CN111401161A - 基于智能视频分析算法实现行为识别的智慧建筑管控*** - Google Patents
基于智能视频分析算法实现行为识别的智慧建筑管控*** Download PDFInfo
- Publication number
- CN111401161A CN111401161A CN202010144305.5A CN202010144305A CN111401161A CN 111401161 A CN111401161 A CN 111401161A CN 202010144305 A CN202010144305 A CN 202010144305A CN 111401161 A CN111401161 A CN 111401161A
- Authority
- CN
- China
- Prior art keywords
- early warning
- warning information
- video analysis
- target
- control system
- 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 62
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 34
- 238000012544 monitoring process Methods 0.000 claims abstract description 73
- 238000007726 management method Methods 0.000 claims abstract description 49
- 230000006399 behavior Effects 0.000 claims abstract description 25
- 230000006870 function Effects 0.000 claims abstract description 13
- 230000009471 action Effects 0.000 claims abstract description 11
- 238000013500 data storage Methods 0.000 claims abstract description 6
- 230000033001 locomotion Effects 0.000 claims description 41
- 238000010586 diagram Methods 0.000 claims description 23
- 238000013480 data collection Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000010801 machine learning Methods 0.000 claims description 5
- 230000002441 reversible effect Effects 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 4
- 238000007499 fusion processing Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 description 16
- 238000004891 communication Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 230000000875 corresponding effect Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 235000014510 cooky Nutrition 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000009545 invasion Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012916 structural analysis Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 229910052802 copper Inorganic materials 0.000 description 2
- 239000010949 copper Substances 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000005055 memory storage Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 229920001690 polydopamine Polymers 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
- G06T7/251—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving models
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B19/00—Alarms responsive to two or more different undesired or abnormal conditions, e.g. burglary and fire, abnormal temperature and abnormal rate of flow
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30236—Traffic on road, railway or crossing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Alarm Systems (AREA)
Abstract
本申请涉及智慧建筑综合安防管控技术领域,尤其涉及一种基于智能视频分析算法实现行为识别的智慧建筑管控***。本申请提供一种基于智能视频分析算法实现行为识别的智慧建筑管控***,包括:处理器,所述处理器执行存储器中存储的计算机实现组件;视频分析组件,包括预警模型,被配置为识别监控视频中的突发事件、生成预警信息;应急服务组件,被配置为根据所述预警信息调用相应的应急预案;数据采集监控组件,被配置为用于管理所述***的数据采集、监控、数据存储、预警、联动、***配置功能,其包括:联动组件,所述联动组件根据所述应急预案对所述***的外部接入设备进行联动处置。
Description
技术领域
本申请涉及计算机数据处理技术领域,尤其涉及一种基于智能视频分析算法实现行为识别的智慧建筑管控***。
背景技术
监控管理***通过图像采集设备对建筑物、或施工现场进行实时画面监测,当发生入侵警戒区域、车辆绊线、车辆逆行、人群聚集等突发事件时,能够进行实时预警和执行应对措施。
在一些监控管理***的实现中,包括电源***、无线传输***、前端探测***和后台监控***。首先,前端探测***探测到现场产生异常状况时,启动现场语音告警***,同时抓拍现场照片;然后,将报警信息及现场图片通过无线传输***传输至监控中心;最后,监控中心的值守人员及时发现监控屏幕的告警信息并通知相关人员处理突发事件。
但是,上述监控管理***需要人员进行长期值守,在人员疏忽的情况下会出现突发事件的漏判、误判,在突发事件预警后,驻守人员需要通知相关应急处理人员,应急处理人员在监控室再次回顾、了解突发事件的经过后制定相应的解决措施,然后由物业人员具体实施。
发明内容
本申请提供了一种基于智能视频分析算法实现行为识别的智慧建筑管控***,通过视频分析组件识别监控视频中的突发事件并生成预警信息,通过应急服务组件调用相应的应急预案,通过数据采集监控组件根据应急预案对外部接入设备进行联动处置,一定程度上可以解决监控管理***无法实现无人值守、突发事件漏判误判、事件突发后不能快速自动执行应对措施的问题。
本申请的实施例是这样实现的:
本申请实施例提供一种基于智能视频分析算法实现行为识别的智慧建筑管控***,包括:
处理器,所述处理器执行存储器中存储的计算机实现组件;
视频分析组件,包括预警模型,被配置为识别监控视频中的突发事件、生成预警信息;
应急服务组件,被配置为根据所述预警信息调用相应的应急预案;
数据采集监控组件,被配置为用于管理所述***的数据采集、监控、数据存储、预警、联动、***配置功能,包括:
联动组件,所述联动组件根据所述应急预案对所述***的外部接入设备进行联动处置。
可选地,所述预警信息为人群聚集预警信息,其生成步骤包括:将监控视频进行解析得到的视频帧输入预警模型提取人群特征,所述人群特征包括轮廓、形状和运动方向;将所述人群特征进行融合处理得到人群密度热力图,所述人群密度热力图用于计算人群密度;当所述人群密度大于预设密度阈值、且持续超过预设时间阈值,则生成人群聚集预警信息。
可选地,所述预警信息为绊线预警信息,入侵预警信息和车辆逆行预警信息,其生成步骤包括:对监控视频进行计算处理得到目标运动轨迹,所述目标包括车辆、行人;基于所述目标运动轨迹与警戒线的位置判定关系,生成绊线预警信息;基于所述目标运动轨迹与警戒区域的位置判定关系,生成入侵预警信息;基于所述目标运动轨迹与判定时刻道路规定方向的判定关系,生成车辆逆行预警信息。
可选地,所述目标运动轨迹,其获取步骤包括:构建包含第一目标特征的第一目标描述模型,所述目标包括车辆、行人;构建包含第二目标特征的第二目标描述模型,所述第二目标特征所在的视频帧与所述第一目标描述模型的相似度值大于预设阈值;重复构建已得到目标描述模型的序列目标描述模型,得到目标运动轨迹。
可选地,所述***还包括AMQ服务组件,所述AMQ服务组件被配置为将所述预警信息推送至所述数据采集监控组件。
可选地,所述视频分析组件使用机器学习来优化更新所述预警模型,其中所述预警模型采用全卷积神经网络模型算法。
可选地,所述***还包括事件回溯服务组件,所述事件回溯服务组件被配置为当所述应急预案触发后输出指定时间数据断面的存储文件。
可选地,所述***还包括人机界面组件,所述人机界面组件用于配置所述数据采集监控组件、展示所述***的人机交互数据。
可选地,所述外部接入设备包括:广播***,门禁***,梯控***,公安消防医疗***和视频监控***。
本申请提供的技术方案包括以下有益效果:通过视频分析组件识别突发事件并生成预警信息,可以实现监控管理***的无人值守,避免突发事件的漏判、误判;进一步通过应急服务组件根据预警信息调用相应的应急预案,可以实现自动生成突发事件的解决方案;进一步通过数据采集监控组件根据应急预案对外部接入设备进行联动处置,可以实现快速自动执行针对突发事件的应急预案,可以提高应对突发事件的时效性。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1示出了本申请实施例一种基于智能视频分析算法实现行为识别的智慧建筑管控***100的框图;
图2示出了本申请实施例人群聚集预警信息生成的流程示意图;
图3示出了本申请实施例人群聚集预警信息生成步骤示意图;
图4示出了本申请实施例绊线预警信息,入侵预警信息和车辆逆行预警信息生成的流程示意图;
图5示出了本申请实施例视频分析组件获取目标运动轨迹的流程示意图;
图6示出了本申请实施例绊线预警信息,入侵预警信息和车辆逆行预警信息生成的详细步骤示意图;
图7示出了本申请另一实施例一种基于智能视频分析算法实现行为识别的智慧建筑管控***的框图;
图8示出了本申请实施例人群聚集突发事件全面联动的示意图;
图9示出了本申请计算机环境示例非限制性示意图;
图10示出了本申请实施例计算机实现的示意框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本说明书通篇提及的″多个实施例″、″一些实施例″、″一个实施例″或″实施例″等,意味着结合该实施例描述的具体特征、结构或特性包括在至少一个实施例中。因此,本说明书通篇出现的短语″在多个实施例中″、″在一些实施例中″、″在至少另一个实施例中″或″在实施例中″等并不一定都指相同的实施例。此外,在一个或多个实施例中,具体特征、结构或特性可以任何合适的方式进行组合。因此,在无限制的情形下,结合一个实施例示出或描述的具体特征、结构或特性可全部或部分地与一个或多个其他实施例的特征、结构或特性进行组合。这种修改和变型旨在包括在本申请的范围之内。
在城市现代化建设进程不断加快的今天,为了满足人们生活工作中对建筑物、施工现场更高层次的安保要求,智慧建筑将成为信息时代的建筑发展趋势。而对大型建筑、或大型施工现场的安全管控以保证人、物的安全则尤为重要。
本申请提供一种基于智能视频分析算法实现行为识别的智慧建筑管控***,通过实现突发事件的行为识别,达到自动预警、应急联动、事后分析为一体的效果。
对围墙、桥梁、防护带等重点区域进行监控,防止行人、车辆出现越界绊线发生危险;对重点区域如银行、公安、医院等进行实时监控,防止行人、车辆出现非法入侵发生危险;对城市重要道路区域进行实时监控,防止车辆出现逆行发生危险。本申请提供的基于智能视频分析算法实现行为识别的智慧建筑管控***,在节省人力物力的同时,可以提升大型建筑物、施工现场等场景的物业管理水平。
图1示出了本申请实施例一种基于智能视频分析算法实现行为识别的智慧建筑管控***100的框图。本申请所解释的***(例如***100等)、设备或过程的方面能够组成一个或多个机器内包含的一个或多个机器可执行组件(例如包含在与一个或多个机器关联的一个或多个计算机可读介质或媒体中)。这类组件在由一个或多个机器(例如计算机、计算装置、虚拟机等)执行时能够使机器执行所述的操作。
在各个实施例中,基于智能视频分析算法实现行为识别的智慧建筑管控***100能够是包括处理器的任何适当类型的组件、机器、装置、设施、设备和/或仪器,所述处理器执行存储器中存储的计算机实现组件。在一些实施例中,基于智能视频分析算法实现行为识别的智慧建筑管控***100能够采用有线和/或无线网络进行有效和/或操作通信。能够包括基于智能视频分析算法实现行为识别的智慧建筑管控***100的组件、机器、设备、装置、设施和/或仪器能够包括但不限于平板计算装置、手持装置、服务器类计算机器和/或数据库、膝上型计算机、笔记本计算机、桌上型计算机、蜂窝电话、智能电话、消费者器具和/或仪表、工业和/或商业装置、数字助理、多媒体因特网使能电话、多媒体播放器等。
如图1所示,基于智能视频分析算法实现行为识别的智慧建筑管控***100包括处理器102、存储器104、数据采集监控组件110、、视频分析组件120、应急服务组件130、人机界面组件140、运维服务组件150、事件回溯服务组件160、AMQ(Active Message Queue:活动消息队列)服务组件170、外部接入设备200。
其中,处理器102能够执行存储器104中存储的计算机可执行组件;数据采集监控组件110包括联动组件112、基础组件114、和报警组件116;视频分析组件120包括预警模型122;人机界面组件140包括前端界面组件142和APP组件144。需要说明的是,在一些实施例中,一个或多个***组件能够经过直接有线连接或者集成在芯片集上来与其它组件无线通信。
在基于智能视频分析算法实现行为识别的智慧建筑管控***100的本申请所述一个或多个实施例中,***所使用的一个或多个模型能够自动生成识别突发事件,以促进针对不同监控视频数据对***识别突发事件准确度的影响。本申请所述的计算机处理***、计算机实现方法、设备和/或计算机程序产品能够采用硬件和/或软件来生成模型,其本质上是高度技术而不是抽象的。下文将对本申请所述基于智能视频分析算法实现行为识别的智慧建筑管控***100的各个组件进行详细的阐述。
视频分析组件120包括预警模型122,所述视频分析组件被配置为识别监控视频中的突发事件、生成预警信息。
所述视频分析组件接收来自摄像头的监控视频,根据其视频数据流进行突发事件的识别;针对不同的突发事件,视频分析组件120可以相应的生成不同的预警信息;然后将所述预警信息通过相应的功能组件发送至应急服务组件130。
在一些实施例中,摄像头,即图像采集装置设置于物业的监控区域,视频分析组件120对所述摄像头采集的监控视频进行实时解析,当监控区域出现预设类型的突发事件时,视频分析组件能够及时的对其进行识别,包括其具体的事件类型,随后生成相应的预警信息。所述预警信息包括但不限于:针对车辆或行人的绊线预警信息、针对车辆或行人的入侵预警信息、车辆逆行预警信息、针对行人的人群聚集预警信息。
在一些实施例中,基于智能视频分析算法实现行为识别的智慧建筑管控***100还包括AMQ(Active Message Queue:活动消息队列)服务组件170,AMQ是一个高性能的消息中间件,可以提供服务总线功能,供其它应用在AMQ上进行服务注册。所述AMQ服务组件被配置为接收来自视频分析组件120的预警信息,然后主动将所述预警信息依据预设的推送方式发送至所述***的相关功能组件,最终发送至应急服务组件130。
在一些实施例中,基于智能视频分析算法实现行为识别的智慧建筑管控***100还包括流媒体网关组件。图像采集设备,例如摄像头所采集的监控视频数据首先推送至所述流媒体网关,然后由其转发至视频分析组件120。当所述***存在多个外部接入摄像头时,通过流媒体网关转发监控视频数据其效率会更高,而且便于集中管理。
图2示出了本申请实施例人群聚集预警信息生成的流程示意图。
在步骤201中,将监控视频进行解析得到的视频帧输入预警模型提取人群特征,所述人群特征包括轮廓、形状和运动方向。
图3示出了本申请实施例人群聚集预警信息生成步骤示意图。
视频分析组件120接收来自将摄像头的视频数据流;然后所述视频分析组件对所述视频数据流进行解析可以得到多个视频帧,所述视频帧是摄像头在监控时刻的视频画面。在本实施例中,将所述视频帧中存在行人、或人群信息的视频帧称为关键帧,所述关键帧被用于进一步分析是否发生人群聚集的突发事件。
对关键帧的人群部分进行标识,然后将其裁剪处理得到仅包含人群信息的图片,这样操作的有益效果在于可以降低***比对计算的数据量,另一方面可以将不必要的噪声数据过滤掉。
将裁剪后的图片输入预警模型进行人群特征的提取。在本实施例中,所述预警模型采用全卷积神经网络模型算法,视频分析组件120可以使用机器学习的方法来优化更新所述预警模型,这样可以在长期的数据积累中,提高所述预警模型的准确度。本实施例中,将裁剪后的图片输入多个全卷积神经网络预警模型,通过预警模型的计算分别输出不同的人群特征,所述人群特征可以包括:人群的轮廓特征、人群的形状特征、人群的运动方向特征,如图3中301步骤示意。
在各种实施例中,视频分析组件120接收来自摄像头的视频数据流,预警模型112能通过机器学习较为精确的识别视频数据流中的突发事件。本申请所使用的术语″预警模型112″能够意味着一个或多个模型112。预警模型112能够可选地并且分别通过人工智能和/或机器学习提高其识别突发事件的精确度。预警模型112能够跨数据组织子集或者跨其它模型来执行递归学习或后向传播或连续学习。相应的网络模型能够包括神经网络和Bayesian网络但并不局限于这些技术,并且能够彼此交互。此外,预警模型112能够从总体上跨模型集合进行交叉学习。例如,预警模型112能够将信息馈送到云,使得云模型或超级模型能够从其他物业、建筑物的监控管理***的预警模型数据库进行学习。学习的信息能够用来反馈到预警模型112中。
在步骤202中,将所述人群特征进行融合处理得到人群密度热力图,所述人群密度热力图用于计算人群密度。
将所述人群特征进行多网络特征融合后得到融合后的特征向量;然后根据所述特征向量计算得到人群密度热力图;进一步将所述人群密度热力图进行热力图标记并输入分类器模型,通过调用OPEN CV库工具进行分类计算得到人群热力图的点位数;然后根据人群面积占警戒区域的比例计算得到人群面积比,进一步根据国标分类可以计算得到人群密度,如图3中302步骤示意。
在步骤203中,当所述人群密度大于预设密度阈值、且持续超过预设时间阈值,则生成人群聚集预警信息。
选区固定时间间隔的多个关键帧,对每个关键帧进行人群密度计算,得到关于人群密度的多帧结果。
基于多帧结果导出其结果统计表,进行分析统计得到多个关键帧的多帧结论。
基于所述多帧结论,进一步统计得到关于人群的密度统计结果,计算得到多个关键帧的各个人群密度百分比,如果人群密度高于预设的密度阈值,并且人群密度值持续时间也超出预设时间阈值,则刻意得到其人群密度结论:监控区域发生了人群聚集突发事件。
在一些实现方式中,还可以将所述人群密度结论的结果图片上传至***的FTP服务组件,将其检测结果上传至数据库和AMQ推送服务组件,如图3中303步骤示意。
图4示出了本申请实施例绊线预警信息,入侵预警信息和车辆逆行预警信息生成的流程示意图。
在步骤401中,对监控视频进行计算处理得到目标运动轨迹,所述目标包括车辆、行人。
视频分析组件120的预警模型组件122对来自摄像头的监控视频进行计算,以获得监控视频中目标对象的运动轨迹,所述目标可以为车辆、行人。
通过对目标运动轨迹与监控区域的双黄线、警戒区域、车辆行驶标志进行比对,对符合判定规则的突发事件生成预警信息,下面将对目标运动轨迹的获取进行详细的阐述。
图5示出了本申请实施例视频分析组件获取目标运动轨迹的流程示意图。
在步骤501中,构建包含第一目标特征的第一目标描述模型,所述目标包括车辆、行人。
首先,对监控视频的初始视频帧进行目标结构化分析提取第一目标特征,所述目标包括视频帧中的车辆、行人。
视频分析组件120的预警模型122对来自摄像头推送的监控视频进行解析,得到多个视频帧;
然后所述视频分析组件调用视频结构化SDK工具对其中的初始视频帧进行分析,提取得到所述初始视频帧的结构化数据;
基于所述结构化数据裁剪图片中的目标对象,即车辆、或行人,可以得到仅包含车辆或行人的图片;
通过对车辆或行人的图片进行特征向量的提取以构建图片模型,对所述图片模型的初始帧部分进行提取特征得到所述初始帧的第一目标特征。
然后,基于所述第一目标特征构建第一目标描述模型。
基于所述第一目标特征,可以构建其第一目标描述模型,将所述第一目标描述模型作为后续步骤中比对的初始化基准。所述第一目标描述模型可以理解认为是目标运动轨迹的第一时刻,通过比对后续视频帧中的目标特征与所述第一目标描述模型的契合程度、或相似程度,可以得到目标运动轨迹的过程。
在步骤502中,构建包含第二目标特征的第二目标描述模型,所述第二目标特征所在的视频帧与所述第一目标描述模型的相似度值大于预设阈值。
首先,计算后续视频帧与所述第一目标描述模型的相似度。
基于所述初始帧的第一目标特征,将图片模型中其它视频帧继续进行结构化分析计算得到下一帧的结构化数据,根据所述结构化数据得到所述视频帧的目标特征,并将所述目标特征和第一目标描述模型进行相似度计算,将相似度值大于预设相似阈值的图片发送至图片队列。
重复发送视频帧图片至图片队列的步骤,可以将监控视频中与所述第一目标描述模型相似度大于预设阈值的所有图片都存入所述图片队列,所述图片队列中的图片用于进一步判定是否发生突发事件。
然后,在相似度大于预设相似阈值的视频帧中,选取相似度最高的视频帧,通过提取所述相似度最高的视频帧的目标特征,即第二目标特征;基于所述第二目标特征构建第二目标描述模型。
图片队列中对其它的视频帧进行结构化分析,得到视频帧的新目标及其新目标特征,将新目标特征与第一目标描述模型进行比较,即可以认为使用所述第一目标描述模型作为筛选器,在满足相似度判定的条件下,选取与所述第一描述模型相似度最大的新目标特征作为第二目标特征。所述第二目标特征是与所述第一目标特征最为接近的图片,可以第二目标与第一目标为同一车辆、或行人;第二目标特征与所述第一目标特征是同一车辆、或行人发生运动以后最为接近的运动轨迹。然后基于所述第二目标特征构建第二目标描述模型。
在步骤503中,重复构建已得到目标描述模型的序列目标描述模型,得到目标运动轨迹。
根据以获取的目标描述模型,继续通过迭代计算构建其后续序列的目标描述模型,最终可以得到目标运动轨迹。
例如,在图片队列中将其它视频帧图片与上述第二目标描述模型进行相似度计算,可以继续构建第三目标描述模型;基于所述第三目标描述模型,继续进行迭代计算,可以得到第四、第五、...,第N目标描述模型,最终可以得到目标运动轨迹。获取与当前目标描述模型最为接近的下一个视频帧,并使用更新后的目标描述模型作为筛选器,实现迭代计算视频帧中的目标运动轨迹。
继续参考图4,在步骤402中,基于所述目标运动轨迹与警戒线的位置判定关系,生成绊线预警信息。
如图6,示出了本申请实施例绊线预警信息,入侵预警信息和车辆逆行预警信息生成的详细步骤示意图。
根据不同突发事件的先验条件,确定突发事件的判定标准,对所述目标运动轨迹进行轨迹规则验证。对于绊线预警信息,验证相邻时刻所述目标运动轨迹的目标中心点与警戒线的位置关系,并进行判定;如果所述目标中心点与所述警戒线重合,则生成绊线预警信息;在一些实现方式中,将所述预警信息的结果截图上传至***的FTP服务器,将其检测结果上传至数据库和AMQ服务组件。
在步骤403中,基于所述目标运动轨迹与警戒区域的位置判定关系,生成入侵预警信息。
根据不同突发事件的先验条件,确定突发事件的判定标准,对所述目标运动轨迹进行轨迹规则验证。对于入侵预警信息,验证所述目标运动轨迹的目标中心点与警戒区域的位置关系,并进行判定;如果所述目标中心点与所述警戒区域重合,则生成入侵预警信息;在一些实现方式中,将所述预警信息的结果截图上传至***的FTP服务器,将其检测结果上传至数据库和AMQ服务组件。
在步骤404中,基于所述目标运动轨迹与判定时刻道路规定方向的判定关系,生成车辆逆行预警信息。
根据不同突发事件的先验条件,确定突发事件的判定标准,对所述目标运动轨迹进行轨迹规则验证。对于车辆逆行预警信息,验证相邻时刻所述目标运动轨迹的目标中心点的运动方向与监控区域道路规定方向的关系,并进行判定;如果所述目标中心点的运动方向与道路规定方向相反,则生成车辆逆行预警信息;在一些实现方式中,将所述预警信息的结果截图上传至***的FTP(File Transfer Protocol:文件传输协议)服务器,将其检测结果上传至数据库和AMQ服务组件。所述FTP服务器是在互联网上提供文件存储和访问服务的计算机,它们依照FTP协议提供服务。
图1中的应急服务组件130被配置为根据所述预警信息调用相应的应急预案。
应急服务组件130接收数据采集监控组件110转发的预警信息,并根据所述预警信息调用提前完成配置的应急预案;然后所述应急服务组件将所述应急预案发送至数据采集监控组件120。
应急预案是在一定条件下对接入监控管理***的外部接入设备200进行操作的规则。外部接入设备通常包括但不限于:广播***,门禁***,梯控***,公安消防医疗***和视频监控***等。
在一些实施例中,基于智能视频分析算法实现行为识别的智慧建筑管控***100还包括人机界面组件140。所述人机界面组件包括前端界面组件142和APP组件144,管理员使用所述前端界面组、或APP组件对和数据采集监控组件110进行配置操作。
数据采集监控组件110被配置为用于管理基于智能视频分析算法实现行为识别的智慧建筑管控***100,包括进行配置数据采集参数、监控参数、数据存储参数、预警信息参数、联动处置参数、***功能等。所述数据采集监控组件还包括联动组件112,所述联动组件根据所述应急预案对所述***的外部接入设备200进行联动处置。
在一些实施例中数据采集监控组件110通过接收来自于人机界面组件140的输入信息对监控管理***进行全面的配置,包括数据采集的时间设定,监控区域重点位置的选择,数据存储的位置、容量设定,预警信息接收的频率设定,联动方案的具体配置等。联动组件112根据应急服务组件130发送的应急预案对外部接入设备200发送操作指令,实现例如电梯的管理,视频监控摄像头的启动、关闭、转向等功能,门禁的开启,广播自动通知,公安消防医疗***自动报警功能等。下面将对人群聚集突发事件的应急联动处置举例进行说明。
图8示出了本申请实施例人群聚集突发事件全面联动的示意图。
视频分析组件120根据人群密度进行判定生成预警信息;然后将所述预警信息推送至应急服务组件130,所述预警信息可以通过数据采集监控组件110进行转发;应急服务组件130根据接收的预警信息调用匹配的应急预案,并将其发送至数据采集监控组件120;数据采集监控组件120通过联动组件112将联动命令下发至外部接入设备200的不同***;数据采集监控组件同时将所述应急预案发送至人机界面组件140进行展示。
在一些实施例中,数据采集监控组件110还包括基础组件114,如图7所示。所述基础组件可以对监控管理***进行全面的功能配置,例如***运行参数配置,监控重点区域配置,报警参数的配置,应急预案的配置、事件回溯触发条件配置等。
在一些实施例中,数据采集监控组件110还包括报警组件116,如图7所示。监控管理***在收到应急服务组件130发送的应急预案后,所述报警组件可以即时上报警情给消防、公安等部门。
在一些实施例中,事件回溯服务组件160被配置为当所述应急预案触发后输出指定时间数据断面的存储文件。所述时间回溯服务组件用于设置回溯触发参数,在突发事件前后指定时间段内存储数据断面文件,存储***参数状态,记录操作日志。突发事件的回溯文件支持对整个突发事件发生过程的回放分析,可以指导工作人员进行事后总结。
在一些实施例中,运维服务组件150被配置为用于一键保修故障。当监控管理***的服务组件发送故障时,通过所述运维服务组件可以在第一时间内检测***得到故障信息,并将所述故障信息上报至***服务提供商,降低监控管理***的停机时间。
在一些实施例中,本申请所述视频识别组件120的实施例能够采用人工智能(AI)来促进自动化本申请所述的一个或多个特征。组件能够将各种基于AI的方案用于执行本申请所公开的各种实施例/示例。为了提供或帮助本申请所述的多个确定(例如确定、查明、推断、计算、预测、预知、估计、推导、预报、检测),一个或多个组件能够检查准予它访问的数据的整体或子集,并且能够提供从经由事件和/或数据所捕获的观测集合来推理或确定***、环境等的状态。确定能够用来识别特定上下文或动作,和/或能够生成例如对状态的概率分布。确定能够是概率性的一即基于数据和事件的考虑对感兴趣状态的概率分布的计算。确定还能够指的是用于从事件和/或数据的集合来组成高级事件的技术。
这类确定能够引起从所观测事件和/或所存储事件数据的集合来构成新事件或动作,而无论事件是否在时间紧邻性方面相互关联以及事件和数据是否来自一个或若干事件和数据源。本申请所公开的组件能够采用关于执行与要求保护主题有关的自动和/或确定动作的各种分类(显式训练(例如经由训练数据)以及隐式训练(例如经由监控视频观测行为、观测特点、历史信息、接收外在信息等))方案和/或***(例如支持向量机、神经网络、专家***、Bayesian信念网络、模糊逻辑、数据融合引擎等)。因此,分类方案和/或***能够用来自动学习和执行多个功能、动作和/或确定。
参照图9,用于实现要求保护主题的各个方面的适当环境900包括计算机902。计算机902包括处理单元904、***存储器906、编解码器905和***总线908。***总线908将***组件(包括但不限于***存储器906)耦合到处理单元904。处理单元904能够是各种可用处理器的任何处理器。双微处理器和其它多处理器架构也能够用作处理单元904。
***总线908能够具有若干类型的总线结构的任何类型,包括存储器总线或存储控制器、***总线或外部总线和/或本地总线,其使用任何种类的可用总线架构,包括但不限于工业标准架构(ISA)、微通道架构(MSA)、扩展ISA(EISA)、智能驱动电子(IDE)、VESA本地总线(VLB)、外设部件互连(PCI)、卡总线、通用串行总线(USB)、高级图形端口(AGP)、个人计算机存储卡国际协会总线(PCMCIA)、火线(IEEE 1394)和小型计算机***接口(SCSI)。
***存储器906包括易失性存储器910和非易失性存储器912。合有例如在启动期间在计算机902内的元件之间传递信息的基本例程的基本输入/输出***(BIOS)被存储在非易失性存储器912中。作为说明而不是限制,非易失性存储器912能够包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦可编程ROM(EEPROM)或闪速存储器。易失性存储器910包括随机存取存储器(RAM),其充当外部高速缓冲存储器。按照本方面,易失性存储器可存储写操作重试逻辑(图9中未示出)等。作为说明而不是限制,RAM是采取许多形式可用的,例如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双倍数据速率SDRAM(DDR SDRAM)和增强SDRAM(ESDRAM)。
计算机902还可包括可拆卸/不可拆卸、易失性/非易失性计算机存储介质。图9示出例如磁盘存储设备914。磁盘存储设备914包括但不限于像磁盘驱动器、固态磁盘(SSD)、软盘驱动器、磁带驱动器、Zip驱动器、LS-110驱动器、闪速存储卡或存储棒的装置。另外,磁盘存储装置914能够包括单独地或者与其它存储介质相组合的存储介质,包括但不限于光盘驱动器(例如致密盘ROM装置(CD-ROM)、CD可记录驱动器(CD-R驱动器)、CD可重写驱动器(CD-RW驱动器)或者数字多功能盘ROM驱动器(DVD-ROM)。为了促进磁盘存储装置914与***总线908的连接,典型地使用可拆卸或者不可拆卸接口(例如接口916)。
要意识到,图9描述软件、执行中的软件、硬件和/或与硬件相组合的软件,其充当用户与适当操作环境900中描述的基本计算机资源之间的中介。这种软件包括操作***918。操作***918(其能够存储在磁盘存储设备914上)起作用以控制和分配计算机***902的资源。应用920利用操作***918通过***存储器906中或者磁盘存储设备914上存储的程序模块924和程序数据926(例如引导/关机事务表等)的对资源的管理。要意识到,要求保护主题能够采用各种操作***或者操作***的组合来实现。例如,应用920和程序数据926能够包括实现本申请的方面的软件。
用户通过(一个或多个)输入装置928(其非限制性示例能够包括指点装置(例如鼠标)、轨迹球、指示笔、触摸板、键盘、话筒、操纵杆、游戏手柄、圆盘式卫星天线、扫描仪、电视调谐卡、数码相机、数字摄像机、电子鼻、万维网摄像头或者允许用户与计算机902进行交互的其它装置)将命令或信息输入计算机902中。这些和其它输入装置经由(一个或多个)接口端口930通过***总线908来连接到处理单元904。(一个或多个)接口端口930包括例如串行端口、并行端口、游戏端口和通用串行总线(USB)。(一个或多个)输出装置936使用与(一个或多个)输入装置928相同类型的端口中的一些。因此,例如,USB端口可用来向计算机902提供输入,并且从计算机902向输出装置936输出信息。提供输出适配器934,以示出存在一些输出装置936,像监视器、扬声器和打印机连同要求特殊适配器的其它输出装置936。输出适配器934作为说明而不是限制包括视频和声卡,其提供输出装置936与***总线908之间的连接的手段。应当注意,其它装置和/或装置的***提供输入和输出能力两者,例如(一个或多个)远程计算机938。
计算机902能够在使用到一个或多个远程计算机(例如(一个或多个)远程计算机938)的逻辑连接的网络化环境中进行操作。(一个或多个)远程计算机938能够是个人计算机、服务器、路由器、网络PC、工作站、基于微处理器的器具、对等装置、智能电话、平板电脑或者其它网络节点,并且典型地包括相对于计算机902描述的元件中的许多元件。为了简洁的目的,随(一个或多个)远程计算机938仅示出存储器存储装置940。(一个或多个)远程计算机938通过网络接口942逻辑地连接到计算机902,并且然后经由(一个或多个)通信连接944来连接。网络接口942包含有线或无线通信网络,例如局域网(LAN)、广域网(WAN)和蜂窝网络。LAN技术包括光纤分布数据接口(FDDI)、铜分布数据接口(CDDI)、以太网、令牌环等。WAN技术包括但不限于点对点链路、电路切换网络(像综合服务数字网络(ISDN)及其变化)、分组切换网络和数字用户线(DSL)。
一个或多个通信连接944指用来将网络接口942连接到总线908的硬件/软件。虽然通信连接944为了说明的清楚而在计算机902内部示出,但是它也能够在计算机902外部的。到网络接口942的连接所需的硬件/软件包括(仅为了示范目的)内部和外部技术,例如调制解调器(包括普通电话级调制解调器、电缆调制解调器和DSL调制解调器)、ISDN适配器、有线和无线以太网卡、集线器和路由器。
现在参照图10示出按照本说明书的计算环境1000的示意框图。***1000包括一个或多个客户端1002(例如计算机、智能电话、平板、照相机、PDA)。(一个或多个)客户端1002能够是硬件和/或软件(例如线程、进程、计算装置)。(一个或多个)客户端1002能够例如采用本说明书来容纳(一个或多个)cookie和/或关联的上下文信息。
***1000还包括一个或多个服务器1004。(一个或多个)服务器1004也能够是硬件或者与软件相组合的硬件(例如线程、进程、计算装置)。服务器1004能够容纳例如通过采用本申请的方面来执行媒体项的变换的线程。客户端1002与服务器1004之间的一种可能通信能够采取适合在两个或更多计算机进程之间传送的数据分组的形式,其中数据分组可包括编码分析预留空间和/或输入。数据分组能够包括例如cookie和/或关联的上下文信息。***1000包括通信框架1006(例如,全球通信网络,例如因特网),其能够用来促进(一个或多个)客户端1002与(一个或多个)服务器1004之间的通信。
通信能够经由有线(包括光纤)和/或无线技术来促进。(一个或多个)客户端1002操作地连接到一个或多个客户端数据存储设备1008,其能够用来存储(一个或多个)客户端1002本地的信息(例如(一个或多个)cookie和/或关联的上下文信息)。类似地,(一个或多个)服务器1004操作地连接到一个或多个服务器数据存储设备1010,其能够用来存储服务器1004本地的信息。
在一个示范实现中,客户端1002能够向服务器1004传递编码的文件(例如编码的媒体项)。服务器1004能够存储文件,对文件解码,或者将文件传送给另一个客户端1002。要意识到,按照本申请,客户端1002还能够向服务器1004传递未压缩的文件,以及服务器1004能够压缩文件和/或变换文件。同样,服务器1004能够对信息编码,并且经由通信框架1006将信息传送给一个或多个客户端1002。
本申请的所示方面还可在分布式计算环境中实践,其中某些任务由远程处理装置(其通过通信网络所链接)来执行。在分布式计算环境中,程序模块能够位于本地和远程存储器存储装置两者中。
本申请提供的技术方案的有益效果在于,通过视频分析组件识别监控视频中的突发事件并生成预警信息,可以实现监控管理***无人值守,避免突发事件的漏判、误判;进一步通过应急服务组件根据预警信息调用相应的应急预案,可以实现自动生成突发事件解决方案;进一步通过数据采集监控组件根据应急预案对外部接入设备进行联动处置,可以实现快速自动执行突发事件的应对措施及时解决问题。
此外要意识到,本申请所述的各种组件(例如视频分析组件、应急服务组件、数据采集监控组件等)能够包括(一个或多个)电路,其能够包括适当值的组件和电路元件,以便实现本创新的方面。此外能够意识到,各种组件的许多组件能够在一个或多个集成电路(IC)芯片上实现。在一个示范实现中,组件集合能够在单个IC芯片上实现。在其它示范实现中,相应组件的一个或多个在单独IC芯片上制作或实现。
以上已经描述的包括本发明的实现的示例。为了描述要求保护主题的目的,当然不可能描述组件或方法的每一个可设想组合,但是要意识到,本创新的许多另外组合和置换是可能的。相应地,要求保护主题打算包含全部这类改变、修改和变化,其落入所附权利要求的精神和范围之内。此外,包括″摘要″中所述的事物的本申请的所示实现的以上描述并不是要详细列举或者将所公开实现局限于所公开的精确形式。虽然本申请中为了说明目的而描述具体实现和示例,但是如相关领域的技术人员能够认识的,被认为在这类实现和示例的范围之内的各种修改是可能的。
具体来说并且关于由上述组件、装置、电路、***等所执行的各种功能,除非另加指示,否则用来描述这类组件的术语打算对应于执行所述组件的所指定功能(例如,功能等效)的任何组件,即使不是在结构上等效于所公开结构(其执行要求保护主题的本申请所示示范方面的功能)。在这方面,还将会认识到,创新包括***以及计算机可读存储介质,其具有计算机可执行指令,以用于执行要求保护主题的各种方法的动作和/或事件。
已经针对若干组件/块之间的交互描述了上述***/电路/模块。能够意识到,这类***/电路和组件/块能够包括那些组件或者所指定子组件、所指定组件或者子组件的一些和/或附加组件,并且按照以上述各种置换和组合。子组件还能够实现为通信地耦合到其它组件而不是包括在父组件(分级)内的组件。另外,应当注意,一个或多个组件可组合为提供聚合功能性的单个组件或者分为若干单独子组件,以及可提供任何一个或多个中间层(例如管理层),以通信地耦合到这类子组件,以便提供综合功能性。本申请所述的任何组件还可与本申请中没有具体描述但是本领域的技术人员已知的一个或多个其它组件进行交互。
虽然阐明本发明的广义范围的数值范围和参数是近似值,但是具体示例中阐明的数值尽可能准确地报导。但是,任何数值固有地含有必然产生于其相应测试测量中找到的标准偏差的某些误差。此外,本申请所公开的全部范围要被理解为包含其中所包含的任何和全部子范围。例如,″小于或等于11″的范围能够包括零的最小值与11的最大值之间(并且包含该最小值与最大值)的任何和全部子范围,即,任何和全部子范围具有等于或大于零的最小值以及等于或小于11的最大值(例如1至5)。在某些情况下,如对参数所述的数值能够具有负值。
另外,虽然可能已经仅针对若干实现之一公开了本创新的特定特征,但是这种特征可如对任何给定或特定应用可预期和有利的与其它实现的一个或多个其它特征相组合。此外,在详细描述或者权利要求中使用术语″包括(include、including)″、″具有″、″合有″及其变体和其它类似词语的意义上,这些术语打算采用与作为开放过渡词语的术语″包含″相似的方式是包含的,而没有排除任何附加或其它元件。
遍及本说明书中提到″一个实现″或″一实现″表示结合该实现所述的特定特征、结构或特性包含在至少一个实现中。因此,短语″在一个实现中″或者″在一实现中″在遍及本说明书中的各个位置的出现不一定全部指相同实现。此外,具体特征、结构或特性可采用任何适当方式结合在一个或多个实现中。
此外,遍及本说明书中提到″项″或″文件″意味着结合实现所述的特定结构、特征或对象不一定指相同对象。此外,″文件″或″项″能够指各种格式的对象。
如本申请中使用的术语″组件″、″模块″、″***″等一般打算指作为硬件(例如电路)、硬件和软件的组合的计算机相关实体或者与具有一个或多个特定功能性的操作机器相关的实体。例如,组件可以是(但不限于)在处理器(例如数字信号处理器)上运行的进程、处理器、对象、可执行、执行线程、程序和/或计算机。作为说明,在控制器上运行的应用和控制器两者均能够是组件。一个或多个组件可驻留在进程和/或执行线程中,以及组件可定位在一个计算机上和/或分布在两个或更多计算机之间。虽然在各个实现中描绘单独组件,但是要意识到,组件可采用一个或多个公共组件来表示。此外,各个实现的设计能够包括不同组件放置、组件选择等,以实现最佳性能。此外,″装置″能够采取专门设计硬件;通过其上的软件(其使硬件能够执行特定功能(例如媒体项聚合))的执行被专门化的一般化硬件;计算机可读介质上存储的软件;或者其组合的形式。
此外,词语″示例″或″示范″在本申请中用来表示″用作示例、实例或说明″。本申请中描述为″示范″的任何方面或设计不一定被理解为相对其它方面或设计是优选或有利的。相反,词语″示例″或″示范″的使用打算以具体方式呈现概念。如本申请所使用的,术语″或者″打算表示包含″或″而不是互斥″或″。即,除非另加说明或者从上下文清楚地知道,否则″X采用A或B″打算表示自然包含置换的任一个。即,如果X采用A;X采用B;或者X采用A和B两者,则在上述实例的任何实例下均满足″X采用A或B″。另外,如本申请和所附权利要求中所使用的冠词″一(a和an)″应当一般地理解为表示″一个或多个″,除非另加说明或者从上下文清楚地知道针对单数形式。
Claims (9)
1.一种基于智能视频分析算法实现行为识别的智慧建筑管控***,其特征在于,包括:
处理器,所述处理器执行存储器中存储的计算机实现组件;
视频分析组件,包括预警模型,被配置为识别监控视频中的突发事件、生成预警信息;
应急服务组件,被配置为根据所述预警信息调用相应的应急预案;
数据采集监控组件,被配置为用于管理所述***的数据采集、监控、数据存储、预警、联动、***配置功能,其包括:
联动组件,所述联动组件根据所述应急预案对所述***的外部接入设备进行联动处置。
2.根据权利要求1所述的基于智能视频分析算法实现行为识别的智慧建筑管控***,其特征在于,所述预警信息为人群聚集预警信息,其生成步骤包括:
将监控视频进行解析得到的视频帧输入预警模型提取人群特征,所述人群特征包括轮廓、形状和运动方向;
将所述人群特征进行融合处理得到人群密度热力图,所述人群密度热力图用于计算人群密度;
当所述人群密度大于预设密度阈值、且持续超过预设时间阈值,则生成人群聚集预警信息。
3.根据权利要求1所述的基于智能视频分析算法实现行为识别的智慧建筑管控***,其特征在于,所述预警信息为绊线预警信息,入侵预警信息和车辆逆行预警信息,其生成步骤包括:
对监控视频进行计算处理得到目标运动轨迹,所述目标包括车辆、行人;
基于所述目标运动轨迹与警戒线的位置判定关系,生成绊线预警信息;
基于所述目标运动轨迹与警戒区域的位置判定关系,生成入侵预警信息;
基于所述目标运动轨迹与判定时刻道路规定方向的判定关系,生成车辆逆行预警信息。
4.根据权利要求3所述的基于智能视频分析算法实现行为识别的智慧建筑管控***,其特征在于,所述目标运动轨迹,其获取步骤包括:
构建包含第一目标特征的第一目标描述模型,所述目标包括车辆、行人;
构建包含第二目标特征的第二目标描述模型,所述第二目标特征所在的视频帧与所述第一目标描述模型的相似度值大于预设阈值;
重复构建已得到目标描述模型的序列目标描述模型,得到目标运动轨迹。
5.根据权利要求1所述的基于智能视频分析算法实现行为识别的智慧建筑管控***,其特征在于,所述***还包括AMQ服务组件,所述AMQ服务组件被配置为将所述预警信息推送至所述数据采集监控组件。
6.根据权利要求1所述的基于智能视频分析算法实现行为识别的智慧建筑管控***,其特征在于,所述视频分析组件使用机器学习来优化更新所述预警模型,其中所述预警模型采用全卷积神经网络模型算法。
7.根据权利要求1所述的基于智能视频分析算法实现行为识别的智慧建筑管控***,其特征在于,所述***还包括事件回溯服务组件,所述事件回溯服务组件被配置为当触发应急预案后输出指定时间数据断面的存储文件。
8.根据权利要求1所述的基于智能视频分析算法实现行为识别的智慧建筑管控***,其特征在于,所述***还包括人机界面组件,所述人机界面组件用于配置所述数据采集监控组件、展示所述***的人机交互数据。
9.根据权利要求1所述的基于智能视频分析算法实现行为识别的智慧建筑管控***,其特征在于,所述外部接入设备包括:广播***,门禁***,梯控***,公安消防医疗***和视频监控***。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010144305.5A CN111401161A (zh) | 2020-03-04 | 2020-03-04 | 基于智能视频分析算法实现行为识别的智慧建筑管控*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010144305.5A CN111401161A (zh) | 2020-03-04 | 2020-03-04 | 基于智能视频分析算法实现行为识别的智慧建筑管控*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111401161A true CN111401161A (zh) | 2020-07-10 |
Family
ID=71432203
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010144305.5A Pending CN111401161A (zh) | 2020-03-04 | 2020-03-04 | 基于智能视频分析算法实现行为识别的智慧建筑管控*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111401161A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112329621A (zh) * | 2020-11-04 | 2021-02-05 | 青岛以萨数据技术有限公司 | 一种异常行为预警数据的处理方法、***、终端及介质 |
CN112634580A (zh) * | 2021-03-05 | 2021-04-09 | 深圳佳兆业科技集团有限公司 | 社区警情处理方法、服务器、执行终端及*** |
CN112711410A (zh) * | 2020-12-17 | 2021-04-27 | 浙江高速信息工程技术有限公司 | 隧道智能监控***的构建方法、电子设备和介质 |
CN112949561A (zh) * | 2021-03-25 | 2021-06-11 | 深圳佳兆业科技集团有限公司 | 社区预警方法、装置、计算机设备和存储介质 |
CN113312255A (zh) * | 2021-04-21 | 2021-08-27 | 深圳市沃特沃德信息有限公司 | 移动设备外设部件的参数测试方法和装置 |
CN113420722A (zh) * | 2021-07-21 | 2021-09-21 | 上海塞嘉电子科技有限公司 | 一种机场安全管理平台的突发事件联动方法及*** |
CN113625603A (zh) * | 2021-07-27 | 2021-11-09 | 金鹏电子信息机器有限公司 | 基于大数据的安防监控管理***及管理方法 |
CN114040003A (zh) * | 2022-01-10 | 2022-02-11 | 华北科技学院(中国煤矿安全技术培训中心) | 针对人员密集区域突发事件的应急处置***及方法 |
CN114170561A (zh) * | 2022-02-14 | 2022-03-11 | 盈嘉互联(北京)科技有限公司 | 一种应用于智能建筑的机器视觉行为意图预测方法 |
CN114820931A (zh) * | 2022-04-24 | 2022-07-29 | 江苏鼎集智能科技股份有限公司 | 基于虚拟现实的智慧城市cim可视化实时成像方法 |
CN114900539A (zh) * | 2022-04-08 | 2022-08-12 | 上海医广科技有限公司 | 基于nb-iot的医院综合bim运维指挥管理***和方法 |
CN115359568A (zh) * | 2022-08-24 | 2022-11-18 | 深圳职业技术学院 | 行人智能体运动与应急疏散的仿真方法及计算机设备 |
CN116129353A (zh) * | 2023-02-07 | 2023-05-16 | 佛山市顺德区福禄康电器科技有限公司 | 一种基于图像识别进行智能监控的方法及*** |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080247609A1 (en) * | 2007-04-06 | 2008-10-09 | Rogerio Feris | Rule-based combination of a hierarchy of classifiers for occlusion detection |
CN101646067A (zh) * | 2009-05-26 | 2010-02-10 | 华中师范大学 | 数字化全空间智能监控***及方法 |
CN102547244A (zh) * | 2012-01-17 | 2012-07-04 | 深圳辉锐天眼科技有限公司 | 视频监控方法及*** |
CN105447458A (zh) * | 2015-11-17 | 2016-03-30 | 深圳市商汤科技有限公司 | 一种大规模人群视频分析***和方法 |
CN106251271A (zh) * | 2016-07-29 | 2016-12-21 | 北京云海寰宇信息技术有限责任公司 | 城市智能管理平台 |
CN106355066A (zh) * | 2016-08-28 | 2017-01-25 | 乐视控股(北京)有限公司 | 人脸验证方法及人脸验证装置 |
CN107370983A (zh) * | 2016-05-13 | 2017-11-21 | 腾讯科技(深圳)有限公司 | 用于视频监控***的行踪轨迹的获取方法和装置 |
CN108206932A (zh) * | 2016-12-16 | 2018-06-26 | 北京迪科达科技有限公司 | 一种校园智能监控管理*** |
CN108491805A (zh) * | 2018-03-27 | 2018-09-04 | 百度在线网络技术(北京)有限公司 | 身份认证方法和装置 |
US20190034711A1 (en) * | 2017-07-31 | 2019-01-31 | Cubic Corporation | Automated scenario recognition and reporting using neural networks |
US20190042870A1 (en) * | 2017-12-28 | 2019-02-07 | Yen-Kuang Chen | Multi-domain convolutional neural network |
CN109886096A (zh) * | 2019-01-09 | 2019-06-14 | 武汉中联智诚科技有限公司 | 一种智慧旅游监管及安全应急管理联动指挥*** |
CN110263213A (zh) * | 2019-05-22 | 2019-09-20 | 腾讯科技(深圳)有限公司 | 视频推送方法、装置、计算机设备及存储介质 |
CN110766895A (zh) * | 2019-09-17 | 2020-02-07 | 重庆特斯联智慧科技股份有限公司 | 基于目标轨迹分析的智慧社区异常报警***及方法 |
CN110765285A (zh) * | 2019-10-23 | 2020-02-07 | 深圳报业集团 | 基于视觉特征的多媒体信息内容管控方法及*** |
-
2020
- 2020-03-04 CN CN202010144305.5A patent/CN111401161A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080247609A1 (en) * | 2007-04-06 | 2008-10-09 | Rogerio Feris | Rule-based combination of a hierarchy of classifiers for occlusion detection |
CN101646067A (zh) * | 2009-05-26 | 2010-02-10 | 华中师范大学 | 数字化全空间智能监控***及方法 |
CN102547244A (zh) * | 2012-01-17 | 2012-07-04 | 深圳辉锐天眼科技有限公司 | 视频监控方法及*** |
CN105447458A (zh) * | 2015-11-17 | 2016-03-30 | 深圳市商汤科技有限公司 | 一种大规模人群视频分析***和方法 |
CN107370983A (zh) * | 2016-05-13 | 2017-11-21 | 腾讯科技(深圳)有限公司 | 用于视频监控***的行踪轨迹的获取方法和装置 |
CN106251271A (zh) * | 2016-07-29 | 2016-12-21 | 北京云海寰宇信息技术有限责任公司 | 城市智能管理平台 |
CN106355066A (zh) * | 2016-08-28 | 2017-01-25 | 乐视控股(北京)有限公司 | 人脸验证方法及人脸验证装置 |
CN108206932A (zh) * | 2016-12-16 | 2018-06-26 | 北京迪科达科技有限公司 | 一种校园智能监控管理*** |
US20190034711A1 (en) * | 2017-07-31 | 2019-01-31 | Cubic Corporation | Automated scenario recognition and reporting using neural networks |
US20190042870A1 (en) * | 2017-12-28 | 2019-02-07 | Yen-Kuang Chen | Multi-domain convolutional neural network |
CN108491805A (zh) * | 2018-03-27 | 2018-09-04 | 百度在线网络技术(北京)有限公司 | 身份认证方法和装置 |
CN109886096A (zh) * | 2019-01-09 | 2019-06-14 | 武汉中联智诚科技有限公司 | 一种智慧旅游监管及安全应急管理联动指挥*** |
CN110263213A (zh) * | 2019-05-22 | 2019-09-20 | 腾讯科技(深圳)有限公司 | 视频推送方法、装置、计算机设备及存储介质 |
CN110766895A (zh) * | 2019-09-17 | 2020-02-07 | 重庆特斯联智慧科技股份有限公司 | 基于目标轨迹分析的智慧社区异常报警***及方法 |
CN110765285A (zh) * | 2019-10-23 | 2020-02-07 | 深圳报业集团 | 基于视觉特征的多媒体信息内容管控方法及*** |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112329621A (zh) * | 2020-11-04 | 2021-02-05 | 青岛以萨数据技术有限公司 | 一种异常行为预警数据的处理方法、***、终端及介质 |
CN112711410A (zh) * | 2020-12-17 | 2021-04-27 | 浙江高速信息工程技术有限公司 | 隧道智能监控***的构建方法、电子设备和介质 |
CN112634580A (zh) * | 2021-03-05 | 2021-04-09 | 深圳佳兆业科技集团有限公司 | 社区警情处理方法、服务器、执行终端及*** |
CN112949561A (zh) * | 2021-03-25 | 2021-06-11 | 深圳佳兆业科技集团有限公司 | 社区预警方法、装置、计算机设备和存储介质 |
CN113312255A (zh) * | 2021-04-21 | 2021-08-27 | 深圳市沃特沃德信息有限公司 | 移动设备外设部件的参数测试方法和装置 |
CN113420722B (zh) * | 2021-07-21 | 2023-02-17 | 上海塞嘉电子科技有限公司 | 一种机场安全管理平台的突发事件联动方法及*** |
CN113420722A (zh) * | 2021-07-21 | 2021-09-21 | 上海塞嘉电子科技有限公司 | 一种机场安全管理平台的突发事件联动方法及*** |
CN113625603A (zh) * | 2021-07-27 | 2021-11-09 | 金鹏电子信息机器有限公司 | 基于大数据的安防监控管理***及管理方法 |
CN114040003A (zh) * | 2022-01-10 | 2022-02-11 | 华北科技学院(中国煤矿安全技术培训中心) | 针对人员密集区域突发事件的应急处置***及方法 |
CN114040003B (zh) * | 2022-01-10 | 2022-04-01 | 华北科技学院(中国煤矿安全技术培训中心) | 针对人员密集区域突发事件的应急处置***及方法 |
CN114170561A (zh) * | 2022-02-14 | 2022-03-11 | 盈嘉互联(北京)科技有限公司 | 一种应用于智能建筑的机器视觉行为意图预测方法 |
CN114170561B (zh) * | 2022-02-14 | 2022-05-06 | 盈嘉互联(北京)科技有限公司 | 一种应用于智能建筑的机器视觉行为意图预测方法 |
CN114900539A (zh) * | 2022-04-08 | 2022-08-12 | 上海医广科技有限公司 | 基于nb-iot的医院综合bim运维指挥管理***和方法 |
CN114820931A (zh) * | 2022-04-24 | 2022-07-29 | 江苏鼎集智能科技股份有限公司 | 基于虚拟现实的智慧城市cim可视化实时成像方法 |
CN115359568A (zh) * | 2022-08-24 | 2022-11-18 | 深圳职业技术学院 | 行人智能体运动与应急疏散的仿真方法及计算机设备 |
CN116129353A (zh) * | 2023-02-07 | 2023-05-16 | 佛山市顺德区福禄康电器科技有限公司 | 一种基于图像识别进行智能监控的方法及*** |
CN116129353B (zh) * | 2023-02-07 | 2024-05-07 | 广州融赋数智技术服务有限公司 | 一种基于图像识别进行智能监控的方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111401161A (zh) | 基于智能视频分析算法实现行为识别的智慧建筑管控*** | |
Zhang et al. | Urban anomaly analytics: Description, detection, and prediction | |
CN110428522B (zh) | 一种智慧新城的智能安防*** | |
CN112052804B (zh) | 实现安全管理的视频智能分析及报警***及其方法 | |
CN111212038B (zh) | 基于大数据人工智能的开放数据api网关*** | |
Karkouch et al. | Data quality in internet of things: A state-of-the-art survey | |
CN110866642A (zh) | 安全监控方法、装置、电子设备和计算机可读存储介质 | |
CN114267178B (zh) | 一种车站的智能运营维护方法及装置 | |
KR20180118979A (ko) | 다중로그 데이터 기반의 공공안전 위험상황 감지, 예측, 대응 방법 및 장치 | |
CN114218992A (zh) | 异常对象的检测方法及相关装置 | |
CN115103157A (zh) | 基于边云协同的视频分析方法、装置、电子设备及介质 | |
CN113673311A (zh) | 一种交通异常事件检测方法、设备及计算机存储介质 | |
TWM622216U (zh) | 用於服務異常偵測告警的設備 | |
CN115001934A (zh) | 一种工控安全风险分析***及方法 | |
CN115514627A (zh) | 一种故障根因定位方法、装置、电子设备及可读存储介质 | |
CN112087604A (zh) | 一种基于图像识别的监控视频智慧管控方法 | |
Patino et al. | Extraction of activity patterns on large video recordings | |
Yu et al. | Network security monitoring method based on deep learning | |
CN111931798B (zh) | 进行冷头状态分类检测和寿命预测的方法 | |
Seema et al. | Deep learning models for analysis of traffic and crowd management from surveillance videos | |
Avci et al. | Real-Time Building Management System Visual Anomaly Detection Using Heat Points Motion Analysis Machine Learning Algorithm | |
Schuster et al. | Multi-cue learning and visualization of unusual events | |
CN117746338B (zh) | 基于人工智能的物业园区安全管理方法及*** | |
CN117275156B (zh) | 无人值守共享棋牌室预定*** | |
US20230360402A1 (en) | Video-based public safety incident prediction system and method therefor |
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 |
Application publication date: 20200710 |