一种场景识别方法及装置的制造方法
【技术领域】
[0001 ]本发明涉及视频监控技术领域，尤其涉及一种场景识别方法及装置。
【背景技术】
[0002] 智能监控的一个重要用途就是及时监测摄像机覆盖范围内的异常情况，并及时产 生警报处理。智能视频监控对异常场景的检测不仅可以及时发现不正当场景告知工作人员 及时处理，阻止不法场景的发生，而且可节省大量的存储空间，避免不法场景发生后工作人 员海量的查找和取证。一些基于运动矢量和单纯前背景建模方案的监测模型，如入侵监测， 滞留，徘徊等，已经得到较普遍的应用，但对场景复杂情景的分析，如跌倒检测，人群拥挤， 机动车不礼让行人等，目前还存在较大的误判和漏判。
【发明内容】
[0003] 本发明提供一种场景识别方法及装置，以提高场景识别的准确率。
[0004] 根据本发明实施例的第一方面，提供一种场景识别方法，包括：
[0005] 获取目标监控图像的前景区域图像；
[0006] 分别将所述前景区域图像输入预设的目标检测网络模型以及第一事件类型检测 网络模型，以得到所述前景区域图像对应的目标特征以及事件特征；
[0007] 将所述目标特征以及事件特征输入到预设的第二事件类型检测网络模型，以得到 所述目标监控图像对应的事件类型。
[0008] 根据本发明实施例的第二方面，提供一种场景识别装置，包括：
[0009] 获取单元，用于获取目标监控图像的前景区域图像；
[0010] 特征提取单元，分别将所述前景区域图像输入预设的目标检测网络模型以及第一 事件类型检测网络模型，以得到所述前景区域图像对应的目标特征以及事件特征；
[0011]场景识别单元，用于将所述目标特征以及事件特征输入到预设的第二事件类型检 测网络模型，以得到所述目标监控图像对应的事件类型。
[0012] 应用本发明实施例，通过获取目标监控图像的前景区域图像，并分别将该前景区 域图像输入预设的目标检测网络模型以及第一事件类型检测网络模型，以得到该前景区域 图像对应的目标特征以及事件特征，进而，将目标特征以及事件特征输入到预设的第二事 件类型检测网络模型，以得到目标监控图像对应的事件类型，提高了场景识别的准确率。
【附图说明】
[0013] 图1是本发明实施例提供的一种场景识别方法的流程示意图；
[0014] 图2是本发明实施例提供的一种场景识别装置的结构示意图；
[0015] 图3是本发明实施例提供的另一种场景识别装置的结构示意图；
[0016] 图4是本发明实施例提供的另一种场景识别装置的结构示意图；
[0017] 图5是本发明实施例提供的另一种场景识别装置的结构示意图。
【具体实施方式】
[0018]为了使本技术领域的人员更好地理解本发明实施例中的技术方案，并使本发明实 施例的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明实施例中技术方 案作进一步详细的说明。
[0019]请参见图1，图1为本发明实施例提供的一种场景识别方法的流程示意图，如图1所 示，该场景识别方法可以包括以下步骤：
[0020] 步骤101、获取目标监控图像的前景区域图像。
[0021] 本发明实施例中，上述方法可以应用于视频监控系统，如应用于视频监控系统的 后台服务器中，为便于描述，以下以上述方法的执行主体为服务器为例进行描述。
[0022] 本发明实施例中，目标监控图像并不指代某一固定的监控图像，而是可以指代任 一需要进行场景识别的监控图像。
[0023] 本发明实施例中，当服务器需要对目标监控图像进行场景识别时，为了排除目标 监控图像中背景区域对场景识别的干扰，服务器可以对目标监控图像进行前景区域与背景 区域的分离，以获取目标监控图像的前景区域图像。
[0024] 可选地，服务器可以通过建立GMM(Gaussian Mixture Model，高斯混合模型）模型 的方式，实现目标监控图像的前景区域与背景区域的分离，进而获取目标监控图像的前景 区域图像，其具体实现在此不再赘述。
[0025] 步骤102、分别将前景区域图像输入预设的目标检测网络模型以及第一事件类型 检测网络模型，以得到前景区域图像对应的目标特征以及事件特征。
[0026] 本发明实施例中，服务器获取到目标监控图像的前景区域图像之后，服务器并不 会直接根据该前景区域图像进行场景识别，而是需要先分别确定该前景区域图像的目标特 征以及事件特征，进而，同时根据前景区域图像对应的目标特征以及事件特征进行场景识 另IJ，以提高场景识别的准确率。
[0027] 其中，服务器获取前景区域图像的目标特征以及事件特征的具体实现方式将在下 文中描述，本发明实施例在此不再赘述。
[0028] 作为一种可选的实施方式，在本发明实施例中，上述分别将前景区域图像输入预 设的目标检测网络模型以及第一事件类型检测网络模型之前，还可以包括以下步骤：
[0029] 11)、判断前景区域图像中是否存在预设目标；
[0030] 12)、若存在，则确定执行上述分别将前景区域图像输入预设的目标检测网络模型 以及第一事件类型检测网络模型的步骤。
[0031] 在该实施方式中，可以预先设定需要关注的事件，即设定服务器需检测的事件类 型，如打架、机动车拥堵以及人群拥挤等。进而，可以根据该需要关注的事件，确定需要关注 的目标，例如，对于打架，需要关注的目标可以包括人;对于机动车拥堵需要关注的目标可 以包括机动车;对于人群拥挤，需要关注的目标可以包括人和非机动车等。
[0032] 相应地，基于上述设定，服务器在获取到目标监控图像的前景区域图像之后，可以 判断该前景区域图像中是否存在预设目标，如是否存在人、机动车以及非机动车中的一个 或多个，若存在，则将前景区域图像输入到预设的目标检测网络模型以及第一事件类型检 测网络模型中，以进行目标特征以及事件特征的提取。
[0033] 可选地，服务器对前景区域图像的筛选可以通过SVM(Support Vector Machine， 支持向量机)分类器实现。具体的，假设预设目标包括机动车、非机动车以及人三类，则可以 通过事先采集的正负样本(包括预设目标的样本为正样本，未包括预设目标的样本为负样 本)对SVM分类器进行训练，以使SVM分类器识别正负样本(例如，对正样本输出1;对负样本 输出0)的准确率满足预设条件。基于上述训练，当服务器获取到目标监控图像的前景区域 图像之后，可以将该前景区域图像输入到训练好的SVM分类器;若SVM分类器输出1，则表明 该前景区域图像中存在预设目标，服务器可以对该前景区域图像进行后续的目标特征以及 事件特征的提取;若SVM分类器输出0,则表明该前景区域图像中不存在预设目标，服务器可 以删除该前景区域图像，不对该前景区域图像进行后续的目标特征以及事件特征的提取。
[0034] 步骤103、将目标特征以及事件特征输入到预设的第二事件类型检测网络模型，以 得到目标监控图像对应的事件类型。
[0035] 本发明实施例中，服务器提取到目标监控图像的前景区域图像对应的目标特征以 及事件特征之后，可以将该目标特征以及事件特征输入到预设的第二事件类型检测网络模 型，以得到目标监控图像对应的事件类型。
[0036] 可选地，服务器获取到前景区域图像对应的目标特征以及事件特征之后，可以将 获取到的目标特征和事件特征串行成一组新的特征组合，并将该特征组合输入到第二事件 类型检测网络模型中，由该第二事件类型检测网络模型输出对应的事件类型。
[0037] 作为一种可选的实施方式，第二事件类型检测网络模型可以是SVM事件类型分类 器。
[0038] 在该实施方式中，服务器可以按照步骤101和步骤102所描述的方式获取事先采集 的训练样本对应的目标特征以及事件特征。对于任一训练样本，将该训练样