CN109614948B - 异常行为的检测方法、装置、设备和存储介质 - Google Patents

异常行为的检测方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN109614948B
CN109614948B CN201811558108.7A CN201811558108A CN109614948B CN 109614948 B CN109614948 B CN 109614948B CN 201811558108 A CN201811558108 A CN 201811558108A CN 109614948 B CN109614948 B CN 109614948B
Authority
CN
China
Prior art keywords
target
supervised
sub
area
areas
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
CN201811558108.7A
Other languages
English (en)
Other versions
CN109614948A (zh
Inventor
万月亮
彭国俊
火一莽
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.)
Beijing Ruian Technology Co Ltd
Original Assignee
Beijing Ruian 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 Beijing Ruian Technology Co Ltd filed Critical Beijing Ruian Technology Co Ltd
Priority to CN201811558108.7A priority Critical patent/CN109614948B/zh
Publication of CN109614948A publication Critical patent/CN109614948A/zh
Application granted granted Critical
Publication of CN109614948B publication Critical patent/CN109614948B/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
    • G06V20/40—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
    • 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

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)
  • Closed-Circuit Television Systems (AREA)
  • Alarm Systems (AREA)

Abstract

本发明公开了一种异常行为的检测方法、装置、设备和存储介质。所述方法包括：获取待监管目标所处监管区域的视频流数据；根据所述视频流数据确定所述监管区域中的第一子区域的第一数量，其中，所述监管区域由多个子区域构成，所述第一子区域为所述待监管目标存在有效停留的子区域，所述有效停留的持续停留时长大于或等于预设时长；如果所述第一数量大于或等于第一数量阈值，则确定所述待监管目标存在异常行为。本发明实施例通过采用上述技术方案，将监管区域划分为多个子区域，根据待监管目标存在有效停留的子区域的数量确定待监管目标是否存在异常行为，能够提高异常行为检测结果的准确性，降低异常行为检测出现误报、漏报情况的概率。

Description

异常行为的检测方法、装置、设备和存储介质
技术领域
本发明涉及计算机视觉技术领域，尤其涉及一种异常行为的检测方法、装置、设备和存储介质。
背景技术
随着社会的发展和城市智能化的推进，视频监控的应用也越来越普及，逐渐被应用到交通路口、商场、银行、车站和学校等公共场所，以保障所监管区域中人员的人身与财产安全。
对监管区域进行视频监控的主要目的之一是利用相关视频分析技术对监管区域中发生的行为进行分析，确定所监管区域中的人员是否存在异常行为，并在其存在异常行为时以最快和最佳的方式发出报警信号和提供有用信息，即进行异常行为检测。目前常用的异常行为检测主要包括越界、入侵禁区或快速运动等行为检测。
但是，传统的异常行为检测方法通常存在检测准确率较低，容易出现虚假报警、漏报警、跟踪困难等问题，无法满足工作人员的监控需求。
发明内容
有鉴于此，本发明实施例提供一种异常行为的检测方法、装置、设备和存储介质，以提高异常行为检测的准确性。
第一方面，本发明实施例提供了一种异常行为的检测方法，包括：
获取待监管目标所处监管区域的视频流数据；
根据所述视频流数据确定所述监管区域中的第一子区域的第一数量，其中，所述监管区域由多个子区域构成，所述第一子区域为所述待监管目标存在有效停留的子区域，所述有效停留的持续停留时长大于或等于预设时长；
如果所述第一数量大于或等于第一数量阈值，则确定所述待监管目标存在异常行为。
第二方面，本发明实施例提供了一种异常行为的检测装置，包括：
视频流获取模块，用于获取待监管目标所处监管区域的视频流数据；
第一数量确定模块，用于根据所述视频流数据确定所述监管区域中的第一子区域的第一数量，其中，所述监管区域由多个子区域构成，所述第一子区域为所述待监管目标存在有效停留的子区域，所述有效停留的持续停留时长大于或等于预设时长；
第一检测模块，用于在所述第一数量大于或等于第一数量阈值时，确定所述待监管目标存在异常行为。
第三方面，本发明实施例提供了一种设备，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明实施例所述的异常行为的检测方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例所述的异常行为的检测方法。
在上述检测异常行为的技术方案中，获取待监管目标所处待监管区域的视频流数据，根据该视频流数据确定待监管区域中待监管目标存在持续停留时长大于或等于预设时长的有效停留的子区域的数量，并在该数量大于或等于第一数量阈值时，确定待监管目标存在异常行为。本发明实施例通过采用上述技术方案，将监管区域划分为多个子区域，根据待监管目标存在有效停留的子区域的数量确定待监管目标是否存在异常行为，能够提高异常行为检测结果的准确性，降低异常行为检测出现误报、漏报情况的概率，提高监管区域中其他人员的人身与财产的安全性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1A为本发明实施例一提供的一种异常行为的检测方法的流程示意图；
图1B为本发明实施例一提供的可疑人员的运动路线示意图；
图1C为本发明实施例一提供的监管区域中的子区域示意图；
图2为本发明实施例二提供的一种异常行为的检测方法的流程示意图；
图3为本发明实施例三提供的一种异常行为的检测方法的流程示意图；
图4A为本发明实施例四提供的一种异常行为的检测方法的流程示意图；
图4B为本发明实施例四提供的运行路线在x方向上的误差示意图；
图4C为本发明实施例四提供的运行路线在y方向上的误差示意图
图5为本发明实施例五提供的一种异常行为的检测装置的结构框图；
图6为本发明实施例六提供的一种设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。
实施例一
本发明实施例一提供一种异常行为的检测方法。该方法可以由异常行为的检测装置执行，其中，该装置可以由软件和/或硬件实现，一般可集成在具有异常行为检测功能的设备中。图1A是本发明实施例一提供的一种异常行为的检测方法的流程示意图，如图1A所示，该方法包括：
S110、获取待监管目标所处监管区域的视频流数据。
本步骤中，监管区域中的待监管目标可以基于工作人员标注确定，如工作人员可以根据设置于监管区域的摄像头拍摄得到的监管区域的视频识别监管区域中的可疑人员并将所识别的可疑人员标注为待监管目标；也可以由异常行为检测设备自动确定。由于通常情况下非可疑人员会直奔目的地，其运动路线通常为直来直去情况，而可疑人员则处于漫无目的、等待机会伺机下手的状态，其运动路线通常呈现弯弯曲曲、杂乱无章的状态，如图1B所示，因此，在由异常行为检测设备确定待监管目标时，异常行为检测设备可以根据监管区域所设备的摄像头拍摄得到的监管区域的视频确定各监管区域中的各人员在监管区域中的运行轨迹，将运动轨迹较异常的人员确定为待监管目标。
其中，监管区域可以为异常行为检测设备的监管区域或某一个或几个摄像头的监管区域，如车站、商场、店铺等等；待监管目标可以为位于监管区域中的任意需要进行监管的目标，如监管区域中欲行窃的人员或其他行为可疑的人员；运行轨迹是否杂乱的判定规则可以根据需要设置，如可以预先统计目标区域中各正常运行轨迹的样本，得到正常运行轨迹集合，并在检测过程中将未位于该正常运行轨迹集合内的运行轨迹确定为异常的运行轨迹。
本实施例中，监管目标在监管区域中的视频流数据可以由监管区域中的摄像头拍摄获得，如可以控制监管区域中的摄像头对待监管目标进行拍摄并将拍摄得到的视频流数据实时发送给异常行为检测设备。在控制摄像头对待监管目标进行拍摄时，可以控制摄像头以固定的拍摄角度拍摄；也可以控制摄像头以随监管目标所处位置的移动而改变的拍摄方向对待监管目标进行拍摄，即对待监管目标进行跟拍。优选的，当某一摄像头的拍摄范围内存在多个待监管目标时，可以控制该摄像头以固定的拍摄角度对待监管目标进行拍摄，以确保可以拍摄到所有待监管目标的图像；当某一摄像头的拍摄范围内仅存在一个待监管目标时，可以控制该摄像头对待监管目标进行跟拍，以提高待监管目标在所拍摄视频流数据的各视频帧中的图像的清晰度。
S120、根据所述视频流数据确定所述监管区域中的第一子区域的第一数量，其中，所述监管区域由多个子区域构成，所述第一子区域为所述待监管目标存在有效停留的子区域，所述有效停留的持续停留时长大于或等于预设时长。
由于可疑人员在伺机下手时会在多个位置停留以选取最佳下手位置，因此，本实施例中，可以预先将监管区域划分为多个子区域，根据待监管目标存在有效停留的第一子区域的数量判定用户是否存在异常行为。在此，子区域的划分方法可以根据需要设置，如可以基于工作人员的操作或按照设定的长度、宽度或数量等将待监管区域划分为多个子区域。所划分的子区域可以为任意形状，如三角形、四边形、六边形或圆形等等，优选可以为矩形，即将监管区域划分为多个矩形子区域，如图1C所示，以提高后续计算的便捷性。
具体的，根据视频流数据各视频帧中待监管目标所成图像的像素坐标确定拍摄各视频帧时待监管目标所处的子区域，进而统计待监管目标在各子区域中的持续停留时长，并在该持续停留时长大于或等于预设时长且该子区域不具有第一子区域的标记时，将此子区域标记为监管区域中的一个第一子区域，如图1C中存在黑点的子区域，并将第一子区域的第一数量加1，直至确定待监管目标存在异常行为或待监管目标离开监管区域为止。其中，判定待监管目标所停留区域是否为第一子区域，即判定待监管目标的停留是否为有效停留的预设时长可以根据需要设置，如可以设置为20分钟、30分钟、60分钟等时间长度。
S130、如果所述第一数量大于或等于第一数量阈值，则确定所述待监管目标存在异常行为。
相应的，如果所述第一数量小于第一数量阈值，则可以返回S110继续累计第一子区域的第一数量，直至第一数量大于或等于第一数量阈值或待监管目标离开监管区域为止。
具体的，可以按照设定周期判断第一数量是否大于或等于第一数量阈值或在第一数量发生变化时判断变化后的第一数量是否大于或等于第一数量阈值，以确定待监管目标是否存在异常行为。其中，第一数量阈值小于监管区域中子区域的总数量，其具体数值可以通过统计多个待监管目标在执行异常行为之前的行为习惯和/或监管区域中子区域的总数量确定，如可以设置为5、10、15等数值。
本实施例中，可以仅根据监管区域中待监管目标存在有效停留的第一子区域的第一数量判定待监管目标是否存在有效行为，即在判定第一数量小于第一数量阈值时即返回S110继续累计第一子区域的第一数量。考虑到待监管目标可能存在在较小的区域中反复走位的情况，优选的，如果所述第一子区域的数量小于第一数量阈值，则确定所述监管区域中的第二子区域的第二数量，其中，所述第二子区域为待监管目标存在至少两次有效停留的子区域；如果所述第二数量大于或等于第二数量阈值，则确定所述待监管目标存在异常行为，以进一步提高异常行为检测结果的准确性。相应的，如果所述第二数量小于第二数量阈值，则返回执行S110继续累加第一子区域的第一数量和第二子区域的第二数量，直至第一数量大于或等于第一数量阈值、第二数量大于或等于第二数量阈值或待监管目标离开监管区域为止。在此，第二数量阈值小于第一数量阈值，其可以通过统计多个待监管目标在执行异常行为之前的行为习惯和/或第一数量阈值确定，如可以设置为3、5、7等数值。
本发明实施例一提供的异常行为的检测方法，获取待监管目标所处待监管区域的视频流数据，根据该视频流数据确定待监管区域中待监管目标存在持续停留时长大于或等于预设时长的有效停留的子区域的数量，并在该数量大于或等于第一数量阈值时，确定待监管目标存在异常行为。本发明实施例通过采用上述技术方案，将监管区域划分为多个子区域，根据待监管目标存在有效停留的子区域的数量确定待监管目标是否存在异常行为，能够提高异常行为检测结果的准确性，降低异常行为检测出现误报、漏报情况的概率，提高监管区域中其他人员的人身与财产的安全性。
实施例二
图2为本发明实施例二提供的一种异常行为的检测方法的流程示意图。本实施例在上述实施例的基础，将“根据所述视频流数据确定所述监管区域中的第一子区域的第一数量”优化为：根据所述视频流数据的当前视频帧构建所述待监管目标在所述监管区域的当前三维模型；根据所述当前三维模型在所述监管区域中的当前位置坐标确定所述当前视频帧对应的当前子区域，其中，所述当前子区域为拍摄所述视频帧时所述待监管目标所位于的子区域；根据所述当前子区域以及所述视频流数据中的各历史视频帧对应的历史子区域确定所述监管区域中的第一子区域的第一数量。
进一步地，所述获取待监管目标所处监管区域的视频流数据，包括：在监测到监管区域存在待监管目标时，控制所述监管区域的摄像头对所述待监管目标进行跟拍，得到待监管目标在所述监管区域的视频流数据。
相应的，如图2所示，本实施例提供的异常行为的检测方法包括：
S210、在监测到监管区域存在待监管目标时，控制所述监管区域的摄像头对所述待监管目标进行跟拍，得到待监管目标在所述监管区域的视频流数据。
本实施例中，可以按照预先设置的规则对待监管目标进行跟拍，如可以在待监管目标位于摄像头当前拍摄方向对应的拍摄范围的非边界区域时，控制摄像头以当前拍摄方向对待监管目标进行拍摄，并在待监管目标移动至当前拍摄方向对应的拍摄范围的边界区域，如与拍摄范围的边界在设定距离范围之内时，控制摄像头沿朝向待监管目标的方向旋转，直至待监管目标位于移动后的拍摄范围的中心区域或处于与待监管目标之前所位于的边界区域对侧的另一边界为止，如若之前待监管目标位于拍摄范围的左边界，则调整摄像头的拍摄方向直至待监管目标位于调整后的拍摄范围的右边界为止，以减少对摄像头的拍摄方向进行调整的次数；也可以在拍摄每一张视频帧之前均根据待监管目标的移动调整摄像头的拍摄方向，以确保待监管目标位于摄像头的拍摄范围的中心区域，如将摄像头的拍摄方向调整为自摄像头至拍摄上一张视频帧时待监管目标所处位置的方向，或者，根据拍摄前两张视频帧时待监管目标所处的位置预测拍摄当前视频帧时待监管目标所处的预测位置，并将摄像头的拍摄方向调整为自摄像头至该预测位置的方向，等等。
S220、根据所述视频流数据的当前视频帧构建所述待监管目标在所述监管区域的当前三维模型。
本实施例中，可以根据摄像机的成像原理计算当前视频帧中构成待监管目标的图像的像素在监管区域中的三维坐标，进而构建待监管目标在监管区域的当前三维模型。具体的，摄像机将三维现实世界映射到二维图像平面中，其成像原理可以由针孔模型来描述。假设三维空间中的一点Q(X，Y，Z)在图像平面中对应的点为q(x，y)，则点Q和q应满足如下公式：
Figure GDA0002585878900000091
其中，fx和fy分别为摄像机在水平方向和竖直方向上的焦距；cx和cy分别为摄像机焦点在水平方向上和竖直方向上的偏移量；R为摄像机自身的旋转矩阵，其行数和列数均为3；t为摄像机自身的平移向量，其行数为3，列数为1。摄像机的焦距fx和fy、偏移量cx和cy、旋转矩阵R和平移向量t等相机参数可以通过对摄像机进行标定获得，此处不再详述。
由摄像机成像原理可知，图像平面内的一点对应三维坐标系中的多个点，因此，本实施例可以基于视频帧中待监管目标的目标图像中的特征点构建待监管目标在监管区域中的三维模型，如在非俯拍的情况下，根据目标图像中y值最小的点计算其在三维空间中对应的各点的三维坐标，并将在竖直方向上的坐标Z为零的点确定为该点对应的三维点，根据该三维点预估摄像机的拍摄方向与拍摄距离，并根据该拍摄方向与拍摄距离计算目标图像中其他各点在监管区域中的三维坐标，由此构建待监管目标的三维模型；在俯拍的情况下，根据目标图像在视频帧中的坐标以及摄像机所安装的位置确定待监管目标在监管区域水平面中的投影的坐标范围，根据该坐标范围预估待监管目标的高度，以构建待监管目标的三维模型，等等，本实施例不对此进行限制。
S230、根据所述当前三维模型在所述监管区域中的当前位置坐标确定所述当前视频帧对应的当前子区域，其中，所述当前子区域为拍摄所述视频帧时所述待监管目标所位于的子区域。
本实施例中，待监管目标在监管区域中的三维模型构建完成后，根据当前三维模型与监管区域的相对位置即可确定当前三维模型在监管区域中的当前位置坐标，进而确定拍摄当前视频帧时待监管目标所位于的当前子区域。
S240、根据所述当前子区域以及所述视频流数据中的各历史视频帧对应的历史子区域确定所述监管区域中的第一子区域的第一数量，其中，所述监管区域由多个子区域构成，所述第一子区域为所述待监管目标存在有效停留的子区域，所述有效停留的持续停留时长大于或等于预设时长。
具体的，根据当前视频帧与各历史视频帧累计待监管目标持续位于当前子区域的时间长度，若该时间长度超过预设时长，则确定待监管目标在当前子区域存在有效停留，进一步判断该当前子区域是否已存在第一子区域标记，若是，则返回S210，直至待监管目标存在有效停留的当前子区域不存在第一子区域标记为止；若否，则将基于当前视频中的各历史视频帧统计得到的第一数量上加1，并判断第一数量是否大于或等于第一数量阈值。
S250、如果所述第一数量大于或等于第一数量阈值，则确定所述待监管目标存在异常行为。
本发明实施例二提供的异常行为的检测方法，在监测到监管区域存在待监管目标时，控制监管区域的摄像头对待监管目标进行跟拍，根据跟拍得到的视频流数据中的每张视频帧构建待监管目标的三维模型，根据三维模型确定待监管目标所处的子区域，以统计第一子区域的第一数量，并根据该第一数量确定待监管目标是否存在异常行为，可以提高视频流数据的清晰度以及对待监管目标定位的准确性，进一步提高异常行为检测结果的准确性。
实施例三
图3为本发明实施例三提供的一种异常行为的检测方法的流程示意图，本实施例在上述实施例的基础，将“根据所述视频流数据的当前视频帧构建所述待监管目标在所述监管区域的当前三维模型”优化为：确定所述待监管目标在所述视频流数据的当前视频帧中的目标图像的第一基准线，并将所述第一基准线上位于所述目标图像中且距离最远的两点确定为所述第一基准线的两端点，其中，所述第一基准线垂直于所述当前视频帧的底边且将所述目标图像的像素按照数量均分为两部分；根据摄像机的成像原理计算所述两端点在所述监管区域中对应的目标点的三维坐标，以得到连接所述目标点的第二基准线；根据所述第二基准线构建以所述第二基准线为中心线且高度与所述第二基准线的长度相同的柱体结构，以得到所述待监管目标在所述监管区域的当前三维模型。
相应的，如图3所示，本实施例提供的异常行为的检测方法包括：
S310、获取待监管目标所处监管区域的视频流数据。
S320、确定所述待监管目标在所述视频流数据的当前视频帧中的目标图像的第一基准线，并将所述第一基准线上位于所述目标图像中且距离最远的两点确定为所述第一基准线的两端点，其中，所述第一基准线垂直于所述当前视频帧的底边且将所述目标图像的像素按照数量均分为两部分。
具体的，根据待监管目标的服装特征和/或面部特征等识别当前视频帧中待监管目标的目标图像；采用垂直于当前视频帧的底边(即与待监管目标竖直站立或直立行走时的目标图像的方向相同)的直线沿与垂直于该直线的方向自目标图像的一侧向另一侧移动，并统计每次移动完成后目标图像中位于直线两侧的像素的个数，直至该直线处于某一位置时目标图像中位于该直线两侧的像素的个数相等为止，将此时目标图像中位于该直线上且距离最远的两点作为第一基准线的两个端点，由此，即可得到目标图像的第一基准线以及第一基准线的两个端点。
考虑到直线在当前视频帧中移动时的最小步长为1个像素的边长时，可能存在任意一条垂直于当前视频帧的底边的直线都不能将目标图像的像素均分为数量相等的两部分的情况，优选的，当目标图像中位于直线两侧的像素的个数之间的差值的绝对值取最小值时即可认为直线将目标图像中的像素按照数量均分为两部分，并基于此直线确定第一基准线。
举例而言，假设第一基准线φ′的两端点为点A′(xf，yf)与点B′(xh，yh)，且点A′为第一基准线φ′位于当前视频帧底边侧的端点，令Nl表示目标图像中位于第一基准线φ′所位于的直线L左侧的像素的个数，Nr为目标图像中位于直线L右侧的像素的个数，则基于下述公式即可确定第一基准线φ′以及第一基准线φ′的两个端点。
Figure GDA0002585878900000121
其中，Pfg为目标图像或四条边分别与当前视频帧的底边平行或垂直的目标图像的目标外接矩形。为了在待监控目标两脚左右间距较大且在待监控目标的前方或后方对待监控目标拍摄得到当前视频帧，或者，在待监管目标两脚前后间距较大且在待监管目标的左侧或右侧对待监管目标拍摄得到当前视频帧的情况下，确保第一基准线的长度能够代表目标图像的高度，优选的，Pfg为目标图像的目标外接矩形，该目标外接矩形的四条边分别与当前视频帧的底边平行或垂直。
S330、根据摄像机的成像原理计算所述两端点在所述监管区域中对应的目标点的三维坐标，以得到连接所述目标点的第二基准线。
由于第一基准线φ′平行于目标图像的方向将目标图像平分为两部分，因此，第一基准线φ′可近似为目标图像的中心线，第一基准线φ′在三维空间对应的第二基准线φ可认为是待监管目标的中心线。由于待监管目标通常会直立行走或竖直站立，而当待监管目标直立行走或竖直站立时，其在三维坐标系中的中心线(即第二基准线φ)应当近似垂直于底面，此时，假设点A(Xf，Yf，Zf)与点B(Xh，Yh，Zh)分别为第二基准线φ的两个端点，且点A为第二基准线φ靠近地面侧的端点，那么，点A与点B为第一基准线φ′的两端点点A′(xf，yf)与点B′(xh，yh)在三维空间中对应的点，且点A与点B坐标应满足如下公式：
Figure GDA0002585878900000131
由上述公式(3)，进一步结合公式(1)可确定点A与点B在三维空间中的坐标，在确定点A与点B在三维空间中的坐标后，连接点A与点B即可得到第二基准线φ。
S340、根据所述第二基准线构建以所述第二基准线为中心线且高度与所述第二基准线的长度相同的柱体结构，以得到所述待监管目标在所述监管区域的当前三维模型。
由于第二基准线为待监控目标的中心线，因此，本实施例可以将第二基准线的长度近似认为是待监管目标的身高，即待监管目标的身高H＝Zh，并以待监管目标的身高作为柱体结构的高度、以第二基准线为中心线构建柱体结构。其中，柱体结构的底面可以为圆形、椭圆形或平行四边形等形状。为了在确保柱体结构能够近似描述待监管目标的前提下，进一步提高计算的便捷性，柱体结构的底面优选为菱形，柱体结构优选为菱柱体。以下以此种情况为例进行说明。
由于目标图像的宽度(即目标外接矩形的宽度)受拍摄角度的影响较大，基于目标图像确定待监控目标的宽度会存在很大的误差，因此，柱体结构底面的边长可以设置为预先设置的默认值或根据待监管目标的身高确定。考虑到所构建三维模型的准确性，优选的，可以根据监管目标的身高确定待监管目标的宽度，即确定柱体结构底面的边长，如基于人体的比例对待监管目标的宽度进行估计，即将待监管目标的高度按照设定比例缩小得到待监管目标的宽度。此时，优选的，所述根据所述第二基准线构建以所述第二基准线为中心线且高度与所述第二基准线的长度相同的柱体结构，包括：以所述第二基准线为中心线、以所第二基准线按照设定比例缩短得到的长度为所述底边长度构建底面顶角为设定角度且高度与所述第一基准线的长度相同的菱柱体。其中，设定比例与设定角度可以根据需要设置，如设定比例可以为0.2、0.22或0.25等，设定角度可以为30°、40°等。
表1所示为对基于上述方法所构建三维模型的准确率进行测试所得到的测试结果。其中，基本拟合指的是待监管目标模型的真实中心线与通过三维模型预测的待监管目标模型的中心线(即第二基准线)的夹角小于或等于10°，此时，第二基准线能够穿过待监管目标的底部区域和顶部区域；轻微偏差指的是待监管目标模型的真实中心线与第二基准线的夹角大于10°且小于或等于18°，此时，第二基准线能够穿过待监管目标模型；较大偏差指的是待监管目标模型的真实中心线与第二基准线的夹角大于18°，此时，第二基准线与待监管目标模型之间的位置偏差较大。当基本拟合或轻微偏差时，三维模型能够近似拟合待监管目标模型；当偏差较大(主要是由目标图像被其他物体干扰或待监管目标非直立姿势所引起)时，三维模型拟合效果较差。由表1可知，大部分情况下，基于上述方法能够准确地构建三维模型。
表1
分类 数量 所占比例
所有样本 200 100％
基本拟合 131 65.5％
轻微偏差 49 24.5％
较大偏差 20 10％
S350、根据所述当前三维模型在所述监管区域中的当前位置坐标确定所述当前视频帧对应的当前子区域，其中，所述当前子区域为拍摄所述视频帧时所述待监管目标所位于的子区域。
S360、根据所述当前子区域以及所述视频流数据中的各历史视频帧对应的历史子区域确定所述监管区域中的第一子区域的第一数量，其中，所述监管区域由多个子区域构成，所述第一子区域为所述待监管目标存在有效停留的子区域，所述有效停留的持续停留时长大于或等于预设时长。
S370、如果所述第一数量大于或等于第一数量阈值，则确定所述待监管目标存在异常行为。
本发明实施例三提供的异常行为的检测方法，根据均分待监管目标在当前视频帧中的目标图像且垂直于当前视频帧的底边的第一基准线确定待监管目标的第二基准线，并根据该第二基准线构建当前视频帧对应的待监管目标的三维模型，可以提高所构建三维模型的准确性，从而进一步提高所统计待监管目标存在有效停留的第一子区域的第一数量的准确性，提高异常行为检验结果的准确率。
实施例四
图4A为本发明实施例四提供的一种异常行为的检测方法的流程示意图。本实施例在上述实施例的基础上，将“控制所述监管区域的摄像头对所述待监管目标进行跟拍，得到待监管目标在所述监管区域的视频流数据”优化为：根据视频流中第N-1张视频帧对应的三维模型在所述监管区域中的第一位置坐标以及第N-2张视频帧对应的三维模型在所述监管区域中的第二位置坐标计算拍摄所述第N-1张视频帧时所述待监管目标的第一位移向量；根据所述第一位移向量以及拍摄所述第N-2张视频帧时所述待监管目标的第二位移向量，采用二次指数平滑预测法预测拍摄当前视频帧时待监管目标的当前位移向量，以得到拍摄当前视频帧时待监管目标在所述监管区域中的预测位置，所述当前视频帧为所述视频流中的第N张视频帧；根据所述预测位置调整所述摄像头的拍摄方向，并采用调整后的拍摄方向拍摄所述视频流数据中的当前视频帧。
相应的，如图4A所示，本实施例提供的异常行为的检测方法包括：
S410、在监测到监管区域存在待监管目标时，根据视频流中第N-1张视频帧对应的三维模型在所述监管区域中的第一位置坐标以及第N-2张视频帧对应的三维模型在所述监管区域中的第二位置坐标计算拍摄所述第N-1张视频帧时所述待监管目标的第一位移向量。
本实施例中，拍摄第N-1张视频帧时待监管目标的第一位移向量可以理解为由拍摄第N-2张视频帧至拍摄第N-1张视频帧的一个视频帧拍摄周期内待监管目标的位移向量，其可以采用公式DN-1＝PN-1-PN-2计算获得，其中，DN-1为第一位移向量；PN-1为视频流中第N-1张视频帧对应的三维模型在监管区域中的第一位置坐标；PN-2为视频流中第N-2张视频帧对应的三维模型在监管区域中的第二位置坐标。
S420、根据所述第一位移向量以及拍摄所述第N-2张视频帧时所述待监管目标的第二位移向量，采用二次指数平滑预测法预测拍摄当前视频帧时待监管目标的当前位移向量，以得到拍摄当前视频帧时待监管目标在所述监管区域中的预测位置，所述当前视频帧为所述视频流中的第N张视频帧。
本实施例中，拍摄当前视频帧时待监管目标在监管区域中的预测位置
Figure GDA0002585878900000161
可以基于公式
Figure GDA0002585878900000162
计算获得。其中，PN-1为视频流中第N-1张视频帧对应的三维模型在监管区域中的第一位置坐标；
Figure GDA0002585878900000163
为预测得到的拍摄当前视频帧时待监管目标的当前位移向量，其可以采用下述公式计算获得：
Figure GDA0002585878900000171
其中，α为权重参数，可以根据经验确定，D′N-2可以通过第二位移向量DN-2对时间t的求导获得，D″N-2可以通过D′N-2对时间t求导获得。
S430、根据所述预测位置调整所述摄像头的拍摄方向，并采用调整后的拍摄方向拍摄所述视频流数据中的当前视频帧。
示例性的，可以根据摄像头的安装位置，将摄像头的拍摄方向调整为沿由该安装位置至该预测位置的方向，以尽可能实现待监管目标位于摄像头调整后的拍摄方向对应的拍摄范围的中心区域，提高当前视频帧中待监管目标图像的清晰度。
此外，当待监管目标被其他物体遮挡导致当前视频帧中不存在待监管目标的目标图像时，可以采用该预测位置以及上一张视频帧对应的三维模型在监管区域中的位置坐标计算拍摄当前视频帧时待监管目标的位移向量，并基于该位移向量以及拍摄上一张视频帧时待监管目标的位移向量预测拍摄下一张视频帧时待监管目标的位置并基于该位置调整摄像头的拍摄方向，从而能够有效地解决待监管目标被遮挡的问题，避免出现待监管目标跟拍丢失的情况。
利用特殊场景对基于跟拍得到的视频流数据得到的待监管目标的运动路线的精度进行测试。场景中铺有多个60cm×60cm的瓷砖，以瓷砖的一边为x方向、与该边垂直的另一边为y方向建立坐标系，摄像头位于原点位置。令待监管目标沿着与y轴平行的瓷砖边沿运动，此时待监管目标x轴坐标值为定值，可测得运行路线在x方向上的误差，如图4B所示。同理，令待监管目标沿着与x轴平行的瓷砖边沿运动，此时待监管目标y轴坐标值为定值，可测到运动路线在y方向上的误差，如图4C所示。由图4B和图4C可知，根据视频流数据预测得到的运行路线在各方向上的波动均较小(x方向平均误差在12cm左右，y方向误差在20cm左右)，能够较好地拟合真实路线。而y方向的误差大于x方向的误差主要是由于当待监管目标沿着与x轴平行的直线运动时。摄像机捕捉到的为待监管目标的侧影，此时通过视频数据所构建的三维模型实际位于待监管目标的一侧，而当目标沿着与y轴平行的直线运行时，摄像机捕捉到的是待监管目标的背影，此时通过视频数据所构建的三维模型的位置较准确。
表2给出了采用上述方法对待监管目标模型进行跟拍与采用传统的FragTrack算法和TLD算法对待监管目标进行跟拍时的误差。由表2可以看出，采用传统的FragTrack算法和TLD算法进行跟拍时的误差均比较大，同时标准差也比较大，跟拍效果不稳定，本实施所提供的跟拍方法具有较好的跟拍效果和稳定性。其中，误差可以为所拍摄的待监管目标的图像的中心与视频帧中心的误差。
表2
Figure GDA0002585878900000181
S440、根据所述视频流数据的当前视频帧构建所述待监管目标在所述监管区域的当前三维模型。
S450、根据所述当前三维模型在所述监管区域中的当前位置坐标确定所述当前视频帧对应的当前子区域，其中，所述当前子区域为拍摄所述视频帧时所述待监管目标所位于的子区域。
S460、根据所述当前子区域以及所述视频流数据中的各历史视频帧对应的历史子区域确定所述监管区域中的第一子区域的第一数量，其中，所述监管区域由多个子区域构成，所述第一子区域为所述待监管目标存在有效停留的子区域，所述有效停留的持续停留时长大于或等于预设时长。
S470、如果所述第一数量大于或等于第一数量阈值，则确定所述待监管目标存在异常行为。
本发明实施例四提供的异常行为的检测方法，根据各视频帧构建待监管目标的三维模型，根据历史视频帧对应的待监管目标的三维模型在当前监管区域的位置坐标预测拍摄当前视频帧时待监管目标的位置，根据该位置调整摄像头的拍摄方向，并采用调整后的拍摄方向拍摄当前视频帧，根据拍摄得到的各视频帧确定第一数量并根据第一数量判定待监管目标是否存在异常行为。本实施例通过采用上述技术方案，根据待监管目标的展示运动路线预测待监管目标的位置并根据该位置调整摄像头的拍摄方向，能够提高待监管目标的跟拍效果，降低跟拍丢失情况的出现概率，提高异常行为检测结果的准确性，减少误检、漏检情况的发生。
实施例五
本发明实施例五提供一种异常行为的检测装置。该装置可以由软件和/或硬件实现，一般可集成在具有异常行为检测功能的设备中，可通过执行异常行为的检测方法检测待监控目标是否存在异常行为。图5为本发明实施例五提供的一种异常行为的检测装置的结构框图，如图5所示，本实施例提供的异常行为的检测装置包括：
视频流获取模块501，用于获取待监管目标所处监管区域的视频流数据；
第一数量确定模块502，用于根据所述视频流数据确定所述监管区域中的第一子区域的第一数量，其中，所述监管区域由多个子区域构成，所述第一子区域为所述待监管目标存在有效停留的子区域，所述有效停留的持续停留时长大于或等于预设时长；
第一检测模块503，用于在所述第一数量大于或等于第一数量阈值时，确定所述待监管目标存在异常行为。
本发明实施例五提供的异常行为的检测装置，通过视频流获取模块获取待监管目标所处待监管区域的视频流数据，通过第一数量确定模块根据该视频流数据确定待监管区域中待监管目标存在持续停留时长大于或等于预设时长的有效停留的子区域的数量，并通过第一检测模块在该数量大于或等于第一数量阈值时，确定待监管目标存在异常行为。本实施例通过采用上述技术方案，将监管区域划分为多个子区域，根据待监管目标存在有效停留的子区域的数量确定待监管目标是否存在异常行为，能够提高异常行为检测结果的准确性，降低异常行为检测出现误报、漏报情况的概率，提高监管区域中其他人员的人身与财产的安全性。
进一步地，所述异常行为的检测装置还可以包括：第二数量确定模块，用于在所述第一子区域的数量小于第一数量阈值时，确定所述监管区域中的第二子区域的第二数量，其中，所述第二子区域为待监管目标存在至少两次有效停留的子区域；第二检测模块，用于在所述第二数量大于或等于第二数量阈值时，确定所述待监管目标存在异常行为。
在上述方案中，所述第一数量确定模块502可以包括：模型构建单元，用于根据所述视频流数据的当前视频帧构建所述待监管目标在所述监管区域的当前三维模型；子区域确定单元，用于根据所述当前三维模型在所述监管区域中的当前位置坐标确定所述当前视频帧对应的当前子区域，其中，所述当前子区域为拍摄所述视频帧时所述待监管目标所位于的子区域；第一数量确定单元，用于根据所述当前子区域以及所述视频流数据中的各历史视频帧对应的历史子区域确定所述监管区域中的第一子区域的第一数量。
在上述方案中，所述视频流获取模块501可用于：在监测到监管区域存在待监管目标时，控制所述监管区域的摄像头对所述待监管目标进行跟拍，得到待监管目标在所述监管区域的视频流数据。
在上述方案中，所述视频流获取模块501可以包括：向量计算单元，用于在监测到监管区域存在待监管目标时，根据视频流中第N-1张视频帧对应的三维模型在所述监管区域中的第一位置坐标以及第N-2张视频帧对应的三维模型在所述监管区域中的第二位置坐标计算拍摄所述第N-1张视频帧时所述待监管目标的第一位移向量；位置预测单元，用于根据所述第一位移向量以及拍摄所述第N-2张视频帧时所述待监管目标的第二位移向量，采用二次指数平滑预测法预测拍摄当前视频帧时待监管目标的当前位移向量，以得到拍摄当前视频帧时待监管目标在所述监管区域中的预测位置，所述当前视频帧为所述视频流中的第N张视频帧；视频拍摄单元，用于根据所述预测位置调整所述摄像头的拍摄方向，并采用调整后的拍摄方向拍摄所述视频流数据中的当前视频帧。
在上述方案中，所述模型构建单元可以包括：第一基线确定子单元，用于确定所述待监管目标在所述视频流数据的当前视频帧中的目标图像的第一基准线，并将所述第一基准线上位于所述目标图像中且距离最远的两点确定为所述第一基准线的两端点，其中，所述第一基准线垂直于所述当前视频帧的底边且将所述目标图像的像素按照数量均分为两部分；第二基线确定子单元，用于根据摄像机的成像原理计算所述两端点在所述监管区域中对应的目标点的三维坐标，以得到连接所述目标点的第二基准线；模型构建子单元，用于根据所述第二基准线构建以所述第二基准线为中心线且高度与所述第二基准线的长度相同的柱体结构，以得到所述待监管目标在所述监管区域的当前三维模型。
在上述方案中，所述模型构建子单元可用于：以所述第二基准线为中心线、以所第二基准线按照设定比例缩短得到的长度为所述底边长度构建底面顶角为设定角度且高度与所述第一基准线的长度相同的菱柱体，以得到所述待监管目标在所述监管区域的当前三维模型。
本发明实施例五提供的异常行为的检测装置可执行本发明任意实施例提供的异常行为的检测方法，具备执行异常行为的检测方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的异常行为的检测方法。
实施例六
图6为本发明实施例六提供的一种设备的结构示意图，如图6所示，该设备包括处理器60和存储器61，还可以包括输入装置62和输出装置63；设备中处理器60的数量可以是一个或多个，图6中以一个处理器60为例；设备中的处理器60、存储器61、输入装置62和输出装置63可以通过总线或其他方式连接，图6中以通过总线连接为例。
存储器61作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的异常行为的检测方法对应的程序指令/模块(例如，异常行为的检测装置中的视频流获取模块501、第一数量确定模块502和第一检测模块503)。处理器60通过运行存储在存储器61中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的异常行为的检测方法。
存储器61可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器61可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器61可进一步包括相对于处理器60远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置62可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置63可包括显示屏等显示设备。
本发明实施例六还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种异常行为的检测方法，该方法包括：
获取待监管目标所处监管区域的视频流数据；
根据所述视频流数据确定所述监管区域中的第一子区域的第一数量，其中，所述监管区域由多个子区域构成，所述第一子区域为所述待监管目标存在有效停留的子区域，所述有效停留的持续停留时长大于或等于预设时长；
如果所述第一数量大于或等于第一数量阈值，则确定所述待监管目标存在异常行为。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的异常行为的检测方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是，上述异常行为的检测装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (9)

1.一种异常行为的检测方法，其特征在于，包括：
获取待监管目标所处监管区域的视频流数据；
根据所述视频流数据确定所述监管区域中的第一子区域的第一数量，其中，所述监管区域由多个子区域构成，所述第一子区域为所述待监管目标存在有效停留的子区域，所述有效停留的持续停留时长大于或等于预设时长；
如果所述第一数量大于或等于第一数量阈值，则确定所述待监管目标存在异常行为；
如果所述第一子区域的数量小于第一数量阈值，则确定所述监管区域中的第二子区域的第二数量，其中，所述第二子区域为待监管目标存在至少两次有效停留的子区域；
如果所述第二数量大于或等于第二数量阈值，则确定所述待监管目标存在异常行为。
2.根据权利要求1所述的方法，其特征在于，所述根据所述视频流数据确定所述监管区域中的第一子区域的第一数量，包括：
根据所述视频流数据的当前视频帧构建所述待监管目标在所述监管区域的当前三维模型；
根据所述当前三维模型在所述监管区域中的当前位置坐标确定所述当前视频帧对应的当前子区域，其中，所述当前子区域为拍摄所述视频帧时所述待监管目标所位于的子区域；
根据所述当前子区域以及所述视频流数据中的各历史视频帧对应的历史子区域确定所述监管区域中的第一子区域的第一数量。
3.根据权利要求2所述的方法，其特征在于，所述获取待监管目标所处监管区域的视频流数据，包括：
在监测到监管区域存在待监管目标时，控制所述监管区域的摄像头对所述待监管目标进行跟拍，得到待监管目标在所述监管区域的视频流数据。
4.根据权利要求3所述的方法，其特征在于，所述控制所述监管区域的摄像头对所述待监管目标进行跟拍，得到待监管目标在所述监管区域的视频流数据，包括：
根据视频流中第N-1张视频帧对应的三维模型在所述监管区域中的第一位置坐标以及第N-2张视频帧对应的三维模型在所述监管区域中的第二位置坐标计算拍摄所述第N-1张视频帧时所述待监管目标的第一位移向量；
根据所述第一位移向量以及拍摄所述第N-2张视频帧时所述待监管目标的第二位移向量，采用二次指数平滑预测法预测拍摄当前视频帧时待监管目标的当前位移向量，以得到拍摄当前视频帧时待监管目标在所述监管区域中的预测位置，所述当前视频帧为所述视频流中的第N张视频帧；
根据所述预测位置调整所述摄像头的拍摄方向，并采用调整后的拍摄方向拍摄所述视频流数据中的当前视频帧。
5.根据权利要求2所述的方法，其特征在于，所述根据所述视频流数据的当前视频帧构建所述待监管目标在所述监管区域的当前三维模型，包括：
确定所述待监管目标在所述视频流数据的当前视频帧中的目标图像的第一基准线，并将所述第一基准线上位于所述目标图像中且距离最远的两点确定为所述第一基准线的两端点，其中，所述第一基准线垂直于所述当前视频帧的底边且将所述目标图像的像素按照数量均分为两部分；
根据摄像机的成像原理计算所述两端点在所述监管区域中对应的目标点的三维坐标，以得到连接所述目标点的第二基准线；
根据所述第二基准线构建以所述第二基准线为中心线且高度与所述第二基准线的长度相同的柱体结构，以得到所述待监管目标在所述监管区域的当前三维模型。
6.根据权利要求5所述的方法，所述根据所述第二基准线构建以所述第二基准线为中心线且高度与所述第二基准线的长度相同的柱体结构，包括：
以所述第二基准线为中心线、以所述第二基准线按照设定比例缩短得到的长度为柱体结构的底面边长构建底面顶角为设定角度且高度与所述第二基准线的长度相同的菱柱体。
7.一种异常行为的检测装置，其特征在于，包括：
视频流获取模块，用于获取待监管目标所处监管区域的视频流数据；
第一数量确定模块，用于根据所述视频流数据确定所述监管区域中的第一子区域的第一数量，其中，所述监管区域由多个子区域构成，所述第一子区域为所述待监管目标存在有效停留的子区域，所述有效停留的持续停留时长大于或等于预设时长；
第一检测模块，用于在所述第一数量大于或等于第一数量阈值时，确定所述待监管目标存在异常行为；
第二数量确定模块，用于在所述第一子区域的数量小于第一数量阈值时，确定所述监管区域中的第二子区域的第二数量，其中，所述第二子区域为待监管目标存在至少两次有效停留的子区域；
第二检测模块，用于在所述第二数量大于或等于第二数量阈值时，确定所述待监管目标存在异常行为。
8.一种异常行为的检测设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的异常行为的检测方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一所述的异常行为的检测方法。
CN201811558108.7A 2018-12-19 2018-12-19 异常行为的检测方法、装置、设备和存储介质 Active CN109614948B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811558108.7A CN109614948B (zh) 2018-12-19 2018-12-19 异常行为的检测方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811558108.7A CN109614948B (zh) 2018-12-19 2018-12-19 异常行为的检测方法、装置、设备和存储介质

Publications (2)

Publication Number Publication Date
CN109614948A CN109614948A (zh) 2019-04-12
CN109614948B true CN109614948B (zh) 2020-11-03

Family

ID=66010010

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811558108.7A Active CN109614948B (zh) 2018-12-19 2018-12-19 异常行为的检测方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN109614948B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111126153B (zh) * 2019-11-25 2023-07-21 北京锐安科技有限公司 基于深度学习的安全监测方法、系统、服务器及存储介质
CN111126252B (zh) * 2019-12-20 2023-08-18 浙江大华技术股份有限公司 摆摊行为检测方法以及相关装置
CN113065378B (zh) * 2019-12-27 2024-08-02 顺丰科技有限公司 物品违规抛扔检测方法、装置、服务器及存储介质
CN115115997A (zh) * 2021-03-19 2022-09-27 杭州海康威视系统技术有限公司 一种异常对象的确定方法、装置及存储介质
CN113112528A (zh) * 2021-04-26 2021-07-13 中南财经政法大学 异常行为监控方法、装置、设备及存储介质
CN113421241B (zh) * 2021-06-23 2023-08-18 平安国际智慧城市科技股份有限公司 异常事件上报方法、装置、计算机设备及存储介质
CN117171693B (zh) * 2023-10-30 2024-01-26 山东交通学院 一种木工打磨过程中的切割异常检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104732756A (zh) * 2013-12-24 2015-06-24 中兴通讯股份有限公司 一种利用移动通信数据挖掘进行公交规划的方法
CN105225394A (zh) * 2015-11-10 2016-01-06 苏州海而仕信息科技有限公司 一种基于人脸识别的智能楼宇监控方法
CN105678247A (zh) * 2015-12-30 2016-06-15 武汉大学 徘徊事件时空大数据分析的异常行为预警方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2490170A1 (en) * 2009-10-14 2012-08-22 Ntt Docomo, Inc. Positional information analysis device and positional information analysis method
RU2504014C1 (ru) * 2012-06-13 2014-01-10 Общество с ограниченной ответственностью "ДиСиКон" (ООО "ДСК") Способ управления системой мониторинга и система для его реализации
CN103971082A (zh) * 2013-01-31 2014-08-06 威联通科技股份有限公司 基于区域转换的视频对象检测系统及相关方法
CN106997629B (zh) * 2017-02-17 2019-06-11 北京格灵深瞳信息技术有限公司 门禁控制方法、装置及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104732756A (zh) * 2013-12-24 2015-06-24 中兴通讯股份有限公司 一种利用移动通信数据挖掘进行公交规划的方法
CN105225394A (zh) * 2015-11-10 2016-01-06 苏州海而仕信息科技有限公司 一种基于人脸识别的智能楼宇监控方法
CN105678247A (zh) * 2015-12-30 2016-06-15 武汉大学 徘徊事件时空大数据分析的异常行为预警方法及系统

Also Published As

Publication number Publication date
CN109614948A (zh) 2019-04-12

Similar Documents

Publication Publication Date Title
CN109614948B (zh) 异常行为的检测方法、装置、设备和存储介质
CN111462200B (zh) 一种跨视频行人定位追踪方法、系统及设备
US10930151B2 (en) Roadside parking management method, device, and system based on multiple cameras
CN109344690B (zh) 一种基于深度相机的人数统计方法
CN108985162A (zh) 目标实时跟踪方法、装置、计算机设备及存储介质
CN103049787B (zh) 一种基于头肩特征的人数统计方法和系统
US10186043B2 (en) Method and apparatus for detecting movement direction of target object
CN105139425B (zh) 一种人数统计方法及装置
CN105374050B (zh) 运动目标跟踪恢复方法及装置
CN102708571B (zh) 视频中剧烈运动的检测方法及其装置
CN109145696B (zh) 一种基于深度学习的老人跌倒检测方法及系统
CN112798811B (zh) 速度测量方法、装置和设备
CN104954747B (zh) 视频监视方法和装置
CN108234927A (zh) 视频追踪方法和系统
CN110874583A (zh) 一种客流统计的方法、装置、存储介质及电子设备
CN105740792B (zh) 目标检测方法和装置
CN111627049B (zh) 高空抛物的确定方法、装置、存储介质及处理器
CN104966062A (zh) 视频监视方法和装置
CN112633096B (zh) 客流的监测方法、装置、电子设备及存储介质
CN109636828A (zh) 基于视频图像的物体跟踪方法及装置
CN114998317B (zh) 镜头遮挡检测方法、装置、摄像装置和存储介质
CN109685062A (zh) 一种目标检测方法、装置、设备及存储介质
CN109977796A (zh) 尾随通行检测方法及装置
CN113256683B (zh) 目标跟踪方法及相关设备
CN116912517B (zh) 相机视野边界的检测方法及装置

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