CN111145558A - 一种基于高点视频监控的违法行为识别方法 - Google Patents
一种基于高点视频监控的违法行为识别方法 Download PDFInfo
- Publication number
- CN111145558A CN111145558A CN201911380582.XA CN201911380582A CN111145558A CN 111145558 A CN111145558 A CN 111145558A CN 201911380582 A CN201911380582 A CN 201911380582A CN 111145558 A CN111145558 A CN 111145558A
- Authority
- CN
- China
- Prior art keywords
- video
- vehicle
- information
- point
- shooting
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Closed-Circuit Television Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于高点视频监控的违法行为识别方法,该基于高点视频监控的违法行为识别方法利用视频监控智能分析技术对违法采石等违法行为进行自动识别以自动分析出其中存在的违法行为,该违法行为识别方法能够在较短的时间内就能够快速地和准确地识别判断出违法行为的存在情况,此外该违法行为识别方法还能够自动留存违法行为对应的视频信息和/或图像信息,并且及时执行适应性的报警操作以对违法行为进行相应的审核处理。
Description
技术领域
本发明涉及国土资源管理的技术领域,特别涉及一种基于高点视频监控的违法行为识别方法。
背景技术
目前,在环保检测或者国土资源管理中,一般是通过对监控视频进行智能分析,以实现对违法采石等行为进行识别,而监控视频通常是通过高点监控相机拍摄获得的。目前,高点监控相机一般采用高倍变焦球相机,这种相机在远焦距的情况下能够看到比较广阔的视野区域,但是由于拍摄距离较远,在监控画面中并不能清楚地确定每一个矿山的实际情况,这就需要对相机进行变焦操作来获得关于矿山的近景视频。为了获取不同检测点的具体情况,监控相机需要在转换不同巡航点位是将相机切换到检测点对应的角度和焦距状态中并保持一段时间(比如5min),这一转换过程中在远焦处和调焦过程中是无法进行识别操作的,而只有在近焦处对应的时间段内才能进行违法行为的识别判断。为了进一步对近焦视频进行人工肉眼查看,由于近焦视频对应的检测点切换耗时较长并且检测点数量较多,这需要花费大量的人力物力进行查看,这无疑增加了对违法行为的识别成本和识别效率。
发明内容
针对现有技术存在的缺陷,本发明提供一种基于高点视频监控的违法行为识别方法,该基于高点视频监控的违法行为识别方法包括如下步骤:步骤S1,对特定型号车辆进行车型分析处理,以获得关于该特定型号车辆的车型识别模型;步骤S2,获取关于目标区域的高点监控视频,并确定该高点监控视频对应的视频拍摄切换检测点状态;步骤S3,根据该视频拍摄切换检测点状态,确定检测点对应的检测点视频图像;步骤S4,根据该车型识别模型,对该检测点视频图像进行跟踪判断处理,以识别其中存在违法行为;可见,该基于高点视频监控的违法行为识别方法利用视频监控智能分析技术对违法采石等违法行为进行自动识别以自动分析出其中存在的违法行为,该违法行为识别方法能够在较短的时间内就能够快速地和准确地识别判断出违法行为的存在情况,此外该违法行为识别方法还能够自动留存违法行为对应的视频信息和/或图像信息,并且及时执行适应性的报警操作以对违法行为进行相应的审核处理。
本发明提供一种基于高点视频监控的违法行为识别方法,其特征在于,所述基于高点视频监控的违法行为识别方法包括如下步骤:
步骤S1,对特定型号车辆进行车型分析处理,以获得关于所述特定型号车辆的车型识别模型;
步骤S2,获取关于目标区域的高点监控视频,并确定所述高点监控视频对应的视频拍摄切换检测点状态;
步骤S3,根据所述视频拍摄切换检测点状态,确定检测点对应的检测点视频图像;
步骤S4,根据所述车型识别模型,对所述检测点视频图像进行跟踪判断处理,以识别其中存在违法行为;
进一步,在所述步骤S1中,对特定型号车辆进行车型分析处理,以获得关于所述特定型号车辆的车型识别模型具体包括,
步骤S101,获取关于所述特定型号车辆的图像素材,并对所述图像素材进行解析处理,以确定所述特定型号车辆对应的素材特征信息;
步骤S102,根据所述素材特征信息,对预设车辆识别算法进行训练处理,以此获得关于所述特定型号车辆的优化识别算法;
步骤S103,通过所述优化识别算法,对所述图像素材进行学习分析处理,以获得关于所述特定型号车辆的车型识别模型;
进一步,在所述步骤S101中,获取关于所述特定型号车辆的图像素材,并对所述图像素材进行解析处理,以确定所述特定型号车辆对应的素材特征信息具体包括,
步骤S1011,获取关于预定工程车辆的图像数据集合,并对所述图像数据集合进行关于所述特定型号车辆的筛选处理,以获得关于所述特定型号车辆的待处理图像数据子集合;
步骤S1012,对所述待处理图像数据子集合中的每一条图像数据进行关于车辆色彩、车辆轮廓和车辆纹理中至少一者的解析处理,以对应获得关于所述特定型号车辆的色彩特征、轮廓特征和纹理特征中的至少一者;
