一种待检测目标的监控判断方法及系统

技术领域

本发明涉及目标检测技术领域，具体涉及一种待检测目标的监控判断方法及系统。

背景技术

近年来，由于监控对象是具体活动的人，其在监控过程中并非静止不动的，而是随时移动的，并且移动方向、速度均不可控。为了持续监控，通常需要调用周边的监控设施，逐一接力对监控对象进行监控。但是，由于监控对象的活动并没有固定路线，当其离开当前监控设施范围时，监控人员只能对其活动范围周边的监控设施逐一查看，才能继续对其进行监控。现有的监控方法存在任务量大、容易丢失监控对象、监控效率低的问题。

发明内容

因此，本发明提供的一种待检测目标的监控判断方法及系统，克服了现有技术中监控方法存在任务量大、容易丢失监控对象、监控效率低的缺陷。

为达到上述目的，本发明提供如下技术方案：

第一方面，本发明实施例提供一种待检测目标的监控判断方法，包括：

采集当前监控设备实时拍摄的待检测场景的视频流，所述视频流包括：多帧图像；

根据当前监控设备视频流中的抽帧图像，获取待检测目标的感知数据；

利用预训练好的目标检测预测模型检测待检测目标的感知数据，生成待检测目标的标签和置信度；

根据待检测目标的标签和置信度，判断待检测目标的下一监控设备的位置。

可选地，当待检测目标的标签和置信度均不满足第一预设条件时，根据不满足第一预设条件的矛盾数据进行模型再训练，当训练结果满足第一预设条件时，更新目标检测预测模型，所述矛盾包括：待检测目标的标签不存在、置信度不满足第二预设条件。

可选地，在采集当前监控设备实时拍摄的待检测场景的视频流步骤之前，还包括：

根据监控区域的总体规划，确定监控设备的位置。

可选地，感知数据包括：视觉感知数据、待检测目标预设距离的数据信息；

所述数据信息包括：交通灯、行人、交通道路线及其它车辆。

可选地，所述待检测目标的标签，包括：待检测目标的动作信息。

可选地，目标检测预测模型的训练过程，包括：

采集监控设备的图像，并对监控设备的图像进行数据增强，对数据增强的抽帧图像进行目标检测，提取抽帧图像中待检测目标的感知数据，标注待检测目标的标签，合成训练数据集；

在训练数据集中提取待检测目标的最小外接矩形框及标签，将最小外接矩形框作为回归参数真实值输入到网络模型中，计算回归损失函数，训练该网络模型；

把最小外接矩形框的信息及标签输到入网络模型，计算损失值，调整学习率，并进行循环训练，直至损失值小于第一预设阈值或循环次数大于预设值时，停止训练，得到训练好的目标检测预测模型。

可选地，监控设备包括：传感器、视频装置、雷达、无人机、巡逻车。

第二方面，本发明实施例提供一种待检测目标的监控判断系统，包括：

图像采集模块，用于采集当前监控设备实时拍摄的待检测场景的视频流，所述视频流包括：多帧图像；

数据提取模块，用于根据当前监控设备视频流中的抽帧图像，获取待检测目标的感知数据；

模型处理模块，用于利用预训练好的目标检测预测模型检测待检测目标的感知数据，生成待检测目标的标签和置信度；

模型判断模块，用于根据待检测目标的标签和置信度，判断待检测目标的下一监控设备的位置。

第三方面，本发明实施例提供一种终端，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行本发明实施例第一方面所述的待检测目标的监控判断方法。

第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行本发明实施例第一方面所述的待检测目标的监控判断方法。

本发明技术方案，具有如下优点：

1、本发明提供的待检测目标的监控判断方法及系统，通过采集当前监控设备实时拍摄的待检测场景的视频流，及对视频流进行处理，提高训练模型的泛化能力，提升模型的鲁棒性。

2、本发明提供的待检测目标的监控判断方法及系统，通过预训练好的目标检测预测模型检测待检测目标的感知数据，生成待检测目标的标签和置信度，根据待检测目标的标签和置信度，判断待检测目标的下一监控设备的位置。减小了监控判断中的任务量，能够自动寻找检测目标出现的下一监控设备，提高了监控效率。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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的附图。

图1为本发明实施例提供的一种待检测目标的监控判断方法的一个具体示例的流程图；

图2为本发明实施例提供的一种待检测目标的监控判断系统的模块组成图；

图3为本发明实施例提供的一种待检测目标的监控判断系统的终端一个具体示例的组成图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连通，可以是无线连接，也可以是有线连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

实施例1

本发明实施例提供的一种待检测目标的监控判断方法，应用于海上、陆地等的场景。

在本发明实施例中，如图1所示，待检测目标的监控判断方法，包括如下步骤：

步骤S1：采集当前监控设备实时拍摄的待检测场景的视频流，所述视频流包括：多帧图像。

在本发明实施例中，根据检测场景的不同，所采用的监控设备也不相同。监控设备包括：传感器、视频装置、雷达、无人机、巡逻车。在视频流采集的过程中，可自由调用所有的监控手段，结合电子地图，对区域内的设施和活动目标进行监控，以实现全区域的监控。仅以此举例，不以此为限，在实际应用中根据检测场景及检测数据选取相应的监控设备。

在一具体实施例中，在采集当前监控设备实时拍摄的待检测场景的视频流步骤之前，还包括：根据监控区域的总体规划，确定监控设备的位置。每个摄像头等监控设备都有确定的位置，其位置是根据区域总体规划确定的。相互之间根据监控需要，监控区域可以无缝连接，确保整个区域均在监控范围内。在进行规划时，需要参照区域内街道、建筑、地形地貌、人员密集程度等多种特征，分别设计具体的监控设施的监控点。

其中，监控点的设置包括：具体的位置、监控设施的选型、朝向、监控范围规划等多种措施。例如：监控点设置需要考虑采用枪机还是球机，需要高清摄像还是标清。还需要考虑具体摄像头的朝向和有效监控距离。在此不作限制，根据实际情况进行相应的选取。

在一具体实施例中，监控设施监控范围的设定根据实际情况确定，在此不作限制。对于人员监控的重点区域，由于需要识别人员的具体特征，监控设施需要密集设置，以识别人脸和人体特征为监控范围设定的标准。而对于主要监控车辆的区域，监控范围的设定可以以能够清洗识别车牌信息为临界。

步骤S2：根据当前监控设备视频流中的抽帧图像，获取待检测目标的感知数据。

在本发明实施例中，抽帧图像为抽取视频流中的关键帧，此处的关键帧为：每隔一秒钟抽取的一张图像，仅以此举例，不以此为限，在实际应用中选择相应的时间间隔进行抽帧。

在本发明实施例中，根据视频流中的抽帧图像，获取待检测目标的感知数据。感知数据包括：视觉感知数据、超声波感知数据、毫米波感知数据、红外感知数据、待检测目标预设距离的数据信息。感知数据中包含了待检测目标的移动的方向、速度、朝向等多个参数。感知数据的获取通过相应的监控设备获取。数据信息包括：交通灯、行人、交通道路线及其它车辆。仅以此举例，不以此为限，在实际应用中根据实际需求选择相应的数据信息。

步骤S3：利用预训练好的目标检测预测模型检测待检测目标的感知数据，生成待检测目标的标签和置信度。

在本发明实施例中，目标检测预测模型的训练过程，包括：采集监控设备的图像，并对监控设备的图像进行数据增强，以增加训练的数据量，提高训练模型的泛化能力，提升模型的鲁棒性。对数据增强的抽帧图像进行目标检测，提取抽帧图像中待检测目标的感知数据。根据感知数据标注待检测目标的标签，合成训练数据集。在训练数据集中提取待检测目标的最小外接矩形框及标签，将最小外接矩形框作为回归参数真实值输入到网络模型中，计算回归损失函数，训练该网络模型。把最小外接矩形框的信息及标签输到入网络模型，计算损失值，调整学习率，并进行循环训练，直至所述损失值小于第一预设阈值或循环次数大于预设值时，停止训练，得到训练好的目标检测预测模型。仅以此举例，不以此为限，在实际应用中根据实际需求选择第一预设阈值及预设值。

在本发明实施例中，所述待检测目标的标签，包括：待检测目标的动作信息。例如：当待检测目标为人时，动作信息包括：跑、跳、及动作信息的朝向。当待检测目标为车辆时，动作信息包括：左拐信号，右拐信号等。仅以此举例，不以此为限，在实际应用中根据待检测目标的不同选取相应的标签。利用训练好的目标检测预测模型检测待检测目标的感知数据，根据感知数据生成检测目标的标签以及执行该标签动作的置信度。

步骤S4：根据待检测目标的标签和置信度，判断待检测目标的下一监控设备的位置。

在本发明实施例中，当生成的检测目标的标签与该目标的置信度满足条件时，根据标签的信息判断待检测目标下一步的动作。例如：当检测目标为车辆，车辆标签显示向左拐，且置信度满足条件，即下一监控设备为当前监控设备的左方。提前预测其可能进入的下一个监控范围。

在本发明实施例中，当待检测目标的标签和置信度均不满足第一预设条件时，根据不满足第一预设条件的矛盾数据进行模型再训练，当训练结果满足第一预设条件时，更新目标检测预测模型，矛盾包括：待检测目标的标签不存在、置信度不满足第二预设条件。仅以此举例，不以此为限，在实际应用中根据实际需求选择相应的第一预设条件及第二预设条件。

本发明实施例中提供的待检测目标的监控判断方法，通过本发明实施例提出的待检测目标的监控判断方法，减小了监控判断中的任务量，能够自动寻找检测目标出现的下一监控设备，提高了监控效率。

实施例2

本发明实施例提供一种待检测目标的监控判断系统，如图2所示，包括：

图像采集模块1，用于采集当前监控设备实时拍摄的待检测场景的视频流，所述视频流包括：多帧图像；此模块执行实施例1中的步骤S1所描述的方法，在此不再赘述。

数据提取模块2，用于根据当前监控设备视频流中的抽帧图像，获取待检测目标的感知数据；此模块执行实施例1中的步骤S2所描述的方法，在此不再赘述。

模型处理模块3，用于利用预训练好的目标检测预测模型检测待检测目标的感知数据，生成待检测目标的标签和置信度；此模块执行实施例1中的步骤S3所描述的方法，在此不再赘述。

模型判断模块4，用于根据待检测目标的标签和置信度，判断待检测目标的下一监控设备的位置；此模块执行实施例1中的步骤S4所描述的方法，在此不再赘述。

本发明实施例提供一种待检测目标的监控判断系统，通过图像采集模块采集当前监控设备实时拍摄的待检测场景的视频流，所述视频流包括：多帧图像。数据提取模块根据当前监控设备视频流中的抽帧图像，获取待检测目标的感知数据。模型处理模块利用预训练好的目标检测预测模型检测待检测目标的感知数据，生成待检测目标的标签和置信度。模型判断模块根据待检测目标的标签和置信度，判断待检测目标的下一监控设备的位置。本发明提出的待检测目标的监控判断系统，减小了监控判断中的任务量，能够自动寻找检测目标出现的下一监控设备，提高了监控效率。

实施例3

本发明实施例提供一种终端，如图3所示，包括：至少一个处理器401，例如CPU(Central Processing Unit，中央处理器)，至少一个通信接口403，存储器404，至少一个通信总线402。其中，通信总线402用于实现这些组件之间的连接通信。其中，通信接口403可以包括显示屏(Display)、键盘(Keyboard)，可选通信接口403还可以包括标准的有线接口、无线接口。存储器404可以是高速RAM存储器(Random Access Memory，易挥发性随机存取存储器)，也可以是非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器404可选的还可以是至少一个位于远离前述处理器401的存储装置。其中处理器401可以执行实施例1中的待检测目标的监控判断方法。存储器404中存储一组程序代码，且处理器401调用存储器404中存储的程序代码，以用于执行实施例1中的待检测目标的监控判断方法。其中，通信总线402可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。通信总线402可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一条线表示，但并不表示仅有一根总线或一种类型的总线。其中，存储器404可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)，硬盘(英文：hard disk drive，缩写：HDD)或固降硬盘(英文：solid-state drive，缩写：SSD)；存储器404还可以包括上述种类的存储器的组合。其中，处理器401可以是中央处理器(英文：central processing unit，缩写：CPU)，网络处理器(英文：network processor，缩写：NP)或者CPU和NP的组合。

其中，存储器404可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)，硬盘(英文：hard diskdrive，缩写：HDD)或固态硬盘(英文：solid-state drive，缩写：SSD)；存储器404还可以包括上述种类的存储器的组合。

其中，处理器401可以是中央处理器(英文：central processing unit，缩写：CPU)，网络处理器(英文：network processor，缩写：NP)或者CPU和NP的组合。

其中，处理器401还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文：application-specific integrated circuit，缩写：ASIC)，可编程逻辑器件(英文：programmable logic device，缩写：PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文：complex programmable logic device，缩写：CPLD)，现场可编程逻辑门阵列(英文：field-programmable gate array，缩写：FPGA)，通用阵列逻辑(英文：generic arraylogic,缩写：GAL)或其任意组合。

可选地，存储器404还用于存储程序指令。处理器401可以调用程序指令，实现如本申请执行实施例1中的待检测目标的监控判断方法。

本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机可执行指令，该计算机可执行指令可执行实施例1中的待检测目标的监控判断方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。