CN110222640B - 监控场所中嫌疑人的识别方法、装置、方法和存储介质 - Google Patents
监控场所中嫌疑人的识别方法、装置、方法和存储介质 Download PDFInfo
- Publication number
- CN110222640B CN110222640B CN201910488387.2A CN201910488387A CN110222640B CN 110222640 B CN110222640 B CN 110222640B CN 201910488387 A CN201910488387 A CN 201910488387A CN 110222640 B CN110222640 B CN 110222640B
- Authority
- CN
- China
- Prior art keywords
- monitoring
- personnel
- image information
- suspect
- person
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Alarm Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了监控场所中嫌疑人的识别方法、装置、方法和存储介质。该识别方法包括:获取每个监控区域在同一时间段的图像信息;根据多个监控区域的多个图像信息,确定出现在多个图像信息中的监测人员在监控场所的行为特征;根据行为特征确定监测人员是否为嫌疑人。通过分析多个监控区域的多个图像信息可以获知监测人员的行为特征,从而可以根据监测人员的行为特征判断出监测人员是否为嫌疑人,即通过分析监测人员的行为特征就可以判断出该监测人员是否为嫌疑人,从而不需要有嫌疑人数据库或黑名单,就可以识别出嫌疑人,简单方便。
Description
技术领域
本申请涉及图像技术领域,特别是涉及监控场所中嫌疑人的识别方法、装置、方法和存储介质。
背景技术
随着技术的发展,可以通过图像信息中的人脸与黑名单或嫌疑人数据库对比,判断人脸对应的人员是否是嫌疑人。但是这种判断方式需要将有案底的人的人脸图像保存在计算机黑名单中,当有监测人员从监控装置前经过时,用监控装置拍摄监测人员的图像,通过将监控人员的图像和黑名单中的图像进行比对,来识别监测人员是否是黑名单中的人。即这种判断方式需要实时更新的、完整的黑名单或嫌疑人数据库。
发明内容
本申请主要的目的是提供监控场所中嫌疑人的识别方法、装置、方法和存储介质,能够不需要实时更新的、完整的黑名单或嫌疑人数据库。
为达到上述目的,本申请采用的一个技术方案是:一种监控场所中嫌疑人的识别方法,监控场所包括多个监控区域,识别方法包括:
获取每个监控区域在同一时间段的图像信息;
根据多个监控区域的多个图像信息,确定出现在多个图像信息中的监测人员在监控场所的行为特征;
根据行为特征确定监测人员是否为嫌疑人。
为达到上述目的,本申请采用的另一个技术方案是:一种识别装置,包括存储器、处理器以及存储在存储器中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上述方法的步骤。
为达到上述目的,本申请采用的另一个技术方案是:一种监控场所中嫌疑人的识别装置包括:
图像获取模块,被配置为获取每个监控区域在同一时间段的图像信息;
行为特征分析模块,被配置为根据多个监控区域的多个图像信息,确定出现在多个图像信息中的监测人员在监控场所的行为特征;
判断模块,被配置为根据行为特征确定监测人员是否为嫌疑人。
为达到上述目的,本申请采用的又一个技术方案是:一种监控场所中嫌疑人的识别***包括分析平台、多个监控装置和报警设备;
每一监控装置设置于一监控区域,用于获取监控区域的图像信息;
分析平台连接每一监控装置,为上述的识别装置;
报警设备连接分析平台,分析平台确定的嫌疑人通过报警设备呈现。
为达到上述目的,本申请采用的另一个技术方案是:一种可读存储介质,其上存储有计算机程序,程序被处理器执行时实现上述方法的步骤。
本申请的有益效果是:区别于现有技术的情况,通过分析多个监控区域的多个图像信息可以获知监测人员的行为特征,从而可以根据监测人员的行为特征判断出监测人员是否为嫌疑人,即通过分析监测人员的行为特征就可以判断出该监测人员是否为嫌疑人,从而不需要有嫌疑人数据库或黑名单,就可以识别出嫌疑人,简单方便,而且不需要费时费力的更新嫌疑人数据库或黑名单,节省时间和精力;另外,本申请的方案可以根据多个监控区域的图像信息,综合分析出监测人员的行为轨迹,分析出的行为特征更加准确,可以降低嫌疑人的误判率。
附图说明
图1是本申请监控场所中嫌疑人的识别方法一实施方式的流程示意图;
图2是本申请监控场所中嫌疑人的识别方法另一实施方式的流程示意图;
图3是本申请监控场所中嫌疑人的识别方法又一实施方式的流程示意图;
图4是本申请监控场所中嫌疑人的识别方法又一实施方式的流程示意图;
图5是本申请识别装置一实施方式的结构示意图;
图6是本申请识别装置另一实施方式的结构示意图;
图7是本申请监控场所中嫌疑人的识别***一实施方式的结构示意图。
具体实施方式
下面结合附图和实施方式对本申请进行详细说明。
如图1所示,图1是本申请监控场所中嫌疑人的识别方法一实施方式的流程示意图。
监控场所包括多个监控区域。
