的一些实施例的可选方式中,在上述步骤201中,可以采用单射探测器模型在目标视频中检测目标对象,其中单射探测器模型,与标准单射探测器模型相比,上述单射探测器模型的基础网络换成resnet18模型,上述resnet18模型包括17个卷积层和1个全链接层,在上述resnet18模型中设置每一层的通道个数为32。
其中SSD(Single Shot MultiBox Detector)方式是基于一个前馈的卷积网络,该网络产生一个固定大小的矩形框集合,并对这些框中存在的对象类别进行评分,然后利用非极大值抑制方法产生最后的检测结果。前期的网络层基于一些用来进行高质量图片分类的标准结构,我们称之为基础网络。resnet18属于深度神经网络,其基础结构是18层,由17个卷积层加上1个全链接层构成,当然上述卷积层的数量也是可以设计的。resnet18的主要功能是解决网络深度变深以后的性能退化问题,因为它的模型比较小,所以由其替换单射探测器模型的基础网络,可以提高运算速度,同时不会降低图像的精度。resnet18每一层的通道个数是64,为了加快其处理速度,将其通道个数减少了一半,设置为32,这样相应的计算参数也会减少一半。其中,在SSD模型训练中通常是采用如下步骤:1、输入一副图片,将其输入到预训练好的分类网络中来获得不同大小的特征映射。修改了传统的VGG16网络,将VGG16的FC6和FC7层转化为卷积层;去掉所有的Dropout层和FC8层。2、抽取Conv4_3、Conv7、Conv8_2、Conv9_2、Conv10_2、Conv11_2层的特征图,然后分别在这些特征图层上面的每一个点构造6个不同尺度大小的检测结果;将上述检测结果分别进行检测和分类,生成多个检测结果。3、将不同特征图获得的检测结果结合起来,通过非极大值抑制NMS方法来抑制掉一部分重叠或者不正确的检测结果,生成最终的检测结果集合。但是在上述SSD模型训练的基础上,为了提高检测速度,在上述步骤2中,仅抽取了卷积层Conv7层和Conv8_2层的特征图。其中上述非极大值抑制NMS(Non-Maximum Suppression,NMS),就是抑制不是极大值的元素,可以理解为局部最大搜索。这个局部代表的是一个邻域。
在本公开的一些实施例的一些可选实现方式中,采用上述单射探测器模型所包括的前馈的卷积网络产生一个固定大小的矩形框集合,以及对这些矩形框中存在的上述目标视频的对象的对象类别进行评分和/或确定概率;按照评分高低和/或概率大小对上述矩形框集合中的各个上述矩形框进行排序;基于上述排序,执行确定步骤:从最大概率和/或最高评分的矩形框开始,分别确定上述矩形框集合中其他矩形框与上述最大概率和/或最高评分的矩形框的重叠度是否大于设定的阈值;确定出上述重叠度大于上述阈值,那么删除所有该其他矩形框,以及标记上述最大概率和/或最高评分的矩形框,将上述最大概率和/或最高评分的矩形框放置到检测结果集合;确定矩形框集合是否为空;响应于确定矩形框集合为空,则将上述检测结果集合确定为最终的检测结果集合。
响应于确定矩形框集合不为空,则继续执行确定步骤。
其中,排序是可以按照矩形框内目标对象的对象类别的得分高低和/或概率大小进行排序,其可以是通过支持向量机SVM(support vector machine)等分类器得到的得分或概率。例如,当多个矩形框得分相同,那么此时得分相同的矩形框可以按照概率大小排序,如果多个矩形框概率相同,那么此时多个概率相同的矩形框可以按照得分大小排序,当没有矩形框得分或者概率相同的情况,按照单一的得分高低或者概率大小排序即可。重叠度(IOU)是重叠区域的面积比例,重叠度的阈值例如一般可设为0.3~0.5。
作为示例,该非极大值抑制NMS的方式可以采用如下方式来获得最终的检测结果集合:在视频中定位一匹马,在该马的图像上找出了一堆的矩形框,我们需要判别哪些矩形框是没用的。先假设有6个矩形框形成了一个矩形框集合,根据分类器的类别分类概率做排序,假设从小到大属于马的概率矩形框分别为A、B、C、D、E、F。(1)那么从最大概率的矩形框F开始,分别判断A~E与F的重叠度IOU是否大于某个设定的阈值;(2)当判断出B、D与F的重叠度超过或者大于该阈值,那么就在上述矩形框集合中删除B、D;并标记第一个矩形框F,将其放入检测结果集合;(3)从剩下的矩形框集合A、C、E中,再选择概率最大的E,然后判断E与A、C的重叠度是否大于上述设定的阈值,判断出是,则在矩形框集合中删除A、C;并标记E是我们保留下来的第二个矩形框,将其放入检测结果集合。就这样一直重复,直到矩形框集合为空,那么检测结果集合就是我们最终要找的检测结果集合。
步骤202,响应于存在,对目标视频进行分析,确定目标对象的移动距离和移动时间。
在一些实施例中,基于步骤201中得到的目标对象,上述执行主体(例如图1所示的服务器)针对目标视频进行分析,例如可以采用计算视频帧的帧数来确定移动时间,采用确定目标对象在视频中的位置信息来计算目标对象的移动距离。
