[发明专利]通道监测方法、装置、电子设备及介质

说明书

本发明公开了一种通道监测方法、装置、电子设备及介质，该方法通过将摄像头采集的目标通道的当前帧图像输入通道占用模型，得到当前帧图像的特征向量，先判断第一特征库中是否存在与当前帧图像的特征向量距离小于基准阈值的特征向量，若存在，则判定目标通道未被占用，并将当前帧图像的特征向量更新到第一特征库中；若不存在，则判定当前帧图像满足预设异常条件，缩短采样间隔采集下一帧图像；若采集的连续M帧图像均满足预设异常条件，则将这M帧图像的特征向量与第二特征库中的各特征向量进行比对，若距离均大于第一参考阈值，则判定目标通道被占用，上报通道占用事件以及这M帧图像，能够较准确且高效地监测通道占用事件。

技术领域

本发明涉及安防技术领域，尤其涉及一种通道监测方法、装置、电子设备及介质。

背景技术

消防通道，逃生通道，货运通道等等都是现实生活中常见的具有特殊用途的通道。近年来，特殊通道在没有发生通道的专属事件时被人为占用，最后导致发生特殊事件时，特殊通道无法发挥其特殊功能，导致酿成惨剧或者给他人带来不便，这样的报道屡见不鲜。尽管对于特殊通道的管理，国家和地方都出了相关的法律法规，但是，仍然有心存侥幸者，非法占用特殊通道的事情比比皆是。因此，亟需一种能够有效地对这些特殊通道的占用情况进行监测的方法。

发明内容

本发明提供了一种通道监测方法、装置、电子设备及介质，能够较准确且高效地对通道的占用情况进行监测，在通道被占用时及时上报，以及时解决通道被占用带来的安全隐患。

第一方面，本发明实施例提供了一种通道监测方法，所述方法包括：将摄像头采集的目标通道的当前帧图像输入通道占用模型，得到所述当前帧图像的特征向量，其中，所述通道占用模型为预先基于目标通道未被占用时采集的样本图像以及被占用时采集的样本图像训练得到的深度学习模型；判断第一特征库中是否存在与所述当前帧图像的特征向量距离小于基准阈值的特征向量，其中，所述第一特征库存储有预设时间段内采集的第一参考图像的特征向量，所述第一参考图像为目标通道未被占用时的图像；若存在，则判定所述目标通道未被占用，并将所述当前帧图像的特征向量更新到所述第一特征库中；若不存在，则判定所述当前帧图像满足预设异常条件，缩短采样间隔采集下一帧图像；若连续M帧图像均满足所述预设异常条件，则将所述M帧图像的特征向量与第二特征库中的各特征向量进行比对，若距离均大于第一参考阈值，则判定所述目标通道被占用，上报通道占用事件以及所述M帧图像，其中，所述第二特征库中存储有多个第二参考图像的特征向量，所述多个第二参考图像包括在多种外界环境下采集的目标通道未被占用时的图像。

进一步地，所述将所述M帧图像的特征向量与第二特征库中的各特征向量进行比对，还包括：若所述M帧图像中，存在与所述第二特征库中任意一特征向量之间距离小于或等于第一参考阈值的图像，则判定所述目标通道未被占用。

进一步地，上述将所述M帧图像的特征向量与第二特征库中的各特征向量进行比对，还包括：若所述M帧图像中，存在与所述第二特征库中任意一特征向量之间距离大于第二参考阈值且小于或等于第一参考阈值的图像，则将该图像的特征向量添加到所述第二特征库中，并将该图像添加到与所述第二特征库对应的图像库中，其中，所述第二参考阈值大于所述基准阈值。

进一步地，上述通道占用模型通过以下步骤训练得到：获取训练数据，所述训练数据包括多个在所述目标通道未被占用时采集的第一样本图像，以及多个在所述目标通道被占用时采集的第二样本图像；基于所述训练数据，对预先构建的深度学习模型进行训练，得到所述通道占用模型，所述通道占用模型用于输出目标通道的图像的特征向量。

进一步地，上述对预先构建的深度学习模型进行训练之前，还包括：获取所述目标通道的样本图像，基于所述样本图像对预先构建的空间变换网络进行训练，得到前置空间变换子模型；将所述前置空间变换子模型插入预先构建的神经网络模型，得到所述深度学习模型。

进一步地，上述深度学习模型的损失函数基于预设的ArcFace损失函数、CosFace损失函数、SphereFace损失函数、类内损失函数以及类间损失函数确定。