CN117612243B - 一种基于多层注意力的重点人员行为预警方法及服务器 - Google Patents
一种基于多层注意力的重点人员行为预警方法及服务器 Download PDFInfo
- Publication number
- CN117612243B CN117612243B CN202311055950.XA CN202311055950A CN117612243B CN 117612243 B CN117612243 B CN 117612243B CN 202311055950 A CN202311055950 A CN 202311055950A CN 117612243 B CN117612243 B CN 117612243B
- Authority
- CN
- China
- Prior art keywords
- behavior
- data
- action
- server
- key
- 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 92
- 230000006399 behavior Effects 0.000 claims abstract description 439
- 230000009471 action Effects 0.000 claims abstract description 230
- 238000012544 monitoring process Methods 0.000 claims abstract description 49
- 230000008569 process Effects 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims description 109
- 230000000875 corresponding effect Effects 0.000 claims description 57
- 238000000605 extraction Methods 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 29
- 230000010365 information processing Effects 0.000 claims description 26
- 238000010606 normalization Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000003542 behavioural effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000003139 buffering effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical 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
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
- G06N3/048—Activation functions
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Psychiatry (AREA)
- Human Computer Interaction (AREA)
- Social Psychology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多层注意力的重点人员行为预警方法及服务器,该方法包括:服务器在监控***输出的图像数据中发现重点人员的情况下,服务器获取重点人员的当前行为数据,服务器将当前行为数据和重点人员的历史行为数据拼接得到重点人员的当前行为序列,服务器将当前行为序列输入行为预警模型得到未来行为数据,在动作行为概率中危险动作行为概率大于对应的危险动作行为阈值的情况下,服务器向告警平台发送包含预测数据的第一指令,使告警平台根据预测数据对重点人员进行处理。该方法可以实时推理重点人员的动作行为,提高了***的响应速度,便于快速发现、快速分析、快速决策,同时来增加行为数据的数据量,进而提高行为预警结果的准确性。
Description
技术领域
本申请涉及行为判断技术领域,尤其涉及一种基于多层注意力的重点人员行为预警方法及服务器。
背景技术
行为预警(Behavioral Warning)是一种通过对人的行为、动作、言语、情绪等进行观察和分析,以便及时识别和预测潜在的危险行为或事件的方法。它旨在提前发现和防范潜在的威胁,以保护社会、组织或个人的安全。
相关技术中,通过对人的行为、动作、言语、情绪等行为数据进行分析和判断来识别潜在威胁,但行为数据太少,无法根据行为数据得到一个较为准确的行为预警结果。
发明内容
本申请提供了一种基于多层注意力的重点人员行为预警方法及服务器,来增加行为数据的数据量,进而提高行为预警结果的准确性。
第一方面,本申请提供了一种基于多层注意力的重点人员行为预警方法,应用于基于多层注意力的重点人员行为预警***,基于多层注意力的重点人员行为预警***包括用于获取图像数据的监控***,基于多层注意力的重点人员行为预警***还包括服务器、用于保存历史行为数据的数据库以及告警平台,方法包括:服务器在监控***输出的图像数据中发现重点人员的情况下,服务器获取重点人员的当前行为数据,当前行为数据包括重点人员的名称、重点人员所在地点、当前时间、重点人员的动作,重点人员为预设重点人员清单中的任意人员;服务器将当前行为数据和重点人员的历史行为数据拼接得到重点人员的当前行为序列,重点人员的历史行为数据由服务器从数据库调用得到;服务器将当前行为序列输入行为预警模型得到未来行为数据,未来行为数据包括动作行为、与动作行为对应的动作行为概率;在动作行为概率中危险动作行为概率大于对应的危险动作行为阈值的情况下,服务器向告警平台发送包含预测数据的第一指令,使告警平台根据预测数据对重点人员进行处理,预测数据包括重点人员的名称、重点人员所在地点、当前时间、与危险动作行为概率对应的危险动作行为、危险动作行为概率。
在上述实施例中,服务器在监控***输出的图像数据中发现重点人员的情况下,才获取重点人员的当前行为数据为实时数据,可以实时推理重点人员的动作行为,提高了基于多层注意力的重点人员行为预警***的响应速度,便于快速发现、快速分析、快速决策,同时将当前行为数据和重点人员的历史行为数据拼接得到重点人员的当前行为序列,来增加行为数据的数据量,进而提高行为预警结果的准确性。
结合第一方面的一些实施例,在一些实施例中,行为预警模型的构架为:
输入层,用于提取当前行为序列成提取数据;
词嵌入层,与输入层的输出端连接,用于将提取数据转换成编码数据;
特征提取层,与词嵌入层的输出端连接,用于提取编码数据中的特征数据得到类别编码;
多层感知机层,与特征提取层的输出端连接,用于根据类别编码得到动作行为概率;
归一层,与多层感知机层的输出端连接,用于将动作行为概率进行归一化得到未来行为数据;
输出层,与归一层的输出端连接,用于输出未来行为数据。
在上述实施例中,行为预警模型可以有效的建立不同元素之间的关联,提升行为预警模型的准确度。
结合第一方面的一些实施例,在一些实施例中,服务器在监控***输出的图像数据中发现重点人员的情况下,服务器获取重点人员的当前行为数据之前,方法还包括:服务器根据训练数据对行为预警模型进行训练,行为预警模型的训练数据包括:训练人员的名称、训练动作行为、若干个历史行为训练数据,历史行为训练数据包括训练人员所在地点、训练时间、训练人员的动作;
输入层具体包括:第一子输入层、第二子输入层、第三子输入层、若干个第四子输入层;
第一子输入层,用于增加标识数据;
第二子输入层,用于提取训练人员的名称成名称提取数据;
第三子输入层,用于提取训练动作行为成动作提取数据;
第四子输入层,用于提取历史行为训练数据成历史行为提取数据;
词嵌入层具体用于,将标识数据、名称提取数据、动作提取数据、历史行为提取数据转换成编码数据。
在上述实施例中,将训练人员所在地点、训练时间、训练人员的动作与训练动作行为建立规律和模式,同时通过将不同子输入层的数据进行提取和编码,词嵌入层可以将这些数据转换成统一的编码形式。这将有助于提取出更丰富和有用的特征信息,从而提高行为预警模型对训练人员的名称、训练动作行为和历史行为的理解能力。
结合第一方面的一些实施例,在一些实施例中,根据训练数据对行为预警模型进行训练,具体包括:服务器根据行为预警模型的损失函数对行为预警模型进行优化,行为预警模型的损失函数为:
式中,L为损失函数,Li为训练样本i的损失,N为训练样本总数,c为类别,yic在训练样本i的真实类别等于类别c时为1,yic在训练样本i的真实类别等于类别c时为0,pic为训练样本i的真实等于类别c的概率。
在上述实施例中,损失函数可以用于优化行为预警模型,通过最小化损失函数来提高行为预警模型的预测准确性。最终目标是使行为预警模型能够准确地预测每个训练数据的行为类别,并提高行为预警模型对训练数据的预测能力。
结合第一方面的一些实施例,在一些实施例中,基于多层注意力的重点人员行为预警***还包括消息队列服务器,服务器在监控***输出的图像数据中发现重点人员的情况下,服务器获取重点人员的当前行为数据之前,方法还包括:服务器根据预先存储的配置清单获得服务器的当前信息处理能力;服务器根据当前信息处理能力从消息队列服务器中调用极限图像数据,极限图像数据为监控***输出至消息队列服务器中的图像数据,且为图像数据中要求信息处理能力低于当前信息处理能力的部分图像数据;
服务器在监控***输出的图像数据中发现重点人员的情况下,服务器获取重点人员的当前行为数据,具体包括:服务器在消息队列服务器输出的调用极限图像数据中发现重点人员的情况下,服务器获取重点人员的当前行为数据,当前行为数据包括重点人员的名称、重点人员所在地点、当前时间、重点人员的动作,重点人员为预设重点人员清单中的任意人员。
在上述实施例中,服务器根据预先存储的配置清单获取当前的信息处理能力,并根据信息处理能力从消息队列服务器中调用极限图像数据。这种方式可以确保服务器只获取当前能力范围内需要处理的图像数据,提高服务器的处理效率,同时通过消息队列服务器来解耦、削峰、缓冲,来提高服务器的处理能力。
结合第一方面的一些实施例,在一些实施例中,服务器在监控***输出的图像数据中发现重点人员的情况下,服务器获取重点人员的当前行为数据,具体包括:服务器在监控***输出的图像数据中发现重点人员的情况下,服务器根据图像识别将图像数据转成文本数据,文本数据包括重点人员的名称,重点人员所在地点、当前时间、重点人员的动作;服务器将文本数据向量化得到重点人员的当前行为数据。
在上述实施例中,服务器在监控***输出的图像数据中发现重点人员后,通过图像识别将图像数据转换成文本数据,并将文本数据向量化得到重点人员的当前行为数据,来方便后续服务器对重点人员的行为进行分析和处理。
结合第一方面的一些实施例,在一些实施例中,服务器将当前行为序列输入行为预警模型得到未来行为数据,未来行为数据包括动作行为、与动作行为对应的动作行为概率之后,方法还包括:服务器获取重点人员所在地点的地点权重列表,地点权重列表包括若干个动作行为和若干个对应动作行为对应的动作行为权重;服务器根据地点权重列表和未来行为数据确定优化后未来行为数据,优化后未来行为数据包括动作行为、与动作行为对应的优化动作行为概率,优化动作行为概率由动作行为概率和与动作行为概率对应的动作行为权重确定;在动作行为概率中危险动作行为概率大于对应的危险动作行为阈值的情况下,服务器向告警平台发送包含预测数据的第一指令,具体包括:在优化动作行为概率中优化危险动作行为概率大于对应的危险动作行为阈值的情况下,服务器向告警平台发送包含预测数据的第一指令,使告警平台根据预测数据做出对重点人员进行处理,预测数据包括重点人员的名称、重点人员所在地点、当前时间、与危险动作行为概率对应的危险动作行为、优化危险动作行为概率。
在上述实施例中,在未来行为数据的基础上又考虑到重点人员所在地点对应的动作行为权重,来使后续获得的优化危险动作行为概率更加准确。
第二方面,本申请实施例提供了一种应用于基于多层注意力的重点人员行为服务器,适用于基于多层注意力的重点人员行为预警***,基于多层注意力的重点人员行为预警***包括用于获取图像数据的监控***,基于多层注意力的重点人员行为预警***还包括用于保存历史行为数据的数据库、告警平台,服务器包括:
获取模块,用于在监控***输出的图像数据中发现重点人员的情况下,获取重点人员的当前行为数据,当前行为数据包括重点人员的名称、重点人员所在地点、当前时间、重点人员的动作,重点人员为预设重点人员清单中的任意人员;
拼接模块,用于将当前行为数据和重点人员的历史行为数据拼接得到重点人员的当前行为序列,重点人员的历史行为数据由服务器从数据库调用得到;
输入模块,用于将当前行为序列输入行为预警模型得到未来行为数据,未来行为数据包括动作行为、与动作行为对应的动作行为概率;
发送模块,用于在动作行为概率中危险动作行为概率大于对应的危险动作行为阈值的情况下,向告警平台发送包含预测数据的第一指令,使告警平台根据预测数据对重点人员进行处理,预测数据包括重点人员的名称、重点人员所在地点、当前时间、与危险动作行为概率对应的危险动作行为、危险动作行为概率。
结合第二方面的一些实施例,在一些实施例中,行为预警模型的构架为:
输入层,用于提取当前行为序列成提取数据;
词嵌入层,与输入层的输出端连接,用于将提取数据转换成编码数据;
特征提取层,与词嵌入层的输出端连接,用于提取编码数据中的特征数据得到类别编码;
多层感知机层,与特征提取层的输出端连接,用于根据类别编码得到动作行为概率;
归一层,与多层感知机层的输出端连接,用于将动作行为概率进行归一化得到当前行为数据;
输出层,与归一层的输出端连接,用于输出当前行为数据。
结合第二方面的一些实施例,在一些实施例中,服务器还包括:
训练模块,用于根据训练数据对行为预警模型进行训练,行为预警模型的训练数据包括:训练人员的名称、训练动作行为、若干个历史行为训练数据,历史行为训练数据包括训练人员所在地点、训练时间、训练人员的动作;
结合第二方面的一些实施例,在一些实施例中,训练模块,具体包括:
损失函数,用于根据行为预警模型的损失函数对行为预警模型进行优化,行为预警模型的损失函数为:
式中,L为损失函数,Li为训练样本i的损失,N为训练样本总数,c为类别,yic在训练样本i的真实类别等于类别c时为1,yic在训练样本i的真实类别等于类别c时为0,pic为训练样本i的真实等于类别c的概率。
结合第二方面的一些实施例,在一些实施例中,服务器还包括:
清单模块,用于根据预先存储的配置清单获得服务器的当前信息处理能力;
调用模块,根据当前信息处理能力从消息队列服务器中调用极限图像数据,极限图像数据为监控***输出至消息队列服务器中的图像数据,且为图像数据中要求信息处理能力低于当前信息处理能力的部分图像数据;
获取模块包括:
第一获取子模块,用于服务器在消息队列服务器输出的调用极限图像数据中发现重点人员的情况下获取重点人员的当前行为数据,当前行为数据包括重点人员的名称、重点人员所在地点、当前时间、重点人员的动作,重点人员为预设重点人员清单中的任意人员。
结合第二方面的一些实施例,在一些实施例中,获取模块包括:
第二获取子模块,用于服务器在监控***输出的图像数据中发现重点人员的情况下,根据图像识别将图像数据转成文本数据,文本数据包括重点人员的名称,重点人员所在地点、当前时间、重点人员的动作;
第三获取子模块,用于将文本数据向量化得到重点人员的当前行为数据。
结合第二方面的一些实施例,在一些实施例中,服务器还包括;
权重模块,用于获取重点人员所在地点的地点权重列表,地点权重列表包括若干个动作行为和若干个对应动作行为对应的动作行为权重;
优化模块,用于根据地点权重列表和未来行为数据确定优化后未来行为数据,优化后未来行为数据包括动作行为、与动作行为对应的优化动作行为概率,优化动作行为概率由动作行为概率和与动作行为概率对应的动作行为权重确定;
发送模块,包括:发送子模块,用于在优化动作行为概率中优化危险动作行为概率大于对应的危险动作行为阈值的情况下,向告警平台发送包含预测数据的第一指令,使告警平台根据预测数据做出对重点人员进行处理,预测数据包括重点人员的名称、重点人员所在地点、当前时间、与危险动作行为概率对应的危险动作行为、优化危险动作行为概率。
第三方面,本申请实施例提供了一种服务器,该服务器包括:一个或多个处理器和存储器;
该存储器与该一个或多个处理器耦合,该存储器用于存储计算机程序代码,该计算机程序代码包括计算机指令,该一个或多个处理器调用该计算机指令以使得该服务器执行如第一方面以及第一方面中任一可能的实现方式描述的方法。
第四方面,本申请实施例提供一种包含指令的计算机程序产品,当上述计算机程序产品在服务器上运行时,使得上述服务器执行如第一方面以及第一方面中任一可能的实现方式描述的方法。
第五方面,本申请实施例提供一种计算机可读存储介质,包括指令,当上述指令在服务器上运行时,使得上述服务器执行如第一方面以及第一方面中任一可能的实现方式描述的方法。
可以理解地,上述第二方面提供的服务器、第三方面提供的服务器、第四方面提供的计算机程序产品和第五方面提供的计算机存储介质均用于执行本申请实施例所提供的基于多层注意力的重点人员行为预警方法。因此,其所能达到的有益效果可参考对应方法中的有益效果,此处不再赘述。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
1、本申请提供的基于多层注意力的重点人员行为预警方法的服务器在监控***输出的图像数据中发现重点人员的情况下,才获取重点人员的当前行为数据为实时数据,可以实时推理重点人员的动作行为,提高了基于多层注意力的重点人员行为预警***的响应速度,便于快速发现、快速分析、快速决策,同时将当前行为数据和重点人员的历史行为数据拼接得到重点人员的当前行为序列,来增加行为数据的数据量,进而提高行为预警结果的准确性
2、本申请提供的基于多层注意力的重点人员行为预警方法的服务器根据预先存储的配置清单获取当前的信息处理能力,并根据信息处理能力从消息队列服务器中调用极限图像数据。这种方式可以确保服务器只获取当前能力范围内需要处理的图像数据,提高服务器的处理效率,同时通过消息队列服务器来解耦、削峰、缓冲,来提高服务器的处理能力。
3、本申请提供的基于多层注意力的重点人员行为预警方法在未来行为数据的基础上又考虑到重点人员所在地点对应的动作行为权重,来使后续获得的优化危险动作行为概率更加准确。
附图说明
图1为本申请提供的基于多层注意力的重点人员行为预警***的一个信息交互场景示意图。
图2为本申请提供的基于多层注意力的重点人员行为预警方法的一个流程示意图。
图3为本申请提供的基于多层注意力的重点人员行为预警方法中行为预警模型的架构图。
图4为本申请提供的基于多层注意力的重点人员行为预警方法的另一个流程示意图。
图5为本申请提供的基于多层注意力的重点人员行为预警服务器的模块化虚拟装置的示意图。
图6为本申请提供的基于多层注意力的重点人员行为预警服务器的实体装置的示意图。
具体实施方式
本申请以下实施例中所使用的术语只是为了描述特定实施例的目的,而并非旨在作为对本申请的限制。如在本申请的说明书和所附权利要求书中所使用的那样,单数表达形式“一个”、“一种”、“所述”、“上述”、“该”和“这一”旨在也包括复数表达形式,除非其上下文中明确地有相反指示。还应当理解,本申请中使用的术语“和/或”是指并包含一个或多个所列出项目的任何或所有可能组合。
以下,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该特征,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。
下面先对本申请涉及的基于多层注意力的重点人员行为预警***进行描述:
参考图1,图1为本申请提供的基于多层注意力的重点人员行为预警***的一个信息交互场景示意图;该基于多层注意力的重点人员行为预警***包括:服务器、数据库、信息队列服务器、监控***和告警平台。
监控***与消息队列服务器连接,在一些可选的实施例中,监控***还可以直接与服务器连接。
监控***用于拍摄重点人员的行为信息,并将其转换成图像数据,在一些可选的实施例中监控***将图像数据发送给消息队列服务器,在另一些可选的实施例中监控***将图像数据发送给消息队列服务器。
数据库分别与服务器和消息队列服务器连接,在另一些可选的实施例中,数据库分别与服务器和监控***连接。
数据库是用于存储数据和程序的设备,用于存储重点人员的历史行为数据、图像数据等。
信息队列服务器是一种基于消息传递机制的中间件,用于实现数据库与服务器之间的异步通信。
告警平台为具有告警功能的服务器的统称,用于接收预测数据,并对重点人员进行处理。
服务器为一种专用的计算机或计算机***,用于运行有基于多层注意力的重点人员行为预警方法或打开有基于多层注意力的重点人员行为预警***的网页的设备,例如可以为手机、平板电脑、台式电脑、智能电视等,此处不作限定。
下面对本实施例中基于多层注意力的重点人员行为预警方法进行描述:
如图2所示,图2为本申请提供的基于多层注意力的重点人员行为预警方法的一个流程示意图。
本申请提供了一种基于多层注意力的重点人员行为预警方法,应用于基于多层注意力的重点人员行为预警***,基于多层注意力的重点人员行为预警***包括用于获取图像数据的监控***,基于多层注意力的重点人员行为预警***还包括服务器、用于保存历史行为数据的数据库以及告警平台,方法包括:
S201,服务器在监控***输出的图像数据中发现重点人员的情况下,服务器获取重点人员的当前行为数据,当前行为数据包括重点人员的名称、重点人员所在地点、当前时间、重点人员的动作,重点人员为预设重点人员清单中的任意人员。
在一些可选的实施例中,使用监控***对特定区域的图像进行实时监控和分析,通过使用摄像头和图像处理算法使监控***应能够识别出图像中的人物,并根据预设的规则或算法判断是否为重点人员。
在另一些可选的实施例中,相关人员还可以手动输入图像数据至服务器中,服务器还可以从一些存储图像数据的终端导出图像数据,此处不做限定。
需要说明的是,服务器只需要获取包含重点人员的数据即可,至于包含重点人员的数据的终端和路径,此处不做限定。
重点人员是指需要监控和预警的人员。
预设重点人员清单中的重点人员,可根据需要灵活添加,此处不做限定。
在一些可选的实施例中,服务器提取图像数据中的关键信息,关键信息包括重点人员的名称、所在地点、当前时间等。
在另一些可选的实施例中,当监控***识别出重点人员时,将其标识并提取出关键信息。这包括重点人员的名称、所在地点、当前时间等。
在一个场景下,监控***采集到如下图像数据:张三在10点乘车经过xx大桥。服务器将图像数据转换成当前行为数据{p_id:“xxxx”,t:Time_Positiona l_Encoding,location:locEmbedding,action:actEmbedding}。其中,p_id为重点人员的名称id,对应张三;t为当前时间,在模型训练时进行位置编码,对应10点;loc为重点人员所在地点,采用词嵌入编码成向量格式,对应xx大桥;action为重点人员的动作,对应“乘车经过”,进行词嵌入编码。
需要说明的是,位置和动作可能包含多个单词,例如“乘车经过”,会被当作“乘车”、“经过”两个词,此时可通过加权平均或选择评分表中最高的词,保证仍然只有一个词向量表示。
S202,服务器将当前行为数据和重点人员的历史行为数据拼接得到重点人员的当前行为序列,重点人员的历史行为数据由服务器从数据库调用得到。
在一个场景下,数据库存储有大量重点人员的历史行为数据或图像数据,例如“张三在xx时分,驾车经过xx地点”,或者“张三在xx时分,在xx地点倒垃圾”等;
在一些可选的实施例中,拼接过程中,重点人员的历史行为数据可以时间和事件数量灵活配置,例如查出张三近半年100个历史行为数据。
在一些可选的实施例中,通过将当前行为数据和历史行为数据按照时间顺序进行排序,并将它们进行合并或串联来拼接得到重点人员的当前行为序列,例如:{t:'t1',location:'x1',action:'a1'},{t:'t2',location:'x2',action:'a2',...},{},{},{}...,{t:'t1',location:'x1',action:'a1'}为一个历史行为数据,{t:'t2',location:'x2',action:'a2',...}为另一个历史行为数据;当然,还可以根据具体需求,还可以对数据进行适当的预处理、清洗或筛选,此处不做限定。
S203,服务器将当前行为序列输入行为预警模型得到未来行为数据,未来行为数据包括动作行为、与动作行为对应的动作行为概率。
在一个场景下,张三的未来行为数据为[{“predict_action”“第一不合规行为”,p:0.82},{“predict_action”:“第二不合规行为”,p:0.1},{“predi ct_action”:“第三不合规行为”,p:0.08}...]。
在一些实施例中,行为预警模型基于Transformer架构的Encoder模块,是一种多层注意力机制,可以有效的建立不同元素之间的关联,对应于本发明中的不同行为数据之间的关联。
Transformer为通用基础神经网络单元,最开始使用在自然语言处理,取得巨大突破,逐渐取代传统RNN系列算法。Transformer的核心为多层的自注意力机制,此处不做说明。
行为预警模型基于Bert算法(其本身也是基于transformer);Bert通过两个不同的预训练任务,分别是MLM(Masked Language Model)和NSP(Ne xt SentencePrediction),使得它在NLP中取得非常好的效果。
参考图3,图3为本申请提供的基于多层注意力的重点人员行为预警方法中行为预警模型的架构图。
行为预警模型的构架为:
输入层,用于提取当前行为序列成提取数据;
词嵌入层,与输入层的输出端连接,用于将提取数据转换成编码数据;
特征提取层,与词嵌入层的输出端连接,用于提取编码数据中的特征数据得到类别编码;
多层感知机层,与特征提取层的输出端连接,用于根据类别编码得到动作行为概率;
归一层,与多层感知机层的输出端连接,用于将动作行为概率进行归一化得到未来行为数据;
输出层,与归一层的输出端连接,用于输出当前未来数据。
在一些实施例中,服务器在监控***输出的图像数据中发现重点人员的情况下,服务器获取重点人员的当前行为数据之前,方法还包括:服务器根据训练数据对行为预警模型进行训练,行为预警模型的训练数据包括:训练人员的名称、训练动作行为、若干个历史行为训练数据,历史行为训练数据包括训练人员所在地点、训练时间、训练人员的动作;
输入层具体包括:第一子输入层、第二子输入层、第三子输入层、若干个第四子输入层;
第一子输入层,用于增加标识数据;
第二子输入层,用于提取训练人员的名称成名称提取数据;
第三子输入层,用于提取训练动作行为成动作提取数据;
第四子输入层,用于提取历史行为训练数据成历史行为提取数据;
词嵌入层具体用于,将标识数据、名称提取数据、动作提取数据、历史行为提取数据转换成编码数据。
在一些实施例中,训练数据包括训练人员的名称,记为X,以及此人的训练动作行为,记为Y。例如,张三在发送第二不合规行为行为前近一个月的行为数据:{X:[{t:'t1',location:'x1',action:'a1'},{t:'t2',location:'x2',action:'a2',...},{},{},{}...],Y:'第二不合规行为'},其中X为张三,Y:'第二不合规行为'为第二不合规行为行为,{t:'t1',location:'x1',action:'a1'}为历史行为训练数据,t:'t1'为训练时间,location:'x1'为训练人员所在地点,action:'a1'为训练人员的动作。
输入层,提取当前行为序列成提取数据,第一子输入层增加“CLS”为标识符,表示分类信息,第四子输入层将{t:'t1',location:'x1',action:'a1'}转换成,x1=Time_Positional_Encoding+locEmbedding+actEmbedding,即时间向量、地点向量、动作向量之和,每个向量为512维,则x1也是512维。
特征提取层内部的算法为Bert算法。
多层感知机层设置隐藏层个数为3,激活函数为ReLU。
归一层内部的算法为Softmax算法。
在一些实施例中,根据训练数据对行为预警模型进行训练,具体包括:服务器根据行为预警模型的损失函数对行为预警模型进行优化,行为预警模型的损失函数为:
式中,L为损失函数,Li为训练样本i的损失,N为训练样本总数,c为类别,yic在训练样本i的真实类别等于类别c时为1,yic在训练样本i的真实类别等于类别c时为0,pic为训练样本i的真实等于类别c的概率。
为了模型更加准确,需要包括正负样本。正样本:重点人员不合规训练数据;负样本:普通人正常训练数据。
S204,在动作行为概率中危险动作行为概率大于对应的危险动作行为阈值的情况下,服务器向告警平台发送包含预测数据的第一指令,使告警平台根据预测数据对重点人员进行处理,预测数据包括重点人员的名称、重点人员所在地点、当前时间、与危险动作行为概率对应的危险动作行为、危险动作行为概率。
在一个场景下,张三的未来行为数据为[{“predict_action”:“第一不合规行为”,p:0.82},{“predict_action”:“第二不合规行为”,p:0.1},{“predi ct_action”:“第三不合规行为”,p:0.08}...],动作行为概率中危险动作行为概率p:0.82大于对应的危险动作行为阈值0.50。
