CN116456061B - 基于动态目标检测的智能社区监控管理方法、***及介质 - Google Patents
基于动态目标检测的智能社区监控管理方法、***及介质 Download PDFInfo
- Publication number
- CN116456061B CN116456061B CN202310710895.7A CN202310710895A CN116456061B CN 116456061 B CN116456061 B CN 116456061B CN 202310710895 A CN202310710895 A CN 202310710895A CN 116456061 B CN116456061 B CN 116456061B
- Authority
- CN
- China
- Prior art keywords
- dynamic
- monitoring
- dynamic target
- data
- intelligent community
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 160
- 238000001514 detection method Methods 0.000 title claims abstract description 58
- 238000007726 management method Methods 0.000 title claims abstract description 26
- 230000005540 biological transmission Effects 0.000 claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 241001465754 Metazoa Species 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000011897 real-time detection Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 4
- 230000003190 augmentative effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 abstract description 12
- 239000002699 waste material Substances 0.000 abstract description 6
- 230000007246 mechanism Effects 0.000 abstract description 5
- 241001464837 Viridiplantae Species 0.000 description 10
- 230000001105 regulatory effect Effects 0.000 description 3
- 241000282326 Felis catus Species 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013144 data compression Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000002203 pretreatment Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/66—Remote control of cameras or camera parts, e.g. by remote control devices
- H04N23/661—Transmitting camera control signals through networks, e.g. control via the Internet
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- 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
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/70—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in livestock or poultry
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明公开基于动态目标检测的智能社区监控管理方法、***及介质;涉及智能社区技术领域,获取智能社区的监控数据并进行预处理;基于预处理后的监控数据进行动态目标检测,并对具有动态目标的监控数据进行动态幅度等级判定;以动态目标检测结果和动态幅度等级判定结果为依据,来调整智能社区的监控视频采集参数和监控视频传输方式;本发明在现有方法的基础上进行改进,以动态目标检测结果和动态幅度等级判定结果为依据,来调整智能社区的监控视频采集参数和监控视频传输方式,为了避免设备数据采样率不合理导致的宽带浪费和数据冗余,以更加智能化的数据采样率控制机制,根据监控数据的内容调控数据采样率,解决宽带效率不足的问题。
Description
技术领域
本发明涉及智能社区技术领域,具体涉及基于动态目标检测的智能社区监控管理方法、***及介质。
背景技术
智能社区安防构架是一种基于物联网技术和智能化安防设备的安全防范措施构架,旨在提高社区安全管理和服务的智能化程度;其主要功能包括视频监控、门禁管控、人员检测等,可以通过人脸识别、身份认证等技术手段实现对社区出入人员的智能化管控。
社区安防设计构架需要相当大的宽带,例如高分辨率的摄像头和较多的人员和设备数据需要上传,会对宽带资源造成一定的压力;针对目前社区安防设计构架存在的宽带效率不足问题,现有技术采取以下几种方法进行解决:可以采取更高速的宽带方案,例如千兆网络或者光纤网络;优化数据压缩算法:社区安防设计构架需要上传和存储大量的视频图像等数据,为了减少数据传输和存储占用的带宽,可以通过采用更加高效的数据压缩算法,将数据体积降低到最小;优化数据上传轮询机制等。
发明内容
本发明所要解决的技术问题是:现有的社区安防设计构架存在的宽带效率不足的问题,本发明目的在于提供基于动态目标检测的智能社区监控管理方法、***及介质,在现有方法的基础上进行改进,以动态目标检测结果和动态幅度等级判定结果为依据,来调整智能社区的监控视频采集参数和监控视频传输方式,为了避免设备数据采样率不合理导致的宽带浪费和数据冗余,以更加智能化的数据采样率控制机制,根据监控数据的内容调控数据采样率,解决宽带效率不足的问题。
本发明通过下述技术方案实现:
本方案提供基于动态目标检测的智能社区监控管理方法,包括:
获取智能社区的监控数据并进行预处理;
基于预处理后的监控数据进行动态目标检测,并对具有动态目标的监控数据进行动态幅度等级判定;
以动态目标检测结果和动态幅度等级判定结果为依据,来调整智能社区的监控视频采集参数和监控视频传输方式。
本方案工作原理:现有的社区安防设计构架存在的宽带效率不足的问题,本发明提供的基于动态目标检测的智能社区监控管理方法、***及介质,在现有方法的基础上进行改进,以动态目标检测结果和动态幅度等级判定结果为依据,来调整智能社区的监控视频采集参数和监控视频传输方式;为了避免视频设备的数据采样率不合理导致的宽带浪费和数据冗余,以更加智能化的视频设备数据采样率控制机制来解决宽带效率不足:根据监控数据的内容调控数据采样率来解决宽带效率不足的问题。
传统监控视频的传输无论被监控场景的行人状况如何,摄像装置都传输统一的采集模式和传输方式,因此容易在无行人和行人较少时造成传大量输宽带的浪费,针对这种情况,本发明对具有动态目标的监控数据进行动态幅度等级判定;以动态目标检测结果和动态幅度等级判定结果为依据,来调整智能社区的监控视频采集参数和监控视频传输方式,使得所拍得的视频数据更加有意义,摄像装置根据不同的动态幅度等级选择不同的质量的采集模式和传输方式,从根本上最大程度的降低了传输所消耗的网络流量。
进一步优化方案为,所述预处理方法包括:
获取监控数据的图像数据;
划分出图像数据的背景区域和前景区域,再基于帧间差分法从相邻的两帧图像数据中分类出图像数据的静止点和运动点;以静止点作为背景像素点,以运动点作为前景像素点;
基于贝叶斯决策方法从背景像素点中提取出候选背景像素点,从前景像素点中提取出候选前景像素点。基于贝叶斯决策方法分别获取背景的后验概率和前景的后验概率;从图像数据的前景目标以及背景目标中提取特征矢量,并获取特征矢量概率;将图像中的背景区域和前景区域分别与特征矢量关联,根据特征矢量概率划分出候选背景像素点和候选前景像素点。
进一步优化方案为,所述动态目标检测的方法包括:
S1,对候选像素点进行加权计算:根据式,计算出各像素点的权重向量;其中u表示像素点的像素因子,w表示权重;
S2,将像素点i的权重向量设置为对角元素建立对角矩阵,并将各像素点的权重向量设置为对角矩阵/>中的列向量,通过列向量的排列得到视频序列的权重矩阵B;
S3,以为检测模型,估计图像数据中动态目标的姿态区域;其中,n表示候选像素点总数,α为动态目标的姿态参数,/>为旋转矩阵,E与C分别为权重矩阵B的低秩成分以及稀疏成分,Z为动态目标的可能姿态参数;/>表示E的核范数;表示L1范数;
S4,求解检测模型的凸优化问题,以获取动态目标的实时检测结果,输出实时检测结果和动态目标的姿态区域;
本方案通过多层范式建立图片数据的全局视图,将全局视图设置为目标姿态实时检测的初始值,通过进一步分割提升动态目标的姿态检测精度。通过权重矩阵B抑制动态目标内的背景信息,提升动态目标与背景区域的区分性能,令区域内的前景更突出。
进一步优化方案为,步骤S4包括以下子步骤:
S41,计算检测模型的增广拉格朗日函数:
其中,y为拉格朗日乘子,β为惩罚参数;/>表示Frobenius范数;
S42,迭代求解检测模型的增广拉格朗日函数的多变量优化问题,直至满足收敛条件以获取动态目标的实时检测结果,所述收敛条件为,/>表示L0范数。
进一步优化方案为,动态幅度等级判定方法包括:
当监控数据的实时检测结果为具有动态目标时,计算动态目标的姿态区域的平均面积占比;
判断平均面积占比是否属于面积阈值范围,当平均面积占比属于面积阈值范围内,且为动态目标为行人时;判定当前监控数据的动态幅度等级为第一等级;
当平均面积占比属于面积阈值范围内,且为动态目标为活体动物时;判定当前监控数据的动态幅度等级为第二等级;
否则判定当前监控数据的动态幅度等级为第三等级。
进一步优化方案为,所述监控视频采集参数包括:摄像头的分辨率、图像质量、码率上限和帧率;
以第一分辨率、第一图像质量、第一码率上限和第一帧率为第一档参数;
以第二分辨率、第二图像质量、第二码率上限和第二帧率为第二档参数;
以第三分辨率、第三图像质量、第三码率上限和第三帧率为第三档参数;
以第四分辨率、第四图像质量、第四码率上限和第四帧率为第四档参数;
其中第一分辨率,第二分辨率,第三分辨率和第四分辨率按顺序依次增大;第一图像质量,第二图像质量,第三图像质量和第四图像质量按顺序依次增大;第一码率上限,第二码率上限,第三码率上限和第四码率上限按顺序依次增大;第二帧率、第三帧率和第四帧率均大于第一帧率。
进一步优化方案为,所述监控视频采集参数调整方法包括:
若当前监控数据无动态目标,则调整监控视频采集参数为第一档参数;
若动态幅度等级为第一等级,则调整监控视频采集参数为第四档参数;
若动态幅度等级为第二等级,则调整监控视频采集参数为第三档参数;
若动态幅度等级为第三等级,则调整监控视频采集参数为第二档参数。
进一步优化方案为,所述监控视频传输参数的调整方法包括:
若当前监控数据无动态目标,则调整监控视频传输方式为不传输;
若动态幅度等级为第一等级,则调整监控视频传输方式为差量传输;
若动态幅度等级为第二等级和第三等级,则调整监控视频传输方式为正常传输。
0015.对于一些绿化带较好的小区,在极端天气下,绿化植物会随着风摇动,此时监控区域存在动态目标,但是绿化植物是不需要被过度拍摄的,因此可以结合红外传感设备判断在姿态区域的是否为行人或动物,当确定在姿态区域的不是行人或动物时,就判定为第三等级,按照第三等级调整智能社区的监控视频采集参数和监控视频传输方式;
对于绿化带较好的小区,具有较多的野生动物,比如野猫、鸟类等,野生动物存在一定的动态性,为了避免对野生动物的过度拍摄,当确定在姿态区域的是行人或动物时,再根据行人检测方法检测出在姿态区域的是否行人,若为行人,则判定为第一等级,按照第一等级调整智能社区的监控视频采集参数和监控视频传输方式;将动物判定为第二等级,按照第二等级调整智能社区的监控视频采集参数和监控视频传输方式,实现以最优的采集质量采集行人的视频数据,以次优的采集质量采集野生动物的视频数据,以最后一级采集质量采集自然的视频数据,并分别对不同的等级以不同的传输方式传输。
本方案还提供基于动态目标检测的智能社区监控管理***,用于实现上述的基于动态目标检测的智能社区监控管理***,包括:
采集模块,用于获取智能社区的监控数据并进行预处理;
检测模块,用于基于预处理后的监控数据进行动态目标检测,并对具有动态目标的监控数据进行动态幅度等级判定;
调整模块,用于以动态目标检测结果和动态幅度等级判定结果为依据,来调整智能社区的监控视频采集参数和监控视频传输方式。
本方案还提供一种计算机可读介质,其上存储有计算机程序,所述计算机程序被处理器执行可实现如上所述的基于动态目标检测的智能社区监控管理方法。
本发明与现有技术相比,具有如下的优点和有益效果:
本发明提供的基于动态目标检测的智能社区监控管理方法、***及介质;在现有方法的基础上进行改进,以动态目标检测结果和动态幅度等级判定结果为依据,来调整智能社区的监控视频采集参数和监控视频传输方式,为了避免设备数据采样率不合理导致的宽带浪费和数据冗余,以更加智能化的数据采样率控制机制,根据监控数据的内容调控数据采样率,解决宽带效率不足的问题。本发明对具有动态目标的监控数据进行动态幅度等级判定;以动态目标检测结果和动态幅度等级判定结果为依据,来调整智能社区的监控视频采集参数和监控视频传输方式,使得所拍得的视频数据更加有意义,摄像装置根据不同的动态幅度等级选择不同的质量的采集模式和传输方式,从根本上最大程度的降低了传输所消耗的网络流量。
附图说明
为了更清楚地说明本发明示例性实施方式的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。在附图中:
图1为基于动态目标检测的智能社区监控管理方法流程示意图;
实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
传统监控视频的传输无论被监控场景的行人状况如何,摄像装置都传输统一的采集模式和传输方式,因此容易在无行人和行人较少时造成传大量输宽带的浪费,针对这种情况,本发明提供以下实施例解决上述技术问题:
实施例1
本实施例提供基于动态目标检测的智能社区监控管理方法,如图1所示,包括:
步骤一:获取智能社区的监控数据并进行预处理;
所述预处理方法包括:
获取监控数据的图像数据;
划分出图像数据的背景区域和前景区域,再基于帧间差分法从相邻的两帧图像数据中分类出图像数据的静止点和运动点;以静止点作为背景像素点,以运动点作为前景像素点;
基于贝叶斯决策方法从背景像素点中提取出候选背景像素点,从前景像素点中提取出候选前景像素点。
基于贝叶斯决策方法从背景像素点中提取出候选背景像素点,从前景像素点中提取出候选前景像素点。基于贝叶斯决策方法分别获取背景的后验概率和前景的后验概率;从图像数据的前景目标以及背景目标中提取特征矢量,并获取特征矢量概率;将图像中的背景区域和前景区域分别与特征矢量关联,根据特征矢量概率划分出候选背景像素点和候选前景像素点。
步骤二:基于预处理后的监控数据进行动态目标检测,并对具有动态目标的监控数据进行动态幅度等级判定;
所述动态目标检测的方法包括:
S1,对候选像素点进行加权计算:根据式,计算出各像素点的权重向量;其中u表示像素点的像素因子,w表示权重;
S2,将像素点i的权重向量设置为对角元素建立对角矩阵,并将各像素点的权重向量设置为对角矩阵/>中的列向量,通过列向量的排列得到视频序列的权重矩阵B;
S3,以为检测模型,估计图像数据中动态目标的姿态区域;其中,n表示候选像素点总数,α为动态目标的姿态参数,/>为旋转矩阵,E与C分别为权重矩阵B的低秩成分以及稀疏成分,Z为动态目标的可能姿态参数;/>表示E的核范数;表示L1范数;
S4,求解检测模型的凸优化问题,以获取动态目标的实时检测结果,输出实时检测结果和动态目标的姿态区域。
步骤S4包括以下子步骤:
S41,计算检测模型的增广拉格朗日函数:
其中,y为拉格朗日乘子,β为惩罚参数;/>表示Frobenius范数;
S42,迭代求解检测模型的增广拉格朗日函数的多变量优化问题,直至满足收敛条件以获取动态目标的实时检测结果,所述收敛条件为,/>表示L0范数。
动态幅度等级判定方法包括:
当监控数据的实时检测结果为具有动态目标时,计算动态目标的姿态区域的平均面积占比;
判断平均面积占比是否属于面积阈值范围,当平均面积占比属于面积阈值范围内,且为动态目标为行人时;判定当前监控数据的动态幅度等级为第一等级;
当平均面积占比属于面积阈值范围内,且为动态目标为活体动物时;判定当前监控数据的动态幅度等级为第二等级;
否则判定当前监控数据的动态幅度等级为第三等级。
可以结合红外传感设备判断在姿态区域的是否为行人或动物,当确定在姿态区域的不是行人或动物时,就判定为第三等级,按照第三等级调整智能社区的监控视频采集参数和监控视频传输方式;当确定在姿态区域的是行人或动物时,再根据行人检测方法检测出在姿态区域的是否行人,若为行人,则判定为第一等级,按照第一等级调整智能社区的监控视频采集参数和监控视频传输方式;将动物判定为第二等级,按照第二等级调整智能社区的监控视频采集参数和监控视频传输方式。
步骤三:以动态目标检测结果和动态幅度等级判定结果为依据,来调整智能社区的监控视频采集参数和监控视频传输方式。
所述监控视频采集参数包括:摄像头的分辨率、图像质量、码率上限和帧率;
以第一分辨率、第一图像质量、第一码率上限和第一帧率为第一档参数;
以第二分辨率、第二图像质量、第二码率上限和第二帧率为第二档参数;
以第三分辨率、第三图像质量、第三码率上限和第三帧率为第三档参数;
以第四分辨率、第四图像质量、第四码率上限和第四帧率为第四档参数;
其中第一分辨率,第二分辨率,第三分辨率和第四分辨率按顺序依次增大;第一图像质量,第二图像质量,第三图像质量和第四图像质量按顺序依次增大;第一码率上限,第二码率上限,第三码率上限和第四码率上限按顺序依次增大;第二帧率、第三帧率和第四帧率均大于第一帧率。
所述监控视频采集参数调整方法包括:
若当前监控数据无动态目标,则调整监控视频采集参数为第一档参数;
若动态幅度等级为第一等级,则调整监控视频采集参数为第四档参数;
若动态幅度等级为第二等级,则调整监控视频采集参数为第三档参数;
若动态幅度等级为第三等级,则调整监控视频采集参数为第二档参数。
所述监控视频传输参数的调整方法包括:
若当前监控数据无动态目标,则调整监控视频传输方式为不传输;
若动态幅度等级为第一等级,则调整监控视频传输方式为差量传输;
若动态幅度等级为第二等级和第三等级,则调整监控视频传输方式为正常传输。
对于一些绿化带较好的小区,在极端天气下,绿化植物会随着风摇动,此时监控区域存在动态目标,但是绿化植物是不需要被过度拍摄的,因此可以结合红外传感设备判断在姿态区域的是否为行人或动物,当确定在姿态区域的不是行人或动物时,就判定为第三等级,按照第三等级调整智能社区的监控视频采集参数和监控视频传输方式;
对于绿化带较好的小区,具有较多的野生动物,比如野猫、鸟类等,野生动物存在一定的动态性,为了避免对野生动物的过度拍摄,当确定在姿态区域的是行人或动物时,再根据行人检测方法检测出在姿态区域的是否行人,若为行人,则判定为第一等级,按照第一等级调整智能社区的监控视频采集参数和监控视频传输方式;将动物判定为第二等级,按照第二等级调整智能社区的监控视频采集参数和监控视频传输方式,实现以最优的采集质量采集行人的视频数据,以次优的采集质量采集野生动物的视频数据,以最后一级采集质量采集自然的视频数据,并分别对不同的等级以不同的传输方式传输。
本实施例对具有动态目标的监控数据进行动态幅度等级判定;以动态目标检测结果和动态幅度等级判定结果为依据,来调整智能社区的监控视频采集参数和监控视频传输方式,使得所拍得的视频数据更加有意义,摄像装置根据不同的动态幅度等级选择不同的质量的采集模式和传输方式,从根本上最大程度的降低了传输所消耗的网络流量。
实施例2
本实施例提供基于动态目标检测的智能社区监控管理***,用于上一实施例所述的基于动态目标检测的智能社区监控管理***,包括:
采集模块,用于获取智能社区的监控数据并进行预处理;
检测模块,用于基于预处理后的监控数据进行动态目标检测,并对具有动态目标的监控数据进行动态幅度等级判定;
调整模块,用于以动态目标检测结果和动态幅度等级判定结果为依据,来调整智能社区的监控视频采集参数和监控视频传输方式。
实施例3
本实施例提供一种计算机可读介质,其上存储有计算机程序,所述计算机程序被处理器执行可实现如实施例1所述的基于动态目标检测的智能社区监控管理方法。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.基于动态目标检测的智能社区监控管理方法,其特征在于,包括:
获取智能社区的监控数据并进行预处理;
基于预处理后的监控数据进行动态目标检测,并对具有动态目标的监控数据进行动态幅度等级判定;
动态幅度等级判定方法包括:
当监控数据的实时检测结果为具有动态目标时,计算动态目标的姿态区域的平均面积占比;
判断平均面积占比是否属于面积阈值范围,当平均面积占比属于面积阈值范围内,且为动态目标为行人时;判定当前监控数据的动态幅度等级为第一等级;
当平均面积占比属于面积阈值范围内,且为动态目标为活体动物时;判定当前监控数据的动态幅度等级为第二等级;
否则判定当前监控数据的动态幅度等级为第三等级;
以动态目标检测结果和动态幅度等级判定结果为依据,来调整智能社区的监控视频采集参数和监控视频传输方式;
所述监控视频采集参数包括:摄像头的分辨率、图像质量、码率上限和帧率;
以第一分辨率、第一图像质量、第一码率上限和第一帧率为第一档参数;
以第二分辨率、第二图像质量、第二码率上限和第二帧率为第二档参数;
以第三分辨率、第三图像质量、第三码率上限和第三帧率为第三档参数;
以第四分辨率、第四图像质量、第四码率上限和第四帧率为第四档参数;
其中第一分辨率,第二分辨率,第三分辨率和第四分辨率按顺序依次增大;第一图像质量,第二图像质量,第三图像质量和第四图像质量按顺序依次增大;第一码率上限,第二码率上限,第三码率上限和第四码率上限按顺序依次增大;第二帧率、第三帧率和第四帧率均大于第一帧率;
所述监控视频采集参数调整方法包括:
若当前监控数据无动态目标,则调整监控视频采集参数为第一档参数;
若动态幅度等级为第一等级,则调整监控视频采集参数为第四档参数;
若动态幅度等级为第二等级,则调整监控视频采集参数为第三档参数;
若动态幅度等级为第三等级,则调整监控视频采集参数为第二档参数;
所述监控视频传输参数的调整方法包括:
若当前监控数据无动态目标,则调整监控视频传输方式为不传输;
若动态幅度等级为第一等级,则调整监控视频传输方式为差量传输;
若动态幅度等级为第二等级和第三等级,则调整监控视频传输方式为正常传输。
2.根据权利要求1所述的基于动态目标检测的智能社区监控管理方法,其特征在于,所述预处理方法包括:
获取监控数据的图像数据;
划分出图像数据的背景区域和前景区域,再基于帧间差分法从相邻的两帧图像数据中分类出图像数据的静止点和运动点;以静止点作为背景像素点,以运动点作为前景像素点;
基于贝叶斯决策方法从背景像素点中提取出候选背景像素点,从前景像素点中提取出候选前景像素点。
3.根据权利要求2所述的基于动态目标检测的智能社区监控管理方法,其特征在于,所述动态目标检测的方法包括:
S1,对候选像素点进行加权计算:根据式,计算出各像素点的权重向量;其中u表示像素点的像素因子,w表示权重;
S2,将像素点i的权重向量设置为对角元素建立对角矩阵,并将各像素点的权重向量设置为对角矩阵/>中的列向量,通过列向量的排列得到视频序列的权重矩阵B;
S3,以为检测模型,估计图像数据中动态目标的姿态区域;其中,n表示候选像素点总数,α为动态目标的姿态参数,/>为旋转矩阵,E与C分别为权重矩阵B的低秩成分以及稀疏成分,Z为动态目标的可能姿态参数;/>表示E的核范数;/>表示L1范数;
S4,求解检测模型的凸优化问题,以获取动态目标的实时检测结果,输出实时检测结果和动态目标的姿态区域。
4.根据权利要求3所述的基于动态目标检测的智能社区监控管理方法,其特征在于,步骤S4包括以下子步骤:
S41,计算检测模型的增广拉格朗日函数:
;其中,y为拉格朗日乘子,β为惩罚参数;/>表示Frobenius范数;
S42,迭代求解检测模型的增广拉格朗日函数的多变量优化问题,直至满足收敛条件以获取动态目标的实时检测结果,所述收敛条件为,/>表示L0范数。
5.基于动态目标检测的智能社区监控管理***,其特征在于,用于实现权利要求1-4任意一项所述的基于动态目标检测的智能社区监控管理方法,包括:
采集模块,用于获取智能社区的监控数据并进行预处理;
检测模块,用于基于预处理后的监控数据进行动态目标检测,并对具有动态目标的监控数据进行动态幅度等级判定;
调整模块,用于以动态目标检测结果和动态幅度等级判定结果为依据,来调整智能社区的监控视频采集参数和监控视频传输方式。
6.一种计算机可读介质,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可实现如权利要求1-4中任意一项所述的基于动态目标检测的智能社区监控管理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310710895.7A CN116456061B (zh) | 2023-06-15 | 2023-06-15 | 基于动态目标检测的智能社区监控管理方法、***及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310710895.7A CN116456061B (zh) | 2023-06-15 | 2023-06-15 | 基于动态目标检测的智能社区监控管理方法、***及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116456061A CN116456061A (zh) | 2023-07-18 |
CN116456061B true CN116456061B (zh) | 2023-09-08 |
Family
ID=87134095
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310710895.7A Active CN116456061B (zh) | 2023-06-15 | 2023-06-15 | 基于动态目标检测的智能社区监控管理方法、***及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116456061B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117098282B (zh) * | 2023-10-18 | 2024-01-09 | 硬创(济宁)控股有限公司 | 一种基于智慧园区的大数据管理***及其方法 |
CN117372968B (zh) * | 2023-12-07 | 2024-03-22 | 深圳市智慧城市通信有限公司 | 一种基于物联网的电动车入户监测方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06152547A (ja) * | 1992-11-06 | 1994-05-31 | Victor Co Of Japan Ltd | 音響信号の伝送方法 |
US6384862B1 (en) * | 1997-03-12 | 2002-05-07 | Telefoaktiebolaget L M Ericsson | Imaging system and method for interactive control of image quality |
CN102082947A (zh) * | 2009-11-26 | 2011-06-01 | ***通信集团公司 | 一种视频监控的方法、***和设备 |
CN105451075A (zh) * | 2014-08-27 | 2016-03-30 | 北京大学 | 视频质量控制方法和装置 |
CN105791774A (zh) * | 2016-03-31 | 2016-07-20 | 北京工业大学 | 一种基于视频内容分析的监控视频传输方法 |
CN105979210A (zh) * | 2016-06-06 | 2016-09-28 | 深圳市深网视界科技有限公司 | 一种基于多枪多球摄像机阵列的行人识别*** |
CN106056347A (zh) * | 2016-05-16 | 2016-10-26 | 北京诺士诚国际工程项目管理有限公司 | 基于视频监控的工程项目管理云平台*** |
CN110650320A (zh) * | 2019-10-23 | 2020-01-03 | 海能达通信股份有限公司 | 动态帧率存储方法及装置、监控设备 |
CN112422879A (zh) * | 2019-08-20 | 2021-02-26 | 华为技术有限公司 | 媒体能力动态调整方法及装置 |
CN115988181A (zh) * | 2023-03-08 | 2023-04-18 | 四川三思德科技有限公司 | 一种基于红外图像算法的人员监控***及方法 |
-
2023
- 2023-06-15 CN CN202310710895.7A patent/CN116456061B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06152547A (ja) * | 1992-11-06 | 1994-05-31 | Victor Co Of Japan Ltd | 音響信号の伝送方法 |
US6384862B1 (en) * | 1997-03-12 | 2002-05-07 | Telefoaktiebolaget L M Ericsson | Imaging system and method for interactive control of image quality |
CN102082947A (zh) * | 2009-11-26 | 2011-06-01 | ***通信集团公司 | 一种视频监控的方法、***和设备 |
CN105451075A (zh) * | 2014-08-27 | 2016-03-30 | 北京大学 | 视频质量控制方法和装置 |
CN105791774A (zh) * | 2016-03-31 | 2016-07-20 | 北京工业大学 | 一种基于视频内容分析的监控视频传输方法 |
CN106056347A (zh) * | 2016-05-16 | 2016-10-26 | 北京诺士诚国际工程项目管理有限公司 | 基于视频监控的工程项目管理云平台*** |
CN105979210A (zh) * | 2016-06-06 | 2016-09-28 | 深圳市深网视界科技有限公司 | 一种基于多枪多球摄像机阵列的行人识别*** |
CN112422879A (zh) * | 2019-08-20 | 2021-02-26 | 华为技术有限公司 | 媒体能力动态调整方法及装置 |
CN110650320A (zh) * | 2019-10-23 | 2020-01-03 | 海能达通信股份有限公司 | 动态帧率存储方法及装置、监控设备 |
CN115988181A (zh) * | 2023-03-08 | 2023-04-18 | 四川三思德科技有限公司 | 一种基于红外图像算法的人员监控***及方法 |
Non-Patent Citations (1)
Title |
---|
基于视频处理技术的运动目标姿态检测与控制;《沈阳工业大学学报》;第第45卷卷(第第1期期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116456061A (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116456061B (zh) | 基于动态目标检测的智能社区监控管理方法、***及介质 | |
WO2021088300A1 (zh) | 一种基于非对称双流网络的rgb-d多模态融合人员检测方法 | |
CN108109385B (zh) | 一种输电线防外破的车辆识别与危险行为判别***与方法 | |
US10496903B2 (en) | Using image analysis algorithms for providing training data to neural networks | |
CN105516720B (zh) | 一种监控摄像机码流的自适应控制方法 | |
WO2017000465A1 (zh) | 矿井无线分布式视频编码中的关键帧实时选取方法 | |
CN111292264A (zh) | 一种基于深度学习的图像高动态范围重建方法 | |
CN108960290A (zh) | 图像处理方法、装置、计算机可读存储介质和电子设备 | |
CN109063737A (zh) | 图像处理方法、装置、存储介质及移动终端 | |
CN110580428A (zh) | 图像处理方法、装置、计算机可读存储介质和电子设备 | |
CN110427922A (zh) | 一种基于机器视觉和卷积神经网络病虫害识别***和方法 | |
CN114724022B (zh) | 融合SKNet与YOLOv5的养殖鱼群检测方法、***和介质 | |
CN106993188B (zh) | 一种基于多人脸视频显著性的hevc压缩编码方法 | |
CN107547898B (zh) | 一种能耗-精度可控的传感器双参数分配*** | |
CN106339994A (zh) | 一种图像增强方法 | |
CN112435257A (zh) | 一种多光谱成像的烟雾检测方法及*** | |
CN116614705A (zh) | 基于多模态视频特征分析的采煤工作面相机调控*** | |
CN111291663B (zh) | 一种利用时空信息的快速视频目标物体分割方法 | |
CN113255464A (zh) | 一种飞机动作识别方法及*** | |
CN112200008A (zh) | 一种社区监控场景下人脸属性识别方法 | |
CN114040124B (zh) | 森林草原巡视无人机的相机自适应曝光处理***及方法 | |
US20210329285A1 (en) | Image processing apparatus, image processing method, and non-transitory computer-readable storage medium | |
CN112541859B (zh) | 一种光照自适应的人脸图像增强方法 | |
CN104079934A (zh) | 一种实时视频通信中的感兴趣区域提取方法 | |
CN112862876A (zh) | 一种用于水下机器人的实时深海视频图像增强方法 |
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 |