CN110309735A - 异常侦测方法、装置、服务器及存储介质 - Google Patents

Abstract

一种异常侦测方法，包括：接收摄像头在预设场景中采集的视频图像；识别所述视频图像中的目标对象；根据所述预设场景中的固有特征判断所述目标对象是否出现异常，其中，所述预设场景中的固有特征至少包括所述目标对象的检测区域、所述目标对象是否在所述检测区域内、所述目标对象的置信度和所述目标对象的移动距离中的一种；及当所述目标对象出现异常时，发出警示信息。本发明还提供一种异常侦测装置、服务器及存储介质。通过本发明可以可以减少侦测所述业务场景中出现异常的误报率，即提升侦测所述业务场景中出现异常的正确率。

Description

异常侦测方法、装置、服务器及存储介质

技术领域

本发明涉及图像识别技术领域，具体涉及一种异常侦测方法、装置、服务器及存储介质。

背景技术

随着视频监控技术的不断发展,我国目前视频监控在智慧城市、数字城市、智慧园区、智能交通、渡口监测等各类项目得以广泛应用。监控视频已经成为公安部门进行案件侦查的重要依据和线索。在对监控视频中出现的异常现象或行为进行分析时，对拍摄视频的摄像头的拍摄精度依赖较高,因此对硬件资源要求高。

发明内容

鉴于以上内容，有必要提出一种异常侦测方法、装置、服务器及存储介质，可以减少侦测所述业务场景中出现异常的误报率。

本发明的第一方面提供一种异常侦测方法，所述方法包括：

接收摄像头在预设场景中采集的视频图像；

识别所述视频图像中的目标对象；

根据所述预设场景中的固有特征判断所述目标对象是否出现异常，其中，所述预设场景中的固有特征至少包括所述目标对象的检测区域、所述目标对象是否在所述检测区域内、所述目标对象的置信度和所述目标对象的移动距离中的一种；及

当所述目标对象出现异常时，发出警示信息。

优选地，所述识别所述视频图像中的目标对象包括：

通过分解所述视频图像中的目标对象，获取所述视频图像中的目标对象的基本属性；

将获取的所述基本属性与预先存储在数据库中的目标对象的基本属性进行比对；

当获取的所述基本属性与所述数据库中的目标对象的基本属性一致时，查询数据库中存储的基本属性与目标对象类别对应表以得到所述目标对象的类别。

优选地，当所述固有特征为所述目标对象是否在所述检测区域内时，根据所述预设场景中的固有特征判断所述目标对象是否出现异常包括：

侦测所述视频图像的当前视频帧中的检测区域内是否存在所述目标对象；

若所述视频图像的当前视频帧中的检测区域内没有所述目标对象，确定所述目标对象的状态异常；

若所述视频图像的当前视频帧中的检测区域内存在所述目标对象，确定所述目标对象的状态正常。

优选地，通过跟踪所述视频图像中的目标对象来获取所述目标对象的检测区域，包括：

确定所述视频图像中的当前视频帧中的目标对象；

获取目标对象在前序视频帧中的图像区域以及所述图像区域的图像特征，其中，所述前序视频帧为当前视频帧之前的k个视频帧，k为正整数；

根据所述目标对象在前序视频帧中的图像区域，对所述目标对象进行运动估计，确定所述目标对象在当前视频帧的预测区域；及

根据所述预测区域确定目标对象在当前视频帧中的检测区域。

优选地，当所述固有特征为所述目标对象的置信度时，根据所述预设场景中的固有特征判断所述目标对象是否出现异常包括：

计算所述视频图像中的目标对象的置信度；

判断所述目标对象的置信度是否大于等于预设值；

当所述目标对象的置信度大于等于所述预设值，确定所述目标对象的状态异常；及

当所述目标对象的置信度小于所述预设值，确定所述目标对象的状态正常。

优选地，所述的置信度包括颜色特征置信度、形状特征置信度和运动特征置信度。

优选地，当所述固有特征为目标对象的置信度和目标对象的移动距离时，根据所述预设场景中的固有特征判断所述目标对象是否出现异常包括：

计算所述视频图像中的目标对象的置信度和目标对象的移动距离；

判断所述目标对象的置信度是否大于等于第一预设值，及所述目标对象的移动距离是否大于等于第二预设值；

当所述目标对象的置信度大于等于第一预设值，且所述目标对象的移动距离大于等于第二预设值，确定所述目标对象的状态异常；及

当所述目标对象的置信度小于第一预设值，或所述目标对象的移动距离小于第二预设值，确定所述目标对象的状态正常。

本发明的第二方面提供一种异常侦测装置，所述装置包括：

接收模块，用于接收摄像头在预设场景中采集的视频图像；

识别模块，用于识别所述视频图像中的目标对象；

判断模块，用于根据所述预设场景中的固有特征判断所述目标对象是否出现异常，其中，所述预设场景中的固有特征至少包括所述目标对象的检测区域、所述目标对象是否在所述检测区域内、所述目标对象的置信度和所述目标对象的移动距离中的一种；及

警示模块，用于当所述目标对象出现异常时，发出警示信息。

本发明的第三方面提供一种服务器，所述服务器包括处理器和存储器，所述处理器用于执行所述存储器中存储的计算机程序时实现所述异常侦测方法。

本发明的第四方面提供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所述异常侦测方法。

本发明所述的异常侦测方法、装置、系统及存储介质，能够接收摄像头在预设场景中采集的视频图像；识别所述视频图像中的目标对象；根据所述预设场景中的固有特征判断所述目标对象是否出现异常；及当所述目标对象出现异常时，发出警示信息。根据所述预设场景中的固有特征判断所述目标对象是否出现异常，可以减少侦测所述业务场景中出现异常的误报率，即提升侦测所述业务场景中出现异常的正确率。

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，还可以根据提供的附图获得其他的附图。

图1是本发明实施例一提供的异常侦测方法的流程图。

图2是本发明实施例二提供的本发明异常侦测装置较佳实施例中的功能模块图。

图3是本发明实施例三提供的服务器的示意图。

如下具体实施方式将结合上述附图进一步说明本发明。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，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。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”和“第三”等是用于区别不同对象，而非用于描述特定顺序。此外，术语“包括”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。

本发明实施例的异常侦测方法应用在由至少一个服务器和通过网络与所述服务器进行连接的移动终端所构成的硬件环境中。网络包括但不限于：广域网、城域网或局域网。本发明实施例的异常侦测方法可以由服务器来执行，也可以由移动终端来执行；还可以是由服务器和移动终端共同执行。

所述对于需要进行异常侦测方法的服务器，可以直接在服务器上集成本发明的方法所提供的异常侦测功能，或者安装用于实现本发明的方法的客户端。再如，本发明所提供的方法还可以以软件开发工具包(Software Development Kit，SDK)的形式运行在服务器等设备上，以SDK的形式提供异常侦测功能的接口，服务器或其他设备通过提供的接口即可实现异常侦测功能。

实施例一

图1是本发明实施例一提供的异常侦测方法的流程图。根据不同的需求，该流程图中的执行顺序可以改变，某些步骤可以省略。

步骤S1，接收摄像头在预设场景中采集的视频图像。

在本实施方式中，所述预设场景描述的是需要进行异常事件侦测和/或异常侦测的场景。例如，所述预设场景可以为识别交通事故、拥堵、车速检测、车流预测、车辆失控、车辆行驶轨迹、人员或自行车闯入、违反交通法规、抛洒物等事件的智能交通业务场景；所述预设场景可以为识别人员入侵、遗留物、遗失物监测、车牌分析、车辆行驶轨迹、车流分析、人流分析、烟火或烟雾等事件的智慧园区业务场景；所述预设场景可以为识别非法船只、超载、密集人群检测、是否穿救生衣、落水等事件的渡口监测业务场景。

所述预设场景还可以是无人驾驶、金融场景、设备登录、机场及公共区域的监控等场景。

在本实施方式中，通过摄像头采集所述视频图像并将所述视频图像发送至服务器。所述摄像头被安装在不同的业务场景中，用于拍摄所述业务场景中的影像，所述摄像头可以是鱼眼摄像头。

优选地，接收摄像头采集的视频图像后，所述异常侦测方法还包括：

对所述视频图像进行解码的步骤。

步骤S2，识别所述视频图像中的目标对象。

在本实施方式中，所述视频图像中的目标对象包括人物、动物、交通工具、建筑物、烟雾等。在本实施方式中，所述视频图像中的目标对象可以包括静止目标对象和运动目标对象。

当所述视频图像中的目标对象为静止目标对象时，可以通过基于模板的检测方法来识别所述静止目标对象。具体包括：确定所述视频图像中的目标对象形状的轮廓，将所述目标对象形状的轮廓与预存的模板文件进行特征匹配。

当所述视频图像中的目标对象为运动目标对象时，可以通过背景差法、帧差法、光流法中的至少一种进行识别。所述背景差法是对视频图像中相对较为固定的场景进行背景建模，检测时由当前图像与背景模型之差得到所述运动目标对象；所述帧差法是通过对视频序列中相邻帧之间对应位置像素点进行比较来获取运动目标对象的位置；所述光流法是利用时间变化的光流矢量特性，对所述视频图像中的运动目标对象进行检测。

在本实施方式中，上述检测视频图像中的静止目标对象和运动目标对象的方法不限于上述列举的，任何适应于检测出视频图像中的目标对象的放法均可应用于此。另外，本实施例中的所述检测视频图像中的静止目标对象和运动目标对象的方法均为现有技术，本文在此不再详细介绍。

优选地，在一实施方式中，所述异常侦测方法还可以通过分解所述视频图像中的目标对象，获取所述视频图像中的目标对象的基本属性，其中，所述基本属性包括颜色、运动轨迹、形状、结构等，再在所述获取的基本属性与预先存储在数据库中的目标对象的基本属性进行比对，从而准确地识别出所述视频图像中的目标对象。所述数据库中存储有目标对象的基本属性与目标对象类别对应表。

具体包括：

通过分解所述视频图像中的目标对象，获取所述视频图像中的目标对象的基本属性；

将获取的所述基本属性与预先存储在数据库中的目标对象的基本属性进行比对；

当获取的所述基本属性与所述数据库中的目标对象的基本属性一致时，查询数据库中存储的基本属性与目标对象类别对应表以得到所述目标对象的类别；

当获取的所述基本属性与所述数据库中的目标对象的基本属性不一致时，结束流程。

步骤S3，根据所述预设场景中的固有特征判断所述目标对象是否出现异常。当所述目标对象出现异常时，流程进入步骤S4；当所述目标对象没有出现异常时，流程结束。

在本实施方式中，所述预设场景中的固有特征至少包括所述目标对象的检测区域、所述目标对象是否在所述检测区域内、所述目标对象的置信度、所述目标对象的移动距离等信息。具体地，可以根据上述固有特征中的至少一种来判断所述目标对象是否出现异常。

在第一实施方式中，可以根据所述目标对象的检测区域及所述目标对象是否在所述检测区域内来判断所述目标对象是否出现异常。

具体地，根据所述目标对象的检测区域及所述目标对象是否在所述检测区域内来判断所述目标对象是否出现异常包括：

侦测所述视频图像的当前视频帧中的检测区域内是否存在所述目标对象；

若所述视频图像的当前视频帧中的检测区域内没有所述目标对象，确定所述目标对象的状态异常；

若所述视频图像的当前视频帧中的检测区域内存在所述目标对象，确定所述目标对象的状态正常。

在本实施方式中，所述目标对象的检测区域可以通过跟踪所述视频图像中的目标对象来获取。具体地，通过跟踪所述视频图像中的目标对象来获取所述目标对象的检测区域的方法包括：

a)确定当前视频帧中的目标对象。

b)获取目标对象在前序视频帧中的图像区域以及所述图像区域的图像特征，其中，所述前序视频帧为当前视频帧之前的k个视频帧，k为正整数。

c)根据所述目标对象在前序视频帧中的图像区域，对所述目标对象进行运动估计，确定所述目标对象在当前视频帧的预测区域。

d)根据所述预测区域确定目标对象在当前视频帧中的检测区域。

由于前序视频帧是指当前视频帧之前的k个视频帧，通过这前k个视频帧来对当前视频帧进行预估和对比检测，计算量较小，并且能够解决视频中目标对象偶尔丢失或者遮挡的问题，检测精度较高。

例如，当所述预设场景为行人过马路时的场景时，接收摄像头采集的行人过马路的视频图像，识别所述视频图像中的多个行人目标对象，通过跟踪所述视频图像中的每个行人目标对象来获取所述每个行人目标对象的检测区域，在当前视频帧中查看所述每个行人目标对象是否出现在对应的检测区域；若有行人目标对象没有出现在对应的检测区域，则所述行人目标对象可能出现摔倒的异常情况，则可以确定所述行人目标对象的状态异常；若所有行人目标对象都出现在对应的检测区域，则所述行人目标对象过马路时的状态正常。

在第二实施方式中，可以根据所述目标对象的置信度来判断所述目标对象是否出现异常。所述目标对象的置信度可以为目标对象特征置信度，所述目标对象特征置信度指目标对象与背景在某种特征上的区分度，所述区分度可以用来判断使用该特征区分目标对象与背景的可靠性。所述目标对象特征置信度包括颜色特征置信度、形状特征置信度和运动特征置信度。

具体地，当所述固有特征为所述目标对象的置信度时，根据所述预设场景中的固有特征判断所述目标对象是否出现异常包括：

计算所述视频图像中的目标对象的置信度；

判断所述目标对象的置信度是否大于一预设值；

当所述目标对象的置信度大于等于所述预设值，确定所述目标对象的状态异常；及

当所述目标对象的置信度小于所述预设值，确定所述目标对象的状态正常。

例如，当所述视频图像为监控隧道中是否有人的视频图像时，为了避免将隧道中的涵洞误认为是人，可以先计算所述视频图像中的目标对象的置信度，如颜色特征置信度；当所述视频图像中的目标对象的颜色特征置信度高于第一预设值，确认所述隧道中出现了人。即，所述预设场景中的目标对象出现异常，发出警报信息；当所述视频图像中的目标对象的颜色特征置信度低于所述第一预设值时，确认所述隧道中没有出现人。即，所述预设场景中的目标对象没有出现异常，可以不用发出警报信息。从而可以避免误侦测的情况发生。

在第三实施方式中，可以根据所述目标对象的置信度和目标对象的移动距离来提升侦测所述目标对象出现异常的准确率。所述目标对象的移动距离可以根据连续视频图像帧中所述目标对象的位置来计算。

具体地，当所述固有特征为目标对象的置信度和目标对象的移动距离时，根据所述预设场景中的固有特征判断所述目标对象是否出现异常包括：

计算所述视频图像中的目标对象的置信度和目标对象的移动距离；

判断所述目标对象的置信度是否大于等于第一预设值，及所述目标对象的移动距离是否大于等于第二预设值；

当所述目标对象的置信度大于等于第一预设值，且所述目标对象的移动距离大于等于第二预设值，确定所述目标对象的状态异常；及

当所述目标对象的置信度小于第一预设值，或所述目标对象的移动距离小于第二预设值，确定所述目标对象的状态正常。

例如，当所述视频图像为监控隧道中是否有人的视频图像时，为了避免将隧道中的涵洞误认为是人，可以先计算所述视频图像中的目标对象的置信度，如颜色特征置信度；再计算目标对象的移动距离；当所述视频图像中的目标对象的颜色特征置信度高于第一预设值，且目标对象的移动距离大于第二预设值时，确认所述隧道中出现了人，即，所述预设场景中的目标对象出现异常，发出警报信息；当所述视频图像中的目标对象的颜色特征置信度低于所述第一预设值时，或者所述目标对象的移动距离小于第二预设值时，确认所述隧道中没有出现人，即，所述预设场景中的目标对象没有出现异常，可以不用发出警报信息。从而可以避免误侦测的情况发生。

在其他实施方式中，可以通过将所述视频图像输入预先训练好的异常模型，并根据所述异常模型判断所述视频图像中的业务场景是否异常。当所述业务场景中出现异常是还可以综合目标对象的置信度来提升侦测所述务场景中出现异常的准确率。例如，当所述视频图像为监控隧道中是否有人的视频图像时，为了避免将隧道中的涵洞误认为是人，可以先计算所述视频图像中的目标对象的置信度；当所述视频图像中的目标对象为人的置信度高于预设值时，确认所述隧道中出现了人，发出警报信息；当所述视频图像中的目标对象为人的置信度低于预设值时，确认所述隧道中没有出现人，可以不用发出警报信息。如此，可以减少侦测所述业务场景中出现异常的误报率，即提升侦测所述业务场景中出现异常的正确率。

所述异常模型包括不同的业务场景对应的异常模型。例如，当所述业务场景为智能交通业务场景时，所述智能交通业务场景对应的异常模型包括交通事故模型、交通拥堵模型及违法违规模型等；当所述业务场景为智慧园区业务场景时，所述智慧园区业务场景对应的异常模型包括随身物品遗留模型、人员入侵模型等；当所述业务场景为渡口监测业务场景时，所述渡口监测业务场景对应的异常模型包括超载模型、落水模型、非法船只模型等。

上述异常模型为根据图片样本集训练的机器学习模型。所述图片样本包括异常业务场景图片样本和正常业务场景图片样本。所述机器学习模型为可以进行图像识别的人工智能算法模型，包括：卷积神经网络模型CNN、循环神经网络模块RNN和深度神经网络模型DNN。其中，卷积神经网络模型CNN是一种多层神经网络，可以将数据量庞大的图像识别问题不断降维，最终使其能够被训练，因此，本申请实施例中的机器学习模型可以为CNN模型。

在CNN网络结构的演化上，出现了许多CNN网络，包括LeNet、AlexNet、VGGNet、GoogleNet和ResNet。其中，ResNet网络提出了一种减轻网络训练负担的残差学习框架，这种网络比以前使用过的网络本质上层次更深，解决了其他神经网络随着网络加深，准确率下降的问题。在本实施方式中，所述机器学习模型可以是卷积申请网络模型CNN中的ResNet模型。需要说明的是，此处仅是举例说明，其他可以进行图像识别的机器学习模型同样适用于本申请，此处不进行赘述。

步骤S4，当所述目标对象出现异常时，发出警示信息。

在一实施方式中，可以根据异常预警规则将所述警示信息发送至相关人员。所述异常预警规则包括异常预警通知方式及异常预警通知人员。例如，当异常预警规则中设置的异常预警通知方式为邮件、短信或即时通信工具(例如微信)时，获取该异常预警规则中的邮箱地址、手机号码或即时通信工具账号，将异常预警发送至对应的邮箱、手机号码或者即时通信工具账号。

优选地，将所述警示信息发送至相关人员之前，首先将所述警示信息按预设的异常预警模板进行编辑。

在其他实施方式中，当所述目标对象出现异常时，所述异常侦测方法还可以记录所述预设场景中出现异常时的关键信息，并将所述关键信息发送至第三方业务平台，其中，所述关键信息包括时间、地点、异常事件的图片等。

在本实施方式中，所述第三方业务平台包括公安系统、交通管制系统等。可以实现由第三方业务平台及时获取业务场景中出现异常时的关键信息，从而及时处理所述异常。

综上所述，本发明提供的异常侦测方法，接收摄像头在预设场景中采集的视频图像；识别所述视频图像中的目标对象；根据所述预设场景中的固有特征判断所述目标对象是否出现异常，其中，所述预设场景中的固有特征至少包括所述目标对象的检测区域、所述目标对象是否在所述检测区域内、所述目标对象的置信度和所述目标对象的移动距离中的一种；及当所述目标对象出现异常时，发出警示信息。实现根据所述预设场景中的固有特征判断所述目标对象是否出现异常，可以减少侦测所述业务场景中出现异常的误报率，即提升侦测所述业务场景中出现异常的正确率。

实施例二

图2为本发明异常侦测装置较佳实施例中的功能模块图。

在一些实施例中，所述异常侦测装置20运行于服务器中。所述异常侦测装置20可以包括多个由程序代码段所组成的功能模块。所述异常侦测装置20中的各个程序段的程序代码可以存储于存储器中，并由至少一个处理器所执行，以执行异常侦测功能。

本实施例中，所述异常侦测装置20根据其所执行的功能，可以被划分为多个功能模块。所述功能模块可以包括：接收模块201、识别模块202、判断模块203及警示模块204。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在一些实施例中，关于各模块的功能将在后续的实施例中详述。

所述接收模块201用于接收摄像头在预设场景中采集的视频图像。

在本实施方式中，所述预设场景描述的是需要进行异常事件侦测和/或异常侦测的场景。例如，所述预设场景可以为识别交通事故、拥堵、车速检测、车流预测、车辆失控、车辆行驶轨迹、人员或自行车闯入、违反交通法规、抛洒物等事件的智能交通业务场景；所述预设场景可以为识别人员入侵、遗留物、遗失物监测、车牌分析、车辆行驶轨迹、车流分析、人流分析、烟火或烟雾等事件的智慧园区业务场景；所述预设场景可以为识别非法船只、超载、密集人群检测、是否穿救生衣、落水等事件的渡口监测业务场景。

所述预设场景还可以是无人驾驶、金融场景、设备登录、机场及公共区域的监控等场景。

在本实施方式中，通过摄像头采集所述视频图像并将所述视频图像发送至服务器。所述摄像头被安装在不同的业务场景中，用于拍摄所述业务场景中的影像，所述摄像头可以是鱼眼摄像头。

优选地，接收摄像头采集的视频图像后，所述异常侦测装置20还可以：

对所述视频图像进行解码。

所述识别模块202用于识别所述视频图像中的目标对象。

在本实施方式中，所述视频图像中的目标对象包括人物、动物、交通工具、建筑物、烟雾等。在本实施方式中，所述视频图像中的目标对象可以包括静止目标对象和运动目标对象。

当所述视频图像中的目标对象为静止目标对象时，可以通过基于模板的检测方法来识别所述静止目标对象。具体包括：确定所述视频图像中的目标对象形状的轮廓，将所述目标对象形状的轮廓与预存的模板文件进行特征匹配。

当所述视频图像中的目标对象为运动目标对象时，可以通过背景差法、帧差法、光流法中的至少一种进行识别。所述背景差法是对视频图像中相对较为固定的场景进行背景建模，检测时由当前图像与背景模型之差得到所述运动目标对象；所述帧差法是通过对视频序列中相邻帧之间对应位置像素点进行比较来获取运动目标对象的位置；所述光流法是利用时间变化的光流矢量特性，对所述视频图像中的运动目标对象进行检测。

在本实施方式中，上述检测视频图像中的静止目标对象和运动目标对象的方法不限于上述列举的，任何适应于检测出视频图像中的目标对象的放法均可应用于此。另外，本实施例中的所述检测视频图像中的静止目标对象和运动目标对象的方法均为现有技术，本文在此不再详细介绍。

优选地，在一实施方式中，所述异常侦测方法还可以通过分解所述视频图像中的目标对象，获取所述视频图像中的目标对象的基本属性，其中，所述基本属性包括颜色、运动轨迹、形状、结构等，再在所述获取的基本属性与预先存储在数据库中的目标对象的基本属性进行比对，从而准确地识别出所述视频图像中的目标对象。所述数据库中存储有目标对象的基本属性与目标对象类别对应表。

具体包括：

通过分解所述视频图像中的目标对象，获取所述视频图像中的目标对象的基本属性；

将获取的所述基本属性与预先存储在数据库中的目标对象的基本属性进行比对；

当获取的所述基本属性与所述数据库中的目标对象的基本属性一致时，查询数据库中存储的基本属性与目标对象类别对应表以得到所述目标对象的类别；

当获取的所述基本属性与所述数据库中的目标对象的基本属性不一致时，结束流程。

所述判断模块203用于根据所述预设场景中的固有特征判断所述目标对象是否出现异常。

在本实施方式中，所述预设场景中的固有特征至少包括所述目标对象的检测区域、所述目标对象是否在所述检测区域内、所述目标对象的置信度、所述目标对象的移动距离等信息。具体地，可以根据上述固有特征中的至少一种来判断所述目标对象是否出现异常。

在第一实施方式中，可以根据所述目标对象的检测区域及所述目标对象是否在所述检测区域内来判断所述目标对象是否出现异常。

具体地，根据所述目标对象的检测区域及所述目标对象是否在所述检测区域内来判断所述目标对象是否出现异常包括：

侦测所述视频图像的当前视频帧中的检测区域内是否存在所述目标对象；

若所述视频图像的当前视频帧中的检测区域内没有所述目标对象，确定所述目标对象的状态异常；

若所述视频图像的当前视频帧中的检测区域内存在所述目标对象，确定所述目标对象的状态正常。

在本实施方式中，所述目标对象的检测区域可以通过跟踪所述视频图像中的目标对象来获取。具体地，通过跟踪所述视频图像中的目标对象来获取所述目标对象的检测区域的方法包括：

a)确定当前视频帧中的目标对象。

b)获取目标对象在前序视频帧中的图像区域以及所述图像区域的图像特征，其中，所述前序视频帧为当前视频帧之前的k个视频帧，k为正整数。

c)根据所述目标对象在前序视频帧中的图像区域，对所述目标对象进行运动估计，确定所述目标对象在当前视频帧的预测区域。

d)根据所述预测区域确定目标对象在当前视频帧中的检测区域。

由于前序视频帧是指当前视频帧之前的k个视频帧，通过这前k个视频帧来对当前视频帧进行预估和对比检测，计算量较小，并且能够解决视频中目标对象偶尔丢失或者遮挡的问题，检测精度较高。

例如，当所述预设场景为行人过马路时的场景时，接收摄像头采集的行人过马路的视频图像，识别所述视频图像中的多个行人目标对象，通过跟踪所述视频图像中的每个行人目标对象来获取所述每个行人目标对象的检测区域，在当前视频帧中查看所述每个行人目标对象是否出现在对应的检测区域；若有行人目标对象没有出现在对应的检测区域，则所述行人目标对象可能出现摔倒的异常情况，则可以确定所述行人目标对象的状态异常；若所有行人目标对象都出现在对应的检测区域，则所述行人目标对象过马路时的状态正常。

在第二实施方式中，可以根据所述目标对象的置信度来判断所述目标对象是否出现异常。所述目标对象的置信度可以为目标对象特征置信度，所述目标对象特征置信度指目标对象与背景在某种特征上的区分度，所述区分度可以用来判断使用该特征区分目标对象与背景的可靠性。所述目标对象特征置信度包括颜色特征置信度、形状特征置信度和运动特征置信度。

具体地，当所述固有特征为所述目标对象的置信度时，根据所述预设场景中的固有特征判断所述目标对象是否出现异常包括：

计算所述视频图像中的目标对象的置信度；

判断所述目标对象的置信度是否大于一预设值；

当所述目标对象的置信度大于等于所述预设值，确定所述目标对象的状态异常；及

当所述目标对象的置信度小于所述预设值，确定所述目标对象的状态正常。

例如，当所述视频图像为监控隧道中是否有人的视频图像时，为了避免将隧道中的涵洞误认为是人，可以先计算所述视频图像中的目标对象的置信度，如颜色特征置信度；当所述视频图像中的目标对象的颜色特征置信度高于第一预设值，确认所述隧道中出现了人，即，所述预设场景中的目标对象出现异常，发出警报信息；当所述视频图像中的目标对象的颜色特征置信度低于所述第一预设值时，确认所述隧道中没有出现人，即，所述预设场景中的目标对象没有出现异常，可以不用发出警报信息。从而可以避免误侦测的情况发生。

在第三实施方式中，可以根据所述目标对象的置信度和目标对象的移动距离来提升侦测所述目标对象出现异常的准确率。所述目标对象的移动距离可以根据连续视频图像帧中所述目标对象的位置来计算。

具体地，当所述固有特征为目标对象的置信度和目标对象的移动距离时，根据所述预设场景中的固有特征判断所述目标对象是否出现异常包括：

计算所述视频图像中的目标对象的置信度和目标对象的移动距离；

判断所述目标对象的置信度是否大于等于第一预设值，及所述目标对象的移动距离是否大于等于第二预设值；

当所述目标对象的置信度大于等于第一预设值，且所述目标对象的移动距离大于等于第二预设值，确定所述目标对象的状态异常；及

当所述目标对象的置信度小于第一预设值，或所述目标对象的移动距离小于第二预设值，确定所述目标对象的状态正常。

例如，当所述视频图像为监控隧道中是否有人的视频图像时，为了避免将隧道中的涵洞误认为是人，可以先计算所述视频图像中的目标对象的置信度，如颜色特征置信度；再计算目标对象的移动距离；当所述视频图像中的目标对象的颜色特征置信度高于第一预设值，且目标对象的移动距离大于第二预设值时，确认所述隧道中出现了人，即，所述预设场景中的目标对象出现异常，发出警报信息；当所述视频图像中的目标对象的颜色特征置信度低于所述第一预设值时，或者所述目标对象的移动距离小于第二预设值时，确认所述隧道中没有出现人，即，所述预设场景中的目标对象没有出现异常，可以不用发出警报信息。从而可以避免误侦测的情况发生。

在其他实施方式中，可以通过将所述视频图像输入预先训练好的异常模型，并根据所述异常模型判断所述视频图像中的业务场景是否异常。当所述业务场景中出现异常是还可以综合目标对象的置信度来提升侦测所述务场景中出现异常的准确率。例如，当所述视频图像为监控隧道中是否有人的视频图像时，为了避免将隧道中的涵洞误认为是人，可以先计算所述视频图像中的目标对象的置信度；当所述视频图像中的目标对象为人的置信度高于预设值时，确认所述隧道中出现了人，发出警报信息；当所述视频图像中的目标对象为人的置信度低于预设值时，确认所述隧道中没有出现人，可以不用发出警报信息。如此，可以减少侦测所述业务场景中出现异常的误报率，即提升侦测所述业务场景中出现异常的正确率。

所述异常模型包括不同的业务场景对应的异常模型。例如，当所述业务场景为智能交通业务场景时，所述智能交通业务场景对应的异常模型包括交通事故模型、交通拥堵模型及违法违规模型等；当所述业务场景为智慧园区业务场景时，所述智慧园区业务场景对应的异常模型包括随身物品遗留模型、人员入侵模型等；当所述业务场景为渡口监测业务场景时，所述渡口监测业务场景对应的异常模型包括超载模型、落水模型、非法船只模型等。

上述异常模型为根据图片样本集训练的机器学习模型。所述图片样本包括异常业务场景图片样本和正常业务场景图片样本。所述机器学习模型为可以进行图像识别的人工智能算法模型，包括：卷积神经网络模型CNN、循环神经网络模块RNN和深度神经网络模型DNN。其中，卷积神经网络模型CNN是一种多层神经网络，可以将数据量庞大的图像识别问题不断降维，最终使其能够被训练，因此，本申请实施例中的机器学习模型可以为CNN模型。

在CNN网络结构的演化上，出现了许多CNN网络，包括LeNet、AlexNet、VGGNet、GoogleNet和ResNet。其中，ResNet网络提出了一种减轻网络训练负担的残差学习框架，这种网络比以前使用过的网络本质上层次更深，解决了其他神经网络随着网络加深，准确率下降的问题。在本实施方式中，所述机器学习模型可以是卷积申请网络模型CNN中的ResNet模型。需要说明的是，此处仅是举例说明，其他可以进行图像识别的机器学习模型同样适用于本申请，此处不进行赘述。

警示模块204用于当所述目标对象出现异常时，发出警示信息。

在一实施方式中，可以根据异常预警规则将所述警示信息发送至相关人员。所述异常预警规则包括异常预警通知方式及异常预警通知人员。例如，当异常预警规则中设置的异常预警通知方式为邮件、短信或即时通信工具(例如微信)时，获取该异常预警规则中的邮箱地址、手机号码或即时通信工具账号，将异常预警发送至对应的邮箱、手机号码或者即时通信工具账号。

