System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及图像分析,尤其涉及一种图像分析方法、装置、计算机设备及存储介质。
技术介绍
1、随着高清摄像机的普及和机器视觉算法的应用,视频监控也越来越先进,视频监控已成为保障电网安全的有力工具。在变电站、配电房、杆塔等重要场合随处可见监控摄像机,有很多是24小时监测的,工作人员通过监控可实时观测多个场景,当发生突发事件或人为破坏时,可及时采取一些必要措施,提高相关部门工作效率,同时,摄像机采集的数据可长久保存并可作为模型训练数据使用。
2、但是,在通过监控视频观察现场情况时,由于缺乏相应智能监测功能,需要工作人员时刻观看监控画面,通过肉眼判别场景中是否出现可疑人、物品以及危险行为,然而人的集中力是有限的,当长时间面对监控画面时,容易产生视觉疲劳,从而导致判断误差。
技术实现思路
1、基于此,有必要针对现有技术分析图像中人和物的效果较差的技术问题,提出了一种图像分析方法、装置、计算机设备及存储介质。
2、第一方面,提供了一种图像分析方法,所述方法包括:
3、获取待检测图像;
4、根据所述待检测图像以及训练好的识别模型,得到所述待检测图像中的各个物体各自对应的物体类型向量以及物体位置向量,其中,所述识别模型是基于残差网络层、卷积层、位置编码层、编码自注意力机制层、解码自注意力机制模块以及前馈神经网络层训练得到的;
5、对各个所述物体类型向量进行向量分析,得到各个物体类型,并对各个所述物体位置向量进行向量分析,得到各个物体类型
6、第二方面,提供了一种图像分析装置,所述装置包括:
7、获取模块,用于获取待检测图像;
8、识别模块,用于根据所述待检测图像以及训练好的识别模型,得到所述待检测图像对应的各个物体类型向量、各个物体位置向量,其中,所述识别模型是基于残差网络层、卷积层、位置编码层、编码自注意力机制层、解码自注意力机制模块以及前馈神经网络层训练得到的;
9、向量分析模块,用于对各个所述物体类型向量进行向量分析,得到各个物体类型,并对各个所述物体位置向量进行向量分析,得到各个物体类型各自对应的物体位置。
10、第三方面,提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述图像分析方法的步骤。
11、第四方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述图像分析方法的步骤。
12、本专利技术提出的图像分析方法,通过获取待检测图像,而后根据所述待检测图像以及训练好的识别模型,得到所述待检测图像中的各个物体各自对应的物体类型向量以及物体位置向量,其中,所述识别模型是基于残差网络层、卷积层、位置编码层、编码自注意力机制层、解码自注意力机制模块以及前馈神经网络层训练得到的,最后对各个所述物体类型向量进行向量分析,得到各个物体类型,并对各个所述物体位置向量进行向量分析,得到各个物体类型各自对应的物体位置,能够通过识别模型分析待检测图像中人或物的物体类型以及物体位置,提高了对待检测图像进行分析的效率以及准确率,使得而后可以对待检测图像存在的危险行为及时做出反应,并采取相应的保护措施,防止危险的发生。
本文档来自技高网...【技术保护点】
1.一种图像分析方法,其特征在于,所述图像分析方法包括:
2.根据权利要求1所述的图像分析方法,其特征在于,所述残差网络层与所述卷积层连接,所述卷积层与所述编码自注意力机制层连接,所述位置编码层与所述编码自注意力机制层连接,所述编码自注意力机制层与所述解码自注意力模块连接,所述解码自注意力模块与所述前馈神经网络连接,其中,所述解码注意力模块包括6个依次连接的解码自注意力机制层。
3.根据权利要求2所述的图像分析方法,其特征在于,所述根据所述待检测图像以及训练好的识别模型,得到所述待检测图像中的各个物体各自对应的物体类型向量以及物体位置向量的步骤,包括:
4.根据权利要求1所述的图像分析方法,其特征在于,所述基于所述第二特征、所述第三特征以及所述编码自注意力机制层、解码自注意力机制模块以及前馈神经网络层,确定所述物体类型向量以及所述物体位置向量的步骤,包括:
5.根据权利要求1所述的图像分析方法,其特征在于,所述基于所述参数Query、所述参数Key、所述参数Value、所述待处理图像的掩码、所述编码自注意力机制层、所述解码自注意力机
6.根据权利要求1所述的图像分析方法,其特征在于,所述基于随机初始化的特征向量、所述特征向量对应的全0向量、所述第二特征、所述掩码、所述第一向量以及所述所述解码自注意力机制模块以及前馈神经网络层,确定所述物体类型向量以及所述物体位置向量的步骤,包括:
7.根据权利要求6所述的图像分析方法,其特征在于,所述基于所述第二向量以及所述前馈神经网络层,得到所述物体类型向量以及所述物体位置向量的步骤包括:
8.一种图像分析装置,其特征在于,所述图像分析装置包括:
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述图像分析方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述图像分析方法的步骤。
...【技术特征摘要】
1.一种图像分析方法,其特征在于,所述图像分析方法包括:
2.根据权利要求1所述的图像分析方法,其特征在于,所述残差网络层与所述卷积层连接,所述卷积层与所述编码自注意力机制层连接,所述位置编码层与所述编码自注意力机制层连接,所述编码自注意力机制层与所述解码自注意力模块连接,所述解码自注意力模块与所述前馈神经网络连接,其中,所述解码注意力模块包括6个依次连接的解码自注意力机制层。
3.根据权利要求2所述的图像分析方法,其特征在于,所述根据所述待检测图像以及训练好的识别模型,得到所述待检测图像中的各个物体各自对应的物体类型向量以及物体位置向量的步骤,包括:
4.根据权利要求1所述的图像分析方法,其特征在于,所述基于所述第二特征、所述第三特征以及所述编码自注意力机制层、解码自注意力机制模块以及前馈神经网络层,确定所述物体类型向量以及所述物体位置向量的步骤,包括:
5.根据权利要求1所述的图像分析方法,其特征在于,所述基于所述参数query、所述参数key、所述参数value、所述待处理图像的掩码、所述编码自注意力机制...
【专利技术属性】
技术研发人员:王健军,付彬,云炫戊,乔宇,
申请(专利权)人:中国科学院深圳先进技术研究院,
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。