一種場景識別方法及裝置的制造方法
【技術領域】
[0001 ]本發(fā)明涉及視頻監(jiān)控技術領域，尤其涉及一種場景識別方法及裝置。
【背景技術】
[0002] 智能監(jiān)控的一個重要用途就是及時監(jiān)測攝像機覆蓋范圍內(nèi)的異常情況，并及時產(chǎn) 生警報處理。智能視頻監(jiān)控對異常場景的檢測不僅可以及時發(fā)現(xiàn)不正當場景告知工作人員 及時處理，阻止不法場景的發(fā)生，而且可節(jié)省大量的存儲空間，避免不法場景發(fā)生后工作人 員海量的查找和取證。一些基于運動矢量和單純前背景建模方案的監(jiān)測模型，如入侵監(jiān)測， 滯留，徘徊等，已經(jīng)得到較普遍的應用，但對場景復雜情景的分析，如跌倒檢測，人群擁擠， 機動車不禮讓行人等，目前還存在較大的誤判和漏判。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明提供一種場景識別方法及裝置，以提高場景識別的準確率。
[0004] 根據(jù)本發(fā)明實施例的第一方面，提供一種場景識別方法，包括：
[0005] 獲取目標監(jiān)控圖像的前景區(qū)域圖像；
[0006] 分別將所述前景區(qū)域圖像輸入預設的目標檢測網(wǎng)絡模型以及第一事件類型檢測 網(wǎng)絡模型，以得到所述前景區(qū)域圖像對應的目標特征以及事件特征；
[0007] 將所述目標特征以及事件特征輸入到預設的第二事件類型檢測網(wǎng)絡模型，以得到 所述目標監(jiān)控圖像對應的事件類型。
[0008] 根據(jù)本發(fā)明實施例的第二方面，提供一種場景識別裝置，包括：
[0009] 獲取單元，用于獲取目標監(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)域圖像輸入預設的目標檢測網(wǎng)絡模型以及第一 事件類型檢測網(wǎng)絡模型，以得到所述前景區(qū)域圖像對應的目標特征以及事件特征；
[0011]場景識別單元，用于將所述目標特征以及事件特征輸入到預設的第二事件類型檢 測網(wǎng)絡模型，以得到所述目標監(jiān)控圖像對應的事件類型。
[0012] 應用本發(fā)明實施例，通過獲取目標監(jiān)控圖像的前景區(qū)域圖像，并分別將該前景區(qū) 域圖像輸入預設的目標檢測網(wǎng)絡模型以及第一事件類型檢測網(wǎng)絡模型，以得到該前景區(qū)域 圖像對應的目標特征以及事件特征，進而，將目標特征以及事件特征輸入到預設的第二事 件類型檢測網(wǎng)絡模型，以得到目標監(jiān)控圖像對應的事件類型，提高了場景識別的準確率。
【附圖說明】
[0013] 圖1是本發(fā)明實施例提供的一種場景識別方法的流程示意圖；
[0014] 圖2是本發(fā)明實施例提供的一種場景識別裝置的結(jié)構示意圖；
[0015] 圖3是本發(fā)明實施例提供的另一種場景識別裝置的結(jié)構示意圖；
[0016] 圖4是本發(fā)明實施例提供的另一種場景識別裝置的結(jié)構示意圖；
[0017] 圖5是本發(fā)明實施例提供的另一種場景識別裝置的結(jié)構示意圖。
【具體實施方式】
[0018]為了使本技術領域的人員更好地理解本發(fā)明實施例中的技術方案，并使本發(fā)明實 施例的上述目的、特征和優(yōu)點能夠更加明顯易懂，下面結(jié)合附圖對本發(fā)明實施例中技術方 案作進一步詳細的說明。
[0019]請參見圖1，圖1為本發(fā)明實施例提供的一種場景識別方法的流程示意圖，如圖1所 示，該場景識別方法可以包括以下步驟：
[0020] 步驟101、獲取目標監(jiān)控圖像的前景區(qū)域圖像。
[0021] 本發(fā)明實施例中，上述方法可以應用于視頻監(jiān)控系統(tǒng)，如應用于視頻監(jiān)控系統(tǒng)的 后臺服務器中，為便于描述，以下以上述方法的執(zhí)行主體為服務器為例進行描述。
[0022] 本發(fā)明實施例中，目標監(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 一需要進行場景識別的監(jiān)控圖像。
[0023] 本發(fā)明實施例中，當服務器需要對目標監(jiān)控圖像進行場景識別時，為了排除目標 監(jiān)控圖像中背景區(qū)域?qū)鼍白R別的干擾，服務器可以對目標監(jiān)控圖像進行前景區(qū)域與背景 區(qū)域的分離，以獲取目標監(jiān)控圖像的前景區(qū)域圖像。
[0024] 可選地，服務器可以通過建立GMM(Gaussian Mixture Model，高斯混合模型）模型 的方式，實現(xiàn)目標監(jiān)控圖像的前景區(qū)域與背景區(qū)域的分離，進而獲取目標監(jiān)控圖像的前景 區(qū)域圖像，其具體實現(xiàn)在此不再贅述。
[0025] 步驟102、分別將前景區(qū)域圖像輸入預設的目標檢測網(wǎng)絡模型以及第一事件類型 檢測網(wǎng)絡模型，以得到前景區(qū)域圖像對應的目標特征以及事件特征。
[0026] 本發(fā)明實施例中，服務器獲取到目標監(jiān)控圖像的前景區(qū)域圖像之后，服務器并不 會直接根據(jù)該前景區(qū)域圖像進行場景識別，而是需要先分別確定該前景區(qū)域圖像的目標特 征以及事件特征，進而，同時根據(jù)前景區(qū)域圖像對應的目標特征以及事件特征進行場景識 另IJ，以提高場景識別的準確率。
[0027] 其中，服務器獲取前景區(qū)域圖像的目標特征以及事件特征的具體實現(xiàn)方式將在下 文中描述，本發(fā)明實施例在此不再贅述。
[0028] 作為一種可選的實施方式，在本發(fā)明實施例中，上述分別將前景區(qū)域圖像輸入預 設的目標檢測網(wǎng)絡模型以及第一事件類型檢測網(wǎng)絡模型之前，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設目標；
[0030] 12)、若存在，則確定執(zhí)行上述分別將前景區(qū)域圖像輸入預設的目標檢測網(wǎng)絡模型 以及第一事件類型檢測網(wǎng)絡模型的步驟。
[0031] 在該實施方式中，可以預先設定需要關注的事件，即設定服務器需檢測的事件類 型，如打架、機動車擁堵以及人群擁擠等。進而，可以根據(jù)該需要關注的事件，確定需要關注 的目標，例如，對于打架，需要關注的目標可以包括人;對于機動車擁堵需要關注的目標可 以包括機動車;對于人群擁擠，需要關注的目標可以包括人和非機動車等。
[0032] 相應地，基于上述設定，服務器在獲取到目標監(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設目標，如是否存在人、機動車以及非機動車中的一個 或多個，若存在，則將前景區(qū)域圖像輸入到預設的目標檢測網(wǎng)絡模型以及第一事件類型檢 測網(wǎng)絡模型中，以進行目標特征以及事件特征的提取。
[0033] 可選地，服務器對前景區(qū)域圖像的篩選可以通過SVM(Support Vector Machine， 支持向量機)分類器實現(xiàn)。具體的，假設預設目標包括機動車、非機動車以及人三類，則可以 通過事先采集的正負樣本(包括預設目標的樣本為正樣本，未包括預設目標的樣本為負樣 本)對SVM分類器進行訓練，以使SVM分類器識別正負樣本(例如，對正樣本輸出1;對負樣本 輸出0)的準確率滿足預設條件?；谏鲜鲇柧?，當服務器獲取到目標監(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)域圖像中存在預設目標，服務器可以對該前景區(qū)域圖像進行后續(xù)的目標特征以及 事件特征的提取;若SVM分類器輸出0,則表明該前景區(qū)域圖像中不存在預設目標，服務器可 以刪除該前景區(qū)域圖像，不對該前景區(qū)域圖像進行后續(xù)的目標特征以及事件特征的提取。
[0034] 步驟103、將目標特征以及事件特征輸入到預設的第二事件類型檢測網(wǎng)絡模型，以 得到目標監(jiān)控圖像對應的事件類型。
[0035] 本發(fā)明實施例中，服務器提取到目標監(jiān)控圖像的前景區(qū)域圖像對應的目標特征以 及事件特征之后，可以將該目標特征以及事件特征輸入到預設的第二事件類型檢測網(wǎng)絡模 型，以得到目標監(jiān)控圖像對應的事件類型。
[0036] 可選地，服務器獲取到前景區(qū)域圖像對應的目標特征以及事件特征之后，可以將 獲取到的目標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 類型檢測網(wǎng)絡模型中，由該第二事件類型檢測網(wǎng)絡模型輸出對應的事件類型。
[0037] 作為一種可選的實施方式，第二事件類型檢測網(wǎng)絡模型可以是SVM事件類型分類 器。
[0038] 在該實施方式中，服務器可以按照步驟101和步驟102所描述的方式獲取事先采集 的訓練樣本對應的目標特征以及事件特征。對于任一訓練樣本，將該訓練樣