CN113473076B - 社区报警方法及服务器 - Google Patents

社区报警方法及服务器 Download PDF

Info

Publication number
CN113473076B
CN113473076B CN202010703527.6A CN202010703527A CN113473076B CN 113473076 B CN113473076 B CN 113473076B CN 202010703527 A CN202010703527 A CN 202010703527A CN 113473076 B CN113473076 B CN 113473076B
Authority
CN
China
Prior art keywords
area
monitoring target
monitoring
specified
segmentation 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
CN202010703527.6A
Other languages
English (en)
Other versions
CN113473076A (zh
Inventor
张玉
李蕾
高雪松
陈维强
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.)
Hisense Group Holding Co Ltd
Original Assignee
Qingdao Hisense Electronic Industry Holdings 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 Qingdao Hisense Electronic Industry Holdings Co Ltd filed Critical Qingdao Hisense Electronic Industry Holdings Co Ltd
Priority to CN202010703527.6A priority Critical patent/CN113473076B/zh
Publication of CN113473076A publication Critical patent/CN113473076A/zh
Application granted granted Critical
Publication of CN113473076B publication Critical patent/CN113473076B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
    • G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device
    • G06K17/0029—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device the arrangement being specially adapted for wireless interrogation of grouped or bundled articles tagged with wireless record carriers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B13/00—Burglar, theft or intruder alarms
    • G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
    • G08B13/189—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems
    • G08B13/194—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems
    • G08B13/196—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems using television cameras
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20152—Watershed segmentation
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Alarm Systems (AREA)

Abstract

本申请提供社区报警方法及服务器。该方法包括：将社区图像分别输入至实例分割模型和分水岭分割模型中，得到多个监控目标的第一区域范围和第二区域范围；针对多个监控目标中任一指定监控目标，从第二区域范围中查找与第一区域范围的交并比满足第一指定条件的第二区域范围作为种子区域；以种子区域为基准，在第二区域范围内不断进行区域生长，直至得到与第一区域范围的交并比满足第二指定条件的生长区域，并作为指定监控目标的最终区域；当指定监控目标中的至少一个可移动监控目标的最终区域与指定监控目标中的任一固定监控目标的最终区域满足指定的相对位置关系时，则发送报警信息。由此，本公开不需要依赖硬件设备并且不会有一定的距离限制。

Description

社区报警方法及服务器
技术领域
本申请涉及智能终端技术领域，特别涉及一种社区报警方法及服务器。
背景技术
社区内存在很多安全隐患。例如，居民在景观湖中游泳、儿童在变电箱附近玩耍等。因为居民在靠近危险区域时而没有得到及时的制止而造成安全事故。随着现代化城市住宅社区制度在我国的普及和深化发展。社区的信息化建设不断深入，各社区特别是大中型城市社区都加快了信息网络平台的建设。社区***正逐步转向利用网络和计算机集中管理信息的新阶段。社区服务器可24小时进行自动监测，做到报警联动，有助于及时处理警情，提高了保卫人员的工作效率以及处理各种突发事件的反应速度。
现有技术中，如图1所示，图1为现有技术中区域报警装置的结构示意图。该区域报警装置包括区域报警装置本体和RFID(Radio Frequency Identification，无线射频识别技术)基站终端。其中，区域报警装置本体内部包括周界报警控制器、输出模块、通讯模块、报警模块、储存模块、定位模块、位移传感模块、温度传感模块和红外线传感模块。该区域报警装置通过RFID基站终端与区域报警装置本体连接，使得RFID基站终端对进入区域报警装置本体设定的监控范围内的监控源进行监控。但是，此方法中RFID基站终端需要依赖区域报警装置本体等硬件设备。并且RFID基站终端与区域报警装置本体中的各传感模块的距离有一定的限制。因此，急需一种新的方法来解决上述问题。
发明内容
本申请提供一种社区报警方法及服务器，用于解决相关技术中RFID基站终端需要依赖区域报警装置本体等硬件设备。并且RFID基站终端与区域报警装置本体中的各传感模块的距离有一定的限制的问题。
第一方面，本申请提供一种服务器，包括存储器和处理器，其中：
所述存储器，用于存储可被所述处理器执行的计算机程序；
所述处理器与所述存储器连接，被配置为：
将社区图像分别输入至实例分割模型和分水岭分割模型中，得到由所述实例分割模型输出的多个监控目标的第一区域范围，以及由所述分水岭分割模型输出的所述多个监控目标的第二区域范围；其中，所有多个监控目标中包括位置固定的固定监控目标和可移动监控目标；
针对所述多个监控目标中任一指定监控目标，从所述多个监控目标的第二区域范围中查找与所述指定监控目标的第一区域范围的交并比满足第一指定条件的第二区域范围作为种子区域；
以所述种子区域为基准，在所述多个监控目标的第二区域范围内不断进行区域生长，直至得到与所述第一区域范围的交并比满足第二指定条件的生长区域，并将所述交并比满足所述第二指定条件的生长区域作为所述指定监控目标的最终区域；
当所述指定监控目标中的至少一个可移动监控目标的最终区域与所述指定监控目标中的任一固定监控目标的最终区域满足指定的相对位置关系时，则发送报警信息。
在一个实施例中，所述处理器在执行以所述种子区域为基准，在所述多个监控目标的第二区域范围内不断进行区域生长，直至得到与所述第一区域范围的交并比满足第二指定条件的生长区域时，被配置为：
遍历与所述种子区域相邻的第二区域范围作为邻域范围；
若所述邻域范围并入所述种子区域后与所述第一区域范围的交并比增加，则将所述邻域范围并入所述种子区域；
遍历结束后得到的种子区域作为所述指定监控目标的最终区域。
在一个实施例中，所述处理器在执行当所述指定监控目标中的至少一个可移动监控目标的最终区域与所述指定监控目标中的任一固定监控目标的最终区域满足指定的相对位置关系时，则发送报警信息时，被配置为执行：
确定所述指定监控目标中的任一固定监控目标的最终区域与所述指定监控目标中的至少一个可移动监控目标的最终区域的交并比；
针对任一可移动监控目标，当所述可移动监控目标和所述固定监控目标的交并比大于指定预设值时，则发送所述报警信息。
在一个实施例中，所述处理器还配置为：
所述将社区图像输入至实例分割模型后，还得到所述实例分割模型输出的所述多个监控目标的类别；根据交并比大于指定预设值的可移动监控目标的类别和固定监控目标的类别，生成所述危险事件的描述信息。
在一个实施例中，所述报警信息中还包括采集所述社区图像的摄像头的标识；
所述危险事件的描述信息中还包括所述摄像头的标识。
在一个实施例中，所述处理器还被配置为：
所述将社区图像输入至实例分割模型之前，根据以下方法训练所述实例分割模型：
获取训练样本，所述训练样本包括所述社区中的多个监控目标、标注的所述多个监控目标的区域范围和所述多个监控目标的类别；
根据所述训练样本，训练所述实例分割模型。
在一个实施例中，所述处理器还被配置为：
在监控目标危险属性数据库中查找多个监控目标中具有危险属性的至少一个监控目标，并将所述具有危险属性的至少一个监控目标作为所述指定监控目标。
在一个实施例中，所述处理器还被配置为：
所述将社区图像分别输入至实例分割模型和分水岭分割模型之前，将所述社区图像缩放指定尺寸后，并将所述缩放尺寸后的社区图像作为分别输入至实例分割模型和分水岭分割模型中的社区图像。
第二方面，本公开提供一种社区报警方法，所述方法包括：
将社区图像分别输入至实例分割模型和分水岭分割模型中，得到由所述实例分割模型输出的多个监控目标的第一区域范围，以及由所述分水岭分割模型输出的所述多个监控目标的第二区域范围；其中，所述多个监控目标中包括位置固定的固定监控目标和可移动监控目标；
针对所述多个监控目标中任一指定监控目标，从所述多个监控目标的第二区域范围中查找与所述指定监控目标的第一区域范围的交并比满足第一指定条件的第二区域范围作为种子区域；
以所述种子区域为基准，在所述多个监控目标的第二区域范围内不断进行区域生长，直至得到与所述第一区域范围的交并比满足第二指定条件的生长区域，并将所述交并比满足所述第二指定条件的生长区域作为所述指定监控目标的最终区域；
当所述指定监控目标中的至少一个可移动监控目标的最终区域与所述指定监控目标中的任一固定监控目标的最终区域满足指定的相对位置关系时，则发送报警信息。
在一个实施例中，所述以所述种子区域为基准，在所述多个监控目标的第二区域范围内不断进行区域生长，直至得到与所述第一区域范围的交并比满足第二指定条件的生长区域，包括：
遍历与所述种子区域相邻的第二区域范围作为邻域范围；
若所述邻域范围并入所述种子区域后与所述第一区域范围的交并比增加，则将所述邻域范围并入所述种子区域；
遍历结束后得到的种子区域作为所述指定监控目标的最终区域。
在一个实施例中，所述指定监控目标中的至少一个可移动监控目标的最终区域与所述指定监控目标中的任一固定监控目标的最终区域满足指定的相对位置关系时，则发送报警信息，包括：
确定所述指定监控目标中的任一固定监控目标的最终区域与所述指定监控目标中的至少一个可移动监控目标的最终区域的交并比；
针对任一可移动监控目标，当所述可移动监控目标和所述固定监控目标的交并比大于指定预设值时，则发送所述报警信息。
在一个实施例中，所述将社区图像输入至实例分割模型后，还得到所述实例分割模型输出的所述多个监控目标的类别；
所述报警信息包括危险事件，确定所述危险事件，包括：
根据交并比大于指定预设值的可移动监控目标的类别和固定监控目标的类别，生成所述危险事件的描述信息。
在一个实施例中，所述报警信息中还包括采集所述社区图像的摄像头的标识；
所述危险事件的描述信息中还包括所述摄像头的标识。
在一个实施例中，所述将社区图像输入至实例分割模型之前，所述方法还包括：
根据以下方法训练所述实例分割模型：
获取训练样本，所述训练样本包括所述社区中的多个监控目标、标注的所述多个监控目标的区域范围和所述多个监控目标的类别；
根据所述训练样本，训练所述实例分割模型。
在一个实施例中，确定所述指定监控目标，包括：
在监控目标危险属性数据库中查找多个监控目标中具有危险属性的至少一个监控目标，并将所述具有危险属性的至少一个监控目标作为所述指定监控目标。
在一个实施例中，所述将社区图像分别输入至实例分割模型和分水岭分割模型之前，所述方法还包括：
将所述社区图像缩放指定尺寸后，并将所述预处理操作后的社区图像作为分别输入至实例分割模型和分水岭分割模型中的社区图像。
本申请的实施例提供的技术方案至少带来以下有益效果：
本申请提供一种社区报警方法及服务器。本公开通过实例分割模型输出的多个监控目标的第一区域范围和分水岭分割模型输出的多个监控目标的第二区域范围之后，确定多个监控目标中任一指定监控目标对应的第一区域范围和第二区域范围，以此来确定出指定监控目标的最终区域，故此，当可移动目标的最终区域与指定监控目标中任一固定区域的最终区域满足指定的相对位置关系时，发出报警信息。由此，本公开不需要依赖区域报警装置本体等硬件设备，更不会与区域报警装置本体中的各传感模块的距离有一定的限制。解决了现有技术中RFID基站终端需要依赖区域报警装置本体等硬件设备。并且RFID基站终端与区域报警装置本体中的各传感模块的距离有一定的限制的问题。并且本公开中得到的监控目标的最终区域更加准确。
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，并不能限制本申请。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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为根据本申请中相关技术的结构示意图；
图2为根据本申请一个实施例中的社区报警***的结构示意图；
图3为根据本申请一个实施例中的服务器结构示意图；
图4为根据本申请一个实施例的社区报警方法的流程示意图之一；
图5为根据本申请一个实施例的社区报警方法中实例分割模型结构示意图；
图6A-6D为根据本申请一个实施例的社区报警方法的界面示意图；
图7为根据本申请一个实施例的社区报警方法的流程示意图之二；
图8为根据本申请一个实施例的社区报警方法的流程示意图之三；
图9为根据本申请一个实施例的社区报警装置示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，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，都应当属于本申请保护的范围。
术语″第一″、″第二″仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有″第一″、″第二″的特征可以明示或者隐合地包括一个或者更多个该特征。在本申请的描述中，除非另有说明，″多个″的含义是两个或两个以上。
如前文所述，由于现有技术中是通过RFID基站终端对进入区域报警装置本体设定的监控范围内的监控源进行监控。以此当发生危险事件时，做到报警联动。但是发明人研究发现，此方法中RFID基站终端需要依赖区域报警装置本体等硬件设备。并且RFID基站终端与区域报警装置本体中的各传感模块的距离有一定的限制。由此，本申请实施例中提供一种社区报警方法及服务器。下面结合附图对本申请实施进行详细的说明。
如图2所示，图2为本申请实施例提供的社区报警***的结构示意图，其中，社区报警***包括至少一个监控设备203，网络201，服务器202，终端设备204，监控目标危险属性数据库205。在具体实施时，不限制监控设备、监控设备和终端设备的数量。
本公开的发明构思是通过利用实例分割模型和分水岭分割模型分别确定出社区中各指定监控目标的第一区域范围和第二区域范围，并根据第一区域范围和第二区域范围确定出各指定监控目标的最终区域。以此来识别出各指定监控目标中的可移动监控目标的最终区域和固定监控目标的最终区域的相对位置关系，可确定出是否发生危险事件，以此来提醒社区工作人员及时进行救助。
在一种可能的应用场景中，服务器202通过网络201与监控设备203、终端设备204和监控目标危险属性数据库205相连接。监控设备203获取社区图像并发送给服务器202，服务器202接收到社区图像后，将社区图像分别输入至实例分割模型和分水岭分割模型中，得到由所述实例分割模型输出社区图像中多个监控目标的第一区域范围，以及由所述分水岭分割模型输出的社区图像中多个监控目标的第二区域范围；其中，所述多个监控目标中包括位置固定的固定监控目标和可移动监控目标；然后服务器202在监控目标危险属性数据库205中查找多个监控目标中具有危险属性的各监控目标，并将所述具有危险属性的多个监控目标作为所述指定监控目标。并针对所述多个监控目标中任一指定监控目标，从所述多个监控目标的第二区域范围中查找与所述指定监控目标的第一区域范围的交并比满足第一指定条件的第二区域范围作为种子区域；并以所述种子区域为基准，在所述多个监控目标的第二区域范围内不断进行区域生长，直至得到与所述第一区域范围的交并比满足第二指定条件的生长区域，并将所述交并比满足所述第二指定条件的生长区域作为所述指定监控目标的最终区域；当所述指定监控目标中的至少一个可移动监控目标的最终区域与所述指定监控目标中的任一固定监控目标的最终区域满足指定的相对位置关系时，则向终端设备204发送报警信息。
由此，本公开通过实例分割模型输出的各监控目标的第一区域范围和分水岭分割模型输出的多个监控目标的第二区域范围之后，确定多个监控目标中任一指定监控目标对应的第一区域范围和第二区域范围，以此来确定出指定监控目标的最终区域，故此，当可移动目标的最终区域与指定监控目标中任一固定区域的最终区域满足指定的相对位置关系时，发出报警信息。由此，本公开不需要依赖硬件设备并且不会有一定的距离限制。解决了相关技术中RFID基站终端需要依赖硬件设备，且对RFID基站终端与报警装置本体中的传感器的距离有一定的限制的问题。并且得出的各监控目标的最终区域更加准确。
在介绍了一种社区报警***的可能结构之后，对本公开中服务器的结构进行详细的介绍。如图3所示，图3为本公开中服务器的结构示意图。图3显示的服务器仅仅是一个示例，不应该对本公开实施例的功能和使用范围带来任何限制。
服务器300以通用服务器的形式表现。服务器300的组件可以包括但不限于：至少一个处理器301、至少一个计算机存储介质302、连接不同***组件(包括计算机存储介质302和处理器301)的总线303。
总线303表示几类总线结构中的一种或多种，包括计算机存储介质总线或者计算机存储介质控制器、***总线、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。
计算机存储介质302可以包括易失性计算机存储介质形式的可读介质，例如随机存取计算机存储介质(RAM)321和/或高速缓存存储介质322，还可以进一步包括只读计算机存储介质(ROM)323。
计算机存储介质302还可以包括具有一组(至少一个)程序模块324的程序/实用工具325，这样的程序模块324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。
服务器300也可以与一个或多个外部设备305(例如键盘、指向设备等)通信，还可与一个或者多个使得用户能与服务器300交互的设备通信，和/或与使得该服务器300能与一个或多个其它电子设备进行通信的任何设备(例如路由器、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307进行。并且，服务器300还可以通过网络适配器306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306通过总线303与用于服务器300的其它模块通信。应当理解，尽管图中未示出，可以结合服务器300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、冗余处理器、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
下面，对本申请中的社区报警方法进行详细的介绍，如图4所示，图4为本申请社区报警方法的流程示意图，可包括以下步骤：
步骤401：将社区图像分别输入至实例分割模型和分水岭分割模型中，得到由所述实例分割模型输出的多个监控目标的第一区域范围，以及由所述分水岭分割模型输出的所述多个监控目标的第二区域范围；其中，所述多个监控目标中包括位置固定的固定监控目标和可移动监控目标；
其中，位置固定的监控目标可为社区中的变电箱，人工湖，居民楼，草地，树木和天空等，可移动监控目标可为人、宠物和车等。
为了使社区图像符合实例分割模型的图像的标准，在一个实施例中，在将社区图像分别输入至实例分割模型和分水岭分割模型之前，需要将所述社区图像缩放指定尺寸后，并将缩放尺寸后的社区图像作为分别输入至实例分割模型和分水岭分割模型中的社区图像。本申请实施例中，通过调整社区图像的大小，以便于能够将社区图像输入至实例分割模型中得到各监控目标的第一区域范围。并且将调整大小后的图像输入至分水岭分割模型中，以便于能够更好的确定出各监控目标的最终区域，以此来减小误差。
下面对本公开中使用的实例分割模型和分水岭分割模型分别进行介绍：
(一)、实例分割模型：
(1)、实例分割模型的训练：
需要根据以下方法训练所述实例分割模型：获取训练样本，所述训练样本包括所述社区中的多个监控目标、标注的所述多个监控目标的区域范围和所述多个监控目标的类别；根据所述训练样本，训练所述实例分割模型。
例如，训练样本中的多个监控目标的类别可包括人工湖、变电箱、草坪、车和人等。训练样本中还包括人工湖、变电箱、草坪、车和人等分别对应的区域范围。
由此，可根据不同社区中的不同监控目标进行训练，以此来得到各监控目标的第一区域范围。
(2)、实例分割模型的使用：
实例分割的目的是识别出社区图像中的多个监控目标以及多个监控目标的类别。如图5所示，图5为实例分割模型的框架图。下面结合图5对实例分割模型的步骤进行详细的介绍：
步骤501：对输入的一张大小为P＊Q的社区图片进行特征提取，得到特征图；
下面，对步骤501进行详细的介绍：本申请实施例中是输入到残差深度网络Resnet101中进行特征提取的。该网络进行特征提取的具体步骤为：先将图片进行裁剪，得到裁剪后的社区图片大小为M＊N。将该图片经过13个卷积层，得到该社区图片的特征值，然后通过13个非线性激活函数层来将特征值小于0的进行过滤。最后通过4个池化层进行下采样得到该社区图片的特征图。
步骤502：将该特征图输入至区域生成网络(RPN，Region Proposal Network)中，得到感兴趣区域；
具体的，首先特征图通过3＊3卷积层进行卷积操作，得到9个候选区域，然后针对任一候选区域分别做两次全连接操作。即步骤5021中的全连接操作和步骤5022中的全连接操作。
步骤5021中的全连接操作后，每个候选区域得到两个分数，即前景分数和背景分数。然后按照一定的比例将9个候选区域进行区域调整操作，即将候选区域映射到原社区图像中去。之后，输入分类器进行前景和背景的分类。
步骤5022中的全连接操作后，每个候选区域得到4个坐标，即候选区域的边框坐标。一共为36个坐标。然后各候选区域的边框进行回归。即计算出各候选区域的边框与真实监控目标的实际边框的偏差值，根据计算出的偏差值作非极大抑制，得到调整后的各候选区域的边框。
步骤5023：将得到的前景区域和调整后的各候选区域的边框进行融合，然后按照前景分数从大到小进行排序，得到指定数量的感兴趣区域。
步骤503：对指定数量的感兴趣区域进行区域特征聚焦操作ROIAlign，即首先将原社区图像与步骤501中的特征图中的像素进行对应，然后将特征图和指定数量的感兴趣区域进行对应。
步骤504：利用卷积层对各感兴趣区域进行分类。并再次进行边框回归，即精确的调整感兴趣区域的边框与真实监控目标的边框的偏差值。并将各感兴趣区域输入全卷积神经网络中得到各感兴趣区域的最终区域，得到各监控目标的第一区域范围。
如图6A所示，图6A为社区图像。图6B为社区图像输入至实例分割模型中，得到的多个监控目标的第一区域范围和多个监控目标的类别。其中，不同的灰度值可代表不同的监控目标，实际输出时，可采用不同的颜色来进行表示。
(二)、分水岭分割模型：
分水岭分割模型是一种基于拓扑理论的数学形态学的分割方法，其基本思想是把图像看作是测地学上的拓扑地貌，图像中每一点像素的灰度值表示该点的海拔高度，每一个局部极小值及其影响区域称为集水盆，而集水盆的边界则形成分水岭。分水岭的计算过程是一个迭代标注过程。水岭分割模型包括两个步骤：一个是排序过程，一个是淹没过程。
之所以采用分水岭分割模型是因为它得到的是各监控目标的边界，并且是连续、闭合边界。由于分水岭分割模型对微弱边缘具有良好的响应，针对输入的图像中的噪声、物体表面细微的灰度变化，都会产生过度分割的现象。这种对于噪声和细密纹理非常敏感的特点经常作为分水岭分割模型的最大缺点而导致使用者放弃使用该模型。但在本公开中，该特点正好能作为实例分割模型的补充，弥补其对区域范围的边缘信息的不确定和不完整的情况，加强对各监控目标的区域范围的边缘的识别的准确性。
下面介绍将社区图像输入分水岭分割模型识别出各监控目标的第二区域范围的具体实现，如图7所示，可包括以下步骤：
(一)、排序过程：
步骤701：获取社区图像的灰度值，通过索贝尔算子根据该灰度值得到社区图像中各像素点的梯度值；
步骤702：将各像素点按照梯度值从小到大进行排序，并将梯度值相同的像素点确定为同一梯度层级；其中，梯度值最小的梯度层级为第一梯度层级，按照像素值的排列顺序将梯度层级进行排序。
(二)、泛洪过程：
步骤703：进行泛洪操作得到各梯度层级中的各像素点的所属的区域标记；
需要说明的是，在进行泛洪操作之前，对各梯度层级中指定位置的像素点进行区域标记，并将指定位置的像素点确定为该像素点所在梯度层级的当前像素点。
步骤7031：从第一梯度层级开始，从当前像素点按照八邻域进行遍历，得到该像素点的邻域像素点；
步骤7032：判断得到的邻域像素点是否已经被标记，若存在没有被标记的邻域像素点，若该邻域像素点的梯度层级与当前像素点的梯度层级相同，则用当前像素点的区域标记刷新邻域像素点的区域标识。
步骤7033：将刷新后的邻域像素点作为当前像素点继续执行步骤7032，直至没有符合指定条件的邻域像素点。其中，所述指定条件包括：与当前像素点的梯度层级相同或没有被标记。
步骤7034：再次扫描当前梯度层级中的各像素点，若确定出存在像素点未被标识，则将赋予一个新的区域标识给该未标识的像素点作为该像素点的区域标识。然后从该像素点作为当前像素点继续执行步骤7032直到确定出当前梯度层级中不存在未被标识的像素点。
步骤704：将所有梯度层级遍历结束后，将区域标记相同的像素点进行融合，得到社区图像中多个监控目标的第二区域范围。
例如，图6A为输入至分水岭分割模型中的社区图像，图6C为分水岭分割模型中得到的各监控图像中各监控目标的第二区域范围。其中，不同的灰度值可代表不同的第二区域范围。需要说明的是：分水岭分割模型中不能输出各监控目标的类别。在具体实施时，不同颜色可代表不同的第二区域范围，但是相同颜色的第二区域范围并不代表他们属于同一类别的第二区域范围。
步骤402：针对所述多个监控目标中任一指定监控目标，从所述多个监控目标的第二区域范围中查找与所述指定监控目标的第一区域范围的交并比满足第一指定条件的第二区域范围作为种子区域；其中，第一指定条件可为交并比最大或者是大于指定交并比门限。
在一个实施例中，在监控目标危险属性数据库中查找多个监控目标中具有危险属性的至少一个监控目标，并将所述具有危险属性的至少一个控目标作为所述指定监控目标。其中，监控目标危险属性数据库的维护，是为所有实例分割中各监控目标对象添加其是否危险的属性。可包含社区中常见的物体：如草地、人工湖、人、车、石板路、树木、花圃、变电箱、居民楼等。在进行初始化时，人工湖和变电箱等默认为危险属性。
但是，由于不同社区的情况可能存在差异，由此加入人工判定接口，接口面向社区管理人员开放。社区管理人员可修改数据库中各个监控目标的危险属性。
例如，监控目标包括变电箱，人工湖和草地。查询监控目标危险属性数据库中这三个监控目标的危险属性。确定出变电箱和人工湖均具有危险属性，则确定出指定监控目标为变电箱和人工湖。
由此，可通过预设的监控目标危险属性数据库中确定出社区中具有危险属性的社区区域，以此当人或动物等靠近具有危险属性的区域时，可以及时得到报警信息。
下面，以人工湖为指定监控目标为例，对种子区域确定的步骤进行说明：
如图6B中所示，图6B中的O区域为人工湖的第一区域范围。然后需要在图6C中的各第二区域范围内查找与O区域的交并比最大的第二区域范围，若确定图6C中的A区域为与O区域的交并比满足第一指定条件的第二区域范围，则确定出A区域为种子区域。
步骤403：以所述种子区域为基准，在所述多个监控目标的第二区域范围内不断进行区域生长，直至得到与所述第一区域范围的交并比满足第二指定条件的生长区域，并将所述交并比满足所述第二指定条件的生长区域作为所述指定监控目标的最终区域；
在一个实施例中，区域生成可实施为遍历与所述种子区域相邻的第二区域范围作为邻域范围；若所述邻域范围并入所述种子区域后与所述第一区域范围的交并比增加，则将所述邻域范围并入所述种子区域；遍历结束后得到种子区域作为所述指定监控目标的最终区域。
如前文所述，确定出种子区域为图6B中的A区域，在遍历出与A区域相连的第二区域范围作为邻域范围，从图中可知，邻域范围包括：B区域，C区域，D区域，E区域，F区域，G区域，H区域，I区域，J区域。若确定出C区域、D区域、E区域，F区域，G区域，H区域，I区域，J区域并入A区域后交并比增加，则最终得到的区域为所述人工湖的最终区域，如图6D中的Q区域则为人工湖的最终区域。
由此，可通过确定交并比确定出指定监控目标的最终区域，可以提高最终区域的划分结果。
步骤404：当所述指定监控目标中的至少一个可移动监控目标的最终区域与所述指定监控目标中的任一固定监控目标的最终区域满足指定的相对位置关系时，则发送报警信息。
在一个实施例中，确定所述指定监控目标中的任一固定监控目标的最终区域与所述指定监控目标中的至少一个可移动监控目标的最终区域的交并比；针对任一可移动监控目标，当所述可移动监控目标和所述固定监控目标的交并比大于指定预设值时，则发送所述报警信息。
例如，可移动监控目标为人，位置固定的监控目标为人工湖，若确定出人的最终区域与人工湖的最终区域的交并比为100％，若指定预设值为85％，则确定出人的最终区域与人工湖的最终区域的交并比大于指定预设值，则发送报警信息。
其中，大于指定预设值的交并比的范围不同，发送的报警信息可不同。例如，交并比范围在85％-90％，则发送的报警信息可为人与人工湖的距离超过安全距离。交并比范围在90％-98％，则发送的报警信息可为可能有坠湖的危险。大于98％为有人掉入人工湖。
由此，可通过可移动监控目标和固定监控目标的交并比可以准确的确定出是否发生危险事件，以此可以及时的发送报警信息以便于社区工作人员及时救助。
为了能够使社区工作人员准确的了解到社区中发生危险的具***置和具体的危险事件：
在一个实施例中，所述将社区图像输入至实例分割模型后，还得到所述实例分割模型输出的所述多个监控目标的类别；其中，所述报警信息包括危险事件；确定所述危险事件，可实施为：根据交并比大于指定预设值条件的可移动监控目标的类别和固定监控目标的类别，生成所述危险事件的描述信息。其中，所述报警信息中还包括采集所述社区图像的摄像头的标识；所述危险事件的描述信息中还包括所述摄像头的标识。
例如，确定出交并比满足大于指定预设值的可移动监控目标的类别为人，固定监控目标的类别为人工湖，并确定出摄像头的标识为3，则生成的描述信息可，3号摄像头拍摄到有人掉入人工湖中。
由此，通过确定可移动监控目标的类别和固定监控目标的类别来确定出报警信息中的危险事件的描述信息，以便于社区工作人员能够根据危险事件有对应的救助措施。
下面，结合图8，对本申请实施例进行详细的介绍，可包括以下步骤：
步骤801：获取训练样本，所述训练样本包括所述社区中的多个监控目标、标注的所述多个监控目标的区域范围和所述多个监控目标的类别；
步骤802：根据所述训练样本，训练所述实例分割模型；
步骤803：将所述社区图像缩放指定尺寸后，并将所述缩放指定尺寸后的社区图像作为分别输入至实例分割模型和分水岭分割模型中的社区图像；
步骤804：将社区图像分别输入至实例分割模型和分水岭分割模型中，得到由所述实例分割模型输出的多个监控目标的第一区域范围，以及由所述分水岭分割模型输出的所述多个监控目标的第二区域范围；其中，所述多个监控目标中包括位置固定的固定监控目标和可移动监控目标；
步骤805：针对所述多个监控目标中任一指定监控目标，从所述各监控目标的第二区域范围中查找与所述指定监控目标的第一区域范围的交并比满足第一指定条件的第二区域范围作为种子区域；
步骤806：遍历与所述种子区域相邻的第二区域范围作为邻域范围；
步骤807：若所述邻域范围并入所述种子区域后与所述第一区域范围的交并比增加，则将所述邻域范围并入所述种子区域；
步骤808：遍历结束后得到种子区域作为所述指定监控目标的最终区域；
步骤809：确定所述指定监控目标中的任一固定监控目标的最终区域与所述指定监控目标中的至少一个可移动监控目标的最终区域的交并比；
步骤810：针对任一可移动监控目标，当所述可移动监控目标和所述固定监控目标的交并比大于指定预设值时，则发送所述报警信息。
基于相同的技术构思，图9示例性的示出了本申请实施例提供的一种社区报警装置900，该装置可以执行社区报警方法的流程。包括：
区域范围确定模块901，用于将社区图像分别输入至实例分割模型和分水岭分割模型中，得到由所述实例分割模型输出的多个监控目标的第一区域范围，以及由所述分水岭分割模型输出的所述多个监控目标的第二区域范围；其中，所述多个监控目标包括位置固定的固定监控目标和可移动监控目标；
种子区域确定模块902，用于针对所述多个监控目标中任一指定监控目标，从所述多个监控目标的第二区域范围中查找与所述指定监控目标的第一区域范围的交并比满足第一指定条件的第二区域范围作为种子区域；
最终区域确定模块903，用于以所述种子区域为基准，在所述多个监控目标的第二区域范围内不断进行区域生长，直至得到与所述第一区域范围的交并比满足第二指定条件的生长区域，并将所述交并比满足所述第二指定条件的生长区域作为所述指定监控目标的最终区域；
报警信息发送模块904，用于当所述指定监控目标中的至少一个可移动监控目标的最终区域与所述指定监控目标中的任一固定监控目标的最终区域满足指定的相对位置关系时，则发送报警信息。
在一个实施例中，所述最终区域确定模块903，具体用于：
遍历与所述种子区域相邻的第二区域范围作为邻域范围；
若所述邻域范围并入所述种子区域后与所述第一区域范围的交并比增加，则将所述邻域范围并入所述种子区域；
遍历结束后得到的种子区域作为所述指定监控目标的最终区域。
在一个实施例中，所述报警信息发送模块904，具体用于：
确定所述指定监控目标中的任一固定监控目标的最终区域与所述指定监控目标中的至少一个可移动监控目标的最终区域的交并比；
针对任一可移动监控目标，当所述可移动监控目标和所述固定监控目标的交并比大于指定预设值时，则发送所述报警信息。
在一个实施例中，所述装置还包括：
危险事件确定模块905，用于所述将社区图像输入至实例分割模型后，还得到所述实例分割模型输出的所述多个监控目标的类别，根据交并比大于指定预设值的可移动监控目标的类别和所述固定监控目标的类别，生成所述危险事件的描述信息。
在一个实施例中，所述报警信息中还包括采集所述社区图像的摄像头的标识；
所述危险事件的描述信息中还包括所述摄像头的标识。
在一个实施例中，所述装置还包括：
训练样本获取模块906，用于根据以下方法训练所述实例分割模型：获取训练样本，所述训练样本包括所述社区中的多个监控目标、标注的所述多个监控目标的区域范围和所述多个监控目标的类别；
训练模块907，用于根据所述训练样本，训练所述实例分割模型。
在一个实施例中，所述装置还包括：
指定监控目标确定模块908，用于在监控目标危险属性数据库中查找多个监控目标中具有危险属性的至少一个监控目标，并将所述具有危险属性的至少一个监控目标作为所述指定监控目标。
在一个实施例中，所述装置还包括：
图像尺寸缩放模块909，用于所述将所述社区图像分别输入至实例分割模型和分水岭分割模型之前，将所述社区图像缩放指定尺寸后，并将所述缩放尺寸后的社区图像作为分别输入至实例分割模型和分水岭分割模型中的社区图像。
在介绍了本申请示例性实施方式的一种社区报警设备、社区报警方法和装置之后，接下来，介绍根据本申请的另一示例性实施方式的电子设备。
在一些可能的实施方式中，本申请提供的一种社区报警方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在计算机设备上运行时，程序代码用于使计算机设备执行本说明书上述描述的根据本申请各种示例性实施方式的一种社区报警方法中的步骤。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、终端设备或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
本申请的实施方式的用于数据处理程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在电子设备上运行。然而，本申请的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、终端设备或者器件使用或者与其结合使用。
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行***、终端设备或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的程序代码，程序设计语言包括面向对象的程序设计语言-诸如Java、C++等，还包括常规的过程式程序设计语言-诸如″C″语言或类似的程序设计语言。程序代码可以完全地在用户电子设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户电子设备上部分在远程电子设备上执行、或者完全在远程电子设备或服务端上执行。在涉及远程电子设备的情形中，远程电子设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)-连接到用户电子设备，或者，可以连接到外部电子设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意，尽管在上文详细描述中提及了终端设备的若干单元或子单元，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之，上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
此外，尽管在附图中以特定顺序描述了本申请方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的终端设备。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令终端设备的制造品，该指令终端设备实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (14)

1.一种服务器，其特征在于，包括存储器和处理器，其中：
所述存储器，用于存储可被所述处理器执行的计算机程序；
所述处理器与所述存储器连接，被配置为：
将社区图像分别输入至实例分割模型和分水岭分割模型中，得到由所述实例分割模型输出的多个监控目标的第一区域范围和所述多个监控目标的类别，以及由所述分水岭分割模型输出的所述多个监控目标的第二区域范围； 其中，所述多个监控目标中包括位置固定的固定监控目标和可移动监控目标；
针对所述多个监控目标中任一指定监控目标，从所述多个监控目标的第二区域范围中查找与所述指定监控目标的第一区域范围的交并比满足第一指定条件的第二区域范围作为种子区域, 其中，第一指定条件可为交并比最大或者是大于指定交并比门限；
以所述种子区域为基准，在所述多个监控目标的第二区域范围内不断进行区域生长，直至得到与所述第一区域范围的交并比满足第二指定条件的生长区域，被配置为：
遍历与所述种子区域相邻的第二区域范围作为邻域范围；若所述邻域范围并入所述种子区域后与所述第一区域范围的交并比增加，则将所述邻域范围并入所述种子区域；遍历结束后得到的种子区域作为所述指定监控目标的最终区域;
将所述交并比满足所述第二指定条件的生长区域作为所述指定监控目标的最终区域;
当所述指定监控目标中的至少一个可移动监控目标的最终区域与所述指定监控目标中的任一固定监控目标的最终区域满足指定的相对位置关系时，则发送报警信息。
2.根据权利要求1所述的服务器，其特征在于，所述处理器在执行当所述指定监控目标中的至少一个可移动监控目标的最终区域与所述指定监控目标中的任一固定监控目标的最终区域满足指定的相对位置关系时，则发送报警信息时，被配置为：
确定所述指定监控目标中的任一固定监控目标的最终区域与所述指定监控目标中的至少一个可移动监控目标的最终区域的交并比；
针对任一可移动监控目标，当所述可移动监控目标和所述固定监控目标的交并比大于指定预设值时，则发送所述报警信息。
3.根据权利要求2所述的服务器，其特征在于，所述处理器还被配置为：
所述将社区图像输入至实例分割模型后，还得到所述实例分割模型输出的所述多个监控目标的类别；根据交并比大于指定预设值的可移动监控目标的类别和固定监控目标的类别，生成危险事件的描述信息。
4.根据权利要求3所述的服务器，其特征在于，所述报警信息中还包括采集所述社区图像的摄像头的标识；
所述危险事件的描述信息中还包括所述摄像头的标识。
5.根据权利要求1所述的服务器，其特征在于，所述处理器还被配置为：
所述将所述社区图像输入至实例分割模型之前， 根据以下方法训练所述实例分割模型：
获取训练样本，所述训练样本包括所述社区中的多个监控目标、标注的所述多个监控目标的区域范围和所述多个监控目标的类别；
根据所述训练样本，训练所述实例分割模型。
6.根据权利要求1所述的服务器，其特征在于，所述处理器还被配置为：
在监控目标危险属性数据库中查找多个监控目标中具有危险属性的至少一个监控目标，并将所述具有危险属性的至少一个监控目标作为所述指定监控目标。
7.根据权利要求1所述的服务器，其特征在于，所述处理器还被配置为：
所述将所述社区图像分别输入至实例分割模型和分水岭分割模型之前，将所述社区图像缩放指定尺寸后，并将所述缩放指定尺寸后的社区图像作为输入至实例分割模型和分水岭分割模型中的所述社区图像。
8.一种社区报警方法，其特征在于，所述方法包括：
将社区图像分别输入至实例分割模型和分水岭分割模型中，得到由所述实例分割模型输出的多个监控目标的第一区域范围和所述多个监控目标的类别，以及由所述分水岭分割模型输出的所述多个监控目标的第二区域范围； 其中，所述多个监控目标中包括位置固定的固定监控目标和可移动监控目标；
针对所述多个监控目标中任一指定监控目标，从所述多个监控目标的第二区域范围中查找与所述指定监控目标的第一区域范围的交并比满足第一指定条件的第二区域范围作为种子区域, 其中，第一指定条件可为交并比最大或者是大于指定交并比门限；
以所述种子区域为基准，在所述多个监控目标的第二区域范围内不断进行区域生长，直至得到与所述第一区域范围的交并比满足第二指定条件的生长区域，包括：
遍历与所述种子区域相邻的第二区域范围作为邻域范围；若所述邻域范围并入所述种子区域后与所述第一区域范围的交并比增加，则将所述邻域范围并入所述种子区域；遍历结束后得到的种子区域作为所述指定监控目标的最终区域；
将所述交并比满足所述第二指定条件的生长区域作为所述指定监控目标的最终区域；
当所述指定监控目标中的至少一个可移动监控目标的最终区域与所述指定监控目标中的任一固定监控目标的最终区域满足指定的相对位置关系时，则发送报警信息。
9.根据权利要求8所述的方法，其特征在于，所述当所述指定监控目标中的至少一个可移动监控目标的最终区域与所述指定监控目标中的任一固定监控目标的最终区域满足指定的相对位置关系时，则发送报警信息时，包括：
确定所述指定监控目标中的任一固定监控目标的最终区域与所述指定监控目标中的至少一个可移动监控目标的最终区域的交并比；
针对任一可移动监控目标，当所述可移动监控目标和所述固定监控目标的交并比大于指定预设值时，则发送所述报警信息。
10.根据权利要求9所述的方法，其特征在于，所述将社区图像输入至实例分割模型后，还得到所述实例分割模型输出的所述多个监控目标的类别；
所述报警信息包括危险事件，确定所述危险事件，包括：
根据交并比大于指定预设值的可移动监控目标的类别和固定监控目标的类别，生成所述危险事件的描述信息。
11.根据权利要求10所述的方法，其特征在于，所述报警信息中还包括采集所述社区图像的摄像头的标识；
所述危险事件的描述信息中还包括所述摄像头的标识。
12.根据权利要求8所述的方法，其特征在于，所述将社区图像输入至实例分割模型之前，所述方法还包括：
根据以下方法训练所述实例分割模型：
获取训练样本，所述训练样本包括所述社区中的多个监控目标、标注的所述多个监控目标的区域范围和所述多个监控目标的类别；
根据所述训练样本，训练所述实例分割模型。
13.根据权利要求8所述的方法，其特征在于，确定所述指定监控目标，包括：
在监控目标危险属性数据库中查找多个监控目标中具有危险属性的至少一个监控目标，并将所述具有危险属性的至少一个监控目标作为所述指定监控目标。
14.根据权利要求8所述的方法，其特征在于，所述将社区图像分别输入至实例分割模型和分水岭分割模型之前，所述方法还包括：
将所述社区图像缩放指定尺寸后，并将所述缩放指定尺寸后的社区图像作为输入至实例分割模型和分水岭分割模型中的所述社区图像。
CN202010703527.6A 2020-07-21 2020-07-21 社区报警方法及服务器 Active CN113473076B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010703527.6A CN113473076B (zh) 2020-07-21 2020-07-21 社区报警方法及服务器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010703527.6A CN113473076B (zh) 2020-07-21 2020-07-21 社区报警方法及服务器

Publications (2)

Publication Number Publication Date
CN113473076A CN113473076A (zh) 2021-10-01
CN113473076B true CN113473076B (zh) 2023-03-14

Family

ID=77868244

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010703527.6A Active CN113473076B (zh) 2020-07-21 2020-07-21 社区报警方法及服务器

Country Status (1)

Country Link
CN (1) CN113473076B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114329058B (zh) * 2021-12-29 2023-05-16 重庆紫光华山智安科技有限公司 图像聚档方法、装置和电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105575049A (zh) * 2015-06-26 2016-05-11 宇龙计算机通信科技(深圳)有限公司 一种预警方法、装置及终端
CN110874953A (zh) * 2018-08-29 2020-03-10 杭州海康威视数字技术股份有限公司 区域报警方法、装置、电子设备及可读存储介质
CN111161275A (zh) * 2018-11-08 2020-05-15 腾讯科技（深圳）有限公司 医学图像中目标对象的分割方法、装置和电子设备
CN111191486A (zh) * 2018-11-14 2020-05-22 杭州海康威视数字技术股份有限公司 一种溺水行为识别方法、监控相机及监控***

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105279898A (zh) * 2015-10-28 2016-01-27 小米科技有限责任公司 报警方法及装置
CN107818326B (zh) * 2017-12-11 2018-07-20 珠海大横琴科技发展有限公司 一种基于场景多维特征的船只检测方法及***

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105575049A (zh) * 2015-06-26 2016-05-11 宇龙计算机通信科技(深圳)有限公司 一种预警方法、装置及终端
CN110874953A (zh) * 2018-08-29 2020-03-10 杭州海康威视数字技术股份有限公司 区域报警方法、装置、电子设备及可读存储介质
CN111161275A (zh) * 2018-11-08 2020-05-15 腾讯科技（深圳）有限公司 医学图像中目标对象的分割方法、装置和电子设备
CN111191486A (zh) * 2018-11-14 2020-05-22 杭州海康威视数字技术股份有限公司 一种溺水行为识别方法、监控相机及监控***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
航空影像落水区域空三自动分区方法研究与应用;李能能等;《陕西理工学院学报(自然科学版)》;20160420(第02期);全文 *

Also Published As

Publication number Publication date
CN113473076A (zh) 2021-10-01

Similar Documents

Publication Publication Date Title
US11367265B2 (en) Method and system for automated debris detection
US10719641B2 (en) Methods and apparatus for automatically defining computer-aided design files using machine learning, image analytics, and/or computer vision
Mirzaei et al. 3D point cloud data processing with machine learning for construction and infrastructure applications: A comprehensive review
CN106127204B (zh) 一种全卷积神经网络的多方向水表读数区域检测算法
Li et al. Street tree segmentation from mobile laser scanning data
CN107735794A (zh) 使用图像处理的状况检测
CN107835997A (zh) 使用计算机视觉的用于电力线走廊监测的植被管理
CN109583345A (zh) 道路识别方法、装置、计算机装置及计算机可读存储介质
Chen et al. Photogrammetric point cloud segmentation and object information extraction for creating virtual environments and simulations
Ziaei et al. A rule-based parameter aided with object-based classification approach for extraction of building and roads from WorldView-2 images
Xu et al. A new clustering-based framework to the stem estimation and growth fitting of street trees from mobile laser scanning data
CN114037966A (zh) 高精地图特征提取方法、装置、介质及电子设备
CN111125290B (zh) 一种基于河长制的智能巡河方法、装置及存储介质
CN113936210A (zh) 塔吊防撞方法
CN113473076B (zh) 社区报警方法及服务器
CN113569801B (zh) 一种配电施工现场带电设备及其带电区域识别方法及装置
Varun et al. A road traffic signal recognition system based on template matching employing tree classifier
Forlani et al. Adaptive filtering of aerial laser scanning data
Stark Using deep convolutional neural networks for the identification of informal settlements to improve a sustainable development in urban environments
CN111242010A (zh) 一种基于边缘ai的判断并识别乱扔垃圾人员身份的方法
Yajima et al. Ai-driven 3d point cloud-based highway infrastructure monitoring system using UAV
CN115171214A (zh) 基于fcos目标检测的工地异常行为检测方法及***
Zhang et al. Individual tree detection and counting based on high-resolution imagery and the canopy height model data
Franceschi et al. Identifying treetops from aerial laser scanning data with particle swarming optimization
CN113569954A (zh) 一种野生动物智能分类识别方法

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
CP01 Change in the name or title of a patent holder

Address after: 266555, No. 218, Bay Road, Qingdao economic and Technological Development Zone, Shandong

Patentee after: Hisense Group Holding Co.,Ltd.

Address before: 266555, No. 218, Bay Road, Qingdao economic and Technological Development Zone, Shandong

Patentee before: QINGDAO HISENSE ELECTRONIC INDUSTRY HOLDING Co.,Ltd.