CN116740874A - 一种入侵检测方法及相关装置 - Google Patents
一种入侵检测方法及相关装置 Download PDFInfo
- Publication number
- CN116740874A CN116740874A CN202210197962.5A CN202210197962A CN116740874A CN 116740874 A CN116740874 A CN 116740874A CN 202210197962 A CN202210197962 A CN 202210197962A CN 116740874 A CN116740874 A CN 116740874A
- Authority
- CN
- China
- Prior art keywords
- intrusion
- intrusion detection
- detection device
- target
- suspected
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 594
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 54
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 15
- 238000004891 communication Methods 0.000 claims description 36
- 230000035945 sensitivity Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 7
- 239000000835 fiber Substances 0.000 claims description 7
- 239000013307 optical fiber Substances 0.000 claims description 7
- 238000001931 thermography Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 11
- 238000007726 management method Methods 0.000 description 10
- 238000012544 monitoring process Methods 0.000 description 9
- 238000006073 displacement reaction Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000004927 fusion Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000008447 perception Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 244000025254 Cannabis sativa Species 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
- G08B13/189—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems
- G08B13/194—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems
- G08B13/196—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems using television cameras
- G08B13/19602—Image analysis to detect motion of the intruder, e.g. by frame subtraction
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Burglar Alarm Systems (AREA)
Abstract
一种入侵检测方法,由入侵检测***执行,入侵检测***包括第一入侵检测装置和第二入侵检测装置,该方法包括:第二入侵检测装置接收第一入侵检测装置进行入侵检测所得的第一检测结果,第一检测结果表征疑似目标入侵设定区域;第二入侵检测装置通过基于视觉的人工智能AI算法判断疑似目标是否为入侵目标;当判断结果表征第二入侵检测装置不确定疑似目标是否为入侵目标时,第二入侵检测装置向第一入侵检测装置发送检测指示,以使第一入侵检测装置检测疑似目标是否为入侵目标,并获得第二检测结果。该方法通过三阶段协同检测,从而解决因为AI算法的准确率限制,导致周界入侵事件漏报的问题,实现漏报率和误报率整体达到较优。
Description
技术领域
本申请涉及人工智能(artificial intelligence,AI)技术领域,尤其涉及一种入侵检测方法、装置、计算设备集群、计算机可读存储介质以及计算机程序产品。
背景技术
入侵检测是指对是否有目标入侵设定区域进行检测。其中,入侵检测可以应用到铁路周界防护、边境管理、园区管理、社区管理等不同场景中。经过多年的探索,入侵检测已经由单一的电子脉冲、红外对射、振动光纤、智能视频技术,发展到以视频为基础的多种感知融合技术。其中,毫米波雷达和智能视频融合的技术方案具备探测范围广,探测灵敏度高,建设成本和维护成本相对较低的优点,成为一个主流的技术选择。
在毫米波雷达和智能视频融合的技术方案中,毫米波雷达探测到目标后,基于视频的AI算法对目标进行二次确认,以剔除将树木、草丛等非入侵的信号确定为入侵目标的误报事件。
在一些情况下,AI算法可能将入侵目标确认为非入侵目标,如此将导致告警漏报,进而对安防***产生巨大的挑战,难以满足业务的需求。
发明内容
本申请提供了一种入侵检测方法,该入侵检测方法通过第一入侵检测装置和第二入侵检测装置进行三阶段协同,解决因为AI算法的准确率限制,导致周界入侵事件漏报的问题,实现漏报率和误报率整体达到较优。本申请还提供了上述方法对应的第一入侵检测装置、第二入侵检测装置、入侵检测***以及计算设备集群、计算机可读存储介质以及计算机程序产品。
第一方面,本申请提供了一种入侵检测方法。该方法应用于入侵检测***。所述入侵检测***包括第一入侵检测装置和第二入侵检测装置。其中,第一入侵检测装置和第二入侵检测装置分别采用不同入侵检测技术实现入侵检测,也即入侵检测***通过多种感知融合进行入侵检测。
具体地,第二入侵检测装置接收第一入侵检测装置进行入侵检测所得的第一检测结果,该第一检测结果表征疑似目标入侵设定区域,然后第二入侵检测装置通过基于视觉的人工智能AI算法判断疑似目标是否为入侵目标,当第二入侵检测装置的判断结果表征第二入侵检测装置不确定疑似目标是否为入侵目标时,第二入侵检测装置向第一入侵检测装置发送检测指示,以使第一入侵检测装置检测疑似目标是否为入侵目标,并获得第二检测结果。
在该方法中,入侵检测可以分为三个阶段,在第一阶段,第一入侵检测装置进行入侵检测,获得第一检测结果,当第一检测结果表征疑似目标入侵设定区域时,第一入侵检测装置可以上报第一检测结果。在第二阶段,第二入侵检测装置可以根据第一检测结果,判断疑似目标是否为入侵目标。如此可以将第一入侵检测装置由于高灵敏度导致的误报率大幅降低。当判断结果表征第二入侵检测装置不确定疑似目标是否为入侵目标时,可以进入第三阶段,第一入侵检测装置检测疑似目标是否为入侵目标,如此可以解决因为AI算法的准确率限制,导致周界入侵事件漏报的问题,实现漏报率和误报率整体达到较优。
在一些可能的实现方式中,第二检测结果表征疑似目标为入侵目标。由于经过三阶段协同检测,该第二检测结果具有较高置信度。相应地,第二入侵检测装置可以接收第一入侵检测装置上报的第二检测结果,并上报告警消息。如此可以及时对入侵目标进行处理,实现周界防护。
在一些可能的实现方式中,第二入侵检测装置还可以接收目标上报类型,该目标上报类型包括初次上报或非初次上报。相应地,当目标上报类型为初次上报时,第二入侵检测装置需要进一步判断该疑似目标是否为入侵目标,具体地,第二入侵检测装置可以通过基于视觉的AI算法判断该疑似目标是否为入侵目标。当目标上报类型为非初次上报时,例如是在第三阶段,第一入侵检测装置检测疑似目标是否为入侵目标之后上报,则第二入侵检测装置可以无需再进行判断操作,可以直接上报告警消息。
在该方法中,第一入侵检测装置通过上报目标上报类型,使得第二入侵检测装置可以根据该目标上报类型决定判断疑似目标是否为入侵目标,或者是上报告警消息,避免了初次上报时未经过复检,直接上报告警消息导致的误报,保障了入侵检测的准确度。
在一些可能的实现方式中,所述第二入侵检测装置部署在摄像头上。该摄像头为智能摄像头,智能摄像头可以执行基于视觉的AI算法,判断疑似目标是否为入侵目标。由于智能摄像头可以直接执行上述AI算法,对抓拍的图像或视频进行识别或分析,减少了传输开销,而且节省了传输时间,提高了检测效率。
在一些可能的实现方式中,第二入侵检测装置部署在计算设备集群上。相应地,第二入侵检测装置可以从摄像头(例如是非智能摄像头,也即普通摄像头)获取待检测图像,第二入侵检测装置通过基于视觉的AI算法识别待检测图像,以判断疑似目标是否为入侵目标。
在该方法中,第二入侵检测装置可以利用计算设备集群提供的强大算力进行并行计算,缩短第二入侵检测装置判断疑似目标是否为入侵目标的时间,从而提高检测效率。
在一些可能的实现方式中,第一检测结果由所述第一入侵检测装置通过雷达、热成像、振动光纤中的一种或多种进行入侵检测得到。换言之,第一入侵检测装置可以是雷达、热成像仪、光纤振动入侵探测装置中的一种或多种。
如此,该方法可以将视觉以外的其他感知与视觉融合,进行三阶段协同入侵检测,一方面可以实现误报率和漏报率整体达到较优,满足业务的需求,另一方面可以适用于不同场景,具有较好兼容性和较高可用性。
在一些可能的实现方式中,第一入侵检测装置进行入侵检测时的灵敏度高于第一入侵检测装置检测疑似目标是否为所述入侵目标时的灵敏度。通过这种差异化设置进行检测,如果两次检测均表明入侵发生,则具有较高可信度,保障了检测结果的可靠性。
在一些可能的实现方式中,设定区域包括周界、园区或社区中的一种或多种。如此可以实现铁路周界防护、边境管理、园区管理、社区管理等不同场景,满足不同场景下的安防需求。
第二方面,本申请提供了一种入侵检测方法。该方法应用于入侵检测***。所述入侵检测***包括第一入侵检测装置和第二入侵检测装置。其中,第一入侵检测装置和第二入侵检测装置分别采用不同入侵检测技术实现入侵检测,也即入侵检测***通过多种感知融合进行入侵检测。
具体地,第一入侵检测装置进行入侵检测,获得第一检测结果,该第一检测结果表征疑似目标入侵设定区域,然后第一入侵检测装置将第一检测结果发送至第二入侵检测装置,以使第二入侵检测装置通过基于视觉的人工智能AI算法判断疑似目标是否为入侵目标,第二入侵检测装置的判断结果表征第二入侵检测装置不确定疑似目标是否为入侵目标时,第一入侵检测装置接收第二入侵检测装置发送的检测指示,接着第一入侵检测装置检测疑似目标是否入侵目标,并获得第二检测结果。
在该方法中,第一入侵检测装置通过与第二入侵检测装置协同实现三阶段入侵检测,解决因为AI算法的准确率限制,导致周界入侵事件漏报的问题,实现漏报率和误报率整体达到较优。
在一些可能的实现方式中,第二检测结果表征疑似目标为入侵目标。相应地,第一入侵检测装置还可以向第二入侵检测装置上报第二入侵检测结果,以便于第二入侵检测装置可以根据该第二入侵检测结果上报告警消息。如此,可以降低第二入侵检测装置的漏报率,保障周界安全。
在一些可能的实现方式中,第一入侵检测装置还可以向第二入侵检测装置发送目标上报类型,该目标上报类型包括初次上报或非初次上报。如此可以使得第二入侵检测装置根据该目标上报类型决定判断疑似目标是否为入侵目标,或者是上报告警消息,避免了初次上报时未经过复检,直接上报告警消息导致的误报,保障了入侵检测的准确度。
在一些可能的实现方式中,第一入侵检测装置可以通过雷达、热成像、振动光纤中的一种或多种进行入侵检测得到第一检测结果。该方法通关将视觉以外的其他感知与视觉融合,进行三阶段协同入侵检测,一方面可以实现误报率和漏报率整体达到较优,满足业务的需求,另一方面可以适用于不同场景,具有较好兼容性和较高可用性。
在一些可能的实现方式中,第一入侵检测装置进行入侵检测时的灵敏度高于第一入侵检测装置检测疑似目标是否为入侵目标时的灵敏度。通过差异化设置进行检测,可以提高检测结果的可信度,保障检测结果的可靠性。
在一些可能的实现方式中,设定区域包括周界、园区或社区中的一种或多种。如此可以实现铁路周界防护、边境管理、园区管理、社区管理等不同场景,满足不同场景下的安防需求。
第三方面,本申请提供了一种第一入侵检测装置。所述装置包括:
检测模块,用于进行入侵检测,获得第一检测结果,所述第一检测结果表征疑似目标入侵设定区域;
通信模块,用于将所述第一检测结果发送至第二入侵检测装置,以使所述第二入侵检测装置通过基于视觉的人工智能AI算法判断所述疑似目标是否为入侵目标;
所述通信模块,还用于所述第二入侵检测装置的判断结果表征所述第二入侵检测装置不确定所述疑似目标是否为入侵目标时,接收所述第二入侵检测装置发送的检测指示;
所述检测模块,还用于检测所述疑似目标是否所述入侵目标,并获得第二检测结果。
在一些可能的实现方式中,所述第二检测结果表征所述疑似目标为所述入侵目标;
所述通信模块还用于:
向所述第二入侵检测装置上报所述第二入侵检测结果。
在一些可能的实现方式中,所述通信模块还用于:
向所述第二入侵检测装置发送目标上报类型,所述目标上报类型包括初次上报或非初次上报。
在一些可能的实现方式中,所述检测模块具体用于:
通过雷达、热成像、振动光纤中的一种或多种进行入侵检测得到第一检测结果。
在一些可能的实现方式中,所述检测模块进行入侵检测时的灵敏度高于所述检测模块检测所述疑似目标是否为所述入侵目标时的灵敏度。
在一些可能的实现方式中,所述设定区域包括周界、园区或社区中的一种或多种。
第四方面,本申请提供了一种第二入侵检测装置。所述装置包括:
通信模块,用于接收第一入侵检测装置进行入侵检测所得的第一检测结果,所述第一检测结果表征疑似目标入侵设定区域;
判断模块,用于通过基于视觉的人工智能AI算法判断所述疑似目标是否为入侵目标;
所述通信模块,还用于判断结果表征所述第二入侵检测装置不确定所述疑似目标是否为所述入侵目标时,向所述第一入侵检测装置发送检测指示,以使所述第一入侵检测装置检测所述疑似目标是否为所述入侵目标,并获得第二检测结果。
在一些可能的实现方式中,所述第二检测结果表征所述疑似目标为所述入侵目标;
所述通信模块还用于:
接收所述第一入侵检测装置上报的所述第二检测结果,并上报告警消息。
在一些可能的实现方式中,所述通信模块还用于:
接收目标上报类型,所述目标上报类型包括初次上报或非初次上报;
所述判断模块具体用于:
当所述目标上报类型为初次上报时,通过基于视觉的AI算法判断所述疑似目标是否为入侵目标;
所述通信模块具体用于:
当所述目标上报类型为非初次上报时,上报告警消息。
在一些可能的实现方式中,所述第二入侵检测装置部署在摄像头上。
在一些可能的实现方式中,所述第二入侵检测装置部署在计算设备集群上;
所述通信模块还用于:
从摄像头获取待检测图像;
所述判断模块具体用于:
通过基于视觉的AI算法识别所述待检测图像,以判断所述疑似目标是否为入侵目标。
在一些可能的实现方式中,所述设定区域包括周界、园区或社区中的一种或多种。
第五方面,本申请提供了一种入侵检测***。所述***包括:
第一入侵检测装置,用于进行入侵检测所得的第一检测结果,所述第一检测结果表征疑似目标入侵设定区域;
第二入侵检测装置,用于接收所述第一检测结果,通过基于视觉的人工智能AI算法判断所述疑似目标是否为入侵目标,当所述第二入侵检测装置的判断结果表征所述第二入侵检测装置不确定所述疑似目标是否为所述入侵目标时,向所述第一入侵检测装置发送检测指示;
所述第一入侵检测装置,还用于检测所述疑似目标是否为所述入侵目标,并获得第二检测结果。
第六方面,本申请提供一种计算设备集群。所述计算设备集群包括至少一台计算设备,所述至少一台计算设备包括至少一个处理器和至少一个存储器。所述至少一个处理器、所述至少一个存储器进行相互的通信。所述至少一个处理器用于执行所述至少一个存储器中存储的指令,以使得计算设备或计算设备集群执行如第一方面的入侵检测方法中由第二入侵检测装置执行的步骤。
第七方面,本申请提供一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,所述指令指示计算设备或计算设备集群执行上述第一方面的入侵检测方法中由第二入侵检测装置执行的步骤。
第八方面,本申请提供了一种包含指令的计算机程序产品,当其在计算设备或计算设备集群上运行时,使得计算设备或计算设备集群执行上述第一方面的入侵检测方法中由第二入侵检测装置执行的步骤。
本申请在上述各方面提供的实现方式的基础上,还可以进行进一步组合以提供更多实现方式。
附图说明
为了更清楚地说明本申请实施例的技术方法,下面将对实施例中所需使用的附图作以简单地介绍。
图1A为本申请实施例提供的一种入侵检测***的架构示意图;
图1B为本申请实施例提供的另一种入侵检测***的架构示意图;
图2为本申请实施例提供的一种入侵检测方法的交互流程图;
图3为本申请实施例提供的一种第一入侵检测装置的结构示意图;
图4为本申请实施例提供的一种第二入侵检测装置的结构示意图;
图5为本申请实施例提供的一种计算设备集群的结构示意图。
具体实施方式
本申请实施例中的术语“第一”、“第二”仅用于描述目的,而不能理解为指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该特征。
首先对本申请实施例中所涉及到的一些技术术语进行介绍。
周界防护,也称作周界入侵防护,具体是指对入侵周界的目标进行检测以及控制,从而实现对周界内的区域的防护。周界具体是指控制或管制区域的边界。在一些实施例中,周界可以是铁路周界、机场周界、仓库周界、边境线。其中,机场周界、仓库周界通常是围界型控制区域的周界。在另一些实施例中,周界也可以是园区型控制区域的边界,例如,周界可以是园区周界、社区周界等等。
入侵检测,也称作入侵目标检测,具体是指对是否有目标入侵设定区域(例如上述控制区域或管制区域)进行检测。入侵检测是周界防护的基础,入侵检测的准确度直接影响着周界防护的效果。
由于探测范围广,探测灵敏度高,建设成本和维护成本相对较低,毫米波雷达和智能视频融合进行入侵检测的方案在业界得到广泛应用。其中,毫米波雷达和智能视频融合是指毫米波雷达进行入侵检测,当检测到疑似目标时,通知摄像机进行抓拍,然后采用基于视觉(例如是视频或图像)的AI算法判断疑似目标是否为入侵目标。当毫米波雷达未检测出疑似目标时,可以造成入侵目标漏检,从而引起安全风险。为此,毫米波雷达通常会设置足够高的灵敏度,避免漏检事件发生。
该方法通过采用AI算法对疑似目标是否为入侵目标进行判断,可以剔除将树木、草丛等非入侵的信号确定为入侵目标的误报事件,解决了毫米波雷达检测灵敏度过高,导致误报率较高的问题。然而,AI算法的准确度难以达到100%,在有些情况下,可以将入侵目标确认为非入侵目标,进而导致告警漏报,影响安全性。
有鉴于此,本申请实施例提供了一种入侵检测方法。该方法由入侵检测***执行。参见图1A所示的入侵检测***的架构图,入侵检测***100包括多种入侵检测装置,为了便于描述,本申请实施例将多种入侵检测装置分别称作第一入侵检测装置102和第二入侵检测装置104。第一入侵检测装置102和第二入侵检测装置104为通过不同入侵检测技术进行入侵检测的装置。
在图1A的示例中,第一入侵检测装置102可以为雷达,雷达通过发射电磁波,并基于反射回来的电磁波进行目标入侵检测。第二入侵检测装置104通过基于视觉的AI算法(例如为基于视频的AI算法或基于图像的AI算法)进行入侵检测。在本申请实施例其他可能的实现方式中,第一入侵检测装置102也可以通过其他技术进行入侵检测。例如,第一入侵检测装置102可以为热成像仪,此时,第一入侵检测装置102可以通过热成像进行入侵检测。又例如,第一入侵检测装置102可以是光纤振动入侵探测装置,此时,第一入侵检测装置102可以通过光纤振动进行入侵检测。
本申请实施例的入侵检测方法可以分为三个阶段。下面分别对三个阶段进行说明。
第一阶段:第一入侵检测装置102进行入侵检测,获得第一检测结果。该第一检测结果表征疑似目标入侵设定区域。其中,疑似目标是指被识别为入侵目标的置信度高于预设置信度的目标。预设置信度可以根据经验值设置,例如可以设置为0.99。设定区域是指周界所限定的区域。
第二阶段:第二入侵检测装置104接收第一入侵检测装置102上报的第一检测结果,通过基于视觉的AI算法判断所述疑似目标是否为入侵目标。当第二入侵检测装置104的判断结果表征第二入侵检测装置104不确定所述疑似目标是否为入侵目标时,所述第二入侵检测装置104向所述第一入侵检测装置102发送检测指示,进入第三阶段。
第三阶段:第一入侵检测装置102检测所述疑似目标是否为入侵目标,并获得第二检测结果。
进一步地,入侵检测***100还可以包括报警器106。该报警器106可以是声光报警器、蜂鸣器等,图1A以声光报警器进行示例说明。当第一入侵检测装置102在第三阶段的检测结果为疑似目标是入侵目标时,报警器106可以工作,进行报警提示。
在图1A所示实施例中,上述第二入侵检测装置104为软件装置,该软件装置部署在电子设备,如智能摄像头中,智能摄像头执行软件装置对应的程序代码,从而执行基于视觉的AI算法,判断疑似目标是否为入侵目标。
需要说明的是,参见图1B所示的另一种入侵检测***100的架构图,第二入侵检测装置104也可以部署在计算设备集群中,该第二入侵检测装置104也称作视频监控平台。该计算设备集群可以包括至少一台计算设备,该计算设备可以为服务器,例如是云服务器,或者物理服务器。其中,计算设备集群为云计算集群时,第二入侵检测装置104可以部署在云计算集群中的一台或多台云服务器上。该入侵检测***100还包括摄像头108。该摄像头108用于捕捉视频或图像,例如捕捉疑似目标的视频或图像,然后将该视频或图像传递至第二入侵检测装置104,以便于计算设备集群执行第二入侵检测装置104对应的程序代码,从而执行基于视觉的AI算法判断第一检测结果中的疑似目标是否为入侵目标。需要说明的是,在图1B所示场景中,摄像头108可以为非智能摄像头(也可以称作普通摄像头),非智能摄像头通常不具有执行基于视觉的AI算法能力。在本申请实施例其他可能的实现方式中,摄像头108也可以是智能摄像头。
进一步地,该入侵检测***100还包括入侵告警平台109。该入侵告警平台109可以部署在计算设备集群中。图1B以视频监控平台、入侵告警平台109部署在同一计算设备集群进行示例说明,在本申请实施例其他可能的实现方式中,视频监控平台、入侵告警平台109也可以部署在不同计算设备集群。其中,视频监控平台采用基于视觉的AI算法,判断疑似目标是否为入侵目标。当视频监控平台的判断结果表征该视频监控平台不确定疑似目标是否为入侵目标时,视频监控平台可以向第一入侵检测装置102(如雷达)发送检测指示,由第一入侵检测装置102检测疑似目标是否为入侵目标,并获得第二检测结果。当该第二检测结果表征疑似目标为入侵目标时,第一入侵检测装置102可以向视频监控平台上报第二检测结果,视频监控平台根据该第二检测结果,向入侵告警平台109上报告警消息,相应地,入侵告警平台109还可以控制报警器106进行报警提示。
在一些可能的实现方式中,第二入侵检测装置104也可以是具有入侵检测功能的硬件装置。例如,第二入侵检测装置可以是智能摄像头或者是计算设备集群。
下面结合附图,从第一入侵检测装置102、第二入侵检测装置104交互的角度,对本申请实施例的入侵检测方法进行详细介绍。
参见图2所示的入侵检测方法的流程图,该方法包括:
S202:第一入侵检测装置102进行入侵检测,获得第一检测结果。
第一入侵检测装置102可以为雷达、热成像仪或者是光纤振动入侵探测装置。当第一入侵检测装置102为雷达时,该第一入侵检测装置102可以通过发射电磁波,然后接收返回的电磁波,基于发射的电磁波和返回的电磁波进行入侵目标检测,获得第一检测结果。当第一入侵检测装置102为热成像仪时,该第一入侵检测装置102通过发出红外线,进行感光成像,基于感光成像的结果进行入侵目标检测,获得第一检测结果。当第一入侵检测装置102为光纤振动入侵探测装置时,第一入侵检测装置102可以通过采集光纤的振动信号,根据振动信号进行频谱分析,从而实现入侵目标检测,获得第一检测结果。
在本实施例中,第一检测结果表征疑似目标入侵设定区域。其中,设定区域是指周界所限定的区域。例如,在铁路周界防护场景中,设定区域可以是围栏所限定的区域。又例如,园区管理场景中,设定区域可以是园区,或者是园区内的指定区域,该指定区域例如可以是实验室等区域。
第一检测结果中可以包括疑似目标的位置信息。其中,疑似目标的位置信息可以通过疑似目标的坐标表征。在一些可能的实现方式中,第一检测结果还可以包括疑似目标的置信度,该置信度用于表征该疑似目标入侵设定区域的概率,其中,疑似目标入侵设定区域的概率可以是设定区域发生入侵的概率。考虑到可能存在多个疑似目标的情况,第一检测结果中还可以包括疑似目标的标识(identifer,ID)。基于此,第一检测结果可以包括疑似目标的ID、位置信息和置信度。当置信度大于设定的置信度阈值时,表明疑似目标入侵设定区域。置信度阈值可以根据经验值设置,例如可以设置为0.95。
S204:第一入侵检测装置102向第二入侵检测装置104上报第一检测结果。
具体地,第一入侵检测装置102可以通过网口适用的网络协议,如以太网口(Ethernet port)适用的以太网协议,或者无线网口适用的无线局域网(wireless localarea network,WLAN)协议,向第二入侵检测装置104上报第一检测结果。
其中,第一入侵检测装置102可以对第一检测结果中的位置信息进行处理,例如,可以将位置信息转换到通过视频进行监控的摄像头所在的坐标系,获得转动变倍变焦(Pan/Tilt/Zoom,PTZ)信息,以便于摄像头基于PTZ信息实时抓拍上述疑似目标,第二入侵检测装置104根据抓拍的图像或视频,采用基于视觉的AI算法判断疑似目标是否为入侵目标。
在一些可能的实现方式中,第一入侵检测装置102还可以将第一检测结果上报入侵告警平台。其中,入侵告警平台是指对目标入侵产生的告警进行管理的平台。入侵告警平台可以记录上述第一检测结果,以便后续基于第一检测结果对第一入侵检测装置102的参数进行调整。
S206:第二入侵检测装置104通过基于视觉的AI算法判断疑似目标是否为入侵目标。当判断结果表征第二入侵检测装置104不确定疑似目标是否为入侵目标时,执行S208。
第一入侵检测装置在102进行入侵检测时,如果发生漏检,将导致整个入侵检测***100漏检。在很多场景中,例如铁路周界防护中,一般要求保障较低的漏报率,为此,第一入侵检测装置102通常设置较高的灵敏度,以避免漏检事件发生。然而,灵敏度越高,第一入侵检测装置102越容易将一些非入侵的信号(如火车、树木、草丛、小动物)识别为入侵目标,如此引起误报,为运营人员带来困扰。因此,第二入侵检测装置104可以采用另一种检测手段判断疑似目标是否为入侵目标。
具体地,第二入侵检测装置104获取疑似目标的图像或视频,该图像或视频可以是摄像头根据疑似目标的位置信息如PTZ信息抓拍得到,然后第二入侵检测装置104可以采用基于视觉的AI算法,如图像识别算法、视频分析算法对疑似目标进行识别,判断疑似目标是否为入侵目标。具体实现时,第二入侵检测装置104可以将图像输入图像识别模型,或者将视频输入视频分析模型,通过图像识别模型或视频分析模型进行目标检测,例如通过图像识别模型或视频分析模型进行回归分析获得目标的位置信息,通过图像识别模型或视频分析模型中的分类器获得目标的类别信息。第二入侵检测装置104可以将通过基于视觉的AI算法获得的位置信息与第一检测结果中疑似目标的位置信息进行匹配,当匹配成功时,可以将基于视觉的AI算法获得的目标的类别信息作为判断结果。
其中,类别信息可以包括目标所属的类别以及目标属于该类别的置信度。其中,上述类别信息中的类别可以包括预设的入侵类别。在一些实施例中,入侵类别可以包括人、飞行器、遥控车等。为了便于理解,下面结合一具体示例说明。在该示例中,第二入侵检测装置104的判断结果可以为:飞行器,0.85;鸟,0.52。
其中,第二入侵检测装置104判断疑似目标是否为入侵目标的判断结果,可以包括三种情况,下面分别进行说明。
第一种情况:第二入侵检测装置104的判断结果表征该疑似目标为入侵目标。其中,第二入侵检测装置104可以通过从图像或视频中提取特征,根据特征确定疑似目标归属于各个类别的置信度。当疑似目标属于某一入侵目标(例如为人)的置信度大于置信度阈值时,则第二入侵检测装置104确定该疑似目标为入侵目标。在该情况下,第二入侵检测装置104可以产生告警消息,并上报告警消息,以提示用户存在入侵,需进行应急处理,避免产生事故。
第二种情况:第二入侵检测装置104的判断结果表征该疑似目标为非入侵目标。在该情况下,第二入侵检测装置104可以通知入侵告警平台,剔除第一入侵检测装置104上报的告警,避免误报增加运营人员的工作量。
其中,第二入侵检测装置104可以通过从图像或视频中提取特征,根据特征确定疑似目标归属于各个类别的置信度。当疑似目标属于某一非入侵目标(例如为火车)的置信度大于置信度阈值,则第二入侵检测装置104可以判断该疑似目标为非入侵目标。
进一步地,当第二入侵检测装置104通过基于视觉的AI算法判断疑似目标为非入侵目标时,还可以向第一入侵检测装置102反馈该疑似目标为非入侵目标,以便于第一入侵检测装置102可以根据反馈的信息进行调整或优化,从而提升检测准确度。
第三种情况:第二入侵检测装置104的判断结果表征第二入侵检测装置104不确定该疑似目标是否为入侵目标。在该情况下,第二入侵检测装置104可以将疑似目标作为待定目标,待定目标具体是指需要进一步检测的目标,然后由第一入侵检测装置102检测该疑似目标(或者待定目标)是否为入侵目标。
在本实施例中,第二入侵检测装置104可以通过从图像或视频中提取特征,根据特征确定疑似目标归属于各个类别的置信度。当疑似目标属于各类别的置信度均不大于置信度阈值时,则表明第二入侵检测装置104无法明确地判断该疑似目标为入侵目标或非入侵目标,因此,可以将其作为待定目标,由第一入侵检测装置102进行进一步检测。
S208:第二入侵检测装置104向第一入侵检测装置102发送检测指示。
S210:第一入侵检测装置102检测疑似目标是否为入侵目标,并获得第二检测结果。
具体地,第一入侵检测装置102可以结合疑似目标的位置信息,检测疑似目标是否为入侵目标。例如,第一入侵检测装置102为雷达时,第一入侵检测装置102可以根据疑似目标的位置信息向疑似目标所在方位发射电磁波,并接收返回的电磁波,根据发射的电磁波以及返回的电磁波确定疑似目标的速度、位移等运动状态信息。然后,将该运动状态信息与参考值进行比较,并获得第二检测结果。例如位移大于参考值时,第二检测结果表征该疑似目标为入侵目标,位移不大于参考值时,第二检测结果表征该疑似目标为非入侵目标。
需要说明的是,第一入侵检测装置102在检测疑似目标是否为入侵目标时,还可以降低灵敏度,使得第一入侵检测装置102进行入侵检测时的灵敏度高于所述第一入侵检测装置102检测疑似目标是否为入侵目标时的灵敏度。
以第一入侵检测装置102为雷达示例说明。在该示例中,第一阶段,位移的参考值可以设置为2m,也即候选目标的位移超过2m时,雷达判定该候选目标为入侵目标,第三阶段,位移的参考值可以设置为5m,当候选目标的位移超过5m时,雷达判定该候选目标为入侵目标。
S212:第一入侵检测装置102向第二入侵检测装置104发送第二检测结果。
S214:第二入侵检测装置104根据第二检测结果,上报告警消息。
当第二检测结果表征疑似目标为入侵目标时,第一入侵检测装置102还可以向第二入侵检测装置104(例如为智能摄像头)发送第二检测结果,并根据该第二检测结果上报告警消息至入侵告警平台,入侵告警平台指示报警器106工作,从而实现告警。
考虑到第二入侵检测装置104可以接收第一入侵检测装置102发送的针对一个目标的多个检测结果(如第一检测结果和第二检测结果),第二入侵检测装置104还可以接收目标上报类型。该目标上报类型可以包括初次上报或非初次上报(例如是在第三阶段上报),当目标上报类型为初次上报时,表明该检测结果为第一检测结果,第二入侵检测装置104可以通过基于视觉的AI算法判断疑似目标是否为入侵目标。当目标上报类型为非初次上报时,表明该检测结果为第二检测结果,第二入侵检测装置104可以不再执行判断操作,直接上报告警消息。
需要说明的是,上述S212至S214为本申请实施例的可选步骤,执行本申请实施例的入侵检测方法也可以不执行上述S212至S214。例如,当第二检测结果表征疑似目标为入侵目标时,第一入侵检测装置102可以直接上报告警消息至入侵告警平台。又例如,当第二检测结果表征疑似目标为非入侵目标时,第一入侵检测装置102可以结束本轮入侵检测。
基于上述内容描述,本申请实施例提供了一种入侵检测方法。该入侵检测方法为三阶段协同的方法。在第一阶段,第一入侵检测装置102进行入侵检测,获得第一检测结果,当第一检测结果表征疑似目标入侵设定区域时,第一入侵检测装置102可以上报第一检测结果。在第二阶段,第二入侵检测装置102可以根据第一检测结果,判断疑似目标是否为入侵目标。如此可以将第一入侵检测装置102由于高灵敏度导致的误报率大幅降低。当判断结果表征第二入侵检测装置104不确定疑似目标是否为入侵目标时,可以进入第三阶段,第一入侵检测装置102检测疑似目标是否为入侵目标,如此可以解决因为AI算法的准确率限制,导致周界入侵事件漏报的问题,实现漏报率和误报率整体达到较优。
基于本申请实施例提供的入侵检测方法,本申请实施例还提供了一种如前述的第一入侵检测装置102、第二入侵检测装置104、入侵检测***100。下面将结合附图对本申请实施例提供的装置、***进行介绍。
首先,参见图3所示的第一入侵检测装置102的结构示意图,该装置102包括:
检测模块1022,用于进行入侵检测,获得第一检测结果,所述第一检测结果表征疑似目标入侵设定区域;
通信模块1024,用于将所述第一检测结果发送至第二入侵检测装置,以使所述第二入侵检测装置通过基于视觉的人工智能AI算法判断所述疑似目标是否为入侵目标;
所述通信模块1024,还用于所述第二入侵检测装置的判断结果表征所述第二入侵检测装置不确定所述疑似目标是否为所述入侵目标时,接收所述第二入侵检测装置发送的检测指示;
所述检测模块1022,还用于检测所述疑似目标是否所述入侵目标,并获得第二检测结果。
在一些可能的实现方式中,所述第二检测结果表征所述疑似目标为所述入侵目标;
所述通信模块1024还用于:
向所述第二入侵检测装置上报所述第二入侵检测结果。
在一些可能的实现方式中,所述通信模块1024还用于:
向所述第二入侵检测装置发送目标上报类型,所述目标上报类型包括初次上报或非初次上报。
在一些可能的实现方式中,所述检测模块1022具体用于:
通过雷达、热成像、振动光纤中的一种或多种进行入侵检测得到第一检测结果。
在一些可能的实现方式中,所述检测模块1022进行入侵检测时的灵敏度高于所述检测模块1022检测所述疑似目标是否为所述入侵目标时的灵敏度。
在一些可能的实现方式中,所述设定区域包括周界、园区或社区中的一种或多种。
根据本申请实施例的第一入侵检测装置102可对应于执行本申请实施例中描述的方法,并且第一入侵检测装置102的各个模块/单元的上述和其它操作和/或功能分别为了实现图2所示实施例中的各个方法的相应流程,为了简洁,在此不再赘述。
其次,参见图4所示的第二入侵检测装置104的结构示意图,该装置104包括:
通信模块1042,用于接收第一入侵检测装置进行入侵检测所得的第一检测结果,所述第一检测结果表征疑似目标入侵设定区域;
判断模块1044,用于通过基于视觉的人工智能AI算法判断所述疑似目标是否为入侵目标;
所述通信模块1042,还用于判断结果表征所述第二入侵检测装置不确定所述疑似目标是否为所述入侵目标时,向所述第一入侵检测装置发送检测指示,以使所述第一入侵检测装置检测所述疑似目标是否为所述入侵目标,并获得第二检测结果。
在一些可能的实现方式中,所述第二检测结果表征所述疑似目标为所述入侵目标;
所述通信模块1042还用于:
接收所述第一入侵检测装置上报的所述第二检测结果,并上报告警消息。
在一些可能的实现方式中,所述通信模块1042还用于:
接收目标上报类型,所述目标上报类型包括初次上报或非初次上报;
所述判断模块1044具体用于:
当所述目标上报类型为初次上报时,通过基于视觉的AI算法判断所述疑似目标是否为入侵目标;
所述通信模块1042具体用于:
当所述目标上报类型为非初次上报时,上报告警消息。
在一些可能的实现方式中,所述第二入侵检测装置104部署在摄像头上。
在一些可能的实现方式中,所述第二入侵检测装置104部署在计算设备集群上;
所述通信模块1042还用于:
从摄像头获取待检测图像;
所述判断模块1044具体用于:
通过基于视觉的AI算法识别所述待检测图像,以判断所述疑似目标是否为入侵目标。
在一些可能的实现方式中,所述设定区域包括周界、园区或社区中的一种或多种。
根据本申请实施例的第二入侵检测装置104可对应于执行本申请实施例中描述的方法,并且第二入侵检测装置104的各个模块/单元的上述和其它操作和/或功能分别为了实现图2所示实施例中的各个方法的相应流程,为了简洁,在此不再赘述。
基于图3所示的第一入侵检测装置102,以及图4所示的第二入侵检测装置104,本申请实施例还提供了一种入侵检测***100。
参见图1A或图1B所示的入侵检测***100的结构示意图,入侵检测***100包括:
第一入侵检测装置102,用于进行入侵检测所得的第一检测结果,所述第一检测结果表征疑似目标入侵设定区域;
第二入侵检测装置104,用于接收所述第一检测结果,通过基于视觉的人工智能AI算法判断所述疑似目标是否为入侵目标,当所述第二入侵检测装置104的判断结果表征所述第二入侵检测装置104不确定所述疑似目标是否为所述入侵目标时,向所述第一入侵检测装置102发送检测指示;
所述第一入侵检测装置102,还用于检测所述疑似目标是否为所述入侵目标,并获得第二检测结果。
本申请实施例还提供一种计算设备集群。该计算设备集群包括至少一台计算设备,该至少一台计算设备中的任一台计算设备可以来自云环境或者边缘环境,也可以是终端设备。该计算设备集群具体用于实现如图2所示实施例中第二入侵检测装置102的功能。
图5提供了一种计算设备集群的结构示意图,如图5所示,计算设备集群50包括多台计算设备500,计算设备500包括总线501、处理器502、通信接口503和存储器504。处理器502、存储器504和通信接口503之间通过总线501通信。
总线501可以是外设部件互连标准(peripheral component interconnect,PCI)总线或扩展工业标准结构(extended industry standard architecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图5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502可以为中央处理器(central processing unit,CPU)、图形处理器(graphics processing unit,GPU)、微处理器(micro processor,MP)或者数字信号处理器(digital signal processor,DSP)等处理器中的任意一种或多种。
通信接口503用于与外部通信。例如,通信接口503用于接收第一入侵检测装置102进行入侵检测所得的第一检测结果,向第一入侵检测装置102发送检测指示,或者接收第一入侵检测装置102上报的第二检测结果等等。
存储器504可以包括易失性存储器(volatile memory),例如随机存取存储器(random access memory,RAM)。存储器504还可以包括非易失性存储器(non-volatilememory),例如只读存储器(read-only memory,ROM),快闪存储器,硬盘驱动器(hard diskdrive,HDD)或固态驱动器(solid state drive,SSD)。
存储器504中存储有计算机可读指令,处理器502执行该计算机可读指令,以使得计算设备集群50执行前述入侵检测方法中由第二入侵检测装置104执行的步骤(或实现前述第二入侵检测装置104的功能)。
具体地,在实现图4所示装置实施例的情况下,且图4中所描述的第二入侵检测装置104的各模块的功能为通过软件实现的情况下,执行图4中各模块的功能所需的软件或程序代码可以存储在计算设备集群50中的至少一个存储器504中。至少一个处理器502执行存储器504中存储的程序代码,以使得计算设备集群50执行前述入侵检测方法中由第二入侵检测装置104执行的步骤。
本申请实施例还提供了一种计算机可读存储介质。所述计算机可读存储介质可以是计算设备能够存储的任何可用介质或者是包含一个或多个可用介质的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)等。该计算机可读存储介质包括指令,所述指令指示计算设备或计算设备集群执行上述入侵检测方法中由第二入侵检测装置104执行的步骤。
本申请实施例还提供了一种计算机程序产品。所述计算机程序产品包括一个或多个计算机指令。在计算设备上加载和执行所述计算机指令时,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、计算设备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、计算设备或数据中心进行传输。所述计算机程序产品可以为一个软件安装包,在需要使用前述入侵检测方法的任一方法的情况下,可以下载该计算机程序产品并在计算设备或计算设备集群上执行该计算机程序产品。
上述各个附图对应的流程或结构的描述各有侧重,某个流程或结构中没有详述的部分,可以参见其他流程或结构的相关描述。
Claims (24)
1.一种入侵检测方法,其特征在于,应用于入侵检测***,所述入侵检测***包括第一入侵检测装置和第二入侵检测装置,所述方法包括:
所述第二入侵检测装置接收所述第一入侵检测装置进行入侵检测所得的第一检测结果,所述第一检测结果表征疑似目标入侵设定区域;
所述第二入侵检测装置通过基于视觉的人工智能AI算法判断所述疑似目标是否为入侵目标;
当所述第二入侵检测装置的判断结果表征所述第二入侵检测装置不确定所述疑似目标是否为所述入侵目标时,所述第二入侵检测装置向所述第一入侵检测装置发送检测指示,以使所述第一入侵检测装置检测所述疑似目标是否为所述入侵目标,并获得第二检测结果。
2.根据权利要求1所述的方法,其特征在于,所述第二检测结果表征所述疑似目标为所述入侵目标;
所述方法还包括:
所述第二入侵检测装置接收所述第一入侵检测装置上报的所述第二检测结果,并上报告警消息。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
所述第二入侵检测装置还接收目标上报类型,所述目标上报类型包括初次上报或非初次上报;
所述第二入侵检测装置通过基于视觉的AI算法判断所述疑似目标是否为入侵目标,包括:
当所述目标上报类型为初次上报时,所述第二入侵检测装置通过基于视觉的AI算法判断所述疑似目标是否为入侵目标;
所述第二入侵检测装置上报告警消息,包括:
当所述目标上报类型为非初次上报时,所述第二入侵检测装置上报告警消息。
4.根据权利要求1至3任一项所述的方法,其特征在于,所述第二入侵检测装置部署在摄像头上。
5.根据权利要求1至3任一项所述的方法,其特征在于,所述第二入侵检测装置部署在计算设备集群上;
所述第二入侵检测装置通过基于视觉的AI算法判断所述疑似目标是否为入侵目标,包括:
所述第二入侵检测装置从摄像头获取待检测图像;
所述第二入侵检测装置通过基于视觉的AI算法识别所述待检测图像,以判断所述疑似目标是否为入侵目标。
6.根据权利要求1至5任一项所述的方法,其特征在于,所述第一检测结果由所述第一入侵检测装置通过雷达、热成像、振动光纤中的一种或多种进行入侵检测得到。
7.根据权利要求1至6任一项所述的方法,其特征在于,所述第一入侵检测装置进行入侵检测时的灵敏度高于所述第一入侵检测装置检测所述疑似目标是否为所述入侵目标时的灵敏度。
8.根据权利要求1至7任一项所述的方法,其特征在于,所述设定区域包括周界、园区或社区中的一种或多种。
9.一种第一入侵检测装置,其特征在于,所述装置包括:
检测模块,用于进行入侵检测,获得第一检测结果,所述第一检测结果表征疑似目标入侵设定区域;
通信模块,用于将所述第一检测结果发送至第二入侵检测装置,以使所述第二入侵检测装置通过基于视觉的人工智能AI算法判断所述疑似目标是否为入侵目标;
所述通信模块,还用于所述第二入侵检测装置的判断结果表征所述第二入侵检测装置不确定所述疑似目标是否为所述入侵目标时,接收所述第二入侵检测装置发送的检测指示;
所述检测模块,还用于检测所述疑似目标是否所述入侵目标,并获得第二检测结果。
10.根据权利要求9所述的装置,其特征在于,所述第二检测结果表征所述疑似目标为所述入侵目标;
所述通信模块还用于:
向所述第二入侵检测装置上报所述第二入侵检测结果。
11.根据权利要求10所述的装置,其特征在于,所述通信模块还用于:
向所述第二入侵检测装置发送目标上报类型,所述目标上报类型包括初次上报或非初次上报。
12.根据权利要求9至11任一项所述的装置,其特征在于,所述检测模块具体用于:
通过雷达、热成像、振动光纤中的一种或多种进行入侵检测得到第一检测结果。
13.根据权利要求9至12任一项所述的装置,其特征在于,所述检测模块进行入侵检测时的灵敏度高于所述检测模块检测所述疑似目标是否为所述入侵目标时的灵敏度。
14.根据权利要求9至13任一项所述的装置,其特征在于,所述设定区域包括周界、园区或社区中的一种或多种。
15.一种第二入侵检测装置,其特征在于,所述装置包括:
通信模块,用于接收第一入侵检测装置进行入侵检测所得的第一检测结果,所述第一检测结果表征疑似目标入侵设定区域;
判断模块,用于通过基于视觉的人工智能AI算法判断所述疑似目标是否为入侵目标;
所述通信模块,还用于判断结果表征所述第二入侵检测装置不确定所述疑似目标是否为所述入侵目标时,向所述第一入侵检测装置发送检测指示,以使所述第一入侵检测装置检测所述疑似目标是否为所述入侵目标,并获得第二检测结果。
16.根据权利要求15所述的装置,其特征在于,所述第二检测结果表征所述疑似目标为所述入侵目标;
所述通信模块还用于:
接收所述第一入侵检测装置上报的所述第二检测结果,并上报告警消息。
17.根据权利要求16所述的装置,其特征在于,所述通信模块还用于:
接收目标上报类型,所述目标上报类型包括初次上报或非初次上报;
所述判断模块具体用于:
当所述目标上报类型为初次上报时,通过基于视觉的AI算法判断所述疑似目标是否为入侵目标;
所述通信模块具体用于:
当所述目标上报类型为非初次上报时,上报告警消息。
18.根据权利要求15至17任一项所述的装置,其特征在于,所述第二入侵检测装置部署在摄像头上。
19.根据权利要求15至17任一项所述的装置,其特征在于,所述第二入侵检测装置部署在计算设备集群上;
所述通信模块还用于:
从摄像头获取待检测图像;
所述判断模块具体用于:
通过基于视觉的AI算法识别所述待检测图像,以判断所述疑似目标是否为入侵目标。
20.根据权利要求15至19任一项所述的装置,其特征在于,所述设定区域包括周界、园区或社区中的一种或多种。
21.一种入侵检测***,其特征在于,所述***包括:
第一入侵检测装置,用于进行入侵检测所得的第一检测结果,所述第一检测结果表征疑似目标入侵设定区域;
第二入侵检测装置,用于接收所述第一检测结果,通过基于视觉的人工智能AI算法判断所述疑似目标是否为入侵目标,当所述第二入侵检测装置的判断结果表征所述第二入侵检测装置不确定所述疑似目标是否为所述入侵目标时,向所述第一入侵检测装置发送检测指示;
所述第一入侵检测装置,还用于检测所述疑似目标是否为所述入侵目标,并获得第二检测结果。
22.一种计算设备集群,其特征在于,所述计算设备集群包括至少一台计算设备,所述至少一台计算设备包括至少一个处理器和至少一个存储器,所述至少一个存储器中存储有计算机可读指令,所述至少一个处理器执行所述计算机可读指令,使得所述计算设备或所述计算设备集群执行如权利要求1至8任一项所述的方法中由第二入侵检测装置执行的步骤。
23.一种计算机可读存储介质,其特征在于,包括计算机可读指令,当所述计算机可读指令在计算设备或计算设备集群上运行时,使得所述计算设备或计算设备集群执行如权利要求1至8任一项所述的方法中由第二入侵检测装置执行的步骤。
24.一种计算机程序产品,其特征在于,包括计算机可读指令,当所述计算机可读指令在计算设备或计算设备集群上运行时,使得所述计算设备或计算设备集群执行如权利要求1至8任一项所述的方法中由第二入侵检测装置执行的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210197962.5A CN116740874A (zh) | 2022-03-01 | 2022-03-01 | 一种入侵检测方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210197962.5A CN116740874A (zh) | 2022-03-01 | 2022-03-01 | 一种入侵检测方法及相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116740874A true CN116740874A (zh) | 2023-09-12 |
Family
ID=87908386
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210197962.5A Pending CN116740874A (zh) | 2022-03-01 | 2022-03-01 | 一种入侵检测方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116740874A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116935551A (zh) * | 2023-09-18 | 2023-10-24 | 华诺星空技术股份有限公司 | 周界入侵检测方法、***、设备及存储介质 |
-
2022
- 2022-03-01 CN CN202210197962.5A patent/CN116740874A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116935551A (zh) * | 2023-09-18 | 2023-10-24 | 华诺星空技术股份有限公司 | 周界入侵检测方法、***、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10691949B2 (en) | Action recognition in a video sequence | |
CN111724558B (zh) | 一种监控方法、装置及入侵报警*** | |
CN110070155B (zh) | 一种基于可穿戴设备的服刑人员综合行为识别方法及*** | |
CN113721621B (zh) | 车辆控制方法、装置、电子设备以及存储介质 | |
CN113033521B (zh) | 基于目标分析的周界动态预警方法与*** | |
CN109614906A (zh) | 一种基于深度学习的安防***及安防报警方法 | |
CN113628404A (zh) | 一种减少无效告警的方法及装置 | |
CN102917207A (zh) | 基于运动序列的异常行为视觉监测*** | |
CN116743970B (zh) | 一种具有视频ai预警分析的智能管理平台 | |
KR20190035186A (ko) | 딥 러닝 기법을 활용한 지능형 무인 보안 시스템 | |
KR101454644B1 (ko) | 보행자 추적기를 이용한 서성거림을 탐지하는 방법 | |
CN116740874A (zh) | 一种入侵检测方法及相关装置 | |
CN115880631A (zh) | 一种配电站故障识别***、方法、介质 | |
CN111681399A (zh) | 多维立体安全防控方法、装置及*** | |
US7406216B2 (en) | Method and apparatus for distributed analyses of images | |
JP6978986B2 (ja) | 警報システム、警報制御装置及び警報方法 | |
CN108256502B (zh) | 基于图像处理的安保*** | |
KR102367584B1 (ko) | 스켈레톤 영상 분석 기법을 이용한 자동 영상 감시 시스템 | |
CN115601902A (zh) | 周界检测方法、装置、设备与*** | |
CN113689647A (zh) | 一种用于旅游安全危险区域的安全实时监控警示方法 | |
CN112738387A (zh) | 目标抓拍方法、装置及存储介质 | |
CN111409584A (zh) | 行人保护方法、装置、计算机设备和存储介质 | |
JP7492595B2 (ja) | 監視システム、解析装置及びaiモデル生成方法 | |
WO2014097699A1 (ja) | 情報処理システム、情報処理方法及びプログラム | |
CN116760943A (zh) | 多目标的拍摄方法、装置、***及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |