一種場(chǎng)景識(shí)別方法及裝置的制造方法
【技術(shù)領(lǐng)域】
[0001 ]本發(fā)明涉及視頻監(jiān)控技術(shù)領(lǐng)域，尤其涉及一種場(chǎng)景識(shí)別方法及裝置。
【背景技術(shù)】
[0002] 智能監(jiān)控的一個(gè)重要用途就是及時(shí)監(jiān)測(cè)攝像機(jī)覆蓋范圍內(nèi)的異常情況，并及時(shí)產(chǎn) 生警報(bào)處理。智能視頻監(jiān)控對(duì)異常場(chǎng)景的檢測(cè)不僅可以及時(shí)發(fā)現(xiàn)不正當(dāng)場(chǎng)景告知工作人員 及時(shí)處理，阻止不法場(chǎng)景的發(fā)生，而且可節(jié)省大量的存儲(chǔ)空間，避免不法場(chǎng)景發(fā)生后工作人 員海量的查找和取證。一些基于運(yùn)動(dòng)矢量和單純前背景建模方案的監(jiān)測(cè)模型，如入侵監(jiān)測(cè)， 滯留，徘徊等，已經(jīng)得到較普遍的應(yīng)用，但對(duì)場(chǎng)景復(fù)雜情景的分析，如跌倒檢測(cè)，人群擁擠， 機(jī)動(dòng)車不禮讓行人等，目前還存在較大的誤判和漏判。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明提供一種場(chǎng)景識(shí)別方法及裝置，以提高場(chǎng)景識(shí)別的準(zhǔn)確率。
[0004] 根據(jù)本發(fā)明實(shí)施例的第一方面，提供一種場(chǎng)景識(shí)別方法，包括：
[0005] 獲取目標(biāo)監(jiān)控圖像的前景區(qū)域圖像；
[0006] 分別將所述前景區(qū)域圖像輸入預(yù)設(shè)的目標(biāo)檢測(cè)網(wǎng)絡(luò)模型以及第一事件類型檢測(cè) 網(wǎng)絡(luò)模型，以得到所述前景區(qū)域圖像對(duì)應(yīng)的目標(biāo)特征以及事件特征；
[0007] 將所述目標(biāo)特征以及事件特征輸入到預(yù)設(shè)的第二事件類型檢測(cè)網(wǎng)絡(luò)模型，以得到 所述目標(biāo)監(jiān)控圖像對(duì)應(yīng)的事件類型。
[0008] 根據(jù)本發(fā)明實(shí)施例的第二方面，提供一種場(chǎng)景識(shí)別裝置，包括：
[0009] 獲取單元，用于獲取目標(biāo)監(jiān)控圖像的前景區(qū)域圖像；
[0010] 特征提取單元，分別將所述前景區(qū)域圖像輸入預(yù)設(shè)的目標(biāo)檢測(cè)網(wǎng)絡(luò)模型以及第一 事件類型檢測(cè)網(wǎng)絡(luò)模型，以得到所述前景區(qū)域圖像對(duì)應(yīng)的目標(biāo)特征以及事件特征；
[0011]場(chǎng)景識(shí)別單元，用于將所述目標(biāo)特征以及事件特征輸入到預(yù)設(shè)的第二事件類型檢 測(cè)網(wǎng)絡(luò)模型，以得到所述目標(biāo)監(jiān)控圖像對(duì)應(yīng)的事件類型。
[0012] 應(yīng)用本發(fā)明實(shí)施例，通過(guò)獲取目標(biāo)監(jiān)控圖像的前景區(qū)域圖像，并分別將該前景區(qū) 域圖像輸入預(yù)設(shè)的目標(biāo)檢測(cè)網(wǎng)絡(luò)模型以及第一事件類型檢測(cè)網(wǎng)絡(luò)模型，以得到該前景區(qū)域 圖像對(duì)應(yīng)的目標(biāo)特征以及事件特征，進(jìn)而，將目標(biāo)特征以及事件特征輸入到預(yù)設(shè)的第二事 件類型檢測(cè)網(wǎng)絡(luò)模型，以得到目標(biāo)監(jiān)控圖像對(duì)應(yīng)的事件類型，提高了場(chǎng)景識(shí)別的準(zhǔn)確率。
【附圖說(shuō)明】
[0013] 圖1是本發(fā)明實(shí)施例提供的一種場(chǎng)景識(shí)別方法的流程示意圖；
[0014] 圖2是本發(fā)明實(shí)施例提供的一種場(chǎng)景識(shí)別裝置的結(jié)構(gòu)示意圖；
[0015] 圖3是本發(fā)明實(shí)施例提供的另一種場(chǎng)景識(shí)別裝置的結(jié)構(gòu)示意圖；
[0016] 圖4是本發(fā)明實(shí)施例提供的另一種場(chǎng)景識(shí)別裝置的結(jié)構(gòu)示意圖；
[0017] 圖5是本發(fā)明實(shí)施例提供的另一種場(chǎng)景識(shí)別裝置的結(jié)構(gòu)示意圖。
【具體實(shí)施方式】
[0018]為了使本技術(shù)領(lǐng)域的人員更好地理解本發(fā)明實(shí)施例中的技術(shù)方案，并使本發(fā)明實(shí) 施例的上述目的、特征和優(yōu)點(diǎn)能夠更加明顯易懂，下面結(jié)合附圖對(duì)本發(fā)明實(shí)施例中技術(shù)方 案作進(jìn)一步詳細(xì)的說(shuō)明。
[0019]請(qǐng)參見(jiàn)圖1，圖1為本發(fā)明實(shí)施例提供的一種場(chǎng)景識(shí)別方法的流程示意圖，如圖1所 示，該場(chǎng)景識(shí)別方法可以包括以下步驟：
[0020] 步驟101、獲取目標(biāo)監(jiān)控圖像的前景區(qū)域圖像。
[0021] 本發(fā)明實(shí)施例中，上述方法可以應(yīng)用于視頻監(jiān)控系統(tǒng)，如應(yīng)用于視頻監(jiān)控系統(tǒng)的 后臺(tái)服務(wù)器中，為便于描述，以下以上述方法的執(zhí)行主體為服務(wù)器為例進(jìn)行描述。
[0022] 本發(fā)明實(shí)施例中，目標(biāo)監(jiān)控圖像并不指代某一固定的監(jiān)控圖像，而是可以指代任 一需要進(jìn)行場(chǎng)景識(shí)別的監(jiān)控圖像。
[0023] 本發(fā)明實(shí)施例中，當(dāng)服務(wù)器需要對(duì)目標(biāo)監(jiān)控圖像進(jìn)行場(chǎng)景識(shí)別時(shí)，為了排除目標(biāo) 監(jiān)控圖像中背景區(qū)域?qū)?chǎng)景識(shí)別的干擾，服務(wù)器可以對(duì)目標(biāo)監(jiān)控圖像進(jìn)行前景區(qū)域與背景 區(qū)域的分離，以獲取目標(biāo)監(jiān)控圖像的前景區(qū)域圖像。
[0024] 可選地，服務(wù)器可以通過(guò)建立GMM(Gaussian Mixture Model，高斯混合模型）模型 的方式，實(shí)現(xiàn)目標(biāo)監(jiān)控圖像的前景區(qū)域與背景區(qū)域的分離，進(jìn)而獲取目標(biāo)監(jiān)控圖像的前景 區(qū)域圖像，其具體實(shí)現(xiàn)在此不再贅述。
[0025] 步驟102、分別將前景區(qū)域圖像輸入預(yù)設(shè)的目標(biāo)檢測(cè)網(wǎng)絡(luò)模型以及第一事件類型 檢測(cè)網(wǎng)絡(luò)模型，以得到前景區(qū)域圖像對(duì)應(yīng)的目標(biāo)特征以及事件特征。
[0026] 本發(fā)明實(shí)施例中，服務(wù)器獲取到目標(biāo)監(jiān)控圖像的前景區(qū)域圖像之后，服務(wù)器并不 會(huì)直接根據(jù)該前景區(qū)域圖像進(jìn)行場(chǎng)景識(shí)別，而是需要先分別確定該前景區(qū)域圖像的目標(biāo)特 征以及事件特征，進(jìn)而，同時(shí)根據(jù)前景區(qū)域圖像對(duì)應(yīng)的目標(biāo)特征以及事件特征進(jìn)行場(chǎng)景識(shí) 另IJ，以提高場(chǎng)景識(shí)別的準(zhǔn)確率。
[0027] 其中，服務(wù)器獲取前景區(qū)域圖像的目標(biāo)特征以及事件特征的具體實(shí)現(xiàn)方式將在下 文中描述，本發(fā)明實(shí)施例在此不再贅述。
[0028] 作為一種可選的實(shí)施方式，在本發(fā)明實(shí)施例中，上述分別將前景區(qū)域圖像輸入預(yù) 設(shè)的目標(biāo)檢測(cè)網(wǎng)絡(luò)模型以及第一事件類型檢測(cè)網(wǎng)絡(luò)模型之前，還可以包括以下步驟：
[0029] 11)、判斷前景區(qū)域圖像中是否存在預(yù)設(shè)目標(biāo)；
[0030] 12)、若存在，則確定執(zhí)行上述分別將前景區(qū)域圖像輸入預(yù)設(shè)的目標(biāo)檢測(cè)網(wǎng)絡(luò)模型 以及第一事件類型檢測(cè)網(wǎng)絡(luò)模型的步驟。
[0031] 在該實(shí)施方式中，可以預(yù)先設(shè)定需要關(guān)注的事件，即設(shè)定服務(wù)器需檢測(cè)的事件類 型，如打架、機(jī)動(dòng)車擁堵以及人群擁擠等。進(jìn)而，可以根據(jù)該需要關(guān)注的事件，確定需要關(guān)注 的目標(biāo)，例如，對(duì)于打架，需要關(guān)注的目標(biāo)可以包括人;對(duì)于機(jī)動(dòng)車擁堵需要關(guān)注的目標(biāo)可 以包括機(jī)動(dòng)車;對(duì)于人群擁擠，需要關(guān)注的目標(biāo)可以包括人和非機(jī)動(dòng)車等。
[0032] 相應(yīng)地，基于上述設(shè)定，服務(wù)器在獲取到目標(biāo)監(jiān)控圖像的前景區(qū)域圖像之后，可以 判斷該前景區(qū)域圖像中是否存在預(yù)設(shè)目標(biāo)，如是否存在人、機(jī)動(dòng)車以及非機(jī)動(dòng)車中的一個(gè) 或多個(gè)，若存在，則將前景區(qū)域圖像輸入到預(yù)設(shè)的目標(biāo)檢測(cè)網(wǎng)絡(luò)模型以及第一事件類型檢 測(cè)網(wǎng)絡(luò)模型中，以進(jìn)行目標(biāo)特征以及事件特征的提取。
[0033] 可選地，服務(wù)器對(duì)前景區(qū)域圖像的篩選可以通過(guò)SVM(Support Vector Machine， 支持向量機(jī))分類器實(shí)現(xiàn)。具體的，假設(shè)預(yù)設(shè)目標(biāo)包括機(jī)動(dòng)車、非機(jī)動(dòng)車以及人三類，則可以 通過(guò)事先采集的正負(fù)樣本(包括預(yù)設(shè)目標(biāo)的樣本為正樣本，未包括預(yù)設(shè)目標(biāo)的樣本為負(fù)樣 本)對(duì)SVM分類器進(jìn)行訓(xùn)練，以使SVM分類器識(shí)別正負(fù)樣本(例如，對(duì)正樣本輸出1;對(duì)負(fù)樣本 輸出0)的準(zhǔn)確率滿足預(yù)設(shè)條件?；谏鲜鲇?xùn)練，當(dāng)服務(wù)器獲取到目標(biāo)監(jiān)控圖像的前景區(qū)域 圖像之后，可以將該前景區(qū)域圖像輸入到訓(xùn)練好的SVM分類器;若SVM分類器輸出1，則表明 該前景區(qū)域圖像中存在預(yù)設(shè)目標(biāo)，服務(wù)器可以對(duì)該前景區(qū)域圖像進(jìn)行后續(xù)的目標(biāo)特征以及 事件特征的提取;若SVM分類器輸出0,則表明該前景區(qū)域圖像中不存在預(yù)設(shè)目標(biāo)，服務(wù)器可 以刪除該前景區(qū)域圖像，不對(duì)該前景區(qū)域圖像進(jìn)行后續(xù)的目標(biāo)特征以及事件特征的提取。
[0034] 步驟103、將目標(biāo)特征以及事件特征輸入到預(yù)設(shè)的第二事件類型檢測(cè)網(wǎng)絡(luò)模型，以 得到目標(biāo)監(jiān)控圖像對(duì)應(yīng)的事件類型。
[0035] 本發(fā)明實(shí)施例中，服務(wù)器提取到目標(biāo)監(jiān)控圖像的前景區(qū)域圖像對(duì)應(yīng)的目標(biāo)特征以 及事件特征之后，可以將該目標(biāo)特征以及事件特征輸入到預(yù)設(shè)的第二事件類型檢測(cè)網(wǎng)絡(luò)模 型，以得到目標(biāo)監(jiān)控圖像對(duì)應(yīng)的事件類型。
[0036] 可選地，服務(wù)器獲取到前景區(qū)域圖像對(duì)應(yīng)的目標(biāo)特征以及事件特征之后，可以將 獲取到的目標(biāo)特征和事件特征串行成一組新的特征組合，并將該特征組合輸入到第二事件 類型檢測(cè)網(wǎng)絡(luò)模型中，由該第二事件類型檢測(cè)網(wǎng)絡(luò)模型輸出對(duì)應(yīng)的事件類型。
[0037] 作為一種可選的實(shí)施方式，第二事件類型檢測(cè)網(wǎng)絡(luò)模型可以是SVM事件類型分類 器。
[0038] 在該實(shí)施方式中，服務(wù)器可以按照步驟101和步驟102所描述的方式獲取事先采集 的訓(xùn)練樣本對(duì)應(yīng)的目標(biāo)特征以及事件特征。對(duì)于任一訓(xùn)練樣本，將該訓(xùn)練樣