CN110659546A - 一种违法摊位检测方法及装置 - Google Patents

Abstract

本申请提供一种违法摊位检测方法和装置，该方法为：获取待检测场所对应的视频帧；利用训练好的检测模型对该视频帧进行目标检测，得到第一摊位，第一摊位为形态固定摊位；利用训练好的分割模型对该视频帧进行图像分割，并对分割结果进行连通域处理得到第二摊位，第二摊位为形态多变摊位；获取预先配置的该待检测场所的不允许摆摊区域；将第一摊位和第二摊位中与不允许摆摊区域的重叠区域达到设定阈值的摊位认为是违法摊位。本方法充分利用检测模型与分割模型各自的优势与短板，对摊位违法进行高效检测，不仅能够降低人力成本，维护城市交通管理秩序，而且可以为城市监管部门提供实时参考信息，方便管理，有效提高摊位管理效率，缓解乱摆摊问题。

Description

一种违法摊位检测方法及装置

技术领域

本申请涉及视频图像监控领域，尤其涉及一种违法摊位检测方法及装置。

背景技术

违法摆摊经营，是指经营者占用城市道路、桥梁及城市广场等公共场所进行盈利性买卖商品或服务的行为。随着城市的不断发展，出店经营者和居民的利益冲突不断升级，许多出店经营者为挤占市民公共道路资源，严重破坏城市市容和经营秩序，其经营行为的弊端日益显现，城管部门对其取缔和整治任务迫在眉睫。

城管部门可以通过城市治安动态视频监控系统对违法摆摊事件进行监控。城市治安动态视频监控系统是以打击、预防违法犯罪为目的，在治安复杂场所、重点部位、主要街道、案件多发地段、重要路口、卡口等地点设立视频监控点，将监控图像实时传输到各级公安机关和其它相关部门，通过对图像的浏览、记录等方式，使各级公安机关和其它相关部门直观地了解和掌握监控区域的治安动态的视频监控系统。

目前的视频监控系统大多采取传统的人工判读方法，需要工作人员日夜值守在视频图像前，不间断地用肉眼判断视频图像中是否出现突发的异常情况。这种监控方式工作量繁重，难免会让人体感官进入疲劳状态，致使出现异常事件漏检或是误检的问题。而且随着视频监控区域的不断增多，待处理的视频数据量也远远超出人力判读的能力范围，使得从海量视频数据中获取有用的信息变得异常困难，无法满足视频实时监控及报警的需求。

发明内容

有鉴于此，本申请提供一种违法摊位检测方法及装置，用以对摊位违法进行高效检测，缓解乱摆摊问题。

具体地，本申请是通过如下技术方案实现的：

本申请第一方面，提供了一种违法摊位检测方法，其特征在于，包括：

获取待检测场所对应的视频帧；

利用训练好的检测模型对所述视频帧进行目标检测，得到第一摊位，所述第一摊位为形态固定摊位；

利用训练好的分割模型对所述视频帧进行图像分割，并对分割结果进行连通域处理得到第二摊位，所述第二摊位为形态多变摊位；

获取预先配置的所述待检测场所的不允许摆摊区域；

将所述第一摊位和所述第二摊位中与所述不允许摆摊区域的重叠区域达到设定阈值的摊位，认为是违法摊位。

本申请第二方面，提供了一种违法摊位检测装置，具有实现上述第一方面提供的方法的功能。所述功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的模块或单元。

一种实现方式中，所述装置可以包括：

视频帧获取模块，用于获取待检测场所对应的视频帧；

目标检测模块，用于利用训练好的检测模型对所述视频帧进行目标检测，得到第一摊位，所述第一摊位为形态固定摊位；

目标分割模块，用于利用训练好的分割模型对所述视频帧进行图像分割，并对分割结果进行连通域处理得到第二摊位，所述第二摊位为形态多变摊位；

配置获取模块，用于获取预先配置的所述待检测场所的不允许摆摊区域；

检测判断模块，用于将所述第一摊位和所述第二摊位中与所述不允许摆摊区域的重叠区域达到设定阈值的摊位，认为是违法摊位。

另一种实现方式中，所述装置可以包括处理器、存储器和总线，所述处理器和所述存储器之间通过总线相互连接；所述存储器中存储机器可读指令，所述处理器通过调用所述机器可读指令，执行本申请第一方面提供的方法。

