违规搭建物的检测方法、装置、计算机设备及存储介质与流程

1.本公开涉及图像识别技术领域，具体而言，涉及一种违规搭建物的检测方法、装置、计算机设备及存储介质。


背景技术：

2.在一些促销、推广活动中，通常会设置一些伞篷等易于搭建的搭建物，为工作人员及客户遮挡阳光、防风保温等。但是，一些工作人员为了方便或是吸引行人注意，可能会将搭建物设置于人行道、公共区域等位置，对行人出行、运动等造成一定程度的干扰。


技术实现要素：

3.本公开实施例至少提供一种违规搭建物的检测方法、装置、计算机设备及存储介质。
4.第一方面，本公开实施例提供了一种违规搭建物的检测方法，所述检测方法包括：
5.获取待检测区域的待检测图像；
6.对所述待检测图像进行目标检测，确定所述待检测图像中是否包含目标检测物；
7.在识别到连续多帧所述待检测图像中包含目标检测物的情况下，基于所述目标检测物在连续多帧所述待检测图像中的目标位置，确定所述目标检测物是否发生移动；
8.在所述目标检测物未发生移动的情况下，确定所述待检测区域中存在违规搭建的目标检测物。
9.在本公开实施例中，通过检测待检测区域的待检测图像中是否包括未发生移动的目标检测物，确定待检测区域中是否存在违规搭建的目标检测物，减少针对移动目标检测物的误判率，从而提高对于违规搭建的目标检测物的检测准确率。
10.一种可选的实施方式中，所述获取待检测区域的待检测图像，包括：
11.对所述待检测区域的待检测视频流中的关键视频帧进行解码处理，得到所述待检测图像；
12.其中，所述关键视频帧为图像信息满足预设条件的图像。
13.在本可选的实施方式中，通过对关键视频帧进行解码，提高解码效率。
14.一种可选的实施方式中，所述对所述待检测区域的待检测视频流中的关键视频帧进行解码处理，得到所述待检测图像，包括：
15.对所述待检测区域的待检测视频流中的关键视频帧进行解码处理，得到关键图像帧；
16.按照预设图像帧间隔或者时间间隔，从所述关键图像帧中确定所述待检测图像。
17.在本可选的实施方式中，可以基于目标需求选取待检测图像，从而可以适用于不同精度的检测需求。
18.一种可选的实施方式中，所述对所述待检测图像进行目标检测，确定所述待检测图像中是否包含目标检测物，包括：
19.将所述待检测图像输入至训练好的用于检测目标检测物的神经网络中，得到针对所述目标检测物的目标识别结果；所述目标识别结果用于指示是否存在目标检测物，以及在存在目标检测物的情况下，所述目标检测物在对应待检测图像中的目标位置。
20.在本可选的实施方式中，基于训练好的神经网络，可以确定出是否目标检测物以及对应的目标位置，便于后续对于目标检测物的筛选过程。
21.一种可选的实施方式中，所述神经网络用于检测所述待检测区域中的感兴趣区域的目标检测物；其中，所述感兴趣区域包括预先设置的所述待检测区域内的一个或多个感兴趣区域。
22.在本可选的实施方式中，通过神经网络检测感兴趣区域，可以提高检测的速度，并提高检测的精确度。
23.一种可选的实施方式中，通过以下步骤训练用于检测目标检测物的神经网络；
24.获取多个图像样本；其中，所述图像样本为包括具有预设目标特征的目标特征对象、且预先对所述目标特征对象进行位置标注的多张样本图像；
25.将多张样本图像输入至待训练的神经网络，得到所述神经网络针对每张样本图像的输出结果；
26.基于针对所述样本图像的输出结果以及所述样本图像对应的标注位置，确定所述待训练的神经网络的损失，并利用所述损失对所述待训练的神经网络的参数进行调整，直至所述损失小于预设的损失阈值，确定所述神经网络训练完成。
27.一种可选的实施方式中，所述基于所述目标检测物在连续多帧所述待检测图像中的目标位置，确定所述目标检测物是否发生移动，包括：
28.确定任意连续两帧待检测图像中的目标检测物对应的检测图像区域之间的交并比；
29.若所述交并比大于预设的交并比阈值，则确定所述目标检测物发生移动。
30.在本可选的实施方式中，基于区域重叠的大小，判定目标检测物是否发生移动，无需对目标检测物进行动态检测，减少对于检测资源的消耗。
31.一种可选的实施方式中，所述基于所述目标检测物在连续多帧所述待检测图像中的目标位置，确定所述目标检测物是否发生移动，还包括：
32.基于每帧待检测图像中目标检测物的目标位置，确定任意连续两帧待检测图像中的目标检测物对应的中心点位置之间的间隔是否小于预设的间隔阈值；
33.若所述间隔小于预设的间隔阈值，则确定所述目标检测物发生移动。
34.在本可选的实施方式中，基于连续两帧待检测图像中的目标检测物的中心点位置之间的间隔，判定目标检测物是否发生移动，无需对目标检测物进行动态检测，减少对于检测资源的消耗。
35.一种可选的实施方式中，在确定所述待检测区域中存在违规搭建的目标检测物之后，还包括：
36.输出所述待检测区域中存在违规搭建的目标检测物的事件告警信息。
37.在本可选的实施方式中，可以针对告警区域中确定的存在违规搭建的目标检测物输出对应的告警信息，无需对非告警区域内的违规搭建情况进行告警，提高告警信息的有效性。
38.一种可选的实施方式中，所述事件告警信息包括：
39.事件标识；
40.确定所述待检测区域中存在违规搭建的目标检测物之后，输出所述待检测区域中存在违规搭建的目标检测物的事件告警信息之前，还包括：
41.为确定出的所述待检测区域中存在违规搭建的目标检测物设置事件标识；其中，不同的目标检测物设置不同的事件标识。
42.在本可选的实施方式中，通过对检测到的目标检测物添加不同的事件标识信息，便于后续的查看、跟踪等过程。
43.一种可选的实施方式中，所述事件告警信息包括：
44.事件发生时间段、所述待检测图像对应的摄像头信息、所述目标检测物的位置和所述目标检测物的数量中的一个或多个。
45.一种可选的实施方式中，所述目标检测物包括：伞篷。
46.在本可选的实施方式中，多样的告警信息有利于确定出目标检测物的状态信息。
47.第二方面，本公开实施例还提供一种违规搭建物的检测装置，所述检测装置包括：
48.获取模块，用于获取待检测区域的待检测图像；
49.第一确定模块，用于对所述待检测图像进行目标检测，确定所述待检测图像中是否包含目标检测物；
50.第二确定模块，用于在识别到连续多帧所述待检测图像中包含目标检测物的情况下，基于所述目标检测物在连续多帧所述待检测图像中的目标位置，确定所述目标检测物是否发生移动；
51.第三确定模块，用于在所述目标检测物未发生移动的情况下，确定所述待检测区域中存在违规搭建的目标检测物。
52.一种可选的实施方式中，所述获取模块具体用于：
53.对所述待检测区域的待检测视频流中的关键视频帧进行解码处理，得到所述待检测图像；
54.其中，所述关键视频帧为图像信息满足预设条件的图像。
55.一种可选的实施方式中，所述获取模块具体用于：
56.对所述待检测区域的待检测视频流中的关键视频帧进行解码处理，得到关键图像帧；
57.按照预设图像帧间隔或者时间间隔，从所述关键图像帧中确定所述待检测图像。
58.一种可选的实施方式中，所述第一确定模块具体用于：
59.将所述待检测图像输入至训练好的用于检测目标检测物的神经网络中，得到针对所述目标检测物的目标识别结果；所述目标识别结果用于指示是否存在目标检测物，以及在存在目标检测物的情况下，所述目标检测物在对应待检测图像中的目标位置。
60.一种可选的实施方式中，通过以下步骤训练用于检测目标检测物的神经网络；
61.获取多个图像样本；其中，所述图像样本为包括具有预设目标特征的目标特征对象、且预先对所述目标特征对象进行位置标注的多张样本图像；
62.将多张样本图像输入至待训练的神经网络，得到所述神经网络针对每张样本图像的输出结果；
63.基于针对所述样本图像的输出结果以及所述样本图像对应的标注位置，确定所述待训练的神经网络的损失，并利用所述损失对所述待训练的神经网络的参数进行调整，直至所述损失小于预设的损失阈值，确定所述神经网络训练完成。
64.一种可选的实施方式中，所述第二确定模块具体用于：
65.确定任意连续两帧待检测图像中的目标检测物对应的检测图像区域之间的交并比；
66.若所述交并比大于预设的交并比阈值，则确定所述目标检测物发生移动。
67.一种可选的实施方式中，所述第二确定模块还用于：
68.基于每帧待检测图像中目标检测物的目标位置，确定任意连续两帧待检测图像中的目标检测物对应的中心点位置之间的间隔是否小于预设的间隔阈值；
69.若所述间隔小于预设的间隔阈值，则确定所述目标检测物发生移动。
70.一种可选的实施方式中，所述检测装置还包括：
71.输出模块，用于输出所述待检测区域中存在违规搭建的目标检测物的事件告警信息。
72.一种可选的实施方式中，所述事件告警信息包括：
73.事件标识；
74.所述检测装置还包括：
75.设置模块，用于为确定出的所述待检测区域中存在违规搭建的目标检测物设置事件标识；其中，不同的目标检测物设置不同的事件标识。
76.一种可选的实施方式中，所述事件告警信息包括：
77.事件发生时间段、所述待检测图像对应的摄像头信息、所述目标检测物的位置和所述目标检测物的数量中的一个或多个。
78.一种可选的实施方式中，所述目标检测物包括：伞篷。
79.第三方面，本公开实施例还提供一种计算机设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行上述第一方面，或第一方面中任一种可能的实施方式中的步骤。
80.第四方面，本公开实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述第一方面，或第一方面中任一种可能的实施方式中的步骤。
81.本公开实施例提供的一种违规搭建物的检测方法、装置、计算机设备及存储介质，包括：获取待检测区域的待检测图像；对所述待检测图像进行目标检测，确定所述待检测图像中是否包含目标检测物；在识别到连续多帧所述待检测图像中包含目标检测物的情况下，基于所述目标检测物在连续多帧所述待检测图像中的目标位置，确定所述目标检测物是否发生移动；在所述目标检测物未发生移动的情况下，确定所述待检测区域中存在违规搭建的目标检测物。
82.本公开实施例中，通过检测待检测区域的待检测图像中是否包括未发生移动的目标检测物，确定待检测区域中是否存在违规搭建的目标检测物，减少针对移动目标检测物的误判率，从而提高对于违规搭建的目标检测物的检测准确率。
83.为使本公开的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
84.为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，此处的附图被并入说明书中并构成本说明书中的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。应当理解，以下附图仅示出了本公开的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
85.图1示出了本公开实施例所提供的一种违规搭建物的检测方法的流程图；
86.图2示出了本公开实施例所提供的违规搭建物的检测示意图；
87.图3示出了本公开实施例所提供的另一种违规搭建物的检测方法的流程图；
88.图4示出了本公开实施例所提供的一种违规搭建物的检测装置的示意图；
89.图5示出了本公开实施例所提供的另一种违规搭建物的检测装置的示意图；
90.图6示出了本公开实施例所提供的一种计算机设备的示意图。
具体实施方式
91.为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本公开实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本公开的实施例的详细描述并非旨在限制要求保护的本公开的范围，而是仅仅表示本公开的选定实施例。基于本公开的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。
92.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
93.本文中术语“和/或”，仅仅是描述一种关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括a、b、c中的至少一种，可以表示包括从a、b和c构成的集合中选择的任意一个或多个元素。
94.经研究发现，对于违规搭建物的检测方法往往是基于采集的图像，对其中可能包括的违规搭建物对应的形状进行检测，以伞篷为例，可以对采集图像中的伞状物进行检测，以确定采集图像对应的区域中是否包括伞篷的违规搭建物。但是，由于采集图像中包括的伞状物可能不是违规搭建的伞篷，也有可能是合规的或是非长期搭建的伞篷，由此易造成误判，对于违规搭建物的检测准确率不高。
95.基于上述研究，本公开提供了一种违规搭建物的检测方法，(通过检测待检测区域的待检测图像中是否包括未发生移动的目标检测物，确定待检测区域中是否存在违规搭建的目标检测物，减少针对移动目标检测物的误判率，从而提高对于违规搭建的目标检测物的检测准确率。
96.为便于对本实施例进行理解，首先对本公开实施例所公开的一种违规搭建物的检测方法进行详细介绍，本公开实施例所提供的违规搭建物的检测方法的执行主体一般为具有一定计算能力的计算机设备，该计算机设备例如包括：终端设备或服务器或其它处理设备，终端设备可以为用户设备(user equipment，ue)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(personal digital assistant，pda)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该违规搭建物的检测方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
97.参见图1所示，为本公开实施例提供的一种违规搭建物的检测方法的流程图，所述检测方法包括步骤s101～s104，其中：
98.s101：获取待检测区域的待检测图像。
99.该步骤中，针对目标选取的待检测区域，获取监控该待检测区域的待检测图像。
100.其中，待检测图像可以为从待检测区域的监控视频流中提取的多帧图像。
101.具体的，所述获取待检测区域的待检测图像，包括：
102.对所述待检测区域的待检测视频流中的关键视频帧进行解码处理，得到所述待检测图像；其中，所述关键视频帧为图像信息满足预设条件的图像。
103.具体的，关键视频帧指的是一个视频流中的的i帧((i frame)，又称为内部画面(intra picture)，i帧通常是每个画面组(group of picture，gop)的第一个帧，经过适度地压缩，做为随机访问的参考点，可以当成图像。在动态图像专家组(moving pictures experts group，mpeg)编码的过程中，部分视频帧序列压缩成为i帧，部分压缩成p帧，还有部分压缩成b帧。帧是组成视频图像的基本单位。关键视频帧也叫i帧，是帧间压缩编码里的重要帧，是一个全帧压缩的编码帧，当解码时，仅用i帧的数据就可重构完整图像，i帧不需要参考其他画面而生成。
104.在本公开实施例中，也可以将视频流中的全部视频帧进行解码，并按照预设的选取规则，选取对应的视频帧作为待检测图像，即将视频帧的i帧、p帧以及b帧全部进行解码，并确定对应的待检测图像。
105.优选的，所述对所述待检测区域的待检测视频流中的关键视频帧进行解码处理，得到所述待检测图像，还可以包括：
106.对所述待检测区域的待检测视频流中的关键视频帧进行解码处理，得到关键图像帧；
107.按照预设图像帧间隔或者时间间隔，从所述关键图像帧中确定所述待检测图像。
108.具体的，在对关键视频帧进行解码处理，得到关键图像帧之后，还可以基于目标需求，例如预设图像帧间隔或者时间间隔，对关键图像帧进行筛选，得到待检测图像。例如，当目标检测精度不高时，可以每隔10张关键图像帧选取一张待检测图像。当目标检测精度较高时，可以确定每一帧关键图像帧为待检测图像。
109.s102：对所述待检测图像进行目标检测，确定所述待检测图像中是否包含目标检测物。
110.该步骤中，可以通过对待检测图像进行目标检测，从而确定出包括目标检测物的多张待检测图像。
111.具体的，所述对所述待检测图像进行目标检测，确定所述待检测图像中是否包含
目标检测物，包括：
112.将所述待检测图像输入至训练好的用于检测目标检测物的神经网络中，得到针对所述目标检测物的目标识别结果；所述目标识别结果用于指示是否存在目标检测物，以及在存在目标检测物的情况下，所述目标检测物在对应待检测图像中的目标位置。
113.其中，所述神经网络用于检测所述待检测区域中的感兴趣区域的目标检测物；其中，所述感兴趣区域包括预先设置的所述待检测区域内的一个或多个感兴趣区域。
114.示例性的，对将预先提取的待检测图像进行目标图形识别，例如，若想要对街道、广场上的违规搭建伞篷进行识别，那么就可以以伞的形状进行识别，即针对圆形或是方形进行识别。又或者，可以将待检测图像输入至训练好的用于检测目标检测物的神经网络中，即预先针对目标检测物进行训练的神经网络，就可以获取该神经网络输出的、针对待检测图像的识别结果。基于该识别结果，便可以获取到该待检测图像中是否存在目标检测物，并且在存在目标检测物的情况下，所述目标检测物在对应待检测图像中的目标位置，便于工作人员进行后续追查工作。
115.在本公开实施例中，可以通过以下步骤训练用于检测目标检测物的神经网络；
116.获取多个图像样本；其中，所述图像样本为包括具有预设目标特征的目标特征对象、且预先对所述目标特征对象进行位置标注的多张样本图像；
117.将多张样本图像输入至待训练的神经网络，得到所述神经网络针对每张样本图像的输出结果；
118.基于针对所述样本图像的输出结果以及所述样本图像对应的标注位置，确定所述待训练的神经网络的损失，并利用所述损失对所述待训练的神经网络的参数进行调整，直至所述损失小于预设的损失阈值，确定所述神经网络训练完成。
119.示例性的，可以构建多个图像样本，每个图像样本中包括带有目标检测物的图像以及进行人工标注之后的目标检测物在待检测图像中的位置。将图像样本输入至待训练的神经网络中，不断调整参数，直至该神经网络的损失满足预设标准，完成对神经网络的训练过程，得到训练好的神经网络。通过训练好的用于检测目标检测物的神经网络对待检测图像的分析，便可以分析出该待检测图像中是否包括目标检测物，以及检测出的目标检测物对应的位置信息。
120.示例性的，以上述检测违规伞篷搭建为例，可以构建多个包括伞篷形状检测物的图像样本，每个图像样本中包括伞篷形状检测物的图像以及进行人工标注之后的伞篷形状检测物在待检测图像中的位置，并基于上述图像样本对神经网络进行训练。通过训练好的用于检测伞篷形状检测物的神经网络对待检测图像的分析，便可以分析出该待检测图像中是否包括伞篷形状检测物，以及检测出的伞篷形状检测物对应的位置信息。
121.在本公开实施例中，还可以基于一定的标记工具，对检测出的目标检测物进行标记，例如对目标检测物的中心点进行突出显示，或者将目标检测物框起来等，用于突出显示检测出的目标检测物。
122.s103：在识别到连续多帧所述待检测图像中包含目标检测物的情况下，基于所述目标检测物在连续多帧所述待检测图像中的目标位置，确定所述目标检测物是否发生移动。
123.该步骤中，在确定出连续多帧包括目标检测物的待检测图像之后，可以基于目标
检测物在连续多帧待检测图像中的目标位置，确定目标检测物是否发生移动，即确定目标检测物是不是固定不动的搭建物。
124.具体的，所述基于所述目标检测物在连续多帧所述待检测图像中的目标位置，确定所述目标检测物是否发生移动，包括：
125.确定任意连续两帧待检测图像中的目标检测物对应的检测图像区域之间的交并比；
126.若所述交并比大于预设的交并比阈值，则确定所述目标检测物发生移动。
127.其中，交并比(intersection-over-union，iou)，为目标检测中使用的一个概念，是产生的候选框(candidate bound)与原标记框(ground truth bound)的交叠率，即它们的交集与并集的比值。最理想情况是完全重叠，即比值为1。
128.具体的，通过检测模型确定出任意连续两帧待检测图像中的目标检测物对应的检测图像区域之间的交并比，例如为50％，并将该数值与预先设置好的交并比阈值进行比对，例如，可以认为交并比大等于80％时目标检测物未发生移动，当交并比为50％时，小于设置的阈值，则确定目标检测物发生了移动。
129.参照图2，图2为本公开实施例所提供的违规搭建物的检测示意图。如图2所示，将连续两帧的待检测图像进行对照，可以看出，图形a和图形b之间的交并比较高，此时可以认为图形a和图形b之间为发生移动或发生轻微移动，此时可以确定图形a和图形b对应的物品为固定的伞篷等，而图形c和图形d之间的交并比较低，此时可以认为图形c和图形d之间为发生较大的移动，此时可以确定图形c和图形d对应的物品为移动的伞篷，例如行人所持的伞、电动车的车篷等。
130.在本公开另一实施例中，还可以通过分析确定任意连续两帧待检测图像中的目标检测物所占的检测图像区域，并分析连续两帧待检测图像中的检测图像区域对应的重叠面积，若重叠面积较小，则可以认为该目标检测物并未发生位置改变，确定为未发生移动的目标检测物，即搭建物或长期驻留的物体；若重叠面积较大，则可以认为该目标检测物发生位置改变，确定为发生移动的目标检测物。
131.示例性的，以上述伞篷示例为例，除了一些商贩或是广告主搭建的违规伞篷之外，还可以存在撑伞的行人，路过的带有棚顶的电动车、小汽车等，但是上述并不属于违规搭建的检测范围，因此需要一定的筛除机制，将上述情况筛除，从而更为准确地确定为违规搭建或是长期驻留的伞篷。具体的，可以确定任意连续两帧待检测图像中的伞篷形状物体所占的检测图像区域，并分析连续两帧待检测图像中的检测图像区域对应的重叠面积，若重叠面积较小，则可以认为该伞篷形状物体并未发生位置改变，确定为未发生移动的伞篷，即搭建的伞篷或长期驻留的伞篷；若重叠面积较大，则可以认为该伞篷形状物体发生位置改变，确定为发生移动的伞篷形状物体，可能是行人手持的伞或者是车棚等。
132.在本公开实施例中，所述基于所述目标检测物在连续多帧所述待检测图像中的目标位置，确定所述目标检测物是否发生移动，还包括：
133.基于每帧待检测图像中目标检测物的目标位置，确定任意连续两帧待检测图像中的目标检测物对应的中心点位置之间的间隔是否小于预设的间隔阈值；
134.若所述间隔小于预设的间隔阈值，则确定所述目标检测物发生移动。
135.具体的，可以通过分析确定目标检测物在连续多帧所述待检测图像中的目标位
置，并分析确定任意连续两帧待检测图像中的目标检测物对应的中心点位置之间的间隔，若间隔较小，则可以认为该目标检测物并未发生位置改变，确定为未发生移动的目标检测物，即搭建物或长期驻留的物体；若间隔较大，则可以认为该目标检测物发生位置改变，确定为发生移动的目标检测物。
136.示例性的，以上述伞篷示例为例，可以确定任意连续两帧待检测图像中的伞篷形状物体中圆心的位置，并分析连续两帧待检测图像中的对应的圆心位置之间的间隔，若间隔较小，则可以认为该伞篷形状物体并未发生位置改变，确定为未发生移动的伞篷，即搭建的伞篷或长期驻留的伞篷；若间隔较大，则可以认为该伞篷形状物体发生位置改变，确定为发生移动的伞篷形状物体，可能是行人手持的伞或者是车棚等。
137.s104：在所述目标检测物未发生移动的情况下，确定所述待检测区域中存在违规搭建的目标检测物。
138.该步骤中，针对于未发生移动的目标检测物，确定该目标检测物所在的待检测区域存在违规搭建的目标检测物。
139.具体的，当确定在连续多帧所述待检测图像中存在未发生移动的目标检测物时，便可以确定该待检测图像对应待检测区域存在违规搭建的目标检测物。
140.示例性的，以上述伞篷示例为例，当确定在连续多帧待检测图像中均存在未发生移动的伞篷时，便可以确定该对应的待检测区域存在违规搭建的伞篷。
141.本公开实施例中，通过检测待检测区域的待检测图像中是否包括未发生移动的目标检测物，确定待检测区域中是否存在违规搭建的目标检测物，减少针对移动目标检测物的误判率，从而提高对于违规搭建的目标检测物的检测准确率。
142.参见图3所示，为本公开实施例提供的另一种违规搭建物的检测方法的流程图，所述检测方法包括步骤s301～s305，其中：
143.s301：获取待检测区域的待检测图像。
144.s302：对所述待检测图像进行目标检测，确定所述待检测图像中是否包含目标检测物。
145.s303：在识别到连续多帧所述待检测图像中包含目标检测物的情况下，基于所述目标检测物在连续多帧所述待检测图像中的目标位置，确定所述目标检测物是否发生移动。
146.s304：在所述目标检测物未发生移动的情况下，确定所述待检测区域中存在违规搭建的目标检测物。
147.其中，步骤s301至步骤s304的描述可以参考步骤s101至步骤s104的描述，并且可以达到相同的技术效果，在此不再赘述。
148.在确定所述待检测区域中存在违规搭建的目标检测物之后，还包括：
149.s305：输出所述待检测区域中存在违规搭建的目标检测物的事件告警信息。
150.其中，所述目标检测物包括：伞篷。
151.在该步骤中，可以预先设定感兴趣区域(region of interest，roi)，即在机器视觉、图像处理中，从被处理的图像以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域。在图像处理领域，感兴趣区域是从图像中选择的一个图像区域，这个区域是图像分析所关注的重点。圈定该区域以便进行进一步处理，可以减少处理时间，增加精度。
152.示例性的，以上述伞篷为例，可以设定一些车辆、人口较多的区域为感兴趣区域，当检测到上述感兴趣区域存在违规搭建的目标检测物时，针对该违规搭建物进行警告，而当一些比较不重要，例如偏僻的角落则无需对其进行告警，节省工作人员处理的工作量。
153.本公开实施例中，通过检测待检测区域的待检测图像中是否包括未发生移动的目标检测物，确定待检测区域中是否存在违规搭建的目标检测物，减少针对移动目标检测物的误判率，从而提高对于违规搭建的目标检测物的检测准确率，并基于感兴趣区域进行告警处理，节省工作人员处理的工作量。
154.在本公开另一实施例中，所述事件告警信息包括：事件标识。
155.所述事件告警信息还包括：事件发生时间段、所述待检测图像对应的摄像头信息、所述目标检测物的位置和所述目标检测物的数量中的一个或多个。
156.在本公开另一实施例中，还可以在确定所述待检测区域中存在违规搭建的目标检测物之后，输出所述待检测区域中存在违规搭建的目标检测物的事件告警信息之前，还可以为确定出的所述待检测区域中存在违规搭建的目标检测物设置事件标识；其中，不同的目标检测物设置不同的事件标识。
157.在本公开另一实施例中，还可以针对确定的存在违规搭建的目标检测物，更新所述存在违规搭建的目标检测物的特征信息，具体可以包括对存在违规搭建的目标检测物的位置信息以及用于确定所述存在违规搭建的目标检测物的待检测图像对应的时间戳信息进行更新等。
158.该步骤中，可以基于确定出的有关于检测出的违规搭建的信息，更新针对该违规搭建物的特征信息。
159.具体的，针对一检测出的违规搭建物，可以对其进行特征标注，例如，展示该违规搭建物存在一固定位置的时间长短，以及该违规搭建物是否在一段时间之后移动至其他位置，以便工作人员基于上述信息有针对性的对该违规搭建物进行对应的处理。
160.本公开实施例中，通过检测待检测区域的待检测图像中是否包括未发生移动的目标检测物，确定待检测区域中是否存在违规搭建的目标检测物，减少针对移动目标检测物的误判率，从而提高对于违规搭建的目标检测物的检测准确率，并展示对应的违规搭建特征信息，从而便于后续有针对性的处理过程。
161.本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
162.基于同一发明构思，本公开实施例中还提供了与违规搭建物的检测方法对应的违规搭建物的检测装置，由于本公开实施例中的装置解决问题的原理与本公开实施例上述违规搭建物的检测方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
163.参照图4、图5所示，图4为本公开实施例提供的一种违规搭建物的检测装置的示意图；图5为本公开实施例提供的另一种违规搭建物的检测装置的示意图。如图4所示，所述检测装置包括：获取模块410、第一确定模块420、第二确定模块430、第三确定模块440；其中：
164.获取模块410，用于获取待检测区域的待检测图像；
165.第一确定模块420，用于对所述待检测图像进行目标检测，确定所述待检测图像中是否包含目标检测物；
166.第二确定模块430，用于在识别到连续多帧所述待检测图像中包含目标检测物的情况下，基于所述目标检测物在连续多帧所述待检测图像中的目标位置，确定所述目标检测物是否发生移动；
167.第三确定模块440，用于在所述目标检测物未发生移动的情况下，确定所述待检测区域中存在违规搭建的目标检测物。
168.一种可选的实施方式中，所述获取模块410具体用于：
169.对所述待检测区域的待检测视频流中的关键视频帧进行解码处理，得到所述待检测图像；
170.其中，所述关键视频帧为图像信息满足预设条件的图像。
171.一种可选的实施方式中，所述获取模块410具体用于：
172.对所述待检测区域的待检测视频流中的关键视频帧进行解码处理，得到关键图像帧；
173.按照预设图像帧间隔或者时间间隔，从所述关键图像帧中确定所述待检测图像。
174.一种可选的实施方式中，所述第一确定模块420具体用于：
175.将所述待检测图像输入至训练好的用于检测目标检测物的神经网络中，得到针对所述目标检测物的目标识别结果；所述目标识别结果用于指示是否存在目标检测物，以及在存在目标检测物的情况下，所述目标检测物在对应待检测图像中的目标位置。
176.一种可选的实施方式中，通过以下步骤训练用于检测目标检测物的神经网络；
177.获取多个图像样本；其中，所述图像样本为包括具有预设目标特征的目标特征对象、且预先对所述目标特征对象进行位置标注的多张样本图像；
178.将多张样本图像输入至待训练的神经网络，得到所述神经网络针对每张样本图像的输出结果；
179.基于针对所述样本图像的输出结果以及所述样本图像对应的标注位置，确定所述待训练的神经网络的损失，并利用所述损失对所述待训练的神经网络的参数进行调整，直至所述损失小于预设的损失阈值，确定所述神经网络训练完成。
180.一种可选的实施方式中，所述第二确定模块430具体用于：
181.确定任意连续两帧待检测图像中的目标检测物对应的检测图像区域之间的交并比；
182.若所述交并比大于预设的交并比阈值，则确定所述目标检测物发生移动。
183.一种可选的实施方式中，所述第二确定模块430还用于：
184.基于每帧待检测图像中目标检测物的目标位置，确定任意连续两帧待检测图像中的目标检测物对应的中心点位置之间的间隔是否小于预设的间隔阈值；
185.若所述间隔小于预设的间隔阈值，则确定所述目标检测物发生移动。
186.一种可选的实施方式中，如图5所示，所述检测装置还包括：
187.输出模块450，用于输出所述待检测区域中存在违规搭建的目标检测物的事件告警信息。
188.一种可选的实施方式中，所述事件告警信息包括：
189.事件标识；
190.如图5所示，所述检测装置还包括：
191.设置模块460，用于为确定出的所述待检测区域中存在违规搭建的目标检测物设置事件标识；其中，不同的目标检测物设置不同的事件标识。
192.一种可选的实施方式中，所述事件告警信息包括：
193.事件发生时间段、所述待检测图像对应的摄像头信息、所述目标检测物的位置和所述目标检测物的数量中的一个或多个。
194.一种可选的实施方式中，所述目标检测物包括：伞篷。
195.本公开实施例通过检测待检测区域的待检测图像中是否包括未发生移动的目标检测物，确定待检测区域中是否存在违规搭建的目标检测物，减少针对移动目标检测物的误判率，从而提高对于违规搭建的目标检测物的检测准确率。
196.关于装置中的各模块的处理流程、以及各模块之间的交互流程的描述可以参照上述方法实施例中的相关说明，这里不再详述。
197.对应于图1中的违规搭建物的检测方法，本公开实施例还提供了一种计算机设备，如图6所示，为本公开实施例提供的计算机设备结构示意图，包括：
198.处理器601、存储器602、和总线603；存储器602用于存储执行指令，包括内存6021和外部存储器6022；这里的内存6021也称内存储器，用于暂时存放处理器601中的运算数据，以及与硬盘等外部存储器6022交换的数据，处理器601通过内存6021与外部存储器6022进行数据交换，当所述计算机设备运行时，所述处理器601与所述存储器602之间通过总线603通信，使得所述处理器601执行以下指令：
199.获取待检测区域的待检测图像；
200.对所述待检测图像进行目标检测，确定所述待检测图像中是否包含目标检测物；
201.在识别到连续多帧所述待检测图像中包含目标检测物的情况下，基于所述目标检测物在连续多帧所述待检测图像中的目标位置，确定所述目标检测物是否发生移动；
202.在所述目标检测物未发生移动的情况下，确定所述待检测区域中存在违规搭建的目标检测物。
203.本公开实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法实施例中所述的违规搭建物的检测方法的步骤。其中，该存储介质可以是易失性或非易失的计算机可读取存储介质。
204.本公开实施例还提供一种计算机程序产品，该计算机程序产品承载有程序代码，所述程序代码包括的指令可用于执行上述方法实施例中所述的违规搭建物的检测方法的步骤，具体可参见上述方法实施例，在此不再赘述。
205.其中，上述计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(software development kit，sdk)等等。
206.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本公开所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，又例如，多个单元或组件可以结合或者可以集
成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
207.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
208.另外，在本公开各个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。
209.所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本公开各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
210.最后应说明的是：以上所述实施例，仅为本公开的具体实施方式，用以说明本公开的技术方案，而非对其限制，本公开的保护范围并不局限于此，尽管参照前述实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本公开实施例技术方案的精神和范围，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应所述以权利要求的保护范围为准。