CN110619277A - 一种多社区智慧布控方法以及*** - Google Patents

Abstract

本发明涉及社区安防技术领域，具体公开了一种多社区智慧布控方法以及***，该目标布控方法，目标主要包括人和车辆。对于人的布控主要包括人脸识别、行人识别、异常行为分析；对于车辆的布控主要包括车牌识别、车辆特征识别、重点区域违停。通过社区监控摄像机获取图像中的行人，对图像中的行人的行为进行分析，确定行人的具体行为，判断是否属于异常行为的范畴。通过社区监控摄像机获取图像中的车辆，对图像中的车辆特征进行识别，若包含该车牌则可进行开放道闸等操作，若无该车牌则可与车辆特征识别相结合对车辆在社区中的轨迹进行追踪。

Description

一种多社区智慧布控方法以及***

技术领域

本发明涉及社区安防技术领域，具体是一种多社区智慧布控方法以及***。

背景技术

智慧社区概念飞速发展，而社区布控是智慧社区最基本且最重要的功能。人工智能技术的快速发展，为解决社区自动化布控的许多难题提供了新的思路。社区中需要监控的目标主要包括人和车辆，人脸识别、行人识别、车牌识别和车辆特征识别从本质上都属于深度学习的技术，利用该技术与布控***结合，具有效果直观、自动化监控等特点。

人脸识别和车牌识别可以为社区安防提供基础的服务，如人脸识别门禁、车牌识别道闸。而行人识别、车辆特征识别结合人脸识别和车牌识别可实现社区人员和车辆的追踪，为社区的安全提供保障。然而目前现有的社区布控***主要为单社区***，数据量小且闭塞。无法及时按照政府部门的需求完成对可疑人员和车辆、黑名单人员和车辆、在逃嫌犯和在逃车辆的及时布控。将多社区进行布控会出现数据量过大，数据解析变慢，通信压力变大等难题。为了在海量视频数据中及时完成人员和车辆的布控，本发明提出一种多社区智慧布控方法以及***。

发明内容

本发明的目的在于提供一种多社区智慧布控方法以及***，以解决上述背景技术中提出的问题。

为实现上述目的，本发明实施例提供了一种多社区智慧布控方法，包括以下具体步骤：

S10、获取人或车辆的图片；

S20、若图片中包含人或人脸则跳转至步骤S30，若图片中包含车辆或车牌则跳转至步骤S40；

S30、判断人的具体行为并提取人脸特征，接步骤S50；

S40、识别车辆特征并提取车牌特征，接步骤S60。

S50、计算人脸特征于人脸库中人脸的特征相似度，超过设定的阈值，则跳转步骤S70，否则跳转步骤S80；

S60、根据提取的车牌特征得到具体的车牌数据搜索布控数据库，若发现为数据库中的数据，则进一步进行操作，否则跳转步骤S90；

S70、得到相似度以及人脸的身份信息；

S80、将人脸添加至陌生人脸库，且进行唯一标记，进行追踪；

S90、结合提取的车辆的车型和颜色信息对该车辆进行追踪。

作为本发明进一步的方案：在步骤S10中，通过RTSP拉取监控摄像头的视频帧。

作为本发明进一步的方案：在步骤S20中，利用行人、人脸、车辆和车牌检测模型检测到具体待识别目标。

作为本发明进一步的方案：在步骤S30中，通过行为识别算法识别出人的具体行为，所述具体行为包括跑、跳、弯腰、跌倒和持械5种异常行为，同时通过人脸识别算法提取人脸特征。

作为本发明进一步的方案：在步骤S40中，所述车牌特征包括车牌中的汉字、字母和数字，车牌数据库中保存了车牌的具体数值和车主信息。

作为本发明进一步的方案：在步骤S50中，人脸库中保存了具有唯一ID的人脸信息，人脸信息包括身份信息、年龄、性别、人脸特征。

作为本发明进一步的方案：在步骤S90中，车辆特征检测模型能够检测出车辆的8种车型和9种颜色，将识别到的车辆特征信息与车牌信息结合，车牌作为车辆的ID，当车牌受到遮挡或无车牌信息时，根据车辆颜色和车型判断，唯一确定车辆，实现车辆追踪。

作为本发明进一步的方案：8种车型分别是轿车、客车、城市越野车、卡车、消防车、吊车、面包车、货车。

作为本发明进一步的方案：9种颜色分别是黑色、白色、红色、黄色、蓝色、棕色、银色、绿色、灰色。

本发明实施例还提供了一种多社区智慧布控***，包括：

社区监控摄像头，用于捕获人和车辆图片、监控摄像头通过RTSP拉取视频帧以及对视频帧种的人和车进行识别；

社区布控服务器，包括用于具体进行人脸识别、行人检测、车牌识别和车辆特征检测的模型，摄像头获取的图像会同时进入4个模型进行识别和检测，检测的结果实时反馈给社区管理平台，将符合街道办事处要求的数据实时上报给云端；

社区管理平台，负责服务器数据的管理，并维护基础数据；其中，任意一个小区的社区管理平台都可以对本小区白名单之外的人脸库进行维护和上传，云端得到上传的数据后会更新至所有小区；

街道办事处云端，云端部署了大数据相关平台，包括Spark、Storm、HBase集群；云端利用HBase进行大数据存储，通过目标图片利用Spark在海量历史数据中搜索目标轨迹；云端对陌生人或车辆数据进行处理，作为数据集，利用Storm并行化训练更新模型，利用云端进行布控展示。

与现有技术相比，本发明实施例提出的一种多社区智慧布控方法以及***，布控目标主要包括人和车辆；

其一，本发明实施例可建立多个人脸库或车牌库，将人脸库分为本社区白名单人脸库、本社区黑名单人脸库、陌生人脸库和街道办需要监控的人脸库。将车牌分为本社区白名单车牌库、本社区黑名单车牌库、社区和陌生车牌库。实时识别人脸、行人、车牌和车辆，对黑名单人员车辆和监控人员进行实时监控。实现自动化布控报警。

其二，本发明实施例利用HBase对海量数据进行存储，利用Spark快速进行海量历史数据的查询，实现输入目标人员或车辆，自动从海量数据获取该目标的历史轨迹。

其三，本发明实施例使用陌生人或车辆数据定期作为数据集优化识别模型的训练，利用Storm流处理的优势，实现并行化模型训练，提高模型的更新效率、提高识别模型的识别准确率。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例。

图1为本发明实施例提供的多社区智慧布控方法的流程图。

图2为本发明实施例提供的多社区智慧布控***的结构图。

具体实施方式

为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

需要说明，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后、内、外…)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。

另外，在本发明中涉及“一”、“二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“一”、“二”的特征可以明示或者隐含地包括至少一个该特征。

如图1所示，在本发明提供的一个实施例中，一种多社区智慧布控方法，包括以下具体步骤：

S10、获取人或车辆的图片；其中，具体实现中，通过RTSP拉取监控摄像头的视频帧。

S20、若图片中包含人或人脸则跳转至步骤S30，若图片中包含车辆或车牌则跳转至步骤S40；具体的，利用行人、人脸、车辆和车牌检测模型检测到具体待识别目标。

S30、判断人的具体行为并提取人脸特征，接步骤S50；具体的，通过行为识别算法识别出人的具体行为，主要包括跑、跳、弯腰、跌倒和持械5种异常行为，同时通过过人脸识别算法提取人脸特征。

S40、识别车辆特征并提取车牌特征，接步骤S60；

在步骤S40的具体实现中，准确提取车牌中包括的汉字、字母和数字。车牌数据库中保存了车牌的具体数值和车主等信息。

S50、计算人脸特征于人脸库中人脸的特征相似度，超过设定的阈值，则跳转步骤S70，否则跳转步骤S80；

在步骤S50的具体实现中，人脸库中保存了具有唯一ID的人脸信息，包括身份信息、年龄、性别、人脸特征等。根据算法的识别效果，在保证识别准确率的同时，又能使待识别目标的特征与本人在人脸库中的特征达到阈值，设定了阈值。实时提取的人脸特征与人脸库中的特征进行对比计算，得到相似度。

S60、根据提取的车牌特征得到具体的车牌数据搜索布控数据库，若发现为数据库中的数据，则进一步进行操作，否则跳转步骤S90；

在步骤S60的具体实现中，将得到的车牌数据在车牌数据库中进行搜索，如果车牌在数据库中则提供基础服务。

S70、得到相似度以及人脸的身份信息；在步骤S70的具体实施方式中，当高于设定的阈值时根据所属人脸库，进行相应的操作。

S80、将人脸添加至陌生人脸库，且进行唯一标记，进行追踪；在步骤S80的具体实现中，当低于设定的阈值时，筛选高质量的人脸图片加入陌生人脸库，便于后期进行分析，如协助调查犯罪嫌疑人的历史轨迹。

S90、结合提取的车辆的车型和颜色信息对该车辆进行追踪；

在本发明实施例提供的步骤S90中，车辆特征检测模型能够检测出车辆的8种车型和9种颜色。其中，8种车型分别是轿车、客车、城市越野车、卡车、消防车、吊车、面包车、货车。9种颜色分别是黑色、白色、红色、黄色、蓝色、棕色、银色、绿色、灰色。将识别到的车辆特征信息与车牌信息结合，车牌作为车辆的ID，当车牌受到遮挡或无车牌信息时，根据车辆颜色和车型判断，唯一确定车辆，实现车辆追踪。

如图2所示，本发明实施例还提供了一种多社区智慧布控***，包括：

社区监控摄像头，用于捕获人和车辆图片、监控摄像头通过RTSP拉取视频帧以及对视频帧种的人和车进行识别；

社区布控服务器，包括用于具体进行人脸识别、行人检测、车牌识别和车辆特征检测的模型，摄像头获取的图像会同时进入4个模型进行识别和检测，检测的结果实时反馈给社区管理平台，将符合街道办事处要求的数据实时上报给云端；

社区管理平台，负责服务器数据的管理，并维护基础数据；其中，任意一个小区的社区管理平台都可以对本小区白名单之外的人脸库进行维护和上传，云端得到上传的数据后会更新至所有小区。

街道办事处云端，云端部署了大数据相关平台，包括Spark、Storm、HBase集群；云端利用HBase进行大数据存储，通过目标图片利用Spark在海量历史数据中搜索目标轨迹；云端可对陌生人或车辆数据进行处理，作为数据集，利用Storm并行化训练更新模型，且云端可进行布控展示。

本发明提出了一种多社区智慧布控方法以及***，该目标布控方法，目标主要包括人和车辆。具体的，对于人的布控主要包括人脸识别、行人识别、异常行为分析；对于车辆的布控主要包括车牌识别、车辆特征识别、重点区域违停。通过社区监控摄像机获取图像中的行人，对图像中的行人的行为进行分析，确定行人的具体行为，判断是否属于异常行为的范畴；通过社区监控摄像机获取图像中的车辆，对图像中的车辆特征进行识别，得到车辆的具体车型和颜色。通过社区监控摄像机获取人脸图像，提取人脸特征，计算人脸特征与人脸库中人脸的特征的相似度，超过设定的阈值，则获取相似度以及人脸的身份信息，若待识别的人脸与人脸库中的所有人脸的相似度都无法超过阈值，则将人脸添加到陌生人脸库中；通过社区监控摄像机获取车牌图像，提取车牌中的文字、字母和数字，计算得到具体的车牌数据，搜索数据库中的车牌，若包含该车牌则可进行开放道闸等操作，若无该车牌则可与车辆特征识别相结合对车辆在社区中的轨迹进行追踪。

综上所述，本发明可建立多个人脸库或车牌库，将人脸库分为本社区白名单人脸库、本社区黑名单人脸库、陌生人脸库和街道办需要监控的人脸库。将车牌分为本社区白名单车牌库、本社区黑名单车牌库、社区和陌生车牌库。实时识别人脸、行人、车牌和车辆，对黑名单人员车辆和监控人员进行实时监控。实现自动化布控报警；

利用HBase对海量数据进行存储，利用Spark快速进行海量历史数据的查询，实现输入目标人员或车辆，自动从海量数据获取该目标的历史轨迹；

陌生人或车辆数据定期作为数据集优化识别模型的训练，利用Storm流处理的优势，实现并行化模型训练，提高模型的更新效率、提高识别模型的识别准确率。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种多社区智慧布控方法，其特征在于，包括以下具体步骤：

S10、获取人或车辆的图片；

S20、若图片中包含人或人脸则跳转至步骤S30，若图片中包含车辆或车牌则跳转至步骤S40；

S30、判断人的具体行为并提取人脸特征，接步骤S50；

S40、识别车辆特征并提取车牌特征，接步骤S60；

S50、计算人脸特征于人脸库中人脸的特征相似度，超过设定的阈值，则跳转步骤S70，否则跳转步骤S80；

S60、根据提取的车牌特征得到具体的车牌数据搜索布控数据库，若发现为数据库中的数据，则进一步进行操作，否则跳转步骤S90；

S70、得到相似度以及人脸的身份信息；

S80、将人脸添加至陌生人脸库，且进行唯一标记，进行追踪；

S90、结合提取的车辆的车型和颜色信息对该车辆进行追踪。

2.根据权利要求1所述的多社区智慧布控方法以及***，其特征在于，在步骤S10中，通过RTSP拉取监控摄像头的视频帧。

3.根据权利要求2所述的多社区智慧布控方法以及***，其特征在于，在步骤S20中，利用行人、人脸、车辆和车牌检测模型检测到具体待识别目标。

4.根据权利要求3所述的多社区智慧布控方法以及***，其特征在于，在步骤S30中，通过行为识别算法识别出人的具体行为，所述具体行为包括跑、跳、弯腰、跌倒和持械5种异常行为，同时通过人脸识别算法提取人脸特征。

5.根据权利要求4所述的多社区智慧布控方法以及***，其特征在于，在步骤S40中，所述车牌特征包括车牌中的汉字、字母和数字，车牌数据库中保存了车牌的具体数值和车主信息。

6.根据权利要求5所述的多社区智慧布控方法以及***，其特征在于，在步骤S50中，人脸库中保存了具有唯一ID的人脸信息，人脸信息包括身份信息、年龄、性别、人脸特征。

7.根据权利要求6所述的多社区智慧布控方法以及***，其特征在于，在步骤S90中，车辆特征检测模型能够检测出车辆的8种车型和9种颜色，将识别到的车辆特征信息与车牌信息结合，车牌作为车辆的ID，当车牌受到遮挡或无车牌信息时，根据车辆颜色和车型判断，唯一确定车辆，实现车辆追踪。

8.根据权利要求7所述的多社区智慧布控方法以及***，其特征在于，8种车型分别是轿车、客车、城市越野车、卡车、消防车、吊车、面包车、货车。

9.根据权利要求8所述的多社区智慧布控方法以及***，其特征在于，9种颜色分别是黑色、白色、红色、黄色、蓝色、棕色、银色、绿色、灰色。

10.一种多社区智慧布控***，其特征在于，包括：

社区监控摄像头，用于捕获人和车辆图片、监控摄像头通过RTSP拉取视频帧以及对视频帧种的人和车进行识别；

社区布控服务器，包括用于具体进行人脸识别、行人检测、车牌识别和车辆特征检测的模型，摄像头获取的图像会同时进入4个模型进行识别和检测，检测的结果实时反馈给社区管理平台，将符合街道办事处要求的数据实时上报给云端；

社区管理平台，负责服务器数据的管理，并维护基础数据；其中，任意一个小区的社区管理平台都可以对本小区白名单之外的人脸库进行维护和上传，云端得到上传的数据后会更新至所有小区；

街道办事处云端，云端部署了大数据相关平台，包括Spark、Storm、HBase集群；云端利用HBase进行大数据存储，通过目标图片利用Spark在海量历史数据中搜索目标轨迹；云端对陌生人或车辆数据进行处理，作为数据集，利用Storm并行化训练更新模型，利用云端进行布控展示。