CN116070915A - 一种基于安防大脑的校园安全防控*** - Google Patents

一种基于安防大脑的校园安全防控*** Download PDF

Info

Publication number
CN116070915A
CN116070915A CN202310216272.4A CN202310216272A CN116070915A CN 116070915 A CN116070915 A CN 116070915A CN 202310216272 A CN202310216272 A CN 202310216272A CN 116070915 A CN116070915 A CN 116070915A
Authority
CN
China
Prior art keywords
data
log
campus
security
module
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
CN202310216272.4A
Other languages
English (en)
Inventor
夏伯慷
张欣欣
王新程
池海
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.)
Jinan Infant Teachers College
Original Assignee
Jinan Infant Teachers College
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 Jinan Infant Teachers College filed Critical Jinan Infant Teachers College
Priority to CN202310216272.4A priority Critical patent/CN116070915A/zh
Publication of CN116070915A publication Critical patent/CN116070915A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Technology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Multimedia (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Security & Cryptography (AREA)
  • Operations Research (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Alarm Systems (AREA)

Abstract

本发明公开了一种基于安防大脑的校园安全防控***，属于智慧安防技术领域，包括终端设备、主控平台、监控模块、数据整理模块、判断预警模块、安防数据中心以及日志监测模块；本发明能够更加直观地向管理人员反馈校园危险行为所在位置，方便管理人员进行风险防范，降低校园危险发生概率，无需相关专业知识也可进行日志数据分析，且不用每次收集日志都进行配置操作，节省配置时间，减少分析时间的同时减少日志分析展示的工作量，缩短管理人员等待时间。

Description

一种基于安防大脑的校园安全防控***
技术领域
本发明涉及智慧安防技术领域，尤其涉及一种基于安防大脑的校园安全防控***。
背景技术
现有的基于安防大脑的校园安全防控***无法直观地向管理人员反馈校园危险行为所在位置，不方便管理人员进行风险防范；此外，现有的基于安防大脑的校园安全防控***需相关专业知识才能进行日志数据分析，且每次收集日志都需进行配置操作，大大延长管理人员等待时间，为此，我们提出一种基于安防大脑的校园安全防控***。
发明内容
本发明的目的是为了解决现有技术中存在的缺陷，而提出的一种基于安防大脑的校园安全防控***。
为了实现上述目的，本发明采用了如下技术方案：
一种基于安防大脑的校园安全防控***，包括终端设备、主控平台、监控模块、数据整理模块、判断预警模块、安防数据中心以及日志监测模块；
其中，所述终端设备用于管理人员登陆主控平台，并查看各子模块传输的数据信息；
所述主控平台用于管理人员进行***设置以及下发控制指令，并生成相对应日志数据；
所述监控模块用于对校园信息进行实时采集；
所述数据整理模块用于对监控模块采集到的数据进行分区存储；
所述判断预警模块用于对各区域采集到的信息进行分析判断并依据判断结果进行安全预警；
所述安防数据中心用于接收各组预警信息，并定期对其进行分类统计以及存储，同时依据管理人员下发的相关数据进行预警规则更新；
所述日志监测模块用于采集日志数据，并依据日志数据对管理人员相关操作进行风险监测。
作为本发明的进一步方案，所述终端设备具体包括智能手机、笔记本电脑以及台式电脑；
所述监控模块具体包括监控摄像头以及温湿度传感器。
作为本发明的进一步方案，所述数据整理模块分区存储具体步骤如下：
步骤一：数据整理模块接收监控模块采集到的各组数据，并将其按照人员、温度以及湿度进行分类，之后数据整理模块依据校园对应的二维平面图以及标注信息生成相对应的校园三维模型；
步骤二：管理人员通过主控平台对校园三维模型进行更改，并添加相关建筑以及物品图例以及锚点图例，数据整理模块对校园三维模型按照***默认或人工设定的规则进行区域分割；
步骤三：将分类完成的各组数据与各组区域进行匹配，并在各区域相对应位置添加相关标注，同时为每一组区域数据建立单独命名目录进行存储记录。
作为本发明的进一步方案，所述判断预警模块分析判断具体步骤如下：
步骤(1)：将监控模块采集到的影像信息进行逐帧提取以获取相对应的图片数据，并通过傅里叶正变换将各组图像数据从图像空间转换至频率空间，再通过高斯函数对其中高频成分进行平滑处理；
步骤(2)：处理完成后通过傅里叶反变换将轮廓图像从频率空间转换至图像空间，经过采集网络多次ShuffleBlock以得到各组图片数据的全局姿态特征，之后通过反卷积操作使全局姿态特征回归至关键点特征图上，再对关键点特征图进行解码处理，并收集解码后生成的人体二维关键点；
步骤(3)：通过运动模型依据对人物的线性运动假设，对其在视频帧中的运动状态进行定义，收集各人物在当前视频帧中的运动状态，并构建预测方程对各跟踪目标在下一视频帧中的运动状态进行估计以获取2D姿态数据；
步骤(4)：构建Transformer模型，并将2D姿态数据输入Transformer模型中，之后该模型中多假设生成器接收各组2D姿态数据，并在模型的不同层生成姿态假设的不同表示，然后通过多个并行的自注意力块对单假设依赖进行建模，以形成自我假设通信；
步骤(5)：混合假设MLP提取拼接起来的各个假设特征，并对其进行切块来得到修正后的每个假设，交叉假设交互器对不同假设的信息进行交互建模，最后通过Transformer模型回归模块对各组姿态假设进行回归以得到最终预测的3D姿态数据；
步骤(6)：将预测的3D姿态数据与安控数据中心存储的行为数据进行比较，若存在危险行为，则向管理人员终端设备发出警报，同时在校园三维模型中标注。
作为本发明的进一步方案，步骤(1)中所述高斯函数具体公式如下：
式中，x、y分别代表轮廓图像中各像素点横坐标以及纵坐标，σ代表平滑参数，其中，σ较小时，边缘定位精度高，但图像平滑作用较弱，抑制噪声的能力差；σ较大时，会导致高斯半滑模板增大，使边缘位置偏移严重，增加运算量；
