CN113505713A - 一种基于机场安全管理平台的视频智能分析方法及*** - Google Patents
一种基于机场安全管理平台的视频智能分析方法及*** Download PDFInfo
- Publication number
- CN113505713A CN113505713A CN202110805230.5A CN202110805230A CN113505713A CN 113505713 A CN113505713 A CN 113505713A CN 202110805230 A CN202110805230 A CN 202110805230A CN 113505713 A CN113505713 A CN 113505713A
- Authority
- CN
- China
- Prior art keywords
- information
- abnormal
- obtaining
- video
- airport
- 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.)
- Granted
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 88
- 230000002776 aggregation Effects 0.000 claims abstract description 113
- 238000004220 aggregation Methods 0.000 claims abstract description 113
- 230000002159 abnormal effect Effects 0.000 claims abstract description 95
- 206010000117 Abnormal behaviour Diseases 0.000 claims abstract description 83
- 238000012544 monitoring process Methods 0.000 claims abstract description 56
- 238000005192 partition Methods 0.000 claims abstract description 53
- 230000008014 freezing Effects 0.000 claims abstract description 40
- 238000007710 freezing Methods 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims description 46
- 238000012423 maintenance Methods 0.000 claims description 21
- 230000006399 behavior Effects 0.000 claims description 11
- 201000010099 disease Diseases 0.000 claims description 10
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 8
- 238000007405 data analysis Methods 0.000 claims description 6
- 230000001815 facial effect Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 7
- 238000007726 management method Methods 0.000 description 93
- 230000000694 effects Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 10
- 230000005540 biological transmission Effects 0.000 description 8
- 230000003139 buffering effect Effects 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000010354 integration Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 206010063385 Intellectualisation Diseases 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000000638 solvent extraction Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 208000006673 asthma Diseases 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 230000007123 defense Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 208000019622 heart disease Diseases 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000001483 mobilizing effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 230000000399 orthopedic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Alarm Systems (AREA)
Abstract
本发明提供了一种基于机场安全管理平台的视频智能分析方法，方法包括：根据第一机场安全管理平台，获得第一机场监控信息，进行安全管理区域划分，获得第一分区信息；获得第一分区的第一视频信息；将第一视频信息输入异常行为分析模型中，获得第一异常行为信息；根据第一异常行为信息对异常地点进行位置标记，获得第一定位信息；通过第一视频冻结装置对第一视频信息进行异常视频冻结，获得第一冻结影像，判断第一异常信息是否存在第一聚集人群；若存在，获得第一聚集规模；根据第一定位信息和第一聚集规模，生成第一应急预案，发送至第一机场安全管理平台进行处理，解决了现有技术中的机场监控***缺乏可行性较强的视频分析方法的技术问题。
Description
技术领域
本发明涉及人工智能相关技术领域，具体涉及一种基于机场安全管理平台的视频智能分析方法及***。
背景技术
在机场的管理工作中，安全是航空业重要的主题之一，包括飞行安全和地面安全。地面安全就是机场的安全管理，其区域范围内的安全和管理直接关系到空防的安全和地面工作的正常运作。因此可见，机场安全管理工作在航空业中尤为重要。
随着机场行业信息化、智慧化发展不断深入的情况下，机场安全管理平台逐渐发展起来，一个完善的安全防范***是机场稳定、高效、持续进行的前提。在安全防范***的构建过程中，视屏监控***扮演着采集信息的重要角色，但因为机场复杂的实际状况和庞大监控需求量，导致信息量过于庞大，使得监控***对于各种状况的应急能力较弱，所以目前仍然以人力为主，管理平台为辅形式进行安全管理。
但本申请发明人在实现本申请实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：
现有技术中的机场监控***缺乏可行性较强的视频分析方法的技术问题。
发明内容
本申请实施例通过提供了一种基于机场安全管理平台的视频智能分析方法及***，解决了现有技术中的机场监控***缺乏可行性较强的视频分析方法的技术问题。达到了通过调用机场各区域的监控信息，根据监控信息的在区域内的集成性，将安全管理区域分区，减少需处理的数据量。进一步的将监控到的分区视频信息传输至智能化分析模型，若是存在异常行为就对该分区内的人群进行应急处理，各分区可以进行独立的智能化分析，减少了庞大数据的传输量，增强了落地的可能性，得到了可行性较强的视频分析方法的技术效果。
鉴于上述问题，本申请实施例提供了一种骨科植入物的智能管理方法及***。
第一方面，本申请实施例提供了一种基于机场安全管理平台的视频智能分析方法，其中，所述方法应用于一机场安全管理平台，所述平台与一视频冻结装置智能连接，所述方法包括：根据第一机场安全管理平台，获得第一机场监控信息；根据所述第一机场监控信息进行安全管理区域划分，获得第一分区信息；获得所述第一分区的第一视频信息；将所述第一视频信息输入异常行为分析模型中，根据所述异常行为分析模型，获得第一异常行为信息；根据所述第一异常行为信息对异常地点进行位置标记，获得第一定位信息；通过第一视频冻结装置对所述第一视频信息进行异常视频冻结，获得第一冻结影像；根据所述第一冻结影像，判断所述第一异常信息是否存在第一聚集人群；若所述第一异常信息存在第一聚集人群，获得第一聚集规模；根据所述第一定位信息和所述第一聚集规模，生成第一应急预案；将所述第一应急预案发送至所述第一机场安全管理平台进行应急处理。
另一方面，本申请实施例提供了一种基于机场安全管理平台的视频智能分析***，其中，所述***包括：第一获得单元，所述第一获得单元用于根据第一机场安全管理平台，获得第一机场监控信息；第二获得单元，所述第二获得单元用于根据所述第一机场监控信息进行安全管理区域划分，获得第一分区信息；第三获得单元，所述第三获得单元用于获得所述第一分区的第一视频信息；第四获得单元，所述第四获得单元用于将所述第一视频信息输入异常行为分析模型中，根据所述异常行为分析模型，获得第一异常行为信息；第五获得单元，所述第五获得单元用于根据所述第一异常行为信息对异常地点进行位置标记，获得第一定位信息；第六获得单元，所述第六获得单元用于通过第一视频冻结装置对所述第一视频信息进行异常视频冻结，获得第一冻结影像；第一判断单元，所述第一判断单元用于根据所述第一冻结影像，判断所述第一异常信息是否存在第一聚集人群；第七获得单元，所述第七获得单元用于若所述第一异常信息存在第一聚集人群，获得第一聚集规模；第一生成单元，所述第一生成单元用于根据所述第一定位信息和所述第一聚集规模，生成第一应急预案；第一发送单元，所述第一发送单元用于将所述第一应急预案发送至所述第一机场安全管理平台进行应急处理。
第三方面，本申请实施例提供了一种基于机场安全管理平台的视频智能分析***，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，其中，所述处理器执行所述程序时实现第一方面任一项所述方法的步骤。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
由于采用了根据第一机场安全管理平台，获得第一机场监控信息；根据所述第一机场监控信息进行安全管理区域划分，获得第一分区信息；获得所述第一分区的第一视频信息；将所述第一视频信息输入异常行为分析模型中，根据所述异常行为分析模型，获得第一异常行为信息；根据所述第一异常行为信息对异常地点进行位置标记，获得第一定位信息；通过第一视频冻结装置对所述第一视频信息进行异常视频冻结，获得第一冻结影像；根据所述第一冻结影像，判断所述第一异常信息是否存在第一聚集人群；若所述第一异常信息存在第一聚集人群，获得第一聚集规模；根据所述第一定位信息和所述第一聚集规模，生成第一应急预案；将所述第一应急预案发送至所述第一机场安全管理平台进行应急处理的技术方案，达到了通过调用机场各区域的监控信息，根据监控信息的在区域内的集成性，将安全管理区域分区，减少需处理的数据量。进一步的将监控到的分区视频信息传输至智能化分析模型，若是存在异常行为就对该分区内的人群进行应急处理，各分区可以进行独立的智能化分析，减少了庞大数据的传输量，增强了落地的可能性，得到了可行性较强的视频分析方法的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例一种基于机场安全管理平台的视频智能分析方法流程示意图；
图2为本申请实施例另一种基于机场安全管理平台的视频智能分析方法流程示意图；
图3为本申请实施例基于所述通过对所述第一聚集人群数量和所述第二聚集人群数量进行数据分析，获得第一聚集指数的方法流程示意图；
图4为本申请实施例一种基于机场安全管理平台的视频智能分析***结构示意图；
图5为本申请实施例示例性电子设备的结构示意图。
附图标记说明：第一获得单元11，第二获得单元12，第三获得单元13，第四获得单元14，第五获得单元15，第六获得单元16，第一判断单元17，第七获得单元18，第一生成单元19，第一发送单元20，电子设备300，存储器301，处理器302，通信接口303，总线架构304。
具体实施方式
本申请实施例通过提供了一种基于机场安全管理平台的视频智能分析方法及***，解决了现有技术中的机场监控***缺乏可行性较强的视频分析方法的技术问题。达到了通过调用机场各区域的监控信息，根据监控信息的在区域内的集成性，将安全管理区域分区，减少需处理的数据量。进一步的将监控到的分区视频信息传输至智能化分析模型，若是存在异常行为就对该分区内的人群进行应急处理，各分区可以进行独立的智能化分析，减少了庞大数据的传输量，增强了落地的可能性，得到了可行性较强的视频分析方法的技术效果。
申请概述
在机场的管理工作中，安全是航空业重要的主题之一，包括飞行安全和地面安全。地面安全就是机场的安全管理，其区域范围内的安全和管理直接关系到空防的安全和地面工作的正常运作。因此可见，机场安全管理工作在航空业中尤为重要。随着机场行业信息化、智慧化发展不断深入的情况下，机场安全管理平台逐渐发展起来，一个完善的安全防范***是机场稳定、高效、持续进行的前提。在安全防范***的构建过程中，视屏监控***扮演着采集信息的重要角色，但因为机场复杂的实际状况和庞大监控需求量，导致信息量过于庞大，使得监控***对于各种状况的应急能力较弱，所以目前仍然以人力为主，管理平台为辅形式进行安全管理，现有技术中的机场监控***缺乏可行性较强的视频分析方法的技术问题。
针对上述技术问题，本申请提供的技术方案总体思路如下：
本申请实施例提供了一种基于机场安全管理平台的视频智能分析方法，其中，所述方法应用于一机场安全管理平台，所述平台与一视频冻结装置智能连接，所述方法包括：根据第一机场安全管理平台，获得第一机场监控信息；根据所述第一机场监控信息进行安全管理区域划分，获得第一分区信息；获得所述第一分区的第一视频信息；将所述第一视频信息输入异常行为分析模型中，根据所述异常行为分析模型，获得第一异常行为信息；根据所述第一异常行为信息对异常地点进行位置标记，获得第一定位信息；通过第一视频冻结装置对所述第一视频信息进行异常视频冻结，获得第一冻结影像；根据所述第一冻结影像，判断所述第一异常信息是否存在第一聚集人群；若所述第一异常信息存在第一聚集人群，获得第一聚集规模；根据所述第一定位信息和所述第一聚集规模，生成第一应急预案；将所述第一应急预案发送至所述第一机场安全管理平台进行应急处理。
在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示，本申请实施例提供了一种基于机场安全管理平台的视频智能分析方法，其中，所述方法应用于一机场安全管理平台，所述平台与一视频冻结装置智能连接，所述方法包括：
S100：根据第一机场安全管理平台，获得第一机场监控信息；
具体而言，所述第一机场安全管理平台指的是基于现代信息技术、大数据和智能化搭建的保障机场区域内的安全和管理工作的平台；所述第一机场监控信息指的是分布于机场各个位置的监控信息采集装置采集到的提供给所述第一机场安全管理平台进行处理的信息，此处的监控信息的监控信息采集装置优选高清智能摄像头。搭建监控***的第一步，就是从所述第一机场安全管理平台中调用历史所述第一机场监控信息和实时所述第一机场监控信息，便于后续的信息反馈处理。
S200：根据所述第一机场监控信息进行安全管理区域划分，获得第一分区信息；
具体而言，所述安全管理区域指的是所述第一机场内需要进行安全管理的所有区域；所述第一分区信息指的是依据从所述第一机场安全管理平台中调用历史所述第一机场监控信息和实时所述第一机场监控信息对所述安全管理区域进行划分的结果，优选的划分方式为对所述第一机场监控信息进行聚类分析，聚类分析指的是将样本集按照某种模式相似性的度量和聚类算法无监督地将相似的样本归为一类。此处依据发生相似事故的集中性将所述安全管理区域划分。通过将所述安全管理区域分区，可选的在不同分区内布置可互通的智能体，减少了信息流的传输和数据量，提高了信息处理的效率。
S300：获得所述第一分区的第一视频信息；
具体而言，所述第一分区指的是在对所述安全管理区域划分区域之后，其中的某个分区；所述第一视频信息指的是在分区之后，所述第一分区内的监控信息采集装置采集到的实时的监控信息。所述第一视频信息仅为所述第一分区内的实时的监控信息，不会受到其他分区的监控信息的干扰，减少了信息的冗杂行和传通过程中的数据损失，增强了获得信息的准确性。
S400：将所述第一视频信息输入异常行为分析模型中，根据所述异常行为分析模型，获得第一异常行为信息；
具体而言，所述第一异常行为信息是将所述第一视频信息输入所述异常行为分析模型智能化分析得到的对视频信息异常行为的筛查结果，所述异常行为分析模型是以神经网络模型为基础建立，具有神经网络模型的特性，其中，人工神经网络是在现代神经科学的基础上提出和发展起来的，旨在反映人脑结构及功能的一种抽象数学模型，神经网络是一种运算模型，由大量的节点(或称神经元)之间相互连接构成，每个节点代表一种特定的输出函数称为激励函数，每两个节点之间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆，网络的输出则依照网络的连接方式，是对一种逻辑策略的表达，基于神经网络模型建立的所述异常行为分析模型能够输出准确的所述第一异常行为信息，从而具备了较强的分析计算能力，达到了准确而高效的技术效果。
S500：根据所述第一异常行为信息对异常地点进行位置标记，获得第一定位信息；
具体而言，所述第一定位信息指的是在所述第一异常行为信息断定所述第一分区内的所述第一视频信息存在异常行为之后，立刻对所述第一视频中的异常行为位置划定，再根据所述第一视频中的异常行为位置对应的所述第一分区的位置，具体的位置确定方法在此不做限制，因为已经有较成熟的技术存在。通过获取所述第一定位信息可以快速的对所述第一异常行为信息的源头进行控制。
S600：通过第一视频冻结装置对所述第一视频信息进行异常视频冻结，获得第一冻结影像；
具体而言，所述第一视频冻结装置指的是将从所述第一视频信息中提取高清的异常时视频片段冻结为高清图片的装置，所述第一视频冻结装置举不舍限制的一类：为加载有基于卷积神经网络训练的智能化模型的装置，基于卷积神经网络训练的特征提取模型进行特征提取，卷积可以作为在机器学习中的特征提取器，从而使得提取到的特征信息具有集中性和代表性，进而获得所述第一视频信息的异常信息的卷积特征，卷积神经网络是神经网络的一种，对于特征提取尤其是图像特征提取有着优异的识别功能。进一步的，所述第一冻结影像指的是基于所述第一视频冻结装置对所述第一视频信息的异常信息冻结后的结果。
S700：根据所述第一冻结影像，判断所述第一异常信息是否存在第一聚集人群；
S800：若所述第一异常信息存在第一聚集人群，获得第一聚集规模；
S900：根据所述第一定位信息和所述第一聚集规模，生成第一应急预案；
S1000：将所述第一应急预案发送至所述第一机场安全管理平台进行应急处理。
具体而言，所述第一聚集人群指的是在所述第一冻结影像上传之后，根据所述第一异常信息和所述第一定位信息得到的发生异常情况的位置处的人群聚集状况；进一步的，所述第一聚集规模指的是根据所述第一聚集人群人数、密度、性别、年龄等不设限制的是情况聚类，得到的所述第一聚集人群的基本状况。
更进一步的，可以根据所述第一聚集规模和所述第一异常信息的类别，筛选不同的所述第一应急预案。举不设限制的一例：若是所述第一异常信息为出现火灾，则所述第一应急预案可为依据所述第一定位信息疏散人群，响起警报，同时报警、切断传播源，调动机场安保人员进行灭火。其中，依据所述第一聚集规模判断派往的工作人员数量还有疏散方案的决策。所述第一应急预案可选的：前期使用依据应急处理各种状况的经验方案组成的云数据库，在云数据库中根据所述第一异常信息的类别和所述第一聚集规模筛选得到所述第一应急预案；后期在数据量达到可训练智能化模型的基础，就有监督的训练神经网络模型，当神经网络模型达到收敛状态时，就可以得到个体化程度较高的所述第一应急预案。
更进一步的，因为出现所述第一异常信息已经确定，且所述第一应急预案也在所述第一分区决策完成，只需要上传至所述第一机场安全管理平台，即可协调机场资源，进行应急处理。因为所述第一机场安全管理平台只需要协调资源，执行所述第一应急预案，而其他的工作都由所述第一分区内完成，相比现有技术，减少了信息传输过程，每个分区单独决策，降低了决策数据量的冗杂性，提高了决策效率。
进一步的，基于所述通过第一视频冻结装置对所述第一视频信息进行异常视频冻结，获得第一冻结影像，如图2所示，所述方法还包括步骤S1100：
S1110：通过对所述第一冻结影像进行筛选，获得第一筛选影像，其中，所述第一筛选影像为包含异常用户面部特征的影像；
S1120：通过对所述第一筛选影像中的所有影像进行数据构建，获得第一异常用户信息；
S1130：根据所述第一异常用户信息，获得第一用户身份信息；
S1140：根据所述第一用户身份信息，获得第一历史病症信息；
S1150：根据所述第一历史病症信息和所述第一应急预案，生成第二应急预案。
具体而言，所述第一筛选影像指的是在所述第一冻结影像信息中筛选，得到比较有代表性的影像信息。此处以所述第一异常信息为所述第一分区内某人员突发不适状况说明的，那么从所述第一冻结影像中筛选出来的所述第一筛选影像就包括有所述异常用户面部特征的影像。进一步的，所述第一异常用户信息指的是基于所述异常用户面部特征信息，可以在大数据库中进行筛选，得到所述异常用户的基本信息，包括但不限于：年龄、性别、姓名、亲属联系方式、过往病症历史，尤其是心脏病、哮喘等病症。所述第一用户的身份信息指的是上述年龄、性别、姓名、亲属联系方式等信息；所述第一历史病症信息指的是过往病症历史，尤其是心脏病、哮喘等类似信息。更进一步的，基于所述第一历史病症信息对所述第一应急预案进行修正，得到所述第二应急预案。通过对所述第一冻结影像进行筛选，得到代表性较强的个体信息，进一步的，依据个体信息修正所述第一应急预案，得到的所述第二应急预案能够较全面的处理所述第一异常信息带来的异常状况，例如对于有特殊情况的个体可以获得优先级，优先处理。达到提高所述应急预案个体化制定技术效果。
进一步的，基于所述若所述第一异常信息存在第一聚集人群，获得第一聚集规模，方法步骤S800还包括：
S810：根据所述第一视频冻结装置，获得第二冻结影像，其中，所述第二冻结影像为包含第一时间节点和第二时间节点聚集人群的影像；
S820：获得所述第一时间节点的第一聚集人群数量；
S830：获得所述第二时间节点的第二聚集人群数量；
S840：通过对所述第一聚集人群数量和所述第二聚集人群数量进行数据分析，获得第一聚集指数；
S850：根据所述第一聚集指数，获得所述第一聚集规模。
具体而言，所述第二冻结影像指的是基于所述第一视频冻结装置，对所述第一视频悉信息按照发生所述第一异常信息的出现时间区间进行冻结，而其中具有代表性的冻结影像集为所述第二冻结影像，在冻结的影像中包括出现在所述第一异常信息的出现时间区间的所有时间的所述聚集人群的影像，而所述第一时间节点和所述第二时间节点就是这些时间里对应于具有代表性的冻结影像集，即所述第二冻结影像的代表性时间节点。更进一步的，分别调用所述第一时间节点和所述第二时间节点的聚集人群数量作为所述第一聚集人群数量和所述第二聚集人群数量；所述第一聚集指数指的是出现所述第一异常信息区域内的人数、人群密度、流动趋势等信息，人数和人群密度越大，则所述第一聚集规模就越大；出现所述第一异常信息区域流动的人群趋势越大，则所述第一聚集规模就越大。进一步的，基于所述第一聚集指数和所述第一聚集规模之间的影响关系得到所述第一聚集规模，为进一步的进程提供信息基础。
更进一步的，基于所述根据所述第一聚集指数，获得所述第一聚集规模，所述方法步骤S840还包括：
S841：获得所述第二冻结影像的第一场所信息；
S842：获得所述第一场所信息的第一管理等级；
S843：根据所述第一管理等级，判断所述第一聚集指数是否大于等于预设聚集指数；
S844：若所述第一聚集指数大于等于预设聚集指数，获得第一提醒信息；
S845：将所述第一提醒信息添加至所述第一应急预案中。
具体而言，所述第一场所信息指的是基于所述第二冻结图像，判断所述第一异常信息发生位置在机场中起到的作用，例如飞行区、货运区、油库区、候机大楼区等位置，因不同的场所要求的人群聚集规模不同，则对应的所述聚集指数也不相同，对应设定的所述第一管理等级也不相同。进一步的，根据所述第一场所信息即可筛选得到对应的所述第一管理等级，进而依据所述第一管理等级得到所述第一场所可容纳的所述聚集规模及对应的所述预设聚集指数。更进一步的，将所述第一聚集指数和所述预设聚集指数，例如人数、人群密度等信息相比较，如果所述第一聚集指数超过和等于所述预设聚集指数，则表明所述聚集规模已经失控，就得到所述第一提醒信息并添加进所述第一应急预案中，保证可以及时得到解决。
进一步的，基于所述将所述第一应急预案发送至所述第一机场安全管理平台进行应急处理，所述方法步骤S1000还包括：
S1010：将所述第一机场的第一安全维护人员信息输入所述第一机场安全管理平台中；
S1020：当所述第一机场安全管理平台接受到所述第一应急预案信息，获得所述第一安全维护人员的第一实时定位信息；
S1030：根据所述第一安全维护人员的第一实时定位信息和所述第一定位信息，获得第一异常区域维护人员；
S1040：根据所述第一应急预案，获得第一需求维护人员；
S1050：将所述第一定位信息发送给所述第一需求维护人员。
具体而言，所述第一机场的第一安全维护人员信息指的是可调度的维护所述第一机场安全的工作人员，例如机场保安、技术员等；在所述第一机场安全管理平台获得所述第一应急预案后，根据所述第一应急预案需求的安全人员维护数量，在所述第一机场的第一安全维护人员中调度。具体的实现方式为：首先获得可调度的所有所述第一机场的第一安全维护人员，其次上传所述第一安全维护人员的第一实时定位信息，优先调度处于所述第一异常区域内维护人员，其次根据所述第一应急预案需求的安全维护人员数量，然后以所述第一定位信息为准由近及远的将所述第一定位信息发给所述第一需求维护人员，保障所述第一异常信息及时得到解决。
进一步的，基于所述通过对所述第一聚集人群数量和所述第二聚集人群数量进行数据分析，获得第一聚集指数，如图3所示，所述方法还包括步骤S1200：
S1210：根据所述第一时间节点和所述第二时间节点，获得第一时间节点差值，所述第一时间节点差值与所述第一聚集指数相对应；
S1220：根据所述第一应急预案，获得第一执行时间；
S1230：根据所述第一执行时间和所述第一定位信息进行聚集传播聚集预测，获得第一传播指数；
S1240：根据所述第一传播指数，获得第一预测聚集指数；
S1250：将所述第一预测聚集指数作为所述第一应急预案的第一辅助数据。
具体而言，所述第一时间节点差值指的是将所述第一时间节点和所述第二时间节点做差得到的结果，所述第一时间节点和所述第二时间节点都是具有代表性的时间节点，在所述第一时间差值之间，出现的所述第一异常信息表现较明显，将所述第一时间差值之间出现的所述第一异常信息对应的所述第一聚集指数的多组数据进行联立，得到在所述第一异常信息中所述第一时间节点差值与所述第一聚集指数之间的关联性，例如时间差值越小，所述第一聚集指数越高的话，就需要加快对所述第一异常信息的处理，事态越紧急。进一步的，根据所述第一应急方案，而所述第一应急方案中是包含有所述第一时间节点差值与所述第一聚集指数相对应的关联性的，依据事态的紧急程度决定所述第一执行时间。更进一步的，由于在接收到所述第一执行时间后，协调资源需要一定的缓冲时间，需要预测在这缓冲时间内所述第一分区内的可能出现的人群聚集规模，即从而可以做出针对性措施；所述第一传播指数指的是根据人群流动趋势和速度信息，以及人群和所述第一定位信息之间的距离数据；所述第一预测聚集指数指的是结合所述第一传播指数综合判断在所述第一执行时间的缓冲时间内，人群在所述第一分区内的聚集趋势。更进一步，依据所述第一预测聚集指数可以及时应对在所述第一执行时间的缓冲时间区间里出现的突发状况。因为在所述第一应急预案执行的过程中会出现缓冲时间，而在所述第一应急预案中是没涉及到这部分信息的，所以通过所述第一预测聚集指数可以缓冲时间内的突发状况考虑在内，并以此为辅助信息执行所述第一应急预案，达到了实时性更强的技术效果。
进一步的，基于所述将所述第一视频信息输入异常行为分析模型中，根据所述异常行为分析模型，获得第一异常行为信息，所述方法步骤S400还包括：
S410：根据所述第一视频信息，获得第一行为卷积特征；
S420：将所述第一行为卷积特征作为第一输入信息输入所述异常行为分析模型中；
S430：所述异常行为分析模型通过多组数据训练获得，所述多组数据包括所述第一行为卷积特征和标识第一异常特征的标识信息；
S440：获得所述异常行为分析模型的第一输出结果，所述第一输出结果为所述第一异常特征；
S450：根据所述第一异常特征，获得所述第一异常行为信息。
具体而言，卷积可以作为在机器学习中的特征提取器，从而使得提取到的特征信息具有集中性和代表性，对所述第一视频信息进行卷积特征提取，获得所述第一行为卷积特征，更进一步的，所述异常行为分析模型也为神经网络模型，所述神经网络模型即机器学习中的神经网络模型，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习***。其中，它能根据训练数据进行不断的自我训练学习，所述多组数据包括所述第一行为卷积特征和标识第一异常特征的标识信息。所述异常行为分析模型不断地自我的修正，当所述异常行为分析模型的输出信息达到预定的准确率/收敛状态时，则有监督学习过程结束。通过对所述异常行为分析模型进行数据训练，使得所述异常行为分析模型处理输入数据更加准确，进而使得输出的所述第一异常特征信息也更加准确，更进一步的，基于所述第一异常特征信息总结得到所述第一异常行为信息。达到了准确获得数据信息，提高评估结果智能化的技术效果。
综上所述，本申请实施例所提供的一种基于机场安全管理平台的视频智能分析方法及***具有如下技术效果：
1、由于采用了根据第一机场安全管理平台，获得第一机场监控信息；根据所述第一机场监控信息进行安全管理区域划分，获得第一分区信息；获得所述第一分区的第一视频信息；将所述第一视频信息输入异常行为分析模型中，根据所述异常行为分析模型，获得第一异常行为信息；根据所述第一异常行为信息对异常地点进行位置标记，获得第一定位信息；通过第一视频冻结装置对所述第一视频信息进行异常视频冻结，获得第一冻结影像；根据所述第一冻结影像，判断所述第一异常信息是否存在第一聚集人群；若所述第一异常信息存在第一聚集人群，获得第一聚集规模；根据所述第一定位信息和所述第一聚集规模，生成第一应急预案；将所述第一应急预案发送至所述第一机场安全管理平台进行应急处理的技术方案，达到了通过调用机场各区域的监控信息，根据监控信息的在区域内的集成性，将安全管理区域分区，减少需处理的数据量。进一步的将监控到的分区视频信息传输至智能化分析模型，若是存在异常行为就对该分区内的人群进行应急处理，各分区可以进行独立的智能化分析，减少了庞大数据的传输量，增强了落地的可能性，得到了可行性较强的视频分析方法的技术效果。
2、因为在所述第一应急预案执行的过程中会出现缓冲时间，而在所述第一应急预案中是没涉及到这部分信息的，所以通过所述第一预测聚集指数可以缓冲时间内的突发状况考虑在内，并以此为辅助信息执行所述第一应急预案，达到了实时性更强的技术效果。
实施例二
基于与前述实施例中一种基于机场安全管理平台的视频智能分析方法相同的发明构思，如图4所示，本申请实施例提供了一种基于机场安全管理平台的视频智能分析***，其中，所述***包括：
第一获得单元11，所述第一获得单元11用于根据第一机场安全管理平台，获得第一机场监控信息；
第二获得单元12，所述第二获得单元12用于根据所述第一机场监控信息进行安全管理区域划分，获得第一分区信息；
第三获得单元13，所述第三获得单元13用于获得所述第一分区的第一视频信息；
第四获得单元14，所述第四获得单元14用于将所述第一视频信息输入异常行为分析模型中，根据所述异常行为分析模型，获得第一异常行为信息；
第五获得单元15，所述第五获得单元15用于根据所述第一异常行为信息对异常地点进行位置标记，获得第一定位信息；
第六获得单元16，所述第六获得单元16用于通过第一视频冻结装置对所述第一视频信息进行异常视频冻结，获得第一冻结影像；
第一判断单元17，所述第一判断单元17用于根据所述第一冻结影像，判断所述第一异常信息是否存在第一聚集人群；
第七获得单元18，所述第七获得单元18用于若所述第一异常信息存在第一聚集人群，获得第一聚集规模；
第一生成单元19，所述第一生成单元19用于根据所述第一定位信息和所述第一聚集规模，生成第一应急预案；
第一发送单元20，所述第一发送单元20用于将所述第一应急预案发送至所述第一机场安全管理平台进行应急处理。
进一步的，所述***还包括：
第八获得单元，所述第八获得单元用于通过对所述第一冻结影像进行筛选，获得第一筛选影像，其中，所述第一筛选影像为包含异常用户面部特征的影像；
第九获得单元，所述第九获得单元用于通过对所述第一筛选影像中的所有影像进行数据构建，获得第一异常用户信息；
第十获得单元，所述第十获得单元用于根据所述第一异常用户信息，获得第一用户身份信息；
第十一获得单元，所述第十一获得单元用于根据所述第一用户身份信息，获得第一历史病症信息；
第二生成单元，所述第二生成单元用于根据所述第一历史病症信息和所述第一应急预案，生成第二应急预案。
进一步的，所述***还包括：
第十二获得单元，所述第十二获得单元用于根据所述第一视频冻结装置，获得第二冻结影像，其中，所述第二冻结影像为包含第一时间节点和第二时间节点聚集人群的影像；
第十三获得单元，所述第十三获得单元用于获得所述第一时间节点的第一聚集人群数量；
第十四获得单元，所述第十四获得单元用于获得所述第二时间节点的第二聚集人群数量；
第十五获得单元，所述第十五获得单元用于通过对所述第一聚集人群数量和所述第二聚集人群数量进行数据分析，获得第一聚集指数；
第十六获得单元，所述第十六获得单元用于根据所述第一聚集指数，获得所述第一聚集规模。
进一步的，所述***还包括：
第十七获得单元，所述第十七获得单元用于获得所述第二冻结影像的第一场所信息；
第十八获得单元，所述第十八获得单元用于获得所述第一场所信息的第一管理等级；
第二判断单元，所述第二判断单元用于根据所述第一管理等级，判断所述第一聚集指数是否大于等于预设聚集指数；
第十九获得单元，所述第十九获得单元用于若所述第一聚集指数大于等于预设聚集指数，获得第一提醒信息；
第一添加单元，所述第一添加单元用于将所述第一提醒信息添加至所述第一应急预案中。
进一步的，所述***还包括：
第一输入单元，所述第一输入单元用于将所述第一机场的第一安全维护人员信息输入所述第一机场安全管理平台中；
第二十获得单元，所述第二十获得单元用于当所述第一机场安全管理平台接受到所述第一应急预案信息，获得所述第一安全维护人员的第一实时定位信息；
第二十一获得单元，所述第二十一获得单元用于根据所述第一安全维护人员的第一实时定位信息和所述第一定位信息，获得第一异常区域维护人员；
第二十二获得单元，所述第二十二获得单元用于根据所述第一应急预案，获得第一需求维护人员；
第二发送单元，所述第二发送单元用于将所述第一定位信息发送给所述第一需求维护人员。
进一步的，所述***还包括：
第二十三获得单元，所述第二十三获得单元用于根据所述第一时间节点和所述第二时间节点，获得第一时间节点差值，所述第一时间节点差值与所述第一聚集指数相对应；
第二十四获得单元，所述第二十四获得单元用于根据所述第一应急预案，获得第一执行时间；
第二十五获得单元，所述第二十五获得单元用于根据所述第一执行时间和所述第一定位信息进行聚集传播聚集预测，获得第一传播指数；
第二十六获得单元，所述第二十六获得单元用于根据所述第一传播指数，获得第一预测聚集指数；
第一设置单元，所述第一设置单元用于将所述第一预测聚集指数作为所述第一应急预案的第一辅助数据。
进一步的，所述***还包括：
第二十七获得单元，所述第二十七获得单元用于根据所述第一视频信息，获得第一行为卷积特征；
第二输入单元，所述第二输入单元用于将所述第一行为卷积特征作为第一输入信息输入所述异常行为分析模型中；
第一训练单元，所述第一训练单元用于所述异常行为分析模型通过多组数据训练获得，所述多组数据包括所述第一行为卷积特征和标识第一异常特征的标识信息；
第一输出单元，所述第一输出单元用于获得所述异常行为分析模型的第一输出结果，所述第一输出结果为所述第一异常特征；
第二十八获得单元，所述第二十八获得单元用于根据所述第一异常特征，获得所述第一异常行为信息。
示例性电子设备
下面参考图5来描述本申请实施例的电子设备，
基于与前述实施例中一种基于机场安全管理平台的视频智能分析方法相同的发明构思，本申请实施例还提供了一种基于机场安全管理平台的视频智能分析***，包括：处理器，所述处理器与存储器耦合，所述存储器用于存储程序，当所述程序被所述处理器执行时，使得***以执行第一方面任一项所述的方法。
该电子设备300包括：处理器302、通信接口303、存储器301。可选的，电子设备300还可以包括总线架构304。其中，通信接口303、处理器302以及存储器301可以通过总线架构304相互连接；总线架构304可以是外设部件互连标(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry Standardarchitecture，简称EISA)总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
处理器302可以是一个CPU，微处理器，ASIC，或一个或多个用于控制本申请方案程序执行的集成电路。
通信接口303，使用任何收发器一类的装置，用于与其他设备或通信网络通信，如以太网，无线接入网(radio access network，RAN),无线局域网(wireless local areanetworks，WLAN)，有线接入网等。
存储器301可以是ROM或可存储静态信息和指令的其他类型的静态存储设备，RAM或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable Programmable read-only memory，EEPROM)、只读光盘(compactdisc read-only memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以是独立存在，通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。
其中，存储器301用于存储执行本申请方案的计算机执行指令，并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令，从而实现本申请上述实施例提供的一种基于机场安全管理平台的视频智能分析方法。
可选的，本申请实施例中的计算机执行指令也可以称之为应用程序代码，本申请实施例对此不作具体限定。
本申请实施例提供了一种基于机场安全管理平台的视频智能分析方法，其中，所述方法应用于一机场安全管理平台，所述平台与一视频冻结装置智能连接，所述方法包括：根据第一机场安全管理平台，获得第一机场监控信息；根据所述第一机场监控信息进行安全管理区域划分，获得第一分区信息；获得所述第一分区的第一视频信息；将所述第一视频信息输入异常行为分析模型中，根据所述异常行为分析模型，获得第一异常行为信息；根据所述第一异常行为信息对异常地点进行位置标记，获得第一定位信息；通过第一视频冻结装置对所述第一视频信息进行异常视频冻结，获得第一冻结影像；根据所述第一冻结影像，判断所述第一异常信息是否存在第一聚集人群；若所述第一异常信息存在第一聚集人群，获得第一聚集规模；根据所述第一定位信息和所述第一聚集规模，生成第一应急预案；将所述第一应急预案发送至所述第一机场安全管理平台进行应急处理。达到了通过调用机场各区域的监控信息，根据监控信息的在区域内的集成性，将安全管理区域分区，减少需处理的数据量。进一步的将监控到的分区视频信息传输至智能化分析模型，若是存在异常行为就对该分区内的人群进行应急处理，各分区可以进行独立的智能化分析，减少了庞大数据的传输量，增强了落地的可能性，得到了可行性较强的视频分析方法的技术效果。
本领域普通技术人员可以理解：本申请中涉及的第一、第二等各种数字编号仅为描述方便进行的区分，并不用来限制本申请实施例的范围，也不表示先后顺序。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a,b,或c中的至少一项(个、种)，可以表示：a,b,c,a-b,a-c,b-c,或a-b-c，其中a,b,c可以是单个，也可以是多个。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(Solid State Disk，SSD))等。
本申请实施例中所描述的各种说明性的逻辑单元和电路可以通过通用处理器，数字信号处理器，专用集成电路(ASIC)，现场可编程门阵列(FPGA)或其它可编程逻辑装置，离散门或晶体管逻辑，离散硬件部件，或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器，可选地，该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现，例如数字信号处理器和微处理器，多个微处理器，一个或多个微处理器联合一个数字信号处理器核，或任何其它类似的配置来实现。
本申请实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地，存储媒介可以与处理器连接，以使得处理器可以从存储媒介中读取信息，并可以向存储媒介存写信息。可选地，存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中，ASIC可以设置于终端中。可选地，处理器和存储媒介也可以设置于终端中的不同的部件中。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。
尽管结合具体特征及其实施例对本申请进行了描述，显而易见的，在不脱离本申请的精神和范围的情况下，可对其进行各种修改和组合。相应地，本说明书和附图仅仅是所附权利要求所界定的本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。
Claims (9)
1.一种基于机场安全管理平台的视频智能分析方法，其中，所述方法应用于一机场安全管理平台，所述平台与一视频冻结装置智能连接，所述方法包括：
根据第一机场安全管理平台，获得第一机场监控信息；
根据所述第一机场监控信息进行安全管理区域划分，获得第一分区信息；
获得所述第一分区的第一视频信息；
将所述第一视频信息输入异常行为分析模型中，根据所述异常行为分析模型，获得第一异常行为信息；
根据所述第一异常行为信息对异常地点进行位置标记，获得第一定位信息；
通过第一视频冻结装置对所述第一视频信息进行异常视频冻结，获得第一冻结影像；
根据所述第一冻结影像，判断所述第一异常信息是否存在第一聚集人群；
若所述第一异常信息存在第一聚集人群，获得第一聚集规模；
根据所述第一定位信息和所述第一聚集规模，生成第一应急预案；
将所述第一应急预案发送至所述第一机场安全管理平台进行应急处理。
2.如权利要求1所述的方法，其中，所述通过第一视频冻结装置对所述第一视频信息进行异常视频冻结，获得第一冻结影像，所述方法还包括：
通过对所述第一冻结影像进行筛选，获得第一筛选影像，其中，所述第一筛选影像为包含异常用户面部特征的影像；
通过对所述第一筛选影像中的所有影像进行数据构建，获得第一异常用户信息；
根据所述第一异常用户信息，获得第一用户身份信息；
根据所述第一用户身份信息，获得第一历史病症信息；
根据所述第一历史病症信息和所述第一应急预案，生成第二应急预案。
3.如权利要求1所述的方法，其中，所述若所述第一异常信息存在第一聚集人群，获得第一聚集规模，方法还包括：
根据所述第一视频冻结装置，获得第二冻结影像，其中，所述第二冻结影像为包含第一时间节点和第二时间节点聚集人群的影像；
获得所述第一时间节点的第一聚集人群数量；
获得所述第二时间节点的第二聚集人群数量；
通过对所述第一聚集人群数量和所述第二聚集人群数量进行数据分析，获得第一聚集指数；
根据所述第一聚集指数，获得所述第一聚集规模。
4.如权利要求3所述的方法，其中，所述根据所述第一聚集指数，获得所述第一聚集规模，所述方法还包括：
获得所述第二冻结影像的第一场所信息；
获得所述第一场所信息的第一管理等级；
根据所述第一管理等级，判断所述第一聚集指数是否大于等于预设聚集指数；
若所述第一聚集指数大于等于预设聚集指数，获得第一提醒信息；
将所述第一提醒信息添加至所述第一应急预案中。
5.如权利要求1所述的方法，其中，所述将所述第一应急预案发送至所述第一机场安全管理平台进行应急处理，所述方法还包括：
将所述第一机场的第一安全维护人员信息输入所述第一机场安全管理平台中；
当所述第一机场安全管理平台接受到所述第一应急预案信息，获得所述第一安全维护人员的第一实时定位信息；
根据所述第一安全维护人员的第一实时定位信息和所述第一定位信息，获得第一异常区域维护人员；
根据所述第一应急预案，获得第一需求维护人员；
将所述第一定位信息发送给所述第一需求维护人员。
6.如权利要求3所述的方法，其中，所述通过对所述第一聚集人群数量和所述第二聚集人群数量进行数据分析，获得第一聚集指数，所述方法还包括：
根据所述第一时间节点和所述第二时间节点，获得第一时间节点差值，所述第一时间节点差值与所述第一聚集指数相对应；
根据所述第一应急预案，获得第一执行时间；
根据所述第一执行时间和所述第一定位信息进行聚集传播聚集预测，获得第一传播指数；
根据所述第一传播指数，获得第一预测聚集指数；
将所述第一预测聚集指数作为所述第一应急预案的第一辅助数据。
7.如权利要求1所述的方法，所述将所述第一视频信息输入异常行为分析模型中，根据所述异常行为分析模型，获得第一异常行为信息，所述方法还包括：
根据所述第一视频信息，获得第一行为卷积特征；
将所述第一行为卷积特征作为第一输入信息输入所述异常行为分析模型中；
所述异常行为分析模型通过多组数据训练获得，所述多组数据包括所述第一行为卷积特征和标识第一异常特征的标识信息；
获得所述异常行为分析模型的第一输出结果，所述第一输出结果为所述第一异常特征；
根据所述第一异常特征，获得所述第一异常行为信息。
8.一种基于机场安全管理平台的视频智能分析***，其中，所述***包括：
第一获得单元，所述第一获得单元用于根据第一机场安全管理平台，获得第一机场监控信息；
第二获得单元，所述第二获得单元用于根据所述第一机场监控信息进行安全管理区域划分，获得第一分区信息；
第三获得单元，所述第三获得单元用于获得所述第一分区的第一视频信息；
第四获得单元，所述第四获得单元用于将所述第一视频信息输入异常行为分析模型中，根据所述异常行为分析模型，获得第一异常行为信息；
第五获得单元，所述第五获得单元用于根据所述第一异常行为信息对异常地点进行位置标记，获得第一定位信息；
第六获得单元，所述第六获得单元用于通过第一视频冻结装置对所述第一视频信息进行异常视频冻结，获得第一冻结影像；
第一判断单元，所述第一判断单元用于根据所述第一冻结影像，判断所述第一异常信息是否存在第一聚集人群；
第七获得单元，所述第七获得单元用于若所述第一异常信息存在第一聚集人群，获得第一聚集规模；
第一生成单元，所述第一生成单元用于根据所述第一定位信息和所述第一聚集规模，生成第一应急预案；
第一发送单元，所述第一发送单元用于将所述第一应急预案发送至所述第一机场安全管理平台进行应急处理。
9.一种基于机场安全管理平台的视频智能分析***，包括：处理器，所述处理器与存储器耦合，所述存储器用于存储程序，当所述程序被所述处理器执行时，使***以执行如权利要求1至7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110805230.5A CN113505713B (zh) | 2021-07-16 | 2021-07-16 | 一种基于机场安全管理平台的视频智能分析方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110805230.5A CN113505713B (zh) | 2021-07-16 | 2021-07-16 | 一种基于机场安全管理平台的视频智能分析方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113505713A true CN113505713A (zh) | 2021-10-15 |
| CN113505713B CN113505713B (zh) | 2022-09-23 |
Family
ID=78013531
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110805230.5A Active CN113505713B (zh) | 2021-07-16 | 2021-07-16 | 一种基于机场安全管理平台的视频智能分析方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113505713B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114399498A (zh) * | 2022-01-19 | 2022-04-26 | 浙大网新***工程有限公司 | 一种机场跑道表面状况评估方法及*** |
| CN115204753A (zh) * | 2022-09-14 | 2022-10-18 | 深圳市深信信息技术有限公司 | 一种智慧农贸场所行为监测方法、***及可读存储介质 |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2553592A1 (en) * | 2005-07-28 | 2007-01-28 | Inventio Ag | Method of guiding a user in an environment, particularly in a building |
| CN102280011A (zh) * | 2011-06-09 | 2011-12-14 | 无锡国科微纳传感网科技有限公司 | 周界安防处警方法及*** |
| WO2014148395A1 (ja) * | 2013-03-21 | 2014-09-25 | 株式会社日立国際電気 | 映像監視システム、映像監視方法、および映像監視装置 |
| CN105718857A (zh) * | 2016-01-13 | 2016-06-29 | 兴唐通信科技有限公司 | 一种人体异常行为检测方法及*** |
| CN106094633A (zh) * | 2016-07-05 | 2016-11-09 | 张宁 | 民航机场候机楼安全远程实时监控信息*** |
| JP2017038739A (ja) * | 2015-08-18 | 2017-02-23 | 株式会社ユニバーサルエンターテインメント | 情報処理装置、情報読込装置、及びゲーミングマシン |
| CN107862437A (zh) * | 2017-10-16 | 2018-03-30 | 中国人民公安大学 | 基于风险概率评估的公共区域人群聚集预警方法及*** |
| US20190124134A1 (en) * | 2004-03-16 | 2019-04-25 | Icontrol Networks, Inc. | Generating risk profile using data of home monitoring and security system |
| CN109819208A (zh) * | 2019-01-02 | 2019-05-28 | 江苏警官学院 | 一种基于人工智能动态监控的密集人群安防监控管理方法 |
| CN110751341A (zh) * | 2019-10-29 | 2020-02-04 | 浪潮天元通信信息***有限公司 | 一种基于物联网的视频规划分析***及方法 |
| CN111460917A (zh) * | 2020-03-13 | 2020-07-28 | 温州大学大数据与信息技术研究院 | 基于多模态信息融合的机场异常行为检测***及方法 |
| CA3063018A1 (en) * | 2018-11-21 | 2020-10-17 | Beijing Yutian Technology Co. Ltd | An intelligent emergency decision support system for emergency communication |
| WO2020211428A1 (zh) * | 2019-04-17 | 2020-10-22 | 广东康云科技有限公司 | 一种园区******及方法 |
| CN112000043A (zh) * | 2020-08-28 | 2020-11-27 | 广州粤建三和软件股份有限公司 | 基于区块链的高支模实时监控方法、装置、设备以及介质 |
| WO2021004344A1 (zh) * | 2019-07-10 | 2021-01-14 | 平安科技（深圳）有限公司 | 基于数据分析的风险识别方法及相关设备 |
| CN113051980A (zh) * | 2019-12-27 | 2021-06-29 | 华为技术有限公司 | 视频处理方法、设备、***及计算机可读存储介质 |
| CN113095984A (zh) * | 2021-04-28 | 2021-07-09 | 南通市第一人民医院 | 一种护理人员突发事件应急预案生成方法及*** |
-
2021
- 2021-07-16 CN CN202110805230.5A patent/CN113505713B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190124134A1 (en) * | 2004-03-16 | 2019-04-25 | Icontrol Networks, Inc. | Generating risk profile using data of home monitoring and security system |
| CA2553592A1 (en) * | 2005-07-28 | 2007-01-28 | Inventio Ag | Method of guiding a user in an environment, particularly in a building |
| CN102280011A (zh) * | 2011-06-09 | 2011-12-14 | 无锡国科微纳传感网科技有限公司 | 周界安防处警方法及*** |
| WO2014148395A1 (ja) * | 2013-03-21 | 2014-09-25 | 株式会社日立国際電気 | 映像監視システム、映像監視方法、および映像監視装置 |
| JP2017038739A (ja) * | 2015-08-18 | 2017-02-23 | 株式会社ユニバーサルエンターテインメント | 情報処理装置、情報読込装置、及びゲーミングマシン |
| CN105718857A (zh) * | 2016-01-13 | 2016-06-29 | 兴唐通信科技有限公司 | 一种人体异常行为检测方法及*** |
| CN106094633A (zh) * | 2016-07-05 | 2016-11-09 | 张宁 | 民航机场候机楼安全远程实时监控信息*** |
| CN107862437A (zh) * | 2017-10-16 | 2018-03-30 | 中国人民公安大学 | 基于风险概率评估的公共区域人群聚集预警方法及*** |
| CA3063018A1 (en) * | 2018-11-21 | 2020-10-17 | Beijing Yutian Technology Co. Ltd | An intelligent emergency decision support system for emergency communication |
| CN109819208A (zh) * | 2019-01-02 | 2019-05-28 | 江苏警官学院 | 一种基于人工智能动态监控的密集人群安防监控管理方法 |
| WO2020211428A1 (zh) * | 2019-04-17 | 2020-10-22 | 广东康云科技有限公司 | 一种园区******及方法 |
| WO2021004344A1 (zh) * | 2019-07-10 | 2021-01-14 | 平安科技（深圳）有限公司 | 基于数据分析的风险识别方法及相关设备 |
| CN110751341A (zh) * | 2019-10-29 | 2020-02-04 | 浪潮天元通信信息***有限公司 | 一种基于物联网的视频规划分析***及方法 |
| CN113051980A (zh) * | 2019-12-27 | 2021-06-29 | 华为技术有限公司 | 视频处理方法、设备、***及计算机可读存储介质 |
| CN111460917A (zh) * | 2020-03-13 | 2020-07-28 | 温州大学大数据与信息技术研究院 | 基于多模态信息融合的机场异常行为检测***及方法 |
| CN112000043A (zh) * | 2020-08-28 | 2020-11-27 | 广州粤建三和软件股份有限公司 | 基于区块链的高支模实时监控方法、装置、设备以及介质 |
| CN113095984A (zh) * | 2021-04-28 | 2021-07-09 | 南通市第一人民医院 | 一种护理人员突发事件应急预案生成方法及*** |
Non-Patent Citations (1)
| Title |
|---|
| 高宇恒: "机场安全管理成熟度评价研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅰ辑》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114399498A (zh) * | 2022-01-19 | 2022-04-26 | 浙大网新***工程有限公司 | 一种机场跑道表面状况评估方法及*** |
| CN115204753A (zh) * | 2022-09-14 | 2022-10-18 | 深圳市深信信息技术有限公司 | 一种智慧农贸场所行为监测方法、***及可读存储介质 |
| CN115204753B (zh) * | 2022-09-14 | 2022-12-02 | 深圳市深信信息技术有限公司 | 一种智慧农贸场所行为监测方法、***及可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113505713B (zh) | 2022-09-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11615695B2 (en) | Coverage agent for computer-aided dispatch systems | |
| CN113505713B (zh) | 一种基于机场安全管理平台的视频智能分析方法及*** | |
| AU2023258418A1 (en) | Emergency response system | |
| WO2014014470A1 (en) | Problem analysis and priority determination based on fuzzy expert systems | |
| CN111611085B (zh) | 基于云边协同的人机混合增强智能***、方法、装置 | |
| EP3217242A1 (en) | Using aircraft data recorded during flight to predict aircraft engine behavior | |
| CN113516244A (zh) | 一种智能运维方法、装置、电子设备及存储介质 | |
| CN117350640A (zh) | 一种项目进度管理方法与*** | |
| CN114221908A (zh) | 动态限流熔断处理方法、装置、计算机设备及存储介质 | |
| CN113839799B (zh) | 一种告警关联规则挖掘方法及装置 | |
| CN116187675A (zh) | 任务分配方法、装置、设备及存储介质 | |
| Retnowardhani et al. | Classify interval range of crime forecasting for crime prevention decision making | |
| CN111815442B (zh) | 一种链接预测的方法、装置和电子设备 | |
| CN113946464A (zh) | 一种结合模型及经验的预训练和并行推演的告警降噪方法 | |
| WO2022253449A1 (en) | Method and system for predicting and classifying event sequences embedded in a knowledge graph | |
| CN111953533A (zh) | 目标网络节点的工作时长调控方法、装置、设备及存储介质 | |
| CN106599435B (zh) | 一种机场日通行能力确定方法及装置 | |
| CN110807251A (zh) | 融入个体异质性和动态从众性的网络舆情极化方法及其*** | |
| CN118114902A (zh) | 基于bim技术的智能施工管理平台 | |
| CN117873825A (zh) | 多接入边缘计算节点运行状态的确定方法及装置 | |
| CN115580539A (zh) | 基于人工智能场景的算网储调度方法、***及设备 | |
| CN116050801A (zh) | 基于软件开发的数据处理方法、装置、设备、介质及产品 | |
| Sikirda et al. | Integrated collaborative decision making models in air navigation sysem | |
| Dal Pont et al. | Real-time decision support system applied to distribution utility dispatches | |
| CN117933840A (zh) | 数字孪生驱动的航班地面保障延误诊断方法、***及设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230717 Address after: 2800 Wanyuan Road, Minhang District, Shanghai 201100 Patentee after: SHANGHAI YUNSAI ZHILIAN INFORMATION TECHNOLOGY Co.,Ltd. Address before: Room 513, floor 5, No. 2016, Yishan Road, Minhang District, Shanghai 201103 Patentee before: SHANGHAI SAGA ELECTRONICS TECHNOLOGY CO.,LTD. |