CN112380940B - 一种高空抛物监控图像的处理方法、装置、电子设备和存储介质 - Google Patents

一种高空抛物监控图像的处理方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN112380940B
CN112380940B CN202011223290.8A CN202011223290A CN112380940B CN 112380940 B CN112380940 B CN 112380940B CN 202011223290 A CN202011223290 A CN 202011223290A CN 112380940 B CN112380940 B CN 112380940B
Authority
CN
China
Prior art keywords
image
segmentation
model
fcn
fcn model
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
CN202011223290.8A
Other languages
English (en)
Other versions
CN112380940A (zh
Inventor
李�城
周晖
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.)
Beijing Softong Intelligent Technology Co ltd
Original Assignee
Beijing Softong Intelligent Technology 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 Beijing Softong Intelligent Technology Co ltd filed Critical Beijing Softong Intelligent Technology Co ltd
Priority to CN202011223290.8A priority Critical patent/CN112380940B/zh
Publication of CN112380940A publication Critical patent/CN112380940A/zh
Application granted granted Critical
Publication of CN112380940B publication Critical patent/CN112380940B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30232—Surveillance

Landscapes

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

Abstract

本发明公开了一种高空抛物监控图像的处理方法、装置、电子设备和存储介质，该方法包括：对高空抛物监控图像进行语义分割确定所述图像的窗户区域；对所述图像的窗户区域进行模糊处理；将经过模糊处理的图像进行展示。通过语义分割确定高空抛物监控图像中的窗户区域，对窗户区域进行模糊处理，避免在图像中透过窗户玻璃看到建筑物室内的画面，从而在对高空抛物进行监控的同时还可以对室内用户的个人隐私进行保护。

Description

一种高空抛物监控图像的处理方法、装置、电子设备和存储 介质
技术领域
本发明实施例涉及通信技术领域，尤其涉及一种高空抛物监控图像的处理方法、装置、电子设备和存储介质。
背景技术
由于高空抛物对人身安全的威胁性比较大，因此针对高空建筑物进行监控是非常必要的。通过采用摄像机对建筑物的墙面进行监控，可以获知物体具体是从哪个位置进行投出的，从而根据投出位置进一步确定责任人。
但是针对高空抛物监控画面中，由于摄像机的分辨率和清晰度较高，会在监控画面中透过窗户玻璃出现建筑物室内的图像，从而侵犯住户的个人隐私。因此现有的高空抛物监控方式虽然可以确定出高空抛物的责任人，但会对其他住户的个人隐私造成侵犯。
发明内容
本发明实施例提供了一种高空抛物监控图像的处理方法、装置、设备和存储介质，以实现在对高空抛物进行监控的同时，对建筑物室内用户的隐私进行保护。
第一方面，本发明实施例提供了一种高空抛物监控图像的处理方法，包括：对高空抛物监控图像进行语义分割确定所述图像的窗户区域；
对所述图像的窗户区域进行模糊处理；
将经过模糊处理的图像进行展示。
第二方面，本发明实施例提供了一种高空抛物监控图像的处理装置，包括：窗户区域确定模块，用于对高空抛物监控图像进行语义分割确定图像的窗户区域；
窗户区域模糊处理模块，用于对图像的窗户区域进行模糊处理；
图像展示模块，用于将经过模糊处理的图像进行展示。
第三方面，本发明实施例还提供了一种电子设备，电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现本发明任意实施例的方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明任意实施例的方法。
在本发明实施例中，通过语义分割确定高空抛物监控图像中的窗户区域，对窗户区域进行模糊处理，避免在图像中透过窗户玻璃看到建筑物室内的画面，从而在对高空抛物进行监控的同时还可以对室内用户的个人隐私进行保护。
附图说明
图1(a)是本发明实施例一提供的高空抛物监控图像的处理方法的流程图；
图1(b)是本发明实施例一中第一次迭代时的FCN模型的参数学习原理示意图；
图1(c)是本发明实施例一中迭代次数大于一时的FCN模型的参数学习原理示意图；
图2是本发明实施例二提供的高空抛物监控图像的处理方法的流程图；
图3是本发明实施例三提供的高空抛物监控图像的处理装置的结构示意图；
图4是本发明实施例四提供的一种电子设备的结构框图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1(a)为本发明实施例一提供的一种高空抛物监控图像的处理方法的流程图，本实施例可适用于在对高空抛物进行监控的同时，对建筑物室内用户的隐私进行保护的情况，该方法可以由本发明实施例中的高空抛物监控图像的处理装置来执行，该装置可以通过软件和/或硬件的方式实现，本发明实施例的方法具体包括如下步骤：
步骤101，对高空抛物监控图像进行语义分割确定图像的窗户区域。
可选的，对高空抛物监控图像进行语义分割确定图像的窗户区域，可以包括：基于全卷积网络(Fully Convolutional Networks，FCN)模型采用无监督学习方式对高空抛物监控图像进行语义分割；根据语义分割结果确定图像的窗户区域。
具体的说，本实施方式中是基于FCN模型采用无监督的方式对高空抛物图像进行语义分割，语义分割是从像素级别来理解图像的，即将属于同一类物体的像素都归为一类。例如，将属于窗户的像素分成一类，将属于建筑物墙壁的像素分成一类，从而根据语义分割的结果可以确定出高空抛物监控图像中的窗户区域。
可选的，基于全卷积网络FCN模型采用无监督学习方式对高空抛物监控图像进行语义分割，可以包括：确定FCN模型的迭代次数；按照迭代次数基于色彩分割算法模型对FCN模型进行训练；在确定达到迭代次数时，获得FCN模型的最终分割图像，将最终分割图像作为语义分割结果。
具体的说，本实施方式中是采用色彩分割算法模型实现FCN模型的无监督学习，即不需要人工标注的方式对图像添加标签，而是通过色彩分割算法模型的输出结果与FCN模型的输出结果进行对比，来对FCN模型的参数进行学习，并且本实施方式中的色彩分割算法仅仅是基于色彩特征进行图像分割的，而FCN模型则不仅仅限于色彩特征进行图像分割，还可以包括其他图像特征，例如，形状、纹理和位置等特征等。
可选的，按照迭代次数基于色彩分割算法模型对FCN模型进行训练，可以包括：在第一次迭代时，将图像分别输FCN模型和色彩分割算法模型，通过FCN模型和色彩分割算法模型的输出图像对FCN模型进行参数学习；在迭代次数大于一时，将图像输入参数学习之后的FCN模型，通过参数学习之后的FCN模型获得第一分割图像，将第一分割图像输入色彩分割算法模型获得第二分割图像，通过第一分割图像和第二分割图像对FCN模型重新进行参数学习。
可选的，通过FCN模型和色彩分割算法模型的输出图像对FCN模型进行参数学习，可以包括：通过FCN模型对图像进行特征提取获得特征图，并采用预设分类函数对特征图进行处理获得第三分割图像；通过色彩分割算法模型按照色彩特征对图像进行分割，获得第四分割图像；采用预设损失函数交叉熵对第三分割图像和第四分割图像进行损失计算，根据计算结果对FCN模型的参数进行学习。
其中，如图1(b)所示，为第一次迭代时的FCN模型的参数学习原理示意图。FCN模型的迭代次数是提前确定的，例如，设定迭代次数为10，在按照迭代次数基于色彩分割算法模型对FCN模型进行训练的过程中，针对不同的迭代次数，色彩分割算法模型所获取的图像的来源方式是不相同的。针对第一次迭代，FCN模型和色彩分割算法模型分别获取的原始待分割的高空抛物监控图像，FCN模型通过对原始图像进行特征提取获得特征图，其中，FCN模型所提取的特征不限于色彩、形状、纹理和位置，并采用预设分类函数Argmax对特征图进行处理获得第三分割图像。而色彩分割算法模型则仅按照色彩特征对输入的原始图像进行分割，获得第四分割图像。采用预设损失函数交叉熵softmax对FCN模型的分割结果和色彩分割算法模型的分割结果进行损失计算，并根据计算的结果对FCN模型的参数进行学习，从而完成第一次迭代过程。
其中，如图1(c)所示，为迭代次数大于一时的FCN模型的参数学习原理示意图。在迭代次数大于一并且未达到最大迭代次数时，参数学习过程与第一次迭代过程相似，区别点在于色彩分割算法模型的输入来源于FCN模型的输出。例如，针对第二次迭代过程，通过参数学习之后的FCN模型对原始图像进行特征提取获得新的特征图，然后采用预设分类函数Argmax对新的特征图进行处理获得第一分割图像，此时会将第一分割图像输入色彩分割算法模型获得第二分割图，此时会采用预设损失函数交叉熵softmax对FCN模型的分割结果和色彩分割算法模型的分割结果进行损失计算，根据损失计算的结果对FCN模型进行学习的过程，与第一次迭代过程相同。当然，本实施方式中仅是以第二次迭代为例进行的举例说明，对于其它大于一次的迭代过程中，FCN模型参数学习的过程与上述所描述的第二迭代过程大致相同，因此本实施方式不再进行赘述。
需要说明的是，在最后一次迭代过程中，将FCN模型输出的最终特征图经过预设分类函数Argmax进行处理后所获得的最终分割图像，作为语义分割结果。由于语义分割结果中对建筑物墙面区域和窗户区域进行了明显区分，因此可以根据语义分割结果直接确定出图像的窗户区域。
步骤102，对图像的窗户区域进行模糊处理。
可选的，对图像的窗户区域进行模糊处理，可以包括：确定窗户区域的位置信息，其中，位置信息包括窗户区域的边界位置；根据位置信息获得与窗户区域匹配的图片模板；将图片模板对窗户区域进行覆盖。
具体的说，本实施方式中在准确确定出窗户区域后，可以对图像的窗户区域进行模糊处理。具体是确定窗户区域的位置信息，在位置信息中包括窗户区域的边界位置，例如，可以针对图像建立二维坐标，确定窗户区域边界的坐标位置，在获得窗户区域各个边界的坐标位置后，可以确定窗户区域的范围大小和形状，之后可以从图形数据库中获取与窗户区域的范围和形状相同的图片模板，或者直接根据窗户区域的范围和形状创建一个图片模板，以使所创建的图片模板能够对窗户区域进行覆盖。并且本实施方式的图片模板为空白的不包含任何图像信息。当然，关于图像模糊处理的方式包括多种，例如，直接对窗户区域的像素特征进行特征变换等，本实施方式中只是举例说明，而并不对模糊处理的方式进行限定。
步骤103，将经过模糊处理的图像进行展示。
具体的说，本实施方式确定出图像的窗户区域，并对窗户区域进行模糊处理的最终目的是在不侵犯住户隐私的情况下进行高空抛物的监控，因此在电子设备上具有人机交互界面，在确定模糊处理完之后会发出提示信息，“已处理完，请确定是否进行展示”，在确定接收到用户的确定指令后会在人机交互界面上进行展示。当然，用户还可以在人机交互界面上进行操控，以确定需要进行显示的具***置以及显示大小，以便于用户更好的观看，例如，将模糊处理的图像放大两倍后在界面的右上角进行展示。当然，本实施方式中仅是举例说明，而并不对具体的显示方式进行限定。
在本发明实施例中，通过语义分割确定高空抛物监控图像中的窗户区域，对窗户区域进行模糊处理，避免在图像中透过窗户玻璃看到建筑物室内的画面，从而在对高空抛物进行监控的同时还可以对室内用户的个人隐私进行保护。
实施例二
图2是本发明实施例二提供的一种高空抛物监控图像的处理方法的流程图，本实施例以上述实施例为基础，在将经过模糊处理的图像进行展示之后，还包括：对模糊处理的图像进行识别，在确定识别结果中包含预设标识时进行报警提示。
如图2所示，本公开实施例的方法具体包括：
步骤201，对高空抛物监控图像进行语义分割确定图像的窗户区域。
可选的，对高空抛物监控图像进行语义分割确定图像的窗户区域，可以包括：基于全卷积网络(Fully Convolutional Networks，FCN)模型采用无监督学习方式对高空抛物监控图像进行语义分割；根据语义分割结果确定图像的窗户区域。
可选的，基于全卷积网络FCN模型采用无监督学习方式对高空抛物监控图像进行语义分割，可以包括：确定FCN模型的迭代次数；按照迭代次数基于色彩分割算法模型对FCN模型进行训练；在确定达到迭代次数时，获得FCN模型的最终分割图像，将最终分割图像作为语义分割结果。
步骤202，对图像的窗户区域进行模糊处理。
可选的，对图像的窗户区域进行模糊处理，可以包括：确定窗户区域的位置信息，其中，位置信息包括窗户区域的边界位置；根据位置信息获得与窗户区域匹配的图片模板；将图片模板对窗户区域进行覆盖。
步骤203，将经过模糊处理的图像进行展示。
步骤204，对模糊处理的图像进行识别，在确定识别结果中包含预设标识时进行报警提示。
具体的说，本实施方式中在对经过模糊处理的图像进行展示之后，还会对模糊处理的图像进行识别。具体可以将经过模糊处理的图像与预设标识进行匹配，预设标识具体可以是室内显著性标志，例如人脸、茶几或电视机，将经过模糊处理的图像与预设标识进行匹配，具体可以是进行色彩、形状或纹理等特征的匹配，在确定匹配相似度超过预设阈值时，则说明经过模糊处理的图像中依然可以透过窗户区域看到建筑物室内画面。出现上述情况的原因可能是虽然进行了有效的模糊处理，但在进行语义分割的过程中，未准确确定出窗户区域；或者，虽然语义分割时准确确定出了窗户区域，但并未实现对窗户区域有效的模糊处理，从而造成高空抛物监控图像的处理结果不佳。经过识别在确定存在上述情况时，会进行报警提示，例如“图像处理未达到预设要求，请确定是否重新处理”，并且可以采用语音或文字的形式进行报警。用户可以在人机交互界面上进行操作，在确定接收到用户的确定指令时，会重新执行步骤201至步骤203；如果电子设备发出了报警提示，但用户通过查看认为处理效果虽然不理想，但符合自身要求，也可以选择否定指令，此时会保持当前的展示图像不变。
在本发明实施例中，在本发明实施例中，通过语义分割确定高空抛物监控图像中的窗户区域，对窗户区域进行模糊处理，避免在图像中透过窗户玻璃看到建筑物室内的画面，从而在对高空抛物进行监控的同时还可以对室内用户的个人隐私进行保护。在通过识别确定高空抛物监控图像的处理效果不佳的情况下，会进行报警提示，以指示用户当前图像的处理效果，用户根据报警提示确定依然接受当前图像处理效果时，则进行持续展示，而在不接受当前图像处理效果时，则根据用户的选择重新对原始图像进行处理，从而在符合用户实际需求的情况下，保证了高空抛物监控图像处理的准确性。
实施例三
图3是本发明实施例所提供的一种高空抛物监控图像的处理装置，具体包括：窗户区域确定模块310、窗户区域模糊处理模块320和图像展示模块330。
其中，窗户区域确定模块310，用于对高空抛物监控图像进行语义分割确定图像的窗户区域；
窗户区域模糊处理模块320，用于对图像的窗户区域进行模糊处理；
图像展示模块330，用于将经过模糊处理的图像进行展示。
可选的，窗户区域确定模块包括：图像语义分割子模块，用于基于全卷积网络FCN模型采用无监督学习方式对高空抛物监控图像进行语义分割；
窗户区域确定子模块，用于根据语义分割结果确定图像的窗户区域。
可选的，图像语义分割子模块，包括：迭代次数确定子单元，用于确定FCN模型的迭代次数；
训练子单元，用于按照迭代次数基于色彩分割算法模型对FCN模型进行训练；
分割图像获取子单元，用于在确定达到迭代次数时，获得FCN模型的最终分割图像，将最终分割图像作为语义分割结果。
可选的，训练子单元用于：在第一次迭代时，将图像分别输FCN模型和色彩分割算法模型，通过FCN模型和色彩分割算法模型的输出图像对FCN模型进行参数学习；
在迭代次数大于一时，将图像输入参数学习之后的FCN模型，通过参数学习之后的FCN模型获得第一分割图像，将第一分割图像输入色彩分割算法模型获得第二分割图像，通过第一分割图像和第二分割图像对FCN模型重新进行参数学习。
可选的，训练子单元还用于：通过FCN模型对图像进行特征提取获得特征图，并采用预设分类函数对特征图进行处理获得第三分割图像；
通过色彩分割算法模型按照色彩特征对图像进行分割，获得第四分割图像；
采用预设损失函数交叉熵对第三分割图像和第四分割图像进行损失计算，根据计算结果对FCN模型的参数进行学习。
可选的，窗户区域模糊处理模块，用于：确定窗户区域的位置信息，其中，位置信息包括窗户区域的边界位置；
根据位置信息获得与窗户区域匹配的图片模板；
将图片模板对窗户区域进行覆盖。
可选的，装置还包括报警提示模块，用于：对模糊处理的图像进行识别；
在确定识别结果中包含预设标识时进行报警提示。
上述装置可执行本发明任意实施例所提供的高空抛物监控图像的处理方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明任意实施例提供的方法。
实施例四
图4是本发明实施例提供的一种电子设备的结构示意图。图4示出了适用于用来实现本发明实施方式的示例性电子设备412的框图。图4显示的电子设备412仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示，电子设备412以通用计算设备的形式出现。电子设备412的组件可以包括但不限于：一个或者多个处理器412，存储器428，连接不同***组件(包括存储器428和处理器416)的总线418.
总线418表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，***总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及***组件互连(PCI)总线。
电子设备412典型地包括多种计算机***可读介质。这些介质可以是任何能够被电子设备412访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储器428用于存储指令。存储器428可以包括易失性存储器形式的计算机***可读介质，例如随机存取存储器(RAM)430和/或高速缓存存储器432。电子设备412可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例，存储***434可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线418相连。存储器428可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块442的程序/实用工具440，可以存储在例如存储器428中，这样的程序模块442包括但不限于操作***、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块442通常执行本发明所描述的实施例中的功能和/或方法。
电子设备412也可以与一个或多个外部设备414(例如键盘、指向设备、显示器424等)通信，还可与一个或者多个使得用户能与该电子设备412交互的设备通信，和/或与使得该电子设备412能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口422进行。并且，电子设备412还可以通过网络适配器420与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器420通过总线418与电子设备412的其它模块通信。应当明白，尽管图4中未示出，可以结合电子设备412使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
处理器416通过运行存储在存储器428中的指令，从而执行各种功能应用以及数据处理，例如执行以下操作：
对高空抛物监控图像进行语义分割确定图像的窗户区域；对图像的窗户区域进行模糊处理；将经过模糊处理的图像进行展示。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质，计算机可执行指令在由计算机处理器执行时用于执行高空抛物监控图像的处理方法，该方法包括：
对高空抛物监控图像进行语义分割确定图像的窗户区域；对图像的窗户区域进行模糊处理；将经过模糊处理的图像进行展示。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的高空抛物监控图像的处理方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台电子设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的高空抛物监控图像的处理方法。
值得注意的是，上述高空抛物监控图像的处理装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (7)

1.一种高空抛物监控图像的处理方法，其特征在于，包括：
对高空抛物监控图像进行语义分割确定所述图像的窗户区域；
对所述图像的窗户区域进行模糊处理；
将经过模糊处理的图像进行展示；
所述对高空抛物监控图像进行语义分割确定所述图像的窗户区域，包括：
基于全卷积网络FCN模型采用无监督学习方式对所述高空抛物监控图像进行语义分割，其中，所述语义分割是将属于同一类物体的像素归为一类；
根据语义分割结果确定所述图像的窗户区域；
所述基于全卷积网络FCN模型采用无监督学习方式对所述高空抛物监控图像进行语义分割，包括：
确定所述FCN模型的迭代次数；
按照所述迭代次数基于色彩分割算法模型对所述FCN模型进行训练；
在确定达到所述迭代次数时，获得所述FCN模型的最终分割图像，将所述最终分割图像作为所述语义分割结果；
所述按照所述迭代次数基于色彩分割算法模型对所述FCN模型进行训练，包括：
在第一次迭代时，将所述图像分别输所述FCN模型和所述色彩分割算法模型，通过所述FCN模型和所述色彩分割算法模型的输出图像对所述FCN模型进行参数学习；
在迭代次数大于一时，将所述图像输入参数学习之后的FCN模型，通过参数学习之后的FCN模型获得第一分割图像，将所述第一分割图像输入所述色彩分割算法模型获得第二分割图像，通过所述第一分割图像和所述第二分割图像对所述FCN模型重新进行参数学习；
所述在第一次迭代时，将所述图像分别输所述FCN模型和所述色彩分割算法模型，通过所述FCN模型和所述色彩分割算法模型的输出图像对所述FCN模型进行参数学习，包括：
所述FCN模型和所述色彩分割算法模型分别获取的原始待分割的高空抛物监控图像；
所述FCN模型通过对所述原始待分割的高空抛物监控图像进行特征提取获得特征图，并采用预设分类函数对所述特征图进行处理获得第三分割图像；
所述色彩分割算法模型按照色彩特征对所述原始待分割的高空抛物监控图像进行分割，获得第四分割图像；
利用预设损失函数交叉熵对所述第三分割图像和所述第四分割图像进行损失计算，并根据计算结果对所述FCN模型的参数进行学习，从而完成第一次迭代过程。
2.根据权利要求1所述的方法，其特征在于，所述通过所述FCN模型和所述色彩分割算法模型的输出图像对所述FCN模型进行参数学习，包括：
通过所述FCN模型对所述图像进行特征提取获得特征图，并采用预设分类函数对所述特征图进行处理获得第三分割图像；
通过所述色彩分割算法模型按照色彩特征对所述图像进行分割，获得第四分割图像；
采用预设损失函数交叉熵对所述第三分割图像和所述第四分割图像进行损失计算，根据所述计算结果对所述FCN模型的参数进行学习。
3.根据权利要求1所述的方法，其特征在于，所述对所述图像的窗户区域进行模糊处理，包括：
确定所述窗户区域的位置信息，其中，所述位置信息包括窗户区域的边界位置；
根据所述位置信息获得与所述窗户区域匹配的图片模板；
将所述图片模板对所述窗户区域进行覆盖。
4.根据权利要求1所述的方法，其特征在于，所述将经过模糊处理的图像进行展示之后，还包括：
对所述模糊处理的图像进行识别；
在确定所述识别结果中包含预设标识时进行报警提示。
5.一种高空抛物监控图像的处理装置，其特征在于，所述装置包括：
窗户区域确定模块，用于对高空抛物监控图像进行语义分割确定所述图像的窗户区域；
窗户区域模糊处理模块，用于对所述图像的窗户区域进行模糊处理；
图像展示模块，用于将经过模糊处理的图像进行展示；
所述窗户区域确定模块，包括：
图像语义分割子模块，用于基于全卷积网络FCN模型采用无监督学习方式对高空抛物监控图像进行语义分割，其中，所述语义分割是将属于同一类物体的像素归为一类；
窗户区域确定子模块，用于根据语义分割结果确定图像的窗户区域；
所述图像语义分割子模块，包括：
迭代次数确定子单元，用于确定FCN模型的迭代次数；
训练子单元，用于按照迭代次数基于色彩分割算法模型对FCN模型进行训练；
分割图像获取子单元，用于在确定达到迭代次数时，获得FCN模型的最终分割图像，将最终分割图像作为语义分割结果；
所述训练子单元，具体用于：
在第一次迭代时，将图像分别输FCN模型和色彩分割算法模型，通过FCN模型和色彩分割算法模型的输出图像对FCN模型进行参数学习；
在迭代次数大于一时，将图像输入参数学习之后的FCN模型，通过参数学习之后的FCN模型获得第一分割图像，将第一分割图像输入色彩分割算法模型获得第二分割图像，通过第一分割图像和第二分割图像对FCN模型重新进行参数学习；
所述训练子单元，还用于：
所述FCN模型和所述色彩分割算法模型分别获取的原始待分割的高空抛物监控图像；
所述FCN模型通过对所述原始待分割的高空抛物监控图像进行特征提取获得特征图，并采用预设分类函数对所述特征图进行处理获得第三分割图像；
所述色彩分割算法模型按照色彩特征对所述原始待分割的高空抛物监控图像进行分割，获得第四分割图像；
利用预设损失函数交叉熵对所述第三分割图像和所述第四分割图像进行损失计算，并根据计算结果对所述FCN模型的参数进行学习，从而完成第一次迭代过程。
6.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-4中任一所述的方法。
CN202011223290.8A 2020-11-05 2020-11-05 一种高空抛物监控图像的处理方法、装置、电子设备和存储介质 Active CN112380940B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011223290.8A CN112380940B (zh) 2020-11-05 2020-11-05 一种高空抛物监控图像的处理方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011223290.8A CN112380940B (zh) 2020-11-05 2020-11-05 一种高空抛物监控图像的处理方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN112380940A CN112380940A (zh) 2021-02-19
CN112380940B true CN112380940B (zh) 2024-05-24

Family

ID=74579279

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011223290.8A Active CN112380940B (zh) 2020-11-05 2020-11-05 一种高空抛物监控图像的处理方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN112380940B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113658219A (zh) * 2021-07-22 2021-11-16 浙江大华技术股份有限公司 高空抛物的检测方法、装置、***、电子装置和存储介质
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

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN206097116U (zh) * 2015-12-29 2017-04-12 重庆安碧捷科技股份有限公司 医疗隐私过滤***
CN106803943A (zh) * 2016-03-31 2017-06-06 小蚁科技（香港）有限公司 视频监控***和设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200327409A1 (en) * 2017-11-16 2020-10-15 Samsung Electronics Co., Ltd. Method and device for hierarchical learning of neural network, based on weakly supervised learning

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN206097116U (zh) * 2015-12-29 2017-04-12 重庆安碧捷科技股份有限公司 医疗隐私过滤***
CN106803943A (zh) * 2016-03-31 2017-06-06 小蚁科技（香港）有限公司 视频监控***和设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
UNSUPERVISED IMAGE SEGMENTATION BY BACKPROPAGATION;Asako Kanezaki;《ICASSP 2018》;第1543-1547页 *

Also Published As

Publication number Publication date
CN112380940A (zh) 2021-02-19

Similar Documents

Publication Publication Date Title
US10599914B2 (en) Method and apparatus for human face image processing
CN108701376B (zh) 三维图像的基于识别的对象分割
EP3152706B1 (en) Image capturing parameter adjustment in preview mode
US11182885B2 (en) Method and apparatus for implementing image enhancement, and electronic device
US9721387B2 (en) Systems and methods for implementing augmented reality
CN108229324B (zh) 手势追踪方法和装置、电子设备、计算机存储介质
WO2021003825A1 (zh) 视频镜头剪切的方法、装置及计算机设备
CN110189336B (zh) 图像生成方法、***、服务器及存储介质
CN110874594A (zh) 基于语义分割网络的人体外表损伤检测方法及相关设备
US20200410211A1 (en) Facial image processing method and apparatus, electronic device and computer readable storage medium
US20150178568A1 (en) Method for improving tracking using dynamic background compensation with centroid compensation
US11308655B2 (en) Image synthesis method and apparatus
CN112380940B (zh) 一种高空抛物监控图像的处理方法、装置、电子设备和存储介质
CN111368682B (zh) 一种基于faster RCNN台标检测与识别的方法及***
CN110930296A (zh) 图像处理方法、装置、设备及存储介质
CN112270745B (zh) 一种图像生成方法、装置、设备以及存储介质
CN110796663B (zh) 图片剪裁方法、装置、设备和存储介质
CN111382647A (zh) 一种图片处理方法、装置、设备及存储介质
CN115761826A (zh) 掌静脉有效区域提取方法、***、介质及电子设备
US9349038B2 (en) Method and apparatus for estimating position of head, computer readable storage medium thereof
CN113436251B (zh) 一种基于改进的yolo6d算法的位姿估计***及方法
CN112766028A (zh) 人脸模糊处理方法、装置、电子设备及存储介质
CN111368674B (zh) 图像识别方法及装置
CN111985400A (zh) 一种人脸活体识别方法、装置、设备及存储介质
CN116309494B (zh) 一种电子地图中兴趣点信息确定方法、装置、设备及介质

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
CB02 Change of applicant information

Country or region after: China

Address after: 101, 2nd Floor, Building 3, East District, No. 10 Northwest Wangdong Road, Haidian District, Beijing, 100193

Applicant after: Beijing softong Intelligent Technology Co.,Ltd.

Address before: 100193 202, floor 2, building 16, East District, No. 10, northwest Wangdong Road, Haidian District, Beijing

Applicant before: Beijing Softcom Smart City Technology Co.,Ltd.

Country or region before: China

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant