CN113254639A - 一种监控报警定位跟踪方法、装置及电子设备 - Google Patents

一种监控报警定位跟踪方法、装置及电子设备 Download PDF

Info

Publication number
CN113254639A
CN113254639A CN202110567610.XA CN202110567610A CN113254639A CN 113254639 A CN113254639 A CN 113254639A CN 202110567610 A CN202110567610 A CN 202110567610A CN 113254639 A CN113254639 A CN 113254639A
Authority
CN
China
Prior art keywords
alarm
monitoring
user
place
data
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
Application number
CN202110567610.XA
Other languages
English (en)
Inventor
邓练兵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhuhai Dahengqin Technology Development Co Ltd
Original Assignee
Zhuhai Dahengqin Technology Development Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhuhai Dahengqin Technology Development Co Ltd filed Critical Zhuhai Dahengqin Technology Development Co Ltd
Priority to CN202110567610.XA priority Critical patent/CN113254639A/zh
Publication of CN113254639A publication Critical patent/CN113254639A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G06F16/353—Clustering; Classification into predefined classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G06Q50/265—Personal security, identity or safety

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Computer Security & Cryptography (AREA)
  • Primary Health Care (AREA)
  • Alarm Systems (AREA)

Abstract

本发明公开了一种监控报警定位跟踪方法、装置及电子设备，该方法包括：获取用户报警的语音内容信息；对语音内容信息进行语义分析，提取语音内容信息中有关地理信息的文本数据；对文本数据进行聚类分析；通过预设的地点识别模型对聚类分析的结果进行识别，确定用户报警地点；根据用户报警地点，调用与用户报警地点相对应的监控设备对用户报警地点所在的区域范围进行跟踪监控。通过分析用户的报警语音内容，可以快速定位警情发生的地点并对警情发生区域进行持续跟踪监控，避提高了报警地点的准确性，为后续处理工作带来便利，提高了出警的效率；并且通过跟踪监控可以有效的保存现场情况的纪录，为后续工作的开展提供了有力的支持。

Description

一种监控报警定位跟踪方法、装置及电子设备
技术领域
本发明涉及监控技术领域，具体涉及一种监控报警定位跟踪方法、装置及电子设备。
背景技术
在一些安全防护要求比较高的重要地点需要通过有效和可控制的监控，实现对重要地点的视频资料进行录像保存。。目前的监控***多采用模拟闭路电视监控***作为保安***进行监控。其核心控制设备主要有视频矩阵、画面处理器和长延时录像机。对于通关路口等一些重要的地点，需要对其进行全区域的监控，将发生的所有情况进行纪录，保障重要地点的安全，并对工作人员进行有效的监督。同时，在意外事件发生时，可以有效的保存现场情况的纪录。
对于全区域的视频监控，由于***仅是整体的视频监控，并不能随时筛选出警报发生的地点和区域。现有技术中，由于用户报警的行为是随机的，无法预测的，因而无法作出预先的处理和判断。***在接收到用户报警时，需要根据用户的描述快速定位警情发生的地点，以便于后续对警情发生区域和相关人员进行持续监控。而用户所描述的地点经常会出现偏差，甚至由于现场情况的变化，导致报警地点变化，从而会造成报警地点的不准确。因此，亟需一种能够快速定位报警地点并对警情发生区域进行持续跟踪监控的方案。
发明内容
有鉴于此，本发明实施例提供了一种监控报警定位跟踪方法、装置及电子设备，以满足快速定位报警地点并对警情发生区域进行持续跟踪监控的需求。
为达到上述目的，本发明提供如下技术方案：
本发明实施例提供了一种监控报警定位跟踪方法，包括：
获取用户报警的语音内容信息；
对所述语音内容信息进行语义分析，提取语音内容信息中有关地理信息的文本数据；
对所述文本数据进行聚类分析；
通过预设的地点识别模型对聚类分析的结果进行识别，确定用户报警地点；
根据所述用户报警地点，调用与所述用户报警地点相对应的监控设备对所述用户报警地点所在的区域范围进行跟踪监控。
可选的，所述调用与所述用户报警地点相对应的监控设备对所述用户报警地点所在的区域范围进行跟踪监控，包括：
根据预设监控区域要求划分所述用户报警地点所在的区域范围；
确定所述区域范围内可调用的监控设备；
控制所述监控设备对所述区域范围进行跟踪监控。
可选的，所述控制所述监控设备对所述区域范围进行跟踪监控，包括：
获取所述区域范围的警情信息；
判断所述警情信息中是否出现地理位置的变化；
当所述警情信息中出现地理位置的变化时，调用与变化后的地理位置相对应的监控设备进行跟踪监控。
可选的，所述获取用户报警的语音内容信息，包括：
获取用户报警的语音信号；
将所述语音信号转化为文本数据信息；
将所述文本数据信息转化为可进行语义分析的语音内容信息。
可选的，所述预设的地点识别模型通过如下方式训练得到：
获取历史报警数据中的用户报警数据；
对所述用户报警数据进行分析生成分类标签；
将所述用户报警数据和所述分类标签配置为样本训练数据；
基于样本训练数据对文本分类模型进行训练，得到所述预设的地点识别模型。
可选的，所述用户报警数据包括：用户语音数据和报警地点数据，所述用户语音数据为可识别的语音文本数据。
可选的，所述对所述文本数据进行聚类分析，包括：
通过k-means聚类算法和所述文本数据进行一级聚类；
通过tf-idf获得一级聚类的结果的词频矩阵；
根据所述词频矩阵通过k-means进行二级聚类。
本发明实施例还提供了一种监控报警定位跟踪装置，包括：
获取模块，用于获取用户报警的语音内容信息；
分析模块，用于对所述语音内容信息进行语义分析，提取语音内容信息中有关地理信息的文本数据；
处理模块，用于对所述文本数据进行聚类分析；
识别模块，用于通过预设的地点识别模型对聚类分析的结果进行识别，确定用户报警地点；
控制模块，根据用户报警地点，调用与所述用户报警地点相对应的监控设备对所述用户报警地点所在的区域范围进行跟踪监控。
本发明实施例还提供了一种电子设备，包括：
存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行本发明实施例提供的监控报警定位跟踪方法。
本发明实施例还提供了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指令，所述计算机指令用于使所述计算机执行本发明实施例提供的监控报警定位跟踪方法。
本发明技术方案，具有如下优点：
本发明实施例提供了一种监控报警定位跟踪方法、装置及电子设备，通过获取用户报警的语音内容信息；基于预设地点识别模型对语音内容信息进行分析，确定用户报警地点；根据用户报警地点，调用与所述用户报警地点相对应的监控设备对所述用户报警地点所在的区域范围进行跟踪监控。通过分析用户的报警语音内容，可以快速定位警情发生的地点并对警情发生区域进行持续跟踪监控，避提高了报警地点的准确性，为后续处理工作带来便利，提高了出警的效率；并且通过跟踪监控可以有效的保存现场情况的纪录，为后续工作的开展提供了有力的支持。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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。
图1为本发明实施例中的监控报警定位跟踪方法的流程图；
图2为本发明实施例中根据用户报警地点，调用与所述用户报警地点相对应的监控设备对所述用户报警地点所在的区域范围进行跟踪监控的具体流程图；
图3为本发明实施例中获取用户报警的语音内容信息的具体流程图；
图4为本发明实施例的监控报警定位跟踪方法中预设的地点识别模型的训练过程的具体流程图；
图5为本发明实施例中的监控报警定位跟踪装置的结构示意图；
图6为本发明实施例中的电子设备的结构示意图。
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，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。
根据本发明实施例，提供了一种监控报警定位跟踪方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
在本发明实施例中提供了一种监控报警定位跟踪方法，如图1所示，该监控报警定位跟踪方法包括如下步骤：
步骤S1：获取用户报警的语音内容信息。具体的，此处的语音信号为报警用户在报警时与接听电话的工作人员之间的实时通话数据，对语音信号进行降噪处理，然后通过语音识别技术对语音信号进行识别，将其转化为文本数据信息。
步骤S2：对所述语音内容信息进行语义分析，提取语音内容信息中有关地理信息的文本数据。具体的，语音内容信息中包含多种信息，在分析过程中需要对有用的信息进行提取，例如语音内容信息中的街道名称、建筑名称等。
步骤S3：对所述文本数据进行聚类分析。具体的，通过聚类分析可以提升文本数据分析的准确度，提高下一步识别的效率。
步骤S4：通过预设的地点识别模型对聚类分析的结果进行识别，确定用户报警地点。具体的，根据聚类的分类结果，获得每个分类的聚类中心句子，将中心句子作为该分类结果的地点定位结果，从通过预设的地点识别模型识别分类结果，确定所述用户报警地点，地点识别模型可以通过不断地优化提升模型的准确度，最终可通过输入的一条用户语音数据，精准的识别出用户的报警地点。
步骤S5：根据所述用户报警地点，调用与所述用户报警地点相对应的监控设备对所述用户报警地点所在的区域范围进行跟踪监控。
通过上述步骤S1至步骤S5，本发明实施例提供的监控报警定位跟踪方法，通过用户对报警情况的描述，可以快速定位警情发生的地点并对警情发生区域进行持续跟踪监控，不会由于现场情况的变化，造成报警地点的不准确，为后续处理工作带来便利，提高了出警的效率；同时在意外事件发生时，可以有效的保存现场情况的纪录，为后续工作的开展提供了有力的支持。
具体地，在一实施例中，上述的步骤S5，如图2所示，具体包括如下步骤：
步骤S51：根据预设监控区域要求划分所述用户报警地点所在的区域范围。
在实际应用中，报警地点可能是某个路口或者某个商场，根据具体报警地点划分需要调用监控的区域范围，在此范围内可准确观察到报警地点的案发情况，为后续出警带来极大便利。
步骤S52：确定所述区域范围内可调用的监控设备。
步骤S53：控制所述监控设备对所述区域范围进行跟踪监控。具体的，通过调用监控设备对现场情况进行监控，采集现场视频，对现场情况进行记录，有效的保存现场情况的纪录，为后续工作的开展提供了有力的支持。
具体地，在一实施例中，上述的步骤S53，具体包括如下步骤：
步骤S531：获取所述区域范围的警情信息。具体的，根据视频监控情况判断现场情况，可根据视频监控反映的现场情况对其进行远程指挥。
步骤S532：判断所述警情信息中是否出现地理位置的变化。具体的，当现场情况涉及到具体人员信息时，可能会因为人员活动导致位置变化，或者因为其他因素导致地理位置发生变化，都会对出警造成影响。
步骤S533：当所述警情信息中出现地理位置的变化时，调用与变化后的地理位置相对应的监控设备进行跟踪监控。具体的，在这种情况下，需要终端对附近相关监控设备进行接力调用，根据地理位置变化情况，实时更新报警地点信息，对警情发生地点进行跟踪定位。
具体地，在一实施例中，上述的步骤S1，如图3所示，具体包括如下步骤：
步骤S11：获取用户报警的语音信号。具体的，此处的语音信号为报警用户在报警时与接听电话的工作人员之间的实时通话数据，在接收到用户报警时，会对当时的通话内容进行实时记录，并将记录信息进行降噪后发送处理，对通话内容进行实时分析，通话过程与分析过程同步进行，相较于之前人工记录然后根据记录查找分析定位，此方式可以节省更多的时间，为后续工作的跟进带来极大便利。
步骤S12：将所述语音信号转化为文本数据信息。具体的，在通话过程中，对语音信号的转化时其中很重要的环节，首先要对语音信号进行降噪处理，然后通过语音识别技术对语音信号进行识别，由于语音信号的时变特性，特征提取必须在一小段语音信号上进行，进行短时分析，通话过程与分析过程同步进行，将语音信号划分成时间段进行分析，将其转化为文本数据信息。
步骤S13：将所述文本数据信息转化为可进行语义分析的语音内容信息。具体的，在此转化过程中，接收到的语音信号是分段传送过来的，在分析时可能会出现断词断句失误，因此在此处预设了自纠正过程，在接收到新的语音信号时，将新的语音信号转化为文本数据信息，然后将其与之前的文本数据信息进行联系，纠正在分析过程中因语速或者断句造成的不符合语言规范的问题，提高准确度。
具体地，在一实施例中，上述的步骤S4中预设的地点识别模型，如图4所示，通过如下方式训练得到：
步骤S41:获取历史报警数据中的用户报警数据。具体的，用户报警数据具体包括用户语音数据和报警地点数据，报警语音数据包括报警人对报警地点周围的建筑或者街道路口的描述信息，报警地点数据是当时出警确定的报警地点。
步骤S42:对所述用户报警数据进行分析生成分类标签。具体的，根据用户报警数据，分析生成地点加周边环境描述重点词汇的分类标签，便于后续根据报警者对周边环境的描述快速确认报警地点。
步骤S43:将所述用户报警数据和所述分类标签配置为样本训练数据。具体的，每一次报警记录都可以配置为一条样本训练数据，大量的报警记录汇总称为样本训练数据，在进行样本汇总过程中，通过不断优化相同地点的周边环境信息，可以提升识别的准确度。
步骤S44:基于样本训练数据对文本分类模型进行训练，得到所述预设的地点识别模型。具体的，样本训练数据通过不断地优化标注周边环境信息提升文本分类模型的准确度，最终通过文本分类模型获得的预设地点识别模型可以根据用户的语音信号，识别出用户的报警地点。
具体的，通过训练地点识别模型，可以提升识别用户报警地点的准确度，并且地点识别模型可以根据实际情况进行不断地优化，从而达到快速识别的目的，提高整体效率，为后续工作的开展提供有力支持。
具体地，在一实施例中，上述的步骤S41中的用户报警数据包括：用户语音数据和报警地点数据，所述用户语音数据为可识别的语音文本数据。
具体地，在一实施例中，上述的步骤S3中对所述文本数据进行聚类分析，包括：
步骤S31：通过k-means聚类算法和所述文本数据进行一级聚类。具体的，利用k-means聚类算法和准备好的文本数据进行一级聚类，这种方式能够加好的保留句子的结构信息。
其中k-means聚类算法流程包括：
输入是样本集D＝{x1,x2,...xm},聚类的簇树k,最大迭代次数N；
输出是簇划分C＝{C1,C2,...Ck}；
1)从数据集D中随机选择k个样本作为初始的k个质心向量：{μ1,μ2,...,μk}。
2)对于n＝1,2,...,N
a)将簇划分C初始化为
Figure BDA0003081470330000081
b)对于i＝1,2...m,计算样本xi和各个质心向量μj(j＝1,2,...k)的距离：dij＝||xi-μj||22，将xi标记最小的为dij所对应的类别λi。此时更新Cλi＝Cλi∪{xi}；
c)对于j＝1,2,...,k,对Cj中所有的样本点重新计算新的质心μj＝1|Cj|∑x∈Cjx；
d)如果所有的k个质心向量都没有发生变化，则转到步骤3)。
3)输出簇划分C＝{C1,C2,...Ck}。
使用k-means聚类算法具有如下优点：原理简单，实现容易、收敛速度快、聚类效果较优、算法的可解释度强。
步骤S32：通过tf-idf获得一级聚类的结果的词频矩阵。具体的，tf-idf获得一级聚类结果的词频矩阵，tf-idf是一种统计方法，用以评估一字词对于一个文件集或一个语料库中的其中一份文件的重要程度，字词的重要性随着它在文件中出现的次数成正比增加，但同时会随着它在语料库中出现的频率成反比下降。
步骤S33：根据所述词频矩阵通过k-means进行二级聚类。
具体的，当文本数据较多时，一级聚类效果较粗糙，则需要进行二级聚类，通过用k-means根据输入的词频矩阵进行二级聚类，提升聚类效果，在数据量较少，句子比较规整时聚类效果更加突出。
具体地，在一实施例中，报警用户可以上传报警地点的图片信息，通过对图片信息进行识别得到报警图片数据，将报警图片数据与全区域摄像头实时监控图像做比对，获取用户所在的大致位置，进而确定警情发生地点。
具体地，在一实施例中，用户可以通过手机进行在线报警，在线报警时获取手机自身的定位信息，以定位信息作为用户报警地点。
在本发明实施例中还提供了一种监控报警定位跟踪装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
本发明实施例提供一种监控报警定位跟踪装置，如图5所示，包括：
获取模块101，用于获取用户报警的语音内容信息，详细内容参见上述方法实施例中步骤S1的相关描述，在此不再进行赘述。
分析模块102，用于对所述语音内容信息进行语义分析，提取语音内容信息中有关地理信息的文本数据，详细内容参见上述方法实施例中步骤S2的相关描述，在此不再进行赘述。
处理模块103，用于对所述文本数据进行聚类分析，详细内容参见上述方法实施例中步骤S3的相关描述，在此不再进行赘述。
识别模块104，用于通过预设的地点识别模型对聚类分析的结果进行识别，确定用户报警地点，详细内容参见上述方法实施例中步骤S4的相关描述，在此不再进行赘述。
控制模块105，根据用户报警地点，调用与所述用户报警地点相对应的监控设备对所述用户报警地点所在的区域范围进行跟踪监控，详细内容参见上述方法实施例中步骤S5的相关描述，在此不再进行赘述。
通过上述各个组成部分的协同合作，本发明发明实施例提供的一种监控报警定位跟踪装置，通过分析用户的报警语音内容，可以快速定位警情发生的地点并对警情发生区域进行持续跟踪监控，避提高了报警地点的准确性，为后续处理工作带来便利，提高了出警的效率；并且通过跟踪监控可以有效的保存现场情况的纪录，为后续工作的开展提供了有力的支持。。
本发明实施例中的监控报警定位跟踪装置是以功能单元的形式来呈现，这里的单元是指ASIC电路，执行一个或多个软件或固定程序的处理器和存储器，和/或其他可以提供上述功能的器件。
上述各个模块的更进一步的功能描述与上述对应方法实施例相同，在此不再赘述。
根据本发明实施例还提供了一种电子设备，如图6所示，该电子设备可以包括处理器901和存储器902，其中处理器901和存储器902可以通过总线或者其他方式连接，图6中以通过总线连接为例。
处理器901可以为中央处理器(Central Processing Unit，CPU)。处理器901还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(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、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器902作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明方法实施例中的方法所对应的程序指令/模块。处理器901通过运行存储在存储器902中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的方法。
存储器902可以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***、至少一个功能所需要的应用程序；存储数据区可存储处理器901所创建的数据等。此外，存储器902可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器902可选包括相对于处理器901远程设置的存储器，这些远程存储器可以通过网络连接至处理器901。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个模块存储在存储器902中，当被处理器901执行时，执行上述方法实施例中的方法。
上述电子设备具体细节可以对应参阅上述方法实施例中对应的相关描述和效果进行理解，此处不再赘述。
本领域技术人员可以理解，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，的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-StateDrive，SSD)等；存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (10)

1.一种监控报警定位跟踪方法，其特征在于，包括：
获取用户报警的语音内容信息；
对所述语音内容信息进行语义分析，提取语音内容信息中有关地理信息的文本数据；
对所述文本数据进行聚类分析；
通过预设的地点识别模型对聚类分析的结果进行识别，确定用户报警地点；
根据所述用户报警地点，调用与所述用户报警地点相对应的监控设备对所述用户报警地点所在的区域范围进行跟踪监控。
2.根据权利要求1所述的监控报警定位跟踪方法，其特征在于，所述调用与所述用户报警地点相对应的监控设备对所述用户报警地点所在的区域范围进行跟踪监控，包括：
根据预设监控区域要求划分所述用户报警地点所在的区域范围；
确定所述区域范围内可调用的监控设备；
控制所述监控设备对所述区域范围进行跟踪监控。
3.根据权利要求2所述的监控报警定位跟踪方法，其特征在于，所述控制所述监控设备对所述区域范围进行跟踪监控，包括：
获取所述区域范围的警情信息；
判断所述警情信息中是否出现地理位置的变化；
当所述警情信息中出现地理位置的变化时，调用与变化后的地理位置相对应的监控设备进行跟踪监控。
4.根据权利要求1所述的监控报警定位跟踪方法，其特征在于，所述获取用户报警的语音内容信息，包括：
获取用户报警的语音信号；
将所述语音信号转化为文本数据信息；
将所述文本数据信息转化为可进行语义分析的语音内容信息。
5.根据权利要求1至4任一权利要求所述的监控报警定位跟踪方法，其特征在于，所述预设的地点识别模型通过如下方式训练得到：
获取历史报警数据中的用户报警数据；
对所述用户报警数据进行分析生成分类标签；
将所述用户报警数据和所述分类标签配置为样本训练数据；
基于样本训练数据对文本分类模型进行训练，得到所述预设的地点识别模型。
6.根据权利要求1至5任一权利要求所述的监控报警定位跟踪方法，其特征在于，用户报警数据包括：用户语音数据和报警地点数据，所述用户语音数据为可识别的语音文本数据。
7.根据权利要求1所述的监控报警定位跟踪方法，其特征在于，所述对所述文本数据进行聚类分析，包括：
通过k-means聚类算法和所述文本数据进行一级聚类；
通过tf-idf获得一级聚类的结果的词频矩阵；
根据所述词频矩阵通过k-means进行二级聚类。
8.一种监控报警定位跟踪装置，其特征在于，包括：
获取模块，用于获取用户报警的语音内容信息；
分析模块，用于对所述语音内容信息进行语义分析，提取语音内容信息中有关地理信息的文本数据；
处理模块，用于对所述文本数据进行聚类分析；
识别模块，用于通过预设的地点识别模型对聚类分析的结果进行识别，确定用户报警地点；
控制模块，根据用户报警地点，调用与所述用户报警地点相对应的监控设备对所述用户报警地点所在的区域范围进行跟踪监控。
9.一种电子设备，其特征在于，包括：
存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1-8中任一项所述的监控报警定位跟踪方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使计算机执行权利要求1-8中任一项所述的监控报警定位跟踪方法。
CN202110567610.XA 2021-05-24 2021-05-24 一种监控报警定位跟踪方法、装置及电子设备 Pending CN113254639A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110567610.XA CN113254639A (zh) 2021-05-24 2021-05-24 一种监控报警定位跟踪方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110567610.XA CN113254639A (zh) 2021-05-24 2021-05-24 一种监控报警定位跟踪方法、装置及电子设备

Publications (1)

Publication Number Publication Date
CN113254639A true CN113254639A (zh) 2021-08-13

Family

ID=77184086

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110567610.XA Pending CN113254639A (zh) 2021-05-24 2021-05-24 一种监控报警定位跟踪方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN113254639A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108920457A (zh) * 2018-06-15 2018-11-30 腾讯大地通途（北京）科技有限公司 地址识别方法和装置及存储介质
CN111757001A (zh) * 2020-06-30 2020-10-09 浩鲸云计算科技股份有限公司 一种基于案发地点的实时最优摄像头选择和联动的智能解决方案
CN112633003A (zh) * 2020-12-30 2021-04-09 平安科技（深圳）有限公司 一种地址识别方法、装置、计算机设备及存储介质
CN112711950A (zh) * 2020-12-23 2021-04-27 深圳壹账通智能科技有限公司 地址信息抽取方法、装置、设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108920457A (zh) * 2018-06-15 2018-11-30 腾讯大地通途（北京）科技有限公司 地址识别方法和装置及存储介质
CN111757001A (zh) * 2020-06-30 2020-10-09 浩鲸云计算科技股份有限公司 一种基于案发地点的实时最优摄像头选择和联动的智能解决方案
CN112711950A (zh) * 2020-12-23 2021-04-27 深圳壹账通智能科技有限公司 地址信息抽取方法、装置、设备及存储介质
CN112633003A (zh) * 2020-12-30 2021-04-09 平安科技（深圳）有限公司 一种地址识别方法、装置、计算机设备及存储介质

Similar Documents

Publication Publication Date Title
WO2021174835A1 (zh) 告警信息处理方法、装置、计算机装置及存储介质
KR101897923B1 (ko) 신경망 학습 모델 기반 추적 객체 추출 서비스 제공 시스템, 이의 방법, 그리고 이 방법을 저장한 컴퓨터 판독 가능 저장 매체
CN110444198B (zh) 检索方法、装置、计算机设备和存储介质
WO2020207167A1 (zh) 文本分类方法、装置、设备及计算机可读存储介质
US9953517B2 (en) Risk early warning method and apparatus
CN109087667B (zh) 语音流利度识别方法、装置、计算机设备及可读存储介质
US11703845B2 (en) Abnormality predicting system and abnormality predicting method
CN115828112B (zh) 一种故障事件的响应方法、装置、电子设备及存储介质
CN114004210A (zh) 基于神经网络的应急预案生成方法、***、设备及介质
KR20210075511A (ko) 재난대응 추천방법 및 그 장치
US20180308002A1 (en) Data processing system with machine learning engine to provide system control functions
US11657316B2 (en) Self-feeding deep learning method and system
CN111881777A (zh) 一种视频处理方法和装置
CN115273231A (zh) 信息处理方法、装置、存储介质及电子设备
CN111144118A (zh) 口语化文本中命名实体的识别方法、***、设备和介质
CN116030370A (zh) 基于多目标追踪的行为识别方法、装置及电子设备
CN117407507A (zh) 基于大语言模型的事件处理方法、装置、设备及介质
CN110458383B (zh) 需求处理服务化的实现方法、装置及计算机设备、存储介质
CN113254639A (zh) 一种监控报警定位跟踪方法、装置及电子设备
CN111326142A (zh) 基于语音转文本的文本信息提取方法、***和电子设备
CN115080745A (zh) 基于人工智能的多场景文本分类方法、装置、设备及介质
CN113569879B (zh) 异常识别模型的训练方法、异常账号识别方法及相关装置
CN117475367B (zh) 基于多规则协调的污水图像处理方法及***
CN111460268A (zh) 数据库查询请求的确定方法、装置和计算机设备
US20230410516A1 (en) Information acquisition support apparatus, information acquisition support method, and recording medium storing information acquisition support program

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: 20210813