一种监控图像的检测方法、装置、计算机设备和存储介质与流程

本申请涉及计算机领域，尤其是涉及一种监控图像的检测方法、装置、计算机设备和存储介质。

背景技术：

现在的警务系统的可以包括多个安装在道路上的摄像装置，用于拍摄上的情况，但是，因为摄像装置的数量较多，运维的难度及成本较高，一般是通过人工目视的方式检测摄像装置的拍摄角度或是否被遮挡等，浪费较多的人力物时费力。

技术实现要素：

针对上述现有技术的不足，本发明提供一种监控图像的检测方法、装置、计算机设备和存储介质。

一种监控图像的检测方法，所述方法包括：

获取第一监控图像及第二监控图像；其中，所述第一监控图像及所述第二监控图像属于不同时间段的图像；

检测所述第一监控图像及第二监控图像之间的图像相似参数；

根据所述图像相似参数得到检测结果信息。

在本发明一个实施例中，所述获取第一监控图像及第二监控图像，包括：

获取第一监控图像；

以及获取到预设时间段后的第二监控图像。

在本发明一个实施例中，所述检测所述第一监控图像及第二监控图像之间的图像相似参数，包括：

根据所述第一监控图像及第二监控图像得到图像质量训练数据；

将所述第一监控图像、第二监控图像及图像质量训练数据输入至神经网络模型，得到训练后的神经网络模型。

在本发明一个实施例中，所述根据所述第一监控图像及第二监控图像得到图像质量训练数据，包括：

分别提取出所述第一监控图像及第二监控图像的图像特征信息；

根据所述图像特征信息得到图像质量训练数据。

在本发明一个实施例中，所述检测所述第一监控图像及第二监控图像之间的图像相似参数，包括：

获取到新的第一监控图像及第二监控图像；

将新的第一监控图像及第二监控图像输入至训练后的神经网络模型，得到输出的图像相似参数。

在本发明一个实施例中，所述根据所述图像相似参数得到检测结果信息，包括：

根据所述图像相似参数查询得到检测结果信息。

一种监控图像的检测装置，所述装置包括：

图像获取模块，用于获取第一监控图像及第二监控图像；其中，所述第一监控图像及所述第二监控图像属于不同时间段的图像；

检测模块，用于检测所述第一监控图像及第二监控图像之间的图像相似参数；

检测结果信息获得模块，用于根据所述图像相似参数得到检测结果信息。

在本发明一个实施例中，所述图像获取模块包括：

第一图像获取子模块，用于获取第一监控图像；

第二图像获取子模块，用于获取到预设时间段后的第二监控图像。

一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述的方法的步骤。

上述监控图像的检测方法中，通过获取第一监控图像及第二监控图像；其中，所述第一监控图像及所述第二监控图像属于不同时间段的图像；检测所述第一监控图像及第二监控图像之间的图像相似参数；根据所述图像相似参数得到检测结果信息，可以检测监控设备的实时图像是否改变，不需要人工进行检查，节约人力物力，降低设备维护成本，提高运维效率。

附图说明

图1为本发明一个实施例中提供的应用环境的示意图；

图2为本发明一个实施例中提供的监控图像的检测方法的流程示意图；

图3为本发明一个实施例中提供的图像相似参数的检测步骤的流程示意图；

图4为本发明一个实施例中提供的图像相似参数的检测步骤的流程示意图；

图5为本发明一个实施例中提供的图像质量训练数据的获取步骤的流程示意图；

图6为本发明一个实施例中提供的监控图像的检测装置的结构框图；

图7为本发明一个实施例中提供的计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例。

在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

需要说明的是，本发明实施例所涉及的术语“第一\第二”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二”区分的对象在适当情况下可以互换，以使这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。

应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

本申请提供的监控图像的检测方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。其中，终端102可以但不限于是各种多种图像采集装置，如红外夜视摄像头、日间摄像头等，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在个实施例中，如图2所示，提供了一种监控图像的检测方法，以该方法应用于图1的服务器为例进行说明，包括以下步骤：

s110，获取第一监控图像及第二监控图像；其中，所述第一监控图像及所述第二监控图像属于不同时间段的图像。

其中，上述的终端102可以包括多种图像采集装置，如红外夜视摄像头、日间摄像头等，本中请对此不作过多的限制，该图像采集装置可以获取到不同的监控图像，如多幅不同时间段的监控图像，该图像采集装置还可以获取监控视频，将不同帧的监控视频分别提取出来，得到不同时间段的监控图像。

具体实现中，日间摄像头可以实时采集监控视频，提取出一张监控图像，再提取出相隔0.3秒后的另一张监控图像，分别确定为第一监控图像及第二监控图像。

s120，检测所述第一监控图像及第二监控图像之间的图像相似参数。

在本申请实施例中，在得到第一监控图像及第二监控图像之后，可以针对第一监控图像及第二监控图像进行图像处理，得到两者之间的图像相似参数。

需要说明的是，图像相似参数是指两幅图像之间的相似的程度，如第一监控图像及第二监控图像之间的相似程度(即图像相似参数)为90％时，则可以认为监控画面没有剧变，即图像采集装置的拍摄角度没有较大的改变或图像采集装置并未被遮挡。

具体实现中，可以图像识别算法，将监控图像两者进行区块分割，得到每个区块之间的相似度，再汇总得到每张监控图像总的相似度即可得到两者的图像相似参数。

上述的计算监控图像的方式仅仅是本申请实施例的一种举例，还可以通过其他的算法计算得到第一监控图像及第二监控图像的图像相似参数，本申请实施例对此不作过多的限制。

例如，还可以通过样本图像针对多种神经网络算法模型进行训练，得到训练后的神经网络算法模型，再使用训练后的神经网络算法模型针对第一监控图像及第二监控图像进行识别，得到两者的图像相似参数。

针对神经网络算法模型的类型，其可以包括多种有监督的机器学习算法模型，如线性回归算法模型、bp(backpropagation)神经网络算法模型、决策树模型、支持向量机模型、knn(k-nearestneighbors)模型等，本申请实施例对机器学习算法模型的种类不作过多的限制。

s130，根据所述图像相似参数得到检测结果信息。

进一步应用到本申请实施例中，在得到图像相似参数后，还可以根据图像相似参数查询得到枪测结果信息。

具体实现中，可以建立图像相似参数与检测结果信息之间的对应关系，通过两者之间的映射表，查询到对应的检测结果信息。

举例而言，映射表的具体内容可以为该图像相似参数大于预设阈值(如70％)时，对应的检测结果信息为正常；而该图像相似参数小于70％时，对应的检测结果信息为监控画面剧变，监控设备拍摄方向可能有变或监控设备被遮挡。

针对上述的预设阈值，其可以是本领域技术人员根据实际情况而设定的任何数值，如60％或09％等，本申请实施例对对不作过多的限制。

需要说明的是，上述的步骤执行的可以是终端或服务器端，可以同步或异步执行，本申请实施例对对不作过多的限制。

上述监控图像的检测方法小，通过获取第一监控图像及第二监控图像；其中，所述第一监控图像及所述第二监控图像属于不同时间段的图像；检测所述第一监控图像及第二监控图像之间的图像相似参数；根据所述图像相似参数得到检测结果信息，可以检测监控设备的实时图像是否改变，不需要人工进行检查，节约人力物力，降低设备维护成本，提高运维效率。

在一个实施例中，步骤s110中获取第一监控图像及第二监控图像的步骤包括：获取第一监控图像；以及获取到预设时间段后的第二监控图像。

本实施例中，终端或服务器端可以储存有监控视频或监控图像，首先可以提取出第一监控图像，在经过预设时间段后，再提取第二监控图像。

举例而言，该预设时间段可以为5秒，即获取到相隔5秒前后第一监控图像及第二监控图像。

针对上述的预设时间段，其可以是本领域技术人员根据实际情况而设定的任何时间间隔，如8秒或10秒等，本申请实施例对对不作过多的限制。

在一个实施例中，步骤s120中检测所述第一监控图像及第二监控图像之间的图像相似参数的步骤包括：

子步骤s11，根据所述第一监控图像及第二监控图像得到图像质量训练数据；

子步骤s12，将所述第一监控图像、第二监控图像及图像质量训练数据输入至神经网络模型，得到训练后的神经网络模型。

本申请实施例中，将某些第一监控图像及第二监控图像作为训练样本，输入至神经网络模型，训练该神经网络模型。

首先，根据第一监控图像及第二监控图像得到图像质量训练数据，具体实现中，可以通过概率模型分析，得到图像质量训练数据，具体地，首先获取第一监控图像及第二监控图像的图像特征信息，建立图像特征信息与图像质量之间的概率模型，根据图像与概率模型之间的匹配程度即可以得到图像质量训练数据。

需要说明的是，该图像质量训练数据可以是指图像之间的相似程度，可以是通过人工的方式判定或通过算法进行识别，本申请实施例对此不作过多的限制。

将第一监控图像及第二监控图像及对应的图像质量训练数据作为样本，输入至神经网络模型进行训练，直至神经网络模型的迭代符合预设条件，则停止输入样本，得到训练后的神经网络模型。

进一步地，在一个实施例中，步骤s120中检测所述第一监控图像及第二监控图像之间的图像相似参数的步骤包括：

子步骤s13，获取到新的第一监控图像及第二监控图像；

子步骤s14，将新的第一监控图像及第二监控图像输入至训练后的神经网络模型，得到输出的图像相似参数。

在得到训练后的神经网络模型之后，可以提取出新的第一监控图像及第二监控图像，即可以将新的第一监控图像及第二监控图像两者输入至训练后的神经网络模型，此时，训练后的神经网络模型输出新的第一监控图像及第二监控图像的图像相似参数。

举例而言，神经网络模型可以包括深度卷积神经网络(deepconvolutionalneuralnetworks，cnns)模型，其可以包括由卷积(convolution)，激活(activation)，and池化(pooling)三种结构组成。在本申请实施例中，cnn输出的结果是每幅监控图像的特定特征空间。当处理图像分类任务时，会把cnn输出的特征空间作为全连接层或全连接神经网络(fullyconnectedneuralnetwork，fcn)的输入，用全连接层来完成从输入图像到标签集的映射。

在一个实施例中，子步骤s11中根据所述第一监控图像及第二监控图像得到图像质量训练数据的步骤包括：

子步骤s111，分别提取出所述第一监控图像及第二监控图像的图像特征信息；

子步骤s112，根据所述图像特征信息得到图像质量训练数据。

其中，可以通过多种方式提取出所述第一监控图像及第二监控图像的图像特征信息，再根据所述图像特征信息得到图像质量训练数据。

在一个实施例中，子骤s130中根据所述图像相似参数得到检测结果信息的步骤包括：根据所述图像相似参数查向得到检测结果信息。

在得到图像相似参数后，可以查询图像相似参数与检测结果信息之间的映射表，输出对应的检测结果信息，

例如，当图像相似参数为50％时，映射表中对应的检测结果信息为：监控设备拍摄方向可能有变或监控设备被遮挡。将检测结果信息输出至服务器端的显示屏上。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明所必须的。

为了更清楚的阐述本申请的方案，可以将本申请上述实施例中监控图像的检测在具体监控场景中进行说明。

服务器可以预先构建训练图片集，具体的，可以获取监控视频信息，从通过监控视频信息得到监控图像，通过支持向量机模型进行失真类型分析，或者通过其他方式进行失真类型分析；常见的失真类型可以包括混叠效应失真、模糊效应失真、块效应失真、噪声干扰失真等，其中，模糊效应失真包括运动模糊、散焦模糊；进一步地，噪声干扰失真包括光电散粒噪声失真、读出噪声失真、脉冲噪声失真、振铃效应失真，本申请实施例对上述的失真类型不作过多的限制。

服务器可以基于训练图片集进行概率模型分析和卷积神经网络模型训练，具体地，对特定失真类型建立回归分析模型，建立图像特征与图像质量之间的统计概率模型，根据图像与概率模型的匹配程度(如特征间的距离)得到总的质量评价指标，提取一定的图像变换域或空间特征，再基于已知的图像失真类型验证该神经网络模型，得到训练后的卷积神经网络模型，该卷积神经网络模型可以基于监控图像进行失真类型的检测，以得到监控图像的异常状况等信息。

在进行监控图像的检测时，服务器可以获取摄像头拍摄的视频流，即获取第一监控图像及第二监控图像；其中，第一监控图像及第二监控图像属于不同时间段的图像；将第一监控图像及第二监控图像输入至上述卷积神经网络模型进行检测，得到监控图像对应的图像检测结果。在一些实施例中，服务器可以将连续的视频流拆解为多张监控图像，依次输入至该卷积神经网络模型进行检测。

在一个实施例中，如图6所示，提供了一种监控图像的检测装置，该装置600包括：

图像获取模块301，用于获取第一监控图像及第二监控图像；其中，所述第一监控图像及所述第二监控图像属于不同时间段的图像；

检测模块302，用于检测所述第一监控图像及第二监控图像之间的图像相似参数；

检测结果信息获得模块303，用于根据所述图像相似参数得到检测结果信息。

在一个实施例中，所述图像获取模块包括：

第一图像获取了模块，用于获取第一监控图像；

第二图像获取子模块，用于获取到预设时间段后的第二监控图像。

在一个实施例中，所述检测模块包括：

图像质量训练数据获得子模块，用于根据所述第一监控图像及第二监控图像得到图像质量训练数据；

神经网络模型训练子模块，用于将所述第一监控图像、第二监控图像及图像质量训练数据输入至神经网络模型，得到训练后的神经网络模型。

在一个实施例中，所述图像质量训练数据获得子模块包括：

提取单元，用于分别提取出所述第一监控图像及第二监控图像的图像特征信息；

图像质量训练数据获得单元，用于根据所述图像特征信息得到图像质量训练数据。

在一个实施例中，所述检测模块包括：

第二图像获取子模块，用于获取到新的第一监控图像及第二监控图像；

图像相似参数获得子模块，用于将新的第一监控图像及第二监控图像输入至训练后的神经网络模型，得到输出的图像相似参数。

在一个实施例中，所述检测结果信息获得模块包括：

检测结果信息获得子模块，用于根据所述图像相似参数查询得到检测结果信息。

关于监控图像的检测装置的具体限定可以参见上文中对于监控图像的检测方法的限定，在此不再赘述。上述监控图像的检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，如智能摄像头的处理器或服务器的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

本发明可以应用于计算机设备，如可以执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器，或者多个服务器所组成的服务器集群)等。本实施例的计算机设备至少包括但不限于：可通过系统总线相互通信连接的存储器、处理器，如图7所示。需要指出的是，图7仅示出了具有存储器、处理器组件的计算机设备，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。存储器(即可读存储介质)包括闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器可以是计算机设备的内部存储单元，例如该计算机设备的硬盘或内存。在另一些实施例中，存储器也可以是计算机设备的外部存储设备，例如该计算机设备上配备的插接式硬盘，智能存储卡(smartmediacard，smc)，安全数字(securedigital，sd)卡，闪存卡(flashcard)等。当然，存储器还可以既包括计算机设备的内部存储单元也包括其外部存储设备。本实施例中，存储器通常用于存储安装于计算机设备的操作系统和各类应用软件。此外，存储器还可以用于暂时地存储已经输出或者将要输出的各类数据。处理器在一些实施例中可以是中央处理器(centralprocessingunit，cpu)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器通常用于控制计算机设备的总体操作。本实施例中，处理器用于运行存储器中存储的程序代码或者处理数据，以实现一种监控图像的检测方法。

本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。