CN111814669A - 一种银行网点异常行为的识别方法及装置 - Google Patents
一种银行网点异常行为的识别方法及装置 Download PDFInfo
- Publication number
- CN111814669A CN111814669A CN202010650509.6A CN202010650509A CN111814669A CN 111814669 A CN111814669 A CN 111814669A CN 202010650509 A CN202010650509 A CN 202010650509A CN 111814669 A CN111814669 A CN 111814669A
- Authority
- CN
- China
- Prior art keywords
- abnormal behavior
- behavior
- abnormal
- training
- model
- 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
Images
Classifications
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Alarm Systems (AREA)
Abstract
本发明提供一种银行网点异常行为的识别方法及装置,所述方法包括:获取指定视频监控装置的视频数据;对所述视频数据进行解码并提取多帧图片;根据每帧图片以及异常行为识别模型,获得每帧图片的识别结果;其中,所述异常行为识别模型是根据异常行为训练数据以及对应的行为标签训练获得的。所述装置用于执行上述方法。本发明实施例提供的银行网点异常行为的识别方法及装置,提高了对异常行为的识别效率。
Description
技术领域
本发明涉及图像识别技术领域,具体涉及一种银行网点异常行为的识别方法及装置。
背景技术
目前,银行网点都会设置视频监控装置,对网点内的情况进行监控。
现有技术中,银行网点内设置的视频监控装置会将监控区域内的视频数据发送至后台存储,网点管理人员通过查看视频数据,确认监控区域内是否存在异常。通过人工查看视频数据,需要花费大量时间,效率低并且很难做到实时监控。此外,由于人工查看视频,难以避免出现标准不统一或遗漏信息的情况。
发明内容
针对现有技术中的问题,本发明实施例提供一种银行网点异常行为的识别方法及装置,能够至少部分地解决现有技术中存在的问题。
一方面,本发明提出一种银行网点异常行为的识别方法,包括:
获取指定视频监控装置的视频数据;
对所述视频数据进行解码并提取多帧图片;
根据每帧图片以及异常行为识别模型,获得每帧图片的识别结果;其中,所述异常行为识别模型是根据异常行为训练数据以及对应的行为标签训练获得的。
另一方面,本发明提供一种银行网点异常行为的识别装置,包括:
获取单元,用于获取指定视频监控装置的视频数据;
提取单元,用于对所述视频数据进行解码并提取多帧图片;
识别单元,用于根据每帧图片以及异常行为识别模型,获得每帧图片的识别结果;其中,所述异常行为识别模型是根据异常行为训练数据以及对应的行为标签训练获得的。
再一方面,本发明提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述任一实施例所述银行网点异常行为的识别方法的步骤。
又一方面,本发明提供一种计算机可读存储介质,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上述任一实施例所述银行网点异常行为的识别方法的步骤。
本发明实施例提供的银行网点异常行为的识别方法及装置,获取预设视频监控装置的视频数据,对视频数据进行解码并提取多帧图片,根据每帧图片以及异常行为识别模型,获得每帧图片的识别结果,通过异常行为识别模型快速获得每帧图片的识别结果,提高了对异常行为的识别效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1是本发明一实施例提供的银行网点异常行为的识别方法的流程示意图。
图2是本发明另一实施例提供的银行网点异常行为的识别方法的流程示意图。
图3是本发明一实施例提供的银行网点异常行为的识别装置的结构示意图。
图4是本发明另一实施例提供的银行网点异常行为的识别装置的结构示意图。
图5是本发明又一实施例提供的银行网点异常行为的识别装置的结构示意图。
图6是本发明一实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。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任意组合。
图1是本发明一实施例提供的银行网点异常行为的识别方法的流程示意图,如图1所示,本发明实施例提供的银行网点异常行为的识别方法,包括:
S101、获取指定视频监控装置的视频数据;
具体地,视频监控装置将采集的视频数据发送给银行网点异常行为的识别装置(以下简称识别装置),所述识别装置会接收到所述视频数据,从而获取到所述视频数据。其中,在银行网点会预先设置多个视频监控装置,可以从中指定视频监控装置进行异常行为的监控。所述视频监控装置可以采用枪式摄像机、半球摄像机、笔筒式摄像机等,根据实际需要进行设置,本发明实施例不做限定。所述识别装置可以采用服务器或者边缘计算终端,根据实际需要进行设置,本发明实施例不做限定。所述边缘计算终端可以采用华为小站等终端设备。
S102、对所述视频数据进行解码并提取多帧图片;
具体地,所述识别装置在获得所述视频数据之后,会对所述视频进行解码,并从解码后的视频数据中提取出多帧图片,例如每秒提取1帧图片,根据实际需要进行设置,本发明实施例不做限定。
S103、根据每帧图片以及异常行为识别模型,获得每帧图片的识别结果;其中,所述异常行为识别模型是根据异常行为训练数据以及对应的行为标签训练获得的。
具体地,所述识别装置将每帧图片输入至异常行为识别模型中,经过所述异常行为识别模型的处理,可以输出每帧图片的识别结果,所述识别结果为存在异常行为或者不存在异常行为。其中,所述异常行为识别模型是根据异常行为训练数据以及对应的行为标签训练获得的,所述行为标签是预设的,包括正常行为和异常行为。其中,所述异常行为包括但不限于打架、摔倒、暴躁等行为,根据实际需要进行设置,本发明实施例不做限定。
本发明实施例提供的银行网点异常行为的识别方法,获取指定视频监控装置的视频数据,对视频数据进行解码并提取多帧图片,根据每帧图片以及异常行为识别模型,获得每帧图片的识别结果,通过异常行为识别模型快速获得每帧图片的识别结果,提高了对异常行为的识别效率。此外,由于无需人工查看视频数据,节约了银行网点的监控成本。
图2是本发明另一实施例提供的银行网点异常行为的识别方法的流程示意图,如图2所示,在上述各实施例的基础上,进一步地根据异常行为训练数据以及对应的行为标签训练获得异常行为识别模型的步骤包括:
S201、获取所述异常行为训练数据以及对应的行为标签,并将所述异常行为训练数据划分为训练集和验证集;
具体地,可以从历史视频数据中解析获得预设数量帧图片作为所述异常行为训练数据,并对所述预设数量帧图片进行人工标注,确认所述预设数量帧图片中每帧图片对应的行为标签,即人工确定每帧图片对应的行为标签为异常行为或者正常行为。所述识别装置可以获取所述异常行为训练数据以及对应的行为标签,然后将所述异常行为训练数据划分为训练集和验证集,所述训练集用于模型的训练,所述验证集用于模型的验证。其中,所述预设数量根据实际需要进行设置,本发明实施例不做限定。
例如,将70%的所述异常行为训练数据作为所述训练集,将30%的所述异常行为训练数据作为验证集。
S202、根据所述训练集以及所述训练集对应的行为标签对初始模型进行训练,获得待定异常行为识别模型;
具体地,所述识别装置在获得所述训练集之后,根据所述训练集以及所述训练集对应的行为标签,对初始模型进行模型训练,可以获得待定异常行为识别模型。其中,所述初始模型包括但不限于Retinanet模型、ResNet18模型等,根据实际情况进行设置,本发明实施例不做限定。
S203、根据所述验证集以及所述验证集对应的行为标签对所述待定异常行为识别模型进行验证,获得模型验证结果;
具体地,所述识别装置获得所述待定异常行为识别模型之后,会将所述验证集输入到所述待定异常行为识别模型中,输出所述验证集对应的识别结果。将所述验证集中每帧图片对应的识别结果与所述验证集中每帧图片对应的行为标签进行比较,并统计各帧图片对应的识别结果中与对应的行为标签匹配的数量T,所述验证集中包括的图片的数量为Q,那么所述待定异常行为识别模型的准确率为T/Q。如果所述待定异常行为识别模型的准确率小于阈值,那么模型验证结果为不通过。如果所述待定异常行为识别模型的准确率大于等于阈值,那么模型验证结果为通过。其中,所述阈值根据实际经验进行设置,本发明实施例不做限定。
S204、若获知所述模型验证结果为通过,则将所述待定异常行为识别模型作为所述异常行为识别模型。
具体地,所述识别装置如果获知所述模型验证结果为通过,那么将所述待定异常行为识别模型作为所述异常行为识别模型。
在上述各实施例的基础上,进一步地,本发明实施例提供的银行网点异常行为的识别方法还包括:
若获知所述图片的识别结果为存在异常行为,则进行异常行为预警。
具体地,所述识别装置如果获知所述识别结果为存在异常行为,那么可以通过短信等方式将所述识别结果通知银行网点的相关人员,实现异常行为预警。银行网点的相关人员可以对异常行为进行及时处理。
在上述各实施例的基础上,进一步地,所述进行异常行为预警包括:
发送所述异常行为对应的视频监控装置的监控区域。
具体地,为了方便银行网点的相关人员对及时对出现的异常行为进行处理,所述识别装置可以将所述异常行为对应的视频监控装置的监控区域,以短信等方式给银行网点的相关人员,以便银行网点的相关人员知道异常行为发生的地点。其中,视频监控装置的监控区域是预设的,根据实际情况进行设置,本发明实施例不做限定。
图3是本发明一实施例提供的银行网点异常行为的识别装置的结构示意图,如图3所示,本发明实施例提供的银行网点异常行为的识别装置包括获取单元301、提取单元302和识别单元303,其中:
获取单元301用于获取指定视频监控装置的视频数据;提取单元302用于对所述视频数据进行解码并提取多帧图片;识别单元303用于根据每帧图片以及异常行为识别模型,获得每帧图片的识别结果;其中,所述异常行为识别模型是根据异常行为训练数据以及对应的行为标签训练获得的。
具体地,视频监控装置将采集的视频数据发送给获取单元301,获取单元301会接收到所述视频数据,从而获取到所述视频数据。其中,在银行网点会预先设置多个视频监控装置,可以从中指定视频监控装置进行异常行为的监控。所述视频监控装置可以采用枪式摄像机、半球摄像机、笔筒式摄像机等,根据实际需要进行设置,本发明实施例不做限定。所述识别装置可以采用服务器或者边缘计算终端,根据实际需要进行设置,本发明实施例不做限定。所述边缘计算终端可以采用华为小站等终端设备。
在获得所述视频数据之后,识别单元303会对所述视频进行解码,并从解码后的视频数据中提取出多帧图片,例如每秒提取1帧图片,根据实际需要进行设置,本发明实施例不做限定。
识别单元303将每帧图片输入至异常行为识别模型中,经过所述异常行为识别模型的处理,可以输出每帧图片的识别结果,所述识别结果为存在异常行为或者不存在异常行为。其中,所述异常行为识别模型是根据异常行为训练数据以及对应的行为标签训练获得的,所述行为标签是预设的,包括正常行为和异常行为。其中,所述异常行为包括但不限于打架、摔倒、暴躁等行为,根据实际需要进行设置,本发明实施例不做限定。
本发明实施例提供的银行网点异常行为的识别装置,获取指定视频监控装置的视频数据,对视频数据进行解码并提取多帧图片,根据每帧图片以及异常行为识别模型,获得每帧图片的识别结果,通过异常行为识别模型对快速获得每帧图片的识别结果,提高了对异常行为的识别效率。此外,由于无需人工查看视频数据,节约了银行网点的监控成本。
图4是本发明另一实施例提供的银行网点异常行为的识别装置的结构示意图,如图4所示,在上述各实施例的基础上,进一步地,本发明实施例提供的银行网点异常行为的识别装置还包括划分单元304、训练单元305、验证单元306和作为单元307,其中:
划分单元304用于获取所述异常行为训练数据以及对应的行为标签,并将所述异常行为训练数据划分为训练集和验证集;训练单元305用于根据所述训练集以及所述训练集对应的行为标签对初始模型进行训练,获得待定异常行为识别模型;验证单元306用于根据所述验证集以及所述验证集对应的行为标签对所述待定异常行为识别模型进行验证,获得模型验证结果;作为单元307用于在获知所述模型验证结果为通过之后,则将所述待定异常行为识别模型作为所述异常行为识别模型。
具体地,可以从历史视频数据中解析获得预设数量帧图片作为所述异常行为训练数据,并对所述预设数量帧图片进行人工标注,确认所述预设数量帧图片中每帧图片对应的行为标签,即人工确定每帧图片对应的行为标签为异常行为或者正常行为。划分单元304可以获取所述异常行为训练数据以及对应的行为标签,然后将所述异常行为训练数据划分为训练集和验证集,所述训练集用于模型的训练,所述验证集用于模型的验证。其中,所述预设数量根据实际需要进行设置,本发明实施例不做限定。
在获得所述训练集之后,训练单元305根据所述训练集以及所述训练集对应的行为标签,对初始模型进行模型训练,可以获得待定异常行为识别模型。其中,所述初始模型包括但不限于于Retinanet模型、ResNet18模型等,根据实际情况进行设置,本发明实施例不做限定。
在获得所述待定异常行为识别模型之后,验证单元306会将所述验证集输入到述待定异常行为识别模型中,输出所述验证集对应的识别结果。将所述验证集中每帧图片对应的识别结果与所述验证集中每帧图片对应的行为标签进行比较,并统计各帧图片对应的识别结果中与对应的行为标签匹配的数量T,所述验证集中包括的图片的数量为Q,那么所述待定异常行为识别模型的准确率为T/Q。如果所述待定异常行为识别模型的准确率小于阈值,那么模型验证结果为不通过。如果所述待定异常行为识别模型的准确率大于等于阈值,那么模型验证结果为通过。其中,所述阈值根据实际经验进行设置,本发明实施例不做限定。
作为单元307如果获知所述模型验证结果为通过,那么将所述待定异常行为识别模型作为所述异常行为识别模型。
图5是本发明又一实施例提供的银行网点异常行为的识别装置的结构示意图,如图5所述,在上述各实施例的基础上,进一步地,本发明实施例提供的银行网点异常行为的识别装置还包括预警单元308,其中:
预警单元308用于在获知所述图片的识别结果为存在异常行为之后,进行异常行为预警。
具体地,预警单元308如果获知所述识别结果为存在异常行为,那么可以通过短信等方式将所述识别结果通知银行网点的相关人员,实现异常行为预警。银行网点的相关人员可以对异常行为进行及时处理。
在上述各实施例的基础上,进一步地,预警单元308具体用于:
发送所述异常行为对应的视频监控装置的监控区域。
具体地,为了方便银行网点的相关人员对及时对出现的异常行为进行处理,预警单元308可以将所述异常行为对应的视频监控装置的监控区域,以短信等方式给银行网点的相关人员,以便银行网点的相关人员知道异常行为发生的地点。其中,视频监控装置的监控区域是预设的,根据实际情况进行设置,本发明实施例不做限定。
本发明实施例提供的装置的实施例具体可以用于执行上述各方法实施例的处理流程,其功能在此不再赘述,可以参照上述方法实施例的详细描述。
图6是本发明一实施例提供的电子设备的实体结构示意图,如图6所示,该电子设备可以包括:处理器(processor)601、通信接口(Communications Interface)602、存储器(memory)603和通信总线604,其中,处理器601,通信接口602,存储器603通过通信总线604完成相互间的通信。处理器601可以调用存储器603中的逻辑指令,以执行如下方法:获取指定视频监控装置的视频数据;对所述视频数据进行解码并提取多帧图片;根据每帧图片以及异常行为识别模型,获得每帧图片的识别结果;其中,所述异常行为识别模型是根据异常行为训练数据以及对应的行为标签训练获得的。
此外,上述的存储器603中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:获取指定视频监控装置的视频数据;对所述视频数据进行解码并提取多帧图片;根据每帧图片以及异常行为识别模型,获得每帧图片的识别结果;其中,所述异常行为识别模型是根据异常行为训练数据以及对应的行为标签训练获得的。
本实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储计算机程序,所述计算机程序使所述计算机执行上述各方法实施例所提供的方法,例如包括:获取指定视频监控装置的视频数据;对所述视频数据进行解码并提取多帧图片;根据每帧图片以及异常行为识别模型,获得每帧图片的识别结果;其中,所述异常行为识别模型是根据异常行为训练数据以及对应的行为标签训练获得的。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在本说明书的描述中,参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种银行网点异常行为的识别方法,其特征在于,包括:
获取指定视频监控装置的视频数据;
对所述视频数据进行解码并提取多帧图片;
根据每帧图片以及异常行为识别模型,获得每帧图片的识别结果;其中,所述异常行为识别模型是根据异常行为训练数据以及对应的行为标签训练获得的。
2.根据权利要求1所述的方法,其特征在于,根据异常行为训练数据以及对应的行为标签训练获得异常行为识别模型的步骤包括:
获取所述异常行为训练数据以及对应的行为标签,并将所述异常行为训练数据划分为训练集和验证集;
根据所述训练集以及所述训练集对应的行为标签对初始模型进行训练,获得待定异常行为识别模型;
根据所述验证集以及所述验证集对应的行为标签对所述待定异常行为识别模型进行验证,获得模型验证结果;
若获知所述模型验证结果为通过,则将所述待定异常行为识别模型作为所述异常行为识别模型。
3.根据权利要求1或2所述的方法,其特征在于,还包括:
若获知所述图片的识别结果为存在异常行为,则进行异常行为预警。
4.根据权利要求3所述的方法,其特征在于,所述进行异常行为预警包括:
发送所述异常行为对应的视频监控装置的监控区域。
5.一种银行网点异常行为的识别装置,其特征在于,包括:
获取单元,用于获取指定视频监控装置的视频数据;
提取单元,用于对所述视频数据进行解码并提取多帧图片;
识别单元,用于根据每帧图片以及异常行为识别模型,获得每帧图片的识别结果;其中,所述异常行为识别模型是根据异常行为训练数据以及对应的行为标签训练获得的。
6.根据权利要求5所述的装置,其特征在于,还包括:
划分单元,用于获取所述异常行为训练数据以及对应的行为标签,并将所述异常行为训练数据划分为训练集和验证集;
训练单元,用于根据所述训练集以及所述训练集对应的行为标签对初始模型进行训练,获得待定异常行为识别模型;
验证单元,用于根据所述验证集以及所述验证集对应的行为标签对所述待定异常行为识别模型进行验证,获得模型验证结果;
作为单元,用于在获知所述模型验证结果为通过之后,则将所述待定异常行为识别模型作为所述异常行为识别模型。
7.根据权利要求5或6所述的装置,其特征在于,还包括:
预警单元,用于在获知所述图片的识别结果为存在异常行为之后,进行异常行为预警。
8.根据权利要求7所述的装置,其特征在于,所述预警单元具体用于:
发送所述异常行为对应的视频监控装置的监控区域。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至4任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至4任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010650509.6A CN111814669A (zh) | 2020-07-08 | 2020-07-08 | 一种银行网点异常行为的识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010650509.6A CN111814669A (zh) | 2020-07-08 | 2020-07-08 | 一种银行网点异常行为的识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111814669A true CN111814669A (zh) | 2020-10-23 |
Family
ID=72843213
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010650509.6A Pending CN111814669A (zh) | 2020-07-08 | 2020-07-08 | 一种银行网点异常行为的识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111814669A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113158842A (zh) * | 2021-03-31 | 2021-07-23 | 中国工商银行股份有限公司 | 一种识别方法、***、设备及介质 |
CN113723169A (zh) * | 2021-04-26 | 2021-11-30 | 中国科学院自动化研究所 | 基于SlowFast的行为识别方法、***及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109241418A (zh) * | 2018-08-22 | 2019-01-18 | 中国平安人寿保险股份有限公司 | 基于随机森林的异常用户识别方法及装置、设备、介质 |
CN109241946A (zh) * | 2018-10-11 | 2019-01-18 | 平安科技(深圳)有限公司 | 异常行为监控方法、装置、计算机设备及存储介质 |
CN109993122A (zh) * | 2019-04-02 | 2019-07-09 | 中国石油大学(华东) | 一种基于深度卷积神经网络的行人乘扶梯异常行为检测方法 |
-
2020
- 2020-07-08 CN CN202010650509.6A patent/CN111814669A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109241418A (zh) * | 2018-08-22 | 2019-01-18 | 中国平安人寿保险股份有限公司 | 基于随机森林的异常用户识别方法及装置、设备、介质 |
CN109241946A (zh) * | 2018-10-11 | 2019-01-18 | 平安科技(深圳)有限公司 | 异常行为监控方法、装置、计算机设备及存储介质 |
CN109993122A (zh) * | 2019-04-02 | 2019-07-09 | 中国石油大学(华东) | 一种基于深度卷积神经网络的行人乘扶梯异常行为检测方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113158842A (zh) * | 2021-03-31 | 2021-07-23 | 中国工商银行股份有限公司 | 一种识别方法、***、设备及介质 |
CN113723169A (zh) * | 2021-04-26 | 2021-11-30 | 中国科学院自动化研究所 | 基于SlowFast的行为识别方法、***及设备 |
CN113723169B (zh) * | 2021-04-26 | 2024-04-30 | 中国科学院自动化研究所 | 基于SlowFast的行为识别方法、***及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3451328B1 (en) | Method and apparatus for verifying information | |
CN106469276B (zh) | 数据样本的类型识别方法及装置 | |
CN112200081A (zh) | 异常行为识别方法、装置、电子设备及存储介质 | |
CN111814669A (zh) | 一种银行网点异常行为的识别方法及装置 | |
CN110138794A (zh) | 一种仿冒网站识别方法、装置、设备及可读存储介质 | |
CN112200556A (zh) | 一种自动柜员机的转账处理方法及装置 | |
CN115208835A (zh) | Api分类方法、装置、电子设备、介质及产品 | |
CN111814670A (zh) | 一种银行网点的特殊客户识别方法及装置 | |
CN112988337A (zh) | 任务处理***、方法、装置、电子设备、存储介质 | |
CN110602483B (zh) | 视频故障确定方法、装置及计算机可读存储介质 | |
CN110414322B (zh) | 提取图片的方法、装置、设备及存储介质 | |
CN110210215B (zh) | 一种病毒检测的方法以及相关装置 | |
CN115937578A (zh) | 食品安全预警方法、装置、计算机设备及存储介质 | |
CN115424253A (zh) | 车牌识别方法、装置、电子设备和存储介质 | |
CN115424197A (zh) | 一种实验动物逃逸监控方法及装置 | |
CN114140850A (zh) | 人脸识别方法、装置和电子设备 | |
CN111885354A (zh) | 一种银行网点的服务改进判别方法及装置 | |
CN112580344A (zh) | 信息监督方法、装置、设备、存储介质及程序产品 | |
CN110990665A (zh) | 数据处理方法、装置、***、电子设备及存储介质 | |
CN114782884B (zh) | 基于安防视频监控的增强识别方法和装置 | |
CN106547679B (zh) | 脚本管理的方法和脚本管理平台 | |
CN117632716B (zh) | 一种用于软件安全性测试的数据处理方法及装置 | |
CN108664369A (zh) | 排版软件监控方法及装置 | |
CN113888054B (zh) | 业务模型的构建方法、装置、存储介质及处理器 | |
CN116561021A (zh) | 视频数据处理方法、装置、电子设备及存储介质 |
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 |