CN109858365A - 一种特殊人群聚集行为分析方法、装置及电子设备 - Google Patents

Abstract

本发明公布了一种特殊人群聚集行为分析方法、装置及电子设备，所述方法包括：摄像机对同一区域内多个人进行人脸抓拍，将人脸图像与后台信息对比，识别每个人脸图像所对应的身份信息及身份标签；将抓拍时间戳、抓拍地点、身份信息以身份标签相结合，形成每个人脸图像时空信息的数据记录，并形成个人数据集D_i；将数据集D_i组成数据集集合K，从数据集集合K中提取具有逗留特征的个人数据集P_y；将多个人的个人数据集P_y组成数据集集合M，对数据集集合M基于时间、空间、身份标签进行聚类分析；判断聚类是否满足聚集特征，若满足则生成预警信息。此方法可快速判断聚集人群可能带来潜在的公共安全隐患，可提前做好安防工作，解决安防效率低的问题。

Description

一种特殊人群聚集行为分析方法、装置及电子设备

技术领域

本发明涉及安全管理技术领域，更具体的说涉及一种特殊人群聚集行为分析方法、装置及电子设备。

背景技术

随着人们生活水平的提高以及精神文化需求的发展，规模大而高度密集的人群随处可见。不仅如此，通常在一些安静的小区内或者无人的街巷，在这些空间有限的场所，却常常出现人群聚集的景象，其背后隐藏着巨大的安全隐患，人群异常状态发生频率更是在迅速增加，给人们的生命财产安全带来了严重的损害，同时也提高人群的犯罪率。

近年来，全程数字化、网络化的视频监控系统优势愈发明显，其高度的开发为整个安防产业的发展提供了更加广阔的发展空间，而智能视频监控则是网络化视频监控领域最前沿的应用模式之一。目前，监测系统大多是单一视频传感器，传统视频监控系统主要的预警是由人员通过看监控显示大屏实现，需要大量的人力投入，同时对人员的责任心，专注度要求很高，事后取证的效率较低，进一步导致安防效率低等问题。

发明内容

本发明的目的是为了解决上述现有技术存在的安防效率低问题，提供一种特殊人群聚集行为分析方法、装置及电子设备。

第一方面，本发明所述例提供了一种特殊人群聚集行为分析方法，所述方法包括步骤：

通过摄像机对同一区域内出现的多个人进行人脸抓拍，并将抓拍到的每个人脸图像分别与后台信息进行对比，进一步识别每个人脸图像所对应的身份信息及身份标签；

将每个人脸图像对应的抓拍时间戳、抓拍地点、身份信息以及身份标签相结合，进而形成基于每个人脸图像时空信息的数据记录，并由多条所述数据记录形成个人数据集D_i，其中，i值表征不同的人，所述数据记录包括身份信息、身份标签、抓拍时间戳以及抓拍地点；

将多个人的个人数据集D_i组成数据集集合K，从所述数据集集合K中提取具有逗留特征的个人数据集P_y，其中，y值表征具有特殊身份标签的不同的人；

将多个人的所述具有逗留特征的个人数据集P_y组成数据集集合M，对所述数据集集合M基于时间、空间、身份标签进行聚类分析；

判断所述聚类是否满足聚集特征，若满足则生成预警信息。

可选的，预设时间门限值t；所述具有逗留特征的个人数据集P_y包括：

在所述时间门限值t内，所述个人数据集D_i中的每条数据记录中的抓拍地点没有更新且身份标签为特殊身份标签的个人数据集D_i。

可选的，预设初始时刻t₀、移动距离阈值s；所述具有逗留特征的个人数据集P_y还包括：

在所述时间门限值t内，所述个人数据集D_i中的每条数据记录中的抓拍地点有更新、身份标签为特殊身份标签、且初始时刻t₀的数据记录中的抓拍地点与时间门限t内最后一条数据记录中的抓拍地点之间的距离小于移动距离阈值s的个人数据集D_i。

可选的，预设时间阈值A以及空间阈值B；所述对所述数据集集合M基于时间、空间、身份标签进行聚类分析的步骤包括：

提取所有的个人数据集P_y中的最后一条数据记录，并形成数据集V；

从所述数据集V中选择同时满足逗留时间大于时间阈值A、移动距离小于空间阈值B、以及身份标签相同的个人数据记录并组成聚类数据集G_x，其中，x表示不同的聚类。

可选的，预设数量阈值Y；所述判断所述聚类是否满足聚集特征，若满足则生成预警信息的步骤包括：

判断所述聚类数据集G_x的数量是否大于所述数量阈值Y，若满足，则生成预警信息，其中，所述预警信息包括：聚集行为发生的时间、地点以及人员信息。

可选的，所述判断所述聚类数据集G_x的数量是否大于所述数量阈值Y，若满足，则生成预警信息之后，所述方法还包括：

将所述预警信息发送至用户。

第二方面，本发明实施例提供了一种特殊人群聚集行为分析装置，所述装置包括：

识别模块，用于通过摄像机对同一区域内出现的多个人进行人脸抓拍，并将抓拍到的每个人脸图像分别与后台进行对比，进一步识别每个人脸图像所对应的身份信息及身份标签；

生成模块，用于将每个人脸图像对应的抓拍时间戳、抓拍地点以及身份信息相结合，进而形成基于每个人脸图像时空信息的数据记录，并由多条所述数据记录形成个人数据集D_i，其中，i值表征不同的人，所述数据记录包括身份信息、身份标签、抓拍时间戳以及抓拍地点；

提取模块，用于将多个人的个人数据集D_i组成数据集集合K，从所述数据集集合K中提取具有逗留特征的个人数据集P_y，其中，y值表征具有特殊身份标签的不同的人；

分析模块，用于将多个人的所述具有逗留特征的个人数据集P_y组成数据集集合M，对所述数据集集合M基于时间、空间、身份标签进行聚类分析；

判断模块，用于判断所述聚类是否满足聚集特征，若满足则生成预警信息。

第三方面，本发明实施例提供了一种电子设备，包括存储器、处理器及存储在所述存储器上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本发明实施例提供的一种特殊人群聚集行为分析方法中的步骤。

第四方面，本发明实施例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上存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例提供的一种特殊人群聚集行为分析方法中的步骤。

在本发明实施例中，通过摄像机对同一区域内出现的多个人进行人脸抓拍，并将抓拍到的每个人脸图像分别与后台信息进行对比，进一步识别每个人脸图像所对应的身份信息及身份标签；将每个人脸图像对应的抓拍时间戳、抓拍地点以及身份信息相结合，进而形成基于每个人脸图像时空信息的数据记录，并由多条所述数据记录形成个人数据集D_i，其中，i值表征不同的人，所述数据记录包括身份信息、身份标签、抓拍时间戳以及抓拍地点；将多个人的个人数据集D_i组成数据集集合K，从所述数据集集合K中提取具有逗留特征的个人数据集P_y，其中，y值表征具有特殊身份标签的不同的人；将多个人的所述具有逗留特征的个人数据集P_y组成数据集集合M，对所述数据集集合M基于时间、空间、身份标签进行聚类分析；判断所述聚类是否满足聚集特征，若满足则生成预警信息。此方法结合聚集人群的身份标签、人群聚集地点、以及聚集时间可快速判断聚集人群可能带来潜在的公共安全隐患，可提前做好安防工作，进而解决安防效率低的问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，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的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种特殊人群聚集行为分析方法的应用场景图；

图2是本发明实施例提供的一种特殊人群聚集行为分析方法的流程图，

图3是本发明实施例提供的另一种特殊人群聚集行为分析方法的流程图，

图4是本发明实施例提供的一种特殊人群聚集行为分析装置的结构图；

图5是本发明实施例提供的另一种特殊人群聚集行为分析装置的结构图；

图6本发明实施例提供的电子设备结构图。

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作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。

为更清楚的描述本方案的发明意图，先对本方案的场景进行设置。如图1所示，提供了一种特殊人群聚集行为分析方法应用场景图，其包括：摄像机1、行为分析装置2以及信息接收用户3。其中，所述摄像机1用于对聚集人群进行人脸抓拍以及实时监控；所述行为分析装置2用于分析所述聚集人群的聚集特征生成预警信息并向外发送；所述信息接收用户3可接收行为分析装置2发送的预警信息，进一步使得相关人员发现潜在的公共安全隐患。其中，上述摄像机可以称为摄像头，图像采集设备等。上述信息接收用户可以是使用本方法的用户，该用户通过设置监管室来进行管理，比如某小区的监管室等。

请参见图2，图2是本发明实施例提供的一种特殊人群聚集行为分析方法的流程图，如图2所示，该方法包括以下步骤：

S100、通过摄像机对同一区域内出现的多个人进行人脸抓拍，并将抓拍到的每个人脸图像分别与后台信息进行对比，进一步识别每个人脸图像所对应的身份信息及身份标签。

上述通过摄像机对同一区域内出现的多个人进行人脸抓拍可以是通过摄像机对同一区域内出现的多个人脸同时进行拍摄；也可以是通过摄像机对同一区域内出现的多个人脸依次拍摄；其中，所述多个人可理解为至少3人以上。上述身份信息包括年龄、性别、身高以及出生地等。上述身份标签包括：特殊身份标签、以及普通身份标签，其中，特殊身份标签可以包括：吸毒前科人员、盗窃前科人员、社会闲散人员等，普通身份标签可以是普通人员；上述后台信息可以包括存在在后台数据库中多个人的人脸图像信息、与每个人脸图像信息对应绑定的身份信息以及身份标签信息等。上述后台数据库可以是信息数据库，比如，公安机关中的档案数据库，用于存储具有特殊标签的人的人员信息、以及普通人的人员信息。上述信息数据库中预先存储有多个人的人脸图像信息、身份信息以及标签信息。上述摄像机的个数可以是一个或多个，其中，每个摄像头的安装位置可根据需要进行设置，比如，在某小区使用该方法，那么上述摄像机可以是安装在小区的各个入口和/或出口，或者预设一个距离跨度，两摄像机可以间隔一个距离跨度进行安装，使得监控更加准确。

具体的，通过每台摄像机对出现在同一区域且在监控范围内的人员进行人脸抓拍，并通过人脸识别技术对抓拍到的人员的每个人脸进行识别，得到对应的人员的人脸图像信息，然后将该人员的人脸图像信息与信息数据库中的预存人脸图像信息进行一一对比，进而得到与该人员的人脸图像信息匹配的人脸图像信息，那么就可以从信息数据库中得到与该人员的人脸图像信息对应的身份信息以及身份标签。若摄像机同时抓拍到多个人员的人脸图像信息，那么也就可以分别将多个人员的人脸图像信息与信息数据库中的多个预存人脸图像信息进行一一对比进而得到多个人的身份信息以及身份标签。或者摄像机依次抓拍到多个人的人脸图像信息，也可以依次从信息数据库中得到一一对应的身份信息以及身份标签。

S101、将每个人脸图像对应的抓拍时间戳、抓拍地点、身份信息以及身份标签相结合，进而形成基于每个人脸图像时空信息的数据记录，并由多条所述数据记录形成个人数据集D_i，其中，i值表征不同的人，所述数据记录包括身份信息、身份标签、抓拍时间戳以及抓拍地点。

其中，多条所述数据记录形成个人数据集D_i为同一个人在时间序列上每次被摄像机抓拍得到的数据记录的总和，比如被某个人被抓拍5次，那么就得到5条数据记录，这5条数据记录就组成某个人的个人数据集D_i。每个人的个人数据集D_i至少包括有一条或多条所述数据记录，且在每条所述数据记录中均存在有对应的抓拍时间戳、抓拍地点以及某人的身份信息及身份标签。

进一步的，所述摄像机可进行自身定位，确定所述抓拍地点，且对每个人脸的抓拍都对应有抓拍时间戳，若在某一时间出现多个人聚集状况，所述摄像机将对聚集人群进行人脸抓拍，确定其聚集人群中的每个人的身份信息以及身份标签，并且同时记录抓拍的时间并形成时间戳，进一步通过抓拍时间戳与抓拍地点相结合，与所述聚集人群中的每个人所对应的身份信息以及身份标签形成一条基于每个人脸图像时空信息的数据记录，并且通过所述数据记录形成个人数据集D_i，在所述个人数据集D_i中，i值可表示为不同的人。例如，在监控范围内出现10人聚集的情况，所抓拍到的10人均有对应的个人数据集D₁至D₁₀。

S102、将多个人的个人数据集D_i组成数据集集合K，从所述数据集集合K中提取具有逗留特征的个人数据集P_y，其中，y值表征具有特殊身份标签的不同的人。

所述数据集集合K包括其多个人的个人数据集D_i的所有数据记录。比如，通过摄像机抓拍得到10人的人脸图像信息并进一步形成个人数据集D_i，则此时D_i可由对应的个人数据集D₁至D₁₀进行表示，即所述数据集集合K中包含了所述数据集D₁至D₁₀的所有数据记录。所述逗留特征可具体表示为聚集人群在一段时间内且空间上的移动距离始终在预设移动距离范围内；在此步骤中，y值代表具有特殊身份标签的人群，所以，此时在所述D_i与P_y中，所述y的最大值总是小于等于所述i的最大值。

进一步的，得到所述个人数据集D_i后，可将其个人数据集D_i进行集合形成数据集集合K，将具有逗留特征并且具有特殊身份标签的个人数据记录进行集合形成数据集P_y。例如，所述摄像机抓拍到20人且其中有15个人满足逗留特征并且同时具有特殊身份标签，同样的，所述数据集P_y可由其15人所对应的个人数据集P₁至P₁₅来表示。

S103、将多个人的所述具有逗留特征的个人数据集P_y组成数据集集合M，对所述数据集集合M基于时间、空间、身份标签进行聚类分析。

其中，所述聚类可为身份标签相同的人群聚类，将具有逗留特征并且相同身份标签的人群进行集合，若抓拍到的多个人存在多种身份标签，且此时可得到多个聚类。例如，摄像机抓拍下存在10人聚集的情况，且所述10人均为具有逗留特征且同时具有特殊身份标签的人，其中，在所述10人中若存在有多种身份标签，且将具有相同身份标签的一个或多个人进行聚类。例如，存在5人身份标签为吸毒前科人员，3人身份标签为社会闲杂人员，2人身份标签为盗窃前科人员，则此时将生成三个不同身份标签的聚类。

进一步的，提取所述具有逗留特征的个人数据集P_y，并通过数据集P_y形成数据集集合M，其中，由上述已得知y小于等于i，且所得到的数据集集合M中的数据集也将小于等于所述数据集集合K中的数据集，当所抓拍到的多个人组成的人群中均为具有特殊身份标签的人，且同时满足具有逗留特征时，且所述数据集集合M中的数据集将等于所述数据集集合K中的数据集。在所述数据集集合K中，将存在具有逗留特征的每个人的多条数据记录，若多个人的所述数据记录中存在多种身份标签，且可通过所述数据记录生成不同身份标签的聚类，其中，所述聚类至少为一个聚类也可为多个聚类，由多个人的数据记录中存在的身份标签进种类确定。

S104、判断所述聚类是否满足聚集特征，若满足则生成预警信息。

若在预设的某一时间内，所抓拍到的人群在此时间段内的移动距离处于预先设置的空间移动范围阈值内时，且该人群在数量上到达预设值同时该人群具有特殊身份标签，此时可判断该人群满足聚集特征。进一步的，当判断该人群满足聚集特征，并通过其聚集特征形成预警信息。该预警信息包括聚集时间、地点以及聚集人员的人员信息等。

本发明实施例中，通过摄像机对同一区域内出现的多个人进行人脸抓拍，并将抓拍到的每个人脸图像分别与后台信息进行对比，进一步识别每个人脸图像所对应的身份信息及身份标签；将每个人脸图像对应的抓拍时间戳、抓拍地点以及身份信息相结合，进而形成基于每个人脸图像时空信息的数据记录，并由多条所述数据记录形成个人数据集D_i，其中，i值表征不同的人，所述数据记录包括身份信息、身份标签、抓拍时间戳以及抓拍地点；将多个人的个人数据集D_i组成数据集集合K，从所述数据集集合K中提取具有逗留特征的个人数据集P_y，其中，y值表征具有特殊身份标签的不同的人；将多个人的所述具有逗留特征的个人数据集P_y组成数据集集合M，对所述数据集集合M基于时间、空间、身份标签进行聚类分析；判断所述聚类是否满足聚集特征，若满足则生成预警信息。此方法结合聚集人群的身份标签、人群聚集地点、时间可快速的发现可能潜在的公共安全隐患，通过摄像机实时监控并同时对多个聚类进行行为分析，若发现可疑行为，可提前做好安防工作，进而解决安防效率低的问题。

作为一种可选的实施例，预设时间门限值t，所述具有逗留特征的个人数据集P_y包括：在所述时间门限值t内，所述个人数据集D_i中的每条数据记录中的抓拍地点没有更新且身份标签为特殊身份标签的个人数据集D_i。

其中，所述没有地点更新可具体表示为在某段时间内其某人一直在某摄像机的抓拍下，且自身没有移动距离或移动距离较小。具体的，在所述预设时间门限值t内，摄像机抓拍下的人群中其每个人所移动的距离将各自不同，若在某摄像机抓拍下存在一个或多个人在时间门限值t内将不移动，即移动距离为零，或者在时间门限值t内有移动距离且始终在某台摄像机的抓拍范围内时，即可认为抓拍地点没有更新。

另外，预设初始时刻t₀、移动距离阈值s，所述具有逗留特征的个人数据集P_y还包括：在所述时间门限值t内，所述个人数据集D_i中的每条数据记录中的抓拍地点有更新、身份标签为特殊身份标签、且初始时刻t₀的数据记录中的抓拍地点与时间门限t内最后一条数据记录中的抓拍地点之间的距离小于移动距离阈值s的个人数据集D_i。

通过摄像机的抓拍进一步判断在所述时间门限值t内所抓拍到的每个人的移动距离，其中，所述摄像机可为多台，且所述摄像机可对人群进行间隔时间段的抓拍外，还可进行视频拍摄实时对出现的人群进行监控。当某人出现在多个摄像机的监控下时，即可认为抓拍地点有更新。所述最后一条数据记录为在时间门限t的最后一刻通过其摄像机抓拍所得到到数据，所述时间门限t以及移动距离阈值s也均可根据其场景自行设置，例如，可设置为1分钟、10分钟、30分钟；30米、50米、100米，或设置更高也可设置更低，将不作限定。

请参见图3，图3是本发明实施例提供的另一种特殊人群聚集行为分析方法的流程图，如图3所示，包括以下步骤：

S200、通过摄像机对同一区域内出现的多个人进行人脸抓拍，并将抓拍到的每个人脸图像分别与后台信息进行对比，进一步识别每个人脸图像所对应的身份信息及身份标签。

S201、将每个人脸图像对应的抓拍时间戳、抓拍地点、身份信息以及身份标签相结合，进而形成基于每个人脸图像时空信息的数据记录，并由多条所述数据记录形成个人数据集D_i，其中，i值表征不同的人，所述数据记录包括身份信息、身份标签、抓拍时间戳以及抓拍地点。

S202、将每个人的个人数据集D_i组成数据集集合K，从所述数据集集合K中提取具有逗留特征的个人数据集P_y，其中，y值表征具有特殊身份标签的不同的人。

S203、提取所有的个人数据集P_y中的最后一条数据记录，并形成数据集V。

在所述个人数据集P_y中，将存在具有特殊身份标签的某个人的所有数据记录，其中，所述数据记录为多条，若在某段时间内的最后一刻进行抓拍便可得到其中最后一条数据记录，将监控范围内的所有人群的最后一条数据记录进行集合，最后得到一个数据集V，其中，所述数据集V中包括监控下的满足逗留特征的每个人的一条数据记录。

S204、从所述数据集V中选择同时满足逗留时间大于时间阈值A、移动距离小于空间阈值B、以及身份标签相同的个人数据记录并组成聚类数据集G_x，其中，x表示不同的聚类。

所述时间阈值A以及空间阈值B可根据不同的抓拍场景自行设置，其各个抓拍场景的设置阈值可能将有所不同，比如，在较为宽敞的广场进行监控时，其阈值的设置值也将较大，相反的，若在一些面积相对较小的小区内进行监控时其阈值将会设置较小。

具体的，通过所述摄像机进行抓拍并得到每个具有逗留特征的人所对应的数据记录后，将该数据记录中的逗留时间以及移动距离值与时间阈值A以及空间阈值B进行比对，并从中获取逗留时间大于时间阈值A、移动距离小于空间阈值B、以及身份标签相同的个人数据记录，通过多人的所述个人数据记录进一步形成聚类数据集G_x，在这里，其x可表示不同的聚类。例如，当所述聚类数据集G_x存在三种不同的聚类情况，且分别为社会闲杂人员的聚类、具有盗窃前科人员的聚类以及具有吸毒前科人员的聚类，此时，可对其三种聚类进行标号，即数据集G_x可表示为G₁、G₂以及G₃。此时，在所述数据集G₁或G₂或G₃中，包含了多个人的具有身份标签相同，且时间空间特征相近的一组记录。

S205、判断所述聚类是否满足聚集特征，若满足则生成预警信息。

本实施例中，在图1所示的实施例的基础上增加了实施方式，通过提取所有的个人数据集Py中的最后一条数据记录，并形成数据集V；从所述数据集V中选择同时满足逗留时间大于时间阈值A、移动距离小于空间阈值B、以及身份标签相同的个人数据记录并组成聚类数据集G_x，其中，x表示不同的聚类。因此，可更的有利于对所述聚集人群进行行为的分析并判断是否发生聚集行为存在安全隐患。

作为一种可选的实施例，判断所述聚类数据集G_x的数量是否大于所述数量阈值Y，若满足，则生成预警信息，其中，所述预警信息包括：聚集行为发生的时间、地点以及人员信息。

不同聚类的聚集行为发生的条件将会有所差异，且对不同的聚类其数量阈值Y也可设置为不同的数值。例如，用G₁表示社会闲杂人员的聚类、G₂表示具有盗窃前科人员的聚类，通常情况下前者聚类人数较小时也将存在安全隐患，此时，所述G₁的数量阈值可设置大于所述G₂的数量阈值。其中，这里对于不同聚类的数量阈值的设置数值将不在限定，可根据聚类情况自行调整设置。

具体的，对所述聚类数据集G_x设置数量阈值，可进一步判断是否有可能发生聚集行为，其中，所述聚类数据集G_x中包括具有相同身份标签的多个人的数据记录，当人数大于所述数量阈值Y值时，可确定满足聚集特征，此时，可自动生成预警信息，在所述预警信息中，还包括聚集行为发生的时间、地点以及人员信息。

作为一种可选的实施例，所述判断所述聚类数据集G_x的数量是否大于所述数量阈值Y，若满足，则生成预警信息之后，所述方法还包括：将所述预警信息发送至用户。

生成的预警信息将会及时向外发送用户，其中，所述用户不仅仅代表个体人员，可具体为接收该预警信息的相关人员、公安部门或者安防处等。例如，若聚集行为发生的地点在某小区内，且均为具有盗窃前科人员的聚类，且所述预警信息可发送至保安处，可提前做好防护措施，若所述聚集行为发生地点为无人的街道，且均为具有吸毒前科人员的聚类，所述预警信息可自行发送至最近公安部门。

请参见图4，图4是本发明实施例提供的一种特殊人群聚集行为分析装置的结构图，如图4所示，特殊人群聚集行为分析装置300包括：

识别模块301，用于通过摄像机对同一区域内出现的多个人进行人脸抓拍，并将抓拍到的每个人脸图像分别与后台进行对比，进一步识别每个人脸图像所对应的身份信息及身份标签；

生成模块302，用于将每个人脸图像对应的抓拍时间戳、抓拍地点身份信息以及身份标签相结合，进而形成基于每个人脸图像时空信息的数据记录，并由多条所述数据记录形成个人数据集D_i，其中，i值表征不同的人，所述数据记录包括身份信息、身份标签、抓拍时间戳以及抓拍地点；

提取模块303，用于将多个人的个人数据集D_i组成数据集集合K，从所述数据集集合K中提取具有逗留特征的个人数据集P_y，其中，y值表征具有特殊身份标签的不同的人；

分析模块304，用于将多个人的所述具有逗留特征的个人数据集P_y组成数据集集合M，对所述数据集集合M基于时间、空间、身份标签进行聚类分析；

判断模块305，用于判断所述聚类是否满足聚集特征，若满足则生成预警信息。

可选的，所述提取模块303还用于预设时间门限值t，所述具有逗留特征的个人数据集P_y包括：在所述时间门限值t内，所述个人数据集D_i中的每条数据记录中的抓拍地点没有更新且身份标签为特殊身份标签的个人数据集D_i。

可选的，所述提取模块303还用于预设初始时刻t₀、移动距离阈值s，所述具有逗留特征的个人数据集P_y还包括：在所述时间门限值t内，所述个人数据集D_i中的每条数据记录中的抓拍地点有更新、身份标签为特殊身份标签、且初始时刻t₀的数据记录中的抓拍地点与时间门限t内最后一条数据记录中的抓拍地点之间的距离小于移动距离阈值s的个人数据集D_i。

可选的，如图5所示，所述分析模块304包括：

第一生成单元3041，用于提取所有的个人数据集P_y中的最后一条数据记录，并形成数据集V；

第二生成单元，用于从所述数据集V中选择同时满足逗留时间大于时间阈值A、移动距离小于空间阈值B、以及身份标签相同的个人数据集P_y组成聚类数据集G_x，其中，x表示不同的聚类。

可选的，预设数量阈值Y，所述判定模块还用于判断所述聚类数据集G_x的数量是否大于所述数量阈值Y，若满足，则生成预警信息，其中，所述预警信息包括：聚集行为发生的时间、地点以及人员信息。

可选的，所述判断所述聚类数据集G_x的数量是否大于所述数量阈值Y，若满足，则生成预警信息之后，所述判定模块还用于将所述预警信息发送至用户。

本发明实施例提供的聚集行为分析装置能够实现上述方法实施例中聚集行为分析装置实现的各个过程，为避免重复，这里不再赘述。且可以达到相同的有益效果。

参见图6，图6是本发明实施例提供的一种电子设备的结构示意图，如图6所示，所述电子设备400包括：处理器401、存储器402及存储在存储器402上并可在处理器401上运行的计算机程序，其中：

处理器401用于执行如下步骤：

通过摄像机对同一区域内出现的多个人进行人脸抓拍，并将抓拍到的每个人脸图像分别与后台信息进行对比，进一步识别每个人脸图像所对应的身份信息及身份标签；

将每个人脸图像对应的抓拍时间戳、抓拍地点、身份信息以及身份标签相结合，进而形成基于每个人脸图像时空信息的数据记录，并由多条所述数据记录形成个人数据集D_i，其中，i值表征不同的人，所述数据记录包括身份信息、身份标签、抓拍时间戳以及抓拍地点；

将多个人的个人数据集D_i组成数据集集合K，从所述数据集集合K中提取具有逗留特征的个人数据集P_y，其中，y值表征具有特殊身份标签的不同的人；

将多个人的所述具有逗留特征的个人数据集P_y组成数据集集合M，对所述数据集集合M基于时间、空间、身份标签进行聚类分析；

判断所述聚类是否满足聚集特征，若满足则生成预警信息。

可选的；处理器401执行的所述具有逗留特征的个人数据集P_y包括：在所述时间门限值t内，所述个人数据集D_i中的每条数据记录中的抓拍地点没有更新且身份标签为特殊身份标签的个人数据集D_i。

可选的，预设初始时刻t₀、移动距离阈值s；处理器401执行的所述具有逗留特征的个人数据集P_y还包括：在所述时间门限值t内，所述个人数据集D_i中的每条数据记录中的抓拍地点有更新、身份标签为特殊身份标签、且初始时刻t₀的数据记录中的抓拍地点与时间门限t内最后一条数据记录中的抓拍地点之间的距离小于移动距离阈值s的个人数据集D_i。

可选的，预设时间阈值A以及空间阈值B；处理器401执行的所述对所述数据集集合M基于时间、空间、身份标签进行聚类分析的步骤包括：提取所有的个人数据集P_y中的最后一条数据记录，并形成数据集V；从所述数据集V中选择同时满足逗留时间大于时间阈值A、移动距离小于空间阈值B、以及身份标签相同的个人数据集P_y组成聚类数据集G_x，其中，x表示不同的聚类。

可选的，预设数量阈值Y；处理器401执行的所述判断所述聚类是否满足聚集特征，若满足则生成预警信息的步骤包括：判断所述聚类数据集G_x的数量是否大于所述数量阈值Y，若满足，则生成预警信息，其中，所述预警信息包括：聚集行为发生的时间、地点以及人员信息。

可选的，处理器401执行的所述判断所述聚类数据集G_x的数量是否大于所述数量阈值Y，若满足，则生成预警信息之后，所述方法还包括：将所述预警信息发送至用户。

本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，并且能实现一种特殊人群聚集行为分析方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

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，该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，该存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存取存储器(Random Access Memory，简称RAM)等。

需要说明的是，在本文中，术语“包括”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，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，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台管理装置执行本发明各个实施例的方法。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施方式只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (10)

1.一种特殊人群聚集行为分析方法，其特征在于，所述方法包括步骤：

通过摄像机对同一区域内出现的多个人进行人脸抓拍，并将抓拍到的每个人脸图像分别与后台信息进行对比，进一步识别每个人脸图像所对应的身份信息及身份标签；

将每个人脸图像对应的抓拍时间戳、抓拍地点、身份信息以及身份标签相结合，进而形成基于每个人脸图像时空信息的数据记录，并由多条所述数据记录形成个人数据集D_i，其中，i值表征不同的人，所述数据记录包括身份信息、身份标签、抓拍时间戳以及抓拍地点；

将多个人的个人数据集D_i组成数据集集合K，从所述数据集集合K中提取具有逗留特征的个人数据集P_y，其中，y值表征具有特殊身份标签的不同的人；

将多个人的所述具有逗留特征的个人数据集P_y组成数据集集合M，对所述数据集集合M基于时间、空间、身份标签进行聚类分析；

判断所述聚类是否满足聚集特征，若满足则生成预警信息。

2.根据权利要求1所述的方法，其特征在于，预设时间门限值t；所述具有逗留特征的个人数据集P_y包括：

在所述时间门限值t内，所述个人数据集D_i中的每条数据记录中的抓拍地点没有更新且身份标签为特殊身份标签的个人数据集D_i。

3.根据权利要求2所述的方法，其特征在于，预设初始时刻t₀、移动距离阈值s；所述具有逗留特征的个人数据集P_y还包括：

在所述时间门限值t内，所述个人数据集D_i中的每条数据记录中的抓拍地点有更新、身份标签为特征身份标签、且初始时刻t₀的数据记录中的抓拍地点与时间门限t内最后一条数据记录中的抓拍地点之间的距离小于移动距离阈值s的个人数据集D_i。

4.根据权利要求3所述的方法，其特征在于，预设时间阈值A以及空间阈值B；所述对所述数据集集合M基于时间、空间、身份标签进行聚类分析的步骤包括：

提取所有的个人数据集P_y中的最后一条数据记录，并形成数据集V；

从所述数据集V中选择同时满足逗留时间大于时间阈值A、移动距离小于空间阈值B、以及身份标签相同的个人数据记录并组成聚类数据集G_x，其中，x表示不同的聚类。

5.根据权利要求4所述的方法，其特征在于，预设数量阈值Y；所述判断所述聚类是否满足聚集特征，若满足则生成预警信息的步骤包括：

判断所述聚类数据集G_x的数量是否大于所述数量阈值Y，若满足，则生成预警信息，其中，所述预警信息包括：聚集行为发生的时间、地点以及人员信息。

6.根据权利要求5所述的方法，其特征在于，所述判断所述聚类数据集G_x的数量是否大于所述数量阈值Y，若满足，则生成预警信息之后，所述方法还包括：

将所述预警信息发送至用户。

7.一种特殊人群聚集行为分析装置，其特征在于，所述装置包括：

识别模块，用于通过摄像机对同一区域内出现的多个人进行人脸抓拍，并将抓拍到的每个人脸图像分别与后台进行对比，进一步识别每个人脸图像所对应的身份信息及身份标签；

生成模块，用于将每个人脸图像对应的抓拍时间戳、抓拍地点身份信息以及身份标签相结合，进而形成基于每个人脸图像时空信息的数据记录，并由多条所述数据记录形成个人数据集D_i，其中，i值表征不同的人，所述数据记录包括身份信息、身份标签、抓拍时间戳以及抓拍地点；

提取模块，用于将多个人的个人数据集D_i组成数据集集合K，从所述数据集集合K中提取具有逗留特征的个人数据集P_y，其中，y值表征具有特殊身份标签的不同的人；

分析模块，用于将多个人的所述具有逗留特征的个人数据集P_y组成数据集集合M，对所述数据集集合M基于时间、空间、身份标签进行聚类分析；

判断模块，用于判断所述聚类是否满足聚集特征，若满足则生成预警信息。

8.根据权利要求7所述的装置，其特征在于，分析模块还包括：

第一生成单元，用于提取所有的个人数据集P_y中的最后一条数据记录，并形成数据集V；

第二生成单元，用于从所述数据集V中选择同时满足逗留时间大于时间阈值A、移动距离小于空间阈值B、以及身份标签相同的个人数据集P_y组成聚类数据集G_x，其中，x表示不同的聚类。

9.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上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如权利要求1至6中任一项所述的一种特殊人群聚集行为分析方法中的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的一种特殊人群聚集行为分析方法中的步骤。