步骤(2)中所述全局姿态特征具体表示公式如下：
Fmid＝ρ(M,w,b)  (2)
式中，ρ(,)表示多次ShuffleBlock，M表示输入的图片，w和b表示可学习的卷积核和偏置；
步骤(2)中所述反卷积操作具体公式如下：
F0＝f-1(Fmid,w,b)  (3)
式中，F0代表一个维度为(17,n,m)的张量，17表示关键点个数，n和m表示特征图的宽和高；
步骤(2)中所述解码处理具体公式如下：
Ji＝Max(F0(i))  (4)
式中，Ji代表第i个关键点，F0(i)表示第i张关键点特征图。
作为本发明的进一步方案，所述日志监测模块风险监测具体步骤如下：
步骤Ⅰ：日志监测模块依据主控平台类型部署相关采集插件或通过syslog服务器获取主控平台中所记录的日志数据，采集各组日志数据中管理人员在***中的各类活动；
步骤Ⅱ：选择出满足预设条件要求的日志数据，再将满足要求的日志数据处理为统一格式的日志数据，按照顺序对日志数据执行相关处理操作，并将用户操作行为与攻击者行为特征进行匹配，并将匹配结果进行输出；
步骤Ⅲ：若同一设备的日志匹配输出结果满足多个预设告警条件，或同一设备的多条日志匹配输出结果共同满足统一预设告警条件,则进行风险告警，再生成相对应的告警信息，同时对该条告警的风险分数进行计算，并将计算结果进行输出。
作为本发明的进一步方案，步骤Ⅲ中所述风险分数具体计算公式如下：
式中，Ri代表规则重要程度，Rm代表规则历史命中次数，Rn代表命中规则数，S代表告警风险系数，AS代表资产重要性，Vi代表漏洞严重程度。
相比于现有技术，本发明的有益效果在于：
1、该基于安防大脑的校园安全防控***相较于以往防控***，本发明通过数据整理模块接收监控模块采集到的各组数据并对其进行分类，之后生成相对应的校园三维模型按照***默认或人工设定的规则进行区域分割，再将分类完成的各组数据与各组区域进行匹配，并在各区域相对应位置添加相关标注，之后判断预警模块对采集到的影像信息进行逐帧提取，再对提取的各组图片数据通过采集网络多次ShuffleBlock、反卷积操作、解码处理以及线性运动假设获取2D姿态数据，最后通过Transformer模型获取最终预测的3D姿态数据，将预测的3D姿态数据与安控数据中心存储的行为数据进行比较，若存在危险行为，则向管理人员终端设备发出警报，同时在校园三维模型中标注，能够更加直观地向管理人员反馈校园危险行为所在位置，方便管理人员进行风险防范，降低校园危险发生概率；
2、本发明设通过日志监测模块依据主控平台类型部署相关采集插件或通过syslog服务器获取主控平台中所记录的日志数据，采集各组日志数据中管理人员在***中的各类活动，选择出满足预设条件要求的日志数据，再将满足要求的日志数据处理为统一格式的日志数据并执行相关处理操作，将用户操作行为与攻击者行为特征进行匹配，并将匹配结果进行输出，若同一设备的日志匹配输出结果满足多个预设告警条件，或同一设备的多条日志匹配输出结果共同满足统一预设告警条件,则进行风险告警，再生成相对应的告警信息，同时对该条告警的风险分数进行计算，并将计算结果进行输出，无需相关专业知识也可进行日志数据分析，且不用每次收集日志都进行配置操作，节省配置时间，减少分析时间的同时减少日志分析展示的工作量，缩短管理人员等待时间。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
图1为本发明提出的一种基于安防大脑的校园安全防控***的***框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
实施例1
参照图1，一种基于安防大脑的校园安全防控***，包括终端设备、主控平台、监控模块、数据整理模块、判断预警模块、安防数据中心以及日志监测模块。
终端设备用于管理人员登陆主控平台，并查看各子模块传输的数据信息；主控平台用于管理人员进行***设置以及下发控制指令，并生成相对应日志数据；监控模块用于对校园信息进行实时采集。
本实施例中，终端设备具体包括智能手机、笔记本电脑以及台式电脑；监控模块具体包括监控摄像头以及温湿度传感器。
数据整理模块用于对监控模块采集到的数据进行分区存储。
具体的，数据整理模块接收监控模块采集到的各组数据，并将其按照人员、温度以及湿度进行分类，之后数据整理模块依据校园对应的二维平面图以及标注信息生成相对应的校园三维模型，管理人员通过主控平台对校园三维模型进行更改，并添加相关建筑以及物品图例以及锚点图例，数据整理模块对校园三维模型按照***默认或人工设定的规则进行区域分割，再将分类完成的各组数据与各组区域进行匹配，并在各区域相对应位置添加相关标注，同时为每一组区域数据建立单独命名目录进行存储记录。
判断预警模块用于对各区域采集到的信息进行分析判断并依据判断结果进行安全预警。
具体的，判断预警模块将监控模块采集到的影像信息进行逐帧提取以获取相对应的图片数据，并通过傅里叶正变换将各组图像数据从图像空间转换至频率空间，再通过高斯函数对其中高频成分进行平滑处理，数据处理完成后通过傅里叶反变换将轮廓图像从频率空间转换至图像空间，经过采集网络多次ShuffleBlock以得到各组图片数据的全局姿态特征，之后通过反卷积操作使全局姿态特征回归至关键点特征图上，再对关键点特征图进行解码处理，并收集解码后生成的人体二维关键点，然后通过运动模型依据对人物的线性运动假设，对其在视频帧中的运动状态进行定义，收集各人物在当前视频帧中的运动状态，并构建预测方程对各跟踪目标在下一视频帧中的运动状态进行估计以获取2D姿态数据，构建Transformer模型，并将2D姿态数据输入Transformer模型中，之后该模型中多假设生成器接收各组2D姿态数据，并在模型的不同层生成姿态假设的不同表示，然后通过多个并行的自注意力块对单假设依赖进行建模，以形成自我假设通信，之后混合假设MLP提取拼接起来的各个假设特征，并对其进行切块来得到修正后的每个假设，交叉假设交互器对不同假设的信息进行交互建模，最后通过Transformer模型回归模块对各组姿态假设进行回归以得到最终预测的3D姿态数据，将预测的3D姿态数据与安控数据中心存储的行为数据进行比较，若存在危险行为，则向管理人员终端设备发出警报，同时在校园三维模型中标注。
需要进一步说明的是，高斯函数具体公式如下：
式中，x、y分别代表轮廓图像中各像素点横坐标以及纵坐标，σ代表平滑参数，其中，σ较小时，边缘定位精度高，但图像平滑作用较弱，抑制噪声的能力差；σ较大时，会导致高斯半滑模板增大，使边缘位置偏移严重，增加运算量；
全局姿态特征具体表示公式如下：
Fmid＝ρ(M,w,b)  (2)
式中，ρ(,)表示多次ShuffleBlock，M表示输入的图片，w和b表示可学习的卷积核和偏置；
反卷积操作具体公式如下：
F0＝f-1(Fmid,w,b)  (3)
式中，F0代表一个维度为(17,n,m)的张量，17表示关键点个数，n和m表示特征图的宽和高；
解码处理具体公式如下：
Ji＝Max(F0(i)) (4)
式中，Ji代表第i个关键点，F0(i)表示第i张关键点特征图。
实施例2
参照图1，一种基于安防大脑的校园安全防控***，包括终端设备、主控平台、监控模块、数据整理模块、判断预警模块、安防数据中心以及日志监测模块。
安防数据中心用于接收各组预警信息，并定期对其进行分类统计以及存储，同时依据管理人员下发的相关数据进行预警规则更新；日志监测模块用于采集日志数据，并依据日志数据对管理人员相关操作进行风险监测。
具体的，日志监测模块依据主控平台类型部署相关采集插件或通过syslog服务器获取主控平台中所记录的日志数据，采集各组日志数据中管理人员在***中的各类活动，选择出满足预设条件要求的日志数据，再将满足要求的日志数据处理为统一格式的日志数据，按照顺序对日志数据执行相关处理操作，并将用户操作行为与攻击者行为特征进行匹配，并将匹配结果进行输出，若同一设备的日志匹配输出结果满足多个预设告警条件，或同一设备的多条日志匹配输出结果共同满足统一预设告警条件,则进行风险告警，再生成相对应的告警信息，同时对该条告警的风险分数进行计算，并将计算结果进行输出。
本实施例中，风险分数具体计算公式如下：
式中，Ri代表规则重要程度，Rm代表规则历史命中次数，Rn代表命中规则数，S代表告警风险系数，AS代表资产重要性，Vi代表漏洞严重程度。

Claims (7)

1.一种基于安防大脑的校园安全防控***，其特征在于，包括终端设备、主控平台、监控模块、数据整理模块、判断预警模块、安防数据中心以及日志监测模块；
其中，所述终端设备用于管理人员登陆主控平台，并查看各子模块传输的数据信息；
所述主控平台用于管理人员进行***设置以及下发控制指令，并生成相对应日志数据；
所述监控模块用于对校园信息进行实时采集；
所述数据整理模块用于对监控模块采集到的数据进行分区存储；
所述判断预警模块用于对各区域采集到的信息进行分析判断并依据判断结果进行安全预警；
所述安防数据中心用于接收各组预警信息，并定期对其进行分类统计以及存储，同时依据管理人员下发的相关数据进行预警规则更新；
所述日志监测模块用于采集日志数据，并依据日志数据对管理人员相关操作进行风险监测。
2.根据权利要求1所述的一种基于安防大脑的校园安全防控***，其特征在于，所述终端设备具体包括智能手机、笔记本电脑以及台式电脑；
所述监控模块具体包括监控摄像头以及温湿度传感器。
3.根据权利要求2所述的一种基于安防大脑的校园安全防控***，其特征在于，所述数据整理模块分区存储具体步骤如下：
步骤一：数据整理模块接收监控模块采集到的各组数据，并将其按照人员、温度以及湿度进行分类，之后数据整理模块依据校园对应的二维平面图以及标注信息生成相对应的校园三维模型；
步骤二：管理人员通过主控平台对校园三维模型进行更改，并添加相关建筑以及物品图例以及锚点图例，数据整理模块对校园三维模型按照***默认或人工设定的规则进行区域分割；
步骤三：将分类完成的各组数据与各组区域进行匹配，并在各区域相对应位置添加相关标注，同时为每一组区域数据建立单独命名目录进行存储记录。
4.根据权利要求1所述的一种基于安防大脑的校园安全防控***，其特征在于，所述判断预警模块分析判断具体步骤如下：
步骤(1)：将监控模块采集到的影像信息进行逐帧提取以获取相对应的图片数据，并通过傅里叶正变换将各组图像数据从图像空间转换至频率空间，再通过高斯函数对其中高频成分进行平滑处理；
步骤(2)：处理完成后通过傅里叶反变换将轮廓图像从频率空间转换至图像空间，经过采集网络多次ShuffleBlock以得到各组图片数据的全局姿态特征，之后通过反卷积操作使全局姿态特征回归至关键点特征图上，再对关键点特征图进行解码处理，并收集解码后生成的人体二维关键点；
步骤(3)：通过运动模型依据对人物的线性运动假设，对其在视频帧中的运动状态进行定义，收集各人物在当前视频帧中的运动状态，并构建预测方程对各跟踪目标在下一视频帧中的运动状态进行估计以获取2D姿态数据；
步骤(4)：构建Transformer模型，并将2D姿态数据输入Transformer模型中，之后该模型中多假设生成器接收各组2D姿态数据，并在模型的不同层生成姿态假设的不同表示，然后通过多个并行的自注意力块对单假设依赖进行建模，以形成自我假设通信；
步骤(5)：混合假设MLP提取拼接起来的各个假设特征，并对其进行切块来得到修正后的每个假设，交叉假设交互器对不同假设的信息进行交互建模，最后通过Transformer模型回归模块对各组姿态假设进行回归以得到最终预测的3D姿态数据；
步骤(6)：将预测的3D姿态数据与安控数据中心存储的行为数据进行比较，若存在危险行为，则向管理人员终端设备发出警报，同时在校园三维模型中标注。
5.根据权利要求4所述的一种基于安防大脑的校园安全防控***，其特征在于，步骤(1)中所述高斯函数具体公式如下：
Figure FDA0004115014240000031
式中，x、y分别代表轮廓图像中各像素点横坐标以及纵坐标，σ代表平滑参数，其中，σ较小时，边缘定位精度高，但图像平滑作用较弱，抑制噪声的能力差；σ较大时，会导致高斯半滑模板增大，使边缘位置偏移严重，增加运算量；
步骤(2)中所述全局姿态特征具体表示公式如下：
Fmid＝ρ(M,w,b) (2)
式中，ρ(,)表示多次ShuffleBlock，M表示输入的图片，w和b表示可学习的卷积核和偏置；
步骤(2)中所述反卷积操作具体公式如下：
F0＝f-1(Fmid,w,b) (3)
式中，F0代表一个维度为(17,n,m)的张量，17表示关键点个数，n和m表示特征图的宽和高；
步骤(2)中所述解码处理具体公式如下：
Ji＝Max(F0(i)) (4)
式中，Ji代表第i个关键点，F0(i)表示第i张关键点特征图。
6.根据权利要求1所述的一种基于安防大脑的校园安全防控***，其特征在于，所述日志监测模块风险监测具体步骤如下：
步骤Ⅰ：日志监测模块依据主控平台类型部署相关采集插件或通过syslog服务器获取主控平台中所记录的日志数据，采集各组日志数据中管理人员在***中的各类活动；
步骤Ⅱ：选择出满足预设条件要求的日志数据，再将满足要求的日志数据处理为统一格式的日志数据，按照顺序对日志数据执行相关处理操作，并将用户操作行为与攻击者行为特征进行匹配，并将匹配结果进行输出；
步骤Ⅲ：若同一设备的日志匹配输出结果满足多个预设告警条件，或同一设备的多条日志匹配输出结果共同满足统一预设告警条件,则进行风险告警，再生成相对应的告警信息，同时对该条告警的风险分数进行计算，并将计算结果进行输出。
7.根据权利要求6所述的一种基于安防大脑的校园安全防控***，其特征在于，步骤Ⅲ中所述风险分数具体计算公式如下：
Figure FDA0004115014240000051
式中，Ri代表规则重要程度，Rm代表规则历史命中次数，Rn代表命中规则数，S代表告警风险系数，AS代表资产重要性，Vi代表漏洞严重程度。
CN202310216272.4A 2023-03-08 2023-03-08 一种基于安防大脑的校园安全防控*** Pending CN116070915A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310216272.4A CN116070915A (zh) 2023-03-08 2023-03-08 一种基于安防大脑的校园安全防控***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310216272.4A CN116070915A (zh) 2023-03-08 2023-03-08 一种基于安防大脑的校园安全防控***

Publications (1)

Publication Number Publication Date
CN116070915A true CN116070915A (zh) 2023-05-05

Family

ID=86183857

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310216272.4A Pending CN116070915A (zh) 2023-03-08 2023-03-08 一种基于安防大脑的校园安全防控***

Country Status (1)

Country Link
CN (1) CN116070915A (zh)

Similar Documents

Publication Publication Date Title
CN111444828A (zh) 一种模型训练的方法、目标检测的方法、装置及存储介质
US11734954B2 (en) Face recognition method, device and electronic equipment, and computer non-volatile readable storage medium
CN113901911B (zh) 图像识别、模型训练方法、装置、电子设备及存储介质
CN113177968A (zh) 目标跟踪方法、装置、电子设备及存储介质
CN116188821A (zh) 版权检测方法、***、电子设备和存储介质
CN112307886A (zh) 行人重识别方法和装置
CN114550053A (zh) 一种交通事故定责方法、装置、计算机设备及存储介质
CN110941978B (zh) 一种未识别身份人员的人脸聚类方法、装置及存储介质
CN114092759A (zh) 图像识别模型的训练方法、装置、电子设备及存储介质
CN108288025A (zh) 一种车载视频监控方法、装置及设备
CN109982088B (zh) 图像处理方法及装置
CN111967406A (zh) 人体关键点检测模型生成方法、***、设备和存储介质
CN115329265A (zh) 图码轨迹关联度确定方法、装置、设备及存储介质
KR102653485B1 (ko) 화재 감지를 위한 화재 감지 모델을 구축하는 전자 장치 및 그 방법
CN112528825A (zh) 一种基于图像识别的车站乘客招援服务方法
CN116863116A (zh) 基于人工智能的图像识别方法、装置、设备及介质
CN116070915A (zh) 一种基于安防大脑的校园安全防控***
CN115641607A (zh) 电力施工现场作业人员穿戴行为检测方法、装置、设备及存储介质
CN114360064A (zh) 基于深度学习的办公场所人员行为轻量级目标检测方法
US20210097394A1 (en) Method and apparatus for compressing deep learning model
CN111160197A (zh) 人脸检测方法、装置、电子设备、存储介质
CN115238805B (zh) 异常数据识别模型的训练方法及相关设备
CN113780322B (zh) 一种安全检测的方法和装置
CN116708313B (zh) 流量检测方法、流量检测装置、存储介质和电子设备
CN115601401B (zh) 基于牲畜群体运动特性的跟踪计数方法及其相关设备

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