一种特定场景自动抓拍方法技术

本发明专利技术公开了一种特定场景自动抓拍方法，包括如下步骤：S1,划定目标区域并获取质量评价数据集；S2,训练深度神经网络模型对目标区域内图像进行评价；S3,当集装箱运输车辆驶入目标区域时，计算目标区域覆盖比，同时通过步骤2获得的深度神经网络模型对目标区域内图像进行质量评价；S4,当区域覆盖比大于阈值或质量分数大于阈值时进行自动抓拍。本发明专利技术，通过划定目标区域，缩小检测范围，通过传统数字图像处理与深度神经网络并行双保险的方法，可以准确对目标区域进行检测，只要有车辆或者集装箱进入目标区域就会自动进行抓拍，准确且迅速。本发明专利技术可以应用于多种不同场景且变体灵活，极大地减少了图像传送的带宽与存储代价，过滤大量冗余信息。

【技术实现步骤摘要】
一种特定场景自动抓拍方法
本专利技术涉及计算机数字图像处理与模式识别
，具体为一种特定场景自动抓拍方法。
技术介绍
集装箱是指具有一定强度、刚度和规格专供周转使用的大型装货容器。使用集装箱转运货物，可直接在发货人的仓库装货，运到收货人的仓库卸货，中途更换车、船时，无须将货物从箱内取出换装。因此集装箱是一种伟大的专利技术。集装箱最大的成功在于其产品的标准化以及由此建立的一整套运输体系。能够让一个载重几十吨的庞然大物实现标准化，并且以此为基础逐步实现全球范围内的船舶、港口、航线、公路、中转站、桥梁、隧道、多式联运相配套的物流系统，这的确堪称人类有史以来创造的伟大奇迹之一。集装箱的发展意义重大，但是目前的验箱过程还是需要在固定堆场进行拆箱，人工进行分辨与记录，从而导致了经验判断不够准确，验箱效率低下等问题，从而严重限制了集装箱的流转效率，现在随着人工智能技术的发展，出现了一种在集装箱运输车辆通过堆场道口时自动进行验箱的技术，集装箱无需落地就可以自动化完成验箱过程，从而极大地解放了人力资源，提高运营效率。
技术实现思路
本专利技术的目的在于提供一种特定场景自动抓拍方法，以解决上述
技术介绍
中提出的问题。为实现上述目的，本专利技术提供如下技术方案：一种特定场景自动抓拍方法，包括如下步骤：S1,划定目标区域并获取质量评价数据集；S2,训练深度神经网络模型对目标区域内图像进行评价；S3,当集装箱运输车辆驶入目标区域时，计算目标区域覆盖比，同时通过步骤2获得的深度神经网络模型对目标区域内图像进行质量评价，当评价分数高于阈值则被认为目标区域内有车辆驶入；S4,当区域覆盖比大于阈值或质量分数大于阈值时进行自动抓拍。优选的，所述步骤S2中训练的深度神经网络模型为目标区域质量评价模型，用于获取最优帧。优选的，所述步骤S3中区域覆盖比采用动态帧差法进行计算，动态帧差法相比传统帧差法改进了随着时间变化参考图像不能准确作为参考系的问题，假设参考图像为x1，当前帧为x2,阈值1为h1用来判断是否符合触发条件,阈值2为h2用来判断是否对参考图像进行替换，其中h2<h1。当目标侵入监控区域后，首先对当前目标帧进行二值化转为灰度图像，再腐蚀膨胀去除边缘干扰噪声，则帧差为y1＝(x2–x1),当y1>h1时，则认为监控区域被侵入，满足触发条件，当y1<h2时则认为完全无目标侵入，为防止背景缓慢变化，当连续m帧完全无目标侵入时，对参考图像x1进行替换。优选的，所述步骤S3利用深度神经网络模型对目标区域内图像质量评价指对于摄像头读取到的每一帧图像截取目标区域，输入深度神经网络模型直接回归出目标分数。优选的，所述步骤S4抓拍的图像提交后台管理系统。优选的，所述步骤S1中获取的质量评价数据集为神经网络学习集，用于训练在深度图像上的质量评价器，包括原始的图像数据和质量标注分数。优选的，所述步骤S2中深度神经网络模型采用基于神经网络的质量评估算法进行集装箱质量评估，所述基于神经网络的质量评估算法为resnet、peleenet、mobilenet或者SPGNet，在本实例中选择自研算法SPGNet。优选的，所述SPGNet算法包括首先对于每一个module通过1*1卷积进行通道下降，再等分为两部分，各自进行3*3卷积，最后再把四部分进行拼接，再通过1*1卷积恢复原来的通道数，与输入进行残差链接，以这样的module堆叠15次，组成一个质量评价网络，直接回归集装箱质量分数。与现有技术相比，本专利技术的有益效果是：本专利技术，通过划定目标区域，缩小检测范围，通过传统数字图像处理与深度神经网络并行双保险的方法，可以准确对目标区域进行检测，只要有车辆或者集装箱进入目标区域就会自动进行抓拍，准确且迅速。本专利技术可以应用于多种不同场景且变体灵活，极大地减少了图像传送的带宽与存储代价，过滤大量冗余信息。附图说明图1是本专利技术目标区域划定范围图；图2是本专利技术实施例的步骤示意图；图3为本专利技术自研目标区域质量评估网络示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。实施例：请参阅图1-3，本专利技术提供一种技术方案：一种特定场景自动抓拍方法，包括如下步骤：步骤1：划定目标区域并获取神经网络训练数据集；本实例以预设摄像头拍摄的图片和标注信息为评价样本集，用于训练深度神经网络目标区域质量评估器。步骤2：训练深度神经网络模型对目标区域内图像进行评价；本实例使用步骤一所得样本集对深度神经网络进行模型训练，以获取并存储目标区域评价模型的步骤中，可以但不限于包括：将目标区域评价数据集转化为imagenet标准数据集格式，使用格式转化后的集装箱质量编著学习样本集对深度神经网络进行模型训练。具体地，质量评价数据集转化为imagenet标准数据集格式，不仅能够便于计算机进行读取，能够增加上述样本集的可推广性，有利于提高模型训练效率。步骤3：当集装箱运输车辆驶入目标区域时，计算目标区域覆盖比，同时通过步骤2获得的网络模型对目标区域内图像进行质量评价；本实例区域覆盖比采用动态帧差法进行计算。动态帧差法相比传统帧差法改进了随着时间变化参考图像不能准确作为参考系的问题，假设参考图像为x1，当前帧为x2,阈值1为h1用来判断是否符合触发条件,阈值2为h2用来判断是否对参考图像进行替换，其中h2<h1。当目标侵入监控区域后，首先对当前目标帧进行二值化转为灰度图像，再腐蚀膨胀去除边缘干扰噪声，则帧差为y1＝(x2–x1),当y1>h1时，则认为监控区域被侵入，满足触发条件，当y1<h2时则认为完全无目标侵入，为防止背景缓慢变化，当连续m帧完全无目标侵入时，对参考图像x1进行替换。本实例也可以利用神经网络对目标区域内图像质量评价指对于摄像头读取到的每一帧图像截取目标区域，输入神经网络直接回归出目标区域内存在车辆驶入的概率分数。步骤4：当区域覆盖比大于阈值或质量分数大于阈值时进行自动抓拍并上传至后台数据库。实验结果表明，通过本技术方案，可以在集装箱运输车辆通过通过目标区域时自动进行抓拍，利用动态帧差与神经网络并行双保险方法，确保不会漏掉目标；通过我们精心设计的神经网络，在服务器上速度可以达到25fps以上，完全满足多路摄像头实时性要求。相比现有方法，本专利技术不但具有较高的准确率，还能大幅减少数据库存储规模与网络带宽传输负载。本专利技术跳出了传统的在后台系统传输存储视频的一般做法，只截取关键信息进行传输存储，采用预设摄像头采集信息并结合计算机视觉技术能够在运行中实时捕获分析当前场景中的视频流信息，提出一种全新的本文档来自技高网...

【技术保护点】
1.一种特定场景自动抓拍方法，其特征在于包括如下步骤：/nS1,划定目标区域并获取质量评价数据集；/nS2,训练深度神经网络模型对目标区域内图像进行评价；/nS3,当集装箱运输车辆驶入目标区域时，计算目标区域覆盖比，同时通过步骤2获得的深度神经网络模型对目标区域内图像进行质量评价，当图像评价分数高于阈值则被认为有车辆驶入；/nS4,当区域覆盖比大于阈值或质量分数大于阈值时进行自动抓拍。/n

【技术特征摘要】
1.一种特定场景自动抓拍方法，其特征在于包括如下步骤：
S1,划定目标区域并获取质量评价数据集；
S2,训练深度神经网络模型对目标区域内图像进行评价；
S3,当集装箱运输车辆驶入目标区域时，计算目标区域覆盖比，同时通过步骤2获得的深度神经网络模型对目标区域内图像进行质量评价，当图像评价分数高于阈值则被认为有车辆驶入；
S4,当区域覆盖比大于阈值或质量分数大于阈值时进行自动抓拍。


2.根据权利要求1所述的一种特定场景自动抓拍方法，其特征在于：所述步骤S2中训练的深度神经网络模型为目标区域质量评价模型，目标是去除一些无关图像干扰，确保检测识别的都是有效图像。


3.根据权利要求1所述的一种特定场景自动抓拍方法，其特征在于：所述步骤S3中区域覆盖比采用动态帧差法进行计算。


4.根据权利要求1所述的一种特定场景自动抓拍方法，其特征在于：所述步骤S3利用深度神经网络模型对目标区域内图像质量评价指对于摄像头读取到的每一帧图像截取目标区域，输入深度...

【专利技术属性】
技术研发人员：曹生华，钱学明，王萱，
申请(专利权)人：苏州凝眸物联科技有限公司，
类型：发明
国别省市：江苏;32