CN115761616A - 一种基于存储空间自适应的控制方法及系统 - Google Patents
一种基于存储空间自适应的控制方法及系统 Download PDFInfo
- Publication number
- CN115761616A CN115761616A CN202211257011.9A CN202211257011A CN115761616A CN 115761616 A CN115761616 A CN 115761616A CN 202211257011 A CN202211257011 A CN 202211257011A CN 115761616 A CN115761616 A CN 115761616A
- Authority
- CN
- China
- Prior art keywords
- images
- moving object
- same moving
- storage space
- neural network
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000003062 neural network model Methods 0.000 claims abstract description 22
- 238000012163 sequencing technique Methods 0.000 claims abstract description 13
- 238000001514 detection method Methods 0.000 claims description 12
- 230000006978 adaptation Effects 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 7
- 230000003287 optical effect Effects 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 4
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 3
- 101150083127 brox gene Proteins 0.000 claims description 3
- 230000002401 inhibitory effect Effects 0.000 claims description 2
- 230000036544 posture Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明公开了一种基于存储空间自适应的控制方法及系统；该方法包括：获取多个摄像头拍摄的带有时间戳的多张图像；通过神经网络模型检测多张图像的移动对象，将同一移动对象的多张图像按照时间的先后进行排序，并拼接生成所述同一移动对象的移动轨迹；将能表征所述同一移动对象的移动轨迹的图像进行保存。本发明提出一种基于存储空间自适应的控制方法及系统，解决当前技术无法智能化存储和存储成本较高的技术问题。
Description
技术领域
本发明涉及存储技术领域，具体涉及一种基于存储空间自适应的控制方法及系统。
背景技术
行人重识别(Person re-identification缩写ReID)技术是一项利用计算器视觉技术在图片库或者视频库中检索特定行人的技术，被广泛应用于智能监控、安防等领域。实际场景中，抓拍到的行人很容易被各种静态或动态的物体所遮挡，而且由于抓拍角度的不同和行人自身移动导致的较大的视角和姿态变化，以及由于天气、时间等造成的光线变化等等都会对行人重识别的最终效果产生比较大的影响。
另外，监控装置的存储芯片只能被动的存储图像，造成了存储空间的浪费，需要不断地更新存储空间，从而提高了成本。
发明内容
本发明为克服现有技术中，提供一种存储空间自适应的控制方法，解决当前技术无法智能化存储和存储成本较高的技术问题。
本发明公开了一种存储空间自适应的控制方法，包括：获取多个摄像头拍摄的带有时间戳的多张图像；
通过神经网络模型检测多张图像的移动对象，将同一移动对象的多张图像按照时间的先后进行排序，并拼接生成所述同一移动对象的移动轨迹；
将能表征所述同一移动对象的移动轨迹的图像进行保存。
优选地，所述通过神经网络模型检测多张图像的移动对象，具体包括：
将多张图像裁剪为640*640尺寸的小图像作为yolo模型的输入；
利用滑动窗口的方式裁剪；
裁剪后执行网络检测模块，获取相应的预测框；
将裁剪后的所有小图像结合起来，使用非极大值抑制处理重叠区域，得到移动对象检测结果。
优选地，通过对比IoU预测框与真实框的重叠程度值不断循环直到获取到最佳的拼接效果；IoU表达式为：
N为全部图像的数量，Ptrue预测正确的图像数量。
优选地，所述通过神经网络模型检测多张图像的移动对象，将同一移动对象的多张图像按照时间的先后进行排序，并拼接生成所述同一移动对象的移动轨迹，之后还包括：
通过多张图像判定移动对象是否异常行为；
若有，则利用基于提取图像中各个像素的运动速度的Brox光流算法或Horn-Schunck光流算法，对速度大于阈值的像素，根据其速度的大小和方向，统计这些像素的速度矢量区间直方图，从而计算得到监控中移动对象的特征描述。
优选地，所述通过神经网络模型检测多张图像的移动对象，将同一移动对象的多张图像按照时间的先后进行排序，并拼接生成所述同一移动对象的移动轨迹，之后还包括：
拼接所述同一移动对象的移动轨迹的多张图像是否具有重叠区域；
若具有重叠区域，则不需要跟踪拍摄；
若不具有重叠区域，则需要进行跟踪拍摄或者补充摄像头进行拍摄。
本发明的第二个目的可以通过采取如下技术方案达到：一种基于存储空间自适应的控制系统，该系统包括：
采集单元，用于获取多个摄像头拍摄的带有时间戳的多张图像；
处理单元，通过神经网络模型检测多张图像的移动对象，将同一移动对象的多张图像按照时间的先后进行排序，并拼接生成所述同一移动对象的移动轨迹；
图像存储单元，将能表征所述同一移动对象的移动轨迹的图像进行保存。
优选地，所述通过神经网络模型检测多张图像的移动对象，具体包括：
输入单元，用于将多张图像裁剪为640*640尺寸的小图像作为yolo模型的输入；
图像第一处理单元，用于利用滑动窗口的方式裁剪；
图像第二处理单元，用于裁剪后执行网络检测模块，获取相应的预测框；
图像第三处理单元，用于将裁剪后的所有小图像结合起来，使用非极大值抑制处理重叠区域，得到移动对象检测结果。
本发明通过获取多个摄像头拍摄的带有时间戳的多张图像；通过神经网络模型检测多张图像的移动对象，将同一移动对象的多张图像按照时间的先后进行排序，并拼接生成所述同一移动对象的移动轨迹；将能表征所述同一移动对象的移动轨迹的图像进行保存，既能还原出移动对象的轨迹，又能只需要最小的存储空间即可，可以达到智能化存储图像和节约存储空间，降低成本的作用。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，标示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案，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，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一种基于存储空间自适应的控制方法的流程图；
图2为本发明一种基于存储空间自适应的控制方法的另一流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，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作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。
需要说明，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
另外，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一种该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
本发明公开了一种基于深度学习工业控制方法，参见图1-2，包括：
步骤100，获取多个摄像头拍摄的带有时间戳的多张图像；
步骤200，通过神经网络模型检测多张图像的移动对象，将同一移动对象的多张图像按照时间的先后进行排序，并拼接生成所述同一移动对象的移动轨迹；
步骤300，将能表征所述同一移动对象的移动轨迹的图像进行保存。
本发明通过获取多个摄像头拍摄的带有时间戳的多张图像；通过神经网络模型检测多张图像的移动对象，将同一移动对象的多张图像按照时间的先后进行排序，并拼接生成所述同一移动对象的移动轨迹；将能表征所述同一移动对象的移动轨迹的图像进行保存，既能还原出移动对象的轨迹，又能只需要最小的存储空间即可，可以达到智能化存储图像和节约存储空间，降低成本的作用。
优选地，通过神经网络模型检测多张图像的移动对象，具体包括：
步骤210，将多张图像裁剪为640*640尺寸的小图像作为yolo模型的输入；
步骤220，利用滑动窗口的方式裁剪；裁剪后执行网络检测模块，获取相应的预测框；
步骤230，将裁剪后的所有小图像结合起来，使用非极大值抑制处理重叠区域，得到移动对象检测结果。
优选地，通过对比IoU预测框与真实框的重叠程度值不断循环直到获取到最佳的拼接效果；IoU表达式为：
N为全部图像的数量，Ptrue预测正确的图像数量。
优选地，步骤200，通过神经网络模型检测多张图像的移动对象，将同一移动对象的多张图像按照时间的先后进行排序，并拼接生成所述同一移动对象的移动轨迹，之后还包括：
步骤240，通过多张图像判定移动对象是否异常行为；
步骤250，若有，则利用基于提取图像中各个像素的运动速度的Brox光流算法或Horn-Schunck光流算法，对速度大于阈值的像素，根据其速度的大小和方向，统计这些像素的速度矢量区间直方图，从而计算得到监控中移动对象的特征描述。
优选地，步骤200，通过神经网络模型检测多张图像的移动对象，将同一移动对象的多张图像按照时间的先后进行排序，并拼接生成所述同一移动对象的移动轨迹，之后还包括：
步骤260，拼接所述同一移动对象的移动轨迹的多张图像是否具有重叠区域；
步骤270，若具有重叠区域，则不需要跟踪拍摄；
步骤280，若不具有重叠区域，则需要进行跟踪拍摄或者补充摄像头进行拍摄。
本发明的第二个目的可以通过采取如下技术方案达到：一种基于存储空间自适应的控制系统，该系统包括：
采集单元，用于获取多个摄像头拍摄的带有时间戳的多张图像；
处理单元，通过神经网络模型检测多张图像的移动对象，将同一移动对象的多张图像按照时间的先后进行排序，并拼接生成所述同一移动对象的移动轨迹；
图像存储单元，将能表征所述同一移动对象的移动轨迹的图像进行保存。
本发明通过获取多个摄像头拍摄的带有时间戳的多张图像；通过神经网络模型检测多张图像的移动对象，将同一移动对象的多张图像按照时间的先后进行排序，并拼接生成所述同一移动对象的移动轨迹；将能表征所述同一移动对象的移动轨迹的图像进行保存，既能还原出移动对象的轨迹，又能只需要最小的存储空间即可，可以达到智能化存储图像和节约存储空间，降低成本的作用。
优选地，所述通过神经网络模型检测多张图像的移动对象，具体包括：
输入单元，用于将多张图像裁剪为640*640尺寸的小图像作为yolo模型的输入；
图像第一处理单元，用于利用滑动窗口的方式裁剪；
图像第二处理单元，用于裁剪后执行网络检测模块，获取相应的预测框；
图像第三处理单元，用于将裁剪后的所有小图像结合起来，使用非极大值抑制处理重叠区域，得到移动对象检测结果。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (7)
1.一种基于存储空间自适应的控制方法，其特征在于，包括：
获取多个摄像头拍摄的带有时间戳的多张图像；
通过神经网络模型检测多张图像的移动对象，将同一移动对象的多张图像按照时间的先后进行排序，并拼接生成所述同一移动对象的移动轨迹；
将能表征所述同一移动对象的移动轨迹的图像进行保存。
2.根据权利要求1所述的基于存储空间自适应的控制方法，其特征在于，所述通过神经网络模型检测多张图像的移动对象，具体包括：
将多张图像裁剪为640*640尺寸的小图像作为yolo模型的输入；
利用滑动窗口的方式裁剪；
裁剪后执行网络检测模块，获取相应的预测框；
将裁剪后的所有小图像结合起来，使用非极大值抑制处理重叠区域，得到移动对象检测结果。
3.根据权利要求2所述的基于存储空间自适应的控制方法，其特征在于，
通过对比IoU预测框与真实框的重叠程度值不断循环直到获取到最佳的拼接效果；IoU表达式为：
N为全部图像的数量，Ptrue预测正确的图像数量。
4.根据权利要求1所述的基于存储空间自适应的控制方法，其特征在于，所述通过神经网络模型检测多张图像的移动对象，将同一移动对象的多张图像按照时间的先后进行排序，并拼接生成所述同一移动对象的移动轨迹，之后还包括：
通过多张图像判定移动对象是否异常行为；
若有，则利用基于提取图像中各个像素的运动速度的Brox光流算法或Horn-Schunck光流算法，对速度大于阈值的像素，根据其速度的大小和方向，统计这些像素的速度矢量区间直方图，从而计算得到监控中移动对象的特征描述。
5.根据权利要求4所述的基于存储空间自适应的控制方法，其特征在于，所述通过神经网络模型检测多张图像的移动对象，将同一移动对象的多张图像按照时间的先后进行排序，并拼接生成所述同一移动对象的移动轨迹，之后还包括：
拼接所述同一移动对象的移动轨迹的多张图像是否具有重叠区域；
若具有重叠区域，则不需要跟踪拍摄；
若不具有重叠区域，则需要进行跟踪拍摄或者补充摄像头进行拍摄。
6.一种基于存储空间自适应的控制系统，其特征在于，该系统包括：
采集单元，用于获取多个摄像头拍摄的带有时间戳的多张图像；
处理单元，通过神经网络模型检测多张图像的移动对象，将同一移动对象的多张图像按照时间的先后进行排序，并拼接生成所述同一移动对象的移动轨迹；
图像存储单元，将能表征所述同一移动对象的移动轨迹的图像进行保存。
7.根据权利要求6所述的基于存储空间自适应的控制系统，其特征在于，所述通过神经网络模型检测多张图像的移动对象，具体包括：
输入单元，用于将多张图像裁剪为640*640尺寸的小图像作为yolo模型的输入；
图像第一处理单元，用于利用滑动窗口的方式裁剪；
图像第二处理单元，用于裁剪后执行网络检测模块，获取相应的预测框；
图像第三处理单元，用于将裁剪后的所有小图像结合起来，使用非极大值抑制处理重叠区域，得到移动对象检测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211257011.9A CN115761616B (zh) | 2022-10-13 | 2022-10-13 | 一种基于存储空间自适应的控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211257011.9A CN115761616B (zh) | 2022-10-13 | 2022-10-13 | 一种基于存储空间自适应的控制方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115761616A true CN115761616A (zh) | 2023-03-07 |
| CN115761616B CN115761616B (zh) | 2024-01-26 |
Family
ID=85351352
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211257011.9A Active CN115761616B (zh) | 2022-10-13 | 2022-10-13 | 一种基于存储空间自适应的控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115761616B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107704824A (zh) * | 2017-09-30 | 2018-02-16 | 北京正安维视科技股份有限公司 | 基于空间约束的行人重识别方法及设备 |
| CN110245609A (zh) * | 2019-06-13 | 2019-09-17 | 深圳力维智联技术有限公司 | 行人轨迹生成方法、装置及可读存储介质 |
| CN110378931A (zh) * | 2019-07-10 | 2019-10-25 | 成都数之联科技有限公司 | 一种基于多摄像头的行人目标移动轨迹获取方法及系统 |
| CN111680543A (zh) * | 2020-04-23 | 2020-09-18 | 北京迈格威科技有限公司 | 动作识别方法、装置及电子设备 |
| CN112069969A (zh) * | 2020-08-31 | 2020-12-11 | 河北省交通规划设计院 | 一种高速公路监控视频跨镜车辆跟踪方法及系统 |
| CN114170201A (zh) * | 2021-12-08 | 2022-03-11 | 山东大学 | 基于边缘光流信息的非接触式呼吸率检测方法及系统 |
| CN114418861A (zh) * | 2022-03-31 | 2022-04-29 | 南京云创大数据科技股份有限公司 | 一种摄像头图像拼接处理方法和系统 |
-
2022
- 2022-10-13 CN CN202211257011.9A patent/CN115761616B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107704824A (zh) * | 2017-09-30 | 2018-02-16 | 北京正安维视科技股份有限公司 | 基于空间约束的行人重识别方法及设备 |
| CN110245609A (zh) * | 2019-06-13 | 2019-09-17 | 深圳力维智联技术有限公司 | 行人轨迹生成方法、装置及可读存储介质 |
| CN110378931A (zh) * | 2019-07-10 | 2019-10-25 | 成都数之联科技有限公司 | 一种基于多摄像头的行人目标移动轨迹获取方法及系统 |
| CN111680543A (zh) * | 2020-04-23 | 2020-09-18 | 北京迈格威科技有限公司 | 动作识别方法、装置及电子设备 |
| CN112069969A (zh) * | 2020-08-31 | 2020-12-11 | 河北省交通规划设计院 | 一种高速公路监控视频跨镜车辆跟踪方法及系统 |
| CN114170201A (zh) * | 2021-12-08 | 2022-03-11 | 山东大学 | 基于边缘光流信息的非接触式呼吸率检测方法及系统 |
| CN114418861A (zh) * | 2022-03-31 | 2022-04-29 | 南京云创大数据科技股份有限公司 | 一种摄像头图像拼接处理方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115761616B (zh) | 2024-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113286194B (zh) | 视频处理方法、装置、电子设备及可读存储介质 | |
| US11010905B2 (en) | Efficient object detection and tracking | |
| US9710716B2 (en) | Computer vision pipeline and methods for detection of specified moving objects | |
| Wang et al. | Static and moving object detection using flux tensor with split Gaussian models | |
| CN113034541B (zh) | 目标跟踪方法、装置、计算机设备和存储介质 | |
| CN111932596B (zh) | 摄像头遮挡区域的检测方法、装置、设备和存储介质 | |
| CN111325051B (zh) | 一种基于人脸图像roi选取的人脸识别方法及装置 | |
| CN110059666B (zh) | 一种注意力检测方法及装置 | |
| US11871125B2 (en) | Method of processing a series of events received asynchronously from an array of pixels of an event-based light sensor | |
| CN105046719B (zh) | 一种视频监控方法及系统 | |
| US7982774B2 (en) | Image processing apparatus and image processing method | |
| EP3495989A1 (en) | Best image crop selection | |
| CN105898107A (zh) | 一种目标物体抓拍方法及系统 | |
| CN111967396A (zh) | 障碍物检测的处理方法、装置、设备及存储介质 | |
| CN112150514A (zh) | 视频的行人轨迹追踪方法、装置、设备及存储介质 | |
| CN107105193B (zh) | 基于人体信息的机器人监控系统 | |
| CN115880765A (zh) | 区域入侵异常行为检测方法、装置及计算机设备 | |
| JP7125843B2 (ja) | 障害検知システム | |
| US11605224B2 (en) | Automated media editing operations in consumer devices | |
| CN108229281B (zh) | 神经网络的生成方法和人脸检测方法、装置及电子设备 | |
| CN110399823B (zh) | 主体跟踪方法和装置、电子设备、计算机可读存储介质 | |
| CN108876824B (zh) | 目标跟踪方法、装置、系统及球机 | |
| CN111382606A (zh) | 摔倒检测方法、摔倒检测装置和电子设备 | |
| US20200394802A1 (en) | Real-time object detection method for multiple camera images using frame segmentation and intelligent detection pool | |
| CN115761616A (zh) | 一种基于存储空间自适应的控制方法及系统 |
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 |