作为一些实施例的可选方式,确定目标对象的移动距离包括如下步骤:记录目标对象的坐标;对比目标对象前后帧之间的坐标;计算前帧坐标和后帧坐标之间的距离差作为移动距离;通过帧数计算出上述目标对像上述前后帧的时间差作为移动时间。其中,前帧是检测到目标出现的第一帧;后帧是从第一帧之后的显示有目标对象的多个帧中任意选取的一帧。作为示例,选取第十帧作为后帧,第十帧的坐标为(0,0.7),第一帧的坐标为(0,0.1);根据帧坐标差(此处为0.6)可以换算计算出目标对象的移动距离,例如0.6米。作为示例,目前视频检测记录的帧数是每秒40帧,并且以稳定的帧数进行检测,两帧之间的时间差是0.025秒,同样选取第十帧作为后帧,那么前后帧之间的时间差为0.25秒。
步骤203,根据移动距离和移动时间,确定目标对象是否是自由落体。
在一些实施例中,基于步骤202得到的移动距离和移动时间,计算出该目标对象的速度或者加速度。由此,判断目标对象的运动状态是否是自由落体。作为示例,根据大楼抛下的目标对象(例如玻璃瓶)在视频信息中的移动距离和移动时间,计算玻璃瓶的速度或者加速度,确定其是否是自由落体。
作为一些实施例的可选方式,确定目标对象是否是自由落体包括:通过移动距离和移动时间计算出目标对象的加速度;设置加速度阈值;当上述加速度大于阈值,确定目标对象为自由落体。作为示例,特定物体或者预设场景中的施工工具的加速度通常是10m/s2,其中特定物体或者预设场景中的施工工具是提前划定或者确定的物品,可以作为样本数据来训练。所以可以设置其加速度阈值为8m/s2,通过被抛落的玻璃瓶的前后帧的偏移距离和时间差计算出的加速度如果是9m/s2或者12m/s2,均大于其加速度阈值,则确定该玻璃瓶为自由落体。
步骤204,响应于确定是自由落体,存储目标视频与目标对象相关联的至少一个视频帧。
在一些实施例中,视频帧是在1秒钟时间里传输的图片的帧数,通常用fps(FramesPer Second,每秒传输帧数)表示。而具有目标对象的视频帧即为相关联的视频帧,上述执行主体可以将具有目标对象的至少一个视频帧保存起来。其可以存储在服务器中或者其他相关存储设备,例如硬盘、云、U盘。作为示例,存储设备中仅存储视频中具有玻璃瓶的视频帧,没有玻璃瓶的视频帧则不存储。
在本实施例的一些可选的实现方式中,响应于确定是自由落体,控制通信连接的设备进行预警操作。作为示例,当检测的视频信息是空中抛物坠落,通过控制相应的警报设备给监控屏的安保人员发出预警提醒,如向监控屏发送信息、响警铃、闪警灯等等。其中,包括但不局限于以上几种预警方式。
在本公开的一些实施例中,通过检测目标对象,根据目标对象的移动速度和时间判断出目标对象是否是自由落体,并将是自由落体的相应的目标对象的视频进行存储。这样可以由机器判断出该对象是否是空中抛物,并且因为存储了目标对象的视频也方便后期取证。此外,可选地,机器判断的结果还可以用于提前做出预警;可选的,采用单射探测器模型检测目标对象还有利于提高检测目标对象的速度和精度。
进一步参考图3,作为对上述各图所示方法的实现,本公开提供了一种抛物检测装置的一些实施例,这些装置实施例与图2所示的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图3所示,一些实施例的抛物检测装置300包括:目标检测模块301:检测目标视频中是否存在目标对象;目标计算模块302:响应于存在,对目标视频进行分析,确定目标对象的移动距离和移动时间;目标确定模块303:根据移动距离和移动时间,确定目标对象是否是自由落体;目标存储模块304:响应于确定是自由落体,存储目标视频与目标对象相关联的至少一个视频帧。
在一些实施例的可选实现方式中,目标检测模块可以采用单射探测器模型在目标视频中检测目标对象,其中单射探测器模型即SSD(Single Shot MultiBox Detector)与标准单射探测器模型相比,该单射探测器模型的基础网络换成resnet18模型,将resnet18模型中设置每一层的通道个数为32。
在一些实施例的可选实现方式中,在SSD模型训练中仅抽取卷积层Conv7层和Conv8_2层的特征图
图4示出的服务器仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图4所示,服务器400可以包括处理装置(例如中央处理器、图形处理器等)401,其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中,还存储有服务器400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常,以下装置可以连接至I/O接口405:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407;以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的服务器400,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图4中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置409从网络上被下载和安装,或者从存储装置408被安装,或者从ROM 402被安装。在该计算机程序被处理装置401执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:检测目标视频中是否存在目标对象;响应于存在,对目标视频进行分析,确定目标对象的移动距离和移动时间;根据移动距离和移动时间,确定目标对象是否是自由落体;响应于确定是自由落体,存储目标视频与目标对象相关联的至少一个视频帧。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括目标检测模块、目标计算模块、目标确定模块、目标存储模块。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。例如,目标检测模块还可以被描述为“检测目标视频中是否存在目标对象的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (9)
1.一种抛物检测方法,包括:
检测目标视频中是否存在目标对象;
响应于存在,对所述目标视频进行分析,确定所述目标对象的移动距离和移动时间;
根据所述移动距离和移动时间,确定所述目标对象是否是自由落体;
响应于确定是所述自由落体,存储所述目标视频与所述目标对象相关联的至少一个视频帧。
2.根据权利要求1所述的方法,其中,所述检测目标视频中是否存在目标对象,包括:
采用单射探测器模型在所述目标视频中检测所述目标对象,其中,与标准单射探测器模型相比,所述单射探测器模型的基础网络换成resnet18模型,所述resnet18模型包括17个卷积层和1个全链接层,在所述resnet18模型中设置每一层的通道个数为32。
3.根据权利要求2所述的方法,其中,所述采用单射探测器模型在所述目标视频中检测所述目标对象,包括:
采用所述单射探测器模型所包括的前馈的卷积网络产生一个固定大小的矩形框集合,以及对这些矩形框中存在的所述目标视频的对象的对象类别进行评分和/或确定概率;
按照评分高低和/或概率大小对所述矩形框集合中的各个所述矩形框进行排序;
基于上述排序,执行确定步骤:从最大概率和/或最高评分的矩形框开始,分别确定所述矩形框集合中其他矩形框与所述最大概率和/或最高评分的矩形框的重叠度是否大于设定的阈值;确定出所述重叠度大于所述阈值,那么删除所有其他矩形框,以及标记所述最大概率和/或最高评分的矩形框,将所述最大概率和/或最高评分的矩形框放置到检测结果集合;确定矩形框集合是否为空;响应于确定矩形框集合为空,则将所述检测结果集合确定为最终的检测结果集合;
响应于确定矩形框集合不为空,则继续执行确定步骤。
4.根据权利要求2所述的方法,所述确定所述目标对象的移动距离和移动时间,包括:
记录所述目标对象的坐标;
对比所述目标对象前后帧之间的所述坐标;
计算前帧坐标和后帧坐标之间的距离差以作为所述移动距离;
通过帧数计算出所述目标对象所述前后帧的时间差作为移动时间。
5.根据权利要求3所述的方法,所述确定所述目标对象是否是自由落体,包括:
通过所述移动距离和所述移动时间计算出所述目标对象的加速度;
设置加速度阈值;
当所述加速度大于所述阈值,则确定所述目标对象为自由落体。
6.根据权利要求1-5之一所述的方法,还包括:
响应于确定是所述自由落体,控制通信连接的设备进行预警操作。
7.一种抛物检测的装置,包括:
目标检测模块,被配置成检测目标视频中是否存在目标对象;
目标计算模块,被配置成响应于存在,对所述目标视频进行分析,确定所述目标对象的移动距离和移动时间;
目标确定模块,被配置成根据所述移动距离和移动时间,确定所述目标对象是否是自由落体;
目标存储模块,被配置成响应于确定是所述自由落体,存储所述目标视频与所述目标对象相关联的至少一个视频帧。
8.一种服务器,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
9.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911189562.4A CN110910415A (zh) | 2019-11-28 | 2019-11-28 | 抛物检测方法、装置、服务器和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911189562.4A CN110910415A (zh) | 2019-11-28 | 2019-11-28 | 抛物检测方法、装置、服务器和计算机可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110910415A true CN110910415A (zh) | 2020-03-24 |
