CN117540877A - 一种基于人工智能的安全事件预测与防范*** - Google Patents
一种基于人工智能的安全事件预测与防范*** Download PDFInfo
- Publication number
- CN117540877A CN117540877A CN202311744872.4A CN202311744872A CN117540877A CN 117540877 A CN117540877 A CN 117540877A CN 202311744872 A CN202311744872 A CN 202311744872A CN 117540877 A CN117540877 A CN 117540877A
- Authority
- CN
- China
- Prior art keywords
- module
- image data
- dynamic target
- area
- monitoring
- 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
- 230000002265 prevention Effects 0.000 title claims abstract description 27
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000004458 analytical method Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000012544 monitoring process Methods 0.000 claims description 117
- 238000012806 monitoring device Methods 0.000 claims description 44
- 230000003993 interaction Effects 0.000 claims description 30
- 238000011156 evaluation Methods 0.000 claims description 17
- 238000007621 cluster analysis Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 14
- 230000000694 effects Effects 0.000 abstract description 12
- 230000015572 biosynthetic process Effects 0.000 abstract 1
- 238000012423 maintenance Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- 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
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Computer Security & Cryptography (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Entrepreneurship & Innovation (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及数据处理技术领域，具体涉及一种基于人工智能的安全事件预测与防范***，包括采集层、分析层及预测层；目标区域的布局参数及目标区域的监控设备监控影像数据通过采集层采集，采集层同步基于采集的目标区域的布局参数评估监控设备关联区域盲区率，本发明借助用户群体出行活动存在成群结队的特性，对用户群体进行识别认定，并在群体认定识别后进一步配置有人脸识别过程，从而使得认定的群体于***中具有较高的辨识度，进而在群体出现变更、变化时，能够通过该***自主察觉，最终以此作为安全事件预测的主要数据支持，确保可能存在安全事件的用户出行活动对应的群体能够被***捕捉，进一步起到一定程度的防范效果。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及一种基于人工智能的安全事件预测与防范***。
背景技术
公共场所的安全通常由监控设备进行实时监测，再由公共场所管理人员日常巡检或报警的方式，对已发生的安全事件进行遏制及处理。
目前的公共场所安全事件的预防及维护，仍存在较大的延时性，无法对安全事件作出一定程度的主动预见及安全事件证据的精准采集。
发明内容
针对现有技术所存在的上述缺点，本发明提供了一种基于人工智能的安全事件预测与防范***，解决了上述背景技术中提出的技术问题。
为实现以上目的，本发明通过以下技术方案予以实现：
一种基于人工智能的安全事件预测与防范***，包括采集层、分析层及预测层；
目标区域的布局参数及目标区域的监控设备监控影像数据通过采集层采集，采集层同步基于采集的目标区域的布局参数评估监控设备关联区域盲区率，分析层获取采集层中评估得到的监控设备关联区域盲区率，基于盲区率执行采集层采集的监控影像数据的降序队列生成，进一步通过生成的监控影像数据降序队列于采集层中接收监控影像数据，并对监控影像数据进行动态目标识别，以动态目标识别结果分析动态目标集群，预测层实时接收分析层中动态目标集群分析结果，基于动态目标集群分析结果预测安全事件是否存在；
所述分析层包括生成模块、接收模块及识别模块，生成模块用于接收采集层中评估得到的监控设备关联区域盲区率，基于盲区率大小对监控设备进行降序排列，接收模块用于接收采集层中采集的监控影像数据，识别模块用于获取接收模块中接收的监控影像数据，于监控影像数据中抓取图像数据，应用监控影像数据进行动态目标识别，应用图像数据进行动态目标人脸相似性识别，基于动态目标识别结果及动态目标人脸相似性识别结果分析动态目标集群；
所述识别模块中动态目标人脸相似性识别逻辑表示为：；
式中：为动态目标人脸b与动态目标人脸d的相似性；/>为动态目标人脸图像中识别区域的集合；/>为d组动态目标人脸中第q个识别区域的特征向量；/>为b组动态目标人脸中第q个识别区域的特征向量；/>为偏置；/>为d组动态目标人脸图像基于R、G、B三通道的平均灰度值；/>为b组动态目标人脸图像基于R、G、B三通道的平均灰度值；/>为权重；/>为动态目标人脸图像中识别区域的总量；
其中，权重取值服从，动态目标人员图像分辨率越高，则权重/>的取值越大，反之，则权重/>的取值越小，且权重0＜/>≤1，d组动态目标人脸及b组动态目标人脸分别来源于两组不同的图像数据，动态目标人脸的相似性不小于95%，判定两组动态目标人脸一致，反之，则不一致，并对判定结果为是次数最多的两组图像数据再次进行动态目标人脸相似性识别。
更进一步地，所述采集层包括交互模块、储存模块及评估模块，交互模块用于获取目标区域中部署的监控设备实时监控的影像数据及目标区域的布局参数，储存模块用于接收交互模块中获取的监控影像数据，评估模块用于遍历交互模块中获取的目标区域的布局参数，基于目标区域布局参数评估监控设备关联区域盲区率；
其中，所述交互模块中获取的目标区域布局参数由***端用户手动上传，目标区域布局参数包括目标区域建筑墙体的位置坐标及监控设备于目标区域内的部署坐标，交互模块基于目标区域建筑墙体的位置坐标及监控设备于目标区域内的部署坐标构建目标区域三维模型。
更进一步地，所述评估模块中遍历目标区域布局参数的操作，及对交互模块中构建的目标区域三维模型的读取操作，评估模块中监控设备关联区域盲区率的评估逻辑表示为：；式中：/>为监控设备关联区域盲区率；/>为监控设备到下一监控设备间的可行径路径的集合；/>为第i条可行径路径中可行径路径的总长；/>为第i条可行径路径上分布的房间数量；/>为第i条可行径路径中所有拐角区域的面积总和；/>、/>、/>为权重；/>为监控设备监控区域的集合；/>为第I个区域中监控路径的总长；/>为第I个区域中监控房间的数量；/>为第I个区域中监控拐角的区域面积总和；/>、、/>为权重；
其中，监控设备关联区域盲区率的值越大，则表示监控设备关联区域安全性越低，上式中应用的/>、/>、/>及/>、/>、/>均于目标区域三维模型中获取。
更进一步地，所述、/>、/>的取值服从，/>+/>+/>=1，且/>≤/>≤/>，所述/>、/>、/>的取值服从，/>+/>+/>=1，且/>≥/>≥/>。
更进一步地，所述生成模块运行对监控设备进行降序排列，同步将降序排列的监控设备队列向采集层中储存模块反馈，储存模块接收监控设备队列，基于监控设备队列对内部储存的各来源于监控设备的监控影像数据进行归类及排序；
其中储存模块由生成模块反馈的监控设备队列，完成监控影像数据的归类及排序后，接收模块同步运行，接收模块每次运行于储存模块中基于监控影像数据排序结果，按顺序接收一组来源于同一监控设备的所有监控影像数据。
更进一步地，所述识别模块于监控影像数据中抓取图像数据的逻辑表示为：；
式中：为图像数据抓取频率；/>为监控影像数据对应区域的通过路径长度；/>为动态目标运动速度；其中，/>，/>为监控影像数据对应区域行径方向左侧区域外轮廓总长；/>为监控影像数据对应区域行径方向右侧区域外轮廓总长，/>的取值通过***端用户手动设定或取1m/s。
更进一步地，所述识别模块在对监控影像数据进行动态目标识别后，同步对存在动态目标的监控影像数据中的画面帧进行截取，并对截取的画面帧同步应用识别模块中动态目标人脸相似性识别逻辑，进行动态目标人脸的相似性识别，在完成相似性识别后，同步执行动态目标人脸是否一致的判定，并对判定结果为是次数最多的两组画面帧再次进行动态目标人脸相似性识别，基于画面帧的最终的动态目标人员相似性识别结果，与基于图像数据的最终的动态目标人员相似性识别结果中动态目标人脸判定结果为一致的次数相等时，将画面帧或图像数据中判定为一致的动态目标人脸组合，记作动态目标集群，反之，将画面帧或图像数据中数量最少的判定为一致的动态目标人脸组合，记作动态目标集群。
更进一步地，所述预测层包括调取模块、预测模块及标记模块，调取模块用于调取***中分析层运行阶段，采集层中交互模块运行获取的目标区域监控影像数据，预测模块用于驱动分析层运行，对调取模块调取的监控影像数据进行处理，再次分析动态目标集群，同步接收上一次分析层运行分析的动态目标集群，应用两组动态目标集群预测是否存在安全事件，标记模块用于标记采集层中储存模块中储存的存在动态目标集群的监控影像数据；
其中，标记模块对于监控影像数据的标记操作，即对储存模块中监控影像数据的重命名操作。
更进一步地，所述预测模块中设定有预测逻辑，预测逻辑表示为：式中：/>为动态目标集群x中对应动态目标人脸图像与动态目标集群x中对应动态目标人脸图像的相似度；/>为两组动态目标集群中动态目标的平均数；
