CN110443109A - 异常行为监控处理方法、装置、计算机设备和存储介质 - Google Patents
异常行为监控处理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110443109A CN110443109A CN201910502623.1A CN201910502623A CN110443109A CN 110443109 A CN110443109 A CN 110443109A CN 201910502623 A CN201910502623 A CN 201910502623A CN 110443109 A CN110443109 A CN 110443109A
- Authority
- CN
- China
- Prior art keywords
- personnel
- data
- image
- image data
- early warning
- 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
- 206010000117 Abnormal behaviour Diseases 0.000 title claims abstract description 70
- 238000003672 processing method Methods 0.000 title claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 133
- 230000006399 behavior Effects 0.000 claims abstract description 95
- 230000001815 facial effect Effects 0.000 claims abstract description 81
- 230000003542 behavioural effect Effects 0.000 claims abstract description 44
- 239000003550 marker Substances 0.000 claims abstract description 42
- 230000002159 abnormal effect Effects 0.000 claims abstract description 41
- 238000012806 monitoring device Methods 0.000 claims abstract description 39
- 241001269238 Data Species 0.000 claims abstract description 37
- 230000009471 action Effects 0.000 claims abstract description 31
- 230000005856 abnormality Effects 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000001514 detection method Methods 0.000 claims abstract description 20
- 239000013598 vector Substances 0.000 claims description 32
- 238000010586 diagram Methods 0.000 claims description 28
- 238000000605 extraction Methods 0.000 claims description 28
- 239000000284 extract Substances 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 8
- 206010048669 Terminal state Diseases 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 101
- 230000000875 corresponding effect Effects 0.000 description 133
- 230000008569 process Effects 0.000 description 4
- 239000000203 mixture Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 208000002693 Multiple Abnormalities Diseases 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种异常行为监控处理方法，该方法包括：获取多个监控设备采集的视频数据，检测多个视频数据中访问人员的人脸图像，从多个视频数据中提取多帧包括人脸图像的图像数据，并生成访问人员对应的轨迹图像集合；通过行为分析模型计算轨迹图像集合的行为轨迹特征，根据多项异常检测指标分析行为轨迹特征的异常类型和异常值并生成行为分析结果；当行为分析结果中存在异常行为时，获取存在异常行为的人脸图像，并根据人脸图像以及对应的位置标识和时间标识生成安防预警任务；将安防预警任务分配至安防终端，使得对应的安保人员根据安防终端执行安防预警任务。采用本方法能够准确有效地识别访问人员的异常行为以提高园区的异常监控效率。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种异常行为监控处理方法、装置、计算机设备和存储介质。
背景技术
传统的园区监控通常是保安在园区入口对往来行人、车辆及携带物品等进行检查，人流量较多时，需要耗费较大人力资源。随着互联网技术的发展，视频监控技术的应用也愈加广泛，出现了各种视频监控管理***，监控人员只需要对摄像头采集的视频进行监控。
然而，目前的监控方式需要耗费大量安保人员的精力去监控，监控画面数量较多时，注意力容易分散或产生视觉疲劳，若安保人员的疏忽容易带来园区安全隐患，这种监控方式存在监控效率较低的问题。因此，如何有效提高园区的异常监控效率成为目前需要解决的技术问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够准确有效地识别访问人员的异常行为，从而有效提高园区的异常监控效率的异常行为监控处理方法、装置、计算机设备和存储介质。
一种异常行为监控处理方法，所述方法包括：
获取多个监控设备采集的视频数据，所述视频数据包括多帧图像数据，所述图像数据携带位置标识和时间标识；
检测多个视频数据中访问人员的人脸图像，从多个视频数据中提取多帧包括人脸图像的图像数据，根据提取的图像数据生成访问人员的轨迹图像集合；
获取行为分析模型，将所述轨迹图像集合输入至所述行为分析模型中，通过所述行为分析模型计算访问人员的行为轨迹特征；
根据多项异常检测指标分析所述行为轨迹特征的异常类型和异常值，根据所述异常类型和所述异常值生成行为分析结果；
当所述行为分析结果中存在异常行为时，获取存在异常行为的人脸图像，并根据所述人脸图像以及对应的位置标识和时间标识生成安防预警任务；
将所述安防预警任务分配至安防终端，使得对应的安保人员根据所述安防终端执行所述安防预警任务。
在其中一个实施例中，所述从多个视频数据中提取多帧包括人脸图像的图像数据，根据提取的图像数据生成访问人员的轨迹图像集合的步骤包括：检测视频数据中的人脸图像；当检测到视频数据中存在人脸图像时，提取所述人脸图像中的人脸特征，并根据所述人脸特征生成人员特征标识；根据预设频率从多个视频数据中提取包括所述人员特征标识的多帧图像数据；根据所述人员特征标识的图像数据以及对应的位置标识和时间标识，生成所述人员特征标识对应的访问人员的轨迹图像集合。
在其中一个实施例中，所述根据预设频率从多个视频数据中提取包括所述人员特征标识的多帧图像数据的步骤包括：根据所述人员特征标识按照预设频率和/或预设距离从第一视频数据中提取目标人员对应的多帧图像数据；将获取的多帧图像数据按照图像数据的位置标识和时间标识，生成所述目标人员的轨迹图像集合；检测第二视频数据中的人员特征标识；若所述第二视频数据中存在所述人员特征标识，根据所述人员特征标识按照预设频率和/或预设距离从第二视频数据中提取所述目标人员对应的多帧图像数据；将获取的多帧图像数据添加至所述目标人员的轨迹图像集合中；持续从多个视频数据中提取包括所述人员特征标识的多帧图像数据，并添加至对应的轨迹图像集合中。
在其中一个实施例中，在获取预设的行为分析模型之前，还包括：获取目标区域内的企业数据和建筑数据以及人员行为数据；对所述企业数据和建筑数据以及人员行为数据进行特征提取，得到对应的企业数据向量、建筑数据向量和人员行为数据向量；对所述企业数据向量、建筑数据向量和人员行为数据向量进行分析，得到多个类型的行为数据指标；获取预设的初始行为分析模型，利用多个行为数据指标对所述初始行为分析模型进行训练；直到行为分析模型满足预设条件阈值时，则停止训练，得到所需的行为分析模型。
在其中一个实施例中，所述轨迹图像集合包括多帧图像数据，所述图像数据包括对应的图像属性信息，所述通过所述行为分析模型计算访问人员的行为轨迹特征，包括：获取访问人员的轨迹图像集合中的多个图像属性信息，所述图像属性信息包括位置标识和时间标识；将所述轨迹图像集合中的多个图像属性信息按照时间序列和位置标识生成对应的轨迹示意图；检测所述轨迹示意图的转折点，根据所述转折点对所述轨迹进行分段，得到轨迹线路；根据所述转折点和所述轨迹线路对所述轨迹图像集合进行特征提取，得到访问人员对应的轨迹特征信息。
在其中一个实施例中，所述方法还包括：获取多个访问人员的轨迹特征信息；对多个访问人员的轨迹特征信息进行聚类分析，得到聚类结果；根据聚类结果计算轨迹特征信息的轨迹类型和异常值；将所述异常值与所述轨迹类型对应的指标阈值进行比较，若所述异常值大于所述指标阈值，确定所述访问人员的轨迹特征信息存在异常。
在其中一个实施例中，所述将所述安防预警任务分配至安防终端的步骤包括：检测多个安保终端的当前位置和任务负载；根据多个安保终端的当前位置和任务负载计算安防预警任务对应的目标安防终端；将所述安防预警任务分配至所述目标安防终端。
一种异常行为监控处理装置，所述装置包括：
数据获取模块，用于获取多个监控设备采集的视频数据，所述视频数据包括多帧图像数据，所述图像数据携带位置标识和时间标识；
图像提取模块，用于检测多个视频数据中访问人员的人脸图像，从多个视频数据中提取多帧包括人脸图像的图像数据，根据提取的图像数据生成访问人员的轨迹图像集合；
行为轨迹分析模块，用于获取行为分析模型，将所述轨迹图像集合输入至所述行为分析模型中，通过所述行为分析模型计算访问人员的行为轨迹特征；根据多项异常检测指标分析所述行为轨迹特征的异常类型和异常值，根据所述异常类型和所述异常值生成行为分析结果；
任务生成模块，用于当所述行为分析结果中存在异常行为时，获取存在异常行为的人脸图像，并根据所述人脸图像以及对应的位置标识和时间标识生成安防预警任务；
任务分配模块，用于将所述安防预警任务分配至安防终端，使得对应的安保人员根据所述安防终端执行所述安防预警任务。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现本申请任意一个实施例中提供的异常行为监控处理方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本申请任意一个实施例中提供的异常行为监控处理方法的步骤。
上述异常行为监控处理方法、装置、计算机设备和存储介质，多个监控设备采集到多个视频数据后，监控服务器从多个监控设备采集的视频数据提取多帧包括人脸图像的图像数据，并根据提取的图像数据以及对应的置标识和时间标识生成访问人员的轨迹图像集合，由此能够有效地获取多个访问人员的轨迹图像数据。监控服务器将轨迹图像集合输入至行为分析模型中，通过行为分析模型分析行为轨迹特征的异常类型和异常指数，能够准确有效地分析识别出访问人员是否存在异常行为，进而根据异常类型和异常指数生成行为分析结果。当行为分析结果中存在异常行为时，监控服务器根据人脸图像以及对应的位置标识和时间标识生成安防预警任务，并将安防预警任务分配至安防终端，使得对应的安保人员能够及时有效地执行安防预警任务。通过行为分析模型对多个访问人员的轨迹图像集合进行异常分析后，根据识别出的异常行为生成安防预警任务并分配至相应的安防终端，能够准确有效地识别访问人员的异常行为，从而使得安防人员能够及时有效地对安防预警任务进行处理，有效提高了园区的异常监控效率和异常情况处理效率。
附图说明
图1为一个实施例中异常行为监控处理方法的应用场景图；
图2为一个实施例中异常行为监控处理方法的流程示意图；
图3为一个实施例中提取访问人员的轨迹图像集合步骤的流程示意图；
图4为一个实施例中分析访问人员的行为轨迹特征步骤的流程示意图；
图5为一个实施例中异常行为监控处理装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的异常行为监控处理方法，可以应用于如图1所示的应用环境中。其中，监控设备102通过网络与监控服务器104进行通信，安防终端106通过网络与监控服务器104进行通信，监控终端108通过网络与监控服务器104进行通信。监控设备102可以实时采集园区内的多个视频数据并上传至监控服务器104，监控服务器104获取监控设备102采集的多个视频数据后，从视频数据中提取包括访问人员的人员特征标识的图像数据集合，并通过行为分析模型对图像数据集合进行异常行为分析，当行为分析结果中存在异常行为时，根据人脸图像以及对应的位置标识和时间标识生成安防预警任务，并将安防预警任务分配至安防终端106，使得对应的安保人员根据安防终端执行安防预警任务。若行为分析结果中存在常驻人员考勤异常时，还可以生成考勤异常提示信息，并发送至监控终端108。其中，监控设备102可以但不限于是各种摄像头设备、视频采集设备，监控服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现，安防终端106可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，监控终端108可以但不限于是各种个人计算机、笔记本电脑。
在一个实施例中，如图2所示，提供了一种异常行为监控处理方法，以该方法应用于图1中的监控服务器为例进行说明，包括以下步骤：
步骤202，获取多个监控设备采集的视频数据，视频数据包括多帧图像数据，图像数据携带位置标识和时间标识。
特定园区内通常安装有多个监控设备，例如一些企业园区、工业园区等。园区内的多个位置可以预先安装多个基于物联网的视频监控设备和人脸闸机设备等监控设备。
其中，视频数据可以包括多个区域的视频数据以及多帧图像数据组成的视频数据。视频监控设备可以实时采集相应区域的视频数据，人脸闸机设备等可以采集相应区域的视频数据中的人脸图像。
监控设备将采集的视频数据实时上传至监控服务器，其中，多个监控设备安装与园区内的多个位置，监控设备包括相应的位置标识，监控设备采集的视频数据中包括了位置标识和时间标识。
步骤204，检测多个视频数据中访问人员的人脸图像，从多个视频数据中提取多帧包括人脸图像的图像数据，根据提取的图像数据生成访问人员的轨迹图像集合。
其中，园区的入口出可以安装有人脸闸机设备或视频监控设备，监控设备采集到视频数据后，检测视频数据中的是否有人脸图像。当检测到视频数据中存在人脸图像时，则获取视频数据中的人脸图像。其中，监控服务器可以只获取入口处第一个监控设备采集的一个访问人员的一帧人脸图像，也可以采集预设数量帧的人脸图像。进一步地，人脸闸机设备可以采集视频数据，也可以在识别到画面中有人脸时，只采集画面中的人脸图像。
监控服务器首次获取入口第一个监控设备采集的人脸图像后，将获取的当前访客的人脸图像，并提取出人脸图像中的人脸特征，根据人脸特征与访客数据库中的历史访问人员的人脸特征进行比对，判断当前访客是常驻人员、首访人员或多访人员。根据比对结果对当前访客的人脸图像添加对应的访问标识。
监控服务器进一步获取多个监控设备采集的视频数据，当检测到视频数据中存在人脸图像或访问人员时，从视频数据中提取预设数量帧的包括访问人员的监控图像。监控服务器根据首次检测出人脸图像中的人脸特征后，生成访问人员对应的人脸特征标识，进一步根据该人脸特征标识在多个视频数据中进行人脸检测，当检测到存在该人脸特征标识的图像数据后，提取预设数量帧包括人脸图像的图像数据，并对图像数据添加对应的人脸特征标识。
其中，每个访问人员分别对应一个轨迹图像集合，每个轨迹图像集合中包括了多帧包括访问人员人脸的监控图像。监控服务器可以只保留存储从视频数据中提取的图像数据，以进行访客行为轨迹分析。监控设备采集的视频数据可以根据预设的存储周期单独存储预设的监控视频库中。
监控服务器则可以从多个视频数据中分别提取出多个访问人员的人脸图像或包含访问人员人脸的多帧监控图像，每帧图像数据包括了位置标识和时间标识以及人脸特征标识。监控服务器则利用获取的多个访问人员的图像数据，根据图像数据的位置标识和时间标识以及人员特征标识，分别生成多个不同访问人员对应的轨迹图像集合。
在一个实施例中，监控服务器还包括访客记录库，访客记录库中存储了黑名单访客和预设周期内的访客记录数据。监控服务器进一步获取多个监控设备采集的视频数据，当检测到视频数据中存在人脸图像或访问人员时，从视频数据中提取预设数量帧的包括访问人员的监控图像。监控服务器根据首次检测出人脸图像中的人脸特征后，生成访问人员对应的人员特征标识。监控服务器则将人员特征标识与访客记录库中的黑名单访客进行匹配，若识别出访问人员为黑名单访客时，监控服务器则实时生成安防预警任务，并将安防预警任务分配至安防终端，使得对应的安保人员根据安防终端执行安防预警任务。通过实时监控黑名单访客，并立即触发安防预警任务，从而能能够有效地对访问人员进行监控，并且能够及时有效地对黑名单访客进行监控。
步骤206，获取行为分析模型，将轨迹图像集合输入至行为分析模型中，通过行为分析模型计算访问人员的行为轨迹特征。
监控服务器从多个监控设备采集的视频数据中提取多个访问人员对应的轨迹图象集合后，进一步获取预设的行为分析模型，以通过行为分析模型对访问人员的访问轨迹进行分析。其中，行为分析模型可以是监控服务器利用大量企业数据和建筑数据以及人员行为数据进行训练并构建得到的。
监控服务器获取行为分析模型后，将访问人员的轨迹图像集合输入至行为分析模型中。其中，访问人员的轨迹图像集合中的没帧图像都携带对应的位置标识和时间标识。监控服务器通过行为分析模型对轨迹图像集合中的图像进行分析，根据图像携带的位置标识和时间标识分析出轨迹图象所对应的轨迹点和轨迹坐标信息，并根据多个轨迹点和轨迹坐标信息计算出访问人员的轨迹路线信息。监控服务器则根据访问人员的轨迹路线信息生成对应的行为轨迹特征。其中，轨迹路线信息中包括了访问人员在各个轨迹点的停留时间和停留区域等信息。
步骤208，根据多项异常检测指标分析行为轨迹特征的异常类型和异常值，根据异常类型和异常值生成行为分析结果。
监控服务器通过行为分析模型计算出访问人员对应的行为轨迹特征后，进一步根据行为分析模型中预置的多项异常检测指标分析行为轨迹特征对应的异常类型和异常值。监控服务器则利用行为轨迹特征的异常类型和异常值生成行为分析结果。
其中，异常检测指标包括但不限于考勤异常指标、轨迹异常指标、行为异常指标以及携带标异常指标，异常类型与异常检测指标的类型相对应。例如，异常检测指标可以包括考勤异常指标、轨迹异常指标、行为异常指标以及携带标异常指标等多个异常项对应的指标数据。其中，考勤异常指标可以为园区内常驻人员的上下班时间指标；轨迹异常指标可以包括访问线路轨迹、访问特定区域等指标；行为异常指标可以包括出入记录指标、特定区域停留指标、高危区域访问指标以及人群聚集指标等；携带标异常指标可以表示访问人员携带园区资产的异常指标。
具体地，若异常类型为异常检测指标中的考勤指标异常，且异常值超过指标阈值时，监控服务器则生成相应的提示信息发送至监控终端，使得监控终端向对应的企业终端发送相应的企业人员考勤异常提醒。
若异常类型为异常检测指标中轨迹指标异常、行为指标异常以及携带指标异常中的任意一种，且异常值超过指标阈值时，则表示对应访问人员存在异常行为。
步骤210，当行为分析结果中存在异常行为时，获取存在行为异常的人脸图像，并根据人脸图像以及对应的位置标识和时间标识生成安防预警任务。
监控服务器则利用行为轨迹特征的异常类型和异常指数生成行为分析结果后，判断该异常指数是否超过异常阈值，若该异常指数超过了异常类型对应的异常阈值，则表示行为分析结果中存在行为异常，即表示对应的访问人员存在异常行为，需要进一步对访问人员进行安防预警。
监控服务器则获取存在行为异常的访问人员对应的人脸图像，并根据人脸图像以及对应的位置标识和时间标识生成异常类型对应的安防预警任务。
步骤212，将安防预警任务分配至安防终端，使得对应的安保人员根据安防终端执行安防预警任务。
监控服务器生成安防预警任务后，则将安防预警任务分配至相应的安防终端，具体地，监控服务器可以检测多个安保终端的当前位置和任务负载，根据多个安保终端的当前位置和任务负载计算安防预警任务的目标安保终端，并将安防预警任务分配至目标安保终端，使得对应的安保人员根据安防终端执行安防预警任务。通过提取出视频数据中多个访问人员对应的轨迹图像集合后，利用行为分析模型对多个访问人员的轨迹图像集合进行异常分析，能够准确有效地分析识别出访问人员是否存在异常行为，进而根据异常行为生成相应的安防预警任务并分配至安防终端，通过对异常行为以工单任务分配管理形式实现闭环处理，从而能够有效地对园区可疑人员进行有效管控。
上述异常行为监控处理方法中，多个监控设备采集到多个视频数据后，监控服务器从多个监控设备采集的视频数据提取多帧包括人脸图像的图像数据，并根据提取的图像数据以及对应的置标识和时间标识生成访问人员的轨迹图像集合，由此能够有效地获取多个访问人员的轨迹图像数据。监控服务器将轨迹图像集合输入至行为分析模型中，通过行为分析模型分析行为轨迹特征的异常类型和异常指数，能够准确有效地分析识别出访问人员是否存在异常行为，进而根据异常类型和异常指数生成行为分析结果。当行为分析结果中存在异常行为时，监控服务器根据人脸图像以及对应的位置标识和时间标识生成安防预警任务，并将安防预警任务分配至安防终端，使得对应的安保人员能够及时有效地执行安防预警任务。通过行为分析模型对多个访问人员的轨迹图像集合进行异常分析后，根据识别出的异常行为生成安防预警任务并分配至相应的安防终端，能够准确有效地识别访问人员的异常行为，从而使得安防人员能够及时有效地对安防预警任务进行处理，有效提高了园区的异常监控效率和异常情况处理效率。
在一个实施例中，如图3所示，从多个视频数据中提取多帧包括人脸图像的图像数据，根据提取的图像数据生成访问人员的轨迹图像集合的步骤，具体包括以下内容：
步骤302，检测视频数据中的人脸图像。
步骤304，当检测到视频数据中存在人脸图像时，提取人脸图像中的人脸特征，并根据人脸特征生成人员特征标识。
步骤306，根据预设频率从多个视频数据中提取包括人员特征标识的多帧图像数据。
步骤308，根据访问人员的人脸图像以及对应的位置标识和时间标识，生成人员特征标识的访问人员的轨迹图像集合。
监控服务器实时获取监控设备采集的视频数据后，则检测视频数据中是否存在人脸图像。当检测到视频数据中存在人脸图像时，提取人脸图像中的人脸特征，并根据人脸特征生成人员特征标识。监控服务器则从视频数据中提取出包括该人员特征标识的图像，并根据人员特征标识的图像数据以及对应的位置标识和时间标识，生成该访问人员对应的轨迹图像集合。
进一步地，监控设备持续采集相应区域的视频数据，并实时上传至监控服务器。监控服务器获取监控设备采集的视频数据后，继续检测视频数据中是否存在人脸图像。当检测到视频数据仍存在该人员特征标识时，则从视频数据中提取出包括该人员特征标识的图像数据，并将提取的图像数据直接添加至人员特征标识对应的访问人员的轨迹图像集合中，由此能够有效识别不同访问人员对应的监控图像，并分别生成对应的轨迹图像集合。
在一个实施例中，根据预设频率从多个视频数据中提取包括人员特征标识的多帧图像数据的步骤包括：根据人员特征标识按照预设频率和/或预设距离从第一视频数据中提取目标人员对应的多帧图像数据；将获取的多帧图像数据按照图像数据的位置标识和时间标识，生成目标人员的轨迹图像集合；检测第二视频数据中的人员特征标识；若第二视频数据中存在人员特征标识，根据人员特征标识按照预设频率和/或预设距离从第二视频数据中提取目标人员对应的多帧图像数据；将获取的多帧图像数据添加至目标人员的轨迹图像集合中；持续从多个视频数据中提取包括所述人员特征标识的多帧图像数据，并添加至对应的轨迹图像集合中。
其中，第一视频数据可以为在预设周期内第一次出现该访问人员的人脸图像的视频数据。例如预设周期可以为一天，园区入口处的监控设备可以采集到访问人员的第一视频数据。
监控服务器获取监控设备上传的第一视频数据后，检测视频数据中的人脸图像，当检测到视频数据中存在目标人员的人脸图像时，提取人脸图像中的人员特征标识，并根据人员特征标识从视频数据中提取出目标人员的多帧图像数据。
具体地，监控服务器识别出人员特征标识后，可以根据预设频率从第一视频数据中提取对应数量帧的包括人脸图像的图像数据，例如，可以根据预设的时间间隔，如30秒、一分钟、三分钟等间隔频率，从第一视频数据中获取目标人员的图像数据，直到当前的第一视频数据中不存在目标人员的人脸图像后，则停止从第一视频数据中获取对应的图像数据。
进一步地，监控服务器还可以根据视频数据画面中不同距离的位置区域获取对应数量帧的包括人脸图像的图像数据，例如，视频数据对应的画面可以包括第一区域、第二区域等多个位置区域，监控服务器识别出人员特征标识后，并检测人员特征标识位于视频数据画面中的位置区域。监控服务器中午可以获取目标人员处于第一区域的预设数量帧的图像数据，进一步获取目标人员处于第二区域的预设数量帧的图像数据，直到当前的第一视频数据中不存在目标人员的人脸图像后，则停止从第一视频数据中获取对应的图像数据。
进一步地，监控服务器还可以同时根据预设频率和预设距离从第一视频数据中提取目标人员对应的多帧图像数据，例如，当检测到目标人员在第一区域时，根据预设频率获取对应数量帧的包括人脸图像的图像数据，当检测到目标人员在第二区域时，根据预设频率获取对应数量帧的包括人脸图像的图像数据。
监控服务器进一步检测第二视频数据中的人员特征标识，若第二视频数据中存在人员特征标识，则根据人员特征标识按照预设频率和/或预设距离从第二视频数据中提取目标人员对应的多帧图像数据，并将获取的多帧图像数据添加至目标人员的轨迹图像集合中。监控服务器持续从多个视频数据中提取包括人员特征标识的多帧图像数据，并添加至对应的轨迹图像集合中。通过根据预设频率和/或预设距离从视频数据中获取包括目标人员的人员特征标识的多帧图像数据，由此能够准确有效地从视频数据中提取出访问人员的监控图像，通过获取访问人员的图像数据，减少了对视频数据进行分析的计算量，有效提高了访问人员的识别效率，并有效减少了资源占用内存。
在一个实施例中，在获取预设的行为分析模型之前，还需要预先构建行为分析模型，具体包括：获取目标区域内的企业数据和建筑数据以及人员行为数据；对企业数据和建筑数据以及人员行为数据进行特征提取，得到对应的企业数据向量、建筑数据向量和人员行为数据向量；对企业数据向量、建筑数据向量和人员行为数据向量进行分析，得到多个类型的行为数据指标；获取预设的初始行为分析模型，利用多个行为数据指标对初始行为分析模型进行训练；直到行为分析模型满足预设阈值时，则停止训练，得到所需的行为分析模型。
监控服务器在获取预设的行为分析模型对访问人员进行一场行为分析之前，还需要预先构建行为分析模型。具体地，监控服务器可以预先获取园区内的企业数据和建筑数据以及人员行为数据，监控服务器还可以利用获取的企业数据和建筑数据以及人员行为数据生成训练集数据和验证集数据。其中，训练集数据可以是预先添加了人工标注的数据集。
其中，预设的初始行为分析模型可以是基于决策树的神经网络模型或基于深度学习的神经网络模型等。
监控服务器则进一步通过对训练集数据进行大数据分析，例如，可以通过聚类算法对训练集数据进行聚类分析和特征提取，根据聚类结果提取训练集数据的特征向量，得到对应的企业数据向量、建筑数据向量和人员行为数据向量，并对企业数据向量、建筑数据向量和人员行为数据向量进行分析，得到多个类型的行为数据指标。监控服务器则获取预设的初始行为分析模型中，并将多个特征向量和多个行为数据指标输入至预设的初始行为分析模型中进行训练。监控服务器通过预设的行为分析模型计算每个特征向量对应多个行为数据指标的权重，并持续训练得到训练完成的行为分析模型。
监控服务器训练完成的行为分析模型后，则进一步利用验证集数据对行为分析模型进行验证训练，当验证集数据中验证通过率满足预设阈值时，对应的类别概率在预设范围内的数量达到预设数据时，表示行为分析模型已经训练成功，则停止训练，得到所需的目标行为分析模型。通过利用大量的园区内的企业数据和建筑数据以及人员行为数据进行训练，并得到对应的行为分析模型，由此能够有效地训练出针对特定目标区域的分析准确率较高的行为分析模型，从而能够有效提高访问人员异常行为的分析准确率。
在一个实施例中，如图4所示，轨迹图像集合包括多帧图像数据，图像数据包括对应的图像属性信息，通过行为分析模型计算访问人员的行为轨迹特征的步骤，具体包括以下内容：
步骤402，获取访问人员的轨迹图像集合中的多个图像数据信息，图像数据信息包括位置标识和时间标识。
步骤404，将轨迹图像集合中的多个图像数据信息按照时间序列和位置标识生成对应的轨迹示意图。
步骤406，检测轨迹示意图的转折点，根据转折点对轨迹进行分段，得到轨迹线路。
步骤408，根据转折点和线路对轨迹图像集合进行特征提取，得到访问人员对应的轨迹特征信息。
多个监控设备采集到多个视频数据后，监控服务器从多个监控设备采集的视频数据提取多帧包括人脸图像的图像数据，并根据提取的图像数据以及对应的置标识和时间标识生成访问人员的轨迹图像集合，由此能够有效地获取多个访问人员的轨迹图像数据。监控服务器还可以将访问人员的轨迹图象集合存储至预设的行为轨迹库中。
其中，轨迹图像集合包括多帧图像数据，每帧图像数据包括对应的图像属性信息，每帧图像数据的图像属性包括位置标识和时间标识。
监控服务器生成访问人员对应的轨迹图像集合后，则进一步获取预设的行为分析模型，并获取访问人员对应的轨迹图像集合中的多帧图像数据对应的图像属性信息。监控服务器则将轨迹图像集合中的多帧图像数据对应的图像属性信息输入至预设的行为分析模型中，行为分析模型则将轨迹图像集合中的多个图像属性信息按照时间序列和位置标识生成对应的轨迹示意图。其中，轨迹示意图可以是该园区对应的预设形式的轨迹线路图，轨迹示意图可以是图形格式，也可以是文本形式。
监控服务器进一步根据轨迹示意图提取出访问人员的轨迹图像集合对应的轨迹特征。具体地，监控服务器检测轨迹示意图中的转折点，根据转折点对所轨迹进行分段，得到多个轨迹线路。其中，转折点可以是访问人员在不同位置区域停留后的轨迹点。监控服务器则根据转折点和轨迹线路对轨迹图像集合进行特征提取，得到访问人员对应的轨迹特征信息。例如，监控服务器可以计算多个轨迹点和轨迹路线的坐标信息以及轨迹方向，并对多个轨迹点和轨迹路线的坐标信息以及轨迹方向进行量化和编码，将得到的编码结果作为访问人员对应的轨迹特征信息。通过对轨迹图像集合中的多个图像属性信息进行轨迹分析，而未对图像数据进行图像处理，减少了对图像数据进行分析的计算量，进而有效提高了对异常行为分析处理的效率。
在一个实施例中，该方法还包括：获取多个访问人员的轨迹特征信息；对多个访问人员的轨迹特征信息进行聚类分析，得到聚类结果；根据聚类结果计算轨迹特征信息的轨迹类型和异常值；将所述异常值与所述轨迹类型对应的指标阈值进行比较，若所述异常值大于所述指标阈值，确定所述访问人员的轨迹特征信息存在异常。
多个监控设备采集到多个视频数据后，监控服务器从多个监控设备采集的视频数据提取多帧包括人脸图像的图像数据，并根据提取的图像数据以及对应的置标识和时间标识生成访问人员的轨迹图像集合。
监控服务器获取预设的行为分析模型，并获取访问人员对应的轨迹图像集合中的多帧图像数据对应的图像属性信息，将轨迹图像集合中的多帧图像数据对应的图像属性信息输入至预设的行为分析模型中，行为分析模型则将轨迹图像集合中的多个图像属性信息按照时间序列和位置标识生成对应的轨迹示意图。监控服务器检测轨迹示意图的转折点，根据转折点对轨迹进行分段，得到轨迹线路，并根据转折点和轨迹线路对轨迹图像集合进行特征提取，得到访问人员对应的轨迹特征信息。
监控服务器进一步通过行为分析模型对多个访问人员的轨迹特征信息进行聚类分析，得到聚类结果，进而根据聚类结果计算轨迹特征信息所对应的轨迹类型和异常值。监控服务器则将计算得到的轨迹特征信息的异常值与轨迹类型对应的指标阈值进行比较，若异常值大于所述指标阈值，则确定访问人员的轨迹特征信息存在异常。监控服务器则根据异常类型和异常值以及人员特征标识生成对应的安防预警任务。
进一步地，监控服务器可以根据多项异常检测指标对轨迹特征信息进行异常分析。其中，异常检测指标包括但不限于考勤异常指标、轨迹异常指标、行为异常指标以及携带标异常指标，异常类型与异常检测指标的类型相对应。其中，考勤异常指标可以为园区内常驻人员的上下班时间指标；轨迹异常指标可以包括访问线路轨迹、访问特定区域等指标；行为异常指标可以包括出入记录指标、特定区域停留指标、高危区域访问指标以及人群聚集指标等；携带标异常指标可以表示访问人员携带园区资产的异常指标。
具体地，轨迹特征信息包括轨迹点停留特征和轨迹线路特征。监控服务器根据轨迹点停留特征和轨迹线路特征分别计算对应多个异常检测指标的异常值。若异常类型为异常检测指标中的考勤指标异常，且异常值超过指标阈值时，监控服务器则生成相应的提示信息发送至监控终端，使得监控终端向对应的企业终端发送相应的企业人员考勤异常提醒。
若异常类型为异常检测指标中轨迹指标异常、行为指标异常以及携带指标异常中的任意一种，且异常值超过指标阈值时，监控服务器则根据异常类型和异常值以及人员特征标识生成对应的安防预警任务。监控服务器进而将安防预警任务分配至安防终端，使得对应的安保人员根据安防终端执行安防预警任务。通过预设的行为分析模型对访问人员的轨迹图像集合进行分析，能够有效分析出访问人员的轨迹特征信息，进而能够准确有效地识别出访问人员的轨迹特征是否存在异常，从而有效提高了园区访客异常行为的分析效率和准确性。
在一个实施例中，将安防预警任务分配至安防终端的步骤包括：检测多个安保终端的当前位置和任务负载；根据多个安保终端的当前位置和任务负载计算多个安防预警任务对应的目标安保终端；将安防预警任务分配至目标安保终端。
多个监控设备采集到多个视频数据后，监控服务器从多个监控设备采集的视频数据提取多帧包括人脸图像的图像数据，并根据提取的图像数据以及对应的置标识和时间标识生成访问人员的轨迹图像集合，由此能够有效地获取多个访问人员的轨迹图像数据。监控服务器将轨迹图像集合输入至行为分析模型中，通过行为分析模型分析行为轨迹特征的异常类型和异常指数，能够准确有效地分析识别出访问人员是否存在异常行为，进而根据异常类型和异常指数生成行为分析结果。当行为分析结果中存在异常行为时，监控服务器根据人脸图像以及对应的位置标识和时间标识生成安防预警任务，并将安防预警任务分配至安防终端。
其中，园区内可以预先部署多个安防终端，安防终端可以是安保人员携带的移动终端设备。安防终端可以实时向监控服务器上传当前位置信息。每个安防终端还包括对应的任务负载，任务负载可以表示安防终端的任务列表中的待处理任务量。
具体地，监控服务器生成安防预警任务后，则实时检测多个安保终端的当前位置和任务负载，并根据多个安保终端的当前位置和任务负载计算安防预警任务对应的目标安保终端。例如，监控服务器可以根据多个安防终端的当前位置和任务负载，计算出离安防预警任务的位置标识距离最近且任务负载最小的目标安防终端，并将安防预警任务分配至目标安防终端，使得对应的安保人员根据安防终端执行安防预警任务。
进一步地，若监控服务器同时检测到多个访问人员存在异常行为，并生成了多个安防预警任务后，根据多个安保终端的当前位置和任务负载分别计算多个安防预警任务对应的目标安保终端，进而调用多个线程分别将多个安防预警任务分配至对应的目标安防终端，使得对应的安保人员分别根据安防终端执行安防预警任务。通过提取出视频数据中多个访问人员对应的轨迹图像集合后，利用行为分析模型对多个访问人员的轨迹图像集合进行异常分析，能够准确有效地分析识别出访问人员是否存在异常行为，进而根据异常行为生成相应的安防预警任务并分配至安防终端，通过对异常行为以工单任务分配管理形式实现闭环处理，从而能够有效地对园区可疑人员进行有效管控。
应该理解的是，虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5所示，提供了一种异常行为监控处理装置，包括：数据获取模块502、图像提取模块504、行为轨迹分析模块506、任务生成模块508和任务分配模块510，其中：
数据获取模块502，用于获取多个监控设备采集的视频数据，视频数据包括多帧图像数据，图像数据携带位置标识和时间标识；
图像提取模块504，用于检测多个视频数据中访问人员的人脸图像，从多个视频数据中提取多帧包括人脸图像的图像数据，根据提取的图像数据生成访问人员的轨迹图像集合；
行为轨迹分析模块506，用于获取行为分析模型，将轨迹图像集合输入至行为分析模型中，通过行为分析模型计算访问人员的行为轨迹特征；根据多项异常检测指标分析行为轨迹特征的异常类型和异常值，根据异常类型和异常值生成行为分析结果；
任务生成模块508，用于当行为分析结果中存在异常行为时，获取存在异常行为的人脸图像，并根据人脸图像以及对应的位置标识和时间标识生成安防预警任务；
任务分配模块510，用于将安防预警任务分配至安防终端，使得对应的安保人员根据安防终端执行安防预警任务。
在一个实施例中，图像提取模块504还用于检测视频数据中的人脸图像；当检测到视频数据中存在人脸图像时，提取人脸图像中的人脸特征，并根据人脸特征生成人员特征标识；根据预设频率从多个视频数据中提取包括人员特征标识的多帧图像数据；根据人员特征标识的图像数据以及对应的位置标识和时间标识，生成人员特征标识对应的访问人员的轨迹图像集合。
在一个实施例中，图像提取模块504还用于根据所述人员特征标识按照预设频率和/或预设距离从第一视频数据中提取目标人员对应的多帧图像数据；将获取的多帧图像数据按照图像数据的位置标识和时间标识，生成目标人员的轨迹图像集合；检测第二视频数据中的人员特征标识；若第二视频数据中存在人员特征标识，根据人员特征标识按照预设频率和/或预设距离从第二视频数据中提取目标人员对应的多帧图像数据；将获取的多帧图像数据添加至目标人员的轨迹图像集合中；持续从多个视频数据中提取包括人员特征标识的多帧图像数据，并添加至对应的轨迹图像集合中。
在一个实施例中，该装置还包括模型训练模块，用于获取目标区域内的企业数据和建筑数据以及人员行为数据；对企业数据和建筑数据以及人员行为数据进行特征提取，得到对应的企业数据向量、建筑数据向量和人员行为数据向量；对企业数据向量、建筑数据向量和人员行为数据向量进行分析，得到多个类型的行为数据指标；获取预设的初始行为分析模型，利用多个行为数据指标对初始行为分析模型进行训练；直到行为分析模型满足预设条件阈值时，则停止训练，得到所需的行为分析模型。
在一个实施例中，轨迹图像集合包括多帧图像数据，图像数据包括对应的图像属性信息，行为轨迹分析模块506还用于获取访问人员的轨迹图像集合中的多个图像属性信息，图像属性信息包括位置标识和时间标识；将轨迹图像集合中的多个图像属性信息按照时间序列和位置标识生成对应的轨迹示意图；检测轨迹示意图的转折点，根据转折点对轨迹进行分段，得到轨迹线路；根据转折点和轨迹线路对轨迹图像集合进行特征提取，得到访问人员对应的轨迹特征信息。
在一个实施例中，行为轨迹分析模块506还用于获取多个访问人员的轨迹特征信息；对多个访问人员的轨迹特征信息进行聚类分析，得到聚类结果；根据聚类结果计算轨迹特征信息的轨迹类型和异常值；将异常值与轨迹类型对应的指标阈值进行比较，若异常值大于指标阈值，确定访问人员的轨迹特征信息存在异常。
在一个实施例中，任务分配模块510还用于检测多个安保终端的当前位置和任务负载；根据多个安保终端的当前位置和任务负载计算安防预警任务对应的目标安防终端；将安防预警任务分配至目标安防终端。
关于异常行为监控处理装置的具体限定可以参见上文中对于异常行为监控处理方法的限定，在此不再赘述。上述异常行为监控处理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。
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6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视频数据、轨迹图像集合等数据。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本申请任意一个实施例中提供的异常行为监控处理方法的步骤。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
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本申请任意一个实施例中提供的异常行为监控处理方法的步骤。
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。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种异常行为监控处理方法，所述方法包括：
获取多个监控设备采集的视频数据，所述视频数据包括多帧图像数据，所述图像数据携带位置标识和时间标识；
检测多个视频数据中访问人员的人脸图像，从多个视频数据中提取多帧包括人脸图像的图像数据，根据提取的图像数据生成访问人员的轨迹图像集合；
获取行为分析模型，将所述轨迹图像集合输入至所述行为分析模型中，通过所述行为分析模型计算访问人员的行为轨迹特征；
根据多项异常检测指标分析所述行为轨迹特征的异常类型和异常值，根据所述异常类型和所述异常值生成行为分析结果；
当所述行为分析结果中存在异常行为时，获取存在异常行为的人脸图像，并根据所述人脸图像以及对应的位置标识和时间标识生成安防预警任务；
将所述安防预警任务分配至安防终端，使得对应的安保人员根据所述安防终端执行所述安防预警任务。
2.根据权利要求1所述的方法，其特征在于，所述从多个视频数据中提取多帧包括人脸图像的图像数据，根据提取的图像数据生成访问人员的轨迹图像集合的步骤包括：
检测视频数据中的人脸图像；
当检测到视频数据中存在人脸图像时，提取所述人脸图像中的人脸特征，并根据所述人脸特征生成人员特征标识；
根据预设频率从多个视频数据中提取包括所述人员特征标识的多帧图像数据；
根据所述人员特征标识的图像数据以及对应的位置标识和时间标识，生成所述人员特征标识对应的访问人员的轨迹图像集合。
3.根据权利要求2所述的方法，其特征在于，所述根据预设频率从多个视频数据中提取包括所述人员特征标识的多帧图像数据的步骤包括：
根据所述人员特征标识按照预设频率和/或预设距离从第一视频数据中提取目标人员对应的多帧图像数据；
将获取的多帧图像数据按照图像数据的位置标识和时间标识，生成所述目标人员的轨迹图像集合；
检测第二视频数据中的人员特征标识；
若所述第二视频数据中存在所述人员特征标识，根据所述人员特征标识按照预设频率和/或预设距离从第二视频数据中提取所述目标人员对应的多帧图像数据；
将获取的多帧图像数据添加至所述目标人员的轨迹图像集合中；
持续从多个视频数据中提取包括所述人员特征标识的多帧图像数据，并添加至对应的轨迹图像集合中。
4.根据权利要求1所述的方法，其特征在于，在获取预设的行为分析模型之前，还包括：
获取目标区域内的企业数据和建筑数据以及人员行为数据；
对所述企业数据和建筑数据以及人员行为数据进行特征提取，得到对应的企业数据向量、建筑数据向量和人员行为数据向量；
对所述企业数据向量、建筑数据向量和人员行为数据向量进行分析，得到多个类型的行为数据指标；
获取预设的初始行为分析模型，利用多个行为数据指标对所述初始行为分析模型进行训练；
直到行为分析模型满足预设条件阈值时，则停止训练，得到所需的行为分析模型。
5.根据权利要求1至4任意一项所述的方法，其特征在于，所述轨迹图像集合包括多帧图像数据，所述图像数据包括对应的图像属性信息，所述通过所述行为分析模型计算访问人员的行为轨迹特征，包括：
获取访问人员的轨迹图像集合中的多个图像属性信息，所述图像属性信息包括位置标识和时间标识；
将所述轨迹图像集合中的多个图像属性信息按照时间序列和位置标识生成对应的轨迹示意图；
检测所述轨迹示意图的转折点，根据所述转折点对所述轨迹进行分段，得到轨迹线路；
根据所述转折点和所述轨迹线路对所述轨迹图像集合进行特征提取，得到访问人员对应的轨迹特征信息。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
获取多个访问人员的轨迹特征信息；
对多个访问人员的轨迹特征信息进行聚类分析，得到聚类结果；
根据聚类结果计算轨迹特征信息的轨迹类型和异常值；
将所述异常值与所述轨迹类型对应的指标阈值进行比较，若所述异常值大于所述指标阈值，确定所述访问人员的轨迹特征信息存在异常。
7.根据权利要求1所述的方法，其特征在于，所述将所述安防预警任务分配至安防终端的步骤包括：
检测多个安保终端的当前位置和任务负载；
根据多个安保终端的当前位置和任务负载计算安防预警任务对应的目标安防终端；
将所述安防预警任务分配至所述目标安防终端。
8.一种异常行为监控处理装置，所述装置包括：
数据获取模块，用于获取多个监控设备采集的视频数据，所述视频数据包括多帧图像数据，所述图像数据携带位置标识和时间标识；
图像提取模块，用于检测多个视频数据中访问人员的人脸图像，从多个视频数据中提取多帧包括人脸图像的图像数据，根据提取的图像数据生成访问人员的轨迹图像集合；
行为轨迹分析模块，用于获取行为分析模型，将所述轨迹图像集合输入至所述行为分析模型中，通过所述行为分析模型计算访问人员的行为轨迹特征；根据多项异常检测指标分析所述行为轨迹特征的异常类型和异常值，根据所述异常类型和所述异常值生成行为分析结果；
任务生成模块，用于当所述行为分析结果中存在异常行为时，获取存在异常行为的人脸图像，并根据所述人脸图像以及对应的位置标识和时间标识生成安防预警任务；
任务分配模块，用于将所述安防预警任务分配至安防终端，使得对应的安保人员根据所述安防终端执行所述安防预警任务。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910502623.1A CN110443109A (zh) | 2019-06-11 | 2019-06-11 | 异常行为监控处理方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910502623.1A CN110443109A (zh) | 2019-06-11 | 2019-06-11 | 异常行为监控处理方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110443109A true CN110443109A (zh) | 2019-11-12 |
Family
ID=68429513
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910502623.1A Pending CN110443109A (zh) | 2019-06-11 | 2019-06-11 | 异常行为监控处理方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110443109A (zh) |
Cited By (50)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110881141A (zh) * | 2019-11-19 | 2020-03-13 | 浙江大华技术股份有限公司 | 视频展示方法和装置、存储介质及电子装置 |
| CN111144495A (zh) * | 2019-12-27 | 2020-05-12 | 浙江宇视科技有限公司 | 一种业务分发方法、装置及介质 |
| CN111246168A (zh) * | 2020-01-15 | 2020-06-05 | 深圳市网新新思软件有限公司 | 一种视频内容批量监管集群***和方法 |
| CN111243057A (zh) * | 2020-01-20 | 2020-06-05 | 上海锦同智能科技有限公司 | 一种校园人员流动轨迹绘制方法 |
| CN111263126A (zh) * | 2020-03-31 | 2020-06-09 | 陈小河 | 一种视频智能识别与信息推送防范管理*** |
| CN111309954A (zh) * | 2020-02-24 | 2020-06-19 | 浙江力石科技股份有限公司 | 景区导购行为识别*** |
| CN111324656A (zh) * | 2020-02-25 | 2020-06-23 | 深圳市天彦通信股份有限公司 | 人员管理方法及相关设备 |
| CN111325139A (zh) * | 2020-02-18 | 2020-06-23 | 浙江大华技术股份有限公司 | 一种唇语识别方法及装置 |
| CN111372043A (zh) * | 2020-02-06 | 2020-07-03 | 浙江大华技术股份有限公司 | 异常检测方法以及相关设备、装置 |
| CN111403021A (zh) * | 2020-03-11 | 2020-07-10 | 中国电子工程设计院有限公司 | 一种监测方法及装置 |
| CN111553225A (zh) * | 2020-04-21 | 2020-08-18 | 上海上实龙创智慧能源科技股份有限公司 | 一种基于视频分析的人员移动轨迹生成***及方法 |
| CN111565225A (zh) * | 2020-04-27 | 2020-08-21 | 银河水滴科技（北京）有限公司 | 一种人物行动轨迹确定方法及装置 |
| CN111581436A (zh) * | 2020-03-30 | 2020-08-25 | 西安天和防务技术股份有限公司 | 目标识别方法、装置、计算机设备和存储介质 |
| CN111597970A (zh) * | 2020-05-14 | 2020-08-28 | 中国银行股份有限公司 | 异常行为的识别方法及装置 |
| CN111611439A (zh) * | 2020-03-31 | 2020-09-01 | 深圳奇迹智慧网络有限公司 | 消防安全监测方法、装置、计算机设备和存储介质 |
| CN111832522A (zh) * | 2020-07-21 | 2020-10-27 | 深圳力维智联技术有限公司 | 人脸数据集的构建方法、***及计算机可读存储介质 |
| CN111988579A (zh) * | 2020-08-31 | 2020-11-24 | 杭州海康威视***技术有限公司 | 数据审核方法、***和电子设备 |
| CN111985413A (zh) * | 2020-08-22 | 2020-11-24 | 深圳市信诺兴技术有限公司 | 一种智能楼宇监控终端、监控***及监控方法 |
| CN112633133A (zh) * | 2020-12-18 | 2021-04-09 | 江苏省苏力环境科技有限责任公司 | 基于ai的智慧水站运维的方法、***、终端及存储介质 |
| CN112699720A (zh) * | 2020-10-10 | 2021-04-23 | 杭州翔毅科技有限公司 | 基于人物信息集的监控方法、设备、存储介质及装置 |
| CN112804489A (zh) * | 2020-12-31 | 2021-05-14 | 重庆文理学院 | 基于互联网+的智慧工地管理***及方法 |
| CN113038072A (zh) * | 2021-02-05 | 2021-06-25 | 深圳市深粮控股股份有限公司 | 基于视频信息的定位方法、装置、存储介质及终端设备 |
| CN113254733A (zh) * | 2020-12-26 | 2021-08-13 | 深圳市八方通达科技有限公司 | 基于大数据平台的信息分析方法、***及存储介质 |
| CN113286126A (zh) * | 2021-05-28 | 2021-08-20 | Oppo广东移动通信有限公司 | 监控数据处理方法、***及相关装置 |
| CN113343743A (zh) * | 2020-03-03 | 2021-09-03 | 杭州海康威视***技术有限公司 | 目标人员识别方法、装置、电子设备和存储介质 |
| CN113392263A (zh) * | 2021-06-24 | 2021-09-14 | 上海商汤科技开发有限公司 | 一种数据标注方法及装置、电子设备和存储介质 |
| CN113569645A (zh) * | 2021-06-28 | 2021-10-29 | 广东技术师范大学 | 基于图像检测的轨迹生成方法、装置及*** |
| CN113609937A (zh) * | 2021-07-24 | 2021-11-05 | 全图通位置网络有限公司 | 一种城市轨道交通的应急处理方法、***及存储介质 |
| CN113674325A (zh) * | 2021-09-02 | 2021-11-19 | 中科海微(北京)科技有限公司 | 人员轨迹追踪方法及*** |
| CN113688679A (zh) * | 2021-07-22 | 2021-11-23 | 南京视察者智能科技有限公司 | 一种重点人员防控预警的方法 |
| CN113724426A (zh) * | 2021-06-24 | 2021-11-30 | 储信(北京)科技发展有限公司 | 一种多维度安保规则配置预警的方法 |
| CN113747124A (zh) * | 2021-08-31 | 2021-12-03 | 深圳Tcl新技术有限公司 | 视频监控方法、装置、存储介质及电子设备 |
| CN113762163A (zh) * | 2021-09-09 | 2021-12-07 | 杭州澳亚生物技术股份有限公司 | 一种gmp车间智能化监控管理方法及*** |
| CN113762184A (zh) * | 2021-09-13 | 2021-12-07 | 北京市商汤科技开发有限公司 | 图像处理方法、装置、电子设备和计算机存储介质 |
| CN113850229A (zh) * | 2021-10-18 | 2021-12-28 | 重庆邮电大学 | 基于视频数据机器学习的人员异常行为预警方法、***及计算机设备 |
| CN114095753A (zh) * | 2021-11-17 | 2022-02-25 | 中国建设银行股份有限公司 | 视频流处理方法、装置、设备、介质和程序产品 |
| CN114360185A (zh) * | 2022-01-14 | 2022-04-15 | 上海星杰装饰有限公司 | 一种别墅智能*** |
| CN114827540A (zh) * | 2022-04-14 | 2022-07-29 | 山西长河科技股份有限公司 | 一种基于视频智能分析技术的监测站安全运行方法和终端 |
| CN115099724A (zh) * | 2022-08-24 | 2022-09-23 | 中达安股份有限公司 | 施工场景的监控预警方法、装置、设备及存储介质 |
| CN115223100A (zh) * | 2022-08-02 | 2022-10-21 | 上海三力信息科技有限公司 | 一种智慧园区异常人员识别方法、***、设备及存储介质 |
| CN115410324A (zh) * | 2022-10-28 | 2022-11-29 | 山东世拓房车集团有限公司 | 一种基于人工智能的房车夜间安防***及方法 |
| WO2022247712A1 (zh) * | 2021-05-24 | 2022-12-01 | 广州智慧城市发展研究院 | 一种小区监控视频目标跟踪安防预警方法和装置 |
| CN115424371A (zh) * | 2022-07-07 | 2022-12-02 | 江苏信江数字科技有限公司 | 一种智能园区管理***及管理方法 |
| CN115984063A (zh) * | 2022-09-29 | 2023-04-18 | 河北数微信息技术有限公司 | 小区在线安防监控方法、装置、计算机设备及存储介质 |
| CN116453066A (zh) * | 2023-06-20 | 2023-07-18 | 深圳市软筑信息技术有限公司 | 一种园区智能视频监控方法和*** |
| CN116610834A (zh) * | 2023-05-15 | 2023-08-18 | 三峡科技有限责任公司 | 一种基于ai分析下的监控视频存储及快速查询方法 |
| CN116665419A (zh) * | 2023-05-09 | 2023-08-29 | 三峡高科信息技术有限责任公司 | 电力生产作业中基于ai分析的故障智能预警***及方法 |
| CN117115744A (zh) * | 2023-09-08 | 2023-11-24 | 南京苏尔达科技有限公司 | 一种基于安防监控图像的行为分析方法及*** |
| CN117333929A (zh) * | 2023-12-01 | 2024-01-02 | 贵州省公路建设养护集团有限公司 | 基于深度学习实现道路施工下的异常人员识别方法及*** |
| CN117409374A (zh) * | 2023-12-14 | 2024-01-16 | 深圳富联富桂精密工业有限公司 | 门岗管理方法、装置、电子设备及计算机可读存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150092978A1 (en) * | 2013-09-27 | 2015-04-02 | Konica Minolta Laboratory U.S.A., Inc. | Method and system for recognition of abnormal behavior |
| US20170083766A1 (en) * | 2015-09-23 | 2017-03-23 | Behavioral Recognition Systems, Inc. | Detected object tracker for a video analytics system |
| CN108710827A (zh) * | 2018-04-18 | 2018-10-26 | 特斯联（北京）科技有限公司 | 一种社区微警务巡查和信息自动分析***及方法 |
| CN109034577A (zh) * | 2018-07-16 | 2018-12-18 | 广东德明科技有限公司 | 一种基于三维地图的视频应用和调度预警***平台 |
| CN109145841A (zh) * | 2018-08-29 | 2019-01-04 | 武汉大学 | 一种基于视频监控的异常事件的检测方法及装置 |
| CN109829382A (zh) * | 2018-12-30 | 2019-05-31 | 北京宇琪云联科技发展有限公司 | 基于行为特征智能分析的异常目标预警追踪***及方法 |
-
2019
- 2019-06-11 CN CN201910502623.1A patent/CN110443109A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150092978A1 (en) * | 2013-09-27 | 2015-04-02 | Konica Minolta Laboratory U.S.A., Inc. | Method and system for recognition of abnormal behavior |
| US20170083766A1 (en) * | 2015-09-23 | 2017-03-23 | Behavioral Recognition Systems, Inc. | Detected object tracker for a video analytics system |
| CN108710827A (zh) * | 2018-04-18 | 2018-10-26 | 特斯联（北京）科技有限公司 | 一种社区微警务巡查和信息自动分析***及方法 |
| CN109034577A (zh) * | 2018-07-16 | 2018-12-18 | 广东德明科技有限公司 | 一种基于三维地图的视频应用和调度预警***平台 |
| CN109145841A (zh) * | 2018-08-29 | 2019-01-04 | 武汉大学 | 一种基于视频监控的异常事件的检测方法及装置 |
| CN109829382A (zh) * | 2018-12-30 | 2019-05-31 | 北京宇琪云联科技发展有限公司 | 基于行为特征智能分析的异常目标预警追踪***及方法 |
Cited By (72)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110881141A (zh) * | 2019-11-19 | 2020-03-13 | 浙江大华技术股份有限公司 | 视频展示方法和装置、存储介质及电子装置 |
| CN111144495B (zh) * | 2019-12-27 | 2024-03-22 | 浙江宇视科技有限公司 | 一种业务分发方法、装置及介质 |
| CN111144495A (zh) * | 2019-12-27 | 2020-05-12 | 浙江宇视科技有限公司 | 一种业务分发方法、装置及介质 |
| CN111246168A (zh) * | 2020-01-15 | 2020-06-05 | 深圳市网新新思软件有限公司 | 一种视频内容批量监管集群***和方法 |
| CN111243057A (zh) * | 2020-01-20 | 2020-06-05 | 上海锦同智能科技有限公司 | 一种校园人员流动轨迹绘制方法 |
| CN111372043A (zh) * | 2020-02-06 | 2020-07-03 | 浙江大华技术股份有限公司 | 异常检测方法以及相关设备、装置 |
| CN111372043B (zh) * | 2020-02-06 | 2021-05-11 | 浙江大华技术股份有限公司 | 异常检测方法以及相关设备、装置 |
| CN111325139B (zh) * | 2020-02-18 | 2023-08-04 | 浙江大华技术股份有限公司 | 一种唇语识别方法及装置 |
| CN111325139A (zh) * | 2020-02-18 | 2020-06-23 | 浙江大华技术股份有限公司 | 一种唇语识别方法及装置 |
| CN111309954A (zh) * | 2020-02-24 | 2020-06-19 | 浙江力石科技股份有限公司 | 景区导购行为识别*** |
| CN111309954B (zh) * | 2020-02-24 | 2023-10-17 | 浙江力石科技股份有限公司 | 景区导购行为识别*** |
| CN111324656A (zh) * | 2020-02-25 | 2020-06-23 | 深圳市天彦通信股份有限公司 | 人员管理方法及相关设备 |
| CN111324656B (zh) * | 2020-02-25 | 2023-08-08 | 深圳市天彦通信股份有限公司 | 人员管理方法及相关设备 |
| CN113343743B (zh) * | 2020-03-03 | 2024-02-13 | 杭州海康威视***技术有限公司 | 目标人员识别方法、装置、电子设备和存储介质 |
| CN113343743A (zh) * | 2020-03-03 | 2021-09-03 | 杭州海康威视***技术有限公司 | 目标人员识别方法、装置、电子设备和存储介质 |
| CN111403021B (zh) * | 2020-03-11 | 2023-12-05 | 中国电子工程设计院有限公司 | 一种监测方法及装置 |
| CN111403021A (zh) * | 2020-03-11 | 2020-07-10 | 中国电子工程设计院有限公司 | 一种监测方法及装置 |
| CN111581436A (zh) * | 2020-03-30 | 2020-08-25 | 西安天和防务技术股份有限公司 | 目标识别方法、装置、计算机设备和存储介质 |
| CN111581436B (zh) * | 2020-03-30 | 2024-03-22 | 西安天和防务技术股份有限公司 | 目标识别方法、装置、计算机设备和存储介质 |
| CN111611439A (zh) * | 2020-03-31 | 2020-09-01 | 深圳奇迹智慧网络有限公司 | 消防安全监测方法、装置、计算机设备和存储介质 |
| CN111611439B (zh) * | 2020-03-31 | 2023-08-25 | 深圳奇迹智慧网络有限公司 | 消防安全监测方法、装置、计算机设备和存储介质 |
| CN111263126A (zh) * | 2020-03-31 | 2020-06-09 | 陈小河 | 一种视频智能识别与信息推送防范管理*** |
| CN111553225A (zh) * | 2020-04-21 | 2020-08-18 | 上海上实龙创智慧能源科技股份有限公司 | 一种基于视频分析的人员移动轨迹生成***及方法 |
| CN111565225A (zh) * | 2020-04-27 | 2020-08-21 | 银河水滴科技（北京）有限公司 | 一种人物行动轨迹确定方法及装置 |
| CN111565225B (zh) * | 2020-04-27 | 2023-08-04 | 银河水滴科技(宁波)有限公司 | 一种人物行动轨迹确定方法及装置 |
| CN111597970A (zh) * | 2020-05-14 | 2020-08-28 | 中国银行股份有限公司 | 异常行为的识别方法及装置 |
| CN111597970B (zh) * | 2020-05-14 | 2023-05-02 | 中国银行股份有限公司 | 异常行为的识别方法及装置 |
| CN111832522B (zh) * | 2020-07-21 | 2024-02-27 | 深圳力维智联技术有限公司 | 人脸数据集的构建方法、***及计算机可读存储介质 |
| CN111832522A (zh) * | 2020-07-21 | 2020-10-27 | 深圳力维智联技术有限公司 | 人脸数据集的构建方法、***及计算机可读存储介质 |
| CN111985413A (zh) * | 2020-08-22 | 2020-11-24 | 深圳市信诺兴技术有限公司 | 一种智能楼宇监控终端、监控***及监控方法 |
| CN111988579A (zh) * | 2020-08-31 | 2020-11-24 | 杭州海康威视***技术有限公司 | 数据审核方法、***和电子设备 |
| CN111988579B (zh) * | 2020-08-31 | 2022-05-31 | 杭州海康威视***技术有限公司 | 数据审核方法、***和电子设备 |
| CN112699720A (zh) * | 2020-10-10 | 2021-04-23 | 杭州翔毅科技有限公司 | 基于人物信息集的监控方法、设备、存储介质及装置 |
| CN112699720B (zh) * | 2020-10-10 | 2023-10-20 | 杭州翔毅科技有限公司 | 基于人物信息集的监控方法、设备、存储介质及装置 |
| CN112633133A (zh) * | 2020-12-18 | 2021-04-09 | 江苏省苏力环境科技有限责任公司 | 基于ai的智慧水站运维的方法、***、终端及存储介质 |
| CN113254733A (zh) * | 2020-12-26 | 2021-08-13 | 深圳市八方通达科技有限公司 | 基于大数据平台的信息分析方法、***及存储介质 |
| CN112804489A (zh) * | 2020-12-31 | 2021-05-14 | 重庆文理学院 | 基于互联网+的智慧工地管理***及方法 |
| CN113038072A (zh) * | 2021-02-05 | 2021-06-25 | 深圳市深粮控股股份有限公司 | 基于视频信息的定位方法、装置、存储介质及终端设备 |
| WO2022247712A1 (zh) * | 2021-05-24 | 2022-12-01 | 广州智慧城市发展研究院 | 一种小区监控视频目标跟踪安防预警方法和装置 |
| CN113286126A (zh) * | 2021-05-28 | 2021-08-20 | Oppo广东移动通信有限公司 | 监控数据处理方法、***及相关装置 |
| CN113724426A (zh) * | 2021-06-24 | 2021-11-30 | 储信(北京)科技发展有限公司 | 一种多维度安保规则配置预警的方法 |
| CN113392263A (zh) * | 2021-06-24 | 2021-09-14 | 上海商汤科技开发有限公司 | 一种数据标注方法及装置、电子设备和存储介质 |
| CN113569645A (zh) * | 2021-06-28 | 2021-10-29 | 广东技术师范大学 | 基于图像检测的轨迹生成方法、装置及*** |
| CN113569645B (zh) * | 2021-06-28 | 2024-03-22 | 广东技术师范大学 | 基于图像检测的轨迹生成方法、装置及*** |
| CN113688679B (zh) * | 2021-07-22 | 2024-03-08 | 南京视察者智能科技有限公司 | 一种重点人员防控预警的方法 |
| CN113688679A (zh) * | 2021-07-22 | 2021-11-23 | 南京视察者智能科技有限公司 | 一种重点人员防控预警的方法 |
| CN113609937B (zh) * | 2021-07-24 | 2023-12-22 | 全图通位置网络有限公司 | 一种城市轨道交通的应急处理方法、***及存储介质 |
| CN113609937A (zh) * | 2021-07-24 | 2021-11-05 | 全图通位置网络有限公司 | 一种城市轨道交通的应急处理方法、***及存储介质 |
| CN113747124A (zh) * | 2021-08-31 | 2021-12-03 | 深圳Tcl新技术有限公司 | 视频监控方法、装置、存储介质及电子设备 |
| CN113674325A (zh) * | 2021-09-02 | 2021-11-19 | 中科海微(北京)科技有限公司 | 人员轨迹追踪方法及*** |
| CN113762163A (zh) * | 2021-09-09 | 2021-12-07 | 杭州澳亚生物技术股份有限公司 | 一种gmp车间智能化监控管理方法及*** |
| CN113762184A (zh) * | 2021-09-13 | 2021-12-07 | 北京市商汤科技开发有限公司 | 图像处理方法、装置、电子设备和计算机存储介质 |
| CN113850229A (zh) * | 2021-10-18 | 2021-12-28 | 重庆邮电大学 | 基于视频数据机器学习的人员异常行为预警方法、***及计算机设备 |
| CN113850229B (zh) * | 2021-10-18 | 2023-12-22 | 深圳市成玉信息技术有限公司 | 基于视频数据机器学习的人员异常行为预警方法、***及计算机设备 |
| CN114095753A (zh) * | 2021-11-17 | 2022-02-25 | 中国建设银行股份有限公司 | 视频流处理方法、装置、设备、介质和程序产品 |
| CN114360185A (zh) * | 2022-01-14 | 2022-04-15 | 上海星杰装饰有限公司 | 一种别墅智能*** |
| CN114827540A (zh) * | 2022-04-14 | 2022-07-29 | 山西长河科技股份有限公司 | 一种基于视频智能分析技术的监测站安全运行方法和终端 |
| CN115424371A (zh) * | 2022-07-07 | 2022-12-02 | 江苏信江数字科技有限公司 | 一种智能园区管理***及管理方法 |
| CN115223100A (zh) * | 2022-08-02 | 2022-10-21 | 上海三力信息科技有限公司 | 一种智慧园区异常人员识别方法、***、设备及存储介质 |
| CN115099724A (zh) * | 2022-08-24 | 2022-09-23 | 中达安股份有限公司 | 施工场景的监控预警方法、装置、设备及存储介质 |
| CN115984063A (zh) * | 2022-09-29 | 2023-04-18 | 河北数微信息技术有限公司 | 小区在线安防监控方法、装置、计算机设备及存储介质 |
| CN115410324A (zh) * | 2022-10-28 | 2022-11-29 | 山东世拓房车集团有限公司 | 一种基于人工智能的房车夜间安防***及方法 |
| CN116665419B (zh) * | 2023-05-09 | 2024-01-16 | 三峡高科信息技术有限责任公司 | 电力生产作业中基于ai分析的故障智能预警***及方法 |
| CN116665419A (zh) * | 2023-05-09 | 2023-08-29 | 三峡高科信息技术有限责任公司 | 电力生产作业中基于ai分析的故障智能预警***及方法 |
| CN116610834A (zh) * | 2023-05-15 | 2023-08-18 | 三峡科技有限责任公司 | 一种基于ai分析下的监控视频存储及快速查询方法 |
| CN116610834B (zh) * | 2023-05-15 | 2024-04-12 | 三峡科技有限责任公司 | 一种基于ai分析下的监控视频存储及快速查询方法 |
| CN116453066B (zh) * | 2023-06-20 | 2023-08-18 | 深圳市软筑信息技术有限公司 | 一种园区智能视频监控方法和*** |
| CN116453066A (zh) * | 2023-06-20 | 2023-07-18 | 深圳市软筑信息技术有限公司 | 一种园区智能视频监控方法和*** |
| CN117115744A (zh) * | 2023-09-08 | 2023-11-24 | 南京苏尔达科技有限公司 | 一种基于安防监控图像的行为分析方法及*** |
| CN117333929B (zh) * | 2023-12-01 | 2024-02-09 | 贵州省公路建设养护集团有限公司 | 基于深度学习实现道路施工下的异常人员识别方法及*** |
| CN117333929A (zh) * | 2023-12-01 | 2024-01-02 | 贵州省公路建设养护集团有限公司 | 基于深度学习实现道路施工下的异常人员识别方法及*** |
| CN117409374A (zh) * | 2023-12-14 | 2024-01-16 | 深圳富联富桂精密工业有限公司 | 门岗管理方法、装置、电子设备及计算机可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110443109A (zh) | 异常行为监控处理方法、装置、计算机设备和存储介质 | |
| US11281552B2 (en) | Self-learning alerting and anomaly detection | |
| CN111222423B (zh) | 基于作业区域的目标识别方法、装置、计算机设备 | |
| CN110225299B (zh) | 视频监测方法、装置、计算机设备及存储介质 | |
| CN111598040B (zh) | 一种建筑工人身份识别及安全帽佩戴检测方法及*** | |
| CN111177714B (zh) | 异常行为检测方法、装置、计算机设备和存储介质 | |
| CN112364715B (zh) | 核电作业异常监控方法、装置、计算机设备和存储介质 | |
| CN109117721A (zh) | 一种行人徘徊检测方法 | |
| CN111126153B (zh) | 基于深度学习的安全监测方法、***、服务器及存储介质 | |
| CN109446936A (zh) | 一种用于监控场景的身份识别方法及装置 | |
| CN107451040A (zh) | 故障原因的定位方法、装置及计算机可读存储介质 | |
| CN102045358A (zh) | 一种基于整合相关性分析与分级聚类的入侵检测方法 | |
| CN114155614B (zh) | 一种作业现场反违章行为识别方法及*** | |
| CN115001934A (zh) | 一种工控安全风险分析***及方法 | |
| CN113591751A (zh) | 变电站异常情况告警方法、装置、计算机设备及存储介质 | |
| CN115099724A (zh) | 施工场景的监控预警方法、装置、设备及存储介质 | |
| CN110490079B (zh) | 巡检数据处理方法、装置、计算机设备和存储介质 | |
| CN114500574A (zh) | 一种基于区块链的提高粮库安全的监控方法、设备及介质 | |
| CN116824311A (zh) | 人群分析算法的性能检测方法、装置、设备及存储介质 | |
| CN104035866B (zh) | 基于***调用分析的软件行为评估方法和装置 | |
| Genga et al. | Towards a systematic process-aware behavioral analysis for security | |
| CN114429677A (zh) | 一种煤矿场景作业行为安全识别考核方法及*** | |
| CN114241400A (zh) | 电网***的监控方法及其装置、计算机可读存储介质 | |
| Berkovskyi et al. | CREATION OF INTELLIGENT SYSTEMS FOR ANALYZING SUPERMARKET VISITORS TO IDENTIFY CRIMINAL ELEMENTS | |
| CN116757336B (zh) | 基于数据驱动的轨道交通风险的预测方法及*** |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191112 |