CN110766895A - 基于目标轨迹分析的智慧社区异常报警***及方法 - Google Patents
基于目标轨迹分析的智慧社区异常报警***及方法 Download PDFInfo
- Publication number
- CN110766895A CN110766895A CN201910877621.0A CN201910877621A CN110766895A CN 110766895 A CN110766895 A CN 110766895A CN 201910877621 A CN201910877621 A CN 201910877621A CN 110766895 A CN110766895 A CN 110766895A
- Authority
- CN
- China
- Prior art keywords
- track
- target
- abnormal
- clusters
- template
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 12
- 238000000034 method Methods 0.000 title claims description 18
- 230000002159 abnormal effect Effects 0.000 claims abstract description 104
- 238000012544 monitoring process Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 230000002547 anomalous effect Effects 0.000 claims 1
- 230000006378 damage Effects 0.000 abstract description 3
- 230000006399 behavior Effects 0.000 description 3
- LKKMLIBUAXYLOY-UHFFFAOYSA-N 3-Amino-1-methyl-5H-pyrido[4,3-b]indole Chemical compound N1C2=CC=CC=C2C2=C1C=C(N)N=C2C LKKMLIBUAXYLOY-UHFFFAOYSA-N 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 101150114882 CALM2 gene Proteins 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 235000021152 breakfast Nutrition 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000037230 mobility Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06V20/10—Terrestrial scenes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Alarm Systems (AREA)
Abstract
本申请公开了基于目标轨迹分析的智慧社区异常报警***,其中,人物识别模块从社区内的各图像采集设备上传的图像中识别出人物目标;轨迹点生成模块获取识别出的人物目标所在位置,从而生成该人物目标的轨迹点;移动轨迹生成模块将同一人物目标的轨迹点按照识别时间进行排序,生成该人物目标的移动轨迹;移动轨迹比对模块将人物目标的移动轨迹与预先建立的非异常轨迹模板进行比对,依据比对结果判断人物是否属于异常目标;若移动轨迹比对模块判定人物属于异常目标,则向安保监控端发送报警信息。该***能够通过对同一人物的移动轨迹比照模板进行判断来识别出可疑人物,以使安保人员关注该可疑人物,并在必要时采取措施防止住户人身及财务受损。
Description
技术领域
本申请涉及社区治安及防盗技术领域,特别涉及基于目标轨迹分析的智慧社区异常报警***,以及基于目标轨迹分析的智慧社区异常报警***。
背景技术
对于社区来说,治安防盗是避免居民产生财产损失、维持人们日常生活平安稳定的一个重要因素,而对于智慧社区更是如此。由于智慧社区是借助互联网、物联网等通信方式提供在楼宇、家居、数字生活等方面上的智能化服务,从而为社区居民提供安全、舒适、便利的现代化、智慧化生活环境的社区,因此在社区治安方面的要求也会较高一些。
目前普遍采用安保监控的方式对社区内的公共场所进行实时监控,从而察觉安全隐患并防止入室盗窃等现象发生。具体方式是在社区内的道路上、居民楼楼层内等公共场所安装监控摄像头、可视门禁等设备,并配备一定数量的值班人员,各监控摄像头将采集到的监控视频图像上传至监控室并显示在相应显示屏上,由值班人员24小时观看上传的视频,在从视频中发现疑似小偷、窃贼等可疑人物时,会对视频中的该人物进行重点关注,一旦发生撬门、偷盗等行为则立即前往进行确认和阻止,并在确认后进行报警,以避免居民产生财物损失甚至被人身伤害等。
然而,采用上述人工值班的方式来实时观看监控视频并做出是否为可疑人物的判断,需要花费较高的人力成本,并且当布置有监控摄像头的监控点位较多时,只依靠人力很难保证所有监控区域的人员筛查,尤其是在住户出行高峰时间,值班人员在通过肉眼观察并分辨各监控区域中的人物时可能无法保证及时发现混在人群中的可疑人物,也可能未注意到出现在无人区域的可疑人物,这都可能导致窃贼对住户进行入室盗窃的现象发生,不利于社区治安及稳定。
还存在一些其他方式来维持社区治安环境的稳定,例如控制巡逻机器人来代替人工进行巡逻,但巡逻机器人成本远高于大量布置监控摄像头的成本,并且机器人在楼层内移动不便,另外,由于巡逻机器人具有强移动性因此无法24小时固定监视某一区域,存在使得窃贼成功实施盗窃的时间空隙,并且无法可靠地识别出可疑人物。因此,需要一种能够以花费相对较小的人力和物力的并能够正确识别出社区内可疑人物和异常人物的方法。
发明内容
(一)申请目的
基于此,为了能够在花费相对较小的人力和物力的情况下正确识别出社区内可疑人物和异常人物,本申请提供了一种低成本地且准确性较高地识别出智慧社区内可疑人物的方法,通过实时对社区内出现在监控区域内的人物进行识别,并将人物的行动位置在时间轴上进行关联得到移动轨迹,并通过对同一人物的移动轨迹比照模板进行判断来识别出可疑人物,并向安保人员发出报警,以使安保人员关注该可疑人物,并在必要时采取措施防止住户人身及财务受损。
(二)技术方案
作为本申请的第一方面,本申请公开了一种基于目标轨迹分析的智慧社区异常报警***,包括:
人物识别模块,用于从社区内的各图像采集设备上传的图像中识别出人物目标;
轨迹点生成模块,用于获取识别出的人物目标所在位置,从而生成该人物目标的轨迹点;
移动轨迹生成模块,用于将同一人物目标的轨迹点按照识别时间进行排序,生成该人物目标的移动轨迹;
移动轨迹比对模块,用于将人物目标的移动轨迹与预先建立的非异常轨迹模板进行比对,依据比对结果判断人物是否属于异常目标;
其中,若移动轨迹比对模块判定人物属于异常目标,则向安保监控端发送报警信息。
在一种可能的实施方式中,所述移动轨迹比对模块包括:
第一比对单元,用于将人物目标的移动轨迹与预先建立的非异常轨迹模板进行相似度计算,并在移动轨迹与每个非异常轨迹模板的相似度均低于相似度阈值的情况下判定人物属于异常目标;和/或,
第二比对单元,用于将一定时段内人物目标的移动轨迹所包含的轨迹点数量与预先建立的非异常轨迹模板预设的轨迹点上限阈值进行比较,并在移动轨迹包含的轨迹点数量超出非异常轨迹模板轨迹点上限阈值的情况下判定人物属于异常目标。
在一种可能的实施方式中,该***还包括:轨迹模板建立模块,用于通过聚类的方式建立所述非异常轨迹模板;所述轨迹模板建立模块包括:
相似度判断单元,用于将每个样本轨迹作为一个簇,计算不同簇之间的重叠部分与整条轨迹长度的比值,并算出与比值呈反比的差异度作为不同簇之间的距离;
簇合并单元,用于将所有簇之中的两个距离最近的簇合并,得到新簇;
聚类迭代单元,用于使所述簇合并单元重复进行簇的合并,直到簇的数量下降到设定数量阈值,或直到剩余的簇中任意两个簇之间的距离均超出设定距离阈值,并将停止合并簇之后剩余的簇作为轨迹模板。
在一种可能的实施方式中,所述相似度判断单元还依据不同簇的轨迹发生时间生成簇的时间系数,并将所述差异度与时间系数的运算结果作为所述不同簇之间的距离。
在一种可能的实施方式中,所述轨迹模板建立模块还包括:
样本轨迹生成单元,用于对获取到的样本轨迹点进行插值得到轨迹段,并将所述轨迹段进行连接得到样本轨迹。
在一种可能的实施方式中,所述轨迹模板建立模块还包括:
增量更新单元,用于将所述移动轨迹生成模块生成的被所述移动轨迹比对模块判断为不属于异常目标的移动轨迹加入到样本库中进行聚类处理,实现对簇的更新。
作为本申请的第二方面,本申请还公开了一种基于目标轨迹分析的智慧社区异常报警方法,包括:
从社区内的各图像采集设备上传的图像中识别出人物目标;
获取识别出的人物目标所在位置,从而生成该人物目标的轨迹点;
将同一人物目标的轨迹点按照识别时间进行排序,生成该人物目标的移动轨迹;
将人物目标的移动轨迹与预先建立的非异常轨迹模板进行比对,依据比对结果判断人物是否属于异常目标;
其中,若判定人物属于异常目标,则向安保监控端发送报警信息。
在一种可能的实施方式中,所述将人物目标的移动轨迹与预先建立的非异常轨迹模板进行比对,依据比对结果判断人物是否属于异常目标,包括:
将人物目标的移动轨迹与预先建立的非异常轨迹模板进行相似度计算,并在移动轨迹与每个非异常轨迹模板的相似度均低于相似度阈值的情况下判定人物属于异常目标;或,
将一定时段内人物目标的移动轨迹所包含的轨迹点数量与预先建立的非异常轨迹模板预设的轨迹点上限阈值进行比较,并在移动轨迹包含的轨迹点数量超出非异常轨迹模板轨迹点上限阈值的情况下判定人物属于异常目标。
在一种可能的实施方式中,该方法还包括:
通过聚类的方式建立所述非异常轨迹模板;并且,
所述通过聚类的方式建立所述非异常轨迹模板包括:
将每个样本轨迹作为一个簇,计算不同簇之间的重叠部分与整条轨迹长度的比值,并算出与比值呈反比的差异度作为不同簇之间的距离;
将所有簇之中的两个距离最近的簇合并,得到新簇;
重复进行簇的合并,直到簇的数量下降到设定数量阈值,或直到剩余的簇中任意两个簇之间的距离均超出设定距离阈值,并将停止合并簇之后剩余的簇作为轨迹模板。
在一种可能的实施方式中,在算出所述距离之前,还依据不同簇的轨迹发生时间生成簇的时间系数,并将所述差异度与时间系数的运算结果作为所述不同簇之间的距离。
在一种可能的实施方式中,所述通过聚类的方式建立所述非异常轨迹模板还包括:
对获取到的样本轨迹点进行插值得到轨迹段,并将所述轨迹段进行连接得到样本轨迹。
在一种可能的实施方式中,所述通过聚类的方式建立所述非异常轨迹模板还包括:
将生成的被判断为不属于异常目标的移动轨迹加入到样本库中进行聚类处理,实现对簇的更新。
(三)有益效果
本申请公开的基于目标轨迹分析的智慧社区异常报警***及方法,通过实时对社区内出现在监控区域内的人物进行识别,并将人物的行动位置在时间轴上进行关联得到移动轨迹,并通过对同一人物的移动轨迹比照模板进行判断来识别出可疑人物,并向安保人员发出报警,以使安保人员关注该可疑人物,并在必要时采取措施防止住户人身及财务受损。
附图说明
以下参考附图描述的实施例是示例性的,旨在用于解释和说明本申请,而不能理解为对本申请的保护范围的限制。
图1是本申请公开的智慧社区异常报警***实施例的结构框图。
图2是本申请公开的智慧社区异常报警方法实施例的流程示意图。
具体实施方式
为使本申请实施的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行更加详细的描述。
下面参考图1详细描述本申请公开的智慧社区异常报警***实施例。如图1所示,本实施例公开的***主要包括有:人物识别模块、轨迹点生成模块、移动轨迹生成模块和移动轨迹比对模块。
人物识别模块用于从社区内的各图像采集设备上传的图像中识别出人物目标。
智慧社区内的道路上、菜市场内、操场内、住宅楼的各楼层等公共场所均安装有图像采集设备,用于对相应的区域进行视频监控。图像采集设备通常采用监控摄像头。每个图像采集设备对应一个监控区域,实时上传监控区域的视频画面,而各监控区域也就相当于一个监控点位。一个智慧社区内或由多个智慧社区组成的社区集群的公共场所内通常会布置有大量的图像采集设备,以进行视频监控和采集。
在***接收到图像采集设备上传的视频图像数据后,人物识别模块通过例如人脸识别、衣着识别、步态识别等方式从视频图像中识别出出现在监控区域内的人物,也就是识别出人物目标。人物目标中可能有居住在社区内的住户,也可能有快递员、住户的亲朋好友等非住户。
在人物识别模块识别出一个人物目标后,人物识别模块或轨迹点生成模块或***内的其他模块就为该人物目标建立一个用于存储该人物目标的人物特征的临时存储区。人物特征用于进行人物识别匹配。在该人物目标离开被识别出时所在的监控区域之后,每当从视频图像中识别出人物目标时,均将新识别出的人物目标与所有存储的人物特征进行对比,从而识别出同一人物目标。
可以理解的是,人物识别模块也可以预先采集并存储社区内各住户的人物特征模板,例如人脸模板,每当通过人脸识别技术从视频图像中识别出人物目标时,均将识别出的人物目标与所有住户人物特征模板进行对比,并将识别出的相应住户人物的数据存储到该人物对应的住户人物存储区,若识别出的人物目标与各住户人物特征模板均不匹配,则为该人物目标建立单独的临时存储区。
轨迹点生成模块用于获取识别出的人物目标所在位置,从而生成该人物目标的轨迹点。轨迹点通常为能够反映时空数据的时空数据点,其能够反映出人物在社区空间内的活动或到访的区域。
在人物识别模块识别出某一人物目标后(无论是住户还是非住户),轨迹点生成模块会获取该人物目标的当次识别的所在监控区域,监控区域可以简化为一个二维坐标或三维坐标,并将属于同一人物目标的所在监控区域等相关数据存储于相应存储区内,相当于为同一人物目标建立索引,并依据人物目标当次识别的所在监控区域生成一个轨迹点。
需要说明的是,同一人物在移动到监控区域内并被人物识别模块识别为人物目标之后,在该人物未离开监控区域之前,图像采集设备上传的视频图像中还会存在该人物,但该人物只被视为识别出一次,轨迹点生成模块生成的轨迹点也只有一个,只有在该人物离开监控区域并重新出现在同一或其他监控区域内时,才会被视为再次被识别到,轨迹点生成模块才会生成的一个新的轨迹点。
例如,人物识别模块从图像采集设备Cam1上传的T1时刻的监控区域Area1图像中识别出一个人物目标:住户Res。则轨迹点生成模块获取到住户Res的所在监控区域并生成一轨迹点Tr1。之后,人物识别模块从图像采集设备Cam2上传的T2时刻的监控区域Area2图像中再次识别出住户Res,则轨迹点生成模块获取到住户Res的所在监控区域并生成另一轨迹点Tr2。轨迹点Tr1和Tr2均包含二维平面或三维空间的坐标点。
移动轨迹生成模块用于将同一人物目标的轨迹点按照识别时间进行排序,生成该人物目标的移动轨迹。
轨迹点生成模块在获取识别出的人物目标所在位置时,还获取识别出人物目标所在位置的识别时间,并且轨迹点生成模块在生成该人物目标的移动轨迹时,还依据识别时间生成该轨迹点。
移动轨迹是一组按时间排序的离散点序列,隐含着人物的移动特征,记录了人物随时间变化的移动情况。例如,轨迹点生成模块生成了多个人物目标在不同时刻的轨迹点,则移动轨迹生成模块将这些人物目标中同一人物目标的各轨迹点按照识别时间进行排序,生成该人物目标的移动轨迹。识别时间指的是各轨迹点内的人物目标被图像采集设备采集到的时间,在人物识别模块从图像采集设备采集到的图像中识别出人物目标所花费的时间可以忽略不计的情况下,识别时间大致等于人物目标被识别出的时间。对于住户Res来说,其移动轨迹为TR={trid,l0l1},l0和l1为相邻的两个轨迹点。对于其他被识别出的人物目标也会有各自的移动轨迹。不同人物目标的移动轨迹包含的轨迹点数量可能不完全相同,这取决于人物实际发生的移动行为。
移动轨迹比对模块用于将人物目标的移动轨迹与预先建立的非异常轨迹模板进行比对,依据比对结果判断人物是否属于异常目标。
移动轨迹比对模块内或***的其他模块内存储有预先建立的轨迹模板,各轨迹模板对应于较为常见的并且是不同类型的移动轨迹,而不同的移动轨迹则可以对应于不同类型的人物目标。例如较多的上班族住户每天上午从社区的某栋居民楼出发到食堂吃早饭,然后去停车场开车上班,则该种类的移动轨迹可以作为其中一个住户类型的轨迹模板;再例如较多的退休住户每天晚上去食堂吃晚饭,然后去操场走路,之后回家休息,则该种类的移动轨迹可以作为另一个住户类型的轨迹模板。
由此可知,正常的住户在社区内的移动轨迹通常较为单一,非住户的其他正常人物例如快递员虽然在社区内的轨迹比业主复杂,但是出于送货、揽货的效率一般也不会反复围着一个目标转来转去。但窃贼在行窃前通常会在社区内围绕着目标屋室及其所在楼宇反复观察踩点,因此窃贼的移动轨迹与正常的业主、快递员等会有一些显著区别,例如窃贼的移动轨迹中通常会包括反复徘徊于少数几个监控区域的大量轨迹点,而正常住户、快递员则很少会产生此种移动模式。因此可以通过轨迹模版来判断人物目标是否为潜在的窃贼或其他种类的不法分子,即异常目标。
另外,由于社区内的住户也有可能成为潜在的异常目标,例如对其他并不熟识的住户实施临时起意的盗窃行为,因此即使人物识别模块识别出的人物目标被人物识别模块确认为住户,也需要进行轨迹点生成模块的轨迹点生成,移动轨迹生成模块的移动轨迹生成,以及移动轨迹比对模块的轨迹模板比对和异常目标判定。
由于移动轨迹随着人物移动而更新,因此当移动轨迹所包含的轨迹点数量超过预设的比对阈值后,每当轨迹点生成模块生成一个关于该人物目标的新的轨迹点,并且移动轨迹生成模块将该新的轨迹点加入到该人物目标的移动轨迹后,移动轨迹比对模块即可以进行一次轨迹与模板的比对。
由于移动轨迹不能无限制的延长,也就是不能永久持续地将轨迹点加入移动轨迹使得移动轨迹包含的轨迹点数量只增不减,因此需要限制移动轨迹的长度。例如以每天的凌晨三点为周期,每日的凌晨三点时,将各人物目标的移动轨迹作为前一时间周期的移动轨迹进行清空或转入后备存储,并重新开始移动轨迹的生成,在比对模板时采用当前时间周期内的移动轨迹进行比对和匹配;再例如,以同一人物目标的当前轨迹点中人物目标的识别时间晚于前一轨迹点中人物目标的识别时间超过一定时间阈值(例如超过4个小时),则将当前轨迹点作为该人物目标的一个新的移动轨迹的起始轨迹点,并将该人物目标的之前的移动轨迹作为前一时间周期的移动轨迹进行清空或转入后备存储。
若移动轨迹比对模块判定人物属于异常目标,则向安保监控端发送报警信息。例如某一人物目标的移动轨迹经判断后发现与任一轨迹模板均不相同,并且与每个轨迹模板的相似度均低于预设要求,说明该移动轨迹不属于常见的住户、快递员等,则该移动轨迹所属的人物可能为窃贼等可疑人物。此时移动轨迹比对模块会向安保监控端发送报警信息,以引起安保人员的警示,安保人员收到报警信息后会定位到该人物并重点关注该人物的移动及行为,甚至直接依据该人物最后出现的监控区域去往该人物所在位置进行现场监视和确认。
安保监控端可以是设置于智慧社区的监控室内的计算机,也可以是在外巡逻的安保人员随身佩戴的移动终端。计算机或移动终端显示出报警信息并发出报警声音,报警信息可以包括该人物目标的识别特征(例如人脸以及识别出该人物的视频图像画面),该人物目标的移动轨迹图示,以及该人物目标的最后一个轨迹点位置等。
在一种实施方式中,移动轨迹比对模块包括第一比对单元和/或第二比对单元。
第一比对单元用于将人物目标的移动轨迹与预先建立的非异常轨迹模板进行相似度计算,并在移动轨迹与每个非异常轨迹模板的相似度均低于相似度阈值的情况下判定人物属于异常目标。
非异常轨迹模板指的是住户、快递员等非异常人物的移动轨迹模板,每个模板内包含了一条移动轨迹。若移动轨迹生成模块生成的移动轨迹与某个模板的移动轨迹的相似度高于相似度阈值时,表明该移动轨迹与模板的移动轨迹之间相似度较高,可判定该移动轨迹属于该模板对应的人物类型,因此属于非异常目标。但若移动轨迹与每个非异常轨迹模板的相似度均低于相似度阈值,说明移动轨迹所属的人物不属于任一种非异常目标,则判定移动轨迹所属的人物属于异常目标。
可以理解的是,不同模板的相似度阈值可以不完全相同,例如某种上班族住户的移动轨迹通常较为单一,变化性较低,因此相似度阈值设置较高;而快递员的移动轨迹通常较为多样,变化性较高,因此设置的相似度阈值低于上班族住户的相似度阈值。
第二比对单元用于将一定时段内人物目标的移动轨迹所包含的轨迹点数量与预先建立的非异常轨迹模板预设的轨迹点上限阈值进行比较,并在移动轨迹包含的轨迹点数量超出非异常轨迹模板轨迹点上限阈值的情况下判定人物属于异常目标。若移动轨迹生成模块生成的移动轨迹所包含的轨迹点数量超过预设的上限阈值后,说明对应的人物目标极为频繁的在社区内移动,符合窃贼围绕目标屋室及其所在楼宇反复观察踩点时可能产生大量轨迹点的情况,因此将该人物目标判定为异常目标。
移动轨迹比对模块通过将人物目标的移动轨迹与预先建立的非异常轨迹模板进行比对,从而判断出人物是异常目标还是非异常目标,而非异常轨迹模板是需要预先建立的,因此在一种实施方式中,该***还包括:轨迹模板建立模块,用于通过聚类的方式建立非异常轨迹模板。轨迹模板建立模块通过聚类的方式将多个已被确定为属于非异常目标的移动轨迹进行聚类,得到的多个具有代表性的移动轨迹,作为非异常目标的轨迹模板。
聚类是一种非监督式学习方法,基于相似性将对象聚集成不同的类簇或子集,使同一个类簇中的对象都具有相似的属性。可以通过聚类算法来识别用户感兴趣的地点和区域、发现异常事件、挖掘轨迹中的序列特征等。
轨迹模板建立模块包括:相似度判断单元、簇合并单元和聚类迭代单元。
相似度判断单元用于将每个样本轨迹作为一个簇,计算不同簇之间的重叠部分与整条轨迹长度的比值,并算出与比值呈反比的差异度作为不同簇之间的距离。样本轨迹为预先采集出的确定为非异常目标的移动轨迹,例如普通上班族退休人员的移动轨迹。样本轨迹由多个轨迹段组成,轨迹段模型表示为:
SubTr=(IDsub,trP1,trP2),其中,trP1和trP2表示两个相邻的轨迹点。
样本轨迹则表示为:
TR={SubTr1,SubTr2,…,SubTrn},其中,TR是一条整轨迹,其由多个子轨迹SubTr组成,
相似度判断是对轨迹进行聚类的基础,通过相似度判断来确定轨迹之间的关系,再对轨迹进行聚类分析,使得簇内相似度尽可能大,簇间相似度尽可能小。两条样本轨迹之间的重叠部分与整条轨迹长度的比值为:
其中,lm(TRi,TRj)为样本轨迹TRi和TRj之间的重叠部分,也就是轨迹相一致的部分的长度,ls(TRi)和ls(TRj)分别为样本轨迹TRi和TRj的总长度。由此可知,通过该式计算出的比值的取值范围在[0,1]内,0表示两条样本轨迹完全不相同,1表示两条样本轨迹完全相同,并且比值越大,两条样本轨迹的相似度越高。
每个簇代表一个初始的聚类类别,距离是作为簇的样本轨迹之间的差异度,因此差异度与相似度呈反比,例如采用比值的倒数作为差异度,则差异度的取值范围为[1,+∞];或采用比值与1之差的绝对值作为差异度,则差异度的取值范围为[0,1]。
簇合并单元用于将所有簇之中的两个距离最近的簇合并,得到新簇。新簇为合成得到的新的聚类类别,包含多个样本轨迹的新簇与其他簇之间的距离采用平均距离来计算,也就是一个簇内包含的每个轨迹与另一个簇内包含的每个轨迹的平均距离。
聚类迭代单元用于使簇合并单元重复进行簇的合并,直到簇的数量下降到设定数量阈值,或直到剩余的簇中任意两个簇之间的距离均超出设定距离阈值,并将停止合并簇之后剩余的簇作为轨迹模板。假设样本轨迹共有N个,则重复地对距离最近的两个簇进行合并。
合并的终止条件可以包括:簇的数量下降到设定数量阈值。设定数量阈值M相当于最终得到的聚类类别,也就是得到的轨迹模板的个数。在合并了N-M次之后,得到M个具有非异常目标代表性的轨迹模板。
合并的终止条件也可以包括:剩余的簇中任意两个簇之间的距离均超出设定距离阈值。设定距离阈值反映了样本轨迹之间的差异度,若剩余的簇之间的差异度均较大,则说明剩余的簇均具有在一定特色性、独立性和代表性,因此无需再继续合并。
最终得到的轨迹模板可以是从簇内所有组成该簇的轨迹之中选择一条与簇内其他轨迹之间的平均距离最近的一条作为轨迹模板。
通过分析样本轨迹数据空间信息,将相似的数据聚集在一个类簇中,实现轨迹的聚类,从而发现社区内不同类型非异常人物的移动模式、兴趣区域的分布等,为可疑人物的判别提供了依据。
由于时间因素对人类日常移动轨迹也存在较大影响,不同类型的目标具有不同的作息规律、出行时间等,普通上班族通常都是早出晚归,而窃贼可能偏向于在夜晚行动,因此在一种实施方式中,相似度判断单元还依据不同簇的轨迹发生时间生成簇的时间系数,并将差异度与时间系数的运算结果作为不同簇之间的距离。
考虑了时间系数的两条样本轨迹的空间相似度变为了时空相似度ST(TRi,TRj),将时空相似度作为上述距离:
ST(TRi,TRj)=D(TRi,TRj)*T(TRi,TRj)
其中,T(TRi,TRj)为样本轨迹TRi和TRj之间的时间系数,也就是两者重叠时候的时间相似度。若由轨迹发生时间判断的出重叠于同一时间区间,则T(TRi,TRj)取值为1,若重叠部分的时间段之差越大,则取值越小,最小取值趋近于0。需要说明的是,时间段之差不以天计算,所有的样本轨迹均默认为在同一天发生,只考虑其发生的小时时段、分钟时段来判断时间段之差。
可以理解的是,可以调节时间系数的取值范围,也就是调节时间相似度所占的权重,来设置时间系数对时空相似度的影响程度。
通过加入了时间因素到距离计算过程中,使得模板的分类更加真实,进而使得异常目标的识别结果更加准确。
在一种实施方式中,轨迹模板建立模块还包括:样本轨迹生成单元,用于对获取到的样本轨迹点进行插值得到轨迹段,并将轨迹段进行连接得到样本轨迹。轨迹点模型可以表示为:
TRa={(ID1,X1,Y1,T1),…(IDi,Xi,Yi,Ti),…(IDn,Xn,Yn,Tn)}
其中,IDi是轨迹点的唯一标识,(Xi,Yi)是轨迹点在二维平面上的坐标,Ti是轨迹点记录的时刻,n是轨迹数量。
轨迹点模型还可以表示为:
TRb={(ID1,O1,D1,T1),…(IDj,Oj,Dj,Tj),…(IDm,Om,Dm,Tm)},
其中,IDj是轨迹点的唯一标识,Oj是人物的起始点坐标,Dj是人物的终点坐标,Tj是轨迹点记录的时刻,m是轨迹数量。
对两个轨迹点进行线性插值,得到前述轨迹段SubTr。
在一种实施方式中,所述轨迹模板建立模块还包括:增量更新单元用于将移动轨迹生成模块生成的被移动轨迹比对模块判断为不属于异常目标的移动轨迹加入到样本库中进行聚类处理,实现对簇的更新。以原先的聚类结果为基础继续对增量数据进行聚类分析处理,以此得到原来轨迹聚类的新的进化聚类。
下面参考图2详细描述本申请公开的智慧社区异常报警方法实施例。本实施例用于实施前述的智慧社区异常报警***实施例。如图2所示,本实施例公开的方法包括如下步骤:
步骤100,从社区内的各图像采集设备上传的图像中识别出人物目标;
步骤200,获取识别出的人物目标所在位置,从而生成该人物目标的轨迹点;
步骤300,将同一人物目标的轨迹点按照识别时间进行排序,生成该人物目标的移动轨迹;
步骤400,将人物目标的移动轨迹与预先建立的非异常轨迹模板进行比对,依据比对结果判断人物是否属于异常目标;
其中,若判定人物属于异常目标,则向安保监控端发送报警信息。
在一种实施方式中,步骤400中,将人物目标的移动轨迹与预先建立的非异常轨迹模板进行比对,依据比对结果判断人物是否属于异常目标,包括:
将人物目标的移动轨迹与预先建立的非异常轨迹模板进行相似度计算,并在移动轨迹与每个非异常轨迹模板的相似度均低于相似度阈值的情况下判定人物属于异常目标;或,
将一定时段内人物目标的移动轨迹所包含的轨迹点数量与预先建立的非异常轨迹模板预设的轨迹点上限阈值进行比较,并在移动轨迹包含的轨迹点数量超出非异常轨迹模板轨迹点上限阈值的情况下判定人物属于异常目标。
在一种实施方式中,该方法还包括:
步骤A,通过聚类的方式建立非异常轨迹模板;并且,
通过聚类的方式建立非异常轨迹模板包括:
步骤A1,将每个样本轨迹作为一个簇,计算不同簇之间的重叠部分与整条轨迹长度的比值,并算出与比值呈反比的差异度作为不同簇之间的距离;
步骤A2,将所有簇之中的两个距离最近的簇合并,得到新簇;
步骤A3,重复进行簇的合并,直到簇的数量下降到设定数量阈值,或直到剩余的簇中任意两个簇之间的距离均超出设定距离阈值,并将停止合并簇之后剩余的簇作为轨迹模板。
在一种实施方式中,步骤A1中,在算出距离之前,还依据不同簇的轨迹发生时间生成簇的时间系数,并将差异度与时间系数的运算结果作为不同簇之间的距离。
在一种实施方式中,步骤A中,通过聚类的方式建立非异常轨迹模板还包括:
对获取到的样本轨迹点进行插值得到轨迹段,并将轨迹段进行连接得到样本轨迹。
在一种实施方式中,步骤A1中,通过聚类的方式建立非异常轨迹模板还包括:
将生成的被判断为不属于异常目标的移动轨迹加入到样本库中进行聚类处理,实现对簇的更新。
在本文中,“第一”、“第二”等仅用于彼此的区分,而非表示它们的重要程度及顺序等。
本文中的模块、单元的划分仅仅是一种逻辑功能的划分,在实际实现时可以有其他的划分方式,例如多个模块和/或单元可以结合或集成于另一个***中。作为分离部件说明的模块、单元在物理上可以是分开的,也可以是不分开的。作为单元显示的部件可以是物理单元,也可以不是物理单元,即可以位于一个具体地方,也可以分布到网格单元中。因此可以根据实际需要选择其中的部分或全部的单元来实现实施例的方案。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于目标轨迹分析的智慧社区异常报警***,其特征在于,包括:
人物识别模块,用于从社区内的各图像采集设备上传的图像中识别出人物目标;
轨迹点生成模块,用于获取识别出的人物目标所在位置,从而生成该人物目标的轨迹点;
移动轨迹生成模块,用于将同一人物目标的轨迹点按照识别时间进行排序,生成该人物目标的移动轨迹;
移动轨迹比对模块,用于将人物目标的移动轨迹与预先建立的非异常轨迹模板进行比对,依据比对结果判断人物是否属于异常目标;
其中,若移动轨迹比对模块判定人物属于异常目标,则向安保监控端发送报警信息。
2.如权利要求1所述的***,其特征在于,所述移动轨迹比对模块包括:
第一比对单元,用于将人物目标的移动轨迹与预先建立的非异常轨迹模板进行相似度计算,并在移动轨迹与每个非异常轨迹模板的相似度均低于相似度阈值的情况下判定人物属于异常目标;和/或,
第二比对单元,用于将一定时段内人物目标的移动轨迹所包含的轨迹点数量与预先建立的非异常轨迹模板预设的轨迹点上限阈值进行比较,并在移动轨迹包含的轨迹点数量超出非异常轨迹模板轨迹点上限阈值的情况下判定人物属于异常目标。
3.如权利要求1所述的***,其特征在于,该***还包括:轨迹模板建立模块,用于通过聚类的方式建立所述非异常轨迹模板;所述轨迹模板建立模块包括:
相似度判断单元,用于将每个样本轨迹作为一个簇,计算不同簇之间的重叠部分与整条轨迹长度的比值,并算出与比值呈反比的差异度作为不同簇之间的距离;
簇合并单元,用于将所有簇之中的两个距离最近的簇合并,得到新簇;
聚类迭代单元,用于使所述簇合并单元重复进行簇的合并,直到簇的数量下降到设定数量阈值,或直到剩余的簇中任意两个簇之间的距离均超出设定距离阈值,并将停止合并簇之后剩余的簇作为轨迹模板。
4.如权利要求3所述的***,其特征在于,所述相似度判断单元还依据不同簇的轨迹发生时间生成簇的时间系数,并将所述差异度与时间系数的运算结果作为所述不同簇之间的距离。
5.如权利要求4所述的***,其特征在于,所述轨迹模板建立模块还包括:
增量更新单元,用于将所述移动轨迹生成模块生成的被所述移动轨迹比对模块判断为不属于异常目标的移动轨迹加入到样本库中进行聚类处理,实现对簇的更新。
6.一种基于目标轨迹分析的智慧社区异常报警方法,其特征在于,包括:
从社区内的各图像采集设备上传的图像中识别出人物目标;
获取识别出的人物目标所在位置,从而生成该人物目标的轨迹点;
将同一人物目标的轨迹点按照识别时间进行排序,生成该人物目标的移动轨迹;
将人物目标的移动轨迹与预先建立的非异常轨迹模板进行比对,依据比对结果判断人物是否属于异常目标;
其中,若判定人物属于异常目标,则向安保监控端发送报警信息。
7.如权利要求6所述的方法,其特征在于,所述将人物目标的移动轨迹与预先建立的非异常轨迹模板进行比对,依据比对结果判断人物是否属于异常目标,包括:
将人物目标的移动轨迹与预先建立的非异常轨迹模板进行相似度计算,并在移动轨迹与每个非异常轨迹模板的相似度均低于相似度阈值的情况下判定人物属于异常目标;或,
将一定时段内人物目标的移动轨迹所包含的轨迹点数量与预先建立的非异常轨迹模板预设的轨迹点上限阈值进行比较,并在移动轨迹包含的轨迹点数量超出非异常轨迹模板轨迹点上限阈值的情况下判定人物属于异常目标。
8.如权利要求6所述的方法,其特征在于,该方法还包括:
通过聚类的方式建立所述非异常轨迹模板;并且,
所述通过聚类的方式建立所述非异常轨迹模板包括:
将每个样本轨迹作为一个簇,计算不同簇之间的重叠部分与整条轨迹长度的比值,并算出与比值呈反比的差异度作为不同簇之间的距离;
将所有簇之中的两个距离最近的簇合并,得到新簇;
重复进行簇的合并,直到簇的数量下降到设定数量阈值,或直到剩余的簇中任意两个簇之间的距离均超出设定距离阈值,并将停止合并簇之后剩余的簇作为轨迹模板。
9.如权利要求8所述的方法,其特征在于,在算出所述距离之前,还依据不同簇的轨迹发生时间生成簇的时间系数,并将所述差异度与时间系数的运算结果作为所述不同簇之间的距离。
10.如权利要求8所述的方法,其特征在于,所述通过聚类的方式建立所述非异常轨迹模板还包括:
将生成的被判断为不属于异常目标的移动轨迹加入到样本库中进行聚类处理,实现对簇的更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910877621.0A CN110766895A (zh) | 2019-09-17 | 2019-09-17 | 基于目标轨迹分析的智慧社区异常报警***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910877621.0A CN110766895A (zh) | 2019-09-17 | 2019-09-17 | 基于目标轨迹分析的智慧社区异常报警***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110766895A true CN110766895A (zh) | 2020-02-07 |
Family
ID=69330647
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910877621.0A Pending CN110766895A (zh) | 2019-09-17 | 2019-09-17 | 基于目标轨迹分析的智慧社区异常报警***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110766895A (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111401161A (zh) * | 2020-03-04 | 2020-07-10 | 青岛海信网络科技股份有限公司 | 基于智能视频分析算法实现行为识别的智慧建筑管控*** |
CN111402459A (zh) * | 2020-02-24 | 2020-07-10 | 重庆特斯联智慧科技股份有限公司 | 一种具有社区综合管理功能的智能门禁***及其方法 |
CN111950937A (zh) * | 2020-09-01 | 2020-11-17 | 上海海事大学 | 一种基于融合时空轨迹的重点人员风险评估方法 |
CN112132048A (zh) * | 2020-09-24 | 2020-12-25 | 天津锋物科技有限公司 | 一种基于计算机视觉的社区巡更分析方法及*** |
CN112287778A (zh) * | 2020-10-16 | 2021-01-29 | 苏州万店掌网络科技有限公司 | 基于方向聚合的人流量分析方法及介质 |
CN112287890A (zh) * | 2020-11-23 | 2021-01-29 | 杭州海康威视数字技术股份有限公司 | 人员聚集检测方法、可读存储介质和电子设备 |
CN112380892A (zh) * | 2020-09-14 | 2021-02-19 | 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 |
CN112597976A (zh) * | 2021-03-02 | 2021-04-02 | 北京数字政通科技股份有限公司 | 一种目标对象的智能防控方法及智能防控*** |
CN113094503A (zh) * | 2021-03-23 | 2021-07-09 | 重庆特斯联智慧科技股份有限公司 | 一种基于多维数据聚类的社区安全监控方法和*** |
CN113112528A (zh) * | 2021-04-26 | 2021-07-13 | 中南财经政法大学 | 异常行为监控方法、装置、设备及存储介质 |
CN113221677A (zh) * | 2021-04-26 | 2021-08-06 | 阿波罗智联(北京)科技有限公司 | 一种轨迹异常检测方法、装置、路侧设备和云控平台 |
CN113689648A (zh) * | 2021-08-25 | 2021-11-23 | 深圳市润立方科技有限公司 | 一种基于物联网的智慧社区安防管理***及方法 |
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 |
CN114331662A (zh) * | 2022-03-11 | 2022-04-12 | 支付宝(杭州)信息技术有限公司 | 识别相同业务主体的方法及装置 |
CN114359976A (zh) * | 2022-03-18 | 2022-04-15 | 武汉北大高科软件股份有限公司 | 一种基于人物识别的智能安防方法与装置 |
CN114360185A (zh) * | 2022-01-14 | 2022-04-15 | 上海星杰装饰有限公司 | 一种别墅智能*** |
CN114419823A (zh) * | 2021-12-24 | 2022-04-29 | 珠海大横琴科技发展有限公司 | 一种访客管理方法和装置 |
CN115206094A (zh) * | 2022-06-27 | 2022-10-18 | 五邑大学 | 交通运输枢纽异常事件检测方法、检测***、存储介质 |
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 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593430A (zh) * | 2013-11-11 | 2014-02-19 | 胡宝清 | 一种基于移动对象时空信息轨迹分段聚类的方法 |
CN109684916A (zh) * | 2018-11-13 | 2019-04-26 | 恒睿(重庆)人工智能技术研究院有限公司 | 基于路径轨迹数据异常检测方法、***、设备及存储介质 |
-
2019
- 2019-09-17 CN CN201910877621.0A patent/CN110766895A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593430A (zh) * | 2013-11-11 | 2014-02-19 | 胡宝清 | 一种基于移动对象时空信息轨迹分段聚类的方法 |
CN109684916A (zh) * | 2018-11-13 | 2019-04-26 | 恒睿(重庆)人工智能技术研究院有限公司 | 基于路径轨迹数据异常检测方法、***、设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
LONG ZHAO .AL ETC: "Moving Target Positioning Based on a Distributed", 《MATHEMATICAL PROBLEMS IN ENGINEERING》 * |
仇功达 等: "异常轨迹数据预警与预测关键技术综述", 《***仿真学报》 * |
牟乃夏 等: "移动轨迹聚类方法研究综述", 《测绘通报》 * |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111402459A (zh) * | 2020-02-24 | 2020-07-10 | 重庆特斯联智慧科技股份有限公司 | 一种具有社区综合管理功能的智能门禁***及其方法 |
CN111401161A (zh) * | 2020-03-04 | 2020-07-10 | 青岛海信网络科技股份有限公司 | 基于智能视频分析算法实现行为识别的智慧建筑管控*** |
CN111950937A (zh) * | 2020-09-01 | 2020-11-17 | 上海海事大学 | 一种基于融合时空轨迹的重点人员风险评估方法 |
CN111950937B (zh) * | 2020-09-01 | 2023-12-01 | 上海海事大学 | 一种基于融合时空轨迹的重点人员风险评估方法 |
CN112380892A (zh) * | 2020-09-14 | 2021-02-19 | 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 |
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 |
CN112132048A (zh) * | 2020-09-24 | 2020-12-25 | 天津锋物科技有限公司 | 一种基于计算机视觉的社区巡更分析方法及*** |
CN112287778B (zh) * | 2020-10-16 | 2021-07-27 | 苏州万店掌网络科技有限公司 | 基于方向聚合的人流量分析方法及介质 |
CN112287778A (zh) * | 2020-10-16 | 2021-01-29 | 苏州万店掌网络科技有限公司 | 基于方向聚合的人流量分析方法及介质 |
CN112287890A (zh) * | 2020-11-23 | 2021-01-29 | 杭州海康威视数字技术股份有限公司 | 人员聚集检测方法、可读存储介质和电子设备 |
CN112287890B (zh) * | 2020-11-23 | 2023-08-04 | 杭州海康威视数字技术股份有限公司 | 人员聚集检测方法、可读存储介质和电子设备 |
CN112597976B (zh) * | 2021-03-02 | 2021-06-25 | 北京数字政通科技股份有限公司 | 一种目标对象的智能防控方法及智能防控*** |
CN112597976A (zh) * | 2021-03-02 | 2021-04-02 | 北京数字政通科技股份有限公司 | 一种目标对象的智能防控方法及智能防控*** |
CN113094503A (zh) * | 2021-03-23 | 2021-07-09 | 重庆特斯联智慧科技股份有限公司 | 一种基于多维数据聚类的社区安全监控方法和*** |
CN113221677A (zh) * | 2021-04-26 | 2021-08-06 | 阿波罗智联(北京)科技有限公司 | 一种轨迹异常检测方法、装置、路侧设备和云控平台 |
CN113221677B (zh) * | 2021-04-26 | 2024-04-16 | 阿波罗智联(北京)科技有限公司 | 一种轨迹异常检测方法、装置、路侧设备和云控平台 |
CN113112528A (zh) * | 2021-04-26 | 2021-07-13 | 中南财经政法大学 | 异常行为监控方法、装置、设备及存储介质 |
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 |
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 |
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 |
CN113689648B (zh) * | 2021-08-25 | 2022-10-18 | 深圳市润立方科技有限公司 | 一种基于物联网的智慧社区安防管理***及方法 |
CN113689648A (zh) * | 2021-08-25 | 2021-11-23 | 深圳市润立方科技有限公司 | 一种基于物联网的智慧社区安防管理***及方法 |
CN114419823A (zh) * | 2021-12-24 | 2022-04-29 | 珠海大横琴科技发展有限公司 | 一种访客管理方法和装置 |
CN114360185A (zh) * | 2022-01-14 | 2022-04-15 | 上海星杰装饰有限公司 | 一种别墅智能*** |
CN114331662A (zh) * | 2022-03-11 | 2022-04-12 | 支付宝(杭州)信息技术有限公司 | 识别相同业务主体的方法及装置 |
CN114359976B (zh) * | 2022-03-18 | 2022-06-14 | 武汉北大高科软件股份有限公司 | 一种基于人物识别的智能安防方法与装置 |
CN114359976A (zh) * | 2022-03-18 | 2022-04-15 | 武汉北大高科软件股份有限公司 | 一种基于人物识别的智能安防方法与装置 |
CN115206094A (zh) * | 2022-06-27 | 2022-10-18 | 五邑大学 | 交通运输枢纽异常事件检测方法、检测***、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110766895A (zh) | 基于目标轨迹分析的智慧社区异常报警***及方法 | |
US10812761B2 (en) | Complex hardware-based system for video surveillance tracking | |
JP6905850B2 (ja) | 画像処理システム、撮像装置、学習モデル作成方法、情報処理装置 | |
EP1435170B1 (en) | Video tripwire | |
US10346688B2 (en) | Congestion-state-monitoring system | |
EP2274654B1 (en) | Method for controlling an alarm management system | |
CA2545535C (en) | Video tripwire | |
KR102152318B1 (ko) | 객체의 이동경로를 추적할 수 있는 추적시스템 | |
EP2113846B1 (en) | Behavior history searching device and behavior history searching method | |
CN110222640A (zh) | 监控场所中嫌疑人的识别方法、装置、方法和存储介质 | |
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 | |
US7295106B1 (en) | Systems and methods for classifying objects within a monitored zone using multiple surveillance devices | |
CN108710827A (zh) | 一种社区微警务巡查和信息自动分析***及方法 | |
Morellas et al. | DETER: Detection of events for threat evaluation and recognition | |
CN114329106A (zh) | 用于社区的大数据分析***及方法 | |
Fabbri et al. | Inter-homines: Distance-based risk estimation for human safety | |
CN112330742A (zh) | 公共区域重点人员活动路线记录方法及装置 | |
US11893714B2 (en) | Precipitation removal from video | |
Oktavianto et al. | Image-based intelligent attendance logging system | |
Ho et al. | Public space behavior modeling with video and sensor analytics | |
CN118097198B (zh) | 一种基于人工智能的自动着装合规性管控***及方法 | |
Gorodnichy | Ace surveillance: The next generation surveillance for long-term monitoring and activity summarization | |
CN114519532A (zh) | 基于机器视觉的人员状态检测方法及相关装置 | |
CN116863399A (zh) | 一种基于人工智能的网络安全监控***及方法 | |
Lim et al. | Context-Aware Based Intelligent Surveillance System for Adaptive Alarm Services |
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: 20200207 |