Family
ID=69820081
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911189562.4A Pending CN110910415A (zh) | 2019-11-28 | 2019-11-28 | 抛物检测方法、装置、服务器和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110910415A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111553257A (zh) * | 2020-04-26 | 2020-08-18 | 上海天诚比集科技有限公司 | 一种高空抛物预警方法 |
CN111860195A (zh) * | 2020-06-25 | 2020-10-30 | 郭艺斌 | 一种基于大数据的安保检测方法及安保检测装置 |
CN112016414A (zh) * | 2020-08-14 | 2020-12-01 | 熵康(深圳)科技有限公司 | 一种检测高空抛物事件的方法、装置及楼面智能监控*** |
CN112308000A (zh) * | 2020-11-06 | 2021-02-02 | 安徽清新互联信息科技有限公司 | 一种基于时空信息的高空抛物检测方法 |
CN112330743A (zh) * | 2020-11-06 | 2021-02-05 | 安徽清新互联信息科技有限公司 | 一种基于深度学习的高空抛物检测方法 |
CN113673333A (zh) * | 2020-08-10 | 2021-11-19 | 广东电网有限责任公司 | 电力现场作业中的跌落检测算法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004326270A (ja) * | 2003-04-22 | 2004-11-18 | Koito Ind Ltd | 路上落下物検出装置 |
CN104378549A (zh) * | 2014-10-30 | 2015-02-25 | 东莞宇龙通信科技有限公司 | 一种抓拍方法、装置及终端 |
CN108520219A (zh) * | 2018-03-30 | 2018-09-11 | 台州智必安科技有限责任公司 | 一种卷积神经网络特征融合的多尺度快速人脸检测方法 |
CN108960015A (zh) * | 2017-05-24 | 2018-12-07 | 优信拍(北京)信息科技有限公司 | 一种基于深度学习的车系自动识别方法及装置 |
CN109801256A (zh) * | 2018-12-15 | 2019-05-24 | 华南理工大学 | 一种基于感兴趣区域和全局特征的图像美学质量评估方法 |
CN109872341A (zh) * | 2019-01-14 | 2019-06-11 | 中建三局智能技术有限公司 | 一种基于计算机视觉的高空抛物检测方法与*** |
CN110175649A (zh) * | 2019-05-28 | 2019-08-27 | 南京信息工程大学 | 一种关于重新检测的快速多尺度估计目标跟踪方法 |
CN110188719A (zh) * | 2019-06-04 | 2019-08-30 | 北京字节跳动网络技术有限公司 | 目标跟踪方法和装置 |
US10402692B1 (en) * | 2019-01-22 | 2019-09-03 | StradVision, Inc. | Learning method and learning device for fluctuation-robust object detector based on CNN using target object estimating network adaptable to customers' requirements such as key performance index, and testing device using the same |
CN110287806A (zh) * | 2019-05-30 | 2019-09-27 | 华南师范大学 | 一种基于改进ssd网络的交通标志识别方法 |
CN110334650A (zh) * | 2019-07-04 | 2019-10-15 | 北京字节跳动网络技术有限公司 | 物体检测方法、装置、电子设备及存储介质 |
-
2019
- 2019-11-28 CN CN201911189562.4A patent/CN110910415A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004326270A (ja) * | 2003-04-22 | 2004-11-18 | Koito Ind Ltd | 路上落下物検出装置 |
CN104378549A (zh) * | 2014-10-30 | 2015-02-25 | 东莞宇龙通信科技有限公司 | 一种抓拍方法、装置及终端 |
CN108960015A (zh) * | 2017-05-24 | 2018-12-07 | 优信拍(北京)信息科技有限公司 | 一种基于深度学习的车系自动识别方法及装置 |
CN108520219A (zh) * | 2018-03-30 | 2018-09-11 | 台州智必安科技有限责任公司 | 一种卷积神经网络特征融合的多尺度快速人脸检测方法 |
CN109801256A (zh) * | 2018-12-15 | 2019-05-24 | 华南理工大学 | 一种基于感兴趣区域和全局特征的图像美学质量评估方法 |
CN109872341A (zh) * | 2019-01-14 | 2019-06-11 | 中建三局智能技术有限公司 | 一种基于计算机视觉的高空抛物检测方法与*** |
US10402692B1 (en) * | 2019-01-22 | 2019-09-03 | StradVision, Inc. | Learning method and learning device for fluctuation-robust object detector based on CNN using target object estimating network adaptable to customers' requirements such as key performance index, and testing device using the same |
CN110175649A (zh) * | 2019-05-28 | 2019-08-27 | 南京信息工程大学 | 一种关于重新检测的快速多尺度估计目标跟踪方法 |
CN110287806A (zh) * | 2019-05-30 | 2019-09-27 | 华南师范大学 | 一种基于改进ssd网络的交通标志识别方法 |
CN110188719A (zh) * | 2019-06-04 | 2019-08-30 | 北京字节跳动网络技术有限公司 | 目标跟踪方法和装置 |
CN110334650A (zh) * | 2019-07-04 | 2019-10-15 | 北京字节跳动网络技术有限公司 | 物体检测方法、装置、电子设备及存储介质 |
Non-Patent Citations (4)
Title |
---|
SERBAN OPRISESCU ET AL: "Detection of thrown objects using ToF cameras", 《2013 IEEE 9TH INTERNATIONAL CONFERENCE ON INTELLIGENT COMPUTER COMMUNICATION AND PROCESSING (ICCP)》 * |
谢渊东: "基于3G网络的公安应急视频传输***的设计与实现", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
陈慧岩: "《智能车辆理论与应用》", 31 July 2018 * |
龙力: "基于多特征融合的图像分类与检测应用研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111553257A (zh) * | 2020-04-26 | 2020-08-18 | 上海天诚比集科技有限公司 | 一种高空抛物预警方法 |
CN111860195A (zh) * | 2020-06-25 | 2020-10-30 | 郭艺斌 | 一种基于大数据的安保检测方法及安保检测装置 |
CN111860195B (zh) * | 2020-06-25 | 2024-03-01 | 广州珠江商业经营管理有限公司 | 一种基于大数据的安保检测方法及安保检测装置 |
CN113673333A (zh) * | 2020-08-10 | 2021-11-19 | 广东电网有限责任公司 | 电力现场作业中的跌落检测算法 |
CN112016414A (zh) * | 2020-08-14 | 2020-12-01 | 熵康(深圳)科技有限公司 | 一种检测高空抛物事件的方法、装置及楼面智能监控*** |
CN112308000A (zh) * | 2020-11-06 | 2021-02-02 | 安徽清新互联信息科技有限公司 | 一种基于时空信息的高空抛物检测方法 |
CN112330743A (zh) * | 2020-11-06 | 2021-02-05 | 安徽清新互联信息科技有限公司 | 一种基于深度学习的高空抛物检测方法 |
CN112308000B (zh) * | 2020-11-06 | 2023-03-07 | 安徽清新互联信息科技有限公司 | 一种基于时空信息的高空抛物检测方法 |
CN112330743B (zh) * | 2020-11-06 | 2023-03-10 | 安徽清新互联信息科技有限公司 | 一种基于深度学习的高空抛物检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110910415A (zh) | 抛物检测方法、装置、服务器和计算机可读介质 | |
US11989861B2 (en) | Deep learning-based real-time detection and correction of compromised sensors in autonomous machines | |
US10699125B2 (en) | Systems and methods for object tracking and classification | |
CN109145680B (zh) | 一种获取障碍物信息的方法、装置、设备和计算机存储介质 | |
EP3382643B1 (en) | Automated object tracking in a video feed using machine learning | |
US9870511B2 (en) | Method and apparatus for providing image classification based on opacity | |
CN111291697B (zh) | 用于识别障碍物的方法和装置 | |
CN111768381A (zh) | 零部件缺陷检测方法、装置及电子设备 | |
CN110956137A (zh) | 点云数据的目标检测方法、***及介质 | |
US20240071215A1 (en) | Detection method and apparatus of abnormal vehicle, device, and storage medium | |
CN111680535A (zh) | 在视频监控中实时预测一个或多个潜在威胁的方法和*** | |
CN113177968A (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
CN105787062A (zh) | 一种基于视频平台对目标对象进行搜索的方法和设备 | |
US11829959B1 (en) | System and methods for fully autonomous potholes detection and road repair determination | |
CN111292531A (zh) | 交通信号灯的跟踪方法、装置、设备及存储介质 | |
JP2014059729A (ja) | 物体検出・識別装置及びその方法とその物体検出・識別に用いられる辞書データ生成方法 | |
CN111832658B (zh) | 兴趣点信息处理方法、装置、电子设备和存储介质 | |
EP3716144A1 (en) | Intelligent video analysis | |
CN115861400A (zh) | 目标对象检测方法、训练方法、装置以及电子设备 | |
KR20230086457A (ko) | 화재 감지 시스템의 구축을 위한 전차 장치 및 그 방법 | |
JP6158967B1 (ja) | 環境汚染予測システム及び方法 | |
US20230391362A1 (en) | Decision-making for autonomous vehicle | |
CN112529836A (zh) | 高压线路缺陷检测方法、装置、存储介质及电子设备 | |
CN113011298A (zh) | 截断物体样本生成、目标检测方法、路侧设备和云控平台 | |
US10885704B1 (en) | 3D mapping by distinguishing between different environmental regions |
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 |