CN109697815A - 防盗通讯网络报警方法、装置设备及存储介质 - Google Patents
防盗通讯网络报警方法、装置设备及存储介质 Download PDFInfo
- Publication number
- CN109697815A CN109697815A CN201910065505.9A CN201910065505A CN109697815A CN 109697815 A CN109697815 A CN 109697815A CN 201910065505 A CN201910065505 A CN 201910065505A CN 109697815 A CN109697815 A CN 109697815A
- Authority
- CN
- China
- Prior art keywords
- sample
- video
- communication network
- characteristic value
- monitoring
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
- G08B13/189—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems
- G08B13/194—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems
- G08B13/196—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems using television cameras
- G08B13/19602—Image analysis to detect motion of the intruder, e.g. by frame subtraction
- G08B13/19613—Recognition of a predetermined image pattern or behaviour pattern indicating theft or intrusion
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及安全防护的技术领域,尤其是涉及一种防盗通讯网络报警方法、装置设备及存储介质,所述防盗通讯网络报警方法包括以下步骤:步骤S10:获取网点报警终端的数量,并根据所述报警终端的数量与监控平台建立网络通信协议;步骤S20:所述监控平台获取监控录像并实时对网点进行监控;步骤S30:对所述监控录像进行分析识别,并根据分析识别的结果进行检测,得到检测结果;步骤S40:若从所述检测结果反映出有可疑行为,则根据所述报警终端的数量,生成并向所述报警终端发送报警信号。本发明具有提升报警的及时性的效果。
Description
技术领域
本发明涉及安全防护的技术领域,尤其是涉及一种防盗通讯网络报警方法、装置设备及存储介质。
背景技术
目前,安全防护***可以保护重要场所的安全,例如金融网点,如防止人员入侵、检测安全事故或者可疑行为等,并用于事件的追溯。安全防护***主要包括:视频监控***、报警控制***、门禁控制***等,这几个***彼此独立又相互联系。
现有的视频监控时,也只是获取其所在监控区域的录像,当存在违法事件时,无法及时报警,即使后续可以通过录像查找到违法事件,但是因为违法人员已经远离现场,无法及时对违法事件进行处理。
发明内容
本发明的目的是提供一种提升报警的及时性的防盗通讯网络报警方法、装置设备及存储介质。
本发明的上述发明目的是通过以下技术方案得以实现的:
一种防盗通讯网络报警方法,所述防盗通讯网络报警方法包括以下步骤:
步骤S10:获取网点报警终端的数量,并根据所述报警终端的数量与监控平台建立网络通信协议;
步骤S20:所述监控平台获取监控录像并实时对网点进行监控;
步骤S30:对所述监控录像进行分析识别,并根据分析识别的结果进行检测,得到检测结果;
步骤S40:若从所述检测结果反映出有可疑行为,则根据所述报警终端的数量,生成并向所述报警终端发送报警信号。
通过采用上述技术方案,通过预先在监控平台与报警终端之间搭建好网络通信协议,使监控平台与报警终端之间能够通过无线网络进行通信,确保了在监控平台检测到有可疑行为时,能够及时地将报警信号发送至网点现场安保人员的报警终端,使现场的安保人员能够及时对可以行为进行处理;同时,将监控视频通过服务端进行识别,能够节省人力对监控视频的实时监控,在保证监控力度的同时,也能够进一步地提升监控的效率。
本发明进一步设置为:在所述步骤S40之前,所述防盗通讯网络报警方法还包括以下步骤:
步骤S41:检测服务器集群的性能指标;
步骤S42:若检测到该服务器集群的性能指标超过容量阈值,则向所述监控平台发送样本库拆分请求;
步骤S43:若获取到所述样本库拆分条件信息,对所述样本库进行拆分,得到样本子库;
步骤S44:将特征值从所述样本子库中进行提取,得到所述特征值库;
步骤S45:若在提取所述特征值库后,检测服务器集群资源负载情况,若检测到资源负载情况超过预设的阈值,则发送增加服务器集群请求。
进一步地,所述步骤S44包括以下步骤:
步骤S441:根据所述样本子库的数量,建立所述特征值库;
步骤S442:从所述样本子库中提取所述特征值,存入特征值表,并将特征值表存入对应的特征值库;
步骤S444:对所述样本子库中的样本容量进行监控,若检测到所述样本容量超过预设的阈值,则对所述样本子库和对应的所述特征值库进行进一步地拆分。
通过采用上述技术方案,通过检测服务端集群的性能指标,并对容量超过预设的阈值的时,对样本库和特征值库进行拆分,从而减轻了服务端集群的使用的压力。
本发明进一步设置为:所述步骤S30包括:
步骤S301:识别所述监控录像中的人脸画面,根据所述人脸画面,将所述监控录像作为检测视频;
步骤S302:将所述检测视频输入至视频监测模型进行检测,得到所述检测结果。
进一步地,在所述步骤S302之前,所述防盗通讯网络报警方法还包括:
步骤S3021:根据历史监控录像,将所述历史盗窃作为样本视频;
步骤S3022:逐个从所述样本视频选取连续N帧监控画面,并根据所述样本视频进行分组,得到所述训练图像集,其中N为正整数;
步骤S3023:将所述训练图像集输入到卷积神经网络模型CNN中,对该所述训练图像集进行下采样、卷积和池化操作,得到与所有所述训练图像集对应的监控特征向量;
步骤S3024:使用LSTM网络对所述训练图像集的所述监控特征向量进行训练,得到对应的所述视频检测模型。
通过采用上述技术方案,预先对历史监控录像进行分帧处理,得到对应的训练图像集,并将该训练图像集采用CNN-LSTM网络中进行训练,能够解决视频中单帧画面进行识别时,不能准确反映视频中监控的情况,提高了对视频中盗窃情况的检测的准确性。
本发明的上述发明目的二是通过以下技术方案得以实现的:
一种防盗通讯网络报警装置,所述防盗通讯网络报警装置包括:
通信建立模块,用于获取网点报警终端的数量,并根据所述报警终端的数量与监控平台建立网络通信协议;
监控模块,用于所述监控平台获取监控录像并实时对网点进行监控;
识别模块,用于对所述监控录像进行分析识别,并根据分析识别的结果进行检测,得到检测结果;
报警模块,用于若从所述检测结果反映出有可疑行为,则根据所述报警终端的数量,生成并向所述报警终端发送报警信号。
通过采用上述技术方案,通过预先在监控平台与报警终端之间搭建好网络通信协议,使监控平台与报警终端之间能够通过无线网络进行通信,确保了在监控平台检测到有可疑行为时,能够及时地将报警信号发送至网点现场安保人员的报警终端,使现场的安保人员能够及时对可以行为进行处理;同时,将监控视频通过服务端进行识别,能够节省人力对监控视频的实时监控,在保证监控力度的同时,也能够进一步地提升监控的效率。
本发明的上述发明目的三是通过以下技术方案得以实现的:
一种计算机设备,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上述防盗通讯网络报警方法的步骤。
本发明的上述发明目的四是通过以下技术方案得以实现的:
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上述防盗通讯网络报警方法的步骤。
综上所述,本发明的有益技术效果为:
1.通过预先在监控平台与报警终端之间搭建好网络通信协议,使监控平台与报警终端之间能够通过无线网络进行通信,确保了在监控平台检测到有可疑行为时,能够及时地将报警信号发送至网点现场安保人员的报警终端,使现场的安保人员能够及时对可以行为进行处理;同时,将监控视频通过服务端进行识别,能够节省人力对监控视频的实时监控,在保证监控力度的同时,也能够进一步地提升监控的效率;
2.通过检测服务端集群的性能指标,并对容量超过预设的阈值的时,对样本库和特征值库进行拆分,从而减轻了服务端集群的使用的压力。
附图说明
图1是本发明一实施例中防盗通讯网络报警方法的一流程图;
图2是本发明一实施例中防盗通讯网络报警方法另的一流程图;
图3是本发明一实施例中防盗通讯网络报警方法中步骤S44的实现流程图;
图4是本发明一实施例中防盗通讯网络报警方法中步骤S30的实现流程图;
图5是本发明一实施例中防盗通讯网络报警方法的另一流程图;
图6是本发明一实施例中防盗通讯网络报警装置的一原理框图;
图7是本发明一实施例中计算机设备的一示意图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
实施例一:
在一实施例中,如图1所示,为本发明公开的一种防盗通讯网络报警方法,包括如下步骤:
步骤S10:获取网点报警终端的数量,并根据报警终端的数量与监控平台建立网络通信协议。
在本实施例中,网点是指各金融机构,例如银行的线下营业厅等地方。人们通常会携带各种银行卡或现金去往该网点进行业务办理,因此需要对该网点以及该网点附近进行防盗监控。报警终端是指在由网点的安保人员佩戴的,用于接收监控平台或监控中心发送的指令的设备,例如耳麦等设备。监控平台是指用于获取监控录像并进行监控的平台。
具体地,根据在网点内的报警终端的数量,通过网络通信协议,例如无线网络技术,为每一报警终端分配通信地址,通过该通信地址,将每一报警终端与监控平台之间建立通信,使监控平台能够向报警终端发送消息,且报警终端能够接收到由监控平台发送的消息。
步骤S20:监控平台获取监控录像并实时对网点进行监控。
具体地,通过在网点中布置监控设备,例如摄像头等摄像装置,对网点及网点周围进行监控,并通过步骤S10建立好的网络通信协议,实时将监控的监控录像发送至监控平台。
步骤S30:对监控录像进行分析识别,并根据分析识别的结果进行检测,得到检测结果。
具体地,在监控平台获取到该监控录像时,对监控录像中的情况进行分析识别。首先识别出监控录像中的人像,具体可以通过先识别监控录像中的人脸,进而通过识别出的人脸,识别出监控录像中的人像。
进一步地,在识别出监控录像中的人像后,进而识别监控录像中的人物的行为动作并进行检测,得到检测结果。
步骤S40:若从检测结果反映出有可疑行为,则根据报警终端的数量,生成并向报警终端发送报警信号。
具体地,若从检测结果中反映到监控录像汇总存在可疑行为,例如检测到有人疑似将手或工具伸入他人的背囊或口袋,则判定该行为为可疑行为。
进一步地,根据报警终端的数量,将该可疑行为作为报警信号,发送至每一报警终端中,通知网点现场的安保人员及时进行处理。
在本实施例中,通过预先在监控平台与报警终端之间搭建好网络通信协议,使监控平台与报警终端之间能够通过无线网络进行通信,确保了在监控平台检测到有可疑行为时,能够及时地将报警信号发送至网点现场安保人员的报警终端,使现场的安保人员能够及时对可以行为进行处理;同时,将监控视频通过服务端进行识别,能够节省人力对监控视频的实时监控,在保证监控力度的同时,也能够进一步地提升监控的效率。
在一实施例中,如图2所示,在步骤S40之前,防盗通讯网络报警方法还包括以下步骤:
步骤S41:检测服务器集群的性能指标。
在本实施例中,服务器集群是指用于在后台对监控平台的数据进行处理的一个或多个服务器组成的集群。性能指标是指服务器集群的使用情况。
具体地,检测该服务器集群的使用情况时,通过心跳检测的方式检测服务器集群的使用情况,具体检测的指标可以包括数据库的QPS(Qeury Per Second 每秒查询次数)、TPS(Transaction Per Second 每秒事务次数)和数据库连接数。在检测QPS、TPS和数据库连接数时,可以通过在Linux***下,安装Grafana工具,并在该工具下对QPS、TPS和数据库连接数进行检测。
其中,QPS是指数据库一秒钟能响应应用服务器查询的次数,该指标体现数据库吞吐能力;TPS是指数据库一秒内能处理业务提交事务的操作次数,该操作包含***,修改,删除操作;数据连接数是指数据库在某个时刻所有线程数,包括活跃线程和非活跃线程数,活跃线程数是指线程状态不是Sleep状态,而非活跃连接数是指线程状态是Sleep状态的线程数。
步骤S42:若检测到该服务器集群的性能指标超过容量阈值,则向监控平台发送样本库拆分请求。
通过预设的容量阈值对上述指标进行检测,该容量阈值包括QPS阈值、TPS阈值、非活跃线程数阈值和活跃线程数阈值,例如,对于QPS指标,该QPS阈值可以设置为每秒2万次;对于TPS指标,该TPS阈值设置为每秒2000次;对于数据库连接数,该活跃线程数阈值可以设置为50个,该非线程数阈值可以设置为2000个。通过向该服务器集群发送心跳包,检测一段时间内,例如,每10秒、15秒或者1分钟等,该服务器集群中,分别计算各项指标的每秒的平均值。通过该各项指标的平均值,与该容量阈值进行比较,判断是否需要对样本库进行拆分和对该服务器集群进行扩容。
进一步地,若该心跳包反馈的结果为,该容量阈值中,至少一个超出容量阈值,则向客户端发出样本库拆分请求,客户端在接收到该样本库拆分请求后,根据实际使用情况,设置拆分样本库的方式和条件,并将设置的方式和条件发送至服务器集群。
步骤S43:若获取到样本库拆分条件信息,对样本库进行拆分,得到样本子库。
在本实施例中,样本库拆分条件信息是指该样本库拆分请求得到响应后,对样本库拆分的条件进行设置组成的信息,该服务器集群根据该设置结果,对样本库进行拆分。
步骤S44:将特征值从样本子库中进行提取,得到特征值库。
具体地,为了减少在识别过程中,提取样本对I/O口的消耗和加快提取的速度,将样本中的特征值从样本子库中进行提取,存入预设的特征值库,并于样本子库对应。其中,在人脸识别中,样本为真实采集到的人脸图片,特征值为通过人脸识别技术中的算法,对人脸的特征进行提取,并计算出来的特征值,该特征值是在人脸识别中,进行比对的数据。
步骤S45:若在提取特征值库后,检测服务器集群资源负载情况,若检测到资源负载情况超过预设的阈值,则发送增加服务器集群请求。
具体地,资源负载情况是指计算机是指服务器集群的CPU,内存,I/O,网卡等资源的使用率。服务器集群是指使用该样本子库和特征值库对监控录像进行识别的服务端。增加服务器集群请求是指请求增加服务器,对该服务器集群进行扩容的消息。
优选地,在对样本库进行拆分,并得到特征值库后,还可以检测服务器集群资源负载情况。具体可以通过Linux***进行检测,例如,cpu可以通过top,sar –u和sar –d来查看;内存可以通过free –m和vmstat 查看,一般内存使用率不超过90%;io可以通过iostat–x 和iotop来查看,一般使用率不超过90%。网卡通过netstat –i进行查看。
进一步地,可以根据上述资源负载情况,对每一个资源设置相应的阈值,若检测到有资源的使用率超过该阈值,则向该服务器集群发出增加服务器集群请求。
在一实施例中,在步骤S44中,即将特征值从样本子库中进行提取,得到特征值库,具体包括如下步骤:
步骤S441:根据样本子库的数量,建立特征值库。
具体地,根据样本子库的数量,建立和该数量相等的特征值库,该特征值库是用于存储样本子库中的特征值。特征值库与样本子库一一对应,且使用样本子库的唯一标识,与该样本子库对应的特征值库进行标注。
步骤S442:从样本子库中提取特征值,存入特征值表,并将特征值表存入对应的特征值库。
具体地,以样本子库中的数据表格为主表,创建特征值子表,将个人信息和特征值提取至该子表中,并存储至特征值库;最后,更改在识别监控录像过程中,提取数据的数据库,从原来的样本库中提取数据,更改为从特征值库中提取数据。
步骤S443:对样本子库中的样本容量进行监控,若检测到样本容量超过预设的阈值,则对样本子库和对应的特征值库进行进一步地拆分。
在本实施例中,样本容量是指样本子库中的样本数量。
具体地,在每次对样本子库和对应的特征值库进行更新后,对该样本子库中的样本容量进行监控,若检测到该样本容量超过预设的阈值,则对样本子库进行进一步地拆分。该拆分的条件可以是对样本子库和对应的特征值库进行平均分,例如,该样本容量超过预设的阈值的样本子库中有100万个样本,将这100万个样本和对应的特征值平均分成10份,每份有10万个样本,每一份样本存储至一个数据库。
在一实施例中,如图4所示,在步骤S30中,即对监控录像进行分析识别,并根据分析识别的结果进行检测,得到检测结果,具体包括如下步骤:
步骤S301:识别所述监控录像中的人脸画面,根据所述人脸画面,将所述监控录像作为检测视频。
具体地,通过识别出监控录像中的人脸画面,进而通过识别出的人脸画面,识别出与该人脸画面对应的人像。并将有人像的监控录像作为检测视屏。
步骤S302:将所述检测视频输入至视频监测模型进行检测,得到所述检测结果。
在本实施例中,视频检测模型是指预先训练好,用于识别视频监控录像中是否出现违法犯罪事件的的模型。
具体地,将获取到的视频监控录像,输入至视频检测模型中进行识别检测。通过该视频检测模型,对视频监控录像中的人员的行为进行监控,得到该检测结果。
在一实施例中,如图5所示,在步骤S302中,即将所述检测视频输入至视频监测模型进行检测,得到所述检测结果,具体包括如下步骤:
步骤S3021:根据历史监控录像,将所述历史盗窃作为样本视频。
历史监控录像是指由用于存储不同盗窃行为的对应的视频。样本视频是指在历史监控录像中提取得到,并用于进行训练的样本的视频,一个样本视频对应一种盗窃行为。可以理解地,本实施例是采用已知的盗窃行为的历史历史监控录像作为样本视频,进而对这些样本视频进行训练,得到一个可以用于检测一段视频中的是否出现盗窃行为的模型。
具体地,根据上述历史盗窃行为,从历史监控录像中获取若干个对应的视频,作为样本视频。需要说明的是,为了达到训练出来的模型的精度,可以获取不同角度的历史到期行为的视频,作为样本视频。
步骤S3022:逐个从所述样本视频选取连续N帧监控画面,并根据所述样本视频进行分组,得到所述训练图像集,其中N为正整数。
为了使训练出的模型能够更好地检测出视频中的是否出现盗窃行为,在对样本视频进行训练时,提取样本视频中能够体现盗窃行为连续变化的连续N帧监控画面,作为训练图像。例如,样本视频中的行窃者接近被盗者,并将手或工具拿出来并深入被盗者的口袋或者背囊中的整个过程,连续的N帧监控画面(例如150帧)。
具体地,从样本视频中,按照该样本视频播放的顺序,选取连续的N帧画面的监控画面(例如150帧),将每一帧的监控画面提取出来,作为训练图像。例如,从该样本视频中,提取连续150帧的监控画面。
进一步地,在对每个盗窃行为对应的所有样本视频,都提取连续N帧的监控画面后,根据样本视频,将从同一个样本视频提取连续N帧的监控画面分为一组。在分组结束后,将分组的结果作为训练图像集。
步骤S3023:将所述训练图像集输入到卷积神经网络模型CNN中,对该所述训练图像集进行下采样、卷积和池化操作,得到与所有所述训练图像集对应的监控特征向量。
具体地,将训练图像集输入到卷积神经网络CNN(Convolutional NeuralNetwork,CNN)模型中,进而通过CNN模型对训练图像集进行卷积,得到所有该训练图像集对应的监控特征值。
本申请提案所采用的CNN模型主要包括:数据输入层、卷积计算层,池化层(Pooling Layer)。
其中,数据输入层是指将训练图像集进行预处理后得到的数据。
其中,卷积计算层是指在卷积计算时,从训练图像集中产生多通道的信息,然后在每一个通道都分离地进行卷积操作。最后将所有通道的信息组合起来得到最终的监控情绪的特征描述。
其中,池化层夹在连续的卷积计算层中间,用于压缩数据和参数的量,减小过拟合,即如果输入是图像的话,那么池化层的最主要作用就是压缩图像。对输入的特征图进行压缩,一方面使特征图变小,简化网络计算复杂度;一方面进行特征压缩,提取主要特征,池化层的主要方法有最大池化(Max pooling)和平均池化(Average pooling),优选地,本提案使用的是Max pooling。
MAX-pooling指的是对于每一个channel(假设有N个channel),将该channel的feature map的像素值选取其中最大值作为该channel的代表,从而得到一个N维向量表示。
通道(channel)可以理解为视角、角度。例如同样是提取边界特征的卷积核,可以按照R、G、B三种元素的角度提取边界,RGB在边界这个角度上有不同的表达。
步骤S3024:使用LSTM网络对所述训练图像集的所述监控特征向量进行训练,得到对应的所述视频检测模型。
其中,视频检测模型是指将训练图像集进行过训练,得到的用于检测是否存在盗窃行为的模型。LSTM网络是指长短期记忆网络(Long Short-Term Memory,简称LSTM网络),是循环神经网络(Recurrent Neural Network,简称RNN网络)的一种实现方式,通过Keras接口与CNN模型连接。LSTM模型具有时间记忆功能,由于本实施例中每一帧监控画面的特征与前后两帧的行为征具有密切联系,因此采用长短时递归神经网络模型对提取到的特征进行训练,以体现数据的长期记忆能力,提高模型的准确率。
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,而不应对本发明实施例的实施过程构成任何限定。
实施例二:
在一实施例中,提供一种防盗通讯网络报警装置,该防盗通讯网络报警装置与上述实施例中防盗通讯网络报警方法一一对应。如图6所示,该防盗通讯网络报警装置包括通信建立模块10、监控模块20、识别模块30和报警模块40。各功能模块详细说明如下:
通信建立模块10,用于获取网点报警终端的数量,并根据报警终端的数量与监控平台建立网络通信协议;
监控模块20,用于监控平台获取监控录像并实时对网点进行监控;
识别模块30,用于对监控录像进行分析识别,并根据分析识别的结果进行检测,得到检测结果;
报警模块40,用于若从检测结果反映出有可疑行为,则根据报警终端的数量,生成并向报警终端发送报警信号。
优选地,防盗通讯网络报警装置还包括:
检测模块41,用于检测服务器集群的性能指标;
拆分请求发送模块42,用于若检测到该服务器集群的性能指标超过容量阈值,则向监控平台发送样本库拆分请求;
拆分模块43,用于若获取到样本库拆分条件信息,对样本库进行拆分,得到样本子库;
特征提取模块44,用于将特征值从样本子库中进行提取,得到特征值库;
消息发送模块45,用于若在提取特征值库后,检测服务器集群资源负载情况,若检测到资源负载情况超过预设的阈值,则发送增加服务器集群请求。
优选地,特征提取模块44包括:
特征值库建立子模块441,用于根据样本子库的数量,建立特征值库;
存储子模块442,用于从样本子库中提取特征值,存入特征值表,并将特征值表存入对应的特征值库;
样本监控子模块443,用于对样本子库中的样本容量进行监控,若检测到样本容量超过预设的阈值,则对样本子库和对应的特征值库进行进一步地拆分。
优选地,识别模块30包括:
人脸识别子模块301,用于识别监控录像中的人脸画面,根据人脸画面,将监控录像作为检测视频;
人脸检测子模块302,用于将检测视频输入至视频监测模型进行检测,得到检测结果。
优选地,防盗通讯网络报警装置还包括:
样本视频获取模块3021,用于根据历史监控录像,将历史盗窃作为样本视频;
分帧模块3022,用于逐个从样本视频选取连续N帧监控画面,并根据样本视频进行分组,得到训练图像集,其中N为正整数;
图像处理模块3023,用于将训练图像集输入到卷积神经网络模型CNN中,对该训练图像集进行下采样、卷积和池化操作,得到与所有训练图像集对应的监控特征向量;
模型获取模块3024,用于使用LSTM网络对训练图像集的监控特征向量进行训练,得到对应的视频检测模型。
关于防盗通讯网络报警装置的具体限定可以参见上文中对于防盗通讯网络报警方法的限定,在此不再赘述。上述防盗通讯网络报警装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
实施例三:
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图7所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储历史监控录像。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种防盗通讯网络报警方法。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:
步骤S10:获取网点报警终端的数量,并根据报警终端的数量与监控平台建立网络通信协议;
步骤S20:监控平台获取监控录像并实时对网点进行监控;
步骤S30:对监控录像进行分析识别,并根据分析识别的结果进行检测,得到检测结果;
步骤S40:若从检测结果反映出有可疑行为,则根据报警终端的数量,生成并向报警终端发送报警信号。
实施例四:
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
步骤S10:获取网点报警终端的数量,并根据报警终端的数量与监控平台建立网络通信协议;
步骤S20:监控平台获取监控录像并实时对网点进行监控;
步骤S30:对监控录像进行分析识别,并根据分析识别的结果进行检测,得到检测结果;
步骤S40:若从检测结果反映出有可疑行为,则根据报警终端的数量,生成并向报警终端发送报警信号。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是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非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
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。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种防盗通讯网络报警方法,其特征在于,所述防盗通讯网络报警方法包括以下步骤:
步骤S10:获取网点报警终端的数量,并根据所述报警终端的数量与监控平台建立网络通信协议;
步骤S20:所述监控平台获取监控录像并实时对网点进行监控;
步骤S30:对所述监控录像进行分析识别,并根据分析识别的结果进行检测,得到检测结果;
步骤S40:若从所述检测结果反映出有可疑行为,则根据所述报警终端的数量,生成并向所述报警终端发送报警信号。
2.如权利要求1所述的防盗通讯网络报警方法,其特征在于,在所述步骤S40之前,所述防盗通讯网络报警方法还包括以下步骤:
步骤S41:检测服务器集群的性能指标;
步骤S42:若检测到该服务器集群的性能指标超过容量阈值,则向所述监控平台发送样本库拆分请求;
步骤S43:若获取到所述样本库拆分条件信息,对所述样本库进行拆分,得到样本子库;
步骤S44:将特征值从所述样本子库中进行提取,得到所述特征值库;
步骤S45:若在提取所述特征值库后,检测服务器集群资源负载情况,若检测到资源负载情况超过预设的阈值,则发送增加服务器集群请求。
3.如权利要求2所述的防盗通讯网络报警方法,其特征在于,所述步骤S44包括以下步骤:
步骤S441:根据所述样本子库的数量,建立所述特征值库;
步骤S442:从所述样本子库中提取所述特征值,存入特征值表,并将特征值表存入对应的特征值库;
步骤S443:对所述样本子库中的样本容量进行监控,若检测到所述样本容量超过预设的阈值,则对所述样本子库和对应的所述特征值库进行进一步地拆分。
4.如权利要求1所述的防盗通讯网络报警方法,其特征在于,所述步骤S30包括:
步骤S301:识别所述监控录像中的人脸画面,根据所述人脸画面,将所述监控录像作为检测视频;
步骤S302:将所述检测视频输入至视频监测模型进行检测,得到所述检测结果。
5.如权利要求4所述的防盗通讯网络报警方法,其特征在于,在所述步骤S302之前,所述防盗通讯网络报警方法还包括:
步骤S3021:根据历史监控录像,将所述历史盗窃作为样本视频;
步骤S3022:逐个从所述样本视频选取连续N帧监控画面,并根据所述样本视频进行分组,得到所述训练图像集,其中N为正整数;
步骤S3023:将所述训练图像集输入到卷积神经网络模型CNN中,对该所述训练图像集进行下采样、卷积和池化操作,得到与所有所述训练图像集对应的监控特征向量;
步骤S3024:使用LSTM网络对所述训练图像集的所述监控特征向量进行训练,得到对应的所述视频检测模型。
6.一种防盗通讯网络报警装置,其特征在于,所述防盗通讯网络报警装置包括:
通信建立模块,用于获取网点报警终端的数量,并根据所述报警终端的数量与监控平台建立网络通信协议;
监控模块,用于所述监控平台获取监控录像并实时对网点进行监控;
识别模块,用于对所述监控录像进行分析识别,并根据分析识别的结果进行检测,得到检测结果;
报警模块,用于若从所述检测结果反映出有可疑行为,则根据所述报警终端的数量,生成并向所述报警终端发送报警信号。
7.如权利要求6所述的防盗通讯网络报警装置,其特征在于,所述防盗通讯网络报警装置还包括:
检测模块,用于检测服务器集群的性能指标;
拆分请求发送模块,用于若检测到该服务器集群的性能指标超过容量阈值,则向所述监控平台发送样本库拆分请求;
拆分模块,用于若获取到所述样本库拆分条件信息,对所述样本库进行拆分,得到样本子库;
特征提取模块,用于将特征值从所述样本子库中进行提取,得到所述特征值库;
消息发送模块,用于若在提取所述特征值库后,检测服务器集群资源负载情况,若检测到资源负载情况超过预设的阈值,则发送增加服务器集群请求。
8.如权利要求7所述的防盗通讯网络报警装置,其特征在于,所述特征提取模块包括:
特征值库建立子模块,用于根据所述样本子库的数量,建立所述特征值库;
存储子模块,用于从所述样本子库中提取所述特征值,存入特征值表,并将特征值表存入对应的特征值库;
样本监控子模块,用于对所述样本子库中的样本容量进行监控,若检测到所述样本容量超过预设的阈值,则对所述样本子库和对应的所述特征值库进行进一步地拆分。
9.一种计算机设备,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5任一项所述防盗通讯网络报警方法的步骤。
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5任一项所述防盗通讯网络报警方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910065505.9A CN109697815A (zh) | 2019-01-24 | 2019-01-24 | 防盗通讯网络报警方法、装置设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910065505.9A CN109697815A (zh) | 2019-01-24 | 2019-01-24 | 防盗通讯网络报警方法、装置设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109697815A true CN109697815A (zh) | 2019-04-30 |
Family
ID=66234280
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910065505.9A Pending CN109697815A (zh) | 2019-01-24 | 2019-01-24 | 防盗通讯网络报警方法、装置设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109697815A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582179A (zh) * | 2020-05-09 | 2020-08-25 | 广州市炬盾科技发展有限公司 | 监控视频分析方法、装置、计算机设备以及存储介质 |
CN111797972A (zh) * | 2020-05-27 | 2020-10-20 | 北京迈格威科技有限公司 | 应用卷积神经网络处理数据的方法、装置和电子*** |
CN111950494A (zh) * | 2020-08-20 | 2020-11-17 | 宁波广播电视集团 | 基于卷积神经网络的监控方法、装置及***和可读存储介质 |
US11055518B2 (en) * | 2019-08-05 | 2021-07-06 | Sensormatic Electronics, LLC | Methods and systems for monitoring potential losses in a retail environment |
CN113836604A (zh) * | 2021-08-27 | 2021-12-24 | 太原市高远时代科技有限公司 | 一种带防盗录像功能的机箱 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102881100A (zh) * | 2012-08-24 | 2013-01-16 | 济南纳维信息技术有限公司 | 基于视频分析的实体店面防盗监控方法 |
CN103401705A (zh) * | 2013-07-24 | 2013-11-20 | 佳都新太科技股份有限公司 | 一种视频监控网络内集中式存储管理方法 |
CN104111924A (zh) * | 2013-04-16 | 2014-10-22 | ***通信集团广东有限公司 | 一种数据库*** |
KR101675692B1 (ko) * | 2015-06-26 | 2016-11-14 | 성균관대학교산학협력단 | 구조 학습 기반의 군중 행동 인식 방법 및 장치 |
CN206042227U (zh) * | 2016-08-31 | 2017-03-22 | 深圳市超视科技有限公司 | 一种分布式视频监控平台 |
CN107644519A (zh) * | 2017-10-09 | 2018-01-30 | 中电科新型智慧城市研究院有限公司 | 一种基于视频人体行为识别的智能报警方法和*** |
US20180173956A1 (en) * | 2016-12-21 | 2018-06-21 | Axis Ab | Method for identifying events in a motion video |
CN108229338A (zh) * | 2017-12-14 | 2018-06-29 | 华南理工大学 | 一种基于深度卷积特征的视频行为识别方法 |
CN108351968A (zh) * | 2017-12-28 | 2018-07-31 | 深圳市锐明技术股份有限公司 | 一种针对犯罪活动的告警方法、装置、存储介质及服务器 |
CN108446649A (zh) * | 2018-03-27 | 2018-08-24 | 百度在线网络技术(北京)有限公司 | 用于告警的方法及装置 |
CN108600322A (zh) * | 2018-03-27 | 2018-09-28 | 通号通信信息集团有限公司 | 基于铁路视频技术规范的综合视频监控云服务***及方法 |
US20180357247A1 (en) * | 2017-06-07 | 2018-12-13 | Amazon Technologies, Inc. | Behavior-aware security systems and associated methods |
-
2019
- 2019-01-24 CN CN201910065505.9A patent/CN109697815A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102881100A (zh) * | 2012-08-24 | 2013-01-16 | 济南纳维信息技术有限公司 | 基于视频分析的实体店面防盗监控方法 |
CN104111924A (zh) * | 2013-04-16 | 2014-10-22 | ***通信集团广东有限公司 | 一种数据库*** |
CN103401705A (zh) * | 2013-07-24 | 2013-11-20 | 佳都新太科技股份有限公司 | 一种视频监控网络内集中式存储管理方法 |
KR101675692B1 (ko) * | 2015-06-26 | 2016-11-14 | 성균관대학교산학협력단 | 구조 학습 기반의 군중 행동 인식 방법 및 장치 |
CN206042227U (zh) * | 2016-08-31 | 2017-03-22 | 深圳市超视科技有限公司 | 一种分布式视频监控平台 |
US20180173956A1 (en) * | 2016-12-21 | 2018-06-21 | Axis Ab | Method for identifying events in a motion video |
US20180357247A1 (en) * | 2017-06-07 | 2018-12-13 | Amazon Technologies, Inc. | Behavior-aware security systems and associated methods |
CN107644519A (zh) * | 2017-10-09 | 2018-01-30 | 中电科新型智慧城市研究院有限公司 | 一种基于视频人体行为识别的智能报警方法和*** |
CN108229338A (zh) * | 2017-12-14 | 2018-06-29 | 华南理工大学 | 一种基于深度卷积特征的视频行为识别方法 |
CN108351968A (zh) * | 2017-12-28 | 2018-07-31 | 深圳市锐明技术股份有限公司 | 一种针对犯罪活动的告警方法、装置、存储介质及服务器 |
CN108446649A (zh) * | 2018-03-27 | 2018-08-24 | 百度在线网络技术(北京)有限公司 | 用于告警的方法及装置 |
CN108600322A (zh) * | 2018-03-27 | 2018-09-28 | 通号通信信息集团有限公司 | 基于铁路视频技术规范的综合视频监控云服务***及方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11055518B2 (en) * | 2019-08-05 | 2021-07-06 | Sensormatic Electronics, LLC | Methods and systems for monitoring potential losses in a retail environment |
CN111582179A (zh) * | 2020-05-09 | 2020-08-25 | 广州市炬盾科技发展有限公司 | 监控视频分析方法、装置、计算机设备以及存储介质 |
CN111582179B (zh) * | 2020-05-09 | 2023-04-07 | 广州市炬盾科技发展有限公司 | 监控视频分析方法、装置、计算机设备以及存储介质 |
CN111797972A (zh) * | 2020-05-27 | 2020-10-20 | 北京迈格威科技有限公司 | 应用卷积神经网络处理数据的方法、装置和电子*** |
CN111950494A (zh) * | 2020-08-20 | 2020-11-17 | 宁波广播电视集团 | 基于卷积神经网络的监控方法、装置及***和可读存储介质 |
CN111950494B (zh) * | 2020-08-20 | 2024-01-16 | 宁波广播电视集团 | 基于卷积神经网络的监控方法、装置及***和可读存储介质 |
CN113836604A (zh) * | 2021-08-27 | 2021-12-24 | 太原市高远时代科技有限公司 | 一种带防盗录像功能的机箱 |
CN113836604B (zh) * | 2021-08-27 | 2024-03-01 | 太原市高远时代科技有限公司 | 一种带防盗录像功能的机箱 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109697815A (zh) | 防盗通讯网络报警方法、装置设备及存储介质 | |
JP5747116B1 (ja) | 防犯システム | |
EP3407232B1 (en) | Spatiotemporal authentication | |
WO2018194814A1 (en) | Object analysis in live video content | |
CN111414873A (zh) | 基于安全帽佩戴状态的告警提示方法、装置和告警*** | |
CN108806153A (zh) | 警情处理方法、装置及*** | |
CN107222660A (zh) | 一种分布式网络视觉监控*** | |
CN112464030B (zh) | 一种可疑人员确定方法及装置 | |
US11348415B2 (en) | Cognitive automation platform for providing enhanced automated teller machine (ATM) security | |
CN111191507A (zh) | 智慧社区的安全预警分析方法及*** | |
CN110119730A (zh) | 一种监控视频处理方法、***、终端及存储介质 | |
CN115187439A (zh) | 一种智慧园区综合运营管理方法及*** | |
CN111091047A (zh) | 活体检测方法、装置、服务器和人脸识别设备 | |
CN110659087A (zh) | 一种应用于智慧医疗的人脸识别算法工程化*** | |
CN110874582A (zh) | 电信诈骗的确定方法及装置、存储介质、电子装置 | |
CN113705428B (zh) | 活体检测方法及装置、电子设备及计算机可读存储介质 | |
CN113645439B (zh) | 事件检测方法及***、存储介质及电子装置 | |
CN109815828A (zh) | 实现主动报警或求助行为检测控制的***及方法 | |
CN109120896A (zh) | 安防视频监控卫士*** | |
CN111541864B (zh) | 一种数字视网膜软件定义摄像机方法及*** | |
CN113988867A (zh) | 欺诈行为检测方法、装置、计算机设备和存储介质 | |
CN105959329B (zh) | 一种高清视频叠加处理*** | |
US20190057589A1 (en) | Cloud based systems and methods for locating a peace breaker | |
JP2004199468A (ja) | 印鑑照合システム及びその制御用プログラム | |
CN117292422A (zh) | 面部识别方法、装置、计算机设备、存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190430 |
|
RJ01 | Rejection of invention patent application after publication |