CN114267019A - 识别方法、装置、设备以及存储介质 - Google Patents

Abstract

本公开提供了一种识别方法、装置、设备以及存储介质，涉及深度学习、计算机视觉、智慧城市等人工智能技术领域。该方法包括：获取目标图像；确定待监测对象在目标图像中的位置信息，记为第一位置信息；基于第一位置信息以及目标图像对应的转换矩阵，确定待监测对象在世界坐标系下的位置信息，记为第二位置信息，其中，转换矩阵用于将像素坐标系下的位置转换为世界坐标系下的位置；响应于确定待监测对象为停留状态且停留时间超过预设阈值，基于第二位置信息判断待监测对象的停留区域，执行与判断结果对应的操作。基于本公开提供的识别方法，能够快速对图像中的待监测对象进行识别以及管理，提高了管理效率。

Description

识别方法、装置、设备以及存储介质

技术领域

本公开涉及深度学习、计算机视觉、智慧城市等人工智能技术领 域，尤其涉及识别方法、装置、设备以及存储介质。

背景技术

对城市管理而言，由于摊贩经营方式的特殊性，使得对其进行规 范管理变得比较困难。尤其是在一些交通路口，不规范的摊贩可能会 导致交通秩序的紊乱，还可能会影响城市的市容市貌。

发明内容

本公开提供了一种识别方法、装置、设备以及存储介质。

根据本公开的第一方面，提供了一种识别方法，包括：获取目标图 像；确定待监测对象在目标图像中的位置信息，记为第一位置信息； 基于第一位置信息以及目标图像对应的转换矩阵，确定待监测对象在 世界坐标系下的位置信息，记为第二位置信息，其中，转换矩阵用于 将像素坐标系下的位置转换为世界坐标系下的位置；响应于确定待监 测对象为停留状态且停留时间超过预设阈值，基于第二位置信息判断 待监测对象的停留区域，执行与判断结果对应的操作。

根据本公开的第二方面，提供了一种识别装置，包括：第一获取模 块，被配置成获取目标图像；第一确定模块，被配置成确定待监测对 象在目标图像中的位置信息，记为第一位置信息；第二确定模块，被 配置成基于第一位置信息以及目标图像对应的转换矩阵，确定待监测 对象在世界坐标系下的位置信息，记为第二位置信息，其中，转换矩 阵用于将像素坐标系下的位置转换为世界坐标系下的位置；执行模块， 被配置成响应于确定待监测对象为停留状态且停留时间超过预设阈值， 基于第二位置信息判断待监测对象的停留区域，执行与判断结果对应 的操作。

根据本公开的第三方面，提供了一种电子设备，包括：至少一个 处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存 储有可被至少一个处理器执行的指令，指令被至少一个处理器执行， 以使至少一个处理器能够执行如第一方面中任一实现方式描述的方法。

根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时 计算机可读存储介质，计算机指令用于使计算机执行如第一方面中任 一实现方式描述的方法。

根据本公开的第五方面，提供了一种计算机程序产品，包括计算 机程序，计算机程序在被处理器执行时实现如第一方面中任一实现方 式描述的方法。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的 关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将 通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是本公开可以应用于其中的示例性系统架构图；

图2是根据本公开的识别方法的一个实施例的流程图；

图3是根据本公开的识别方法的另一个实施例的流程图；

图4是根据本公开的识别方法的一个应用场景的示意图；

图5是根据本公开的识别装置的一个实施例的结构示意图；

图6是用来实现本公开实施例的识别方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公 开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。 因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做 出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清 楚和简明，以下的描述中省略了对公知功能和结构的描述。

需要说明的是，在不冲突的情况下，本公开中的实施例及实施例 中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本 公开。

图1示出了可以应用本公开的识别方法或识别装置的实施例的示 例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103， 网络104和服务器105。网络104用以在终端设备101、102、103和 服务器105之间提供通信链路的介质。网络104可以包括各种连接类 型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105 交互，以接收或发送信息等。终端设备101、102、103上可以安装有 各种客户端应用。

终端设备101、102、103可以是硬件，也可以是软件。当终端设 备101、102、103为硬件时，可以是各种电子设备，包括但不限于智 能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设 备101、102、103为软件时，可以安装在上述电子设备中。其可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块。在此 不做具体限定。

