CN108351968B - 一种针对犯罪活动的告警方法、装置、存储介质及服务器 - Google Patents

一种针对犯罪活动的告警方法、装置、存储介质及服务器 Download PDF

Info

Publication number
CN108351968B
CN108351968B CN201780002311.3A CN201780002311A CN108351968B CN 108351968 B CN108351968 B CN 108351968B CN 201780002311 A CN201780002311 A CN 201780002311A CN 108351968 B CN108351968 B CN 108351968B
Authority
CN
China
Prior art keywords
training
criminal activity
module
behavior
criminal
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
Application number
CN201780002311.3A
Other languages
English (en)
Other versions
CN108351968A (zh
Inventor
李恒
刘光军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Streamax Technology Co Ltd
Original Assignee
Streamax Technology Co Ltd
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 Streamax Technology Co Ltd filed Critical Streamax Technology Co Ltd
Publication of CN108351968A publication Critical patent/CN108351968A/zh
Application granted granted Critical
Publication of CN108351968B publication Critical patent/CN108351968B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
    • G06V20/597—Recognising the driver's state or behaviour, e.g. attention or drowsiness
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/0297—Robbery alarms, e.g. hold-up alarms, bag snatching alarms
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
    • G08B25/01—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium
    • G08B25/012—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium using recorded signals, e.g. speech
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Emergency Management (AREA)
  • Business, Economics & Management (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Human Computer Interaction (AREA)
  • Acoustics & Sound (AREA)
  • Alarm Systems (AREA)

Abstract

一种针对犯罪活动的告警方法，用于解决如何在司机遭受犯罪活动迫害的情况下实现安全有效的及时告警的问题。该针对犯罪活动的告警方法包括：实时采集车辆上司机所处位置的视频图像和音频信息；提取所述视频图像中感兴趣区域的行为特征；提取采集到的所述音频信息中的语音特征；将提取得到的所述行为特征和所述语音特征进行归一化处理；将归一化后的所述行为特征和所述语音特征投入预训练完成的犯罪活动分类器进行分类识别，得到输出的分类识别结果，所述分类识别结果为存在犯罪活动或者不存在犯罪活动；若所述分类识别结果为存在犯罪活动，则发出告警信息。

Description

一种针对犯罪活动的告警方法、装置、存储介质及服务器
技术领域
本发明涉及视频信息处理技术领域，尤其涉及一种针对犯罪活动的告警方法、装置、存储介质及服务器。
背景技术
随着车载行业向着数字化和智能化方向的迈进，以及现实中会存在因司机被挟持抢劫等而威胁到其人身和财产安全的事件，人们渴望能有一套可以对类似抢劫司机行为进行实时监控和报警的装置，以便社会向着更加和谐安全的方向发展，减少司机出行忧虑、财产忧虑和生命威胁。
目前市面上针对司机人身和财产安全报警的解决方法多分为两类：1、基于手动迅速偷按紧急按钮、遥控器按键发出实时报警控制信号进行语音报警；2、基于安全座椅装备导电液发射枪进行电击和用催泪瓦斯催泪的物理伤害方式进行肇事行为(如抢劫)阻止。但这两种方式都存在一些较明显的缺陷：对第1种方法而言，当肇事者实施抢劫前，肇事者本身一般也是处于高度紧张状态，最先做的动作一般都是死死把控手中的武器并紧盯司机的一举一动，这时若让司机去手动按紧急按钮或找遥控器按键进行触发，不但操作不方便，而且非常容易引起肇事者情绪激动而造成误伤或刻意伤害的可能性；对第2种方法而言，首先是硬件成本较高，在座位上装备导电液发射枪及催泪瓦斯等会有很大的成本提升，不利于推广，其次是肇事者一般都手持武器顶住司机且距离司机较近，这种类型的物理攻击在伤害抢劫者的同时非常容易对司机自己带有连同伤害，风险性和不确定性太大。
可见，如何在司机遭受犯罪活动迫害的情况下实现安全有效的及时告警成为本领域技术人员亟需解决的问题。
发明内容
本发明实施例提供了一种针对犯罪活动的告警方法、装置、存储介质及服务器，能够实现犯罪活动的自动识别并发出告警信息，无需司机主动做出任何动作，减少肇事者采取过激行为的可能性，同时减轻被害人(司机)的负担，可以做到安全有效的及时告警。
第一方面，提供了一种针对犯罪活动的告警方法，包括：
实时采集车辆上司机所处位置的视频图像和音频信息；
提取所述视频图像中感兴趣区域的行为特征；
提取采集到的所述音频信息中的语音特征；
将提取得到的所述行为特征和所述语音特征进行归一化处理；
将归一化后的所述行为特征和所述语音特征投入预训练完成的犯罪活动分类器进行分类识别，得到输出的分类识别结果，所述分类识别结果为存在犯罪活动或者不存在犯罪活动；
若所述分类识别结果为存在犯罪活动，则发出告警信息。
进一步地，所述犯罪活动分类器通过以下步骤预先训练得到：
预先收集训练组样本，所述训练组样本包括用于训练的多组第一视频图像和第一音频信息；
预先标记所述训练组样本中各组视频图像和音频信息对应的标准识别结果，标准识别结果为存在犯罪活动或者不存在犯罪活动；
提取所述第一视频图像中感兴趣区域的第一行为特征；
提取所述第一音频信息中的第一语音特征；
将提取得到的所述第一行为特征和所述第一语音特征进行归一化处理；
将所述训练组样本中归一化后的所述第一行为特征和所述第一语音特征投入犯罪活动分类器进行分类识别，得到输出的分类识别结果；
将输出的分类识别结果与所述训练组样本对应的标准识别结果进行对比，得到本次训练所述犯罪活动分类器输出结果的准确率；
若本次训练的准确率低于预设阈值，则调整所述犯罪活动分类器中的分类器参数，返回执行所述提取所述第一视频图像中感兴趣区域的第一行为特征的步骤，开始下一次训练；
若本次训练的准确率高于或等于预设阈值，则确定所述犯罪活动分类器训练完成。
进一步地，还包括：
预先收集测试组样本，所述测试组样本包括用于测试的多组第二视频图像和第二音频信息；
预先标记所述测试组样本中各组视频图像和音频信息对应的标准识别结果；
在确定所述犯罪活动分类器训练完成之前，所述针对犯罪活动的告警方法还包括：
提取所述第二视频图像中感兴趣区域的第二行为特征；
提取所述第二音频信息中的第二语音特征；
将提取得到的所述第二行为特征和所述第二语音特征进行归一化处理；
将所述测试组样本中归一化后的所述第二行为特征和所述第二语音特征投入犯罪活动分类器进行分类识别，得到输出的分类识别结果；
将输出的分类识别结果与所述测试组样本对应的标准识别结果进行对比，得到本次测试中所述犯罪活动分类器输出结果的测试准确率；
若本次测试的测试准确率低于预设测试阈值，则调整所述犯罪活动分类器中的分类器参数，返回执行所述提取所述第一视频图像中感兴趣区域的第一行为特征的步骤，开始下一次训练；
若本次测试的测试准确率高于或等于预设测试阈值，则执行所述确定所述犯罪活动分类器训练完成的步骤。
进一步地，所述行为特征包括视觉特征和动作轨迹特征；
所述提取所述视频图像中感兴趣区域的行为特征包括：
提取所述视频图像中感兴趣区域；
检测得到在所述感兴趣区域中的兴趣点；
采用Tracklet描述子将所述感兴趣区域中的兴趣点描述成视觉特征和动作轨迹特征。
进一步地，所述发出告警信息包括：
获取所述车辆的实时定位信息；
将预设的报警信息、所述实时定位信息和实时采集的所述视频图像、音频信息发送至指定的告警终端。
第二方面，提供了一种针对犯罪活动的告警装置，包括：
实时采集模块，用于实时采集车辆上司机所处位置的视频图像和音频信息；
行为特征提取模块，用于提取所述视频图像中感兴趣区域的行为特征；
语音特征提取模块，用于提取采集到的所述音频信息中的语音特征；
特征归一模块，用于将提取得到的所述行为特征和所述语音特征进行归一化处理；
分类识别模块，用于将归一化后的所述行为特征和所述语音特征投入预训练完成的犯罪活动分类器进行分类识别，得到输出的分类识别结果，所述分类识别结果为存在犯罪活动或者不存在犯罪活动；
告警模块，用于若所述分类识别结果为存在犯罪活动，则发出告警信息。
进一步地，所述犯罪活动分类器通过以下模块预先训练得到：
训练样本采集模块，用于预先收集训练组样本，所述训练组样本包括用于训练的多组第一视频图像和第一音频信息；
训练样本标记模块，用于预先标记所述训练组样本中各组视频图像和音频信息对应的标准识别结果，标准识别结果为存在犯罪活动或者不存在犯罪活动；
第一行为特征模块，用于提取所述第一视频图像中感兴趣区域的第一行为特征；
第一语音特征模块，用于提取所述第一音频信息中的第一语音特征；
第一归一处理模块，用于将提取得到的所述第一行为特征和所述第一语音特征进行归一化处理；
第一分类器识别模块，用于将所述训练组样本中归一化后的所述第一行为特征和所述第一语音特征投入犯罪活动分类器进行分类识别，得到输出的分类识别结果；
第一对比模块，用于将输出的分类识别结果与所述训练组样本对应的标准识别结果进行对比，得到本次训练所述犯罪活动分类器输出结果的准确率；
第一参数调整模块，用于若本次训练的准确率低于预设阈值，则调整所述犯罪活动分类器中的分类器参数，返回触发所述第一行为特征模块，开始下一次训练；
训练完成确定模块，用于若本次训练的准确率高于或等于预设阈值，则确定所述犯罪活动分类器训练完成。
进一步地，还包括：
测试样本采集模块，用于预先收集测试组样本，所述测试组样本包括用于测试的多组第二视频图像和第二音频信息；
测试样本标记模块，用于预先标记所述测试组样本中各组视频图像和音频信息对应的标准识别结果；
在所述训练完成确定模块确定所述犯罪活动分类器训练完成之前，还触发以下模块：
第二行为特征模块，用于提取所述第二视频图像中感兴趣区域的第二行为特征；
第二语音特征模块，用于提取所述第二音频信息中的第二语音特征；
第二归一处理模块，用于将提取得到的所述第二行为特征和所述第二语音特征进行归一化处理；
第二分类器识别模块，用于将所述测试组样本中归一化后的所述第二行为特征和所述第二语音特征投入犯罪活动分类器进行分类识别，得到输出的分类识别结果；
第二对比模块，用于将输出的分类识别结果与所述测试组样本对应的标准识别结果进行对比，得到本次测试中所述犯罪活动分类器输出结果的测试准确率；
第二参数调整模块，用于若本次测试的测试准确率低于预设测试阈值，则调整所述犯罪活动分类器中的分类器参数，返回触发所述第一行为特征模块，开始下一次训练；
训练完成确定模块，用于若本次测试的测试准确率高于或等于预设测试阈值，则触发所述训练完成确定模块来确定所述犯罪活动分类器训练完成。
第三方面，提供了一种针对犯罪活动的告警服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的针对犯罪活动的告警方法的步骤。
第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的针对犯罪活动的告警方法的步骤。
从以上技术方案可以看出，本发明实施例具有以下优点：
本发明实施例中，首先，实时采集车辆上司机所处位置的视频图像和音频信息；然后，提取所述视频图像中感兴趣区域的行为特征；提取采集到的所述音频信息中的语音特征；接着，将提取得到的所述行为特征和所述语音特征进行归一化处理；再之，将归一化后的所述行为特征和所述语音特征投入预训练完成的犯罪活动分类器进行分类识别，得到输出的分类识别结果，所述分类识别结果为存在犯罪活动或者不存在犯罪活动；若所述分类识别结果为存在犯罪活动，则发出告警信息。在本发明实施例中，当犯罪活动发生时，通过采集车辆上司机所处位置的视频图像和音频信息，将这些视频图像和音频信息投入到犯罪活动分类器中进行分类识别，实现犯罪活动的自动识别并发出告警信息，无需司机主动做出任何动作，减少肇事者采取过激行为的可能性，同时减轻被害人(司机)的负担，可以做到安全有效的及时告警。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中一种针对犯罪活动的告警方法一个实施例流程图；
图2为本发明实施例中一种针对犯罪活动的告警方法步骤102在一个应用场景下的流程示意图；
图3为本发明实施例中一种针对犯罪活动的告警方法在一个应用场景下预先训练犯罪活动分类器的流程示意图；
图4为本发明实施例中一种针对犯罪活动的告警方法在一个应用场景下测试犯罪活动分类器的流程示意图；
图5为本发明实施例中一种针对犯罪活动的告警装置一个实施例结构图；
图6为本发明一实施例提供的针对犯罪活动的告警服务器的示意图。
具体实施方式
本发明实施例提供了一种针对犯罪活动的告警方法、装置、存储介质及服务器，用于解决如何在司机遭受犯罪活动迫害的情况下实现安全有效的及时告警的问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1，本发明实施例中一种针对犯罪活动的告警方法一个实施例包括：
101、实时采集车辆上司机所处位置的视频图像和音频信息；
在本实施例中，可以在车辆上司机所处位置的前方或者侧面方向安装摄像头，摄像头对准司机位置进行视频拍摄，可以实时采集到司机所处位置的视频流信息，对这些视频流信息进行帧分割和采样，即可得到视频图像。另外，可以在司机所在位置附近安装麦克风来采集音频信息。摄像头和麦克风采集到的视频图像和音频信息传输到本方案的执行主体中，使得执行主体可以实时获取到这些采集的视频图像和音频信息。
需要说明的是，本方案的执行主体具体可以是安装在车辆上的终端、系统或者远程服务器，为便于描述，下面统一表述为执行主体。
102、提取所述视频图像中感兴趣区域的行为特征；
在采集到视频图像之后，执行主体可以提取该视频图像中感兴趣区域的行为特征。具体地，所述行为特征可以包括视觉特征和动作轨迹特征，如图2所示，上述步骤102可以包括：
201、提取所述视频图像中感兴趣区域；
202、检测得到在所述感兴趣区域中的兴趣点；
203、采用Tracklet描述子将所述感兴趣区域中的兴趣点描述成视觉特征和动作轨迹特征。
对于上述步骤201，采用Up body检测子或者HOG描述子提取视频图像中的感兴趣区域，如抢劫行为的轮廓。
对于上述步骤202和203，在提取到感兴趣区域的基础上，可以利用Cuboid检测子提取视频中的兴趣点/块，并利用Tracklet描述子检测，描述视觉特征和动作轨迹特征。
其中，关于Up body检测子，采用基于混合可变形多尺度分体模型来实现该感兴趣动作(比如犯罪活动常用的动作，从背后勒住司机脖子等)的Up body检测子：首先在图像不同分辨率上建立起可变形多尺度分体模型：利用一个目标前提的完整结构为目标物体预测一个边界框，即使用函数将特征向量映射到边界框的左上方和右下方以及边界框的角点上，然后训练一个隐含支持向量机对模型进行分类，从而检测出图像中目标动作区域，即可得到感兴趣区域。
关于HOG描述子，HOG描述子的主要思想是一幅图像中的物体的表象和形状可以被边缘的方向分布或像素强度梯度很好地描述。其实现方法是先将图像分成方格单元连通区域，然后采集方格单元中各像素点的边缘方向或者梯度方向直方图，最后把这些直方图组合起来就构成了特征描述子。
在利用Tracklet描述子跟踪检测视频图像中人体动作信息并加以描述时，主要描述预设的标志性动作，比如：带有遮脸物的抢劫者头部从后方靠近司机头部、手持东西顶住司机脖子或头部，等等。特别地，这些标示性动作的模型可以预先存储在动作模型数据库中，在使用Tracklet描述子描述时，提取动作模型数据库中的这些动作模型进行匹配、描述。
103、提取采集到的所述音频信息中的语音特征；
本实施例中，对于音频信息，可以先利用小波系数阈值方法去除背景杂声，然后对于每一帧提取MFCC(mel.frequency cepstral coefficients)特征，将这些特征连接在一起组成语音特征。另外，音频开源软件JAudio可对每一个音频信息提取14种(根据具体情况具体变动)频谱域和时间域的语音特征，从而很好得对与犯罪活动相关词汇进行区分和鉴别。
比如，与犯罪活动相关的词汇可以包括：抢劫者(别动、不许动、把钱拿出来等)、司机(有监控、你小心点儿等)。
104、将提取得到的所述行为特征和所述语音特征进行归一化处理；
可以理解的是，根据从上述步骤的Up body检测子、HOG描述子和Tracklet描述子提取得到的行为特征和语音特征，通常以局部直方图的形式出现。在步骤104中，可以把这些局部直方图在图像的更大的区间中进行对比归一化。比如，可以先通过计算各局部直方图在这个区间中的密度，然后根据这个密度值对区间中的各个方格单元做归一化处理。
105、将归一化后的所述行为特征和所述语音特征投入预训练完成的犯罪活动分类器进行分类识别，得到输出的分类识别结果；
在对行为特征和语音特征归一化后，将这些行为特征和语音特征投入预训练完成的犯罪活动分类器进行分类识别，得到输出的分类识别结果，其中，所述分类识别结果为存在犯罪活动或者不存在犯罪活动。
可以理解的是，上述的犯罪活动分类器是预先经过大量的训练样本训练完成得到的，可以对特征融合的行为特征和语音特征进行分类识别，对当前的视频图像中是否存在犯罪活动行为作出实时判断，并输出相应的分类识别结果。
其中，犯罪活动分类器的预训练过程将在下述内容中进行详细描述。
106、若所述分类识别结果为存在犯罪活动，则发出告警信息。
在本实施例中，若所述分类识别结果为存在犯罪活动，则可以认为车辆中司机所在位置正在发生犯罪活动，此时应当及时发出告警信息。具体地，发出告警信息的形式可以有多种，比如，向犯罪分子发出提示语音“请立即停止你的违法行为”；或者，不向犯罪分子作出任何提示，以避免犯罪分子作出过激行为，执行主体悄然向最近的公安系统进行报警，等待警察前来处理；等等。
优选地，车辆上可以安装有GPS定位模块，从而执行主体可以实时获取到辆的实时定位信息；然后，在需要发出告警信息时，将预设的报警信息、所述实时定位信息和实时采集的所述视频图像、音频信息发送至指定的告警终端。这里说的告警终端可以是公安局的报警服务器。其中，与报警信息一并发送的视频图像和音频信息可以用作证明犯罪行为的证据，以便于执法人员对犯罪分子进行定罪处罚。
下面，将对犯罪活动分类器的预训练过程进行详细介绍。如图3所示，所述犯罪活动分类器通过以下步骤预先训练得到：
301、预先收集训练组样本，所述训练组样本包括用于训练的多组第一视频图像和第一音频信息；
302、预先标记所述训练组样本中各组视频图像和音频信息对应的标准识别结果，标准识别结果为存在犯罪活动或者不存在犯罪活动；
303、提取所述第一视频图像中感兴趣区域的第一行为特征；
304、提取所述第一音频信息中的第一语音特征；
305、将提取得到的所述第一行为特征和所述第一语音特征进行归一化处理；
306、将所述训练组样本中归一化后的所述第一行为特征和所述第一语音特征投入犯罪活动分类器进行分类识别，得到输出的分类识别结果；
307、将输出的分类识别结果与所述训练组样本对应的标准识别结果进行对比，得到本次训练所述犯罪活动分类器输出结果的准确率；
308、判断本次训练的准确率是否低于预设阈值，若是，则执行步骤309，若否，则执行步骤310；
309、调整所述犯罪活动分类器中的分类器参数，返回执行步骤303，开始下一次训练；
310、确定所述犯罪活动分类器训练完成。
对于步骤301和步骤302，在训练所述犯罪活动分类器之前，需要预先收集用于训练的多组视频图像和音频信息，即上述的第一视频图像和第一音频信息。这些第一视频图像和第一音频信息是成对出现的，同一组第一视频图像和第一音频信息是从同一车辆的同一时间收集得到。其中，收集的训练组样本中的数据量越大，则对犯罪活动分类器的训练效果越好。
在收集到这些训练组样本之后，还需要标记这些训练组样本中每组视频图像和音频信息对应的标准识别结果，即哪些组的视频图像和音频信息是采集自存在犯罪活动的现场，哪些组的视频图像和音频信息是采集自不存在犯罪活动的现场。
上述步骤303～305与上述步骤102～104的内容相似，原理基本相同，此处不再赘述。
对于上述步骤306，在本次训练中，将训练组样本中归一化后的所述第一行为特征和所述第一语音特征投入犯罪活动分类器进行分类识别，由于犯罪活动分类器此时尚未训练完成，因此其输出的分类识别结果与标准的识别结果会存在偏差。
对于上述步骤307，可以理解的是，由于训练组样本中每组视频图像和音频信息均标记有对应的标准识别结果，因此，可以将犯罪活动分类器输出的结果与预先标记的标准识别结果进行对比，得知本次训练中该犯罪活动分类器输出结果的准确率。比如，假设其中3组样本的标准识别结果依次为存在、存在、不存在犯罪活动，而这3组样本输入犯罪活动分类器后输出的分类识别结果依次为不存在、存在、不存在犯罪活动，对比可知，在3组样本的本次训练中，识别准确率为66.7％。
对于上述步骤308～310，在得到本次训练时输出结果的准确率后，可以通过验证该准确率是否满足要求来确定该犯罪活动分类器是否训练完成。若本次训练的准确率低于预设阈值，则调整所述犯罪活动分类器中的分类器参数，返回执行步骤303，开始下一次训练；若本次训练的准确率高于或等于预设阈值，则确定所述犯罪活动分类器训练完成。
其中，上述分类器参数是指该犯罪活动分类器中预置的各个权值、阈值等属性数据，对于不同类型的分类器来说，这些分类器参数也会有所区别。通过调整分类器参数，可以使得犯罪活动分类器更加善于判断哪些视频图像和音频信息中存在犯罪活动，由于犯罪活动分类器输出结果的准确率低于预设阈值，因此需要返回执行步骤303，继续采用训练组样本对犯罪活动分类器进行下一次训练。上述的预设阈值可以根据具体情况进行设定，比如设定为95％。
对于上述步骤310，为了更进一步验证犯罪活动分类器的训练完成程度，还可以准备一套不同于训练组样本的测试组样本对犯罪活动分类器进行测试、检验。在测试之前，可以先预先收集测试组样本，所述测试组样本包括用于测试的多组第二视频图像和第二音频信息；然后，预先标记所述测试组样本中各组视频图像和音频信息对应的标准识别结果。如图4所示，在确定所述犯罪活动分类器训练完成之前，所述针对犯罪活动的告警方法还包括：
401、提取所述第二视频图像中感兴趣区域的第二行为特征；
402、提取所述第二音频信息中的第二语音特征；
403、将提取得到的所述第二行为特征和所述第二语音特征进行归一化处理；
404、将所述测试组样本中归一化后的所述第二行为特征和所述第二语音特征投入犯罪活动分类器进行分类识别，得到输出的分类识别结果；
405、将输出的分类识别结果与所述测试组样本对应的标准识别结果进行对比，得到本次测试中所述犯罪活动分类器输出结果的测试准确率；
406、判断本次测试的准确率是否低于预设测试阈值，若是，则执行步骤407，若否，则执行步骤310；
407、调整所述犯罪活动分类器中的分类器参数，返回开始下一次训练。
上述步骤401～404与上述步骤303～306的内容相似，原理基本相同，此处不再赘述。
对于上述步骤405，大致内容与步骤307基本相同，不同之处在于，在步骤405中，得到的测试准确率用于评估犯罪活动分类器的训练完成程度的，由于测试用的测试组样本有别于训练组样本，其对于该犯罪活动分类器来说更为陌生，因此评估的效果也会好于训练阶段的评估效果。
对于上述步骤406和407，若本次测试的准确率低于预设测试阈值，则可以认为该犯罪活动分类器仍未满足实际使用的需求，训练仍未完成，从而可以调整所述犯罪活动分类器中的分类器参数，返回开始下一次训练。反之，若本次测试的准确率高于或等于预设测试阈值，则认为该犯罪活动分类器已满足实际使用的需求，训练完成，执行步骤310确定所述犯罪活动分类器训练完成。
本发明实施例中，首先，实时采集车辆上司机所处位置的视频图像和音频信息；然后，提取所述视频图像中感兴趣区域的行为特征；提取采集到的所述音频信息中的语音特征；接着，将提取得到的所述行为特征和所述语音特征进行归一化处理；再之，将归一化后的所述行为特征和所述语音特征投入预训练完成的犯罪活动分类器进行分类识别，得到输出的分类识别结果，所述分类识别结果为存在犯罪活动或者不存在犯罪活动；若所述分类识别结果为存在犯罪活动，则发出告警信息。在本发明实施例中，当犯罪活动发生时，通过采集车辆上司机所处位置的视频图像和音频信息，将这些视频图像和音频信息投入到犯罪活动分类器中进行分类识别，实现犯罪活动的自动识别并发出告警信息，无需司机主动做出任何动作，减少肇事者采取过激行为的可能性，同时减轻被害人(司机)的负担，可以做到安全有效的及时告警。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
上面主要描述了一种针对犯罪活动的告警方法，下面将对一种针对犯罪活动的告警装置进行详细描述。
图5示出了本发明实施例中一种针对犯罪活动的告警装置一个实施例结构图。
本实施例中，一种针对犯罪活动的告警装置包括：
实时采集模块501，用于实时采集车辆上司机所处位置的视频图像和音频信息；
行为特征提取模块502，用于提取所述视频图像中感兴趣区域的行为特征；
语音特征提取模块503，用于提取采集到的所述音频信息中的语音特征；
特征归一模块504，用于将提取得到的所述行为特征和所述语音特征进行归一化处理；
分类识别模块505，用于将归一化后的所述行为特征和所述语音特征投入预训练完成的犯罪活动分类器进行分类识别，得到输出的分类识别结果，所述分类识别结果为存在犯罪活动或者不存在犯罪活动；
告警模块506，用于若所述分类识别结果为存在犯罪活动，则发出告警信息。
进一步地，所述犯罪活动分类器可以通过以下模块预先训练得到：
训练样本采集模块，用于预先收集训练组样本，所述训练组样本包括用于训练的多组第一视频图像和第一音频信息；
训练样本标记模块，用于预先标记所述训练组样本中各组视频图像和音频信息对应的标准识别结果，标准识别结果为存在犯罪活动或者不存在犯罪活动；
第一行为特征模块，用于提取所述第一视频图像中感兴趣区域的第一行为特征；
第一语音特征模块，用于提取所述第一音频信息中的第一语音特征；
第一归一处理模块，用于将提取得到的所述第一行为特征和所述第一语音特征进行归一化处理；
第一分类器识别模块，用于将所述训练组样本中归一化后的所述第一行为特征和所述第一语音特征投入犯罪活动分类器进行分类识别，得到输出的分类识别结果；
第一对比模块，用于将输出的分类识别结果与所述训练组样本对应的标准识别结果进行对比，得到本次训练所述犯罪活动分类器输出结果的准确率；
第一参数调整模块，用于若本次训练的准确率低于预设阈值，则调整所述犯罪活动分类器中的分类器参数，返回触发所述第一行为特征模块，开始下一次训练；
训练完成确定模块，用于若本次训练的准确率高于或等于预设阈值，则确定所述犯罪活动分类器训练完成。
进一步地，所述针对犯罪活动的告警装置还可以包括：
测试样本采集模块，用于预先收集测试组样本，所述测试组样本包括用于测试的多组第二视频图像和第二音频信息；
测试样本标记模块，用于预先标记所述测试组样本中各组视频图像和音频信息对应的标准识别结果；
在所述训练完成确定模块确定所述犯罪活动分类器训练完成之前，还可以触发以下模块：
第二行为特征模块，用于提取所述第二视频图像中感兴趣区域的第二行为特征；
第二语音特征模块，用于提取所述第二音频信息中的第二语音特征；
第二归一处理模块，用于将提取得到的所述第二行为特征和所述第二语音特征进行归一化处理；
第二分类器识别模块，用于将所述测试组样本中归一化后的所述第二行为特征和所述第二语音特征投入犯罪活动分类器进行分类识别，得到输出的分类识别结果；
第二对比模块，用于将输出的分类识别结果与所述测试组样本对应的标准识别结果进行对比，得到本次测试中所述犯罪活动分类器输出结果的测试准确率；
第二参数调整模块，用于若本次测试的测试准确率低于预设测试阈值，则调整所述犯罪活动分类器中的分类器参数，返回触发所述第一行为特征模块，开始下一次训练；
训练完成确定模块，用于若本次测试的测试准确率高于或等于预设测试阈值，则触发所述训练完成确定模块来确定所述犯罪活动分类器训练完成。
进一步地，所述行为特征包括视觉特征和动作轨迹特征；
所述行为特征提取模块可以包括：
区域提取单元，用于提取所述视频图像中感兴趣区域；
兴趣点检测单元，用于检测得到在所述感兴趣区域中的兴趣点；
特征描述单元，用于采用Tracklet描述子将所述感兴趣区域中的兴趣点描述成视觉特征和动作轨迹特征。
进一步地，所述告警模块可以包括：
定位信息获取单元，用于获取所述车辆的实时定位信息；
信息发送单元，用于将预设的报警信息、所述实时定位信息和实时采集的所述视频图像、音频信息发送至指定的告警终端。
图6是本发明一实施例提供的针对犯罪活动的告警服务器的示意图。如图6所示，该实施例的针对犯罪活动的告警服务器6包括：处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62，例如执行上述针对犯罪活动的告警方法的程序。所述处理器60执行所述计算机程序62时实现上述各个针对犯罪活动的告警方法实施例中的步骤，例如图1所示的步骤101至106。或者，所述处理器60执行所述计算机程序62时实现上述各装置实施例中各模块/单元的功能，例如图5所示模块501至506的功能。
示例性的，所述计算机程序62可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器61中，并由所述处理器60执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序62在所述针对犯罪活动的告警服务器6中的执行过程。
所述针对犯罪活动的告警服务器6可以是本地服务器、云端服务器等计算设备。所述针对犯罪活动的告警服务器可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图6仅仅是针对犯罪活动的告警服务器6的示例，并不构成对针对犯罪活动的告警服务器6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述针对犯罪活动的告警服务器还可以包括输入输出设备、网络接入设备、总线等。
所述处理器60可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器61可以是所述针对犯罪活动的告警服务器6的内部存储单元，例如针对犯罪活动的告警服务器6的硬盘或内存。所述存储器61也可以是所述针对犯罪活动的告警服务器6的外部存储设备，例如所述针对犯罪活动的告警服务器6上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。进一步地，所述存储器61还可以既包括所述针对犯罪活动的告警服务器6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机程序以及所述针对犯罪活动的告警服务器所需的其他程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
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或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各实施例的模块、单元和/或方法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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系统，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接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述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，在本发明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。
所述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介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述，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 (9)

1.一种针对犯罪活动的告警方法，其特征在于，包括：
实时采集车辆上司机所处位置的视频图像和音频信息；
提取所述视频图像中感兴趣区域的行为特征；
提取采集到的所述音频信息中的语音特征；
将提取得到的所述行为特征和所述语音特征进行归一化处理；
将归一化后的所述行为特征和所述语音特征投入预训练完成的犯罪活动分类器进行分类识别，得到输出的分类识别结果，所述分类识别结果为存在犯罪活动或者不存在犯罪活动；
若所述分类识别结果为存在犯罪活动，则发出告警信息；
其中，所述行为特征包括视觉特征和动作轨迹特征；所述提取所述视频图像中感兴趣区域的行为特征包括：提取所述视频图像中感兴趣区域，包括：采用Upbody检测子对视频图像中的犯罪活动动作区域进行检测；检测得到在所述感兴趣区域中的兴趣点；采用Tracklet描述子将所述感兴趣区域中的兴趣点描述成视觉特征和动作轨迹特征。
2.根据权利要求1所述的针对犯罪活动的告警方法，其特征在于，所述犯罪活动分类器通过以下步骤预先训练得到：
预先收集训练组样本，所述训练组样本包括用于训练的多组第一视频图像和第一音频信息；
预先标记所述训练组样本中各组视频图像和音频信息对应的标准识别结果，标准识别结果为存在犯罪活动或者不存在犯罪活动；
提取所述第一视频图像中感兴趣区域的第一行为特征；
提取所述第一音频信息中的第一语音特征；
将提取得到的所述第一行为特征和所述第一语音特征进行归一化处理；
将所述训练组样本中归一化后的所述第一行为特征和所述第一语音特征投入犯罪活动分类器进行分类识别，得到输出的分类识别结果；
将输出的分类识别结果与所述训练组样本对应的标准识别结果进行对比，得到本次训练所述犯罪活动分类器输出结果的准确率；
若本次训练的准确率低于预设阈值，则调整所述犯罪活动分类器中的分类器参数，返回执行所述提取所述第一视频图像中感兴趣区域的第一行为特征的步骤，开始下一次训练；
若本次训练的准确率高于或等于预设阈值，则确定所述犯罪活动分类器训练完成。
3.根据权利要求2所述的针对犯罪活动的告警方法，其特征在于，还包括：
预先收集测试组样本，所述测试组样本包括用于测试的多组第二视频图像和第二音频信息；
预先标记所述测试组样本中各组视频图像和音频信息对应的标准识别结果；
在确定所述犯罪活动分类器训练完成之前，所述针对犯罪活动的告警方法还包括：
提取所述第二视频图像中感兴趣区域的第二行为特征；
提取所述第二音频信息中的第二语音特征；
将提取得到的所述第二行为特征和所述第二语音特征进行归一化处理；
将所述测试组样本中归一化后的所述第二行为特征和所述第二语音特征投入犯罪活动分类器进行分类识别，得到输出的分类识别结果；
将输出的分类识别结果与所述测试组样本对应的标准识别结果进行对比，得到本次测试中所述犯罪活动分类器输出结果的测试准确率；
若本次测试的测试准确率低于预设测试阈值，则调整所述犯罪活动分类器中的分类器参数，返回执行所述提取所述第一视频图像中感兴趣区域的第一行为特征的步骤，开始下一次训练；
若本次测试的测试准确率高于或等于预设测试阈值，则执行所述确定所述犯罪活动分类器训练完成的步骤。
4.根据权利要求1至3中任一项所述的针对犯罪活动的告警方法，其特征在于，所述发出告警信息包括：
获取所述车辆的实时定位信息；
将预设的报警信息、所述实时定位信息和实时采集的所述视频图像、音频信息发送至指定的告警终端。
5.一种针对犯罪活动的告警装置，其特征在于，包括：
实时采集模块，用于实时采集车辆上司机所处位置的视频图像和音频信息；
行为特征提取模块，用于提取所述视频图像中感兴趣区域的行为特征；
语音特征提取模块，用于提取采集到的所述音频信息中的语音特征；
特征归一模块，用于将提取得到的所述行为特征和所述语音特征进行归一化处理；
分类识别模块，用于将归一化后的所述行为特征和所述语音特征投入预训练完成的犯罪活动分类器进行分类识别，得到输出的分类识别结果，所述分类识别结果为存在犯罪活动或者不存在犯罪活动；
告警模块，用于若所述分类识别结果为存在犯罪活动，则发出告警信息；
其中，所述行为特征包括视觉特征和动作轨迹特征；
所述行为特征提取模块，包括：
区域提取单元，用于提取所述视频图像中感兴趣区域，包括：采用Upbody检测子对视频图像中的犯罪活动动作区域进行检测；
兴趣点检测单元，用于检测得到在所述感兴趣区域中的兴趣点；
特征描述单元，用于采用Tracklet描述子将所述感兴趣区域中的兴趣点描述成视觉特征和动作轨迹特征。
6.根据权利要求5所述的针对犯罪活动的告警装置，其特征在于，所述犯罪活动分类器通过以下模块预先训练得到：
训练样本采集模块，用于预先收集训练组样本，所述训练组样本包括用于训练的多组第一视频图像和第一音频信息；
训练样本标记模块，用于预先标记所述训练组样本中各组视频图像和音频信息对应的标准识别结果，标准识别结果为存在犯罪活动或者不存在犯罪活动；
第一行为特征模块，用于提取所述第一视频图像中感兴趣区域的第一行为特征；
第一语音特征模块，用于提取所述第一音频信息中的第一语音特征；
第一归一处理模块，用于将提取得到的所述第一行为特征和所述第一语音特征进行归一化处理；
第一分类器识别模块，用于将所述训练组样本中归一化后的所述第一行为特征和所述第一语音特征投入犯罪活动分类器进行分类识别，得到输出的分类识别结果；
第一对比模块，用于将输出的分类识别结果与所述训练组样本对应的标准识别结果进行对比，得到本次训练所述犯罪活动分类器输出结果的准确率；
第一参数调整模块，用于若本次训练的准确率低于预设阈值，则调整所述犯罪活动分类器中的分类器参数，返回触发所述第一行为特征模块，开始下一次训练；
训练完成确定模块，用于若本次训练的准确率高于或等于预设阈值，则确定所述犯罪活动分类器训练完成。
7.根据权利要求6所述的针对犯罪活动的告警装置，其特征在于，还包括：
测试样本采集模块，用于预先收集测试组样本，所述测试组样本包括用于测试的多组第二视频图像和第二音频信息；
测试样本标记模块，用于预先标记所述测试组样本中各组视频图像和音频信息对应的标准识别结果；
在所述训练完成确定模块确定所述犯罪活动分类器训练完成之前，还触发以下模块：
第二行为特征模块，用于提取所述第二视频图像中感兴趣区域的第二行为特征；
第二语音特征模块，用于提取所述第二音频信息中的第二语音特征；
第二归一处理模块，用于将提取得到的所述第二行为特征和所述第二语音特征进行归一化处理；
第二分类器识别模块，用于将所述测试组样本中归一化后的所述第二行为特征和所述第二语音特征投入犯罪活动分类器进行分类识别，得到输出的分类识别结果；
第二对比模块，用于将输出的分类识别结果与所述测试组样本对应的标准识别结果进行对比，得到本次测试中所述犯罪活动分类器输出结果的测试准确率；
第二参数调整模块，用于若本次测试的测试准确率低于预设测试阈值，则调整所述犯罪活动分类器中的分类器参数，返回触发所述第一行为特征模块，开始下一次训练；
训练完成确定模块，用于若本次测试的测试准确率高于或等于预设测试阈值，则触发所述训练完成确定模块来确定所述犯罪活动分类器训练完成。
8.一种针对犯罪活动的告警服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4中任一项所述针对犯罪活动的告警方法的步骤。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4中任一项所述针对犯罪活动的告警方法的步骤。
CN201780002311.3A 2017-12-28 2017-12-28 一种针对犯罪活动的告警方法、装置、存储介质及服务器 Active CN108351968B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2017/119570 WO2019127274A1 (zh) 2017-12-28 2017-12-28 一种针对犯罪活动的告警方法、装置、存储介质及服务器

Publications (2)

Publication Number Publication Date
CN108351968A CN108351968A (zh) 2018-07-31
CN108351968B true CN108351968B (zh) 2022-04-22

Family

ID=62960827

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780002311.3A Active CN108351968B (zh) 2017-12-28 2017-12-28 一种针对犯罪活动的告警方法、装置、存储介质及服务器

Country Status (2)

Country Link
CN (1) CN108351968B (zh)
WO (1) WO2019127274A1 (zh)

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109300279A (zh) * 2018-10-01 2019-02-01 厦门快商通信息技术有限公司 一种商店安全监控方法
CN109448287B (zh) * 2018-10-25 2021-11-02 平安科技（深圳）有限公司 一种安全监控方法、装置、可读存储介质及终端设备
CN109784525A (zh) * 2018-11-13 2019-05-21 北京码牛科技有限公司 基于天空地一体化数据的预警方法及装置
CN111222370A (zh) * 2018-11-26 2020-06-02 浙江宇视科技有限公司 一种案件研判方法、系统及装置
CN109685131A (zh) * 2018-12-20 2019-04-26 斑马网络技术有限公司 汽车车机系统异常识别方法及装置
CN109815991B (zh) * 2018-12-29 2021-02-19 北京城市网邻信息技术有限公司 机器学习模型的训练方法、装置、电子设备及存储介质
CN109697815A (zh) * 2019-01-24 2019-04-30 广州市天河区保安服务公司 防盗通讯网络报警方法、装置设备及存储介质
CN111815899B (zh) * 2019-04-12 2021-02-12 汇金智融(深圳)科技有限公司 目标间距实时测量方法及存储介质
CN110278201B (zh) * 2019-06-12 2022-08-23 深圳市腾讯计算机系统有限公司 安全策略评价方法及装置、计算机可读介质和电子设备
CN112199974A (zh) * 2019-07-08 2021-01-08 Tcl集团股份有限公司 一种学习评价方法、装置及设备
CN110503081B (zh) * 2019-08-30 2022-08-26 山东师范大学 基于帧间差分的暴力行为检测方法、系统、设备及介质
CN110659603A (zh) * 2019-09-20 2020-01-07 北京小狗智能机器人技术有限公司 一种数据处理方法及装置
CN110706700B (zh) * 2019-09-29 2022-06-14 深圳市元征科技股份有限公司 一种车内骚扰预防报警方法及装置、服务器、存储介质
CN110991289B (zh) * 2019-11-25 2023-09-05 达闼机器人股份有限公司 异常事件的监测方法、装置、电子设备及存储介质
CN110909699A (zh) * 2019-11-28 2020-03-24 北京以萨技术股份有限公司 视频车辆非导向行驶检测方法、装置及可读存储介质
CN112995582A (zh) * 2019-12-17 2021-06-18 广州慧睿思通科技股份有限公司 监控设备的控制方法、装置、及服务器
CN111723239B (zh) * 2020-05-11 2023-06-16 华中科技大学 一种基于多模态的视频标注方法
CN113518201B (zh) * 2020-07-14 2022-08-12 阿里巴巴集团控股有限公司 视频处理方法、装置及设备
CN114387540A (zh) * 2021-12-23 2022-04-22 以萨技术股份有限公司 布控监督方法、装置及系统
CN115100558A (zh) * 2022-05-13 2022-09-23 讯飞智元信息科技有限公司 目标行为的识别方法、装置、电子设备和存储介质
CN116189668B (zh) * 2023-04-24 2023-07-25 科大讯飞股份有限公司 语音分类、认知障碍检测方法、装置、设备及介质
CN117768786B (zh) * 2023-11-17 2024-09-17 杭州恒毅信息技术有限公司 基于ai训练的危险词声源定位摄像头监控系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1919711A (zh) * 2006-09-20 2007-02-28 浙江工业大学 基于图像、语音识别技术的电梯内防暴力装置
CN102098492A (zh) * 2009-12-11 2011-06-15 上海弘视通信技术有限公司 音视频联合分析的打架斗殴检测系统及其检测方法
CN102348101A (zh) * 2010-07-30 2012-02-08 深圳市先进智能技术研究所 一种考场智能监控系统和方法
CN102509430A (zh) * 2011-10-27 2012-06-20 深圳市赛格导航科技股份有限公司 可视gps车载防盗系统
CN102722726A (zh) * 2012-06-05 2012-10-10 江苏省电力公司南京供电公司 一种基于动态二叉树的svm多分类方法
CN102930297A (zh) * 2012-11-05 2013-02-13 北京理工大学 基于增强耦合hmm的语音-视觉融合的情感识别方法
CN104318578A (zh) * 2014-11-12 2015-01-28 苏州科达科技股份有限公司 一种视频图像分析方法及系统
CN106571055A (zh) * 2016-10-28 2017-04-19 广州广电银通金融电子科技有限公司 一种基于物联网的智能车辆管理系统及方法
CN107146096A (zh) * 2017-03-07 2017-09-08 浙江工业大学 一种智能视频广告展示方法及装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102014278A (zh) * 2010-12-21 2011-04-13 四川大学 一种基于语音识别技术的智能视频监控方法
CN203206395U (zh) * 2013-04-19 2013-09-18 福建亿榕信息技术有限公司 一种智能犯罪监控系统
US20150310442A1 (en) * 2014-04-25 2015-10-29 Mastercard International Incorporated Methods, systems and computer readable media for determining criminal propensities in a geographic location based on purchase card transaction data
CN105894539A (zh) * 2016-04-01 2016-08-24 成都理工大学 基于视频识别和侦测运动轨迹的预防盗窃方法和系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1919711A (zh) * 2006-09-20 2007-02-28 浙江工业大学 基于图像、语音识别技术的电梯内防暴力装置
CN102098492A (zh) * 2009-12-11 2011-06-15 上海弘视通信技术有限公司 音视频联合分析的打架斗殴检测系统及其检测方法
CN102348101A (zh) * 2010-07-30 2012-02-08 深圳市先进智能技术研究所 一种考场智能监控系统和方法
CN102509430A (zh) * 2011-10-27 2012-06-20 深圳市赛格导航科技股份有限公司 可视gps车载防盗系统
CN102722726A (zh) * 2012-06-05 2012-10-10 江苏省电力公司南京供电公司 一种基于动态二叉树的svm多分类方法
CN102930297A (zh) * 2012-11-05 2013-02-13 北京理工大学 基于增强耦合hmm的语音-视觉融合的情感识别方法
CN104318578A (zh) * 2014-11-12 2015-01-28 苏州科达科技股份有限公司 一种视频图像分析方法及系统
CN106571055A (zh) * 2016-10-28 2017-04-19 广州广电银通金融电子科技有限公司 一种基于物联网的智能车辆管理系统及方法
CN107146096A (zh) * 2017-03-07 2017-09-08 浙江工业大学 一种智能视频广告展示方法及装置

Also Published As

Publication number Publication date
WO2019127274A1 (zh) 2019-07-04
CN108351968A (zh) 2018-07-31

Similar Documents

Publication Publication Date Title
CN108351968B (zh) 一种针对犯罪活动的告警方法、装置、存储介质及服务器
CN109766755B (zh) 人脸识别方法及相关产品
CN106056079B (zh) 一种图像采集设备及人脸五官的遮挡检测方法
CN103714631B (zh) 基于人脸识别的atm取款机智能监控系统
CN111783744A (zh) 一种操作现场安全防护检测方法及装置
US20140369567A1 (en) Authorized Access Using Image Capture and Recognition System
US20140369566A1 (en) Perimeter Image Capture and Recognition System
CN110648352A (zh) 一种异常事件的检测方法、装置及电子设备
CN110390229B (zh) 一种人脸图片筛选方法、装置、电子设备及存储介质
CN106372572A (zh) 监控方法和装置
CN110588512A (zh) 一种危险驾驶识别与预警装置、方法及系统
CN101556717A (zh) 一种atm智能安保系统及监测方法
CN112052815A (zh) 一种行为检测方法、装置及电子设备
CN114170585B (zh) 危险驾驶行为的识别方法、装置、电子设备及存储介质
CN114973215A (zh) 一种疲劳驾驶的确定方法、装置及电子设备
CN111523362A (zh) 一种基于电子围网的数据分析方法、装置及电子设备
KR101879444B1 (ko) Cctv 구동 방법 및 시스템
KR101113515B1 (ko) 감시카메라를 이용한 비디오 색인 시스템 및 방법
CN109583396A (zh) 一种基于cnn两阶段人体检测的区域防范方法、系统以及终端
CN111241918B (zh) 一种基于人脸识别的车用防跟踪方法及系统
CN115396591A (zh) 智能双光摄像机图像处理方法、装置、摄像机及介质
CN108873097A (zh) 无人停车库中载车板停车时的安全检测方法及装置
CN112061065B (zh) 一种车内行为识别报警方法、设备、电子设备及存储介质
KR20140037354A (ko) 방치물 및 도난물 탐지 시스템
CN112861711A (zh) 区域入侵检测方法、装置、电子设备及存储介质

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
GR01 Patent grant