可见,服务器在监控***输出的图像数据中发现重点人员的情况下,才获取重点人员的当前行为数据为实时数据,可以实时推理重点人员的动作行为,提高了基于多层注意力的重点人员行为预警***的响应速度,便于快速发现、快速分析、快速决策,同时将当前行为数据和重点人员的历史行为数据拼接得到重点人员的当前行为序列,来增加行为数据的数据量,进而提高行为预警结果的准确性。
下面结合图4所示实施例,对本申请实施例中敏感数据传输方法进行更加具体描述:
参考图4,图4为本申请提供的基于多层注意力的重点人员行为预警方法的另一个流程示意图。
S401、监控***发送图像数据至消息队列服务器。
此实施例采用的步骤与上述实施例采用的步骤属于同一构思,其具体实现过程详见步骤S201,此处不再赘述。
S402、根据预先存储的配置清单获得服务器的当前信息处理能力。
在一些可选的实施例中,配置清单存储:服务器的配置清单预先存储在数据库或其他适当的存储介质中。配置清单应包含服务器的硬件规格、操作***版本、处理器类型和数量、内存容量、硬盘容量等关键信息。
服务器在监控***输出的图像数据中发现重点人员的情况下,将读取到的配置信息进行解析和处理,根据配置清单中的规格和参数,计算出服务器的信息处理能力,例如,根据处理器型号和数量、内存容量等指标,可以计算出服务器的计算能力和内存容量。
需要注意的是,配置清单应该提供准确的信息,以便服务器能够正确计算和输出当前信息处理能力。同时,服务器的配置清单应根据实际情况进行更新和维护,以保持信息的准确性和及时性。
S403、服务器根据当前信息处理能力从消息队列服务器中调用极限图像数据。
极限图像数据为监控***输出至消息队列服务器中的图像数据,且为图像数据中要求信息处理能力低于当前信息处理能力的部分图像数据;
S404、监控***发送图像数据至数据库。
需要说明的是,监控***获取的数据,一部分进入服务器,另一部分保存至数据库,来使数据持久化。
S405、在监控***输出的图像数据中发现重点人员的情况下,服务器根据图像识别将极限图像数据转成文本数据。
通过将图像识别结果转化为文字描述、标签或其他文本格式来实现,来实现将图像数据转成文本数据。
S406、服务器将文本数据向量化得到重点人员的当前行为数据。
此实施例采用的步骤与上述实施例采用的步骤属于同一构思,其具体实现过程详见步骤S201,此处不再赘述。
S407、服务器从数据库中获取重点人员的历史行为数据。
此实施例采用的步骤与上述实施例采用的步骤属于同一构思,其具体实现过程详见步骤S202,此处不再赘述。
S408、服务器将当前行为数据和重点人员的历史行为数据拼接得到重点人员的当前行为序列。
此实施例采用的步骤与上述实施例采用的步骤属于同一构思,其具体实现过程详见步骤S202,此处不再赘述。
S409、服务器发送当前行为序列至数据库。
S410、将当前行为序列输入行为预警模型得到未来行为数据。
此实施例采用的步骤与上述实施例采用的步骤属于同一构思,其具体实现过程详见步骤S203,此处不再赘述。
在一些场景下,张三在有关单位的未来行为数据包括{“predict_action”:“第一不合规行为”,p:0.82},但针对有关单位这个地点,发生第一不合规行为这个危险动作行为的概率是极低的,又或者,张三在小道的未来行为数据为包括{“predict_action”:“第三不合规行为”,p:0.02},但针对小道这个地点,发生第三不合规行为这个危险动作行为的概率是极高的,因此导致获取的未来行为数据并没有充分考虑到重点人员所在地点。
S411、服务器获取重点人员所在地点的地点权重列表。
地点权重列表包括若干个动作行为和若干个对应动作行为对应的动作行为权重。
地点权重列表对于每个确定的地点,根据对应动作行为出现的频繁出现次数指标,计算地点的权重。可以根据需求设定不同的权重计算算法,例如基于频次统计的加权计算、基于时间的加权计算等。
S412、服务器根据地点权重列表和未来行为数据确定优化后未来行为数据。
优化后未来行为数据包括动作行为、与动作行为对应的优化动作行为概率,优化动作行为概率由动作行为概率和与动作行为概率对应的动作行为权重确定。
S413、在优化动作行为概率中优化危险动作行为概率大于对应的危险动作行为阈值的情况下,服务器向告警平台发送包含预测数据的第一指令,使告警平台根据预测数据做出对重点人员进行处理,预测数据包括重点人员的名称、重点人员所在地点、当前时间、与危险动作行为概率对应的危险动作行为、优化危险动作行为概率。
可见,在未来行为数据的基础上又考虑到重点人员所在地点对应的动作行为权重,来使后续获得的优化危险动作行为概率更加准确。
下述为本申请的装置实施例,可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请方法实施例。
本申请实施例提供了一种应用于基于多层注意力的重点人员行为服务器,应用于敏感数据传输***,适用于基于多层注意力的重点人员行为预警***,基于多层注意力的重点人员行为预警***包括用于获取图像数据的监控***,基于多层注意力的重点人员行为预警***还包括用于保存历史行为数据的数据库、告警平台,服务器包括:
获取模块501,用于在监控***输出的图像数据中发现重点人员的情况下,获取重点人员的当前行为数据,当前行为数据包括重点人员的名称、重点人员所在地点、当前时间、重点人员的动作,重点人员为预设重点人员清单中的任意人员;
拼接模块502,用于将当前行为数据和重点人员的历史行为数据拼接得到重点人员的当前行为序列,重点人员的历史行为数据由服务器从数据库调用得到;
输入模块503,用于将当前行为序列输入行为预警模型得到未来行为数据,未来行为数据包括动作行为、与动作行为对应的动作行为概率;
发送模块504,用于在动作行为概率中危险动作行为概率大于对应的危险动作行为阈值的情况下,向告警平台发送包含预测数据的第一指令,使告警平台根据预测数据对重点人员进行处理,预测数据包括重点人员的名称、重点人员所在地点、当前时间、与危险动作行为概率对应的危险动作行为、危险动作行为概率。
在一些实施例中,行为预警模型的构架为:
输入层,用于提取当前行为序列成提取数据;
词嵌入层,与输入层的输出端连接,用于将提取数据转换成编码数据;
特征提取层,与词嵌入层的输出端连接,用于提取编码数据中的特征数据得到类别编码;
多层感知机层,与特征提取层的输出端连接,用于根据类别编码得到动作行为概率;
归一层,与多层感知机层的输出端连接,用于将动作行为概率进行归一化得到当前行为数据;
输出层,与归一层的输出端连接,用于输出当前行为数据。
在一些实施例中,服务器还包括:
训练模块,用于根据训练数据对行为预警模型进行训练,行为预警模型的训练数据包括:训练人员的名称、训练动作行为、若干个历史行为训练数据,历史行为训练数据包括训练人员所在地点、训练时间、训练人员的动作;
在一些实施例中,训练模块,具体包括:
损失函数,用于根据行为预警模型的损失函数对行为预警模型进行优化,行为预警模型的损失函数为:
式中,L为损失函数,Li为训练样本i的损失,N为训练样本总数,c为类别,yic在训练样本i的真实类别等于类别c时为1,yic在训练样本i的真实类别等于类别c时为0,pic为训练样本i的真实等于类别c的概率。
在一些实施例中,服务器还包括:
清单模块,用于根据预先存储的配置清单获得服务器的当前信息处理能力;
调用模块,根据当前信息处理能力从消息队列服务器中调用极限图像数据,极限图像数据为监控***输出至消息队列服务器中的图像数据,且为图像数据中要求信息处理能力低于当前信息处理能力的部分图像数据;
获取模块包括:
第一获取子模块,用于服务器在消息队列服务器输出的调用极限图像数据中发现重点人员的情况下获取重点人员的当前行为数据,当前行为数据包括重点人员的名称、重点人员所在地点、当前时间、重点人员的动作,重点人员为预设重点人员清单中的任意人员。
在一些实施例中,获取模块包括:
第二获取子模块,用于服务器在监控***输出的图像数据中发现重点人员的情况下,根据图像识别将图像数据转成文本数据,文本数据包括重点人员的名称,重点人员所在地点、当前时间、重点人员的动作;
第三获取子模块,用于将文本数据向量化得到重点人员的当前行为数据。
在一些实施例中,服务器还包括;
权重模块,用于获取重点人员所在地点的地点权重列表,地点权重列表包括若干个动作行为和若干个对应动作行为对应的动作行为权重;
优化模块,用于根据地点权重列表和未来行为数据确定优化后未来行为数据,优化后未来行为数据包括动作行为、与动作行为对应的优化动作行为概率,优化动作行为概率由动作行为概率和与动作行为概率对应的动作行为权重确定;
发送模块,包括:发送子模块,用于在优化动作行为概率中优化危险动作行为概率大于对应的危险动作行为阈值的情况下,向告警平台发送包含预测数据的第一指令,使告警平台根据预测数据做出对重点人员进行处理,预测数据包括重点人员的名称、重点人员所在地点、当前时间、与危险动作行为概率对应的危险动作行为、优化危险动作行为概率。
需要说明的是:上述实施例提供的装置在实现其功能时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的装置和方法实施例属于同一构思,其具体实现过程详见方法实施例,此处不再赘述。
本申请实施例还提供了一种计算机存储介质,所述计算机存储介质可以存储有多条指令,所述指令适于由处理器加载并执行如上述图1-图5所示实施例的基于多层注意力的重点人员行为预警方法,具体执行过程可以参加图1-图5所示实施例的具体说明,在此不进行赘述。
本申请还公开一种服务器。参照图6,为本申请提供的基于多层注意力的重点人员行为预警服务器的实体装置的示意图。该服务器600可以包括:至少一个处理器601,至少一个网络接口604,用户接口603,存储器605,至少一个通信总线602。
其中,通信总线602用于实现这些组件之间的连接通信。
其中,用户接口603可以包括显示屏(Display)、摄像头(Camera),可选用户接口603还可以包括标准的有线接口、无线接口。
其中,网络接口604可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中,处理器601可以包括一个或者多个处理核心。处理器601利用各种接口和线路连接整个服务器内的各个部分,通过运行或执行存储在存储器605内的指令、程序、代码集或指令集,以及调用存储在存储器605内的数据,执行服务器的各种功能和处理数据。可选的,处理器601可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable LogicArray,PLA)中的至少一种硬件形式来实现。处理器601可集成中央处理器(CentralProcessing Unit,CPU)、图像处理器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作***、用户界面和应用程序等;GPU用于负责显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器601中,单独通过一块芯片进行实现。
其中,存储器605可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory)。可选的,该存储器605包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器605可用于存储指令、程序、代码、代码集或指令集。存储器605可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作***的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及的数据等。存储器605可选的还可以是至少一个位于远离前述处理器601的存储装置。参照图6,作为一种计算机存储介质的存储器405中可以包括操作***、网络通信模块、用户接口模块以及基于多层注意力的重点人员行为预警的应用程序。
在图6所示的服务器600中,用户接口603主要用于为用户提供输入的接口,获取用户输入的数据;而处理器601可以用于调用存储器605中存储的基于多层注意力的重点人员行为预警的应用程序,当由一个或多个处理器601执行时,使得服务器600执行如上述实施例中一个或多个所述的方法。需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必需的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几种实施方式中,应该理解到,所披露的装置,可通过其他的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些服务接口,装置或单元的间接耦合或通信连接,可以是电性或其他的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储器中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储器包括:U盘、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述者,仅为本公开的示例性实施例,不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰,皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践真理的公开后,将容易想到本公开的其他实施方案。
本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的范围和精神由权利要求限定。
Claims (9)
1.一种基于多层注意力的重点人员行为预警方法,应用于基于多层注意力的重点人员行为预警***,所述基于多层注意力的重点人员行为预警***包括用于获取图像数据的监控***,其特征在于,所述基于多层注意力的重点人员行为预警***还包括服务器、用于保存历史行为数据的数据库以及告警平台,所述方法包括:
所述服务器根据训练数据对所述行为预警模型进行训练,所述行为预警模型的训练数据包括:训练人员的名称、训练动作行为、若干个历史行为训练数据,所述历史行为训练数据包括训练人员所在地点、训练时间、训练人员的动作;
所述服务器在所述监控***输出的图像数据中发现重点人员的情况下,所述服务器获取所述重点人员的当前行为数据,所述当前行为数据包括重点人员的名称、重点人员所在地点、当前时间、重点人员的动作,所述重点人员为预设重点人员清单中的任意人员;
所述服务器将所述当前行为数据和所述重点人员的历史行为数据拼接得到所述重点人员的当前行为序列,所述重点人员的历史行为数据由所述服务器从所述数据库调用得到;
所述服务器将所述当前行为序列输入行为预警模型得到未来行为数据,所述未来行为数据包括动作行为、与所述动作行为对应的动作行为概率;所述行为预警模型的构架为:输入层,用于提取所述当前行为序列成提取数据;词嵌入层,与所述输入层的输出端连接,用于将所述提取数据转换成编码数据;特征提取层,与所述词嵌入层的输出端连接,用于提取所述编码数据中的特征数据得到类别编码;多层感知机层,与所述特征提取层的输出端连接,用于根据所述类别编码得到所述动作行为概率;归一层,与所述多层感知机层的输出端连接,用于将所述动作行为概率进行归一化得到所述未来行为数据;输出层,与所述归一层的输出端连接,用于输出所述未来行为数据;
在所述动作行为概率中危险动作行为概率大于对应的危险动作行为阈值的情况下,所述服务器向所述告警平台发送包含预测数据的第一指令,使所述告警平台根据所述预测数据对所述重点人员进行处理,所述预测数据包括所述重点人员的名称、所述重点人员所在地点、所述当前时间、与所述危险动作行为概率对应的所述危险动作行为、所述危险动作行为概率。
2.根据权利要求1所述的基于多层注意力的重点人员行为预警方法,其特征在于,所述服务器在所述监控***输出的图像数据中发现重点人员的情况下,所述服务器获取所述重点人员的当前行为数据之前,所述方法还包括:
所述输入层具体包括:第一子输入层、第二子输入层、第三子输入层、若干个第四子输入层;
所述第一子输入层,用于增加标识数据;
所述第二子输入层,用于提取所述训练人员的名称成名称提取数据;
所述第三子输入层,用于提取所述训练动作行为成动作提取数据;
所述第四子输入层,用于提取历史行为训练数据成历史行为提取数据;
所述词嵌入层具体用于,将所述标识数据、所述名称提取数据、所述动作提取数据、所述历史行为提取数据转换成所述编码数据。
3.根据权利要求1所述的基于多层注意力的重点人员行为预警方法,其特征在于,所述根据训练数据对所述行为预警模型进行训练,具体包括:
所述服务器根据行为预警模型的损失函数对所述行为预警模型进行优化,所述行为预警模型的损失函数为:
式中,L为损失函数,Li为训练样本i的损失,N为训练样本总数,c为类别,yic在训练样本i的真实类别等于类别c时为1,yic在训练样本i的真实类别等于类别c时为0,pic为训练样本i的真实等于类别c的概率。
4.根据权利要求1所述的基于多层注意力的重点人员行为预警方法,其特征在于,所述基于多层注意力的重点人员行为预警***还包括消息队列服务器,所述服务器在监控***输出的图像数据中发现重点人员的情况下,所述服务器获取所述重点人员的当前行为数据之前,所述方法还包括:
所述服务器根据预先存储的配置清单获得所述服务器的当前信息处理能力;
所述服务器根据当前信息处理能力从所述消息队列服务器中调用极限图像数据,所述极限图像数据为所述监控***输出至所述消息队列服务器中的图像数据,且为所述图像数据中要求信息处理能力低于所述当前信息处理能力的部分图像数据;
所述服务器在监控***输出的图像数据中发现重点人员的情况下,所述服务器获取所述重点人员的当前行为数据,具体包括:
所述服务器在所述消息队列服务器输出的调用极限图像数据中发现重点人员的情况下,所述服务器获取所述重点人员的当前行为数据,所述当前行为数据包括重点人员的名称、重点人员所在地点、当前时间、重点人员的动作,所述重点人员为预设重点人员清单中的任意人员。
5.根据权利要求1所述的基于多层注意力的重点人员行为预警方法,其特征在于,所述服务器在监控***输出的图像数据中发现重点人员的情况下,所述服务器获取所述重点人员的当前行为数据,具体包括:
所述服务器在监控***输出的图像数据中发现重点人员的情况下,所述服务器根据图像识别将所述图像数据转成文本数据,所述文本数据包括重点人员的名称,重点人员所在地点、当前时间、重点人员的动作;
所述服务器将所述文本数据向量化得到所述重点人员的当前行为数据。
6.根据权利要求1所述的基于多层注意力的重点人员行为预警方法,其特征在于,所述服务器将所述当前行为序列输入所述行为预警模型得到未来行为数据,所述未来行为数据包括动作行为、与所述动作行为对应的动作行为概率之后,所述方法还包括:
所述服务器获取所述重点人员所在地点的地点权重列表,所述地点权重列表包括若干个动作行为和若干个对应动作行为对应的动作行为权重;
所述服务器根据所述地点权重列表和所述未来行为数据确定优化后未来行为数据,所述优化后未来行为数据包括所述动作行为、与所述动作行为对应的优化动作行为概率,所述优化动作行为概率由所述动作行为概率和与所述动作行为概率对应的所述动作行为权重确定;
所述在所述动作行为概率中危险动作行为概率大于对应的危险动作行为阈值的情况下,所述服务器向告警平台发送包含预测数据的第一指令,具体包括:
在所述优化动作行为概率中优化危险动作行为概率大于对应的危险动作行为阈值的情况下,所述服务器向告警平台发送包含预测数据的第一指令,使告警平台根据预测数据做出对重点人员进行处理,所述预测数据包括所述重点人员的名称、所述重点人员所在地点、所述当前时间、与所述危险动作行为概率对应的所述危险动作行为、所述优化危险动作行为概率。
7.一种应用于基于多层注意力的重点人员行为服务器,适用于基于多层注意力的重点人员行为预警***,所述基于多层注意力的重点人员行为预警***包括用于获取图像数据的监控***,其特征在于,所述基于多层注意力的重点人员行为预警***还包括用于保存历史行为数据的数据库、告警平台,所述服务器包括:
训练模块,用于根据训练数据对所述行为预警模型进行训练,所述行为预警模型的训练数据包括:训练人员的名称、训练动作行为、若干个历史行为训练数据,所述历史行为训练数据包括训练人员所在地点、训练时间、训练人员的动作;
获取模块,用于在所述监控***输出的图像数据中发现重点人员的情况下,获取所述重点人员的当前行为数据,所述当前行为数据包括重点人员的名称、重点人员所在地点、当前时间、重点人员的动作,所述重点人员为预设重点人员清单中的任意人员;
拼接模块,用于将所述当前行为数据和所述重点人员的历史行为数据拼接得到所述重点人员的当前行为序列,所述重点人员的历史行为数据由所述服务器从所述数据库调用得到;
输入模块,用于将所述当前行为序列输入行为预警模型得到未来行为数据,所述未来行为数据包括动作行为、与所述动作行为对应的动作行为概率;所述行为预警模型的构架为:输入层,用于提取所述当前行为序列成提取数据;词嵌入层,与所述输入层的输出端连接,用于将所述提取数据转换成编码数据;特征提取层,与所述词嵌入层的输出端连接,用于提取所述编码数据中的特征数据得到类别编码;多层感知机层,与所述特征提取层的输出端连接,用于根据所述类别编码得到所述动作行为概率;归一层,与所述多层感知机层的输出端连接,用于将所述动作行为概率进行归一化得到所述未来行为数据;输出层,与所述归一层的输出端连接,用于输出所述未来行为数据;
发送模块,用于在所述动作行为概率中危险动作行为概率大于对应的危险动作行为阈值的情况下,向所述告警平台发送包含预测数据的第一指令,使所述告警平台根据所述预测数据对所述重点人员进行处理,所述预测数据包括所述重点人员的名称、所述重点人员所在地点、所述当前时间、与所述危险动作行为概率对应的所述危险动作行为、所述危险动作行为概率。
8.一种电子设备,其特征在于,包括:一个或多个处理器和存储器;
所述存储器与所述一个或多个处理器耦合,所述存储器用于存储计算机程序代码,所述计算机程序代码包括计算机指令,所述一个或多个处理器调用所述计算机指令以使得所述电子设备执行如权利要求1-6中任一项所述的方法。
9.一种计算机可读存储介质,包括指令,其特征在于,当所述指令在电子设备上运行时,使得所述电子设备执行如权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311055950.XA CN117612243B (zh) | 2023-08-18 | 2023-08-18 | 一种基于多层注意力的重点人员行为预警方法及服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311055950.XA CN117612243B (zh) | 2023-08-18 | 2023-08-18 | 一种基于多层注意力的重点人员行为预警方法及服务器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117612243A CN117612243A (zh) | 2024-02-27 |
CN117612243B true CN117612243B (zh) | 2024-06-28 |
Family
ID=89942995
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311055950.XA Active CN117612243B (zh) | 2023-08-18 | 2023-08-18 | 一种基于多层注意力的重点人员行为预警方法及服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117612243B (zh) |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106128028B (zh) * | 2016-07-21 | 2018-11-20 | 深圳奇迹智慧网络有限公司 | 一种基于mac码和人脸识别的人流预警方法 |
CN110222554A (zh) * | 2019-04-16 | 2019-09-10 | 深圳壹账通智能科技有限公司 | 欺诈识别方法、装置、电子设备及存储介质 |
CN110490078B (zh) * | 2019-07-18 | 2024-05-03 | 平安科技(深圳)有限公司 | 监控视频处理方法、装置、计算机设备和存储介质 |
CN110826522A (zh) * | 2019-11-15 | 2020-02-21 | 广州大学 | 人体异常行为监控方法、***、存储介质及监控设备 |
CN111177714B (zh) * | 2019-12-19 | 2022-07-08 | 未鲲(上海)科技服务有限公司 | 异常行为检测方法、装置、计算机设备和存储介质 |
CN113254761A (zh) * | 2021-01-04 | 2021-08-13 | 北京汇达城数科技发展有限公司 | 特定行为信息智能预警***及方法 |
CN113869355B (zh) * | 2021-08-17 | 2024-05-24 | 杭州华亭科技有限公司 | 一种基于XGBoost的人员危险性评估方法 |
CN114239674A (zh) * | 2021-10-29 | 2022-03-25 | 南京视察者智能科技有限公司 | 一种基于大数据的人员违法预警模型的实现方法 |
CN114463036A (zh) * | 2021-12-24 | 2022-05-10 | 深圳前海微众银行股份有限公司 | 一种信息处理方法及装置、存储介质 |
CN114372620A (zh) * | 2021-12-28 | 2022-04-19 | 天津汇智星源信息技术有限公司 | 基于轨迹预测的目标人员动态风险预警方法及相关设备 |
CN114332766A (zh) * | 2021-12-28 | 2022-04-12 | 城云科技(中国)有限公司 | 基于行动规律的危险行为预警方法、装置及其应用 |
CN116561327B (zh) * | 2023-07-11 | 2023-09-08 | 北京全景智联科技有限公司 | 基于聚类算法的政务数据管理方法 |
-
2023
- 2023-08-18 CN CN202311055950.XA patent/CN117612243B/zh active Active
Non-Patent Citations (2)
Title |
---|
"基于BP神经网络的零售户销售假烟行为的预警模型";郭军等;《电子技术与软件工程》;20181130;第21卷;全文 * |
"基于多模态多粒度图卷积网络的老年人日常行为识别";丁静; 舒祥波; 黄捧; 姚亚洲; 宋砚;《软件学报》;20230531;第34卷(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117612243A (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110910901B (zh) | 一种情绪识别方法及装置、电子设备和可读存储介质 | |
CN112905421A (zh) | 基于注意力机制的lstm网络的容器异常行为检测方法 | |
CN110619535B (zh) | 一种数据处理方法及其装置 | |
CN111177367B (zh) | 案件分类方法、分类模型训练方法及相关产品 | |
CN113420556A (zh) | 基于多模态信号的情感识别方法、装置、设备及存储介质 | |
CN115761839A (zh) | 人脸活体检测模型的训练方法、人脸活体检测方法及装置 | |
CN117632654A (zh) | 一种运维风险等级评估方法、装置、电子设备及存储介质 | |
CN108268602A (zh) | 分析文本话题点的方法、装置、设备和计算机存储介质 | |
CN114422271A (zh) | 数据处理方法、装置、设备及可读存储介质 | |
CN113626717A (zh) | 一种舆情监测的方法、装置、电子设备和存储介质 | |
CN113743522A (zh) | 违规行为的检测方法及装置、电子设备 | |
CN111797194B (zh) | 文本风险检测方法、装置、电子设备及存储介质 | |
CN117612243B (zh) | 一种基于多层注意力的重点人员行为预警方法及服务器 | |
CN116633804A (zh) | 网络流量检测模型的建模方法、防护方法及相关设备 | |
CN117274868A (zh) | 一种基于大模型对视频进行交通事件识别方法及*** | |
CN117149996A (zh) | 面向人工智能应用的人机界面数字会话挖掘方法及ai*** | |
CN117764373A (zh) | 风险预测的方法、装置、设备及存储介质 | |
CN117114707A (zh) | 出险反欺诈预测模型的训练方法、预测方法和装置 | |
CN116543798A (zh) | 基于多分类器的情感识别方法和装置、电子设备、介质 | |
Njoku et al. | MetaHate: Text-based Hate Speech Detection for Metaverse Applications using Deep Learning | |
CN117332039B (zh) | 文本检测方法、装置、设备和存储介质 | |
CN113868417A (zh) | 一种敏感评论识别方法、装置、终端设备和存储介质 | |
CN113888760A (zh) | 基于软件应用的违规信息监控方法、装置、设备及介质 | |
CN113449506A (zh) | 一种数据检测方法、装置、设备及可读存储介质 | |
CN113011875A (zh) | 文本处理方法、装置、计算机设备以及存储介质 |
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 |