一种摊贩检测方法以及装置与流程

1.本技术涉及图像处理领域，尤其涉及一种摊贩检测方法、装置。


背景技术：

2.现有的摊贩检测技术通常使用传统图像处理方法，如背景建模方法，或使用深度学习目标检测模型对摊位进行识别，对摆摊行为进行报警处理。这些技术存在的问题只考虑对目标进行检测，没有考虑前期对视频资源的分类以智能调度模型，无法实现摄像头视频资源与计算资源的精准匹配。


技术实现要素：

3.本技术提供一种摊贩检测方法，以可以实现摄像头视频资源与计算资源的精准匹配，提高了摊贩检测的效率和精准度，进而提高了用户体验。
4.第一方面，本技术提供了一种摊贩检测方法，所述方法包括：获取摄像头的事件属性；根据所述摄像头的事件属性，确定所述摄像头的预警等级；根据所述摄像头的预警等级对应的检测频率，控制所述摄像头采集摊贩情况图像；将所述摊贩情况图像输入已训练的摊贩检测模型，得到摊贩检测结果。
5.可选的，所述根据所述摄像头的事件属性，确定所述摄像头的预警等级，包括：利用已训练的随机森林预测模型，根据所述摄像头的事件属性输入，确定所述摄像头的预警等级。
6.可选的，所述摄像头的事件属性包括所述摄像头的时间信息、位置信息和天气信息。
7.可选的，所述利用已训练的随机森林预测模型，根据所述摄像头的事件属性输入，确定所述摄像头的预警等级，包括：根据所述摄像头的时间信息、位置信息和天气信息，确定所述摄像头对应的时间分数、位置分数和天气分数；将所述摄像头对应的时间分数、位置分数和天气分数输入已训练的随机森林预测模型，得到所述摄像头对应的预警分数；根据所述摄像头对应的预警分数，确定所述摄像头的预警等级。
8.可选的，所述已训练的随机森林预测模型包括若干个决策树模型，每个决策树模型对应一个指标类型且每个决策树模型对应的指标类型均不相同；所述将所述摄像头对应的时间分数、位置分数和天气分数输入已训练的随机森林预测模型，得到所述摄像头对应的预警分数，包括：将所述摄像头对应的时间分数、位置分数和天气分数分别输入所述随机森林预测模型中的每个决策树模型，得到每个决策树模型输出的所述摄像头对应的预测预警分数；
根据每个决策树模型输出的预测预警分数，确定所述摄像头对应的预警分数。
9.可选的，所述根据每个决策树模型输出的预测预警分数，确定所述摄像头对应的预警分数，包括：将所有决策树模型输出的预测预警分数的平均值或加权平均值，作为所述摄像头对应的预警分数。
10.可选的，所述摊贩检测结果包括所述摊贩情况图像中摊贩位置信息和摊贩类别；所述摊贩检测模型的生成方式包括：获取训练样本数据集；所述训练样本数据集包括若干组训练样本数据，其中，每组训练样本数据包括训练样本图像以及所述训练样本图像对应的摊贩位置信息标签和摊贩类别标签；将训练样本图像输入预设的网络模型，得到所述训练样本图像对应的预测摊贩位置信息、预测摊贩类别；根据训练样本对应的预测摊贩位置信息、预测摊贩类别以及所述训练样本图像对应的摊贩位置信息标签和摊贩类别标签，确定损失值；根据所述损失值对所述网络模型的模型参数进行调整，直至所述网络模型满足训练条件，并将所述网络模型作为所述摊贩检测模型。
11.可选的，在所述获取训练样本数据集的步骤之后，所述方法还包括：对所述训练样本数据集中的训练样本图像进行数据增强处理，得到数据增加图像；将所述数据增强图像以及所述数据增强图像对应的摊贩位置信息标签和摊贩类别标签，作为所述训练样本数据集中的一组训练样本数据；其中，所述数据增强处理方式包括以下至少一种 ：翻转变换、随机修剪、色彩抖动、平移变换、尺度变换、对比度变换、噪声扰动、旋转变换、反射变换以及mixup数据增强。
12.可选的，所述方法还包括：根据所述摄像头在预设时长内的摊贩检测结果，对所述摄像头的预警等级进行调整，得到调整后的预警等级；将所述调整后的预警等级作为所述摄像头的预警等级，并继续执行所述根据所述摄像头的预警等级对应的检测频率，控制所述摄像头采集摊贩情况图像的步骤。
13.第二方面，本技术提供了一种摊贩检测装置，所述装置包括：属性获取单元，用于获取摄像头的事件属性；等级确定单元，用于根据所述摄像头的事件属性，确定所述摄像头的预警等级；采集控制单元，用于根据所述摄像头的预警等级对应的检测频率，控制所述摄像头采集摊贩情况图像；结果获取单元，用于将所述摊贩情况图像输入已训练的摊贩检测模型，得到摊贩检测结果。
14.可选的，所述等级确定单元，用于：利用已训练的随机森林预测模型，根据所述摄像头的事件属性输入，确定所述摄像头的预警等级。
15.可选的，所述摄像头的事件属性包括所述摄像头的时间信息、位置信息和天气信
息。
16.可选的，所述等级确定单元，用于：根据所述摄像头的时间信息、位置信息和天气信息，确定所述摄像头对应的时间分数、位置分数和天气分数；将所述摄像头对应的时间分数、位置分数和天气分数输入已训练的随机森林预测模型，得到所述摄像头对应的预警分数；根据所述摄像头对应的预警分数，确定所述摄像头的预警等级。
