一种目标对象监测方法、装置、电子设备及可读存储介质制造方法及图纸

本发明专利技术提供一种目标对象监测方法、装置、电子设备及可读存储介质，涉及数据处理技术领域，该方法包括：获取监控视频；在监控视频中存在目标对象的情况下，跟踪目标对象，得到在第一设定时刻目标对象对应的第一位置、在第二设定时刻目标对象对应的第二位置，以及在第二设定时刻之前的第一设定时间内目标对象对应的运动轨迹；将目标对象的第二位置和目标对象对应的运动轨迹输入至预设的长短时记忆LSTM循环神经网络模型，得到目标预测位置，目标预测位置为预测的在第一设定时刻目标对象存在的位置；在第一位置与目标预测位置不匹配的情况下，发送警报信息，警报信息用于指示目标对象的移动发生变化。本发明专利技术能提高识别的准确率。本发明专利技术能提高识别的准确率。本发明专利技术能提高识别的准确率。

【技术实现步骤摘要】
一种目标对象监测方法、装置、电子设备及可读存储介质


[0001]本专利技术涉及数据处理
，具体涉及一种目标对象监测方法、装置、电子设备及可读存储介质。

技术介绍

[0002]通过摄像头采集视频，并对采集的视频进行对象识别是实现对国土区域进行实时监控的常用手段。在相关技术中，通过监控识别设定区域内是否存在目标对象，在存在目标对象的情况下发送警报提示管理人员，实现对国土区域进行实时监控。但在相关技术中，仅能对设定区域内是否存在目标对象进行识别，无法对目标对象的移动变化进行监控，对于需要目标对象移动的场景(例如高速行驶场景)，难以准确识别目标对象的移动情况，导致对目标对象的移动情况识别准确率较低。
[0003]可见，相关技术中存在对目标对象的移动情况识别准确率较低的问题。

技术实现思路

[0004]本专利技术实施例提供一种目标对象监测方法、装置、电子设备及可读存储介质，以解决相关技术中存在无法对目标对象的速度进行监控导致视频监控的应用范围较窄的问题。
[0005]为解决上述问题，本专利技术是这样实现的：
[0006]第一方面，本专利技术实施例提供一种目标对象监测方法，包括：
[0007]获取监控视频；
[0008]在所述监控视频中存在目标对象的情况下，跟踪所述目标对象，得到在第一设定时刻所述目标对象对应的第一位置、在第二设定时刻所述目标对象对应的第二位置，以及在所述第二设定时刻之前的第一设定时间内所述目标对象对应的运动轨迹，所述第二设定时刻早于所述第一设定时刻；
[0009]将所述目标对象的第二位置和所述目标对象对应的运动轨迹输入至预设的长短时记忆LSTM循环神经网络模型，得到目标预测位置，所述目标预测位置为预测的在所述第一设定时刻所述目标对象存在的位置；
[0010]在所述第一位置与所述目标预测位置不匹配的情况下，发送警报信息，所述警报信息用于指示所述目标对象的移动发生变化。
[0011]第二方面，本专利技术实施例还提供一种目标对象监测装置，包括：
[0012]第一获取模块，用于获取监控视频；
[0013]跟踪模块，用于在所述监控视频中存在目标对象的情况下，跟踪所述目标对象，得到在第一设定时刻所述目标对象对应的第一位置、在第二设定时刻所述目标对象对应的第二位置，以及在所述第二设定时刻之前的第一设定时间内所述目标对象对应的运动轨迹，所述第二设定时刻早于所述第一设定时刻；
[0014]处理模块，用于将所述目标对象的第二位置和所述目标对象对应的运动轨迹输入至预设的长短时记忆LSTM循环神经网络模型，得到目标预测位置，所述目标预测位置为预
测的在所述第一设定时刻所述目标对象存在的位置；
[0015]发送模块，用于在所述第一位置与所述目标预测位置不匹配的情况下，发送警报信息，所述警报信息用于指示所述目标对象的移动发生变化。
[0016]第三方面，本专利技术实施例还提供一种电子设备，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上述第一方面所述的目标对象监测方法中的步骤。
[0017]第四方面，本专利技术实施例还提供一种可读存储介质，用于存储程序，所述程序被处理器执行时实现如上述第一方面所述的目标对象监测方法中的步骤。
[0018]在本专利技术实施例中，通过获取监控视频，并在监控视频中存在目标对象的情况下，跟踪目标对象，得到在第一设定时刻目标对象对应的第一位置、在第二设定时刻目标对象对应的第二位置，以及在第二设定时刻之前的第一设定时间内目标对象对应的运动轨迹；再将目标对象的第二位置和目标对象对应的运动轨迹输入至预设的长短时记忆LSTM循环神经网络模型，得到目标预测位置，目标预测位置为预测的在第一设定时刻目标对象存在的位置，从而实现通过目标预测位置和第一位置确定目标对象的移动是否发生变化。在第一位置与目标预测位置不匹配的情况下，发送警报信息，以提示监控人员目标对象的移动发生变化，实现对目标对象的移动情况的监控，进而提高对目标对象的移动情况识别准确率。
附图说明
[0019]为更清楚地说明本专利技术实施例的技术方案，下面将对本专利技术实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0020]图1是本专利技术实施例提供的一种目标对象监测方法的流程图；
[0021]图2是本专利技术实施例提供的一种目标对象监测装置的结构图；
[0022]图3是本专利技术实施例提供的一种电子设备的结构图。
具体实施方式
[0023]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作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。
[0024]请参见图1，图1是本专利技术实施例提供的一种目标对象监测方法的流程图，如图1所示，包括以下步骤：
[0025]步骤101、获取监控视频；
[0026]步骤102、在所述监控视频中存在目标对象的情况下，跟踪所述目标对象，得到在第一设定时刻所述目标对象对应的第一位置、在第二设定时刻所述目标对象对应的第二位置，以及在所述第二设定时刻之前的第一设定时间内所述目标对象对应的运动轨迹，所述第二设定时刻早于所述第一设定时刻；
[0027]上述目标对象为对监控视频进行识别后得到的对象，识别到目标对象后，跟踪目标对象，并记录下目标对象的运动轨迹。上述运动轨迹包括目标对象在监控视频中的持续时间，以及在持续时间内不同时刻目标对象的位置。应理解，在识别得到目标对象的运动轨迹后，可以根据运动轨迹预测得到目标对象在第一设定时刻的位置，进而确定目标对象的移动发生变化。
[0028]其中，目标对象的移动发生变化，可以是目标对象的速度发生变化，也可以是目标对象的移动方向发生变化，可以根据具体应用场景设置。例如，目标对象为高速公路上的车辆的情况下，监控目标对象的速度是否发生变化，确定超过最高设定速度或低于最低设定速度。还例如，目标对象为流水线的生产产品的情况下，监控目标对象的移动方向是否发生变化。
[0029]上述第一设定时刻可以为监控视频中的实时时刻，也可以是实时时刻之前的时刻。上述第二设定时刻为在所述第一设定时刻之前的时刻，上述运动轨迹为第二设定时刻之前第一设定时间内的运动轨迹，运动轨迹的结束位置为第二设定时刻的第二位置。
[0030]步骤103、将所述目标对象的第二位置和所述目标对象对应的运动轨迹输入至预设的长短时记忆(Long Short Term Memory，LSTM)循环神经网络模型，得到目标预测位置，所述目标预测位置为预测的在所述第一设定时刻所述目标对象存在的位置；
[0031]上述LSTM循环神经网络本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标对象监测方法，其特征在于，包括：获取监控视频；在所述监控视频中存在目标对象的情况下，跟踪所述目标对象，得到在第一设定时刻所述目标对象对应的第一位置、在第二设定时刻所述目标对象对应的第二位置，以及在所述第二设定时刻之前的第一设定时间内所述目标对象对应的运动轨迹，所述第二设定时刻早于所述第一设定时刻；将所述目标对象的第二位置和所述目标对象对应的运动轨迹输入至预设的长短时记忆LSTM循环神经网络模型，得到目标预测位置，所述目标预测位置为预测的在所述第一设定时刻所述目标对象存在的位置；在所述第一位置与所述目标预测位置不匹配的情况下，发送警报信息，所述警报信息用于指示所述目标对象的移动发生变化。2.根据权利要求1所述的方法，其特征在于，在所述获取监控视频之后，所述方法还包括：将所述监控视频对应的视频图像分为多个网格；基于预设的识别模型对所述多个网格中每个网格的图像进行计算，得到所述每个网格的置信度损失值、位置损失值和类别损失值；将所述每个网格的置信度损失值、位置损失值和类别损失值输入至损失函数中进行计算，得到所述每个网格的目标损失值；在目标网格对应的目标损失值大于设定阈值的情况下，确定所述目标网格中存在所述目标对象，所述目标网格为所述多个网格中的一个网格；其中，所述损失函数通过如下公式表示：L＝λ
conf
*L
conf
+λ
loc
*L
loc
+λ
cls
*L
cls
L为目标损失值，L
conf
为所述每个网格的置信度损失值，L
loc
为所述每个网格的位置损失值，L
cls
为所述每个网格的类别损失值，λ
conf
为置信度损失值的权重系数，λ
loc
为位置损失值的权重系数，λ
cls
为类别损失值的权重系数。3.根据权利要求2所述的方法，其特征在于，在所述将所述每个网格的置信度损失值、位置损失值和类别损失值输入至损失函数中进行计算，得到所述每个网格的目标损失值之后，所述方法还包括：获取目标权重系数对应的多个历史数据、预测损失值和实际损失值，所述多个历史数据中每个历史数据包括历史权重系数和所述历史权重系数对应的损失值，所述预测损失值为基于多个历史数据预测的与所述目标权重系数对应的损失值，所述目标权重系数为置信度损失值的权重系数、位置损失值的权重系数或类别损失值的权重系数；将所述多个历史数据、所述预测损失值和实际损失值输入至第一更新函数进行计算，得到更新后的目标权重系数；基于所述更新后的目标权重系数更新所述损失函数；其中，所述第一更新函数通过如下公式表示：Y
n
＝λ0+λ1X1+λ2X2+
…
+λ
n
X
n
Y
n
为预测损失值，λ0、λ1、λ2为历史权重系数，X1、X2为历史权重系数对应的损失值，X
n
为实际损失值，λ
n
为更新后的目标权重系数。
4.根据权利要求1所述的方法，其特征在于，所述LSTM循环神经网络模型包括遗忘门、记忆单元和输出门，所述遗忘门用于将目标时间步的位置保存至所述记忆单元，所述记忆单元用于存储所述目标时间步的位置和所述目标时间步之前的第一时间步的位置，所述输出门用于输出在第一设定时间内的全部时间步的位置，所述目标时间步为所述第二设定时刻；所述将所述目标对象的第二位置和所述目标对象对应的运动轨迹输入至预设的长短时记忆LSTM循环神经网络模型，得到目标预测位置，包括：将所述目标对象的第二位置和所述目标对象对应的运动轨迹输入至所述LSTM循环神经网络模型进行计算，得到所述记忆单元的第三位置，以及所述输出门输出的第四位置；将所述第三位置和所述第四位置进行加权计算，得到所述目标预测位置。5.根据权利要求4所述的方法，其特征在于，所述将所述第三位置和所述第四位置进行加权计算，得到所述目标预测位置，包括：将所述第三位置和所述第四位置...

【专利技术属性】
技术研发人员：胡威，何杰，张新，李娟，刘路刚，陈兰文，聂昌，于龙广睿，吴旭东，彭泽洋，剧梦婕，蒋琦，洪智，宋泽明，
申请(专利权)人：铁塔智联技术有限公司，
类型：发明
国别省市：