一种图像采集方法、装置、服务器及计算机可读存储介质与流程

阅读：评论：0

1.本技术属于图像处理技术领域，尤其涉及一种图像采集方法、装置、服务器及计算机可读存储介质。

背景技术：

2.在现阶段的社会发展中，监控系统已经成为了必要的组成部分，同时对于很多方面的工作开展，都会产生特别大的影响。随着图像处理技术的发展，使得监控技术得到的发展。但是目前的监控技术，只能简单的显示画面给用户查看，不能实时的进行预警。

技术实现要素：

3.本技术实施例提供了一种图像采集方法、装置、服务器及计算机可读存储介质，可以解决现有技术中只能简单的显示画面给用户查看，不能实时的进行预警。
4.第一方面，本技术实施例提供了一种图像采集方法，包括：
5.获取监控场景中的待处理图像；其中，所述监控场景包括至少一个监控区域；
6.根据所述待处理图像，生成动态三维模型；其中，所述动态三维模型中包括至少一个动态三维区域，每个动态三维区域对应于一个所述监控区域；
7.提取所述动态三维区域中的目标特征；
8.将所述目标特征输入至预设的异常检测模型，输出每个动态三维区域对应的异常检测结果；
9.根据所述每个动态三维区域对应的异常检测结果标记每个动态三维区域对应的预警等级；
10.显示标记预警等级后的动态三维模型至用户终端。
11.在第一方面的一种可能的实现方式中，获取监控场景中的待处理图像，包括：
12.通过源滤波器接收待处理图像；
13.采用变换过滤器对源滤波器采集待处理图像进行压缩格式；
14.利用渲染过滤器对变换过滤器进行压缩格式的待处理图像进行渲染处理。
15.在第一方面的一种可能的实现方式中，所述待处理图像包括静态图像和与所述静态图像对应的动态图像；
16.根据所述待处理图像，生成动态三维模型，包括：
17.根据所述静态图像生成静态三维模型；
18.对所述静态三维模型和与所述静态图像对应的动态图像进行融合，得到动态三维模型。
19.在第一方面的一种可能的实现方式中，根据所述静态图像生成静态三维模型，包括：
20.根据所述静态图像生成点云；
21.根据所述点云重建得到静态三维模型。
22.在第一方面的一种可能的实现方式中，对所述静态三维模型和与所述静态图像对应的动态图像进行融合，得到动态三维模型，包括：
23.提取与所述静态图像对应的动态图像中首帧图像；
24.采用预设空间定位算法估算所述首帧图像的三维坐标；
25.基于预设空间匹配算法，根据所述首帧图像的三维坐标，将所述与所述静态图像对应的动态图像拼接至所述静态三维模型中，生成动态三维模型。
26.在第一方面的一种可能的实现方式中，所述目标特征包括第一目标特征和第二目标特征；
27.提取所述动态三维模型中的目标特征，包括：
28.确定所述动态三维模型中的目标对象；
29.提取所述目标对象对应的第一目标特征；
30.提取所述目标对象对应的第二目标特征。
31.在第一方面的一种可能的实现方式中，将所述目标特征输入至预设的异常检测模型，输出每个动态三维区域对应的异常检测结果，包括：
32.基于所述目标对象的第一目标特征和第二目标特征，根据预设的异常检测模型检测每个动态三维区域的异常程度，得到异常检测结果。
33.第二方面，本技术实施例提供了一种图像采集装置，包括：
34.获取模块，用于获取监控场景中的待处理图像；其中，所述监控场景包括至少一个监控区域；
35.生成模块，用于根据所述待处理图像，生成动态三维模型；所述动态三维模型中包括至少一个动态三维区域，每个动态三维区域对应于一个所述监控区域；
36.提取模板，用于提取所述动态三维区域中的目标特征；
37.检测模块，用于将所述目标特征输入至预设的异常检测模型，输出每个动态三维区域对应的异常检测结果；
38.标记模板，用于根据所述每个动态三维区域对应的异常检测结果标记每个动态三维区域对应的预警等级；
39.显示模块，用于显示标记预警等级后的动态三维模型至用户终端。
40.在一种可能实现的方式中，获取模板，包括：
41.接收子模块，用于通过源滤波器接收待处理图像；
42.压缩子模块，用于采用变换过滤器对源滤波器采集待处理图像进行压缩格式；
43.渲染子模块，用于利用渲染过滤器对变换过滤器进行压缩格式的待处理图像进行渲染处理。
44.在一种可能实现的方式中，所述待处理图像包括静态图像和与所述静态图像对应的动态图像；
45.所述生成模板，包括：
46.生成子模块，用于根据所述静态图像生成静态三维模型；
47.融合子模块，用于对所述静态三维模型和与所述静态图像对应的动态图像进行融合，得到动态三维模型。
48.在一种可能实现的方式中，所述生成子模块，包括：
49.生成单元，用于根据所述静态图像生成点云；
50.重建单元，用于根据所述点云重建得到静态三维模型。
51.在一种可能实现的方式中，所述融合子模块，包括：
52.提取单元，用于提取与所述静态图像对应的动态图像中首帧图像；
53.估算单元，用于采用预设空间定位算法估算所述首帧图像的三维坐标；
54.拼接单元，用于基于预设空间匹配算法，根据所述首帧图像的三维坐标，将所述与所述静态图像对应的动态图像拼接至所述静态三维模型中，生成动态三维模型。
55.在一种可能实现的方式中，所述目标特征包括第一目标特征和第二目标特征；
56.所述提取单元包括：
57.确定子单元，用于确定所述动态三维模型中的目标对象；
58.第一提取子单元，用于提取所述目标对象对应的第一目标特征；
59.第二提取子单元，用于提取所述目标对象对应的第二目标特征。
60.在一种可能实现的方式中，所述检测模块包括：
61.检测子模块，用于基于所述目标对象的第一目标特征和第二目标特征，根据预设的异常检测模型检测每个动态三维区域的异常程度，得到异常检测结果。
62.第三方面，本技术实施例提供了一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的方法。
63.第四方面，本技术实施例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实现如上述第一方面所述的方法。
64.本技术实施例与现有技术相比存在的有益效果是：
65.本技术实施例中，通过获取监控场景中的待处理图像；其中，监控场景包括至少一个监控区域；根据待处理图像，生成动态三维模型；动态三维模型中包括至少一个动态三维区域，每个动态三维区域对应于一个监控区域；提取动态三维区域中的目标特征；将目标特征输入至预设的异常检测模型，输出每个动态三维区域对应的异常检测结果；根据每个动态三维区域对应的异常检测结果标记每个动态三维区域对应的预警等级；显示标记预警等级后的动态三维模型至用户终端。可见，本技术实施例可以对监控场景中的各个监控区域进行实时预警，及时同步预警信息给监控人员查看。
附图说明
66.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。
67.图1是本技术实施例提供的图像采集方法的流程示意图；
68.图2是本技术实施例提供的图像采集装置的结构示意图；
69.图3是本技术实施例提供的服务器的结构示意图；
70.图4是本技术实施例提供的预设的异常检测模型的拓扑结构示意图。
具体实施方式
71.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本技术的描述。
72.应当理解，当在本技术说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
73.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。
74.如在本技术说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
[0075]
另外，在本技术说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0076]
在本技术说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本技术的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
[0077]
下面将通过具体实施例对本技术实施例提供的技术方案进行介绍。
[0078]
参见图1，为本技术实施例提供的图像采集方法的流程示意图，作为示例而非限定，该方法可以应用于服务器，该方法可以包括以下步骤：
[0079]
步骤s101，获取监控场景中的待处理图像。
[0080]
其中，监控场景包括至少一个监控区域。
[0081]
具体应用中，获取监控场景中的待处理图像，包括：
[0082]
步骤s201，通过源滤波器接收待处理图像。
[0083]
步骤s202，采用变换过滤器对源滤波器采集待处理图像进行压缩格式。
[0084]
步骤s203，利用渲染过滤器对变换过滤器进行压缩格式的待处理图像进行渲染处理。
[0085]
本技术实施例提供的directshow系统位于应用层中，directshow系统包括源滤波器、变换过滤器以及渲染过滤器，通过源滤波器、变换过滤器以及渲染过滤器协同工作，实现对待处理图像的预览。
[0086]
可以理解的是，本技术实施例采用directshow技术实现对视频的采集与图像的抓拍，提高图像的预览与采集的效果。
[0087]
步骤s102，根据待处理图像，生成动态三维模型。
[0088]
其中，动态三维模型中包括至少一个动态三维区域，每个动态三维区域对应于一
个监控区域。待处理图像包括静态图像和与静态图像对应的动态图像。本技术实施例中的静态图像是指全景图像，服务器可以通过深度相机(例如结构光深度相机或者tof深度相机)拍摄监控区域获取到静态图像，本技术实施例中的与静态图像对应的动态图像是连续图像帧，即视频流。
[0089]
可以理解的是，本技术实施例可以针对监控场景中每个监控区域实时生成一个对应的动态三维模型，方面监控人员更加直观的查看。
[0090]
具体应用中，根据待处理图像，生成动态三维模型，包括：
[0091]
步骤s301，根据静态图像生成静态三维模型。
[0092]
示例性地，根据静态图像生成静态三维模型，包括：
[0093]
步骤s401，根据静态图像生成点云。
[0094]
示例性地，根据预设的特征提取算法(例如harris角点检测算法、fast角点检测算法、sifi提取算法或者surf提取算法)提取静态图像的特征点，筛选出存在匹配关系的目标特征点，根据sfm算法对存在匹配关系的目标特征点进行处理，计算出深度信息以及深度相机的位置信息，最后根据下式得到点云的三维坐标：
[0095][0096]
其中，(u，v)为静态图像中每个目标特征点的像素坐标，d为静态图像中每个目标特征点的深度值，k为深度相机的内参，(x，y，z)为点云的三维坐标。示例性地，深度相机的内参可以采用张正友标定法计算得到。
[0097]
步骤s402，根据点云重建得到静态三维模型。
[0098]
示例性地，根据sfm算法对点云进行离线处理，得到静态三维模型。
[0099]
步骤s302，对静态三维模型和与静态图像对应的动态图像进行融合，得到动态三维模型。
[0100]
具体应用中，对静态三维模型和与静态图像对应的动态图像进行融合，得到动态三维模型，包括：
[0101]
步骤s501，提取与静态图像对应的动态图像中首帧图像。
[0102]
步骤s502，采用预设空间定位算法估算首帧图像的三维坐标。
[0103]
其中，预设空间定位可以是sfm算法。
[0104]
步骤s503，基于预设空间匹配算法，根据首帧图像的三维坐标，将与静态图像对应的动态图像拼接至静态三维模型中。
[0105]
其中，预设空间匹配算法可以是光流法。可以理解的是，利用光流法可对图像进行逐帧回溯，即得到当前帧与其历史关键帧中提取的特征点间的匹配关系及获得匹配的特征点对，利用得到的特征点对计算每帧图像与其的历史关键帧间的单应性矩阵。单应性矩阵包含了图像间坐标变换的所有信息，因此可采用单应性矩阵作为图像拼接模型，完成视频流中各帧图像中关键帧间的配准，以及各帧图像中关键帧到全局3d静态全景图的配准拼接，实现将与静态图像对应的动态图像拼接至静态三维模型中，得到动态三维模型。
[0106]
步骤s103，提取动态三维区域中的目标特征。
[0107]
具体应用中，提取动态三维区域中的目标特征，包括：
[0108]
步骤s601，确定动态三维模型中的目标对象。
[0109]
其中，目标对象可以是动态三维模型对应的监控区域中的行人。
[0110]
示例性地，采用多尺度的滑窗按照预定步长截取候选小图像块，形成待处理特征，将待处理特征输入至预先训练好的特征识别模型，从而识别到目标对象。预先训练好的特征识别模型可以是预先训练好的头肩/非头肩识别模型hsnet(三级cnn级联网络)。
[0111]
步骤s602，提取目标对象对应的第一目标特征。
[0112]
其中，第一目标特征为目标对象对应的人数、人面积、人速度、人方向以及聚集时间。
[0113]
示例性地，采用帧间差分算法实现运动目标的提取，对动态三维模型中的每个目标对象进行目标跟踪，采用边缘检测算法从动态三维模型中每个目标对象对应的图像提取出局部特征，统计每个局部特征对应的像素点，将每个局部特征对应的像素点输入至bma块匹配模型，得到目标对象对应的第一目标特征。
[0114]
步骤s603，提取目标对象对应的第二目标特征。
[0115]
其中，第二目标特征为目标对象对应的姿态动作，姿态动作包括静态姿态例如行人站立)和动态姿态(比如在行人横穿马路)。
[0116]
示例性地，先将目标对象对应的图像进行向量化处理，然后采用编辑距离或者余弦相似度等相似度算法与本地数据库存储的动作进行匹配，预识别目标对象的姿态类型；若姿态类型是静态姿态，则调用预先训练得到的静态姿态识别模型对第二目标特征进行识别，输出第二目标特征；若姿态类型是动态姿态，则调用预先训练得到的动态姿态识别模型对第二目标特征进行识别，输出第二目标特征。
[0117]
静态姿态识别模型包括第一卷积网络结构、第二卷积网络结构以及用第三卷积网络结构。示例性地，采用轮廓特征提取方式提取姿态类型为静态姿态的图像的特征图，调用第一卷积网络结构对特征图进行高分辨率的第一卷积运算，调用第二卷积网络结构对特征图进行中分辨率的第二卷积运算，调用第三卷积网络结构对特征图进行低分辨率的第三卷积运算，将第一卷积运算后的特征图、第二卷积运算后的特征图、第三卷积运算后的特征图进行融合，得到目标对象对应的姿态动作。
[0118]
动态姿态识别模型包括目标检测网络、局部特征提取网络、全局特征提取网络、姿态分类网络。
[0119]
示例性地，对姿态类型为动态姿态的视频进行预处理，得到第一视频帧；基于目标检测网络分割第一视频帧，得到第二视频帧；将第二视频帧输入至局部特征提取网络，得到局部动态特征；将第二视频帧输入至全局特征提取网络，得到全局动态特征；根据姿态分类网络对局部动态特征和全局动态特征进行融合，并对融合后的局部动态特征和全局动态特征进行分类，得到目标对象对应的姿态动作。
[0120]
步骤s104，将目标特征输入至预设的异常检测模型，输出每个动态三维区域对应的异常检测结果。
[0121]
其中，预设的异常检测模型是基于叶贝斯网络预设设置的，预设的异常检测模型包括基础层节点、中间层节点以及事件层节点。
[0122]
示意性地，如图4所示，为预设的异常检测模型的拓扑结构示意图，包括基础层节点、中间层节点以及事件层节点，其中，基础层节点包括人数、人面积、人速度、人方
向、聚集时间、第一姿态动作以及第二姿态动作，中间层节点包括人密度、聚集强度以及异常动作，事件等级包括低级事件、中级事件以及高级事件。
[0123]
需说明的是，贝叶斯网络是一种基于概率推理的有向无环非循环网络，可根据不完全或不精确的信息进行较为准确的因果推理。其中，贝叶斯网络结构的概率预测公式是p(bj|a)＝(p(a|bj)
×
p(bj))/(p(a))，其中，上述p(bj|a)为在事件a发生条件下事件bj发生的后验概率，上述p(a|bj)为在事件bj发生的条件下事件a发生的先验概率，上述p(bj)为事件bj独立发生的先验概率，p(a)为事件a独立发生的先验概率。
[0124]
另外，在预设的异常检测模型中，根据历史数据计算出中间层节点独立发生的先验概率、事件层节点独立发生的先验概率，基础层节点与中间层节点之间的第一转移概率，以及中间层节点与事件层节点之间的第二转移概率。上述中间层节点独立发生的先验概率以及事件层节点独立发生的先验概率是指该节点发生次数除以的总发生次数得到的概率。基础层节点与中间层节点之间的第一转移概率和中间层节点与事件层节点之间的第二转移概率是由人工进行设置权重得到的。
[0125]
具体应用中，将目标特征输入至预设的异常检测模型，输出每个动态三维区域对应的异常检测结果，包括：
[0126]
基于目标对象的第一目标特征和第二目标特征，根据预设的异常检测模型检测每个动态三维区域的异常程度，得到异常检测结果。
[0127]
示例性的，基于目标对象的第一目标特征和第二目标特征，根据预设的异常检测模型检测每个动态三维区域的异常程度，得到异常检测结果，包括：
[0128]
步骤s701，将目标特征作为基础层节点，计算基础层节点独立发生的先验概率。
[0129]
可以理解的是，即计算基础层节点独立发生的先验概率。具体地，根据基础层节点对应的发生次数除以总发生次数得到。
[0130]
步骤s702，获取中间层节点独立发生的先验概率。
[0131]
步骤s703，根据所述基础层节点独立发生的先验概率计算中间层节点发生的前提下基础层节点发生的先验概率。
[0132]
步骤s704，将所述基础层节点独立发生的先验概率、中间层节点独立发生的先验概率以及中间层节点发生的前提下基础层节点发生的先验概率输入至预设的异常检测模型，输出基础层节点发生的前提下中间层节点发生的后验概率。
[0133]
示例性地，将基础层节点独立发生的先验概率、中间层节点独立发生的先验概率以及中间层节点发生的前提下基础层节点发生的先验概率代入到上述提到的贝叶斯网络结构的概率预测公式中，得到基础层节点发生的前提下中间层节点发生的后验概率。
[0134]
步骤s705，根据基础层节点发生的前提下中间层节点发生的后验概率计算事件层阶段发生的前提下中间层节点发生的先验概率。
[0135]
示例性地，根据基础层节点发生的前提下中间层节点发生的后验概率与第二转移概率之间的乘积得到事件层阶段发生的前提下中间层节点发生的先验概率。
[0136]
步骤s706，获取事件层节点独立发生的先验概率。
[0137]
步骤s707，将所述事件层阶段发生的前提下中间层节点发生的先验概率、中间层节点独立发生的先验概率以及事件层节点独立发生的先验概率输入至预设的异常检测模型中，输出中间层节点发生前提下事件层节点发生的后验概率。
[0138]
示例性地，将事件层阶段发生的前提下中间层节点发生的先验概率、中间层节点独立发生的先验概率以及事件层节点独立发生的先验概率代入到上述提到的贝叶斯网络结构的概率预测公式中，得到中间层节点发生前提下事件层节点的后验概率。
[0139]
步骤s708，根据中间层节点发生前提下事件层节点发生的后验概率得到异常检测结果。
[0140]
示例性地，得到事件层节点中低级事件、中级事件以及高级事件分别对应的后验概率，取数值最高的后验概率对应的事件作为异常检测结果。
[0141]
步骤s105，根据每个动态三维区域对应的异常检测结果标记每个动态三维区域对应的预警等级。
[0142]
其中，异常检测结果为低级事件，则动态三维区域对应的预警等级为低级；异常检测结果为中级事件，则动态三维区域对应的预警等级为中级；异常检测结果为高级事件，则动态三维区域对应的预警等级为高级。
[0143]
步骤s106，显示标记预警等级后的动态三维模型至用户终端。
[0144]
可以理解的是，实时将预警等级高的监控区域显示给用户(例如监控人员)查看，达到实时预警的效果。
[0145]
本技术实施例中，通过获取监控场景中的待处理图像；其中，监控场景包括至少一个监控区域；根据待处理图像，生成动态三维模型；动态三维模型中包括至少一个动态三维区域，每个动态三维区域对应于一个所述监控区域；提取动态三维区域中的目标特征；将目标特征输入至预设的异常检测模型，输出每个动态三维区域对应的异常检测结果；根据每个动态三维区域对应的异常检测结果标记每个动态三维区域对应的预警等级；显示标记预警等级后的动态三维模型至用户终端。可见，本技术实施例可以对监控场景中的各个监控区域进行实时预警，及时同步预警信息给监控人员查看。
[0146]
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。
[0147]
对应于上文实施例所述的方法，图2示出了本技术实施例提供的图像采集装置的结构框图，为了便于说明，仅示出了与本技术实施例相关的部分。
[0148]
参照图2，该图像采集装置包括：
[0149]
获取模块21，用于获取监控场景中的待处理图像；其中，所述监控场景包括至少一个监控区域；
[0150]
生成模块22，用于根据所述待处理图像，生成动态三维模型；所述动态三维模型中包括至少一个动态三维区域，每个动态三维区域对应于一个所述监控区域；
[0151]
提取模板23，用于提取所述动态三维区域中的目标特征；
[0152]
检测模块24，用于将所述目标特征输入至预设的异常检测模型，输出每个动态三维区域对应的异常检测结果；
[0153]
标记模板25，用于根据所述每个动态三维区域对应的异常检测结果标记每个动态三维区域对应的预警等级；
[0154]
显示模块26，用于显示标记预警等级后的动态三维模型至用户终端。
[0155]
在一种可能实现的方式中，获取模板，包括：
[0156]
接收子模块，用于通过源滤波器接收待处理图像；
[0157]
压缩子模块，用于采用变换过滤器对源滤波器采集待处理图像进行压缩格式；
[0158]
渲染子模块，用于利用渲染过滤器对变换过滤器进行压缩格式的待处理图像进行渲染处理。
[0159]
在一种可能实现的方式中，所述待处理图像包括静态图像和与所述静态图像对应的动态图像；
[0160]
所述生成模板，包括：
[0161]
生成子模块，用于根据所述静态图像生成静态三维模型；
[0162]
融合子模块，用于对所述静态三维模型和与所述静态图像对应的动态图像进行融合，得到动态三维模型。
[0163]
在一种可能实现的方式中，所述生成子模块，包括：
[0164]
生成单元，用于根据所述静态图像生成点云；
[0165]
重建单元，用于根据所述点云重建得到静态三维模型。
[0166]
在一种可能实现的方式中，所述融合子模块，包括：
[0167]
提取单元，用于提取与所述静态图像对应的动态图像中首帧图像；
[0168]
估算单元，用于采用预设空间定位算法估算所述首帧图像的三维坐标；
[0169]
拼接单元，用于基于预设空间匹配算法，根据所述首帧图像的三维坐标，将所述与所述静态图像对应的动态图像拼接至所述静态三维模型中，生成动态三维模型。
[0170]
在一种可能实现的方式中，所述目标特征包括第一目标特征和第二目标特征；
[0171]
所述提取单元包括：
[0172]
确定子单元，用于确定所述动态三维模型中的目标对象；
[0173]
第一提取子单元，用于提取所述目标对象对应的第一目标特征；
[0174]
第二提取子单元，用于提取所述目标对象对应的第二目标特征。
[0175]
在一种可能实现的方式中，所述检测模块包括：
[0176]
检测子模块，用于基于所述目标对象的第一目标特征和第二目标特征，根据预设的异常检测模型检测每个动态三维区域的异常程度，得到异常检测结果。
[0177]
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本技术方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
[0178]
图3为本技术一实施例提供的服务器的结构示意图。如图3所示，该实施例的服务器3包括：至少一个处理器30、存储器31以及存储在所述存储器31中并可在所述至少一个处理器30上运行的计算机程序32，所述处理器30执行所述计算机程序32时实现上述任意各个方法实施例中的步骤。
[0179]
所述服务器3可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该服务器可包括，但不仅限于，处理器30、存储器31。本领域技术人员可以理解，图3仅仅是服务器3的举例，并不构成对服务器3的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
[0180]
所称处理器30可以是中央处理单元(central processing unit，cpu)，该处理器30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)、现成可编程门阵列(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。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。
[0181]
所述存储器31在一些实施例中可以是所述服务器3的内部存储单元，例如服务器3的硬盘或内存。所述存储器31在另一些实施例中也可以是所述服务器3的外部存储设备，例如所述服务器3上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。进一步地，所述存储器31还可以既包括所述服务器3的内部存储单元也包括外部存储设备。所述存储器31用于存储操作系统、应用程序、引导装载程序(bootloader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
[0182]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0183]
本技术实施例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实现可实现上述各个方法实施例中的步骤。
[0184]
本技术实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
[0185]
所述集成的单元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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/服务器的任何实体或装置、记录介质、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质。例如u盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
[0186]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0187]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟
以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0188]
在本技术所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0189]
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。
[0190]
以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。

技术特征：

1.一种图像采集方法，其特征在于，该方法包括：获取监控场景中的待处理图像；其中，所述监控场景包括至少一个监控区域；根据所述待处理图像，生成动态三维模型；其中，所述动态三维模型中包括至少一个动态三维区域，每个动态三维区域对应于一个所述监控区域；提取所述动态三维区域中的目标特征；将所述目标特征输入至预设的异常检测模型，输出每个动态三维区域对应的异常检测结果；根据所述每个动态三维区域对应的异常检测结果标记每个动态三维区域对应的预警等级；显示标记预警等级后的动态三维模型至用户终端。2.如权利要求1所述的图像采集方法，其特征在于，获取监控场景中的待处理图像，包括：通过源滤波器接收待处理图像；采用变换过滤器对源滤波器采集待处理图像进行压缩格式；利用渲染过滤器对变换过滤器进行压缩格式的待处理图像进行渲染处理。3.如权利要求1所述的图像采集方法，其特征在于，所述待处理图像包括静态图像和与所述静态图像对应的动态图像；根据所述待处理图像，生成动态三维模型，包括：根据所述静态图像生成静态三维模型；对所述静态三维模型和与所述静态图像对应的动态图像进行融合，得到动态三维模型。4.如权利要求3所述的图像采集方法，其特征在于，根据所述静态图像生成静态三维模型，包括：根据所述静态图像生成点云；根据所述点云重建得到静态三维模型。5.如权利要求3所述的图像采集方法，其特征在于，对所述静态三维模型和与所述静态图像对应的动态图像进行融合，得到动态三维模型，包括：提取与所述静态图像对应的动态图像中首帧图像；采用预设空间定位算法估算所述首帧图像的三维坐标；基于预设空间匹配算法，根据所述首帧图像的三维坐标，将所述与所述静态图像对应的动态图像拼接至所述静态三维模型中，生成动态三维模型。6.如权利要求1所述的图像采集方法，其特征在于，所述目标特征包括第一目标特征和第二目标特征；提取所述动态三维模型中的目标特征，包括：确定所述动态三维模型中的目标对象；提取所述目标对象对应的第一目标特征；提取所述目标对象对应的第二目标特征。7.如权利要求6所述的图像采集方法，其特征在于，将所述目标特征输入至预设的异常检测模型，输出每个动态三维区域对应的异常检测结果，包括：
基于所述目标对象的第一目标特征和第二目标特征，根据预设的异常检测模型检测每个动态三维区域的异常程度，得到异常检测结果。8.一种图像采集装置，其特征在于，包括：获取模块，用于获取监控场景中的待处理图像；其中，所述监控场景包括至少一个监控区域；生成模块，用于根据所述待处理图像，生成动态三维模型；所述动态三维模型中包括至少一个动态三维区域，每个动态三维区域对应于一个所述监控区域；提取模板，用于提取所述动态三维区域中的目标特征；检测模块，用于将所述目标特征输入至预设的异常检测模型，输出每个动态三维区域对应的异常检测结果；标记模板，用于根据所述每个动态三维区域对应的异常检测结果标记每个动态三维区域对应的预警等级；显示模块，用于显示标记预警等级后的动态三维模型至用户终端。9.一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。10.一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，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。

技术总结

本申请适用于图像处理技术领域，提供了一种图像采集方法、装置、服务器及计算机可读存储介质，包括：通过获取监控场景中的待处理图像；其中，监控场景包括至少一个监控区域；根据待处理图像，生成动态三维模型；动态三维模型中包括至少一个动态三维区域，每个动态三维区域对应于一个监控区域；提取动态三维区域中的目标特征；将目标特征输入至预设的异常检测模型，输出每个动态三维区域对应的异常检测结果；根据每个动态三维区域对应的异常检测结果标记每个动态三维区域对应的预警等级；显示标记预警等级后的动态三维模型至用户终端。可见，本申请可以对监控场景中的各个监控区域进行实时预警，及时同步预警信息给监控人员查看。看。看。