CN105933681B - 面向行为识别的灵敏度自适应调整方法 - Google Patents
面向行为识别的灵敏度自适应调整方法 Download PDFInfo
- Publication number
- CN105933681B CN105933681B CN201610536478.5A CN201610536478A CN105933681B CN 105933681 B CN105933681 B CN 105933681B CN 201610536478 A CN201610536478 A CN 201610536478A CN 105933681 B CN105933681 B CN 105933681B
- Authority
- CN
- China
- Prior art keywords
- false
- alarm
- maximum
- sensitivity
- fde
- 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
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Alarm Systems (AREA)
Abstract
本发明属于智能监控领域,涉及一种面向行为识别的灵敏度自适应调整方法,包括步骤:S1初始设定相关参数;S2监控人员对系统产生的每一次报警进行人工判定,分别标记为正确报警与虚警;S3当持续运行时间超过最大持续运行时间或累积的虚警次数超过最大虚警数量,则触发灵敏度调整;S4将持续运行时间进行分段;S5统计每个给定时段内的虚警次数,找出具有最大虚警次数的时间段,计算其虚警指数;S6如果虚警指数大于虚警指数阈值,则调整检测灵敏度;转至步骤S9;否则顺序执行;S7计算具有最大虚警次数的时间段对应的漏警指数;S8如果漏警指数大于设定的漏警指数阈值,则调整检测灵敏度;S9所有正确报警和虚警的统计结果清零,返回步骤S2。
Description
技术领域
本发明属于智能监控领域,涉及一种面向行为识别的灵敏度自适应调整方法,通过分析实际运行过程中外界对处理结果的判定来实时调整异常行为识别系统检测灵敏度的方法。
背景技术
基于视频分析的异常行为识别技术是视频监控领域的研究热点,最新的相关文献包括:发明“基于SURF流和LLE稀疏表示的人群异常行为识别方法(CN103699874A)”、发明“基于SIFT流和隐条件随机场的人群异常行为识别方法(CN103577804A)”、发明“一种鲁棒的异常行为检测方法(CN103530605A)”、发明“一种基于FAST的人群异常行为识别方法(CN103488993A)”、发明“一种基于KOD能量特征的群体异常行为识别方法(CN103258193A)”,以及文献“基于混合高斯模型和主成分分析的轨迹分析行为识别方法(电子学报,2016.01)”、文献“校园智能视频监控中的运动目标异常行为检测与识别(软件导刊,2016.03)”、文献“梯度直方图和光流特征融合的视频图像异常行为检测算法(信号处理,2016.01)”等。
上述研究结果的局限性在于:设定检测灵敏度时依据的是技术研发阶段所采集的样本数据集,有限样本数据集仅能涵盖特定场景、特定采集设备、特定环境下发生的特定行为,并不能代表实际应用中可能出现的各种异常行为。由于检测灵敏度的设定和实际应用环境相脱节,易导致异常行为识别系统的实际运行性能和设计指标相去甚远或出现无规律的起伏,难以满足智能监控领域的实际应用需求。
发明内容
针对传统异常行为识别系统检测灵敏度的设定和实际应用环境相脱节、易导致检测性能不能满足实际应用需求的问题,本发明提出了一种通过分析实际运行过程中外界对处理结果的判定来实时调整异常行为识别系统检测灵敏度的方法,该方法通过统计一定时间段内系统的实际虚警数量和有效报警数量,计算系统的虚警指标和漏警指标,当指标超过设定阈值时,对系统的检测灵敏度进行调整,使得系统的检测灵敏度可以动态适应场景的变化。
在异常行为检测系统中,检测灵敏度(Detection Sensitivity,简称DS)越高,意味着越容易检测到场景中的异常行为,但同时也越容易将正常行为误认为是异常行为,导致虚警率上升;检测灵敏度越低,出现虚警的可能性就越低,但同时漏掉真实异常行为的可能性也越大,导致漏警率上升。对于实际应用系统而言,最重要的指标是虚警率要低,其次才是漏警率要低。因此动态调整灵敏度的原则就是:在确保虚警率不超过容许范围的前提下,尽量降低系统的漏警概率。
介绍本发明方案之前,先定义几个概念:
1、抑制虚警
为实现抑制系统的虚警量,我们定义虚警指数(False Alarm Exponent,简称FAE),该值定义为给定时间段(Time Quantum,简称TQ)内的虚警次数(False Alarm,简称FA)与最大报警次数(Max Alarm,简称MA)之比,如式(1)所示。
这里MA为TQ内系统允许发生的最大报警次数,该值受系统设定的报警间隔(AlarmInterval,简称AI)控制,计算方法如式(2)所示:
FAE取值范围为[0,1],该值越大,表示虚警越严重。
FAE对应一个上限阈值TH_FAE,超过该阈值时,需考虑降低DS以减少虚警,如式(3)所示,其中:DSold为调整前的检测灵敏度,DSnew为调整后的检测灵敏度,ΔFAE为降低虚警时对应的灵敏度调整步长。
DSnew=DSold-ΔFAE (3)
2、抑制漏警
为实现抑制系统的漏警量,我们定义漏警指数(False Dismissal Exponent,简称FDE)。
该指标的定义为1减去TQ内正确报警次数(True Alarm,简称TA)与MA之比,如式(4)所示。
FDE取值范围为[0,1],值越大,表示发生漏警的可能性越大。
FDE对应一个上限阈值TH_FDE,超过该阈值时,需考虑提高DS以减少漏警,如式(5)所示,其中:ΔFDE为降低漏警时对应的灵敏度调整步长。
DSnew=DSold+ΔFDE (5)
本发明的具体技术方案为:一种面向行为识别的灵敏度自适应调整方法,包括以下步骤:
(S1)初始设定检测灵敏度DS、给定时间段TQ、报警间隔AI、虚警指数阈值TH_FAE、降低虚警时对应的灵敏度调整步长ΔFAE、漏警指数阈值TH_FDE、降低漏警时对应的灵敏度调整步长ΔFDE、最大持续运行时间MCR(Max Continue Running,简称MCR)、最大虚警数量MFA(Max False Alarm,简称MFA);
(S2)当系统运行时,监控人员对系统产生的每一次报警进行人工判定,如果报警结果正确,则将该次报警标记为正确报警;如果报警结果错误,则将该次报警标记为虚警;
(S3)当系统持续运行时间超过设定的最大持续运行时间MCR,或者系统累积的虚警次数超过设定的最大虚警数量MFA,则触发灵敏度调整;
(S4)将系统的持续运行时间以TQ为单位进行分段;
(S5)统计每个TQ内的虚警次数,找出具有最大虚警次数的时间段,依据下式计算其对应的虚警指数FAE:
其中MA为TQ内系统允许发生的最大报警次数,FA为TQ内系统发生的虚警次数,
(S6)如果FAE大于设定的虚警指数阈值TH_FAE,则依据下式调整检测灵敏度:
DSnew=DSold-ΔFAE
其中DSold为调整前的检测灵敏度,DSnew为调整后的检测灵敏度,ΔFAE为降低虚警时对应的灵敏度调整步长;
然后跳转至步骤(S9);否则继续执行步骤(S7);
(S7)依据下式计算具有最大虚警次数的时间段对应的漏警指数FDE:
其中TA表示TQ内正确报警次数;
(S8)如果FDE大于设定的漏警指数阈值TH_FDE,则依据下式调整检测灵敏度:
DSnew=DSold+ΔFDE,
其中DSold为调整前的检测灵敏度,DSnew为调整后的检测灵敏度,ΔFDE为降低漏警时对应的灵敏度调整步长;否则,继续步骤S9
(S9)所有正确报警和虚警的统计结果清零,返回步骤(S2)开始新一轮统计与调整过程。
进一步地,所述步骤(S7)中若最大虚警次数的时间段不止一个,则得到若干个漏警指数,选择若干个漏警指数中值最大的一个作为步骤(S7)最终输出的FDE。
如果DS调整到所允许的最小值时依然无法满足FAE≤TH_FAE,则判定该异常行为检测系统的虚警性能无法满足该场景的应用需求。
采用本发明获得的有益效果是:对于任意场景下的检测灵敏度可调的异常行为检测系统,无论系统的初始检测灵敏度设定为何值,经过一段时间的实际运行后,实际检测灵敏度总能调整到该场景下的最优灵敏度,当场景因季节、天气等原因发生长期变化时,检测灵敏度会随之改变,可极大提高异常行为检测系统的实际运行性能。
附图说明
图1本发明的流程图。
具体实施方式
下面,结合附图和具体实施例,对本发明作进一步说明。
如图1所示,为面向行为识别的灵敏度自适应调整方法的流程图,实施例如下。
(1)设有一个用于打砸检测的系统,相关参数、阈值设定如下表所示:
由参数2、3可求得MA=120。
(2)系统的初始DS设为9。
(3)当系统持续运行时间满24个小时或当前的总虚警次数已经达到100时,启动灵敏度调整。首先统计每个小时内的虚警次数和正确报警次数。接着依据本发明中灵敏度调整策略,如果1小时内的最大虚警次数超过6次时(即对应的FAE>0.05),则DS的值减1,直至减至为1;如果最大虚警次数小于6次,且对应的TQ内,最大正确报警次数小于6次(即对应的FDE>0.95),则DS的值加0.1,直至为9。
应当指出,本发明并不局限于以上特定实施例,本领域技术人员可以在权利要求的保护范围内做出任何变形或改进,均落在本发明的保护范围之内。
Claims (2)
1.一种面向行为识别的灵敏度自适应调整方法,其特征在于,包括以下步骤:
(S1)初始设定检测灵敏度DS、给定时间段TQ、报警间隔AI、虚警指数阈值TH_FAE、降低虚警时对应的灵敏度调整步长ΔFAE、漏警指数阈值TH_FDE、降低漏警时对应的灵敏度调整步长ΔFDE、最大持续运行时间MCR、最大虚警数量MFA;
(S2)当系统运行时,监控人员对系统产生的每一次报警进行人工判定,如果报警结果正确,则将该次报警标记为正确报警;如果报警结果错误,则将该次报警标记为虚警;
(S3)当系统持续运行时间超过设定的最大持续运行时间MCR,或者系统累积的虚警次数超过设定的最大虚警数量MFA,则触发灵敏度调整;
(S4)将系统的持续运行时间以TQ为单位进行分段;
(S5)统计每个TQ内的虚警次数,找出具有最大虚警次数的时间段,依据下式计算其对应的虚警指数FAE:
其中MA为TQ内系统允许发生的最大报警次数,FA为TQ内系统发生的虚警次数,
(S6)如果FAE大于设定的虚警指数阈值TH_FAE,则依据下式调整检测灵敏度:
DSnew=DSold-ΔFAE
其中DSold为调整前的检测灵敏度,DSnew为调整后的检测灵敏度,ΔFAE为降低虚警时对应的灵敏度调整步长;
然后跳转至步骤(S9);否则继续执行步骤(S7);
(S7)依据下式计算具有最大虚警次数的时间段对应的漏警指数FDE:
其中TA表示TQ内正确报警次数;
(S8)如果FDE大于设定的漏警指数阈值TH_FDE,则依据下式调整检测灵敏度:
DSnew=DSold+ΔFDE,
其中DSold为调整前的检测灵敏度,DSnew为调整后的检测灵敏度,ΔFDE为降低漏警时对应的灵敏度调整步长;否则,进入步骤(S9)
(S9)所有正确报警和虚警的统计结果清零,返回步骤(S2)开始新一轮统计与调整过程。
2.如权利要求1所述的一种面向行为识别的灵敏度自适应调整方法,其特征在于,所述步骤(S7)中若最大虚警次数的时间段不止一个,则得到若干个漏警指数,选择若干个漏警指数中值最大的一个作为步骤(S7)最终输出的FDE。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610536478.5A CN105933681B (zh) | 2016-07-08 | 2016-07-08 | 面向行为识别的灵敏度自适应调整方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610536478.5A CN105933681B (zh) | 2016-07-08 | 2016-07-08 | 面向行为识别的灵敏度自适应调整方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105933681A CN105933681A (zh) | 2016-09-07 |
CN105933681B true CN105933681B (zh) | 2018-08-21 |
Family
ID=56827196
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610536478.5A Active CN105933681B (zh) | 2016-07-08 | 2016-07-08 | 面向行为识别的灵敏度自适应调整方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105933681B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110298990A (zh) * | 2018-03-22 | 2019-10-01 | 云丁网络技术(北京)有限公司 | 监控设备的报警方法、系统、监控设备和云服务器 |
CN108615340B (zh) * | 2018-05-07 | 2019-04-02 | 山东科技大学 | 一种动态报警阈值设计和报警消除的方法与系统 |
CN109035655A (zh) * | 2018-07-16 | 2018-12-18 | 北京奇虎科技有限公司 | 一种设置引导方法及装置 |
CN112770081B (zh) * | 2019-11-01 | 2023-05-02 | 杭州海康威视数字技术股份有限公司 | 监控设备的参数调整方法、装置、电子设备及存储介质 |
CN111488838B (zh) * | 2020-04-14 | 2023-09-01 | 上海天诚比集科技有限公司 | 一种视频检测区域物体侵入检测方法 |
CN111573842B (zh) * | 2020-05-19 | 2022-02-11 | 浙江职信通信科技有限公司 | 江河生态控制方法及系统 |
CN112185050B (zh) * | 2020-09-25 | 2022-03-04 | 珠海格力电器股份有限公司 | 安全等级确认方法、装置和消防系统 |
CN116612609B (zh) * | 2023-07-21 | 2023-11-03 | 湖北通达数科科技有限公司 | 一种基于山体滑坡危害度预测的灾害预警方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6892163B1 (en) * | 2002-03-08 | 2005-05-10 | Intellectual Assets Llc | Surveillance system and method having an adaptive sequential probability fault detection test |
CN101667861A (zh) * | 2009-10-10 | 2010-03-10 | 中国电子科技集团公司第五十四研究所 | 一种低虚警与低漏检突发信号捕获方法 |
CN101754241A (zh) * | 2008-12-18 | 2010-06-23 | 中兴通讯股份有限公司 | 一种用于无线通信的预警系统及方法 |
CN103297999A (zh) * | 2012-02-22 | 2013-09-11 | 中兴通讯股份有限公司 | 调整调度请求虚警门限值的方法及装置 |
-
2016
- 2016-07-08 CN CN201610536478.5A patent/CN105933681B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6892163B1 (en) * | 2002-03-08 | 2005-05-10 | Intellectual Assets Llc | Surveillance system and method having an adaptive sequential probability fault detection test |
CN101754241A (zh) * | 2008-12-18 | 2010-06-23 | 中兴通讯股份有限公司 | 一种用于无线通信的预警系统及方法 |
CN101667861A (zh) * | 2009-10-10 | 2010-03-10 | 中国电子科技集团公司第五十四研究所 | 一种低虚警与低漏检突发信号捕获方法 |
CN103297999A (zh) * | 2012-02-22 | 2013-09-11 | 中兴通讯股份有限公司 | 调整调度请求虚警门限值的方法及装置 |
Non-Patent Citations (1)
Title |
---|
Car Plate Detection Using Cascaded Tree-Style Learner Based on Hybrid;Qiang Wu;《Video and Signal Based Surveillance》;20061130;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN105933681A (zh) | 2016-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105933681B (zh) | 面向行为识别的灵敏度自适应调整方法 | |
CN117093879B (zh) | 一种数据中心智能化运营管理方法及系统 | |
CN101571982B (zh) | 一种判断视频监控范围内物品失窃的方法 | |
US10281504B2 (en) | Method and apparatus for analyzing waveform signals of a power system | |
CN105426820B (zh) | 基于安防监控视频数据的多人异常行为检测方法 | |
CN116304766B (zh) | 基于多传感器的开关柜状态快速评估方法 | |
CN101299275B (zh) | 一种目标检测方法、装置 | |
CN105139016B (zh) | 监控摄像头的干扰检测系统及其应用方法 | |
CN102547365B (zh) | 视频图像的黑边检测方法及装置 | |
CN108965055A (zh) | 一种基于历史时间取点法的网络流量异常检测方法 | |
CN111461078B (zh) | 一种基于计算机视觉技术的防钓监控方法 | |
US20100082295A1 (en) | Method and System of Wind Turbine Condition Monitoring | |
CN112163572A (zh) | 识别对象的方法和装置 | |
CN107276779B (zh) | 一种监控方法、系统及设备 | |
CN117056813A (zh) | 一种用于智能断路器数据采集的检测方法 | |
CN117351271A (zh) | 高压配电线路监控设备故障监测方法、系统及其存储介质 | |
CN117411918B (zh) | 一种基于iot物联网的监控报警方法及系统 | |
CN109214318A (zh) | 一种寻找非稳态时间序列微弱尖峰的方法 | |
CN108508860A (zh) | 一种基于耦合关系的流程工业生产系统数据监测方法 | |
CN116740885A (zh) | 烟雾火焰报警方法、装置、电子设备及存储介质 | |
CN113741372B (zh) | 一种降低工业过程控制系统偏差攻击误报的方法 | |
CN113794742A (zh) | 一种电力系统fdia高精度检测方法 | |
CN112965964A (zh) | 一种实测飞参数据的野值检测方法、系统及计算机相关产品 | |
CN110909813A (zh) | 一种基于边缘算法的商业体异常用电检测方法 | |
CN110378200A (zh) | 一种基于行为特征聚类的智能安防提示设备与方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |