WO2023124451A1 - 用于生成告警事件的方法、装置、设备和存储介质 - Google Patents

用于生成告警事件的方法、装置、设备和存储介质 Download PDF

Info

Publication number
WO2023124451A1
WO2023124451A1 PCT/CN2022/126918 CN2022126918W WO2023124451A1 WO 2023124451 A1 WO2023124451 A1 WO 2023124451A1 CN 2022126918 W CN2022126918 W CN 2022126918W WO 2023124451 A1 WO2023124451 A1 WO 2023124451A1
Authority
WO
WIPO (PCT)
Prior art keywords
target
target person
person
scene image
image
Prior art date
Application number
PCT/CN2022/126918
Other languages
English (en)
French (fr)
Inventor
宋述铕
Original Assignee
上海商汤智能科技有限公司
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 上海商汤智能科技有限公司 filed Critical 上海商汤智能科技有限公司
Publication of WO2023124451A1 publication Critical patent/WO2023124451A1/zh

Links

Images

Classifications

    • 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
    • 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
    • G06V10/70—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
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • G06V40/70—Multimodal biometrics, e.g. combining information from different biometric modalities
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data

Definitions

  • the present disclosure at least discloses a method for generating an alarm event.
  • the method may include: identifying persons in one or more scene images collected at one or more monitoring sites, determining a target person appearing in the scene image, wherein the target person is identified
  • the on-site image of the target is called the target on-site image; determine the position where the target person is recognized when appearing in the target on-site image and the time when the target person appears in the target on-site image; Perform form recognition on the target person appearing in the target scene image to determine the target person's form in the target scene image; in response to the time when the target person appears in the target scene image, the target
  • the position where the person is recognized when appearing in the target scene image, and at least one of the appearance of the target person in the target scene image conforms to a preset rule, and an alarm event is generated.
  • the alarm event includes the target scene image and detection information of the target scene image.
  • the method further includes: sending the movement track of the target person to the N preset devices closest to the target person, where N is a positive integer; wherein, the target The movement trajectory of the person is generated according to the location where the target person is recognized when appearing in the multiple target scene images and the time when the target person appears in the multiple target scene images respectively.
  • the performing form recognition on the target person appearing in the target scene image, and determining the form of the target person in the target scene image include: performing personnel identification on the target scene image Object detection, obtaining a first person detection frame corresponding to the target person in the target scene image; determining a person image indicated by the first person detection frame in the scene image according to the first person detection frame;
  • the shape classification network is used to classify the person image to obtain the shape of the target person; wherein the shape classification network includes a neural network trained based on image samples marked with shape information of the person object.
  • the performing form recognition on the target person appearing in the target scene image to determine the target person's form in the target scene image includes: respectively performing Personnel object detection and vehicle detection, obtaining a second person detection frame and a vehicle detection frame corresponding to the target person; in response to the coincidence degree of the second person detection frame and a certain vehicle detection frame reaching a preset coincidence degree threshold, determine The form of the target person is driving a vehicle; in response to the coincidence degree of the second person detection frame and any vehicle detection frame not reaching the preset coincidence degree threshold, it is determined that the form of the target person is walking.
  • the preset rule includes that the form of the target person changes from walking or driving a non-target vehicle to driving a target vehicle; in response to the time when the target person appears in the target scene image, At least one of the position where the target person is identified when he appears in the target scene image and the shape of the target person in the target scene image conforms to a preset rule, and an alarm event is generated, including: acquiring the a first form possessed by the target person at a first time, and a second form possessed by the target person at a second time, wherein the second time is later than the first time; in response to the first form comprising Walking or driving a non-target vehicle, and the second form includes driving the target vehicle, generating an alarm event; and/or, acquiring the third position and the third form possessed by the target person at a third time, and the The fourth position and the fourth form possessed by the target person at the fourth time, wherein the fourth time is later than the third time; in response to the third form including walking or driving a non-
  • the preset rule includes that the duration of the target person staying in the parking area of the non-preset cell reaches a preset threshold; , the location where the target person is identified when appearing in the target scene image, and at least one of the target person’s form in the target scene image conforms to a preset rule, generating an alarm event, including: According to the time when the target person appears, where he is, and the shape of the target person, determine the length of time the target person stays in a parking area other than the preset community; in response to the length of stay reaching a preset threshold , generating an alert event.
  • a second determining module configured to perform form recognition on the target person appearing in the target scene image, and determine the form of the target person in the target scene image; generate A module, configured to respond to the time when the target person appears in the target scene image, the location where the target person is recognized when appearing in the target scene image, and the target person's location in the target scene At least one of the morphologies in the live image conforms to a preset rule, and an alarm event is generated.
  • the present disclosure also proposes an electronic device, including: a processor; a memory for storing processor-executable instructions; wherein, the processor executes the processor-executable instructions to implement any of the aforementioned embodiments.
  • Method for generating alert events including: a processor; a memory for storing processor-executable instructions; wherein, the processor executes the processor-executable instructions to implement any of the aforementioned embodiments.
  • the present disclosure also provides a computer-readable storage medium, where the storage medium stores a computer program, and the computer program is used to cause a processor to execute the method for generating an alarm event as shown in any one of the foregoing embodiments.
  • FIG. 2 is a flow chart of a method for identifying a target person shown in an embodiment of the present disclosure
  • FIG. 3 is a schematic flowchart of a method for identifying a person's form shown in an embodiment of the present disclosure
  • FIG. 4 is a schematic flowchart of a method for identifying a person's form shown in an embodiment of the present disclosure
  • Fig. 8 is a schematic diagram of a hardware structure of an electronic device according to an embodiment of the present disclosure.
  • FIG. 1 is a schematic flowchart of a method for generating an alarm event according to an embodiment of the present disclosure.
  • the method shown in FIG. 1 can be applied to electronic equipment.
  • the electronic device may implement the method by carrying software logic corresponding to the method for generating the alarm event.
  • the electronic device can be a notebook computer, a computer, a server, a mobile phone, a personal digital assistant (Personal Digital Assistant, PDA) and the like.
  • PDA Personal Digital Assistant
  • the electronic device may also be a client device or a server device, and the type of the electronic device is not particularly limited in the present disclosure.
  • a target detection network may be used to detect personnel objects.
  • the target detection network may be a network obtained by pre-training based on image samples marked with human object detection frame information.
  • the first person detection frame corresponding to the target person can be detected through the network.
  • At least one of the target person's time, location, and target person's appearance in the live image may conform to a preset rule.
  • the target preset rule may be a modified rule of an existing preset rule, or a newly added preset rule.
  • the distance between the acquired device location and the location corresponding to the target person can be determined through a third-party map (such as Gaode map).
  • a third-party map such as Gaode map
  • the movement trajectory of the target person may be sent to the N preset devices with the closest distance to the target person.
  • the target behavior in this example includes the behavior of stealing electric vehicles.
  • the target person is a person who has stolen an electric vehicle.
  • the target person C it is found that it is tracked to ride a shared bicycle (with a third form) at the gate of the community (third position) at the third time, and it is tracked at the gate of the community (the third position) at the fourth time afterwards.
  • the fourth position) riding an electric vehicle (with the fourth form) then the state of the target person C hits the preset rule, indicating that he may have carried out the behavior of stealing the electric vehicle, and an alarm event can be generated for alarm.
  • the preset rule instructs the target person to drive the target vehicle in a non-daily activity area.
  • FIG. 7 is a schematic structural diagram of an apparatus for generating an alarm event according to an embodiment of the present disclosure.
  • the device 700 for generating an alarm event shown in FIG. 7 may include: an identification module 710, configured to identify the person in one or more scene images collected at one or more monitoring sites, and determine that the person appearing in the scene image The target person in , wherein, the on-site image that is recognized as the target person is called the target on-site image; the first determining module 720 is configured to determine that when the target person is identified to appear in the target on-site image The location and the time when the target person appears in the target scene image; the second determination module 730 is used to perform morphological recognition on the target person appearing in the target scene image, and determine the target person Morphology in the target scene image; generating module 740, configured to respond to the time when the target person appears in the target scene image, the location where the target person is recognized when appearing in the target scene image At least one of the position of the target person and the shape of the target person in
  • the alarm event includes a target scene image and detection information of the target scene image.
  • the preset rule indicates that the form of the target person changes from walking or driving a non-target vehicle to driving a target vehicle; the generating module 740 is specifically used for:
  • the present disclosure provides an electronic device, which may include: a processor and a memory for storing instructions executable by the processor.
  • the instruction corresponding to the device generating the alarm event may also be directly stored in the memory, which is not limited herein.
  • one or more embodiments of the present disclosure may be provided as a method, system or computer program product. Accordingly, one or more embodiments of the present disclosure may take the form of an entirely hardware embodiment, an entirely software embodiment or an embodiment combining software and hardware aspects. Furthermore, one or more embodiments of the present disclosure may employ a computer implemented on one or more computer-usable storage media (which may include, but are not limited to, disk storage, CD-ROM, optical storage, etc.) with computer-usable program code embodied therein. The form of the Program Product.
  • the processes and logic flows described in this disclosure can be performed by one or more programmable computers executing one or more computer programs to perform corresponding functions by operating on input data and generating output.
  • the processes and logic flows can also be performed by, and apparatus can also be implemented as, special purpose logic circuitry, such as an FPGA (Field Programmable Gate Array) or an ASIC (Application Specific Integrated Circuit).
  • FPGA Field Programmable Gate Array
  • ASIC Application Specific Integrated Circuit

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Human Computer Interaction (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Alarm Systems (AREA)
  • Burglar Alarm Systems (AREA)
  • Image Analysis (AREA)

Abstract

一种用于生成告警事件的方法、装置、设备和存储介质。所述方法包括：对在监控现场采集的现场图像中的人员进行身份识别，确定所述现场图像中的目标人员，其中，被识别到所述目标人员的所述现场图像被称为目标现场图像；确定所述目标人员被识别到出现在所述目标现场图像时所处的位置与所述目标人员出现在所述目标现场图像中的时间；对所述目标现场图像中出现的所述目标人员进行形态识别，确定所述目标人员在所述目标现场图像中的形态；响应于所述目标人员出现在所述目标现场图像中的时间、所述目标人员被识别到出现在所述目标现场图像时所处的位置、以及所述目标人员在所述目标现场图像中的形态中的至少一个符合预设规则，生成告警事件。

Description

用于生成告警事件的方法、装置、设备和存储介质
相关申请的交叉引用声明
本公开要求于2021年12月30日提交的、申请号为202111655210.0的中国专利公开的优先权，该中国专利公开的全部内容以引用的方式并入本文中。
技术领域
本公开涉及计算机技术，具体涉及一种用于生成告警事件的方法、装置、设备和存储介质。
背景技术
在一些场景中，需要对某些特定的行为生成告警事件，该特定的行为可被称作目标行为，例如，目标行为可以是偷盗电动车行为，打架斗殴行为，乱扔垃圾行为，禁烟区抽烟行为等。针对这些目标行为，一般在事后才会发现和处理。这样，由于无法在第一时间发现目标行为，会增加解决事件的难度，使得整体事件处理效率比较低下。
发明内容
有鉴于此，本公开至少公开一种用于生成告警事件的方法。所述方法可以包括：对在一个或多个监控现场采集的一个或多个现场图像中的人员进行身份识别，确定出现在所述现场图像中的目标人员，其中，被识别到所述目标人员的所述现场图像被称为目标现场图像；确定所述目标人员被识别到出现在所述目标现场图像时所处的位置与所述目标人员出现在所述目标现场图像中的时间；对所述目标现场图像中出现的所述目标人员进行形态识别，确定所述目标人员在所述目标现场图像中的形态；响应于所述目标人员出现在所述目标现场图像中的时间、所述目标人员被识别到出现在所述目标现场图像时所处的位置，以及所述目标人员在所述目标现场图像中的形态中的至少一个符合预设规则，生成告警事件。
在一些实施例中，所述告警事件包括所述目标现场图像和所述目标现场图像的检测信息。
在一些实施例中，在生成所述告警事件之后，还包括：获取多个预设设备的设备位置；基于所述设备位置与所述目标人员被识别到出现在所述目标现场图像时对应的位置，确定多个所述预设设备分别与所述目标人员之间的距离；将所述告警事件发送至与所述目标人员之间距离最近的N个预设设备，其中，所述N为正整数。
在一些实施例中，所述方法还包括：将所述目标人员的运动轨迹发送至与所述目标人员之间距离最近的N个预设设备，所述N为正整数；其中，所述目标人员的运动轨迹是根据所述目标人员被识别到出现在多个所述目标现场图像时所处的位置与所述目标人员分别出现在多个所述目标现场图像中的时间生成的。
在一些实施例中，所述对在一个或多个监控现场采集的一个或多个现场图像中的人员进行身份识别，确定出现在所述现场图像中的目标人员，包括：针对采集的每个所述现场图像，对所述现场图像进行人脸检测，得到所述现场图像中的人脸图像；响应于所述现场图像中的人脸图像与预设人脸图像匹配，确定所述现场图像中人员为目标人员，并将所述现场图像确定为所述目标现场图像。
在一些实施例中，所述对所述目标现场图像中出现的所述目标人员进行形态识别， 确定所述目标人员在所述目标现场图像中的形态，包括：对所述目标现场图像进行人员对象检测，得到所述目标现场图像中所述目标人员对应的第一人员检测框；根据所述第一人员检测框，确定所述第一人员检测框在所述现场图像中指示的人员图像；利用形态分类网络，对所述人员图像进行形态分类，得到所述目标人员的形态；其中，所述形态分类网络包括基于标注了人员对象的形态信息的图像样本进行训练得到的神经网络。
在一些实施例中，所述对所述目标现场图像中出现的所述目标人员进行形态识别，确定所述目标人员在所述目标现场图像中的形态，包括：对所述目标现场图像分别进行人员对象检测与车辆检测，得到所述目标人员对应的第二人员检测框以及车辆检测框；响应于所述第二人员检测框与某一车辆检测框的重合度达到预设重合度阈值，确定所述目标人员的形态为驾驶车辆；响应于所述第二人员检测框与任一车辆检测框的重合度均未达到所述预设重合度阈值，确定所述目标人员的形态为行走。
在一些实施例中，所述预设规则包括所述目标人员的形态由行走或驾驶非目标车辆变为驾驶目标车辆；所述响应于所述目标人员出现在所述目标现场图像中的时间、所述目标人员被识别到出现在所述目标现场图像时所处的位置以及所述目标人员在所述目标现场图像中的形态中的至少一个符合预设规则，生成告警事件，包括：获取所述目标人员在第一时间具备的第一形态，和所述目标人员在第二时间具备的第二形态，其中所述第二时间晚于所述第一时间；响应于所述第一形态包括行走或驾驶非目标车辆、且所述第二形态包括驾驶目标车辆，生成告警事件；和/或，获取所述目标人员在第三时间所处的第三位置和具备的第三形态，以及所述目标人员在第四时间所处的第四位置和具备的第四形态，其中所述第四时间晚于所述第三时间；响应于所述第三形态包括行走或驾驶非目标车辆、所述第四形态包括驾驶目标车辆、所述第三位置为第一预设位置、并且所述第四位置为第二预设位置，生成告警事件。
在一些实施例中，所述预设规则包括所述目标人员在非日常活动区驾驶目标车辆；所述响应于所述目标人员出现在所述目标现场图像中的时间、所述目标人员被识别到出现在所述目标现场图像时所处的位置、以及所述目标人员在所述目标现场图像中的形态中的至少一个符合预设规则，生成告警事件，包括：响应于所述目标人员被识别到出现在所述目标现场图像时所处的位置为所述目标人员的非日常活动区、且所述目标人员在所述目标现场图像中的形态为驾驶目标车辆，生成告警事件。
在一些实施例中，所述预设规则包括所述目标人员驾驶非预设属性的车辆；所述响应于所述目标人员出现在所述目标现场图像中的时间、所述目标人员被识别到出现在所述目标现场图像时所处的位置以及所述目标人员在所述目标现场图像中的形态中的至少一个符合预设规则，生成告警事件，包括：在所述目标人员在所述目标现场图像中的形态为驾驶车辆的情形下，利用车辆属性分类网络对所述目标人员驾驶的车辆进行车辆属性分类，得到所述目标人员驾驶的车辆的属性；所述车辆属性分类网络包括基于标注了车辆的属性信息的图像样本进行训练得到的神经网络；所述属性包括以下至少一项：颜色、外形；响应于所述目标人员驾驶的车辆的属性不是所述预设属性，生成告警事件。
在一些实施例中，所述预设规则包括所述目标人员在非预设小区的停车区的停留时长达到预设阈值；所述响应于所述目标人员出现在所述目标现场图像中的时间、所述目标人员被识别到出现在所述目标现场图像时所处的位置，以及所述目标人员在所述目标现场图像中的形态中的至少一个符合预设规则，生成告警事件，包括：根据所述目标人员出现的时间、所处的位置，以及所述目标人员的形态，确定所述目标人员在非所述预设小区的停车区停留时长；响应于所述停留时长达到预设阈值，生成告警事件。
在一些实施例中，所述方法还包括：获取规则修改请求；响应于所述规则修改请求，调整所述预设规则。
本公开还提出一种用于生成告警事件的装置。所述装置可以包括：识别模块，用于对在一个或多个监控现场采集的一个或多个现场图像中的人员进行身份识别，确定出现在所述现场图像中的目标人员，其中，被识别到所述目标人员的所述现场图像被称为目标现场图像；第一确定模块，用于确定所述目标人员被识别到出现在所述目标现场图像时所处的位置与所述目标人员出现在所述目标现场图像中的时间；第二确定模块，用于对所述目标现场图像中出现的所述目标人员进行形态识别，确定所述目标人员在所述目标现场图像中的形态；生成模块，用于响应于所述目标人员出现在所述目标现场图像中的时间、所述目标人员被识别到出现在所述目标现场图像时所处的位置，以及所述目标人员在所述目标现场图像中的形态中的至少一个符合预设规则，生成告警事件。
本公开还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器通过运行所述处理器可执行指令以实现如前述任一实施例示出的生成告警事件的方法。
本公开还提出一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于使处理器执行如前述任一实施例示出的生成告警事件的方法。
前述方案中，可以基于目标人员出现在现场图像中的时间、所处的位置，以及所述目标人员的形态中的至少一个符合预设规则，判断该目标人员大概率在实施目标行为，从而及时生成告警事件进行告警，便于管理人员及时对该目标行为进行掌控与处理，降低事件处理难度。
应当理解的是，以上所述的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
为了更清楚地说明本公开一个或多个实施例或相关技术中的技术方案，下面将对本公开实施例或相关技术描述中所需要使用的附图作简单地介绍。下面描述中的附图仅仅是本公开一个或多个实施例中记载的一些实施例，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为本公开实施例示出的一种生成告警事件的方法的流程示意图；
图2为本公开示实施例示出的一种识别目标人员的方法的流程图；
图3为本公开实施例示出的一种识别人员形态的方法的流程示意图；
图4为本公开实施例示出的一种识别人员形态的方法的流程示意图；
图5为本公开实施例示出的一种发送告警事件的方法的流程示意图；
图6为本公开实施例示出的一种生成告警事件的方法的流程示意图；
图7为本公开实施例示出的一种生成告警事件的装置的结构示意图；
图8为本公开实施例示出的一种电子设备的硬件结构示意图。
具体实施方式
下面将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的设备和方法的例子。
在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在可以包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指包含一个或多个相关联的列出项目的任何或所有可能组合。还应当理解，本文中所使用的词语“如果”，取决于语境，可以被解释成为“在……时”或“当……时”或“响应于确定”。
本公开提出一种用于生成告警事件的方法。该方法可以基于目标人员出现在现场图像中的时间、所处的位置，以及所述目标人员的形态中的至少一个符合预设规则，判断该目标人员大概率在实施目标行为，从而及时生成告警事件进行告警，便于管理人员及时对该目标行为进行掌控与处理，降低事件处理难度。
请参见图1，图1为本公开实施例示出的一种生成告警事件的方法流程示意图。图1示出的方法可以应用于电子设备中。其中，所述电子设备可以通过搭载与生成告警事件的方法对应的软件逻辑执行该方法。所述电子设备可以是笔记本电脑，计算机，服务器，手机，个人数字助理(Personal Digital Assistant，PDA)等。所述电子设备也可以是客户端设备或服务端设备，在本公开中不特别限定所述电子设备的类型。
如图1所示，所述方法可以包括S102-S108。除特别说明外，本公开不特别限定S102-S108这些步骤的执行顺序。
S102，对在一个或多个监控现场采集的一个或多个现场图像中的人员进行身份识别，确定出现在所述现场图像中的目标人员，其中，被识别到所述目标人员的所述现场图像可被称为目标现场图像。
所述现场图像可以由图像采集设备针对监控现场采集得到。本公开不限定所述图像采集设备的类型。在一些实施方式中，可以在监控现场部署一些图像采集设备，用于采集所述现场图像。例如，可以在大街小巷，生活小区门口，电动车停放区部署一些监控摄像头，用于采集经过人员的现场图像。通过人员识别方法可以在所述现场图像中识别出经过监控现场的人员。
所述目标人员是指可能实施目标行为的人员。在一些实施方式中，所述目标人员可以是预设的人员库中的人员。预设的人员库中存储了在当前时刻之前有实施过目标行为的人员的信息。所述目标行为可以是指被受管理的，需要告警的行为。例如，所述目标行为可以是偷盗电动车行为，打架斗殴行为，乱扔垃圾行为，禁烟区抽烟行为等。
在一些实施例中，可以采用将现场图像与已知人员身份的预设人脸图像进行匹配的方式进行人员身份识别。
请参见图2，图2为本公开实施例示出的一种识别目标人员的方法流程图。图2示意的方法为对S102的详细说明。如图2所示，可以执行S202-S204。除特别说明外，本公开不特别限定S202-S204这些步骤的执行顺序。
S202，针对采集的每个所述现场图像，对所述现场图像进行人脸检测，得到所述现场图像中人员对象对应的人脸图像。
在一些实施方式中，可以采用预先训练完成的目标(object)检测网络进行所述人员对象检测。所述目标检测网络可以包括RCNN(Region Convolutional Neural Networks，区域卷积神经网络)、FAST-RCNN(Fast Region Convolutional Neural Networks，快速区域卷积神经网络)或FASTER-RCNN(Faster Region Convolutional Neural Networks，更快速的区域卷积神经网络)等用于检测对象的神经网络。
所述目标检测网络可以利用标注了人脸检测框信息的图像样本训练得到。通过该网 络可以检测出所述现场图像中的人脸检测框。然后，通过区域提取单元(例如，RoI Align(Region of interest Align，感兴趣视觉特征对齐)单元或RoI pooling(Region of interest pooling，感兴趣视觉特征池化))，提取所述人脸检测框在所述现场图像中指示的区域图像，作为所述人脸图像。
所述人脸图像中可以包含所述人员的一些脸部特征。例如，脸部轮廓特征，脸部纹理特征，五官特征等。
S204，响应于所述现场图像中的人脸图像与预设人脸图像匹配，确定所述现场图像中的人员对象为目标人员，并将所述现场图像确定为所述目标现场图像。
所述预设人脸图像可以是预先针对目标人员采集的包含脸部特征的图像。如果采集的现场图像中的人脸图像与预设人脸图像匹配，则可以确定现场图像包含目标人员。
在一些实施方式中，可以将所述预设人脸图像存储在预设人员库中。所述预设人员库用于存储曾经实施过目标行为的目标人员的人脸图像作为所述预设人脸图像。
S204中，可以针对S202得到的每一人脸图像，采用诸如余弦距离、马氏距离等方法确定所述人脸图像与所述预设人员库中的各预设人脸图像之间的相似度，并选取与所述人脸图像相似度最高、并且该最高相似度达到预设阈值(经验阈值)的预设人脸图像，作为目标人脸图像。需要说明的是，本公开指出的达到，包含大于和大于等于两种情形。
得到目标人脸图像后，可以确定所述现场图像中包含目标人员，并且可以将目标人脸图像对应的人员信息确定为所述目标人员的人员信息。所述人员信息可以包括人员姓名，体貌特征(身高，体重)等信息。如此，通过S202-S204即可利用神经网络准确识别出现场图像中出现的目标人员。
S104，确定所述目标人员被识别到出现在所述目标现场图像时所处的位置与所述目标人员出现在所述目标现场图像中的时间。
所述目标人员所处的位置，即为采集现场图像的设备所处的位置，该位置可以指示目标人员被跟踪到时的地点。本公开中，可将识别出(跟踪到)目标人员的现场图像称为目标现场图像。S104中，可以将采集该目标现场图像的图像采集设备的部署位置，作为所述目标人员被跟踪到时所处的空间位置。
所述目标人员出现在现场图像中的时间可以指示目标人员出现在监控现场的时间。一般情形下，图像采集设备在采集图像时会记录采集时间。S104中，可以将图像采集设备记录的所述目标现场图像的采集时间，作为目标人员出现在该目标现场图像中的时间。
S106，对所述目标现场图像中出现的目标人员进行形态识别，确定所述目标人员在所述目标现场图像中的形态。
所述目标人员的形态，是指目标人员在目标现场图像中展现出的形态。在一些实施方式中，所述形态与目标行为相关。比如，目标行为可包括偷盗车辆行为，所述形态可以包括行走，驾驶目标车辆，驾驶非目标车辆。所述目标车辆可以是指电动自行车，摩托车，三轮车等非共享的车辆，而所述非目标车辆可以是指共享单车、共享电动车等可通过基于网络通信的共享手段而使用的车辆。再比如，所述目标行为可包括乱扔垃圾行为，所述形态可以包括行走，站立，投掷等形态。
在一些实施例中，S106中可以采用神经网络的方法识别目标人员在目标现场图像中的形态。请参见图3，图3为本公开实施例示出的一种识别人员形态的方法的流程示意图。图3示意的方法为对S106的详细说明。如图3所示，可以执行S302-S306。除特别说明外，本公开不特别限定S302-S306这些步骤的执行顺序。
S302，对所述目标现场图像进行人员对象检测，得到所述目标现场图像中所述目标人员对应的第一人员检测框。
本步骤中，可以采用目标检测网络进行人员对象的检测。所述目标检测网络可以是预先经过基于标注了人员对象检测框信息的图像样本进行训练所得到的网络。通过该网络可以检测出所述目标人员对应的第一人员检测框。关于目标检测网络的说明可以参照前面实施例，在此不做详述。
S304，根据所述第一人员检测框，确定所述第一人员检测框在所述目标现场图像中指示的人员图像。
本步骤中，可以通过区域特征提取单元得到所述第一人员检测框在所述目标现场图像中指示的区域图像，并将该区域图像作为所述人员图像。所述人员图像涵盖了与目标人员相关的形态特征。关于区域特征提取单元的说明可以参照前面实施例，在此不做详述。
S306，利用形态分类网络，对所述人员图像进行形态分类，得到所述目标人员的形态；其中，所述形态分类网络可包括经过基于标注了人员对象的形态信息的图像样本进行训练所得到的神经网络。
所述形态分类网络可以是基于卷积网络构建的分类网络。经过基于标注了人员形态信息的图像样本进行训练，可以使该分类网络具备识别人员形态的能力。将所述人员图像输入所述形态分类网络，即可得到目标人员的形态特征。由此，通过S302-S306可以识别出目标人员的形态。
在一些实施例中，所述目标行为可包括偷盗车辆的行为。所述形态可以包括行走，驾驶车辆等。可以依据车辆与人员在空间上的重叠关系，进行以上形态的识别。
请参见图4，图4为本公开实施例示出的一种识别人员形态的方法的流程示意图。图4示意的方法为对S106的详细说明。如图4所示，可以执行S402-S406。除特别说明外，本公开不特别限定S402-S406这些步骤的执行顺序。
S402，对所述目标现场图像分别进行人员对象检测与车辆检测，得到所述目标人员对应的第二人员检测框以及车辆检测框。
本步骤中，可以采用目标检测网络进行人员对象与车辆对象的检测。所述目标检测网络可以是预先经过基于标注了人员对象检测框信息和车辆检测框信息的图像样本进行训练得到的网络。通过该网络可以检测出所述目标人员对应的第二人员检测框，以及车辆对象对应的车辆检测框。关于目标检测网络的说明可以参照前面实施例，在此不做详述。
S404，响应于所述第二人员检测框与某一车辆检测框的重合度达到预设重合度阈值，确定所述目标人员的形态为驾驶车辆；S406，响应于所述第二人员检测框与任一车辆检测框的重合度均未达到所述预设重合度阈值，确定所述目标人员的形态为行走。
本步骤中，可以计算所述第二人员检测框分别与检测出的每一车辆检测框之间的区域重合度，并判断所述区域重合度是否达到预设重合度阈值(经验阈值)。如果所述第二人员检测框与某一车辆检测框的重合度达到预设重合度阈值，可以说明所述目标人员与所述车辆检测框对应的车辆重合度高，即可确定所述目标人员的形态为驾驶车辆；如果所述第二人员检测框与任一车辆检测框的重合度均未达到所述预设重合度阈值，可以说明所述目标人员与任一车辆的重合度均比较低，即可确定所述目标人员的形态为行走。由此，通过S402-S406，可以依据车辆与人员在空间上的重叠关系，准确识别出目标人员的形态。
S108，响应于所述目标人员出现在所述目标现场图像中的时间、所述目标人员被识别到出现在所述目标现场图像时所处的位置、以及所述目标人员在所述目标现场图像中的形态中的至少一个符合预设规则，生成告警事件。
一般来说，在目标人员实施目标行为的过程中，所述目标人员出现在现场图像中的时间、所处的位置，以及所述目标人员的形态中的至少一个可能会符合预设规则。
所述预设规则可通过在所述目标人员出现在现场图像中的时间、所处的位置，以及所述目标人员的形态等维度中的至少一个维度表征目标人员实施目标行为所具备的特征。这些预设规则可以根据历史事件进行经验总结得到。
例如，在偷盗车辆行为的历史事件中，目标人员通常会在非本人居住小区的停车区徘徊，则所述预设规则可以被设置为所述目标人员在非预设小区的停车区的停留时长达到预设阈值。再例如，目标人员可能骑共享单车进入小区，骑电动车出小区，则所述预设规则可以被设置为所述目标人员的形态由驾驶非目标车辆变为驾驶目标车辆。再例如，目标人员可能在非日常活动区驾驶非本人车辆的电动车，则所述预设规则可以被设置为所述目标人员驾驶非预设属性的目标车辆。本公开不对预设规则进行穷举。根据历史事件可以总结出的预设规则都落入本公开保护的范围。
在一些实施例中，所述预设规则可以动态更新。
具体地，可以获取针对目标预设规则的添加请求；响应于所述添加请求，添加所述目标预设规则，从而实现对所述预设规则进行动态调整。
所述目标预设规则可以是对已有预设规则进行修改后的规则，或者新增加的预设规则。通过动态更新预设规则，便于根据预设规则准确识别出目标行为。
S108中，可以将得到的所述目标人员出现在所述目标现场图像中的时间、所述目标人员被识别到出现在所述目标现场图像时所处的位置以及所述目标人员在所述目标现场图像中的形态，与预设规则中相应维度的内容进行匹配，如果匹配中，则说明所述目标人员在实施目标行为，即可生成告警事件，及时向管理人员进行告警。
由此，根据S102-S108记载的技术方案，可以基于目标人员出现在现场图像中的时间、所处的位置，以及所述目标人员的形态中的至少一个符合预设规则，判断该目标人员大概率在实施目标行为，从而及时生成告警事件进行告警，便于管理人员及时对该目标行为进行掌控与处理，降低事件处理难度。
在一些实施例中，生成告警事件之后，为了尽快控制目标人员，可以将告警事件发送给附近的管理人员。请参见图5，图5为本公开实施例示出的一种发送告警事件的方法的流程示意图。如图5所示，可以执行S502-S506。除特别说明外，本公开不特别限定S502-S506这些步骤的执行顺序。
S502，获取多个预设设备的设备位置。
所述预设设备可为管理人员持有的终端设备。本公开不限定预设设备的类型。可以理解的是，获取预设设备的设备位置相当于获取对应管理人员的位置。
本步骤中可以根据维护的地图信息获取多个预设设备的设备位置。
S504，基于所述设备位置与所述目标人员被识别到出现在所述目标现场图像时对应的位置，确定多个所述预设设备分别与所述目标人员之间的距离。
所述目标人员对应的位置可以是所述目标人员最后被识别到时所处的位置。通过比较识别出目标人员的各现场图像的采集时间，可以得到所述目标人员最后被识别到的第一现场图像，该第一现场图像对应的位置即为所述目标人员对应的位置。
本步骤中，可以通过第三方地图(例如高德地图)，确定所获取的设备位置与所述目标人员对应的位置之间的距离。
S506，将所述告警事件发送至与所述目标人员之间距离最近的N个预设设备。
所述N为正整数，可以根据业务需求进行设定。
本步骤中，可以按照距离由近到远，对多个预设设备进行排序，并将所述告警事件发送至距离目标人员最近的前N个预设设备。
通过S502-S506，可以将告警事件发送给距离目标人员最近的N位管理人员，便于所述管理人员及时对目标人员进行控制与询问，进一步提升处理事件效率。
在一些实施例中，所述告警事件可包括目标现场图像和所述目标现场图像的检测信息。便于管理人员从目标现场图像和所述检测信息中获取目标人员实施目标行为的相关证明信息。
本公开中可将跟踪到(识别出)该目标人员的现场图像称为目标现场图像。所述目标现场图像可以用于证明目标人员实施目标行为。
所述检测信息可以包括检测出的目标人员对应的人员检测框、人员检测框指示的人员图像、所述目标人员的人脸图像、目标人员出现在现场图像中的时间、目标人员出现在现场图像时所处的位置、以及所述目标人员的形态等信息。管理人员从检测信息中可以获取目标人员实施目标行为的时间、地点等证明信息。
在一些实施例中，还可以生成被跟踪到的目标人员的运动轨迹，便于管理人员对目标人员进行控制。
在一些实施方式中，在识别到所述目标人员的情形下，可以根据包含所述目标人员的目标现场图像的采集时间与采集位置，生成所述目标人员对应的运动轨迹。
例如，8点在小区门口识别到目标人员，9点在小区停车区识别到目标人员，则可以建立关于目标人员在8点出现在小区门口的第一轨迹点和9点出现在小区停车区的第二轨迹点。将建立的全部轨迹点按照时间发生顺序串联起来，则可以得到目标人员的运动轨迹。
在一些实施例中，可以将所述目标人员的运动轨迹发送至与所述目标人员之间距离最近的N个预设设备。
由此可以将所述目标人员的运动轨迹发送至对所述目标行为进行管理的管理人员，使得所述管理人员可以通过所述运行轨迹掌握目标人员的动态，便于管理人员处理事件，提升处理事件效率。
以下结合针对偷盗电动车行为的告警场景进行实施例说明。
本例中目标行为包括偷盗电动车的行为。目标人员为偷盗过电动车的人员。
可以针对告警部署一套布控平台。该布控平台可以与部署在街道、小区门口、小区停车区等布控现场的摄像头相连接。所述布控平台可以接收这些摄像头采集的现场图像，进行偷盗行为的检测与告警。
所述布控平台可以与管理人员对应的管理***进行连接，访问所述管理***中维护的预设图像库。所述预设图像库中存储了目标人员的预设人脸图像。
请参见图6，图6为本公开实施例示出的一种生成告警事件的方法的流程示意图。如图6所示，可以执行S601-S604。除特别说明外，本公开不特别限定S601-S604这些步骤的执行顺序。
S601，对可能实施目标行为的目标人员进行跟踪。
所述布控平台可以根据S102记载的方法，利用访问到的预设图像库，对在各监控现场采集的现场图像中的人员进行身份识别，识别出可能实施目标行为的目标人员，并对其进行跟踪。
所述跟踪是指利用在各监控现场采集到的现场图像中识别目标人员的过程。本步骤中可以通过诸如行人重识别、行人追踪等技术实现对目标人员的跟踪。
S602，在跟踪到所述目标人员的情形下，根据识别出所述目标人员的现场图像(也即目标现场图像)的采集时间与采集位置、以及对所述目标现场图像中所述目标人员的形态识别结果，确定所述目标人员在被跟踪到时的状态，并进行存储。
本步骤可以参照前述S104与S106记载的方法确定目标人员被跟踪到的时间、被跟踪到时所处的位置和形态。
所述布控平台可以为所述目标人员分配存储空间以存储其对应的状态。示意性的目标人员的状态的存储格式可以如下：
目标人员B----上午10点0分---芙蓉街13号路口出现---形态：行走；
目标人员B----上午10点5分---芙蓉街17号路口出现---形态：行走；
目标人员B----上午10点8分---芙蓉街19号路口出现---形态：骑电动车。
S603，判断所述目标人员被跟踪到时的状态是否命中预设规则；如果所述状态命中预设规则，则可以生成告警事件并进行告警；如果所述状态未命中预设规则，则可以继续跟踪目标人员。
本例中列出四种预设规则，用于识别目标人员是否实施偷盗动车行为。
第一，所述预设规则指示所述目标人员的形态由行走或驾驶非目标车辆变为驾驶目标车辆。所述目标车辆可以是指电动车。非目标车辆可以指示自行车、共享单车等。
在一些实施方式中，针对该预设规则，所述布控平台可以从针对所述目标人员存储的状态信息中，获取所述目标人员在第一时间具备的第一形态和所述目标人员在第二时间具备的第二形态；所述第二时间晚于所述第一时间，然后响应于所述第一形态包括行走或驾驶非目标车辆，所述第二形态包括驾驶目标车辆，生成告警事件。
例如，针对目标人员C，发现其在第一时间的第一形态为行走，在之后的第二时间的形态为骑电动车，则目标人员C的状态命中了预设规则，说明其可能实施了偷盗电动车的行为，即可生成告警事件进行告警。
在一些实施方式中，针对该预设规则，所述布控平台可以从针对所述目标人员存储的状态信息中，获取所述目标人员在第三时间所处的第三位置和具备的第三形态，以及所述目标人员在第四时间所处的第四位置和具备的第四形态；所述第四时间晚于所述第三时间，然后响应于所述第三形态包括行走或驾驶非目标车辆，所述第四形态包括驾驶目标车辆，并且所述第三位置为第一预设位置、所述第四位置为第二预设位置，生成告警事件。
所述第一预设位置和第二预设位置可以根据业务实际需求进行设定。例如，所述第一预设位置和第二预设位置可以都是小区门口。再例如所述第一预设位置可以是小区前门，所述第二预设位置可以是小区后门、十字路口，小区停车场等等。
举例来说，针对目标人员C，发现其在第三时间在小区门口(第三位置)被跟踪到骑共享单车(具备第三形态)，在之后的第四时间被跟踪到其在小区门口(第四位置) 骑电动车(具备第四形态)，则目标人员C的状态命中了预设规则，说明其可能实施了偷盗电动车的行为，即可生成告警事件进行告警。
第二，所述预设规则指示所述目标人员在非日常活动区驾驶目标车辆。
通过一段时间对目标人员的跟踪，可以获取目标人员的日常活动轨迹。所述日常活动轨迹包括了目标人员日常活动的位置。目标人员日常活动的位置以外的区域，则可以被认为是所述目标人员的非日常活动区。
针对该预设规则，所述布控平台可以从针对所述目标人员存储的状态信息中，获取所述目标人员最新被识别出时所处的位置与具备的形态；然后响应于所述目标人员所处的位置为所述目标人员的非日常活动区、且所述目标人员的形态为驾驶目标车辆，生成告警事件。
例如，所述布控平台可以预先维护或可以预先访问目标人员D的日常活动的位置。如果获知目标人员D处在非日常活动区骑电动车，则目标人员D的状态命中了预设规则，说明其可能实施了偷盗电动车的行为，即可生成告警事件进行告警。
第三，所述预设规则指示所述目标人员驾驶非预设属性的车辆。所述属性可包括以下至少一项：颜色、外形。
针对该预设规则，所述布控平台可以从针对所述目标人员存储的状态信息中，获取所述目标人员最新被识别出时具备的形态；然后，在所述目标人员最新被识别出的形态为驾驶车辆的情形下，利用车辆属性分类网络对所述目标人员驾驶的车辆进行属性分类，得到所述目标人员驾驶的车辆的属性。所述车辆属性分类网络可包括基于标注了车辆的属性信息的图像样本进行训练得到的神经网络。之后响应于所述目标人员驾驶的车辆的属性不是所述预设属性，生成告警事件。
所述车辆属性分类网络可以为基于卷积网络生成的多分类器。通过基于标注了目标人员拥有的车辆的属性信息的图像样本对车辆属性分类网络进行训练，可以使该网络具备车辆属性分类的能力。
以属性为颜色为例。所述布控平台可以预先维护或可以预先访问目标人员E拥有的电动自行车的颜色(即预设颜色)。如果识别到所述目标人员E驾驶非所述预设颜色的电动车，则目标人员E的状态命中了预设规则，说明其可能实施了偷盗电动车的行为，即可生成告警事件进行告警。
第四，所述预设规则指示所述目标人员在非预设小区的停车区的停留时长达到预设阈值。所述预设阈值为经验阈值。
所述布控平台可以根据所述目标人员出现在现场图像中的时间、出现在现场图像时所处的位置、以及所述目标人员出现在现场图像中的形态，确定所述目标人员在非预设小区的停车区停留时长；响应于所述停留时长达到预设阈值，生成告警事件。
所述预设小区可以是目标人员居住的小区、经常活动的小区等等。
在一些实施方式中，所述布控平台可以从针对所述目标人员存储的状态信息中，获取所述目标人员在非预设小区的停车区被识别出时对应的时间信息，然后从所述时间信息中选取最小的第五时间与最大的第六时间，并将所述第六时间与第五时间之差确定为所述目标人员在非预设小区的停车区停留时长。如果所述停留时长达到预设阈值，可以生成告警事件。
以预设小区为目标人员居住小区为例。所述布控平台可以预先维护或可以预先访问目标人员F居住的小区(预设小区)的位置。如果发现目标人员F出现在非本人居住 小区的停车区的停留时长达到预设阈值，则目标人员F可能在非本人居住区的停车区进行徘徊，其状态命中了预设规则，说明其可能实施偷盗电动车的行为，即可生成告警事件进行告警。
通过在平台中部署上述四种预设规则中的至少一种，即可准确地根据目标人员被跟踪到时的状态确定目标人员是否实施偷盗电动车的行为。需要说明的是，在实际应用中还可以根据历史事件总结更多的预设规则，并可以对平台中维护的预设规则进行动态调整。
S604，将生成的告警事件以及所述目标人员对应的运动轨迹，发送给附近的管理人员，以完成告警。
所述告警事件可以包括识别到所述目标人员的目标现场图像以及针对所述目标现场图像的检测信息。
本步骤中，所述布控平台可以从针对所述目标人员存储的状态信息中，依据目标人员所处的位置和时间得到所述目标人员的运动轨迹，然后可以基于所述目标人员的运动轨迹生成告警事件。这样，可根据S502-S506记载的方法将所述告警事件以及所述目标人员的运动轨迹发送给附近的管理人员持有的预设设备。在一些实施例中，可以将告警事件和运动轨迹分别发送给附近的管理人员持有的预设设备；在另一些实施例中，也可以将告警事件和运动轨迹合并后发送给附近的管理人员持有的预设设备，本公开对此不作限制。
通过S601-S604记载的方案，可以基于目标人员被跟踪到时的状态命中预设规则确定该目标人员实施偷盗电动车的行为，并及时进行告警，便于管理人员及时对该偷盗行为进行掌控与处理，降低事件处理难度，并且还便于管理人员第一时间掌握目标人员的犯罪线索与行动轨迹，便于对其进行控制盘问等，提升处理事件效率。
与所述任一实施例相对应的，本公开还提出一种生成告警事件的装置。
请参见图7，图7为本公开实施例示出的一种生成告警事件的装置的结构示意图。图7所示的生成告警事件的装置700可以包括：识别模块710，用于对在一个或多个监控现场采集的一个或多个现场图像中的人员进行身份识别，确定出现在所述现场图像中的目标人员，其中，被识别到所述目标人员的所述现场图像被称为目标现场图像；第一确定模块720，用于确定所述目标人员被识别到出现在所述目标现场图像时所处的位置与所述目标人员出现在所述目标现场图像中的时间；第二确定模块730，用于对所述目标现场图像中出现的所述目标人员进行形态识别，确定所述目标人员在所述目标现场图像中的形态；生成模块740，用于响应于所述目标人员出现在所述目标现场图像中的时间、所述目标人员被识别到出现在所述目标现场图像时所处的位置、以及所述目标人员在所述目标现场图像中的形态中的至少一个符合预设规则，生成告警事件。
在一些实施例中，所述告警事件包括目标现场图像和所述目标现场图像的检测信息。
在一些实施例中，所述装置700还包括：第一获取模块，用于获取多个预设设备的设备位置；第三确定模块，用于基于所述设备位置与所述目标人员被识别到出现在所述目标现场图像时对应的位置，确定多个所述预设设备分别与所述目标人员之间的距离；第一发送模块，用于将所述告警事件发送至与所述目标人员之间距离最近的N个预设设备，其中，所述N为正整数。
在一些实施例中，所述装置700还包括：第二发送模块，用于将所述目标人员对应的运动轨迹发送至与所述目标人员之间距离最近的N个预设设备；其中，所述目标人 员的运动轨迹是根据所述目标人员分别出现在多个所述目标现场图像中的时间和被识别到出现在多个所述目标现场图像时所处的位置生成的。
在一些实施例中，所述识别模块710，具体用于：对采集的现场图像进行人脸检测，得到所述现场图像中的人脸图像；响应于所述现场图像中的人脸图像与预设人脸图像匹配，确定所述现场图像中人员为目标人员，并将所述现场图像确定为所述目标现场图像。
在一些实施例中，所述第二确定模块730，具体用于：对所述目标现场图像进行人员对象检测，得到所述目标现场图像中所述目标人员对应的第一人员检测框；根据所述第一人员检测框，确定所述第一人员检测框在所述目标现场图像中指示的人员图像；利用形态分类网络，对所述人员图像进行形态分类，得到所述目标人员的形态；其中，所述形态分类网络可包括基于标注了人员对象的形态信息的图像样本进行训练得到的神经网络。
在一些实施例中，所述第二确定模块730，具体用于：在识别到目标人员的情形下，对所述目标现场图像分别进行人员对象检测与车辆检测，得到所述目标人员对应的第二人员检测框，以及车辆检测框；响应于所述第二人员检测框与某一车辆检测框的重合度达到预设重合度阈值，确定所述目标人员的形态为驾驶车辆；响应于所述第二人员检测框与任一车辆检测框的重合度均未达到所述预设重合度阈值，确定所述目标人员的形态为行走。
在一些实施例中，所述预设规则指示所述目标人员的形态由行走或驾驶非目标车辆变为驾驶目标车辆；所述生成模块740，具体用于：
获取所述目标人员在第一时间具备的第一形态，和所述目标人员在第二时间具备的第二形态，其中所述第二时间晚于所述第一时间；响应于所述第一形态包括行走或驾驶非目标车辆、且所述第二形态包括驾驶目标车辆，生成告警事件；
和/或，
获取所述目标人员在第三时间所处的第三位置和具备的第三形态，以及所述目标人员在第四时间所处的第四位置和具备的第四形态，其中所述第四时间晚于所述第三时间；响应于所述第三形态包括行走或驾驶非目标车辆、所述第四形态包括驾驶目标车辆、所述第三位置为第一预设位置、并且所述第四位置为第二预设位置，生成告警事件。
在一些实施例中，所述预设规则包括所述目标人员在日常活动轨迹以外的非日常活动区驾驶目标车辆。
所述生成模块740，具体用于：响应于所述目标人员所处的位置为所述非日常活动区，所述目标人员的形态为驾驶目标车辆，生成告警事件。
在一些实施例中，所述预设规则指示所述目标人员驾驶非预设属性的目标车辆。
所述生成模块740，具体用于：在所述目标人员在所述目标现场图像中的形态为驾驶目标车辆的情形下，利用车辆属性分类网络，对所述目标人员驾驶的车辆进行车辆属性分类，得到所述人员驾驶的目标车辆的属性；所述车辆属性分类网络包括基于标注了车辆的属性信息的图像样本进行训练得到的神经网络；所述属性包括以下至少一项：颜色、外形；响应于所述目标人员驾驶的车辆的属性不是所述预设属性，生成告警事件。
在一些实施例中，所述预设规则指示所述目标人员在非预设小区的停车区的停留时长达到预设阈值。
所述生成模块740，具体用于：根据所述目标人员在所述目标现场图像中出现的时间、所述目标人员被识别到出现在所述目标现场图像时所处的位置、以及所述目标人员 在所述目标现场图像中的形态，确定所述目标人员在非所述预设小区的停车区停留时长；响应于所述停留时长达到预设阈值，生成告警事件。
在一些实施例中，所述装置700还包括：第二获取模块，用于获取规则修改请求；调整模块，用于响应于所述规则修改请求，调整所述预设规则。
前述方案中，可以基于目标人员出现在现场图像中的时间、所处的位置，以及所述目标人员的形态中的至少一个符合预设规则，判断该目标人员实施目标行为，从而及时生成告警事件进行告警，便于管理人员及时对该目标行为进行掌控与处理，降低事件处理难度。
本公开示出的生成告警事件的装置的实施例可以应用于电子设备上。相应地，本公开提供一种电子设备，该设备可以包括：处理器以及用于存储处理器可执行指令的存储器。
其中，所述处理器被配置为调用所述存储器中存储的处理器可执行指令，实现前述任一实施例示出的生成告警事件的方法。
请参见图8，图8为本公开实施例示出的一种电子设备的硬件结构示意图。
如图8所示，该电子设备可以包括用于执行指令的处理器，用于进行网络连接的网络接口，用于为处理器存储运行数据的内存，以及用于存储生成告警事件的装置对应指令的非易失性存储器。
其中，所述装置的实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在电子设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，除了图8所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的电子设备通常根据该电子设备的实际功能，还可以包括其他硬件，对此不再赘述。
可以理解的是，为了提升处理速度，所述生成告警事件的装置对应指令也可以直接存储于内存中，在此不作限定。
本公开提出一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序可以用于使处理器执行前述任一实施例示出的生成告警事件的方法。
本领域技术人员应明白，本公开一个或多个实施例可提供为方法、***或计算机程序产品。因此，本公开一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本公开一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(可以包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本公开中的“和/或”表示至少具有两者中的其中一个，例如，“A和/或B”可以包括三种方案：A、B、以及“A和B”。
本公开中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于数据处理设备实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上对本公开特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的行为或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺 序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本公开中描述的主题及功能操作的实施例可以在以下中实现：数字电子电路、有形体现的计算机软件或固件、可以包括本公开中提供的结构及其结构性等同物的计算机硬件、或者它们中的一个或多个的组合。本公开中描述的主题的实施例可以实现为一个或多个计算机程序，即编码在有形非暂时性程序载体上以被数据处理装置执行或控制数据处理装置的操作的计算机程序指令中的一个或多个模块。可替代地或附加地，程序指令可以被编码在人工生成的传播信号上，例如机器生成的电、光或电磁信号，该信号被生成以将信息编码并传输到合适的接收机装置以由数据处理装置执行。计算机存储介质可以是机器可读存储设备、机器可读存储基板、随机或串行存取存储器设备、或它们中的一个或多个的组合。
本公开中描述的处理及逻辑流程可以由执行一个或多个计算机程序的一个或多个可编程计算机执行，以通过根据输入数据进行操作并生成输出来执行相应的功能。所述处理及逻辑流程还可以由专用逻辑电路—例如FPGA(现场可编程门阵列)或ASIC(专用集成电路)来执行，并且装置也可以实现为专用逻辑电路。
适合用于执行计算机程序的计算机可以包括，例如通用和/或专用微处理器，或任何其他类型的中央处理单元。通常，中央处理单元将从只读存储器和/或随机存取存储器接收指令和数据。计算机的基本组件可以包括用于实施或执行指令的中央处理单元以及用于存储指令和数据的一个或多个存储器设备。通常，计算机还将可以包括用于存储数据的一个或多个大容量存储设备，例如磁盘、磁光盘或光盘等，或者计算机将可操作地与此大容量存储设备耦接以从其接收数据或向其传送数据，抑或两种情况兼而有之。然而，计算机不是必须具有这样的设备。此外，计算机可以嵌入在另一设备中，例如移动电话、个人数字助理(PDA)、移动音频或视频播放器、游戏操纵台、全球定位***(GPS)接收机、或例如通用串行总线(USB)闪存驱动器的便携式存储设备，仅举几例。
适合于存储计算机程序指令和数据的计算机可读介质可以包括所有形式的非易失性存储器、媒介和存储器设备，例如可以包括半导体存储器设备(例如EPROM、EEPROM和闪存设备)、磁盘(例如内部硬盘或可移动盘)、磁光盘以及CD ROM和DVD-ROM盘。处理器和存储器可由专用逻辑电路补充或并入专用逻辑电路中。
虽然本公开包含许多具体实施细节，但是这些不应被解释为限制任何公开的范围或所要求保护的范围，而是主要用于描述特定公开的具体实施例的特征。本公开内在多个实施例中描述的某些特征也可以在单个实施例中被组合实施。另一方面，在单个实施例中描述的各种特征也可以在多个实施例中分开实施或以任何合适的子组合来实施。此外，虽然特征可以如所述在某些组合中起作用并且甚至最初如此要求保护，但是来自所要求保护的组合中的一个或多个特征在一些情况下可以从该组合中去除，并且所要求保护的组合可以指向子组合或子组合的变型。
类似地，虽然在附图中以特定顺序描绘了操作，但是这不应被理解为要求这些操作以所示的特定顺序执行或顺次执行、或者要求所有例示的操作被执行，以实现期望的结果。在某些情况下，多任务和并行处理可能是有利的。此外，所述实施例中的各种***模块和组件的分离不应被理解为在所有实施例中均需要这样的分离，并且应当理解，所描述的程序组件和***通常可以一起集成在单个软件产品中，或者封装成多个软件产品。
由此，主题的特定实施例已被描述。其他实施例在所附权利要求书的范围以内。在某些情况下，权利要求书中记载的动作可以以不同的顺序执行并且仍实现期望的结果。此外，附图中描绘的处理并非必需所示的特定顺序或顺次顺序，以实现期望的结果。在 某些实现中，多任务和并行处理可能是有利的。
以上仅为本公开一个或多个实施例的较佳实施例而已，并不用以限制本公开一个或多个实施例，凡在本公开一个或多个实施例的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本公开一个或多个实施例保护的范围之内。

Claims (15)

  1. 一种生成告警事件的方法，其特征在于，所述方法包括：
    对在一个或多个监控现场采集的一个或多个现场图像中的人员进行身份识别，确定出现在所述现场图像中的目标人员，其中，被识别到所述目标人员的所述现场图像为目标现场图像；
    确定所述目标人员被识别到出现在所述目标现场图像时所处的位置与所述目标人员出现在所述目标现场图像中的时间；
    对所述目标现场图像中出现的所述目标人员进行形态识别，确定所述目标人员在所述目标现场图像中的形态；
    响应于所述目标人员出现在所述目标现场图像中的时间、所述目标人员被识别到出现在所述目标现场图像时所处的位置以及所述目标人员在所述目标现场图像中的形态中的至少一个符合预设规则，生成告警事件。
  2. 根据权利要求1所述的方法，其特征在于，所述告警事件包括所述目标现场图像和所述目标现场图像的检测信息。
  3. 根据权利要求1所述的方法，其特征在于，在生成所述告警事件之后，还包括：
    获取多个预设设备的设备位置；
    基于所述设备位置与所述目标人员被识别到出现在所述目标现场图像时对应的位置，确定多个所述预设设备分别与所述目标人员之间的距离；
    将所述告警事件发送至与所述目标人员之间距离最近的N个预设设备，其中，所述N为正整数。
  4. 根据权利要求1-3任一所述的方法，其特征在于，所述方法还包括：
    将所述目标人员的运动轨迹发送至与所述目标人员之间距离最近的N个预设设备，所述N为正整数；
    其中，所述目标人员的运动轨迹是根据所述目标人员被识别到出现在多个所述目标现场图像时所处的位置与所述目标人员分别出现在多个所述目标现场图像中的时间生成的。
  5. 根据权利要求1-4任一所述的方法，其特征在于，所述对在一个或多个监控现场采集的一个或多个现场图像中的人员进行身份识别，确定出现在所述现场图像中的目标人员，包括：
    针对采集的每个所述现场图像，对所述现场图像进行人脸检测，得到所述现场图像中的人脸图像；
    响应于所述现场图像中的人脸图像与预设人脸图像匹配，确定所述现场图像中人员为目标人员，并将所述现场图像确定为所述目标现场图像。
  6. 根据权利要求1-5任一所述的方法，其特征在于，所述对所述目标现场图像中出现的所述目标人员进行形态识别，确定所述目标人员在所述目标现场图像中的形态，包括：
    对所述目标现场图像进行人员对象检测，得到所述目标现场图像中所述目标人员对应的第一人员检测框；
    根据所述第一人员检测框，确定所述第一人员检测框在所述目标现场图像中指示的人员图像；
    利用形态分类网络，对所述人员图像进行形态分类，得到所述目标人员的形态；其中，所述形态分类网络包括经过基于标注了人员对象的形态信息的图像样本进行训练得到的神经网络。
  7. 根据权利要求1-5任一所述的方法，其特征在于，所述对所述目标现场图像中出现的所述目标人员进行形态识别，确定所述目标人员在所述目标现场图像中的形态，包括：
    对所述目标现场图像分别进行人员对象检测与车辆检测，得到所述目标人员对应的第二人员检测框以及车辆检测框；
    响应于所述第二人员检测框与某一车辆检测框的重合度达到预设重合度阈值，确定所述目标人员的形态为驾驶车辆；
    响应于所述第二人员检测框与任一车辆检测框的重合度均未达到所述预设重合度阈值，确定所述目标人员的形态为行走。
  8. 根据权利要求1-7任一所述的方法，其特征在于，所述预设规则包括所述目标人员的形态由行走或驾驶非目标车辆变为驾驶目标车辆；所述响应于所述目标人员出现在所述目标现场图像中的时间、所述目标人员被识别到出现在所述目标现场图像时所处的位置以及所述目标人员在所述目标现场图像中的形态中的至少一个符合预设规则，生成告警事件，包括：
    获取所述目标人员在第一时间具备的第一形态和所述目标人员在第二时间具备的第二形态，其中所述第二时间晚于所述第一时间；
    响应于所述第一形态包括行走或驾驶非目标车辆、且所述第二形态包括驾驶目标车辆，生成告警事件；
    和/或，
    获取所述目标人员在第三时间所处的第三位置和具备的第三形态，以及所述目标人员在第四时间所处的第四位置和具备的第四形态，其中所述第四时间晚于所述第三时间；
    响应于所述第三形态包括行走或驾驶非目标车辆、所述第四形态包括驾驶目标车辆、所述第三位置为第一预设位置、并且所述第四位置为第二预设位置，生成告警事件。
  9. 根据权利要求1-7任一所述的方法，其特征在于，所述预设规则包括所述目标人员在非日常活动区驾驶目标车辆；所述响应于所述目标人员出现在所述目标现场图像中的时间、所述目标人员被识别到出现在所述目标现场图像时所处的位置以及所述目标人员在所述目标现场图像中的形态中的至少一个符合预设规则，生成告警事件，包括：
    响应于所述目标人员被识别到出现在所述目标现场图像时所处的位置为所述目标人员的非日常活动区、且所述目标人员在所述目标现场图像中的形态为驾驶目标车辆，生成告警事件。
  10. 根据权利要求1-7任一所述的方法，其特征在于，所述预设规则包括所述目标人员驾驶非预设属性的车辆；所述响应于所述目标人员出现在所述目标现场图像中的时间、所述目标人员被识别到出现在所述目标现场图像时所处的位置以及所述目标人员在所述目标现场图像中的形态中的至少一个符合预设规则，生成告警事件，包括：
    在所述目标人员在所述目标现场图像中的形态为驾驶目标车辆的情形下，利用车辆属性分类网络对所述目标人员驾驶的车辆进行车辆属性分类，得到所述目标人员驾驶的车辆的属性；所述车辆属性分类网络包括基于标注了车辆的属性信息的图像样本进行训练得到的神经网络；所述属性包括以下至少一项：颜色、外形；
    响应于所述目标人员驾驶的车辆的属性不是所述预设属性，生成告警事件。
  11. 根据权利要求1-7任一所述的方法，其特征在于，所述预设规则包括所述目标人员在非预设小区的停车区的停留时长达到预设阈值；所述响应于所述目标人员出现在所述目标现场图像中的时间、所述目标人员被识别到出现在所述目标现场图像时所处的位置、以及所述目标人员在所述目标现场图像中的形态中的至少一个符合预设规则，生成告警事件，包括：
    根据所述目标人员出现在所述目标现场图像中的时间、所述目标人员被识别到出现在所述目标现场图像时所处的位置、以及所述目标人员在所述目标现场图像中的形态，确定所述目标人员在非所述预设小区的停车区停留时长；
    响应于所述停留时长达到预设阈值，生成告警事件。
  12. 根据权利要求1-11任一所述的方法，其特征在于，所述方法还包括：
    获取规则修改请求；
    响应于所述规则修改请求，调整所述预设规则。
  13. 一种生成告警事件的装置，其特征在于，所述装置包括：
    识别模块，用于对在一个或多个监控现场采集的一个或多个现场图像中的人员进行身份识别，确定出现在所述现场图像中的目标人员，其中，被识别到所述目标人员的所述现场图像被称为目标现场图像；
    第一确定模块，用于确定所述目标人员被识别到出现在所述目标现场图像时所处的位置与所述目标人员出现在所述目标现场图像中的时间；
    第二确定模块，用于对所述目标现场图像中出现的所述目标人员进行形态识别，确定所述目标人员在所述目标现场图像中的形态；
    生成模块，用于响应于所述目标人员出现在所述目标现场图像中的时间、所述目标人员被识别到出现在所述目标现场图像时所处的位置，以及所述目标人员在所述目标现场图像中的形态中的至少一个符合预设规则，生成告警事件。
  14. 一种电子设备，其特征在于，包括：
    处理器；
    用于存储处理器可执行指令的存储器；
    其中，所述处理器通过运行所述处理器可执行指令以实现如权利要求1-12任一所述的生成告警事件的方法。
  15. 一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序用于使处理器执行如权利要求1-12任一所述的生成告警事件的方法。
PCT/CN2022/126918 2021-12-30 2022-10-24 用于生成告警事件的方法、装置、设备和存储介质 WO2023124451A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202111655210.0 2021-12-30
CN202111655210.0A CN114333079A (zh) 2021-12-30 2021-12-30 生成告警事件的方法、装置、设备和存储介质

Publications (1)

Publication Number Publication Date
WO2023124451A1 true WO2023124451A1 (zh) 2023-07-06

Family

ID=81018833

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2022/126918 WO2023124451A1 (zh) 2021-12-30 2022-10-24 用于生成告警事件的方法、装置、设备和存储介质

Country Status (2)

Country Link
CN (1) CN114333079A (zh)
WO (1) WO2023124451A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114333079A (zh) * 2021-12-30 2022-04-12 北京市商汤科技开发有限公司 生成告警事件的方法、装置、设备和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113034826A (zh) * 2021-03-10 2021-06-25 深圳市兴海物联科技有限公司 基于视频的异常事件告警方法及其***、设备、存储介质
CN113128414A (zh) * 2021-04-22 2021-07-16 北京房江湖科技有限公司 人员跟踪方法、装置、计算机可读存储介质及电子设备
CN113723257A (zh) * 2021-08-24 2021-11-30 江苏范特科技有限公司 事件短视频生成方法、***、设备和存储介质
CN114333079A (zh) * 2021-12-30 2022-04-12 北京市商汤科技开发有限公司 生成告警事件的方法、装置、设备和存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113034826A (zh) * 2021-03-10 2021-06-25 深圳市兴海物联科技有限公司 基于视频的异常事件告警方法及其***、设备、存储介质
CN113128414A (zh) * 2021-04-22 2021-07-16 北京房江湖科技有限公司 人员跟踪方法、装置、计算机可读存储介质及电子设备
CN113723257A (zh) * 2021-08-24 2021-11-30 江苏范特科技有限公司 事件短视频生成方法、***、设备和存储介质
CN114333079A (zh) * 2021-12-30 2022-04-12 北京市商汤科技开发有限公司 生成告警事件的方法、装置、设备和存储介质

Also Published As

Publication number Publication date
CN114333079A (zh) 2022-04-12

Similar Documents

Publication Publication Date Title
CN108062349B (zh) 基于视频结构化数据及深度学习的视频监控方法和***
US11354901B2 (en) Activity recognition method and system
CN108053427B (zh) 一种基于KCF与Kalman的改进型多目标跟踪方法、***及装置
TWI749113B (zh) 在視訊監控系統中產生警示之方法、系統及電腦程式產品
CN108009473B (zh) 基于目标行为属性视频结构化处理方法、***及存储装置
EP3654285B1 (en) Object tracking using object attributes
US10152858B2 (en) Systems, apparatuses and methods for triggering actions based on data capture and characterization
WO2019153193A1 (zh) 一种出租车运营监测方法、设备、存储介质和***
CN108052859B (zh) 一种基于聚类光流特征的异常行为检测方法、***及装置
JP4924607B2 (ja) 不審行動検知装置および方法、プログラムおよび記録媒体
KR101116273B1 (ko) 교통사고 인식장치 및 그 방법
JP4569190B2 (ja) 不審者対策システム及び不審者検出装置
CN103699677B (zh) 一种基于人脸识别技术的罪犯行踪地图绘制***及其方法
CN106448160B (zh) 结合车辆行驶轨迹和监控视频数据的目标人物追踪方法
US20070035622A1 (en) Method and apparatus for video surveillance
CN103049459A (zh) 一种基于特征识别的快速录像检索方法
WO2020024552A1 (zh) 道路安全监控方法及***、计算机可读存储介质
WO2023124451A1 (zh) 用于生成告警事件的方法、装置、设备和存储介质
CN105227918B (zh) 一种智能监控方法
Agrawal et al. Automatic traffic accident detection system using ResNet and SVM
CN116311166A (zh) 交通障碍物识别方法、装置及电子设备
WO2023045239A1 (zh) 行为识别方法、装置、设备、介质、芯片、产品及程序
KR101154350B1 (ko) 고해상도 영상의 객체 검지 및 분할 인식을 이용한 다중 영상처리시스템 및 방법
Masood et al. Identification of anomaly scenes in videos using graph neural networks
Sankar et al. Intelligent Door Assist system using Chatbot and Facial Recognition

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22913714

Country of ref document: EP

Kind code of ref document: A1