CN111263114B - 异常事件报警方法和装置 - Google Patents
异常事件报警方法和装置 Download PDFInfo
- Publication number
- CN111263114B CN111263114B CN202010093135.2A CN202010093135A CN111263114B CN 111263114 B CN111263114 B CN 111263114B CN 202010093135 A CN202010093135 A CN 202010093135A CN 111263114 B CN111263114 B CN 111263114B
- Authority
- CN
- China
- Prior art keywords
- image
- target
- abnormal event
- person
- shooting
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- 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
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- 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
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/174—Facial expression recognition
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Emergency Management (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- Social Psychology (AREA)
- Psychiatry (AREA)
- General Engineering & Computer Science (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Alarm Systems (AREA)
Abstract
本申请实施例公开了异常事件报警方法和装置。该方法的一具体实施方式包括:获取第一摄像头对目标场所内的目标人员进行拍摄所得到的第一图像;对第一图像进行图像处理,确定目标场所内是否发生异常事件;若发生异常事件,基于所发生的异常事件发送报警指令。该实施方式通过对目标场所内的目标人员的图像进行图像处理来确定目标场所内是否发生异常事件,能够实时监控目标场所内的情况,及时发现异常事件。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及异常事件报警方法和装置。
背景技术
随着社会、经济和文化事业的发展,大型活动越来越多,如大型学术会议、大型展览会、大型运动会等。大型活动一般具有活动时间长,参与人数多,活动场地大,活动临时性强等特点。因此,大型活动的安保问题尤为重要。最近,大型活动中出现异常事件的情况频频发生,这也使得安防问题更加凸显。
通常,在大型活动的场所中都会有视频监控。在活动期间,相关的监控人员全程紧盯视频监控屏幕,通过肉眼发现异常事件。
发明内容
本申请实施例提出了异常事件报警方法和装置。
第一方面,本申请实施例提出了一种异常事件报警方法,包括:获取第一摄像头对目标场所内的目标人员进行拍摄所得到的第一图像;对第一图像进行图像处理,确定目标场所内是否发生异常事件;若发生异常事件,基于所发生的异常事件发送报警指令。
在一些实施例中,对第一图像进行图像处理,确定目标场所内是否发生异常事件,包括:利用目标检测模型对第一图像进行目标检测,确定第一图像中存在物品异常事件的类别和置信度;和/或利用行为识别模型从第一图像中提取时空特征,以及基于时空特征识别第一图像中存在行为异常事件的类别和置信度;和/或利用表情识别模型对第一图像进行表情识别,确定目标人员的表情,以及基于目标人员的表情,确定目标场所内发生异常事件的类别、置信度和位置。
在一些实施例中,对第一图像进行图像处理,确定目标场所内是否发生异常事件,还包括:若所发生的异常事件的置信度低于预设置信度阈值,向第一摄像头发送重新拍摄指令,其中,重新拍摄指令是近景拍摄指令或多角度拍摄指令;获取第一摄像头对目标人员进行重新拍摄所得到的第三图像;对第三图像进行图像处理,确定目标场所内是否发生异常事件。
在一些实施例中,在获取第一摄像头对目标人员进行重新拍摄所得到的第三图像之后,还包括:若重新拍摄指令是多角度拍摄指令,对多角度的第三图像进行图像融合。
在一些实施例中,基于所发生的异常事件发送报警指令,包括:利用文本分类模型对所发生的异常事件进行文本分类,确定所发生的异常事件的等级;基于所发生的异常事件的等级发送报警指令。
在一些实施例中,在获取第一摄像头对目标场所内的目标人员进行拍摄所得到的第一图像之前,还包括:获取第二摄像头对进入目标场所的人员进行拍摄所得到的第二图像;从第二图像中提取人员的特征;将人员的特征在预先存储的参与人员信息集合中匹配,其中,参与人员信息集合中的参与人员信息包括参与人员的特征和信息;若匹配成功,从匹配成功的参与人员中确定目标人员;若匹配失败,发送报警指令。
在一些实施例中,从匹配成功的参与人员中确定目标人员,包括:若匹配成功的参与人员的信息中包括历史异常事件信息,将匹配成功的参会人员确定为目标人员。
在一些实施例中,在对第一图像进行图像处理,确定目标场所内是否发生异常事件之前,还包括:对第一图像进行图像预处理,其中,图像预处理包括图像增强、图像融合中的至少一者。
在一些实施例中,该方法还包括:利用目标追踪模型对所发生的异常事件对应的目标人员进行追踪,确定所发生的异常事件对应的目标人员的运动轨迹。
第二方面,本申请实施例提出了一种异常事件报警装置,包括:第一获取单元,被配置成获取第一摄像头对目标场所内的目标人员进行拍摄所得到的第一图像;处理单元,被配置成对第一图像进行图像处理,确定目标场所内是否发生异常事件;第一报警单元,被配置成若发生异常事件,基于所发生的异常事件发送报警指令。
在一些实施例中,处理单元包括:目标检测子单元,被配置成利用目标检测模型对第一图像进行目标检测,确定第一图像中存在物品异常事件的类别和置信度;和/或行为识别子单元,被配置成利用行为识别模型从第一图像中提取时空特征,以及基于时空特征识别第一图像中存在行为异常事件的类别和置信度;和/或表情识别子单元,被配置成利用表情识别模型对第一图像进行表情识别,确定目标人员的表情,以及基于目标人员的表情,确定目标场所内发生异常事件的类别、置信度和位置。
在一些实施例中,处理单元还包括:发送子单元,被配置成若所发生的异常事件的置信度低于预设置信度阈值,向第一摄像头发送重新拍摄指令,其中,重新拍摄指令是近景拍摄指令或多角度拍摄指令;获取子单元,被配置成获取第一摄像头对目标人员进行重新拍摄所得到的第三图像;处理子单元,被配置成对第三图像进行图像处理,确定目标场所内是否发生异常事件。
在一些实施例中,处理单元还包括:融合子单元,被配置成若重新拍摄指令是多角度拍摄指令,对多角度的第三图像进行图像融合。
在一些实施例中,报警单元包括:分类子单元,被配置成利用文本分类模型对所发生的异常事件进行文本分类,确定所发生的异常事件的等级;报警子单元,被配置成基于所发生的异常事件的等级发送报警指令。
在一些实施例中,该装置还包括:第二获取单元,被配置成获取第二摄像头对进入目标场所的人员进行拍摄所得到的第二图像;提取单元,被配置成从第二图像中提取人员的特征;匹配单元,被配置成将人员的特征在预先存储的参与人员信息集合中匹配,其中,参与人员信息集合中的参与人员信息包括参与人员的特征和信息;确定单元,被配置成若匹配成功,从匹配成功的参与人员中确定目标人员;第二报警单元,被配置成若匹配失败,发送报警指令。
在一些实施例中,确定单元进一步被配置成:若匹配成功的参与人员的信息中包括历史异常事件信息,将匹配成功的参会人员确定为目标人员。
在一些实施例中,该装置还包括:预处理单元,被配置成对第一图像进行图像预处理,其中,图像预处理包括图像增强、图像融合中的至少一者。
在一些实施例中,该装置还包括:追踪单元,被配置成利用目标追踪模型对所发生的异常事件对应的目标人员进行追踪,确定所发生的异常事件对应的目标人员的运动轨迹。
第三方面,本申请实施例提供了一种电子设备,该电子设备包括:一个或多个处理器;存储装置,其上存储有一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本申请实施例提供了一种计算机可读介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请实施例提供的异常事件报警方法和装置,首先获取第一摄像头对目标场所内的目标人员进行拍摄所得到的第一图像;然后对第一图像进行图像处理,确定目标场所内是否发生异常事件;最后若发生异常事件,基于所发生的异常事件发送报警指令。通过对目标场所内的目标人员的图像进行图像处理来确定目标场所内是否发生异常事件,能够实时监控目标场所内的情况,及时发现异常事件。并且,整个过程无需人工参与,大大降低了人工成本。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请可以应用于其中的示例性***架构;
图2是根据本申请的异常事件报警方法的一个实施例的流程图;
图3是根据本申请的异常事件报警方法的又一个实施例的流程图;
图4是异常事件报警***的结构示意图;
图5是根据本申请的异常事件报警装置的一个实施例的结构示意图;
图6是适于用来实现本申请实施例的电子设备的计算机***的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的异常事件报警方法或异常事件报警装置的实施例的示例性***架构100。
如图1所示,***架构100中可以包括摄像头101、102、103,网络104和服务器105。网络104用以在摄像头101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
摄像头101、102、103可以分布在目标场所的多个角落,用于对目标场所进行全方位拍摄。
服务器105可以提供各种服务。例如服务器105可以对从摄像头101、102、103获取到的第一图像等数据进行分析等处理,并基于处理结果确定是否发送报警指令。
需要说明的是,服务器105可以是硬件,也可以是软件。当服务器105为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器105为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本申请实施例所提供的异常事件报警方法一般由服务器105执行,相应地,异常事件报警装置一般设置于服务器105中。
应该理解,图1中的摄像头、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的摄像头、网络和服务器。
继续参考图2,其示出了根据本申请的异常事件报警方法的一个实施例的流程200。该异常事件报警方法包括以下步骤:
步骤201,获取第一摄像头对目标场所内的目标人员进行拍摄所得到的第一图像。
在本实施例中,异常事件报警方法的执行主体(例如图1所示的服务器105)可以获取第一摄像头(例如图1所示的摄像头101、102、103)对目标场所内的目标人员进行拍摄所得到的第一图像。
通常,目标场所可以是大型活动的场所,包括室内场所和/或室外场所。目标人员可以是进入到目标场所内的人员,例如大型活动的参与人员。第一摄像头可以分布在目标场所的多个角落,用于对目标场所进行全方位拍摄,以监控目标人员的举动和目标场所的安全情况。第一图像可以是第一摄像头在目标人员进入目标场所后拍摄到的图像或视频中的视频帧。
步骤202,对第一图像进行图像处理,确定目标场所内是否发生异常事件。
在本实施例中,上述执行主体可以对第一图像进行图像处理,以确定目标场所内是否发生异常事件。具体地,上述执行主体可以对第一图像进行检测或识别,以确定第一图像中是否存在异常事件。其中,异常事件可以包括但不限于目标人员携带违禁物品事件、目标人员携带物品丢失事件、目标人员争吵事件、目标人员疾病发作事件、目标场所失火事件等等。
步骤203,若发生异常事件,基于所发生的异常事件发送报警指令。
在本实施例中,若发生异常事件,上述执行主体可以基于所发生的异常事件发送报警指令。例如,若发生异常事件,上述执行主体可以向相关负责人员的终端设备发送报警信息,以提示相关负责人员及时对异常事件进行处理。又例如,若发生异常事件,上述执行主体可以向目标场所内的报警器发送报警指令,以使报警器以声音、光、气压等形式来提醒或警示目标人员采取相应行动。
本申请实施例提供的异常事件报警方法,首先获取第一摄像头对目标场所内的目标人员进行拍摄所得到的第一图像;然后对第一图像进行图像处理,确定目标场所内是否发生异常事件;最后若发生异常事件,基于所发生的异常事件发送报警指令。通过对目标场所内的目标人员的图像进行图像处理来确定目标场所内是否发生异常事件,能够实时监控目标场所内的情况,及时发现异常事件。并且,整个过程无需人工参与,大大降低了人工成本。
进一步参考图3,其示出了根据本申请的异常事件报警方法的又一个实施例的流程300。该异常事件报警方法包括以下步骤:
步骤301,获取第二摄像头对进入目标场所的人员进行拍摄所得到的第二图像。
在本实施例中,异常事件报警方法的执行主体(例如图1所示的服务器105)可以获取第二摄像头对进入目标场所的人员进行拍摄所得到的第二图像。
通常,第二摄像头可以分布在目标场所的入口处,用于对进入目标场所的人员进行拍摄。第二图像可以是第二摄像头在人员进入目标场所时拍摄到的图像或视频中的视频帧。
步骤302,从第二图像中提取人员的特征。
在本实施例中,上述执行主体可以从第二图像中提取人员的特征。通常,第二图像中可以包括进入目标场所的人员的脸部区域。因此,上述执行主体可以从第二图像中提取人员的脸部特征。
步骤303,确定人员的特征在预先存储的参与人员信息集合中是否匹配成功。
在本实施例中,上述执行主体可以将人员的特征在预先存储的参与人员信息集合中匹配,以得到匹配结果。其中,参与人员信息集合中的参与人员信息可以包括参与人员的特征和信息。参与人员可以是大型活动的参与人员。参与人员的信息可以包括但不限于参与人员的身份信息、历史活动参与信息等等。上述执行主体可以将人员的特征与每个参与人员信息中的特征逐一进行匹配,若匹配成功,说明该进入目标场所的人员是本次大型活动的参与人员,执行步骤304;若匹配失败,说明该进入目标场所的人员不是本次大型活动的参与人员,执行步骤305。
步骤304,从匹配成功的参与人员中确定目标人员。
在本实施例中,若匹配成功,上述执行主体可以从匹配成功的参与人员中确定目标人员。例如,上述执行主体可以直接将匹配成功的参与人员全部确定为目标人员。又例如,若匹配成功的参与人员的信息中包括历史异常事件信息,上述执行主体将匹配成功的参会人员确定为目标人员。
此外,第二图像中还可以包括进入目标场所的人员的身体区域。因此,上述执行主体还可以从第二图像中确定目标人员携带的物品,并将目标人员携带的物品与目标人员绑定。其中,目标人员携带的物品可以包括但不限于手机、电脑、背包等等。
步骤305,发送报警指令。
在本实施例中,若匹配失败,上述执行主体可以发送报警指令。通常,若匹配失败,说明发生非参与人员进入目标场所的事件,此时,上述执行主体可以发送报警指令进行提示。例如,上述执行主体可以向相关安保人员的终端设备发送报警信息,或者向目标场所的入口处的报警器发送报警指令。随后,相关安保人员可以对该进入目标场所的人员的身份进行人工核验,以确定是否允许进入会场。
步骤306获取第一摄像头对目标场所内的目标人员进行拍摄所得到的第一图像。
在本实施例中,步骤306的具体操作已在图2所示的实施例中步骤201中进行了详细的介绍,在此不再赘述。
步骤307,对第一图像进行图像预处理。
在本实施例中,上述执行主体可以对第一图像进行图像预处理。其中,图像预处理可以包括但不限于图像增强、图像融合中的至少一者。
通常,第一摄像头拍摄的第一图像可能不是非常清晰,另外,由于第一图像是多个第一摄像头多角度拍摄的,因此需要进行图像预处理。其中,图像预处理可以包括但不限于图像增强、图像融合中的至少一者。
图像增强主要是增加图像的对比度。由于光线原因,第一摄像头拍摄到的第一图像的色度可能较低,对比度不强。此时,上述执行主体可以利用Opencv图像增强算法来提高图像的对比度。需要说明的是,图像增强可以应用于第一摄像头拍摄到的每一帧第一图像。
图像融合主要是将多角度图像融合成一张图像。由于单一摄像头容易出现遮挡的情况,需要多个第一摄像头进行多角度拍摄。此时,上述执行主体可以利用多图融合算法PVNet对多个角度的第一图像进行融合。其中,PVNet利用了点云与多视角图像特征学习网络,并基于嵌入注意力机制进行图像融合。点云应用的分支网络为DGCNN,多视角图像应用的分支网络为MVCNN。需要说明的是,图像融合通常仅在发现异常事件时应用,通过图像融合能够全方位地展现异常事件。
步骤308,利用目标检测模型对第一图像进行目标检测,确定第一图像中存在物品异常事件的类别和置信度。
在本实施例中,上述执行主体可以利用目标检测模型对第一图像进行目标检测,确定第一图像中存在物品异常事件的类别和置信度。其中,物品异常事件可以包括但不限于目标人员携带危险物品事件、目标人员携带物品被盗事件等等。
通常,目标检测模型可以是Yolo。Yolo的优势在于速度快,因此能够非常快速地捕捉到关注点。Yolo可以将全图划分为多个格子,然后对每个格子进行目标检测。Yolo能够一次性预测所有格子是否包含物品异常事件,以及物品异常事件的类别和置信度,因此检测速度非常快。
Yolo能够快速地定位到目标场所内的目标人员所在的位置以及所携带的物品。因此,Yolo可以检测目标人员是否携带违禁物品(如刀具、打火机等),或者携带物品是否丢失。
步骤309,利用行为识别模型从第一图像中提取时空特征,以及基于时空特征识别第一图像中存在行为异常事件的类别和置信度。
在本实施例中,上述执行主体可以利用行为识别模型从第一图像中提取时空特征,以及基于时空特征识别第一图像中存在行为异常事件的类别和置信度。其中,行为异常事件可以包括但不限于目标人员争吵事件、目标人员疾病发作事件等。
通常,行为识别模型可以是C3D。C3D主要从视频数据中提取时空特征,以进行动作识别。C3D可以包括多个3D特征提取器。这些3D特征提取器在空间和时间维度上捕捉视频数据中的运动信息,随后C3D可以从相邻视频帧生成多个信息信道,并在每个信息信道中分别执行卷积和子采样,最后通过组合所有信息信道的信息获得最终的特征标识,以识别目标人员的行为。通过行为识别能够实时地监控目标人员是否存在异常行为。
步骤310,利用表情识别模型对第一图像进行表情识别,确定目标人员的表情,以及基于目标人员的表情,确定目标场所内发生异常事件的类别、置信度和位置。
在本实施例中,上述执行主体可以利用表情识别模型对第一图像进行表情识别,确定目标人员的表情,以及基于目标人员的表情,确定目标场所内发生异常事件的类别、置信度和位置。
通常,表情识别模型可以是VGG和Resnet。这两个模型可以很好地识别目标人员的表情。由于目标场所内发生异常事件时,第一时间发现异常事件的往往是目标场所内的目标人员。因此,通过分析目标人员的表情以及眼神方向,能够及时发现异常事件以及异常事件所在的位置。
需要说明的是,上述执行主体可以执行步骤308-310中的至少部分步骤。例如,上述执行主体可以并行执行步骤308-310中的全部步骤,也可以仅执行步骤308-310中的任意一个或两个步骤。
步骤311,若所发生的异常事件的置信度低于预设置信度阈值,向第一摄像头发送重新拍摄指令。
在本实施例中,若所发生的异常事件的置信度低于预设置信度阈值,上述执行主体可以向第一摄像头发送重新拍摄指令。其中,重新拍摄指令可以是近景拍摄指令或多角度拍摄指令。若重新拍摄指令是近景拍摄指令,第一摄像头可以根据需求变换远近景和转换拍摄方向重新进行拍摄,以得到放大的第三图像。若重新拍摄指令是多角度拍摄指令,第一摄像头可以根据需求进行多角度拍摄,以得到多角度的第三图像。
步骤312,获取第一摄像头对目标人员进行重新拍摄所得到的第三图像。
在本实施例中,上述执行主体可以获取第一摄像头对目标人员进行重新拍摄所得到的第三图像。
在本实施例的一些可选的实现方式中,若重新拍摄指令是多角度拍摄指令,上述执行主体还需要对多角度的第三图像进行图像融合。
步骤313,对第三图像进行图像处理,确定目标场所内是否发生异常事件。
在本实施例中,上述执行主体可以对第三图像进行图像处理,确定目标场所内是否发生异常事件。也就是说,上述执行主体可以对第三图像进行目标检测、行为识别或表情识别。
步骤314,若发生异常事件,利用文本分类模型对所发生的异常事件进行文本分类,确定所发生的异常事件的等级。
在本实施例中,若发生异常事件,上述执行主体可以利用文本分类模型对所发生的异常事件进行文本分类,确定所发生的异常事件的等级。
通常,文本分类模型可以是ERINE。ERINE是目前自然语言处理中较为出色的模型。ERINE可以根据所发生的异常事件的类别确定异常事件的等级。例如,根据异常事件的紧急程度可以从高到低划分为A、B、C、D、E五个等级。其中,目标人员携带物品丢失事件对应E等级;目标人员争吵事件对应D等级;目标人员携带违禁物品事件对应C等级;目标人员疾病发作事件对应B等级;目标场所失火事件对应A等级。
步骤315,基于所发生的异常事件的等级发送报警指令。
在本实施例中,上述执行主体可以基于所发生的异常事件的等级发送报警指令。例如,对于目标人员携带物品丢失事件对应的E等级,上述执行主体可以向该目标人员的终端设备发送物品丢失提示信息。如果该目标人员仅是将该物品外借,就忽略此信息。若该目标人员确认物品丢失,可以通过终端设备向上述执行主体发送追踪请求。上述执行主体可以向相关安保人员的终端设备发送物品丢失处理信息,以提示相关安保人员及时对物品丢失事件进行追踪处理。对于目标人员争吵事件对应的D等级,上述执行主体可以向报警器发送语音提示指令。报警器可以通过语音提示目标人员注意会场秩序。此外,上述执行主体还可以向相关安保人员的终端设备发送人员争吵处理信息,以提示相关安保人员及时对人员争吵事件进行干预处理。对于目标人员携带违禁物品事件对应的C等级,上述执行主体可以向相关安保人员的终端设备发送物品违禁处理信息,以提示相关安保人员及时对物品违禁事件进行追踪处理。此外,上述执行主体还可以向报警器发送语音报警指令。报警器可以播报危险预警信号。对于目标人员疾病发作事件对应的B等级,上述执行主体可以向报警器发送语音提示指令。报警器可以通过语音提示目标人员疾病发作。此外,上述执行主体还可以向相关医护人员的终端设备发送疾病发作处理信息,以提示相关医护人员及时对人员疾病发作事件进行救护处理。对于目标场所失火事件对应的A等级,上述执行主体可以向报警器发送语音报警指令。报警器可以播报危险预警信号。此外,上述执行主体还可以显示屏发送文字报警指令。显示屏可以提示安全撤离。另外,上述执行主体还可以向相关消防人员的终端设备发送场所失火处理信息,以提示相关消防人员及时对场所失火事件进行灭火处理。
步骤316,利用目标追踪模型对所发生的异常事件对应的目标人员进行追踪,确定所发生的异常事件对应的目标人员的运动轨迹。
在本实施例中,上述执行主体可以利用目标追踪模型对所发生的异常事件对应的目标人员进行追踪,确定所发生的异常事件对应的目标人员的运动轨迹。
通常,异常事件对应的目标人员在制造异常事件之后,往往会以极快的速度混入人群中。目标追踪模型能够锁定相关的目标人员,然后持续跟踪,协助相关负责人员追踪,直至捕获。对于单目标人员追踪,目标追踪模型可以是SiamRPN++,对于多目标人员追踪,目标追踪模型可以是YOLOV3+Deep_Sort。SiamRPN++是目前效果较好的目标追踪模型,在追踪目标时,算法检测框非常稳定,不会抖动,能够很好地锁定单一目标人员。YOLOV3+Deep_Sort既对不同目标人员进行区分,又对同一目标人员不同时间进行区分,因此能够完成多目标人员追踪。并且,通过对轨迹特征的自动分析和提取,不能够更加准确地追踪多个目标人员。
在本实施例的一些可选的实现方式中,若发生异常事件,上述执行主体可以将异常事件对应的目标人员的第一图像存储在参与人员信息集合中,以便于后续随时查证。
进一步参考图4,其示出了异常事件报警***的结构示意图。如图4所示,异常事件报警***可以包括图像收集与预处理、图像处理、目标追踪、分级报警和信息库五个部分。其中,图像收集与预处理可以包括进场图像收集、场内图像收集和图像预处理三个部分。在收集到进场图像之后,可以在信息库中进行匹配,以确定是否发生非参与人员进入目标场所的事件。图像处理可以包括目标检测、行为识别和表情识别三个部分,用于确定目标场所内是否发生异常事件。在目标场所内发生异常事件的情况下,进行分级报警。目标追踪可以包括目标锁定、单目标追踪和多目标追踪三个部分,用于对异常事件对应的目标人员进行追踪。
从图3中可以看出,与图2对应的实施例相比,本实施例中的异常事件报警方法的流程300突出了图像处理和分级报警的步骤。由此,本实施例描述的方案结合目标检测、行为识别和表情识别等人工智能技术,提高了发现异常事件的准确度。此外,基于异常事件的等级发送报警指令,有助于合理安排人力处理相应的异常事件。
进一步参考图5,作为对上述各图所示的方法的实现,本申请提供了一种异常事件报警装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的异常事件报警装置500可以包括:第一获取单元501、处理单元502和第一报警单元503。其中,第一获取单元501,被配置成获取第一摄像头对目标场所内的目标人员进行拍摄所得到的第一图像;处理单元502,被配置成对第一图像进行图像处理,确定目标场所内是否发生异常事件;第一报警单元503,被配置成若发生异常事件,基于所发生的异常事件发送报警指令。
在本实施例中,异常事件报警装置500中:第一获取单元501、处理单元502和第一报警单元503的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-203的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,处理单元502包括:目标检测子单元(图中未示出),被配置成利用目标检测模型对第一图像进行目标检测,确定第一图像中存在物品异常事件的类别和置信度;和/或行为识别子单元(图中未示出),被配置成利用行为识别模型从第一图像中提取时空特征,以及基于时空特征识别第一图像中存在行为异常事件的类别和置信度;和/或表情识别子单元(图中未示出),被配置成利用表情识别模型对第一图像进行表情识别,确定目标人员的表情,以及基于目标人员的表情,确定目标场所内发生异常事件的类别、置信度和位置。
在本实施例的一些可选的实现方式中,处理单元502还包括:发送子单元(图中未示出),被配置成若所发生的异常事件的置信度低于预设置信度阈值,向第一摄像头发送重新拍摄指令,其中,重新拍摄指令是近景拍摄指令或多角度拍摄指令;获取子单元(图中未示出),被配置成获取第一摄像头对目标人员进行重新拍摄所得到的第三图像;处理子单元(图中未示出),被配置成对第三图像进行图像处理,确定目标场所内是否发生异常事件。
在本实施例的一些可选的实现方式中,处理单元502还包括:融合子单元(图中未示出),被配置成若重新拍摄指令是多角度拍摄指令,对多角度的第三图像进行图像融合。
在本实施例的一些可选的实现方式中,报警单元503包括:分类子单元(图中未示出),被配置成利用文本分类模型对所发生的异常事件进行文本分类,确定所发生的异常事件的等级;报警子单元(图中未示出),被配置成基于所发生的异常事件的等级发送报警指令。
在本实施例的一些可选的实现方式中,异常事件报警装置500还包括:第二获取单元(图中未示出),被配置成获取第二摄像头对进入目标场所的人员进行拍摄所得到的第二图像;提取单元(图中未示出),被配置成从第二图像中提取人员的特征;匹配单元(图中未示出),被配置成将人员的特征在预先存储的参与人员信息集合中匹配,其中,参与人员信息集合中的参与人员信息包括参与人员的特征和信息;确定单元(图中未示出),被配置成若匹配成功,从匹配成功的参与人员中确定目标人员;第二报警单元(图中未示出),被配置成若匹配失败,发送报警指令。
在本实施例的一些可选的实现方式中,确定单元进一步被配置成:若匹配成功的参与人员的信息中包括历史异常事件信息,将匹配成功的参会人员确定为目标人员。
在本实施例的一些可选的实现方式中,异常事件报警装置500还包括:预处理单元(图中未示出),被配置成对第一图像进行图像预处理,其中,图像预处理包括图像增强、图像融合中的至少一者。
在本实施例的一些可选的实现方式中,异常事件报警装置500还包括:追踪单元(图中未示出),被配置成利用目标追踪模型对所发生的异常事件对应的目标人员进行追踪,确定所发生的异常事件对应的目标人员的运动轨迹。
下面参考图6,其示出了适于用来实现本申请实施例的电子设备(例如图1所示的服务器105)的计算机***600的结构示意图。图6示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,计算机***600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有***600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本申请的方法中限定的上述功能。
需要说明的是,本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,所述程序设计语言包括面向目标的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或电子设备上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括第一获取单元、处理单元和第一报警单元。其中,这些单元的名称在种情况下并不构成对该单元本身的限定,例如,第一获取单元还可以被描述为“获取第一摄像头对目标场所内的目标人员进行拍摄所得到的第一图像的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取第一摄像头对目标场所内的目标人员进行拍摄所得到的第一图像;对第一图像进行图像处理,确定目标场所内是否发生异常事件;若发生异常事件,基于所发生的异常事件发送报警指令。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (18)
1.一种异常事件报警方法,包括:
获取第一摄像头对目标场所内的目标人员进行拍摄所得到的第一图像;
对所述第一图像进行图像处理,确定所述目标场所内是否发生异常事件;
若发生异常事件,基于所发生的异常事件发送报警指令;
其中,所述对所述第一图像进行图像处理,确定所述目标场所内是否发生异常事件,包括:
利用行为识别模型从所述第一图像中提取时空特征,以及基于所述时空特征识别所述第一图像中存在行为异常事件的类别和置信度;其中,所述异常事件包括目标人员携带物品被盗事件;
在所述获取第一摄像头对目标场所内的目标人员进行拍摄所得到的第一图像之前,还包括:
获取第二摄像头对进入所述目标场所的人员进行拍摄所得到的第二图像;
从所述第二图像中提取所述人员的特征;
将所述人员的特征在预先存储的参与人员信息集合中匹配,其中,所述参与人员信息集合中的参与人员信息包括参与人员的特征和信息,所述参与人员的信息包括历史活动参与信息;
若匹配成功,从匹配成功的参与人员中确定目标人员,将所述目标人员携带的物品与所述目标人员绑定;
其中,所述从匹配成功的参与人员中确定目标人员,包括:
若所述匹配成功的参与人员的信息中包括历史异常事件信息,将所述匹配成功的参会人员确定为目标人员。
2.根据权利要求1所述的方法,其中,所述对所述第一图像进行图像处理,确定所述目标场所内是否发生异常事件,还包括:
利用目标检测模型对所述第一图像进行目标检测,确定所述第一图像中存在物品异常事件的类别和置信度;和/或
利用表情识别模型对所述第一图像进行表情识别,确定所述目标人员的表情,以及基于所述目标人员的表情,确定所述目标场所内发生异常事件的类别、置信度和位置。
3.根据权利要求2所述的方法,其中,所述对所述第一图像进行图像处理,确定所述目标场所内是否发生异常事件,还包括:
若所发生的异常事件的置信度低于预设置信度阈值,向所述第一摄像头发送重新拍摄指令,其中,所述重新拍摄指令是近景拍摄指令或多角度拍摄指令;
获取所述第一摄像头对所述目标人员进行重新拍摄所得到的第三图像;
对所述第三图像进行图像处理,确定所述目标场所内是否发生异常事件。
4.根据权利要求3所述的方法,其中,在所述获取所述第一摄像头对所述目标人员进行重新拍摄所得到的第三图像之后,还包括:
若所述重新拍摄指令是所述多角度拍摄指令,对多角度的所述第三图像进行图像融合。
5.根据权利要求1所述的方法,其中,所述基于所发生的异常事件发送报警指令,包括:
利用文本分类模型对所发生的异常事件进行文本分类,确定所发生的异常事件的等级;
基于所发生的异常事件的等级发送报警指令。
6.根据权利要求1-5之一所述的方法,其中,所述方法还包括:
若匹配失败,发送报警指令。
7.根据权利要求1-5之一所述的方法,其中,在所述对所述第一图像进行图像处理,确定所述目标场所内是否发生异常事件之前,还包括:
对所述第一图像进行图像预处理,其中,所述图像预处理包括图像增强、图像融合中的至少一者。
8.根据权利要求1-5之一所述的方法,其中,所述方法还包括:
利用目标追踪模型对所发生的异常事件对应的目标人员进行追踪,确定所发生的异常事件对应的目标人员的运动轨迹。
9.一种异常事件报警装置,包括:
第一获取单元,被配置成获取第一摄像头对目标场所内的目标人员进行拍摄所得到的第一图像;
处理单元,被配置成对所述第一图像进行图像处理,确定所述目标场所内是否发生异常事件;
第一报警单元,被配置成若发生异常事件,基于所发生的异常事件发送报警指令;
其中,所述处理单元包括:
行为识别子单元,被配置成利用行为识别模型从所述第一图像中提取时空特征,以及基于所述时空特征识别所述第一图像中存在行为异常事件的类别和置信度;其中,所述异常事件包括目标人员携带物品被盗事件;
所述装置还包括:
第二获取单元,被配置成获取第二摄像头对进入所述目标场所的人员进行拍摄所得到的第二图像;
提取单元,被配置成从所述第二图像中提取所述人员的特征;
匹配单元,被配置成将所述人员的特征在预先存储的参与人员信息集合中匹配,其中,所述参与人员信息集合中的参与人员信息包括参与人员的特征和信息,所述参与人员的信息包括历史活动参与信息;
确定单元,被配置成若匹配成功,从匹配成功的参与人员中确定目标人员,将所述目标人员携带的物品与所述目标人员绑定;
其中,所述确定单元进一步被配置成:
若所述匹配成功的参与人员的信息中包括历史异常事件信息,将所述匹配成功的参会人员确定为目标人员。
10.根据权利要求9所述的装置,其中,所述处理单元包括:
目标检测子单元,被配置成利用目标检测模型对所述第一图像进行目标检测,确定所述第一图像中存在物品异常事件的类别和置信度;和/或
表情识别子单元,被配置成利用表情识别模型对所述第一图像进行表情识别,确定所述目标人员的表情,以及基于所述目标人员的表情,确定所述目标场所内发生异常事件的类别、置信度和位置。
11.根据权利要求10所述的装置,其中,所述处理单元还包括:
发送子单元,被配置成若所发生的异常事件的置信度低于预设置信度阈值,向所述第一摄像头发送重新拍摄指令,其中,所述重新拍摄指令是近景拍摄指令或多角度拍摄指令;
获取子单元,被配置成获取所述第一摄像头对所述目标人员进行重新拍摄所得到的第三图像;
处理子单元,被配置成对所述第三图像进行图像处理,确定所述目标场所内是否发生异常事件。
12.根据权利要求11所述的装置,其中,所述处理单元还包括:
融合子单元,被配置成若所述重新拍摄指令是所述多角度拍摄指令,对多角度的所述第三图像进行图像融合。
13.根据权利要求9所述的装置,其中,所述报警单元包括:
分类子单元,被配置成利用文本分类模型对所发生的异常事件进行文本分类,确定所发生的异常事件的等级;
报警子单元,被配置成基于所发生的异常事件的等级发送报警指令。
14.根据权利要求9-13之一所述的装置,其中,所述装置还包括:
第二报警单元,被配置成若匹配失败,发送报警指令。
15.根据权利要求9-13之一所述的装置,其中,所述装置还包括:
预处理单元,被配置成对所述第一图像进行图像预处理,其中,所述图像预处理包括图像增强、图像融合中的至少一者。
16.根据权利要求9-13之一所述的装置,其中,所述装置还包括:
追踪单元,被配置成利用目标追踪模型对所发生的异常事件对应的目标人员进行追踪,确定所发生的异常事件对应的目标人员的运动轨迹。
17.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。
18.一种计算机可读介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1-8中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010093135.2A CN111263114B (zh) | 2020-02-14 | 2020-02-14 | 异常事件报警方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010093135.2A CN111263114B (zh) | 2020-02-14 | 2020-02-14 | 异常事件报警方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111263114A CN111263114A (zh) | 2020-06-09 |
CN111263114B true CN111263114B (zh) | 2022-06-17 |
Family
ID=70951117
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010093135.2A Active CN111263114B (zh) | 2020-02-14 | 2020-02-14 | 异常事件报警方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111263114B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111757069B (zh) * | 2020-07-10 | 2022-03-15 | 广州博冠智能科技有限公司 | 一种基于智能门铃的监控防盗方法及装置 |
CN111965726B (zh) * | 2020-08-12 | 2023-09-08 | 浙江科技学院 | 一种用于核电安全的进出场器物检查***及方法 |
CN112241696A (zh) * | 2020-09-28 | 2021-01-19 | 深圳市商汤科技有限公司 | 图像处理方法及装置、电子设备及存储介质 |
CA3141974A1 (en) * | 2020-12-11 | 2022-06-11 | PatriotOne Technologies | System and method for real-time multi-person threat tracking and re-identification |
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 |
TWI799821B (zh) * | 2021-03-30 | 2023-04-21 | 許維綸 | 危險預測預防系統 |
CN113610816B (zh) * | 2021-08-11 | 2024-06-14 | 湖北中烟工业有限责任公司 | 一种横滤嘴棒自动检测预警方法、装置及电子设备 |
CN114220165B (zh) * | 2021-11-25 | 2022-07-08 | 慧之安信息技术股份有限公司 | 一种基于动作识别的自动报警方法和*** |
CN114040115A (zh) * | 2021-11-29 | 2022-02-11 | 海南哦课教育科技有限公司 | 目标对象异常动作的捕获方法、装置、介质和电子设备 |
CN115146878A (zh) * | 2022-09-05 | 2022-10-04 | 深圳市海邻科信息技术有限公司 | 指挥调度方法、***、车载设备及计算机可读存储介质 |
CN115361504B (zh) * | 2022-10-24 | 2023-04-28 | 中国铁塔股份有限公司 | 一种监控视频处理方法、装置及电子设备 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102938058A (zh) * | 2012-11-14 | 2013-02-20 | 南京航空航天大学 | 面向平安城市的视频主动智能感知方法及*** |
CN105336074A (zh) * | 2015-10-28 | 2016-02-17 | 小米科技有限责任公司 | 报警方法及装置 |
CN107818312A (zh) * | 2017-11-20 | 2018-03-20 | 湖南远钧科技有限公司 | 一种基于异常行为识别的嵌入式*** |
CN108805071A (zh) * | 2018-06-06 | 2018-11-13 | 北京京东金融科技控股有限公司 | 身份核验方法及装置、电子设备、存储介质 |
CN109918989A (zh) * | 2019-01-08 | 2019-06-21 | 平安科技(深圳)有限公司 | 监控画面中人物行为类型识别方法、装置、介质和设备 |
CN110428522B (zh) * | 2019-07-24 | 2021-04-30 | 青岛联合创智科技有限公司 | 一种智慧新城的智能安防*** |
-
2020
- 2020-02-14 CN CN202010093135.2A patent/CN111263114B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111263114A (zh) | 2020-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111263114B (zh) | 异常事件报警方法和装置 | |
US10812761B2 (en) | Complex hardware-based system for video surveillance tracking | |
KR101215948B1 (ko) | 신체정보 및 얼굴인식에 기반한 감시 시스템의 영상정보 마스킹 방법 | |
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*** | |
US20160019427A1 (en) | Video surveillence system for detecting firearms | |
CN110348348B (zh) | 一种参建人员进场身份快速识别方法及预警*** | |
US20190087464A1 (en) | Regional population management system and method | |
KR102149832B1 (ko) | 딥러닝 기반의 자동 폭력 감지 시스템 | |
CN102306304A (zh) | 人脸遮挡物识别方法及其装置 | |
CN112084963B (zh) | 一种监控预警方法、***及存储介质 | |
CN111091098A (zh) | 检测模型的训练方法、检测方法及相关装置 | |
CN111241883A (zh) | 防止远程被测人员作弊的方法和装置 | |
CN111259682B (zh) | 监控施工场所的安全的方法和装置 | |
CN110602453B (zh) | 一种物联网大数据智能视频安防监控*** | |
CN111126411B (zh) | 一种异常行为识别方法及装置 | |
JP5088463B2 (ja) | 監視システム | |
CN115346157A (zh) | 入侵检测方法、***、设备及介质 | |
CN116129490A (zh) | 一种用于复杂环境行为识别的监控装置及监控方法 | |
CN111860187A (zh) | 一种高精度的佩戴口罩识别方法及*** | |
CN111612815A (zh) | 一种红外热成像行为意图分析方法及*** | |
CN114067396A (zh) | 基于视觉学习的居配工程现场试验数字化管理***及方法 | |
Ng et al. | Surveillance system with motion and face detection using histograms of oriented gradients | |
CN115797125B (zh) | 一种乡村数字化智慧服务平台 | |
CN109327681B (zh) | 一种特定人员识别告警***及其方法 | |
KR101936390B1 (ko) | Cctv 기반의 트래킹 서비스 제공 방법 및 장치 |
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 |