其中,监控场所可以是酒店、居民房、写字楼等多层建筑物。每个监控区域可以有一个长长的走廊,走廊连接各个房间。监控区域还可以包括楼梯口、电梯口、楼梯或监控场所出入口等。安装在监控场所的拍摄图像信息的装置(监控装置)可以全程监控在建筑物进出的所有人。多层建筑物的层数至少为二。监控场所或者可以是一连串的街道。多个监控区域可以是物理地址连续的。即相邻的两个监控区域之间是相互连通的,可以不存在非监控区域(不在识别装置的监控范围内的区域)。可以理解的是,多个监控区域或者可以是物理地址不连续的,即相邻的两个监控区域之间可以存在非监控区域。
该识别方法包括以下步骤:
步骤S11:获取每个监控区域在同一时间段的图像信息。
其中,每个监控装置可以负责拍摄一个监控区域,并生成相应的图片或视频,可以将最新拍摄到的一帧图片或一个时间段的图片或视频传输给识别装置。相应地,识别装置可以实时获取每个监控区域的图像信息。识别装置或者可以获取每个监控区域在同一时间段的图像信息。当然,识别装置自身可以包括多个监控装置。多个监控装置或者可以独立于识别装置。识别装置接收到图像信息时,可以根据图像信息的来源监控装置,确认图像信息所对应的监控区域,这样在获取监测人员出现的时间段内的图像信息时,可以及时确定在监测人员出现的时间段内监测人员所处的监控区域,从而可以很快的找到相应的图像信息,提高运行效率。
步骤S12:根据多个监控区域的多个图像信息,确定出现在多个图像信息中的监测人员在监控场所的行为特征。
其中,识别装置可以对获得的多个监控区域的多个图像信息进行分析,检测出图像信息中出现的监测人员。可以对图像信息中的每一帧图片进行分析获得监测人员出现的位置和/或时间,然后综合多张图片上的监测人员出现的位置和/或时间来分析出监测人员的行为特征。监测人员的行为特征可以包括运动轨迹、出现次数、停留时间、停留位置等。
步骤S13:根据行为特征确定监测人员是否为嫌疑人。
其中,识别装置可以通过判断分析出的行为特征是否满足预设条件确定监测人员是否为嫌疑人。比如,若通过分析出的监测人员的运动轨迹知晓在一个连续的时间链上监测人员间断性地、反复地出现在同一个监控区域,那就可以判断该监测人员为嫌疑人。再比如,若分析出的监测人员在多个监控区域的出现次数比次数阈值大,就可以判断该监测人员为嫌疑人。次数阈值可以是3次、5次、7次、9次等。
在此实施方式中,通过分析多个监控区域的多个图像信息可以获知监测人员的行为特征,从而可以根据监测人员的行为特征判断出监测人员是否为嫌疑人,即通过分析监测人员的行为特征就可以判断出该监测人员是否为嫌疑人,从而不需要有嫌疑人数据库或黑名单,就可以识别出嫌疑人,简单方便,而且不需要费时费力的更新嫌疑人数据库或黑名单,节省时间和精力;另外,该实施方式中的方案可以根据多个监控区域的图像信息,综合分析出监测人员的行为轨迹,分析出的行为特征更加准确,可以降低嫌疑人的误判率。
如图2所示,图2是本申请一种监控场所中嫌疑人的识别方法一实施方式的流程示意图。
步骤S21:获取每个监控区域在同一时间段的图像信息。
可如上述S11,在此不做赘述。
步骤S22:获取多个图像信息中的人脸特征,根据人脸特征,确定监测人员在多个监控区域的累计停留时间。
其中,每个监控区域的图像信息包括每个监控区域的图片集。识别装置可以基于人脸识别技术从多个图像信息中的图片中提取到监测人员的人脸特征,将提取到的人脸特征与人脸数据库中的人脸数据匹配确认监测人员的身份。
其中一个应用场景中:依据人脸数据库识别出监测人员的身份后,可以将监测人员的身份标识到监测人员出现的图片上。依据图片上监测人员的身份标识,统计多个图像信息中监测人员出现在图片中的次数。根据监控装置拍摄的每帧图片的时间间隔(基本上是固定值)、监测人员出现在图片中的次数,即可计算出监测人员的累计停留时间。
另一个应用场景中:人脸数据库可以为识别装置运行过程中产生的。将多个图像信息中监测人员的人脸特征与人脸数据库中记录的人脸数据进行匹配,匹配成功时,更新人脸数据库中匹配成功的人脸数据相对应的累积停留时间。监测人员的人脸特征与人脸数据库中记录的所有人脸数据均未匹配成功时,将监测人员的人脸数据(可以是包括监测人员人脸的图片,或者可以是监测人员的人脸特征)存储到人脸数据库中,并开始计算新的人脸数据相对应的累积停留时间。未匹配成功时,可以将出现有监测人员的所有图片的时间点中的最早时间点作为开始计算累计停留时间的时间点。本应用场景的人脸数据库不仅可以存储各个人员的人脸数据,还可以起到计算各个人员的累计停留时间的功能。
更新累计停留时间的方法或者可以是用提取到监测人员的人脸数据的图片中时间最晚的图片的时间点和开始计算累积停留时间的时间点之间的时间差替换更新之前的累计停留时间。更新累计停留时间的方法或者可以是在更新之前的累积停留时间上累加一个时间。累加的时间可以是监控装置拍摄相邻两帧图片的时间间隔。累加的时间或者可以是提取到监测人员的人脸数据的图片中时间最晚的图片的时间点和时间最晚的图片的前一张出现有监测人员的图片的时间点之间的时间差。
另外,多个图像信息中监测人员的人脸特征与人脸数据库中记录的人脸数据匹配成功时:可以在提取到监测人员的人脸数据的图片中时间最晚的图片的时间点和时间最晚的图片的前一张出现有监测人员的图片的时间点之间的时间差大于第一阈值时,以提取到监测人员的人脸数据的图片中时间最晚的图片的时间点作为开始计算累计停留时间的时间点;可以在提取到监测人员的人脸数据的图片中时间最晚的图片的时间点和时间最晚的图片的前一张出现有监测人员的图片的时间点之间的时间差小于或等于第一阈值时,更新人脸数据库中匹配成功的人脸数据相对应的累积停留时间。第一阈值比时间阈值(时间阈值即判断监测人员是否是嫌疑人的时间标准)长,第一阈值可以是1h、2h等。