17.可选的，所述已训练的随机森林预测模型包括若干个决策树模型，每个决策树模型对应一个指标类型且每个决策树模型对应的指标类型均不相同；可选的，所述等级确定单元，用于：将所述摄像头对应的时间分数、位置分数和天气分数分别输入所述随机森林预测模型中的每个决策树模型，得到每个决策树模型输出的所述摄像头对应的预测预警分数；根据每个决策树模型输出的预测预警分数，确定所述摄像头对应的预警分数。
18.可选的，所述等级确定单元，用于：将所有决策树模型输出的预测预警分数的平均值或加权平均值，作为所述摄像头对应的预警分数。
19.可选的，所述摊贩检测结果包括所述摊贩情况图像中摊贩位置信息和摊贩类别；所述装置还包括：模型生成单元，用于：获取训练样本数据集；所述训练样本数据集包括若干组训练样本数据，其中，每组训练样本数据包括训练样本图像以及所述训练样本图像对应的摊贩位置信息标签和摊贩类别标签；将训练样本图像输入预设的网络模型，得到所述训练样本图像对应的预测摊贩位置信息、预测摊贩类别；根据训练样本对应的预测摊贩位置信息、预测摊贩类别以及所述训练样本图像对应的摊贩位置信息标签和摊贩类别标签，确定损失值；根据所述损失值对所述网络模型的模型参数进行调整，直至所述网络模型满足训练条件，并将所述网络模型作为所述摊贩检测模型。
20.可选的，所述装置还包括数据增强单元，用于：对所述训练样本数据集中的训练样本图像进行数据增强处理，得到数据增加图像；将所述数据增强图像以及所述数据增强图像对应的摊贩位置信息标签和摊贩类别标签，作为所述训练样本数据集中的一组训练样本数据；其中，所述数据增强处理方式包括以下至少一种 ：翻转变换、随机修剪、色彩抖动、平移变换、尺度变换、对比度变换、噪声扰动、旋转变换、反射变换以及mixup数据增强。
21.可选的，所述装置还包括调整单元，用于：根据所述摄像头在预设时长内的摊贩检测结果，对所述摄像头的预警等级进行调整，得到调整后的预警等级；将所述调整后的预警等级作为所述摄像头的预警等级，并继续执行所述根据所述摄像头的预警等级对应的检测频率，控制所述摄像头采集摊贩情况图像的步骤。
22.第三方面，本技术提供了一种可读介质，包括执行指令，当电子设备的处理器执行所述执行指令时，所述电子设备执行如第一方面中任一所述的方法。
23.第四方面，本技术提供了一种电子设备，包括处理器以及存储有执行指令的存储
器，当所述处理器执行所述存储器存储的所述执行指令时，所述处理器执行如第一方面中任一所述的方法。
24.由上述技术方案可以看出，本技术提供了一种摊贩检测方法，在该方法中可以先获取摄像头的事件属性；然后可以根据所述摄像头的事件属性，确定所述摄像头的预警等级；接着，可以根据所述摄像头的预警等级对应的检测频率，控制所述摄像头采集摊贩情况图像；最后可以将所述摊贩情况图像输入已训练的摊贩检测模型，得到摊贩检测结果。这样，本技术可以对摄像头进行分类，得到摄像头的预警等级，其中，该预警等级反映了摊贩在该摄像头中出现的概率，并可以根据所述摄像头的预警等级对应的检测频率，控制所述摄像头采集摊贩情况图像，即可以根据摊贩出现的概率设定检测频率，对摊贩出现概率较高的摄像头的检测频率适当提高，反之则适当降低。这样，本技术通过智能调度计算资源，从而做到既不漏检，也不浪费计算资源。并且，通过已训练的摊贩检测模型，能够快速识别出摊贩并对其进行定位，将摊贩检测结果反馈到相关人员进行处理。可见，本技术不仅能够快速识别出摊贩并对其进行定位，还能通过智能调度计算资源，从而做到既不漏检，也不浪费计算资源，从而实现了摄像头视频资源与计算资源的精准匹配，提高了摊贩检测的效率和精准度，进而提高了用户体验。
25.上述的非惯用的优选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
26.为了更清楚地说明本技术实施例或现有的技术方案，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中记载的一些实施例，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。
27.图1为本技术一实施例提供的一种摊贩检测方法的流程示意图；图2为本技术一实施例提供的一种随机森林预测模型的建模流程示意图；图3为本技术一实施例提供的一种随机森林预测模型的建模流程示意图；图4为本技术一实施例提供的一种摊贩检测模型的建模流程示意图；图5为本技术一实施例提供的一种摊贩检测方法的流程示意图；图6为本技术一实施例提供的一种摊贩检测装置的结构示意图；图7为本技术一实施例提供的一种电子设备的结构示意图。
具体实施方式
28.为使本技术的目的、技术方案和优点更加清楚，下面将结合具体实施例及相应的附图对本技术的技术方案进行清楚、完整地描述。显然，所描述的实施例仅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。
29.目前，现有的摊贩检测技术通常使用传统图像处理方法，如背景建模方法，或使用深度学习目标检测模型对摊位进行识别，对摆摊行为进行报警处理。这些技术存在的问题只考虑对目标进行检测，没有考虑前期对视频资源的分类以智能调度模型，无法实现摄像
头视频资源与计算资源的精准匹配。故此，亟需一种新的摊贩检测方法。
30.本技术提供了一种摊贩检测方法，在本实施例中，可以先获取摄像头的事件属性；然后可以根据所述摄像头的事件属性，确定所述摄像头的预警等级；接着，可以根据所述摄像头的预警等级对应的检测频率，控制所述摄像头采集摊贩情况图像；最后可以将所述摊贩情况图像输入已训练的摊贩检测模型，得到摊贩检测结果。这样，本技术可以对摄像头进行分类，得到摄像头的预警等级，其中，该预警等级反映了摊贩在该摄像头中出现的概率，并可以根据所述摄像头的预警等级对应的检测频率，控制所述摄像头采集摊贩情况图像，即可以根据摊贩出现的概率设定检测频率，对摊贩出现概率较高的摄像头的检测频率适当提高，反之则适当降低。这样，本技术通过智能调度计算资源，从而做到既不漏检，也不浪费计算资源。并且，通过已训练的摊贩检测模型，能够快速识别出摊贩并对其进行定位，将摊贩检测结果反馈到相关人员进行处理。可见，本技术不仅能够快速识别出摊贩并对其进行定位，还能通过智能调度计算资源，从而做到既不漏检，也不浪费计算资源，从而实现了摄像头视频资源与计算资源的精准匹配，提高了摊贩检测的效率和精准度，进而提高了用户体验。
31.需要说明的是，本技术实施例可以应用于电子设备（比如手机、平板、电脑等）或者服务器中。需要说明的是，除了上述提及的方式以外，还可以为其他的实现方式，在这里并不限定。
32.下面结合附图，详细说明本技术的各种非限制性实施方式。
33.参见图1，示出了本技术实施例中的一种摊贩检测方法，在本实施例中，所述方法例如可以包括以下步骤：s101：获取摄像头的事件属性。在目前社会中，为了更好的维护社会的整洁和秩序，会在各个街道或小区设置有监控系统。可以理解的是，监控系统中的摄像头会设置在不同的位置。另外，由于工作日和非工作日（周末和节假日）、不同天气状况、不同时间段内人的出行规律和活动场所均会有所不同，所以需要从时间、地点以及天气三个维度进行分析摊贩进行摆摊的概率。其中，所述摄像头的事件属性可以理解为摄像头所拍摄的环境对应的一些事件属性，例如所述摄像头的事件属性可以包括所述摄像头的时间信息、位置信息和天气信息。
34.作为一种示例，摄像头的时间信息可以理解为摄像头的工作事件或者摄像头监控的当前事件，例如，时间信息可以包括工作日或非工作日类型、具体时间段，比如事件信息可以参见表1所示。
35.表1 时间表
ꢀ
作为一种示例，摄像头的位置信息可以理解为摄像头的设置位置，例如，位置信息可以包括摄像头的坐标信息，也可以包括摄像头所能拍摄到的地点，比如摄像头所能拍摄到的地铁站、小区、学校、商厦、写字楼等，比如位置信息可以参见表2所示。
36.表2 地点表
作为一种示例，摄像头的天气信息可以理解为摄像头所在的位置的天气情况，例如，天气信息可以包括天气状况，比如天气信息可以参见表3所示。
37.表3 天气状况
ꢀ
s102：根据所述摄像头的事件属性，确定所述摄像头的预警等级。
38.在本实施例中，摄像头的预警等级可以反映摄像头所拍摄的画面中出现摊贩的概率，可以理解的是，摄像头的预警等级越高说明摄像头所拍摄的画面中出现摊贩的概率越大，反之，摄像头的预警等级越低说明摄像头所拍摄的画面中出现摊贩的概率越小。在一种实现方式中，如表4所示，摄像头的预警等级可以分为四个级别，分别为1、2、3、4等级，且从等级1到等级4的级别依次降低，即等级1到等级4所对应的摄像头所拍摄的画面中出现摊贩的概率依次降低。
39.表4 摄像头预警等级操作说明需要说明的是，所述摄像头的事件属性不同，摄像头所拍摄的画面中出现摊贩的概率也会不同，也就是说，所述摄像头的事件属性不同，摄像头的预警等级也会不同。在本技术中，也可以预先对事件属性进行了具体情况的划分（如表1-3所示），而不同事件属性的情况组合所反映的摄像头所拍摄的画面中出现摊贩的概率也会不同。例如，可以先从时间维度（即时间信息）先考虑是否是工作日，然后再分析具体时间段内的具体情况；其次，从地点维度（即位置信息）进行分析，分析了最可能出现摊贩的几个地点，分别为地铁站、学校、小区、商厦、公园以及写字楼附近的地区；接着，从天气维度（即天气信息）进行分析，根据天
气的性质分为正常、比较恶劣和非常恶劣三个等级；最后，综合摄像头的时间信息、位置信息和天气信息，评估摄像头所拍摄的画面中出现摊贩的概率，进而评估摄像头的预警等级。举例来说，时间信息为早期上班人群早餐时间（即时间信息为工作日的6点到8点）、位置信息为地铁站、天气信息为晴的摄像头的预警等级高于时间信息为上班时间、位置信息为郊区工地、天气信息为大雪的摄像头的预警等级。
40.在一种实现方式中，可以利用已训练的随机森林预测模型，根据所述摄像头的事件属性输入，确定所述摄像头的预警等级。
41.具体地，可以先根据所述摄像头的时间信息、位置信息和天气信息，确定所述摄像头对应的时间分数、位置分数和天气分数。需要说明的是在本实现方式中，可以为各个事件属性预先设置了不同等级，且不同等级均设置有对应的分数，这样，在得到事件属性的具体情况后，可以根据事件属性的具体情况确定对应的等级，再根据该等级确定该等级对应的分数。作为一种示例，在获取到摄像头的时间信息后，可以根据时间信息对应的具体时间，确定该具体时间对应的时间等级，接着，根据预设的时间等级与时间分数的对应关系，确定该时间等级对应的时间分数；在获取到摄像头的位置信息后，可以根据位置信息对应的具体位置，确定该具体位置对应的位置等级，接着，根据预设的位置等级与位置分数的对应关系，确定该位置等级对应的位置分数；在获取到摄像头的天气信息后，可以根据位置信息对应的具体天气，确定该具体位置对应的天气等级，接着，根据预设的天气等级与天气分数的对应关系，确定该天气等级对应的天气分数。
42.举例来说，在获取到摄像头的时间信息为“工作日17：00-20：00”后，可以根据该时间信息“工作日17：00-20：00”，确定该时间信息“工作日17：00-20：00”对应的时间等级为1，接着，根据预设的时间等级与时间分数的对应关系，确定该时间等级1对应的时间分数为10分；在获取到摄像头的位置信息为“写字楼”后，可以根据位置信息“写字楼”对应的具体位置“百家楼”，确定该具体位置对应的位置等级为2，接着，根据预设的位置等级与位置分数的对应关系，确定该位置等级2对应的位置分数为9分；在获取到摄像头的天气信息为“小雨”后，可以根据位置信息对应的具体天气“小雨”，确定该具体位置对应的天气等级为3，接着，根据预设的天气等级与天气分数的对应关系，确定该天气等级3对应的天气分数为6分。然后，如图3所示，可以将所述摄像头对应的时间分数、位置分数和天气分数输入已训练的随机森林预测模型，得到所述摄像头对应的预警分数。可以理解的是，摄像头的预警分数可以反映摄像头所拍摄的画面中出现摊贩的概率，可以理解的是，摄像头的预警分数越高说明摄像头所拍摄的画面中出现摊贩的概率越大，反之，摄像头的预警分数越低说明摄像头所拍摄的画面中出现摊贩的概率越小。在一种实现方式中，如图2所示，所述已训练的随机森林预测模型可以包括若干个决策树模型，每个决策树模型对应一个指标类型（即m个特征中的至少一个）且每个决策树模型对应的指标类型均不相同；接着，可以将所述摄像头对应的时间分数、位置分数和天气分数分别输入所述随机森林预测模型中的每个决策树模型，得到每个决策树模型输出的所述摄像头对应的预测预警分数；接着，可以根据每个决策树模型输出的预测预警分数，确定所述摄像头对应的预警分数，例如可以是将所有决策树模型输出的预测预警分数的平均值或加权平均值（每个决策树模型都预先设置有对应的权重，再将所有决策树模型对应的权重与预测预警分数的乘积的平均值作为加权平均值），作为所述摄像头对应的预警分数。举例来说，假设将所述摄像头对应的时间分数9、位
置分数10和天气分数7输入已训练的随机森林预测模型，得到所述摄像头对应的预警分数为7；假设将所述摄像头对应的时间分数8.2、位置分数8和天气分数3输入已训练的随机森林预测模型，得到所述摄像头对应的预警分数为2；假设将所述摄像头对应的时间分数5、位置分数8和天气分数10输入已训练的随机森林预测模型，得到所述摄像头对应的预警分数为6.1。
43.接着，可以根据所述摄像头对应的预警分数，确定所述摄像头的预警等级。在一种实现方式中，如表4和图3所示，本实施例中预设了预警分数与预警等级的对应关系，在得到摄像头对应的预警分数后，可以基于预设的预警分数与预警等级的对应关系，根据所述摄像头对应的预警分数，确定所述摄像头的预警等级；举例来说，假设摄像头对应的预警分数为6.1，则根据表4中预设的预警分数与预警等级的对应关系，确定该预警分数6.1对应的预警等级为1。
44.接下来，将介绍随机森林模型的回归建模过程。
45.如图3所示，可以先使用时间信息、位置信息和天气信息3个指标，采集摄像头分别在3个指标上的值，根据一定规则预先给定摄像头出现摊贩的得分（满分为10分），得到一批摄像头先验数据。基于此数据进行随机森林模型回归建模。根据该模型可预测某个摄像头在不同天气状况下，不同时间不同地点摊贩出现的得分，确定摄像头的预警等级（如表4所示）。
46.使用随机森林算法对选取的特征进行建模。随机森林算法的实现方式使从训练集中随机抽取一定数量的样本，作为每棵树的根节点样本。在建立决策树时，随机抽取一定数量的候选属性，从中选择最合适属性作为分裂节点。需要说明的是，因为用“平均精度下降”衡量特征重要性时，是通过随机扰动每个变量(特征)值来看其整体最后的预测误差的，也就是说，除了被扰动的那个特征外，剩余的特征没有变化，用这种方法造成的最终结果的预测误差来衡量这个被扰动特征的重要性；gini指数是衡量节点特征纯度的指标，“gini值平均降低量表示所有树的变量分割节点平均减小的不纯度”；gini指数是决策树节点分割中除了信息熵以外的另一个衡量特征重要性的指标；它表示数据集在增加了特征a的作用之后，gini指数的增益值最大，所以选择a属性作为分裂节点。还需要说明的是，随机森林模型中的每一棵分类树为二叉树，其生成遵循自顶向下的递归分裂原则，即从根节点开始依次对训练集进行划分；在二叉树中，根节点包含全部训练数据， 按照节点纯度最小原则，分裂为左节点和右节点，它们分别包含训练数据的一个子集，按照同样的规则节点继续分裂，直到满足分支停止规则而停止生长。若节点n上的分类数据全部来自于同一类别，则此节点的纯度i(n)=0，纯度度量方法是gini准则，即假设p(xj)是节点n上属于xj 类样本个数占训练。
47.建立好随机森林以后，对于测试样本，进入每一颗决策树进行回归输出。若是分类问题，以投票的方式输出最终类别，若是回归问题，每一颗决策树输出的均值作为最终结果。其中，回归输出的预测值为叶节点目标变量的加权均值。而本技术中因为计算的是分数，所以属于回归问题。
48.s103：根据所述摄像头的预警等级对应的检测频率，控制所述摄像头采集摊贩情况图像。
49.在本实施例中，预先设置了预警等级与检测频率的对应关系（例如如图4所示），因
此，在确定所述摄像头的预警等级后，可以根据所述摄像头的预警等级对应的检测频率，控制所述摄像头采集摊贩情况图像。假设预警等级为1，设置的预警等级与检测频率的对应关系如图4所示，则可以根据所述摄像头的预警等级1，确定该预警等级1对应的检测频率为三分钟检测一次；而预警等级为4时，可以根据所述摄像头的预警等级4，确定该预警等级4对应的检测频率为六十分钟检测一次。这样，在本实施例中，可以对于检测到摊贩的概率较大的摄像头而言，采集图像的频率较高，而对于检测到摊贩概率较小的摄像头而言，采集图像的频率较低，这样，可以通过智能调度计算资源，从而做到既不漏检，也不浪费计算资源，从而实现了摄像头视频资源与计算资源的精准匹配，提高了摊贩检测的效率，进而提高了用户体验。
50.s104：将所述摊贩情况图像输入已训练的摊贩检测模型，得到摊贩检测结果。
51.摄像头采集到摊贩情况图像后，可以对该摊贩情况图像进行识别，以确定该图像对应的位置是否有摊贩摆摊。具体地，可以将所述摊贩情况图像输入已训练的摊贩检测模型，得到该摊贩检测模型输出的摊贩检测结果。在本实施例的一种实现方式中，摊贩检测模型可以为yolov3网络。其中，若摊贩检测结果为检测到有摊贩，则所述摊贩检测结果可以包括所述摊贩情况图像中摊贩位置信息和摊贩类别。其中，摊贩位置信息可以为摊贩在摊贩情况图像中的位置，例如，可以在摊贩情况图像中使用矩形框选出了摊贩，摊贩位置信息为该矩形框的坐标信息，即可以包括：矩形框的中心点坐标、矩形框的宽度与高度，当然，摊贩位置信息也可以为该矩形框的四个角的坐标点，或者两个对角的坐标点。摊贩类别可以理解为摊贩的种类，例如，摊贩类别可以包括地摊（地摊并不局限于摆在地上的摊，泛指非车载的摊位）、三轮车、四轮货车等。
52.接下来，将介绍所述摊贩检测模型的生成方式。
53.可以先获取训练样本数据集；所述训练样本数据集包括若干组训练样本数据，其中，每组训练样本数据包括训练样本图像以及所述训练样本图像对应的摊贩位置信息标签和摊贩类别标签。作为一种示例，如图4所示，可以先获取包括不同角度的沿街游商图片（即训练样本图像），包括近景（较少）、远景（较多），监控场景（从上向下拍）、周围人少，摊位露出场景、周围人多，摊位被遮挡超过50%场景。摊位类型主要包括常见的地摊（地摊并不局限于摆在地上的摊，泛指非车载的摊位）、三轮车、四轮货车。然后，进行数据标记。可以将原始数据集（即训练样本图像）中的物体用矩形框进行标记，得到图片标签数据，包括矩形框的坐标信息和物体类别，生成标签数据集。所述的矩形框的坐标信息包括：矩形框的中心点坐标、矩形框的宽度与高度。原始数据集与标签数据集中的信息呈一一对应关系，一张图片对应一条标签信息。
54.然后，可以将训练样本图像输入预设的网络模型，得到所述训练样本图像对应的预测摊贩位置信息、预测摊贩类别。并根据训练样本对应的预测摊贩位置信息、预测摊贩类别以及所述训练样本图像对应的摊贩位置信息标签和摊贩类别标签，确定损失值。以及根据所述损失值对所述网络模型的模型参数进行调整，直至所述网络模型满足训练条件（例如迭代训练的次数满足预设次数，或者模型的模型参数收敛），并将所述网络模型作为所述摊贩检测模型。作为一种示例，可以使用yolov3网络训练获得最优权重模型，使用训练样本数据集进行模型训练，得到最优权重模型，即摊贩检测模型。这样，便可以使用最优权重模型对摄像头监控视频进行沿街游商检测即摊贩检测。
55.需要说明的是，在一种实现方式中，在所述获取训练样本数据集的步骤之后，所述方法还包括：对所述训练样本数据集中的训练样本图像进行数据增强处理，得到数据增加图像；将所述数据增强图像以及所述数据增强图像对应的摊贩位置信息标签和摊贩类别标签，作为所述训练样本数据集中的一组训练样本数据，以便使用增强后的数据集进行模型训练，得到最优权重模型；其中，所述数据增强处理方式包括以下至少一种 ：翻转变换、随机修剪、色彩抖动、平移变换、尺度变换、对比度变换、噪声扰动、旋转变换、反射变换以及mixup数据增强。
56.需要说明的是，在本实施例中，可以将训练样本数据集分为训练集、测试集和验证集，其中，训练集用于对模型进行训练，测试集用于对模型进行测试，验证集用于对模型进行验证。这样，可以提高模型的检测准确率。
57.由上述技术方案可以看出，本技术提供了一种摊贩检测方法，在该方法中可以先获取摄像头的事件属性；然后可以根据所述摄像头的事件属性，确定所述摄像头的预警等级；接着，可以根据所述摄像头的预警等级对应的检测频率，控制所述摄像头采集摊贩情况图像；最后可以将所述摊贩情况图像输入已训练的摊贩检测模型，得到摊贩检测结果。这样，本技术可以对摄像头进行分类，得到摄像头的预警等级，其中，该预警等级反映了摊贩在该摄像头中出现的概率，并可以根据所述摄像头的预警等级对应的检测频率，控制所述摄像头采集摊贩情况图像，即可以根据摊贩出现的概率设定检测频率，对摊贩出现概率较高的摄像头的检测频率适当提高，反之则适当降低。这样，本技术通过智能调度计算资源，从而做到既不漏检，也不浪费计算资源。并且，通过已训练的摊贩检测模型，能够快速识别出摊贩并对其进行定位，将摊贩检测结果反馈到相关人员进行处理。可见，本技术不仅能够快速识别出摊贩并对其进行定位，还能通过智能调度计算资源，从而做到既不漏检，也不浪费计算资源，从而实现了摄像头视频资源与计算资源的精准匹配，提高了摊贩检测的效率和精准度，进而提高了用户体验。
58.也就是说，本技术针对摄像头摊位出现概率的影响因素，包括时间、地点以及天气状况等影响因素，使用随机森林算法进行建模，可对摄像头出现摊贩的概率进行预测。可以对摄像头进行分类，根据摊贩出现的概率设定检测频率，对摊贩出现概率较高的摄像头（即预警等级高的）的检测频率适当提高，反之则对摊贩出现概率较低的摄像头（即预警等级低的）的检测频率适当降低。通过智能调度计算资源，从而做到既不漏检，也不浪费计算资源。具体地，本技术通过分析摄像头摊位出现概率的影响因素，由于工作日和非工作日（周末和节假日），不同天气状况、不同时间段内人的出行规律和活动场所均会有所不同，从时间、地点以及天气三个维度进行分析。而且使用随机森林算法对选取的摄像头影响因素与摄像头出现摊贩的概率进行建模，可预测不同摄像头在不同时间、地点、天气状况下的摊贩出现概率。另外，还通过使用摊贩检测模型（比如yolov3网络），可对地摊、三轮车、四轮货车等摊位进行检测，提高摊贩检测的精准度。
59.在本实施例的一种实现方式中，在s104之后，所述方法还可以包括：先根据所述摄像头在预设时长内的摊贩检测结果，对所述摄像头的预警等级进行调整，得到调整后的预警等级。
60.作为一种示例，可以根据所述摄像头在预设时长内的摊贩检测结果，确定摊贩识别的概率，即将摊贩检测结果为检测到摊贩的次数与摊贩检测结果的总数量的比值作为摊
贩识别的概率；假设某摄像头预警等级为3级，检测频率为30分钟检测一次，总检测时间为n分钟，实际检测到摊贩的次数为m次，则参考表4，摄像头检测到摊贩的概率为m/(n/30)。
61.将所述调整后的预警等级作为所述摄像头的预警等级，并继续执行所述根据所述摄像头的预警等级对应的检测频率，控制所述摄像头采集摊贩情况图像的步骤。具体地，当摄像头监控视频检测到的摊贩概率（即摊贩识别的概率）下降5%时，得分下降0.5，相应地，当摄像头监控视频检测到的摊贩概率上升5%时，得分上升0.5，当得分变动较大（例如得分超出相应等级范围）时，摄像头预警等级如果发生变化，则使用相应等级的打分规则和检测频率，并继续执行所述根据所述摄像头的预警等级对应的检测频率，控制所述摄像头采集摊贩情况图像的步骤。
62.举例来说，例如某摄像头的预警分数为4.0分，预警等级为2，按照表4，该摄像头需要按照每10分钟检测一次的标准执行。假设统计周期为一个月，那么统计1个月内该摄像头摊贩检测的次数n以及实际检测到摊贩的次数m。检测到摊贩的概率为m/n，当m/n为0.55时，则摄像头得分为4.0-0.5*((0.7-0.55)/0.05)=2.5，则该摄像头预警等级调整为3级，则未来一个月将按照3级检测标准执行。
63.需要强调的是，本实施例中可以按照表4的检测频率，使用摊贩检测模型对不同的摄像头进行设定频率的检测。在一个统计周期内，可以根据打分规则（例如表4中的打分规则），计算对各摄像头摊贩实际出现概率（即摊贩识别的概率），根据得分调整规则进行第一轮调整，进行得分统计，统计调整后的摄像预警等级发生变化的摄像头数量确定第一阶段摄像头分级是否合理。如调整后的摄像预警等级发生变化的摄像头数量超出总数的30%，则说明第一阶段摄像头预警等级划分不合理。摄像头实际检测分级与第一阶段分级结果不一致，则根据打分调整规则（例如表4）进行得分调整，并对需要调整级别的摄像头数量进行统计，当需要调整的摄像头数量超出总数的30%，则需要重新训练摊贩出现得分概率预测模型（即随机森林预测模型），直到需要调整预警等级的摄像头数量低于摄像头总数的5%，则表示该模型比较稳定，短期不需要调整。及重新训练第二部分模型，使用摊贩检测模型对摄像头图像进行检测，检测结果错误率达到30%以上，搜集检测错误的图片，进行标记，扩充数据集进行模型优化，当模型训练好之后再进行第三部分模型修正，循环往复，直至模型预测准确率达到90%以上。
64.这样，本技术结合基于yolov3网络的摊贩检测模型，对摄像头监控视频进行检测，通过检测结果再反向修正摄像头摊贩出现概率预测模型（即随机森林预测模型）。如此以往，通过深度学习物体识别与检测方法，能够快速识别出摊位并对其进行定位，将检测结果反馈到相关人员进行处理。可见，基于yolov3网络的摊贩检测模型，对摄像头监控视频进行检测，通过检测结果再反向修正摄像头摊贩出现概率预测模型。不仅能够快速识别出摊位并对其进行定位，还能通过智能调度计算资源，从而做到既不漏检，也不浪费计算资源接下来，结合图5，完整的展示本实施例的步骤：步骤a：获取摄像头的事件属性；步骤b：根据所述摄像头的事件属性，将所述摄像头对应的时间分数、位置分数和天气分数输入已训练的随机森林预测模型，得到所述摄像头对应的预警分数；步骤d：根据所述摄像头对应的预警分数，确定所述摄像头的预警等级；步骤e：根据所述摄像头的预警等级对应的检测频率，控制所述摄像头采集摊贩情
况图像；步骤f：将所述摊贩情况图像输入已训练的摊贩检测模型，得到摊贩检测结果；步骤g：根据打分规则进行打分。预警等级一级：隔3分钟检测1次，平均有80%能检测到摊位；预警等级二级：隔10分钟检测1次，平均有70%能检测到摊贩；预警等级三级：隔30分钟检测1次，平均有60%能检测到摊贩；预警等级四级：隔60分钟检测1次，平均有50%能检测到摊贩；步骤h：根据得分调整规则调整得分，重新确定摄像头的预警等级。具体地，当摄像头监控视频检测到的摊贩概率下降5%时，得分下降0.5，相应地，当摄像头监控视频检测到的摊贩概率上升5%时，得分上升0.5，当得分变动较大时，摄像头预警等级如果发生变化，则使用相应等级的打分规则和检测频率。
65.步骤i：得到调整后的摄像头预警等级。
66.如图6所示，为本技术所述一种摊贩检测装置的一个具体实施例。本实施例所述装置，即用于执行上述实施例所述方法的实体装置。其技术方案本质上与上述实施例一致，本实施例中所述装置包括：属性获取单元601，用于获取摄像头的事件属性；等级确定单元602，用于根据所述摄像头的事件属性，确定所述摄像头的预警等级；采集控制单元603，用于根据所述摄像头的预警等级对应的检测频率，控制所述摄像头采集摊贩情况图像；结果获取单元604，用于将所述摊贩情况图像输入已训练的摊贩检测模型，得到摊贩检测结果。
67.可选的，所述等级确定单元602，用于：利用已训练的随机森林预测模型，根据所述摄像头的事件属性输入，确定所述摄像头的预警等级。
68.可选的，所述摄像头的事件属性包括所述摄像头的时间信息、位置信息和天气信息。
69.可选的，所述等级确定单元602，用于：根据所述摄像头的时间信息、位置信息和天气信息，确定所述摄像头对应的时间分数、位置分数和天气分数；将所述摄像头对应的时间分数、位置分数和天气分数输入已训练的随机森林预测模型，得到所述摄像头对应的预警分数；根据所述摄像头对应的预警分数，确定所述摄像头的预警等级。
70.可选的，所述已训练的随机森林预测模型包括若干个决策树模型，每个决策树模型对应一个指标类型且每个决策树模型对应的指标类型均不相同；可选的，所述等级确定单元602，用于：将所述摄像头对应的时间分数、位置分数和天气分数分别输入所述随机森林预测模型中的每个决策树模型，得到每个决策树模型输出的所述摄像头对应的预测预警分数；根据每个决策树模型输出的预测预警分数，确定所述摄像头对应的预警分数。
71.可选的，所述等级确定单元602，用于：
将所有决策树模型输出的预测预警分数的平均值或加权平均值，作为所述摄像头对应的预警分数。
72.可选的，所述摊贩检测结果包括所述摊贩情况图像中摊贩位置信息和摊贩类别；所述装置还包括：模型生成单元，用于：获取训练样本数据集；所述训练样本数据集包括若干组训练样本数据，其中，每组训练样本数据包括训练样本图像以及所述训练样本图像对应的摊贩位置信息标签和摊贩类别标签；将训练样本图像输入预设的网络模型，得到所述训练样本图像对应的预测摊贩位置信息、预测摊贩类别；根据训练样本对应的预测摊贩位置信息、预测摊贩类别以及所述训练样本图像对应的摊贩位置信息标签和摊贩类别标签，确定损失值；根据所述损失值对所述网络模型的模型参数进行调整，直至所述网络模型满足训练条件，并将所述网络模型作为所述摊贩检测模型。
73.可选的，所述装置还包括数据增强单元：对所述训练样本数据集中的训练样本图像进行数据增强处理，得到数据增加图像；将所述数据增强图像以及所述数据增强图像对应的摊贩位置信息标签和摊贩类别标签，作为所述训练样本数据集中的一组训练样本数据；其中，所述数据增强处理方式包括以下至少一种 ：翻转变换、随机修剪、色彩抖动、平移变换、尺度变换、对比度变换、噪声扰动、旋转变换、反射变换以及mixup数据增强。
74.可选的，所述装置还包括调整单元，用于：根据所述摄像头在预设时长内的摊贩检测结果，对所述摄像头的预警等级进行调整，得到调整后的预警等级；将所述调整后的预警等级作为所述摄像头的预警等级，并继续执行所述根据所述摄像头的预警等级对应的检测频率，控制所述摄像头采集摊贩情况图像的步骤。
75.图7是本技术实施例提供的一种电子设备的结构示意图。在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(random-access memory，ram)，也可能还包括非易失性存储器（non-volatile memory），例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。
76.处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是isa(industry standard architecture，工业标准体系结构）总线、pci(peripheral component interconnect，外设部件互连标准)总线或eisa(extended industry standard architecture，扩展工业标准结构）总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
77.存储器，用于存放执行指令。具体地，执行指令即可被执行的计算机程序。存储器可以包括内存和非易失性存储器，并向处理器提供执行指令和数据。
78.在一种可能实现的方式中，处理器从非易失性存储器中读取对应的执行指令到内
存中然后运行，也可从其它设备上获取相应的执行指令，以在逻辑层面上形成摊贩检测装置。处理器执行存储器所存放的执行指令，以通过执行的执行指令实现本技术任一实施例中提供的摊贩检测方法。
79.上述如本技术图1所示实施例提供的摊贩检测装置执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器（central processing unit，cpu）、网络处理器（network processor，np）等；还可以是数字信号处理器（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。可以实现或者执行本技术实施例中的公开的各方法、步骤及逻辑框图。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。
80.结合本技术实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
81.本技术实施例还提出了一种可读介质，该可读存储介质存储有执行指令，存储的执行指令被电子设备的处理器执行时，能够使该电子设备执行本技术任一实施例中提供的摊贩检测方法，并具体用于执行上述摊贩检测所述的方法。
82.前述各个实施例中所述的电子设备可以为计算机。
83.本领域内的技术人员应明白，本技术的实施例可提供为方法或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例，或软件和硬件相结合的形式。
84.本技术中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
85.还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
86.以上所述仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。