本申请第三方面，提供了一种机器可读存储介质，所述机器可读存储介质存储有机器可读指令，所述机器可读指令在被处理器调用和执行时，所述机器可读指令促使所述处理器实现本申请第一方面提供的方法

由以上技术方案可以看出，本申请中，本申请实现了基于深度学习的目标检测算法，对应完成了摊位目标检测模型的训练，主要针对一致性较高的摊位进行检测，对大部分的违法摊位有很高的检出率；以及，本申请采用深度学习理论，采用语义网络模型进行目标分割，对应完成了摊位目标分割模型的训练，能对形态多变的摊位群进行分割定位，充分利用目标检测与目标分割的优势，对场景内各种摊位实现了高效检出；综上所述，本申请对摊位违法进行高效检测，不仅能够降低人力成本，维护城市交通管理秩序，而且可以为城市监管部门提供实时参考信息，方便管理，有效提高摊位管理效率，缓解乱摆摊问题。

附图说明

图1是本申请实施例提供的形态固定摊位的示意图；

图2是本申请实施例提供的形态多变摊位的示意图；

图3是本申请实施例提供的相机俯仰角的定义示意图；

图4是本申请实施例提供的违法摊位检测方法的流程图；

图5是本申请实施例提供的图4所示步骤405的实现流程图；

图6是本申请实施例提供的产生告警的实现流程图；

图7是本申请实施例提供的装置模块框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

随着计算机技术的飞速发展，智能化在数字安全防范领域也得到了越来越多的应用。可以考虑在视频监控中加入视频的智能分析，从而对所关注的视频源进行实时分析，有效避免信息遗漏，使各种违法摆摊行为(如出店经营、游商摊贩)在发生之初就被发现，并提醒值班人员。

基于这一思想，本申请实施例提出了一种采用以深度学习技术为基础的目标检测与目标分割算法，将大量样本分别按目标检测所设定的标定规则训练获得检测模型，按目标分割所设定的标定规则训练获得分割模型，充分利用检测模型与分割模型各自的优势与短板，通过检测模型对一致性较高的摊位进行定位检测，并通过分割模型对形态多变的摊位进行精确定位分割，完成对监控视野中当前帧所有摊位的检测定位任务；根据分析出的摊位和预先配置的违法摆摊区域进行违法判断。最后，通过综合分析连续一定数量帧的摊位信息，针对在连续多帧都被确定为的摊位进行告警。

本申请实施例可以包括深度学习网络的训练过程和应用过程。下面首先介绍训练过程。

本申请实施例需要训练两种深度学习网络，一种为用于检测形态固定摊位的检测模型，另一种为用于分割形态多变摊位的分割模型。其中，形态固定摊位多为一致性较高的单个摊位，所占面积较小，其示意图可参见图1；形态多变摊位所占区域较大，其示意图可参见图2。

这里先介绍检测模型的训练过程：

第一步，样本搜集。获取不同时间段、不同天气(如晴天、雨天、多云等)、不同光照强度(如白天、黑夜)、和不同监控相机架设、不同场景(即地点)中的一种或任意两种或任意三种或任意三种或全部条件下的摊位图片样本。

这里的监控相机架设包括相机俯仰角和相机成像质量。作为一个实施例，为提高检测效果，本申请实施例可以对相机俯仰角和相机成像质量提出以下要求：

1)相机俯仰角限制为15～90度。如图3所示，相机俯仰角指相机与检测目标(在本申请实施例中指摊位)的连线与路面的夹角；相机俯仰角决定了监控相机的监控范围；俯仰角越小，监控范围越大，但相应的拍摄到的检测目标的像素也会越小；

2)在成像图像上，要求一致性较高的单个摊位宽度为80～900个像素范围，形态多变的摊位群区域面积大于200像素。

需要说明的是，当相机俯仰角和/或相机成像质量不满足以上条件时，本方案对摊位的检测和分割依然具有一定效果。

第二步，样本标定。通过外接矩形对摊位图片样本中的一致性较高的形态固定摊位(如手推车、车载摊位、桌椅等)进行标定，标定获得是包含摊位在内的矩形框，参考图1中的白框所示。

第三步，样本训练。利用预先搭建的第一深度学习网络对已标定的摊位图片样本进行一定数量的训练后，得到训练好的检测模型。

在应用中，可以基于Caffe(Convolutional Architecture for Fast FeatureEmbedding，卷积神经网络框架)环境，采用深度学习网络结构迭代100万次以上达到收敛，得到检测模型。

下面再介绍分割模型的训练过程：

第一步，样本搜集。获取不同时间段、不同天气、不同光照强度、不同监控相机架设、不同场景中的一种或任意两种或任意三种或任意四种或全部条件下的摊位图片样本。

有关监控相机架设的描述可以参考检测模型部分，这里不再赘述。

第二步，样本标定。目标分割标定规则与目标检测标定规则不同，目标分割采用的是逐像素标定，对摊位图片样本中的摊位区域、背景共两类目标进行标定，标定获得的是形态多变摊位的轮廓。

第三步，样本训练。利用预先搭建的第二深度学习网络对已标定的摊位图片样本进行一定数量的训练后，得到训练好的分割模型。

在应用中，可以基于Caffe环境，采用深度学习语义分割网络结构迭代100万次以上达到收敛，得到分割模型。

基于上面训练好的检测模型和分割模型，下面通过图4所示流程描述本申请提供的违法摊位检测方法，本方法可以应用于监控相机，也可以应用于连接监控相机的后端服务器。参见图4，本方法可包括以下步骤：

步骤401：获取待检测场所对应的视频帧。

这里，可以通过监控相机采集待检测对应的视频帧。在一个例子中，该监控相机在该待检测场所的架设满足以下条件：该监控相机和摊位之间的连线与路面的夹角为15度至90度。

本实施例中，可以对原始视频流中的每一帧执行图4所示方法；或者，考虑到每秒帧数可能多达20多帧，而相邻帧的画面变化非常细微，所以为了减少处理量，也可以对原始视频流进行采样后，对采样后的视频帧执行图4包括的步骤。

在应用中，一般会将视频帧转换成RGB格式后，再对RGB格式的视频帧执行图4包括的步骤。

步骤402：利用训练好的检测模型对获取的视频帧进行目标检测，得到第一摊位，第一摊位为形态固定摊位。

由于目标检测的优势，可以较容易地从视频帧中检测出一致性较高的第一摊位及其位置坐标。需要说明的是，在本申请实施例中，第一摊位并不特指某一固定的摊位，而是指代检测模型检测到的一个或多个摊位。

步骤403：利用训练好的分割模型对同一视频帧进行图像分割，并对分割结果进行CCL(Connected Component Analysis-Labeling，连通域处理)得到第二摊位，第二摊位为形态多变摊位。

由于目标分割的优势，可以较容易地从视频帧中分割出检测模型可能遗漏的一致性较低的第二摊位的轮廓；之后可以对第二摊位的轮廓进行形态学膨胀腐蚀去除噪声区域，再利用CCL提取出包含第二摊位轮廓在内的外接矩形和该外接矩形的位置坐标，即第二摊位的位置坐标。

同样的，这里的第二摊位也并不特指某一固定的摊位，而是指代检测模型检测到的一个或多个摊位。需要说明的是，第一摊位和第二摊位中可能包括相同的摊位，因此在执行步骤405之前，可以先对第一摊位和第二摊位进行去重处理。

步骤404：获取预先配置的该待检测场所的不允许摆摊区域。

这里的不允许摆摊区域可以是人为针对该视频帧所显示的区域画面配置的不允许出现摊位的区域，可以用一个或多个矩形框的坐标表示。

步骤405：将第一摊位和第二摊位中与上述不允许摆摊区域的重叠区域达到设定阈值的摊位，认为是违法摊位。

在一个可选的实施例中，步骤405所描述的过程可通过图5所示的方法实现：

步骤501：输入从当前视频帧识别出的第一摊位和第二摊位的位置坐标；

步骤502：令变量i＝0；

步骤503：判断i是否小于从当前视频帧识别出的摊位总数；如果是执行步骤504；如果否执行步骤507；

步骤504：从第一摊位和第二摊位中筛选出一个未处理过的摊位，判断该摊位的位置坐标是否与预设的不允许摆摊区域的位置坐标存在重叠，且重叠区域达到设定阈值；如果是执行步骤505，如果否执行步骤506；

举例来说，假设一摊位的左上角坐标为(50，50)，右下角坐标为(60，60)，预设的不允许摆摊区域的左上角坐标为(0，100)，右下角坐标为(100，0)；则该摊位区域与预设的不允许摆摊区域存在重叠，且重叠区域达到了100像素值。

步骤505：保存该摊位的位置坐标，并继续执行步骤506；

步骤506：将i值加1，并返回执行步骤503；

步骤507：将保存的摊位坐标确认是违法摊位的位置坐标。

通过步骤401-405和步骤501-507，可以确定出单视频帧的违法摊位信息。

作为一个实施例，相比单纯地利用单视频帧的违法摊位识别结果作出报警，利用多视频帧的识别结果更加可以达到防误检的效果，具体实现方式如下：

1)针对各监控相机所监控的场所建立对应的违法记录，违法记录初建立时内容为空。

2)在确定出当前视频帧中包括的违法摊位后，获取确定出的违法摊位的位置坐标；然后，确定当前视频帧所监控的待检测场所。

3)针对从当前视频帧识别出的每一违法摊位的位置坐标，判断该待检测场所的违法记录中是否已包括该违法摊位的位置坐标；

如果不包括，则将该违法摊位的位置坐标添加到该违法记录中，并将该位置坐标被检测到的违法帧数置为1，以及将该位置坐标对应的允许短暂消失帧数置为初始值，这个初始值可以是一个大于0的整数。这里统计同一位置坐标被检测到的违法帧数是为了防止出现误检测，这里设置允许短暂消失帧数的目的是提高违法摊位的检出率，避免因在之后某一帧检测不到该违法摊位而错误地认为待检测场所中不存在该违法摊位。

如果该待检测场所的违法记录中包括该违法摊位的位置坐标，则可以将该违法记录中记录的该位置坐标被检测到的违法帧数加1，至于该违法记录中记录的该位置坐标对应的允许短暂消失帧数，可以选择重置为初始值，也可以选择保持不变。然后，判断加1后的违法帧数是否等于设定阈值，如果等于设定阈值则针对该待检测场景产生告警，反之，如果违法帧数小于或者大于设定阈值。则不产生告警，这样可以避免针对同一场所重复报警。

5)针对该待检测场所的违法记录中与从当前帧识别出的违法摊位的位置坐标不一致的每个其它位置坐标，将该其它位置坐标对应的允许短暂消失帧数减1；并判断减1后的允许短暂消失帧数是否为0，如果是将该其它位置坐标从该待检测场所的违法记录中删除。

在一个可选的实施例中，产生告警的过程可通过图6所示的方法实现：

步骤601：输入从当前视频帧识别出的违法摊位的位置坐标，以及更新后的各位置坐标被检测到的违法帧数；

步骤602：令变量i＝0；

步骤603：判断i是否小于从当前帧识别出的违法摊位的总数；如果是执行步骤604，如果否执行步骤606。

步骤604：从上述违法摊位的位置坐标中筛选出一个未处理过的位置坐标，更新该位置坐标的状态；

具体的，可以通过以下方式更新位置坐标的状态：如果该位置坐标被检测到的违法帧数小于设定阈值，则更新该位置坐标的属性为“嫌疑违法目标”；如果该位置坐标被检测到的违法帧数等于该设定阈值，则更新该位置坐标的属性为“新违法目标”；如果该位置坐标被检测到的违法帧数大于该设定阈值，则更新该位置坐标的属性为“已上报违法目标”；

步骤605：将i值加1，并返回执行步骤603；

步骤606：对当前视频帧中识别出的属性为“新违法目标”的违法摊位的位置坐标进行告警。

至此，完成对本申请提供的方法的描述。

由以上描述可知，本申请实现了基于深度学习的目标检测算法，对应完成了摊位目标检测模型的训练，主要针对一致性较高的摊位进行检测，对大部分的违法摊位有很高的检出率；

进一步地，本申请采用深度学习理论，采用语义网络模型进行目标分割，对应完成了摊位目标分割模型的训练，能对形态多变的摊位群进行分割定位，充分利用目标检测与目标分割的优势，对场景内各种摊位实现了高效检出；

进一步地，本申请提出了利用多帧统计信息实现摊位是否违法的判断逻辑，相比单纯的利用单帧检测信息作出判断，具有提高检出率、排除误触发、防止重复报警等优点；

综上所述，本申请对摊位违法进行高效检测，不仅能够降低人力成本，维护城市交通管理秩序，而且可以为城市监管部门提供实时参考信息，方便管理，有效提高摊位管理效率，缓解乱摆摊问题。

以上对本申请提供的方法进行了描述。下面对本申请提供的装置进行描述。

参见图7，图7为本申请提供的违法摊位检测装置的功能模块图。如图7所示，该装置包括：

视频帧获取模块701，用于获取待检测场所对应的视频帧；

目标检测模块702，用于利用训练好的检测模型对所述视频帧进行目标检测，得到第一摊位，所述第一摊位为形态固定摊位；

目标分割模块703，用于利用训练好的分割模型对所述视频帧进行图像分割，并对分割结果进行连通域处理得到第二摊位，所述第二摊位为形态多变摊位；

配置获取模块704，用于获取预先配置的所述待检测场所的不允许摆摊区域；

检测判断模块705，用于将所述第一摊位和所述第二摊位中与所述不允许摆摊区域的重叠区域达到设定阈值的摊位，认为是违法摊位。

在其中一种实施方式中，所述装置还可以包括：

统计模块，用于获取所述违法摊位的位置坐标；针对获取的每一违法摊位的位置坐标，判断所述待检测场所的违法记录中是否已包括该位置坐标；如果不包括，则将该位置坐标添加到所述违法记录中，并将该位置坐标被检测到的违法帧数置为1，以及将该位置坐标对应的允许短暂消失帧数置为初始值。

在其中一种实施方式中，所述统计模块，还用于如果所述待检测场所的违法记录中包括该位置坐标，则将所述违法记录中记录的该位置坐标被检测到的违法帧数加1；并判断加1后的违法帧数是否等于设定阈值，如果等于则针对所述待检测场景产生告警。

在其中一种实施方式中，所述统计模块，还用于针对所述违法记录中与所述违法摊位的位置坐标不一致的其它位置坐标，将该其它位置坐标对应的允许短暂消失帧数减1；并判断减1后的允许短暂消失帧数是否为0，如果是则将该其它位置坐标从所述违法记录中删除。

在其中一种实施方式中，所述目标检测模块702可以通过以下方式训练得到所述检测模型：获取不同时间段、不同天气、不同光照强度、不同监控相机架设、不同场景中的一种或多种条件下的摊位图片样本，所述摊位图片样本上通过外接矩形标记出形态固定的摊位；利用预先搭建的第一深度学习网络对所述摊位图片样本进行一定数量的训练后，得到训练好的检测模型。

在其中一种实施方式中，所述目标分割模块703可以通过以下方式训练得到所述分割模型：获取不同时间段、不同天气、不同光照强度、不同监控相机架设、不同场景中的一种或多种条件下的摊位图片样本，所述摊位图片样本上通过像素标定方式标记出形态多变的摊位的轮廓；利用预先搭建的第二深度学习网络对所述摊位图片样本进行一定数量的训练后，得到训练好的分割模型。

在其中一种实施方式中，所述视频帧获取模块701，用于通过监控相机采集所述待检测场所对应的视频帧，其中，所述监控相机在所述待检测场所的架设满足以下条件：所述监控相机和摊位之间的连线与路面的夹角为15度至90度。

需要说明的是，本申请实施例中对单元的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。在本申请的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。

至此，完成图7所示装置的描述。

本申请还提供一种违法摊位检测装置装置，包括处理器、存储器和总线，所述处理器和所述存储器之间通过总线相互连接；所述存储器中存储机器可读指令，所述处理器通过调用所述机器可读指令，以实现如图4所示的方法。

此外，本申请还提供了一种机器可读存储介质，所述机器可读存储介质存储有机器可读指令，所述机器可读指令在被处理器调用和执行时，所述机器可执行指令促使所述处理器实现图4所示的方法。

以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。

Claims (16)

1.一种违法摊位检测方法，其特征在于，包括：

获取待检测场所对应的视频帧；

利用训练好的检测模型对所述视频帧进行目标检测，得到第一摊位，所述第一摊位为形态固定摊位；

利用训练好的分割模型对所述视频帧进行图像分割，并对分割结果进行连通域处理得到第二摊位，所述第二摊位为形态多变摊位；

获取预先配置的所述待检测场所的不允许摆摊区域；

将所述第一摊位和所述第二摊位中与所述不允许摆摊区域的重叠区域达到设定阈值的摊位，认为是违法摊位。

2.如权利要求1所述的方法，其特征在于，在将所述第一摊位和所述第二摊位中与所述不允许摆摊区域的重叠区域达到设定阈值的摊位认为是违法摊位之后，所述方法还包括：

获取所述违法摊位的位置坐标；

针对获取的每一违法摊位的位置坐标，判断所述待检测场所的违法记录中是否已包括该位置坐标；

如果不包括，则将该位置坐标添加到所述违法记录中，并将该位置坐标被检测到的违法帧数置为1，以及将该位置坐标对应的允许短暂消失帧数置为初始值。

3.如权利要求2所述的方法，其特征在于，所述方法还包括：

如果所述待检测场所的违法记录中包括该位置坐标，则将所述违法记录中记录的该位置坐标被检测到的违法帧数加1；并判断加1后的违法帧数是否等于设定阈值，如果等于则针对所述待检测场景产生告警。

4.如权利要求2所述的方法，其特征在于，所述方法还包括：

针对所述违法记录中与所述违法摊位的位置坐标不一致的其它位置坐标，将该其它位置坐标对应的允许短暂消失帧数减1；并判断减1后的允许短暂消失帧数是否为0，如果是则将该其它位置坐标从所述违法记录中删除。

5.如权利要求1所述的方法，其特征在于，所述检测模型通过以下方式训练得到：

获取不同时间段、不同天气、不同光照强度、不同监控相机架设和不同场景中的一种或多种条件下的摊位图片样本，所述摊位图片样本上通过外接矩形标记出形态固定的摊位；

利用预先搭建的第一深度学习网络对所述摊位图片样本进行一定数量的训练后，得到训练好的检测模型。

6.如权利要求1所述的方法，其特征在于，所述分割模型通过以下方式训练得到：

获取不同时间段、不同天气、不同光照强度、不同监控相机架设和不同场景中的一种或多种条件下的摊位图片样本，所述摊位图片样本上通过像素标定方式标记出形态多变的摊位的轮廓；

利用预先搭建的第二深度学习网络对所述摊位图片样本进行一定数量的训练后，得到训练好的分割模型。

7.如权利要求1至6中任一项所述的方法，其特征在于，所述获取待检测场所对应的视频帧，包括：

通过监控相机采集所述待检测场所对应的视频帧，其中，所述监控相机在所述待检测场所的架设满足以下条件：

所述监控相机和摊位之间的连线与路面的夹角为15度至90度。

8.一种违法摊位检测装置，其特征在于，包括：

视频帧获取模块，用于获取待检测场所对应的视频帧；

目标检测模块，用于利用训练好的检测模型对所述视频帧进行目标检测，得到第一摊位，所述第一摊位为形态固定摊位；

目标分割模块，用于利用训练好的分割模型对所述视频帧进行图像分割，并对分割结果进行连通域处理得到第二摊位，所述第二摊位为形态多变摊位；

配置获取模块，用于获取预先配置的所述待检测场所的不允许摆摊区域；

检测判断模块，用于将所述第一摊位和所述第二摊位中与所述不允许摆摊区域的重叠区域达到设定阈值的摊位，认为是违法摊位。

9.如权利要求8所述的装置，其特征在于，所述装置还包括：

统计模块，用于获取所述违法摊位的位置坐标；针对获取的每一违法摊位的位置坐标，判断所述待检测场所的违法记录中是否已包括该位置坐标；如果不包括，则将该位置坐标添加到所述违法记录中，并将该位置坐标被检测到的违法帧数置为1，以及将该位置坐标对应的允许短暂消失帧数置为初始值。

10.如权利要求9所述的装置，其特征在于，

所述统计模块，还用于如果所述待检测场所的违法记录中包括该位置坐标，则将所述违法记录中记录的该位置坐标被检测到的违法帧数加1；并判断加1后的违法帧数是否等于设定阈值，如果等于则针对所述待检测场景产生告警。

11.如权利要求9所述的装置，其特征在于，

所述统计模块，还用于针对所述违法记录中与所述违法摊位的位置坐标不一致的其它位置坐标，将该其它位置坐标对应的允许短暂消失帧数减1；并判断减1后的允许短暂消失帧数是否为0，如果是则将该其它位置坐标从所述违法记录中删除。

12.如权利要求8所述的装置，其特征在于，所述目标检测模块通过以下方式训练得到所述检测模型：

获取不同时间段、不同天气、不同光照强度、不同监控相机架设、不同场景中的一种或多种条件下的摊位图片样本，所述摊位图片样本上通过外接矩形标记出形态固定的摊位；

利用预先搭建的第一深度学习网络对所述摊位图片样本进行一定数量的训练后，得到训练好的检测模型。

13.如权利要求8所述的装置，其特征在于，所述目标分割模块通过以下方式训练得到所述分割模型：

获取不同时间段、不同天气、不同光照强度、不同监控相机架设、不同场景中的一种或多种条件下的摊位图片样本，所述摊位图片样本上通过像素标定方式标记出形态多变的摊位的轮廓；

利用预先搭建的第二深度学习网络对所述摊位图片样本进行一定数量的训练后，得到训练好的分割模型。

14.如权利要求8至13中任一项所述的装置，其特征在于，

所述视频帧获取模块，用于通过监控相机采集所述待检测场所对应的视频帧，其中，所述监控相机在所述待检测场所的架设满足以下条件：

所述监控相机和摊位之间的连线与路面的夹角为15度至90度。

15.一种违法摊位检测装置，其特征在于，包括处理器、存储器和总线，所述处理器和所述存储器之间通过总线相互连接；

所述存储器中存储机器可读指令，所述处理器通过调用所述机器可读指令，执行如权利要求1至7任一项所述的方法。

16.一种机器可读存储介质，其特征在于，所述机器可读存储介质存储有机器可读指令，所述机器可读指令在被处理器调用和执行时，所述机器可读指令促使所述处理器实现权利要求1至7任一项所述的方法。

Images