可以理解的是,在开始计算累计停留时间之前,可以用开始计算监测人员的累计停留时间对应的图片及其之前的几帧图片,综合判断监测人员之前是否以不能识别出人脸的姿态出现在图片中。在开始计算累计停留时间之前,多帧图片上出现的不能被识别出人脸的监测人员可以被定义为移动物体。若以不能识别出人脸的姿态出现在图片中,就可以在计算到的不能被识别出人脸的监测人员(即移动物体)的累计停留时间的基础上,继续计算监测人员的累计停留时间。若未出现在图片中,就开始计算监测人员的累计停留时间。
进一步地,每张图片的时间点可以是图片的拍摄时间点,或者可以是识别装置获取到图片的时间点。
并且,在将监测人员的人脸数据保存到人脸数据库时,可以在人脸数据库中定义监测人员的身份。定义的监测人员的身份可以将监测人员和人脸数据库中的其他人员区分开来。另外,在将监测人员的人脸数据保存到人脸数据库时,可以记录存储该人脸数据的时间点,或者记录该人脸数据生成的时间点(若人脸数据包含有人员人脸的图片,人脸数据生成的时间点可以是拍摄图片的时间点,或者是识别装置接收到图片的时间点;若人脸数据包含有人员的人脸特征,人脸数据生成的时间点可以是识别装置计算得到人脸特征的时间点)。人脸数据库可以实时或每隔一个时间段清理其内存储的人脸数据。人脸数据库清理其内存储的人脸数据时,可以将其内存储的超时的人脸数据清理。超时的人脸数据为在人脸数据库中存储时间大于第二阈值的人脸数据,从而可以减少识别装置匹配监测人员身份的运算量,并且不影响监测人员的累计停留时间的计算。清理人脸数据的方式可以是直接将超时的人脸数据删除掉。清理人脸数据的方式或者可以是在有新生成的人脸数据的前提下,用新生成的人脸数据替换人脸数据库中相对应的人脸数据。第二阈值可以是1h、2h、3h等。并且第二阈值可以比时间阈值长。这样因为第二阈值长于时间阈值,即在相邻两次清理之间,就可以判断出监测人员是否是嫌疑人,即使在下一次清理之前未判断出监测人员是否是嫌疑人,也可以用新的人脸数据替换之前的人脸数据,这样就不会影响识别装置的判断结果,既可以减少识别装置的运算量,提高运算效率,又能保证计算监测人员的累计停留时间的准确率。
其中,步骤S22可以包括以下子步骤S221和S222:
步骤S221:根据图片集中监测人员所在图片的拍摄时间点,确定人员在每个监控区域的持续停留时间。
其中,监测人员在一个监控区域的持续停留时间计算的方式可以是:在一个监控区域的所有图像信息中,取出现有监测人员的所有图片对应的时间点中的最早时间点和最晚时间点,最晚时间点和最早时间点的时间差可以是监测人员在一个监控区域的停留时间。当然,最早时间点与最晚时间点之间的时间段内该监测人员应该不会出现在其它监控区域拍摄的图片中。若监测人员在最早时间点与最晚时间点之间的时间段内出现在其它监控区域拍摄的图片中,就可以代表计算的持续停留时间可能是错误的,那就需要重新确定监测人员在该监控区域的持续停留时间。重新确定监测人员的持续停留时间的方式可以是:可以以监测人员最新出现在其他监控区域的时间点为离开这一个监控区域的时间,可以定义为最晚出现在这一个监控区域的时间,接着以监测人员最新出现在其他监控区域的时间点和出现在这一个监控区域的最早时间点的时间差作为监测人员在这一个监控区域的持续停留时间。
步骤S222:将人员在每个监控区域的持续停留时间累加,以得到累计停留时间。
其中,若监测人员在多个监控区域出现,就可以将监测人员在每个监控区域的持续停留时间累加得到累计停留时间。
步骤S23:若监测人员出现在至少两个监控区域,且累计停留时间超过时间阈值,则确定监测人员是否为嫌疑人。
其中,判断监测人员是否为嫌疑人的条件为:监测人员出现在至少两个监控区域,且累计停留时间超过时间阈值。以此为条件判断监测人员是否为嫌疑人,可以更好地贴合于嫌疑人作案的行为特征(嫌疑人会在多个监控区域出现,以寻找作案机会;并且在寻找机会的时候,会在监控场所内观察一段时间),从而更加正确地、更快地得出是否是嫌疑人的结论。
步骤S24:若判断监测人员为嫌疑人,则获取监测人员当前所在监控区域;以警报的方式呈现监控区域及监测人员。
其中,识别装置可以在获取监测人员当前所在的监控区域之前,配置每个监控装置所在的监控区域。这样可以方便识别装置快速获取到监测人员的所在位置,提高运算效率。
其中一个应用场景中,判断监测人员为嫌疑人,可以获取监测人员当前所在的监控区域。获取监控区域后,识别装置可以将监控区域的图像信息以警报的方式呈现,方便提醒工作人员,并可以使工作人员及时知晓该嫌疑人的信息,也方便工作人员确认报警真假。
另一个应用场景中,判断监测人员为嫌疑人,或者可以获取监测人员在累计停留时间段内出现的监控区域。获取监控区域后,识别装置可以将累计停留时间段相应监控区域的图像信息以警报的方式呈现,方便提醒工作人员,并可以使工作人员及时知晓该嫌疑人的信息,也方便工作人员确认报警真假。
在本实施方式中,通过监测人员的累计停留时间作为判断条件,运算方式简单,可以更加便捷的判断出结果,并且不需要有嫌疑人数据库或黑名单,就可以识别出嫌疑人,简单方便,而且不需要费时费力的更新嫌疑人数据库或黑名单的内容,节省时间和精力。
如图3所示,图3是本申请监控场所中嫌疑人的识别方法一实施方式的流程示意图。
步骤S31:获取每个监控区域在同一时间段的图像信息。
可如上述S11,在此不做赘述。
