[發(fā)明專利]一種圖像檢測(cè)方法、系統(tǒng)、存儲(chǔ)介質(zhì)及電子設(shè)備

在審

• 申請(qǐng)?zhí)枺?/td>: 202110579035.5
• 申請(qǐng)日: 2021-05-26
• 公開（公告）號(hào): CN113159001A
• 公開（公告）日: 2021-07-23
• 發(fā)明（設(shè)計(jì)）人: 張曉航;廖逍;謝可;劉迪;邱鎮(zhèn);王興濤;白景坡;盧大瑋;李文璞;靳敏;徐凡;李小寧;黃曉光
• 申請(qǐng)（專利權(quán)）人: 國(guó)網(wǎng)信息通信產(chǎn)業(yè)集團(tuán)有限公司
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京集佳知識(shí)產(chǎn)權(quán)代理有限公司 11227
• 代理人: 張建

本發(fā)明實(shí)施例提供了一種圖像檢測(cè)方法、系統(tǒng)、存儲(chǔ)介質(zhì)及電子設(shè)備。其中，方法包括：利用二值化后差分圖像的像素值變化確定視頻流中是否存在發(fā)生變化的圖像，對(duì)于檢測(cè)到發(fā)生變化的圖像，提取發(fā)生變化時(shí)刻之前的第一預(yù)設(shè)時(shí)長(zhǎng)的視頻流；對(duì)于未檢測(cè)到發(fā)生變化的圖像，提取第一時(shí)間段的視頻流中的第二時(shí)間段的視頻流；將提取的視頻流作為待檢測(cè)視頻流，將待檢測(cè)視頻流中的待檢測(cè)圖像輸入訓(xùn)練好的目標(biāo)檢測(cè)模型，得到待檢測(cè)圖像異常信息。本發(fā)明相較于對(duì)視頻流的全部圖像進(jìn)行檢測(cè)，大大減少了圖像檢測(cè)時(shí)的計(jì)算量，節(jié)約了因算力消耗帶來(lái)的成本。

技術(shù)領(lǐng)域

本發(fā)明涉及智能監(jiān)控技術(shù)領(lǐng)域，特別是涉及一種圖像檢測(cè)方法、系統(tǒng)、存儲(chǔ)介質(zhì)及電子設(shè)備。

背景技術(shù)

隨著監(jiān)控設(shè)備的大量布置，實(shí)現(xiàn)了監(jiān)控區(qū)域的全范圍監(jiān)控。目前，采用智能檢測(cè)方法對(duì)監(jiān)控信息進(jìn)行識(shí)別、分類、分析等處理，實(shí)現(xiàn)了智能化圖像監(jiān)控。然而，大量的監(jiān)控設(shè)備產(chǎn)生了海量的監(jiān)控信息，要實(shí)現(xiàn)圖像檢測(cè)需要大量的智能計(jì)算裝置支撐，這對(duì)于算力的消耗存在巨額的浪費(fèi)。因此，針對(duì)海量監(jiān)控信息的圖像檢測(cè)，降低算力消耗是十分必要的。

發(fā)明內(nèi)容

本發(fā)明實(shí)施例的目的在于提供一種圖像檢測(cè)方法、系統(tǒng)、存儲(chǔ)介質(zhì)及電子設(shè)備，能夠減少圖像檢測(cè)時(shí)的計(jì)算量，節(jié)約了因算力消耗帶來(lái)的成本。具體技術(shù)方案如下：

本發(fā)明提供一種圖像檢測(cè)方法，包括：

將視頻流中的相鄰幀采用像素相減的方法，得到差分圖像；

對(duì)所述差分圖像進(jìn)行二值化處理，得到二值化后的差分圖像；

判斷所述二值化后的差分圖像的像素值是否小于預(yù)設(shè)像素閾值，若是，則確定所述視頻流中的圖像未發(fā)生變化，若否，則確定所述視頻流中的圖像發(fā)生了變化；

在確定所述視頻流中的圖像發(fā)生了變化時(shí)，提取發(fā)生變化時(shí)刻之前的第一預(yù)設(shè)時(shí)長(zhǎng)的視頻流，和/或在未監(jiān)測(cè)到第一時(shí)間段的所述視頻流中的圖像變化時(shí)，提取所述第一時(shí)間段的所述視頻流中的第二時(shí)間段的視頻流，所述第一時(shí)間段的時(shí)長(zhǎng)為第二預(yù)設(shè)時(shí)長(zhǎng)，所述第二時(shí)間段的時(shí)長(zhǎng)小于所述第一時(shí)間段的時(shí)長(zhǎng)，且所述第二時(shí)間段的最晚時(shí)刻與所述第一時(shí)間段的最晚時(shí)刻相同；

將提取的視頻流作為待檢測(cè)視頻流，將所述待檢測(cè)視頻流中的待檢測(cè)圖像輸入訓(xùn)練好的目標(biāo)檢測(cè)模型，得到待檢測(cè)圖像異常信息；所述待檢測(cè)圖像異常信息為所述待檢測(cè)圖像表征存在異常情況的概率。

可選地，所述目標(biāo)檢測(cè)模型是采用標(biāo)記的圖像樣本對(duì)改進(jìn)的Faster R-CNN模型進(jìn)行訓(xùn)練得到的，所述改進(jìn)的Faster R-CNN模型包括骨干網(wǎng)絡(luò)、特征金字塔網(wǎng)絡(luò)、卷積層和全連接層，所述骨干網(wǎng)絡(luò)為去除全連接層的ResNet卷積神經(jīng)網(wǎng)絡(luò)；

所述目標(biāo)檢測(cè)模型的訓(xùn)練方法，具體包括：

獲取圖像樣本，對(duì)所述圖像樣本進(jìn)行標(biāo)記，得到所述標(biāo)記的圖像樣本；

將所述標(biāo)記的圖像樣本輸入所述骨干網(wǎng)絡(luò)進(jìn)行特征提取，得到特征圖；

將所述特征圖與所述特征金字塔網(wǎng)絡(luò)進(jìn)行融合，得到特征層；

將所述特征層輸入所述卷積層，得到卷積輸出結(jié)果，將所述卷積輸出結(jié)果輸入所述全連接層，得到預(yù)測(cè)的圖像異常概率；

對(duì)所述改進(jìn)的Faster R-CNN模型的權(quán)重進(jìn)行調(diào)整，直至所述預(yù)測(cè)的圖像異常概率與實(shí)際的圖像異常概率的偏差在容許范圍內(nèi)時(shí)，訓(xùn)練完成，得到訓(xùn)練好的目標(biāo)檢測(cè)模型。

可選地，所述將所述標(biāo)記的圖像樣本輸入所述骨干網(wǎng)絡(luò)進(jìn)行特征提取，得到特征圖，具體包括：

將所述標(biāo)記的圖像樣本輸入所述骨干網(wǎng)絡(luò)，采用所述骨干網(wǎng)絡(luò)的各階段卷積模塊進(jìn)行特征提取后，得到多個(gè)階段的特征圖；其中，后一階段特征圖的尺寸小于前一階段特征圖的尺寸，后一階段特征圖的語(yǔ)義特征個(gè)數(shù)大于前一階段特征圖的語(yǔ)義特征個(gè)數(shù)，后一階段特征圖的分辨率小于前一階段特征圖的分辨率。