CN114359976B - 一种基于人物识别的智能安防方法与装置 - Google Patents
一种基于人物识别的智能安防方法与装置 Download PDFInfo
- Publication number
- CN114359976B CN114359976B CN202210269953.2A CN202210269953A CN114359976B CN 114359976 B CN114359976 B CN 114359976B CN 202210269953 A CN202210269953 A CN 202210269953A CN 114359976 B CN114359976 B CN 114359976B
- Authority
- CN
- China
- Prior art keywords
- target
- identity information
- graph
- track
- difference degree
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000010586 diagram Methods 0.000 claims description 80
- 230000004044 response Effects 0.000 claims description 25
- 238000005516 engineering process Methods 0.000 claims description 19
- 238000012216 screening Methods 0.000 claims description 19
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 210000000746 body region Anatomy 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Alarm Systems (AREA)
Abstract
本发明提供了一种基于人物识别的智能安防方法与装置,其中方法包括:通过人物识别采集设备采集拍摄画面,并识别拍摄画面中各个人物的身份信息,确定不在所述主控设备所在的目标区域***居住的人物的目标身份信息,将具有同一目标身份信息的拍摄画面集合,得到各个所述目标身份信息所对应的目标拍摄画面集合,生成目标身份信息所对应人物的人物轨迹图,并计算与其他住户轨迹的差异度,根据差异度判断是否需要对所述目标身份信息所对应的人物进行预警。本发明的有益效果:实现了基于拍摄画面对人物进行分析预警,进而保证了区域内的安全性,可以有效提高区域的安全。
Description
技术领域
本发明涉及智能安防领域,特别涉及一种基于人物识别的智能安防方法与装置。
背景技术
监控视频已经广泛的应用于各个安防、商业、工业生产等各个领域,而监控视频中重点需要关注的对象就是人物,对于危险预警具有非常重要的意义,目前,对于人物的识别具有很大的局限性,一般无法基于拍摄画面对人物进行分析预警。
发明内容
本发明的主要目的为提供一种基于人物识别的智能安防方法、装置、设备以及存储介质,旨在解决人物的识别无法基于拍摄画面对人物进行分析预警的问题。
本发明提供了一种基于人物识别的智能安防方法,应用于各个预先划分的区域***,所述区域***包括主控设备和多个人物识别采集设备,所述人物识别采集设备至少包括摄像头,通过所述摄像头采集人物的拍摄画面,并将所述拍摄画面上传至所述主控设备,所述主控设备存有对应所述区域***中各个人物识别采集设备的位置信息以及所述区域***内各个住户的住户信息,各个所述区域***中的主控设备之间构成区块链,各个所述主控设备为所述区块链的区块链节点,所述方法包括:
所述主控设备通过人物识别采集设备按照时间顺序采集多个拍摄画面;
通过预设的人脸识别技术识别所述拍摄画面中各个人物的身份信息;
基于所述住户信息从所述身份信息中筛选出不在所述主控设备所在的目标区域***居住的人物的目标身份信息;其中,目标区域***为预先划分区域***中的一个区域***;
基于所述目标区域***与其他区域***之间的位置信息,将所述目标身份信息发送至所述区块链中预设间隔范围内的区域***的目标主控设备;
接收所述目标主控设备反馈信息;
若所述反馈信息为所述目标身份信息不在所述目标主控设备所在的目标区域***中,则基于所述目标身份信息对所述拍摄画面中进行人物标注,并将具有同一目标身份信息的拍摄画面集合,得到各个所述目标身份信息所对应的目标拍摄画面集合;
按照所述时间顺序将所述拍摄画面集合中拍摄图像进行排序,分别得到第一特征图、第二特征图、...、第N特征图;
根据所述第一特征图、所述第二特征图、...、所述第N特征图计算所述目标身份信息所对应的人物轨迹图,并计算与所述目标区域***中其他住户轨迹的差异度;
基于所述差异度判断所述目标身份信息所对应的人物是否异常;
若异常,则对所述目标身份信息所对应的人物进行预警。
进一步地,所述的根据所述第一特征图、所述第二特征图、...、所述第N特征图计算所述目标身份信息所对应的人物轨迹图,并计算与所述目标区域***中其他住户轨迹的差异度的步骤,包括:
将各个所述拍摄图像输入至预设的CNN骨干网络中,以得到所述第一特征图对应的第一标准特征张量图、所述第二特征图所分别对应的第二标准特征张量图、...、所述第N特征图所分别对应的第N标准特征张量图;其中,各个标准特征张量图的尺寸均为C×H×W大小;
将时间顺序相邻的标准特征张量图记为一组数据,且将其中一个标准特征张量图滑窗选择(H+1-K)×(W+1-K)个K×K尺寸的目标块;
将每个目标块相对于其对应的一组数据中另一个特征张量图进行互相关操作,得到每个目标块相对于特征张量图的响应图;其中,互相关操作的方式为,表示第j张标准特征图第i个目标块的响应图,表示第j张标准特征图第i个目标块,表示另一个特征张量图;
基于各个所述注意力图生成所述目标身份信息所对应人物的人物轨迹图;
将所述人物轨迹图按照像素坐标序列表示,并基于所述像素坐标序列计算所述人物轨迹图与所述目标区域***中其他住户轨迹的差异度。
进一步地,所述将所述人物轨迹图按照像素坐标序列表示,并基于所述像素坐标序列计算所述人物轨迹图与所述目标区域***中其他住户轨迹的差异度的步骤,包括:
从所述其他住户轨迹中筛选并截取多个与所述人物轨迹图起点和终点相同或相近的目标轨迹图集合;
表示位置差异度,H表示目标轨迹图集合中的轨迹图数量,表示人物轨迹图第o个像素点的横坐标,表示目标轨迹图集合中第p个轨迹图的第o个像素点的横坐标,表示人物轨迹图第o个像素点的纵坐标,表示目标轨迹图集合中第p个轨迹图的第o个像素点的纵坐标,L表示轨迹图的像素长度,表示目标轨迹图在第o个像素点的速度,表示目标轨迹图集合中第p个轨迹图的第o个像素点的速度,表示第o个像素点移动至第o+1个像素点的时间长度;表示在目标轨迹图第o个像素点处的方向转移量,表示目标轨迹图集合中第p个轨迹图的第o个像素点的方向转移量;
根据所述位置差异度、所述速度差异度以及所述方向差异度计算所述人物轨迹图与所述轨迹图集合的差异度。
进一步地,所述将所述人物轨迹图按照像素坐标序列表示,并基于所述像素坐标序列计算所述人物轨迹图与所述目标区域***中其他住户轨迹的差异度的步骤之后,还包括:
基于所述差异度对所述目标身份信息的风险等级进行调整,并上传至区块链中;
判断所述风险等级是否达到了预设风险等级;
若是,则将所述目标身份信息记录入黑名单,并将所述人物轨迹图进行保存,以便于后续调取分析。
进一步地,所述根据所述像素坐标序列计算所述人物轨迹图与所述目标轨迹图集合的位置差异度、速度差异度以及方向差异度的步骤之后,包括:
获取所述人物轨迹图每个像素点的位置、速度以及方向的第一三维数据集合,以及住户轨迹图的位置、速度以及方向的第二三维数据集合;
计算所述第一三维数据集合和各个所述第二三维数据集合的相似度;
将相似度大于预设相似度的住户轨迹图所对应的目标住户进行预关联;
调取所述目标住户的第一身份信息,并基于所述第一身份信息和目标身份信息调取同时具有目标住户以及目标身份信息所对应人物的拍摄图片;
判断所述拍摄图片中所述目标住户和目标身份信息所对应人物之间的距离小于预设值的图片数量是否大于预设值;
若是,则将所述目标住户与所述目标身份信息所对应人物进行关联。
进一步地,所述若异常,则对所述目标身份信息所对应的人物进行预警的步骤之后,还包括:
通过所述摄像头监测所述目标身份信息所对应的人物脱离拍摄画面的时长是否达到了预设时长;
若是,则获取最后一次拍摄到所述目标身份信息所对应的人物的摄像头的第一位置信息;
基于所述第一位置信息反馈至所述区块链中相近的区域***。
本发明还提供了一种基于人物识别的智能安防装置,应用于各个预先划分的区域***,所述区域***包括主控设备和多个人物识别采集设备,所述人物识别采集设备至少包括摄像头,通过所述摄像头采集人物的拍摄画面,并将所述拍摄画面上传至所述主控设备,所述主控设备存有对应所述区域***中各个人物识别采集设备的位置信息以及所述区域***内各个住户的住户信息,各个所述区域***中的主控设备之间构成区块链,各个所述主控设备为所述区块链的区块链节点,所述基于人物识别的智能安防装置包括:
采集模块,用于通过人物识别采集设备按照时间顺序采集多个拍摄画面;
识别模块,用于通过预设的人脸识别技术识别所述拍摄画面中各个人物的身份信息;
筛选模块,用于基于所述住户信息从所述身份信息中筛选出不在所述主控设备所在的目标区域***居住的人物的目标身份信息;其中,目标区域***为预先划分区域***中的一个区域***;
发送模块,用于基于所述目标区域***与其他区域***之间的位置信息,将所述目标身份信息发送至所述区块链中预设间隔范围内的区域***的目标主控设备;
接收模块,用于接收所述目标主控设备反馈信息;
标注模块,用于若所述反馈信息为所述目标身份信息不在所述目标主控设备所在的目标区域***中,则基于所述目标身份信息对所述拍摄画面中进行人物标注,并将具有同一目标身份信息的拍摄画面集合,得到各个所述目标身份信息所对应的目标拍摄画面集合;
排序模块,用于按照所述时间顺序将所述拍摄画面集合中拍摄图像进行排序,分别得到第一特征图、第二特征图、...、第N特征图;
差异度计算模块,用于根据所述第一特征图、所述第二特征图、...、所述第N特征图计算所述目标身份信息所对应的人物轨迹图,并计算与所述目标区域***中其他住户轨迹的差异度;
判断模块,用于基于所述差异度判断所述目标身份信息所对应的人物是否异常;
预警模块,用于若异常,则对所述目标身份信息所对应的人物进行预警。
本发明的有益效果:通过人物识别采集设备采集拍摄画面,并识别拍摄画面中各个人物的身份信息,确定不在所述主控设备所在的目标区域***居住的人物的目标身份信息,将具有同一目标身份信息的拍摄画面集合,得到各个所述目标身份信息所对应的目标拍摄画面集合,生成目标身份信息所对应人物的人物轨迹图,并计算与其他住户轨迹的差异度,根据差异度判断是否需要对所述目标身份信息所对应的人物进行预警。实现了基于拍摄画面对人物进行分析预警,进而保证了区域内的安全性,可以有效提高区域的安全,减少住户的损失。
附图说明
图1 是本发明一实施例的一种基于人物识别的智能安防方法的流程示意图;
图2 是本发明一实施例的一种基于人物识别的智能安防方法的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
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,所描述的实施例仅仅是本发明的一部分实施例,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。
需要说明,本发明实施例中所有方向性指示(诸如上、下、左、右、前、后等)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变,所述的连接可以是直接连接,也可以是间接连接。
本文中术语“和/或”,仅仅是一种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。
另外,在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其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至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
参照图1,本发明提出一种基于人物识别的智能安防方法,应用于各个预先划分的区域***,所述区域***包括主控设备和多个人物识别采集设备,所述人物识别采集设备至少包括摄像头,通过所述摄像头采集人物的拍摄画面,并将所述拍摄画面上传至所述主控设备,所述主控设备存有对应所述区域***中各个人物识别采集设备的位置信息以及所述区域***内各个住户的住户信息,各个所述区域***中的主控设备之间构成区块链,各个所述主控设备为所述区块链的区块链节点,所述方法包括:
S1:所述主控设备通过人物识别采集设备按照时间顺序采集多个拍摄画面;
S2:通过预设的人脸识别技术识别所述拍摄画面中各个人物的身份信息;
S3:基于所述住户信息从所述身份信息中筛选出不在所述主控设备所在的目标区域***居住的人物的目标身份信息;其中,目标区域***为预先划分区域***中的一个区域***;
S4:基于所述目标区域***与其他区域***之间的位置信息,将所述目标身份信息发送至所述区块链中预设间隔范围内的区域***的目标主控设备;
S5:接收所述目标主控设备反馈信息;
S6:若所述反馈信息为所述目标身份信息不在所述目标主控设备所在的目标区域***中,则基于所述目标身份信息对所述拍摄画面中进行人物标注,并将具有同一目标身份信息的拍摄画面集合,得到各个所述目标身份信息所对应的目标拍摄画面集合;
S7:按照所述时间顺序将所述拍摄画面集合中拍摄图像进行排序,分别得到第一特征图、第二特征图、...、第N特征图;
S8:根据所述第一特征图、所述第二特征图、...、所述第N特征图计算所述目标身份信息所对应的人物轨迹图,并计算与所述目标区域***中其他住户轨迹的差异度;
S9:基于所述差异度判断所述目标身份信息所对应的人物是否异常;
S10:若异常,则对所述目标身份信息所对应的人物进行预警。
如上述步骤S1-S4所述,所述主控设备通过人物识别采集设备按照时间顺序采集多个拍摄画面;通过预设的人脸识别技术识别所述拍摄画面中各个人物的身份信息;基于所述住户信息从所述身份信息中筛选出不在所述主控设备所在的目标区域***居住的人物的目标身份信息;其中,目标区域***为预先划分区域***中的一个区域***;基于所述目标区域***与其他区域***之间的位置信息,将所述目标身份信息发送至所述区块链中预设间隔范围内的区域***的目标主控设备。
本申请中,按照时间顺序采集拍摄画面的原因在于,一般而言,一个行人出现在画面中是延续的,因此,不可能跳跃性采集拍摄画面,另外,按照时间顺序采集还可以记录时间,当然,现有技术中,拍摄画面中都会有对于的时间,因此也可以由此获取到各个拍摄画面的拍摄时间,预设的人脸识别技术不作限定,人脸识别技术主要是通过采集到人脸上的一些特征进行识别,例如公安***的千人千面等识别技术,本申请对此不作过多的阐述,可以根据人脸识别技术识别到所述拍摄画面中各个人物的身份信息即可,需要说明的是,若没有接入公安***,此处的身份信息可以是通过自行对每个人进行标注的身份,例如路人甲、路人乙,本申请不需要各个人物的详细信息,但是各个区域内都具有各个区域内的信息,为了防止隐私泄露,各个区域***中的信息并不共享,因此,基于区域***预存的住户信息,可以筛选出不在所述主控设备所在的目标区域***居住的人物的目标身份信息,并发送至其他的区域***进行二次判定。
如上述步骤S5-S8所述,接收所述目标主控设备反馈信息;若所述反馈信息为所述目标身份信息不在所述目标主控设备所在的目标区域***中,则基于所述目标身份信息对所述拍摄画面中进行人物标注,并将具有同一目标身份信息的拍摄画面集合,得到各个所述目标身份信息所对应的目标拍摄画面集合;按照所述时间顺序将所述拍摄画面集合中拍摄图像进行排序,分别得到第一特征图、第二特征图、...、第N特征图;将各个所述拍摄图像输入至预设的CNN骨干网络中,以得到所述第一特征图对应的第一标准特征张量图、所述第二特征图所分别对应的第二标准特征张量图、...、所述第N特征图所分别对应的第N标准特征张量图;其中,各个标准特征张量图的尺寸均为C×H×W大小。
当其他的区域***反馈并没有相关的人员的信息时,此处,需要将目标身份信息所对应的人物进行标注,以便于对其轨迹进行分析,因此,将其拍摄画面进行集合,得到各个目标身份信息所对应的目标拍摄画面集合,然后,按照时间顺序进行排序,得到多个特征图,然后将其输入至CNN骨干网络中,CNN骨干网络采用ImageNet预训练的网络权值进行初始化,当然,输入的图片的数量和大小均需要保持一致,从而得到的标准特征张量图是一致的。
在一个实施例中,根据所述第一特征图、所述第二特征图、...、所述第N特征图计算所述目标身份信息所对应的人物轨迹图,并计算与所述目标区域***中其他住户轨迹的差异度步骤S8还包括:
S801:将时间顺序相邻的标准特征张量图记为一组数据,且将其中一个标准特征张量图滑窗选择(H+1-K)×(W+1-K)个K×K尺寸的目标块;
S802:将每个目标块相对于其对应的一组数据中另一个特征张量图进行互相关操作,得到每个目标块相对于特征张量图的响应图;其中,互相关操作的方式为,表示第j张第二标准特征图第i个目标块的响应图,表示第j张第二标准特征图第i个目标块,表示另一个特征张量图;
S804:基于各个所述注意力图生成所述目标身份信息所对应人物的人物轨迹图;
S805:将所述人物轨迹图按照像素坐标序列表示,并基于所述像素坐标序列计算所述人物轨迹图与所述目标区域***中其他住户轨迹的差异度;
如上述步骤S801-S805所述,将时间顺序相邻的标准特征张量图记为一组数据,且将其中一个标准特征张量图滑窗选择(H+1-K)×(W+1-K)个K×K尺寸的目标块;将每个目标块相对于其对应的一组数据中另一个特征张量图进行互相关操作,得到每个目标块相对于特征张量图的响应图;其中,互相关操作的方式为,表示第j张第二标准特征图第i个目标块的响应图,表示第j张第二标准特征图第i个目标块,表示另一个特征张量图;根据公式将一组数据中的各个所述响应图进行融合,得到注意力图。
滑窗操作为按照在特征图中的顺序依次取其中K×K尺寸的目标块,例如九宫格取2*2的大小的区域则需要4个滑窗操作依次移动一格进行取值。互相关操作的方式可以通过标准的卷积实现,从而可以得到一张单通道的张量的响应图,由于卷积计算相似度越高其响应值也就越大,可以使得响应图发现和目标块相似的区域,从而可以弱化遮挡区域和背景区域的响应值,并且每个响应图表示一个局部区域的结果,为了得到两幅图的完整响应结果,需要对其进行融合,从而得到最终的注意力图A,由于遮挡区域和背景区域的响应比较弱,所以注意力图可以重点关注两个图像之间的共享的未遮挡的人体区域。基于各个所述注意力图生成所述目标身份信息所对应人物的人物轨迹图;将所述人物轨迹图按照像素坐标序列表示,并基于所述像素坐标序列计算所述人物轨迹图与所述目标区域***中其他住户轨迹的差异度;基于所述差异度判断所述目标身份信息所对应的人物是否异常;若异常,则对所述目标身份信息所对应的人物进行预警。
其中,生成人物轨迹图的方式可以在注意力图中直接生成,也可以在拍摄画面中生成,由于目标身份信息所对应人物已经进行了一个标注,此时可以返回多个拍摄画面中的任意一个拍摄画面中,对相关的特征出现的位置进行标注,从而生成轨迹图,将其按照像素坐标序列表示,以便于后续计算人物轨迹图与所述目标区域***中其他住户轨迹的差异度。计算差异度的方式后续有详细说明,此处不再赘述。若差异度较大,则说明该目标人员的行为轨迹与大多数的都不相同,此处应当对其进行预警,从而可以对区域内的危险进行预防,相关安保人员只需要对其进行重点监控,减小了安保人员的查看监控的工作量。
在一个实施例中,所述将所述人物轨迹图按照像素坐标序列表示,并基于所述像素坐标序列计算所述人物轨迹图与所述目标区域***中其他住户轨迹的差异度的步骤S805,包括:
S8051:从所述其他住户轨迹中筛选并截取多个与所述人物轨迹图起点和终点相同或相近的目标轨迹图集合;
表示位置差异度,H表示目标轨迹图集合中的轨迹图数量,表示人物轨迹图第o个像素点的横坐标,表示目标轨迹图集合中第p个轨迹图的第o个像素点的横坐标,表示人物轨迹图第o个像素点的纵坐标,表示目标轨迹图集合中第p个轨迹图的第o个像素点的纵坐标,L表示轨迹图的像素长度,表示目标轨迹图在第o个像素点的速度,表示目标轨迹图集合中第p个轨迹图的第o个像素点的速度,表示第o个像素点移动至第o+1个像素点的时间长度;表示在目标轨迹图第o个像素点处的方向转移量,表示目标轨迹图集合中第p个轨迹图的第o个像素点的方向转移量;
S8053:根据所述位置差异度、所述速度差异度以及所述方向差异度计算所述人物轨迹图与所述轨迹图集合的差异度。
如上述步骤S8051-S8053所述,实现了对差异度的计算。从所述其他住户轨迹中筛选并截取多个与所述人物轨迹图起点和终点相同或相近的目标轨迹图集合。筛选的方式为计算同一时间点与人物轨迹图起点在预设范围内的住户轨迹,以及人物轨迹图终点在预设范围内的住户轨迹。综合选择得到多个目标轨迹,构成目标轨迹集合,然后计算位置差异度和速度差役度以及方向差异度。一般而言,可以从所处位置、运动速度以及轨迹运动方向来检测其是否与住户轨迹是否不同,从而确定其差异度,进而确定是否需要对其进行预警。根据所述位置差异度、所述速度差异度以及所述方向差异度计算所述人物轨迹图与所述轨迹图集合的差异度,计算差异度的方式具体可以进行加权计算,也可以进行其他的方式的计算,例如求平均值等方式,本申请对此不作限定,可以根据具体情况来赋予不同差异度的权值。
在一个实施例中,所述将所述人物轨迹图按照像素坐标序列表示,并基于所述像素坐标序列计算所述人物轨迹图与所述目标区域***中其他住户轨迹的差异度的步骤S8053之后,还包括:
S80531:基于所述差异度对所述目标身份信息的风险等级进行调整,并上传至区块链中;
S80532:判断所述风险等级是否达到了预设风险等级;
S80533:若是,则将所述目标身份信息记录入黑名单,并将所述人物轨迹图进行保存,以便于后续调取分析。
如上述步骤S80531-S80533所述,实现了对风险级别的调整,根据风险等级的大小判目标身份信息是否满足黑名条件。具体的判断方法可以是设定一个预设风险等级,当大于该预设风险等级时,则判定该访问者满足加入预设的黑名单数据库的条件,并将其上传至区块链中,提醒其他的区域***同时进行预警,从而能实现更大程度上的预防,并保存其人物轨迹图,若其发生了犯罪活动,可以及时调取相关的监控数据进行查看。
在一个实施例中,所述根据所述像素坐标序列计算所述人物轨迹图与所述目标轨迹图集合的位置差异度、速度差异度以及方向差异度的步骤S8053之后,包括:
S8054:获取所述人物轨迹图每个像素点的位置、速度以及方向的第一三维数据集合,以及所述住户轨迹图的位置、速度以及方向的第二三维数据集合;
S8055:计算所述第一三维数据集合和各个所述第二三维数据集合的相似度;
S8056:将相似度大于预设相似度的住户轨迹图所对应的目标住户进行预关联;
S8057:调取所述目标住户的第一身份信息,并基于所述第一身份信息和目标身份信息调取同时具有目标住户以及目标身份信息所对应人物的拍摄图片;
S8058:判断所述拍摄图片中所述目标住户和目标身份信息所对应人物之间的距离小于预设值的图片数量是否大于预设值;
S8059:若是,则将所述目标住户与所述目标身份信息所对应人物进行关联。
如上述步骤S8051-S8059所述,实现了将目标身份信息与相关住户进行关联。由于前述的计算过程中已经具有人物轨迹图每个像素点的位子、速度以及方向,以此作为人物轨迹图的第一三维数据集合,并与住户轨迹的第二三维数据集合计算相似度,计算相似度的方式可以是计算欧式距离,由于各个点的三维数据已知,因此可以直接计算欧几里得距离,并将其作为相似度,再挑选大于预设相似度的住户轨迹图所对应的目标住户进行预关联,此时还只是确定了其具有相同的路径,需要进一步的判断,因此先进行预关联,调取所述目标住户的第一身份信息,并基于所述第一身份信息和目标身份信息调取同时具有目标住户以及目标身份信息所对应人物的拍摄图片。当述目标住户和目标身份信息所对应人物之间的距离小于预设值的图片数量是否大于预设值,则说明,二者之间具有一些关联,有可能是该目标住户的朋友,因此,将其进行关联以便于后续进行进一步地分析,即若目标身份信息所对应人物进行了犯罪活动,则可以快速定位到其同伙或者是受害人。
在一个实施例中,所述若异常,则对所述目标身份信息所对应的人物进行预警的步骤S10之后,还包括:
S1001:通过所述摄像头监测所述目标身份信息所对应的人物脱离拍摄画面的时长是否达到了预设时长;
