视频监控方法和视频监控设备技术

本公开涉及视频监控方法和视频监控设备。视频监控方法包括：获取经由视频数据采集模块采集的视频数据；将视频数据的至少一帧输入至预先训练的第一神经网络，以确定至少一帧中每个像素点的对象数量信息；以及利用预先训练的第二神经网络执行如下操作中的至少一个：基于至少一帧中的对象数量信息执行平滑操作以修正对象数量信息；基于视频数据的采集场景的场景信息和至少一帧中的对象数量信息，确定至少一帧中每个像素点的对象密度信息；以及基于视频数据的采集场景的场景信息、至少一帧中的对象数量信息以及至少一帧与至少一帧后的待预测帧之间的关联信息，预测待预测帧中的每个像素点的对象密度信息。

【技术实现步骤摘要】
视频监控方法和视频监控设备
本公开涉及视频监控领域，更具体地，本公开涉及视频监控方法和使用该视频监控方法的视频监控设备。
技术介绍
随着监控摄像头越来越普及，通过摄像头对重点场景的安防监控的需求也越来越普及。安防监控需求中最急切的是对于人员的异常聚集的监控和警示。如果一个场景中人流密度过高，存在发生踩踏等危险事故的风险。因此，对监控场景中的人员密度、人群流量的监控和预测对城市安全有着非常重要的应用价值。传统的安防监控主要通过人力来监控每一个摄像头，但是随着摄像头数量的指数级增长，这样会耗费很多人力资源。另外，人工的判定标准可能依赖主观经验，不能准确的量化当前的拥挤程度，从而做出正确的决策。因此通过机器智能系统自动判定每一个场景的拥挤程度就有非常重要的价值。然而，传统的人群拥挤判定算法往往针对于特定场景，依赖特定场景中的透视变换，以及场景中的背景建模和几何信息。当需要更换场景时，就需要重新的适配，因此为特定场景训练好的监控模型没有可推广性。
技术实现思路
鉴于上述问题而提出了本公开。本公开提供了一种视频监控方法和使用该视频监控方法的视频监控设备。通过基于行人检测的思想，对场景中的每个位置来本文档来自技高网...

【技术保护点】
一种视频监控方法，包括：获取经由视频数据采集模块采集的视频数据；将所述视频数据的至少一帧输入至预先训练的第一神经网络，以确定所述至少一帧中每个像素点的对象数量信息；以及利用预先训练的第二神经网络执行如下操作中的至少一个：基于所述至少一帧中的所述对象数量信息执行平滑操作以修正所述对象数量信息；基于所述视频数据的采集场景的场景信息和所述至少一帧中的所述对象数量信息，确定所述至少一帧中每个像素点的对象密度信息；以及基于所述视频数据的采集场景的场景信息、所述至少一帧中的所述对象数量信息以及所述至少一帧与所述至少一帧后的待预测帧之间的关联信息，预测所述待预测帧中的每个像素点的对象密度信息。

【技术特征摘要】
1.一种视频监控方法，包括：获取经由视频数据采集模块采集的视频数据；将所述视频数据的至少一帧输入至预先训练的第一神经网络，以确定所述至少一帧中每个像素点的对象数量信息；以及利用预先训练的第二神经网络执行如下操作中的至少一个：基于所述至少一帧中的所述对象数量信息执行平滑操作以修正所述对象数量信息；基于所述视频数据的采集场景的场景信息和所述至少一帧中的所述对象数量信息，确定所述至少一帧中每个像素点的对象密度信息；以及基于所述视频数据的采集场景的场景信息、所述至少一帧中的所述对象数量信息以及所述至少一帧与所述至少一帧后的待预测帧之间的关联信息，预测所述待预测帧中的每个像素点的对象密度信息。2.如权利要求1所述的视频监控方法，还包括：训练所述第一神经网络，其中，所述训练所述第一神经网络包括：对于多个采集场景中的每个场景的视频数据的至少一帧，利用预定形状的标注框标注所述至少一帧中存在的训练对象，将标注后的视频数据作为第一训练数据，所述第一训练数据的每个像素点的浓度指示所述每个像素点处存在的训练对象的数量；以及将所述第一训练数据的每一帧输入至卷积神经网络，输出所述第一训练数据的每一帧中每个像素点的所述训练对象的数量；根据输出的所述训练对象的数量和标注的所述训练对象的数量，计算第一损失函数，根据所述第一损失函数调整所述卷积神经网络的参数，以得到训练好的所述第一神经网络。3.如权利要求1所述的视频监控方法，还包括：训练所述第二神经网络，其中，所述训练所述第二神经网络包括：对于多个采集场景中的每个场景的视频数据的至少一帧，以标注有所述至少一帧中存在的训练对象的数量的视频数据作为第二训练数据，并根据每个场景的场景信息标注所述第二训练数据中每个像素点的训练对象的密度；将所述第二训练数据的每一帧输入至第二神经网络，并根据所述每一帧的之前帧中的每个像素点的所述训练对象的数量以及所述每个场景的场景信息，输出所述第二训练数据的所述每一帧中每个像素点的训练对象数的密度；根据每一帧的输出的训练对象的密度和所述第二训练数据中的对应帧中的标注的训练对象的密度，计算第二损失函数；根据所述第二损失函数调整所述第二神经网络的参数，以得到训练好的第二神经网络。4.如权利要求1所述的视频监控方法，还包括：训练所述第二神经网络，其中，所述训练所述第二神经网络包括：对于多个采集场景中的每个场景的视频数据的至少一帧，以标注有所述至少一帧中存在的训练对象的数量的视频数据作为第三训练数据，并根据每个场景的场景信息标注所述第三训练数据中每个像素点的训练对象的密度；将所述第三训练数据的每一帧输入至第二神经网络，并根据所述每一帧的之前帧中的每个像素点处的所述训练对象的数量以及所述每个场景的场景信息，输出所述每一帧之后的待预测帧中每个像素点的训练对象数量的密度；根据输出的所述待预测帧中每个像素点的训练对象的密度和所述第三训练数据中的对应帧中标注的训练对象的密度，计算第三损失函数；根据所述第三损失函数调整所述第二神经网络的参数，以得到训练好的第二神经网络。5.如权利要求1所述的视频监控方法，其中所述将所述视频数据的至少一帧输入至第一神经网络，以确定所述视频数据的至少一帧中每个像素点的对象数量信息包括：基于预定模型或预定算法，确定所述至少一帧中的前景数据和背景数据；以及将所述前景数据输入至所述第一神经网络，从而确定所述前景数据中每个像素点的对象数量信息。6.如权利要求1所述的视频监控方法，其中，所述至少一帧为所述视频数据中的全部图像帧；或者，所述至少一帧为所述视频数据中的部分图像帧，并且当所述至少一帧中的帧数大于等于三帧时相邻的各帧之间的时间间隔相同。7.如权利要求1所述的视频监控方法，其中，在所述确定所述至少一帧中每个像素点的对象密度信息的操作中，所基于的所述至少一帧中的所述对象数量信息为通过执行平滑操作得到的修正后的对象数量信息；和/或，在所述预测所述待预测帧中的每个像素点的对象密度信息的操作中，所基于的所述至少一帧中的所述对象数量信息为通过执行平滑操作得到的修正后的对象数量信息。8.如权利要求1到7的任一项所述的视频监控方法，还包括：在所述至少一帧或所述至少一帧之后的待预测帧的所述对象密度信息指示所述对象密度超过预定阈值时，生成提示信息。9.一种视频监控设备，包括：视频数据获取模块，用于获取采集场景...

【专利技术属性】
技术研发人员：俞刚，李超，何奇正，陈牧歌，彭雨翔，印奇，
申请(专利权)人：北京旷视科技有限公司，北京迈格威科技有限公司，
类型：发明
国别省市：北京,11