一种高空抛物监控图像的处理方法、装置、电子设备和存储介质制造方法及图纸

本发明专利技术公开了一种高空抛物监控图像的处理方法、装置、电子设备和存储介质，该方法包括：对高空抛物监控图像进行语义分割确定所述图像的窗户区域；对所述图像的窗户区域进行模糊处理；将经过模糊处理的图像进行展示。通过语义分割确定高空抛物监控图像中的窗户区域，对窗户区域进行模糊处理，避免在图像中透过窗户玻璃看到建筑物室内的画面，从而在对高空抛物进行监控的同时还可以对室内用户的个人隐私进行保护。私进行保护。私进行保护。

【技术实现步骤摘要】
一种高空抛物监控图像的处理方法、装置、电子设备和存储介质


[0001]本专利技术实施例涉及通信
，尤其涉及一种高空抛物监控图像的处理方法、装置、电子设备和存储介质。

技术介绍

[0002]由于高空抛物对人身安全的威胁性比较大，因此针对高空建筑物进行监控是非常必要的。通过采用摄像机对建筑物的墙面进行监控，可以获知物体具体是从哪个位置进行投出的，从而根据投出位置进一步确定责任人。
[0003]但是针对高空抛物监控画面中，由于摄像机的分辨率和清晰度较高，会在监控画面中透过窗户玻璃出现建筑物室内的图像，从而侵犯住户的个人隐私。因此现有的高空抛物监控方式虽然可以确定出高空抛物的责任人，但会对其他住户的个人隐私造成侵犯。

技术实现思路

[0004]本专利技术实施例提供了一种高空抛物监控图像的处理方法、装置、设备和存储介质，以实现在对高空抛物进行监控的同时，对建筑物室内用户的隐私进行保护。
[0005]第一方面，本专利技术实施例提供了一种高空抛物监控图像的处理方法，包括：对高空抛物监控图像进行语义分割确定所述图像的窗户区域；
[0006]对所述图像的窗户区域进行模糊处理；
[0007]将经过模糊处理的图像进行展示。
[0008]第二方面，本专利技术实施例提供了一种高空抛物监控图像的处理装置，包括：窗户区域确定模块，用于对高空抛物监控图像进行语义分割确定图像的窗户区域；
[0009]窗户区域模糊处理模块，用于对图像的窗户区域进行模糊处理；
[0010]图像展示模块，用于将经过模糊处理的图像进行展示。
[0011]第三方面，本专利技术实施例还提供了一种电子设备，电子设备包括：
[0012]一个或多个处理器；
[0013]存储装置，用于存储一个或多个程序；
[0014]当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现本专利技术任意实施例的方法。
[0015]第四方面，本专利技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本专利技术任意实施例的方法。
[0016]在本专利技术实施例中，通过语义分割确定高空抛物监控图像中的窗户区域，对窗户区域进行模糊处理，避免在图像中透过窗户玻璃看到建筑物室内的画面，从而在对高空抛物进行监控的同时还可以对室内用户的个人隐私进行保护。
附图说明
[0017]图1(a)是本专利技术实施例一提供的高空抛物监控图像的处理方法的流程图；
[0018]图1(b)是本专利技术实施例一中第一次迭代时的FCN模型的参数学习原理示意图；
[0019]图1(c)是本专利技术实施例一中迭代次数大于一时的FCN模型的参数学习原理示意图；
[0020]图2是本专利技术实施例二提供的高空抛物监控图像的处理方法的流程图；
[0021]图3是本专利技术实施例三提供的高空抛物监控图像的处理装置的结构示意图；
[0022]图4是本专利技术实施例四提供的一种电子设备的结构框图。
具体实施方式
[0023]下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。
[0024]实施例一
[0025]图1(a)为本专利技术实施例一提供的一种高空抛物监控图像的处理方法的流程图，本实施例可适用于在对高空抛物进行监控的同时，对建筑物室内用户的隐私进行保护的情况，该方法可以由本专利技术实施例中的高空抛物监控图像的处理装置来执行，该装置可以通过软件和/或硬件的方式实现，本专利技术实施例的方法具体包括如下步骤：
[0026]步骤101，对高空抛物监控图像进行语义分割确定图像的窗户区域。
[0027]可选的，对高空抛物监控图像进行语义分割确定图像的窗户区域，可以包括：基于全卷积网络(Fully Convolutional Networks，FCN)模型采用无监督学习方式对高空抛物监控图像进行语义分割；根据语义分割结果确定图像的窗户区域。
[0028]具体的说，本实施方式中是基于FCN模型采用无监督的方式对高空抛物图像进行语义分割，语义分割是从像素级别来理解图像的，即将属于同一类物体的像素都归为一类。例如，将属于窗户的像素分成一类，将属于建筑物墙壁的像素分成一类，从而根据语义分割的结果可以确定出高空抛物监控图像中的窗户区域。
[0029]可选的，基于全卷积网络FCN模型采用无监督学习方式对高空抛物监控图像进行语义分割，可以包括：确定FCN模型的迭代次数；按照迭代次数基于色彩分割算法模型对FCN模型进行训练；在确定达到迭代次数时，获得FCN模型的最终分割图像，将最终分割图像作为语义分割结果。
[0030]具体的说，本实施方式中是采用色彩分割算法模型实现FCN模型的无监督学习，即不需要人工标注的方式对图像添加标签，而是通过色彩分割算法模型的输出结果与FCN模型的输出结果进行对比，来对FCN模型的参数进行学习，并且本实施方式中的色彩分割算法仅仅是基于色彩特征进行图像分割的，而FCN模型则不仅仅限于色彩特征进行图像分割，还可以包括其他图像特征，例如，形状、纹理和位置等特征等。
[0031]可选的，按照迭代次数基于色彩分割算法模型对FCN模型进行训练，可以包括：在第一次迭代时，将图像分别输FCN模型和色彩分割算法模型，通过FCN模型和色彩分割算法模型的输出图像对FCN模型进行参数学习；在迭代次数大于一时，将图像输入参数学习之后的FCN模型，通过参数学习之后的FCN模型获得第一分割图像，将第一分割图像输入色彩分
割算法模型获得第二分割图像，通过第一分割图像和第二分割图像对FCN模型重新进行参数学习。
[0032]可选的，通过FCN模型和色彩分割算法模型的输出图像对FCN模型进行参数学习，可以包括：通过FCN模型对图像进行特征提取获得特征图，并采用预设分类函数对特征图进行处理获得第三分割图像；通过色彩分割算法模型按照色彩特征对图像进行分割，获得第四分割图像；采用预设损失函数交叉熵对第三分割图像和第四分割图像进行损失计算，根据计算结果对FCN模型的参数进行学习。
[0033]其中，如图1(b)所示，为第一次迭代时的FCN模型的参数学习原理示意图。FCN模型的迭代次数是提前确定的，例如，设定迭代次数为10，在按照迭代次数基于色彩分割算法模型对FCN模型进行训练的过程中，针对不同的迭代次数，色彩分割算法模型所获取的图像的来源方式是不相同的。针对第一次迭代，FCN模型和色彩分割算法模型分别获取的原始待分割的高空抛物监控图像，FCN模型通过对原始图像进行特征提取获得特征图，其中，FCN模型所提取的特征不限于色彩、形状、纹理和位置，并采用预设分类函数Argmax对特征图进行处理获得第三分割图像。而色彩分割算法模型则仅按照色彩特征对输入的原始图像进行分割，获得第四分割图像。采用预设损失函数交叉熵softmax对FCN本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高空抛物监控图像的处理方法，其特征在于，包括：对高空抛物监控图像进行语义分割确定所述图像的窗户区域；对所述图像的窗户区域进行模糊处理；将经过模糊处理的图像进行展示。2.根据权利要求1所述的方法，其特征在于，所述对高空抛物监控图像进行语义分割确定所述图像的窗户区域，包括：基于全卷积网络FCN模型采用无监督学习方式对所述高空抛物监控图像进行语义分割；根据语义分割结果确定所述图像的窗户区域。3.根据权利要求2所述的方法，其特征在于，所述基于全卷积网络FCN模型采用无监督学习方式对所述高空抛物监控图像进行语义分割，包括：确定所述FCN模型的迭代次数；按照所述迭代次数基于色彩分割算法模型对所述FCN模型进行训练；在确定达到所述迭代次数时，获得所述FCN模型的最终分割图像，将所述最终分割图像作为所述语义分割结果。4.根据权利要求3所述的方法，其特征在于，所述按照所述迭代次数基于色彩分割算法模型对所述FCN模型进行训练，包括：在第一次迭代时，将所述图像分别输所述FCN模型和所述色彩分割算法模型，通过所述FCN模型和所述色彩分割算法模型的输出图像对所述FCN模型进行参数学习；在迭代次数大于一时，将所述图像输入参数学习之后的FCN模型，通过参数学习之后的FCN模型获得第一分割图像，将所述第一分割图像输入所述色彩分割算法模型获得第二分割图像，通过所述第一分割图像和所述第二分割图像对所述FCN模型重新进行参数学习。5.根据权利要求4所述的方法，其特征在于，所述通过所述FCN模型和所述色彩分割算法模型的输出图像对所述FCN模型进...

【专利技术属性】
技术研发人员：李城，周晖，
申请(专利权)人：北京软通智慧城市科技有限公司，
类型：发明
国别省市：