【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; ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。