S1002:若是,则获取最后一次拍摄到所述目标身份信息所对应的人物的摄像头的第一位置信息;
S1003:基于所述第一位置信息反馈至所述区块链中相近的区域***。
如上述步骤S1001-S1003所述,实现了对其他区域***的预警。通过所述摄像头监测所述目标身份信息所对应的人物脱离拍摄画面的时长是否达到了预设时长,即当该区域***中已经丢失了该目标身份信息所对应的人物,则其可能是进入了其他的区域***,当然,也有可能是乘车离开了,但是也有一定的概率去了邻近的区域范围内,此时,为了避免其他区域***对此进行再次计算,可以基于所述第一位置信息将信息反馈给区块链中相近的区域***。
本发明的有益效果:通过人物识别采集设备采集拍摄画面,并识别拍摄画面中各个人物的身份信息,确定不在所述主控设备所在的目标区域***居住的人物的目标身份信息,将具有同一目标身份信息的拍摄画面集合,得到各个所述目标身份信息所对应的目标拍摄画面集合,生成目标身份信息所对应人物的人物轨迹图,并计算与其他住户轨迹的差异度,根据差异度判断是否需要对所述目标身份信息所对应的人物进行预警。实现了基于拍摄画面对人物进行分析预警,进而保证了区域内的安全性,可以有效提高区域的安全,减少住户的损失。
参照图2,本发明还提供了一种基于人物识别的智能安防装置,应用于各个预先划分的区域***,所述区域***包括主控设备和多个人物识别采集设备,所述人物识别采集设备至少包括摄像头,通过所述摄像头采集人物的拍摄画面,并将所述拍摄画面上传至所述主控设备,所述主控设备存有对应所述区域***中各个人物识别采集设备的位置信息以及所述区域***内各个住户的住户信息,各个所述区域***中的主控设备之间构成区块链,各个所述主控设备为所述区块链的区块链节点,所述基于人物识别的智能安防装置包括:
采集模块,用于通过人物识别采集设备按照时间顺序采集多个拍摄画面;
识别模块,用于通过预设的人脸识别技术识别所述拍摄画面中各个人物的身份信息;
筛选模块,用于基于所述住户信息从所述身份信息中筛选出不在所述主控设备所在的目标区域***居住的人物的目标身份信息;其中,目标区域***为预先划分区域***中的一个区域***;
发送模块,用于基于所述目标区域***与其他区域***之间的位置信息,将所述目标身份信息发送至所述区块链中预设间隔范围内的区域***的目标主控设备;
接收模块,用于接收所述目标主控设备反馈信息;
标注模块,用于若所述反馈信息为所述目标身份信息不在所述目标主控设备所在的目标区域***中,则基于所述目标身份信息对所述拍摄画面中进行人物标注,并将具有同一目标身份信息的拍摄画面集合,得到各个所述目标身份信息所对应的目标拍摄画面集合;
排序模块,用于按照所述时间顺序将所述拍摄画面集合中拍摄图像进行排序,分别得到第一特征图、第二特征图、...、第N特征图;
差异度计算模块,用于根据所述第一特征图、所述第二特征图、...、所述第N特征图计算所述目标身份信息所对应的人物轨迹图,并计算与所述目标区域***中其他住户轨迹的差异度;
判断模块,用于基于所述差异度判断所述目标身份信息所对应的人物是否异常;
预警模块,用于若异常,则对所述目标身份信息所对应的人物进行预警。
在一个实施例中,所述差异度计算模块,还包括:
输入子模块,用于将各个所述拍摄图像输入至预设的CNN骨干网络中,以得到所述第一特征图对应的第一标准特征张量图、所述第二特征图所分别对应的第二标准特征张量图、...、所述第N特征图所分别对应的第N标准特征张量图;其中,各个标准特征张量图的尺寸均为C×H×W大小;
选择子模块,用于将时间顺序相邻的标准特征张量图记为一组数据,且将其中一个标准特征张量图滑窗选择(H+1-K)×(W+1-K)个K×K尺寸的目标块;
互相关子模块,用于将每个目标块相对于其对应的一组数据中另一个特征张量图进行互相关操作,得到每个目标块相对于特征张量图的响应图;其中,互相关操作的方式为,表示第j张第二标准特征图第i个目标块的响应图,表示第j张第二标准特征图第i个目标块,表示另一个特征张量图;
生成子模块,用于基于各个所述注意力图生成所述目标身份信息所对应人物的人物轨迹图;
表示子模块,用于将所述人物轨迹图按照像素坐标序列表示,并基于所述像素坐标序列计算所述人物轨迹图与所述目标区域***中其他住户轨迹的差异度。
在一个实施例中,所述表示子模块,包括:
筛选单元,用于从所述其他住户轨迹中筛选并截取多个与所述人物轨迹图起点和终点相同或相近的目标轨迹图集合;
表示位置差异度,H表示目标轨迹图集合中的轨迹图数量,表示人物轨迹图第o个像素点的横坐标,表示目标轨迹图集合中第p个轨迹图的第o个像素点的横坐标,表示人物轨迹图第o个像素点的纵坐标,表示目标轨迹图集合中第p个轨迹图的第o个像素点的纵坐标,L表示轨迹图的像素长度,表示目标轨迹图在第o个像素点的速度,表示目标轨迹图集合中第p个轨迹图的第o个像素点的速度,表示第o个像素点移动至第o+1个像素点的时间长度;表示在目标轨迹图第o个像素点处的方向转移量,表示目标轨迹图集合中第p个轨迹图的第o个像素点的方向转移量;
差异度计算单元,用于根据所述位置差异度、所述速度差异度以及所述方向差异度计算所述人物轨迹图与所述轨迹图集合的差异度。
在一个实施例中,所述基于人物识别的智能安防装置,还包括:
调整模块,用于基于所述差异度对所述目标身份信息的风险等级进行调整,并上传至区块链中;
风险等级判断模块,用于判断所述风险等级是否达到了预设风险等级;
黑名单记录模块,用于若是,则将所述目标身份信息记录入黑名单,并将所述人物轨迹图进行保存,以便于后续调取分析。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (10)
1.一种基于人物识别的智能安防方法,其特征在于,应用于各个预先划分的区域***,所述区域***包括主控设备和多个人物识别采集设备,所述人物识别采集设备至少包括摄像头,通过所述摄像头采集人物的拍摄画面,并将所述拍摄画面上传至所述主控设备,所述主控设备存有对应所述区域***中各个人物识别采集设备的位置信息以及所述区域***内各个住户的住户信息,各个所述区域***中的主控设备之间构成区块链,各个所述主控设备为所述区块链的区块链节点,所述方法包括:
所述主控设备通过人物识别采集设备按照时间顺序采集多个拍摄画面;
