CN109831648A - 防盗远程监控方法、装置、设备及存储介质 - Google Patents

Abstract

本发明涉及远程监控的技术领域，尤其是涉及一种防盗远程监控方法、装置、设备及存储介质，防盗远程监控方法包括以下步骤：S10：获取网点视频监控录像；S20：采用视频检测模型对所述视频监控录像进行检测，得到检测结果；S30：若所述检测结果为可疑信息，则生成对应的预警消息；S40：将所述预警消息发送至所述网点中的监控终端。本发明具有提升对金融网点监控力度的效果。

Description

防盗远程监控方法、装置、设备及存储介质

技术领域

本发明涉及远程监控的技术领域，尤其是涉及一种防盗远程监控方法、装置、设备及存储介质。

背景技术

随着人们生活水平的逐步提升，人们的消费水平也相应提高，消费模式也随之改变。人们的消费方式由纸币消费逐渐转变到线上支付，例如支付宝支付、微信支付等。因此人们与银行之间的交往越来越多。

由于现有的消费方式多为网络线上消费，因此随之而来的网络诈骗也越来越多样化，需要对银行的网点进行监控，因此，对银行等金融网点进行监控越来越重要。

发明内容

本发明的目的是提供一种提升对金融网点监控力度的防盗远程监控方法、装置、设备及存储介质。

本发明的上述发明目的一是通过以下技术方案得以实现的：

一种防盗远程监控方法，所述防盗远程监控方法包括以下步骤：

S10：获取网点视频监控录像；

S20：采用视频检测模型对所述视频监控录像进行检测，得到检测结果；

S30：若所述检测结果为可疑信息，则生成对应的预警消息；

S40：将所述预警消息发送至所述网点中的监控终端。

通过采用上述技术方案，通过在网点布置监控设备，并实时通过该监控设备获取该网点的视频监控录像，能够保证对网点的实时监控；将监控到的录像，通过视频检测模型进行检测，能够通过计算机对视屏监控录像中的内容进行分析检测，能够节省人工对监控视频进行监控，同时也能保证监控的准确度提升，有助于提升监控的效率；若监控到可疑信息，将生成的预警消息发送到现场的安保人员中的监控终端，能够及时告知网点现场的安保人员，使安保人员能够及时采取相应的措施，进而提升了金融网点的监控力度。

本发明进一步设置为：在所述步骤S20之前，所述防盗远程监控方法还包括：

S21：根据历史监控录像，将所述历史盗窃作为样本视频；

S22：逐个从所述样本视频选取连续N帧监控画面，并根据所述样本视频进行分组，得到所述训练图像集，其中N为正整数；

S23：将所述训练图像集输入到卷积神经网络模型CNN中，对该所述训练图像集进行下采样、卷积和池化操作，得到与所有所述训练图像集对应的监控特征向量；

S24：使用LSTM网络对所述训练图像集的所述监控特征向量进行训练，得到对应的所述视频检测模型。

通过采用上述技术方案，预先对历史监控录像进行分帧处理，得到对应的训练图像集，并将该训练图像集采用CNN-LSTM网络中进行训练，能够解决视频中单帧画面进行识别时，不能准确反映视频中监控的情况，提高了对视频中盗窃情况的检测的准确性。

本发明进一步设置为：所述步骤S23包括：

S231：对所述训练图像集进行预处理，得到原始图像数据；

S232：对所述原始图像数据进行卷积，得到与所述原始图像数据对应的监控特征图；

S233：将所述监控特征图通过池化层进行压缩降维，得到所述监控特征向量。

通过采用上述技术方案，对图像进行预处理，能够将训练图像集中的图像进行处理，得到统一尺寸的原始图像数据，便于后续的处理；对原始图像数据进行卷积，得到监控特征图，并对监控特征图进行池化层压缩降维，能够避免训练得到的模型出现过拟合的情况。

本发明进一步设置为：所述步骤S24包括：

S241：根据从所述样本视频选取的连续N帧所述监控画面，设置时间步长；

S242：根据所述时间步长，将与所述样本视频对应的监控特征向量，组成与所述样本视频对应的监控特征值；

S243：将所有所述样本视频对应的所述监控特征值输入到LSTM网络进行训练，得到所述视频检测模型。

通过采用上述技术方案，根据选取的N帧监控画面，设置时间步长，能够对连续的监控画面对应的训练，采用LSTM网络，对监控特征值进行训练 ，能够得出视频检测模型。

本发明进一步设置为：所述步骤S40包括：

S41：获取所述网点的监控终端的数量；

S42：所述预警消息包括所述可疑信息的具体的位置信息，根据所述监控终端的数量，将所述预警消息以及对应的位置信息根据预先预先建立好的通信协议，发送至所述监控终端。

通过采用上述技术方案，预先监理好通信协议，能够及时的将预警消息发送至网点现场安保人员的监控终端，及时的对可疑情况进行处理以及排查。

本发明的上述发明目的二是通过以下技术方案得以实现的：

一种防盗远程监控装置，所述防盗远程监控装置包括：

监控录像获取模块，用于获取网点视频监控录像；

检测模块，用于采用视频检测模型对所述视频监控录像进行检测，得到检测结果；

预警模块，用于若所述检测结果为可疑信息，则生成对应的预警消息；

发送模块，用于将所述预警消息发送至所述网点中的监控终端。

通过采用上述技术方案，通过在网点布置监控设备，并实时通过该监控设备获取该网点的视频监控录像，能够保证对网点的实时监控；将监控到的录像，通过视频检测模型进行检测，能够通过计算机对视屏监控录像中的内容进行分析检测，能够节省人工对监控视频进行监控，同时也能保证监控的准确度提升，有助于提升监控的效率；若监控到可疑信息，将生成的预警消息发送到现场的安保人员中的监控终端，能够及时告知网点现场的安保人员，使安保人员能够及时采取相应的措施，进而提升了金融网点的监控力度。

本发明的上述发明目的三是通过以下技术方案得以实现的：

一种计算机设备，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防盗远程监控方法的步骤。

本发明的上述发明目的四是通过以下技术方案得以实现的：

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防盗远程监控方法的步骤。

综上所述，本发明的有益技术效果为：

1.通过在网点布置监控设备，并实时通过该监控设备获取该网点的视频监控录像，能够保证对网点的实时监控；将监控到的录像，通过视频检测模型进行检测，能够通过计算机对视屏监控录像中的内容进行分析检测，能够节省人工对监控视频进行监控，同时也能保证监控的准确度提升，有助于提升监控的效率；若监控到可疑信息，将生成的预警消息发送到现场的安保人员中的监控终端，能够及时告知网点现场的安保人员，使安保人员能够及时采取相应的措施，进而提升了金融网点的监控力度；

2.预先对历史监控录像进行分帧处理，得到对应的训练图像集，并将该训练图像集采用CNN-LSTM网络中进行训练，能够解决视频中单帧画面进行识别时，不能准确反映视频中监控的情况，提高了对视频中盗窃情况的检测的准确性。

附图说明

图1是本发明一实施例中防盗远程监控方法的一流程图；

图2是本发明一实施例中防盗远程监控方法的另一流程图；

图3是本发明一实施例中防盗远程监控方法中步骤S23的实现流程图；

图4是本发明一实施例中防盗远程监控方法中步骤S24的实现流程图；

图5是本发明一实施例中防盗远程监控方法中步骤S40的实现流程图；

图6是本发明一实施例中防盗远程监控装置的一原理框图；

图7是本发明一实施例中计算机设备的一示意图。

具体实施方式

以下结合附图及实施例，对本发明作进一步详细说明。

实施例一：

在一实施例中，如图1所示，为本发明公开的一种防盗远程监控方法，包括如下步骤：

S10：获取网点视频监控录像。

在本实施例中，网点是指各金融机构，例如银行的线下营业厅等地方。人们通常会携带各种银行卡或现金去往该网点进行业务办理，因此需要对该网点以及该网点附近进行防盗监控。视频监控录像是指在网点中，通过监控设备进行拍摄，获取到的录像。

具体地，通过在金融网点安装布置监控摄像头等监控装置，实时对金融网点内的情况进行监控，并将监控到的视频监控录像发送至监控平台。

S20：采用视频检测模型对视频监控录像进行检测，得到检测结果。

在本实施例中，视频检测模型是指预先训练好，用于识别视频监控录像中是否出现违法犯罪事件的的模型。

具体地，将获取到的视频监控录像，输入至视频检测模型中进行识别检测。通过该视频检测模型，对视频监控录像中的人员的行为进行监控，得到该检测结果。

S30：若检测结果为可疑信息，则生成对应的预警消息。

在本实施例中，可疑信息是指通过该视频监测模型进行检测后，判定视频监控视频中存在盗窃等违法事件的嫌疑对应的信息。

具体地， 若通过该视频检测模型对视频监控录像进行识别后，得到的检测结果为在该网点中的某一位置，可能存在有行窃行为，例如检测到有不法分子将手或者器械伸进他人的口袋或行囊中，则将发生该行为的位置信息生成该预警信息。

S40：将预警消息发送至网点中的监控终端。

在本实施例中，监控终端是指在由网点的安保人员佩戴的，用于接收监控平台或监控中心发送的指令的设备，例如耳麦等设备。

具体地，将该预警消息，通过无线网络等传输方式，发送至网点现场安保人员的监控终端中，是现场的安保人员能够及时对可疑行为进行处理，保证在该网点中的人员的财产安全。

在本实施例中，通过在网点布置监控设备，并实时通过该监控设备获取该网点的视频监控录像，能够保证对网点的实时监控；将监控到的录像，通过视频检测模型进行检测，能够通过计算机对视屏监控录像中的内容进行分析检测，能够节省人工对监控视频进行监控，同时也能保证监控的准确度提升，有助于提升监控的效率；若监控到可疑信息，将生成的预警消息发送到现场的安保人员中的监控终端，能够及时告知网点现场的安保人员，使安保人员能够及时采取相应的措施，进而提升了金融网点的监控力度。

在一实施例中，如图2所示，在步骤S20之前，防盗远程监控方法还包括如下步骤：

S21：根据历史监控录像，将历史盗窃作为样本视频。

历史监控录像是指由用于存储不同盗窃行为的对应的视频。样本视频是指在历史监控录像中提取得到，并用于进行训练的样本的视频，一个样本视频对应一种盗窃行为。可以理解地，本实施例是采用已知的盗窃行为的历史历史监控录像作为样本视频，进而对这些样本视频进行训练，得到一个可以用于检测一段视频中的是否出现盗窃行为的模型。

具体地，根据上述历史盗窃行为，从历史监控录像中获取若干个对应的视频，作为样本视频。需要说明的是，为了达到训练出来的模型的精度，可以获取不同角度的历史到期行为的视频，作为样本视频。

S22：逐个从样本视频选取连续N帧监控画面，并根据样本视频进行分组，得到训练图像集，其中N为正整数。

为了使训练出的模型能够更好地检测出视频中的是否出现盗窃行为，在对样本视频进行训练时，提取样本视频中能够体现盗窃行为连续变化的连续N帧监控画面，作为训练图像。例如，样本视频中的行窃者接近被盗者，并将手或工具拿出来并深入被盗者的口袋或者背囊中的整个过程，连续的N帧监控画面（例如150帧）。

具体地，从样本视频中，按照该样本视频播放的顺序，选取连续的N帧画面的监控画面（例如150帧），将每一帧的监控画面提取出来，作为训练图像。例如，从该样本视频中，提取连续150帧的监控画面。

进一步地，在对每个盗窃行为对应的所有样本视频，都提取连续N帧的监控画面后，根据样本视频，将从同一个样本视频提取连续N帧的监控画面分为一组。在分组结束后，将分组的结果作为训练图像集。

S23：将训练图像集输入到卷积神经网络模型CNN中，对该训练图像集进行下采样、卷积和池化操作，得到与所有训练图像集对应的监控特征向量。

具体地，将训练图像集输入到卷积神经网络CNN（Convolutional NeuralNetwork，CNN）模型中，进而通过CNN模型对训练图像集进行卷积，得到所有该训练图像集对应的监控特征值。

本申请提案所采用的CNN模型主要包括：数据输入层、卷积计算层，池化层（Pooling Layer）。

其中，数据输入层是指将训练图像集进行预处理后得到的数据。

其中，卷积计算层是指在卷积计算时，从训练图像集中产生多通道的信息，然后在每一个通道都分离地进行卷积操作。最后将所有通道的信息组合起来得到最终的监控情绪的特征描述。

其中，池化层夹在连续的卷积计算层中间，用于压缩数据和参数的量，减小过拟合，即如果输入是图像的话，那么池化层的最主要作用就是压缩图像。对输入的特征图进行压缩，一方面使特征图变小，简化网络计算复杂度；一方面进行特征压缩，提取主要特征，池化层的主要方法有最大池化（Max pooling）和平均池化（Average pooling），优选地，本提案使用的是Max pooling。

MAX-pooling指的是对于每一个channel（假设有N个channel），将该channel的feature map的像素值选取其中最大值作为该channel的代表，从而得到一个N维向量表示。

通道（channel）可以理解为视角、角度。例如同样是提取边界特征的卷积核，可以按照R、G、B三种元素的角度提取边界，RGB在边界这个角度上有不同的表达。

S24：使用LSTM网络对训练图像集的监控特征向量进行训练，得到对应的视频检测模型。

其中，视频检测模型是指将训练图像集进行过训练，得到的用于检测是否存在盗窃行为的模型。LSTM网络是指长短期记忆网络（Long Short-Term Memory，简称LSTM网络），是循环神经网络（Recurrent Neural Network，简称RNN网络）的一种实现方式，通过Keras接口与CNN模型连接。LSTM模型具有时间记忆功能，由于本实施例中每一帧监控画面的特征与前后两帧的行为征具有密切联系，因此采用长短时递归神经网络模型对提取到的特征进行训练，以体现数据的长期记忆能力，提高模型的准确率。

在一实施例中，如图3所示，在步骤S23中，即将训练图像集输入到卷积神经网络模型CNN中，对该训练图像集进行下采样、卷积和池化操作，得到与所有训练图像集对应的监控特征向量，具体包括如下步骤：

S231：对训练图像集进行预处理，得到原始图像数据。

预处理过程如下：

a) 把训练图像集的长宽等比例缩放到预设的最小边长为M的尺寸，例如，预设的最小边长M为256，将一个尺寸为[1280，720]缩放到[455，256]尺寸；

b) 训练图像集中心裁剪，取训练图像集最中间的预设的a*b尺寸的区域图片。例如，假设预设的a*b尺寸为224*224，一张[455，256]尺寸图片取[115:339，16:240]区域，可以得到224*224尺寸的监控像素。

c) 去均值和归一化。

具体地，对得到a*b尺寸的训练图像集进行去均值和归一化。

去均值是指把输入数据各个维度都中心化为0。归一化是指将幅度归一化到同样的范围，即监控像素除标准差。

d) 针对每一帧对应的训练图像集执行步骤a)至步骤c)，可以到多个a*b大小的原始图像，作为数据输入层的输入数据，输入到CNN模型。

S232：对原始图像数据进行卷积，得到与原始图像数据对应的监控特征图。

具体地，将原始图像数据输入到卷积计算层，经过卷积计算层的卷积，得到原始图像数据对应的监控特征图。

其中，卷积是通过堆叠多个同一原始图像组成一个立方体，然后在立方体中运用3*3卷积核。在这个结构中，卷积层中每一个feature map都会与上一层中多个邻近的同一原始图像相连，因此捕捉监控信息。例如下图所示，一个卷积map的某一位置的值是通过卷积上一层的三个同一原始图像的同一个位置的局部感受野得到的。

S233：将监控特征图通过池化层进行压缩降维，得到监控特征向量。

具体地，通过池化层进行特征压缩，就是把图像的高、宽维度上的特征压缩到了通道维度上。

通过池化层进行特征压缩具体过程为：

1、将池化层的步长设置为2，池化窗口设置为2*2。

所谓步长/stride，是指的池化窗口从当前位置到下一个位置，“跳过”的中间数据个数。比如从图像数据输入层到第一卷积层的情况下，可能池化窗口初始位置在第1个像素，第二个位置在第5个像素，那么stride=5-1=4。其中，经验证发现，窗口滑动步长设定越小，两次滑动取得的数据，重叠部分越多，窗口停留的次数也会越多，得到的数据会比较丰富，提取到的特征越重要，但是步长设定越小，运算量越大，经多次验证，取步长为2较为合适，所以优选地，本提案采用步长为2。

2、采用最大池化法，对输入池化层的监控特征图进行一次特征压缩，得到池化结果。

具体地，采用步骤1中设置的2*2的池化窗口和步长为2，去遍历输入的监控特征图，然后，按照横向和纵向两条中轴线将该输入的监控特征图切成N个2*2的矩阵，选取每个2*2矩阵中的最大值，作为池化后的结果，该结果为相对于原监控特征图缩小了一倍的特征图像。

3、对池化结果，继续重复步骤2，直到池化结果为1*1维的特征图像，特征压缩结束，得到监控特征图的对应的特征向量。

具体地，对步骤2中已缩小了一倍的特征图像继续通过池化层进行特征压缩，直到将原监控特征图压缩成1*1维的特征图像，得到的池化结果，即该监控特征图的对应的1维特征向量。

在一实施例中，如图4所示，在步骤S24中，即使用LSTM网络对训练图像集的监控特征向量进行训练，得到对应的视频检测模型，具体包括如下步骤：

S241：根据从样本视频选取的连续N帧监控画面，设置时间步长。

具体地，根据该帧数N，设置该样本视频的监控特征值的时间步长，其中，时间步长是指前后两个时间点之间的差值。在LSTM网络的训练中，LSTM网络将整个训练过程离散为iV个细小的过程，而每一步需要的时间就是AT，即时间步长。

S242：根据时间步长，将与样本视频对应的监控特征向量，组成与样本视频对应的监控特征值。

具体地，根据该时间步长，将与样本视频对应监控画面的监控特征向量按照样本视频播放的顺序依次排列，得到与该样本视频对应的监控特征值。

S243：将所有样本视频对应的监控特征值输入到LSTM网络进行训练，得到视频检测模型。

具体地，LSTM网络通过将CNN模型输出的结果，经过步骤S241和步骤S242的操作之后，得到每一个样本视频对应的监控特征值，将每一个样本视频对应的监控特征值，作为该LSTM网络的数据输入进行训练。

由于每一帧监控画面是按照同一个样本视频播放的顺序连续被选取的，而一个样本视频对应一个盗窃行为，因此，可以理解地，每一帧的监控画面的监控特征值之间是存在关联的，或者存在某种规律。LSTM网络可以通过对每一帧监控图像的监控特征值进行串联，找出之间的规律后，得到监控情绪模型。

在一实施例中，如图5所示，在步骤S40中，即将预警消息发送至网点中的监控终端，具体包括如下步骤：

S41：获取网点的监控终端的数量。

具体地，根据现场网点中的安保人员，以及每个安保人员携带的监控终端的数量，得到该网点总的监控终端的数量。

S42：预警消息包括可疑信息的具体的位置信息，根据监控终端的数量，将预警消息以及对应的位置信息根据预先预先建立好的通信协议，发送至监控终端。

具体地，可以预先将该网点划分区域，并为每一区域使用唯一的标识进行标记，若获取到某一区域发生了盗窃的可疑信息，则将该区域的标识根据预先建立好的通信协议，将该预警信息发送至现场安保人与携带的监控终端中。

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。

实施例二：

在一实施例中，提供一种防盗远程监控装置，该防盗远程监控装置与上述实施例中防盗远程监控方法一一对应。如图6所示，该防盗远程监控装置包括监控录像获取模块10、检测模块20、预警模块30和发送模块40。各功能模块详细说明如下：

监控录像获取模块10，用于获取网点视频监控录像；

检测模块20，用于采用视频检测模型对视频监控录像进行检测，得到检测结果；

预警模块30，用于若检测结果为可疑信息，则生成对应的预警消息；

发送模块40，用于将预警消息发送至网点中的监控终端。

优选地，防盗远程监控装置还包括：

样本获取模块21，用于根据历史监控录像，将历史盗窃作为样本视频；

分帧模块22，用于逐个从样本视频选取连续N帧监控画面，并根据样本视频进行分组，得到训练图像集，其中N为正整数；

图像处理模块23，用于将训练图像集输入到卷积神经网络模型CNN中，对该训练图像集进行下采样、卷积和池化操作，得到与所有训练图像集对应的监控特征向量；

深度学习模块24，用于使用LSTM网络对训练图像集的监控特征向量进行训练，得到对应的视频检测模型。

优选地，图像处理模块23包括：

预处理子模块231，用于对训练图像集进行预处理，得到原始图像数据；

卷积子模块232，用于对原始图像数据进行卷积，得到与原始图像数据对应的监控特征图；

池化子模块233，用于将监控特征图通过池化层进行压缩降维，得到监控特征向量。

优选地，深度学习模块24包括：

时间步长设置子模块241，用于根据从样本视频选取的连续N帧监控画面，设置时间步长；

特征值获取子模块242，用于根据时间步长，将与样本视频对应的监控特征向量，组成与样本视频对应的监控特征值；

训练子模块243，用于将所有样本视频对应的监控特征值输入到LSTM网络进行训练，得到视频检测模型。

优选地，发送模块40包括：

数量获取子模块41，用于获取网点的监控终端的数量；

预警发送子模块42，用于预警消息包括可疑信息的具体的位置信息，根据监控终端的数量，将预警消息以及对应的位置信息根据预先预先建立好的通信协议，发送至监控终端。

关于防盗远程监控装置的具体限定可以参见上文中对于防盗远程监控方法的限定，在此不再赘述。上述防盗远程监控装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

实施例三：

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储历史监控录像。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种防盗远程监控方法。

在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：

S10：获取网点视频监控录像；

S20：采用视频检测模型对视频监控录像进行检测，得到检测结果；

S30：若检测结果为可疑信息，则生成对应的预警消息；

S40：将预警消息发送至网点中的监控终端。

实施例四：

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

S10：获取网点视频监控录像；

S20：采用视频检测模型对视频监控录像进行检测，得到检测结果；

S30：若检测结果为可疑信息，则生成对应的预警消息；

S40：将预警消息发送至网点中的监控终端。

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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。

以上所述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，均应包含在本发明的保护范围之内。

Claims (10)

1.一种防盗远程监控方法，其特征在于，所述防盗远程监控方法包括以下步骤：

S10：获取网点视频监控录像；

S20：采用视频检测模型对所述视频监控录像进行检测，得到检测结果；

S30：若所述检测结果为可疑信息，则生成对应的预警消息；

S40：将所述预警消息发送至所述网点中的监控终端。

2.如权利要求1所述的防盗远程监控方法，其特征在于，在所述步骤S20之前，所述防盗远程监控方法还包括：

S21：根据历史监控录像，将所述历史盗窃作为样本视频；

S22：逐个从所述样本视频选取连续N帧监控画面，并根据所述样本视频进行分组，得到所述训练图像集，其中N为正整数；

S23：将所述训练图像集输入到卷积神经网络模型CNN中，对该所述训练图像集进行下采样、卷积和池化操作，得到与所有所述训练图像集对应的监控特征向量；

S24：使用LSTM网络对所述训练图像集的所述监控特征向量进行训练，得到对应的所述视频检测模型。

3.如权利要求2所述的防盗远程监控方法，其特征在于，所述步骤S23包括：

S231：对所述训练图像集进行预处理，得到原始图像数据；

S232：对所述原始图像数据进行卷积，得到与所述原始图像数据对应的监控特征图；

S233：将所述监控特征图通过池化层进行压缩降维，得到所述监控特征向量。

4.如权利要求2所述的防盗远程监控方法，其特征在于，所述步骤S24包括：

S241：根据从所述样本视频选取的连续N帧所述监控画面，设置时间步长；

S242：根据所述时间步长，将与所述样本视频对应的监控特征向量，组成与所述样本视频对应的监控特征值；

S243：将所有所述样本视频对应的所述监控特征值输入到LSTM网络进行训练，得到所述视频检测模型。

5.如权利要求1所述的防盗远程监控方法，其特征在于，所述步骤S40包括：

S41：获取所述网点的监控终端的数量；

S42：所述预警消息包括所述可疑信息的具体的位置信息，根据所述监控终端的数量，将所述预警消息以及对应的位置信息根据预先预先建立好的通信协议，发送至所述监控终端。

6.一种防盗远程监控装置，其特征在于，所述防盗远程监控装置包括：

监控录像获取模块，用于获取网点视频监控录像；

检测模块，用于采用视频检测模型对所述视频监控录像进行检测，得到检测结果；

预警模块，用于若所述检测结果为可疑信息，则生成对应的预警消息；

发送模块，用于将所述预警消息发送至所述网点中的监控终端。

7.如权利要求6所述的防盗远程监控装置，其特征在于，所述防盗远程监控装置还包括：

样本获取模块，用于根据历史监控录像，将所述历史盗窃作为样本视频；

分帧模块，用于逐个从所述样本视频选取连续N帧监控画面，并根据所述样本视频进行分组，得到所述训练图像集，其中N为正整数；

图像处理模块，用于将所述训练图像集输入到卷积神经网络模型CNN中，对该所述训练图像集进行下采样、卷积和池化操作，得到与所有所述训练图像集对应的监控特征向量；

深度学习模块，用于使用LSTM网络对所述训练图像集的所述监控特征向量进行训练，得到对应的所述视频检测模型。

8.如权利要求7所述的防盗远程监控装置，其特征在于，图像处理模块包括：

预处理子模块，用于对所述训练图像集进行预处理，得到原始图像数据；

卷积子模块，用于对所述原始图像数据进行卷积，得到与所述原始图像数据对应的监控特征图；

池化子模块，用于将所述监控特征图通过池化层进行压缩降维，得到所述监控特征向量。

9.一种计算机设备，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5任一项所述防盗远程监控方法的步骤。

10.一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5任一项所述防盗远程监控方法的步骤。