步骤S32:根据多个监控区域的多个图像信息,判断出现在多个图像信息中的人员是否在白名单中。
其中,可以在识别装置内的存储器中存储监控场所的白名单。当然,识别装置或者可以连接到数据库服务器获取到监控场所的白名单。白名单可以包括监控场所的授权人员的身份、照片或人脸特征。白名单可以包括监控场所的授权人员对应的监控条件。获取到多个图像信息后,判断图像信息中的人员是否在白名单中。判定监测人员在白名单中,就可以不分析监测人员的行为特征。判定监测人员不在白名单中,就需要确定未在白名单中的监测人员的行为特征。
具体的判断方式可以包括:根据人脸特征,判断出现在多个图像信息中的监测人员与白名单中的授权人员是否匹配;若匹配,则继续判断监测人员对应的监控数据是否满足所匹配的授权人员对应的监控条件;若不匹配,就可以得出图像信息中的监测人员未出现在白名单中的结论。
根据人脸特征,判断出现在多个图像信息中的人员与白名单中的人员是否匹配可以通过人脸识别技术分析出图像信息中监测人员的人脸特征,并用监测人员的人脸特征与白名单进行匹配。监测人员的人脸特征与白名单中的任一数据匹配成功时,就可以确认监测人员与白名单中的授权人员匹配。监测人员的人脸特征与白名单中的所有数据均未匹配成功时,就可以确认监测人员与白名单中的授权人员不匹配。
监测人员对应的监控数据是否满足所匹配的授权人员对应的监控条件的判断结果可以是:监测人员对应的监控数据满足所匹配的授权人员对应的监控条件时,就可以判定监测人员在白名单中;监测人员对应的监控数据不满足所匹配的授权人员对应的监控条件时,就可以判定监测人员不在白名单中。授权人员对应的监控条件可以是白名单中授权人员对应的区域条件和时间条件。例如,白名单中授权人员——王三对应的监控条件有:时间条件为6:00-18:00;区域条件为监控区域一和监控区域三。王三出现在监控装置早上八点拍摄到的监控区域三的图片上时,由于王三是白名单授权人员,并且王三出现的时间和区域(即监控数据)满足时间条件和区域条件(即监控条件),因此判断出王三在白名单中,可以不***三的行为特征。相反的,假如王三出现在监控装置早上四点拍摄到的监控区域二的图片上时,虽然王三是白名单授权人员,但是王三出现的时间和区域不满足时间条件和区域条件,因此判定王三不在白名单中,此时需要***三的行为特征。
在此实施方式中,通过白名单排除掉应当出现在监控场所的人,避免将应当出现在监控场所的人判定为嫌疑人,提高识别率。并且在白名单内设置有区域条件和时间条件,这样授权人员在限定区域和时间外出现时,白名单无效,也可以判断出白名单中授权人员在限定区域外和限定时间外的行为特征是否异常,进一步提高识别率。
如图4所示,图4是本申请监控场所中嫌疑人的识别方法一实施方式的流程示意图。
步骤S41:获取每个监控区域在同一时间段的图像信息。
可如上述S11,在此不做赘述。
步骤S42:获取多个监控区域的多个图像信息中的移动物体信息,将各个监控区域中出现的移动物体作为一个监测人员;确定监测人员在各个监控区域的停留时间。
其中,移动物体是通过多个监控区域的多个图像信息识别不出身份的物体。可以从图像信息中检测出非背景物体,判断该非背景物体是否是移动的。若判定非背景物体是移动的,则会判断能不能从检测出非背景物体为移动的几帧图片提取到非背景物体的人脸特征。若均提取不到人脸特征,可以判定非背景物体为移动物体。通过出现有该移动物体的图片,可以确定该移动物体在监控区域的停留时间。
若能够提取到人脸特征,就可以确定非背景物体是提取到的人脸特征相对应的人员。通过出现有该非背景物体的图片和出现有能够提取到的该人脸特征的图片,可以共同确定提取到的人脸特征相对应的人员的累计停留时间。
监测人员在一个监控区域的停留时间计算的方式可以是:在一个监控区域的所有图像信息中,取最早时间和最晚时间,最晚时间和最早时间的时间差可以是监测人员在一个监控区域的停留时间。在最小时间和最大时间之间的任意时刻监测人员应该不会在其他监控区域出现。
步骤S43:若停留时间超过时间阈值,则确定监测人员为嫌疑人。
步骤S44:若判断监测人员为嫌疑人,则获取监测人员当前所在监控区域;以警报的方式呈现监控区域及监测人员。
可如上述S24所述,在此不做赘述。
在此实施方式中,虽然从图像信息中识别不出移动的非背景物体(移动物体)的人脸,但是通过计算移动物体的停留时间,可以判断该移动物体是否是嫌疑人,从而避免将有意让摄像机拍不到脸的嫌疑人遗漏,提高识别率,并且在识别移动物体为嫌疑人时,会将图像信息以警报的形式呈现,可以提醒工作人员,这样工作人员就可以及时判断警报的真假,方便工作人员采取相应的措施。
请参阅图5,图5是本申请识别装置一实施方式的结构示意图。本实施方式中的识别装置50包括:
图像获取模块51,被配置为获取每个监控区域在同一时间段的图像信息;
分析模块52,被配置为根据多个监控区域的多个图像信息,确定出现在多个图像信息中的监测人员在监控场所的行为特征;
判断模块53,被配置为根据行为特征确定监测人员是否为嫌疑人。
进一步地,分析模块52被配置为获取多个图像信息中的人脸特征,根据人脸特征,确定监测人员在多个监控区域的累计停留时间;
判断模块53被配置为若监测人员出现在至少两个监控区域,且累计停留时间超过时间阈值,则确定监测人员为嫌疑人。
进一步地,分析模块52包括:
第一计算子模块,被配置为根据图片集中监测人员所在图片的拍摄时间点,确定人员在每个监控区域的持续停留时间;
第二计算子模块,被配置为将人员在每个监控区域的持续停留时间累加,以得到累计停留时间。
进一步地,分析模块52被配置为:判断出现在多个图像信息中的监测人员是否在白名单中;若未在白名单中,则确定未在白名单中的监测人员的行为特征。
进一步地,分析模块52被配置为:根据人脸特征,判断出现在多个图像信息中的监测人员与白名单中的授权人员是否匹配;
若匹配,则判断监测人员对应的监控数据是否满足所匹配的授权人员对应的监控条件;
若满足所匹配的授权人员对应的监控条件,则判定监测人员在白名单中;
若不满足所匹配的授权人员对应的监控条件,则判定监测人员不在白名单中。
进一步地,分析模块52被配置为:获取多个监控区域的多个图像信息中的移动物体信息,将各个监控区域中出现的移动物体作为一个监测人员;确定监测人员在各个监控区域的停留时间;
判断模块被配置为:若停留时间超过时间阈值,则确定监测人员为嫌疑人。
进一步地,识别装置50还包括:
区域信息获取模块,被配置为若判断监测人员为嫌疑人,则获取监测人员当前所在监控区域;
展示模块,被配置为以警报的方式呈现监控区域及监测人员。
请参阅图6,图6是本申请识别装置另一实施方式的结构示意图。本实施方式中的识别装置60包括:存储器61、处理器62以及存储在存储器61中并可在处理器62上运行的计算机程序。处理器62执行计算机程序时可实现上述各个监控场所中嫌疑人的识别方法实施方式中的步骤,例如图1所示的步骤S11。
识别装置60可包括,但不仅限于,处理器62、存储器61。本领域技术人员可以理解,示意图仅仅是识别装置60的示例,并不构成对识别装置60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,例如识别装置60还可以包括输入输出设备、网络接入设备、总线等。处理器62可以是中央处理单元,还可以是其他通用处理器、数字信号处理器、专用集成电路、现成可编程门阵列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。存储器61可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡,安全数字卡,闪存卡、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
识别装置60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,可以存储在一个可读取存储介质中。基于这样的理解,本申请实现上述实施方式方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一可读存储介质中,该计算机程序在被执行时,可实现上述各个方法实施方式的步骤。其中,计算机程序包括计算机程序代码,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。可读存储介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质等。
请参阅图7,图7是本申请监控场所中嫌疑人的识别***70一实施方式的结构示意图。监控场所中嫌疑人的识别***70包括分析平台72、多个监控装置71和报警设备73。每一监控装置71设置于一监控区域,用于获取监控区域的图像信息。分析平台72连接每一监控装置71,为上述的识别装置52。报警设备73连接分析平台72,分析平台72确定的嫌疑人通过报警设备73呈现。
其中,监控装置71拍摄到的图像信息传输给分析平台72。分析平台72接收到图像信息,会对图像信息进行分析,确认监测人员的行为特征,接着判断监测人员的行为特征是否满足条件,判断监测人员是否为嫌疑人。分析平台72会将嫌疑人的图像信息以警报的方式传输给报警设备73。具体的分析平台72的具体工作方式可以如上述各个监控场所中嫌疑人的识别方法中的步骤。监控装置71可以是一些普通摄像机,可以降低监控的建设成本。监控装置71或者可以是智能摄像机。一个监控区域可以设置一个监控装置71,这个监控装置71可以监控在该监控区域进出的所有人,在该监控区域没有监控死角。一个监控区域也可以设置多个监控装置71,该多个监控装置71监控的区域的集合能够覆盖一整个监控区域,在该监控区域内没有监控死角。报警设备73可以包括显示屏,该显示屏用来播放嫌疑人的图像信息。报警设备73可以设置在监控室,有工作人员在该监控室内值班,这样分析平台72将嫌疑人的图像信息以报警的方式传输给报警设备73,可以方便提醒工作人员,也方便工作人员确认报警真假。
以上仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种监控场所中嫌疑人的识别方法,其特征在于,所述监控场所包括多个监控区域,所述识别方法包括:
获取每个监控区域在同一时间段的图像信息;
根据多个监控区域的多个所述图像信息,确定出现在所述多个图像信息中的监测人员在所述监控场所的行为特征;
根据所述行为特征确定所述监测人员是否为嫌疑人;
其中,所述根据多个监控区域的多个所述图像信息,确定出现在所述多个图像信息中的监测人员在所述监控场所的行为特征,包括:将各个监控区域中基于所述图像信息识别不出人物身份的移动物体作为一个监测人员,确定所述监测人员在各个监控区域的停留时间;
所述根据所述行为特征确定所述监测人员是否为嫌疑人,包括:若所述停留时间超过时间阈值,则确定所述监测人员为嫌疑人。
2.根据权利要求1所述的方法,其特征在于:
