CN112270253A - 一种高空抛物的检测方法及装置 - Google Patents
一种高空抛物的检测方法及装置 Download PDFInfo
- Publication number
- CN112270253A CN112270253A CN202011159027.7A CN202011159027A CN112270253A CN 112270253 A CN112270253 A CN 112270253A CN 202011159027 A CN202011159027 A CN 202011159027A CN 112270253 A CN112270253 A CN 112270253A
- Authority
- CN
- China
- Prior art keywords
- region
- candidate
- target object
- object region
- acquiring
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 91
- 238000012544 monitoring process Methods 0.000 claims abstract description 89
- 238000000034 method Methods 0.000 claims abstract description 53
- 239000013598 vector Substances 0.000 claims abstract description 49
- 238000013528 artificial neural network Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 19
- 238000001914 filtration Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 description 28
- 238000009434 installation Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 238000012545 processing Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 238000013135 deep learning Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 235000013361 beverage Nutrition 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06V20/50—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
- 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
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种高空抛物的检测方法及装置，涉及智能安防监控技术领域，能够有效提高对高空抛物的检测准确率。该方法包括：获取楼体同一墙面的多帧监控视频帧；从所述多帧监控视频帧中，获取多个候选物体区域；获取每个候选物体区域对应的物体特征向量；根据所述物体特征向量，从所述候选物体区域中获取目标物体区域；所述目标物体区域中任两个物体区域对应的物体特征向量之间的相似度大于预设阈值；根据所述目标物体区域检测到高空抛物。
Description
技术领域
本申请涉及智能安防监控技术领域，尤其涉及一种高空抛物的检测方法及装置。
背景技术
近年来，在各个城市的社区内，高空抛物行为致人伤亡事件屡屡发生，给居民带来安全威胁。由于高空抛物行为较为特殊，实际场景干扰因素也较复杂。在现有技术中，通过移动侦测技术检测高空抛物存在误报率较高的问题。
发明内容
本申请实施例提供了一种高空抛物的检测方法及装置，能够提高高空抛物的检测准确率。
第一方面，本申请提供一种高空抛物的检测方法，包括：获取楼体同一墙面的多帧监控视频帧；从所述多帧监控视频帧中，获取多个候选物体区域；获取每个候选物体区域对应的物体特征向量；根据所述物体特征向量，从所述候选物体区域中获取目标物体区域；所述目标物体区域中任两个物体区域对应的物体特征向量之间的相似度大于预设阈值；根据所述目标物体区域检测到高空抛物。
可选地，所述获取每个候选物体区域对应的物体特征向量，包括：通过神经网络识别模型，获取所述每个候选物体区域中物体特征点对应的特征码；根据所述物体特征点对应的特征码，生成所述每个候选区域对应的物体特征向量。
可选地，所述方法还包括：通过神经网络检测模型，识别所述每个候选物体区域中的物体对象；根据所述物体对象，将所述多个候选物体区域中的第一候选物体区域进行过滤，得到过滤后的候选物体区域；所述第一候选物体区域中的物体对象属于预设的误报对象；
所述获取每个候选物体区域对应的物体特征向量，包括：获取所述过滤后的候选物体区域对应的物体特征向量；
相应地，所述根据所述物体特征向量，从所述候选物体区域中获取目标物体区域，包括：根据所述过滤后的候选物体区域对应的物体特征向量，从所述过滤后的候选物体区域中获取目标物体区域。
可选地，所述根据所述目标物体区域检测到高空抛物，包括：获取相邻两个目标物体区域之间的水平移动距离和垂直移动距离；在根据所述水平移动距离和所述垂直移动距离，确定所述目标物体区域中的物体对象满足预设的高空抛物条件的情况下，确定所述目标物体区域中的物体对象为所述高空抛物。
可选地，所述预设的高空抛物条件，包括：根据所述垂直移动距离确定所述目标物体区域中物体对象在垂直方向上为朝着地面运动，且为加速度运动；以及，根据所述水平移动距离确定所述目标物体区域中物体对象在水平方向上为远离所述墙面运动，且为减速度运动。
可选地，所述方法还包括：对所述高空抛物所在的监控视频帧中标记高空抛物标识，得到处理后的监控视频帧；根据处理后的监控视频帧生成监控标记视频。
可选地，所述方法还包括：向预警平台发送所述监控标记视频，用于所述预警平台向监控人员展示所述监控标记视频。
采用本申请实施例所述的高空抛物的检测方法，可以从同一墙面的监控视频帧中获取候选物体区域，本申请考虑到候选物体区域中可能存在不同物体对象，故针对候选物体区域进行了过滤处理得到目标物体区域，任两个目标物体区域之间物体特征的相似度较大，因此目标物体区域中的物体对象为同一对象。这样，基于目标物体区域检测高空抛物，提高了高空抛物的检测准确率，解决了现有技术中通过移动侦测技术检测高空抛物存在误报率较高的问题。
第二方面，本申请提供一种高空抛物的检测装置，包括：
获取模块，用于获取楼体同一墙面的多帧监控视频帧；
从所述多帧监控视频帧中，获取多个候选物体区域；
获取每个候选物体区域对应的物体特征向量；以及，
根据所述物体特征向量，从所述候选物体区域中获取目标物体区域；所述目标物体区域中任两个物体区域对应的物体特征向量之间的相似度大于预设阈值；
检测模块，用于根据所述目标物体区域检测到高空抛物。
第三方面，本申请提供一种高空抛物的检测设备，处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面或第一方面的任意可选方式所述的方法。
第四方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面或第一方面的任意可选方式所述的方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在高空抛物的检测设备上运行时，使得高空抛物的检测设备执行第一方面或第一方面的任意可选方式所述方法的步骤。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种高空抛物的检测方法的流程示意图；
图2是本申请实施例提供的多帧监控视频帧之间的对比示意图；
图3是本申请实施例提供的一种差分图像的示意图；
图4是本申请实施例提供的一种背景图像以及多帧监控视频帧的侦测结果之间的对比示意图；
图5是本申请实施例提供的多帧监控视频帧之间的对比示意图；
图6是本申请实施例提供的多帧监控视频帧之间的对比示意图；
图7是本申请实施例提供的另一种高空抛物的检测方法的流程示意图；
图8是本申请实施例提供的另一种高空抛物的检测方法的流程示意图；
图9是本申请实施例提供的多帧监控视频帧之间的对比示意图；
图10是本申请实施例提供的一种高空抛物的检测装置的结构示意图；
图11是本申请实施例提供的一种高空抛物的检测设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
还应当理解，在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
下面通过具体实施例，对本申请提供的高空抛物的检测方法进行示例性的说明。
请参见图1，图1是本申请提供的一种高空抛物的检测方法的示意流程图。本实施例中高空抛物的检测方法的执行主体可以为高空抛物的检测设备，该检测设备为具备摄像头的智能设备，该摄像头可以设置于检测设备的表面上，也可以与检测设备独立设置，摄像头可以与显示设备中的处理器进行通信。当然，执行主体还可以为具备数据处理能力的摄像机等等。下面实施例是以执行主体包括摄像机为例进行说明。
如图1所示，该高空抛物的检测方法可以包括：
S101，获取楼体同一墙面的多帧监控视频帧。
在本申请实施例中，摄像机采集楼体同一墙面的监控视频，并从监控视频中获取多帧监控视频帧。其中，多帧监控视频帧根据摄像机的采集先后顺序进行排序的。
可以理解的是，一个楼体的不同墙面存在差异，故，若获取一个楼体的不同墙面的监控视频帧，则不同墙面的监控视频帧中墙面部分不同，这样无法将不同墙面的监控视频帧中墙面部分作为背景图像，从而无法检测到高空抛物。基于此，本申请需要针对同一墙面进行高空抛物的检测。
还应理解，某个墙面上不存在窗户、阳台等可以进行抛物的空间，则该个墙面上不会发生高空抛物行为。基于此，本申请中的摄像机需要监控存在窗户、阳台等的墙面，即上述所述的同一墙面上存在窗户、阳台等空间。
其中，在一个实施例中，本申请可以对监控视频进行抽帧处理得到多帧监控视频帧。进一步地，本申请可以首先确定用于进行抽帧处理的帧率，然后根据确定的帧率，对监控视频进行抽帧处理得到多帧监控视频帧。示例性的，若帧率为每秒抽取10帧，则本申请可以将监控视频每秒的监控视频帧中分别抽取10帧监控视频帧。
在另一个实施例中，考虑到高空抛物的移动速度比较快，并且高空抛物距离地面越近，对应的移动速度越快。为了避免对高空抛物存在漏检，本申请可以将上述所述的帧率设置为摄像机的满帧率，这样可以将监控视频中全部监控视频帧作为本申请中的多帧监控视频帧。
还应理解，本申请应用于高空抛物的场景，故需要将摄像机安装在适当位置，以便对相应的楼体进行监控。
在一种场景中，本申请可以在距离楼体墙面一段距离处安装摄像机。例如在距离楼体墙面10m的位置处安装摄像机。
在另一种场景中，一个摄像机的视场角是有限的，若楼体墙面的尺寸(即高度和宽度)较大，故单个摄像机有可能采集不到关于整个楼体墙面的图像。这样，本申请可以针对楼体各个墙面的不同楼层范围内设置对应的摄像机。此时，多帧监控视频帧可以包括楼体同一墙面在不同楼层范围的监控视频帧。
可以理解的是，上述所述的不同楼层范围包括连续的多个楼层；且，不同楼层范围可以存在重叠的楼层，或者不存在重叠的楼层。
示例性的，一个摄像机通常可以监控8-12个楼层。若一个楼体包括32个楼层，则第一种方式为：不同楼层范围包括：1层-8层，8层-15层，15层-22层，22层-32层；第二种方式为：不同楼层范围包括：1层-8层，9层-16层，17层-24层，25层-32层。这样，对每个楼层范围设置一个摄像机进行监控。可见，对于一个32层的楼体，每个墙面需要4个摄像机覆盖。针对上述第一种方式，本申请采集到的多帧监控视频帧可以包括：1层-8层对应的监控视频帧，8层-15层对应的监控视频帧，15层-22层对应的监控视频帧，以及，22层-32层对应的监控视频帧。
其中，一个墙面的不同楼层范围对应的摄像机可以安装在同一垂直高度上，例如，若对32层的楼体进行监控，则各个摄像机安装的垂直高度可以为3m。又或者，本申请还可以根据不同楼层范围，将各个摄像机设置在不同垂直高度上，以便对各个楼层范围进行监控。
进一步地，考虑到单个墙面的宽度较大，单个摄像机可能无法完整拍摄到较宽的墙面。故本申请可以针对楼体同一墙面的同一楼层范围内设置多个摄像机；其中，墙面的宽度越大，则摄像机的数量越多；相反，墙面的宽度越小，则摄像机的数量越少。这样，可以结合具体墙面的尺寸设置数量合适的摄像机，避免墙面采集不完整等问题。
可选地，一般3楼及以下基于绿化带等影响，并不会致人伤亡。故一种实施例中，可以针对3楼及以下的楼层无需进行高空抛物的检测，而针对3层以上的墙面安装对应的摄像机进行监控。这样，通过具体的应用场景设置数量合适的摄像头，避免摄像头的冗余安装，从而减少了成本。
可选地，考虑到一个墙面的窗户、阳台等空间及附近区域处存在高空抛物，而其他区域处不存在高空抛物。故本申请中摄像机的安装位置以及视场角可以符合检测到墙面的窗户、阳台等空间及附近区域。
在另一场景中，考虑到安装摄像机可能会导致楼内用户的隐私泄露，故为了避免用户的隐私泄露，需要将摄像机的安装仰角和安装位置进行调整，以避免穿过墙面上的窗户或者阳台拍摄到室内。示例性的，安装仰角可以为45°至60°之间的角度。又或者，本申请可以将监控视频帧中的隐私区域部分进行模糊处理，得到模糊后的监控视频帧，这样，后续步骤中针对模糊后的监控视频帧，获取多个候选物体区域。
可以理解的是，若不同楼层范围的摄像机设置在同一垂直高度上，则楼层范围中最高楼层越高，则对应摄像机的安装仰角越大，相反，楼层范围中最高楼层越低，则对应摄像机的安装仰角越小。例如，不同楼层范围包括：1层-8层，8层-15层，15层-22层，22层-32层，则1层-8层对应的安装仰角为45°，8层-15层对应的安装仰角为50°，15层-22层对应的安装仰角为55°，22层-32层对应的安装仰角为63°。这样，实现了对各个楼层范围的监控。上述示例只是示例性说明，本申请对此不作特殊限制。
需要说明的是，本申请中摄像机的视场角以及调整后的焦距符合监控楼体的场景。并且摄像机的分辨率高于一定数值，这样可以检测到烟头大小的物体，避免高空抛物的漏检。
示例性的，如图2所示，示出了一种多帧监控视频帧之间的对比示意图。图2是以对楼体包括10个楼层，且对楼体某个墙面进行监控为例进行说明的。其中，图2中的(a)图示出了第一时刻采集到的监控视频帧，图2中的(b)图示出了第二时刻采集到的监控视频帧，图2中的(c)图示出了第三时刻采集到的监控视频帧，图2中的(d)图示出了第四时刻采集到的监控视频帧，且第一时刻至第四时刻的时间顺序为从前到后的顺序。
S102，从所述多帧监控视频帧中，获取多个候选物体区域。
在本申请实施例中，通过预设的移动侦测算法，从多帧监控视频帧中获取多个候选物体区域。
应理解，移动侦测算法可以包括但不限于帧差法、背景差分法等。
例如，若本申请采用帧差法，则摄像机可以将相邻两帧监控视频帧中同一像素位置的像素值进行相减，得到相邻两帧监控视频帧对应的第一差分图像；接着可以从第一差分图像中获取到第一运动区域；然后根据第一运动区域的位置信息，在相邻两帧监控视频帧中后一帧监控视频帧中标注第二运动区域，第二运动区域与第一运动区域二者中的像素为一一对应。这样，若第二运动区域中存在相邻两帧监控视频帧中前一帧监控视频帧的候选物体区域，则将第二运动区域中，前一帧监控视频帧的候选物体区域去除掉，得到相邻两帧监控视频帧中后一帧监控视频帧的候选物体区域。
其中，摄像机可以对第一差分图像进行二值化处理得到二值化图像。其中，在二值化处理过程中，若将第一差分图像中像素值小于一定阈值的像素点，设置为第一像素值；将第一差分图像中像素值大于等于一定阈值的像素点，设置为第二像素值。这样，像素值为第二像素值的像素点构成第一运动区域。
示例性的，以相邻两帧监控视频帧包括图2中的(a)图和(b)图为例进行说明。该相邻两帧监控视频帧对应的第一差分图像可以如图3所示，故第一运动区域可以包括区域2A和区域2B。这样，可以在图2中的(b)图上的同一位置处标记第二运动区域(即区域2A和区域2B)。由于图2中的(a)图包括候选物体区域2A，故需要将图2中的(b)图上的区域2A去除掉，这样，图2中的(b)图包括候选物体区域2B。
又如，若采用背景差分法，则本申请可以预先获取该楼体同一墙面的背景图像，并且将每帧监控视频帧与背景图像进行差分，得到第二差分图像。这样，在根据第二差分图像确定某帧监控视频帧中存在运动区域的情况下，可以将该帧监控视频帧中的运动区域作为候选物体区域。
示例性的，图4中的(a)图示出了一种背景图像。这样，通过图4中的(a)图所示的背景图像对图2中的各个监控视频帧进行移动侦测，获取到各个监控视频帧中的候选物体区域。其中，如图4所示，图4中的(b)图为图2中的(a)图的侦测结果，即候选物体区域包括区域2A；图4中的(c)图为图2中的(b)图的侦测结果，即候选物体区域包括区域2B；图4中的(d)图为图2中的(c)图的侦测结果，即候选物体区域包括区域2C；图4中的(e)图为图2中的(d)图的侦测结果，即候选物体区域包括区域2D。
需要说明的是，图2中的各个区域用虚线框表示，其中为了便于理解，将虚线框设置地偏大，实际中虚线框可以为物体对象占用像素的区域，或者，可以为根据物体对象的最长宽度和最长高度确定的矩形区域，本申请对此不作特殊限制。
在本申请的一种可选实施例中，考虑到多帧监控视频帧可以包括楼体同一墙面在不同楼层范围的监控视频帧。由于每个楼层范围的监控视频帧为按照采集先后顺序采集到的，故本申请可以针对每个楼层范围的监控视频帧，获取每个楼层范围的候选物体区域。这样，各个楼层范围的候选物体区域构成本申请中的多个候选物体区域。其中，该多个候选物体区域可以根据对应所属的监控视频帧的采集先后顺序进行排序。
示例性的，不同楼层范围包括：1层-8层，8层-15层，15层-22层，22层-32层，且每个楼层范围采集到不同时刻的监控视频帧。如图5所示，对于22层-32层，未检测到对应的候选物体区域；对于15层-22层，检测到对应的候选物体区域，即为t2时刻检测到的区域5A和t3时刻检测到的区域5B；对于8层-15层，检测到对应的候选物体区域，即为t4时刻检测到的区域5C和t5时刻检测到的区域5D；对于1层-8层，由于物体对象存在重力的作用，以及空气阻力的作用，故物体对象会在1层-8层进行落下，这样，在1层-8层可以检测到对应的候选物体区域(图5中未画出)。由此可见，针对该多个楼层范围，多个候选物体区域可以包括：区域5A、区域5B、区域5C以及区域5D。上述示例只是示例性说明，本申请对此不作特殊限制。
S103，获取每个候选物体区域对应的物体特征向量。
在本申请实施例中，可以通过神经网络识别模型，获取每个候选物体区域中物体特征点对应的特征码；根据物体特征点对应的特征码，生成每个候选区域对应的物体特征向量。
可选地，本申请通过神经网络识别模型，首先获取到候选物体区域中关键的物体特征点；接着以关键的物体特征点为基准，获取周围的物体特征点，依次类推，可以获取到候选物体区域中全部的物体特征点，从而获取到物体特征点对应的特征码。
可选地，本申请也可以通过神经网络识别模型，直接获取到候选物体区域中全部的物体特征点，从而获取到物体特征点对应的特征码。本申请对物体特征点的具体获取过程不作特殊限制。
示例性的，若候选物体区域中存在128个物体特征点，且每个物体特征点的特征码为4个字节，则候选物体区域可以对应存在512字节的特征码。这样，可以将512字节的特征码作为该候选物体区域的物体特征向量。
在本申请可选实施例中，通过多个摄像机预先采集高空抛物图像样本以及高空抛物图像样本对应的抛物类型标记向量。考虑到神经网络深度学习网络能够自主化地提取到图像的深层特征，故本申请可以将高空抛物图像样本输入至预设的神经网络深度学习网络中得到标签结果向量；然后根据标签结果向量和抛物类型标记向量计算误差函数；接着通过误差函数对预设的神经网络深度学习网络进行参数调整。这样，重复上述步骤对神经网络深度学习网络进行参数调整，达到模型训练的目的，从而得到上述所述的神经网络识别模型。
可以理解的是，神经网络深度学习网络中存在多个网络层，故本申请需要将神经网络深度学习网络中指定网络层输出的特征向量，作为本申请中候选物体区域对应的物体特征向量。
S104，根据所述物体特征向量，从所述候选物体区域中获取目标物体区域；所述目标物体区域中任两个物体区域对应的物体特征向量之间的相似度大于预设阈值。
可以理解的是，若一帧监控视频帧中存在一只小鸟，另一帧监控视频帧中存在一个饮料瓶，则由于这两帧监控视频帧中为不同对象，故本申请无法进一步地通过高空抛物特征确定这两帧监控视频帧中是否存在高空抛物。基于此，本申请首先需要获取到存在同一对象的目标物体区域。
进一步地，若候选物体区域中两个物体区域对应的物体特征向量之间的相似度大于预设阈值，则可以确定候选物体区域中两个物体区域包括的物体对象为同一对象；若候选物体区域中两个物体区域对应的物体特征向量之间的相似度小于等于预设阈值，则可以确定候选物体区域中两个物体区域中的物体对象为不同对象。由此可见，通过获取候选物体区域中任两个物体区域对应的物体特征向量之间的相似度，可以准确地获取到属于同一对象的目标物体区域，以及过滤掉不属于同一对象的候选物体区域。这样，避免对非高空抛物进行检测。
应理解，本申请可以将候选物体区域按照所属监控视频帧的采集先后顺序进行排序。这样，根据候选物体区域的排序结果，确定每两个相邻候选物体区域中两个物体区域包括的物体对象是否为同一对象。
示例性的，如图6所示，示出了一种多帧监控视频帧之间的对比示意图。图6是以楼体包括10个楼层，且对楼体某个墙面进行监控为例进行说明的。其中，图6中的(a)图示出了第一时刻采集到的监控视频帧，图6中的(b)图示出了第二时刻采集到的监控视频帧，图6中的(c)图示出了第三时刻采集到的监控视频帧，图6中的(d)图示出了第四时刻采集到的监控视频帧，且第一时刻至第四时刻的时间顺序为从前到后的顺序。
图6中的(a)图的候选物体区域包括存在物体对象6a的区域6A，图6中的(b)图的候选物体区域包括存在物体对象6b的区域6B，图6中的(c)图的候选物体区域包括存在物体对象6c的区域6C，图6中的(d)图的候选物体区域包括存在物体对象6d的区域6D。由于图6中的(c)图的物体对象为小鸟，而图6中的(a)图、(b)图以及(d)图的物体对象为饮料瓶，故本申请需要将图6中的(c)图所示的候选物体区域6C过滤掉，而将图6中的(a)图、(b)图以及(d)图中对应的候选物体区域(即区域6A、区域6B以及区域6D)作为目标物体区域。
S105，根据所述目标物体区域检测到高空抛物。
在本申请实施例中，摄像机可以获取相邻两个目标物体区域之间的水平移动距离和垂直移动距离；在根据水平移动距离和垂直移动距离，确定目标物体区域中的物体对象满足预设的高空抛物条件的情况下，确定目标物体区域中的物体对象为所述高空抛物。
可以理解的是，步骤S104中需要从候选物体区域中获取目标物体区域，故存在对候选物体区域进行过滤。这样，相邻两个目标物体区域为第一目标监控视频帧包括的相邻两个监控视频帧中的候选物体区域，第一目标监控视频帧包括存在目标物体区域的监控视频帧，且第一目标监控视频帧根据摄像机的采集先后顺序进行排序的。
还应理解，若候选物体区域均为目标物体区域，则本申请可以无需对候选物体区域进行过滤。故上述所述的相邻两个目标物体区域为第二目标监控视频帧包括的相邻监控视频帧中的候选物体区域，第二目标监控视频帧包括存在候选物体区域的监控视频帧，且第二目标监控视频帧根据摄像机的采集先后顺序进行排序的。
其中，预设的高空抛物条件，可以包括：根据垂直移动距离确定目标物体区域中物体对象在垂直方向上为朝着地面运动，且为加速度运动；以及，根据水平移动距离确定目标物体区域中物体对象在水平方向上为远离墙面运动，且为减速度运动。
可以理解的是，摄像机获取相邻两个目标物体区域中物体对象的同一特征点的垂直位置信息，并计算第一垂直位置信息与第二垂直位置信息之间的差值，得到相邻两个目标物体区域之间的垂直移动距离；其中，第一垂直位置信息为相邻两个目标物体区域中前一个目标物体区域中物体对象的同一特征点的垂直位置信息，第二垂直位置信息为相邻两个目标物体区域中后一个目标物体区域中物体对象的同一特征点的垂直位置信息。
这样，根据垂直移动距离确定目标物体区域中的物体对象在垂直方向上的运动方向的过程，可以包括：相邻两个目标物体区域之间的垂直移动距离为正数，则可以确定该相邻两个目标物体区域中的物体对象在垂直方向上为朝着地面运动；相反，相邻两个目标物体区域之间的垂直移动距离为负数，则可以确定该相邻两个目标物体区域中的物体对象在垂直方向上为远离地面运动。基于上述方法，可以获取到全部目标物体区域中的物体对象在垂直方向上的运动方向。例如，全部目标物体区域划分为相邻两个目标物体区域，每相邻两个目标物体区域中的物体对象在垂直方向上为朝着地面运动，则确定目标物体区域中的物体对象在垂直方向上为朝着地面运动。
需要说明的是，若相邻两个目标物体区域为规则形状，例如为矩形，则上述物体对象的同一特征点可以替换为相邻两个目标物体区域中的上边框或者下边框。
可选地，本申请还可以计算第二垂直位置信息与第一垂直位置信息之间的差值，得到相邻两个目标物体区域之间的垂直移动距离。这样，相邻两个目标物体区域之间的垂直移动距离为负数，则可以确定该相邻两个目标物体区域中的物体对象在垂直方向上为朝着地面运动；相反，相邻两个目标物体区域之间的垂直移动距离为正数，则可以确定该相邻两个目标物体区域中的物体对象在垂直方向上为远离地面运动。
还应理解，根据垂直移动距离确定目标物体区域中的物体对象在垂直方向上的运动类型的过程，可以包括：比较第一垂直移动距离与第二垂直移动距离之间的大小；其中，第一垂直移动距离为第一组物体区域对应的垂直移动距离的绝对值，第二垂直移动距离为第二组物体区域对应的垂直移动距离的绝对值，第一组物体区域和第二组物体区域分别包括相邻两个目标物体区域；且第一组物体区域中的前一个目标物体区域，与第二组物体区域中的后一个目标物体区域为同一目标物体区域。这样，若第一垂直移动距离大于第二垂直移动距离，则可以确定该两组物体区域中的物体对象在垂直方向上为加速度运动；若第一垂直移动距离小于第二垂直移动距离，则可以确定该两组物体区域中的物体对象在垂直方向上为减速度运动。基于上述方法，可以获取到全部目标物体区域中物体对象在垂直方向上的运动类型。例如，全部目标物体区域划分为多组物体区域，每两组物体区域中的物体对象在垂直方向上为加速度运动，则确定目标物体区域中的物体对象在垂直方向上为加速度运动。
可选地，本申请还可以获取第一垂直移动距离与第二垂直移动距离之间的差值，若第一垂直移动距离与第二垂直移动距离之间的差值为正数，则可以确定该两组物体区域中的物体对象在垂直方向上为加速度运动；若第一垂直移动距离与第二垂直移动距离之间的差值为负数，则可以确定该两组物体区域中的物体对象在垂直方向为减速度运动。
同理地，摄像机获取相邻两个目标物体区域中物体对象的同一特征点的水平位置信息，并计算第一水平位置信息与第二水平位置信息之间的差值，得到相邻两个目标物体区域之间的水平移动距离；其中，第一水平位置信息为相邻两个目标物体区域中前一个目标物体区域中物体对象的同一特征点的水平位置信息，第二水平位置信息为相邻两个目标物体区域中后一个目标物体区域中物体对象的同一特征点的水平位置信息。
这样，根据水平移动距离确定目标物体区域中的物体对象在水平方向上的运动方向的过程，可以包括：相邻两个目标物体区域之间的水平移动距离为负数，则可以确定该相邻两个目标物体区域中的物体对象在水平方向上为远离墙面运动；相反，相邻两个目标物体区域之间的水平移动距离为正数，则可以确定该相邻两个目标物体区域中的物体对象在水平方向上为靠近墙面运动。基于上述方法，可以获取到全部目标物体区域中的物体对象在水平方向上的运动方向。例如，全部目标物体区域划分为相邻两个目标物体区域，每相邻两个目标物体区域中的物体对象在水平方向上为远离墙面运动，则确定目标物体区域中的物体对象在水平方向上为远离墙面运动。
需要说明的是，若相邻两个目标物体区域为规则形状，例如为矩形，则上述物体对象的同一特征点可以替换为相邻两个目标物体区域中的左边框或者右边框。
可选地，本申请还可以计算第二水平位置信息与第一水平位置信息之间的差值，得到相邻两个目标物体区域之间的水平移动距离。这样，相邻两个目标物体区域之间的水平移动距离为正数，则可以确定该相邻两个目标物体区域中的物体对象在水平方向上为远离墙面运动；相反，相邻两个目标物体区域之间的水平移动距离为负数，则可以确定该相邻两个目标物体区域中的物体对象在水平方向上为靠近墙面运动。
还应理解，根据水平移动距离确定目标物体区域中的物体对象在水平方向上的运动类型的过程，可以包括：比较第一水平移动距离与第二水平移动距离之间的大小；其中，第一水平移动距离为第一组物体区域对应的水平移动距离的绝对值，第二水平移动距离为第二组物体区域对应的水平移动距离的绝对值，第一组物体区域和第二组物体区域的相关内容此处不再赘述。这样，若第一水平移动距离大于第二水平移动距离，则可以确定该两组物体区域中的物体对象在水平方向上为加速度运动；若第一水平移动距离小于第二水平移动距离，则可以确定该两组物体区域中的物体对象在水平方向上为减速度运动。基于上述方法，可以获取到全部目标物体区域中物体对象在水平方向上的运动类型。例如，全部目标物体区域划分为多组物体区域，每两组物体区域中的物体对象在水平方向上为减速度运动，则确定目标物体区域中的物体对象在水平方向上为减速度运动。
可选地，本申请还可以获取第一水平移动距离与第二水平移动距离之间的差值，若第一水平移动距离与第二水平移动距离之间的差值为正数，则可以确定该两组物体区域中的物体对象在水平方向上为加速度运动；若第一水平移动距离与第二水平移动距离之间的差值为负数，则可以确定该两组物体区域中的物体对象在水平方向上为减速度运动。
示例性的，以图2中的多帧监控视频帧为例，且目标物体区域为矩形形状为例进行说明。如图2所示，图2中的(a)图与(b)图为相邻两帧监控视频帧，因此，图2中的(a)图的目标物体区域2A与图2中的(b)图的目标物体区域2B为相邻两个目标物体区域。这样，可以获取目标物体区域2A的下边框对应的第一垂直位置信息，以及获取目标物体区域2B的下边框对应的第二垂直位置信息，接着计算第一垂直位置信息与第二垂直位置信息之间的差值得到垂直移动距离，如图2中的(b)图所示，垂直移动距离可以表示为h。结合图2中的(a)图与(b)图可以得到，h为正数，故可以确定该相邻两个目标物体区域中的物体对象在垂直方向上为朝着地面运动。
同理地，可以获取目标物体区域2A的左边框对应的第一水平位置信息，以及获取目标物体区域2B的左边框对应的第二水平位置信息，接着计算第一水平位置信息与第二水平位置信息之间的差值得到水平移动距离，如图2中的(b)图所示，水平移动距离可以表示为w。结合图2中的(a)图与(b)图可以得到，w为负数，故可以确定该相邻两个目标物体区域中的物体对象在水平方向上为远离墙面运动。
采用本申请实施例所述的方法，可以从同一墙面的监控视频帧中获取候选物体区域，本申请考虑到候选物体区域中可能存在不同物体对象，故针对候选物体区域进行了过滤处理得到目标物体区域，任两个目标物体区域之间物体特征的相似度较大，因此目标物体区域中的物体对象为同一对象。这样，基于目标物体区域检测高空抛物，提高了高空抛物的检测准确率，解决了现有技术中通过移动侦测技术检测高空抛物存在误报率较高的问题。
请参见图7，图7是本申请提供的一种高空抛物的检测方法的示意流程图。如图7所示，该高空抛物的检测方法可以包括：
S701，获取楼体同一墙面的多帧监控视频帧。
S702，从所述多帧监控视频帧中，获取多个候选物体区域。
S703，通过神经网络检测模型，识别每个候选物体区域中的物体对象。
可以理解的是，现有的移动侦测技术可能会将误报对象作为高空抛物，示例性的，例如树叶、彩云、雨滴等会导致检测到候选物体区域，但是实际上树叶、彩云、雨滴等并不属于高空抛物。
基于此，本申请可以采集误报图像样本，该误报图像样本中可以包括树叶、彩云或者雨滴等。这样，可以对误报图像样本中的误报对象进行标记；接着通过标记后的误报图像样本对神经网络深度学习网络进行模型训练以及模型调优，得到神经网络检测模型。
可选地，训练得到的神经网络检测模型可能无法适应所有误报场景，因此本申请还可以根据误报对象的类型训练对应的神经网络检测模型。比如可以训练一个针对落叶误报的神经网络检测模型，以及训练一个针对彩云误报的神经网络检测模型，以及训练一个针对雨滴误报的神经网络检测模型。可见，误报场景比较单一，故训练得到的神经网络检测模型的检测准确率较高。这样，本申请可以通过各个误报对象对应的神经网络检测模型，检测候选物体区域中的物体对象是否为误报对象。
S704，根据所述物体对象，将所述多个候选物体区域中的第一候选物体区域进行过滤，得到过滤后的候选物体区域；所述第一候选物体区域中的物体对象属于预设的误报对象。
S705，获取所述过滤后的候选物体区域对应的物体特征向量。
S706，根据所述过滤后的候选物体区域对应的物体特征向量，从所述过滤后的候选物体区域中获取目标物体区域。
S707，根据所述目标物体区域检测到高空抛物。
S701、S702、S705至S707的具体内容可以分别参考S101至S105中的描述内容，此处不再赘述。
需要说明的是，本申请对S702的时序不作限定，例如S702还可以在S706之后执行，此时，本申请可以对目标物体区域进行过滤处理得到最终物体区域，然后根据最终物体区域检测到高空抛物。
综上，本申请考虑到移动侦测技术中可能由于误报对象检测到候选物体区域，若本申请直接将候选物体区域中的误报对象作为高空抛物，则会造成高空抛物的检测准确率较低。因此，本申请可以对误报对象造成的候选物体区域进行过滤，避免了将候选物体区域中的误报对象作为高空抛物，从而提高高空抛物的检测准确率。
结合图1所示实施例，如图8所示，在本申请的可选实施例中，在S105之后还可以包括以下步骤：
S106，对所述高空抛物所在的监控视频帧中标记高空抛物标识，得到处理后的监控视频帧。
可以理解的是，该高空抛物标识可以为图2中所示的虚线矩形框，或者可以为指定图标，例如为“！”的标识等等。这样，监控人员可以快速识别到存在高空抛物的监控视频帧。
示例性的，图9示出了一种多帧监控视频帧的对比示意图。如图9所示，由于图9中的(a)图、(b)图以及(d)图中存在高空抛物，故在图9中的(a)图、(b)图以及(d)图中高空抛物的附近位置处设置有“！”的高空抛物标识。图9中的(c)图不存在高空抛物，故在图9中的(c)图中未设置高空抛物的标识。
还应理解，本申请实施例还可以对高空抛物的起始位置处标记一个起始位置标识，便于快速查找到发生高空抛物的疑似楼层。
S107，根据处理后的监控视频帧生成监控标记视频。
可以理解的是，单帧监控视频帧无法查看到高空抛物的抛物轨迹，这样，可能无法准确地追溯到肇事者。故在本申请实施例中，可以将标记有高空抛物标识的监控视频帧，按照采集时间先后顺序合并为监控标记视频，以便监控人员可以从监控标记视频进行事后追踪。
可选地，为了保证视频的流畅性，本申请还可以根据处理后的监控视频帧以及未处理的监控视频帧生成该监控标记视频；未处理的监控视频帧为多帧监控视频帧中除处理后的监控视频帧外的视频帧。这样，避免了监控人员查看过程中因漏帧导致的查看效果较差的问题。
可选地，本申请实施例还可以包括：向预警平台发送监控标记视频，用于所述预警平台向监控人员展示所述监控标记视频。这样，便于警平台可以及时发现警情并溯源。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
基于上述实施例所提供的高空抛物的检测方法，本发明实施例进一步给出实现上述方法实施例的装置实施例。
请参见图10，图10是本申请实施例提供的高空抛物的检测装置的示意图。包括的各模块用于执行图1、图7或者图8对应的实施例中的各步骤。具体请参阅图1、图7或者图8对应的实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部分。参见图10，高空抛物的检测装置10包括：
获取模块101，用于获取楼体同一墙面的多帧监控视频帧；
从所述多帧监控视频帧中，获取多个候选物体区域；
获取每个候选物体区域对应的物体特征向量；以及，
根据所述物体特征向量，从所述候选物体区域中获取目标物体区域；所述目标物体区域中任两个物体区域对应的物体特征向量之间的相似度大于预设阈值；
检测模块102，用于根据所述目标物体区域检测到高空抛物。
可选地，获取模块101，进一步用于通过神经网络识别模型，获取所述每个候选物体区域中物体特征点对应的特征码；根据所述物体特征点对应的特征码，生成所述每个候选区域对应的物体特征向量。
可选地，获取模块101，还用于通过神经网络检测模型，识别所述每个候选物体区域中的物体对象；根据所述物体对象，将所述多个候选物体区域中的第一候选物体区域进行过滤，得到过滤后的候选物体区域；所述第一候选物体区域中的物体对象属于预设的误报对象；
获取模块101，进一步用于获取所述过滤后的候选物体区域对应的物体特征向量；根据所述过滤后的候选物体区域对应的物体特征向量，从所述过滤后的候选物体区域中获取目标物体区域。
可选地，检测模块102，进一步用于获取相邻两个目标物体区域之间的水平移动距离和垂直移动距离；在根据所述水平移动距离和所述垂直移动距离，确定所述目标物体区域中的物体对象满足预设的高空抛物条件的情况下，确定所述目标物体区域中的物体对象为所述高空抛物。
可选地，所述预设的高空抛物条件，包括：根据所述垂直移动距离确定所述目标物体区域中物体对象在垂直方向上为朝着地面运动，且为加速度运动；以及，根据所述水平移动距离确定所述目标物体区域中物体对象在水平方向上为远离所述墙面运动，且为减速度运动。
可选地，该高空抛物的检测装置还包括：
处理模块，用于对所述高空抛物所在的监控视频帧中标记高空抛物标识，得到处理后的监控视频帧；根据处理后的监控视频帧生成监控标记视频。
可选地，该高空抛物的检测装置还包括：
发送模块，用于向预警平台发送所述监控标记视频，用于所述预警平台向监控人员展示所述监控标记视频。
需要说明的是，上述模块之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
图11是本申请实施例提供的高空抛物的检测设备的示意图。如图11所示，该实施例的高空抛物的检测设备11包括：处理器110、存储器111以及存储在所述存储器111中并可在所述处理器110上运行的计算机程序112，例如高空抛物的检测程序。处理器110执行所述计算机程序112时实现上述各个高空抛物的检测方法实施例中的步骤，例如图1所示的S101-S105。或者，所述处理器110执行所述计算机程序112时实现上述各装置实施例中各模块/单元的功能，例如图10所示获取模块101和检测模块102的功能。
示例性的，所述计算机程序112可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器111中，并由处理器110执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序112在所述高空抛物的检测设备11中的执行过程。例如，所述计算机程序112可以被分割成获取模块、检测模块，各模块具体功能请参阅图1对应地实施例中地相关描述，此处不赘述。
所述高空抛物的检测设备可包括，但不仅限于，处理器110、存储器111。本领域技术人员可以理解，图11仅仅是高空抛物的检测设备11的示例，并不构成对高空抛物的检测设备11的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述高空抛物的检测设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器110可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。
所述存储器111可以是所述高空抛物的检测设备11的内部存储单元，例如高空抛物的检测设备11的硬盘或内存。所述存储器111也可以是所述高空抛物的检测设备11的外部存储设备，例如所述高空抛物的检测设备11上配备的插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器111还可以既包括所述高空抛物的检测设备11的内部存储单元也包括外部存储设备。所述存储器111用于存储所述计算机程序以及所述高空抛物的检测设备所需的其他程序和数据。所述存储器111还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现上述高空抛物的检测方法。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在高空抛物的检测设备上运行时，使得高空抛物的检测设备执行时实现可实现上述高空抛物的检测方法。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、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单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种高空抛物的检测方法，其特征在于，包括：
获取楼体同一墙面的多帧监控视频帧；
从所述多帧监控视频帧中，获取多个候选物体区域；
获取每个候选物体区域对应的物体特征向量；
根据所述物体特征向量，从所述候选物体区域中获取目标物体区域；所述目标物体区域中任两个物体区域对应的物体特征向量之间的相似度大于预设阈值；
根据所述目标物体区域检测到高空抛物。
2.根据权利要求1所述的方法，其特征在于，所述获取每个候选物体区域对应的物体特征向量，包括：
通过神经网络识别模型，获取所述每个候选物体区域中物体特征点对应的特征码；
根据所述物体特征点对应的特征码，生成所述每个候选区域对应的物体特征向量。
3.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
通过神经网络检测模型，识别所述每个候选物体区域中的物体对象；
根据所述物体对象，将所述多个候选物体区域中的第一候选物体区域进行过滤，得到过滤后的候选物体区域；所述第一候选物体区域中的物体对象属于预设的误报对象；
所述获取每个候选物体区域对应的物体特征向量，包括：
获取所述过滤后的候选物体区域对应的物体特征向量；
相应地，所述根据所述物体特征向量，从所述候选物体区域中获取目标物体区域，包括：
根据所述过滤后的候选物体区域对应的物体特征向量，从所述过滤后的候选物体区域中获取目标物体区域。
4.根据权利要求1或2所述的方法，其特征在于，所述根据所述目标物体区域检测到高空抛物，包括：
获取相邻两个目标物体区域之间的水平移动距离和垂直移动距离；
在根据所述水平移动距离和所述垂直移动距离，确定所述目标物体区域中的物体对象满足预设的高空抛物条件的情况下，确定所述目标物体区域中的物体对象为所述高空抛物。
5.根据权利要求4所述的方法，其特征在于，所述预设的高空抛物条件，包括：
根据所述垂直移动距离确定所述目标物体区域中物体对象在垂直方向上为朝着地面运动，且为加速度运动；以及，
根据所述水平移动距离确定所述目标物体区域中物体对象在水平方向上为远离所述墙面运动，且为减速度运动。
6.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
对所述高空抛物所在的监控视频帧中标记高空抛物标识，得到处理后的监控视频帧；
根据处理后的监控视频帧生成监控标记视频。
7.根据权利要求6所述方法，其特征在于，所述方法还包括：
向预警平台发送所述监控标记视频，用于所述预警平台向监控人员展示所述监控标记视频。
8.一种高空抛物的检测装置，其特征在于，包括：
获取模块，用于获取楼体同一墙面的多帧监控视频帧；
从所述多帧监控视频帧中，获取多个候选物体区域；
获取每个候选物体区域对应的物体特征向量；以及，
根据所述物体特征向量，从所述候选物体区域中获取目标物体区域；所述目标物体区域中任两个物体区域对应的物体特征向量之间的相似度大于预设阈值；
检测模块，用于根据所述目标物体区域检测到高空抛物。
9.一种高空抛物的检测设备，其特征在于，处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，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7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011159027.7A CN112270253A (zh) | 2020-10-26 | 2020-10-26 | 一种高空抛物的检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011159027.7A CN112270253A (zh) | 2020-10-26 | 2020-10-26 | 一种高空抛物的检测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112270253A true CN112270253A (zh) | 2021-01-26 |
Family
ID=74342441
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011159027.7A Pending CN112270253A (zh) | 2020-10-26 | 2020-10-26 | 一种高空抛物的检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112270253A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112926444A (zh) * | 2021-02-24 | 2021-06-08 | 北京爱笔科技有限公司 | 抛物行为检测方法及装置 |
| CN113269046A (zh) * | 2021-04-28 | 2021-08-17 | 深圳市海清视讯科技有限公司 | 一种高空坠物识别方法及*** |
| CN114339367A (zh) * | 2021-12-29 | 2022-04-12 | 杭州海康威视数字技术股份有限公司 | 一种视频帧处理方法、装置及设备 |
| CN115294744A (zh) * | 2022-07-29 | 2022-11-04 | 杭州海康威视数字技术股份有限公司 | 一种图像显示***、方法、装置及设备 |
| WO2023109664A1 (zh) * | 2021-12-13 | 2023-06-22 | 深圳先进技术研究院 | 监测方法和相关产品 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160224833A1 (en) * | 2015-02-04 | 2016-08-04 | Alibaba Group Holding Limited | Method and apparatus for target acquisition |
| CN111260693A (zh) * | 2020-01-20 | 2020-06-09 | 北京中科晶上科技股份有限公司 | 一种高空抛物的检测方法 |
| CN111401311A (zh) * | 2020-04-09 | 2020-07-10 | 苏州海赛人工智能有限公司 | 一种基于图像检测的高空抛物识别方法 |
| CN111488799A (zh) * | 2020-03-13 | 2020-08-04 | 安徽小眯当家信息技术有限公司 | 一种基于图像识别的坠落物识别方法及*** |
| 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 |
| CN111627049A (zh) * | 2020-05-29 | 2020-09-04 | 北京中科晶上科技股份有限公司 | 高空抛物的确定方法、装置、存储介质及处理器 |
-
2020
- 2020-10-26 CN CN202011159027.7A patent/CN112270253A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160224833A1 (en) * | 2015-02-04 | 2016-08-04 | Alibaba Group Holding Limited | Method and apparatus for target acquisition |
| CN111260693A (zh) * | 2020-01-20 | 2020-06-09 | 北京中科晶上科技股份有限公司 | 一种高空抛物的检测方法 |
| CN111488799A (zh) * | 2020-03-13 | 2020-08-04 | 安徽小眯当家信息技术有限公司 | 一种基于图像识别的坠落物识别方法及*** |
| CN111401311A (zh) * | 2020-04-09 | 2020-07-10 | 苏州海赛人工智能有限公司 | 一种基于图像检测的高空抛物识别方法 |
| 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 |
| CN111627049A (zh) * | 2020-05-29 | 2020-09-04 | 北京中科晶上科技股份有限公司 | 高空抛物的确定方法、装置、存储介质及处理器 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112926444A (zh) * | 2021-02-24 | 2021-06-08 | 北京爱笔科技有限公司 | 抛物行为检测方法及装置 |
| CN113269046A (zh) * | 2021-04-28 | 2021-08-17 | 深圳市海清视讯科技有限公司 | 一种高空坠物识别方法及*** |
| WO2023109664A1 (zh) * | 2021-12-13 | 2023-06-22 | 深圳先进技术研究院 | 监测方法和相关产品 |
| CN114339367A (zh) * | 2021-12-29 | 2022-04-12 | 杭州海康威视数字技术股份有限公司 | 一种视频帧处理方法、装置及设备 |
| CN114339367B (zh) * | 2021-12-29 | 2023-06-27 | 杭州海康威视数字技术股份有限公司 | 一种视频帧处理方法、装置及设备 |
| CN115294744A (zh) * | 2022-07-29 | 2022-11-04 | 杭州海康威视数字技术股份有限公司 | 一种图像显示***、方法、装置及设备 |
| CN115294744B (zh) * | 2022-07-29 | 2024-03-22 | 杭州海康威视数字技术股份有限公司 | 一种图像显示***、方法、装置及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112270253A (zh) | 一种高空抛物的检测方法及装置 | |
| CN104303193B (zh) | 基于聚类的目标分类 | |
| CN103824070B (zh) | 一种基于计算机视觉的快速行人检测方法 | |
| JP4852765B2 (ja) | 広域分散カメラ間の連結関係推定法および連結関係推定プログラム | |
| CN112016414A (zh) | 一种检测高空抛物事件的方法、装置及楼面智能监控*** | |
| US9792505B2 (en) | Video monitoring method, video monitoring system and computer program product | |
| CN109766779B (zh) | 徘徊人员识别方法及相关产品 | |
| WO2014092552A2 (en) | Method for non-static foreground feature extraction and classification | |
| CN107437318B (zh) | 一种可见光智能识别算法 | |
| CN107657244B (zh) | 一种基于多摄像机的人体跌倒行为检测***及其检测方法 | |
| CN111800507A (zh) | 一种交通监控方法及交通监控*** | |
| EP2709066A1 (en) | Concept for detecting a motion of a moving object | |
| WO2022078182A1 (zh) | 抛出位置获取方法、装置、计算机设备及存储介质 | |
| CN109842787A (zh) | 一种监测高空抛物的方法及*** | |
| CN106600628B (zh) | 一种基于红外热像仪的目标物识别的方法与装置 | |
| CN110544271B (zh) | 抛物动作检测方法及相关装置 | |
| CN115937746A (zh) | 一种烟火事件监测方法、装置及存储介质 | |
| CN112800846A (zh) | 高空抛物的监测方法、装置、电子设备及存储介质 | |
| CN104361366B (zh) | 一种车牌识别方法及车牌识别设备 | |
| CN103152558A (zh) | 基于场景识别的入侵检测方法 | |
| KR102434154B1 (ko) | 영상감시시스템에서의 고속 이동물체의 위치 및 모션 캡쳐 방법 | |
| CN112668389A (zh) | 高空抛物目标检测方法、设备、***及存储介质 | |
| Ng et al. | Outdoor illegal parking detection system using convolutional neural network on Raspberry Pi | |
| EP2709065A1 (en) | Concept for counting moving objects passing a plurality of different areas within a region of interest | |
| Wahyuni et al. | People counting for indoor monitoring |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20221222 Address after: 518000 Yingfei Haocheng Science Park, Guansheng 5th Road, Luhu Community, Guanhu Street, Longhua District, Shenzhen, Guangdong 1515 Applicant after: Shenzhen Infineon Information Co.,Ltd. Address before: 3 / F, building H-3, East Industrial Zone, Huaqiaocheng, Nanshan District, Shenzhen, Guangdong 518000 Applicant before: SHENZHEN INFINOVA Ltd. |