CN111242008B - 打架事件检测方法、相关设备及可读存储介质 - Google Patents
打架事件检测方法、相关设备及可读存储介质 Download PDFInfo
- Publication number
- CN111242008B CN111242008B CN202010026207.1A CN202010026207A CN111242008B CN 111242008 B CN111242008 B CN 111242008B CN 202010026207 A CN202010026207 A CN 202010026207A CN 111242008 B CN111242008 B CN 111242008B
- Authority
- CN
- China
- Prior art keywords
- image frame
- target object
- determining
- motion
- area
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000033001 locomotion Effects 0.000 claims abstract description 244
- 238000012544 monitoring process Methods 0.000 claims abstract description 77
- 238000001514 detection method Methods 0.000 claims abstract description 30
- 230000011218 segmentation Effects 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 21
- 230000008859 change Effects 0.000 claims description 17
- 230000001133 acceleration Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 8
- 230000006399 behavior Effects 0.000 claims description 6
- 238000010009 beating Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 244000144972 livestock Species 0.000 abstract description 17
- 238000007689 inspection Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 27
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000009395 breeding Methods 0.000 description 7
- 230000001488 breeding effect Effects 0.000 description 7
- 238000005192 partition Methods 0.000 description 6
- 238000012806 monitoring device Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 238000009432 framing Methods 0.000 description 3
- 206010011224 Cough Diseases 0.000 description 2
- 241000282887 Suidae Species 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 241000283690 Bos taurus Species 0.000 description 1
- 101100243951 Caenorhabditis elegans pie-1 gene Proteins 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 241001494479 Pecora Species 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000003975 animal breeding Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种打架事件检测方法、相关设备及可读存储介质,通过获取待检测是否发生对象打架事件的区域的监控视频,基于监控视频包含的连续图像帧,确定监控视频中包含的对象的运动状态,根据各个对象的运动状态,确定上述区域中是否发生打架事件。本申请中采用分析待测区域的监控视频实现待测区域中打架事件的检测,相对于人工巡查的方式,可以节省人力和时间,提高打架事件检测效率。基于上述方式,能够实现诸如家畜养殖场景中,家畜养殖区域的打架事件检测。
Description
技术领域
本申请涉及行为分析技术领域,更具体的说,是涉及一种打架事件检测方法、相关设备及可读存储介质。
背景技术
在一些场景中,往往出现多个对象聚集在一个区域的情况,这些情况下,多个对象之间由于各种原因会产生打架事件,目前,多采用人工巡查的方式检测打架事件,但是人工巡查的方式往往将消耗大量的人力及时间,成本高,效率低。
比如,在家畜(如猪、牛、羊等)养殖的过程中,家畜之间为了争夺地位、抢食等原因会产生打架事件,而且这种打架事件容易造成家畜受伤或死亡,家畜受伤或死亡会给养殖户造成经济损失。目前,主要是通过饲养员在家畜养殖区进行定期巡查来发现家畜之间的打架事件,并在发现之后进行干预。
因此,需要提供一种检测打架事件的方法。
发明内容
鉴于上述问题,本申请提出了一种打架事件检测方法、相关设备及可读存储介质。具体方案如下:
一种打架事件检测方法,包括:
获取待测区域的监控视频,所述待测区域为待检测是否发生对象打架事件的区域;
基于所述监控视频包含的连续图像帧,确定所述监控视频中包含的对象的运动状态;
根据各个对象的运动状态,确定所述待测区域中是否发生打架事件。
可选地,所述基于所述监控视频包含的连续图像帧,确定所述监控视频中包含的对象的运动状态,包括:
针对每个图像帧,对该图像帧进行对象实例分割,得到该图像帧的对象实例;
从所述监控视频中包含的全部对象中确定初步认定存在打架嫌疑的目标对象;
基于各个图像帧中所述目标对象对应的对象实例,确定所述目标对象的运动状态。
可选地,对任一图像帧进行对象实例分割,得到任一图像帧的对象实例,包括:
将所述图像帧输入对象实例分割模型,所述对象实例分割模型输出所述图像帧的对象实例,所述对象实例分割模型为利用标注有对象实例的训练图片训练得到。
可选地,从所述监控视频中包含的全部对象中确定初步认定存在打架嫌疑的目标对象,包括:
基于各个图像帧,确定各个图像帧的目标区域;
确定各个图像帧的所述目标区域内包含的对象实例对应的对象为目标对象。
可选地,所述基于各个图像帧中所述目标对象对应的对象实例,确定所述目标对象的运动状态,包括:
基于各个图像帧中所述目标对象对应的对象实例,确定所述目标对象在任一图像帧对应时刻的运动状态,所述目标对象在各个图像帧对应时刻的运动状态作为所述目标对象的运动状态。
可选地,确定所述目标对象在任一图像帧对应时刻的运动状态的过程,包括:
确定所述目标对象在该图像帧对应时刻的运动速度、所述目标对象在该图像帧对应时刻的加速度、所述目标对象在该图像帧对应时刻的运动区域、所述目标对象在该图像帧对应时刻的运动区域变化量、和/或、所述目标对象在该图像帧对应时刻的相连指数,为所述目标对象在该图像帧对应时刻的运动状态,所述相连指数用于指示所述目标对象与其余各目标对象的接触程度。
可选地,所述根据各个对象的运动状态,确定所述待测区域中是否发生打架事件,包括:
判断是否存在至少一个对象的运动状态与预设的打架事件对应的运动状态相匹配;
如果存在,则确定所述待测区域中发生打架事件。
可选地,确定任一目标对象在任一图像帧对应时刻的运动速度的过程,包括:
确定该图像帧中该目标对象对应的对象实例的中心点;
基于所述中心点在该图像帧中的位置,以及所述中心点在目标图像帧中的位置,计算所述中心点的运动速度,作为该目标对象在该图像帧对应时刻的运动速度,所述目标图像帧为在该图像帧之前,且与该图像帧的帧间隔为预设帧间隔的图像帧。
可选地,确定任一目标对象在任一图像帧对应时刻的运动区域变化量的过程,包括:
获取该目标对象在该图像帧对应时刻的运动区域;
基于该图像帧中对应所述运动区域的每个像素,以及目标图像帧中对应所述运动区域的每个像素,确定该目标对象在该图像帧对应时刻的运动区域变化量,所述目标图像帧为在该图像帧之前,且与该图像帧的帧间隔为预设帧间隔的图像帧。
可选地,确定任一目标对象在任一图像帧对应时刻的相连指数的过程,包括:
判断该图像帧中,对应所述目标对象的对象实例是否与其他对象实例部分重叠;
如果否,则确定所述目标对象在该图像帧对应时刻的相连指数为1;
如果是,则基于部分重叠的对象实例重叠时的第一面积,以及,未重叠时的第二面积,确定所述目标对象在该图像帧对应时刻的相连指数。
可选地,在根据各个对象的运动状态,确定所述待测区域中是否发生打架事件之后,所述方法还包括:
基于所述视频的声音,确定所述待测区域中是否发生打架事件。
可选地,所述方法还包括:
在确定待测区域中发生打架事件时,基于配置的打架事件干预措施对所述打架事件进行干预。
一种打架事件检测装置,包括:
获取单元,用于获取待测区域的监控视频,所述待测区域为待检测是否发生对象打架事件的区域;
运动状态确定单元,用于基于所述监控视频包含的连续图像帧,确定所述监控视频中包含的对象的运动状态;
打架事件确定单元,用于根据各个对象的运动状态,确定所述待测区域中是否发生打架事件。
可选地,所述运动状态确定单元,包括:
实例分割单元,用于针对每个图像帧,对该图像帧进行对象实例分割,得到该图像帧的对象实例;
目标对象确定单元,用于从所述监控视频中包含的全部对象中确定初步认定存在打架嫌疑的目标对象;
目标对象运动状态确定单元,用于基于各个图像帧中所述目标对象对应的对象实例,确定所述目标对象的运动状态。
可选地,实例分割单元,具体用于:
将所述图像帧输入对象实例分割模型,所述对象实例分割模型输出所述图像帧的对象实例,所述对象实例分割模型为利用标注有对象实例的训练图片训练得到。
可选地,目标对象确定单元,包括:
目标区域确定单元,用于基于各个图像帧,确定各个图像帧的目标区域;
目标对象确定子单元,用于确定各个图像帧的所述目标区域内包含的对象实例对应的对象为目标对象。
可选地,所述目标对象运动状态确定单元,包括:
目标对象运动状态确定子单元,用于基于各个图像帧中所述目标对象对应的对象实例,确定所述目标对象在任一图像帧对应时刻的运动状态,所述目标对象在各个图像帧对应时刻的运动状态作为所述目标对象的运动状态。
可选地,目标对象运动状态确定子单元,包括:
运动速度确定单元,用于确定所述目标对象在该图像帧对应时刻的运动速度;和/或,
加速度确定单元,用于确定所述目标对象在该图像帧对应时刻的加速度;和/或,
运动区域确定单元,用于确定所述目标对象在该图像帧对应时刻的运动区域;和/或,
运动区域变化量确定单元,用于确定所述目标对象在该图像帧对应时刻的运动区域变化量;和/或,
相连指数确定单元,用于确定所述目标对象在该图像帧对应时刻的相连指数,所述相连指数用于指示所述目标对象与其余各目标对象的接触程度。
可选地,所述打架事件确定单元,包括:
判断单元,用于判断是否存在至少一个对象的运动状态与预设的打架事件对应的运动状态相匹配;如果存在,则确定所述待测区域中发生打架事件。
可选地,运动速度确定子单元,包括:
中心点确定单元,用于确定该图像帧中该目标对象对应的对象实例的中心点;
中心点运动速度计算单元,用于基于所述中心点在该图像帧中的位置,以及所述中心点在目标图像帧中的位置,计算所述中心点的运动速度,作为该目标对象在该图像帧对应时刻的运动速度,所述目标图像帧为在该图像帧之前,且与该图像帧的帧间隔为预设帧间隔的图像帧。
可选地,运动区域变化量确定单元,包括:
运动区域获取单元,用于获取该目标对象在该图像帧对应时刻的运动区域;
运动区域变化量确定子单元,用于基于该图像帧中对应所述运动区域的每个像素,以及目标图像帧中对应所述运动区域的每个像素,确定该目标对象在该图像帧对应时刻的运动区域变化量,所述目标图像帧为在该图像帧之前,且与该图像帧的帧间隔为预设帧间隔的图像帧。
可选地,相连指数确定单元,包括:
实例重叠判断单元,用于判断该图像帧中,对应所述目标对象的对象实例是否与其他对象实例部分重叠;
第一确定单元,用于在该图像帧中,对应所述目标对象的对象实例未与其他对象实例部分重叠时,确定所述目标对象在该图像帧对应时刻的相连指数为1;
第二确定单元,用于在该图像帧中,对应所述目标对象的对象实例与其他对象实例部分重叠时,基于部分重叠的对象实例重叠时的第一面积,以及,未重叠时的第二面积,确定所述目标对象在该图像帧对应时刻的相连指数。
可选地,所述装置还包括:
声音检测单元,用于在根据各个对象的运动状态,确定所述待测区域中是否发生打架事件之后,基于所述视频的声音,确定所述待测区域中是否发生打架事件。
可选地,所述装置还包括:
干预单元,用于在确定待测区域中发生打架事件时,基于配置的打架事件干预措施对所述打架事件进行干预。
一种打架事件检测设备,包括存储器和处理器;
所述存储器,用于存储程序;
所述处理器,用于执行所述程序,实现如上所述的打架事件检测方法的各个步骤。
一种可读存储介质,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,实现如上所述的打架事件检测方法的各个步骤。
借由上述技术方案,本申请公开了一种打架事件检测方法、相关设备及可读存储介质,通过获取待检测是否发生对象打架事件的区域的监控视频,基于监控视频包含的连续图像帧,确定监控视频中包含的对象的运动状态,根据各个对象的运动状态,确定上述区域中是否发生打架事件。本申请中采用分析待测区域的监控视频实现待测区域中打架事件的检测,相对于人工巡查的方式,可以节省人力和时间,提高打架事件检测效率。基于上述方式,能够实现诸如家畜养殖场景中,家畜养殖区域的打架事件检测。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本申请的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1为本申请实施例公开的一种打架事件检测方法的流程示意图;
图2为本申请实施例公开的一种训练图片标注示意图;
图3为本申请实施例公开的一种确定目标区域的示意图;
图4为本申请实施例公开的一种确定对象实例中心点的示意图;
图5为本申请实施例公开的一种打架事件检测装置结构示意图;
图6为本申请实施例公开的打架事件检测设备的硬件结构框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请提供了一种打架事件检测的方案,该方案可以应用于监控设备中,监控设备能够对待测区域进行监控生成监控视频,并基于监控视频确定待测区域中是否发生打架事件。该方案也可应用于电子设备中,如手机、电脑、IPAD等,该电子设备能够与监控设备进行通信连接,获取待测区域的监控视频,并基于监控视频确定待测区域中是否发生打架事件。
一种可选的适用场景如,在家畜养殖区域设置监控设备,该监控设备对家畜养殖区域进行监控生成监控视频,监控设备或电子设备基于家畜养殖区域的监控视频确定家畜养殖区域中是否发生家畜打架事件。
可以理解的是,打架事件检测时,检测的速率及准确性是影响打架事件检测的重要因素,本申请即从提高检测的速率及准确性的方向,提供了一种打架事件检测的方案,接下来,通过下述实施例对本申请提供的打架事件检测方法进行介绍。
请参阅附图1,图1为本申请实施例公开的一种打架事件检测方法的流程示意图,该方法可以包括:
步骤S101:获取待测区域的监控视频,所述待测区域为待检测是否发生对象打架事件的区域。
具体的,待测区域可以为存在多个对象聚集的任一区域,比如,家畜养殖区域、火车站候车区域等,对象可以为待测区域中可能发生打架事件的个体,如家畜养殖区域中的家畜、火车站候车区域中的人等。在本申请中,在待测区域中设置有监控设备,待测区域的监控视频是由监控设备对待测区域进行监控生成的。
在本申请中,可以获取的待测区域的监控视频可以为待测区域的实时监控视频,也可以为待测区域的历史监控视频,在获取待测区域的监控视频时,可以一次获取预设时长的监控视频,预设时长可以依据不同的场景设置,对此,本申请不进行任何限定。
步骤S102:基于所述监控视频包含的连续图像帧,确定所述监控视频中包含的对象的运动状态。
在本申请中,可以基于预设每秒帧数对监控视频进行分帧处理得到监控视频包含的全部图像帧,再基于监控视频包含的全部图像帧确定监控视频包含的连续图像帧。作为一种可实施方式,本申请中监控视频包含的连续图像帧可以监控视频包含的全部图像帧,但是,基于预设每秒帧数对监控视频进行分帧处理得到监控视频包含的全部图像帧中,可能存在连续几帧差距较小的情况,因此,作为另一种可实施方式,本申请中监控视频包含的连续图像帧可以是从监控视频包含的全部图像帧中按照预设选帧间距选取的部分图像帧,从时序上来讲,不管是监控视频包含的全部图像帧,还是按照预设选帧间距选取的部分图像帧都是连续图像帧。
对象打架过程中的运动状态与非打架过程中的运动状态是有区别的,因此,在本申请中,可以基于监控视频包含的连续图像帧,确定监控视频中包含的对象的运动状态。作为一种可实施方式,可以确定监控视频中包含的每个对象的运动状态,也可以确定监控视频中包含的部分对象的运动状态,对此本申请不进行任何限定。确定监控视频中包含的部分对象的运动状态的具体方式将通过后续实施例详细说明。
步骤S103:根据各个对象的运动状态,确定所述待测区域中是否发生打架事件。
在本申请中,具体的,确定各个对象的运动状态是否为打架过程中的运动状态,如果有一个或多个对象的运动状态是打架过程中的运动状态,则确定所述待测区域中发生打架事件,如果所有对象的运动状态都不是打架过程中的运动状态,则确定所述待测区域中未发生打架事件。
本实施例公开了一种打架事件检测方法,通过获取待检测是否发生对象打架事件的区域的监控视频,基于监控视频包含的连续图像帧,确定监控视频中包含的对象的运动状态,根据各个对象的运动状态,确定上述区域中是否发生打架事件。本申请中采用分析待测区域的监控视频实现待测区域中打架事件的检测,相对于人工巡查的方式,可以节省人力和时间,提高打架事件检测效率。基于上述方式,能够实现诸如家畜养殖场景中,家畜养殖区域的打架事件检测。
在本申请的另一个实施例中,对上述步骤S102基于所述监控视频包含的连续图像帧,确定所述监控视频中包含的对象的运动状态的过程进行介绍。
一种可选的实施方式下,基于所述监控视频包含的连续图像帧,确定所述监控视频中包含的对象的运动状态的过程可以包括:
S201:针对每个图像帧,对该图像帧进行对象实例分割,得到该图像帧的对象实例。
在本申请中,对任一图像帧进行对象实例分割,得到任一图像帧的对象实例的方式可以为:将该图像帧输入对象实例分割模型,由对象实例分割模型输出该图像帧的对象实例。其中,对象实例分割模型为利用标注有对象实例的训练图片训练得到。
具体的,对象实例分割模型的网络架构可以为MaskR-CNN,可以采用待测区域的历史监控视频中的图像帧作为训练图片。训练图片中的对象实例可以基于VIA或者labelme标注工具进行标注,并对不同的对象设置相应的标签,为了提升训练的鲁棒性,还可以对训练图片中的对象实例之外的其他对象实例进行标注。为了便于理解,图2为本申请实施例公开的一种训练图片标注示意图,该训练图片为猪舍图片,其中包含三个猪只,标注的标签分别为pig_1、pig_2、pig_3。
S202:从所述监控视频中包含的全部对象中确定初步认定存在打架嫌疑的目标对象。
具体的,可以基于各个图像帧,确定各个图像帧的目标区域,确定各个图像帧的所述目标区域内包含的对象实例对应的对象为目标对象。
在对象打架时,其他对象会自动的往后退,产生空旷区域,对象群体之间一般有两种类型的空旷区域,一种是类似多边形的整块的,中间没有被空出来的区域,如图3所示的空旷区域b,另一种是类似同心圆的,有两个边界的区域,如图3所示的空旷区域a,空旷区域有外边界和内边界。图3中各个椭圆即为对象实例。
作为一种可实施方式,在本申请中,可以基于图像帧的对象实例,确定出对象实例间具有两个边界的空旷区域,并确定该空旷区域的内边界围绕的区域为目标区域。
但是,并不是每个图像帧的对象实例间都具有两个边界的空旷区域,这种情况下,则无法基于空旷区域确定目标区域,由于打架对象的剧烈运动,会使打架对象所在区域内的像素值在打架期间的变化量大于其他区域内的像素值在打架期间的变化量,因此,因此本申请还给出如下确定目标区域的实现方式,具体如下:
作为另一种可实施方式,在本申请中,可以基于预设的分区方式,将图像帧中的像素划分为不同的分区,然后,计算各分区像素值在预设时间段的变化量,最后,确定像素值变化量最大的分区即为目标区域。其中,每个分区的像素值变化量可以由该分区中各个像素的像素值变化量的和表示。
作为另一种可实施方式,在本申请中,可以计算图像帧中各像素在预设时间段的变化量,确定像素值变化量超出预设阈值的像素组成的区域为目标区域。
需要说明的是,针对不同的图像帧,可以采取上述三种实施方式中的一种或多种确定出该图像帧的目标区域。当上述三种实施方式中的多种都可实现时,可以基于确定出的多个目标区域的重合区域为最终的目标区域。
S203:基于各个图像帧中所述目标对象对应的对象实例,确定所述目标对象的运动状态。
作为一种可实施方式,本申请中可基于各个图像帧中所述目标对象对应的对象实例,确定所述目标对象在任一图像帧对应时刻的运动状态,所述目标对象在各个图像帧对应时刻的运动状态作为所述目标对象的运动状态。
对象打架过程中,能够表征对象打架过程的运动状态有多种,比如对象的运动速度、运动方向、加速度、运动区域、运动区域变化量、与其余各对象的接触程度等。
因此,在本申请中,确定所述目标对象在任一图像帧对应时刻的运动状态的过程,可以包括:确定所述目标对象在该图像帧对应时刻的运动速度、所述目标对象在该图像帧对应时刻的加速度、所述目标对象在该图像帧对应时刻的运动区域、所述目标对象在该图像帧对应时刻的运动区域变化量、和/或、所述目标对象在该图像帧对应时刻的相连指数,为所述目标对象在该图像帧对应时刻的运动状态,所述相连指数用于指示所述目标对象与其余各目标对象的接触程度。
任一目标对象在任一图像帧对应时刻的运动状态的确定方式,将通过后续实施例详细说明。
在本申请的另一个实施例中,对确定任一目标对象在任一图像帧对应时刻的运动速度的过程进行介绍。
一种可选的实施方式下,确定任一目标对象在任一图像帧对应时刻的运动速度的过程,可以包括:
S301:确定该图像帧中该目标对象对应的对象实例的中心点。
具体的,可以将该图像帧中该目标对象对应的对象实例的区域拟合成标准图形,如椭圆形、圆形、正方形、长方形、圆柱形等,该标准图形的中心点即为该图像帧中该目标对象对应的对象实例的中心点。
为便于理解,假设目标对象为猪只,则可以将图像帧中的猪只实例覆盖猪只躯干的区域边界,通过椭圆拟合函数(比如,最小二乘法)将该区域边界拟合成椭圆,然后利用椭圆的性质可以得到该椭圆的中心点位置。具体的,可以在椭圆上随机找三个点A、B、C,分别做这三个点的切线,然后得到B和C的切线与A切线的两个交点M、N,然后将这两个分别与对应的AB和AC的中点E、F相连接,则这两条连接线ME、NF的交点就是椭圆的中心点,具体如图4所示。
S302:基于所述中心点在该图像帧中的位置,以及所述中心点在目标图像帧中的位置,计算所述中心点的运动速度,作为该目标对象在该图像帧对应时刻的运动速度,所述目标图像帧为在该图像帧之前,且与该图像帧的帧间隔为预设帧间隔的图像帧。
具体的,可以基于所述中心点在该图像帧中的位置,以及所述中心点在目标图像帧中的位置,计算所述中心点在两个图像帧对应的时间区间内的位移,基于位移和时间区间即可求出该中心点的运动速度。其中所述中心点在图像帧中的位置可以通过光流法确定。
需要说明的是,可以分别计算中心点在不同方向位移,进而计算得到中心点在不同方向的运动速度向量,再将不同方向的速度向量相加,即可得到中心点的运动速度。
为便于理解,本申请给出一种计算椭圆中心点的速度的实现方式,将中心点的运动速度分为沿着x轴的运动速度向量和沿着y轴的运动速度向量,通过光流法来确定中心点的移动轨迹,进而求出中心点的两个速度向量和/>将其相加得到中心点的运动速度,该运动速度包括大小和方向。
在确定目标对象在该图像帧对应时刻的运动速度之后,即可根据目标对象在该图像帧对应时刻的运动速度以及目标对象在目标图像帧对应时刻的运动速度求得该目标对象在该图像帧对应时刻的加速度,所述目标图像帧为在该图像帧之前,且与该图像帧的帧间隔为预设帧间隔的图像帧。
在本申请的另一个实施例中,对确定任一目标对象在任一图像帧对应时刻的运动区域变化量的过程进行介绍。
一种可选的实施方式下,确定任一目标对象在任一图像帧对应时刻的运动区域变化量的过程,可以包括:
S401:获取该目标对象在该图像帧对应时刻的运动区域。
在本申请中,该目标对象在该图像帧对应时刻的运动区域,可以基于该图像帧的目标区域确定,具体可以将目标区域边界向外扩充预设数量个像素点组成新的区域,该新的区域即为该目标对象在该图像帧对应时刻的运动区域。
S402:基于该图像帧中对应所述运动区域的每个像素,以及目标图像帧中对应所述运动区域的每个像素,确定该目标对象在该图像帧对应时刻的运动区域变化量,所述目标图像帧为在该图像帧之前,且与该图像帧的帧间隔为预设帧间隔的图像帧。
在本申请中,可以基于该图像帧中对应所述运动区域的每个像素的像素值以及目标图像帧中对应所述运动区域的每个像素的像素值,计算得到该图像帧中对应所述运动区域的每个像素的变化量,然后,基于所有像素的变化量的和,计算该图像帧中对应所述运动区域的像素值平均变化量,该像素值平均变化量即为该图像帧对应时刻的运动区域变化量。
作为一种可实施方式,可以基于如下公式计算得到像素值平均变化量:
其中,A表示像素值平均变化量,i表示该图像帧中对应所述运动区域的像素的序列,N表示该图像帧中对应所述运动区域的像素的数量,xi表示像素i的变化量。
在本申请的另一个实施例中,对确定任一目标对象在任一图像帧对应时刻的相连指数的过程进行介绍。
一种可选的实施方式下,确定任一目标对象在任一图像帧对应时刻的相连指数的过程,可以包括:
S501:判断该图像帧中,对应所述目标对象的对象实例是否与其他对象实例部分重叠,如果否,则执行S502,如果是,则执行S503。
在本申请中,如果两个对象实例的边界像素有重合,则说明两个对象实例部分重叠,具体可以根据该图像帧中的对象实例信息确定。
S502:确定所述目标对象在该图像帧对应时刻的相连指数为1。
目标对象的对象实例如果与其他对象实例都不重叠,说明该图像帧对应的时刻,目标对象未与其他目标对象接触,故其相连指数为1。
S503:基于部分重叠的对象实例重叠时的第一面积,以及,未重叠时的第二面积,确定所述目标对象在该图像帧对应时刻的相连指数。
在本申请中,可以基于如下公式计算目标对象在该图像帧对应时刻的相连指数:
其中,p表示目标对象在该图像帧对应时刻的相连指数,S表示部分重叠的对象实例重叠时的第一面积,S1和S2分别表示部分重叠的对象实例在未重叠时的第二面积,该第二面积可以从其他图像帧中获取。
需要说明的是,在确定任一目标对象在任一图像帧对应时刻的运动速度、加速度、运动区域、运动区域变化量、相连指数之后,需要对其进行存储,存储方式可以如下:
在基于以上实施例,可以确定并存储每个目标对象在每个图像帧对应时刻的运动状态之后,则根据各个对象的运动状态,确定所述待测区域中是否发生打架事件,可以包括:
S601:判断是否存在至少一个对象的运动状态与预设的打架事件对应的运动状态相匹配,如果存在,则执行步骤S602,如果不存在,则执行步骤S603。
由于对象在未打架时,大多处于缓慢移动或静止的状态,而在打架时,会出现快速移动的状态,当对象快速移动时,其运动速度、加速度、运动区域变化量、相连指数都会在某个运动状态阈值之上,并且,对象打架过程中,其运动状态都会满足一定的规则,因此,在本申请中,可以预设打架事件对应的运动状态,具体可以预设打架事件对应的运动状态阈值与运动状态规则。
则判断是否存在至少一个对象的运动状态与预设的打架事件对应的运动状态相匹配,具体可以判断各个对象的运动状态是否满足预设的运动状态阈值以及运动状态规则,如果至少一个对象的运动状态满足预设的运动状态阈值以及运动状态规则,则判断存在至少一个对象的运动状态与预设的打架事件对应的运动状态相匹配。
具体可以基于存储的各个目标对象在各个图像帧对应时刻的运动速度、加速度、运动区域、运动区域变化量,和/或,相连指数判断各个对象的运动状态是否满足预设的运动状态阈值以及运动状态规则。
为便于理解,本申请以猪只打架为例,对运动状态阈值和运动状态规则的设定进行说明。
设置运动速度阈值为猪只慢走时的运动速度的两倍,猪只慢走时的运动速度可以采用上述实施例计算目标对象的运动速度的方式计算得到,此处不再赘述。
设置运动区域变化量阈值为猪只在运动区域正常活动时的像素变化量,猪只在运动区域正常活动时的像素变化量可以采用上述实施例计算目标对象的运动变化量的方式计算得到,此处不再赘述。
设置相连指数阈值为0.6至1。
设置运动状态规则如下:
猪只在预设时间段内,运动速度超出运动速度阈值,且运动速度大小在一定区间内来回变化,运动速度方向也来回变化,运动区域变化量超出运动区域变化量阈值,且某些时刻的相连指数在相连指数阈值范围内。
S602:确定所述待测区域中发生打架事件。
S603:确定所述待测区域中未发生打架事件。
基于待测区域的监控视频包含的连续图像帧,确定待测区域中是否发生打架事件,可能存在检测结果不准确的问题,为了提升检测结果准确性,本申请中提出在基于待测区域的监控视频包含的连续图像帧,确定待测区域中是否发生打架事件之后,基于所述视频的声音,确定所述待测区域中是否发生打架事件。
需要说明的是,不管基于待测区域的监控视频包含的连续图像帧,确定待测区域中是否发生打架事件的结果如何,都会再基于所述视频的声音,确定待测区域中是否发生打架事件。
在本申请的另一个实施例中,对基于所述视频的声音,确定所述待测区域中是否发生打架事件的过程进行介绍。
一种可选的实施方式下,基于所述视频的声音,确定所述待测区域中是否发生打架事件的过程,可以包括:
S701:获取所述声音的特征。
在本申请中,所述声音的特征包括MFCC(MelFrequency Cepstrum Coefficient,梅尔频率倒谱系数)、一阶MFCC、短时谱能量、声音持续时长中的任意一种或多种。
S702:将所述声音的特征输入声音识别模型,确定所述待测区域中是否发生打架事件,所述声音识别模型具备根据所述声音的特征,确定所述待测区域中是否发生打架事件的功能。
在本申请中,将所述声音的特征输入声音识别模型,确定所述待测区域中是否发生打架事件可以包括:利用所述声音识别模型,对所述声音特征进行识别,得到识别结果,所述识别结果用于指示所述声音为所述目标对象的争斗行为对应的目标声音的概率;基于预设概率阈值,以及,所述声音为所述目标对象的争斗行为对应的目标声音的概率,确定所述待测区域中是否发生打架事件。
具体的,当识别结果大于等于预设概率阈值时,确定待测区域中发生打架事件,当识别结果小于预设概率阈值时,确定待测区域中未发生打架事件。
作为一种可实施方式,声音识别模型可以包括两个识别模型,识别结果可以有两个初始识别结果,根据两个初始识别结果确定用于指示所述声音为所述目标对象的争斗行为对应的目标声音的概率的最终识别结果。
在本申请中,两个识别模型的网络结构可以分别为HMM(Hidden Markov Model,隐马尔可夫模型)和SVM(Support Vector Machine,支持向量机模型),其中,HMM模型中包含预设数量个HMM子模型,每个HMM子模型是基于一种声音类型的训练样本训练得到,SVM模型是基于标注有不同声音类型的训练样本训练得到。
下面以待测区域中对象为猪只,待识别声音类型有打架声,咳嗽声、哼哼声、采食声这四种为例,对最终识别结果的确定方式进行如下说明:
假设HMM的识别结果为:[p1,p2,p3,p4],其中,p1表示识别成猪只打架声的概率,p2表示识别成猪只咳嗽声的概率,p3表示被识别成猪只哼哼声的概率,p4表示被识别成猪只采食声的概率,并且p1+p2+p3+p4=1。
SVM的识别结果为[q1,q2,q3,q4],其中,q1表示识别成猪只打架声的概率,q2表示识别成猪只咳嗽声的概率,q3表示被识别成猪只哼哼声的概率,q4表示被识别成猪只采食声的概率,并且q1+q2+q3+q4=1。
最后,对HMM和SVM识别成猪只打架声的概率进行加权求和得到最终识别概率,如HMM占0.6的权重,SVM占0.4的权重,最终识别概率则为p1*0.6+q1*0.4,这个结果表示就是该声音是猪打架声的概率,如果概率值超过预设阈值(比如,0.75),则确定该段声音是猪打架声,进而确定待测区域中发生打架事件。
作为一种可实施方式,在本申请中,基于待测区域的监控视频包含的连续图像帧,确定待测区域中发生打架事件,和/或,基于所述视频的声音,确定待测区域中发生打架事件时,都可以基于配置的打架事件干预措施对所述打架事件进行干预。
配置的打架事件干预措施可以有多种,比如,在确定待测区域中发生打架事件时提示用户,在确定待测区域中发生打架事件时采取阻碍或避险措施,在确定待测区域中发生打架事件时改变当前环境,安抚打架对象等。
需要说明的是,在确定待测区域中发生打架事件时提示用户的方式可以有多种,比如,通过语音播报、文字显示等方式向用户提示。提示内容也可以有多种,比如,可以配置在只基于待测区域的监控视频包含的连续图像帧,确定待测区域中发生打架事件时,向用户提示如下内容:“基于*时*分至*时*分的视频图像,检测到区域**中发生打架事件,请您及时处理。”。在只基于所述视频的声音,确定待测区域中发生打架事件时,向用户提示如下内容“基于*时*分至*时*分的视频声音,检测到区域**中发生打架事件,请您及时处理。”。在既基于待测区域的监控视频包含的连续图像帧,确定待测区域中发生打架事件,且,基于所述视频的声音,确定待测区域中发生打架事件时,向用户提示如下内容“基于*时*分至*时*分的视频图像及声音,检测到区域**中发生打架事件,请您及时处理。”。
下面对本申请实施例公开的打架事件检测装置进行描述,下文描述的打架事件检测装置与上文描述的打架事件检测方法可相互对应参照。
参照图5,图5为本申请实施例公开的一种打架事件检测装置结构示意图。如图5所示,该打架事件检测装置可以包括:
获取单元11,用于获取待测区域的监控视频,所述待测区域为待检测是否发生对象打架事件的区域;
运动状态确定单元12,用于基于所述监控视频包含的连续图像帧,确定所述监控视频中包含的对象的运动状态;
打架事件确定单元13,用于根据各个对象的运动状态,确定所述待测区域中是否发生打架事件。
可选地,所述运动状态确定单元,包括:
实例分割单元,用于针对每个图像帧,对该图像帧进行对象实例分割,得到该图像帧的对象实例;
目标对象确定单元,用于从所述监控视频中包含的全部对象中确定初步认定存在打架嫌疑的目标对象;
目标对象运动状态确定单元,用于基于各个图像帧中所述目标对象对应的对象实例,确定所述目标对象的运动状态。
可选地,实例分割单元,具体用于:
将所述图像帧输入对象实例分割模型,所述对象实例分割模型输出所述图像帧的对象实例,所述对象实例分割模型为利用标注有对象实例的训练图片训练得到。
可选地,目标对象确定单元,包括:
目标区域确定单元,用于基于各个图像帧,确定各个图像帧的目标区域;
目标对象确定子单元,用于确定各个图像帧的所述目标区域内包含的对象实例对应的对象为目标对象。
可选地,所述目标对象运动状态确定单元,包括:
目标对象运动状态确定子单元,用于基于各个图像帧中所述目标对象对应的对象实例,确定所述目标对象在任一图像帧对应时刻的运动状态,所述目标对象在各个图像帧对应时刻的运动状态作为所述目标对象的运动状态。
可选地,目标对象运动状态确定子单元,包括:
运动速度确定单元,用于确定所述目标对象在该图像帧对应时刻的运动速度;和/或,
加速度确定单元,用于确定所述目标对象在该图像帧对应时刻的加速度;和/或,
运动区域确定单元,用于确定所述目标对象在该图像帧对应时刻的运动区域;和/或,
运动区域变化量确定单元,用于确定所述目标对象在该图像帧对应时刻的运动区域变化量;和/或,
相连指数确定单元,用于确定所述目标对象在该图像帧对应时刻的相连指数,所述相连指数用于指示所述目标对象与其余各目标对象的接触程度。
可选地,所述打架事件确定单元,包括:
判断单元,用于判断是否存在至少一个对象的运动状态与预设的打架事件对应的运动状态相匹配;如果存在,则确定所述待测区域中发生打架事件。
可选地,运动速度确定子单元,包括:
中心点确定单元,用于确定该图像帧中该目标对象对应的对象实例的中心点;
中心点运动速度计算单元,用于基于所述中心点在该图像帧中的位置,以及所述中心点在目标图像帧中的位置,计算所述中心点的运动速度,作为该目标对象在该图像帧对应时刻的运动速度,所述目标图像帧为在该图像帧之前,且与该图像帧的帧间隔为预设帧间隔的图像帧。
可选地,运动区域变化量确定单元,包括:
运动区域获取单元,用于获取该目标对象在该图像帧对应时刻的运动区域;
运动区域变化量确定子单元,用于基于该图像帧中对应所述运动区域的每个像素,以及目标图像帧中对应所述运动区域的每个像素,确定该目标对象在该图像帧对应时刻的运动区域变化量,所述目标图像帧为在该图像帧之前,且与该图像帧的帧间隔为预设帧间隔的图像帧。
可选地,相连指数确定单元,包括:
实例重叠判断单元,用于判断该图像帧中,对应所述目标对象的对象实例是否与其他对象实例部分重叠;
第一确定单元,用于在该图像帧中,对应所述目标对象的对象实例未与其他对象实例部分重叠时,确定所述目标对象在该图像帧对应时刻的相连指数为1;
第二确定单元,用于在该图像帧中,对应所述目标对象的对象实例与其他对象实例部分重叠时,基于部分重叠的对象实例重叠时的第一面积,以及,未重叠时的第二面积,确定所述目标对象在该图像帧对应时刻的相连指数。
可选地,所述装置还包括:
声音检测单元,用于在根据各个对象的运动状态,确定所述待测区域中是否发生打架事件之后,基于所述视频的声音,确定所述待测区域中是否发生打架事件。
可选地,所述装置还包括:
干预单元,用于在确定待测区域中发生打架事件时,基于配置的打架事件干预措施对所述打架事件进行干预。
参照图6,图6为本申请实施例公开的打架事件检测设备的硬件结构框图,参照图6,打架事件检测的硬件结构可以包括:至少一个处理器1,至少一个通信接口2,至少一个存储器3和至少一个通信总线4;
在本申请实施例中,处理器1、通信接口2、存储器3、通信总线4的数量为至少一个,且处理器1、通信接口2、存储器3通过通信总线4完成相互间的通信;
处理器1可能是一个中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路等;
存储器3可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatilememory)等,例如至少一个磁盘存储器;
其中,存储器存储有程序,处理器可调用存储器存储的程序,所述程序用于:
获取待测区域的监控视频,所述待测区域为待检测是否发生对象打架事件的区域;
基于所述监控视频包含的连续图像帧,确定所述监控视频中包含的对象的运动状态;
根据各个对象的运动状态,确定所述待测区域中是否发生打架事件。
可选的,所述程序的细化功能和扩展功能可参照上文描述。
本申请实施例还提供一种存储介质,该存储介质可存储有适于处理器执行的程序,所述程序用于:
获取待测区域的监控视频,所述待测区域为待检测是否发生对象打架事件的区域;
基于所述监控视频包含的连续图像帧,确定所述监控视频中包含的对象的运动状态;
根据各个对象的运动状态,确定所述待测区域中是否发生打架事件。
可选的,所述程序的细化功能和扩展功能可参照上文描述。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间发生任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还发生另外的相同要素。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (14)
1.一种打架事件检测方法,其特征在于,包括:
获取待测区域的监控视频,所述待测区域为待检测是否发生对象打架事件的区域;
基于所述监控视频包含的连续图像帧,确定所述监控视频中包含的对象的运动状态;所述运动状态至少包括运动速度、运动方向、加速度、运动区域中的一种;
根据各个对象的运动状态,确定所述待测区域中是否发生打架事件;
将所述监控视频的声音的特征输入两个预设的声音识别模型,得到两个初始识别结果,将所述两个初始识别结果进行加权求和,得到用于指示所述声音为目标对象的争斗行为对应的目标声音的概率的最终识别结果,以确定所述待测区域中是否发生打架事件,所述声音识别模型具备根据所述声音的特征,确定所述待测区域中是否发生打架事件的功能。
2.根据权利要求1所述的方法,其特征在于,所述基于所述监控视频包含的连续图像帧,确定所述监控视频中包含的对象的运动状态,包括:
针对每个图像帧,对该图像帧进行对象实例分割,得到该图像帧的对象实例;
从所述监控视频中包含的全部对象中确定初步认定存在打架嫌疑的目标对象;
基于各个图像帧中所述目标对象对应的对象实例,确定所述目标对象的运动状态。
3.根据权利要求2所述的方法,其特征在于,对任一图像帧进行对象实例分割,得到任一图像帧的对象实例,包括:
将所述图像帧输入对象实例分割模型,所述对象实例分割模型输出所述图像帧的对象实例,所述对象实例分割模型为利用标注有对象实例的训练图片训练得到。
4.根据权利要求2所述的方法,其特征在于,从所述监控视频中包含的全部对象中确定初步认定存在打架嫌疑的目标对象,包括:
基于各个图像帧,确定各个图像帧的目标区域;
确定各个图像帧的所述目标区域内包含的对象实例对应的对象为目标对象。
5.根据权利要求2所述的方法,其特征在于,所述基于各个图像帧中所述目标对象对应的对象实例,确定所述目标对象的运动状态,包括:
基于各个图像帧中所述目标对象对应的对象实例,确定所述目标对象在任一图像帧对应时刻的运动状态,所述目标对象在各个图像帧对应时刻的运动状态作为所述目标对象的运动状态。
6.根据权利要求5所述的方法,其特征在于,确定所述目标对象在任一图像帧对应时刻的运动状态的过程,包括:
确定所述目标对象在该图像帧对应时刻的运动速度、所述目标对象在该图像帧对应时刻的加速度、所述目标对象在该图像帧对应时刻的运动区域、所述目标对象在该图像帧对应时刻的运动区域变化量、和/或、所述目标对象在该图像帧对应时刻的相连指数,为所述目标对象在该图像帧对应时刻的运动状态,所述相连指数用于指示所述目标对象与其余各目标对象的接触程度。
7.根据权利要求1所述的方法,其特征在于,所述根据各个对象的运动状态,确定所述待测区域中是否发生打架事件,包括:
判断是否存在至少一个对象的运动状态与预设的打架事件对应的运动状态相匹配;
如果存在,则确定所述待测区域中发生打架事件。
8.根据权利要求6所述的方法,其特征在于,确定任一目标对象在任一图像帧对应时刻的运动速度的过程,包括:
确定该图像帧中该目标对象对应的对象实例的中心点;
基于所述中心点在该图像帧中的位置,以及所述中心点在目标图像帧中的位置,计算所述中心点的运动速度,作为该目标对象在该图像帧对应时刻的运动速度,所述目标图像帧为在该图像帧之前,且与该图像帧的帧间隔为预设帧间隔的图像帧。
9.根据权利要求6所述的方法,其特征在于,确定任一目标对象在任一图像帧对应时刻的运动区域变化量的过程,包括:
获取该目标对象在该图像帧对应时刻的运动区域;
基于该图像帧中对应所述运动区域的每个像素,以及目标图像帧中对应所述运动区域的每个像素,确定该目标对象在该图像帧对应时刻的运动区域变化量,所述目标图像帧为在该图像帧之前,且与该图像帧的帧间隔为预设帧间隔的图像帧。
10.根据权利要求6所述的方法,其特征在于,确定任一目标对象在任一图像帧对应时刻的相连指数的过程,包括:
判断该图像帧中,对应所述目标对象的对象实例是否与其他对象实例部分重叠;
如果否,则确定所述目标对象在该图像帧对应时刻的相连指数为1;
如果是,则基于部分重叠的对象实例重叠时的第一面积,以及,未重叠时的第二面积,确定所述目标对象在该图像帧对应时刻的相连指数。
11.根据权利要求1至10中任意一项所述的方法,其特征在于,所述方法还包括:
在确定待测区域中发生打架事件时,基于配置的打架事件干预措施对所述打架事件进行干预。
12.一种打架事件检测装置,其特征在于,包括:
获取单元,用于获取待测区域的监控视频,所述待测区域为待检测是否发生对象打架事件的区域;
运动状态确定单元,用于基于所述监控视频包含的连续图像帧,确定所述监控视频中包含的对象的运动状态;所述运动状态至少包括运动速度、运动方向、加速度、运动区域中的一种;
打架事件确定单元,用于根据各个对象的运动状态,确定所述待测区域中是否发生打架事件;
声音检测单元,用于将所述监控视频的声音的特征输入两个预设的声音识别模型,得到两个初始识别结果,将所述两个初始识别结果进行加权求和,得到用于指示所述声音为目标对象的争斗行为对应的目标声音的概率的最终识别结果,以确定所述待测区域中是否发生打架事件,所述声音识别模型具备根据所述声音的特征,确定所述待测区域中是否发生打架事件的功能。
13.一种打架事件检测设备,其特征在于,包括存储器和处理器;
所述存储器,用于存储程序;
所述处理器,用于执行所述程序,实现如权利要求1至11中任一项所述的打架事件检测方法的各个步骤。
14.一种可读存储介质,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,实现如权利要求1至11中任一项所述的打架事件检测方法的各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010026207.1A CN111242008B (zh) | 2020-01-10 | 2020-01-10 | 打架事件检测方法、相关设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010026207.1A CN111242008B (zh) | 2020-01-10 | 2020-01-10 | 打架事件检测方法、相关设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111242008A CN111242008A (zh) | 2020-06-05 |
CN111242008B true CN111242008B (zh) | 2024-04-12 |
Family
ID=70866566
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010026207.1A Active CN111242008B (zh) | 2020-01-10 | 2020-01-10 | 打架事件检测方法、相关设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111242008B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102014278A (zh) * | 2010-12-21 | 2011-04-13 | 四川大学 | 一种基于语音识别技术的智能视频监控方法 |
CN102750709A (zh) * | 2012-05-31 | 2012-10-24 | 中国科学院自动化研究所 | 利用视频检测打架行为的方法和装置 |
CN102903119A (zh) * | 2012-05-22 | 2013-01-30 | 北京国铁华晨通信信息技术有限公司 | 一种目标跟踪方法和装置 |
KR101720781B1 (ko) * | 2015-12-21 | 2017-03-28 | 고려대학교 산학협력단 | 객체에 대한 이상 행동 예측 장치 및 이를 이용한 이상 행동 예측 방법 |
WO2018153323A1 (zh) * | 2017-02-21 | 2018-08-30 | 北京市商汤科技开发有限公司 | 用于检测视频中物体的方法、装置和电子设备 |
CN109241933A (zh) * | 2018-09-21 | 2019-01-18 | 深圳市九洲电器有限公司 | 视频联动监控方法、监控服务器、视频联动监控*** |
CN110059531A (zh) * | 2018-12-19 | 2019-07-26 | 浙江宇视科技有限公司 | 基于视频图像的打架行为检测方法及装置 |
WO2019196934A1 (en) * | 2018-04-13 | 2019-10-17 | Shanghai Truthvision Information Technology Co., Ltd. | System and method for abnormal scene detection |
-
2020
- 2020-01-10 CN CN202010026207.1A patent/CN111242008B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102014278A (zh) * | 2010-12-21 | 2011-04-13 | 四川大学 | 一种基于语音识别技术的智能视频监控方法 |
CN102903119A (zh) * | 2012-05-22 | 2013-01-30 | 北京国铁华晨通信信息技术有限公司 | 一种目标跟踪方法和装置 |
CN102750709A (zh) * | 2012-05-31 | 2012-10-24 | 中国科学院自动化研究所 | 利用视频检测打架行为的方法和装置 |
KR101720781B1 (ko) * | 2015-12-21 | 2017-03-28 | 고려대학교 산학협력단 | 객체에 대한 이상 행동 예측 장치 및 이를 이용한 이상 행동 예측 방법 |
WO2018153323A1 (zh) * | 2017-02-21 | 2018-08-30 | 北京市商汤科技开发有限公司 | 用于检测视频中物体的方法、装置和电子设备 |
WO2019196934A1 (en) * | 2018-04-13 | 2019-10-17 | Shanghai Truthvision Information Technology Co., Ltd. | System and method for abnormal scene detection |
CN109241933A (zh) * | 2018-09-21 | 2019-01-18 | 深圳市九洲电器有限公司 | 视频联动监控方法、监控服务器、视频联动监控*** |
CN110059531A (zh) * | 2018-12-19 | 2019-07-26 | 浙江宇视科技有限公司 | 基于视频图像的打架行为检测方法及装置 |
Non-Patent Citations (1)
Title |
---|
吕英丽 ; 顾勇 ; 张晓峰 ; .基于HMM监控视频的异常事件检测.数据采集与处理.2014,(第06期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111242008A (zh) | 2020-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110807429B (zh) | 基于tiny-YOLOv3的施工安全检测方法及*** | |
WO2021087985A1 (zh) | 模型训练方法、装置、存储介质及电子设备 | |
CN110047095B (zh) | 基于目标检测的跟踪方法、装置及终端设备 | |
CN110837856B (zh) | 神经网络训练及目标检测方法、装置、设备和存储介质 | |
CN110674696B (zh) | 一种监控方法、装置、***、监控设备及可读存储介质 | |
US9996731B2 (en) | Human head detection in depth images | |
CN111767783A (zh) | 行为检测、模型训练方法、装置、电子设备及存储介质 | |
CN110929785B (zh) | 数据分类方法、装置、终端设备及可读存储介质 | |
CN109711389B (zh) | 一种基于Faster R-CNN和HMM的哺乳母猪姿态转换识别方法 | |
CN113743273B (zh) | 基于视频图像目标检测的实时跳绳计数方法、装置和设备 | |
CN111401238B (zh) | 一种视频中人物特写片段的检测方法及装置 | |
CN107766467B (zh) | 一种信息检测方法、装置、电子设备及存储介质 | |
CN113111767A (zh) | 一种基于深度学习3d姿态评估的跌倒检测方法 | |
CN111814846B (zh) | 属性识别模型的训练方法、识别方法及相关设备 | |
CN109284700B (zh) | 图像中多个人脸检测的方法、存储介质、设备及*** | |
CN110674680A (zh) | 活体识别的方法、装置、存储介质 | |
CN111325151A (zh) | 展示优先级的获取方法、装置、终端及计算机可读介质 | |
CN114140722A (zh) | 引体向上运动的评估方法、装置、服务器及存储介质 | |
CN110532895B (zh) | 人脸识别过程中的欺诈行为检测方法、装置及设备 | |
CN110084187B (zh) | 基于计算机视觉的位置识别方法、装置、设备及存储介质 | |
CN114882213A (zh) | 一种基于图片识别的动物体重预测估算*** | |
CN114299546A (zh) | 识别宠物身份的方法、装置、存储介质及电子设备 | |
CN111242008B (zh) | 打架事件检测方法、相关设备及可读存储介质 | |
CN112580584A (zh) | 起立行为检测方法、装置、***及存储介质 | |
CN112036269A (zh) | 跌倒检测方法、装置、计算机设备和存储介质 |
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 |