通过预设的人脸识别技术识别所述拍摄画面中各个人物的身份信息;
基于所述住户信息从所述身份信息中筛选出不在所述主控设备所在的目标区域***居住的人物的目标身份信息;其中,目标区域***为预先划分区域***中的一个区域***;
基于所述目标区域***与其他区域***之间的位置信息,将所述目标身份信息发送至所述区块链中预设间隔范围内的区域***的目标主控设备;
接收所述目标主控设备反馈信息;
若所述反馈信息为所述目标身份信息不在所述目标主控设备所在的目标区域***中,则基于所述目标身份信息对所述拍摄画面中进行人物标注,并将具有同一目标身份信息的拍摄画面集合,得到各个所述目标身份信息所对应的目标拍摄画面集合;
按照所述时间顺序将所述拍摄画面集合中拍摄图像进行排序,分别得到第一特征图、第二特征图、...、第N特征图;
根据所述第一特征图、所述第二特征图、...、所述第N特征图计算所述目标身份信息所对应的人物轨迹图,并计算与所述目标区域***中其他住户轨迹的差异度;
基于所述差异度判断所述目标身份信息所对应的人物是否异常;
若异常,则对所述目标身份信息所对应的人物进行预警。
2.如权利要求1所述的基于人物识别的智能安防方法,其特征在于,所述的根据所述第一特征图、所述第二特征图、...、所述第N特征图计算所述目标身份信息所对应的人物轨迹图,并计算与所述目标区域***中其他住户轨迹的差异度的步骤,包括:
将各个所述拍摄图像输入至预设的CNN骨干网络中,以得到所述第一特征图对应的第一标准特征张量图、所述第二特征图所分别对应的第二标准特征张量图、...、所述第N特征图所分别对应的第N标准特征张量图;其中,各个标准特征张量图的尺寸均为C×H×W大小;
将时间顺序相邻的标准特征张量图记为一组数据,且将其中一个标准特征张量图滑窗选择(H+1-K)×(W+1-K)个K×K尺寸的目标块;
将每个目标块相对于其对应的一组数据中另一个特征张量图进行互相关操作,得到每个目标块相对于特征张量图的响应图;其中,互相关操作的方式为,表示第j张标准特征图第i个目标块的响应图,表示第j张标准特征图第i个目标块,表示另一个特征张量图;
基于各个所述注意力图生成所述目标身份信息所对应人物的人物轨迹图;
将所述人物轨迹图按照像素坐标序列表示,并基于所述像素坐标序列计算所述人物轨迹图与所述目标区域***中其他住户轨迹的差异度。
3.如权利要求2所述的基于人物识别的智能安防方法,其特征在于,所述将所述人物轨迹图按照像素坐标序列表示,并基于所述像素坐标序列计算所述人物轨迹图与所述目标区域***中其他住户轨迹的差异度的步骤,包括:
从所述其他住户轨迹中筛选并截取多个与所述人物轨迹图起点和终点相同或相近的目标轨迹图集合;
表示位置差异度,H表示目标轨迹图集合中的轨迹图数量,表示人物轨迹图第o个像素点的横坐标,表示目标轨迹图集合中第p个轨迹图的第o个像素点的横坐标,表示人物轨迹图第o个像素点的纵坐标,表示目标轨迹图集合中第p个轨迹图的第o个像素点的纵坐标,L表示轨迹图的像素长度,表示目标轨迹图在第o个像素点的速度,表示目标轨迹图集合中第p个轨迹图的第o个像素点的速度,表示第o个像素点移动至第o+1个像素点的时间长度;表示在目标轨迹图第o个像素点处的方向转移量,表示目标轨迹图集合中第p个轨迹图的第o个像素点的方向转移量;
根据所述位置差异度、所述速度差异度以及所述方向差异度计算所述人物轨迹图与所述轨迹图集合的差异度。
4.如权利要求1所述的基于人物识别的智能安防方法,其特征在于,所述将所述人物轨迹图按照像素坐标序列表示,并基于所述像素坐标序列计算所述人物轨迹图与所述目标区域***中其他住户轨迹的差异度的步骤之后,还包括:
基于所述差异度对所述目标身份信息的风险等级进行调整,并上传至区块链中;
判断所述风险等级是否达到了预设风险等级;
若是,则将所述目标身份信息记录入黑名单,并将所述人物轨迹图进行保存,以便于后续调取分析。
5.如权利要求3所述的基于人物识别的智能安防方法,其特征在于,所述根据所述像素坐标序列计算所述人物轨迹图与所述目标轨迹图集合的位置差异度、速度差异度以及方向差异度的步骤之后,包括:
获取所述人物轨迹图每个像素点的位置、速度以及方向的第一三维数据集合,以及住户轨迹图的位置、速度以及方向的第二三维数据集合;
计算所述第一三维数据集合和各个所述第二三维数据集合的相似度;
将相似度大于预设相似度的住户轨迹图所对应的目标住户进行预关联;
调取所述目标住户的第一身份信息,并基于所述第一身份信息和目标身份信息调取同时具有目标住户以及目标身份信息所对应人物的拍摄图片;
判断所述拍摄图片中所述目标住户和目标身份信息所对应人物之间的距离小于预设值的图片数量是否大于预设值;
若是,则将所述目标住户与所述目标身份信息所对应人物进行关联。
6.如权利要求1所述的基于人物识别的智能安防方法,其特征在于,所述若异常,则对所述目标身份信息所对应的人物进行预警的步骤之后,还包括:
通过所述摄像头监测所述目标身份信息所对应的人物脱离拍摄画面的时长是否达到了预设时长;
若是,则获取最后一次拍摄到所述目标身份信息所对应的人物的摄像头的第一位置信息;
基于所述第一位置信息反馈至所述区块链中相近的区域***。
7.一种基于人物识别的智能安防装置,其特征在于,应用于各个预先划分的区域***,所述区域***包括主控设备和多个人物识别采集设备,所述人物识别采集设备至少包括摄像头,通过所述摄像头采集人物的拍摄画面,并将所述拍摄画面上传至所述主控设备,所述主控设备存有对应所述区域***中各个人物识别采集设备的位置信息以及所述区域***内各个住户的住户信息,各个所述区域***中的主控设备之间构成区块链,各个所述主控设备为所述区块链的区块链节点,所述基于人物识别的智能安防装置包括:
采集模块,用于通过人物识别采集设备按照时间顺序采集多个拍摄画面;
识别模块,用于通过预设的人脸识别技术识别所述拍摄画面中各个人物的身份信息;
筛选模块,用于基于所述住户信息从所述身份信息中筛选出不在所述主控设备所在的目标区域***居住的人物的目标身份信息;其中,目标区域***为预先划分区域***中的一个区域***;
发送模块,用于基于所述目标区域***与其他区域***之间的位置信息,将所述目标身份信息发送至所述区块链中预设间隔范围内的区域***的目标主控设备;
接收模块,用于接收所述目标主控设备反馈信息;
标注模块,用于若所述反馈信息为所述目标身份信息不在所述目标主控设备所在的目标区域***中,则基于所述目标身份信息对所述拍摄画面中进行人物标注,并将具有同一目标身份信息的拍摄画面集合,得到各个所述目标身份信息所对应的目标拍摄画面集合;
排序模块,用于按照所述时间顺序将所述拍摄画面集合中拍摄图像进行排序,分别得到第一特征图、第二特征图、...、第N特征图;
差异度计算模块,用于根据所述第一特征图、所述第二特征图、...、所述第N特征图计算所述目标身份信息所对应的人物轨迹图,并计算与所述目标区域***中其他住户轨迹的差异度;
判断模块,用于基于所述差异度判断所述目标身份信息所对应的人物是否异常;
预警模块,用于若异常,则对所述目标身份信息所对应的人物进行预警。
8.如权利要求7所述的基于人物识别的智能安防装置,其特征在于,所述差异度计算模块,还包括:
输入子模块,用于将各个所述拍摄图像输入至预设的CNN骨干网络中,以得到所述第一特征图对应的第一标准特征张量图、所述第二特征图所分别对应的第二标准特征张量图、...、所述第N特征图所分别对应的第N标准特征张量图;其中,各个标准特征张量图的尺寸均为C×H×W大小;
选择子模块,用于将时间顺序相邻的标准特征张量图记为一组数据,且将其中一个标准特征张量图滑窗选择(H+1-K)×(W+1-K)个K×K尺寸的目标块;
互相关子模块,用于将每个目标块相对于其对应的一组数据中另一个特征张量图进行互相关操作,得到每个目标块相对于特征张量图的响应图;其中,互相关操作的方式为,表示第j张第二标准特征图第i个目标块的响应图,表示第j张第二标准特征图第i个目标块,表示另一个特征张量图;
生成子模块,用于基于各个所述注意力图生成所述目标身份信息所对应人物的人物轨迹图;
表示子模块,用于将所述人物轨迹图按照像素坐标序列表示,并基于所述像素坐标序列计算所述人物轨迹图与所述目标区域***中其他住户轨迹的差异度。
9.如权利要求8所述的基于人物识别的智能安防装置,其特征在于,所述表示子模块,包括:
筛选单元,用于从所述其他住户轨迹中筛选并截取多个与所述人物轨迹图起点和终点相同或相近的目标轨迹图集合;
表示位置差异度,H表示目标轨迹图集合中的轨迹图数量,表示人物轨迹图第o个像素点的横坐标,表示目标轨迹图集合中第p个轨迹图的第o个像素点的横坐标,表示人物轨迹图第o个像素点的纵坐标,表示目标轨迹图集合中第p个轨迹图的第o个像素点的纵坐标,L表示轨迹图的像素长度,表示目标轨迹图在第o个像素点的速度,表示目标轨迹图集合中第p个轨迹图的第o个像素点的速度,表示第o个像素点移动至第o+1个像素点的时间长度;表示在目标轨迹图第o个像素点处的方向转移量,表示目标轨迹图集合中第p个轨迹图的第o个像素点的方向转移量;
差异度计算单元,用于根据所述位置差异度、所述速度差异度以及所述方向差异度计算所述人物轨迹图与所述轨迹图集合的差异度。
10.如权利要求8所述的基于人物识别的智能安防装置,其特征在于,所述基于人物识别的智能安防装置,还包括:
调整模块,用于基于所述差异度对所述目标身份信息的风险等级进行调整,并上传至区块链中;
风险等级判断模块,用于判断所述风险等级是否达到了预设风险等级;
黑名单记录模块,用于若是,则将所述目标身份信息记录入黑名单,并将所述人物轨迹图进行保存,以便于后续调取分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210269953.2A CN114359976B (zh) | 2022-03-18 | 2022-03-18 | 一种基于人物识别的智能安防方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210269953.2A CN114359976B (zh) | 2022-03-18 | 2022-03-18 | 一种基于人物识别的智能安防方法与装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114359976A CN114359976A (zh) | 2022-04-15 |
CN114359976B true CN114359976B (zh) | 2022-06-14 |
Family
ID=81094354
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210269953.2A Active CN114359976B (zh) | 2022-03-18 | 2022-03-18 | 一种基于人物识别的智能安防方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114359976B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114903472A (zh) * | 2022-06-02 | 2022-08-16 | 深圳市博铭维***工程有限公司 | 基于物联网定位的医院管理方法、***、终端及存储介质 |
CN114973153B (zh) * | 2022-07-27 | 2022-11-04 | 广州宏途数字科技有限公司 | 一种智慧校园安全检测方法、装置、设备及存储介质 |
CN115861316B (zh) * | 2023-02-27 | 2023-09-29 | 深圳佑驾创新科技股份有限公司 | 行人检测模型的训练方法及其装置、行人检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102523370A (zh) * | 2011-11-22 | 2012-06-27 | 上海交通大学 | 基于网络传输算法的多摄像头视频异常行为检测方法 |
CN106097223A (zh) * | 2016-06-15 | 2016-11-09 | 广州市华标科技发展有限公司 | 一种证件申报管理***和申报管理方法 |
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 |
WO2020239210A1 (en) * | 2019-05-28 | 2020-12-03 | Gottfried Wilhelm Leibniz Universität Hannover | Method, apparatus and computer program for tracking of moving objects |
CN112243110A (zh) * | 2020-10-15 | 2021-01-19 | 成都易瞳科技有限公司 | 全景目标轨迹记录设备及记录方法 |
-
2022
- 2022-03-18 CN CN202210269953.2A patent/CN114359976B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102523370A (zh) * | 2011-11-22 | 2012-06-27 | 上海交通大学 | 基于网络传输算法的多摄像头视频异常行为检测方法 |
CN106097223A (zh) * | 2016-06-15 | 2016-11-09 | 广州市华标科技发展有限公司 | 一种证件申报管理***和申报管理方法 |
WO2020239210A1 (en) * | 2019-05-28 | 2020-12-03 | Gottfried Wilhelm Leibniz Universität Hannover | Method, apparatus and computer program for tracking of moving objects |
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 |
CN112243110A (zh) * | 2020-10-15 | 2021-01-19 | 成都易瞳科技有限公司 | 全景目标轨迹记录设备及记录方法 |
Non-Patent Citations (1)
Title |
---|
5G时代人工智能识别技术在视频侦查中的应用;王鹏等;《河北公安警察职业学院学报》;20200318(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114359976A (zh) | 2022-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114359976B (zh) | 一种基于人物识别的智能安防方法与装置 | |
KR101850286B1 (ko) | 딥 러닝 기반 cctv용 영상 인식 방법 | |
CN111898514B (zh) | 一种基于目标检测与动作识别的多目标视觉监管方法 | |
CN113256924A (zh) | 一种轨道列车的监控***,监控方法及监控装置 | |
JP5459674B2 (ja) | 移動物体追跡システムおよび移動物体追跡方法 | |
CN111898581B (zh) | 动物检测方法、装置、电子设备及可读存储介质 | |
KR102172239B1 (ko) | 영상 기반 비정상 상황 모니터링 방법 및 시스템 | |
CN111325048B (zh) | 一种人员聚集检测方法和装置 | |
KR102511287B1 (ko) | 영상 기반 자세 예측 및 행동 검출 방법 및 장치 | |
CN109255360B (zh) | 一种目标分类方法、装置及*** | |
CN112329691A (zh) | 一种监控视频的分析方法及装置、电子设备、存储介质 | |
KR20200052418A (ko) | 딥러닝 기반의 자동 폭력 감지 시스템 | |
CN107330414A (zh) | 暴力行为监控方法 | |
KR20190088087A (ko) | 움직임 정보를 이용한 인공지능 학습기반의 이동객체 영상 분류처리 방법 | |
CN110599129A (zh) | 一种基于图像追踪校园考勤方法、装置、识别终端及*** | |
Rezaee et al. | Deep-Transfer-learning-based abnormal behavior recognition using internet of drones for crowded scenes | |
CN111753587A (zh) | 一种倒地检测方法及装置 | |
CN117593792A (zh) | 一种基于视频帧的异常姿态检测方法和装置 | |
KR20220019377A (ko) | 딥러닝을 이용한 드론 검출 장치 및 방법 | |
CN111144260A (zh) | 一种翻越闸机的检测方法、装置及*** | |
KR20210013865A (ko) | 생성적 대립 네트워크를 이용한 사람의 비정상 행동 탐지 시스템 및 방법 | |
TWI730795B (zh) | 多目標人體體溫追蹤方法及系統 | |
Amrutha et al. | A robust system for video classification: identification and tracking of suspicious individuals from surveillance videos | |
Subbarayudu et al. | Detection of anomalous behaviour of a student in examination hall using deep learning techniques | |
KR20230078063A (ko) | 자세유형 판별을 위한 서버 및 그 동작방법 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: An Intelligent Security Method and Device Based on Character Recognition Granted publication date: 20220614 Pledgee: Guanggu Branch of Wuhan Rural Commercial Bank Co.,Ltd. Pledgor: WUHAN PKU HIGH-TECH SOFT Co.,Ltd. Registration number: Y2024980009351 |