CN114758464B - 一种基于充电桩监控视频的电瓶防盗方法、设备和存储介质 - Google Patents

一种基于充电桩监控视频的电瓶防盗方法、设备和存储介质 Download PDF

Info

Publication number
CN114758464B
CN114758464B CN202210675753.7A CN202210675753A CN114758464B CN 114758464 B CN114758464 B CN 114758464B CN 202210675753 A CN202210675753 A CN 202210675753A CN 114758464 B CN114758464 B CN 114758464B
Authority
CN
China
Prior art keywords
detection
area
charging pile
acquiring
score
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
CN202210675753.7A
Other languages
English (en)
Other versions
CN114758464A (zh
Inventor
梁帆
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.)
Guangdong Prophet Big Data Co ltd
Original Assignee
Dongguan Prophet Big Data 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 Dongguan Prophet Big Data Co ltd filed Critical Dongguan Prophet Big Data Co ltd
Priority to CN202210675753.7A priority Critical patent/CN114758464B/zh
Publication of CN114758464A publication Critical patent/CN114758464A/zh
Application granted granted Critical
Publication of CN114758464B publication Critical patent/CN114758464B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G08B13/19602—Image analysis to detect motion of the intruder, e.g. by frame subtraction
    • G08B13/19613—Recognition of a predetermined image pattern or behaviour pattern indicating theft or intrusion

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Burglar Alarm Systems (AREA)
  • Closed-Circuit Television Systems (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明属于图像识别技术领域，具体公开了一种基于充电桩监控视频的电瓶防盗方法、设备和存储介质。所述方法包括：实时获取充电桩区域监控视频并获取监控画面；当判定人员进入充电桩区域后，获取该人员在每一帧图像内的关键部位肢体坐标；设置检测矩形区域，获取所述检测矩形区域内电瓶车信息；获取电瓶车轮胎方框信息，获得人员动作得分；基于所述人员动作得分，对连续画面区域内类电瓶物品进行检测，获得电瓶检测结果。本发明通过特殊的算法对视频关键特征进行有效识别，解决了人工检查的高成本、低效率的问题，实现了电瓶车充电场所的电瓶防盗监控的规范性、自动化和高效性，实现了对电瓶失窃事件的实时检测预警。

Description

一种基于充电桩监控视频的电瓶防盗方法、设备和存储介质
技术领域
本发明属于图像识别技术领域，尤其涉及一种基于充电桩监控视频的电瓶防盗方法、设备和存储介质。
背景技术
电瓶车停靠在充电桩进行充电时，因为充电桩附近没有专人看守很容易导致电瓶失窃的事件发生，并且在事后侦察中民警需要观看大量的监控视频来寻找偷盗之人导致消耗大量人力成本，效率不高，所以需要一种基于充电桩监控视频的电瓶防盗实时检测方法实现对电瓶失窃事件的实时检测预警。
发明内容
为克服上述现有技术存在的不足，本发明之目的在于提供一种基于充电桩监控视频的电瓶防盗方法。该***通过计算人员进入充电桩后的防盗检测得分，根据得分高低对电瓶失窃事件进行实时检测，解决了人工检查的高成本、低效率的问题，实现了电瓶车充电场所的电瓶防盗监控的规范性、自动化和高效性。
为实现上述目的，本发明实施例提供如下技术方案。
一种基于充电桩监控视频的电瓶防盗方法，包括：
步骤S1：在充电桩区域部署监控摄像头，实时获取所述监控摄像头的监控视频并获取监控画面的宽W和高H；
步骤S2：在监控画面内设置充电桩区域；
步骤S3：判定所述充电桩区域内是否存在人员；
步骤S4：当判定人员进入充电桩区域后，获取该人员在每一帧图像内的脖子坐标
Figure 986247DEST_PATH_IMAGE001
，胯骨中心点坐标
Figure 382594DEST_PATH_IMAGE002
，手臂坐标
Figure 787030DEST_PATH_IMAGE003
，
Figure 636037DEST_PATH_IMAGE004
和手腕坐标
Figure 541545DEST_PATH_IMAGE005
，
Figure 57977DEST_PATH_IMAGE006
，其中i表示帧数；初始化每一帧的物品得分
Figure 508681DEST_PATH_IMAGE007
；
步骤S5：设置检测矩形区域，获取所述检测矩形区域内电瓶车信息，获取人车同步得分
Figure 844985DEST_PATH_IMAGE008
值；
步骤S6：当所述检测矩形区域存在电瓶车时，获取电瓶车轮胎方框信息，获得人员动作得分；
步骤S7：基于所述人员动作得分，对连续画面区域内类电瓶物品进行检测，获得电瓶检测结果。
进一步地，所述在监控画面内设置充电桩区域，包括：
在监控画面内设置四个边界点
Figure 163971DEST_PATH_IMAGE009
,四个点依次顺时针相连组成充电桩区域；所述充电桩区域以透视关系覆盖监控画面中的停车场地范围。
进一步地，所述判定所述充电桩区域内是否存在人员，包括：
实时获取监控画面内的人员坐标
Figure 269330DEST_PATH_IMAGE010
，当人员坐标满足第一条件时，判定人员进入充电桩区域；所述第一条件为：
Figure 140203DEST_PATH_IMAGE011
Figure 698223DEST_PATH_IMAGE012
进一步地，所述设置检测矩形区域，包括：
步骤S5.1：设置所述检测矩形区域为
Figure 820900DEST_PATH_IMAGE013
，其中
Figure 780766DEST_PATH_IMAGE014
分别表示检测矩形区域的左上角顶点横坐标，左上角顶点纵坐标，区域的宽，以及区域的高；其中，
Figure 573272DEST_PATH_IMAGE015
Figure 884168DEST_PATH_IMAGE016
Figure 544956DEST_PATH_IMAGE017
Figure 93749DEST_PATH_IMAGE018
式中，
Figure 447370DEST_PATH_IMAGE019
为历史数据训练得到的宽度修正常数；
Figure 104617DEST_PATH_IMAGE020
为历史数据训练得到的高度修正常数；
Figure 303517DEST_PATH_IMAGE021
为历史数据训练得到的正向平移
Figure 237975DEST_PATH_IMAGE022
修正常数，
Figure 762497DEST_PATH_IMAGE023
；
Figure 392193DEST_PATH_IMAGE024
为历史数据训练得到的反向平移修正常数，
Figure 660363DEST_PATH_IMAGE025
；
Figure 449327DEST_PATH_IMAGE026
为识别人像方框对角线的长度；
所述获取所述检测矩形区域内电瓶车信息，获取人车同步得分
Figure 879172DEST_PATH_IMAGE027
值，包括：
步骤S5.2：使用训练好的yolov4模型对所述检测矩形区域
Figure 511010DEST_PATH_IMAGE013
进行电瓶车检测；当区域内存在电瓶车时，设置
Figure 317292DEST_PATH_IMAGE028
；当区域内不存在电瓶车时，设置
Figure 960763DEST_PATH_IMAGE029
。
进一步地，所述获取电瓶车轮胎方框信息，获得人员动作得分，包括：
步骤S6.1：当所述检测矩形区域存在电瓶车时，获取电瓶车在监控画面内的完整图像并识别电瓶车两组轮胎方框信息；所述两组轮胎方框信息分别为
Figure 827088DEST_PATH_IMAGE030
,
Figure 431376DEST_PATH_IMAGE031
，其中
Figure 41349DEST_PATH_IMAGE032
，
Figure 804905DEST_PATH_IMAGE033
为轮胎图像方框的左顶角横坐标，
Figure 576552DEST_PATH_IMAGE034
，
Figure 182983DEST_PATH_IMAGE035
为轮胎图像方框的左顶角纵坐标，
Figure 331068DEST_PATH_IMAGE036
，
Figure 949131DEST_PATH_IMAGE037
为轮胎图像方框的宽，
Figure 891679DEST_PATH_IMAGE038
，
Figure 329614DEST_PATH_IMAGE039
为轮胎图像方框的高；
步骤S6.2：再获得人员动作得分
Figure 156755DEST_PATH_IMAGE040
，
Figure 894904DEST_PATH_IMAGE041
；当区域内不存在电瓶车时人员动作得分
Figure 8354DEST_PATH_IMAGE042
；
其中,
Figure 199163DEST_PATH_IMAGE043
为接触得分：
Figure 813684DEST_PATH_IMAGE044
Figure 406340DEST_PATH_IMAGE045
Figure 956270DEST_PATH_IMAGE046
Figure 368797DEST_PATH_IMAGE047
Figure 537741DEST_PATH_IMAGE048
Figure 984903DEST_PATH_IMAGE049
Figure 705734DEST_PATH_IMAGE050
式中，
Figure 871136DEST_PATH_IMAGE051
和
Figure 437247DEST_PATH_IMAGE052
为历史数据训练得到的接触修正常数和分离修正常数；
Figure 863549DEST_PATH_IMAGE053
为下界修正阈值；
Figure 755282DEST_PATH_IMAGE054
为接触距离得分；
Figure 142401DEST_PATH_IMAGE055
为上界修正阈值；
Figure 777781DEST_PATH_IMAGE056
为交界得分；
Figure 74902DEST_PATH_IMAGE057
为接触第一子得分；
Figure 137535DEST_PATH_IMAGE058
为接触第二子得分；
Figure 11951DEST_PATH_IMAGE059
为肢体得分：
Figure 185443DEST_PATH_IMAGE060
Figure 586337DEST_PATH_IMAGE061
式中，
Figure 819872DEST_PATH_IMAGE062
，
Figure 181584DEST_PATH_IMAGE063
为设定的第一判定阈值，第二判定阈值；
Figure 158767DEST_PATH_IMAGE064
为身躯得分：
Figure 430479DEST_PATH_IMAGE065
式中，
Figure 834916DEST_PATH_IMAGE066
为历史数据训练得到的修正常数，
Figure 152765DEST_PATH_IMAGE067
为设定的第三判定阈值，
Figure 933639DEST_PATH_IMAGE068
为远小于1的正实数。
进一步地，所述步骤S7包括：
步骤S7.1：当检测到画面内人员动作得分
Figure 184492DEST_PATH_IMAGE069
时，对该帧画面前的
Figure 884463DEST_PATH_IMAGE070
帧画面内的人员动作得分进行记录，得到
Figure 955188DEST_PATH_IMAGE071
帧连续画面的人员动作得分，包括
Figure 274173DEST_PATH_IMAGE072
；当
Figure 379533DEST_PATH_IMAGE073
时，令
Figure 1138DEST_PATH_IMAGE074
；
其中，
Figure 824738DEST_PATH_IMAGE075
为设定的第四判定阈值；
Figure 681835DEST_PATH_IMAGE070
为设定的正整数；
步骤S7.2：计算获得
Figure 907280DEST_PATH_IMAGE076
；当
Figure 949054DEST_PATH_IMAGE077
时，判定当前检测帧为起始检测帧；从起始检测帧开始对之后任一帧k通过训练好的yolo模型对区域O内的类电瓶物品进行检测；当区域O内存在类电瓶物品时，设置
Figure 994371DEST_PATH_IMAGE078
；
其中，
Figure 655159DEST_PATH_IMAGE079
为设定的第五判断阈值；
Figure 469531DEST_PATH_IMAGE080
为连续动作得分；所述区域O的定义为：
Figure 698519DEST_PATH_IMAGE081
满足
Figure 965552DEST_PATH_IMAGE082
则
Figure 430031DEST_PATH_IMAGE083
；
其中，区域O中的点是检测场景内所有满足条件的点的集合；
将模糊的电瓶图像加入训练yolo模型，得到类电瓶物品检测模型的yolo模型。
进一步地，所述方法还包括步骤S8：
记录人员从进入充电桩区域到离开充电桩区域的监控视频帧数N0；
当
Figure 364489DEST_PATH_IMAGE084
时，计算获得进入得分
Figure 623432DEST_PATH_IMAGE085
；
计算获得离去得分
Figure 779693DEST_PATH_IMAGE086
；
计算获得动作得分
Figure 47864DEST_PATH_IMAGE087
；
计算获得物品得分
Figure 836828DEST_PATH_IMAGE088
；
计算获得失窃检测得分
Figure 266672DEST_PATH_IMAGE089
；
Figure 649243DEST_PATH_IMAGE090
Figure 455525DEST_PATH_IMAGE091
其中，
Figure 98996DEST_PATH_IMAGE092
为设定的第六判定阈值；
Figure 965321DEST_PATH_IMAGE093
为设定的第一计算常数；
Figure 818877DEST_PATH_IMAGE094
为设定的第二计算常数；
Figure 428849DEST_PATH_IMAGE095
，
Figure 926827DEST_PATH_IMAGE096
分别为设定的第七判定阈值、第八判定阈值；
Figure 964053DEST_PATH_IMAGE097
，
Figure 55637DEST_PATH_IMAGE098
分别为设定的第九判定阈值、第十判定阈值；
Figure 203722DEST_PATH_IMAGE099
为历史数据训练的出入修正常数。
进一步地，所述方法还包括步骤S9：当失窃检测得分
Figure 821785DEST_PATH_IMAGE100
大于设定检测阈值TS时，判定人员存在盗取电瓶行为，并获取人员信息通过通信装置向监管人员发出实时告警。
本发明的另一目的在于提供一种计算机设备/移动终端，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述存储器中的计算机程序，以实现所述基于充电桩监控视频的电瓶防盗方法的操作步骤。
本发明的另一目的在于提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述基于充电桩监控视频的电瓶防盗方法的操作步骤。
与现有技术相比，本发明的有益效果是：
本发明提供了一种基于充电桩监控视频的电瓶防盗方法，相对现有技术，电瓶车停靠在充电桩进行充电时，因为充电桩附近没有专人看守很容易导致电瓶失窃的事件发生，并且在事后侦察中民警需要观看大量的监控视频来寻找偷盗之人导致消耗大量人力成本，效率不高，本发明通过计算人员进入充电桩后的防盗检测得分，根据得分高低对电瓶失窃事件进行实时检测，通过特殊的算法对视频关键特征进行有效识别，解决了人工检查的高成本、低效率的问题，实现了电瓶车充电场所的电瓶防盗监控的规范性、自动化和高效性，实现了对电瓶失窃事件的实时检测预警。
附图说明
为了更清楚地说明本发明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发明的一些实施例。
图1为本发明一个可选实施例的方法流程示意图；
图2为本发明一个可选实施例的检测场景模拟图；
图3为本发明一个可选实施例的充电桩区域和人体关键点示意图；
图4为本发明一个可选实施例的检测矩形区域示意图；
图5为本发明一个可选实施例的电瓶车信息示意图。
图例标记：
1-充电桩区域；2-手臂；3-手腕；4-胯骨；5-脖子；6-检测矩形区域；7-轮胎；8-电瓶车。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
见图1所示的方法流程图。在本发明提供的一个优选实施方式中，一种基于充电桩监控视频的电瓶防盗方法，包括：
步骤S1：在充电桩区域部署监控摄像头，实时获取所述监控摄像头的监控视频并获取监控画面的宽W和高H。
图2为本发明一个可选实施例的检测场景模拟图。
步骤S2：在监控画面内设置充电桩区域。具体为：
在监控画面内设置四个边界点
Figure 764333DEST_PATH_IMAGE009
,四个点依次顺时针相连组成充电桩区域。所述充电桩区域以透视关系覆盖监控画面中的停车场地范围。
图3为本发明一个可选实施例的充电桩区域和人体关键点示意图。
步骤S3：判定所述充电桩区域内是否存在人员。具体为：
实时获取监控画面内的人员坐标
Figure 858060DEST_PATH_IMAGE010
，当人员坐标满足第一条件时，判定人员进入充电桩区域。所述第一条件为：
Figure 809835DEST_PATH_IMAGE011
Figure 282405DEST_PATH_IMAGE012
步骤S4：当判定人员进入充电桩区域后，获取该人员在每一帧图像内的脖子坐标
Figure 395854DEST_PATH_IMAGE001
，胯骨中心点坐标
Figure 586664DEST_PATH_IMAGE002
，手臂坐标
Figure 951918DEST_PATH_IMAGE003
，
Figure 544573DEST_PATH_IMAGE004
和手腕坐标
Figure 828924DEST_PATH_IMAGE005
，
Figure 507030DEST_PATH_IMAGE006
，其中i表示帧数。初始化每一帧的物品得分
Figure 535029DEST_PATH_IMAGE007
。
步骤S5：设置检测矩形区域，获取所述检测矩形区域内电瓶车信息，获取人车同步得分
Figure 106824DEST_PATH_IMAGE027
值。具体为：
步骤S5.1：设置所述检测矩形区域为
Figure 827656DEST_PATH_IMAGE013
，其中
Figure 727479DEST_PATH_IMAGE014
分别表示检测矩形区域的左上角顶点横坐标，左上角顶点纵坐标，区域的宽，以及区域的高；其中，
Figure 559168DEST_PATH_IMAGE015
Figure 860837DEST_PATH_IMAGE016
Figure 627936DEST_PATH_IMAGE017
Figure 15055DEST_PATH_IMAGE018
式中，
Figure 650435DEST_PATH_IMAGE022
为历史数据训练得到的宽度修正常数；
Figure 72189DEST_PATH_IMAGE020
为历史数据训练得到的高度修正常数；
Figure 869244DEST_PATH_IMAGE021
为历史数据训练得到的正向平移
Figure 868293DEST_PATH_IMAGE022
修正常数，
Figure 41785DEST_PATH_IMAGE023
；
Figure 318046DEST_PATH_IMAGE024
为历史数据训练得到的反向平移修正常数，
Figure 551581DEST_PATH_IMAGE025
；
Figure 647713DEST_PATH_IMAGE026
为识别人像方框对角线的长度。
步骤S5.2：使用训练好的yolov4模型对所述检测矩形区域
Figure 500262DEST_PATH_IMAGE013
进行电瓶车检测；当区域内存在电瓶车时，设置人车同步得分
Figure 631030DEST_PATH_IMAGE028
；当区域内不存在电瓶车时，设置人车同步得分
Figure 35466DEST_PATH_IMAGE029
。
图4为本发明一个可选实施例的检测矩形区域示意图。
步骤S6：当所述检测矩形区域存在电瓶车时，获取电瓶车轮胎方框信息，获得人员动作得分。具体为：
步骤S6.1：当所述检测矩形区域存在电瓶车时，获取电瓶车在监控画面内的完整图像并识别电瓶车两组轮胎方框信息。所述两组轮胎方框信息分别为
Figure 884473DEST_PATH_IMAGE030
，
Figure 399768DEST_PATH_IMAGE031
，其中
Figure 509676DEST_PATH_IMAGE032
，
Figure 85014DEST_PATH_IMAGE033
为轮胎图像方框的左顶角横坐标，
Figure 421317DEST_PATH_IMAGE034
，
Figure 474724DEST_PATH_IMAGE035
为轮胎图像方框的左顶角纵坐标，
Figure 580083DEST_PATH_IMAGE036
，
Figure 201688DEST_PATH_IMAGE037
为轮胎图像方框的宽，
Figure 25288DEST_PATH_IMAGE038
，
Figure 882385DEST_PATH_IMAGE039
为轮胎图像方框的高。
步骤S6.2：再获得人员动作得分
Figure 576672DEST_PATH_IMAGE040
，
Figure 759391DEST_PATH_IMAGE041
；当区域内不存在电瓶车时人员动作得分
Figure 929342DEST_PATH_IMAGE042
。
其中,
Figure 590130DEST_PATH_IMAGE043
为接触得分：
Figure 670082DEST_PATH_IMAGE044
Figure 492544DEST_PATH_IMAGE045
Figure 25157DEST_PATH_IMAGE046
Figure 365002DEST_PATH_IMAGE047
Figure 299460DEST_PATH_IMAGE048
Figure 558403DEST_PATH_IMAGE049
Figure 312733DEST_PATH_IMAGE050
式中，
Figure 315324DEST_PATH_IMAGE051
和
Figure 228922DEST_PATH_IMAGE052
为历史数据训练得到的接触修正常数和分离修正常数；
Figure 924345DEST_PATH_IMAGE053
为下界修正阈值；
Figure 431550DEST_PATH_IMAGE054
为接触距离得分；
Figure 706674DEST_PATH_IMAGE055
为上界修正阈值；
Figure 615724DEST_PATH_IMAGE056
为交界得分；
Figure 91836DEST_PATH_IMAGE057
为接触第一子得分；
Figure 86336DEST_PATH_IMAGE058
为接触第二子得分。
Figure 165151DEST_PATH_IMAGE059
为肢体得分：
Figure 928708DEST_PATH_IMAGE060
Figure 965934DEST_PATH_IMAGE061
式中，
Figure 306785DEST_PATH_IMAGE062
，
Figure 454870DEST_PATH_IMAGE063
为设定的第一判定阈值，第二判定阈值。
Figure 807354DEST_PATH_IMAGE064
为身躯得分：
Figure 15481DEST_PATH_IMAGE065
式中，
Figure 718995DEST_PATH_IMAGE066
为历史数据训练得到的修正常数，
Figure 280557DEST_PATH_IMAGE067
为设定的第三判定阈值，
Figure 753127DEST_PATH_IMAGE068
为远小于1的正实数，如0.0001。
图5为本发明一个可选实施例的电瓶车信息示意图。
步骤S7：基于所述人员动作得分，对连续画面区域内类电瓶物品进行检测，获得电瓶检测结果。具体为：
步骤S7.1：当检测到画面内人员动作得分
Figure 132156DEST_PATH_IMAGE069
时，对该帧画面前的
Figure 322966DEST_PATH_IMAGE070
帧画面内的人员动作得分进行记录，得到
Figure 812853DEST_PATH_IMAGE071
帧连续画面的人员动作得分，包括
Figure 264563DEST_PATH_IMAGE072
；当
Figure 814493DEST_PATH_IMAGE073
时，令
Figure 227020DEST_PATH_IMAGE074
。
其中，
Figure 520598DEST_PATH_IMAGE075
为设定的第四判定阈值；
Figure 967760DEST_PATH_IMAGE070
为设定的正整数，如10。
步骤S7.2：计算获得
Figure 298378DEST_PATH_IMAGE076
；当
Figure 198201DEST_PATH_IMAGE077
时，判定当前检测帧为起始检测帧；从起始检测帧开始对之后任一帧k通过训练好的yolo模型对区域O内的类电瓶物品进行检测；当区域O内存在类电瓶物品时，设置
Figure 29891DEST_PATH_IMAGE078
。
其中，
Figure 597138DEST_PATH_IMAGE079
为设定的第五判断阈值；
Figure 613505DEST_PATH_IMAGE080
为连续动作得分；所述区域O的定义为：
Figure 266203DEST_PATH_IMAGE081
满足
Figure 636004DEST_PATH_IMAGE082
则
Figure 792179DEST_PATH_IMAGE083
其中，区域O中的点是检测场景内所有满足条件的点的集合。
优选地，因为标准的电瓶检测误差较大，所以将一些模糊的电瓶图像加入训练yolo模型，得到类电瓶物品检测模型的yolo模型，减少漏判。
基于以上实施例，基于所述人员动作得分和电瓶检测结果，可以获得基于充电桩监控视频的电瓶防盗方法的技术效果。
较佳地，实施例可以增加以下步骤。
步骤S8：记录人员从进入充电桩区域到离开充电桩区域的监控视频帧数N0。
当
Figure 854813DEST_PATH_IMAGE084
时，计算获得进入得分
Figure 604594DEST_PATH_IMAGE085
；
计算获得离去得分
Figure 43666DEST_PATH_IMAGE086
；
计算获得动作得分
Figure 319926DEST_PATH_IMAGE087
；
计算获得物品得分
Figure 553462DEST_PATH_IMAGE088
；
计算获得失窃检测得分
Figure 649594DEST_PATH_IMAGE089
；
Figure 751411DEST_PATH_IMAGE090
Figure 882178DEST_PATH_IMAGE091
其中，
Figure 286614DEST_PATH_IMAGE092
为设定的第六判定阈值；
Figure 870042DEST_PATH_IMAGE093
为设定的第一计算常数；
Figure 385337DEST_PATH_IMAGE094
为设定的第二计算常数；
Figure 511556DEST_PATH_IMAGE095
，
Figure 86894DEST_PATH_IMAGE096
分别为设定的第七判定阈值、第八判定阈值；
Figure 423198DEST_PATH_IMAGE097
，
Figure 476604DEST_PATH_IMAGE098
分别为设定的第九判定阈值、第十判定阈值；
Figure 581963DEST_PATH_IMAGE099
为历史数据训练的出入修正常数。
较佳地，实施例可以增加以下步骤。
步骤S9：当失窃检测得分gf大于设定检测阈值TS时，判定人员存在盗取电瓶行为，并获取人员信息通过通信装置向监管人员发出实时告警。
本发明的另一个实施例，在前述的基于充电桩监控视频的电瓶防盗方法的基础上，提供了一种计算机设备/移动终端，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述存储器中的计算机程序，以实现前述的基于充电桩监控视频的电瓶防盗方法的操作步骤。
为了能够加载上述***和方法能够顺利运行，该***除了包括上述各种模块之外，还可以包括比上述描述更多或更少的部件，或者组合某些部件，或者不同的部件，例如可以包括监控摄像头、输入输出设备、网络接入设备、总线、处理器和存储器等。
所称处理器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，上述处理器是上述客户端或者相关***的控制中心，利用各种接口和线路连接整个用户终端的各个部分。
上述存储器可用于存储计算机以及手机程序和/或模块，上述处理器通过运行或执行存储在存储器内的计算机、手机程序和/或模块，以及调用存储在存储器内的数据，实现上述客户端的各种功能。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序（比如信息采集模板展示功能、产品信息发布功能等）等；存储数据区可存储根据泊位状态显示***的使用所创建的数据（比如不同产品种类对应的产品信息采集模板、不同产品提供方需要发布的产品信息等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明的另一个实施例，在前述的基于充电桩监控视频的电瓶防盗方法的基础上，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现前述的基于充电桩监控视频的电瓶防盗方法的操作步骤。
本领域普通技术人员可以理解实现上述实施例中的全部或部分流程及模块，是可以通过计算机和手机程序、硬件及其组合来实现。所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可实现包括如上述各模块及方法的实施例的流程。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于充电桩监控视频的电瓶防盗方法，其特征在于，包括：
步骤S1：在充电桩区域部署监控摄像头，实时获取所述监控摄像头的监控视频并获取监控画面的宽W和高H；
步骤S2：在监控画面内设置充电桩区域；
步骤S3：判定所述充电桩区域内是否存在人员；
步骤S4：当判定人员进入充电桩区域后，获取该人员在每一帧图像内的脖子坐标
Figure 569402DEST_PATH_IMAGE001
，胯骨中心点坐标
Figure 82423DEST_PATH_IMAGE002
，手臂坐标
Figure 153148DEST_PATH_IMAGE003
,
Figure 144237DEST_PATH_IMAGE004
和手腕坐标
Figure 921700DEST_PATH_IMAGE005
，
Figure 402360DEST_PATH_IMAGE006
，其中i表示帧数；初始化每一帧的物品得分
Figure 632484DEST_PATH_IMAGE007
；
步骤S5：设置检测矩形区域，获取所述检测矩形区域内电瓶车信息，获取人车同步得分gci值；
步骤S6：当所述检测矩形区域存在电瓶车时，获取电瓶车轮胎方框信息，获得人员动作得分；
步骤S7：基于所述人员动作得分，对连续画面区域内类电瓶物品进行检测，获得电瓶检测结果；
所述获取所述检测矩形区域内电瓶车信息，获取人车同步得分
Figure 489582DEST_PATH_IMAGE008
值，包括：
步骤S5.2：使用训练好的yolov4模型对所述检测矩形区域
Figure 121552DEST_PATH_IMAGE009
进行电瓶车检测；当区域内存在电瓶车时，设置
Figure 773113DEST_PATH_IMAGE010
；当区域内不存在电瓶车时，设置
Figure 753183DEST_PATH_IMAGE011
；其中
Figure 148392DEST_PATH_IMAGE012
分别表示检测矩形区域的左上角顶点横坐标，左上角顶点纵坐标，区域的宽，以及区域的高；
所述获取电瓶车轮胎方框信息，获得人员动作得分，包括：
步骤S6.1：当所述检测矩形区域存在电瓶车时，获取电瓶车在监控画面内的完整图像并识别电瓶车两组轮胎方框信息；所述两组轮胎方框信息分别为
Figure 634868DEST_PATH_IMAGE013
,
Figure 722910DEST_PATH_IMAGE014
，其中
Figure 989943DEST_PATH_IMAGE015
，
Figure 126526DEST_PATH_IMAGE016
为轮胎图像方框的左顶角横坐标，
Figure 529826DEST_PATH_IMAGE017
，
Figure 726452DEST_PATH_IMAGE018
为轮胎图像方框的左顶角纵坐标，
Figure 480781DEST_PATH_IMAGE019
，
Figure 155476DEST_PATH_IMAGE020
为轮胎图像方框的宽，
Figure 678862DEST_PATH_IMAGE021
，
Figure 46389DEST_PATH_IMAGE022
为轮胎图像方框的高；
步骤S6.2：再获得人员动作得分
Figure 22435DEST_PATH_IMAGE023
，
Figure 500821DEST_PATH_IMAGE024
；当区域内不存在电瓶车时人员动作得分
Figure 144292DEST_PATH_IMAGE025
；
其中,
Figure 417142DEST_PATH_IMAGE026
为接触得分：
Figure 146063DEST_PATH_IMAGE027
Figure 177209DEST_PATH_IMAGE028
Figure 675187DEST_PATH_IMAGE029
Figure 118937DEST_PATH_IMAGE030
Figure 335155DEST_PATH_IMAGE031
Figure 155344DEST_PATH_IMAGE032
Figure 507827DEST_PATH_IMAGE033
式中，
Figure 388059DEST_PATH_IMAGE034
和
Figure 825993DEST_PATH_IMAGE035
为历史数据训练得到的接触修正常数和分离修正常数；
Figure 184294DEST_PATH_IMAGE036
为下界修正阈值；
Figure 656863DEST_PATH_IMAGE037
为接触距离得分；
Figure 442417DEST_PATH_IMAGE038
为上界修正阈值；
Figure 367647DEST_PATH_IMAGE039
为交界得分；
Figure 529638DEST_PATH_IMAGE040
为接触第一子得分；
Figure 856714DEST_PATH_IMAGE041
为接触第二子得分；
Figure 78748DEST_PATH_IMAGE042
为肢体得分：
Figure 491275DEST_PATH_IMAGE043
Figure 188448DEST_PATH_IMAGE044
式中，
Figure 370031DEST_PATH_IMAGE045
和
Figure 762966DEST_PATH_IMAGE046
为设定的第一判定阈值，第二判定阈值；
Figure 662789DEST_PATH_IMAGE047
为身躯得分：
Figure 228899DEST_PATH_IMAGE048
式中，
Figure 202672DEST_PATH_IMAGE049
为历史数据训练得到的修正常数，
Figure 828825DEST_PATH_IMAGE050
为设定的第三判定阈值，
Figure 153627DEST_PATH_IMAGE051
为远小于1的正实数。
2.根据权利要求1所述的方法，其特征在于，所述在监控画面内设置充电桩区域，包括：
在监控画面内设置四个边界点
Figure 257849DEST_PATH_IMAGE052
,四个点依次顺时针相连组成充电桩区域；所述充电桩区域以透视关系覆盖监控画面中的停车场地范围。
3.根据权利要求2所述的方法，其特征在于，所述判定所述充电桩区域内是否存在人员，包括：
实时获取监控画面内的人员坐标
Figure 351707DEST_PATH_IMAGE053
，当人员坐标满足第一条件时，判定人员进入充电桩区域；所述第一条件为：
Figure 148762DEST_PATH_IMAGE054
，
Figure 695281DEST_PATH_IMAGE055
。
4.根据权利要求3所述的方法，其特征在于：
所述设置检测矩形区域，包括：
步骤S5.1：设置所述检测矩形区域为
Figure 868773DEST_PATH_IMAGE009
，其中
Figure 817138DEST_PATH_IMAGE012
分别表示检测矩形区域的左上角顶点横坐标，左上角顶点纵坐标，区域的宽，以及区域的高；其中，
Figure 785094DEST_PATH_IMAGE056
Figure 818909DEST_PATH_IMAGE057
Figure 264934DEST_PATH_IMAGE058
Figure 336314DEST_PATH_IMAGE059
式中，
Figure 475171DEST_PATH_IMAGE060
为历史数据训练得到的宽度修正常数；
Figure 996282DEST_PATH_IMAGE061
为历史数据训练得到的高度修正常数；
Figure 245998DEST_PATH_IMAGE062
为历史数据训练得到的正向平移
Figure 168955DEST_PATH_IMAGE060
修正常数，
Figure 478713DEST_PATH_IMAGE063
；
Figure 487120DEST_PATH_IMAGE064
为历史数据训练得到的反向平移修正常数，
Figure 540527DEST_PATH_IMAGE065
；
Figure 317990DEST_PATH_IMAGE066
识别人像方框对角线的长度。
5.根据权利要求4所述的方法，其特征在于，所述步骤S7包括：
步骤S7.1：当检测到画面内人员动作得分
Figure 798650DEST_PATH_IMAGE067
时，对该帧画面前的
Figure 28774DEST_PATH_IMAGE068
帧画面内的人员动作得分进行记录，得到
Figure 885872DEST_PATH_IMAGE069
帧连续画面的人员动作得分，包括
Figure 517842DEST_PATH_IMAGE070
；当
Figure 169403DEST_PATH_IMAGE071
时，令
Figure 152402DEST_PATH_IMAGE072
；
其中，
Figure 547611DEST_PATH_IMAGE073
为设定的第四判定阈值；
Figure 96404DEST_PATH_IMAGE068
为设定的正整数；
步骤S7.2：计算获得
Figure 119200DEST_PATH_IMAGE074
：
Figure 323916DEST_PATH_IMAGE075
；当
Figure 257237DEST_PATH_IMAGE076
时，判定当前检测帧为起始检测帧；从起始检测帧开始对之后任一帧k通过训练好的yolo模型对区域O内的类电瓶物品进行检测；当区域O内存在类电瓶物品时，设置
Figure 926116DEST_PATH_IMAGE077
；
其中，
Figure 122742DEST_PATH_IMAGE078
为设定的第五判断阈值；
Figure 611492DEST_PATH_IMAGE074
为连续动作得分；所述区域O的定义为：
Figure 551766DEST_PATH_IMAGE079
满足
Figure 75151DEST_PATH_IMAGE080
则
Figure 177100DEST_PATH_IMAGE081
；
其中，区域O中的点是检测场景内所有满足条件的点的集合；
将模糊的电瓶图像加入训练yolo模型，得到类电瓶物品检测模型的yolo模型。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括步骤S8：
记录人员从进入充电桩区域到离开充电桩区域的监控视频帧数
Figure 356408DEST_PATH_IMAGE082
；
当
Figure 897111DEST_PATH_IMAGE083
时，计算获得进入得分
Figure 212686DEST_PATH_IMAGE084
；
计算获得离去得分
Figure 813431DEST_PATH_IMAGE085
；
计算获得动作得分
Figure 214457DEST_PATH_IMAGE086
；
计算获得物品得分
Figure 558851DEST_PATH_IMAGE087
；
计算获得失窃检测得分
Figure 985722DEST_PATH_IMAGE088
；
Figure 491790DEST_PATH_IMAGE089
Figure 708007DEST_PATH_IMAGE090
其中，
Figure 528196DEST_PATH_IMAGE091
为设定的第六判定阈值；
Figure 880680DEST_PATH_IMAGE092
为设定的第一计算常数；
Figure 495332DEST_PATH_IMAGE093
为设定的第二计算常数；
Figure 933266DEST_PATH_IMAGE094
，
Figure 557146DEST_PATH_IMAGE095
分别为设定的第七判定阈值、第八判定阈值；
Figure 764136DEST_PATH_IMAGE096
，
Figure 815269DEST_PATH_IMAGE097
分别为设定的第九判定阈值、第十判定阈值；
Figure 740500DEST_PATH_IMAGE098
为历史数据训练的出入修正常数。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括步骤S9：当失窃检测得分
Figure 902491DEST_PATH_IMAGE099
大于设定检测阈值TS时，判定人员存在盗取电瓶行为，并获取人员信息通过通信装置向监管人员发出实时告警。
8.一种计算机设备/移动终端，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述存储器中的计算机程序，以实现权利要求1至6中任一项所述方法的操作步骤。
9.一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，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述方法的操作步骤。
CN202210675753.7A 2022-06-15 2022-06-15 一种基于充电桩监控视频的电瓶防盗方法、设备和存储介质 Active CN114758464B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210675753.7A CN114758464B (zh) 2022-06-15 2022-06-15 一种基于充电桩监控视频的电瓶防盗方法、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210675753.7A CN114758464B (zh) 2022-06-15 2022-06-15 一种基于充电桩监控视频的电瓶防盗方法、设备和存储介质

Publications (2)

Publication Number Publication Date
CN114758464A CN114758464A (zh) 2022-07-15
CN114758464B true CN114758464B (zh) 2022-09-13

Family

ID=82336841

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210675753.7A Active CN114758464B (zh) 2022-06-15 2022-06-15 一种基于充电桩监控视频的电瓶防盗方法、设备和存储介质

Country Status (1)

Country Link
CN (1) CN114758464B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115009074B (zh) * 2022-07-21 2023-03-31 东莞先知大数据有限公司 一种充电桩偷电行为检测方法、电子设备和存储介质
CN115471787B (zh) * 2022-08-09 2023-06-06 东莞先知大数据有限公司 一种工地物体堆放检测方法、装置及存储介质
CN115862241B (zh) * 2023-03-03 2023-05-12 江苏安能科技有限公司 一种充电桩区域偷盗监测方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002264874A (ja) * 2001-03-12 2002-09-18 Toshiba Corp 自動二輪車の通信装置ならびにこの通信装置を利用したヘルメットおよび盗難防止装置
CN106184490A (zh) * 2016-08-18 2016-12-07 南京九致信息科技有限公司 电动辅助自行车的电池防盗装置及电动辅助自行车
CN207503392U (zh) * 2017-09-25 2018-06-15 河南英开电气股份有限公司 一种电动汽车充电桩防盗监控***
CN208233219U (zh) * 2017-12-25 2018-12-14 常州金葵智能技术有限公司 一种公共电动车充电装备的报警设备
CN109522938A (zh) * 2018-10-26 2019-03-26 华南理工大学 一种基于深度学习的图像中目标的识别方法
CN112434666B (zh) * 2020-12-11 2022-03-08 东莞先知大数据有限公司 重复动作识别方法、装置、介质及设备

Also Published As

Publication number Publication date
CN114758464A (zh) 2022-07-15

Similar Documents

Publication Publication Date Title
CN114758464B (zh) 一种基于充电桩监控视频的电瓶防盗方法、设备和存储介质
CN110427905B (zh) 行人跟踪方法、装置以及终端
US8750573B2 (en) Hand gesture detection
US20190347486A1 (en) Method and apparatus for detecting a garbage dumping action in real time on video surveillance system
CN110796051B (zh) 基于货柜场景下的实时存取行为检测方法和***
CN108665373A (zh) 一种车辆定损的交互处理方法、装置、处理设备及客户端
CN107004271A (zh) 显示方法、装置、电子设备、计算机程序产品和非暂态计算机可读存储介质
CN111723773B (zh) 遗留物检测方法、装置、电子设备及可读存储介质
CN112052815B (zh) 一种行为检测方法、装置及电子设备
CN112530019A (zh) 三维人体重建方法、装置、计算机设备和存储介质
CN103020606A (zh) 一种基于时空上下文信息的行人检测方法
CN109102530A (zh) 运动轨迹绘制方法、装置、设备和存储介质
CN111597879A (zh) 一种基于监控视频的姿态检测方法、装置及***
CN109360278A (zh) 出租车计价方法、***及服务器
CN109902550A (zh) 行人属性的识别方法和装置
CN104794446A (zh) 基于合成描述子的人体动作识别方法及***
CN110427810A (zh) 视频定损方法、装置、拍摄端及机器可读存储介质
CN112434566A (zh) 客流统计方法、装置、电子设备及存储介质
CN106780603A (zh) 车辆检测方法、装置及电子设备
CN108924627A (zh) 运动对象的位置分布显示方法、装置、设备及存储介质
DE112021004252T5 (de) Vorrichtung und verfahren zum bereitstellen eines suchdienstes für ein vermisstes kind auf der basis einer gesichtserkennung unter verwendung von deep-learning
CN108921147A (zh) 一种基于动态纹理和变换域时空特征的黑烟车识别方法
CN106339684A (zh) 一种行人检测的方法、装置及车辆
CN111914704B (zh) 一种三轮车载人的识别方法、装置、电子设备及存储介质
CN112883783A (zh) 一种视频浓缩方法、装置、终端设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: Building 7, No. 124 Dongbao Road, Dongcheng Street, Dongguan City, Guangdong Province, 523128

Patentee after: Guangdong Prophet Big Data Co.,Ltd.

Country or region after: China

Address before: 523128 Room 401, building 6, No.5 Weifeng Road, Dongcheng Street, Dongguan City, Guangdong Province

Patentee before: Dongguan prophet big data Co.,Ltd.

Country or region before: China