所述根据所述多个监控区域的多个所述图像信息,确定出现在所述多个图像信息中的监测人员在所述监控场所的行为特征;包括:
获取所述多个图像信息中的人脸特征,根据所述人脸特征,确定监测人员在所述多个监控区域的累计停留时间;
所述根据所述行为特征确定所述监测人员是否为嫌疑人,包括:
若所述监测人员出现在至少两个监控区域,且所述累计停留时间超过时间阈值,则确定所述监测人员为嫌疑人。
3.根据权利要求2所述的方法,其特征在于,每个监控区域的图像信息包括每个监控区域的图片集;所述确定监测人员在所述多个监控区域的累计停留时间,包括:
根据所述图片集中所述监测人员所在图片的拍摄时间点,确定所述人员在每个监控区域的持续停留时间;
将所述人员在每个监控区域的持续停留时间累加,以得到所述累计停留时间。
4.根据权利要求2所述的方法,其特征在于,所述确定出现在所述多个图像信息中的监测人员在所述监控场所的行为特征;包括:
判断出现在所述多个图像信息中的监测人员是否在白名单中;
若未在白名单中,则确定未在所述白名单中的所述监测人员的行为特征。
5.根据权利要求4所述的方法,其特征在于,所述判断出现在所述多个图像信息中的监测人员是否在白名单中,包括:
根据所述人脸特征,判断出现在所述多个图像信息中的监测人员与所述白名单中的授权人员是否匹配;
若匹配,则判断所述监测人员对应的监控数据是否满足所匹配的授权人员对应的监控条件;
若满足所匹配的授权人员对应的监控条件,则判定所述监测人员在所述白名单中;
若不满足所匹配的授权人员对应的监控条件,则判定所述监测人员不在所述白名单中。
6.根据权利要求1所述的方法,其特征在于,所述识别方法进一步包括:
若判断所述监测人员为嫌疑人,则获取所述监测人员当前所在监控区域;
以警报的方式呈现所述监控区域及所述监测人员。
7.一种监控场所中嫌疑人的识别装置,其特征在于,包括:
图像获取模块,被配置为获取每个监控区域在同一时间段的图像信息;
行为特征分析模块,被配置为根据多个监控区域的多个所述图像信息,确定出现在所述多个图像信息中的监测人员在所述监控场所的行为特征,被配置为将各个监控区域中基于所述图像信息识别不出人物身份的移动物体作为一个监测人员,确定所述监测人员在各个监控区域的停留时间;
判断模块,被配置为根据所述行为特征确定所述监测人员是否为嫌疑人,被配置为若所述停留时间超过时间阈值,则确定所述监测人员为嫌疑人。
8.一种监控场所中嫌疑人的识别装置,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1-6中任一项所述方法的步骤。
9.一种监控场所中嫌疑人的识别***,其特征在于,包括分析平台、多个监控装置和报警设备;
每一监控装置设置于一监控区域,用于获取监控区域的图像信息;
分析平台连接每一监控装置,为权利要求8所述的识别装置;
报警设备连接所述分析平台,所述分析平台确定的嫌疑人通过所述报警设备呈现。
10.一种可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现权利要求1-6中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910488387.2A CN110222640B (zh) | 2019-06-05 | 2019-06-05 | 监控场所中嫌疑人的识别方法、装置、方法和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910488387.2A CN110222640B (zh) | 2019-06-05 | 2019-06-05 | 监控场所中嫌疑人的识别方法、装置、方法和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110222640A CN110222640A (zh) | 2019-09-10 |
CN110222640B true CN110222640B (zh) | 2022-02-18 |
Family
ID=67819555
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910488387.2A Active CN110222640B (zh) | 2019-06-05 | 2019-06-05 | 监控场所中嫌疑人的识别方法、装置、方法和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110222640B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110705477A (zh) * | 2019-09-30 | 2020-01-17 | 深圳市商汤科技有限公司 | 行为分析方法、装置、电子设备和计算机存储介质 |
CN110751116B (zh) * | 2019-10-24 | 2022-07-01 | 银河水滴科技(宁波)有限公司 | 一种目标识别的方法及装置 |
CN111507555B (zh) * | 2019-11-05 | 2023-11-14 | 浙江大华技术股份有限公司 | 人体状态检测方法、课堂教学质量的评价方法及相关装置 |
CN112949342B (zh) * | 2019-11-26 | 2022-06-10 | 华方信息技术有限公司 | 人员滞留时长测量平台及方法 |
CN111199211A (zh) * | 2019-12-31 | 2020-05-26 | 武汉星巡智能科技有限公司 | 具有红外唤醒功能的智能监控设备、监控方法及存储介质 |
CN111212274A (zh) * | 2020-03-03 | 2020-05-29 | 江苏中数智慧信息科技有限公司 | 一种智能楼宇安防*** |
CN111698473A (zh) * | 2020-06-10 | 2020-09-22 | 中国工商银行股份有限公司 | 一种值班人员的检测方法及装置 |
CN112333419A (zh) * | 2020-08-21 | 2021-02-05 | 深圳Tcl新技术有限公司 | 监控追踪方法、装置、***与计算机可读存储介质 |
CN112380892B (zh) * | 2020-09-14 | 2023-10-27 | 青岛海信网络科技股份有限公司 | 一种图像识别方法、装置、设备及介质 |
CN115115997A (zh) * | 2021-03-19 | 2022-09-27 | 杭州海康威视***技术有限公司 | 一种异常对象的确定方法、装置及存储介质 |
CN113468948B (zh) * | 2021-04-26 | 2023-11-10 | 深圳市安软科技股份有限公司 | 基于视图数据的治安防控方法、模块、设备及存储介质 |
CN113554261B (zh) * | 2021-05-24 | 2024-06-28 | 浙江大华技术股份有限公司 | 异常对象识别方法、装置、电子装置和存储介质 |
CN113343913A (zh) * | 2021-06-29 | 2021-09-03 | 广东粤港澳大湾区国家纳米科技创新研究院 | 目标确定方法、装置、存储介质及计算机设备 |
CN113784057B (zh) * | 2021-07-30 | 2023-08-15 | 杭州华橙软件技术有限公司 | 目标区域的监控方法、电子设备及存储介质 |
CN114118713A (zh) * | 2021-11-03 | 2022-03-01 | 重庆中科云从科技有限公司 | 监控方法、***及计算机存储介质 |
CN115546737B (zh) * | 2022-12-02 | 2023-05-16 | 天讯瑞达通信技术有限公司 | 一种机房监控方法 |
CN116886874A (zh) * | 2023-08-11 | 2023-10-13 | 广东盈香生态园有限公司 | 一种生态园安防监控预警数据的采集方法及其*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101465033A (zh) * | 2008-05-28 | 2009-06-24 | 丁国锋 | 一种自动追踪识别***及方法 |
CN104202578A (zh) * | 2014-09-27 | 2014-12-10 | 江阴延利汽车饰件股份有限公司 | 一种自动识别嫌疑人的方法 |
CN104952187A (zh) * | 2015-06-26 | 2015-09-30 | 吴鹏 | 防盗监控的方法和监控*** |
CN106780250A (zh) * | 2016-12-01 | 2017-05-31 | 武汉大思想信息股份有限公司 | 一种基于物联网技术的智慧社区安全事件处理方法及*** |
CN107341940A (zh) * | 2017-06-30 | 2017-11-10 | 深圳前海弘稼科技有限公司 | 一种安全监控***及监控方法 |
CN108664600A (zh) * | 2018-05-09 | 2018-10-16 | 山东合天智汇信息技术有限公司 | 一种用于识别特殊场所嫌疑人的方法和装置 |
CN109214300A (zh) * | 2018-08-09 | 2019-01-15 | 成都智达万应科技有限公司 | 一种基于人脸识别的嫌疑人预警方法及其*** |
CN109766779A (zh) * | 2018-12-20 | 2019-05-17 | 深圳云天励飞技术有限公司 | 徘徊人员识别方法及相关产品 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4120379B2 (ja) * | 2002-12-05 | 2008-07-16 | カシオ計算機株式会社 | 行動監視システムおよびプログラム |
CN102663452B (zh) * | 2012-04-14 | 2013-11-06 | 中国人民解放军国防科学技术大学 | 基于视频分析的可疑行为检测方法 |
CN105631427A (zh) * | 2015-12-29 | 2016-06-01 | 北京旷视科技有限公司 | 可疑人员检测方法与*** |
CN106503666A (zh) * | 2016-10-26 | 2017-03-15 | 珠海格力电器股份有限公司 | 一种安全监控方法、装置及电子设备 |
CN109525807A (zh) * | 2018-09-27 | 2019-03-26 | 福建省南安市大大电子有限公司 | 一种应用在小区的智能物联管理***的使用方法 |
-
2019
- 2019-06-05 CN CN201910488387.2A patent/CN110222640B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101465033A (zh) * | 2008-05-28 | 2009-06-24 | 丁国锋 | 一种自动追踪识别***及方法 |
CN104202578A (zh) * | 2014-09-27 | 2014-12-10 | 江阴延利汽车饰件股份有限公司 | 一种自动识别嫌疑人的方法 |
CN104952187A (zh) * | 2015-06-26 | 2015-09-30 | 吴鹏 | 防盗监控的方法和监控*** |
CN106780250A (zh) * | 2016-12-01 | 2017-05-31 | 武汉大思想信息股份有限公司 | 一种基于物联网技术的智慧社区安全事件处理方法及*** |
CN107341940A (zh) * | 2017-06-30 | 2017-11-10 | 深圳前海弘稼科技有限公司 | 一种安全监控***及监控方法 |
CN108664600A (zh) * | 2018-05-09 | 2018-10-16 | 山东合天智汇信息技术有限公司 | 一种用于识别特殊场所嫌疑人的方法和装置 |
CN109214300A (zh) * | 2018-08-09 | 2019-01-15 | 成都智达万应科技有限公司 | 一种基于人脸识别的嫌疑人预警方法及其*** |
CN109766779A (zh) * | 2018-12-20 | 2019-05-17 | 深圳云天励飞技术有限公司 | 徘徊人员识别方法及相关产品 |
Also Published As
Publication number | Publication date |
---|---|
CN110222640A (zh) | 2019-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110222640B (zh) | 监控场所中嫌疑人的识别方法、装置、方法和存储介质 | |
US11157778B2 (en) | Image analysis system, image analysis method, and storage medium | |
US11210527B2 (en) | Target object identifying device, target object identifying method and target object identifying program | |
CN109858365B (zh) | 一种特殊人群聚集行为分析方法、装置及电子设备 | |
CN106203458B (zh) | 人群视频分析方法及*** | |
Adam et al. | Robust real-time unusual event detection using multiple fixed-location monitors | |
CN106780250B (zh) | 一种基于物联网技术的智慧社区安全事件处理方法及*** | |
WO2018180588A1 (ja) | 顔画像照合システムおよび顔画像検索システム | |
JPH09330415A (ja) | 画像監視方法および画像監視システム | |
JP2003235034A (ja) | イベント監視用の画像捕捉装置及びイベント監視方法 | |
CN111460940B (zh) | 一种陌生人落脚点研判方法与*** | |
CN107920223B (zh) | 一种对象行为检测方法及装置 | |
JP6013923B2 (ja) | ビデオエピソードの閲覧及び検索のためのシステム及び方法 | |
CN110633648B (zh) | 一种自然行走状态下的人脸识别方法和*** | |
CN111325954B (zh) | 人员走失预警方法、装置、***及服务器 | |
CN110852148A (zh) | 一种基于目标追踪的访客目的地核验方法及*** | |
KR20100103109A (ko) | 전방위 카메라 및 팬/틸트/줌 카메라를 이용한 무인 감시 장치 및 방법 | |
CN111862508B (zh) | 监控方法、监控设备和计算机可读存储介质 | |
CN113343913A (zh) | 目标确定方法、装置、存储介质及计算机设备 | |
CN109508586A (zh) | 一种客流统计方法、装置及设备 | |
CN112699328A (zh) | 网点服务数据处理方法、装置、***、设备及存储介质 | |
EP3432575A1 (en) | Method for performing multi-camera automatic patrol control with aid of statistics data in a surveillance system, and associated apparatus | |
JP2017211731A (ja) | 人数集計システム、人数集計方法、及び人数集計結果の閲覧方法 | |
JP2012212238A (ja) | 物品検出装置および静止人物検出装置 | |
CN112330742A (zh) | 公共区域重点人员活动路线记录方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |