CN112052821B - 消防通道安全检测方法、装置、设备及存储介质 - Google Patents

消防通道安全检测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112052821B
CN112052821B CN202010970417.6A CN202010970417A CN112052821B CN 112052821 B CN112052821 B CN 112052821B CN 202010970417 A CN202010970417 A CN 202010970417A CN 112052821 B CN112052821 B CN 112052821B
Authority
CN
China
Prior art keywords
fire
picture
fighting
channel
detected
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
Application number
CN202010970417.6A
Other languages
English (en)
Other versions
CN112052821A (zh
Inventor
张子扬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Visual Intelligence Innovation Center Co ltd
Original Assignee
Zhejiang Smart Video Security Innovation Center Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Smart Video Security Innovation Center Co Ltd filed Critical Zhejiang Smart Video Security Innovation Center Co Ltd
Priority to CN202010970417.6A priority Critical patent/CN112052821B/zh
Publication of CN112052821A publication Critical patent/CN112052821A/zh
Application granted granted Critical
Publication of CN112052821B publication Critical patent/CN112052821B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B20/00—Energy efficient lighting technologies, e.g. halogen lamps or gas discharge lamps
    • Y02B20/40—Control techniques providing energy savings, e.g. smart controller or presence detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Alarm Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种消防通道安全检测方法，包括：获取待检测的消防通道图片和基准图片；将所述待检测的消防通道图片和基准图片输入预先训练的忽略光照变化的特征提取模型，得到待检测图片特征和基准图片特征；根据所述待检测图片特征和所述基准图片特征的相似度检测消防通道中是否有障碍物。本发明公开的消防通道安全检测方法，通过预先训练一个忽略光照变化的特征提取模型，提取待检测图片特征和消防通道安全情况下的基准图片特征，基于特征相似度确定消防通道中是否有障碍物，排除了光照变化引起的干扰，大大提高了检测的准确度。

Description

消防通道安全检测方法、装置、设备及存储介质
技术领域
本发明涉及计算机视觉技术领域，特别涉及一种消防通道安全检测方法、装置、设备及存储介质。
背景技术
消防通道是指在各种险情发生时，用于消防人员实施营救和被困人员疏散的通道，任何单位和个人不得占用、堵塞、封闭消防通道。但是由于消防通道通常缺乏管理，导致各种垃圾，物品以及车辆等障碍物常常出现在消防通道中，堵塞消防通道，当险情发生时，将对人们的生命财产带来巨大危害。因此，对消防通道的障碍物进行检测就显得尤为重要。
现有技术中，主要依靠人工检查，即指派专门的工作人员定期到特定的消防通道进行检查，此种方法虽然简单易行，不需要依靠任何设备，但是增加了工作人员的负担，而且不能及时发现消防通道中出现的安全隐患，无法达到实时检测、自动检测的目的。
发明内容
本公开实施例提供了一种消防通道安全检测方法、装置、设备及存储介质。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
第一方面，本公开实施例提供了一种消防通道安全检测方法，包括：
获取待检测的消防通道图片和基准图片；
将待检测的消防通道图片和基准图片输入预先训练的忽略光照变化的特征提取模型，得到待检测图片特征和基准图片特征；
根据待检测图片特征和基准图片特征的相似度检测消防通道中是否存在障碍物。
可选地，根据待检测图片特征和基准图片特征的相似度检测消防通道中是否存在障碍物，包括：
计算待检测图片特征和基准图片特征之间的余弦相似度；
当余弦相似度小于等于预设相似度阈值时，确定消防通道中存在障碍物。
可选地，确定消防通道中有障碍物之后，还包括：
计算连续存在障碍物的消防通道图片数量，当数量大于等于预设数量阈值时，输出报警信息。
可选地，将待检测的消防通道图片和基准图片输入预先训练的忽略光照变化的特征提取模型之前，还包括：
构建不同光照条件下的消防通道场景数据集；
基于数据集训练忽略光照变化的特征提取模型。
可选地，构建不同光照条件下的消防通道场景数据集，包括：
通过3D建模软件构建多个3D消防通道场景模型；
在模型的时间轴中设置关键帧和随时间变化的环境光；
每个3D模型选择多个摄像机视角，导出每个摄像机视角下具有不同光照条件的视频帧；
在相同摄像机视角中的消防通道里增加障碍物，再次导出视频帧；
将导出的视频帧作为训练数据集。
可选地，忽略光照变化的特征提取模型为基于深度学习的卷积神经网络模型。
第二方面，本公开实施例提供了一种消防通道安全检测装置，包括：
获取模块，用于获取待检测的消防通道图片和基准图片；
特征提取模块，用于将待检测的消防通道图片和基准图片输入预先训练的忽略光照变化的特征提取模型，得到待检测图片特征和基准图片特征；
检测模块，用于根据待检测图片特征和基准图片特征的相似度检测消防通道中是否存在障碍物。
可选地，检测模块包括：
计算单元，用于计算待检测图片特征和基准图片特征之间的余弦相似度；
确定单元，用于当余弦相似度小于等于预设相似度阈值时，确定消防通道中存在障碍物。
第三方面，本公开实施例提供了一种消防通道安全检测设备，包括处理器和存储有程序指令的存储器，处理器被配置为在执行程序指令时，执行上述实施例提供的消防通道安全检测方法。
第四方面，本公开实施例提供了一种计算机可读介质，其上存储有计算机可读指令，计算机可读指令可被处理器执行以实现上述实施例提供的一种消防通道安全检测方法。
本公开实施例提供的技术方案可以包括以下有益效果：
本公开实施例提供的消防通道安全检测方法，首先预先训练一个忽略光照变化的特征提取模型，然后提取待检测图片特征和消防通道安全情况下的基准图片特征，基于特征相似度检测消防通道中是否存在障碍物，该特征提取模型专注于图片特征提取，忽略光照变化的影响，排除了光照变化引起的干扰，大大提高了检测的准确度，可以实时自动检测消防通道的安全性。
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是根据一示例性实施例示出的一种消防通道安全检测方法的流程示意图；
图2是根据一示例性实施例示出的一种消防通道安全检测方法的流程示意图；
图3是根据一示例性实施例示出的一种不同场景状态的示意图；
图4是根据一示例性实施例示出的一种消防通道安全检测装置的结构示意图；
图5是根据一示例性实施例示出的一种消防通道安全检测设备的结构示意图；
图6是根据一示例性实施例示出的一种计算机存储介质的示意图。
具体实施方式
为了能够更加详尽地了解本公开实施例的特点与技术内容，下面结合附图对本公开实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本公开实施例。在以下的技术描述中，为方便解释起见，通过多个细节以提供对所披露实施例的充分理解。然而，在没有这些细节的情况下，一个或一个以上实施例仍然可以实施。在其它情况下，为简化附图，熟知的结构和装置可以简化展示。
本公开实施例基于深度学习的方法，训练了一种可以忽略光照变化的特征提取模型，避免了传统方法在复杂光照环境中容易出现的问题，实现在更加复杂多变的光照环境中比较图片内容的变化。能够在一定程度上提高消防通道安全检测的准确率，增加对特殊应用场景的支持。
下面将结合附图1-附图6，对本申请实施例提供的消防通道安全检测方法、装置、设备及存储介质进行详细介绍。
参见图1，该方法具体包括以下步骤；
S101、获取待检测的消防通道图片和基准图片。
消防通道是指在各种险情发生时，用于消防人员实施营救和被困人员疏散的通道，检测消防通道是否安全畅通对于保障人民群众的生命财产安全具有重大意义。首先，获取待检测的消防通道图片和基准图片，在一些可选地实施方式中，在需要检测的消防通道口和消防通道中架设摄像头，通过摄像头采集待检测的消防通道图片和基准图片，其中，待检测的消防通道图片是实时采集的，基准图片可以预先采集并保存下来。
其中，基准图片是消防通道在安全畅通情况下的场景图片，例如，基准图片包括消防通道畅通情况下的场景图片，包括室外消防通道畅通情况下的场景图片。
S102、将待检测的消防通道图片和基准图片输入预先训练的忽略光照变化的特征提取模型，得到待检测图片特征和基准图片特征。
该步骤通过深度学习的方式，训练了一个能够输出忽略光照的图像特征提取模型，具体地，首先构建模型训练所用的数据集，数据集的构建方法采用3D建模的方式生成，在同一个消防通道场景内调整不同的环境光，得到一系列通畅的样本，同时在消防通道内加入障碍物，得到不同光照条件下堵塞的样本。如图3所示，场景状态1和场景状态2之间差了一个纸箱，但是都位于不同的光照条件下。
具体的制作方法包括，首先通过3D建模软件构建多个不同种类的3D消防通道场景模型，例如通过Blender建模软件构建3D场景模型，本领域技术人员也可采用其他建模软件，本公开实施例不做具体限定。
然后在模型的时间轴中设置关键帧和随时间变化的环境光，以便得到不同光照条件下的样本。其中，对每一个选定的3D模型可以选择多个摄像机视角，对每个摄像机视角，导出这个视角下的具有不同光照条件的视频帧，然后在相同摄像机视角中的消防通道里增加障碍物，再次导出视频帧，得到不同光照条件下堵塞的样本，将导出的视频帧作为训练数据集，通过不断选择不同的3D模型、不同的摄像机视角以及加入不同的障碍物，就可以得到充足的训练数据，训练数据包括不同光照条件下的消防通道安全通畅的样本，还包括不同光照条件下的消防通道有障碍物的样本。
对得到的训练数据进行增强，例如加入高斯噪声，通过加入噪声数据，提升模型的鲁棒性，也可以对该训练数据进行翻转、平移等，增加训练的数据量，提高模型的泛化能力。
根据得到的训练数据，训练一个忽略光照变化的特征提取模型，该特征提取模型可以为基于深度学习的卷积神经网络模型，例如采用ResNet50卷积神经网络模型。
假设消防通道场景可以分为通畅和堵塞两种，网络的优化目标就是令同一个场景的相同状态的图片特征距离接近，同时使得相同场景不同状态之间的图片特征距离尽可能的远，因此，损失函数定义为：
L＝max(d(a,p)-d(a,n)+margin,0)
它的输入是一个三元组<a,p,n>，其中a为锚样本，p代表与a同类的样本，n代表与a不同类的样本，d()是距离函数,网络的优化目标是拉近a,p的距离，拉远a,n的距离。
例如，当a为通畅的消防通道样本图片，则p为同场景下不同光照条件的通畅的消防通道样本图片，n为同场景下有障碍物堵塞的消防通道样本图片。
将待检测的消防通道图片和基准图片输入预先训练的忽略光照变化的特征提取模型，得到待检测图片特征和基准图片特征。
fN＝CNN(XF,W*)
fS＝CNN(Xs,W*)
其中，CNN(.)表示训练好的忽略光照变化的特征提取模型，W*是网络经过训练得到的最终参数，XF是待检测的消防通道图片，XS是基准图片，fN是提取的待检测图片的特征，fS是基准图片特征。
该步骤训练了一种对光照不敏感的特征提取模型，实现在更加复杂多变的光照环境中提取图片特征。
S103、根据待检测图片特征和基准图片特征的相似度检测消防通道中是否存在障碍物。
具体地，计算待检测图片特征和基准图片特征之间的相似度，本公开实施例计算的是余弦相似度，本领域技术人员还可以计算其他相似度。当计算出来的余弦相似度小于等于预设相似度阈值时，说明待检测图片的特征和基准图片的特征差异较大，确定消防通道中存在障碍物。当余弦相似度大于预设相似度阈值时，说明待检测图片的特征和基准图片的特征比较相似，确定消防通道通畅。具体的相似度阈值本领域技术人员可自行设定。
其中，相似度的计算公式，包括：
Figure BDA0002683829070000061
当计算出来的特征相似度小于等于预设相似度阈值时，确定此时检测的消防通道图片中有障碍物，但是该图片中的障碍物可能是暂时出现的，例如，有行人经过，此时***不会马上发出报警信息，还需检测该障碍物是否一直停留在消防通道中。因此，还需计算连续存在障碍物的消防通道图片数量，若连续有预设数量张图片中都存在障碍物，则确定消防通道中可能出现了持续停留的障碍物，消防通道可能会发生拥堵，此时***输出报警信息，提示相关工作人员消防通道中出现了障碍物。
在一些可选地实施方式中，将报警信息发送到上位机，上位机可为相关工作人员值班室的个人计算机，也可为相关工作人员的手机，相关工作人员接收到报警信息后，可及时前往现场排除障碍物。
通过该步骤，可以实时的自动检测消防通道中的障碍物，并发出报警信息，降低了工作人员的工作量。
为了便于理解本申请实施例提供的消防通道安全检测方法，下面结合附图2进行说明。
如图2所示，该方法包括：
S201获取待检测的消防通道图片和基准图片，其中，基准图片为消防通道安全通畅情况下的场景图片。
S202构建不同光照条件下的消防通道场景数据集。
S203基于数据集训练忽略光照变化的特征提取模型。
S204将待检测的消防通道图片和基准图片输入预先训练的忽略光照变化的特征提取模型，得到待检测图片特征和基准图片特征。
S205计算待检测图片特征和基准图片特征之间的余弦相似度。
S206判断余弦相似度是否小于等于预设相似度阈值，当小于等于预设相似度阈值时，执行步骤S207，确定待检测消防通道图片中存在障碍物，当大于预设相似度阈值时，执行步骤S201，获取待检测的消防通道图片和基准图片。
S207确定待检测消防通道图片中存在障碍物。
S208计算连续存在障碍物的消防通道图片数量。
S209判断连续存在障碍物的消防通道图片数量是否大于等于预设数量阈值，当大于等于预设数量阈值时，执行步骤S210，输出报警信息，当小于预设相似度阈值时，执行步骤S201，获取待检测的消防通道图片和基准图片。
S210输出报警信息。
本公开实施例提供的消防通道检测方法，根据预先训练的忽略光照变化的特征提取模型，提取待检测图片特征和消防通道安全情况下的基准图片特征，基于特征相似度判断消防通道中是否存在障碍物，该特征提取模型专注于图片特征提取，忽略光照变化的影响，排除了光照变化引起的干扰，大大提高了检测的准确度，可以实时检测、自动检测消防通道的安全性，还可以及时发出报警信息。
第二方面，本公开实施例还提供一种消防通道安全检测装置，该装置用于执行上述实施例的消防通道安全检测方法，如图4所示，该装置包括：
获取模块401，用于获取待检测的消防通道图片和基准图片；
特征提取模块402，用于将待检测的消防通道图片和基准图片输入预先训练的忽略光照变化的特征提取模型，得到待检测图片特征和基准图片特征；
检测模块403，用于根据待检测图片特征和基准图片特征的相似度检测消防通道中是否存在障碍物。
可选地，检测模块403包括：
计算单元，用于计算待检测图片特征和基准图片特征之间的余弦相似度；
确定单元，用于当余弦相似度小于等于预设相似度阈值时，确定消防通道中存在障碍物。
需要说明的是，上述实施例提供的消防通道安全检测装置在执行消防通道安全检测方法时，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，上述实施例提供的消防通道安全检测装置与消防通道安全检测方法实施例属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。
第三方面，本公开实施例还提供一种与前述实施例所提供的消防通道安全检测方法对应的电子设备，以执行上述消防通道安全检测方法。
请参考图5，其示出了本申请的一些实施例所提供的一种电子设备的示意图。如图5所示，电子设备包括：处理器500，存储器501，总线502和通信接口503，处理器500、通信接口503和存储器501通过总线502连接；存储器501中存储有可在处理器500上运行的计算机程序，处理器500运行计算机程序时执行本申请前述任一实施例所提供的消防通道安全检测方法。
其中，存储器501可能包含高速随机存取存储器(RAM：Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口503(可以是有线或者无线)实现该***网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。
总线502可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。其中，存储器501用于存储程序，处理器500在接收到执行指令后，执行程序，前述本申请实施例任一实施方式揭示的消防通道安全检测方法可以应用于处理器500中，或者由处理器500实现。
处理器500可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器500中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器500可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器501，处理器500读取存储器501中的信息，结合其硬件完成上述方法的步骤。
本申请实施例提供的电子设备与本申请实施例提供的消防通道安全检测方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。
第四方面，本申请实施例还提供一种与前述实施例所提供的消防通道安全检测方法对应的计算机可读存储介质，请参考图6，其示出的计算机可读存储介质为光盘600，其上存储有计算机程序(即程序产品)，计算机程序在被处理器运行时，会执行前述任意实施例所提供的消防通道安全检测方法。
需要说明的是，计算机可读存储介质的例子还可以包括，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)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的消防通道安全检测方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (8)

1.一种消防通道安全检测方法，其特征在于，包括：
获取待检测的消防通道图片和基准图片；
构建不同光照条件下的消防通道场景数据集，包括：通过3D建模软件构建多个3D消防通道场景模型；在所述模型的时间轴中设置关键帧和随时间变化的环境光；每个3D模型选择多个摄像机视角，导出每个摄像机视角下具有不同光照条件的视频帧；在相同摄像机视角中的消防通道里增加障碍物，再次导出视频帧；将导出的视频帧作为训练数据集；基于所述数据集训练忽略光照变化的特征提取模型；
其中，损失函数如下公式所示：
L＝max(d(a,p)-d(a,n)+margin,0)
它的输入是一个三元组<a,p,n>，其中a为锚样本，p代表与a同类的样本，n代表与a不同类的样本，当a为通畅的消防通道样本图片时，则p为同场景下不同光照条件的通畅的消防通道样本图片，n为同场景下有障碍物堵塞的消防通道样本图片，d()是距离函数,网络的优化目标是拉近a,p的距离，拉远a,n的距离；
将所述待检测的消防通道图片和基准图片输入预先训练的忽略光照变化的特征提取模型，得到待检测图片特征和基准图片特征；
根据所述待检测图片特征和所述基准图片特征的相似度检测消防通道中是否存在障碍物。
2.根据权利要求1所述的方法，其特征在于，所述根据所述待检测图片特征和所述基准图片特征的相似度检测消防通道中是否存在障碍物，包括：
计算所述待检测图片特征和所述基准图片特征之间的余弦相似度；
当所述余弦相似度小于等于预设相似度阈值时，确定所述消防通道中存在障碍物。
3.根据权利要求2所述的方法，其特征在于，确定所述消防通道中存在障碍物之后，还包括：
计算连续存在障碍物的消防通道图片数量，当所述数量大于等于预设数量阈值时，输出报警信息。
4.根据权利要求1所述的方法，其特征在于，所述忽略光照变化的特征提取模型为基于深度学习的卷积神经网络模型。
5.一种消防通道安全检测装置，其特征在于，包括：
获取模块，用于获取待检测的消防通道图片和基准图片；
模型训练模块，用于构建不同光照条件下的消防通道场景数据集，包括：通过3D建模软件构建多个3D消防通道场景模型；在所述模型的时间轴中设置关键帧和随时间变化的环境光；每个3D模型选择多个摄像机视角，导出每个摄像机视角下具有不同光照条件的视频帧；在相同摄像机视角中的消防通道里增加障碍物，再次导出视频帧；将导出的视频帧作为训练数据集；基于所述数据集训练忽略光照变化的特征提取模型；
其中，损失函数如下公式所示：
L＝max(d(a,p)-d(a,n)+margin,0)
它的输入是一个三元组<a,p,n>，其中a为锚样本，p代表与a同类的样本，n代表与a不同类的样本，当a为通畅的消防通道样本图片时，则p为同场景下不同光照条件的通畅的消防通道样本图片，n为同场景下有障碍物堵塞的消防通道样本图片，d()是距离函数,网络的优化目标是拉近a,p的距离，拉远a,n的距离；
特征提取模块，用于将所述待检测的消防通道图片和基准图片输入预先训练的忽略光照变化的特征提取模型，得到待检测图片特征和基准图片特征；
检测模块，用于根据所述待检测图片特征和所述基准图片特征的相似度检测消防通道中是否存在障碍物。
6.根据权利要求5所述的装置，其特征在于，所述检测模块包括：
计算单元，用于计算所述待检测图片特征和所述基准图片特征之间的余弦相似度；
确定单元，用于当所述余弦相似度小于等于预设相似度阈值时，确定所述消防通道中存在障碍物。
7.一种消防通道安全检测设备，其特征在于，包括处理器和存储有程序指令的存储器，其特征在于，所述处理器被配置为在执行所述程序指令时，执行如权利要求1至4任一项所述的消防通道安全检测方法。
8.一种计算机可读介质，其特征在于，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现如权利要求1至4任一项所述的一种消防通道安全检测方法。
CN202010970417.6A 2020-09-15 2020-09-15 消防通道安全检测方法、装置、设备及存储介质 Active CN112052821B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010970417.6A CN112052821B (zh) 2020-09-15 2020-09-15 消防通道安全检测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010970417.6A CN112052821B (zh) 2020-09-15 2020-09-15 消防通道安全检测方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN112052821A CN112052821A (zh) 2020-12-08
CN112052821B true CN112052821B (zh) 2023-07-07

Family

ID=73604262

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010970417.6A Active CN112052821B (zh) 2020-09-15 2020-09-15 消防通道安全检测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112052821B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112668423B (zh) * 2020-12-18 2024-05-28 平安科技（深圳）有限公司 楼道杂物检测方法、装置、终端设备及存储介质
CN112966545A (zh) * 2020-12-31 2021-06-15 杭州拓深科技有限公司 基于平均哈希的消防通道占用监测方法、装置、电子装置和存储介质
CN112989930A (zh) * 2021-02-04 2021-06-18 西安美格智联软件科技有限公司 一种自动监测消防通道堵塞的方法、***、介质、终端
CN113033367A (zh) * 2021-03-18 2021-06-25 山东渤聚通云计算有限公司 基于消防现场的监测方法、装置以及电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103366374A (zh) * 2013-07-12 2013-10-23 重庆大学 基于图像匹配的消防通道障碍物检测方法
CN104463253A (zh) * 2015-01-06 2015-03-25 电子科技大学 基于自适应背景学习的消防通道安全检测方法
CN108009528A (zh) * 2017-12-26 2018-05-08 广州广电运通金融电子股份有限公司 基于Triplet Loss的人脸认证方法、装置、计算机设备和存储介质
CN109190446A (zh) * 2018-07-06 2019-01-11 西北工业大学 基于三元组聚焦损失函数的行人再识别方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109241896B (zh) * 2018-08-28 2022-08-23 腾讯数码（天津）有限公司 一种通道安全检测方法、装置及电子设备
US11126870B2 (en) * 2018-10-18 2021-09-21 Cartica Ai Ltd. Method and system for obstacle detection
CN110399856B (zh) * 2019-07-31 2021-09-14 上海商汤临港智能科技有限公司 特征提取网络训练方法、图像处理方法、装置及其设备
CN110443196A (zh) * 2019-08-05 2019-11-12 上海天诚比集科技有限公司 基于ssim算法的消防占道检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103366374A (zh) * 2013-07-12 2013-10-23 重庆大学 基于图像匹配的消防通道障碍物检测方法
CN104463253A (zh) * 2015-01-06 2015-03-25 电子科技大学 基于自适应背景学习的消防通道安全检测方法
CN108009528A (zh) * 2017-12-26 2018-05-08 广州广电运通金融电子股份有限公司 基于Triplet Loss的人脸认证方法、装置、计算机设备和存储介质
WO2019128367A1 (zh) * 2017-12-26 2019-07-04 广州广电运通金融电子股份有限公司 基于Triplet Loss的人脸认证方法、装置、计算机设备和存储介质
CN109190446A (zh) * 2018-07-06 2019-01-11 西北工业大学 基于三元组聚焦损失函数的行人再识别方法

Also Published As

Publication number Publication date
CN112052821A (zh) 2020-12-08

Similar Documents

Publication Publication Date Title
CN112052821B (zh) 消防通道安全检测方法、装置、设备及存储介质
US20190294881A1 (en) Behavior recognition
WO2020098506A1 (zh) 路口状态检测方法、装置、电子设备及车辆
US11508157B2 (en) Device and method of objective identification and driving assistance device
WO2013101460A2 (en) Clustering-based object classification
CN107122743B (zh) 安防监控方法、装置和电子设备
KR20190046351A (ko) 침입 탐지방법 및 그 장치
CN111160187B (zh) 一种遗留物体检测的方法、装置及***
CN111914656A (zh) 一种人员行为检测方法、装置、电子设备及存储介质
CN110557628A (zh) 一种检测摄像头遮挡的方法、装置及电子设备
CN112330964A (zh) 路况信息监测方法和装置
CN111914670A (zh) 一种遗留物品检测方法、装置、***及存储介质
Sefat et al. Implementation of vision based intelligent home automation and security system
JP6621092B1 (ja) 危険度判別プログラム及びシステム
CN114359618A (zh) 神经网络模型的训练方法、电子设备及计算机程序产品
CN114155470A (zh) 一种河道区域入侵检测方法、***及存储介质
CN113591758A (zh) 一种人体行为识别模型训练方法、装置及计算机设备
CN106803937B (zh) 一种具有文本日志的双摄像头视频监控方法、***和监控装置
CN111008609B (zh) 交通灯与车道的匹配方法、装置及电子设备
CN113505643A (zh) 违章目标物检测方法及相关装置
JP2021007055A (ja) 識別器学習装置、識別器学習方法およびコンピュータプログラム
CN115830562B (zh) 车道信息的确定方法、计算机设备及介质
CN112001453A (zh) 一种视频事件检测算法的准确率计算方法及装置
CN116797814A (zh) 智慧工地安全管理***
CN113903000A (zh) 一种翻墙检测方法、装置及设备

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
CP01 Change in the name or title of a patent holder

Address after: 311215 unit 1, building 1, area C, Qianjiang Century Park, ningwei street, Xiaoshan District, Hangzhou City, Zhejiang Province

Patentee after: Zhejiang Visual Intelligence Innovation Center Co.,Ltd.

Address before: 311215 unit 1, building 1, area C, Qianjiang Century Park, ningwei street, Xiaoshan District, Hangzhou City, Zhejiang Province

Patentee before: Zhejiang smart video security Innovation Center Co.,Ltd.

CP01 Change in the name or title of a patent holder
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20201208

Assignee: Institute of Information Technology, Zhejiang Peking University

Assignor: Zhejiang Visual Intelligence Innovation Center Co.,Ltd.

Contract record no.: X2024330000024

Denomination of invention: Fire safety inspection methods, devices, equipment, and storage media for fire exits

Granted publication date: 20230707

License type: Common License

Record date: 20240401

EE01 Entry into force of recordation of patent licensing contract