CN110113561A - 一种人员滞留检测方法、装置、服务器及系统 - Google Patents
一种人员滞留检测方法、装置、服务器及系统 Download PDFInfo
- Publication number
- CN110113561A CN110113561A CN201810106537.4A CN201810106537A CN110113561A CN 110113561 A CN110113561 A CN 110113561A CN 201810106537 A CN201810106537 A CN 201810106537A CN 110113561 A CN110113561 A CN 110113561A
- Authority
- CN
- China
- Prior art keywords
- moving objects
- information
- target object
- personnel
- time
- 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
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
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
- G08B13/189—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems
- G08B13/194—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems
- G08B13/196—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems using television cameras
- G08B13/19602—Image analysis to detect motion of the intruder, e.g. by frame subtraction
-
- 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
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Human Computer Interaction (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种人员滞留检测方法、装置、服务器及系统，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；识别所述运动对象不包括人时，过滤所述运动对象；识别所述运动对象为人且判断所述运动对象处于预设区域时，将所述运动对象锁定为目标对象，并检测所述目标对象滞留时间；当所述滞留时间大于或等于第一预设时间时，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，以触发警报。本发明能够实时对人员滞留行为进行判断并及时触发警报，克服了人为监看和分析滞留行为的遗漏可能，提高了人员滞留检测的可靠性和实时性。
Description
技术领域
本发明涉及监控技术领域，尤其涉及一种人员滞留检测方法、装置、服务器及系统。
背景技术
随着社会的发展，社会安全成为了人们关注的焦点，特别是公共场所。例如车站、机场、商场等人口密集的场所，存在很大的安全隐患，需要进行实时监测。视频监控行业的快速发展，通过人工进行视频监控的入侵防范成为了安防管理的一种重要手段，但随着视频监控部署规模的快速增加，人工的视频监看产生了新的问题。例如：人工视频监看额外增加了人员的工作内容，也加大了视频监控人员的工作强度。当监控人员换班、离岗或疲劳时，很大可能会漏检，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，提供一种人员滞留检测方法、装置、服务器及系统，能够
本发明能够实时对人员滞留行为进行判断并及时触发警报，克服了人为监看和分析滞留行为的遗漏可能，提高了人员滞留检测的可靠性和实时性。
为了解决上述技术问题，本发明实施例提供了一种人员滞留检测方法，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；
当根据所述轮廓信息，识别所述运动对象不包括人时，过滤所述运动对象；
当根据所述轮廓信息，识别所述运动对象为人时，实时检测所述运动对象的位置信息；
当根据所述位置信息，判断所述运动对象处于预设区域时，将所述运动对象锁定为目标对象，并检测所述目标对象滞留时间；
当所述滞留时间大于或等于第一预设时间，或所述目标对象在第二预设时间内的滞留时间总和大于或等于第一预设时间时，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，所述当根据所述轮廓信息，识别所述运动对象为人时，实时检测所述运动对象的位置信息，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时，将所述运动对象锁定为目标对象；
实时检测所述运动对象的位置信息。
进一步地，所述当根据所述位置信息，并判断所述运动对象处于预设区域时，将所述运动对象锁定为目标对象，并检测所述目标对象滞留时间，具体为：
当根据所述位置信息判断所述运动对象与预设区域边界最短距离为零或负数时，将所述运动对象锁定为目标对象，并检测所述目标对象滞留时间；其中，以所述运动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。
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人员滞留检测装置，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；
识别单元，用于当根据所述轮廓信息，识别所述运动对象不包括人时，过滤所述运动对象；当根据所述轮廓信息，识别所述运动对象为人时，实时检测所述运动对象的位置信息；
目标对象锁定单元，用于当根据所述位置信息，判断所述运动对象处于预设区域时，将所述运动对象锁定为目标对象，并检测所述目标对象滞留时间；
滞留判断单元，用于判断所述滞留时间是否大于或等于第一预设时间，或所述目标对象在第二预设时间内的滞留时间总和是否大于或等于第一预设时间；
告警单元，用于当所述滞留时间大于或等于第一预设时间，或所述目标对象在第二预设时间内的滞留时间总和大于或等于第一预设时间时，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人员滞留检测服务器，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述的人员滞留检测方法。
本发明实施例还提供了一种人员滞留检测系统，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，还用于当根据所述轮廓信息，识别所述运动对象不包括人时，过滤所述运动对象；当根据所述轮廓信息，识别所述运动对象为人时，实时检测所述运动对象的位置信息；
所述服务器端，还用于当根据所述位置信息，判断所述运动对象处于预设区域时，将所述运动对象锁定为目标对象，并检测所述目标对象滞留时间；
所述服务器端，还用于当所述滞留时间大于或等于第一预设时间，或所述目标对象在第二预设时间内的滞留时间总和大于或等于第一预设时间时，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，所述当根据所述位置信息，判断所述运动对象处于预设区域时，将所述运动对象锁定为目标对象，并检测所述目标对象滞留时间，具体为：
当所述服务器端根据所述位置信息判断所述运动对象与预设区域边界最短距离为零或负数时，将所述运动对象锁定为目标对象，并检测所述目标对象滞留时间；其中，以所述运动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。
本发明实施例具有以下效果：
本发明公开的一种人员滞留检测方法、装置、服务器及系统，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；识别所述运动对象不包括人时，过滤所述运动对象；识别所述运动对象为人且判断所述运动对象处于预设区域时，将所述运动对象锁定为目标对象，并检测所述目标对象滞留时间；当所述滞留时间大于或等于第一预设时间时，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，以触发警报。本发明能够实时对人员滞留行为进行判断并及时触发警报，克服了人为监看和分析滞留行为的遗漏可能，提高了人员滞留检测的可靠性和实时性。
附图说明
图1是本发明第一实施例提供的人员滞留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人员滞留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人员滞留检测方法的流程示意图。
所述人员滞留检测方法，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，通过实时流媒体协议(例如：RTSP协议(Real Time StreamingProtocol，实时流传输协议))实时获取所述图像采集系统的视频信息，并利用视频编解码(例如：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，所述实时流媒体协议包括但不限于所述RTSP协议。所述视频编解码包括但不限于所述FFmpeg编解码。
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、当根据所述轮廓信息，识别所述运动对象不包括人时，过滤所述运动对象；当根据所述轮廓信息，识别所述运动对象为人时，实时检测所述运动对象的位置信息。
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。当识别所述运动对象不包括人时，过滤所述运动对象，即忽略所述运动对象。当识别所述运动对象为人时，实时检测所述运动对象的位置信息。
S104、当根据所述位置信息，判断所述运动对象处于预设区域时，将所述运动对象锁定为目标对象，并检测所述目标对象滞留时间。
在本实施例中，当根据所述位置信息判断所述运动对象与预设区域边界最短距离为零或负数时，将所述运动对象锁定为目标对象并启动计时，以检测所述目标对象在预设区域的滞留时间。其中，以所述运动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。
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。
S105、当所述滞留时间大于或等于第一预设时间，或所述目标对象在第二预设时间内的滞留时间总和大于或等于第一预设时间时，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，当所述目标对象在第二预设时间段内，一直滞留在所述预设区域，则判断所述滞留时间是否大于或等于第一预设时间。若是，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。
当所述目标对象在第二预设时间段内，多次进出所述预设区域，则统计在第二预设时间段内所述目标对象多次滞留在所述预设区域的滞留时间总和，评判断所述滞留时间总和是否大于或等于第一预设时间。若是，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。
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人员滞留检测方法，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；识别所述运动对象不包括人时，过滤所述运动对象；识别所述运动对象为人且判断所述运动对象处于预设区域时，将所述运动对象锁定为目标对象，并检测所述目标对象滞留时间；当所述滞留时间大于或等于第一预设时间时，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，以触发警报。本发明能够实时对人员滞留行为进行判断并及时触发警报，克服了人为监看和分析滞留行为的遗漏可能，提高了人员滞留检测的可靠性和实时性。
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人员滞留检测装置的结构示意图。
所述人员滞留检测装置，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。
识别单元303，用于当根据所述轮廓信息，识别所述运动对象不包括人时，过滤所述运动对象；当根据所述轮廓信息，识别所述运动对象为人时，实时检测所述运动对象的位置信息。
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。当识别所述运动对象不包括人时，过滤所述运动对象，即忽略所述运动对象。当识别所述运动对象为人时，实时检测所述运动对象的位置信息。
目标对象锁定单元304，用于当根据所述位置信息，判断所述运动对象处于预设区域时，将所述运动对象锁定为目标对象，并检测所述目标对象滞留时间。
在本实施例中，当根据所述位置信息判断所述运动对象与预设区域边界最短距离为零或负数时，将所述运动对象锁定为目标对象并启动计时，以检测所述目标对象在预设区域的滞留时间。其中，以所述运动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。
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。
滞留判断单元305，用于判断所述滞留时间是否大于或等于第一预设时间，或所述目标对象在第二预设时间内的滞留时间总和是否大于或等于第一预设时间。
告警单元306，用于当所述滞留时间大于或等于第一预设时间，或所述目标对象在第二预设时间内的滞留时间总和大于或等于第一预设时间时，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，当所述目标对象在第二预设时间段内，一直滞留在所述预设区域，则判断所述滞留时间是否大于或等于第一预设时间。若是，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。
当所述目标对象在第二预设时间段内，多次进出所述预设区域，则统计在第二预设时间段内所述目标对象多次滞留在所述预设区域的滞留时间总和，评判断所述滞留时间总和是否大于或等于第一预设时间。若是，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。
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人员滞留检测装置，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；识别所述运动对象不包括人时，过滤所述运动对象；识别所述运动对象为人且判断所述运动对象处于预设区域时，将所述运动对象锁定为目标对象，并检测所述目标对象滞留时间；当所述滞留时间大于或等于第一预设时间时，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，以触发警报。本发明能够实时对人员滞留行为进行判断并及时触发警报，克服了人为监看和分析滞留行为的遗漏可能，提高了人员滞留检测的可靠性和实时性。
本发明实施例还提供了一种人员滞留检测服务器，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述的人员滞留检测方法。
本发明实施例三：
本实施例提供了一种人员滞留检测系统，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，通过实时流媒体协议(例如：RTSP协议(Real Time StreamingProtocol，实时流传输协议))实时获取所述图像采集系统的视频信息，并利用视频编解码(例如：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，所述实时流媒体协议包括但不限于所述RTSP协议。所述视频编解码包括但不限于所述FFmpeg编解码。
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，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。
所述服务器端，还用于当根据所述轮廓信息，识别所述运动对象不包括人时，过滤所述运动对象；当根据所述轮廓信息，识别所述运动对象为人时，实时检测所述运动对象的位置信息。
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。当识别所述运动对象不包括人时，过滤所述运动对象，即忽略所述运动对象。当识别所述运动对象为人时，实时检测所述运动对象的位置信息。
所述服务器端，还用于当根据所述位置信息，判断所述运动对象处于预设区域时，将所述运动对象锁定为目标对象，并检测所述目标对象滞留时间。
在本实施例中，当根据所述位置信息判断所述运动对象与预设区域边界最短距离为零或负数时，将所述运动对象锁定为目标对象并启动计时，以检测所述目标对象在预设区域的滞留时间。其中，以所述运动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。
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。
所述服务器端，还用于当所述滞留时间大于或等于第一预设时间，或所述目标对象在第二预设时间内的滞留时间总和大于或等于第一预设时间时，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，当所述目标对象在第二预设时间段内，一直滞留在所述预设区域，则判断所述滞留时间是否大于或等于第一预设时间。若是，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。
当所述目标对象在第二预设时间段内，多次进出所述预设区域，则统计在第二预设时间段内所述目标对象多次滞留在所述预设区域的滞留时间总和，评判断所述滞留时间总和是否大于或等于第一预设时间。若是，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。
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人员滞留检测系统，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；识别所述运动对象不包括人时，过滤所述运动对象；识别所述运动对象为人且判断所述运动对象处于预设区域时，将所述运动对象锁定为目标对象，并检测所述目标对象滞留时间；当所述滞留时间大于或等于第一预设时间时，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，以触发警报。本发明能够实时对人员滞留行为进行判断并及时触发警报，克服了人为监看和分析滞留行为的遗漏可能，提高了人员滞留检测的可靠性和实时性。
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)
1.一种人员滞留检测方法，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；
当根据所述轮廓信息，识别所述运动对象不包括人时，过滤所述运动对象；
当根据所述轮廓信息，识别所述运动对象为人时，实时检测所述运动对象的位置信息；
当根据所述位置信息，判断所述运动对象处于预设区域时，将所述运动对象锁定为目标对象，并检测所述目标对象滞留时间；
当所述滞留时间大于或等于第一预设时间，或所述目标对象在第二预设时间内的滞留时间总和大于或等于第一预设时间时，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所述的人员滞留检测方法，其特征在于，所述当根据所述轮廓信息，识别所述运动对象为人时，实时检测所述运动对象的位置信息，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时，将所述运动对象锁定为目标对象；
实时检测所述运动对象的位置信息。
3.根据权利要求1所述的人员滞留检测方法，其特征在于，所述当根据所述位置信息，并判断所述运动对象处于预设区域时，将所述运动对象锁定为目标对象，并检测所述目标对象滞留时间，具体为：
当根据所述位置信息判断所述运动对象与预设区域边界最短距离为零或负数时，将所述运动对象锁定为目标对象，并检测所述目标对象滞留时间；其中，以所述运动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。
4.根据权利要求1所述的人员滞留检测方法，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。
5.根据权利要求1所述的人员滞留检测方法，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。
6.根据权利要求1所述的人员滞留检测方法，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。
7.一种人员滞留检测装置，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；
识别单元，用于当根据所述轮廓信息，识别所述运动对象不包括人时，过滤所述运动对象；当根据所述轮廓信息，识别所述运动对象为人时，实时检测所述运动对象的位置信息；
目标对象锁定单元，用于当根据所述位置信息，判断所述运动对象处于预设区域时，将所述运动对象锁定为目标对象，并检测所述目标对象滞留时间；
滞留判断单元，用于判断所述滞留时间是否大于或等于第一预设时间，或所述目标对象在第二预设时间内的滞留时间总和是否大于或等于第一预设时间；
告警单元，用于当所述滞留时间大于或等于第一预设时间，或所述目标对象在第二预设时间内的滞留时间总和大于或等于第一预设时间时，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。
8.一种人员滞留检测服务器，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，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中任意一项所述的人员滞留检测方法。
9.一种人员滞留检测系统，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，还用于当根据所述轮廓信息，识别所述运动对象不包括人时，过滤所述运动对象；当根据所述轮廓信息，识别所述运动对象为人时，实时检测所述运动对象的位置信息；
所述服务器端，还用于当根据所述位置信息，判断所述运动对象处于预设区域时，将所述运动对象锁定为目标对象，并检测所述目标对象滞留时间；
所述服务器端，还用于当所述滞留时间大于或等于第一预设时间，或所述目标对象在第二预设时间内的滞留时间总和大于或等于第一预设时间时，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所述的人员滞留检测方法，其特征在于，所述当根据所述位置信息，判断所述运动对象处于预设区域时，将所述运动对象锁定为目标对象，并检测所述目标对象滞留时间，具体为：
当所述服务器端根据所述位置信息判断所述运动对象与预设区域边界最短距离为零或负数时，将所述运动对象锁定为目标对象，并检测所述目标对象滞留时间；其中，以所述运动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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810106537.4A CN110113561A (zh) | 2018-02-01 | 2018-02-01 | 一种人员滞留检测方法、装置、服务器及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810106537.4A CN110113561A (zh) | 2018-02-01 | 2018-02-01 | 一种人员滞留检测方法、装置、服务器及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110113561A true CN110113561A (zh) | 2019-08-09 |
Family
ID=67483032
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810106537.4A Pending CN110113561A (zh) | 2018-02-01 | 2018-02-01 | 一种人员滞留检测方法、装置、服务器及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110113561A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110717432A (zh) * | 2019-09-29 | 2020-01-21 | 上海依图网络科技有限公司 | 一种物品检测方法、装置和计算机存储介质 |
| CN112232630A (zh) * | 2020-09-09 | 2021-01-15 | 清研讯科（北京）科技有限公司 | 生产控制方法和装置、电子设备及计算机可读存储介质 |
| CN112733814A (zh) * | 2021-03-30 | 2021-04-30 | 上海闪马智能科技有限公司 | 一种基于深度学习的行人徘徊滞留检测方法、系统及介质 |
| CN112950907A (zh) * | 2021-02-02 | 2021-06-11 | 浙江大华技术股份有限公司 | 一种预警方法、装置、设备及介质 |
| CN113112744A (zh) * | 2021-03-12 | 2021-07-13 | 珠海大横琴科技发展有限公司 | 安防管理方法及装置、电子设备、存储介质 |
| CN113225393A (zh) * | 2021-04-30 | 2021-08-06 | 中核武汉核电运行技术股份有限公司 | 一种核电厂监控管理装置 |
| CN113486776A (zh) * | 2021-07-02 | 2021-10-08 | 中标慧安信息技术股份有限公司 | 用于监测市场内部人员口罩佩戴情况的方法和系统 |
| CN113554838A (zh) * | 2021-06-16 | 2021-10-26 | 核动力运行研究所 | 一种基于电子围栏的核电站高风险作业区域风险提示系统和方法 |
| CN114387750A (zh) * | 2021-12-28 | 2022-04-22 | 东旭新能源投资有限公司 | 一种变电设备监测的方法、装置、设备及存储介质 |
| CN114408691A (zh) * | 2021-12-13 | 2022-04-29 | 北京声智科技有限公司 | 电梯滞留人员检测方法、装置、设备及存储介质 |
| CN118537806A (zh) * | 2024-07-22 | 2024-08-23 | 杭州中港地铁装备维护有限公司 | 一种滞留乘客计数分析系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE10218461A1 (de) * | 2002-04-25 | 2003-11-13 | Patentwerk De Gmbh | Vorrichtung und Verfahren zum Aufmerksammachen auf ein Verharren an einer Position |
| CA2275893C (en) * | 1996-12-23 | 2005-11-29 | Esco Electronics Corporation | Low false alarm rate video security system using object classification |
| CN105678811A (zh) * | 2016-02-25 | 2016-06-15 | 上海大学 | 一种基于运动检测的人体异常行为检测方法 |
| CN107316024A (zh) * | 2017-06-28 | 2017-11-03 | 北京博睿视科技有限责任公司 | 基于深度学习的周界报警算法 |
| 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 |
| CN107578594A (zh) * | 2017-09-04 | 2018-01-12 | 武汉阿卡瑞思光电自控有限公司 | 油气管道区域入侵检测装置与方法 |
| CN107645652A (zh) * | 2017-10-27 | 2018-01-30 | 深圳极视角科技有限公司 | 一种基于视频监控的非法越界报警系统 |
-
2018
- 2018-02-01 CN CN201810106537.4A patent/CN110113561A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2275893C (en) * | 1996-12-23 | 2005-11-29 | Esco Electronics Corporation | Low false alarm rate video security system using object classification |
| DE10218461A1 (de) * | 2002-04-25 | 2003-11-13 | Patentwerk De Gmbh | Vorrichtung und Verfahren zum Aufmerksammachen auf ein Verharren an einer Position |
| CN105678811A (zh) * | 2016-02-25 | 2016-06-15 | 上海大学 | 一种基于运动检测的人体异常行为检测方法 |
| 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 |
| CN107316024A (zh) * | 2017-06-28 | 2017-11-03 | 北京博睿视科技有限责任公司 | 基于深度学习的周界报警算法 |
| CN107578594A (zh) * | 2017-09-04 | 2018-01-12 | 武汉阿卡瑞思光电自控有限公司 | 油气管道区域入侵检测装置与方法 |
| CN107645652A (zh) * | 2017-10-27 | 2018-01-30 | 深圳极视角科技有限公司 | 一种基于视频监控的非法越界报警系统 |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110717432B (zh) * | 2019-09-29 | 2023-05-02 | 上海依图网络科技有限公司 | 一种物品检测方法、装置和计算机存储介质 |
| CN110717432A (zh) * | 2019-09-29 | 2020-01-21 | 上海依图网络科技有限公司 | 一种物品检测方法、装置和计算机存储介质 |
| CN112232630A (zh) * | 2020-09-09 | 2021-01-15 | 清研讯科（北京）科技有限公司 | 生产控制方法和装置、电子设备及计算机可读存储介质 |
| CN112950907A (zh) * | 2021-02-02 | 2021-06-11 | 浙江大华技术股份有限公司 | 一种预警方法、装置、设备及介质 |
| CN113112744A (zh) * | 2021-03-12 | 2021-07-13 | 珠海大横琴科技发展有限公司 | 安防管理方法及装置、电子设备、存储介质 |
| CN112733814A (zh) * | 2021-03-30 | 2021-04-30 | 上海闪马智能科技有限公司 | 一种基于深度学习的行人徘徊滞留检测方法、系统及介质 |
| CN112733814B (zh) * | 2021-03-30 | 2021-06-22 | 上海闪马智能科技有限公司 | 一种基于深度学习的行人徘徊滞留检测方法、系统及介质 |
| CN113225393A (zh) * | 2021-04-30 | 2021-08-06 | 中核武汉核电运行技术股份有限公司 | 一种核电厂监控管理装置 |
| CN113554838A (zh) * | 2021-06-16 | 2021-10-26 | 核动力运行研究所 | 一种基于电子围栏的核电站高风险作业区域风险提示系统和方法 |
| CN113486776A (zh) * | 2021-07-02 | 2021-10-08 | 中标慧安信息技术股份有限公司 | 用于监测市场内部人员口罩佩戴情况的方法和系统 |
| CN114408691A (zh) * | 2021-12-13 | 2022-04-29 | 北京声智科技有限公司 | 电梯滞留人员检测方法、装置、设备及存储介质 |
| CN114387750A (zh) * | 2021-12-28 | 2022-04-22 | 东旭新能源投资有限公司 | 一种变电设备监测的方法、装置、设备及存储介质 |
| CN118537806A (zh) * | 2024-07-22 | 2024-08-23 | 杭州中港地铁装备维护有限公司 | 一种滞留乘客计数分析系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110113561A (zh) | 一种人员滞留检测方法、装置、服务器及系统 | |
| CN110111515A (zh) | 一种边界入侵检测方法、装置、服务器及系统 | |
| CN110110575A (zh) | 一种人员脱岗检测方法及装置 | |
| CN109426798A (zh) | 一种边界入侵检测方法、装置及系统 | |
| CN109922310B (zh) | 目标对象的监控方法、装置及系统 | |
| CN110795963A (zh) | 一种基于人脸识别的监控方法、装置及设备 | |
| CN106803943A (zh) | 视频监控系统和设备 | |
| CN109309808A (zh) | 一种基于人脸识别的监控系统及方法 | |
| CN110111436A (zh) | 一种人脸签到方法、装置及系统 | |
| CN109460744B (zh) | 一种基于深度学习的视频监控系统 | |
| CN107818312A (zh) | 一种基于异常行为识别的嵌入式系统 | |
| CN109389794A (zh) | 一种智能化视频监控方法和系统 | |
| CN102592408A (zh) | 基于视觉信息分析的智能哨位安全预警系统 | |
| CN111985428A (zh) | 一种安全检测方法、装置、电子设备及存储介质 | |
| CN102479419A (zh) | 一种自动预警显像系统及方法 | |
| KR102182660B1 (ko) | 시공간 특징을 이용한 폭력 감지 시스템, 방법 및 상기 방법을 수행하도록 하는 프로그램이 저장된 컴퓨터 판독 가능한 기록매체 | |
| CN110751125A (zh) | 穿戴检测方法及装置 | |
| CN113239766A (zh) | 基于深度神经网络的行为识别方法及智能报警装置 | |
| CN115100572A (zh) | 一种校园异常行为的分析系统及方法 | |
| CN109460714A (zh) | 识别对象的方法、系统和装置 | |
| CN112601054B (zh) | 摄像画面的采集方法及装置、存储介质、电子设备 | |
| CN115240277A (zh) | 安检行为的监控方法、装置、电子设备及存储介质 | |
| CN114390260A (zh) | 应用于智慧城市的危险区域和重要场所监控平台 | |
| CN114281656A (zh) | 一种智能中控系统 | |
| CN113903003A (zh) | 事件发生概率的确定方法、存储介质及电子装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190809 |
|
| RJ01 | Rejection of invention patent application after publication |