CN114218992B - 异常对象的检测方法及相关装置 - Google Patents
异常对象的检测方法及相关装置 Download PDFInfo
- Publication number
- CN114218992B CN114218992B CN202111643714.0A CN202111643714A CN114218992B CN 114218992 B CN114218992 B CN 114218992B CN 202111643714 A CN202111643714 A CN 202111643714A CN 114218992 B CN114218992 B CN 114218992B
- Authority
- CN
- China
- Prior art keywords
- candidate object
- abnormal
- candidate
- features
- sensor
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2282—Tablespace storage structures; Management thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Fuzzy Systems (AREA)
- Signal Processing (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Alarm Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及计算机技术领域,公开了一种异常对象的检测方法及相关装置,用于解决相关技术产生的异常人员预警的灵活性低以及准确性差的问题。本申请通过预先建立有先验概率表,并基于先验概率表从采集的数据中提取出异常对象的特征,并从先验概率表中查找提取的特征对应的先验概率,然后采用贝叶斯概率模型处理提取的特征和先验概率,从而可以预测出采集的数据中哪些对象是告警的异常对象,从而保证预警的实时有效性和准确性,减少人工核查的难度。还通过采集候选对象的历史移动轨迹,通过神经网络模型预测下一步移动轨迹的置信度,检测出异常对象,从而与采用贝叶斯概率模型预测出的异常对象互相验证,进一步保证异常人员预警的准确性。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种异常对象的检测方法及相关装置。
背景技术
随着社会基础设施建设的大力发展,为了维护社会治安,基于异常人员的分析预警需求日益增多。
目前很多异常行为的预警,为了保证实时性,基本由前端相机产生,但由于相机自身的算力及预警规则的局限性,产生的异常报警会存在很多误报,需要人工实时干预核查。然而,实际应用时,很难穷举各种变化条件的预警规则导致该方式灵活性差,准确性低。
另一种预警方式是采用积分模型,积分模型的各种规则特征的系数主要靠经验值来设定,也缺乏一定的灵活性,产生的异常人员预警的准确性差。
发明内容
本申请提供一种异常对象的检测方法及相关装置,用于解决相关技术产生的异常人员预警的灵活性低以及准确性差的问题。
第一方面,本申请实施例提供了一种异常对象的检测方法,包括:
获取异常对象的告警信息,所述告警信息包括发出所述告警信息的传感器位置;
以所述传感器位置为基准,在所述传感器位置周围获取待处理传感器采集的数据;
从待处理传感器采集的数据中提取候选对象的特征信息,所述特征信息中包括多维度特征;
从预设的先验概率表中获取所述多维度特征中每个维度的特征对应的先验概率;其中所述先验概率包括候选对象为所述异常对象的先验概率和所述候选对象不是所述异常对象的先验概率;
采用贝叶斯概率模型处理所述多维度特征以及每个维度的特征对应的先验概率,得到所述候选对象的风险系数;其中所述风险系数用于指示所述候选对象是所述异常对象的概率;
若所述候选对象的风险系数大于或等于预设风险系数阈值,则确定所述候选对象为所述异常对象。
在一种可能的实施方式中,若确定所述候选对象的风险系数大于或等于预设风险系数阈值之后,且确定所述候选对象为所述异常对象之前,所述方法还包括:
从多个传感器采集的数据中提取所述候选对象的移动轨迹;
将所述移动轨迹输入神经网络模型,得到所述神经网络模型输出的所述候选对象的下一步移动轨迹的置信度,所述置信度用于表征所述下一步移动轨迹是正常对象的移动轨迹的概率;
确定所述候选对象的置信度小于预设置信度阈值。
在一种可能的实施方式中,所述多维度特征包括:
候选对象的时空特征、候选对象的外貌特征、候选对象的行为特征、置信度比对特征、关联目标特征,所述关联目标特征用于表征从候选对象位置的指定范围中在指定时长内提取到机动车辆、所述置信度比对特征包括候选对象和异常对象相似的置信度和/或候选对象的图像质量低于图像质量分数。
在一种可能的实施方式中,所述从预设的先验概率表中获取所述多维度特征中每个维度的特征对应的先验概率之前,所述方法还包括:
确定所述候选对象的特征和所述白名单中的对象特征不匹配。
在一种可能的实施方式中,所述从多个传感器采集的数据中提取所述候选对象的移动轨迹,具体包括:
获取多个传感器采集的所述候选对象的数据;
基于所述候选对象的数据中的时间信息,以及各个传感器的位置信息,构建所述候选对象的移动轨迹。
在一种可能的实施方式中,训练所述神经网络模型,包括:
获取训练样本,所述训练样本中包括样本对象的历史移动轨迹、所述历史移动轨迹的下一步移动轨迹以及目标置信度;
将所述样本对象的所述历史移动轨迹输入所述神经网络模型,得到所述神经网络模型输出的所述样本对象的下一步移动轨迹和预测置信度;
比较所述神经网络模型输出的下一步移动轨迹和所述训练样本中包括的下一步移动轨迹得到位置损失,并基于所述预测置信度和所述目标置信度确定置信度损失;
采用所述位置损失和所述置信度损失训练所述神经网络模型。
在一种可能的实施方式中,所述方法还包括:
若确定所述候选对象为所述异常对象,则确定以所述待处理传感器为基准,返回执行以所述传感器位置为基准,在所述传感器位置周围获取待处理传感器采集的数据的步骤。
第二方面,本申请实施例提供了一种异常对象的检测装置,所述装置包括:
告警位置获取模块,用于获取异常对象的告警信息,所述告警信息包括发出所述告警信息的传感器位置;
数据获取模块,用于以所述传感器位置为基准,在所述传感器位置周围获取待处理传感器采集的数据;
多维度特征提取模块,用于从待处理传感器采集的数据中提取候选对象的特征信息,所述特征信息中包括多维度特征;
先验概率获取模块,用于从预设的先验概率表中获取所述多维度特征中每个维度的特征对应的先验概率;其中所述先验概率包括候选对象为所述异常对象的先验概率和所述候选对象不是所述异常对象的先验概率;
风险系数确定模块,用于采用贝叶斯概率模型处理所述多维度特征以及每个维度的特征对应的先验概率,得到所述候选对象的风险系数;其中所述风险系数用于指示所述候选对象是所述异常对象的概率;
异常识别模块,用于若所述候选对象的风险系数大于或等于预设风险系数阈值,则确定所述候选对象为所述异常对象。
在一种可能的实施方式中,若确定所述候选对象的风险系数大于或等于预设风险系数阈值之后,且确定所述候选对象为所述异常对象之前,所述装置还包括:
移动轨迹提取模块,用于从多个传感器采集的数据中提取所述候选对象的移动轨迹;
置信度获取模块,用于将所述移动轨迹输入神经网络模型,得到所述神经网络模型输出的所述候选对象的下一步移动轨迹的置信度,所述置信度用于表征所述下一步移动轨迹是正常对象的移动轨迹的概率;
异常识别模块,具体用于确定所述候选对象的置信度小于预设置信度阈值。
在一种可能的实施方式中,所述多维度特征提取模块提取的所述多维度特征包括:
候选对象的时空特征、候选对象的外貌特征、候选对象的行为特征、置信度比对特征、关联目标特征,所述关联目标特征用于表征从候选对象位置的指定范围中在指定时长内提取到机动车辆、所述置信度比对特征包括候选对象和异常对象相似的置信度和/或候选对象的图像质量低于图像质量分数。
在一种可能的实施方式中,所述先验概率获取模块用于从预设的先验概率表中获取所述多维度特征中每个维度的特征对应的先验概率之前,所述装置还包括:
特征匹配模块,用于确定所述候选对象的特征和所述白名单中的对象特征不匹配。
在一种可能的实施方式中,执行所述从多个传感器采集的数据中提取所述候选对象的移动轨迹,所述移动轨迹提取模块具体用于:
获取多个传感器采集的所述候选对象的数据;
基于所述候选对象的数据中的时间信息,以及各个传感器的位置信息,构建所述候选对象的移动轨迹。
在一种可能的实施方式中,所述装置包括:
训练样本获取模块,用于获取训练样本,所述训练样本中包括样本对象的历史移动轨迹、所述历史移动轨迹的下一步移动轨迹以及目标置信度;
置信度获取模块,还用于将所述样本对象的所述历史移动轨迹输入所述神经网络模型,得到所述神经网络模型输出的所述样本对象的下一步移动轨迹和预测置信度;
损失确定模块,用于比较所述神经网络模型输出的下一步移动轨迹和所述训练样本中包括的下一步移动轨迹得到位置损失,并基于所述预测置信度和所述目标置信度确定置信度损失;
训练模块,用于采用所述位置损失和所述置信度损失训练所述神经网络模型。
在一种可能的实施方式中,所述装置包括:
迭代模块,用于若确定所述候选对象为所述异常对象,则确定以所述待处理传感器为基准,返回执行以所述传感器位置为基准,在所述传感器位置周围获取待处理传感器采集的数据的步骤。
第三方面,本申请实施例提供了一种电子设备,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如上述第一方面中提供的任一异常对象的检测方法。
第四方面,本申请实施例还提供了一种计算机可读存储介质,当所述计算机可读存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如上述第一方面中提供的任一异常对象的检测方法。
第五方面,本申请实施例提供了一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行以实现如上述第一方面中提供的任一异常对象的检测方法。
本申请的实施例提供的技术方案至少带来以下有益效果:
本申请实施例通过预先建立有先验概率表,该表中总结了异常对象的多种维度特征。异常对象入侵后会触发传感器告警,然后在以该传感器为基准的防控圈内搜索各个传感器采集的数据。然后基于先验概率表从采集的数据中提取出异常对象的特征,并从先验概率表中查找提取的特征对应的先验概率,然后采用贝叶斯概率模型处理提取的特征和先验概率,从而可以预测出采集的数据中哪些对象是告警的异常对象。由此通过自动提取候选对象的多维特征,并利用算法将特征对应的先验概率输入贝叶斯概率模型,从而可以实现异常对象的检测,从而预警出异常对象,进一步保证预警的实时有效性和准确性,减少人工核查的难度。
此外,本申请还通过采集样本对象的历史移动轨迹和下一步移动轨迹,训练神经网络模型得到神经网络模型输出的下一步移动轨迹和训练样本中下一步移动轨迹的置信度,并将候选对象的历史移动轨迹,通过训练好的神经网络模型预测候选对象的下一步移动轨迹的置信度,与候选对象的风险系数相互验证,从而进一步保证异常人员预警的准确性。
本申请的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,显而易见地,下面所介绍的附图仅仅是本申请的一些实施例,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。
图1为本申请实施例提供的异常对象的检测方法的应用场景示意图;
图2为本申请实施例提供的一种异常对象的检测方法的流程示意图;
图3为本申请实施例提供的另一种异常对象的检测方法的流程示意图;
图4为本申请实施例提供的候选对象的移动轨迹的示意图;
图5为本申请实施例提供的神经网络模型的训练方法的流程示意图;
图6为本申请实施例提供的候选对象的移动轨迹预测示意图;
图7为本申请实施例提供的异常对象的检测装置的结构示意图;
图8为本申请实施例提供的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。其中,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
以下,对本申请实施例中的部分用语进行解释说明,以便于本领域技术人员理解。
(1)本申请实施例中术语“第一”、“第二”仅用于描述目的,而不能理解为暗示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”、的特征可以明示或者隐含地包括一个或者更多个特征,在本申请实施例的描述中,除非另有说明,“多个”的含义是两个或两个以上。
(2)“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。并且,在本申请实施例的描述中,除非另有说明,字符“/”一般表示前后关联对象是一种“或”的关系,例如,A/B可以表示A或B。
(3)服务器,是为终端服务的,服务的内容诸如向终端提供资源,保存终端数据;服务器是与终端上安装的应用程序相对应的,与终端上的应用程序配合运行。
(4)终端,既可以指软件类的APP(Application,应用程序),也可以指客户端。它具有可视的显示界面,能与用户进行交互;是与服务器相对应,为客户提供本地服务。针对软件类的应用程序,除了一些只在本地运行的应用程序之外,一般安装在普通的客户终端上,需要与服务端互相配合运行。因特网发展以后,较常用的应用程序包括了如收寄电子邮件时的电子邮件客户端,以及即时通讯的客户端等。对于这一类应用程序,需要网络中有相应的服务器和服务程序来提供相应的服务,如数据库服务,配置参数服务等,这样在客户终端和服务器端,需要建立特定的通信连接,来保证应用程序的正常运行。
附图中的任何元素数量均用于示例而非限制,以及任何命名都仅用于区分,而不具有任何限制含义。
随着社会基础设施建设的大力发展,为了维护社会治安,基于异常人员的分析预警需求日益增多。
相关技术中,异常人员的预警基本由前端相机通过预警规则或积分模型产生。针对预警规则,需要根据不同的场景,制定不同的预警规则,以实现异常人员预警。例如:需要导入异常人员的信息进行名单布控,或通过人体行为检测算法进行检测等。人体行为检测算法如:区域徘徊、区域入侵检测。然后前端设备根据预警规则产生预警。
积分模型通过配置不同特征的权重来计算综合得分,这种方式对于特征需要捆绑打分、对于权重需要增量变化进行自动更新的情况无法适应,导致产生的异常人员预警的准确性差,需人工实时干预核查。
预警规则很难穷举各种变化条件、积分模型需要靠经验值设定特征系数,因此使用预警规则进行预警和使用积分模型进行预警都缺乏一定的灵活性且准确性低。为了提高异常人员预警的实时性及有效性,快速有效的针对有异常行为的异常人员提供有效的预警,从而能快速有效的进行实时干预,是目前迫切需要解决的技术问题。
有鉴于此,本申请提供了一种异常对象的检测方法及相关装置,用于解决相关技术产生的异常人员预警灵活性和准确性差且需要人工实时干预核查的问题。
本发明的发明构思为:预先建立有先验概率表。该表中总结了异常对象的多种维度特征。异常对象入侵后会触发传感器告警,然后在以该传感器为基准的防控圈内搜索各个传感器采集的数据。然后基于先验概率表从采集的数据中提取出异常对象的特征,并从先验概率表中查找提取的特征对应的先验概率,然后采用贝叶斯概率模型处理提取的特征和先验概率,从而可以预测出采集的数据中哪些对象是告警的异常对象。由此通过提取候选对象的多维特征,并采用贝叶斯概率模型可以检测出预警的异常对象,从而保证预警的实时有效性和准确性,减少人工核查的难度。
此外,本申请还通过采集候选对象的历史移动轨迹,通过神经网络模型预测下一步移动轨迹的置信度,从而使用下一步移动轨迹的置信度与候选对象的风险系数互相验证,从而进一步保证异常人员预警的准确性。
在介绍完本申请实施例的发明构思之后,下面对本申请实施例的技术方案能够适用的应用场景做一些简单介绍,需要说明的是,以下介绍的应用场景仅用于说明本申请实施例而非限定。在具体实施时,可以根据实际需要灵活地应用本申请实施例提供的技术方案。
参考图1,其为本申请实施例提供的异常对象的检测方法的应用场景示意图。该应用场景包括:传感器101、传感器102、传感器103、传感器104、网络105、服务器106、存储器107。本申请实施例提供的传感器可以是图像传感器、雷达传感器、电子围栏传感器等等能够采集异常对象的数据的设备均适用于本申请实施例。本申请实施例中对传感器的数量和类型不作限制。
服务器106首先获取传感器101发出的异常对象的告警信息,并且获取传感器101的位置,然后以传感器101的位置为基准,在传感器101位置周围获取传感器102、103、104的采集的数据,然后基于传感器102、103、104采集的候选对象的数据检测候选对象是传感器101中异常对象的概率,若检测出候选对象是传感器101中的异常对象,则发出预警。
其中,传感器101、传感器102、传感器103、传感器104和服务器106之间通过无线或有线网络105连接,服务器106可以是一台服务器、若干台服务器组成的服务器集群或云计算中心。服务器106可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式***,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。
当然,本申请实施例提供的方法并不限用于图1所示的应用场景中,还可以用于其它可能的应用场景,本申请实施例并不进行限制。对于图1所示的应用场景的各个设备所能实现的功能将在后续的方法实施例中一并进行描述,在此先不过多赘述。
为进一步说明本申请实施例提供的技术方案,下面结合附图以及具体实施方式对此进行详细的说明。虽然本申请实施例提供了如下述实施例或附图所示的方法操作步骤,但基于常规或者无需创造性的劳动在所述方法中可以包括更多或者更少的操作步骤。在逻辑上不存在必要因果关系的步骤中,这些步骤的执行顺序不限于本申请实施例提供的执行顺序。
参考图2,为本申请实施例提供的一种异常对象的检测方法的流程示意图。如图2所示,该方法包括以下步骤:
在步骤201中,获取异常对象的告警信息,告警信息包括发出告警信息的传感器位置。
在一种可能的实施方式中,本申请实施例中的传感器若捕捉到异常对象,则会进行告警提示,并生成异常对象对应的告警信息。例如在边境墙中内置有振动光纤,若有人翻跃边境墙,边境墙中的振动光纤就会触发振动,发出告警提示,然后和振动光纤关联的设备就会捕捉翻墙人员的形态特征,从而获取对应的数据特征。
其中告警信息可包括异常对象的外貌特征、行为特征等,还包括发出告警提示的传感器的位置。其中传感器可能是雷达、电子围栏、监控摄像头、相机或其他可以感知到异常人员的传感设备。
在步骤202中,以传感器位置为基准,在传感器位置周围获取待处理传感器采集的数据。
在一种可能的实施方式中,在获取异常对象的告警信息后需要搜索跟踪异常对象,为了确定搜索范围,本申请实施例中可以基于步骤201中获取的发出告警信息的传感器位置,生成动态敏感区域的防控圈,然后获取防控圈中待处理传感器采集的数据。
例如在接收到告警提示后,以发出告警提示的传感器为中心,并以预设时长的异常对象能够移动的距离作为半径,形成一个由各种传感器组成的动态防控圈,然后在动态防控圈中的所有待处理传感器中不断搜索跟踪该异常对象。其中预设时长为从接收到告警提示到当前获取传感器采集的数据的时长,预设时长可以根据获取传感器采集的数据的时间进行动态更新,获取传感器采集的数据的时间距离接收到告警提示的时间越远,预设时长越长。
本申请实施例中的动态防控圈可理解为,按告警提示顺序不同传感器的防控圈。例如传感器A先告警,则在传感器A的防控圈内搜索异常对象,而后,若在传感器A的防控圈内的传感器B内搜索到异常对象,则继续在传感器B的防控圈内搜索异常对象。由此防控圈从传感器A的防控圈移动到传感器B的防控圈内,从而实现防控圈的动态变化。
示例性的,在发现有人翻跃边境墙后,附近的相机及其他传感设备会产生异常报警,然后以报警点为中心,假设设置预设时长为15分钟,或者将15分钟加上预计搜索时长的总时长作为预设时长,并将预设时长乘以人的正常速度得到移动距离,然后以移动距离为半径形成一个由前端监控设备组成的防控圈,以此防控圈为基准,然后在动态防控圈中的所有监控设备中不断搜索跟踪该异常对象。
以一个防控圈为例对此进行说明,如在步骤203中,从待处理传感器采集的数据中提取候选对象的特征信息,特征信息中包括多维度特征。
在一种可能的实施方式中,本申请实施例中提取的多维度特征包括候选对象的时空特征、候选对象的外貌特征、候选对象的行为特征、置信度比对特征、关联目标特征,所述关联目标特征用于表征从候选对象位置的指定范围中在指定时长内提取到机动车辆、所述置信度比对特征包括候选对象和异常对象相似的置信度和/或候选对象的图像质量低于图像质量分数。为便于理解,下面结合表1对这些特征进行说明:
表1
1、候选对象的时空特征
顾名思义,候选对象的时空特征是从待处理传感器提取的候选对象在时间和空间上的特征信息。
在一种可能的实施方式中,异常对象可能存在隐蔽位置信息的行为,即当防控圈中传感器达到一定的覆盖度之后,异常对象很可能会出现在正常对象出现概率很小的传感器中,因此需要提取候选对象的时空特征。如表1所示,时空特征可包括表征从待处理传感器提取的候选对象在时间空间上可由上一个位置到达待处理传感器,以及待处理传感器的位置是正常对象出现概率很小的位置。上一个位置可理解为异常对象的上一个移动轨迹点,亦可理解为上一个检测到异常对象的传感器位置。
在一种可能的实施方式中,为了确定时空特征,即为了确定从待处理传感器提取的候选对象在时间空间上可由上一个位置到达待处理传感器,以及待处理传感器的位置是正常对象出现概率很小的位置,本申请实施例中还需要获取待处理传感器中候选对象的位置环境,包括山地、农田、小路、公路等,以及所处的位置信息,包括地理位置信息、前后待处理传感器关联的信息等,以及候选对象根据时间顺序经过两个相邻的待处理传感器的跑步/步行时间。前后待处理传感器关联的信息如候选对象经过的相邻两个待处理传感器关联的位置信息,以及相邻两个待处理传感器采集的位置环境信息等。
使用获取的候选对象经过两个待处理传感器的跑步/步行时间以及两个传感器之间的路径距离计算出候选对象经过两个传感器需要的速度,由此可以确定从待处理传感器提取的候选对象在时间空间上是否可以由上一个位置到达待处理传感器。例如计算出的速度大于10米/秒,对于人的平均步行速度是不可能到达的,可以确定从待处理传感器提取的候选对象在时间空间上不可以由上一个位置到达待处理传感器。以及通过获取候选对象的位置信息确定该地理位置是否是正常对象出现概率很小的位置。例如候选对象的位置信息处于树林中,则可以确定候选对象的位置是正常对象出现概率很小的位置。
2、候选对象的置信度比对特征
本申请实施例中,置信度特征可理解为候选对象和异常对象相似的置信度较高,较高可理解为高于一定的置信度阈值。所述置信度比对特征包括候选对象和异常对象相似的置信度和/或候选对象的图像质量低于图像质量分数,例如从待处理传感器提取的候选对象的人脸与异常对象的人脸有较高的置信度、候选对象的人体与异常对象的人体有较高的置信度,待处理传感器抓拍候选对象的图片有较低的图片质量分数。其中,采集待处理传感器抓拍候选对象的图片的图片质量分数对候选对象和异常对象相似的置信度的可信度有影响,抓拍候选对象的图片的图片质量分数越低,则候选对象就会很模糊,清晰度就越低,越难判断候选对象和异常对象相似的置信度,此时候选对象可能为异常人员。
在传感器发出异常对象的告警信息的同时会采集异常对象的一些明显的特征,例如人脸、人体信息以及抓拍图片的图片质量分数,然后会将这些信息上传至服务器进行存储,当待处理传感器提取出候选对象的人脸、人体、抓拍图片的图片质量分数等信息后,也会上传服务器,服务器中可以提前设置一个置信度阈值,将异常对象的信息以及候选对象的信息进行对比,从而可以获得相应的置信度,若置信度大于置信度阈值,就从表1中查询相应的置信度对比特征对应的先验概率。其中,获取置信度的方法可以是直接进行像素值计算,也可以根据人脸对比模型计算,也可以使用神经网络模型进行计算,本申请实施例对此不作限定。
3、候选对象的外貌特征
在一种可能的实施方式中,外貌特征包括戴帽子、戴墨镜、戴口罩、穿拖鞋、猫腰形态、快速移动等待处理传感器提取出的能够显而易见的描述候选对象外貌的特征。
在传感器发出异常对象的告警信息的同时会采集异常对象的一些明显的外貌特征,例如穿的黑色衣服、戴了墨镜等信息,然后会将这些信息上传至服务器进行存储,当待处理传感器提取出候选对象的图片信息后也会上传服务器,服务器中的处理器若检测到候选对象和异常对象相同的外貌信息,就可以从表1中查询相应的外貌特征对应的先验概率。
4、候选对象的行为特征
在一种可能的实施方式中,行为特征用于表征带处传感器的候选对应的行为与上一传感器的异常对象的行为一致性。实施时可采用从待处理传感器提取的候选对象的位置与发出告警信息的传感器位置之间有较小的夹角来表征该行为一致性。
为了确定行为特征,也即为了确定从待处理传感器提取的候选对象的位置与发出告警信息的传感器位置之间有较小的夹角,本申请实施例可以提前设置一个夹角阈值,同时需要获取待处理传感器中候选对象的位置信息,以及发出告警信息的传感器的位置信息,然后基于候选对象的经纬度信息,以及发出告警信息的传感器的经纬度信息,可以计算出从待处理传感器提取的候选对象的位置与发出告警信息的传感器位置之间的夹角,若计算出来的夹角小于夹角阈值,则可以从表1中查询行为特征对应的先验概率。从待处理传感器提取的候选对象的位置与发出告警信息的传感器位置之间的夹角越小说明候选对象与异常对象的前进方向越一致。
5、候选对象的关联目标特征
在一种可能的实施方式中,关联目标特征用于表征从待处理传感器提取的候选对象位置指定范围中指定时长出现的机动车辆。
为了确定关联目标特征,也即为了确定从待处理传感器提取的候选对象位置指定范围中指定时长出现的机动车辆,本申请实施例中可以设置一个指定时长和指定范围,然后从多个待处理传感器采集指定时长内有候选对象出现的多帧图像,然后从多帧图像中检测出现在距离候选对象指定范围内的机动车辆。若检测到机动车辆,则可以从表1中查询关联目标特征对应的先验概率。例如可以从多个待处理传感器中检测15分钟之内,候选对象附近20米出现的机动车辆。其中通过确定关联目标特征,即查询从待处理传感器提取的候选对象位置指定范围中指定时长出现的机动车辆,若查询到机动车辆,则说明候选对象是异常人员的概率比候选对象是正常人员的概率大。
其中,本申请实施例包括但不限于上述表1中的特征,还可以结合使用使得实际情况以及经验值对所述多维特征进行增加和减少。
在一种可能的实施方式中,为了减少候选对象的范围,可以根据白名单中对象的特征对比,将特征和白名单中的对象特征不匹配的候选对象作为最终的候选对象。其中匹配时使用的特征可以是上述多维度特征中的特征,也可以是根据其他方法确定的白名单。例如可以将待处理传感器中经常出现的对象确定为白名单,首次出现的对象或者模糊人影认为和白名单中的对象特征不匹配,确定为候选对象。若匹配时使用的特征不是多维度特征中的特征,则和白名单中的对象进行对比确定候选对象的步骤可在步骤203之前,即先通过白名单过滤确定候选对象后,再提取候选对象的多维度特征。由此可以较少提取候选对象的多维度特征的工作量,提高效率。
在步骤204中,从预设的先验概率表中获取多维度特征中每个维度的特征对应的先验概率;其中先验概率包括候选对象为异常对象的先验概率和候选对象不是异常对象的先验概率。
在一种可能的实施方式中,若先验概率表中各个维度特征对应的先验概率已经稳定,则直接获取先验概率表中各个维度特征对应的先验概率;若实施过程中缺乏异常对象模型训练的正样本数据,如前文中表1所示,可以先根据经验值在先验概率表中设置多维度特征中各个维度的特征对应的先验概率,后续通过每间隔预设时长,基于各个维度特征对应的预设时长中检测到的异常对象的数量、候选对象的数量和防空圈中所有对象的数量,更新先验概率表中各个维度特征对应的候选对象是异常对象的先验概率;并基于各个维度特征对应的预设时长中正常人员的数量、候选对象的数量和防空圈中所有对象的数量,更新先验概率表中各个维度的特征对应的候选对象不是异常对象的先验概率。使得先验概率表中各个维度特征对应的先验概率经过不断更新和验证,逐步趋于稳定。
在步骤205中,采用贝叶斯概率模型处理多维度特征以及每个维度的特征对应的先验概率,得到候选对象的风险系数;其中风险系数用于指示候选对象是异常对象的概率。
示例性的,为了方便表示,可以设置A表示候选对象与异常对象是同一人,设置B表示候选对象与异常对象不是同一人,则PA表示候选对象与异常对象是同一人的概率,而PB表示候选对象与异常对象不是同一人的概率,若某个候选对象检测到出现上述表1中的部分特征,分别表示为f1、f2、…、fi…,fN,则可以用F=(f1,f2、…,fi…,fN)表示候选对象的特征集,然后使用朴素贝叶斯模型,使用公式(1)基于特征集中的各个特征的先验概率计算候选对象是异常对象的概率为:
其中,P(F|A)表示特征集F为异常对象的先验概率,使用 计算得到,其中P(fi|A)是特征i为异常对象的先验概率。P(F|B)表示特征集F为正常对象的先验概率,使用/>计算得到,其中P(fi|B)是特征i为正常对象的先验概率。例如一个候选对象在边境墙附近穿着戴着帽子和墨镜,并识别出猫腰形态,特征集F为戴帽子、戴墨镜、猫腰形态,则通过表1,可以得到特征集为异常对象的先验概率P(F|A)=a6*a7*a10,特征集为正常对象的先验概率P(F|B)=b6*b7*b10,从而输入训练好的朴素贝叶斯模型可以得到候选对象是异常对象的概率P(A|F)。
其中PA和PB是根据将各个特征的先验概率输入朴素贝叶斯模型,经过不断训练最终确定的参数。
由此,可以通过朴素贝叶斯模型得到候选对象是异常对象的概率,即可以确定候选对象的风险系数。
在步骤206中,若候选对象的风险系数大于或等于预设风险系数阈值,则确定候选对象为异常对象。例如可以设置预设风险系数阈值为0.6,若候选对象的风险系数为0.6-1则说明候选对象为异常对象。
在一种可能的实施方式中,为了更加准确的检测候选对象是不是预警对象,本申请实施例在确定候选对象的风险系数大于或等于预设风险系数阈值之后,且确定候选对象为异常对象之前,还可以确定候选对象的置信度,从而使用候选对象的风险系数和候选对象的置信度进行互相验证,从而更加确定候选对象是不是预警对象,确定候选对象的置信度可以具体执行为如图3所示的步骤:
在步骤301中,从多个传感器采集的数据中提取候选对象的移动轨迹。
在一种可能的实施方式中,本申请实施例中可以获取多个传感器采集的候选对象的数据;基于候选对象的数据中的时间信息,以及各个传感器的位置信息,构建候选对象的移动轨迹。
