一种判断摄像头是否异常的方法和系统技术方案

本说明书实施例提供一种判断摄像头是否异常的方法和系统，该判断摄像头是否异常的方法包括：获取多个摄像头的基础特征以及多个摄像头之间的关联关系，该多个摄像头的基础特征包括摄像头流量变化、摄像头角度数据、摄像头缩放数据和摄像头白平衡数据中的至少一种，该摄像头之间的关联关系包括摄像头之间的相对角度和摄像头之间的距离中的至少一种；将多个摄像头的基础特征以及多个摄像头之间的关联关系输入判断模型，该判断模型为GNN模型；基于判断模型的输出结果，确定多个摄像头是否异常。常。常。

【技术实现步骤摘要】
一种判断摄像头是否异常的方法和系统


[0001]本说明书涉及通信领域，特别涉及一种判断摄像头是否异常的方法和系统。

技术介绍

[0002]视频监控是安全防范系统的重要组成部分，随着安防的快速发展，视频监控的应用越来越多。目前通过摄像头进行视频监控大多依托于视频分析的方法，视频分析需要消耗较大的带宽流量，产生高额的流量成本；如在网络繁忙时采取监控视频，需要占用大量的网络资源，可能出现视频画面卡顿、抖动和延迟的情况，无法满足视频监控的观看和操作需求，影响监控效果。
[0003]因此，为了满足高效及低成本地进行视频监控，亟需一种判断摄像头是否异常的方法和系统。

技术实现思路

[0004]本说明书实施例之一提供一种判断摄像头是否异常的法。所述判断摄像头是否异常的方法包括：获取多个摄像头的基础特征以及所述多个摄像头之间的关联关系，其中，所述多个摄像头的基础特征包括摄像头流量变化、摄像头角度数据、摄像头缩放数据和摄像头白平衡数据中的至少一种，所述摄像头之间的关联关系包括所述摄像头之间的相对角度和所述摄像头之间的距离中的至少一种；将所述多个摄像头的基础特征以及所述多个摄像头之间的关联关系输入判断模型，其中，所述判断模型为GNN模型；以及基于所述判断模型的输出结果，确定所述多个摄像头是否异常。
[0005]本说明书实施例之一提供一种判断摄像头是否异常的系统，所述系统包括：获取模块，用于获取多个摄像头的基础特征以及所述多个摄像头之间的关联关系，其中，所述多个摄像头的基础特征包括摄像头流量变化、摄像头角度数据、摄像头缩放数据和摄像头白平衡数据中的至少一种，所述摄像头之间的关联关系包括所述摄像头之间的相对角度和所述摄像头之间的距离中的至少一种；判断模块，用于将所述多个摄像头的基础特征以及所述多个摄像头之间的关联关系输入判断模型，其中，所述判断模型为GNN模型；以及确定模块，用于基于所述判断模型的输出结果，确定所述多个摄像头是否异常。
[0006]本说明书实施例之一提供一种判断摄像头是否异常的装置，包括处理器，所述处理器用于执行判断摄像头是否异常的方法。
[0007]本说明书实施例之一提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行判断摄像头是否异常的方法。
附图说明
[0008]本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1是根据本说明书一些实施例所示的判断摄像头是否异常系统的应用场景示意图；图2是根据本说明书一些实施例所示的判断摄像头是否异常方法的示例性流程图；图3是根据本说明书一些实施例所示的判断模型的示例性结构图；图4是根据本说明书一些实施例所示的获取摄像头流量变化的模型的示例性结构图；图5是根据本说明书一些实施例所示的训练判断模型的方法的示例性流程图；图6（a）是根据本说明书一些实施例所示的摄像头在拍摄时的视角角度；图6（b）是根据本说明书一些实施例所示的摄像头在拍摄时相对于水平方向的角度以及摄像头之间的相对角度。
具体实施方式
[0009]为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
[0010]应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
[0011]如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
[0012]本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
[0013]图1是根据本说明书一些实施例所示的判断摄像头是否异常系统的应用场景示意图。仅作为示例，如图1所示，本说明书所涉及的应用场景可以包括第一计算系统110、第二计算系统120和/或第三计算系统130。系统100中的组件可以以各种方式连接。
[0014]摄像头180（摄像头180
‑
1、180
‑
2、
…
、180
‑
N）是指视频输入设备，可以获取目标物体的成像数据。在一些实施例中，成像数据可以是二维（2D）成像数据、三维（3D）成像数据、四维（4D）成像数据等或其任何组合。目标物体可以是生物体（例如，人、动物）或非生物体（例如，汽车、自行车）。成像数据组成的影像可以是彩色的，也可以是黑白的。在一些实施例中，摄像头180可以包括数字摄像头和模拟摄像头等设备，示例性设备可以包括电脑相机、电脑眼、电子眼等。
[0015]判断摄像头180是否异常所应用的场景可以包括商场、银行、车站、会议室等公共
和私人场所。可以理解，在通过摄像头180进行监控的场所内，摄像头180可能会出现异常的情况。在一些实施例中，摄像头180可能被有意或无意地更改角度，导致摄像头180偏离正常工作角度，造成摄像头180异常。
[0016]网络140可以促进系统100的信息和/或数据的交换。在一些实施例中，系统100的一个或以上组件（例如，摄像头180、第一计算系统110、第二计算系统120或第三计算系统130）可以通过网络140与系统100的一个或以上其他组件交流信息和/或数据。例如，第一计算系统110、第二计算系统120和/或第三计算系统130可以经由网络140从摄像头180获取视频数据。
[0017]在一些实施例中，网络140可以具有分布式网络架构。在一些实施例中，系统100可包括分布式连接到网络140的至少两个服务器设备。在一些实施例中，网络140可以为任意形式的有线或无线网络或其任意组合。网络140可以是和/或包括公共网络（例如，互联网）、专用网络（例如，局部区域网络（LAN）、广域网（WAN）等）、有线网络（例如，以太网网络）、无线网络（例如，802.11网络、Wi
‑
Fi网络等）、蜂窝网络（例如，长期演进（LTE）网络）、帧中继网络、虚拟专用网络（“VPN”）、卫星网络、电话网络、路由器、集线器、交换机、服务器计算机和/或其任何组合。仅作为示例，网络140可以包括电缆网络、有本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种判断摄像头是否异常的方法，所述方法包括：获取多个摄像头的基础特征以及所述多个摄像头之间的关联关系，其中，所述多个摄像头的基础特征包括摄像头流量变化、摄像头角度数据、摄像头缩放数据和摄像头白平衡数据中的至少一种，所述摄像头之间的关联关系包括所述摄像头之间的相对角度和所述摄像头之间的距离中的至少一种；将所述多个摄像头的基础特征以及所述多个摄像头之间的关联关系输入判断模型，其中，所述判断模型为GNN模型；以及基于所述判断模型的输出结果，确定所述多个摄像头是否异常。2.如权利要求1所述的方法，获取所述摄像头流量变化包括：获取所述多个摄像头在N个历史时间段的特征序列，所述特征序列包括视频特征序列和/或码流特征序列；基于序列编码或循环神经网络模型对所述特征序列进行处理，确定所述摄像头流量变化。3.如权利要求2所述的方法，所述特征序列包括视频特征序列，其中，所述获取所述多个摄像头在N个历史时间段的特征序列包括：获取所述多个摄像头在N个历史时间段的视频数据；基于特征提取模型对所述N个历史时间段的视频数据进行处理，确定所述N个历史时间段的视频特征序列。4.如权利要求1所述的方法，所述判断模型通过训练过程获取，所述训练过程包括：获取多个样本摄像头的多个训练数据及其标签，所述多个训练数据包括样本基础特征和样本关联关系，所述标签代表所述多个样本摄像头是否异常，所述标签通过随机设置故障摄像头获取；以及基于所述多个训练数据训练初始判断模型，得到所述判断模型。5.一种判断摄像头是否异常的系统，所述系统包括：获取模块，用于获取多个摄像头的基础特征以及所述多个摄像头之间的关联关系，其中，所述多个摄像头的基础特征包...

【专利技术属性】
技术研发人员：卢国鸣，
申请(专利权)人：上海兴容信息技术有限公司，
类型：发明
国别省市：