其中，所述预测模块中两组动态目标集群满足式（1）或式（2）中任意一组，则表示预测模块预测结果为目标区域不存在安全事件，反之，则表示预测模块预测结果为目标区域存在安全事件，且安全事件来源于动态目标集群。
更进一步地，所述生成模块通过介质电性连接有识别模块及接收模块，所述识别模块通过无线网络交互连接有调取模块，所述调取模块通过介质电性连接有预测模块及标记模块，所述生成模块通过无线网络交互连接有交互模块，所述交互模块通过介质电性连接有储存模块及评估模块。
采用本发明提供的技术方案，与已知的公有技术相比，具有如下有益效果：
本发明提供一种基于人工智能的安全事件预测与防范***，该***在运行过程中，借助公共场所内用户出行活动存在成群结队的特性，对公共场所内用户群体进行识别认定，并在群体认定识别后进一步配置有人脸识别过程，从而使得认定的用户群体于***中具有较高的辨识度，进而在群体出现变更、变化时，能够通过该***自主察觉，最终以此作为公共场所安全事件预测的主要数据支持，确保可能存在安全事件的用户出行活动对应的群体能够被***捕捉，进一步起到一定程度的防范效果。
本发明中***在运行过程中，能够结合公共场所内指定区域的分布参数，使得***能够应用于指定的公共场所内区域，并进一步基于分布参数来构建区域模型，再以区域模型作为分析目标，使区域模型中各位置的盲区能够被***识别，从而以盲区识别结果来对公共场所内监控设备采集的影像数据进行处理队列的生成，进一步确保存在安全事件高概率发生区域的影像能够被***优先处理，进一步保障了***运行对安全事件预见的即时性。
本发明中***在运行过程中，还能够基于预测结果，对公共场所内各监控设备采集的影像数据进行更进一步的识别标记，进而以便于监控设备采集影像数据在需要调取时，更加快捷的找寻到所需的影像数据，且以此作为引导，使监控设备的管理者，在日常查看监控影像的过程中，能够更具针对性的对监控影像数据进行查看，提升安全事件排出效率，进一步为公共场所安全事件的维护管理带来一定的防范效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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为一种基于人工智能的安全事件预测与防范***的结构示意图；
图2为本发明中***分析动态目标集群的概念展示图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，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。
需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
下面结合实施例对本发明作进一步的描述。
实施例
本实施例的一种基于人工智能的安全事件预测与防范***，如图1所示，包括采集层、分析层及预测层；
目标区域的布局参数及目标区域的监控设备监控影像数据通过采集层采集，采集层同步基于采集的目标区域的布局参数评估监控设备关联区域盲区率，分析层获取采集层中评估得到的监控设备关联区域盲区率，基于盲区率执行采集层采集的监控影像数据的降序队列生成，进一步通过生成的监控影像数据降序队列于采集层中接收监控影像数据，并对监控影像数据进行动态目标识别，以动态目标识别结果分析动态目标集群，预测层实时接收分析层中动态目标集群分析结果，基于动态目标集群分析结果预测安全事件是否存在；
分析层包括生成模块、接收模块及识别模块，生成模块用于接收采集层中评估得到的监控设备关联区域盲区率，基于盲区率大小对监控设备进行降序排列，接收模块用于接收采集层中采集的监控影像数据，识别模块用于获取接收模块中接收的监控影像数据，于监控影像数据中抓取图像数据，应用监控影像数据进行动态目标识别，应用图像数据进行动态目标人脸相似性识别，基于动态目标识别结果及动态目标人脸相似性识别结果分析动态目标集群；
识别模块中动态目标人脸相似性识别逻辑表示为：；式中：/>为动态目标人脸b与动态目标人脸d的相似性；/>为动态目标人脸图像中识别区域的集合；/>为d组动态目标人脸中第q个识别区域的特征向量；/>为b组动态目标人脸中第q个识别区域的特征向量；/>为偏置；/>为d组动态目标人脸图像基于R、G、B三通道的平均灰度值；/>为b组动态目标人脸图像基于R、G、B三通道的平均灰度值；/>为权重；/>为动态目标人脸图像中识别区域的总量；
其中，权重取值服从，动态目标人员图像分辨率越高，则权重/>的取值越大，反之，则权重/>的取值越小，且权重0＜/>≤1，d组动态目标人脸及b组动态目标人脸分别来源于两组不同的图像数据，动态目标人脸的相似性不小于95%，判定两组动态目标人脸一致，反之，则不一致，并对判定结果为是次数最多的两组图像数据再次进行动态目标人脸相似性识别。
采集层包括交互模块、储存模块及评估模块，交互模块用于获取目标区域中部署的监控设备实时监控的影像数据及目标区域的布局参数，储存模块用于接收交互模块中获取的监控影像数据，评估模块用于遍历交互模块中获取的目标区域的布局参数，基于目标区域布局参数评估监控设备关联区域盲区率；
其中，交互模块中获取的目标区域布局参数由***端用户手动上传，目标区域布局参数包括目标区域建筑墙体的位置坐标及监控设备于目标区域内的部署坐标，交互模块基于目标区域建筑墙体的位置坐标及监控设备于目标区域内的部署坐标构建目标区域三维模型；
预测层包括调取模块、预测模块及标记模块，调取模块用于调取***中分析层运行阶段，采集层中交互模块运行获取的目标区域监控影像数据，预测模块用于驱动分析层运行，对调取模块调取的监控影像数据进行处理，再次分析动态目标集群，同步接收上一次分析层运行分析的动态目标集群，应用两组动态目标集群预测是否存在安全事件，标记模块用于标记采集层中储存模块中储存的存在动态目标集群的监控影像数据；
其中，标记模块对于监控影像数据的标记操作，即对储存模块中监控影像数据的重命名操作；
预测模块中设定有预测逻辑，预测逻辑表示为：；式中：/>为动态目标集群x中对应动态目标人脸图像与动态目标集群x中对应动态目标人脸图像的相似度；/>为两组动态目标集群中动态目标的平均数；
其中，所述预测模块中两组动态目标集群满足式（1）或式（2）中任意一组，则表示预测模块预测结果为目标区域不存在安全事件，反之，则表示预测模块预测结果为目标区域存在安全事件，且安全事件来源于动态目标集群。
生成模块通过介质电性连接有识别模块及接收模块，识别模块通过无线网络交互连接有调取模块，调取模块通过介质电性连接有预测模块及标记模块，生成模块通过无线网络交互连接有交互模块，交互模块通过介质电性连接有储存模块及评估模块。
在本实施例中，交互模块运行获取目标区域中部署的监控设备实时监控的影像数据及目标区域的布局参数，储存模块实时接收交互模块中获取的监控影像数据，评估模块后置运行遍历交互模块中获取的目标区域的布局参数，基于目标区域布局参数评估监控设备关联区域盲区率，生成模块进一步接收采集层中评估得到的监控设备关联区域盲区率，基于盲区率大小对监控设备进行降序排列，接收模块接收采集层中采集的监控影像数据，识别模块同步获取接收模块中接收的监控影像数据，于监控影像数据中抓取图像数据，应用监控影像数据进行动态目标识别，应用图像数据进行动态目标人脸相似性识别，基于动态目标识别结果及动态目标人脸相似性识别结果分析动态目标集群，再由调取模块调取***中分析层运行阶段，采集层中交互模块运行获取的目标区域监控影像数据，预测模块进一步驱动分析层运行，对调取模块调取的监控影像数据进行处理，再次分析动态目标集群，同步接收上一次分析层运行分析的动态目标集群，应用两组动态目标集群预测是否存在安全事件，最后通过标记模块标记采集层中储存模块中储存的存在动态目标集群的监控影像数据；
参见图2所示内容，根据提供箭头指示，进一步演示了由本***识别动态目标集群的过程，进而以动态目标集群发生的变化，实现安全事件的预测及防范；
另一方面，该***的运行过程中，主要在于对指定区域内实时采集的影像数据进行分析，从而捕捉到活动习惯一致的动态目标集群，进而以动态目标集群的变更来察觉可能存在安全事件的场景，最终实现安全事件的预测及防范，基于该***而言，其预测的准确性并非主要，该***设置的目的在于，降低监控难度，不漏捕任何一次可能存在安全事件的监控影像场景（即预测与防范），确保安全事件的后期判定具有充足的证据支持，一些已存在但并未被察觉的安全事件能够更快的暴露，尽可能避免安全事件更进一步变劣发展。
实施例
在具体实施层面，在实施例1的基础上，本实施例参照图1对实施例1中一种基于人工智能的安全事件预测与防范***做进一步具体说明：
评估模块中遍历目标区域布局参数的操作，及对交互模块中构建的目标区域三维模型的读取操作，评估模块中监控设备关联区域盲区率的评估逻辑表示为：；式中：/>为监控设备关联区域盲区率；/>为监控设备到下一监控设备间的可行径路径的集合；/>为第i条可行径路径中可行径路径的总长；为第i条可行径路径上分布的房间数量；/>为第i条可行径路径中所有拐角区域的面积总和；/>、/>、/>为权重；/>为监控设备监控区域的集合；/>为第I个区域中监控路径的总长；/>为第I个区域中监控房间的数量；/>为第I个区域中监控拐角的区域面积总和；/>、/>、/>为权重；
其中，监控设备关联区域盲区率的值越大，则表示监控设备关联区域安全性越低，上式中应用的/>、/>、/>及/>、/>、/>均于目标区域三维模型中获取；/>、/>、/>的取值服从，/>+/>+/>=1，且/>≤/>≤/>，所述/>、/>、/>的取值服从，/>+/>+/>=1，且/>≥/>≥/>。
通过上述公式计算，对各监控设备关联区域盲区率进行计算，从而以此为数据支持，有利于***服务区域日常的更具针对性的巡查，此外，以盲区率作为数据支持，为分析层及预测层提供指定的影像数据处理队列，使***的运行更加符合轻重缓急的处理逻辑，使***服务区域中高概率存在安全事件的区域能够更先得到预测及防范。
实施例
在具体实施层面，在实施例1的基础上，本实施例参照图1对实施例1中一种基于人工智能的安全事件预测与防范***做进一步具体说明：
生成模块运行对监控设备进行降序排列，同步将降序排列的监控设备队列向采集层中储存模块反馈，储存模块接收监控设备队列，基于监控设备队列对内部储存的各来源于监控设备的监控影像数据进行归类及排序；
其中储存模块由生成模块反馈的监控设备队列，完成监控影像数据的归类及排序后，接收模块同步运行，接收模块每次运行于储存模块中基于监控影像数据排序结果，按顺序接收一组来源于同一监控设备的所有监控影像数据。
通过上述模块，进一步为生成模块及接收模块的运行提供指定的运行逻辑支持，确保生成模块及接收模块稳定运行。
如图1所示，识别模块于监控影像数据中抓取图像数据的逻辑表示为：式中：为图像数据抓取频率；/>为监控影像数据对应区域的通过路径长度；/>为动态目标运动速度；其中，/>，/>为监控影像数据对应区域行径方向左侧区域外轮廓总长；/>为监控影像数据对应区域行径方向右侧区域外轮廓总长，/>的取值通过***端用户手动设定或取1m/s。
通过上述设置，为识别模块提供指定的图像数据抓取逻辑，确保识别模块稳定运行抓取影像数据中的图像数据，为分析层的运行提供运行安全稳定保障。
如图1所示，识别模块在对监控影像数据进行动态目标识别后，同步对存在动态目标的监控影像数据中的画面帧进行截取，并对截取的画面帧同步应用识别模块中动态目标人脸相似性识别逻辑，进行动态目标人脸的相似性识别，在完成相似性识别后，同步执行动态目标人脸是否一致的判定，并对判定结果为是次数最多的两组画面帧再次进行动态目标人脸相似性识别，基于画面帧的最终的动态目标人员相似性识别结果，与基于图像数据的最终的动态目标人员相似性识别结果中动态目标人脸判定结果为一致的次数相等时，将画面帧或图像数据中判定为一致的动态目标人脸组合，记作动态目标集群，反之，将画面帧或图像数据中数量最少的判定为一致的动态目标人脸组合，记作动态目标集群。
通过上述设置，对本***中分析层中识别模块识别的动态目标集群提供了指定的识别逻辑，确保识别模块稳定输出动态目标集群，为***中预测层的运行提供必要的运行数据支持。
综上而言，上述实施例中***在运行过程中，借助公共场所内用户出行活动存在成群结队的特性，对公共场所内用户群体进行识别认定，并在群体认定识别后进一步配置有人脸识别过程，从而使得认定的用户群体于***中具有较高的辨识度，进而在群体出现变更、变化时，能够通过该***自主察觉，最终以此作为公共场所安全事件预测的主要数据支持，确保可能存在安全事件的用户出行活动对应的群体能够被***捕捉，进一步起到一定程度的防范效果；且本***在运行过程中，能够结合公共场所内指定区域的分布参数，使得***能够应用于指定的公共场所内区域，并进一步基于分布参数来构建区域模型，再以区域模型作为分析目标，使区域模型中各位置的盲区能够被***识别，从而以盲区识别结果来对公共场所内监控设备采集的影像数据进行处理队列的生成，进一步确保存在安全事件高概率发生区域的影像能够被***优先处理，进一步保障了***运行对安全事件预见的即时性；同时，本***在运行过程中，还能够基于预测结果，对公共场所内各监控设备采集的影像数据进行更进一步的识别标记，进而以便于监控设备采集影像数据在需要调取时，更加快捷的找寻到所需的影像数据，且以此作为引导，使监控设备的管理者，在日常查看监控影像的过程中，能够更具针对性的对监控影像数据进行查看，提升安全事件排除效率，进一步为公共场所安全事件的维护管理带来一定的防范效果。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于人工智能的安全事件预测与防范***，其特征在于，包括采集层、分析层及预测层；
目标区域的布局参数及目标区域的监控设备监控影像数据通过采集层采集，采集层同步基于采集的目标区域的布局参数评估监控设备关联区域盲区率，分析层获取采集层中评估得到的监控设备关联区域盲区率，基于盲区率执行采集层采集的监控影像数据的降序队列生成，进一步通过生成的监控影像数据降序队列于采集层中接收监控影像数据，并对监控影像数据进行动态目标识别，以动态目标识别结果分析动态目标集群，预测层实时接收分析层中动态目标集群分析结果，基于动态目标集群分析结果预测安全事件是否存在；
所述分析层包括生成模块、接收模块及识别模块，生成模块用于接收采集层中评估得到的监控设备关联区域盲区率，基于盲区率大小对监控设备进行降序排列，接收模块用于接收采集层中采集的监控影像数据，识别模块用于获取接收模块中接收的监控影像数据，于监控影像数据中抓取图像数据，应用监控影像数据进行动态目标识别，应用图像数据进行动态目标人脸相似性识别，基于动态目标识别结果及动态目标人脸相似性识别结果分析动态目标集群；
所述识别模块中动态目标人脸相似性识别逻辑表示为：；式中：/>为动态目标人脸b与动态目标人脸d的相似性；/>为动态目标人脸图像中识别区域的集合；/>为d组动态目标人脸中第q个识别区域的特征向量；/>为b组动态目标人脸中第q个识别区域的特征向量；/>为偏置；/>为d组动态目标人脸图像基于R、G、B三通道的平均灰度值；/>为b组动态目标人脸图像基于R、G、B三通道的平均灰度值；/>为权重；/>为动态目标人脸图像中识别区域的总量；
其中，权重取值服从，动态目标人员图像分辨率越高，则权重/>的取值越大，反之，则权重/>的取值越小，且权重0＜/>≤1，d组动态目标人脸及b组动态目标人脸分别来源于两组不同的图像数据，动态目标人脸的相似性不小于95%，判定两组动态目标人脸一致，反之，则不一致，并对判定结果为是次数最多的两组图像数据再次进行动态目标人脸相似性识别。
2.根据权利要求1所述的一种基于人工智能的安全事件预测与防范***，其特征在于，所述采集层包括交互模块、储存模块及评估模块，交互模块用于获取目标区域中部署的监控设备实时监控的影像数据及目标区域的布局参数，储存模块用于接收交互模块中获取的监控影像数据，评估模块用于遍历交互模块中获取的目标区域的布局参数，基于目标区域布局参数评估监控设备关联区域盲区率；
其中，所述交互模块中获取的目标区域布局参数由***端用户手动上传，目标区域布局参数包括目标区域建筑墙体的位置坐标及监控设备于目标区域内的部署坐标，交互模块基于目标区域建筑墙体的位置坐标及监控设备于目标区域内的部署坐标构建目标区域三维模型。
3.根据权利要求2所述的一种基于人工智能的安全事件预测与防范***，其特征在于，所述评估模块中遍历目标区域布局参数的操作，及对交互模块中构建的目标区域三维模型的读取操作，评估模块中监控设备关联区域盲区率的评估逻辑表示为：；式中：/>为监控设备关联区域盲区率；/>为监控设备到下一监控设备间的可行径路径的集合；/>为第i条可行径路径中可行径路径的总长；为第i条可行径路径上分布的房间数量；/>为第i条可行径路径中所有拐角区域的面积总和；/>、/>、/>为权重；/>为监控设备监控区域的集合；/>为第I个区域中监控路径的总长；/>为第I个区域中监控房间的数量；/>为第I个区域中监控拐角的区域面积总和；/>、/>、/>为权重；
其中，监控设备关联区域盲区率的值越大，则表示监控设备关联区域安全性越低，上式中应用的/>、/>、/>及/>、/>、/>均于目标区域三维模型中获取。
4.根据权利要求3所述的一种基于人工智能的安全事件预测与防范***，其特征在于，所述、/>、/>的取值服从，/>+/>+/>=1，且/>≤/>≤/>，所述/>、/>、/>的取值服从，/>+/>+/>=1，且/>≥/>≥/>。
5.根据权利要求1所述的一种基于人工智能的安全事件预测与防范***，其特征在于，所述生成模块运行对监控设备进行降序排列，同步将降序排列的监控设备队列向采集层中储存模块反馈，储存模块接收监控设备队列，基于监控设备队列对内部储存的各来源于监控设备的监控影像数据进行归类及排序；
其中储存模块由生成模块反馈的监控设备队列，完成监控影像数据的归类及排序后，接收模块同步运行，接收模块每次运行于储存模块中基于监控影像数据排序结果，按顺序接收一组来源于同一监控设备的所有监控影像数据。
6.根据权利要求1所述的一种基于人工智能的安全事件预测与防范***，其特征在于，所述识别模块于监控影像数据中抓取图像数据的逻辑表示为：；
式中：为图像数据抓取频率；/>为监控影像数据对应区域的通过路径长度；/>为动态目标运动速度；其中，/>，/>为监控影像数据对应区域行径方向左侧区域外轮廓总长；/>为监控影像数据对应区域行径方向右侧区域外轮廓总长，/>的取值通过***端用户手动设定或取1m/s。
7.根据权利要求1所述的一种基于人工智能的安全事件预测与防范***，其特征在于，所述识别模块在对监控影像数据进行动态目标识别后，同步对存在动态目标的监控影像数据中的画面帧进行截取，并对截取的画面帧同步应用识别模块中动态目标人脸相似性识别逻辑，进行动态目标人脸的相似性识别，在完成相似性识别后，同步执行动态目标人脸是否一致的判定，并对判定结果为是次数最多的两组画面帧再次进行动态目标人脸相似性识别，基于画面帧的最终的动态目标人员相似性识别结果，与基于图像数据的最终的动态目标人员相似性识别结果中动态目标人脸判定结果为一致的次数相等时，将画面帧或图像数据中判定为一致的动态目标人脸组合，记作动态目标集群，反之，将画面帧或图像数据中数量最少的判定为一致的动态目标人脸组合，记作动态目标集群。
8.根据权利要求1所述的一种基于人工智能的安全事件预测与防范***，其特征在于，所述预测层包括调取模块、预测模块及标记模块，调取模块用于调取***中分析层运行阶段，采集层中交互模块运行获取的目标区域监控影像数据，预测模块用于驱动分析层运行，对调取模块调取的监控影像数据进行处理，再次分析动态目标集群，同步接收上一次分析层运行分析的动态目标集群，应用两组动态目标集群预测是否存在安全事件，标记模块用于标记采集层中储存模块中储存的存在动态目标集群的监控影像数据；
其中，标记模块对于监控影像数据的标记操作，即对储存模块中监控影像数据的重命名操作。
9.根据权利要求8所述的一种基于人工智能的安全事件预测与防范***，其特征在于，所述预测模块中设定有预测逻辑，预测逻辑表示为：；式中：/>为动态目标集群x中对应动态目标人脸图像与动态目标集群x中对应动态目标人脸图像的相似度；/>为两组动态目标集群中动态目标的平均数；
其中，所述预测模块中两组动态目标集群满足式（1）或式（2）中任意一组，则表示预测模块预测结果为目标区域不存在安全事件，反之，则表示预测模块预测结果为目标区域存在安全事件，且安全事件来源于动态目标集群。
10.根据权利要求1所述的一种基于人工智能的安全事件预测与防范***，其特征在于，所述生成模块通过介质电性连接有识别模块及接收模块，所述识别模块通过无线网络交互连接有调取模块，所述调取模块通过介质电性连接有预测模块及标记模块，所述生成模块通过无线网络交互连接有交互模块，所述交互模块通过介质电性连接有储存模块及评估模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311744872.4A CN117540877A (zh) | 2023-12-19 | 2023-12-19 | 一种基于人工智能的安全事件预测与防范*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311744872.4A CN117540877A (zh) | 2023-12-19 | 2023-12-19 | 一种基于人工智能的安全事件预测与防范*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117540877A true CN117540877A (zh) | 2024-02-09 |
Family
ID=89790045
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311744872.4A Pending CN117540877A (zh) | 2023-12-19 | 2023-12-19 | 一种基于人工智能的安全事件预测与防范*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117540877A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014072910A1 (en) * | 2012-11-06 | 2014-05-15 | Innoware A/S | Smart alarm system with user confirmed video stream notification of psap in combination with data safety and public emergency involvement using smartphone agents |
| CN105574506A (zh) * | 2015-12-16 | 2016-05-11 | 深圳市商汤科技有限公司 | 基于深度学习和大规模集群的智能人脸追逃***及方法 |
| CN107862437A (zh) * | 2017-10-16 | 2018-03-30 | 中国人民公安大学 | 基于风险概率评估的公共区域人群聚集预警方法及*** |
| CN109447048A (zh) * | 2018-12-25 | 2019-03-08 | 苏州闪驰数控***集成有限公司 | 一种人工智能预警*** |
| CN109819208A (zh) * | 2019-01-02 | 2019-05-28 | 江苏警官学院 | 一种基于人工智能动态监控的密集人群安防监控管理方法 |
| KR102089688B1 (ko) * | 2019-04-12 | 2020-04-24 | 주식회사 이글루시큐리티 | 준지도학습을 통한 인공지능 기반 보안이벤트 분석시스템 및 그 방법 |
| US20210192402A1 (en) * | 2019-12-20 | 2021-06-24 | Beijing Didi Infinity Technology And Development Co., Ltd. | Abnormal trip monitor |
| CN116363738A (zh) * | 2023-06-01 | 2023-06-30 | 成都睿瞳科技有限责任公司 | 一种基于多移动目标的人脸识别方法、***及存储介质 |
| CN116916049A (zh) * | 2023-09-12 | 2023-10-20 | 北京青水环境科技有限公司 | 一种基于云计算技术的视频数据在线采集与存储*** |
-
2023
- 2023-12-19 CN CN202311744872.4A patent/CN117540877A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014072910A1 (en) * | 2012-11-06 | 2014-05-15 | Innoware A/S | Smart alarm system with user confirmed video stream notification of psap in combination with data safety and public emergency involvement using smartphone agents |
| CN105574506A (zh) * | 2015-12-16 | 2016-05-11 | 深圳市商汤科技有限公司 | 基于深度学习和大规模集群的智能人脸追逃***及方法 |
| CN107862437A (zh) * | 2017-10-16 | 2018-03-30 | 中国人民公安大学 | 基于风险概率评估的公共区域人群聚集预警方法及*** |
| CN109447048A (zh) * | 2018-12-25 | 2019-03-08 | 苏州闪驰数控***集成有限公司 | 一种人工智能预警*** |
| CN109819208A (zh) * | 2019-01-02 | 2019-05-28 | 江苏警官学院 | 一种基于人工智能动态监控的密集人群安防监控管理方法 |
| KR102089688B1 (ko) * | 2019-04-12 | 2020-04-24 | 주식회사 이글루시큐리티 | 준지도학습을 통한 인공지능 기반 보안이벤트 분석시스템 및 그 방법 |
| US20210192402A1 (en) * | 2019-12-20 | 2021-06-24 | Beijing Didi Infinity Technology And Development Co., Ltd. | Abnormal trip monitor |
| CN116363738A (zh) * | 2023-06-01 | 2023-06-30 | 成都睿瞳科技有限责任公司 | 一种基于多移动目标的人脸识别方法、***及存储介质 |
| CN116916049A (zh) * | 2023-09-12 | 2023-10-20 | 北京青水环境科技有限公司 | 一种基于云计算技术的视频数据在线采集与存储*** |
Non-Patent Citations (5)
| Title |
|---|
| 徐剑强: "基于深度学习的机会场景下关注性对象监测即在群体突发事件预警中的应用", 中国博士学位论文全文数据库 信息科技辑, no. 02, 15 February 2023 (2023-02-15), pages 1 - 118 * |
| 王海龙;王怀斌;王荣耀;王海涛;刘强;张鲁洋;蒋梦浩;: "基于视频监控的人脸识别方法", 计算机测量与控制, vol. 28, no. 04, 25 April 2020 (2020-04-25), pages 137 - 141 * |
| 袁强: "《人工智能技术基础及应用》", 31 August 2022, 黄河水利出版社, pages: 52 - 53 * |
| 赵兴涛;隋晋光;杜治国;: "突发社会安全事件预警***的设计与实现", 安防科技, no. 05, 25 May 2010 (2010-05-25), pages 6 - 10 * |
| 邵荃;吴抗抗;周航;: "基于人群聚集特征分析的航站楼***件预警研究", 科学技术与工程, vol. 12, no. 33, 28 November 2012 (2012-11-28), pages 8961 - 8966 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108053427B (zh) | 一种基于KCF与Kalman的改进型多目标跟踪方法、***及装置 | |
| Gibert et al. | Deep multitask learning for railway track inspection | |
| CN108052859B (zh) | 一种基于聚类光流特征的异常行为检测方法、***及装置 | |
| WO2017122258A1 (ja) | 混雑状況監視システム | |
| CN105426820B (zh) | 基于安防监控视频数据的多人异常行为检测方法 | |
| CN105447459A (zh) | 一种无人机自动检测目标和跟踪方法 | |
| CN116308960B (zh) | 基于数据分析的智慧园区物业防控管理***及其实现方法 | |
| Gupta et al. | CrowdVAS-Net: A deep-CNN based framework to detect abnormal crowd-motion behavior in videos for predicting crowd disaster | |
| CN112930535A (zh) | 基于视频分析的人群行为异常检测 | |
| CN115294519A (zh) | 一种基于轻量化网络的异常事件检测及预警方法 | |
| CN111079694A (zh) | 一种柜面助手履职监控装置和方法 | |
| Szczodrak et al. | Behavior analysis and dynamic crowd management in video surveillance system | |
| CN110781735A (zh) | 一种用于识别人员在岗状态的报警方法及*** | |
| CN116416281A (zh) | 一种粮库ai视频监管分析方法及*** | |
| Manocha et al. | A novel deep fusion strategy for COVID-19 prediction using multimodality approach | |
| CN116189305B (zh) | 一种基于神经网络模型嵌入的人员危险动作识别方法 | |
| CN117540877A (zh) | 一种基于人工智能的安全事件预测与防范*** | |
| CN116630853A (zh) | 一种重点交通枢纽的实时视频人员寻踪方法及*** | |
| Arshad et al. | Anomalous situations recognition in surveillance images using deep learning | |
| CN115909144A (zh) | 一种基于对抗学习的监控视频异常检测方法及*** | |
| CN112580538B (zh) | 客服人员调度方法、装置、设备及存储介质 | |
| CN106530199B (zh) | 基于窗口式假设检验的多媒体综合隐写分析方法 | |
| Jaiswal et al. | Classification Of Violent Videos Using Ensemble Boosting Machine Learning Approach With Low Level Features | |
| CN113627383A (zh) | 一种用于全景智能安防的行人徘徊重识别方法 | |
| CN113011228A (zh) | 基于图像处理的地铁车内人群拥挤度检测方法 |
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 |