CN111062281A - 异常事件监控方法、装置、存储介质和电子设备 - Google Patents
异常事件监控方法、装置、存储介质和电子设备 Download PDFInfo
- Publication number
- CN111062281A CN111062281A CN201911235714.XA CN201911235714A CN111062281A CN 111062281 A CN111062281 A CN 111062281A CN 201911235714 A CN201911235714 A CN 201911235714A CN 111062281 A CN111062281 A CN 111062281A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- recognition model
- abnormal event
- abnormal
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 148
- 238000012544 monitoring process Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 46
- 239000013598 vector Substances 0.000 claims abstract description 55
- 239000000779 smoke Substances 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 9
- 238000013145 classification model Methods 0.000 claims description 7
- 238000012806 monitoring device Methods 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 241001465754 Metazoa Species 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001850 reproductive effect Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000005068 transpiration Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/60—Extraction of image or video features relating to illumination properties, e.g. using a reflectance or lighting model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Fire-Detection Mechanisms (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及一种异常事件监控方法、装置、存储介质和电子设备,该方法包括:若摄像头采集到的目标区域的图像中包含运动目标,根据该图像的图像特征信息生成该图像对应的特征向量;根据该图像的亮度从预先训练好的多个异常事件监控模型中确定目标识别模型;根据该特征向量以及该目标识别模型,确定该目标区域是否出现异常事件。能够根据图像自身的特性选择识别图像中的异常事件所需的模型,以在不同的时间通过不同的模型对该异常事件进行识别,提高对异常事件监控的准确性和灵活性。
Description
技术领域
本公开涉及图像监控领域,具体地,涉及一种异常事件监控方法、装置、存储介质和电子设备。
背景技术
目前,森林火灾是全球性重要森林灾害之一。它分布广、发生频率高,森林火灾是森林最危险的敌人,也是林业最可怕的灾害,它会给森林带来最有害,最具有毁灭性的后果。森林火灾不但烧毁成片的森林,伤害林内的动物,而且还降低森林的繁殖能力,引起土壤的贫瘠和破坏森林涵养水源的作用,甚至会导致生态环境失去平衡,造成全球性环境污染。因此,如何在森林火灾出现的早期对火灾进行识别,并及时采取应对措施至关重要。现有技术中,通常通过监控摄像头采集森林的图像,再通过单一的图像识别模型对图像的某一种特性(例如,一种异常物体或者一种颜色)进行监测,以确定是否出现火灾,火灾识别的准确率较低,灵活性较差。
发明内容
为克服相关技术中存在的问题,本公开的目的是提供一种异常事件监控方法、装置、存储介质和电子设备。
为了实现上述目的,根据本公开实施例的第一方面,提供一种异常事件监控方法,所述方法包括:
若摄像头采集到的目标区域的图像中包含运动目标,根据所述图像的图像特征信息生成所述图像对应的特征向量;
根据所述图像的亮度从预先训练好的多个异常事件监控模型中确定目标识别模型;
根据所述特征向量以及所述目标识别模型,确定所述目标区域是否出现异常事件,所述异常事件为火灾事件,所述多个异常事件监控模型包括:烟雾识别模型和火焰识别模型。
可选的,所述根据所述图像的亮度信息从多个预先训练的多个火灾识别模型中确定目标识别模型,包括:
在所述图像的亮度大于或等于预设的第一阈值的情况下,将所述烟雾识别模型作为所述目标识别模型;
在所述图像的亮度小于或等于预设的第二阈值的情况下,将所述火焰识别模型作为所述目标识别模型;或者,
在所述图像的亮度小于所述第一阈值且大于所述第二阈值的情况下,将所述烟雾识别模型和所述火焰识别模型作为所述目标识别模型。
可选的,所述若摄像头采集到的目标区域的图像中包含运动目标,根据所述图像的图像特征信息生成所述图像对应的特征向量,包括:
获取所述图像对应的色彩空间图像、二值化图像和灰度图像;
提取所述色彩空间图像的第一图像特征信息;
提取所述二值化图像的第二图像特征信息;
提取所述灰度图像的第三图像特征信息;
根据所述第一图像特征信息、所述第二图像特征信息和所述第三图像特征信息,生成所述特征向量。
可选的,所述目标识别模型为分类模型,所述根据所述特征向量以及所述目标识别模型,确定所述目标区域是否出现异常事件,包括:
将所述特征向量作为所述目标识别模型的输入,以获取所述目标识别模型输出的分类结果;
根据所述分类结果确定所述目标区域是否出现所述异常物体;
若确定所述目标区域出现所述异常物体,确定所述目标区域出现所述异常事件。
可选的,所述方法还包括:
在确定所述目标区域出现异常事件后,确定所述异常物体在所述目标区域中所处的目标位置;
获取所述目标位置的温度,作为所述异常物体的目标温度;
输出包含所述目标温度和所述目标位置的报警信息。
根据本公开实施例的第二方面,提供一种异常事件监控装置,所述装置包括:
向量生成模块,用于若摄像头采集到的目标区域的图像中包含运动目标,根据所述图像的图像特征信息生成所述图像对应的特征向量;
模型确定模块,用于根据所述图像的亮度从预先训练好的多个异常事件监控模型中确定目标识别模型;
异常事件监控模块,用于根据所述特征向量以及所述目标识别模型,确定所述目标区域是否出现异常事件,所述异常事件为火灾事件,所述多个异常事件监控模型包括:烟雾识别模型和火焰识别模型。
可选的,所述模型确定模块,用于:
在所述图像的亮度大于或等于预设的第一阈值的情况下,将所述烟雾识别模型作为所述目标识别模型;
在所述图像的亮度小于或等于预设的第二阈值的情况下,将所述火焰识别模型作为所述目标识别模型;或者,
在所述图像的亮度小于所述第一阈值且大于所述第二阈值的情况下,将所述烟雾识别模型和所述火焰识别模型作为所述目标识别模型。
可选的,所述向量生成模块,用于:
获取所述图像对应的色彩空间图像、二值化图像和灰度图像;
提取所述色彩空间图像的第一图像特征信息;
提取所述二值化图像的第二图像特征信息;
提取所述灰度图像的第三图像特征信息;
根据所述第一图像特征信息、所述第二图像特征信息和所述第三图像特征信息,生成所述特征向量。
可选的,所述目标识别模型为分类模型,所述异常事件监控模块,用于:
将所述特征向量作为所述目标识别模型的输入,以获取所述目标识别模型输出的分类结果;
根据所述分类结果确定所述目标区域是否出现所述异常物体;
若确定所述目标区域出现所述异常物体,确定所述目标区域出现所述异常事件。
可选的,所述装置还包括:
位置确定模块,用于在确定所述目标区域出现异常事件后,确定所述异常物体在所述目标区域中所处的目标位置;
温度确定模块,用于获取所述目标位置的温度,作为所述异常物体的目标温度;
报警输出模块,用于输出包含所述目标温度和所述目标位置的报警信息。
根据本公开实施例的第三方面,提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现本公开实施例第一方面提供的异常事件监控方法的步骤。
根据本公开实施例的第四方面,提供一种电子设备,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现本公开实施例第一方面提供的异常事件监控方法的步骤。
综上所述,本公开的实施例所提供的技术方案,能够在摄像头采集到的目标区域的图像中包含运动目标,根据该图像的图像特征信息生成该图像对应的特征向量;根据该图像的亮度从预先训练好的多个异常事件监控模型中确定目标识别模型;根据该特征向量以及该目标识别模型,确定该目标区域是否出现异常事件。能够根据图像自身的特性选择识别图像中的异常事件所需的模型,以在不同的时间通过不同的模型对该异常事件进行识别,提高对异常事件监控的准确性和灵活性。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。在附图中:
图1是根据一示例性实施例示出的一种异常事件监控方法的流程图;
图2是根据图1示出的一种模型确定方法的流程图;
图3是根据图2示出的一种向量生成方法的流程图;
图4是根据图1示出的一种异常事件监控方法的流程图;
图5是根据图1示出的另一种异常事件监控方法的流程图;
图6是根据一示例性实施例示出的一种异常事件监控装置的框图;
图7是根据图6示出的另一种异常事件监控装置的框图;
图8是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
图1是根据一示例性实施例示出的一种异常事件监控方法的流程图,如图1所示,该方法包括:
在步骤101中,若摄像头采集到的目标区域的图像中包含运动目标,根据该图像的图像特征信息生成该图像对应的特征向量。
示例地,本公开实施例通过对摄像头采集的图像进行识别确定是否出现异常事件,实现对异常事件的监控。在对图像进行识别之前,首先需要确定图像中是否包含运动目标。例如,在对某一片森林中(目标区域内)是否出现火灾事件进行识别时,我们可以认为,在未出现异常事件时(即正常情况下),摄像头采集到的该森林的图像中所有物体都是静止的,若检测到图像中出现运动的物体,则很有可能出现异常事件,该运动的物体即为运动目标。若图像中包含运动目标,提取该图像的特征信息,以根据特征信息生成的特征向量对图像进行识别。
示例地,可以通过背景差法检测图像中是否包含运动目标,即先将摄像头在正常情况下采集的目标区域的图像作为参照模型,然后再将摄像头采集的目标区域的图像与该参照模型进行比较,若检测到图像中存在不相同的部分,该不相同的部分即为运动目标。
在步骤102中,根据该图像的亮度从预先训练好的多个异常事件监控模型中确定目标识别模型。
示例地,获取图像的特征向量后,根据图像的特点从预设的多个异常事件识别模型中选择适用于该图像的目标识别模型,以增加识别的准确性。本公开中,根据图像的亮度选择目标识别模型,也就是说,图像的亮度不同时,选择不同的目标识别模型对图像所对应的目标区域是否出现异常事件进行检测。
在步骤103中,根据该特征向量以及该目标识别模型,确定该目标区域是否出现异常事件。
其中,该异常事件为火灾事件,该多个异常事件监控模型包括:烟雾识别模型和火焰识别模型。
示例地,确定目标模型后,根据该目标模型对该图像的特征向量进行识别,以确定该图像中是否包含目标识别模型中所指定的被识别物体,从而确定该图像所对应的目标区域是否出现异常事件。本公开实施例中的异常事件监控方法主要应用于识别森林中是否出现火灾事件,在确定目标区域后,通过确定的烟雾识别模型和/火焰识别模型确定该森林(目标区域)的图像中是否出现烟雾或者火焰,以确定该森林中是否出现火灾事件。
综上所述,本公开的实施例所提供的技术方案,能够在摄像头采集到的目标区域的图像中包含运动目标,根据该图像的图像特征信息生成该图像对应的特征向量;根据该图像的亮度从预先训练好的多个异常事件监控模型中确定目标识别模型;根据该特征向量以及该目标识别模型,确定该目标区域是否出现异常事件。能够根据图像自身的特性选择识别图像中的异常事件所需的模型,以在不同的时间通过不同的模型对该异常事件进行识别,提高对异常事件监控的准确性和灵活性。
图2是根据图1示出的一种模型确定方法的流程图,如图2所示,该步骤102包括:步骤1021,步骤1022,或者步骤1023。
在步骤1021中,在该图像的亮度大于或等于预设的第一阈值的情况下,将烟雾识别模型作为目标识别模型。
示例地,由于森林中的地理环境较为复杂,在白天光线良好的情况下,火焰在图像中并不明显,识别火焰的难度较大,而烟雾由于颜色和森林中大部分物体的颜色差异较大,识别烟雾的难度相对会降低很多。因此,若确定该图像的亮度大于或等于第一亮度阈值(确定该图像对应的区域中光线良好),选择烟雾模型作为目标识别模型,通过识别图像中是否出现烟雾确定森林中是否出现火灾事件。
另外,由于本公开实施例中通过识烟雾或者火焰确定目标区域中是否出现火灾事件,因此上述个异常事件监控模型可以包括:烟雾识别模型和火焰识别模型,除此之外,该异常事件监控模型该可以包括动物识别模型,用于识别目标区域内是否有人或动物经过。
在步骤1022中,在该图像的亮度小于或等于预设的第二阈值的情况下,将火焰识别模型作为该目标识别模型。
示例地,在夜晚光线较差的情况下,若摄像头采集的图像中出现火焰,火焰的颜色明显不同于黑暗的图像背景颜色,此时识别火焰的难度较小,而在夜晚由于森林中植物的蒸腾作用会出现大量的水雾,干扰对森林中是否出现烟雾的识别,增大识别烟雾的难度。因此,当图像的亮度小于或等于第二阈值时,选择火焰识别模型作为目标识别模型,通过识别图像中是否出现火焰确定森林中是否出现火灾。
在步骤1023中,在该图像的亮度小于该第一阈值且大于该第二阈值的情况下,将该烟雾识别模型和该火焰识别模型作为该目标识别模型。
示例地,上述第一阈值大于第二阈值,因此,若该图像的亮度介于该第一阈值和该第二阈值之间,表示森林中的光线介于明亮和黑暗之间,处于一种昏暗的状态,此时不论是对火焰的识别还是对烟雾的识别都存在一定难度,因此需要将火焰识别模型和烟雾识别模型同时作为目标识别模型,通过识别图像中是否出现烟雾或火焰确定是否出现火灾事件。
图3是根据图2示出的一种向量生成方法的流程图,如图3所示,该步骤101包括:
在步骤1011中,获取图像对应的色彩空间图像、二值化图像和灰度图像。
示例地,在获取图像特征以生成图像的特征向量时,应分别提取将摄像头采集的图像进行一系列处理后得到的色彩空间图像、二值化图像和灰度图像的特征向量,以提高图像识别时的准确性。摄像头在目标区域内采集到的未经处理的原始图像即为该色彩空间图像,通过预设的图像预处理方法(例如,中值滤波法)对该色彩空间图像进行图像去噪后,将该预处理后的图像进行灰度转换,以获取该灰度图像,以及,确定该图像中包含运动目标后,将运动目标作为目标物体,将图像中不包含运动目标的部分作为背景,进行二值化转换,以获取该二值化图像。
需要说明的是,为了降低图像中的噪声干扰,以及降低计算时的数据处理量,通常情况下,在执行步骤101中确定摄像采集的目标区域中是否包含运动目标时,通过检测该灰度图像中是否包含运动目标时的检测结果,确定该摄像头采集的图像中是否包含运动目标。
在步骤1012中,提取该色彩空间图像的第一图像特征信息。
在步骤1013中,提取该二值化图像的第二图像特征信息。
在步骤1014中,提取该灰度图像的第三图像特征信息。
在步骤1015中,根据该第一图像特征信息、该第二图像特征信息和该第三图像特征信息,生成特征向量。
示例地,该色彩空间图像的第一图像特征包括基于HIS(Hue&Saturationh&Intensity,色调、色饱和度和亮度)色彩空间的三阶颜色矩特征,该二值化图像的第二图像特征信息包括圆形度特征和面积增长率特征,该灰度图像的第三图像特征信息包括灰度共生矩阵的能量、熵、逆差矩阵等,通过预设的特征向量生成规则生成与上述第一图像特征、第二图像特征和第三图像特征对应的特征向量。
图4是根据图1示出的一种异常事件监控方法的流程图,如图4所示,该目标识别模型为分类模型,该步骤103包括:
在步骤1031中,将特征向量作为目标识别模型的输入,以获取该目标识别模型输出的分类结果。
在步骤1032中,根据该分类结果确定目标区域是否出现异常物体。
示例地,该目标识别模型可以为支持向量机等分类模型,通常情况下,同时对摄像头采集到的多帧连续的图像进行分类处理,即通过上述步骤101-102提取每一帧图像的特征向量后,将每一帧图像的特征向量作为该支持向量机的输入,该支持向量机将对出现异常物体的图像和未出现异常物体的图像进行分类,并输出分类结果。根据该支持向量机输出的分类结果,确定目标区域中是否出现烟雾、火焰等异常物体。
在步骤1033中,若确定该目标区域出现该异常物体,确定该目标区域出现异常事件。
示例地,如上述步骤1032中所述,当同时对多帧连续的图像进行分类处理时,若分类模型输出的分类结果中包含异常物体的图像的图像帧顺序是连续的,并且图像帧数大于预设帧数阈值,即可确定该目标区域中出现异常事件。例如,检测到连续的多帧图像中出现火焰,即可确定该图像所对应的目标区域中出现了火灾事件。
图5是根据图1示出的另一种异常事件监控方法的流程图,如图5所示,在步骤103之后,该方法还包括:
在步骤104中,在确定该目标区域出现异常事件后,确定该异常物体在该目标区域中所处的目标位置。
在步骤105中,获取该目标位置的温度,作为该异常物体的目标温度。
在步骤106中,输出包含该目标温度和该目标位置的报警信息。
示例地,用于执行该事件监控方法的处理器分别与摄像头和温度检测单元连接,该温度检测单元(通常为红外线扫描单元)获取该目标区域内所有位置处的温度。当确定目标区域中异常物体所处的目标位置之后,通过该温度检测单元获取该目标位置处的温度,并将该温度看作是异常物体的目标温度。如此,确定该目标区域内出现异常事件并输出该异常事件的报警信息时,该报警信息中还包含了出现该异常事件的异常位置和该异常位置处的目标温度,以使用户接收到该报警信息时,能够通过该目标温度判断该异常事件的严重程度,以及通过该目标位置及时采取应对该异常事件的处理措施。
另外,该温度检测单元还可以单独用于检测该目标区域中是否出现异常事件。例如,设置一个较大的数值(例如:300℃)作为温度阈值,只要该温度检测单元检测到目标区域内第一位置处的温度超过该温度阈值时,不管该目标区域的图像中是否出现异常物质,立刻发出报警信息,该报警信息中显示第一位置信息和该第一位置处的温度。或者,该温度检测单元检测到该目标区域内的第二位置处的温度大于室外温度时(例如,室外温度为20℃,该温度检测单元检测到该第二位置处的温度为37℃),结合异常事件监控模型中的动物识别模型对该第二位置处的图像识别的结果,若确定该第二位置处有人或者动物经过,则不发出报警信息,若该第二位置处没有人或动物经过,则证明第二位置处的温度属于异常现象,输出包含第二位置信息和第二位置处的温度的报警信息。
综上所述,本公开的实施例所提供的技术方案,能够在摄像头采集到的目标区域的图像中包含运动目标,根据该图像的图像特征信息生成该图像对应的特征向量;根据该图像的亮度从预先训练好的多个异常事件监控模型中确定目标识别模型;根据该特征向量以及该目标识别模型,确定该目标区域是否出现异常事件。能够根据图像自身的特性选择识别图像中的异常事件所需的模型,以在不同的时间通过不同的模型对该异常事件进行识别,提高对异常事件监控的准确性和灵活性。
图6是根据一示例性实施例示出的一种异常事件监控装置的框图,如图6所示,该装置600可以包括:
向量生成模块610,用于若摄像头采集到的目标区域的图像中包含运动目标,根据该图像的图像特征信息生成该图像对应的特征向量;
模型确定模块620,用于根据该图像的亮度从预先训练好的多个异常事件监控模型中确定目标识别模型;
异常事件监控模块630,用于根据该特征向量以及该目标识别模型,确定该目标区域是否出现异常事件,该异常事件为火灾事件,该多个异常事件监控模型包括:烟雾识别模型和火焰识别模型。
可选的,模型确定模块620,用于:
在该图像的亮度大于或等于预设的第一阈值的情况下,将该烟雾识别模型作为该目标识别模型;
在该图像的亮度小于或等于预设的第二阈值的情况下,将该火焰识别模型作为该目标识别模型;或者,
在该图像的亮度小于该第一阈值且大于该第二阈值的情况下,将该烟雾识别模型和该火焰识别模型作为该目标识别模型。
可选的,该向量生成模块610,用于:
获取该图像对应的色彩空间图像、二值化图像和灰度图像;
提取该色彩空间图像的第一图像特征信息;
提取该二值化图像的第二图像特征信息;
提取该灰度图像的第三图像特征信息;
根据该第一图像特征信息、该第二图像特征信息和该第三图像特征信息,生成该特征向量。
可选的,该目标识别模型为分类模型,该异常事件监控模块630,用于:
将该特征向量作为该目标识别模型的输入,以获取该目标识别模型输出的分类结果;
根据该分类结果确定该目标区域是否出现该异常物体;
若确定该目标区域出现该异常物体,确定该目标区域出现该异常事件。
图7是根据图6示出的另一种异常事件监控装置的框图,如图7所示,该装置600还包括:
位置确定模块640,用于在确定该目标区域出现异常事件后,确定该异常物体在该目标区域中所处的目标位置;
温度确定模块650,用于获取该目标位置的温度,作为该异常物体的目标温度;
报警输出模块660,用于输出包含该目标温度和该目标位置的报警信息。
综上所述,本公开的实施例所提供的技术方案,能够在摄像头采集到的目标区域的图像中包含运动目标,根据该图像的图像特征信息生成该图像对应的特征向量;根据该图像的亮度从预先训练好的多个异常事件监控模型中确定目标识别模型;根据该特征向量以及该目标识别模型,确定该目标区域是否出现异常事件。能够根据图像自身的特性选择识别图像中的异常事件所需的模型,以在不同的时间通过不同的模型对该异常事件进行识别,提高对异常事件监控的准确性和灵活性。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图8是根据一示例性实施例示出的一种电子设备800的框图。例如,电子设备800可以被提供为一服务器。参照图8,电子设备800包括处理器822,其数量可以为一个或多个,以及存储器832,用于存储可由处理器822执行的计算机程序。存储器832中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理器822可以被配置为执行该计算机程序,以执行上述的异常事件监控方法。
另外,电子设备800还可以包括电源组件826和通信组件850,该电源组件826可以被配置为执行电子设备800的电源管理,该通信组件850可以被配置为实现电子设备800的通信,例如,有线或无线通信。此外,该电子设备800还可以包括输入/输出(I/O)接口858。电子设备800可以操作基于存储在存储器832的操作***,例如Windows ServerTM,Mac OSXTM,UnixTM,LinuxTM等等。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的异常事件监控方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器832,上述程序指令可由电子设备800的处理器822执行以完成上述的异常事件监控方法。
以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,本领域技术人员在考虑说明书及实践本公开后,容易想到本公开的其它实施方案,均属于本公开的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。同时本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。本公开并不局限于上面已经描述出的精确结构,本公开的范围仅由所附的权利要求来限制。
Claims (12)
1.一种异常事件监控方法,其特征在于,所述方法包括:
若摄像头采集到的目标区域的图像中包含运动目标,根据所述图像的图像特征信息生成所述图像对应的特征向量;
根据所述图像的亮度从预先训练好的多个异常事件监控模型中确定目标识别模型;
根据所述特征向量以及所述目标识别模型,确定所述目标区域是否出现异常事件,所述异常事件为火灾事件,所述多个异常事件监控模型包括:烟雾识别模型和火焰识别模型。
2.根据权利要求1所述的方法,其特征在于,所述根据所述图像的亮度信息从多个预先训练的多个火灾识别模型中确定目标识别模型,包括:
在所述图像的亮度大于或等于预设的第一阈值的情况下,将所述烟雾识别模型作为所述目标识别模型;
在所述图像的亮度小于或等于预设的第二阈值的情况下,将所述火焰识别模型作为所述目标识别模型;或者,
在所述图像的亮度小于所述第一阈值且大于所述第二阈值的情况下,将所述烟雾识别模型和所述火焰识别模型作为所述目标识别模型。
3.根据权利要求2所述的方法,其特征在于,所述若摄像头采集到的目标区域的图像中包含运动目标,根据所述图像的图像特征信息生成所述图像对应的特征向量,包括:
获取所述图像对应的色彩空间图像、二值化图像和灰度图像;
提取所述色彩空间图像的第一图像特征信息;
提取所述二值化图像的第二图像特征信息;
提取所述灰度图像的第三图像特征信息;
根据所述第一图像特征信息、所述第二图像特征信息和所述第三图像特征信息,生成所述特征向量。
4.根据权利要求2所述的方法,其特征在于,所述目标识别模型为分类模型,所述根据所述特征向量以及所述目标识别模型,确定所述目标区域是否出现异常事件,包括:
将所述特征向量作为所述目标识别模型的输入,以获取所述目标识别模型输出的分类结果;
根据所述分类结果确定所述目标区域是否出现所述异常物体;
若确定所述目标区域出现所述异常物体,确定所述目标区域出现所述异常事件。
5.根据权利要求2所述的方法,其特征在于,所述方法还包括:
在确定所述目标区域出现异常事件后,确定所述异常物体在所述目标区域中所处的目标位置;
获取所述目标位置的温度,作为所述异常物体的目标温度;
输出包含所述目标温度和所述目标位置的报警信息。
6.一种异常事件监控装置,其特征在于,所述装置包括:
向量生成模块,用于若摄像头采集到的目标区域的图像中包含运动目标,根据所述图像的图像特征信息生成所述图像对应的特征向量;
模型确定模块,用于根据所述图像的亮度从预先训练好的多个异常事件监控模型中确定目标识别模型;
异常事件监控模块,用于根据所述特征向量以及所述目标识别模型,确定所述目标区域是否出现异常事件,所述异常事件为火灾事件,所述多个异常事件监控模型包括:烟雾识别模型和火焰识别模型。
7.根据权利要求6所述的装置,其特征在于,所述模型确定模块,用于:
在所述图像的亮度大于或等于预设的第一阈值的情况下,将所述烟雾识别模型作为所述目标识别模型;
在所述图像的亮度小于或等于预设的第二阈值的情况下,将所述火焰识别模型作为所述目标识别模型;或者,
在所述图像的亮度小于所述第一阈值且大于所述第二阈值的情况下,将所述烟雾识别模型和所述火焰识别模型作为所述目标识别模型。
8.根据权利要求7所述的装置,其特征在于,所述向量生成模块,用于:
获取所述图像对应的色彩空间图像、二值化图像和灰度图像;
提取所述色彩空间图像的第一图像特征信息;
提取所述二值化图像的第二图像特征信息;
提取所述灰度图像的第三图像特征信息;
根据所述第一图像特征信息、所述第二图像特征信息和所述第三图像特征信息,生成所述特征向量。
9.根据权利要求7所述的装置,其特征在于,所述目标识别模型为分类模型,所述异常事件监控模块,用于:
将所述特征向量作为所述目标识别模型的输入,以获取所述目标识别模型输出的分类结果;
根据所述分类结果确定所述目标区域是否出现所述异常物体;
若确定所述目标区域出现所述异常物体,确定所述目标区域出现所述异常事件。
10.根据权利要求7所述的装置,其特征在于,所述装置还包括:
位置确定模块,用于在确定所述目标区域出现异常事件后,确定所述异常物体在所述目标区域中所处的目标位置;
温度确定模块,用于获取所述目标位置的温度,作为所述异常物体的目标温度;
报警输出模块,用于输出包含所述目标温度和所述目标位置的报警信息。
11.一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,该程序被处理器执行时实现权利要求1-5中任一项所述的异常事件监控方法的步骤。
12.一种电子设备,其特征在于,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现权利要求1-5中任一项所述的异常事件监控方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911235714.XA CN111062281A (zh) | 2019-12-05 | 2019-12-05 | 异常事件监控方法、装置、存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911235714.XA CN111062281A (zh) | 2019-12-05 | 2019-12-05 | 异常事件监控方法、装置、存储介质和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111062281A true CN111062281A (zh) | 2020-04-24 |
Family
ID=70299889
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911235714.XA Pending CN111062281A (zh) | 2019-12-05 | 2019-12-05 | 异常事件监控方法、装置、存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111062281A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652184A (zh) * | 2020-06-19 | 2020-09-11 | 成都通甲优博科技有限责任公司 | 烟雾识别方法、装置、存储介质及数据处理设备 |
CN112084963A (zh) * | 2020-09-11 | 2020-12-15 | 中德(珠海)人工智能研究院有限公司 | 一种监控预警方法、***及存储介质 |
CN112200170A (zh) * | 2020-12-07 | 2021-01-08 | 北京沃东天骏信息技术有限公司 | 图像识别方法、装置、电子设备和计算机可读介质 |
CN112272288A (zh) * | 2020-10-23 | 2021-01-26 | 岭东核电有限公司 | 核电作业监控方法、装置、计算机设备和存储介质 |
CN112364715A (zh) * | 2020-10-23 | 2021-02-12 | 岭东核电有限公司 | 核电作业异常监控方法、装置、计算机设备和存储介质 |
CN114002751A (zh) * | 2021-10-26 | 2022-02-01 | 国网北京市电力公司 | 异常位置的识别方法、***以及装置 |
CN114093117A (zh) * | 2021-10-11 | 2022-02-25 | 北京精英***科技有限公司 | 消防管控方法及其装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102236947A (zh) * | 2010-04-29 | 2011-11-09 | 中国建筑科学研究院 | 基于视频摄像机的火焰监测方法与*** |
US20130279803A1 (en) * | 2010-01-15 | 2013-10-24 | Ahmet Enis Cetin | Method and system for smoke detection using nonlinear analysis of video |
CN106997461A (zh) * | 2017-03-28 | 2017-08-01 | 浙江大华技术股份有限公司 | 一种烟火检测方法及装置 |
-
2019
- 2019-12-05 CN CN201911235714.XA patent/CN111062281A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130279803A1 (en) * | 2010-01-15 | 2013-10-24 | Ahmet Enis Cetin | Method and system for smoke detection using nonlinear analysis of video |
CN102236947A (zh) * | 2010-04-29 | 2011-11-09 | 中国建筑科学研究院 | 基于视频摄像机的火焰监测方法与*** |
CN106997461A (zh) * | 2017-03-28 | 2017-08-01 | 浙江大华技术股份有限公司 | 一种烟火检测方法及装置 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652184A (zh) * | 2020-06-19 | 2020-09-11 | 成都通甲优博科技有限责任公司 | 烟雾识别方法、装置、存储介质及数据处理设备 |
CN112084963A (zh) * | 2020-09-11 | 2020-12-15 | 中德(珠海)人工智能研究院有限公司 | 一种监控预警方法、***及存储介质 |
CN112084963B (zh) * | 2020-09-11 | 2022-11-01 | 中德(珠海)人工智能研究院有限公司 | 一种监控预警方法、***及存储介质 |
CN112272288A (zh) * | 2020-10-23 | 2021-01-26 | 岭东核电有限公司 | 核电作业监控方法、装置、计算机设备和存储介质 |
CN112364715A (zh) * | 2020-10-23 | 2021-02-12 | 岭东核电有限公司 | 核电作业异常监控方法、装置、计算机设备和存储介质 |
CN112364715B (zh) * | 2020-10-23 | 2024-05-24 | 岭东核电有限公司 | 核电作业异常监控方法、装置、计算机设备和存储介质 |
CN112200170A (zh) * | 2020-12-07 | 2021-01-08 | 北京沃东天骏信息技术有限公司 | 图像识别方法、装置、电子设备和计算机可读介质 |
CN114093117A (zh) * | 2021-10-11 | 2022-02-25 | 北京精英***科技有限公司 | 消防管控方法及其装置 |
CN114093117B (zh) * | 2021-10-11 | 2023-07-25 | 北京精英***科技有限公司 | 消防管控方法及其装置 |
CN114002751A (zh) * | 2021-10-26 | 2022-02-01 | 国网北京市电力公司 | 异常位置的识别方法、***以及装置 |
CN114002751B (zh) * | 2021-10-26 | 2023-11-03 | 国网北京市电力公司 | 异常位置的识别方法、***以及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111062281A (zh) | 异常事件监控方法、装置、存储介质和电子设备 | |
US10854062B2 (en) | Fire monitoring system | |
US20220292944A9 (en) | Fire monitoring system | |
CN111339997B (zh) | 火点区域的确定方法及装置、存储介质和电子装置 | |
Krstinić et al. | Histogram-based smoke segmentation in forest fire detection system | |
CN111898581B (zh) | 动物检测方法、装置、电子设备及可读存储介质 | |
Lestari et al. | Fire hotspots detection system on CCTV videos using you only look once (YOLO) method and tiny YOLO model for high buildings evacuation | |
US20120195462A1 (en) | Flame identification method and device using image analyses in hsi color space | |
JP2019079445A (ja) | 火災監視システム | |
US20070019071A1 (en) | Smoke detection | |
JP2019079446A (ja) | 火災監視システム | |
KR102407327B1 (ko) | 화재감지장치 및 이를 포함하는 화재감지시스템 | |
CN110348390B (zh) | 一种火焰检测模型的训练方法、计算机可读介质及*** | |
CN111489342A (zh) | 一种基于视频的火焰检测方法、***及可读存储介质 | |
CN110519560B (zh) | 一种智能预警方法、装置及*** | |
CN114743341A (zh) | 基于边缘计算的消防检测报警方法和装置 | |
CN110428579B (zh) | 基于图像识别的室内监控***、方法及装置 | |
CN116543241A (zh) | 泄露气体云团的检测方法、装置、存储介质和电子设备 | |
CN111753587A (zh) | 一种倒地检测方法及装置 | |
CN113361469A (zh) | 一种覆盖状态识别方法、装置、设备及存储介质 | |
CN111582183A (zh) | 一种公共场所的口罩识别方法及*** | |
CN112580549A (zh) | 一种火点检测方法、装置及存储介质 | |
CN112347874A (zh) | 一种火灾检测方法、装置、设备及存储介质 | |
JP2014157453A (ja) | 画像処理装置、画像処理方法、および画像処理プログラム | |
CN116110045A (zh) | 一种图像标注方法及*** |
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 |