高空抛物的检测方法、电子设备和存储介质与流程

1.本技术涉及计算机技术领域，尤其涉及一种高空抛物的检测方法、电子设备和存储介质。


背景技术：

2.高空抛物是一种不文明的行为，而且会带来很大的社会危害。因此，需要一种高空抛物的检测方法来检测是否有高空抛物的行为。
3.现有的高空抛物的检测方法，通过对摄像头拍摄的图像进行检测并识别高空抛物。由于实际环境中会出现不利于高空抛物检测的场景，如暗夜、大雨、暴雪等场景，会导致摄像头错误捕捉高空抛物，出现高空抛物误报的情况，因此高空抛物检测的准确性不高。太多误报会带来两点问题：1.浪费计算资源，2.浪费大量人力进行复查核实。


技术实现要素：

4.本技术提供了一种高空抛物的检测方法、电子设备和存储介质，通过在确定目标场景无效时，控制抛物检测模型休眠直至满足预设唤醒条件时唤醒抛物检测模型检测目标场景是否存在高空抛物，解决了抛物检测模型在目标场景无效时检测高空抛物导致误判率较高的问题，提高了抛物检测模型检测高空抛物的准确性。
5.第一方面，本技术提供了一种高空抛物的检测方法，所述方法包括：
6.获取拍摄装置采集的目标场景对应的当前帧图像；
7.通过抛物检测模型对所述当前帧图像进行检测，确定所述目标场景是否无效；
8.若所述目标场景无效，则控制所述抛物检测模型休眠；
9.当满足预设唤醒条件，唤醒所述抛物检测模型，并通过所述抛物检测模型检测所述目标场景中是否存在高空抛物。
10.第二方面，本技术还提供了一种电子设备，所述电子设备包括存储器和处理器；
11.所述存储器，用于存储计算机程序；
12.所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如上述的高空抛物的检测方法。
13.第三方面，本技术还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使所述处理器实现如上述的高空抛物的检测方法。
14.本技术公开了一种高空抛物的检测方法、电子设备和存储介质，通过获取拍摄装置采集的目标场景对应的当前帧图像，可以通过抛物检测模型对当前帧图像进行检测，进而可以确定目标场景是否无效；通过在确定目标场景无效时，控制抛物检测模型休眠，解决了抛物检测模型在目标场景无效时检测高空抛物导致误判率较高的问题；通过在确定抛物检测模型满足预设唤醒条件时，唤醒抛物检测模型，并通过抛物检测模型检测目标场景中是否存在高空抛物，可以有效减少误判率，从而提高了抛物检测模型检测高空抛物的准确
性。
附图说明
15.为了更清楚地说明本技术实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本技术的一些实施例，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的附图。
16.图1是本技术实施例提供的一种高空抛物的检测方法的示意性流程图；
17.图2是本技术实施例提供的一种高空抛物的示意图；
18.图3是本技术实施例提供的一种通过拍摄装置采集目标场景对应的帧图像的示意图；
19.图4是本技术实施例提供的一种对初始的抛物检测模型进行训练的子步骤的示意性流程图；
20.图5是本技术实施例提供的一种确定目标场景是否无效的子步骤的示意性流程图；
21.图6是本技术实施例提供的一种目标场景为有效的示意图；
22.图7是本技术实施例提供的一种目标场景为无效的示意图；
23.图8是本技术实施例提供的一种判断抛物检测模型满足预设唤醒条件的子步骤的示意性流程图；
24.图9是本技术实施例提供的一种场景检测模型的结构示意图；
25.图10是本技术实施例提供的另一种判断抛物检测模型满足预设唤醒条件的子步骤的示意性流程图；
26.图11是为本技术实施例提供的一种电子设备的结构示意性框图。
具体实施方式
27.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
28.附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
29.应当理解，在此本技术说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本技术。如在本技术说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
30.还应当理解，在本技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
31.本技术的实施例提供了一种高空抛物的检测方法、电子设备和存储介质。其中，该高空抛物的检测方法可以应用于服务器或终端中，实现通过在确定目标场景无效时，控制抛物检测模型休眠直至满足预设唤醒条件时唤醒抛物检测模型检测目标场景是否存在高
空抛物，解决了抛物检测模型在目标场景无效时检测高空抛物导致误判率较高的问题，提高了抛物检测模型检测高空抛物的准确性。
32.其中，服务器可以为独立的服务器，也可以为服务器集群。终端可以是智能手机、平板电脑、笔记本电脑和台式电脑等电子设备。
33.下面结合附图，对本技术的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
34.如图1所示，高空抛物的检测方法包括步骤s10至步骤s40。
35.步骤s10、获取拍摄装置采集的目标场景对应的当前帧图像。
36.请参阅图2，图2是本技术实施例提供的一种高空抛物的示意图。如图2所示，高空抛物是一种不文明的行为，而且会带来很大的社会危害。在本技术实施例中，通过对高空抛物进行检测，可以及时地捕捉到高空抛物目标，并进行报警。
37.请参阅图3，图3是本技术实施例提供的一种通过拍摄装置采集目标场景对应的帧图像的示意图。
38.示例性的，目标场景可以包括但不限于办公楼、居民小区楼等高建筑物场景。
39.示例性的，可以实时或定时获取拍摄装置采集的目标场景对应的当前帧图像。其中，当前帧图像可以是多帧图像中的第一帧图像，也可以是当前时间对应的帧图像。
40.示例性的，拍摄装置可以包括但不限于普通摄像头、3d摄像头，此处不做唯一限定。
41.其中，普通摄像头是只用于拍摄目标的摄像头。
42.其中，3d摄像头包括深度摄像头、彩色摄像头以及光源发射器。其中，深度摄像头用于获取被测物体的深度图像，深度图像包括被测物体与深度摄像头之间的深度信息；彩色摄像头用于采集被测物体的图像；光源发射器用于投射结构光到被测物体表面。示例性的，3d摄像头可以实时获取物体的深度信息、三维尺寸以及空间信息，可以用于动作捕捉和识别、人脸识别、三维建模以及室内导航与定位等应用场景。
43.在一些实施例中，可以获取3d摄像头采集的目标场景对应的当前帧图像并进行高空抛物的识别；可以更加准确地获取高空抛物的空间信息，进而提高了后续检测的准确性。
44.在另一些实施例中，可以获取普通摄像头采集的目标场景对应的当前帧图像并进行高空抛物的识别。
45.在本技术实施例中，将以拍摄装置为普通摄像头为例，详细说明如何对普通摄像头采集的目标场景进行高空抛物检测和场景检测。
46.通过获取拍摄装置采集的目标场景对应的当前帧图像，后续可以对当前帧图像进行场景有效性的检测，从而可以确定目标场景是否无效。
47.步骤s20、通过抛物检测模型对所述当前帧图像进行检测，确定所述目标场景是否无效。
48.需要说明的是，抛物检测模型为预先训练好的模型。抛物检测模型可以同时对当前帧图像进行高空抛物类别的检测和场景有效性的检测。其中，场景有效性的检测是指检测目标场景是有效还是无效。
49.示例性的，高空抛物类别可以包括但不限于花盆、砖石、爆竹、啤酒瓶以及晾衣杆等物体。
50.需要说明的是，场景有效性是指场景有效或场景无效。可以理解的是，场景无效是指暗夜、大雨、大雪等场景无法准确捕捉高空抛物。场景的有效是指光线正常的场景，可以能够准确捕捉高空抛物，例如，白天。
51.在一些实施例中，可以预先对初始的抛物检测模型进行训练，得到训练好的抛物检测模型。
52.请参阅图4，图4是本技术实施例提供的一种对初始的抛物检测模型进行训练的子步骤的示意性流程图，具体可以包括以下步骤s201至步骤s203。
53.步骤s201、确定初始的抛物检测模型。
54.示例性的，初始的抛物检测模型可以是如下任一网络：单目标多框检测器(single shot multibox detector，ssd)网络、卷积神经网络(convolutional neural network，cnn)、受限玻尔兹曼机(restricted boltzmann machine，rbm)或循环神经网络(recurrent neural network，rnn)等等。
55.在本技术实施例中，以初始的抛物检测模型为卷积神经网络为例进行详细说明。其中，卷积神经网络由卷积层、激活层、池化层、全连接层以及归一化层组成。
56.步骤s202、获取样本图像集，对所述样本图像集进行高空抛物类别标注以及场景有效性标注，将标注后的所述样本图像集作为训练样本。
57.示例性的，在对样本图像进行场景有效性标注时，可以用1表示场景有效，用0表示场景无效。
58.在本技术实施例中，可以对样本图像集中的每个帧图像进行高空抛物类别标注以及场景有效性标注。例如，对高空抛物类别为花盆的帧图像标注花盆；又例如，对场景为暗夜的帧图像标注0，对场景为白天的帧图像标注1。依次类推，对样本图像中的全部帧图像进行高空抛物类别标注以及场景有效性标注，将标注后的样本图像集作为训练样本。
59.需要说明的是，初始的高空抛物检测模型可以分别对训练样本进行高空抛物类别的预测和场景有效性的预测。
60.通过对样本图像集进行高空抛物类别标注以及场景有效性标注，可以根据标注的信息与预测的结果确定损失函数值，从而可以根据损失函数值调整抛物检测模型的参数。
61.步骤s203、基于预设的损失函数和梯度下降算法，将所述训练样本输入初始的所述抛物检测模型进行迭代训练，直至所述抛物检测模型收敛。
62.示例性的，预设的损失函数可以包括但不限于相对熵损失函数、交叉熵损失函数、对数损失函数、平方损失函数以及指数损失函数等等。梯度下降算法可以包括但不限于批量梯度下降法(batch gradient descent)、随机梯度下降法(stochastic gradient descent)以及小批量梯度下降法(mini-batch gradient descent)等等。
63.需要说明的是，由于分别通过初始的抛物检测模型进行高空抛物类别的预测和场景有效性的预测，因此可以通过预设的损失函数分别计算预测高空抛物类别对应的损失函数值和预测场景有效性对应的损失函数值。
64.在本技术实施例中，基于交叉熵损失函数和随机梯度下降法，进行说明如何对抛物检测模型进行场景有效性预测的迭代训练。此外，抛物检测模型进行高空抛物类别预测的迭代训练，与进行场景有效性预测的迭代训练类似，具体过程在此不再赘述。
65.示例性的，根据交叉熵损失函数计算场景有效性的损失函数值，计算公式为：
[0066][0067]
式中，n为训练样本的数量，yi为第i个训练样本对应的场景有效性的真实标注值，pi为第i个训练样本对应的场景有效性的预测概率。
[0068]
示例性的，随机梯度下降算法的计算过程为：
[0069][0070][0071]
式中，表示参数u的偏导值；表示权重w的偏导值。
[0072]
示例性的，对初始的抛物检测模型进行训练的训练过程包括：将训练样本输入初始的抛物检测模型中进行第一轮训练，输出场景有效性的预测概率；基于交叉熵损失函数，根据场景有效性的预测概率与场景有效性的真实标注值，计算得到损失函数值；若损失函数值小于或者等于预设损失阈值，则训练结束。若损失函数值大于预设损失阈值，则根据随机梯度下降算法调整抛物检测模型中的参数，进行下一轮的训练并计算每一轮的损失函数值；当计算得到的损失函数值小于预设损失阈值或不再变小时，则结束训练，得到训练后的抛物检测模型。
[0073]
其中，预设损失阈值可以根据实际情况进行设定，具体数值在此不作限定。
[0074]
通过基于交叉熵损失函数和随机梯度下降算法对初始的抛物检测模型进行训练，使得抛物检测模型快速收敛，并提高训练后的抛物检测模型的预测准确度。
[0075]
在本技术实施例中，在对初始的抛物检测模型进行训练，得到训练好的抛物检测模型之后，可以调用训练好的抛物检测模型进行高空抛物检测和场景有效性检测。
[0076]
请参阅图5，图5是步骤s20中通过抛物检测模型对当前帧图像进行检测，确定目标场景是否无效的子步骤的示意性流程图，可以包括步骤s204至步骤s206。
[0077]
步骤s204、将所述当前帧图像输入所述抛物检测模型中进行场景有效性检测，获得所述目标场景对应的第一预测概率值。
[0078]
示例性的，将当前帧图像输入训练后的抛物检测模型中进行场景有效性检测，得到目标场景对应的第一预测概率值。
[0079]
其中，第一预测概率值是指场景有效性对应的预测概率。
[0080]
通过将当前帧图像输入抛物检测模型中进行场景有效性检测，可以获得目标场景对应的第一预测概率值，进而可以根据第一预测概率值判断目标场景是否无效。
[0081]
步骤s205、若所述第一预测概率值大于或等于预设的第一概率阈值，则确定所述目标场景有效。
[0082]
示例性的，预设的第一概率阈值可以根据实际情况进行设定，此处不做唯一限定，例如，第一概率阈值为0.8、0.9等等。
[0083]
在本技术实施例中，预设的第一概率阈值可以是0.9。示例性的，当第一预测概率值大于或等于0.9时，确定目标场景有效。如图6所示，图6是本技术实施例提供的一种目标场景为有效的示意图。
[0084]
步骤s206、若所述第一预测概率值小于所述第一概率阈值，则确定所述目标场景无效。
[0085]
示例性的，当第一预测概率值小于0.9时，确定目标场景无效。即目标场景为暗夜、大雨以及大雪等场景。如图7所示，图7是本技术实施例提供的一种目标场景为无效的示意图。
[0086]
在本技术实施例中，在获取拍摄装置采集的目标场景对应的当前帧图像之后，还可以将当前帧图像输入抛物检测模型中进行高空抛物检测，获得高空抛物检测结果。
[0087]
在一些实施例中，在通过抛物检测模型对当前帧图像进行检测，确定目标场景是否无效之后，还包括：若目标场景有效，则输出高空抛物检测结果。
[0088]
可以理解的是，在将当前帧输入抛物检测模型中进行检测时，抛物检测模型可以对当前帧进行高空抛物检测和场景有效性检测；只有在确定目标场景有效时，才输出高空抛物检测结果。
[0089]
示例性的，高空抛物检测结果可以包括高空抛物的预测类别与预测类别对应的置信度。其中，预测类别可以包括但不限于花盆、砖石、爆竹、啤酒瓶以及晾衣杆等等。需要说明的是，置信度是指预测类别为真实类别时对应的可靠度；其中，置信度的取值为[0，1]。
[0090]
通过在确定目标场景有效时，输出高空抛物检测结果，可以实现对有效的目标场景进行高空抛物的检测，提高了抛物检测模型检测高空抛物的准确性。
[0091]
步骤s30、若所述目标场景无效，则控制所述抛物检测模型休眠。
[0092]
在本技术实施例中，在确定目标场景无效时，需要控制抛物检测模型休眠。需要说明的是，通过在确定目标场景无效时，控制抛物检测模型休眠，可以避免抛物检测模型在目标场景无效时检测高空抛物导致误判率较高，不仅提高了抛物检测模型检测高空抛物的准确性，而且还可以减少计算资源的浪费以及减少人力进行复查核实。
[0093]
在一些实施例中，控制抛物检测模型休眠，可以包括：确定抛物检测模型对应的预先设定的休眠策略；根据确定的休眠策略，控制抛物检测模型软休眠或硬休眠。
[0094]
其中，软休眠为抛物检测模型暂停运行，并由场景检测模型代替抛物检测模型进行场景有效性检测直至满足预设唤醒条件；硬休眠为抛物检测模型暂停运行直至满足预设唤醒条件。
[0095]
可以理解的是，软休眠与硬休眠都是使抛物检测模型暂停运行，避免在目标场景无效时抛物检测模型继续检测高空抛物；但是抛物检测模型在软休眠时，可以通过场景检测模型检测目标场景是否恢复有效，当目标场景恢复有效时，唤醒抛物检测模型继续检测目标场景中是否存在高空抛物。
[0096]
需要说明的是，场景检测模型只用于检测目标场景的有效性，并不检测高空抛物。相对于抛物检测模型，场景检测模型需要计算的运算量较小，占用内存和显存也较小。
[0097]
在本技术实施例中，可以获取预先设定休眠策略，例如，根据检测到的休眠策略选中操作或预设的休眠策略的配置信息，确定当前的休眠策略。
[0098]
其中，休眠策略可以包括硬休眠和软休眠。需要说明的是，用户可以在系统的配置界面选择休眠策略，或对休眠策略的相关信息进行配置。
[0099]
示例性的，预设唤醒条件可以包括目标场景恢复有效或者抛物检测模型的休眠时间到达设定时间。在本技术实施例中，在控制抛物检测模型休眠之后，需要判断抛物检测模
型是否满足预设唤醒条件。
[0100]
请参阅图8，图8是本技术实施例提供的一种判断抛物检测模型满足预设唤醒条件的子步骤的示意性流程图，具体可以包括以下步骤s301至步骤s303。
[0101]
步骤s301、若控制所述抛物检测模型软休眠，则获取所述拍摄装置采集的所述目标场景对应的下一帧图像。
[0102]
示例性的，在控制抛物检测模型软休眠之后，可以继续获取普通摄像头采集的目标场景对应的下一帧图像。
[0103]
在本技术实施例中，在控制抛物检测模型软休眠之后，通过获取拍摄装置采集的目标场景对应的下一帧图像，可以将拍摄装置采集的帧图像进行存储；后续可以对存储的帧图像进行回放查看，从而可以防止抛物检测模型在软休眠过程中遗漏可能出现的异常行为，例如盗窃、安全事件等等。
[0104]
步骤s302、通过所述场景检测模型对所述下一帧图像进行检测，判断所述目标场景是否有效。
[0105]
示例性的，场景检测模型可以是如下任一网络：卷积神经网络、受限玻尔兹曼机或循环神经网络等等。在本技术实施例中，以场景检测模型为卷积神经网络为例进行详细说明。
[0106]
需要说明的是，在本技术实施例中，场景检测模型为预先训练好的模型。
[0107]
在一些实施例中，通过场景检测模型对下一帧图像进行检测之前，需要对初始的场景检测模型进行训练，得到训练好的场景检测模型。
[0108]
示例性的，对场景检测模型进行训练，可以包括：获取预设数量的样本图像，对样本图像进行场景有效性的标注，将标注后的样本图像确定为训练样本；基于预设的损失函数和梯度下降算法，将训练样本输入初始的场景检测模型中迭代训练至收敛，得到训练后的场景检测模型。
[0109]
其中，场景检测模型的训练过程，与对抛物检测模型进行场景有效性的训练过程相似，具体过程在此不再赘述。
[0110]
需要说明的是，与抛物检测模型的训练过程不同的是，场景检测模型的训练过程只包括场景有效性的训练。同时，场景检测模型由简单的卷积层、池化层以及全连接层组成，相当于裁剪后的抛物检测模型。场景检测模型在运行过程中占用内存和显存远小于抛物检测模型，仅耗费少量的资源。
[0111]
在本技术实施例中，在得到训练好的场景检测模型之后，可以通过训练好的场景检测模型检测目标场景是否有效。
[0112]
在一些实施例中，通过场景检测模型对下一帧图像进行检测，判断目标场景是否有效，可以包括：将下一帧图像输入场景检测模型中进行场景有效性检测，获得目标场景对应的第二预测概率值；若第二预测概率值大于或等于预设的第二概率阈值，则判定目标场景有效；若第二预测概率值小于第二概率阈值，则判定目标场景无效。
[0113]
请参阅图9，图9是本技术实施例提供的一种场景检测模型的结构示意图。如图9所示，场景检测模型可以包括两个卷积层、两个池化层以及三个全连接层。示例性的，场景检测模型的卷积层的卷积核为64个，各卷积核的尺寸为3
×
3，卷积步长为1；场景检测模型的池化层的池化窗口可以是3
×
3，步幅为2；全连接层的大小分别为1
×1×
128、1
×1×
64和1
×1×
2。当然，卷积层、池化层和全连接层的参数可以根据实际情况进行设定，此处不做唯一限定。
[0114]
如图9所示，对下一帧图像进行第一次卷积处理和第一次池化处理：若下一帧图像的大小为64
×
64像素，则将下一帧图像输入场景检测模型中的卷积层进行卷积处理，得到64个特征图像，每个特征图像的像素为64
×
64；然后将这64个特征图像输入池化层中进行池化处理，得到32个特征图像，每个特征图像的像素为32
×
32。
[0115]
如图9所示，对经第一次池化处理后的特征图像进行第二次卷积处理和第二次池化处理：将池化层输出的32个32
×
32像素的特征图像输入卷积层进行卷积处理，得到32个特征图像，每个特征图像的像素为32
×
32；然后将这32个特征图像输入池化层中进行池化处理，得到32个特征图像，每个特征图像的像素为16
×
16。
[0116]
最后，将池化层输出的32个16
×
16像素的特征图像经全连接层进行全连接处理，得到场景有效性的预测结果。其中，预测结果可以包括场景有效对应的预测概率和场景无效对应的预测概率。为了方便说明，可以将场景有效对应的预测概率作为目标场景对应的第二预测概率值。
[0117]
示例性的，预设的第二概率阈值可以根据实际情况进行设定，此处不做唯一限定，例如，第二概率阈值为0.8、0.9等等。
[0118]
在本技术实施例中，预设的第二概率阈值可以是0.8。
[0119]
例如，当第二预测概率值大于或等于0.8时，判定目标场景有效。例如，当第二预测概率值小于0.8时，判定目标场景无效。
[0120]
步骤s303、若所述目标场景有效，则确定所述抛物检测模型满足预设唤醒条件。
[0121]
示例性的，在通过场景检测模型对下一帧图像进行检测，并确定目标场景有效时，可以确定抛物检测模型满足预设唤醒条件。
[0122]
通过调用场景检测模型代替抛物检测模型对下一帧图像进行检测，可以在抛物检测模型休眠过程中，实现继续进行对目标场景进行检测，可以减少运算量和节省功耗；通过根据第二预测概率值判断目标场景是否有效，可以确定目标场景是否有效，进而可以确定是否满足预设唤醒条件。
[0123]
请参阅图10，图10是本技术实施例提供的另一种判断抛物检测模型满足预设唤醒条件的子步骤的示意性流程图，具体可以包括以下步骤s304和步骤s305。
[0124]
步骤s304、若控制所述抛物检测模型硬休眠，则对所述抛物检测模型的休眠时间进行记录。
[0125]
示例性的，在控制抛物检测模型硬休眠时，可以记录休眠的起始时间或者启动一个计时器，从而可以得到抛物检测模型的休眠时间。
[0126]
步骤s305、若所述休眠时间到达预设的时间阈值，则确定所述抛物检测模型满足预设唤醒条件。
[0127]
示例性的，预设的时间阈值可以根据实际情况设定，例如，可以是5分钟、10分钟等等，具体数值在此不作限定。
[0128]
示例性的，当抛物检测模型的休眠时间达到预设的时间阈值，则确定抛物检测模型满足预设唤醒条件。
[0129]
通过记录抛物检测模型的休眠时间，可以在抛物检测模型为硬休眠时，确定抛物
检测模型是否满足预设唤醒条件。
[0130]
步骤s40、当满足预设唤醒条件，唤醒所述抛物检测模型，并通过所述抛物检测模型检测所述目标场景中是否存在高空抛物。
[0131]
在本技术实施例中，在抛物检测模型满足预设唤醒条件时，需要唤醒休眠的抛物检测模型，以使抛物检测模型继续检测目标场景是否存在高空抛物。需要说明的是，在唤醒抛物检测模型之后，则停止场景检测模型。
[0132]
在一些实施例中，可以将拍摄装置采集的目标场景对应的帧图像输入抛物检测模型中进行高空抛物检测，获得高空抛物检测结果。
[0133]
其中，抛物检测模型在进行高空抛物检测时，还可以进行场景有效性检测，并根据场景检测结果判断目标场景是否有效。
[0134]
示例性的，判断目标场景是否有效，可以参见上述实施例的详细说明，具体判断过程在此不再赘述。
[0135]
通过在确定抛物检测模型满足预设唤醒条件时，唤醒抛物检测模型，可以使得抛物检测模型检测目标场景中是否存在高空抛物。
[0136]
上述实施例提供的高空抛物的检测方法，通过获取拍摄装置采集的目标场景对应的当前帧图像，后续可以对当前帧图像进行场景有效性的检测，从而可以确定目标场景是否无效；通过对样本图像集进行高空抛物类别标注以及场景有效性标注，可以根据标注的信息与预测的结果确定损失函数值，从而可以根据损失函数值调整抛物检测模型的参数；通过基于交叉熵损失函数和随机梯度下降算法对初始的抛物检测模型进行训练，使得抛物检测模型快速收敛，并提高训练后的抛物检测模型的预测准确度；通过将当前帧图像输入抛物检测模型中进行场景有效性检测，可以获得目标场景对应的第一预测概率值，进而可以根据第一预测概率值判断目标场景是否无效；通过在确定目标场景有效时，输出高空抛物检测结果，可以实现对有效的目标场景进行高空抛物的检测，提高了抛物检测模型检测高空抛物的准确性；通过在确定目标场景无效时，控制抛物检测模型休眠，解决了抛物检测模型在目标场景无效时检测高空抛物导致误判率较高的问题，不仅提高了抛物检测模型检测高空抛物的准确性，而且还可以减少计算资源的浪费以及减少人力进行复查核实；通过调用场景检测模型代替抛物检测模型对下一帧图像进行检测，可以在抛物检测模型休眠过程中，实现继续进行对目标场景进行检测，可以减少运算量和节省功耗；通过根据第二预测概率值判断目标场景是否有效，可以确定目标场景是否有效，进而可以确定是否满足预设唤醒条件；通过记录抛物检测模型的休眠时间，可以在抛物检测模型为硬休眠时，确定抛物检测模型是否满足预设唤醒条件；通过在确定抛物检测模型满足预设唤醒条件时，唤醒抛物检测模型，可以使得抛物检测模型检测目标场景中是否存在高空抛物。
[0137]
上述的方法可以实现为一种计算机程序的形式，该计算机程序可以在如图11所示的电子设备上运行。
[0138]
请参阅图11，图11是本技术实施例提供的一种电子设备的结构示意性框图。该电子设备可以是服务器或终端。
[0139]
请参阅图11，该电子设备包括通过系统总线连接的处理器和存储器，其中，存储器可以包括非易失性存储介质和内存储器。
[0140]
处理器用于提供计算和控制能力，支撑整个电子设备的运行。
[0141]
内存储器为非易失性存储介质中的计算机程序的运行提供环境，该计算机程序被处理器执行时，可使得处理器执行任意一种高空抛物的检测方法。
[0142]
应当理解的是，处理器可以是中央处理单元(central processing unit，cpu)，该处理器还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0143]
其中，在一个实施例中，所述处理器用于运行存储在存储器中的计算机程序，以实现如下步骤：
[0144]
获取拍摄装置采集的目标场景对应的当前帧图像；通过抛物检测模型对所述当前帧图像进行检测，确定所述目标场景是否无效；若所述目标场景无效，则控制所述抛物检测模型休眠；当满足预设唤醒条件，唤醒所述抛物检测模型，并通过所述抛物检测模型检测所述目标场景中是否存在高空抛物。
[0145]
在一个实施例中，所述处理器在实现通过抛物检测模型对所述当前帧图像进行检测，确定所述目标场景是否无效时，用于实现：
[0146]
将所述当前帧图像输入所述抛物检测模型中进行场景有效性检测，获得所述目标场景对应的第一预测概率值；若所述第一预测概率值大于或等于预设的第一概率阈值，则确定所述目标场景有效；若所述第一预测概率值小于所述第一概率阈值，则确定所述目标场景无效。
[0147]
在一个实施例中，所述处理器在实现控制所述抛物检测模型休眠时，用于实现：
[0148]
确定所述抛物检测模型对应的预先设定的休眠策略；根据确定的所述休眠策略，控制所述抛物检测模型软休眠或硬休眠；其中，所述软休眠为所述抛物检测模型暂停运行，并由场景检测模型代替所述抛物检测模型进行场景有效性检测直至满足预设唤醒条件，所述硬休眠为所述抛物检测模型暂停运行直至满足预设唤醒条件。
[0149]
在一个实施例中，所述处理器还用于实现：
[0150]
若控制所述抛物检测模型软休眠，则获取所述拍摄装置采集的所述目标场景对应的下一帧图像；通过所述场景检测模型对所述下一帧图像进行检测，判断所述目标场景是否有效；若所述目标场景有效，则确定所述抛物检测模型满足预设唤醒条件。
[0151]
在一个实施例中，所述处理器在实现通过所述场景检测模型对所述下一帧图像进行检测，判断所述目标场景是否有效时，用于实现：
[0152]
将所述下一帧图像输入所述场景检测模型中进行场景有效性检测，获得所述目标场景对应的第二预测概率值；若所述第二预测概率值大于或等于预设的第二概率阈值，则判定所述目标场景有效；若所述第二预测概率值小于所述第二概率阈值，则判定所述目标场景无效。
[0153]
在一个实施例中，所述处理器还用于实现：
[0154]
若控制所述抛物检测模型硬休眠，则对所述抛物检测模型的休眠时间进行记录；若所述休眠时间到达预设的时间阈值，则确定所述抛物检测模型满足预设唤醒条件。
[0155]
在一个实施例中，所述处理器还用于实现：
[0156]
将所述当前帧图像输入所述抛物检测模型中进行高空抛物检测，获得高空抛物检测结果。
[0157]
在一个实施例中，所述处理器在实现通过抛物检测模型对所述当前帧图像进行检测，确定所述目标场景是否无效之后，还用于实现：
[0158]
若所述目标场景有效，则输出所述高空抛物检测结果。
[0159]
在一个实施例中，所述处理器在实现通过抛物检测模型对所述当前帧图像进行检测之前，还用于实现：
[0160]
确定初始的抛物检测模型；获取样本图像集，对所述样本图像集进行高空抛物类别标注以及场景有效性标注，将标注后的所述样本图像集作为训练样本；基于预设的损失函数和梯度下降算法，将所述训练样本输入初始的所述抛物检测模型进行迭代训练，直至所述抛物检测模型收敛。
[0161]
本技术的实施例中还提供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，所述计算机程序中包括程序指令，所述处理器执行所述程序指令，实现本技术实施例提供的任一项高空抛物的检测方法。
[0162]
其中，所述计算机可读存储介质可以是前述实施例所述的电子设备的内部存储单元，例如所述电子设备的硬盘或内存。所述计算机可读存储介质也可以是所述电子设备的外部存储设备，例如所述电子设备上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字卡(secure digital card，sd card)，闪存卡(flash card)等。
[0163]
以上所述，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。