CN113112528A - 异常行为监控方法、装置、设备及存储介质 - Google Patents
异常行为监控方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113112528A CN113112528A CN202110452155.9A CN202110452155A CN113112528A CN 113112528 A CN113112528 A CN 113112528A CN 202110452155 A CN202110452155 A CN 202110452155A CN 113112528 A CN113112528 A CN 113112528A
- Authority
- CN
- China
- Prior art keywords
- pedestrian target
- pedestrian
- image frame
- frame data
- state information
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 126
- 206010000117 Abnormal behaviour Diseases 0.000 title claims abstract description 110
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000001514 detection method Methods 0.000 claims abstract description 94
- 230000008859 change Effects 0.000 claims abstract description 45
- 238000004422 calculation algorithm Methods 0.000 claims description 35
- 230000002159 abnormal effect Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 17
- 238000006073 displacement reaction Methods 0.000 claims description 13
- 238000000585 Mann–Whitney U test Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 3
- 238000012806 monitoring device Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 11
- 230000009471 action Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000013024 troubleshooting Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
-
- 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
- G06T7/248—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving reference images or patches
-
- 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
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
-
- 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
- G06T2207/30—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
- G06T2207/30241—Trajectory
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种异常行为监控方法、装置、设备及存储介质，应用于计算机视觉技术领域。本发明提供的方法包括：获取当前监控场景的图像帧数据序列，对图像帧数据中的行人目标进行行人检测以及行人目标跟踪，得到行人目标的位置变化信息，根据位置变化信息确定所述行人目标的运动状态信息；根据当前监控场景的人群密度与所述行人目标的运动状态信息确定当前监控场景是否发生了异常行为。本发明用于提高检测到公共区域中异常行为的准确性。
Description
技术领域
本发明涉及计算机视觉技术领域，尤其涉及异常行为监控方法、装置、设备及存储介质。
背景技术
目前，智能视频监控已经成为人工智能领域非常活跃的热点技术之一，是计算机视觉在建设智慧城市领域的重要应用。
为了建设智慧城市，保障城市的公共安全，多在广场、火车站等公共区域安装监控装置，用以监控在高密度人流场景下的异常行为事件，用以保证城市的公共区域安全。
现有的视频监控手段是采用人工监控和排查的方式，排查人员需要观看大量的视频监控数据，查看是发生异常行为事件。由于视频监控视频量大，人工处理不仅消耗大量人力物力，效率也不高，检测到异常行为的准确度不高。
另外一种异常行为检测方式是采用计算机视觉技术对视频数据进行分析，判断当前视频场景中行人的状态是否异常，以判断是否发生了异常行为事件。但是，由于视频监控中的人群运动的复杂性和异常事件的多样性，难以对视频中的异常行为进行准确描述。其次，监控场景中的个体之间存在相互遮挡，造成分析结果不准确，难以确定是否发生了异常行为事件。
综上所述，需要提出一种异常行为检测方法，以提高检测异常行为的准确性。
发明内容
本发明提供一种异常行为监控方法、装置、计算机设备及存储介质，用以提高检测到公共区域中异常行为的准确性。
一种异常行为监控方法，包括：
获取当前监控场景的视频数据，对视频数据进行图像帧数据提取，得到图像帧数据序列；
对图像帧数据中的行人目标进行目标检测，得到行人目标检测结果；
通过社会力模型和图像帧数据序列，对每个行人目标检测结果进行目标跟踪，得到每个行人目标的位置变化信息；
基于所述位置变化信息与所述行人目标检测结果，生成行人目标的运动状态信息，并基于所述运动状态信息，根据预设方法确定当前监控场景是否发生异常行为。
一种异常行为监控装置，包括：
视频数据处理模块，用于获取当前监控场景的视频数据，对视频数据进行图像帧数据提取，得到图像帧数据序列；
行人目标检测结果获取模块，用于对图像帧数据中的行人目标进行目标检测，得到行人目标检测结果；
位置变化信息获取模块，用于通过社会力模型和图像帧数据序列，对每个行人目标检测结果进行目标跟踪，得到每一个行人目标的位置变化信息；
异常行为确定模块，基于所述位置变化信息与所述行人目标检测结果，生成行人目标的运动状态信息，并基于所述运动状态信息，根据预设方法确定当前监控场景是否发生异常行为。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述异常行为监控方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述异常行为监控方法的步骤。
本发明提供的异常行为监控方法、装置、计算机设备及存储介质，通过获取当前监控场景的视频数据，对视频数据进行处理，提取出图像帧数据序列；采用目标检测算法对图像帧数据中的行人目标进行检测，并采用社会力模型对行人目标进行跟踪，得到行人目标在图像帧数据序列中的位置变化信息，根据位置变化信息确定行人目标的运动状态信息，根据运动状态信息与正常情况下的状态信息，确定当前监控场景是否发生异常行为，实现对当前监控场景下的异常行为进行监控，提高检测到异常行为的准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例中异常行为监控方法的一应用环境示意图；
图2是本发明一实施例中异常行为监控方法的一流程图；
图3是本发明一实施例中异常行为监控装置的结构示意图；
图4是本发明一实施例中计算机设备的一示意图。
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、完整地描述，显然，所描述的实施例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作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。
如图1所示，***框架可以包括终端设备、网络和服务器。网络用以在终端设备和服务器之间提供通信链路的介质。网络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。
用户可以使用终端设备通过网络与服务器交互，以接收或者发送消息等。
终端设备可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Eperts Group AudioLayer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Eperts GroupAudio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器可以是提供各种服务的服务器，例如对终端设上显示的页面提供支持的后台服务器。
需要说明的是，本发明实施例所提供的异常行为监控方法由服务器执行，相应地，异常行为监控装置设置于服务器中。
应该理解，图1中的终端设备、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终端设备、网络和服务器，本发明实施例中的终端设备具体可以对应的是实际生产中的应用***。
在一实施例中，如图2所示，提供一种异常行为监控方法，以该方法应用在图1中的服务器为例进行说明，包括如下步骤S201至S204：
S201，获取当前监控场景的视频数据，对视频数据进行图像帧数据提取，得到图像帧数据序列。
其中，当前监控场景是指安保摄像头进行拍摄监控的某一公共区域，例如火车站、机场、交通十字路口等场合。
接收摄像头端发送的当前监控场景的实时视频数据，并对视频数据进行解码处理，得到多个时序连续的图像帧数据，作为图像帧数据序列。
作为一种可选方式，对视频数据解码后，对得到的图像帧数据序列进行筛选，将画面质量不符合要求的图像帧数据剔除，剩余的图像帧数据用以后续的处理。对图像帧数据序列进行筛选，一来减少了图像帧数据的数量，减轻了计算机处理图像帧数据序列的压力，提高了处理图像帧数据的效率；其次，将画面模糊或者将两帧画面实质相同或者相似的图像帧数据剔除，以确保后续进行处理后的处理结果的可用性，确保了结果的准确性。
S202，对图像帧数据中的行人目标进行目标检测，得到行人目标检测结果。
其中，采用目标检测算法对每一帧图像帧数据进行目标检测，以检测出每一帧图像帧数据中的行人目标，将行人目标的位置作为行人目标检测结果。
其中，目标检测算法是将图像或者视频中的目标与其他不感兴趣的区域进行区分，判断当前图像或者视频中是否存在目标，识别目标种类的计算机视觉任务。
目前目标检测领域的深度学习方法主要分为两类：two-stage的目标检测算法，one-stage的目标检测算法。前者先由算法生成一系列样本的候选框，再通过卷积的神经网络进行样本分类；后者不用产生候选框，直接将目标边框定位转化为回归问题处理。
S203，通过社会力模型和图像帧数据序列，对每个行人目标检测结果进行目标跟踪，得到每个行人目标的位置变化信息。
其中，对图像帧数据序列进行处理，得到每一帧图像帧数据中的行人目标。为了确定同一个行人目标在时序连续的图像帧数据序列上的运动轨迹，采用社会力模型，对同一个行人目标在下一帧图像帧数据的位置进行修正确定，以基于图像帧数据序列，生成每一个行人目标的位置变化信息。
其中，社会力模型提出行人运动过程中受到心理力、物理力的共同作用，从而对其运动方向、运动速度产生影响，从而确定其的运动轨迹。其中心理力包括向目的地移动的驱动力以及避免和他人或者障碍物相撞的排斥力。物理力包括与他人或者障碍物接触时产生的摩擦力和压力。
其中，社会力模型的动力学公式可根据公式计算得到：
其中，mi为第i个行人的质量，vi(t)为第i个行人在该时刻的实际速度，
为第i个行人在该时刻的目的地驱动力，
为第i个行人受到的j个行人对其作用力的合力，
为第i个行人受到的墙壁或者障碍物对其的作用力合力。
其中，目的地驱动力是行人运动的主要动力，是行人运动中因想要到达目的地而产生的内驱力。行人间作用力是行人之间会产生力的作用从而影响行人的运动状态，两两行人间的作用力包括与其他行人接触产生的心理排斥力和与其他行人接触后产生的物理作用力。障碍物作用力是与墙壁或者障碍物之间的作用力。障碍物作用力包括因排斥与障碍物或者墙壁接触的心理作用力和接触后产生的物理作用力，主要由行人与障碍物或者墙壁之间的距离决定。
社会力模型包括影响行人运动的因素，采用社会力模型对行人目标的运动状态进行判断，从而更能精确确认行人目标的位置，更能提高获取行人目标的位置变化信息的准确性。
其中，作为一种可选方式，在获取行人目标位置变化信息后，根据行人目标在前后两帧的图像帧数据中的位移，确定行人目标的移动速度和行动方向。
根据行人目标的移动速率以及行动方向，确认当前场景是否是行人逃生的情况。具体是，判断当前监控场景下行人目标的移动速率是否超过行人正常行走的速度以及当前同一行动方向的行人目标数量是否超过了正常范围。
S204，基于位置变化信息与行人目标检测结果，生成行人目标的运动状态信息，并基于运动状态信息，根据预设方法确定当前监控场景是否发生异常行为。
确定当前监控场景的人群密度信息大于预设密度信息，则基于行人目标的位置变化信息与行人目标检测结果，确定行人目标的运动状态信息。
其中，行人目标的运动状态信息包括但不限于行人目标的行走速度、行走方向和行人目标的站立情况。预设状态信息是预先获取的行人在正常情况下行走时的状态信息，具体的包括行人的行走速度以及行走方向等。
作为一种可选方式，行人目标的运动状态可以通过行人目标的检测框确定，若行人目标的检测框的宽高比例大于2:1，则确定当前行人目标的状态为倒地状态。
进一步的，若确定当前监控场景中有行人目标处于倒地状态，则基于异常行为事件发出预警信号。
在本实施例中，异常行为事件包括但不限于行人拥挤***件、行人逃生行为。发出预警信号的形式包括但不限于：通过广播通知等。
作为一种可选方式，行人目标的运动状态信息可以是行人目标的移动速度。
在预设的检测帧率内，确定行人目标的移动位移。具体的，将检测帧率设置为30帧/S，即在第一帧中确定行人目标的位置，在第三十帧确定行人目标的位置，根据两帧间行人目标的位置差确定行人目标在一秒内的位移。
具体的，在图像帧数据中确定的行人位置为像素坐标，进一步的，可通过坐标转换的方式将向像素坐标转换为真实坐标，根据真实坐标之间的差距确定行人目标的位移。
在本实施例中，通过获取当前监控场景的视频数据，对视频数据进行处理，提取出图像帧数据序列；采用目标检测算法对图像帧数据中的行人目标进行检测，并采用社会力模型对行人目标进行跟踪，得到行人目标在图像帧数据序列中的位置变化信息，根据多层级目标检测网络获取当前监控场景的人群密度信息，将当前监控场景的人群密度信息与预设密度信息进行比较，若人群密度信息大于预设密度信息，则根据位置变化信息确定行人目标的运动状态信息，根据运动状态信息与正常情况下的状态信息，确定当前监控场景是否发生异常行为，实现对当前监控场景下的异常行为监控，提高检测到异常行为的准确性。
在本实施例的一些可选的实施方式中，步骤S202中，对图像帧数据中的行人目标进行目标检测，得到行人目标检测结果的步骤包括S2021至S2022：
S2021，通过多尺度图像增强算法对图像帧数据进行处理，并通过目标检测算法对处理后的图像帧数据的行人目标进行目标检测，得到行人目标检测框。
其中，在对视频数据进行解码，得到图像帧数据序列后，采用多尺度图像增强算法对图像帧数据序列中的图像帧数据进行图像增强处理，以增强图像帧数据中色彩的饱和度。
在本实施例中，采用带色彩恢复的多尺度Retinex算法(Multi-ScaleRetinexwithRestoration,带色彩恢复的多尺度视网膜算法)进行图像增强处理，以得到具有更好成像效果的图像帧数据，以提高在进行目标检测时的结果的准确性。
在对图像帧数据进行处理后，采用具有四尺度的YOLO(You only look once，只需看一次目标检测算法)算法检测出图像帧数据中的行人目标。
其中，四尺度的YOLO算法指的是在YOLO-v3算法采用三尺度网络结构的基础上增加尺度为104*104的第四尺度层，不同的尺度层可以提取不同尺寸的特征，第四尺度层用于提取尺寸更小的行人目标的特征，使得在本实施例中可以检测到更多的行人目标。
S2022，通过聚类算法对行人目标检测框进行聚类，并将得到的聚类结果作为行人目标检测结果。
其中，通过YOLO算法在对图像帧数据进行行人目标检测后，得到行人目标的检测框，由于本实施例中采用了四尺度的YOLO算法，需要采用聚类算法对尺度相同的检测框进行聚类，将各尺度的聚类结果作为行人目标检测结果。在本实施例中，通过对YOLO算法的网络结构作出改进，加入第四尺度层，第四层尺度层的尺寸相较于其他三层更小，因此可以检测到在图像帧数据中尺度更小的行人目标，因此能检测到当前监控场景下的更多行人目标。
在本实施例中的一些可选的实施方式中，步骤S203中，通过社会力模型和图像帧数据序列，对每个行人目标检测结果进行目标跟踪，得到每个行人目标的位置变化信息的步骤包括S2031至S2033：
S2031，基于行人目标检测结果，通过卡尔曼滤波对行人目标进行跟踪，得到行人目标在图像帧数据上的位置跟踪信息。
其中，卡尔曼滤波用于预测在行人目标检测结果中检测到的行人目标在下一帧图像帧数据上的位置。将同一个行人目标在当前帧图像帧数据和下一帧图像帧数据的位置关联起来，形成轨迹，得到行人目标的位置跟踪信息。
其中，可通过匈牙利算法，根据行人目标的运动匹配算法和外观匹配程度，对当前帧图像帧数据和下一帧图像帧数据中的同一个行人目标进行匹配。
其中，匈牙利算法(HungarianAlgorithm)是一种在多项式时间内求解任务分配问题的组合优化算法。其中，多项式时间在计算复杂度理论中，指的是一个问题的计算时间不大于问题大小的多项式倍数。组合优化算法是从组合问题的可行解集中求出最优解。
在本实施例中，匈牙利算法将上一帧图像帧数据的行人目标a与下一帧图像帧数据的行人目标a进行匹配，即为所有行人目标建立其在上一帧图像帧数据和下一帧图像帧数据的关联。匈牙利算法基于二分法匹配的算法流程在本实施例的应用场景中可以最大程度且快速实现上一帧图像帧数据与下一帧图像帧数据中同一个行人目标的匹配。
S2032，将位置跟踪信息输入到社会力模型中，对行人目标在下一帧图像帧数据上的位置进行修正，得到行人目标在下一帧图像帧数据上的位置。
其中，将S2031中得到的位置跟踪信息与行人目标检测结果输入到社会力模型中，用以对位置跟踪信息进行修正，以得到在下一帧图像帧数据更为准确的位置，进而得到更为准确的位置变化信息。
S2033，收集所有图像帧数据每一个行人目标的位置，得到每一个行人目标在图像帧数据序列的位置变化信息。
其中，位置变化信息具体是指每一个行人目标在连续两帧的图像帧数据的位置差，由两帧图像帧数据之间的位置差构成行人目标在当前监控场景下的行动路线。
在本实施例中的一些可选的实施方式中，步骤S204中，基于位置变化信息与行人目标检测结果，生成行人目标的运动状态信息，并基于运动状态信息，根据预设方法确定当前监控场景是否发生异常行为的步骤包括S2041至S2043：
S2041，根据位置变化信息，确定行人目标在图像帧数据序列上的位移。
其中，图像帧数据序列中的每一帧图像帧数据都携带有对应的时间戳信息。根据该行人目标在相邻帧图像帧数据或者具有前后时序的两帧图像帧数据的位置差，可以确定行人目标的移动距离，即确定行人目标的位移。
S2042，根据位移，计算得到行人目标的速度，将行人目标的速度作为行人目标的运动状态信息。
其中，根据两帧图像帧数据上的时间戳信息，确定行人目标产生该段位移所需要的时间，根据速度计算公式，计算得到行人目标的速度并将该速度作为该行人目标的运动状态信息。
S2043，根据行人目标的运动状态信息与预设状态信息的差异，若该差异小于预设阈值，则确定当前监控场景发生异常行为。
其中，根据行人目标的移动速率以及行动方向，确认当前场景是否是行人逃生的情况。
具体是，判断当前监控场景下行人目标的移动速率是否超过行人正常行走的速度，若两者差异值大于预设阈值，并且同一行动方向的行人目标数量正常范围，则因此确定当前监控场景下，处于行人目标逃生的情况，因此确定当前监控场景发生了异常行为。
在本实施例中的一些可选的实施方式中，步骤S204中，基于位置变化信息与行人目标检测结果，生成行人目标的运动状态信息，并基于运动状态信息，根据预设方法确定当前监控场景是否发生异常行为的步骤包括S2051至S2053：
S2051，基于多层级目标检测网络对图像帧数据进行密度分析，得到当前监控场景的人群密度信息。
其中，采用多层级目标检测网络检测图像帧数据中的行人数量，即得到当前监控场景的人群密度信息。
其中，人群密度信息指的是当前监控场景下的人群密度，根据人群密度评估当前监控场景下的人流量。
进一步的，多层级目标检测网络是一种基于深度学习的卷积神经网络，用于对应用场景中的人群群体进行计数。对群体进行计数的主要思路是：将人群从图像中分割出来用以对人群特征进行特征提取，将人群面积、边缘信息等特征采用回归方法转化成人数。
其中，作为一种可选方式，在多层级目标检测网络中设计了多个层级网络，不同层级的网络设计有不同的目标检测器，分别针对不同尺度的目标，底层网络更针对细节的检测，用于检测尺度较小的行人目标。而高层网络对大尺度的行人目标的检测精度更高。针对不同尺度的行人目标设计不同的目标检测器，从而能检测到更多尺度的行人目标，检测到的行人目标更符合真实场景下的行人目标数量，因而在基于人群密度对确定是否发生异常行为的结果更为准确。
S2052，将人群密度信息与预设密度信息进行比较，若人群密度信息超过预设密度信息，则基于位置变化信息与行人目标检测结果，获得行人目标的运动状态信息。
其中，预设密度信息是根据当前监控场景的场景面积或者当前监控场景的业务需要，预先设定的值。预设密度信息反映了在当前监控场景合理的人流量密集程度。其中，异常行为具体包括危险事件、人群拥挤等，此处不作具体限定。
将人群密度信息与预设密度信息进行比较，若当前监控场景下的人群密度信息超过预设密度信息，确认当前监控场景的人流量超过当前监控场景能够承担的范围，以此作为判断当前监控场景可能会发生异常行为的根据。
确定当前监控场景的人群密度信息大于预设密度信息，则基于行人目标的位置变化信息与行人目标检测结果，确定行人目标的运动状态信息。
其中，行人目标的运动状态信息包括但不限于行人目标的行走速度、行走方向等。
S2053，根据曼-惠特尼U检验方法，确定运动状态信息与预设状态信息之间的差异值，若差异值超过预设差异值，则确定当前监控场景发生异常行为。
其中，通过曼-惠特尼U检验方法，判断行人目标的运动状态信息与预设状态信息的差异，若两者之间的差异超过预设阈值，即两者之间的差异已经超过正常范围，则确定当前监控场景发生了异常行为或者异常事件。
进一步地，预设状态信息可以从文献资料中获取，或者对视频数据中的行人目标进行跟踪，以获得正常状态下，一组用以参考的速度数据。
曼-惠特尼U检验(Mann-Whitney U test)通过分析样本数据，腿短样本来自的两个独立总体分布是否存在显著差异。一般用来对两个独立样本的均数、中位数以及离散趋势等，进行差异比较检验。
在本实施例中，作为一种优选方式，将行人目标的运动状态信息与预设状态信息转换为两组速度数据，并根据曼-惠特尼U检验判断两组速度是否存在显著差异，因此判断当前监控场景下，行人目标的运动状态是否异常，进而确定当前监控场景是否发生异常行为。
其中，在步骤S2053中包括如下步骤S2061至S2062：
S2061，将每一个行人目标的运动状态信息与预设状态信息进行比较，若运动状态信息与预设状态信息的差异大于预设状态阈值，则将行人目标计入异常行人数量。
具体的，预设状态信息指的是行人在正常情况下的行走速度。运动状态信息指的是在当前监控场景下，行人目标的行走速度。预设状态阈值具体可以根据研究人类行走速度的统计数据确定，即该预设状态阈值可根据统计数据中的最大值与最小值确定，此处不作具体限定。
比较预设状态信息与运动状态信息两者之间的差值若大于预设状态阈值，则确定该行人目标的行走速度异常，则将其计入异常行人数量。
S2062，比较每一个行人目标的运动状态信息与预设状态信息后，若异常行人数量大于预设异常数量，则确定当前监控场景发生异常行为。
其中，比较每一个行人目标的运动状态信息后，得到异常行人数量。判断异常行人数量是否大于预设异常数量，若大于预设异常数量，则确定当前监控场景发生了异常行为。
其中，预设异常数量可以根据从当前监控场景的之前的人流情况确定，此处不做具体限定。
在本实施例的一些可选的实施方式中，步骤S204之后该异常行为监控方法还包括：
a.通过坐标标定方式生成行人目标的行走路线。
其中，坐标标定方式用于将行人目标的像素坐标位置转换为真实坐标系下的坐标位置。
其中，根据在当前监控场景下的入口与出口，确定行人目标的行走路线。作为一种可选方式，当前监控场景存在入口A、入口B、出口a、出口b，则行人目标的行走路线共有4种可能，分别是A-a、A-b、B-a与B-b。其中，A-a指的是从A入口走到a出口之间的路线。
其中，坐标标定方法将图像帧数据中的像素坐标转换为图像坐标，根据图像坐标系与相机坐标系间的透视投影关系，将图像坐标转换为相机坐标。相机坐标系与世界坐标系属于刚体变换，即只改变物体的空间位置和朝向，不改变物体的形状，通过正交单位旋转矩阵与三维平移矢量，将相机坐标系转换成世界坐标系，从而得到在世界坐标系的坐标。
在本实施例中，通过坐标标定方法，将图像帧数据的像素坐标转换成真实坐标，在确定异常行为的事发点，可根据真实坐标快速在真实世界中定位，从而能快速对异常行为进行疏散。
b.对行人目标的行走路线进行统计，得到每一条行走路线的行人选择比例，并对正常情况下的行走路线进行统计，得到每一条路线的选择比例。
其中，对当前监控场景下的所有行人目标的行走路线进行统计，得到当前监控场景中每一条路线的行人选择比例。统计正常情况下的每一条路线的选择比例。
c.通过曼-惠特尼U检验方法判断行人选择比例与选择比例之间的差异。
其中，通过曼-惠特尼U检验方法判断当前监控场景下的行人选择比例与正常情况下的选择比例是否存在显著差异。
d.若差异大于预设差异值，则根据行人目标的行走路线，确定异常行为的事发点。
其中，若差异大于预设差异值，则根据被选择最多的行走路线确定异常行为的事发点。
在本实施例中，在确定当前监控场景发生了异常行为，基于人类在碰到突发事件的本能，对行人目标的行走路线进行统计分析，以确定当前监控杆场景下是否存在不符合常理的路线选择情况，从而根据实际的路线选择情况，确定当前监控场景是否存在异常行为的事发点，从而更高效地组织人群疏散等。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
在一实施例中，提供一种异常行为监控装置，该异常行为监控装置与上述实施例中异常行为监控方法一一对应。如图3所示，该异常行为监控装置包括：
视频数据处理模块31，用于获取当前监控场景的视频数据，对视频数据进行图像帧数据提取，得到图像帧数据序列。
行人目标检测结果获取模块32，用于对图像帧数据中的行人目标进行目标检测，得到行人目标检测结果。
位置变化信息获取模块33，用于通过社会力模型和图像帧数据序列，对每个行人目标检测结果进行目标跟踪，得到每一个行人目标的位置变化信息。
异常行为确定模块34，用于基于所述位置变化信息与所述行人目标检测结果，生成行人目标的运动状态信息，并基于所述运动状态信息，根据预设方法确定当前监控场景是否发生异常行为。
在本实施例的一些可选的实施方式中，行人目标检测结果获取模块32还包括如下单元：
行人目标检测框获取单元，用于通过多尺度图像增强算法对图像帧数据进行处理，并通过目标检测算法对处理后的图像帧数据的行人目标进行目标检测，得到行人目标检测框。
行人目标检测结果获取单元，用于通过聚类算法对行人目标检测框进行聚类，并将得到的聚类结果作为行人目标检测结果。
在本实施例的一些可选的实施方式中，位置变化信息获取模块33还包括如下单元：
位置跟踪信息获取单元，用于基于行人目标检测结果，通过卡尔曼滤波对行人目标进行跟踪，得到行人目标在图像帧数据上的位置跟踪信息。
位置跟踪信息修正单元，用于将位置跟踪信息输入到社会力模型中，对行人目标在下一帧图像帧数据上的位置进行修正，得到行人目标在下一帧图像帧数据上的位置。
位置变化信息获取单元，用于收集所有图像帧数据每一个行人目标的位置，得到每一个行人目标在图像帧数据序列的位置变化信息。
在本实施例的一些可选的实施方式中，异常行为确定模块34包括如下单元：
位移获取单元，用于根据位置变化信息，确定行人目标在图像帧数据序列上的位移。
运动状态信息获取单元，用于根据位移，计算得到行人目标的速度，将行人目标的速度作为行人目标的运动状态信息。
第一异常行为确定单元，用于根据行人目标的运动状态信息与预设状态信息的差异，若该差异小于预设阈值，则确定当前监控场景发生异常行为。
作为一种可选的实施方式，异常行为确定模块34包括如下单元：
人群密度信息获取单元，用于基于多层级目标检测网络对图像帧数据进行密度分析，得到当前监控场景的人群密度信息。
运动状态信息获取单元，用于将人群密度信息与预设密度信息进行比较，若人群密度信息超过预设密度信息，则基于位置变化信息与行人目标检测结果，获得行人目标的运动状态信息。
第二异常行为确定单元，用于根据曼-惠特尼U检验方法，确定运动状态信息与预设状态信息之间的差异值，若差异值超过预设差异值，则确定当前监控场景发生异常行为。
作为一种可选的实施方式，在第二异常行为确定单元中包括如下单元：
异常行人数量计算单元，用于将每一个行人目标的运动状态信息与预设状态信息进行比较，若运动状态信息与预设状态信息的差异大于预设状态阈值，则将行人目标计入异常行人数量。
异常行为确定单元，用于比较每一个行人目标的运动状态信息与预设状态信息后，若异常行人数量大于预设异常数量，则确定当前监控场景发生异常行为。
在本实施例的一些可选的实施方式中，异常行为监控装置还包括：
行走路线生成模块，用于通过坐标标定方式生成行人目标的行走路线。
选择比例获取模块，用于对行人目标的行走路线进行统计，得到每一条行走路线的行人选择比例，并对正常情况下的行走路线进行统计，得到每一条路线的选择比例。
差异比较模块，用于通过曼-惠特尼U检验方法判断行人选择比例与选择比例之间的差异。
事发点确定模块，用于若差异大于预设差异值，则根据行人目标的行走路线，确定异常行为的事发点。
其中上述模块/单元中的“第一”和“第二”的意义仅在于将不同的模块/单元加以区分，并不用于限定哪个模块/单元的优先级更高或者其它的限定意义。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或模块的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或模块，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块，本申请中所出现的模块的划分，仅仅是一种逻辑上的划分，实际应用中实现时可以有另外的划分方式。
关于异常行为监控装置的具体限定可以参见上文中对于异常行为监控方法的限定，在此不再赘述。上述异常行为监控装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图4所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储异常行为监控方法中涉及到的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种异常行为监控方法。
在一个实施例中，提供了一种计算机设备，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，处理器执行计算机程序时实现上述实施例中异常行为监控方法的步骤，例如图2所示的步骤S201至步骤S204及该方法的其它扩展和相关步骤的延伸。或者，处理器执行计算机程序时实现上述实施例中异常行为监控装置的各模块/单元的功能，例如图3所示模块31至模块34的功能。为避免重复，这里不再赘述。
所述处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述计算机装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述计算机装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、视频数据等)等。
所述存储器可以集成在所述处理器中，也可以与所述处理器分开设置。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中异常行为监控方法的步骤，例如图2所示的步骤S201至步骤S204及该方法的其它扩展和相关步骤的延伸。或者，计算机程序被处理器执行时实现上述实施例中异常行为监控装置的各模块/单元的功能，例如图3所示模块31至模块34的功能。为避免重复，这里不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种异常行为监控方法，其特征在于，包括：
获取当前监控场景的视频数据，对所述视频数据进行图像帧数据提取，得到图像帧数据序列；
对所述图像帧数据中的行人目标进行目标检测，得到行人目标检测结果；
通过社会力模型和所述图像帧数据序列，对每个所述行人目标检测结果进行目标跟踪，得到每个所述行人目标的位置变化信息；
基于所述位置变化信息与所述行人目标检测结果，生成行人目标的运动状态信息，并基于所述运动状态信息，根据预设方法确定当前监控场景是否发生异常行为。
2.根据权利要求1所述的异常行为监控方法，其特征在于，所述对所述图像帧数据中的行人目标进行目标检测，得到行人目标检测结果的步骤包括：
通过多尺度图像增强算法对所述图像帧数据进行处理，并通过目标检测算法对处理后的图像帧数据的行人目标进行目标检测，得到行人目标检测框；
通过聚类算法对所述行人目标检测框进行聚类，并将得到的聚类结果作为行人目标检测结果。
3.根据权利要求1所述的异常行为监控方法，其特征在于，所述通过社会力模型和所述图像帧数据序列，对每个所述行人目标检测结果进行目标跟踪，得到每个所述行人目标的位置变化信息的步骤包括：
基于所述行人目标检测结果，通过卡尔曼滤波对所述行人目标进行跟踪，得到所述行人目标在所述图像帧数据上的位置跟踪信息；
将所述位置跟踪信息输入到社会力模型中，对所述行人目标在下一帧图像帧数据上的位置进行修正，得到所述行人目标在下一帧图像帧数据上的位置；
收集所有所述图像帧数据每一个所述行人目标的位置，得到每一个所述行人目标在所述图像帧数据序列的位置变化信息。
4.根据权利要求1所述的异常行为监控方法，其特征在于，所述基于所述位置变化信息与所述行人目标检测结果，生成行人目标的运动状态信息，并基于所述运动状态信息，根据预设方法确定当前监控场景是否发生异常行为的步骤包括：
根据所述位置变化信息，确定所述行人目标在所述图像帧数据序列上的位移；
根据所述位移，计算得到所述行人目标的速度，将所述行人目标的速度作为所述行人目标的运动状态信息；
根据所述行人目标的运动状态信息与预设状态信息的差异，若该差异小于预设阈值，则确定当前监控场景发生异常行为。
5.根据权利要求1所述的异常行为监控方法，其特征在于，所述基于所述位置变化信息与所述行人目标检测结果，生成行人目标的运动状态信息，并基于所述运动状态信息，根据预设方法确定当前监控场景是否发生异常行为的步骤包括：
基于多层级目标检测网络对所述图像帧数据进行密度分析，得到所述当前监控场景的人群密度信息；
将所述人群密度信息与预设密度信息进行比较，若所述人群密度信息超过所述预设密度信息，则基于所述位置变化信息与所述行人目标检测结果，获得所述行人目标的运动状态信息；
根据曼-惠特尼U检验方法，确定所述运动状态信息与预设状态信息之间的差异值，若所述差异值超过预设差异值，则确定当前监控场景发生异常行为。
6.根据权利要求5所述的异常行为监控方法，其特征在于，所述根据曼-惠特尼U检验方法，确定所述运动状态信息与预设状态信息之间的差异值，若所述差异值超过预设差异值，则确定当前监控场景发生异常行为的步骤包括：
将每一个所述行人目标的所述运动状态信息与预设状态信息进行比较，若所述运动状态信息与所述预设状态信息的差异大于预设状态阈值，则将所述行人目标计入异常行人数量；
比较每一个所述行人目标的运动状态信息与所述预设状态信息后，若所述异常行人数量大于预设异常数量，则确定当前监控场景发生异常行为。
7.根据权利要求1所述的异常行为监控方法，其特征在于，所述异常行为监控方法还包括：
通过坐标标定方式生成所述行人目标的行走路线；
对所述行人目标的行走路线进行统计，得到每一条行走路线的行人选择比例，并对所述正常情况下的行走路线进行统计，得到每一条路线的选择比例；
通过曼-惠特尼U检验方法判断所述行人选择比例与所述选择比例之间的差异；
若所述差异大于预设差异值，则根据所述行人目标的行走路线，确定所述异常行为的事发点。
8.一种异常行为监控装置，其特征在于，包括：
视频数据处理模块，用于获取当前监控场景的视频数据，对所述视频数据进行图像帧数据提取，得到图像帧数据序列；
行人目标检测结果获取模块，用于对所述图像帧数据中的行人目标进行目标检测，得到行人目标检测结果；
位置变化信息获取模块，用于通过社会力模型和所述图像帧数据序列，对每个所述行人目标检测结果进行目标跟踪，得到每一个所述行人目标的位置变化信息；
异常行为确定模块，用于基于所述位置变化信息与所述行人目标检测结果，生成行人目标的运动状态信息，并基于所述运动状态信息，根据预设方法确定当前监控场景是否发生异常行为。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述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如权利要求1至7中任一项所述异常行为监控方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述异常行为监控方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110452155.9A CN113112528A (zh) | 2021-04-26 | 2021-04-26 | 异常行为监控方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110452155.9A CN113112528A (zh) | 2021-04-26 | 2021-04-26 | 异常行为监控方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113112528A true CN113112528A (zh) | 2021-07-13 |
Family
ID=76720375
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110452155.9A Pending CN113112528A (zh) | 2021-04-26 | 2021-04-26 | 异常行为监控方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113112528A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113762169A (zh) * | 2021-09-09 | 2021-12-07 | 北京市商汤科技开发有限公司 | 人流量统计方法及装置、电子设备和存储介质 |
| CN116800931A (zh) * | 2023-05-08 | 2023-09-22 | 佛山众陶联供应链服务有限公司 | 一种基于opc和行人识别模型的智能监控方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070121999A1 (en) * | 2005-11-28 | 2007-05-31 | Honeywell International Inc. | Detection of abnormal crowd behavior |
| CN103258193A (zh) * | 2013-05-21 | 2013-08-21 | 西南科技大学 | 一种基于kod能量特征的群体异常行为识别方法 |
| US20140024619A1 (en) * | 2007-06-26 | 2014-01-23 | Otsuka Pharmaceutical Co., Ltd. | Benzazepine Derivatives Useful as Vasopressin Antagonists |
| CN106156706A (zh) * | 2015-04-07 | 2016-11-23 | 中国科学院深圳先进技术研究院 | 行人异常行为检测方法 |
| CN106446922A (zh) * | 2015-07-31 | 2017-02-22 | 中国科学院大学 | 一种人群异常行为分析方法 |
| CN109300144A (zh) * | 2018-09-21 | 2019-02-01 | 中国矿业大学 | 一种融合社会力模型和卡尔曼滤波的行人轨迹预测方法 |
| CN109614948A (zh) * | 2018-12-19 | 2019-04-12 | 北京锐安科技有限公司 | 异常行为的检测方法、装置、设备和存储介质 |
| CN110414365A (zh) * | 2019-07-03 | 2019-11-05 | 上海交通大学 | 基于社会力模型的过街行人轨迹预测方法、***及介质 |
| CN110598570A (zh) * | 2019-08-20 | 2019-12-20 | 贵州民族大学 | 一种行人异常行为检测方法、***、存储介质及计算机设备 |
| 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 |
| CN112085003A (zh) * | 2020-09-24 | 2020-12-15 | 湖北科技学院 | 公共场所异常行为自动识别方法及装置、摄像机设备 |
-
2021
- 2021-04-26 CN CN202110452155.9A patent/CN113112528A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070121999A1 (en) * | 2005-11-28 | 2007-05-31 | Honeywell International Inc. | Detection of abnormal crowd behavior |
| US20140024619A1 (en) * | 2007-06-26 | 2014-01-23 | Otsuka Pharmaceutical Co., Ltd. | Benzazepine Derivatives Useful as Vasopressin Antagonists |
| CN103258193A (zh) * | 2013-05-21 | 2013-08-21 | 西南科技大学 | 一种基于kod能量特征的群体异常行为识别方法 |
| CN106156706A (zh) * | 2015-04-07 | 2016-11-23 | 中国科学院深圳先进技术研究院 | 行人异常行为检测方法 |
| CN106446922A (zh) * | 2015-07-31 | 2017-02-22 | 中国科学院大学 | 一种人群异常行为分析方法 |
| CN109300144A (zh) * | 2018-09-21 | 2019-02-01 | 中国矿业大学 | 一种融合社会力模型和卡尔曼滤波的行人轨迹预测方法 |
| CN109614948A (zh) * | 2018-12-19 | 2019-04-12 | 北京锐安科技有限公司 | 异常行为的检测方法、装置、设备和存储介质 |
| CN110414365A (zh) * | 2019-07-03 | 2019-11-05 | 上海交通大学 | 基于社会力模型的过街行人轨迹预测方法、***及介质 |
| CN110598570A (zh) * | 2019-08-20 | 2019-12-20 | 贵州民族大学 | 一种行人异常行为检测方法、***、存储介质及计算机设备 |
| 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 |
| CN112085003A (zh) * | 2020-09-24 | 2020-12-15 | 湖北科技学院 | 公共场所异常行为自动识别方法及装置、摄像机设备 |
Non-Patent Citations (8)
| Title |
|---|
| BEI PAN ET AL: "《Crowd sensing of traffic anomalies based on human mobility and social media》", 《PROCEEDINGS OF THE 21ST ACM SIGSPATIAL INTERNATIONAL CONFERENCE ON ADVANCES IN GEOGRAPHIC INFORMATION SYSTEMS》 * |
| 冯莹莹: "《智能监控视频中运动目标跟踪方法研究》", 30 June 2018, 长春：吉林大学出版社 * |
| 刘树春 等: "《深度实践OCR 基于深度学习的文字识别》", 31 May 2020, 北京：机械工业出版社 * |
| 张赫: "《公路智能配货***理论模型和技术方案研究》", 30 June 2012, 沈阳：辽宁科学技术出版社 * |
| 杨博雄 等: "《基于高性能计算的深度学习理论与实践研究》", 31 December 2019, 武汉：武汉大学出版社 * |
| 杨延召 等: "《第一人称视角下的社会力优化多行人跟踪》", 《中国图像图像学报》 * |
| 焉石 等: "《体育科研常用统计方法的***性研究》", 30 April 2019, 长春：吉林大学出版社 * |
| 索拉亚劳普穆塞: "《人群仿真》", 30 June 2020, 北京：北京理工大学出版社 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113762169A (zh) * | 2021-09-09 | 2021-12-07 | 北京市商汤科技开发有限公司 | 人流量统计方法及装置、电子设备和存储介质 |
| CN116800931A (zh) * | 2023-05-08 | 2023-09-22 | 佛山众陶联供应链服务有限公司 | 一种基于opc和行人识别模型的智能监控方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108875676B (zh) | 活体检测方法、装置及*** | |
| CN112085010B (zh) | 一种基于图像识别的口罩检测和部署***及方法 | |
| CN111178183B (zh) | 人脸检测方法及相关装置 | |
| US7596241B2 (en) | System and method for automatic person counting and detection of specific events | |
| CN108062349A (zh) | 基于视频结构化数据及深度学习的视频监控方法和*** | |
| CN107483894B (zh) | 基于场景判断实现客运管理的高铁车站视频监控*** | |
| Shen et al. | A convolutional neural‐network‐based pedestrian counting model for various crowded scenes | |
| CN113112528A (zh) | 异常行为监控方法、装置、设备及存储介质 | |
| CN109598298B (zh) | 图像物体识别方法和*** | |
| CN110930434A (zh) | 目标对象跟踪方法、装置、存储介质和计算机设备 | |
| KR102333143B1 (ko) | 무인 계수 서비스 제공 시스템 | |
| KR20150028589A (ko) | 객체 정보 제공 장치 및 방법 | |
| CN113591751A (zh) | 变电站异常情况告警方法、装置、计算机设备及存储介质 | |
| CN113780145A (zh) | ***形态检测方法、装置、计算机设备和存储介质 | |
| KR102332229B1 (ko) | 딥러닝 기반 보행자 영상 데이터 증강방법 | |
| CN110532838A (zh) | 对象检测装置和方法及存储介质 | |
| CN111860187A (zh) | 一种高精度的佩戴口罩识别方法及*** | |
| CN113920585A (zh) | 行为识别方法及装置、设备和存储介质 | |
| CN113963438A (zh) | 行为识别方法及装置、设备和存储介质 | |
| CN117765348A (zh) | 目标检测模型的部署方法和目标检测方法及电子设备 | |
| CN111695404B (zh) | 行人跌倒检测方法、装置、电子设备及存储介质 | |
| CN113065482A (zh) | 基于图像识别的行为检测方法、***、计算机设备及介质 | |
| CN112418118A (zh) | 一种无监督桥下行人入侵检测方法及装置 | |
| CN116229341A (zh) | 一种电子间视频监控可疑行为分析报警方法和*** | |
| CN115953815A (zh) | 基建现场的监测方法及装置 |
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: 20210713 |