本發(fā)明屬于智能監(jiān)控領(lǐng)域，尤其涉及一種雙目視頻監(jiān)控方法、系統(tǒng)和計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)。

背景技術(shù)：

視頻監(jiān)控系統(tǒng)通常用于安防領(lǐng)域，能夠有效地實(shí)現(xiàn)對非法入侵的預(yù)警，保護(hù)人民的生命財(cái)產(chǎn)安全，也是維護(hù)治安的重要輔助手段。在視頻監(jiān)控系統(tǒng)的圖像識(shí)別中，圖像的背景復(fù)雜、環(huán)境光線和設(shè)備像素限制對成像效果造成了較大的影響，此外，視頻監(jiān)控系統(tǒng)需要在識(shí)別目標(biāo)受到遮擋的情況下快速、準(zhǔn)確地進(jìn)行識(shí)別，客觀上使得算法設(shè)計(jì)的難度加大。

毋庸置疑，視頻監(jiān)控的關(guān)鍵在于對待識(shí)別目標(biāo)的特征的提取，因?yàn)榇R(shí)別目標(biāo)的特征是一個(gè)待識(shí)別目標(biāo)區(qū)別于另一個(gè)待識(shí)別目標(biāo)的重要標(biāo)識(shí)。在目前的視頻監(jiān)控中，對目標(biāo)的識(shí)別，其算法通常依賴于人工選擇的特征。

然而，視頻監(jiān)控系統(tǒng)涉及的數(shù)據(jù)往往是海量的，因此，上述方式難以從海量數(shù)據(jù)中學(xué)習(xí)得到一個(gè)有效的分類器，從而提高對目標(biāo)識(shí)別的準(zhǔn)確度和效率。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于提供一種雙目視頻監(jiān)控方法、系統(tǒng)和計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，以提高視頻監(jiān)控中對目標(biāo)識(shí)別的準(zhǔn)確度和效率。

本發(fā)明第一方面提供一種雙目視頻監(jiān)控方法，所述方法包括：

雙目攝像頭采集視頻圖像并傳送至終端設(shè)備；

所述終端設(shè)備將所述視頻圖像輸入所述終端設(shè)備上的第一卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行目標(biāo)的初步識(shí)別；

若所述初步識(shí)別的結(jié)果為所述視頻圖像中存在可疑目標(biāo)，則所述終端設(shè)備將所述視頻圖像上傳至云服務(wù)器；

所述云服務(wù)器將所述視頻圖像輸入所述云服務(wù)器上的第二卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行目標(biāo)的再次識(shí)別；

若所述再次識(shí)別的結(jié)果為確定所述視頻圖像中存在可疑目標(biāo)，則所述云服務(wù)器將所述再次識(shí)別的結(jié)果返回至所述終端設(shè)備，由所述終端設(shè)備做進(jìn)一步的處理。

本發(fā)明第二方面提供一種雙目視頻監(jiān)控系統(tǒng)，所述系統(tǒng)包括雙目攝像頭、終端設(shè)備和云服務(wù)器，所述終端設(shè)備包括初步識(shí)別模塊和上傳模塊，所述云服務(wù)器包括再次識(shí)別模塊和結(jié)果返回模塊；

所述雙目攝像頭，用于采集視頻圖像并傳送至終端設(shè)備；

所述初步識(shí)別模塊，用于將所述視頻圖像輸入所述終端設(shè)備上的第一卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行目標(biāo)的初步識(shí)別；

所述上傳模塊，用于若所述初步識(shí)別模塊的初步識(shí)別的結(jié)果為所述視頻圖像中存在可疑目標(biāo)，則將所述視頻圖像上傳至云服務(wù)器；

所述再次識(shí)別模塊，用于將所述視頻圖像輸入所述云服務(wù)器上的第二卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行目標(biāo)的再次識(shí)別；

所述結(jié)果返回模塊，用于若所述再次識(shí)別模塊的再次識(shí)別的結(jié)果為確定所述視頻圖像中存在可疑目標(biāo)，則將所述再次識(shí)別的結(jié)果返回至所述終端設(shè)備，由所述終端設(shè)備做進(jìn)一步的處理。

本發(fā)明第三方面提供一種雙目視頻監(jiān)控系統(tǒng)，包括存儲(chǔ)器、處理器以及存儲(chǔ)在所述存儲(chǔ)器中并可在所述處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)以下步驟：

雙目攝像頭采集視頻圖像并傳送至終端設(shè)備；

所述終端設(shè)備將所述視頻圖像輸入所述終端設(shè)備上的第一卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行目標(biāo)的初步識(shí)別；

若所述初步識(shí)別的結(jié)果為所述視頻圖像中存在可疑目標(biāo)，則所述終端設(shè)備將所述視頻圖像上傳至云服務(wù)器；

所述云服務(wù)器將所述視頻圖像輸入所述云服務(wù)器上的第二卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行目標(biāo)的再次識(shí)別；

若所述再次識(shí)別的結(jié)果為確定所述視頻圖像中存在可疑目標(biāo)，則所述云服務(wù)器將所述再次識(shí)別的結(jié)果返回至所述終端設(shè)備，由所述終端設(shè)備做進(jìn)一步的處理。

本發(fā)明第四方面提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)以下步驟：

雙目攝像頭采集視頻圖像并傳送至終端設(shè)備；

所述終端設(shè)備將所述視頻圖像輸入所述終端設(shè)備上的第一卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行目標(biāo)的初步識(shí)別；

若所述初步識(shí)別的結(jié)果為所述視頻圖像中存在可疑目標(biāo)，則所述終端設(shè)備將所述視頻圖像上傳至云服務(wù)器；

所述云服務(wù)器將所述視頻圖像輸入所述云服務(wù)器上的第二卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行目標(biāo)的再次識(shí)別；

若所述再次識(shí)別的結(jié)果為確定所述視頻圖像中存在可疑目標(biāo)，則所述云服務(wù)器將所述再次識(shí)別的結(jié)果返回至所述終端設(shè)備，由所述終端設(shè)備做進(jìn)一步的處理。

從上述本發(fā)明技術(shù)方案可知，一方面，由于第一卷積神經(jīng)網(wǎng)絡(luò)和第二卷積神經(jīng)網(wǎng)絡(luò)可以事先經(jīng)過訓(xùn)練得到，因此，利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對目標(biāo)進(jìn)行識(shí)別時(shí)能自動(dòng)快速提取目標(biāo)的特征，提高了視頻監(jiān)控時(shí)識(shí)別的效率；另一方面，經(jīng)過兩次識(shí)別才確定可疑目標(biāo)，因此提高了視頻監(jiān)控時(shí)識(shí)別的準(zhǔn)確率。

附圖說明

圖1是本發(fā)明實(shí)施例一提供的智能視頻多點(diǎn)監(jiān)控方法的實(shí)現(xiàn)流程示意圖；

圖2是本發(fā)明實(shí)施例二提供的智能視頻多點(diǎn)監(jiān)控系統(tǒng)的結(jié)構(gòu)示意圖；

圖3是本發(fā)明實(shí)施例三提供的智能視頻多點(diǎn)監(jiān)控系統(tǒng)的結(jié)構(gòu)示意圖；

圖4是本發(fā)明實(shí)施例四提供的智能視頻多點(diǎn)監(jiān)控系統(tǒng)的結(jié)構(gòu)示意圖。

具體實(shí)施方式

為了使本發(fā)明的目的、技術(shù)方案及有益效果更加清楚明白，以下結(jié)合附圖及實(shí)施例，對本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

本發(fā)明實(shí)施例提供一種雙目視頻監(jiān)控方法，所述方法包括：雙目攝像頭采集視頻圖像并傳送至終端設(shè)備；所述終端設(shè)備將所述視頻圖像輸入所述終端設(shè)備上的第一卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行目標(biāo)的初步識(shí)別；若所述初步識(shí)別的結(jié)果為所述視頻圖像中存在可疑目標(biāo)，則所述終端設(shè)備將所述視頻圖像上傳至云服務(wù)器；所述云服務(wù)器將所述視頻圖像輸入所述云服務(wù)器上的第二卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行目標(biāo)的再次識(shí)別；若所述再次識(shí)別的結(jié)果為確定所述視頻圖像中存在可疑目標(biāo)，則所述云服務(wù)器將所述再次識(shí)別的結(jié)果返回至所述終端設(shè)備，由所述終端設(shè)備做進(jìn)一步的處理。本發(fā)明實(shí)施例還提供相應(yīng)的雙目視頻監(jiān)控系統(tǒng)和計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)。以下分別進(jìn)行詳細(xì)說明。

請參閱附圖1，是本發(fā)明實(shí)施例一提供的雙目視頻監(jiān)控方法的實(shí)現(xiàn)流程示意圖，主要包括以下步驟s101至步驟s105，詳細(xì)說明如下：

s101，雙目攝像頭采集視頻圖像并傳送至終端設(shè)備。

在本發(fā)明實(shí)施例中，采用視頻監(jiān)控的前端設(shè)備采用雙目攝像頭，模仿人類的兩只眼睛，采集視頻圖像并傳送至終端設(shè)備。

s102，終端設(shè)備將視頻圖像輸入終端設(shè)備上的第一卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行目標(biāo)的初步識(shí)別。

在本發(fā)明實(shí)施例中，終端設(shè)備可以是一臺(tái)微型電腦，例如，樹莓派3b型微型電腦，其上部署有第一卷積神經(jīng)網(wǎng)絡(luò)。作為本發(fā)明的一個(gè)實(shí)施例，第一卷積神經(jīng)網(wǎng)絡(luò)可以是基于tensorflow的小型卷積神經(jīng)網(wǎng)絡(luò)，其中，tensorflow是一款機(jī)器學(xué)習(xí)工具，其最大優(yōu)點(diǎn)是不需要用戶掌握部署深度神經(jīng)網(wǎng)絡(luò)所需的高級數(shù)學(xué)模型和優(yōu)化算法，從而極大拉低了機(jī)器學(xué)習(xí)的門檻。至于卷積神經(jīng)網(wǎng)絡(luò)(cnn，convolutionalneuralnetworks)，則是人工神經(jīng)網(wǎng)絡(luò)的一種，已成為當(dāng)前語音分析和圖像識(shí)別領(lǐng)域的研究熱點(diǎn)，它的權(quán)值共享網(wǎng)絡(luò)結(jié)構(gòu)使之更類似于生物神經(jīng)網(wǎng)絡(luò)，降低了網(wǎng)絡(luò)模型的復(fù)雜度，減少了權(quán)值的數(shù)量。基于tensorflow的小型卷積神經(jīng)網(wǎng)絡(luò)，是指采用tensorflow得到的一種規(guī)模較小的卷積神經(jīng)網(wǎng)絡(luò)。

s103，若初步識(shí)別的結(jié)果為視頻圖像中存在可疑目標(biāo)，則終端設(shè)備將視頻圖像上傳至云服務(wù)器。

s104，云服務(wù)器將視頻圖像輸入云服務(wù)器上的第二卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行目標(biāo)的再次識(shí)別。

在本發(fā)明實(shí)施例中，第二卷積神經(jīng)網(wǎng)絡(luò)可以是基于tensorflow的大型卷積神經(jīng)網(wǎng)絡(luò)，其中的tensorflow和卷積神經(jīng)網(wǎng)絡(luò)概念與前述實(shí)施例中提及的基于tensorflow的小型卷積神經(jīng)網(wǎng)絡(luò)的tensorflow和卷積神經(jīng)網(wǎng)絡(luò)概念相同，所不同的是，基于tensorflow的大型卷積神經(jīng)網(wǎng)絡(luò)在規(guī)模或?qū)哟紊弦h(yuǎn)遠(yuǎn)大于基于tensorflow的小型卷積神經(jīng)網(wǎng)絡(luò)。

需要說明的是，在本發(fā)明實(shí)施例中，可以在雙目攝像頭采集視頻圖像并傳送至終端設(shè)備之前，根據(jù)基于tensorflow的卷積神經(jīng)網(wǎng)絡(luò)模型，獲取基于tensorflow的小型卷積神經(jīng)網(wǎng)絡(luò)和基于tensorflow的大型卷積神經(jīng)網(wǎng)絡(luò)。具體地，根據(jù)基于tensorflow的卷積神經(jīng)網(wǎng)絡(luò)模型，獲取基于tensorflow的小型卷積神經(jīng)網(wǎng)絡(luò)和基于tensorflow的大型卷積神經(jīng)網(wǎng)絡(luò)可以通過如下步驟s1和s2實(shí)現(xiàn)：

s1，搭建基于tensorflow的卷積神經(jīng)網(wǎng)絡(luò)模型。

該基于tensorflow的卷積神經(jīng)網(wǎng)絡(luò)模型包括第一卷積層、第一最大池化層、第一局部響應(yīng)歸一化層、第二卷積層、第二局部響應(yīng)歸一化層、第一基于修正線性激活的全連接層、第二基于修正線性激活的全連接層和softmax_linear，其中，第一個(gè)卷積層用于實(shí)現(xiàn)卷積以及rectifiedlinearactivation，具體可以使用一個(gè)過濾器(即卷積核)來過濾視頻圖像的各個(gè)小區(qū)域，從而得到這些小區(qū)域的特征值，在實(shí)際訓(xùn)練過程中，卷積核的值是在學(xué)習(xí)過程中學(xué)到的；第一個(gè)最大池化層(maxpooling)是一種降采樣操作，該操作是在每個(gè)特定的小區(qū)域內(nèi)，可以選取最大值作為輸出值；第一局部響應(yīng)歸一化層用于實(shí)現(xiàn)局部響應(yīng)歸一化；第二卷積層也是用于實(shí)現(xiàn)卷積和rectifiedlinearactivation；第二局部響應(yīng)歸一化層也是用于實(shí)現(xiàn)局部響應(yīng)歸一化；第二最大池化層(maxpooling)是一種降采樣操作，該操作是在每個(gè)特定的小區(qū)域內(nèi)，可以選取最大值作為輸出值；上述各層最終通過第一基于修正線性激活的全連接層和第二基于修正線性激活的全連接層連接至softmax_linear，softmax_linear本質(zhì)上是一個(gè)softmax分類器，用于進(jìn)行線性變換以輸出logits。

在本發(fā)明實(shí)施例中，基于tensorflow的卷積神經(jīng)網(wǎng)絡(luò)模型可進(jìn)行n維分類的卷積神經(jīng)網(wǎng)絡(luò)使用的方法是多項(xiàng)式邏輯回歸，又被叫做softmax回歸，softmax回歸在網(wǎng)絡(luò)的輸出層上附加了一個(gè)softmaxnonlinearity，并且計(jì)算歸一化的預(yù)測值和label的1-hotencoding的交叉熵，在正則化過程中，我們會(huì)對所有學(xué)習(xí)變量應(yīng)用權(quán)重衰減損失，基于tensorflow的卷積神經(jīng)網(wǎng)絡(luò)模型的目標(biāo)函數(shù)是求交叉熵?fù)p失和所有權(quán)重衰減項(xiàng)的和。

s2，利用云計(jì)算的tensorflow集群服務(wù)器對基于tensorflow的卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，以獲取基于tensorflow的小型卷積神經(jīng)網(wǎng)絡(luò)和基于tensorflow的大型卷積神經(jīng)網(wǎng)絡(luò)。

基于tensorflow的卷積神經(jīng)網(wǎng)絡(luò)模型搭建好后，可以利用云計(jì)算的tensorflow集群服務(wù)器對基于tensorflow的卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，以獲取基于tensorflow的小型卷積神經(jīng)網(wǎng)絡(luò)和基于tensorflow的大型卷積神經(jīng)網(wǎng)絡(luò)。云計(jì)算的tensorflow集群服務(wù)器執(zhí)行一系列的任務(wù)，這些任務(wù)執(zhí)行tensorflow的圖計(jì)算，每個(gè)任務(wù)會(huì)關(guān)聯(lián)到tensorflow的一個(gè)服務(wù)，該服務(wù)用于創(chuàng)建tensorflow會(huì)話和執(zhí)行圖計(jì)算。云計(jì)算的tensorflow集群服務(wù)器也可以劃分一個(gè)或多個(gè)作業(yè)，每個(gè)作業(yè)可以包含一個(gè)或多個(gè)任務(wù)。在一個(gè)云計(jì)算的tensorflow集群服務(wù)器中，通常一個(gè)任務(wù)運(yùn)行在一個(gè)機(jī)器上，如果該機(jī)器支持多gpu設(shè)備，可以在該機(jī)器上運(yùn)行多個(gè)任務(wù)，由應(yīng)用程序控制任務(wù)在哪個(gè)gpu設(shè)備上運(yùn)行；常用的深度學(xué)習(xí)訓(xùn)練模型為數(shù)據(jù)并行化，即tensorflow任務(wù)采用相同的模型在不同的小批量數(shù)據(jù)集上進(jìn)行訓(xùn)練，然后在參數(shù)服務(wù)器上更新模型的共享參數(shù)。

由于云計(jì)算的tensorflow集群服務(wù)器具有分布式系統(tǒng)的優(yōu)點(diǎn)，因此，利用云計(jì)算的tensorflow集群服務(wù)器對基于tensorflow的卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，不僅可以縮短訓(xùn)練基于tensorflow的卷積神經(jīng)網(wǎng)絡(luò)模型的時(shí)間，而且訓(xùn)練好之后的卷積神經(jīng)網(wǎng)絡(luò)模型在視頻識(shí)別時(shí)準(zhǔn)確率也較高。

s105，若再次識(shí)別的結(jié)果為確定視頻圖像中存在可疑目標(biāo)，則云服務(wù)器將再次識(shí)別的結(jié)果返回至終端設(shè)備，由終端設(shè)備做進(jìn)一步的處理。

終端設(shè)備可以根據(jù)云服務(wù)器返回的再次識(shí)別的結(jié)果做進(jìn)一步的處理，例如，若可疑目標(biāo)是危險(xiǎn)人物，則立即發(fā)出警報(bào)，提醒安保人員。

從上述附圖1示例的雙目視頻監(jiān)控方法可知，一方面，由于第一卷積神經(jīng)網(wǎng)絡(luò)和第二卷積神經(jīng)網(wǎng)絡(luò)可以事先經(jīng)過訓(xùn)練得到，因此，利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對目標(biāo)進(jìn)行識(shí)別時(shí)能自動(dòng)快速提取目標(biāo)的特征，提高了視頻監(jiān)控時(shí)識(shí)別的效率；另一方面，經(jīng)過兩次識(shí)別才確定可疑目標(biāo)，因此提高了視頻監(jiān)控時(shí)識(shí)別的準(zhǔn)確率。

請參閱附圖2，是本發(fā)明實(shí)施例二提供的雙目視頻監(jiān)控系統(tǒng)的結(jié)構(gòu)示意圖。為了便于說明，附圖2僅示出了與本發(fā)明實(shí)施例相關(guān)的部分。附圖2示例的雙目視頻監(jiān)控系統(tǒng)主要包括雙目攝像頭201、終端設(shè)備202和云服務(wù)器203，終端設(shè)備201包括初步識(shí)別模塊204和上傳模塊205，云服務(wù)器203包括再次識(shí)別模塊206和結(jié)果返回模塊207，其中：

雙目攝像頭201，用于采集視頻圖像并傳送至終端設(shè)備202；

初步識(shí)別模塊204，用于將視頻圖像輸入終端設(shè)備202上的第一卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行目標(biāo)的初步識(shí)別；

上傳模塊205，用于若初步識(shí)別模塊204的初步識(shí)別的結(jié)果為視頻圖像中存在可疑目標(biāo)，則將視頻圖像上傳至云服務(wù)器203；

再次識(shí)別模塊206，用于將視頻圖像輸入云服務(wù)器203上的第二卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行目標(biāo)的再次識(shí)別；

結(jié)果返回模塊207，用于若再次識(shí)別模塊206的再次識(shí)別的結(jié)果為確定視頻圖像中存在可疑目標(biāo)，則將再次識(shí)別的結(jié)果返回至終端設(shè)備202，由終端設(shè)備202做進(jìn)一步的處理。

上述附圖2示例的系統(tǒng)中，第一卷積神經(jīng)網(wǎng)絡(luò)可以是基于tensorflow的小型卷積神經(jīng)網(wǎng)絡(luò)，第二卷積神經(jīng)網(wǎng)絡(luò)可以是基于tensorflow的大型卷積神經(jīng)網(wǎng)絡(luò)。

附圖2示例的雙目視頻監(jiān)控系統(tǒng)還可以包括獲取模塊301，如附圖3所示本發(fā)明實(shí)施例三提供的雙目視頻監(jiān)控系統(tǒng)。獲取模塊301用于雙目攝像頭201采集視頻圖像并傳送至終端設(shè)備202之前，根據(jù)基于tensorflow的卷積神經(jīng)網(wǎng)絡(luò)模型，獲取基于tensorflow的小型卷積神經(jīng)網(wǎng)絡(luò)和基于tensorflow的大型卷積神經(jīng)網(wǎng)絡(luò)。

附圖3示例的獲取模塊301還可以包括模型搭建單元401和訓(xùn)練單元402，如附圖4所示本發(fā)明實(shí)施例四提供的智能視頻多點(diǎn)監(jiān)控系統(tǒng)，其中：

模型搭建單元401，用于搭建基于tensorflow的卷積神經(jīng)網(wǎng)絡(luò)模型，其中，基于tensorflow的卷積神經(jīng)網(wǎng)絡(luò)模型包括第一卷積層、第一最大池化層、第一局部響應(yīng)歸一化層、第二卷積層、第二局部響應(yīng)歸一化層、第一基于修正線性激活的全連接層、第二基于修正線性激活的全連接層和softmax_linear；

訓(xùn)練單元402，用于利用云計(jì)算的tensorflow集群服務(wù)器對基于tensorflow的卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，以獲取基于tensorflow的小型卷積神經(jīng)網(wǎng)絡(luò)和基于tensorflow的大型卷積神經(jīng)網(wǎng)絡(luò)。

需要說明的是，上述裝置各模塊/單元之間的信息交互、執(zhí)行過程等內(nèi)容，由于與本發(fā)明方法實(shí)施例基于同一構(gòu)思，其帶來的技術(shù)效果與本發(fā)明方法實(shí)施例相同，具體內(nèi)容可參見本發(fā)明方法實(shí)施例中的敘述，此處不再贅述。

本發(fā)明實(shí)施例還提供一種雙目視頻監(jiān)控系統(tǒng)，包括存儲(chǔ)器、處理器以及存儲(chǔ)在存儲(chǔ)器中并可在處理器上運(yùn)行的計(jì)算機(jī)程序，該處理器執(zhí)行計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)以下步驟：雙目攝像頭采集視頻圖像并傳送至終端設(shè)備；終端設(shè)備將視頻圖像輸入終端設(shè)備上的第一卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行目標(biāo)的初步識(shí)別；若初步識(shí)別的結(jié)果為視頻圖像中存在可疑目標(biāo)，則終端設(shè)備將視頻圖像上傳至云服務(wù)器；云服務(wù)器將視頻圖像輸入云服務(wù)器上的第二卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行目標(biāo)的再次識(shí)別；若再次識(shí)別的結(jié)果為確定視頻圖像中存在可疑目標(biāo)，則云服務(wù)器將再次識(shí)別的結(jié)果返回至終端設(shè)備，由終端設(shè)備做進(jìn)一步的處理。

本發(fā)明實(shí)施例還提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，該計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)存儲(chǔ)有計(jì)算機(jī)程序，計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)以下步驟：雙目攝像頭采集視頻圖像并傳送至終端設(shè)備；終端設(shè)備將視頻圖像輸入終端設(shè)備上的第一卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行目標(biāo)的初步識(shí)別；若初步識(shí)別的結(jié)果為視頻圖像中存在可疑目標(biāo)，則終端設(shè)備將視頻圖像上傳至云服務(wù)器；云服務(wù)器將視頻圖像輸入云服務(wù)器上的第二卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行目標(biāo)的再次識(shí)別；若再次識(shí)別的結(jié)果為確定視頻圖像中存在可疑目標(biāo)，則云服務(wù)器將再次識(shí)別的結(jié)果返回至終端設(shè)備，由終端設(shè)備做進(jìn)一步的處理。

所屬領(lǐng)域的技術(shù)人員可以清楚地了解到，為了描述的方便和簡潔，僅以上述各功能單元、模塊的劃分進(jìn)行舉例說明，實(shí)際應(yīng)用中，可以根據(jù)需要而將上述功能分配由不同的功能單元、模塊完成，即將所述裝置的內(nèi)部結(jié)構(gòu)劃分成不同的功能單元或模塊，以完成以上描述的全部或者部分功能。實(shí)施例中的各功能單元、模塊可以集成在一個(gè)處理單元中，也可以是各個(gè)單元單獨(dú)物理存在，也可以兩個(gè)或兩個(gè)以上單元集成在一個(gè)單元中，上述集成的單元既可以采用硬件的形式實(shí)現(xiàn)，也可以采用軟件功能單元的形式實(shí)現(xiàn)。另外，各功能單元、模塊的具體名稱也只是為了便于相互區(qū)分，并不用于限制本申請的保護(hù)范圍。上述系統(tǒng)中單元、模塊的具體工作過程，可以參考前述方法實(shí)施例中的對應(yīng)過程，在此不再贅述。

在上述實(shí)施例中，對各個(gè)實(shí)施例的描述都各有側(cè)重，某個(gè)實(shí)施例中沒有詳述或記載的部分，可以參見其它實(shí)施例的相關(guān)描述。

本領(lǐng)域普通技術(shù)人員可以意識(shí)到，結(jié)合本文中所公開的實(shí)施例描述的各示例的單元及算法步驟，能夠以電子硬件、或者計(jì)算機(jī)軟件和電子硬件的結(jié)合來實(shí)現(xiàn)。這些功能究竟以硬件還是軟件方式來執(zhí)行，取決于技術(shù)方案的特定應(yīng)用和設(shè)計(jì)約束條件。專業(yè)技術(shù)人員可以對每個(gè)特定的應(yīng)用來使用不同方法來實(shí)現(xiàn)所描述的功能，但是這種實(shí)現(xiàn)不應(yīng)認(rèn)為超出本發(fā)明的范圍。

在本發(fā)明所提供的實(shí)施例中，應(yīng)該理解到，所揭露的裝置和方法，可以通過其它的方式實(shí)現(xiàn)。例如，以上所描述的系統(tǒng)實(shí)施例僅僅是示意性的，例如，所述模塊或單元的劃分，僅僅為一種邏輯功能劃分，實(shí)際實(shí)現(xiàn)時(shí)可以有另外的劃分方式，例如多個(gè)單元或組件可以結(jié)合或者可以集成到另一個(gè)系統(tǒng)，或一些特征可以忽略，或不執(zhí)行。另一點(diǎn)，所顯示或討論的相互之間的耦合或直接耦合或通訊連接可以是通過一些接口，裝置或單元的間接耦合或通訊連接，可以是電性，機(jī)械或其它的形式。

所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個(gè)地方，或者也可以分布到多個(gè)網(wǎng)絡(luò)單元上。可以根據(jù)實(shí)際的需要選擇其中的部分或者全部單元來實(shí)現(xiàn)本實(shí)施例方案的目的。

另外，在本發(fā)明各個(gè)實(shí)施例中的各功能單元可以集成在一個(gè)處理單元中，也可以是各個(gè)單元單獨(dú)物理存在，也可以兩個(gè)或兩個(gè)以上單元集成在一個(gè)單元中。上述集成的單元既可以采用硬件的形式實(shí)現(xiàn)，也可以采用軟件功能單元的形式實(shí)現(xiàn)。

所述集成的單元如果以軟件功能單元的形式實(shí)現(xiàn)并作為獨(dú)立的產(chǎn)品銷售或使用時(shí)，可以存儲(chǔ)在一個(gè)計(jì)算機(jī)可讀取存儲(chǔ)介質(zhì)中?；谶@樣的理解，本發(fā)明實(shí)施例的技術(shù)方案本質(zhì)上或者說對現(xiàn)有技術(shù)做出貢獻(xiàn)的部分或者該技術(shù)方案的全部或部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計(jì)算機(jī)軟件產(chǎn)品存儲(chǔ)在一個(gè)存儲(chǔ)介質(zhì)中，包括若干指令用以使得一臺(tái)計(jì)算機(jī)設(shè)備(可以是個(gè)人計(jì)算機(jī)，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)或處理器(processor)執(zhí)行本發(fā)明實(shí)施例各個(gè)實(shí)施例所述方法的全部或部分步驟。而前述的存儲(chǔ)介質(zhì)包括：u盤、移動(dòng)硬盤、只讀存儲(chǔ)器(rom，read-onlymemory)、隨機(jī)存取存儲(chǔ)器(ram，randomaccessmemory)、磁碟或者光盤等各種可以存儲(chǔ)程序代碼的介質(zhì)。

以上所述實(shí)施例僅用以說明本發(fā)明的技術(shù)方案，而非對其限制；盡管參照前述實(shí)施例對本發(fā)明進(jìn)行了詳細(xì)的說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：其依然可以對前述各實(shí)施例所記載的技術(shù)方案進(jìn)行修改，或者對其中部分技術(shù)特征進(jìn)行等同替換；而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實(shí)施例技術(shù)方案的精神和范圍，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。