步骤S1013,对所述色彩特征、轮廓特征和纹理特征中的至少一者进行数值化转换处理,以获得所述素材特征信息;
或者,
在所述步骤S102中,根据所述素材特征信息,对预设车辆识别算法进行训练处理,以此获得关于所述特定型号车辆的优化识别算法具体包括,
步骤S1021,根据所述特定型号车辆的外形结构参数,构建所述预设车辆识别算法;
步骤S1022,将所述素材特征信息输入至所述预设车辆识别算法中进行所述训练处理,并获取所述预设车辆识别算法对应的算法输出结果;
步骤S1023,根据所述算法输出结果确定所述预设车辆算法对应的实际计算误差值,若所述实际计算误差值低于预设误差阈值,则结束当前训练处理,以获得所述优化识别算法,否则,继续执行当前训练处理;
或者,
在所述步骤S103中,通过所述优化识别算法,对所述图像素材进行学习分析处理,以获得关于所述特定型号车辆的车型识别模型具体包括,
步骤S1031,通过所述优化识别算法,对所述图像素材进行关于色彩、轮廓和纹理中至少一者的识别处理,以提取关于所述图像素材的色彩、轮廓和纹理中至少一者的标定值;
步骤S1032,根据所述图像素材的色彩、轮廓和纹理中至少一者的标定值,构建关于所述特定信号车辆的所述车型识别模型;
进一步,在所述步骤S2中,获取关于目标区域的高点监控视频,并确定所述高点监控视频对应的视频拍摄切换检测点状态具体包括,
步骤S201,在预定位置布设相机云台***,并通过所述相机云台***获取关于目标区域的高点监控视频;
步骤S202,在获取所述高点监控视频的过程中,获取所述相机云台***的拍摄动作信息,对所述拍摄动作信息进行分类处理,以确定所述高点监控视频对应的所述视频拍摄切换检测点状态;
进一步,在所述步骤S201中,在预定位置布设相机云台***,并通过所述相机云台***获取关于目标区域的高点监控视频具体包括,
步骤S2011,获取关于所述目标区域的区域海拔高度信息、区域面积信息和区域植被覆盖信息中的至少一者,以此确定所述预定位置的经度、维度和高度参数;
步骤S2012,根据所述预定位置的经度、维度和高度参数,布设所述相机云台***;
步骤S2013,根据所述目标区域的区域海拔高度信息、区域面积信息和区域植被覆盖信息中的至少一者,对所述相机云台***设定相应的图像拍摄模式;
步骤S2014,根据所述图像拍摄模式的动作指令,获取关于所述目标区域的所述高点监控视频;
或者,
在步骤S202中,在获取所述高点监控视频的过程中,获取所述相机云台***的拍摄动作信息,对所述拍摄动作信息进行分类处理,以确定所述高点监控视频对应的所述视频拍摄切换检测点状态具体包括,
步骤S2021,在获取所述高点监控视频的过程中,获取所述相机云台***在预定时间段内的连续拍摄动作信息;
步骤S2022,对所述连续拍摄动作信息进行关于不同拍摄工作参数的变换分类处理,以确定所述相机云台***对应的拍摄角度和/或拍摄焦距中至少一者的变化情况;
步骤S2023,根据所述相机云台***对应的拍摄角度和/或拍摄焦距中至少一者的变化情况,对应确定拍摄角度切换检测点状态和/或拍摄焦距切换检测点状态中的至少一者,以作为所述视频拍摄检测点状态;
进一步,在所述步骤S3中,根据所述视频拍摄切换检测点状态,确定检测点对应的检测点视频图像具体包括,
步骤S301,获取所述视频拍摄切换检测点状态对应的切换时序信息,以及获取所述高点监控视频的视频时序信息;
步骤S302,将所述切换时序信息与所述视频时序信息进行时间匹配处理,以获得相应的时序匹配结果;
步骤S303,根据所述时序匹配结果,对所述高点监控视频进行图像帧提取处理,以获得所述检测点视频图像;
进一步,在所述步骤S301中,获取所述视频拍摄切换检测点状态对应的切换时序信息,以及获取所述高点监控视频的视频时序信息具体包括,
步骤S3011,对获取所述高点监控视频对应的拍摄动作中的拍摄角度变化和/或拍摄焦距变化进行标定处理,以确定拍摄角度切换检测点和/或拍摄焦距切换检测点的时间轴信息,以此生成所述切换时序信息;
步骤S3012,对所述高点监控视频进行视频刷新率解析处理,以此获取所述视频时序信息;
或者,
在所述步骤S302中,将所述切换时序信息与所述视频时序信息进行时间匹配处理,以获得相应的时序匹配结果具体包括,
步骤S3021,将所述切换时序信息和所述视频时序信息两者进行起始时刻定标处理,以确定所述两者共同的起始时刻;
步骤S3022,根据所述共同的起始时刻,对所述两者进行所述时间匹配处理,以获得所述时序匹配结果;
进一步,在所述步骤S4中,根据所述车型识别模型,对所述检测点视频图像进行跟踪判断处理,以识别其中存在违法行为具体包括,
步骤S401A,在某一检测点完成切换的情况下,触发形成识别分析指令,并根据所述识别分析指令,对所述检测点视频图像进行近景跟踪判断模式切换;
步骤S402A,通过所述车型识别模型,对所述检测点视频图像进行目标车辆的近景跟踪判断处理,以确定所述目标区域中目标车辆的存在状态;
步骤S403A,根据所述目标车辆的存在状态的确定结果,对所述目标车辆进行关于存在时长的判断处理,并根据所述判断处理的结果识别所述违法行为;
或者,
在所述步骤S4中,根据所述车型识别模型,对所述检测点视频图像进行跟踪判断处理,以识别其中存在违法行为具体包括,
步骤S401B,根据所述车型识别模型,确定所述检测点视频图像中的目标车辆;
步骤S402B,对所述目标车辆进行近景跟踪拍摄,并从所述近景跟踪拍摄的画面中提取所述目标车辆的状态数据信息A;
A=[σ1,σ2,…,σn]
其中,σ1,σ2,…,σn为所述目标车辆的状态数据信息A中的子数据信息,所述子数据信息至少包括周边环境数据信息、车辆停车状态数据信息和车辆运行状态数据信息;
步骤S403B,根据所述目标车辆的状态数据信息得到初步判断结果C
C=[τ1,τ2,…,τn]
其中,τ1,τ2,…,τn为所述初步判断结果C对应的子判断结果,并且
其中,E为单位矩阵,ωi为预设标准状态数据信息中的第i个子数据信息,为所述状态数据信息中的第i个子数据信息,i=1、2、3、…、n,n为所述状态数据信息中子数据信息的总数量;
步骤S404B,当所述初步判断结果C中存在的子数据信息判断结果τi超出预设阈值时,在预设时间间隔内获取连续的状态数据信息,分别记为初始状态数据信息和截止状态数据信息,并对获得的状态数据信息进行综合判断,以获得相应的综合判断结果
其中,δi为所述状态数据信息中第i个子数据信息的综合判断结果,λi为初始状态数据信息中的第i个子数据信息,ηi为截止状态数据信息中的第i个子数据信息,ωi为标准状态数据信息中的第i个子数据信息;
步骤S405B,根据所述综合判断结果δi与预设阈值之间的大小,来识别其中存在相应的违法行为;
进一步,在所述步骤S403A中,根据所述目标车辆的存在状态的确定结果,对所述目标车辆进行关于存在时长的判断处理,并根据所述判断处理的结果识别所述违法行为具体包括,
步骤S4031A,若所述目标车辆的存在状态的确定结果指示所述目标车辆存在于所述目标区域中,则判断所述目标车辆的静止与否状态和处于静止状态的持续时间;
步骤S4032A,若判断所述目标车辆处于静止状态并且其对应的持续时间大于1min,则确定所述目标车辆当前存在相应的违法行为;
进一步,在所述步骤S4之后,还包括步骤S5,其具体为,
若确定存在所述违法行为,则存留所述违法行为对应的视频数据和/或图片数据,或者根据所述违法行为执行适应性的警报操作。
相比于现有技术,该基于高点视频监控的违法行为识别方法利用视频监控智能分析技术对违法采石等违法行为进行自动识别以自动分析出其中存在的违法行为,该违法行为识别方法能够在较短的时间内就能够快速地和准确地识别判断出违法行为的存在情况,此外该违法行为识别方法还能够自动留存违法行为对应的视频信息和/或图像信息,并且及时执行适应性的报警操作以对违法行为进行相应的审核处理。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的一种基于高点视频监控的违法行为识别方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参阅图1,为本发明实施例提供的一种基于高点视频监控的违法行为识别方法的流程示意图。该基于高点视频监控的违法行为识别方法包括如下步骤:
步骤S1,对特定型号车辆进行车型分析处理,以获得关于该特定型号车辆的车型识别模型;
步骤S2,获取关于目标区域的高点监控视频,并确定该高点监控视频对应的视频拍摄切换检测点状态;
步骤S3,根据该视频拍摄切换检测点状态,确定检测点对应的检测点视频图像;
步骤S4,根据该车型识别模型,对该检测点视频图像进行跟踪判断处理,以识别其中存在违法行为。
优选地,在该步骤S1中,对特定型号车辆进行车型分析处理,以获得关于该特定型号车辆的车型识别模型具体包括,
步骤S101,获取关于该特定型号车辆的图像素材,并对该图像素材进行解析处理,以确定该特定型号车辆对应的素材特征信息;
步骤S102,根据该素材特征信息,对预设车辆识别算法进行训练处理,以此获得关于该特定型号车辆的优化识别算法;
步骤S103,通过该优化识别算法,对该图像素材进行学习分析处理,以获得关于该特定型号车辆的车型识别模型。
优选地,在该步骤S101中,获取关于该特定型号车辆的图像素材,并对该图像素材进行解析处理,以确定该特定型号车辆对应的素材特征信息具体包括,
步骤S1011,获取关于预定工程车辆的图像数据集合,并对该图像数据集合进行关于该特定型号车辆的筛选处理,以获得关于该特定型号车辆的待处理图像数据子集合;
步骤S1012,对该待处理图像数据子集合中的每一条图像数据进行关于车辆色彩、车辆轮廓和车辆纹理中至少一者的解析处理,以对应获得关于该特定型号车辆的色彩特征、轮廓特征和纹理特征中的至少一者;
步骤S1013,对该色彩特征、轮廓特征和纹理特征中的至少一者进行数值化转换处理,以获得该素材特征信息。
优选地,在该步骤S102中,根据该素材特征信息,对预设车辆识别算法进行训练处理,以此获得关于该特定型号车辆的优化识别算法具体包括,
步骤S1021,根据该特定型号车辆的外形结构参数,构建该预设车辆识别算法;
步骤S1022,将该素材特征信息输入至该预设车辆识别算法中进行该训练处理,并获取该预设车辆识别算法对应的算法输出结果;
步骤S1023,根据该算法输出结果确定该预设车辆算法对应的实际计算误差值,若该实际计算误差值低于预设误差阈值,则结束当前训练处理,以获得该优化识别算法,否则,继续执行当前训练处理。
优选地,在该步骤S103中,通过该优化识别算法,对该图像素材进行学习分析处理,以获得关于该特定型号车辆的车型识别模型具体包括,
步骤S1031,通过该优化识别算法,对该图像素材进行关于色彩、轮廓和纹理中至少一者的识别处理,以提取关于该图像素材的色彩、轮廓和纹理中至少一者的标定值;
步骤S1032,根据该图像素材的色彩、轮廓和纹理中至少一者的标定值,构建关于该特定信号车辆的该车型识别模型。
优选地,在该步骤S2中,获取关于目标区域的高点监控视频,并确定该高点监控视频对应的视频拍摄切换检测点状态具体包括,
步骤S201,在预定位置布设相机云台***,并通过该相机云台***获取关于目标区域的高点监控视频;
步骤S202,在获取该高点监控视频的过程中,获取该相机云台***的拍摄动作信息,对该拍摄动作信息进行分类处理,以确定该高点监控视频对应的该视频拍摄切换检测点状态。
优选地,在该步骤S201中,在预定位置布设相机云台***,并通过该相机云台***获取关于目标区域的高点监控视频具体包括,
步骤S2011,获取关于该目标区域的区域海拔高度信息、区域面积信息和区域植被覆盖信息中的至少一者,以此确定该预定位置的经度、维度和高度参数;
步骤S2012,根据该预定位置的经度、维度和高度参数,布设该相机云台***;
步骤S2013,根据该目标区域的区域海拔高度信息、区域面积信息和区域植被覆盖信息中的至少一者,对该相机云台***设定相应的图像拍摄模式;
步骤S2014,根据该图像拍摄模式的动作指令,获取关于该目标区域的该高点监控视频。
优选地,在步骤S202中,在获取该高点监控视频的过程中,获取该相机云台***的拍摄动作信息,对该拍摄动作信息进行分类处理,以确定该高点监控视频对应的该视频拍摄切换检测点状态具体包括,
步骤S2021,在获取该高点监控视频的过程中,获取该相机云台***在预定时间段内的连续拍摄动作信息;
步骤S2022,对该连续拍摄动作信息进行关于不同拍摄工作参数的变换分类处理,以确定该相机云台***对应的拍摄角度和/或拍摄焦距中至少一者的变化情况;
步骤S2023,根据该相机云台***对应的拍摄角度和/或拍摄焦距中至少一者的变化情况,对应确定拍摄角度切换检测点状态和/或拍摄焦距切换检测点状态中的至少一者,以作为该视频拍摄检测点状态。
优选地,在该步骤S3中,根据该视频拍摄切换检测点状态,确定检测点对应的检测点视频图像具体包括,
步骤S301,获取该视频拍摄切换检测点状态对应的切换时序信息,以及获取该高点监控视频的视频时序信息;
步骤S302,将该切换时序信息与该视频时序信息进行时间匹配处理,以获得相应的时序匹配结果;
步骤S303,根据该时序匹配结果,对该高点监控视频进行图像帧提取处理,以获得该检测点视频图像。
优选地,在该步骤S301中,获取该视频拍摄切换检测点状态对应的切换时序信息,以及获取该高点监控视频的视频时序信息具体包括,
步骤S3011,对获取该高点监控视频对应的拍摄动作中的拍摄角度变化和/或拍摄焦距变化进行标定处理,以确定拍摄角度切换检测点和/或拍摄焦距切换检测点的时间轴信息,以此生成该切换时序信息;
步骤S3012,对该高点监控视频进行视频刷新率解析处理,以此获取该视频时序信息。
优选地,在该步骤S302中,将该切换时序信息与该视频时序信息进行时间匹配处理,以获得相应的时序匹配结果具体包括,
步骤S3021,将该切换时序信息和该视频时序信息两者进行起始时刻定标处理,以确定该两者共同的起始时刻;
步骤S3022,根据该共同的起始时刻,对该两者进行该时间匹配处理,以获得该时序匹配结果。
优选地,在该步骤S4中,根据该车型识别模型,对该检测点视频图像进行跟踪判断处理,以识别其中存在违法行为具体包括,
步骤S401A,在某一检测点完成切换的情况下,触发形成识别分析指令,并根据该识别分析指令,对该检测点视频图像进行近景跟踪判断模式切换;
步骤S402A,通过该车型识别模型,对该检测点视频图像进行目标车辆的近景跟踪判断处理,以确定该目标区域中目标车辆的存在状态;
步骤S403A,根据该目标车辆的存在状态的确定结果,对该目标车辆进行关于存在时长的判断处理,并根据该判断处理的结果识别该违法行为。
优选地,在该步骤S4中,根据该车型识别模型,对该检测点视频图像进行跟踪判断处理,以识别其中存在违法行为具体包括,
步骤S401B,根据该车型识别模型,确定该检测点视频图像中的目标车辆;
步骤S402B,对该目标车辆进行近景跟踪拍摄,并从该近景跟踪拍摄的画面中提取该目标车辆的状态数据信息A;
A=[σ1,σ2,…,σn]
其中,σ1,σ2,…,σn为该目标车辆的状态数据信息A中的子数据信息,该子数据信息至少包括周边环境数据信息、车辆停车状态数据信息和车辆运行状态数据信息;
步骤S403B,根据该目标车辆的状态数据信息得到初步判断结果C
C=[τ1,τ2,…,τn]
其中,τ1,τ2,…,τn为该初步判断结果C对应的子判断结果,并且
其中,E为单位矩阵,ωi为预设标准状态数据信息中的第i个子数据信息,为该状态数据信息中的第i个子数据信息,i=1、2、3、…、n,n为该状态数据信息中子数据信息的总数量;
步骤S404B,当该初步判断结果C中存在的子数据信息判断结果τi超出预设阈值时,在预设时间间隔内获取连续的状态数据信息,分别记为初始状态数据信息和截止状态数据信息,并对获得的状态数据信息进行综合判断,以获得相应的综合判断结果
其中,δi为该状态数据信息中第i个子数据信息的综合判断结果,λi为初始状态数据信息中的第i个子数据信息,ηi为截止状态数据信息中的第i个子数据信息,ωi为标准状态数据信息中的第i个子数据信息;
步骤S405B,根据该综合判断结果δi与预设阈值之间的大小,来识别其中存在相应的违法行为;
通过上述过程能够准确地判断出目标车辆是否存在违法行为,并且还能够对目标车辆的状态数据信息进行全面的判断,从而通过对目标车辆的二次综合判断来避免误判断的情况出现。
优选地,在该步骤S403A中,根据该目标车辆的存在状态的确定结果,对该目标车辆进行关于存在时长的判断处理,并根据该判断处理的结果识别该违法行为具体包括,
步骤S4031A,若该目标车辆的存在状态的确定结果指示该目标车辆存在于该目标区域中,则判断该目标车辆的静止与否状态和处于静止状态的持续时间;
步骤S4032A,若判断该目标车辆处于静止状态并且其对应的持续时间大于1min,则确定该目标车辆当前存在相应的违法行为。
优选地,在该步骤S4之后,还包括步骤S5,其具体为,
若确定存在该违法行为,则存留该违法行为对应的视频数据和/或图片数据,或者根据该违法行为执行适应性的警报操作。
从上述实施例的内容可知,该基于高点视频监控的违法行为识别方法利用视频监控智能分析技术对违法采石等违法行为进行自动识别以自动分析出其中存在的违法行为,该违法行为识别方法能够在较短的时间内就能够快速地和准确地识别判断出违法行为的存在情况,此外该违法行为识别方法还能够自动留存违法行为对应的视频信息和/或图像信息,并且及时执行适应性的报警操作以对违法行为进行相应的审核处理。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于高点视频监控的违法行为识别方法,其特征在于,所述基于高点视频监控的违法行为识别方法包括如下步骤:
步骤S1,对特定型号车辆进行车型分析处理,以获得关于所述特定型号车辆的车型识别模型;
步骤S2,获取关于目标区域的高点监控视频,并确定所述高点监控视频对应的视频拍摄切换检测点状态;
步骤S3,根据所述视频拍摄切换检测点状态,确定检测点对应的检测点视频图像;
步骤S4,根据所述车型识别模型,对所述检测点视频图像进行跟踪判断处理,以识别其中存在违法行为。
2.如权利要求1所述的基于高点视频监控的违法行为识别方法,其特征在于:
在所述步骤S1中,对特定型号车辆进行车型分析处理,以获得关于所述特定型号车辆的车型识别模型具体包括,
步骤S101,获取关于所述特定型号车辆的图像素材,并对所述图像素材进行解析处理,以确定所述特定型号车辆对应的素材特征信息;
步骤S102,根据所述素材特征信息,对预设车辆识别算法进行训练处理,以此获得关于所述特定型号车辆的优化识别算法;
步骤S103,通过所述优化识别算法,对所述图像素材进行学习分析处理,以获得关于所述特定型号车辆的车型识别模型。
3.如权利要求2所述的基于高点视频监控的违法行为识别方法,其特征在于:
在所述步骤S101中,获取关于所述特定型号车辆的图像素材,并对所述图像素材进行解析处理,以确定所述特定型号车辆对应的素材特征信息具体包括,
步骤S1011,获取关于预定工程车辆的图像数据集合,并对所述图像数据集合进行关于所述特定型号车辆的筛选处理,以获得关于所述特定型号车辆的待处理图像数据子集合;
步骤S1012,对所述待处理图像数据子集合中的每一条图像数据进行关于车辆色彩、车辆轮廓和车辆纹理中至少一者的解析处理,以对应获得关于所述特定型号车辆的色彩特征、轮廓特征和纹理特征中的至少一者;
步骤S1013,对所述色彩特征、轮廓特征和纹理特征中的至少一者进行数值化转换处理,以获得所述素材特征信息;
或者,
在所述步骤S102中,根据所述素材特征信息,对预设车辆识别算法进行训练处理,以此获得关于所述特定型号车辆的优化识别算法具体包括,
步骤S1021,根据所述特定型号车辆的外形结构参数,构建所述预设车辆识别算法;
步骤S1022,将所述素材特征信息输入至所述预设车辆识别算法中进行所述训练处理,并获取所述预设车辆识别算法对应的算法输出结果;
步骤S1023,根据所述算法输出结果确定所述预设车辆算法对应的实际计算误差值,若所述实际计算误差值低于预设误差阈值,则结束当前训练处理,以获得所述优化识别算法,否则,继续执行当前训练处理;
或者,
在所述步骤S103中,通过所述优化识别算法,对所述图像素材进行学习分析处理,以获得关于所述特定型号车辆的车型识别模型具体包括,
步骤S1031,通过所述优化识别算法,对所述图像素材进行关于色彩、轮廓和纹理中至少一者的识别处理,以提取关于所述图像素材的色彩、轮廓和纹理中至少一者的标定值;
步骤S1032,根据所述图像素材的色彩、轮廓和纹理中至少一者的标定值,构建关于所述特定信号车辆的所述车型识别模型。
4.如权利要求1所述的基于高点视频监控的违法行为识别方法,其特征在于:
在所述步骤S2中,获取关于目标区域的高点监控视频,并确定所述高点监控视频对应的视频拍摄切换检测点状态具体包括,
步骤S201,在预定位置布设相机云台***,并通过所述相机云台***获取关于目标区域的高点监控视频;
步骤S202,在获取所述高点监控视频的过程中,获取所述相机云台***的拍摄动作信息,对所述拍摄动作信息进行分类处理,以确定所述高点监控视频对应的所述视频拍摄切换检测点状态。
5.如权利要求4所述的基于高点视频监控的违法行为识别方法,其特征在于:
在所述步骤S201中,在预定位置布设相机云台***,并通过所述相机云台***获取关于目标区域的高点监控视频具体包括,
步骤S2011,获取关于所述目标区域的区域海拔高度信息、区域面积信息和区域植被覆盖信息中的至少一者,以此确定所述预定位置的经度、维度和高度参数;
步骤S2012,根据所述预定位置的经度、维度和高度参数,布设所述相机云台***;
步骤S2013,根据所述目标区域的区域海拔高度信息、区域面积信息和区域植被覆盖信息中的至少一者,对所述相机云台***设定相应的图像拍摄模式;
步骤S2014,根据所述图像拍摄模式的动作指令,获取关于所述目标区域的所述高点监控视频;
或者,
在步骤S202中,在获取所述高点监控视频的过程中,获取所述相机云台***的拍摄动作信息,对所述拍摄动作信息进行分类处理,以确定所述高点监控视频对应的所述视频拍摄切换检测点状态具体包括,
步骤S2021,在获取所述高点监控视频的过程中,获取所述相机云台***在预定时间段内的连续拍摄动作信息;
步骤S2022,对所述连续拍摄动作信息进行关于不同拍摄工作参数的变换分类处理,以确定所述相机云台***对应的拍摄角度和/或拍摄焦距中至少一者的变化情况;
步骤S2023,根据所述相机云台***对应的拍摄角度和/或拍摄焦距中至少一者的变化情况,对应确定拍摄角度切换检测点状态和/或拍摄焦距切换检测点状态中的至少一者,以作为所述视频拍摄检测点状态。
6.如权利要求1所述的基于高点视频监控的违法行为识别方法,其特征在于:
在所述步骤S3中,根据所述视频拍摄切换检测点状态,确定检测点对应的检测点视频图像具体包括,
步骤S301,获取所述视频拍摄切换检测点状态对应的切换时序信息,以及获取所述高点监控视频的视频时序信息;
步骤S302,将所述切换时序信息与所述视频时序信息进行时间匹配处理,以获得相应的时序匹配结果;
步骤S303,根据所述时序匹配结果,对所述高点监控视频进行图像帧提取处理,以获得所述检测点视频图像。
7.如权利要求6所述的基于高点视频监控的违法行为识别方法,其特征在于:
在所述步骤S301中,获取所述视频拍摄切换检测点状态对应的切换时序信息,以及获取所述高点监控视频的视频时序信息具体包括,
步骤S3011,对获取所述高点监控视频对应的拍摄动作中的拍摄角度变化和/或拍摄焦距变化进行标定处理,以确定拍摄角度切换检测点和/或拍摄焦距切换检测点的时间轴信息,以此生成所述切换时序信息;
步骤S3012,对所述高点监控视频进行视频刷新率解析处理,以此获取所述视频时序信息;
或者,
在所述步骤S302中,将所述切换时序信息与所述视频时序信息进行时间匹配处理,以获得相应的时序匹配结果具体包括,
步骤S3021,将所述切换时序信息和所述视频时序信息两者进行起始时刻定标处理,以确定所述两者共同的起始时刻;
步骤S3022,根据所述共同的起始时刻,对所述两者进行所述时间匹配处理,以获得所述时序匹配结果。
8.如权利要求1所述的基于高点视频监控的违法行为识别方法,其特征在于:
在所述步骤S4中,根据所述车型识别模型,对所述检测点视频图像进行跟踪判断处理,以识别其中存在违法行为具体包括,
步骤S401A,在某一检测点完成切换的情况下,触发形成识别分析指令,并根据所述识别分析指令,对所述检测点视频图像进行近景跟踪判断模式切换;
步骤S402A,通过所述车型识别模型,对所述检测点视频图像进行目标车辆的近景跟踪判断处理,以确定所述目标区域中目标车辆的存在状态;
步骤S403A,根据所述目标车辆的存在状态的确定结果,对所述目标车辆进行关于存在时长的判断处理,并根据所述判断处理的结果识别所述违法行为;
或者,
在所述步骤S4中,根据所述车型识别模型,对所述检测点视频图像进行跟踪判断处理,以识别其中存在违法行为具体包括,
步骤S401B,根据所述车型识别模型,确定所述检测点视频图像中的目标车辆;
步骤S402B,对所述目标车辆进行近景跟踪拍摄,并从所述近景跟踪拍摄的画面中提取所述目标车辆的状态数据信息A;
A=[σ1,σ2,…,σn]
其中,σ1,σ2,…,σn为所述目标车辆的状态数据信息A中的子数据信息,所述子数据信息至少包括周边环境数据信息、车辆停车状态数据信息和车辆运行状态数据信息;
步骤S403B,根据所述目标车辆的状态数据信息得到初步判断结果C
C=[τ1,τ2,…,τn]
其中,τ1,τ2,…,τn为所述初步判断结果C对应的子判断结果,并且
其中,E为单位矩阵,ωi为预设标准状态数据信息中的第i个子数据信息,为所述状态数据信息中的第i个子数据信息,i=1、2、3、…、n,n为所述状态数据信息中子数据信息的总数量;
步骤S404B,当所述初步判断结果C中存在的子数据信息判断结果τi超出预设阈值时,在预设时间间隔内获取连续的状态数据信息,分别记为初始状态数据信息和截止状态数据信息,并对获得的状态数据信息进行综合判断,以获得相应的综合判断结果
其中,δi为所述状态数据信息中第i个子数据信息的综合判断结果,λi为初始状态数据信息中的第i个子数据信息,ηi为截止状态数据信息中的第i个子数据信息,ωi为标准状态数据信息中的第i个子数据信息;
步骤S405B,根据所述综合判断结果δi与预设阈值之间的大小,来识别其中存在相应的违法行为。
9.如权利要求8所述的基于高点视频监控的违法行为识别方法,其特征在于:
在所述步骤S403A中,根据所述目标车辆的存在状态的确定结果,对所述目标车辆进行关于存在时长的判断处理,并根据所述判断处理的结果识别所述违法行为具体包括,
步骤S4031A,若所述目标车辆的存在状态的确定结果指示所述目标车辆存在于所述目标区域中,则判断所述目标车辆的静止与否状态和处于静止状态的持续时间;
步骤S4032A,若判断所述目标车辆处于静止状态并且其对应的持续时间大于1min,则确定所述目标车辆当前存在相应的违法行为。
10.如权利要求1所述的基于高点视频监控的违法行为识别方法,其特征在于:
在所述步骤S4之后,还包括步骤S5,其具体为,
若确定存在所述违法行为,则存留所述违法行为对应的视频数据和/或图片数据,或者根据所述违法行为执行适应性的警报操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911380582.XA CN111145558B (zh) | 2019-12-27 | 2019-12-27 | 一种基于高点视频监控的违法行为识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911380582.XA CN111145558B (zh) | 2019-12-27 | 2019-12-27 | 一种基于高点视频监控的违法行为识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111145558A true CN111145558A (zh) | 2020-05-12 |
CN111145558B CN111145558B (zh) | 2021-04-06 |
Family
ID=70521126
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911380582.XA Active CN111145558B (zh) | 2019-12-27 | 2019-12-27 | 一种基于高点视频监控的违法行为识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111145558B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04328979A (ja) * | 1991-04-26 | 1992-11-17 | Fujitsu General Ltd | 動き適応型内挿回路 |
CN101576926A (zh) * | 2009-06-04 | 2009-11-11 | 浙江大学 | 一种基于地理信息***的监控视频检索方法 |
CN101751782A (zh) * | 2009-12-30 | 2010-06-23 | 北京大学深圳研究生院 | 一种基于多源信息融合的十字路***通事件自动检测*** |
CN101789177A (zh) * | 2010-02-05 | 2010-07-28 | 南京航空航天大学 | 越、压黄线的车辆检测跟踪和车辆信息抓拍装置及其方法 |
CN102291569A (zh) * | 2011-07-27 | 2011-12-21 | 上海交通大学 | 双摄像机自动协同多目标鹰眼观测***及其观测方法 |
CN103824452A (zh) * | 2013-11-22 | 2014-05-28 | 银江股份有限公司 | 一种轻量级的基于全景视觉的违章停车检测装置 |
CN104639916A (zh) * | 2015-03-04 | 2015-05-20 | 合肥巨清信息科技有限公司 | 一种大场景多目标跟踪拍摄视频监控***及其监控方法 |
CN107767673A (zh) * | 2017-11-16 | 2018-03-06 | 智慧互通科技有限公司 | 一种基于多摄像机的路侧停车管理方法、装置及*** |
GB2562018A (en) * | 2016-09-15 | 2018-11-07 | Vivacity Labs Ltd | A method and system for analyzing the movement of bodies in a traffic system |
CN109409337A (zh) * | 2018-11-30 | 2019-03-01 | 公安部交通管理科学研究所 | 基于卷积神经网络的渣土车特征识别方法 |
-
2019
- 2019-12-27 CN CN201911380582.XA patent/CN111145558B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04328979A (ja) * | 1991-04-26 | 1992-11-17 | Fujitsu General Ltd | 動き適応型内挿回路 |
CN101576926A (zh) * | 2009-06-04 | 2009-11-11 | 浙江大学 | 一种基于地理信息***的监控视频检索方法 |
CN101751782A (zh) * | 2009-12-30 | 2010-06-23 | 北京大学深圳研究生院 | 一种基于多源信息融合的十字路***通事件自动检测*** |
CN101789177A (zh) * | 2010-02-05 | 2010-07-28 | 南京航空航天大学 | 越、压黄线的车辆检测跟踪和车辆信息抓拍装置及其方法 |
CN102291569A (zh) * | 2011-07-27 | 2011-12-21 | 上海交通大学 | 双摄像机自动协同多目标鹰眼观测***及其观测方法 |
CN103824452A (zh) * | 2013-11-22 | 2014-05-28 | 银江股份有限公司 | 一种轻量级的基于全景视觉的违章停车检测装置 |
CN104639916A (zh) * | 2015-03-04 | 2015-05-20 | 合肥巨清信息科技有限公司 | 一种大场景多目标跟踪拍摄视频监控***及其监控方法 |
GB2562018A (en) * | 2016-09-15 | 2018-11-07 | Vivacity Labs Ltd | A method and system for analyzing the movement of bodies in a traffic system |
AU2017328113A1 (en) * | 2016-09-15 | 2019-03-07 | Vivacity Labs Limited | A method and system for analyzing the movement of bodies in a traffic system |
CN107767673A (zh) * | 2017-11-16 | 2018-03-06 | 智慧互通科技有限公司 | 一种基于多摄像机的路侧停车管理方法、装置及*** |
CN109409337A (zh) * | 2018-11-30 | 2019-03-01 | 公安部交通管理科学研究所 | 基于卷积神经网络的渣土车特征识别方法 |
Non-Patent Citations (1)
Title |
---|
赵明艳: "基于深度学习的危化品车辆识别", 《中国优秀硕士学位论文全文数据库社会科学Ⅱ辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111145558B (zh) | 2021-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110784628B (zh) | 图像数据的采集处理方法、***及智能摄像头、服务器 | |
CN109325429B (zh) | 一种关联特征数据的方法、装置、存储介质及终端 | |
CN108319926A (zh) | 一种工地现场的安全帽佩戴检测***及检测方法 | |
CN112183166B (zh) | 确定训练样本的方法、装置和电子设备 | |
WO2022227490A1 (zh) | 行为识别方法、装置、设备、存储介质、计算机程序及程序产品 | |
CN110796052A (zh) | 车牌识别方法、装置、设备及可读介质 | |
CN111161206A (zh) | 一种图像抓拍方法、监控相机及监控*** | |
CN110751675B (zh) | 基于图像识别的城市宠物活动轨迹监测方法及相关设备 | |
CN105844659A (zh) | 运动部件的跟踪方法和装置 | |
CN111523362A (zh) | 一种基于电子围网的数据分析方法、装置及电子设备 | |
CN111047088A (zh) | 预测图像获取方法、装置、计算机设备和存储介质 | |
CN111652128B (zh) | 一种高空电力作业安全监测方法、***和存储装置 | |
CN108156406A (zh) | 行车记录仪的信息处理方法和装置 | |
CN111191507A (zh) | 智慧社区的安全预警分析方法及*** | |
CN112164227A (zh) | 违停车辆告警方法、装置、计算机设备和存储介质 | |
CN112686186A (zh) | 一种基于深度学习的高空抛物识别方法及其相关组件 | |
CN114943923B (zh) | 基于深度学习的视频识别炮弹***火光烟雾方法及*** | |
US20190340745A1 (en) | Image analysis device, image analysis method and image analysis program | |
CN111145558B (zh) | 一种基于高点视频监控的违法行为识别方法 | |
CN114973326A (zh) | 跌倒预警方法、装置、设备及可读存储介质 | |
CN113837138B (zh) | 一种着装监控方法、***、介质及电子终端 | |
CN113438286B (zh) | 信息推送方法及装置、电子设备和存储介质 | |
CN111553408B (zh) | 视频识别软件自动测试的方法 | |
CN114550049A (zh) | 行为识别方法、装置、设备及存储介质 | |
CN114119531A (zh) | 应用于校园智慧平台的火灾检测方法、装置及计算机设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |