CN109426798A - 一种边界入侵检测方法、装置及系统 - Google Patents
一种边界入侵检测方法、装置及系统 Download PDFInfo
- Publication number
- CN109426798A CN109426798A CN201810110023.6A CN201810110023A CN109426798A CN 109426798 A CN109426798 A CN 109426798A CN 201810110023 A CN201810110023 A CN 201810110023A CN 109426798 A CN109426798 A CN 109426798A
- Authority
- CN
- China
- Prior art keywords
- target object
- information
- preset
- boundary
- alarm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 44
- 230000033001 locomotion Effects 0.000 claims abstract description 121
- 238000012544 monitoring process Methods 0.000 claims abstract description 81
- 230000000694 effects Effects 0.000 claims abstract description 37
- 238000013135 deep learning Methods 0.000 claims abstract description 24
- 238000011897 real-time detection Methods 0.000 claims abstract description 19
- 230000006399 behavior Effects 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000000306 recurrent effect Effects 0.000 claims description 6
- 241001465754 Metazoa Species 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 230000007717 exclusion Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 2
- 230000009545 invasion Effects 0.000 abstract description 15
- 238000000034 method Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 241000406668 Loxodonta cyclotis Species 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005538 encapsulation Methods 0.000 description 2
- 230000008921 facial expression Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000011900 installation process Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
- G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
- H04N21/44—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs
- H04N21/44008—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs involving operations for analysing video streams, e.g. detecting features or characteristics in the video stream
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Alarm Systems (AREA)
- Burglar Alarm Systems (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明公开了一种边界入侵检测方法、装置及系统，所述方法包括：对图像采集系统进行布控管理；利用深度学习算法解析获取的视频信息，得到预设监控区域的运动对象的轮廓信息；识别并锁定目标对象，并实时检测所述目标对象的位置信息和运动状态并绘制所述目标对象的运动轨迹；检测所述目标对象与所述预设的禁入区域边界最短距离的变化值；当所述变化值为负数且判断所述目标对象在运动方向延长线上与所述预设的禁入区域边界距离和运动速率的比值小于预设时间时，生成告警信息并触发前端告警终端警报。本发明能够实时对边界入侵行为进行判断并及时触发警报，克服了人为监看和分析入侵行为的遗漏可能，提高了边界入侵判断的可靠性和效率。
Description
技术领域
本发明涉及监控技术领域，尤其涉及一种边界入侵检测方法、装置及系统。
背景技术
入侵检测是利用传感器技术和电子信息技术探测并指示非法进入或试图非法进入设防区域的行为，然后通过触发告警声音、触发设备、文字或图像显示等，产生报警信息。
传统的入侵监测手段包括红外对射监测、微波对射监测、震动光纤监测等方式，但以上这些入侵监测方式对通过的所有物体都触发警报。由于对射有距离限制，需要每隔一段距离布置1套入侵检测设备，安装过程中需要对强电和弱电线路重新规划，存在误报、投入成本高、安装实施困难的问题。
虽然目前市场上已出现多媒体入侵检测手段，但是普遍的多媒体入侵检测是在将摄像头数据汇聚到监控中心后，需要人工参与查看并分析图像视频，额外增加了人员的工作内容。当监控人员换班、离岗或疲劳时，很大可能会遗漏分析入侵行为的视频，且当部署较多数量的监控视频时，待监视的视频无法全部被实时查看，导致无法在事发时第一时间触发警报。
发明内容
本发明实施例所要解决的技术问题在于，提供一种智能安防系统及入侵检测方法，能够通过利用安防视频分析技术实时对边界入侵行为进行判断并及时触发警报，克服了人为监看和分析入侵行为的遗漏可能，提高了边界入侵判断的可靠性和效率。
为了解决上述技术问题，本发明实施例提供了一种边界入侵检测方法，包括如下步骤：
接收客户端发送的布控任务，并根据所述布控任务配置图像采集系统；
获取所述图像采集系统的视频信息，并利用深度学习算法解析所述视频信息，得到预设监控区域的运动对象的轮廓信息；
根据所述轮廓信息，识别并锁定目标对象，并实时检测所述目标对象的位置信息和运动状态；
根据所述位置信息和所述运动状态绘制所述目标对象的运动轨迹；
基于所述运动轨迹，检测所述目标对象与所述预设的禁入区域边界最短距离的变化值；
当所述变化值为正数时，过滤所述目标对象；
当所述变化值为负数时，若根据所述运动状态，判断所述目标对象在运动方向延长线上与所述预设的禁入区域边界距离和运动速率的比值小于预设时间时，则根据所述视频信息生成告警信息并发送至所述客户端和前端告警终端，以使所述前端告警终端根据所述告警信息触发警报。
进一步地，所述的边界入侵检测方法，还包括：
当根据所述位置信息判断所述目标对象与预设的禁入区域边界最短距离为零、负数或小于预设距离时，则根据所述视频信息生成告警信息并发送至所述客户端和前端告警终端，以使所述前端告警终端根据所述告警信息触发警报；其中，以所述目标对象与所述预设的禁入区域边界最短距离的边界点为零界点，所述临界点指向无穷远为正方向；所述预设距离为正数。
进一步地，当所述变化值为负数时，若根据所述运动状态，判断所述目标对象在运动方向延长线上与所述预设的禁入区域边界距离和运动速率的比值小于预设时间时，则根据所述视频信息生成告警信息并发送至所述客户端和前端告警终端，以使所述前端告警终端根据所述告警信息触发警报，具体为：
当所述变化值为负数时，检测所述目标对象在运动方向延长线上与所述预设的禁入区域边界距离和运动速率；
当所述目标对象在运动方向延长线上与所述预设的禁入区域边界距离和运动速率的比值小于预设时间时，判断所述目标对象为企图入侵对象，并根据所述视频信息生成告警信息并发送至所述客户端和前端告警终端，以使所述前端告警终端根据所述告警信息触发警报。
进一步地，所述根据所述轮廓信息，识别并锁定目标对象，并实时检测所述目标对象的位置信息和运动状态，具体为：
根据相似度算法，将所述轮廓信息与图像数据库中的预存的物体轮廓信息进行比对，识别出所述运动对象为人、动物或交通工具，并将所述运动对象锁定为目标对象；
实时检测所述目标对象的位置信息和运动状态。
进一步地，所述告警信息包括所述目标对象的视频信息和用于触发所述前端告警终端展示所述目标对象的视频信息和警报的指令；所述警报包括声光警报。
进一步地，所述深度学习算法包括自适应学习算法、卷积神经网络、循环神经网络和递归神经网络。
进一步地，所述布控任务包括监控区域、监控时长和监控周期；所述图像采集系统包括至少一个摄像头和与所述摄像头对应的交换机。
本发明实施例还提供了一种边界入侵检测装置，包括：
布控单元，用于接收客户端发送的布控任务，并根据所述布控任务配置图像采集系统；
视频信息解析单元，用于获取所述图像采集系统的视频信息，并利用深度学习算法解析所述视频信息，得到预设监控区域的运动对象的轮廓信息；
目标对象锁定单元，用于根据所述轮廓信息，识别并锁定目标对象，并实时检测所述目标对象的位置信息和运动状态；
运动轨迹绘制单元，用于根据所述位置信息和所述运动状态绘制所述目标对象的运动轨迹；
入侵判断单元，用于基于所述运动轨迹，检测所述目标对象与所述预设的禁入区域边界最短距离的变化值；当所述变化值为正数时，过滤所述目标对象；当所述变化值为负数时，若根据所述运动状态，判断所述目标对象在运动方向延长线上与所述预设的禁入区域边界距离和运动速率的比值是否小于预设时间；
告警单元，用于当所述比值小于预设时间时，则根据所述视频信息生成告警信息并发送至所述客户端和前端告警终端，以使所述前端告警终端根据所述告警信息触发警报。
本发明实施例还提供了一种边界入侵检测系统，包括：客户端、服务器端、图像采集系统和前端告警终端；
所述客户端，用于发送布控任务至所述服务器端；
所述服务器端，用于根据所述布控任务配置图像采集系统；
所述图像采集系统，用于采集预设监控区域的视频信息；
所述服务器端，还用于获取所述图像采集系统的视频信息，并利用深度学习算法解析所述视频信息，得到预设监控区域的运动对象的轮廓信息；
所述服务器端，还用于根据所述轮廓信息，识别并锁定目标对象，并实时检测所述目标对象的位置信息和运动状态；
所述服务器端，还用于根据所述位置信息和所述运动状态绘制所述目标对象的运动轨迹；
所述服务器端，还用于基于所述运动轨迹，检测所述目标对象与所述预设的禁入区域边界最短距离的变化值；
所述服务器端，还用于当所述变化值为正数时，过滤所述目标对象；
所述服务器端，还用于当所述变化值为负数时，若根据所述运动状态，判断所述目标对象在运动方向延长线上与所述预设的禁入区域边界距离和运动速率的比值小于预设时间时，则根据所述视频信息生成告警信息并发送至所述客户端和前端告警终端；
所述客户端，还用于根据所述告警信息，展示所述视频信息；
所述前端告警终端，用于根据所述告警信息，展示所述视频信息并触发警报。
进一步地，所述的边界入侵检测系统，还包括：
所述服务器端，还用于当根据所述位置信息判断所述目标对象与预设的禁入区域边界最短距离为零、负数或小于预设距离时，则根据所述视频信息生成告警信息并发送至所述客户端和前端告警终端；以使所述前端告警终端根据所述告警信息触发警报；其中，以所述目标对象与所述预设的禁入区域边界最短距离的边界点为零界点，所述临界点指向无穷远为正方向；所述预设距离为正数。
本发明实施例具有以下效果：
本发明提供的一种边界入侵检测方法、装置及系统，所述方法包括：对图像采集系统进行布控管理；利用深度学习算法解析获取的视频信息，得到预设监控区域的运动对象的轮廓信息；识别并锁定目标对象，并实时检测所述目标对象的位置信息和运动状态并绘制所述目标对象的运动轨迹；检测所述目标对象与所述预设的禁入区域边界最短距离的变化值；当所述变化值为负数且判断所述目标对象在运动方向延长线上与所述预设的禁入区域边界距离和运动速率的比值小于预设时间时，生成告警信息并触发前端告警终端警报。本发明能够实时对边界入侵行为进行判断并及时触发警报，克服了人为监看和分析入侵行为的遗漏可能，提高了边界入侵判断的可靠性和效率。
附图说明
图1是本发明第一实施例提供的边界入侵检测方法的流程示意图；
图2是本发明第一实施例中安防系统的架构示意图；
图3是本发明第二实施例提供的边界入侵检测装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，本发明实施例中的客户端可以是移动终端以及非移动终端，非移动终端包括台式计算机，移动终端包括智能手机(Smart Phone，如Android手机、iOS手机等)、智能眼镜、智能手表、智能手环、平板电脑、笔记本电脑、个人数字助理等可以进行无线通信的移动互联网设备。
本发明第一实施例：
请参阅图1，图1是本发明第一实施例提供的边界入侵检测方法的流程示意图。
所述边界入侵检测方法，包括如下步骤：
S101、接收客户端发送的布控任务，并根据所述布控任务配置图像采集系统。
在本实施例中，如图2所示，图2是本发明第一实施例中安防系统的架构示意图。实施所述边界入侵检测方法需要客户端201、服务器端202(所述服务器端包括后台管理服务器2021和视频分析服务器2022)、图像采集系统203和前端告警终端204等装置。其中，所述图像采集系统包括至少一个摄像头2031和与所述摄像头对应的交换机2032。客户端201设定布控任务包括监控区域、监控时长和监控周期；将所述布控任务发送至服务器端202。服务器端202根据所述布控任务获取所述监控区域对应的图像采集系统203，并根据所述监控时长和所述监控周期，通过RTSP协议(Real Time Streaming Protocol，实时流传输协议)实时获取所述图像采集系统的视频信息，并利用封装的FFmpeg(一套可以用来记录、转换数字音频、视频，并能将其转化为流的开源计算机程序)编解码代码获取视频信息中的帧信息。解析所述视频流信息中的帧信息，获取视频帧图片YUV(被欧洲电视系统所采用的一种颜色编码方法)数据，通过转换YUV数据把图片存为RGB(RGB色彩模式是工业界的一种颜色标准)格式。
可以理解的是，当所述监控区域尚未接入图像采集系统，则接入图像采集系统，以保证布控任务的实施。
S102、获取所述图像采集系统的视频信息，并利用深度学习算法解析所述视频信息，得到预设监控区域的运动对象的轮廓信息。
在本实施例中，所述深度学习算法包括自适应学习算法、卷积神经网络、循环神经网络和递归神经网络。深度学习是机器学习中一种基于对数据进行表征学习的方法。观测值(例如一幅图像)可以使用多种方式来表示，如每个像素强度值的向量，或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务(例如，人脸识别或面部表情识别)。深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。
可以理解的是，本步骤利用深度学习算法，解析视频信息中的图像元素，并计算出预设监控区域的运动对象的轮廓信息。
需要说明的是，本步骤利用训练好的神经网络模型，通过深度学习算法将视频信息中的图像分成不同的区域，并定义每个区域的边界，并根据边界设置相关的阈值进行后续的入侵判断。
S103、根据所述轮廓信息，识别并锁定目标对象，并实时检测所述目标对象的位置信息和运动状态。
在本实施例中，根据相似度算法，将所述轮廓信息与图像数据库中的预存的物体轮廓信息进行比对，识别出所述运动对象为人、动物或交通工具。具体地，所述轮廓信息是指待监视目标(人或物)在视觉上被观看时，特定位置一定会显示的内容。如：当目标是人时，人的骨骼轮廓一定会存在的；当目标是树(物)时，树的主干和分支轮廓会存在。需要说明的是，在运动对象识别过程中，需要过滤干扰信息。例如：对视频信息中的整张图像分片进行预设目标识别，过滤掉不相关信息。如：当要识别的运动对象是人时，则人旁边的树、汽车等被认为是不相关信息；当要识别的运动对象还是交通工具时，则其他的不是交通工具的物体是不相关信息。然后将所识别的运动对象锁定为目标对象；实时检测并记录所述目标对象的位置信息和运动状态。
S104、根据所述位置信息和所述运动状态绘制所述目标对象的运动轨迹。
可以理解的是，绘制所述目标对象的运动轨迹，即对所述目标对象实施跟踪。
S105、基于所述运动轨迹，检测所述目标对象与所述预设的禁入区域边界最短距离的变化值。
在本实施例中，以所述目标对象与所述预设的禁入区域边界最短距离的边界点为临界点，所述临界点指向无穷远为正方向。基于所述运动轨迹，根据所述位置信息和运动状态，检测检测所述目标对象与所述预设的禁入区域边界最短距离的变化值。可以理解的是，当所述目标对象远离预设禁入区域的边界时，所述变化值为正数。当所述目标对象靠近预设禁入区域的边界时，所述变化值为负数。
S106、当所述变化值为正数时，过滤所述目标对象；当所述变化值为负数时，若根据所述运动状态，判断所述目标对象在运动方向延长线上与所述预设的禁入区域边界距离和运动速率的比值小于预设时间时，则根据所述视频信息生成告警信息并发送至所述客户端和前端告警终端，以使所述前端告警终端根据所述告警信息触发警报。
在本实施例中，当所述变化值为正数时，过滤所述目标对象，即忽略远离边界的目标对象。当所述变化值为负数时，根据所述运动状态，检测到所述目标对象的运动方向和运动速率。实时更新并判断所述目标对象在运动方向延长线上与所述预设的禁入区域边界距离和运动速率的比值即运动时间是否小于预设时间。若运动时间小于预设时间，则判断所述目标对象企图非法入侵。
需要说明的是，所述告警信息包括所述目标对象的视频信息和用于触发所述前端告警终端展示所述目标对象的视频信息和警报的指令；所述警报包括声光警报。可以理解的是，客户端可以实时接收预设监控区域的视频信息并展示，以便管理人员或值班人员能实时监控看监控视频。前端告警终端能根据告警信息，展示所述目标对象当前入侵或企图非法入侵预设的禁入区域的视频信息，并触发警报。
进一步地，所述的边界入侵检测方法，还包括：
当根据所述位置信息判断所述目标对象与预设的禁入区域边界最短距离为零、负数或小于预设距离时，则根据所述视频信息生成告警信息并发送至所述客户端和前端告警终端，以使所述前端告警终端根据所述告警信息触发警报；其中，以所述目标对象与所述预设的禁入区域边界最短距离的边界点为零界点，所述临界点指向无穷远为正方向；所述预设距离为正数。
可以理解的是，所述目标对象与预设的禁入区域边界最短距离为零，是指所述目标对象处于边界线上。所述目标对象与预设的禁入区域边界最短距离或负数，是指所述目标对象处于边界线包围圈内，即预设的禁入区域内。所述目标对象与预设的禁入区域边界最短距离小于预设距离时，是指在预设预设的禁入区域边界之外，但是靠近边界且距离边界的距离小于预设距离。
本实施例提供的一种边界入侵检测方法，包括：对图像采集系统进行布控管理；利用深度学习算法解析获取的视频信息，得到预设监控区域的运动对象的轮廓信息；识别并锁定目标对象，并实时检测所述目标对象的位置信息和运动状态并绘制所述目标对象的运动轨迹；检测所述目标对象与所述预设的禁入区域边界最短距离的变化值；当所述变化值为负数且判断所述目标对象在运动方向延长线上与所述预设的禁入区域边界距离和运动速率的比值小于预设时间时，生成告警信息并触发前端告警终端警报。本发明能够实时对边界入侵行为进行判断并及时触发警报，克服了人为监看和分析入侵行为的遗漏可能，提高了边界入侵判断的可靠性和效率。
本发明第二实施例：
请参阅图3，图3是本发明第二实施例提供的边界入侵检测装置的结构示意图。
所述边界入侵检测装置，包括：
布控单元301，用于接收客户端发送的布控任务，并根据所述布控任务配置图像采集系统；
视频信息解析单元302，用于获取所述图像采集系统的视频信息，并利用深度学习算法解析所述视频信息，得到预设监控区域的运动对象的轮廓信息。
目标对象锁定单元303，用于根据所述轮廓信息，识别并锁定目标对象，并实时检测所述目标对象的位置信息和运动状态。
运动轨迹绘制单元304，用于根据所述位置信息和所述运动状态绘制所述目标对象的运动轨迹。
入侵判断单元305，用于基于所述运动轨迹，检测所述目标对象与所述预设的禁入区域边界最短距离的变化值；当所述变化值为正数时，过滤所述目标对象；当所述变化值为负数时，若根据所述运动状态，判断所述目标对象在运动方向延长线上与所述预设的禁入区域边界距离和运动速率的比值是否小于预设时间。
在本实施例中，以所述目标对象与所述预设的禁入区域边界最短距离的边界点为临界点，所述临界点指向无穷远为正方向。基于所述运动轨迹，根据所述位置信息和运动状态，检测检测所述目标对象与所述预设的禁入区域边界最短距离的变化值。可以理解的是，当所述目标对象远离预设禁入区域的边界时，所述变化值为正数。当所述目标对象靠近预设禁入区域的边界时，所述变化值为负数。
告警单元306，用于当所述比值小于预设时间时，则根据所述视频信息生成告警信息并发送至所述客户端和前端告警终端，以使所述前端告警终端根据所述告警信息触发警报。
在本实施例中，当所述变化值为正数时，过滤所述目标对象，即忽略远离边界的目标对象。当所述变化值为负数时，根据所述运动状态，检测到所述目标对象的运动方向和运动速率。实时更新并判断所述目标对象在运动方向延长线上与所述预设的禁入区域边界距离和运动速率的比值即运动时间是否小于预设时间。若运动时间小于预设时间，则判断所述目标对象企图非法入侵。
需要说明的是，所述告警信息包括所述目标对象的视频信息和用于触发所述前端告警终端展示所述目标对象的视频信息和警报的指令；所述警报包括声光警报。可以理解的是，客户端可以实时接收预设监控区域的视频信息并展示，以便管理人员或值班人员能实时监控看监控视频。前端告警终端能根据告警信息，展示所述目标对象当前入侵或企图非法入侵预设的禁入区域的视频信息，并触发警报。
本实施例提供的一种边界入侵检测装置，对图像采集系统进行布控管理；利用深度学习算法解析获取的视频信息，得到预设监控区域的运动对象的轮廓信息；识别并锁定目标对象，并实时检测所述目标对象的位置信息和运动状态并绘制所述目标对象的运动轨迹；检测所述目标对象与所述预设的禁入区域边界最短距离的变化值；当所述变化值为负数且判断所述目标对象在运动方向延长线上与所述预设的禁入区域边界距离和运动速率的比值小于预设时间时，生成告警信息并触发前端告警终端警报。本发明能够实时对边界入侵行为进行判断并及时触发警报，克服了人为监看和分析入侵行为的遗漏可能，提高了边界入侵判断的可靠性和效率。
本发明实施例三：
本实施例提供了一种边界入侵检测系统，包括：客户端、服务器端、图像采集系统和前端告警终端。
所述客户端，用于发送布控任务至所述服务器端。
所述服务器端，用于根据所述布控任务配置图像采集系统。
所述图像采集系统，用于采集预设监控区域的视频信息。
在本实施例中，如图2所示，图2是本发明第一实施例中安防系统的架构示意图。实施所述边界入侵检测方法需要客户端201、服务器端202(所述服务器端包括后台管理服务器2021和视频分析服务器2022)、图像采集系统203和前端告警终端204等装置。其中，所述图像采集系统包括至少一个摄像头2031和与所述摄像头对应的交换机2032。客户端201设定布控任务包括监控区域、监控时长和监控周期；将所述布控任务发送至服务器端202。服务器端202根据所述布控任务获取所述监控区域对应的图像采集系统203，并根据所述监控时长和所述监控周期，通过RTSP协议(Real Time Streaming Protocol，实时流传输协议)实时获取所述图像采集系统的视频信息，并利用封装的FFmpeg(一套可以用来记录、转换数字音频、视频，并能将其转化为流的开源计算机程序)编解码代码获取视频信息中的帧信息。解析所述视频流信息中的帧信息，获取视频帧图片YUV(被欧洲电视系统所采用的一种颜色编码方法)数据，通过转换YUV数据把图片存为RGB(RGB色彩模式是工业界的一种颜色标准)格式。
可以理解的是，当所述监控区域尚未接入图像采集系统，则接入图像采集系统，以保证布控任务的实施。
所述服务器端，还用于获取所述图像采集系统的视频信息，并利用深度学习算法解析所述视频信息，得到预设监控区域的运动对象的轮廓信息。
在本实施例中，所述深度学习算法包括自适应学习算法、卷积神经网络、循环神经网络和递归神经网络。深度学习是机器学习中一种基于对数据进行表征学习的方法。观测值(例如一幅图像)可以使用多种方式来表示，如每个像素强度值的向量，或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务(例如，人脸识别或面部表情识别)。深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。
可以理解的是，本步骤利用深度学习算法，解析视频信息中的图像元素，并计算出预设监控区域的运动对象的轮廓信息。
需要说明的是，所述服务器端利用训练好的神经网络模型，通过深度学习算法将视频信息中的图像分成不同的区域，并定义每个区域的边界，并根据边界设置相关的阈值进行后续的入侵判断。
所述服务器端，还用于根据所述轮廓信息，识别并锁定目标对象，并实时检测所述目标对象的位置信息和运动状态。
在本实施例中，根据相似度算法，将所述轮廓信息与图像数据库中的预存的物体轮廓信息进行比对，识别出所述运动对象为人、动物或交通工具。具体地，所述轮廓信息是指待监视目标(人或物)在视觉上被观看时，特定位置一定会显示的内容。如：当目标是人时，人的骨骼轮廓一定会存在的；当目标是树(物)时，树的主干和分支轮廓会存在。需要说明的是，在运动对象识别过程中，需要过滤干扰信息。例如：对视频信息中的整张图像分片进行预设目标识别，过滤掉不相关信息。如：当要识别的运动对象是人时，则人旁边的树、汽车等被认为是不相关信息；当要识别的运动对象还是交通工具时，则其他的不是交通工具的物体是不相关信息。然后将所识别的运动对象锁定为目标对象；实时检测并记录所述目标对象的位置信息和运动状态。
所述服务器端，还用于根据所述位置信息和所述运动状态绘制所述目标对象的运动轨迹。
可以理解的是，绘制所述目标对象的运动轨迹，即对所述目标对象实施跟踪。
所述服务器端，还用于基于所述运动轨迹，检测所述目标对象与所述预设的禁入区域边界最短距离的变化值。
在本实施例中，以所述目标对象与所述预设的禁入区域边界最短距离的边界点为临界点，所述临界点指向无穷远为正方向。基于所述运动轨迹，根据所述位置信息和运动状态，检测检测所述目标对象与所述预设的禁入区域边界最短距离的变化值。可以理解的是，当所述目标对象远离预设禁入区域的边界时，所述变化值为正数。当所述目标对象靠近预设禁入区域的边界时，所述变化值为负数。
所述服务器端，还用于当所述变化值为正数时，过滤所述目标对象。
所述服务器端，还用于当所述变化值为负数时，若根据所述运动状态，判断所述目标对象在运动方向延长线上与所述预设的禁入区域边界距离和运动速率的比值小于预设时间时，则根据所述视频信息生成告警信息并发送至所述客户端和前端告警终端。
所述客户端，还用于根据所述告警信息，展示所述视频信息。
所述前端告警终端，用于根据所述告警信息，展示所述视频信息并触发警报。
在本实施例中，当所述变化值为正数时，过滤所述目标对象，即忽略远离边界的目标对象。当所述变化值为负数时，根据所述运动状态，检测到所述目标对象的运动方向和运动速率。实时更新并判断所述目标对象在运动方向延长线上与所述预设的禁入区域边界距离和运动速率的比值即运动时间是否小于预设时间。若运动时间小于预设时间，则判断所述目标对象企图非法入侵。
需要说明的是，所述告警信息包括所述目标对象的视频信息和用于触发所述前端告警终端展示所述目标对象的视频信息和警报的指令；所述警报包括声光警报。可以理解的是，客户端可以实时接收预设监控区域的视频信息并展示，以便管理人员或值班人员能实时监控看监控视频。前端告警终端能根据告警信息，展示所述目标对象当前入侵或企图非法入侵预设的禁入区域的视频信息，并触发警报。
进一步地，所述的边界入侵检测系统，还包括：
所述服务器端，还用于当根据所述位置信息判断所述目标对象与预设的禁入区域边界最短距离为零、负数或小于预设距离时，则根据所述视频信息生成告警信息并发送至所述客户端和前端告警终端；以使所述前端告警终端根据所述告警信息触发警报；其中，以所述目标对象与所述预设的禁入区域边界最短距离的边界点为零界点，所述临界点指向无穷远为正方向；所述预设距离为正数。
在本实施例中，可以理解的是，所述目标对象与预设的禁入区域边界最短距离为零，是指所述目标对象处于边界线上。所述目标对象与预设的禁入区域边界最短距离或负数，是指所述目标对象处于边界线包围圈内，即预设的禁入区域内。所述目标对象与预设的禁入区域边界最短距离小于预设距离时，是指在预设的禁入区域边界之外，但是靠近边界且距离边界的距离小于预设距离。
本实施例提供的一种边界入侵检测系统，对图像采集系统进行布控管理；利用深度学习算法解析获取的视频信息，得到预设监控区域的运动对象的轮廓信息；识别并锁定目标对象，并实时检测所述目标对象的位置信息和运动状态并绘制所述目标对象的运动轨迹；检测所述目标对象与所述预设的禁入区域边界最短距离的变化值；当所述变化值为负数且判断所述目标对象在运动方向延长线上与所述预设的禁入区域边界距离和运动速率的比值小于预设时间时，生成告警信息并触发前端告警终端警报。本发明能够实时对边界入侵行为进行判断并及时触发警报，克服了人为监看和分析入侵行为的遗漏可能，提高了边界入侵判断的可靠性和效率。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和变形，这些改进和变形也视为本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
Claims (10)
1.一种边界入侵检测方法，其特征在于，包括如下步骤：
接收客户端发送的布控任务，并根据所述布控任务配置图像采集系统；
获取所述图像采集系统的视频信息，并利用深度学习算法解析所述视频信息，得到预设监控区域的运动对象的轮廓信息；
根据所述轮廓信息，识别并锁定目标对象，并实时检测所述目标对象的位置信息和运动状态；
根据所述位置信息和所述运动状态绘制所述目标对象的运动轨迹；
基于所述运动轨迹，检测所述目标对象与所述预设的禁入区域边界最短距离的变化值；
当所述变化值为正数时，过滤所述目标对象；
当所述变化值为负数时，若根据所述运动状态，判断所述目标对象在运动方向延长线上与所述预设的禁入区域边界距离和运动速率的比值小于预设时间时，则根据所述视频信息生成告警信息并发送至所述客户端和前端告警终端，以使所述前端告警终端根据所述告警信息触发警报。
2.根据权利要求1所述的边界入侵检测方法，其特征在于，还包括：
当根据所述位置信息判断所述目标对象与预设的禁入区域边界最短距离为零、负数或小于预设距离时，则根据所述视频信息生成告警信息并发送至所述客户端和前端告警终端，以使所述前端告警终端根据所述告警信息触发警报；其中，以所述目标对象与所述预设的禁入区域边界最短距离的边界点为零界点，所述临界点指向无穷远为正方向；所述预设距离为正数。
3.根据权利要求1所述的边界入侵检测方法，其特征在于，当所述变化值为负数时，若根据所述运动状态，判断所述目标对象在运动方向延长线上与所述预设的禁入区域边界距离和运动速率的比值小于预设时间时，则根据所述视频信息生成告警信息并发送至所述客户端和前端告警终端，以使所述前端告警终端根据所述告警信息触发警报，具体为：
当所述变化值为负数时，检测所述目标对象在运动方向延长线上与所述预设的禁入区域边界距离和运动速率；
当所述目标对象在运动方向延长线上与所述预设的禁入区域边界距离和运动速率的比值小于预设时间时，判断所述目标对象为企图入侵对象，并根据所述视频信息生成告警信息并发送至所述客户端和前端告警终端，以使所述前端告警终端根据所述告警信息触发警报。
4.根据权利要求1所述的边界入侵检测方法，其特征在于，所述根据所述轮廓信息，识别并锁定目标对象，并实时检测所述目标对象的位置信息和运动状态，具体为：
根据相似度算法，将所述轮廓信息与图像数据库中的预存的物体轮廓信息进行比对，识别出所述运动对象为人、动物或交通工具，并将所述运动对象锁定为目标对象；
实时检测所述目标对象的位置信息和运动状态。
5.根据权利要求1所述的边界入侵检测方法，其特征在于，所述告警信息包括所述目标对象的视频信息和用于触发所述前端告警终端展示所述目标对象的视频信息和警报的指令；所述警报包括声光警报。
6.根据权利要求1所述的边界入侵检测方法，其特征在于，所述深度学习算法包括自适应学习算法、卷积神经网络、循环神经网络和递归神经网络。
7.根据权利要求1所述的边界入侵检测方法，其特征在于，所述布控任务包括监控区域、监控时长和监控周期；所述图像采集系统包括至少一个摄像头和与所述摄像头对应的交换机。
8.一种边界入侵检测装置，其特征在于，包括：
布控单元，用于接收客户端发送的布控任务，并根据所述布控任务配置图像采集系统；
视频信息解析单元，用于获取所述图像采集系统的视频信息，并利用深度学习算法解析所述视频信息，得到预设监控区域的运动对象的轮廓信息；
目标对象锁定单元，用于根据所述轮廓信息，识别并锁定目标对象，并实时检测所述目标对象的位置信息和运动状态；
运动轨迹绘制单元，用于根据所述位置信息和所述运动状态绘制所述目标对象的运动轨迹；
入侵判断单元，用于基于所述运动轨迹，检测所述目标对象与所述预设的禁入区域边界最短距离的变化值；当所述变化值为正数时，过滤所述目标对象；当所述变化值为负数时，若根据所述运动状态，判断所述目标对象在运动方向延长线上与所述预设的禁入区域边界距离和运动速率的比值是否小于预设时间；
告警单元，用于当所述比值小于预设时间时，则根据所述视频信息生成告警信息并发送至所述客户端和前端告警终端，以使所述前端告警终端根据所述告警信息触发警报。
9.一种边界入侵检测系统，其特征在于，包括：客户端、服务器端、图像采集系统和前端告警终端；
所述客户端，用于发送布控任务至所述服务器端；
所述服务器端，用于根据所述布控任务配置图像采集系统；
所述图像采集系统，用于采集预设监控区域的视频信息；
所述服务器端，还用于获取所述图像采集系统的视频信息，并利用深度学习算法解析所述视频信息，得到预设监控区域的运动对象的轮廓信息；
所述服务器端，还用于根据所述轮廓信息，识别并锁定目标对象，并实时检测所述目标对象的位置信息和运动状态；
所述服务器端，还用于根据所述位置信息和所述运动状态绘制所述目标对象的运动轨迹；
所述服务器端，还用于基于所述运动轨迹，检测所述目标对象与所述预设的禁入区域边界最短距离的变化值；
所述服务器端，还用于当所述变化值为正数时，过滤所述目标对象；
所述服务器端，还用于当所述变化值为负数时，若根据所述运动状态，判断所述目标对象在运动方向延长线上与所述预设的禁入区域边界距离和运动速率的比值小于预设时间时，则根据所述视频信息生成告警信息并发送至所述客户端和前端告警终端；
所述客户端，还用于根据所述告警信息，展示所述视频信息；
所述前端告警终端，用于根据所述告警信息，展示所述视频信息并触发警报。
10.根据权利要求9所述的边界入侵检测系统，其特征在于，还包括：
所述服务器端，还用于当根据所述位置信息判断所述目标对象与预设的禁入区域边界最短距离为零、负数或小于预设距离时，则根据所述视频信息生成告警信息并发送至所述客户端和前端告警终端；以使所述前端告警终端根据所述告警信息触发警报；其中，以所述目标对象与所述预设的禁入区域边界最短距离的边界点为零界点，所述临界点指向无穷远为正方向；所述预设距离为正数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810110023.6A CN109426798A (zh) | 2018-02-01 | 2018-02-01 | 一种边界入侵检测方法、装置及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810110023.6A CN109426798A (zh) | 2018-02-01 | 2018-02-01 | 一种边界入侵检测方法、装置及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109426798A true CN109426798A (zh) | 2019-03-05 |
Family
ID=65514452
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810110023.6A Pending CN109426798A (zh) | 2018-02-01 | 2018-02-01 | 一种边界入侵检测方法、装置及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109426798A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110032966A (zh) * | 2019-04-10 | 2019-07-19 | 湖南华杰智通电子科技有限公司 | 用于智能服务的人体接近检测方法、智能服务方法及装置 |
| CN110363945A (zh) * | 2019-07-16 | 2019-10-22 | 捻果科技(深圳)有限公司 | 一种禁区闯入报警系统及报警方法 |
| CN110675586A (zh) * | 2019-09-25 | 2020-01-10 | 捻果科技(深圳)有限公司 | 一种视频分析和深度学习的机场围界入侵监控方法 |
| CN112802058A (zh) * | 2021-01-21 | 2021-05-14 | 北京首都机场航空安保有限公司 | 一种非法运动目标的跟踪方法及装置 |
| CN113393628A (zh) * | 2021-05-10 | 2021-09-14 | 天津泰来勘测设计有限公司 | 一种智能监控报警方法、系统、智能终端以及存储介质 |
| CN113744480A (zh) * | 2021-09-14 | 2021-12-03 | 国网辽宁省电力有限公司沈阳供电公司 | 一种输变电工程边界防御方法及装置 |
| CN114973569A (zh) * | 2022-05-16 | 2022-08-30 | 国网天津市电力公司 | 一种基于遥视系统的周界扰动告警方法及系统 |
| CN115060184A (zh) * | 2022-05-18 | 2022-09-16 | 武汉迪信达科技有限公司 | 一种基于递归图的光纤周界入侵检测方法及系统 |
| CN115294712A (zh) * | 2022-07-29 | 2022-11-04 | 北京国铁华晨通信科技有限公司 | 入侵预警方法、预警管理系统、电子设备和存储介质 |
| CN116563761A (zh) * | 2023-05-11 | 2023-08-08 | 三一重型装备有限公司 | 一种综采工作面监测方法、装置、设备、程序产品及系统 |
| WO2023184051A1 (zh) * | 2022-03-26 | 2023-10-05 | 华为技术有限公司 | 侵犯检测方法、装置和交通工具 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7034695B2 (en) * | 2000-12-26 | 2006-04-25 | Robert Ernest Troxler | Large area position/proximity correction device with alarms using (D)GPS technology |
| CN103310444A (zh) * | 2013-05-21 | 2013-09-18 | 上海交通大学 | 一种基于头顶摄像头的监控行人计数的方法 |
| CN105959655A (zh) * | 2016-07-18 | 2016-09-21 | 四川君逸数码科技股份有限公司 | 一种智慧金睛识别区域入侵报警方法和装置 |
| CN106406189A (zh) * | 2016-11-28 | 2017-02-15 | 中国农业大学 | 一种无人机植保作业的电子围栏监控方法 |
| CN107346415A (zh) * | 2017-06-08 | 2017-11-14 | 小草数语（北京）科技有限公司 | 视频图像处理方法、装置及监控设备 |
-
2018
- 2018-02-01 CN CN201810110023.6A patent/CN109426798A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7034695B2 (en) * | 2000-12-26 | 2006-04-25 | Robert Ernest Troxler | Large area position/proximity correction device with alarms using (D)GPS technology |
| CN103310444A (zh) * | 2013-05-21 | 2013-09-18 | 上海交通大学 | 一种基于头顶摄像头的监控行人计数的方法 |
| CN105959655A (zh) * | 2016-07-18 | 2016-09-21 | 四川君逸数码科技股份有限公司 | 一种智慧金睛识别区域入侵报警方法和装置 |
| CN106406189A (zh) * | 2016-11-28 | 2017-02-15 | 中国农业大学 | 一种无人机植保作业的电子围栏监控方法 |
| CN107346415A (zh) * | 2017-06-08 | 2017-11-14 | 小草数语（北京）科技有限公司 | 视频图像处理方法、装置及监控设备 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110032966A (zh) * | 2019-04-10 | 2019-07-19 | 湖南华杰智通电子科技有限公司 | 用于智能服务的人体接近检测方法、智能服务方法及装置 |
| CN110032966B (zh) * | 2019-04-10 | 2024-02-02 | 湖南华杰智通电子科技有限公司 | 用于智能服务的人体接近检测方法、智能服务方法及装置 |
| CN110363945A (zh) * | 2019-07-16 | 2019-10-22 | 捻果科技(深圳)有限公司 | 一种禁区闯入报警系统及报警方法 |
| CN110675586A (zh) * | 2019-09-25 | 2020-01-10 | 捻果科技(深圳)有限公司 | 一种视频分析和深度学习的机场围界入侵监控方法 |
| CN112802058A (zh) * | 2021-01-21 | 2021-05-14 | 北京首都机场航空安保有限公司 | 一种非法运动目标的跟踪方法及装置 |
| CN113393628A (zh) * | 2021-05-10 | 2021-09-14 | 天津泰来勘测设计有限公司 | 一种智能监控报警方法、系统、智能终端以及存储介质 |
| CN113744480A (zh) * | 2021-09-14 | 2021-12-03 | 国网辽宁省电力有限公司沈阳供电公司 | 一种输变电工程边界防御方法及装置 |
| WO2023184051A1 (zh) * | 2022-03-26 | 2023-10-05 | 华为技术有限公司 | 侵犯检测方法、装置和交通工具 |
| CN114973569A (zh) * | 2022-05-16 | 2022-08-30 | 国网天津市电力公司 | 一种基于遥视系统的周界扰动告警方法及系统 |
| CN115060184A (zh) * | 2022-05-18 | 2022-09-16 | 武汉迪信达科技有限公司 | 一种基于递归图的光纤周界入侵检测方法及系统 |
| CN115294712A (zh) * | 2022-07-29 | 2022-11-04 | 北京国铁华晨通信科技有限公司 | 入侵预警方法、预警管理系统、电子设备和存储介质 |
| CN116563761A (zh) * | 2023-05-11 | 2023-08-08 | 三一重型装备有限公司 | 一种综采工作面监测方法、装置、设备、程序产品及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109426798A (zh) | 一种边界入侵检测方法、装置及系统 | |
| CN110111515A (zh) | 一种边界入侵检测方法、装置、服务器及系统 | |
| CN110113561A (zh) | 一种人员滞留检测方法、装置、服务器及系统 | |
| CN110110575A (zh) | 一种人员脱岗检测方法及装置 | |
| US9911294B2 (en) | Warning system and method using spatio-temporal situation data | |
| CN103108159B (zh) | 一种电力智能视频分析监控系统和方法 | |
| CN106454250A (zh) | 智能识别及预警处理的信息平台 | |
| CN109040693B (zh) | 智能告警系统及方法 | |
| CN109493555A (zh) | 一种基于智能监控技术的校园宿舍楼安防监控系统 | |
| CN101610396A (zh) | 具有隐私保护的智能视频监控设备模组和系统及其监控方法 | |
| CN110111436A (zh) | 一种人脸签到方法、装置及系统 | |
| CN111985428A (zh) | 一种安全检测方法、装置、电子设备及存储介质 | |
| CN210222962U (zh) | 一种智能电子围栏系统 | |
| CN110674761A (zh) | 一种区域行为预警方法及系统 | |
| CN110718041A (zh) | 一种防止儿童走失方法、装置、系统及存储介质 | |
| CN110188617A (zh) | 一种机房智能监控方法及系统 | |
| CN112288975A (zh) | 一种事件预警的方法和装置 | |
| CN113536847A (zh) | 一种基于深度学习的工业场景视频分析系统及其方法 | |
| GB2589080A (en) | Surveillance system | |
| CN113903003B (zh) | 事件发生概率的确定方法、存储介质及电子装置 | |
| KR20020082476A (ko) | 감시 방법, 시스템 및 묘듈 | |
| CN109460714A (zh) | 识别对象的方法、系统和装置 | |
| CN114390260A (zh) | 应用于智慧城市的危险区域和重要场所监控平台 | |
| CN113645439B (zh) | 事件检测方法及系统、存储介质及电子装置 | |
| CN114281656A (zh) | 一种智能中控系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190305 |