CN118334594A - 目标区域安全监控方法、装置、电子设备与可读介质 - Google Patents
目标区域安全监控方法、装置、电子设备与可读介质 Download PDFInfo
- Publication number
- CN118334594A CN118334594A CN202410765718.3A CN202410765718A CN118334594A CN 118334594 A CN118334594 A CN 118334594A CN 202410765718 A CN202410765718 A CN 202410765718A CN 118334594 A CN118334594 A CN 118334594A
- Authority
- CN
- China
- Prior art keywords
- image
- object detection
- surveillance video
- abnormal object
- video frame
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 116
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000001514 detection method Methods 0.000 claims abstract description 185
- 230000008859 change Effects 0.000 claims abstract description 118
- 230000002159 abnormal effect Effects 0.000 claims abstract description 113
- 238000012545 processing Methods 0.000 claims abstract description 51
- 230000004044 response Effects 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012806 monitoring device Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 description 18
- 238000004891 communication Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000009432 framing Methods 0.000 description 6
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 101001121408 Homo sapiens L-amino-acid oxidase Proteins 0.000 description 2
- 102100026388 L-amino-acid oxidase Human genes 0.000 description 2
- 101100012902 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) FIG2 gene Proteins 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 101100233916 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) KAR5 gene Proteins 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本公开的实施例公开了目标区域安全监控方法、装置、电子设备与可读介质。该方法的一具体实施方式包括：对于编码监控视频帧图像序列中的每两帧编码监控视频帧图像，对两帧编码监控视频帧图像进行图像变化检测，得到帧图像变化检测结果；对于每两帧编码监控视频帧图像，执行如下处理步骤：确定两帧编码监控视频帧图像对应的帧图像变化检测结果是否满足预设变化条件；响应于确定帧图像变化检测结果满足预设变化条件，保留两帧编码监控视频帧图像中的后一帧编码监控视频帧图像；将各个待检测编码监控视频帧图像输入至图像异常对象检测模型中，得到图像异常对象检测结果组。该实施方式提升了视频图像检测的效率，可以及时检测出区域中的异常目标。
Description
技术领域
本公开的实施例涉及视频监控领域，具体涉及目标区域安全监控方法、装置、电子设备与可读介质。
背景技术
为了保证目标区域（例如，厂房/车间）的安全，通常会对目标区域进行视频监控。目前，对目标区域进行视频监控，通常采用的方式为：由监测人员时刻对监控视频进行查看，以确定是否有异常目标出现在目标区域。
然而，当采用上述方式对目标区域进行监控，经常会存在如下技术问题：需要时刻观测监控视频，效率较低。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了目标区域安全监控方法、装置、电子设备与计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面，本公开的一些实施例提供了一种目标区域安全监控方法，该方法包括：控制相关联的摄像装置采集目标区域的监控视频数据；对上述监控视频数据进行编码处理，以生成编码监控视频数据；对上述编码监控视频数据进行分帧处理，得到编码监控视频帧图像序列；对于上述编码监控视频帧图像序列中的每两帧编码监控视频帧图像，对上述两帧编码监控视频帧图像进行图像变化检测，得到帧图像变化检测结果，其中，上述帧图像变化检测结果表示两帧编码监控视频帧图像之间的变化度；对于每两帧编码监控视频帧图像，执行如下处理步骤：确定上述两帧编码监控视频帧图像对应的帧图像变化检测结果是否满足预设变化条件；响应于确定上述帧图像变化检测结果满足预设变化条件，保留上述两帧编码监控视频帧图像中的后一帧编码监控视频帧图像，作为待检测编码监控视频帧图像；将各个待检测编码监控视频帧图像输入至预先训练的图像异常对象检测模型中，得到图像异常对象检测结果组，其中，一个待检测编码监控视频帧图像对应一个图像异常对象检测结果；根据上述图像异常对象检测结果组，控制相关联的告警设备进行告警处理。
第二方面，本公开的一些实施例提供了一种目标区域安全监控装置，包括：控制单元，被配置成控制相关联的摄像装置采集目标区域的监控视频数据；编码单元，被配置成对上述监控视频数据进行编码处理，以生成编码监控视频数据；分帧单元，被配置成对上述编码监控视频数据进行分帧处理，得到编码监控视频帧图像序列；检测单元，被配置成对于上述编码监控视频帧图像序列中的每两帧编码监控视频帧图像，对上述两帧编码监控视频帧图像进行图像变化检测，得到帧图像变化检测结果，其中，上述帧图像变化检测结果表示两帧编码监控视频帧图像之间的变化度；确定单元，被配置成对于每两帧编码监控视频帧图像，执行如下处理步骤：确定上述两帧编码监控视频帧图像对应的帧图像变化检测结果是否满足预设变化条件；响应于确定上述帧图像变化检测结果满足预设变化条件，保留上述两帧编码监控视频帧图像中的后一帧编码监控视频帧图像，作为待检测编码监控视频帧图像；输入单元，被配置成将各个待检测编码监控视频帧图像输入至预先训练的图像异常对象检测模型中，得到图像异常对象检测结果组，其中，一个待检测编码监控视频帧图像对应一个图像异常对象检测结果；告警单元，被配置成根据上述图像异常对象检测结果组，控制相关联的告警设备进行告警处理。
第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，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上述第一方面任一实现方式所描述的方法。
第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，计算机程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的目标区域安全监控方法，提升了视频图像检测的效率，可以及时检测出区域中的异常目标。具体来说，需要时刻观测监控视频，效率较低的原因在于：由监测人员时刻对监控视频进行查看，以确定是否有异常目标出现在目标区域。基于此，本公开的一些实施例的目标区域安全监控方法，首先，控制相关联的摄像装置采集目标区域的监控视频数据。其次，对上述监控视频数据进行编码处理，以生成编码监控视频数据。由此，可以实现对上述监控视频的压缩，可以更好地传输视频监控数据。接着，对上述编码监控视频数据进行分帧处理，得到编码监控视频帧图像序列。由此，便于逐帧检测图像。之后，对于上述编码监控视频帧图像序列中的每两帧编码监控视频帧图像，对上述两帧编码监控视频帧图像进行图像变化检测，得到帧图像变化检测结果。其中，上述帧图像变化检测结果表示两帧编码监控视频帧图像之间的变化度。由此，可以确定两帧图像之间的像素变化。然后，对于每两帧编码监控视频帧图像，执行如下处理步骤：确定上述两帧编码监控视频帧图像对应的帧图像变化检测结果是否满足预设变化条件；响应于确定上述帧图像变化检测结果满足预设变化条件，保留上述两帧编码监控视频帧图像中的后一帧编码监控视频帧图像，作为待检测编码监控视频帧图像。由此，可以确定出存在像素变化的图像，以避免对每一帧图像进行检测，以提升检测效率。再然后，将各个待检测编码监控视频帧图像输入至预先训练的图像异常对象检测模型中，得到图像异常对象检测结果组，其中，一个待检测编码监控视频帧图像对应一个图像异常对象检测结果。最后，根据上述图像异常对象检测结果组，控制相关联的告警设备进行告警处理。由此，提升了视频图像检测的效率，可以及时检测出区域中的异常目标。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
图1是根据本公开的目标区域安全监控方法的一些实施例的流程图；
图2是根据本公开的目标区域安全监控装置的一些实施例的结构示意图；
图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是根据本公开的目标区域安全监控方法的一些实施例的流程图。示出了根据本公开的目标区域安全监控方法的一些实施例的流程100。该目标区域安全监控方法，包括以下步骤：
步骤101，控制相关联的摄像装置采集目标区域的监控视频数据。
在一些实施例中，目标区域安全监控方法的执行主体（例如计算设备）可以控制相关联的摄像装置采集目标区域的监控视频数据。摄像装置可以是设置在目标区域中的监控摄像头。目标区域可以是指需要时刻监控的区域。例如，目标区域可以是指工业园区，也可以是指生产车间，或者仓库。
步骤102，对上述监控视频数据进行编码处理，以生成编码监控视频数据。
在一些实施例中，上述执行主体可以对上述监控视频数据进行编码处理，以生成编码监控视频数据。
实践中，上述执行主体可以通过以下步骤对上述监控视频数据进行编码处理：
第一步，对上述监控视频数据进行预处理，得到预处理监控视频数据。可以对上述监控视频数据进行去噪、分辨率调整和色彩空间转换，得到预处理监控视频数据。
第二步，对上述预处理监控视频数据中的每帧监控视频图像进行宏块划分，得到图像像素宏块组集。其中，图像像素宏块组中的各个图像像素宏块对应一帧监控视频图像。可以以预设尺寸对上述监控视频图像进行像素划分，得到图像像素宏块组。其中，预设尺寸可以为用于将监控视频图像划分成各个图像像素宏块组的图像尺寸。例如，预设尺寸可以为32*32。这里，对于预设尺寸的具体设定，不作限定。上述图像像素宏块组中的图像像素宏块可以为上述监控视频图像的图像块。
第三步，对于上述图像像素宏块组集中的每个图像像素宏块组，执行如下处理步骤：
第一处理步骤，对上述图像像素宏块组中的各个图像像素宏块进行预测编码处理，以生成预测编码图像信息组。其中，上述预测编码图像信息组中的预测编码图像信息包括预测宏块和预测图像信息。可以对上述图像像素宏块组中的各个图像像素宏块进行帧间预测处理和帧内预测处理，得到预测编码图像信息组。其中，上述预测宏块可以为对图像像素宏块进行预测编码处理后的图像块。上述预测图像信息可以包括：预测宏块的全局运动矢量、帧间预测模式、编码模式。上述帧间预测模式可以为对图像像素宏块进行预测编码处理时采用的帧间预测方法。例如，运动补偿预测。上述编码模式可以为压缩编码。
第二处理步骤，对于上述图像像素宏块组中的每个图像像素宏块，执行以下步骤：
1、将上述预测编码图像信息组中对应上述图像像素宏块的预测编码图像信息确定为目标预测编码图像信息。
2、将上述目标预测编码图像信息包括的预测宏块确定为目标预测宏块。
3、将上述图像像素宏块与上述目标预测宏块的像素差值块确定为残差块。可以将上述图像像素宏块与上述目标预测宏块之间的各个像素差值确定为残差块。
第三处理步骤，对所确定的各个残差块进行变换处理，得到频率系数组。可以对各个残差块进行离散余弦变换处理，得到频率系数组。频率系数可以为残差块经过离散余弦变换编码处理后得到的离散余弦变换系数。
第四处理步骤，对上述频率系数组中的各个频率系数进行量化处理，得到量化频率系数组。可以对每个频率系数进行标量量化处理，得到量化频率系数。
第五处理步骤，对上述量化频率系数组中的各个量化频率系数进行编码处理，得到残差系数码流组。可以对每个量化频率系数进行熵编码处理。
第四步，对所得到的各个残差系数码流组、各个预测编码图像信息组中的各个预测图像信息和视频图像参数信息进行视频编码处理，得到编码监控视频数据。其中，上述视频参数信息可以包括每帧监控视频图像的宽度、高度、编码参数信息。编码监控视频数据可以为编码后的监控视频数据。上述编码参数信息可以为进行视频编码处理时设定的参数。例如，视频帧率为25帧。实践中，上述执行主体可以对所得到的各个残差系数码流组、各个预测编码图像信息组中的各个预测图像信息和视频参数信息进行高效率视频编码（HEVC）处理，得到编码监控视频数据。
由此，可以实现对监控视频数据的压缩，可以提升监控视频数据的传输效率。
步骤103，对上述编码监控视频数据进行分帧处理，得到编码监控视频帧图像序列。
在一些实施例中，上述执行主体可以对上述编码监控视频数据进行分帧处理，得到编码监控视频帧图像序列。例如，上述执行主体可以按照预设的分帧时长，对上述编码监控视频数据进行分帧处理，得到编码监控视频帧图像序列。
步骤104，对于上述编码监控视频帧图像序列中的每两帧编码监控视频帧图像，对上述两帧编码监控视频帧图像进行图像变化检测，得到帧图像变化检测结果。
在一些实施例中，上述执行主体可以对于上述编码监控视频帧图像序列中的每两帧编码监控视频帧图像，对上述两帧编码监控视频帧图像进行图像变化检测，得到帧图像变化检测结果。其中，上述帧图像变化检测结果表示两帧编码监控视频帧图像之间的变化度。
例如，可以通过比对两帧编码监控视频帧图像之间的像素变化，将像素变化值确定为帧图像变化检测结果。即，帧图像变化检测结果可以表示两帧编码监控视频帧图像之间的像素变化值。
实践中，上述执行主体可以将上述两帧编码监控视频帧图像输入至预先训练的图像变化检测模型中，得到帧图像变化检测结果。
其中，图像变化检测模型可以是通过以下步骤训练得到的：
第一步，获取监控视频帧图像样本集。其中，监控视频帧图像样本包括：两帧连续的监控视频帧图像。
第二步，从上述监控视频帧图像样本集中选择出目标监控视频帧图像样本集。例如，可以随机从上述监控视频帧图像样本集中选择出一个监控视频帧图像样本，作为目标监控视频帧图像样本。
第三步，将上述目标监控视频帧图像样本集包括的两帧连续的监控视频帧图像输入至初始图像变化检测模型中，得到初始图像变化检测结果。初始图像变化检测模型可以是预先训练的用于检测连续两帧视频图像之间像素变化的神经网络模型。例如，初始图像变化检测模型可以是未训练完成的卷积神经网络模型或深度神经网络模型。
第四步，确定上述初始图像变化检测结果与对应的图像变化样本标签之间的图像变化损失值。可以通过预设的损失函数，确定上述初始图像变化检测结果与对应的图像变化样本标签之间的图像变化损失值。例如，预设的损失函数可以是余弦相似度损失函数/交叉熵损失函数。
第五步，响应于确定上述图像变化损失值小于等于预设图像变化损失值，将上述初始图像变化检测模型确定为训练完成的图像变化检测模型。
步骤105，对于每两帧编码监控视频帧图像，执行如下处理步骤：
步骤1051，确定上述两帧编码监控视频帧图像对应的帧图像变化检测结果是否满足预设变化条件。
在一些实施例中，上述执行主体可以确定上述两帧编码监控视频帧图像对应的帧图像变化检测结果是否满足预设变化条件。预设变化条件可以是：帧图像变化检测结果表示的像素变化值大于等于预设像素变化值。
步骤1052，响应于确定上述帧图像变化检测结果满足预设变化条件，保留上述两帧编码监控视频帧图像中的后一帧编码监控视频帧图像，作为待检测编码监控视频帧图像。
在一些实施例中，上述执行主体可以响应于确定上述帧图像变化检测结果满足预设变化条件，保留上述两帧编码监控视频帧图像中的后一帧编码监控视频帧图像，作为待检测编码监控视频帧图像。
可选地，获取监控视频图像训练样本组集。其中，每一监控视频图像训练样本组对应一个监控场景。监控场景可以表示不同的监控环境。例如，监控场景可以包括但不限于：室内场景、室外场景、雨天、阴天、晴天场景、或者昏暗的场景。
可选地，确定初始图像异常对象检测模型。其中，上述初始图像异常对象检测模型包括：初始图像异常对象检测网络组，每个初始图像异常对象检测网络对应一个监控场景。初始图像异常对象检测模型可以是指未经训练的目标检测模型。例如，初始图像异常对象检测模型可以是未经训练的R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD等模型。初始图像异常对象检测网络可以是未经训练的R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD（SingleShot MultiBox Detector）等网络。
可选地，对于上述初始图像异常对象检测网络组中的每个初始图像异常对象检测网络，执行如下训练步骤：
第一训练步骤，确定上述初始图像异常对象检测网络对应的监控视频图像训练样本组。即，确定与上述初始图像异常对象检测网络对应的监控场景相同的监控视频图像训练样本组。
第二训练步骤，从上述监控视频图像训练样本组中选择出目标监控视频图像训练样本。可以随机从上述监控视频图像训练样本组中选择出一个监控视频图像训练样本作为目标监控视频图像训练样本。
第三训练步骤，将上述目标监控视频图像训练样本包括的监控视频样本图像输入至上述初始图像异常对象检测网络中，得到初始图像异常对象检测结果。初始图像异常对象检测结果可以是指对于监控视频样本图像的异常对象检测结果。
第四训练步骤，确定上述初始图像异常对象检测结果与对应的样本标签之间的损失值。可以通过预设的损失函数，确定上述初始图像异常对象检测结果与对应的样本标签之间的损失值。例如，损失函数可以是合页损失函数或交叉熵损失函数。
第五训练步骤，响应于确定上述损失值小于等于预设损失值，将初始图像异常对象检测网络确定为训练完成的图像异常对象检测网络。
可选地，将所确定的各个图像异常对象检测网络确定为图像异常对象检测模型。
可选地，训练步骤还可以包括：响应于确定上述损失值大于上述预设损失值，调整初始图像异常对象检测网络的模型参数，以及从未选择的各个监控视频图像训练样本中选择出目标监控视频图像训练样本，将调整后的初始图像异常对象检测网络作为初始图像异常对象检测网络，重新对初始图像异常对象检测网络进行训练。例如，可以对损失值和预设损失值求差值，得到损失差值。在此基础上，利用反向传播、随机梯度下降等方法将损失差值从模型的最后一层向前传递，以调整每一层的参数。当然根据需要，也可以采用网络冻结（dropout）的方法，对其中的一些层的网络参数保持不变，不进行调整，对此，不做任何限定。
由此，可以提升了对于不同监控场景视频图像检测的准确性，提高了图像异常对象检测模型的鲁棒性。
步骤106，将各个待检测编码监控视频帧图像输入至预先训练的图像异常对象检测模型中，得到图像异常对象检测结果组。
在一些实施例中，上述执行主体可以将各个待检测编码监控视频帧图像输入至预先训练的图像异常对象检测模型中，得到图像异常对象检测结果组。其中，一个待检测编码监控视频帧图像对应一个图像异常对象检测结果。图像异常对象检测模型可以是预先训练的用于检测监控视频帧图像中是否出现异常目标的神经网络模型。例如，图像异常对象检测模型可以是预先训练的目标检测模型。异常目标可以包括但不限于：动物、火光、漏水等异常目标。
步骤107，根据上述图像异常对象检测结果组，控制相关联的告警设备进行告警处理。
在一些实施例中，上述执行主体可以根据上述图像异常对象检测结果组，控制相关联的告警设备进行告警处理。
实践中，上述执行主体可以对于上述图像异常对象检测结果组中的每个图像异常对象检测结果，执行如下处理步骤：
第一步，确定上述图像异常对象检测结果是否满足预设异常条件。预设异常条件可以是：图像异常对象检测结果表示监控视频帧图像中出现异常目标。
第二步，响应于确定上述图像异常对象检测结果满足预设异常条件，生成对应上述图像异常对象检测结果的告警提示音。例如，可以生成表示出现异常目标的提示语音。
第三步，控制上述告警设备播放上述告警提示音。告警设备可以是与上述执行主体通信连接的语音播放设备。
进一步参考图2，作为对上述各图所示方法的实现，本公开提供了一种目标区域安全监控装置的一些实施例，这些目标区域安全监控装置实施例与图1所示的那些方法实施例相对应，该目标区域安全监控装置具体可以应用于各种电子设备中。
如图2所示，一些实施例的目标区域安全监控装置200包括：控制单元201、编码单元202、分帧单元203、检测单元204、确定单元205、输入单元206和告警单元207。其中，控制单元201，被配置成控制相关联的摄像装置采集目标区域的监控视频数据；编码单元202，被配置成对上述监控视频数据进行编码处理，以生成编码监控视频数据；分帧单元203，被配置成对上述编码监控视频数据进行分帧处理，得到编码监控视频帧图像序列；检测单元204，被配置成对于上述编码监控视频帧图像序列中的每两帧编码监控视频帧图像，对上述两帧编码监控视频帧图像进行图像变化检测，得到帧图像变化检测结果，其中，上述帧图像变化检测结果表示两帧编码监控视频帧图像之间的变化度；确定单元205，被配置成对于每两帧编码监控视频帧图像，执行如下处理步骤：确定上述两帧编码监控视频帧图像对应的帧图像变化检测结果是否满足预设变化条件；响应于确定上述帧图像变化检测结果满足预设变化条件，保留上述两帧编码监控视频帧图像中的后一帧编码监控视频帧图像，作为待检测编码监控视频帧图像；输入单元206，被配置成将各个待检测编码监控视频帧图像输入至预先训练的图像异常对象检测模型中，得到图像异常对象检测结果组，其中，一个待检测编码监控视频帧图像对应一个图像异常对象检测结果；告警单元207，被配置成根据上述图像异常对象检测结果组，控制相关联的告警设备进行告警处理。
可以理解的是，该目标区域安全监控装置200中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于目标区域安全监控装置200及其中包含的单元，在此不再赘述。
下面参考图3，其示出了适于用来实现本公开的一些实施例的电子设备（例如，计算设备）300的结构示意图。本公开的一些实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA（个人数字助理）、PAD（平板电脑）、PMP（便携式多媒体播放器）、车载终端（例如车载导航终端）等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图3示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图3所示，电子设备300可以包括处理装置（例如中央处理器、图形处理器等）301，其可以根据存储在只读存储器（ROM）302中的程序或者从存储装置308加载到随机访问存储器（RAM）303中的程序而执行各种适当的动作和处理。在RAM303中，还存储有电子设备300操作所需的各种程序和任务数据。处理装置301、ROM302以及RAM 303通过总线304彼此相连。输入/输出（I/O）接口305也连接至总线304。
通常，以下装置可以连接至I/O接口305：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换任务数据。虽然图3示出了具有各种装置的电子设备300，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置309从网络上被下载和安装，或者从存储装置308被安装，或者从ROM302被安装。在该计算机程序被处理装置301执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机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系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机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任务数据信号，其中承载了计算机可读的程序代码。这种传播的任务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。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机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：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP（HyperText TransferProtocol，超文本传输协议）之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字任务数据通信（例如，通信网络）互连。通信网络的示例包括局域网（“LAN”），广域网（“WAN”），网际网（例如，互联网）以及端对端网络（例如，ad hoc端对端网络），以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：控制相关联的摄像装置采集目标区域的监控视频数据；对上述监控视频数据进行编码处理，以生成编码监控视频数据；对上述编码监控视频数据进行分帧处理，得到编码监控视频帧图像序列；对于上述编码监控视频帧图像序列中的每两帧编码监控视频帧图像，对上述两帧编码监控视频帧图像进行图像变化检测，得到帧图像变化检测结果，其中，上述帧图像变化检测结果表示两帧编码监控视频帧图像之间的变化度；对于每两帧编码监控视频帧图像，执行如下处理步骤：确定上述两帧编码监控视频帧图像对应的帧图像变化检测结果是否满足预设变化条件；响应于确定上述帧图像变化检测结果满足预设变化条件，保留上述两帧编码监控视频帧图像中的后一帧编码监控视频帧图像，作为待检测编码监控视频帧图像；将各个待检测编码监控视频帧图像输入至预先训练的图像异常对象检测模型中，得到图像异常对象检测结果组，其中，一个待检测编码监控视频帧图像对应一个图像异常对象检测结果；根据上述图像异常对象检测结果组，控制相关联的告警设备进行告警处理。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向产品的程序设计语言—诸如Java、Smalltalk、C++，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计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（LAN）或广域网（WAN）——连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标记的功能也可以以不同于附图中所标记的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括：控制单元、编码单元、分帧单元、检测单元、确定单元、输入单元和告警单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，告警单元还可以被描述为“根据上述图像异常对象检测结果组，控制相关联的告警设备进行告警处理的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上系统（SOC）、复杂可编程逻辑设备（CPLD）等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (8)
1.一种目标区域安全监控方法，包括：
控制相关联的摄像装置采集目标区域的监控视频数据；
对所述监控视频数据进行编码处理，以生成编码监控视频数据；
对所述编码监控视频数据进行分帧处理，得到编码监控视频帧图像序列；
对于所述编码监控视频帧图像序列中的每两帧编码监控视频帧图像，对所述两帧编码监控视频帧图像进行图像变化检测，得到帧图像变化检测结果，其中，所述帧图像变化检测结果表示两帧编码监控视频帧图像之间的变化度；
对于每两帧编码监控视频帧图像，执行如下处理步骤：
确定所述两帧编码监控视频帧图像对应的帧图像变化检测结果是否满足预设变化条件；
响应于确定所述帧图像变化检测结果满足预设变化条件，保留所述两帧编码监控视频帧图像中的后一帧编码监控视频帧图像，作为待检测编码监控视频帧图像；
将各个待检测编码监控视频帧图像输入至预先训练的图像异常对象检测模型中，得到图像异常对象检测结果组，其中，一个待检测编码监控视频帧图像对应一个图像异常对象检测结果；
根据所述图像异常对象检测结果组，控制相关联的告警设备进行告警处理。
2.根据权利要求1所述的方法，其中，所述根据所述图像异常对象检测结果组，控制相关联的告警设备进行告警处理，包括：
对于所述图像异常对象检测结果组中的每个图像异常对象检测结果，执行如下处理步骤：
确定所述图像异常对象检测结果是否满足预设异常条件；
响应于确定所述图像异常对象检测结果满足预设异常条件，生成对应所述图像异常对象检测结果的告警提示音；
控制所述告警设备播放所述告警提示音。
3.根据权利要求1所述的方法，其中，在所述将各个待检测编码监控视频帧图像输入至预先训练的图像异常对象检测模型中，得到图像异常对象检测结果组之前，所述方法还包括：
获取监控视频图像训练样本组集，其中，每一监控视频图像训练样本组对应一个监控场景；
确定初始图像异常对象检测模型，其中，所述初始图像异常对象检测模型包括：初始图像异常对象检测网络组，每个初始图像异常对象检测网络对应一个监控场景；
对于所述初始图像异常对象检测网络组中的每个初始图像异常对象检测网络，执行如下训练步骤：
确定所述初始图像异常对象检测网络对应的监控视频图像训练样本组；
从所述监控视频图像训练样本组中选择出目标监控视频图像训练样本；
将所述目标监控视频图像训练样本包括的监控视频样本图像输入至所述初始图像异常对象检测网络中，得到初始图像异常对象检测结果；
确定所述初始图像异常对象检测结果与对应的样本标签之间的损失值；
响应于确定所述损失值小于等于预设损失值，将初始图像异常对象检测网络确定为训练完成的图像异常对象检测网络；
将所确定的各个图像异常对象检测网络确定为图像异常对象检测模型。
4.根据权利要求3所述的方法，其中，所述训练步骤还包括：
响应于确定所述损失值大于所述预设损失值，调整初始图像异常对象检测网络的模型参数，以及从未选择的各个监控视频图像训练样本中选择出目标监控视频图像训练样本，将调整后的初始图像异常对象检测网络作为初始图像异常对象检测网络，重新对初始图像异常对象检测网络进行训练。
5.根据权利要求1所述的方法，其中，所述对所述两帧编码监控视频帧图像进行图像变化检测，得到帧图像变化检测结果，包括：
将所述两帧编码监控视频帧图像输入至预先训练的图像变化检测模型中，得到帧图像变化检测结果。
6.一种目标区域安全监控装置，包括：
控制单元，被配置成控制相关联的摄像装置采集目标区域的监控视频数据；
编码单元，被配置成对所述监控视频数据进行编码处理，以生成编码监控视频数据；
分帧单元，被配置成对所述编码监控视频数据进行分帧处理，得到编码监控视频帧图像序列；
检测单元，被配置成对于所述编码监控视频帧图像序列中的每两帧编码监控视频帧图像，对所述两帧编码监控视频帧图像进行图像变化检测，得到帧图像变化检测结果，其中，所述帧图像变化检测结果表示两帧编码监控视频帧图像之间的变化度；
确定单元，被配置成对于每两帧编码监控视频帧图像，执行如下处理步骤：确定所述两帧编码监控视频帧图像对应的帧图像变化检测结果是否满足预设变化条件；响应于确定所述帧图像变化检测结果满足预设变化条件，保留所述两帧编码监控视频帧图像中的后一帧编码监控视频帧图像，作为待检测编码监控视频帧图像；
输入单元，被配置成将各个待检测编码监控视频帧图像输入至预先训练的图像异常对象检测模型中，得到图像异常对象检测结果组，其中，一个待检测编码监控视频帧图像对应一个图像异常对象检测结果；
告警单元，被配置成根据所述图像异常对象检测结果组，控制相关联的告警设备进行告警处理。
7.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
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1-5中任一所述的方法。
8.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410765718.3A CN118334594A (zh) | 2024-06-14 | 2024-06-14 | 目标区域安全监控方法、装置、电子设备与可读介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410765718.3A CN118334594A (zh) | 2024-06-14 | 2024-06-14 | 目标区域安全监控方法、装置、电子设备与可读介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118334594A true CN118334594A (zh) | 2024-07-12 |
Family
ID=91776300
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410765718.3A Pending CN118334594A (zh) | 2024-06-14 | 2024-06-14 | 目标区域安全监控方法、装置、电子设备与可读介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118334594A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN119027876A (zh) * | 2024-08-16 | 2024-11-26 | 首都儿科研究所附属儿童医院 | 应用于紫外线消毒车的消毒监测方法、计算机装置与介质 |
| CN119131040A (zh) * | 2024-11-14 | 2024-12-13 | 之江实验室 | 一种单晶光纤损耗在线监测方法、装置、存储介质及设备 |
| CN119181039A (zh) * | 2024-08-30 | 2024-12-24 | 北京积加科技有限公司 | 视频监控控制方法、装置、电子设备和计算机可读介质 |
| CN119364110A (zh) * | 2024-12-26 | 2025-01-24 | 浙江宇视科技有限公司 | 视频处理方法、装置、电子设备以及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1784015A (zh) * | 2004-12-02 | 2006-06-07 | 中国科学院计算技术研究所 | 一种帧内图像预测编码方法 |
| CN111860286A (zh) * | 2020-07-14 | 2020-10-30 | 艾伯资讯（深圳）有限公司 | 基于混合策略的暴力行为检测方法及系统、存储介质 |
| CN112132847A (zh) * | 2020-09-27 | 2020-12-25 | 北京字跳网络技术有限公司 | 模型训练方法、图像分割方法、装置、电子设备和介质 |
| CN112507842A (zh) * | 2020-12-01 | 2021-03-16 | 宁波多牛大数据网络技术有限公司 | 一种基于关键帧提取的视频文字识别方法和装置 |
| CN113111823A (zh) * | 2021-04-22 | 2021-07-13 | 广东工业大学 | 一种建筑施工地的异常行为检测方法和相关装置 |
| CN114724235A (zh) * | 2021-01-06 | 2022-07-08 | 普天信息技术有限公司 | 一种异常行为检测方法、装置、电子设备及存储介质 |
| CN115937589A (zh) * | 2022-12-09 | 2023-04-07 | 北京字跳网络技术有限公司 | 图像检测方法、装置、计算机设备及存储介质 |
| WO2023142550A1 (zh) * | 2022-01-27 | 2023-08-03 | 上海商汤智能科技有限公司 | 异常事件检测方法及装置、计算机设备、存储介质、计算机程序、计算机程序产品 |
-
2024
- 2024-06-14 CN CN202410765718.3A patent/CN118334594A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1784015A (zh) * | 2004-12-02 | 2006-06-07 | 中国科学院计算技术研究所 | 一种帧内图像预测编码方法 |
| CN111860286A (zh) * | 2020-07-14 | 2020-10-30 | 艾伯资讯（深圳）有限公司 | 基于混合策略的暴力行为检测方法及系统、存储介质 |
| CN112132847A (zh) * | 2020-09-27 | 2020-12-25 | 北京字跳网络技术有限公司 | 模型训练方法、图像分割方法、装置、电子设备和介质 |
| CN112507842A (zh) * | 2020-12-01 | 2021-03-16 | 宁波多牛大数据网络技术有限公司 | 一种基于关键帧提取的视频文字识别方法和装置 |
| CN114724235A (zh) * | 2021-01-06 | 2022-07-08 | 普天信息技术有限公司 | 一种异常行为检测方法、装置、电子设备及存储介质 |
| CN113111823A (zh) * | 2021-04-22 | 2021-07-13 | 广东工业大学 | 一种建筑施工地的异常行为检测方法和相关装置 |
| WO2023142550A1 (zh) * | 2022-01-27 | 2023-08-03 | 上海商汤智能科技有限公司 | 异常事件检测方法及装置、计算机设备、存储介质、计算机程序、计算机程序产品 |
| CN115937589A (zh) * | 2022-12-09 | 2023-04-07 | 北京字跳网络技术有限公司 | 图像检测方法、装置、计算机设备及存储介质 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN119027876A (zh) * | 2024-08-16 | 2024-11-26 | 首都儿科研究所附属儿童医院 | 应用于紫外线消毒车的消毒监测方法、计算机装置与介质 |
| CN119027876B (zh) * | 2024-08-16 | 2025-03-14 | 首都儿科研究所附属儿童医院 | 应用于紫外线消毒车的消毒监测方法、计算机装置与介质 |
| CN119181039A (zh) * | 2024-08-30 | 2024-12-24 | 北京积加科技有限公司 | 视频监控控制方法、装置、电子设备和计算机可读介质 |
| CN119131040A (zh) * | 2024-11-14 | 2024-12-13 | 之江实验室 | 一种单晶光纤损耗在线监测方法、装置、存储介质及设备 |
| CN119131040B (zh) * | 2024-11-14 | 2025-06-20 | 之江实验室 | 一种单晶光纤损耗在线监测方法、装置、存储介质及设备 |
| CN119364110A (zh) * | 2024-12-26 | 2025-01-24 | 浙江宇视科技有限公司 | 视频处理方法、装置、电子设备以及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN118334594A (zh) | 目标区域安全监控方法、装置、电子设备与可读介质 | |
| CN113436620B (zh) | 语音识别模型的训练方法、语音识别方法、装置、介质及设备 | |
| CN111385576B (zh) | 视频编码方法、装置、移动终端及存储介质 | |
| CN113327599B (zh) | 语音识别方法、装置、介质及电子设备 | |
| CN114257815B (zh) | 一种视频转码方法、装置、服务器和介质 | |
| CN110418134B (zh) | 基于视频质量的视频编码方法、装置及电子设备 | |
| CN116562600B (zh) | 供水控制方法、装置、电子设备和计算机可读介质 | |
| CN110519601A (zh) | 数字视频的编码方法和装置 | |
| WO2024120396A1 (zh) | 视频编码方法、装置、电子设备及存储介质 | |
| CN118536021A (zh) | 基于多传感器的实时地下水水位动态监测系统 | |
| CN114208040A (zh) | 用于时间序列数据的嵌入式深度压缩 | |
| CN118354145B (zh) | 生产车间视频监控方法、装置、电子设备与计算机介质 | |
| CN118660137A (zh) | 智能楼宇监控系统 | |
| CN115103191B (zh) | 图像处理方法、装置、设备及存储介质 | |
| CN114125443B (zh) | 视频码率控制方法、装置和电子设备 | |
| CN118413239A (zh) | 污水泵在线故障预测方法、系统、电子设备以及存储介质 | |
| CN117241092A (zh) | 一种视频处理方法、装置、存储介质及电子设备 | |
| CN114237962B (zh) | 告警根因判断方法、模型训练方法、装置、设备和介质 | |
| US20250133213A1 (en) | Video encoding method and apparatus, electronic device and storage medium | |
| CN115801447B (zh) | 基于工业安全的流量解析方法、装置与电子设备 | |
| CN118887593B (zh) | 作业人员动态轨迹不安全行为检测方法、电子设备和介质 | |
| CN117993709B (zh) | 价值风险信息生成方法、装置、设备和计算机可读介质 | |
| CN115396672B (zh) | 比特流存储方法、装置、电子设备和计算机可读介质 | |
| US20240430434A1 (en) | Method and apparatus for estimating motion vector of inter-frame coding | |
| CN118368438A (zh) | 振动信息生成方法、装置、电子设备和计算机可读介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20240712 |