示例性的,可以将防控圈中所有采集到候选对象的传感器的位置坐标,根据候选对象经过对应的传感器的时间顺序进行排序,然后将排序后的传感器进行连接,得到候选对象的移动轨迹。如图4所示,为候选对象的移动轨迹的示意图,其中从传感器01、02、03、04到传感器05为第一个候选对象的移动轨迹,从传感器01到传感器06为第二个候选对象的移动轨迹,从传感器06到传感器05为第三个候选对象的移动轨迹,从传感器06、传感器07到传感器05为第四个候选对象的移动轨迹。
在步骤302中,将移动轨迹输入神经网络模型,得到神经网络模型输出的候选对象的下一步移动轨迹的置信度,置信度用于表征下一步移动轨迹是正常对象的移动轨迹的概率。
在一种可能的实施方式中,为了保证神经网络模型输出结果的准确性,本申请实施例中使用神经网络模型首先需要对神经网络模型进行训练,具体可以执行为以下如图5所示的步骤:
在步骤501中,获取训练样本,训练样本中包括样本对象的历史移动轨迹、历史移动轨迹的下一步移动轨迹以及目标置信度。
在步骤502中,将样本对象的历史移动轨迹输入神经网络模型,得到神经网络模型输出的样本对象的下一步移动轨迹和预测置信度。
在步骤503中,比较神经网络模型输出的下一步移动轨迹和训练样本中包括的下一步移动轨迹得到位置损失,并基于预测置信度和目标置信度确定置信度损失。
在步骤504中,采用位置损失和置信度损失训练神经网络模型。
示例性的,可以通过将样本对象的历史移动轨迹输入神经网络模型,会输出预测的历史移动轨迹的下一步移动轨迹和预测置信度,然后与样本对象的下一步移动轨迹对比获得两个下一步移动轨迹的位置损失,并将预测置信度与目标置信度对比可以确定置信度损失,从而根据位置损失和置信度损失调整神经网络模型中的参数,通过使用多个样本对象训练神经网络模型,可以使得神经网络模型的参数变得更加稳定,将候选对象的移动轨迹输入训练好的神经网络模型可以得到候选对象的下一步移动轨迹的置信度。
示例性的,如图6所示,为候选对象的移动轨迹预测示意图。其中不同的候选对象的下一步出现的传感器有一定的规律,圆圈表示传感器,实箭头表示候选对象的移动轨迹,虚线表示下一步预测的移动轨迹。将实箭头表示的候选对象的移动轨迹抽象为轨迹点序列{t1,t2,.....tn},然后输入基于Transformer(神经网络模型)的时间序列预测模型,可以预测出虚线表示的下一时刻候选对象的移动轨迹,以及候选对象的下一步移动轨迹的置信度。
在步骤303中,确定候选对象的置信度小于预设置信度阈值。
在一种可能的实施方式中,根据图2所示的步骤获取的候选对象的风险系数和根据图3所示的步骤获取的候选对象的下一步移动轨迹的置信度相互验证,从而确定候选对象的检测结果是否为异常对象,然后异常对象预警模型基于异常对象检测的结果进行预警。基于本申请提供的方法对防控圈中所有候选对象进行检测,得到对应的检测结果,异常对象预警模型基于异常对象检测的结果进行预警,最终完成防控圈中所有异常对象的预警。例如候选对象的风险系数大于或等于预设风险系数阈值,同时候选对象的置信度小于预设置信度阈值,则确定候选对象为异常对象。由此,虽然根据候选对象的风险系数大于或等于预设风险系数阈值或候选对象的置信度小于预设置信度阈值也可以确定候选对象为异常对象,但是通过两者相互验证,能够使得检测结果更加准确,使得能够提高异常人员预警的准确性和实时有效性。
基于前文的描述,本申请公开了一种异常对象的检测方法,通过预先建立先验概率表,该表中总结了异常对象的多种维度特征。异常对象入侵后会触发传感器告警,然后在以该传感器为基准的防控圈内搜索各个传感器采集的数据。然后基于先验概率表从采集的数据中提取出异常对象的特征,并从先验概率表中查找提取的特征对应的先验概率,然后采用贝叶斯概率模型处理提取的特征和先验概率,从而可以预测出采集的数据中哪些对象是告警的异常对象。由此通过自动提取候选对象的多维特征,并利用算法将特征对应的先验概率输入贝叶斯概率模型,从而可以实现异常对象的检测,从而预警出异常对象,进一步保证预警的实时有效性和准确性,减少人工核查的难度。
此外,本申请还通过采集样本对象的历史移动轨迹和下一步移动轨迹,训练神经网络模型得到神经网络模型输出的下一步移动轨迹和训练样本中下一步移动轨迹的置信度,并将候选对象的历史移动轨迹,通过训练好的神经网络模型预测候选对象的下一步移动轨迹的置信度,与候选对象的风险系数相互验证,从而进一步保证异常人员预警的准确性。通过使用学习训练模型,不断根据预警结果进行更新调整,从而不断优化模型,使得模型越用越准确,从而使得本申请的异常人员检测方法能够更加实时准确的预警出异常人员。
如图7所示,基于与上述异常对象的检测方法相同的发明构思,本申请实施例还提供了一种异常对象的检测装置,包括:告警位置获取模块701、数据获取模块702、多维度特征提取模块703、先验概率获取模块704、风险系数确定模块705、异常识别模块706,其中:
告警位置获取模块701,用于获取异常对象的告警信息,所述告警信息包括发出所述告警信息的传感器位置;
数据获取模块702,用于以所述传感器位置为基准,在所述传感器位置周围获取待处理传感器采集的数据;
多维度特征提取模块703,用于从待处理传感器采集的数据中提取候选对象的特征信息,所述特征信息中包括多维度特征;
先验概率获取模块704,用于从预设的先验概率表中获取所述多维度特征中每个维度的特征对应的先验概率;其中所述先验概率包括候选对象为所述异常对象的先验概率和所述候选对象不是所述异常对象的先验概率;
风险系数确定模块705,用于采用贝叶斯概率模型处理所述多维度特征以及每个维度的特征对应的先验概率,得到所述候选对象的风险系数;其中所述风险系数用于指示所述候选对象是所述异常对象的概率;
异常识别模块706,用于若所述候选对象的风险系数大于或等于预设风险系数阈值,则确定所述候选对象为所述异常对象。
在一种可能的实施方式中,若确定所述候选对象的风险系数大于或等于预设风险系数阈值之后,且确定所述候选对象为所述异常对象之前,所述装置还包括:
移动轨迹提取模块,用于从多个传感器采集的数据中提取所述候选对象的移动轨迹;
置信度获取模块,用于将所述移动轨迹输入神经网络模型,得到所述神经网络模型输出的所述候选对象的下一步移动轨迹的置信度,所述置信度用于表征所述下一步移动轨迹是正常对象的移动轨迹的概率;
异常识别模块706,具体用于确定所述候选对象的置信度小于预设置信度阈值。
在一种可能的实施方式中,所述多维度特征提取模块703提取的所述多维度特征包括:
候选对象的时空特征、候选对象的外貌特征、候选对象的行为特征、置信度比对特征、关联目标特征,所述关联目标特征用于表征从候选对象位置的指定范围中在指定时长内提取到机动车辆、所述置信度比对特征包括候选对象和异常对象相似的置信度和/或候选对象的图像质量低于图像质量分数。
在一种可能的实施方式中,所述先验概率获取模块704用于从预设的先验概率表中获取所述多维度特征中每个维度的特征对应的先验概率之前,所述装置还包括:
特征匹配模块,用于确定所述候选对象的特征和所述白名单中的对象特征不匹配。
在一种可能的实施方式中,执行所述从多个传感器采集的数据中提取所述候选对象的移动轨迹,所述移动轨迹提取模块具体用于:
获取多个传感器采集的所述候选对象的数据;
基于所述候选对象的数据中的时间信息,以及各个传感器的位置信息,构建所述候选对象的移动轨迹。
在一种可能的实施方式中,所述装置包括:
训练样本获取模块,用于获取训练样本,所述训练样本中包括样本对象的历史移动轨迹、所述历史移动轨迹的下一步移动轨迹以及目标置信度;
置信度获取模块,还用于将所述样本对象的所述历史移动轨迹输入所述神经网络模型,得到所述神经网络模型输出的所述样本对象的下一步移动轨迹和预测置信度;
损失确定模块,用于比较所述神经网络模型输出的下一步移动轨迹和所述训练样本中包括的下一步移动轨迹得到位置损失,并基于所述预测置信度和所述目标置信度确定置信度损失;
训练模块,用于采用所述位置损失和所述置信度损失训练所述神经网络模型。
在一种可能的实施方式中,所述装置包括:
迭代模块,用于若确定所述候选对象为所述异常对象,则确定以所述待处理传感器为基准,返回执行以所述传感器位置为基准,在所述传感器位置周围获取待处理传感器采集的数据的步骤。
本申请实施例提供的异常对象的检测装置与上述异常对象的检测方法采用了相同的发明构思,能够取得相同的有益效果,在此不再赘述。
基于与上述异常对象的检测方法相同的发明构思,本申请实施例还提供了一种电子设备。下面参照图8来描述根据本申请的这种实施方式的电子设备800。图8显示的电子设备800仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图8所示,电子设备800以通用电子设备的形式表现。电子设备800的组件可以包括但不限于:上述至少一个处理器801、上述至少一个存储器802、连接不同***组件(包括存储器802和处理器801)的总线803。
总线803表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器、***总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。
存储器802可以包括易失性存储器形式的可读介质,例如随机存取存储器(RAM)8021和/或高速缓存存储器8022,还可以进一步包括只读存储器(ROM)8023。
存储器802还可以包括具有一组(至少一个)程序模块8024的程序/实用工具8025,这样的程序模块8024包括但不限于:操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
电子设备800也可以与一个或多个外部设备804(例如键盘、指向设备等)通信,还可与一个或者多个使得用户能与电子设备800交互的设备通信,和/或与使得该电子设备800能与一个或多个其它电子设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口805进行。并且,电子设备800还可以通过网络适配器806与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器806通过总线803与用于电子设备800的其它模块通信。应当理解,尽管图中未示出,可以结合电子设备800使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
在示例性实施例中,还提供了一种包括指令的计算机可读存储介质,例如包括指令的存储器802,上述指令可由处理器801执行以完成上述异常对象的检测方法。可选地,存储介质可以是非临时性计算机可读存储介质,例如,非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在示例性实施例中,还提供一种计算机程序产品,包括计算机程序,计算机程序被处理器801执行时实现如本申请提供的异常对象的检测方法的任一方法。
在示例性实施例中,本申请提供的一种异常对象的检测方法的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在计算机设备上运行时,程序代码用于使计算机设备执行本说明书上述描述的根据本申请各种示例性实施方式的异常对象的检测方法中的步骤。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
本申请的实施方式的用于异常对象的检测方法的程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在电子设备上运行。然而,本申请的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括——但不限于——电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于——无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户电子设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户电子设备上部分在远程电子设备上执行、或者完全在远程电子设备或服务端上执行。在涉及远程电子设备的情形中,远程电子设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户电子设备,或者,可以连接到外部电子设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意,尽管在上文详细描述中提及了装置的若干单元或子单元,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之,上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
此外,尽管在附图中以特定顺序描述了本申请方法的操作,但是,这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请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,本申请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。
本申请是参照根据本申请实施例的方法、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图像缩放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图像缩放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图像缩放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图像缩放设备上,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。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
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精神和范围。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,则本申请也意图包含这些改动和变型在内。
Claims (9)
1.一种异常对象的检测方法,其特征在于,所述方法包括:
获取异常对象的告警信息,所述告警信息包括发出所述告警信息的传感器位置;
以所述传感器位置为中心,以预设时长所述异常对象的移动距离为半径,生成动态防控圈,在所述动态防控圈内获取待处理传感器采集的数据;
从待处理传感器采集的数据中提取候选对象的特征信息,所述特征信息中包括多维度特征,其中,所述多维度特征包括候选对象的时空特征、候选对象的外貌特征、候选对象的行为特征、置信度比对特征、关联目标特征,所述关联目标特征用于表征从候选对象位置的指定范围中在指定时长内提取到机动车辆、所述置信度比对特征包括候选对象和异常对象相似的置信度和/或候选对象的图像质量低于图像质量分数、所述行为特征用于表征待处理传感器的候选对象的行为与上一传感器的异常对象的行为一致性;
从预设的先验概率表中获取所述多维度特征中每个维度的特征对应的先验概率;其中所述先验概率包括候选对象为所述异常对象的先验概率和所述候选对象不是所述异常对象的先验概率;
采用贝叶斯概率模型处理所述多维度特征以及每个维度的特征对应的先验概率,得到所述候选对象的风险系数;其中所述风险系数用于指示所述候选对象是所述异常对象的概率;
若所述候选对象的风险系数大于或等于预设风险系数阈值,则确定所述候选对象为所述异常对象。
2.根据权利要求1所述的方法,其特征在于,若确定所述候选对象的风险系数大于或等于预设风险系数阈值之后,且确定所述候选对象为所述异常对象之前,所述方法还包括:
从多个传感器采集的数据中提取所述候选对象的移动轨迹;
将所述移动轨迹输入神经网络模型,得到所述神经网络模型输出的所述候选对象的下一步移动轨迹的置信度,所述置信度用于表征所述下一步移动轨迹是正常对象的移动轨迹的概率;
确定所述候选对象的置信度小于预设置信度阈值。
3.根据权利要求1所述的方法,其特征在于,所述从预设的先验概率表中获取所述多维度特征中每个维度的特征对应的先验概率之前,所述方法还包括:
确定所述候选对象的特征和白名单中的对象特征不匹配。
4.根据权利要求2所述的方法,其特征在于,所述从多个传感器采集的数据中提取所述候选对象的移动轨迹,具体包括:
获取多个传感器采集的所述候选对象的数据;
基于所述候选对象的数据中的时间信息,以及各个传感器的位置信息,构建所述候选对象的移动轨迹。
5.根据权利要求2所述的方法,其特征在于,训练所述神经网络模型,包括:
获取训练样本,所述训练样本中包括样本对象的历史移动轨迹、所述历史移动轨迹的下一步移动轨迹以及目标置信度;
将所述样本对象的所述历史移动轨迹输入所述神经网络模型,得到所述神经网络模型输出的所述样本对象的下一步移动轨迹和预测置信度;
比较所述神经网络模型输出的下一步移动轨迹和所述训练样本中包括的下一步移动轨迹得到位置损失,并基于所述预测置信度和所述目标置信度确定置信度损失;
采用所述位置损失和所述置信度损失训练所述神经网络模型。
6.根据权利要求1-5中任一所述的方法,其特征在于,所述方法还包括:
若确定所述候选对象为所述异常对象,则确定以所述待处理传感器为基准,返回执行以所述传感器位置为基准,在所述传感器位置周围获取待处理传感器采集的数据的步骤。
7.一种异常对象的检测装置,其特征在于,所述装置包括:
告警位置获取模块,用于获取异常对象的告警信息,所述告警信息包括发出所述告警信息的传感器位置;
数据获取模块,用于以所述传感器位置为基准,将预设时长的所述异常对象的移动距离为半径,生成动态防控圈,在所述动态防控圈内获取待处理传感器采集的数据;
多维度特征提取模块,用于从待处理传感器采集的数据中提取候选对象的特征信息,所述特征信息中包括多维度特征,其中,所述多维度特征包括候选对象的时空特征、候选对象的外貌特征、候选对象的行为特征、置信度比对特征、关联目标特征,所述关联目标特征用于表征从候选对象位置的指定范围中在指定时长内提取到机动车辆、所述置信度比对特征包括候选对象和异常对象相似的置信度和/或候选对象的图像质量低于图像质量分数、所述行为特征用于表征待处理传感器的候选对象的行为与上一传感器的异常对象的行为一致性;
先验概率获取模块,用于从预设的先验概率表中获取所述多维度特征中每个维度的特征对应的先验概率;其中所述先验概率包括候选对象为所述异常对象的先验概率和所述候选对象不是所述异常对象的先验概率;
风险系数确定模块,用于采用贝叶斯概率模型处理所述多维度特征以及每个维度的特征对应的先验概率,得到所述候选对象的风险系数;其中所述风险系数用于指示所述候选对象是所述异常对象的概率;
异常识别模块,用于若所述候选对象的风险系数大于或等于预设风险系数阈值,则确定所述候选对象为所述异常对象。
8.一种电子设备,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如权利要求1-6中任一项所述的异常对象的检测方法。
9.一种计算机可读存储介质,其特征在于,当所述计算机可读存储介质中的指令由电子设备的处理器执行时,使得所述电子设备能够执行如权利要求1-6中任一项所述的异常对象的检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111643714.0A CN114218992B (zh) | 2021-12-29 | 2021-12-29 | 异常对象的检测方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111643714.0A CN114218992B (zh) | 2021-12-29 | 2021-12-29 | 异常对象的检测方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114218992A CN114218992A (zh) | 2022-03-22 |
CN114218992B true CN114218992B (zh) | 2023-09-08 |
Family
ID=80706878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111643714.0A Active CN114218992B (zh) | 2021-12-29 | 2021-12-29 | 异常对象的检测方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114218992B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115793588B (zh) * | 2022-12-21 | 2023-09-08 | 广东暨通信息发展有限公司 | 一种基于工业物联网的数据采集方法及*** |
CN115795354B (zh) * | 2023-02-06 | 2023-04-25 | 北京志翔科技股份有限公司 | 三合一场所的识别方法和识别装置 |
CN117079397B (zh) * | 2023-09-27 | 2024-03-26 | 青海民族大学 | 一种基于视频监控的野外***安全预警方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2482233A1 (en) * | 2004-09-23 | 2006-03-23 | M83 Technologies Inc. | Surveillance network for unattended ground sensors |
CN102811343A (zh) * | 2011-06-03 | 2012-12-05 | 南京理工大学 | 一种基于行为识别的智能视频监控*** |
CN104156691A (zh) * | 2014-07-02 | 2014-11-19 | 华南理工大学 | 一种基于图像处理的检测行人翻越闸机的监控方法 |
CN110209835A (zh) * | 2019-05-09 | 2019-09-06 | 四川九洲电器集团有限责任公司 | 一种异常检测方法及装置、计算机存储介质及电子设备 |
CN112149740A (zh) * | 2020-09-25 | 2020-12-29 | 上海商汤智能科技有限公司 | 目标重识别方法、装置、存储介质及设备 |
CN113593161A (zh) * | 2021-06-28 | 2021-11-02 | 华迪计算机集团有限公司 | 一种周界入侵检测方法 |
CN113691525A (zh) * | 2021-08-23 | 2021-11-23 | 杭州安恒信息技术股份有限公司 | 一种流量数据处理方法、装置、设备及存储介质 |
CN113762454A (zh) * | 2020-07-30 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 轨迹异常检测方法及装置 |
CN113850229A (zh) * | 2021-10-18 | 2021-12-28 | 重庆邮电大学 | 基于视频数据机器学习的人员异常行为预警方法、***及计算机设备 |
-
2021
- 2021-12-29 CN CN202111643714.0A patent/CN114218992B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2482233A1 (en) * | 2004-09-23 | 2006-03-23 | M83 Technologies Inc. | Surveillance network for unattended ground sensors |
CN102811343A (zh) * | 2011-06-03 | 2012-12-05 | 南京理工大学 | 一种基于行为识别的智能视频监控*** |
CN104156691A (zh) * | 2014-07-02 | 2014-11-19 | 华南理工大学 | 一种基于图像处理的检测行人翻越闸机的监控方法 |
CN110209835A (zh) * | 2019-05-09 | 2019-09-06 | 四川九洲电器集团有限责任公司 | 一种异常检测方法及装置、计算机存储介质及电子设备 |
CN113762454A (zh) * | 2020-07-30 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 轨迹异常检测方法及装置 |
CN112149740A (zh) * | 2020-09-25 | 2020-12-29 | 上海商汤智能科技有限公司 | 目标重识别方法、装置、存储介质及设备 |
CN113593161A (zh) * | 2021-06-28 | 2021-11-02 | 华迪计算机集团有限公司 | 一种周界入侵检测方法 |
CN113691525A (zh) * | 2021-08-23 | 2021-11-23 | 杭州安恒信息技术股份有限公司 | 一种流量数据处理方法、装置、设备及存储介质 |
CN113850229A (zh) * | 2021-10-18 | 2021-12-28 | 重庆邮电大学 | 基于视频数据机器学习的人员异常行为预警方法、***及计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN114218992A (zh) | 2022-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114218992B (zh) | 异常对象的检测方法及相关装置 | |
US10009579B2 (en) | Method and system for counting people using depth sensor | |
US8253564B2 (en) | Predicting a future location of a moving object observed by a surveillance device | |
US20170213080A1 (en) | Methods and systems for automatically and accurately detecting human bodies in videos and/or images | |
Lestari et al. | Fire hotspots detection system on CCTV videos using you only look once (YOLO) method and tiny YOLO model for high buildings evacuation | |
US20210365343A1 (en) | Artificial Intelligence (AI)-Based Cloud Computing Safety Monitoring System | |
US20090041297A1 (en) | Human detection and tracking for security applications | |
CN111401161A (zh) | 基于智能视频分析算法实现行为识别的智慧建筑管控*** | |
WO2013101460A2 (en) | Clustering-based object classification | |
KR102384299B1 (ko) | 폭행 감지 기능을 구비한 cctv 촬영 장치 및 cctv 영상에 기초한 폭행 감지 방법 | |
US11145174B2 (en) | Methods and system for monitoring an environment | |
CN111738240A (zh) | 区域监测方法、装置、设备及存储介质 | |
CN107122743B (zh) | 安防监控方法、装置和电子设备 | |
KR102333143B1 (ko) | 무인 계수 서비스 제공 시스템 | |
CN114637884B (zh) | 一种电像计算时空轨迹与道路网的匹配方法、装置及设备 | |
Pramerdorfer et al. | Fall detection based on depth-data in practice | |
Nayak et al. | Deep learning based loitering detection system using multi-camera video surveillance network | |
CN113505704B (zh) | 图像识别的人员安全侦测方法、***、设备及存储介质 | |
Chauhan et al. | Study of moving object detection and tracking for video surveillance | |
Wu et al. | Networked fault detection of field equipment from monitoring system based on fusing of motion sensing and appearance information | |
Singh et al. | Chaotic whale-atom search optimization-based deep stacked auto encoder for crowd behaviour recognition | |
Andersson et al. | Robust anomaly detection in urban environments using sensor and information fusion and a camera network | |
US20230105423A1 (en) | System and method of intruder detection | |
Li et al. | Spatiotemporal heterogeneous information fusion model for loitering anomaly detection | |
Feng et al. | Crowd Anomaly Scattering Detection Based on Information Entropy |
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 |