服务器105可以提供各种服务。例如，服务器105可以对从终端 设备101、102、103获取的目标图像进行分析和处理，并生成处理结 果(例如执行与判断结果对应的操作)。

需要说明的是，服务器105可以是硬件，也可以是软件。当服务 器105为硬件时，可以实现成多个服务器组成的分布式服务器集群， 也可以实现成单个服务器。当服务器105为软件时，可以实现成多个 软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软 件或软件模块。在此不做具体限定。

需要说明的是，本公开实施例所提供的识别方法一般由服务器 105执行，相应地，识别装置一般设置于服务器105中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意 性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，其示出了根据本公开的识别方法的一个实施例的流 程200。该识别方法包括以下步骤：

步骤201，获取目标图像。

在本实施例中，识别方法的执行主体(例如图1所示的服务器105) 可以获取目标图像。其中，目标图像可以为通过图像传感器采集的，图 像传感器即能够采集图像的传感器，一般指摄像头传感器(以下简称 为摄像头)，也可根据实际情况采用其他的图像传感器，本实施例对 此不做限定。

在实际应用中，本实施例提供的识别方法可以应用在智慧城市中， 上述目标图像可为固定摄像头采集的，固定摄像头为智慧城市中遍布 在任意地方的摄像头，例如道路上、小区内等等。固定摄像头实时采 集到图像后，会将采集的图像上传至图像数据库中，图像数据库中存 储了所有固定摄像头采集的图像。

需要说明的是，上述摄像头一般安装在比较高的地方，并且视角 无遮挡，从而保证可以采集更多的信息。

步骤202，确定待监测对象在目标图像中的位置信息，记为第一 位置信息。

在本实施例中，上述执行主体可以确定待监测对象在目标图像中 的位置信息，并将其记为第一位置信息。由于本实施例中想对待监测 对象进行识别、跟踪以及管理，所以，上述执行主体会先确定待监测 对象在采集的目标图像中的位置。也即上述执行主体会先对目标图像 进行识别和检测，以确定目标图像中是否包含待监测对象，并在确定 目标图像中有待监测对象出现的情况下，确定待监测对象在目标图像 中的位置信息。作为示例，上述执行主体会采用预先训练好的深度学 习模型来对目标图像进行检测，从而得到待监测对象在目标图像中的 位置信息，记为第一位置信息。

需要说明的是，本实施例中的待监测对象可以为任何需要进行监 测以及识别的对象。

作为一个示例，待监测对象可以为摊贩，当待监测对象为摊贩时， 上述执行主体可以对摊贩进行识别，确定摊贩在目标图像中的位置信 息，并判断摊贩是否在规定区域和/或规定时间内摆摊，从而实现对摊 贩的管理。其中，摊贩指摆地摊的小贩，自由流动叫卖者，现实社会 生活中的无证摊贩。

作为另一个示例，待监测对象还可以为车辆，当待监测对象为车 辆时，该识别方法可以应用为对车辆的停车状态进行监测与识别，确 定车辆在目标图像中的位置信息，并判断车辆是否在规定区域和/或规 定时间内停车，从而实现对车辆停车状态、是否进行违规停车的管理。

作为再一个示例，待监测对象还可以为障碍物，当待监测对象为 障碍物时，该识别方法可以对出现的障碍物进行识别，确定障碍物在 目标图像中的位置信息，并判断该障碍物是否在规定区域内，从而实 现对障碍物的智能管理。

当然，本实施例中的待检测对象还可以为其他对象，并不限于以 上几种，本实施例中对此不做具体限定。

在本实施例中，以待检测对象为摊贩进行说明。

步骤203，基于第一位置信息以及目标图像对应的转换矩阵，确 定待监测对象在世界坐标系下的位置信息，记为第二位置信息。

在本实施例中，上述执行主体可以基于第一位置信息以及目标图 像对应的转换矩阵，确定待监测对象在世界坐标系下的位置信息，记 为第二位置信息，其中，转换矩阵用于将像素坐标系下的位置转换为 世界坐标系下的位置。其中，转换矩阵可以用于将图像中的任意一个 点的坐标从像素坐标系转换为世界坐标系下的坐标，也即针对图像中 的任意一个点，若已知该点在图像中的坐标，通过该图像对应的转换 矩阵即可得到该点在世界坐标系下的坐标位置。由于目标图像是由摄 像头采集的，而每个摄像头的视角以及精度等配置信息不一定相同， 所以每个摄像头对应的转换矩阵是不同的，也即同一个摄像头采集的图像所对应的转换矩阵是相同的，不同的摄像头采集的图像所对应的 转换矩阵是不同的。本实施例中，上述执行护体会基于步骤202得到 的第一位置信息以及该目标图像对应的转换矩阵来确定待监测对象在 世界坐标系下的位置信息，并将其记为第二位置信息。

作为第一个实例，上述执行主体可通过三点标定方式来对目标图 像进行标定，从而得到目标图像对应的转换矩阵。三点标定方式即当 已知图像中任意三个不共线的点的实际坐标，即可通过三点变换的方 式进行图像像素到实际物理坐标的转换，从而得到对应的转换矩阵。

作为第二个实例，上述执行主体可通过四点标定方式来对目标图 像进行标定，从而得到目标图像对应的转换矩阵。四点标定方式即当 已知图像中任意四边形的各个点的实际坐标，即可通过透视变换的方 式进行图像像素到实际物理坐标的转换，从而得到对应的转换矩阵。

作为第三个实例，上述执行主体可通过多点标定方式来对目标图 像进行标定，从而得到目标图像对应的转换矩阵。多点标定方式即当 已知图像中超过四个点的实际坐标，即可通过迭代的方法进行图像像 素到实际物理坐标的转换，从而得到对应的转换矩阵。其中，迭代方 法例如可以为RANSAC(RANdom SAmple Consensus，随机抽样一致)， 或者还可以为最小二乘结合等迭代方法。该方式可以提升坐标转换矩 阵在图像全局的转换精度。

步骤204，响应于确定待监测对象为停留状态且停留时间超过预 设阈值，基于第二位置信息判断待监测对象的停留区域，执行与判断 结果对应的操作。

在本实施例中，上述执行主体会在确定待监测对象为停留状态且 停留时间超过预设阈值的情况下，基于第二位置信息判断待监测对象 的停留区域，执行与判断结果对应的操作。也即在本实施例中，上述 执行主体在获取到待监测对象的实际位置信息后，会基于该位置信息 判断待监测对象的状态，若待监测对象目前处于停留状态，即待监测 对象的坐标没有变化(长时间在一个地方没有动)，且停留时间超过 了预设阈值，上述执行主体会基于第二位置信息判断待监测对象的停 留区域，并执行与判断结果对应的操作。

在本实施例中，上述执行主体会预先根据实际的场景对系统进行 配置，主要包括：配置待监测对象可停留区域、待监测对象禁停区域、 待监测对象停留时间阈值、待监测对象可运营时间信息、相机标定参 数等信息。

例如，当待监测对象为摊贩时，上述执行主体会预先根据实际的 场景对系统进行配置，主要包括：配置摊贩可停留区域、摊贩禁停区 域、摊贩停留时间阈值、摊贩摆放面积阈值、摊贩可运营时间信息、 相机标定参数等信息。上述执行主体在确定摊贩为停留状态且停留时 间超过预设阈值的情况下，会判断第二位置信息是否为预设的区域。 例如，若该摊贩停留在预设的摊贩禁停区域，则会将该摊贩的信息发 送给警告模块，以使警告模块对摊贩进行告警。

本公开实施例提供的识别方法，首先获取目标图像；之后确定待 监测对象在目标图像中的位置信息，记为第一位置信息；然后基于第 一位置信息以及目标图像对应的转换矩阵，确定待监测对象在世界坐 标系下的位置信息，记为第二位置信息；最后响应于确定待监测对象 为停留状态且停留时间超过预设阈值，基于第二位置信息判断待监测 对象的停留区域，执行与判断结果对应的操作。本实施例中的识别方 法，该方法可以基于目标图像确定待监测对象在图像中的像素坐标系 下的第一位置信息以及在世界坐标系下的第二位置信息，并在确定待 监测对象为停留状态且停留时间超过预设阈值的情况下，基于第二位 置信息判断待监测对象的停留区域，然后执行与判断结果对应的操作， 从而既可以确定待监测对象的位置，又可以确定待监测对象的停留区 域，实现快速对图像中的待监测对象进行识别和管理，提高了待监测 对象的识别效率以及管理效率。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使 用、加工、传输、提供和公开等处理，均符合相关法律法规的规定， 且不违背公序良俗。

继续参考图3，图3示出了根据本公开的识别方法的另一个实施 例的流程300。该识别方法包括以下步骤：

步骤301，获取目标图像。

步骤301与前述实施例的步骤201基本一致，具体实现方式可以 参考前述对步骤201的描述，此处不再赘述。

步骤302，利用预先训练的深度学习模型对目标图像进行检测， 得到待监测对象在目标图像中的位置信息，记为第一位置信息。

在本实施例中，识别方法的执行主体(例如图1所示的服务器105) 可以利用预先训练好的深度学习模型对目标图像进行检测，从而确定待 监测对象在目标图像中的位置信息，并将其记为第一位置信息。具体地， 上述执行主体可以将目标图像输入至预先训练好的深度学习模型中， 深度学习模型对该目标图像进行检测，输出得到待监测对象在目标图 像中的第一位置信息，从而提高了对待监测对象进行检测以及识别的 准确性。

步骤303，基于第一位置信息以及目标图像对应的转换矩阵，确 定待监测对象在世界坐标系下的位置信息，记为第二位置信息。

在本实施例中，上述执行主体可以基于第一位置信息以及目标图像 对应的转换矩阵，确定待监测对象在世界坐标系下的位置信息，记为 第二位置信息，其中，转换矩阵用于将像素坐标系下的位置转换为世 界坐标系下的位置。步骤303与前述实施例的步骤203基本一致，具 体实现方式可以参考前述对步骤203的描述，此处不再赘述。

在本实施例的一些可选实施方式中，通过自学习标定方式对目标 图像进行标定，得到目标图像对应的转换矩阵。

在本实现方式中，上述执行主体可通过自学习的标定方式来对目 标图像进行标定，从而得到目标图像对应的转换矩阵。自学习的标定 方式即无需手动给出标定信息，由系统自动学习并获得转换矩阵。在 自学习过程中，通过会对出现的常见目标，主要是对车辆进行关键点 检测，从而获取车辆投影坐标；然后根据车辆大致的长宽，计算转换 矩阵。在系统自学习的过程，多次使用获取的车辆投影，以迭代的方 式，学习到最佳的转换矩阵(即均方误差最小)。从而提升转换矩阵 的转换精度。

步骤304，基于第二位置信息判断待监测对象的停留区域。

在本实施例中，上述执行主体可以基于第二位置信息判断待监测对 象的停留区域。由于上述执行主体会预先根据实际的场景对待监测对 象可停留区域或待监测对象禁停区域等信息进行配置。所以，上述执 行主体会判断待监测对象的第二位置信息是否为预设的待监测对象可 停留区域或待监测对象禁停区域。

若待监测对象的停留区域为预设的禁停区域，则执行步骤305； 若待监测对象的停留区域为预设的可停留区域，则执行步骤306-309。

步骤305，响应于基于第二位置信息确定待监测对象的停留区域 为预设的禁停区域，将待监测对象的信息发送至告警模块。

在本实施例中，上述执行主体可以在基于第二位置信息确定待监测 对象的停留区域为预设的禁停区域的情况下，将待监测对象的信息发 送至告警模块。

例如，若摊贩目前停留区域为禁停区域，则上述执行主体将摊贩 的信息发送至告警模块，以使告警模块对摊贩进行告警，使摊贩尽快 离开，从而实现对摊贩的管理。其中，摊贩的信息可以包括摊贩的具 体位置信息、摊贩的描述信息等。

步骤306，响应于基于第二位置信息确定待监测对象的停留区域 为预设的可停留区域，计算待监测对象的面积。

在本实施例中，上述执行主体可以在基于第二位置信息确定待监测 对象的停留区域为预设的可停留区域的情况下，计算待监测对象的面积。 若待监测对象停留的区域为可停留区域，则会进一步计算待监测对象 的面积，从而全面地对待监测对象进行管理。

在本实施例的一些可选实施方式中，上述计算待监测对象的面积 包括：利用预先训练的深度学习模型确定待监测对象在目标图像中的 区域信息，记为第一区域信息；基于第一区域信息以及目标图像对应 的转换矩阵，确定待监测对象在世界坐标系下的区域信息，记为第二 区域信息；基于第二区域信息得到待监测对象的面积。

在本实现方式中，上述执行主体会利用预先训练的深度学习模型 来对目标图像进行检测以及区域分割，从而确定待监测对象在目标图 像中的区域信息，并将其记为第一区域信息。然后在基于目标图像的 转换矩阵得到待监测对象在世界坐标系下的区域信息，将其记为第二 区域信息，然后基于该第二区域信息便可计算待监测对象的面积。通 过对分割结果分析，从而获取待监测对象轮廓，根据前述计算出来的 转换矩阵，从而计算出轮廓点的实际坐标，进而得到待监测对象的面 积，提升了计算的准确性。

在本实施例的一些可选实施方式中，当待监测对象为三轮车摊贩 时，还需要知道三轮车摊贩的高度信息，此时，可以通过对行人进行 语义分割，从而学习到高度标定信息。然后根据高度标定信息，通过 切面法来获取三轮车摊贩的实际高度值，具体地，可以以三轮车摊贩 的两个轮胎关键点的连线作为水平方向，对摊贩区域进行分割，从而 获取垂直于该方向的最低点和最高点，进而获取三轮车摊贩的实际高 度值。

步骤307，响应于确定面积大于预设的面积阈值，将待监测对象 的信息发送至告警模块。

在本实施例中，上述执行主体可以在确定面积值大于预设的面积阈 值的情况下，将待监测对象的信息发送至告警模块。例如，摊贩的面积 超过了预设的面积阈值，则需要对摊贩进行管理，则上述执行主体将 摊贩的信息发送至告警模块，以使告警模块对摊贩进行告警，使摊贩 尽快离开，从而实现对摊贩的管理。

步骤308，响应于基于第二位置信息确定待监测对象的停留区域 为预设的可停留区域，获取待监测对象在可停留区域的时间信息。

在本实施例中，上述执行主体还可以获取待监测对象在可停留区域 的时间信息，由于上述执行主体会预先配置待监测对象的可运营时间信 息，所以，上述执行主体会获取待监测对象在该可停留区域的运营时间， 以判断其运营时间是否在预设的范围时间内。

步骤309，响应于确定时间信息在预设的时间范围外，将待监测 对象的信息发送至告警模块。

在本实施例中，上述执行主体可以在确定上述时间信息在预设的时 间范围外的情况下，将待监测对象的信息发送至告警模块。例如，若上 述时间信息在预设的摆摊范围时间外，则说明当前已不是摊贩可摆摊 的时间，则上述执行主体将摊贩的信息发送至告警模块，以使告警模 块对摊贩进行告警，使摊贩尽快离开，从而实现对摊贩的管理。

需要说明的是，本实施例中不限制步骤306-307与步骤308-309的 执行顺序，即步骤306-307与步骤308-309可以同时执行，或者步骤 306-307可以在步骤308-309之前执行，或者步骤306-307可以在步骤 308-309之后执行。

在本实施例的一些可选实施方式中，上述识别方法还包括：利用 预先训练的识别模型对待监测对象的行为进行识别，确定待监测对象 的状态；响应于确定待监测对象为消失状态且该待监测对象为告警过 的对象，生成该待监测对象的告警解除信息；将告警解除信息发送至 告警模块。

在本实现方式中，上述执行主体可以利用预先训练好的识别模型 对待监测对象的行为进行识别，从而确定待监测对象的状态，例如摊 贩为停留状态或者是流动状态或者是消失状态等，其中，识别模型可 以为ReID(Person re-identification，行人重识别)模型。若确定待监 测对象为消失状态且该待监测对象为之前已经告警过的对象，则说明 该待监测对象接收告警，并已经离开了告警区域，此时则可以生成告 警解除信息，并将该告警解除信息发送至告警模块，从而解除对该待 监测对象的告警。从而实现对待监测对象的全面管理。

在本实施例的一些可选实施方式中，当告警模块收到待监测对象 信息后，会生成待监测对象告警信息，并将该待监测对象告警信息发 送至前端告警平台，前端告警平台会统计相应时段内、该区域内的待 监测对象数量，并将该数量发送给相应的管理人员。例如，前端告警 平台会统计相应时段内、该区域内的摊贩数量，并将该数量发送给相 应的管理人员，以使管理人员及时了解摊贩的情况，并及时进行处理。

从图3中可以看出，与图2的实施例相比，该识别方法突出了基 于待监测对象的第二位置信息判断待监测对象的停留区域，并执行与 判断结果对应的操作的步骤，从而可以基于ReID模型确定待监测对 象的行为轨迹，并基于待监测对象停留的区域来对待监测对象采取不 同的管理措施，从而实现了对待监测对象的自动监控管理，提升了管 理效率。

继续参考图4，图4示出了根据本公开的识别方法的一个应用场 景的示意图。在该应用场景中，执行主体402首先会获取目标图像401， 该目标图像可由相机采集得到的。然后，上述执行主体会利用预先训 练的深度学习模型对目标图像进行检测，从而确定摊贩在目标图像中 的位置信息，并将其记为第一位置信息。之后，上述执行主体会基于 该第一位置信息以及目标图像对应的转换矩阵，确定摊贩在世界坐标 系下的位置信息，并将其记为第二位置信息。最后，上述执行主体在 确定摊贩为停留状态且停留时间超过预设阈值的情况下，基于上述第 二位置信息判断摊贩的停留区域，并执行与判断结果对应的操作，从 而实现对摊贩的自动识别及管理，提升了对摊贩的识别效率以及管理 效率。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供 了一种识别装置的一个实施例，该装置实施例与图2所示的方法实施 例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的识别装置500包括：第一获取模块501、 第一确定模块502、第二确定模块503和执行模块504。其中，第一获 取模块501，被配置成获取目标图像；第一确定模块502，被配置成确 定待监测对象在目标图像中的位置信息，记为第一位置信息；第二确 定模块503，被配置成基于第一位置信息以及目标图像对应的转换矩 阵，确定待监测对象在世界坐标系下的位置信息，记为第二位置信息， 其中，转换矩阵用于将像素坐标系下的位置转换为世界坐标系下的位 置；执行模块504，被配置成响应于确定待监测对象为停留状态且停 留时间超过预设阈值，基于第二位置信息判断待监测对象的停留区域， 执行与判断结果对应的操作。

在本实施例中，识别装置500中：第一获取模块501、第一确定 模块502、第二确定模块503和执行模块504的具体处理及其所带来 的技术效果可分别参考图2对应实施例中的步骤201-204的相关说明， 在此不再赘述。

在本实施例的一些可选的实现方式中，第一确定模块包括：第一 确定子模块，被配置成利用预先训练的深度学习模型对目标图像进行 检测，得到待监测对象在目标图像中的位置信息。

在本实施例的一些可选的实现方式中，上述识别装置500还包 括：标定模块，被配置成通过自学习标定方式对目标图像进行标定， 得到目标图像对应的转换矩阵。

在本实施例的一些可选的实现方式中，执行模块包括：第二确定 子模块，被配置成响应于基于第二位置信息确定待监测对象的停留区 域为预设的禁停区域，将待监测对象的信息发送至告警模块。

在本实施例的一些可选的实现方式中，执行模块包括：第三确定 子模块，被配置成响应于基于第二位置信息确定待监测对象的停留区 域为预设的可停留区域，计算待监测对象的面积；发送子模块，被配 置成响应于确定面积大于预设的面积阈值，将待监测对象的信息发送 至告警模块。

在本实施例的一些可选的实现方式中，第三确定子模块包括：第 一确定单元，被配置成利用预先训练的深度学习模型确定待监测对象 在目标图像中的区域信息，记为第一区域信息；第二确定单元，被配 置成基于第一区域信息以及目标图像对应的转换矩阵，确定待监测对 象在世界坐标系下的区域信息，记为第二区域信息；得到单元，被配 置成基于第二区域信息得到待监测对象的面积。

在本实施例的一些可选的实现方式中，上述识别装置500还包括： 第二获取模块，被配置成获取待监测对象在可停留区域的时间信息； 第一发送模块，被配置成响应于确定时间信息在预设的时间范围外， 将待监测对象的信息发送至告警模块。

在本实施例的一些可选的实现方式中，上述识别装置500还包括： 识别模块，被配置成利用预先训练的识别模型对待监测对象的行为进 行识别，确定待监测对象的状态；生成模块，被配置成响应于确定待 监测对象为消失状态且该待监测对象为告警过的对象，生成该待监测 对象的告警解除信息；第二发送模块，被配置成将告警解除信息发送 至告警模块。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读 存储介质和一种计算机程序产品。

图6示出了可以用来实施本公开的实施例的示例电子设备600的 示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上 型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服 务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种 形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿 戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、 以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者 要求的本公开的实现。

如图6所示，设备600包括计算单元601，其可以根据存储在只 读存储器(ROM)602中的计算机程序或者从存储单元608加载到随 机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作 和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。 输入/输出(I/O)接口605也连接至总线604。

设备600中的多个部件连接至I/O接口605，包括：输入单元606， 例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器 等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、 调制解调器、无线通信收发机等。通信单元609允许设备600通过诸 如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元601可以是各种具有处理和计算能力的通用和/或专用 处理组件。计算单元601的一些示例包括但不限于中央处理单元 (CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯 片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上 文所描述的各个方法和处理，例如识别方法。例如，在一些实施例中， 识别方法可被实现为计算机软件程序，其被有形地包含于机器可读介 质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部 可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600 上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执 行上文描述的识别方法的一个或多个步骤。备选地，在其他实施例中， 计算单元601可以通过其他任何适当的方式(例如，借助于固件)而 被配置为执行识别方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电 路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路 (ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负 载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的 组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算 机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理 器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通 用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个 输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该 至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言 的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算 机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由 处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实 施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独 立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远 程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以 包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、 装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介 质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁 性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者 上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基 于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储 器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM 或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学 储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和 技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT (阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向 装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交 互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视 觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声 输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统 (例如，作为数据服务器)、或者包括中间件部件的计算系统(例如， 应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户 界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或 者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者 包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系 统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络) 来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、 广域网(WAN)和互联网。

云计算(cloud computer)，指的是通过网络接入弹性可扩展的共 享物理或虚拟资源池，资源可以包括服务器、操作系统、网络、软件、 应用或存储设备等，并可以以按需、自服务的方式对资源进行部署和 管理的技术体系。通过云计算技术，可以为人工智能、区块链等技术 应用、模型训练提供高效强大的数据处理能力。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离 彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并 且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器 的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或 者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增 加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可 以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技 术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域 技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修 改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修 改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (19)

1.一种识别方法，包括：

获取目标图像；

确定待监测对象在所述目标图像中的位置信息，记为第一位置信息；

基于所述第一位置信息以及所述目标图像对应的转换矩阵，确定所述待监测对象在世界坐标系下的位置信息，记为第二位置信息，其中，所述转换矩阵用于将像素坐标系下的位置转换为世界坐标系下的位置；

响应于确定所述待监测对象为停留状态且停留时间超过预设阈值，基于所述第二位置信息判断所述待监测对象的停留区域，执行与判断结果对应的操作。

2.根据权利要求1所述的方法，其中，所述确定待监测对象在所述目标图像中的位置信息，包括：

利用预先训练的深度学习模型对所述目标图像进行检测，得到所述待监测对象在所述目标图像中的位置信息。

3.根据权利要求1所述的方法，还包括：

通过自学习标定方式对所述目标图像进行标定，得到所述目标图像对应的转换矩阵。

4.根据权利要求1-3中任一项所述的方法，其中，所述基于所述第二位置信息判断所述待监测对象的停留区域，执行与判断结果对应的操作，包括：

响应于基于所述第二位置信息确定所述待监测对象的停留区域为预设的禁停区域，将所述待监测对象的信息发送至告警模块。

5.根据权利要求1-4中任一项所述的方法，其中，所述基于所述第二位置信息判断所述待监测对象的停留区域，执行与判断结果对应的操作，包括：

响应于基于所述第二位置信息确定所述待监测对象的停留区域为预设的可停留区域，计算所述待监测对象的面积；

响应于确定所述面积大于预设的面积阈值，将所述待监测对象的信息发送至告警模块。

6.根据权利要求5所述的方法，其中，所述计算所述待监测对象的面积，包括：

利用预先训练的深度学习模型确定所述待监测对象在所述目标图像中的区域信息，记为第一区域信息；

基于所述第一区域信息以及所述目标图像对应的转换矩阵，确定所述待监测对象在世界坐标系下的区域信息，记为第二区域信息；

基于所述第二区域信息得到所述待监测对象的面积。

7.根据权利要求5所述的方法，还包括：

获取待监测对象在所述可停留区域的时间信息；

响应于确定所述时间信息在预设的时间范围外，将所述待监测对象的信息发送至告警模块。

8.根据权利要求1-7中任一项所述的方法，还包括：

利用预先训练的识别模型对所述待监测对象的行为进行识别，确定所述待监测对象的状态；

响应于确定所述待监测对象为消失状态且该待监测对象为告警过的对象，生成该待监测对象的告警解除信息；

将所述告警解除信息发送至告警模块。

9.一种识别装置，包括：

第一获取模块，被配置成获取目标图像；

第一确定模块，被配置成确定待监测对象在所述目标图像中的位置信息，记为第一位置信息；

第二确定模块，被配置成基于所述第一位置信息以及所述目标图像对应的转换矩阵，确定所述待监测对象在世界坐标系下的位置信息，记为第二位置信息，其中，所述转换矩阵用于将像素坐标系下的位置转换为世界坐标系下的位置；

执行模块，被配置成响应于确定所述待监测对象为停留状态且停留时间超过预设阈值，基于所述第二位置信息判断所述待监测对象的停留区域，执行与判断结果对应的操作。

10.根据权利要求9所述的装置，其中，所述第一确定模块包括：

第一确定子模块，被配置成利用预先训练的深度学习模型对所述目标图像进行检测，得到所述待监测对象在所述目标图像中的位置信息。

11.根据权利要求9所述的装置，还包括：

标定模块，被配置成通过自学习标定方式对所述目标图像进行标定，得到所述目标图像对应的转换矩阵。

12.根据权利要求9-11中任一项所述的装置，其中，所述执行模块包括：

第二确定子模块，被配置成响应于基于所述第二位置信息确定所述待监测对象的停留区域为预设的禁停区域，将所述待监测对象的信息发送至告警模块。

13.根据权利要求9-12中任一项所述的装置，其中，所述执行模块包括：

第三确定子模块，被配置成响应于基于所述第二位置信息确定所述待监测对象的停留区域为预设的可停留区域，计算所述待监测对象的面积；

发送子模块，被配置成响应于确定所述面积大于预设的面积阈值，将所述待监测对象的信息发送至告警模块。

14.根据权利要求13所述的装置，其中，所述第三确定子模块包括：

第一确定单元，被配置成利用预先训练的深度学习模型确定所述待监测对象在所述目标图像中的区域信息，记为第一区域信息；

第二确定单元，被配置成基于所述第一区域信息以及所述目标图像对应的转换矩阵，确定所述待监测对象在世界坐标系下的区域信息，记为第二区域信息；

得到单元，被配置成基于所述第二区域信息得到所述待监测对象的面积。

15.根据权利要求13所述的装置，还包括：

第二获取模块，被配置成获取待监测对象在所述可停留区域的时间信息；

第一发送模块，被配置成响应于确定所述时间信息在预设的时间范围外，将所述待监测对象的信息发送至告警模块。

16.根据权利要求9-15中任一项所述的装置，还包括：

识别模块，被配置成利用预先训练的识别模型对所述待监测对象的行为进行识别，确定所述待监测对象的状态；

生成模块，被配置成响应于确定所述待监测对象为消失状态且该待监测对象为告警过的对象，生成该待监测对象的告警解除信息；

第二发送模块，被配置成将所述告警解除信息发送至告警模块。

17.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。

18.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-8中任一项所述的方法。

19.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的方法。

Images