优选地，将所述警示信息发送至相关人员之前，首先将所述警示信息按预设的异常预警模板进行编辑。

在其他实施方式中，当所述目标对象出现异常时，所述异常侦测装置20还可以记录所述预设场景中出现异常时的关键信息，并将所述关键信息发送至第三方业务平台，其中，所述关键信息包括时间、地点、异常事件的图片等。

在本实施方式中，所述第三方业务平台包括公安系统、交通管制系统等。可以实现由第三方业务平台及时获取业务场景中出现异常时的关键信息，从而及时处理所述异常。

综上所述，本发明提供的异常侦测装置20，包括接受模块201、识别模块202、判断模块203及警示模块204。所述接受模块201用于接收摄像头在预设场景中采集的视频图像；所述识别模块202用于识别所述视频图像中的目标对象；所述判断模块203用于根据所述预设场景中的固有特征判断所述目标对象是否出现异常，其中，所述预设场景中的固有特征至少包括所述目标对象的检测区域、所述目标对象是否在所述检测区域内、所述目标对象的置信度和所述目标对象的移动距离中的一种；及所述警示模块204用于当所述目标对象出现异常时，发出警示信息。从而实现根据所述预设场景中的固有特征判断所述目标对象是否出现异常，可以减少侦测所述业务场景中出现异常的误报率，即提升侦测所述业务场景中出现异常的正确率。

上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，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，双屏设备，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分。

实施例三

图3为本发明实施例三提供的服务器的示意图。

所述服务器3包括：数据库31、存储器32、至少一个处理器33、存储在所述存储器32中并可在所述至少一个处理器33上运行的计算机程序34及至少一条通讯总线35。

所述至少一个处理器33执行所述计算机程序34时实现上述异常侦测方法实施例中的步骤。

示例性的，所述计算机程序34可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器32中，并由所述至少一个处理器33执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序34在所述服务器3中的执行过程。

所述服务器3是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(应用程序licationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。本领域技术人员可以理解，所述示意图3仅仅是服务器3的示例，并不构成对服务器3的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述服务器3还可以包括输入输出设备、网络接入设备、总线等。

所述数据库(Database)31是按照数据结构来组织、存储和管理数据的建立在所述服务器3上的仓库。数据库通常分为层次式数据库、网络式数据库和关系式数据库三种。在本实施方式中，所述数据库31用于存储所述视频图像等。

所述至少一个处理器33可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。该处理器33可以是微处理器或者该处理器33也可以是任何常规的处理器等，所述处理器33是所述服务器3的控制中心，利用各种接口和线路连接整个服务器3的各个部分。

所述存储器32可用于存储所述计算机程序34和/或模块/单元，所述处理器33通过运行或执行存储在所述存储器32内的计算机程序和/或模块/单元，以及调用存储在存储器32内的数据，实现所述服务器3的各种功能。所述存储器32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(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据服务器3的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器32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，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(SecureDigital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

所述存储器32中存储有程序代码，且所述至少一个处理器33可调用所述存储器32中存储的程序代码以执行相关的功能。

所述服务器3集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

尽管未示出，所述服务器3还可以包括给各个部件供电的电源(比如电池)，优选的，电源可以通过电源管理系统与所述至少一个处理器33逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述服务器3还可以包括蓝牙模块、Wi-Fi模块等，在此不再赘述。

应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。

在本发明所提供的几个实施例中，应该理解到，所揭露的电子设备和方法，可以通过其它的方式实现。例如，以上所描述的电子设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

另外，在本发明各个实施例中的各功能单元可以集成在相同处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在相同单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神范围。

Claims (10)

1.一种异常侦测方法，其特征在于，所述方法包括：

接收摄像头在预设场景中采集的视频图像；

识别所述视频图像中的目标对象；

根据所述预设场景中的固有特征判断所述目标对象是否出现异常，其中，所述预设场景中的固有特征至少包括所述目标对象的检测区域、所述目标对象是否在所述检测区域内、所述目标对象的置信度和所述目标对象的移动距离中的一种；及

当所述目标对象出现异常时，发出警示信息。

2.如权利要求1所述的异常侦测方法，其特征在于，所述识别所述视频图像中的目标对象包括：

通过分解所述视频图像中的目标对象，获取所述视频图像中的目标对象的基本属性；

将获取的所述基本属性与预先存储在数据库中的目标对象的基本属性进行比对；

当获取的所述基本属性与所述数据库中的目标对象的基本属性一致时，查询数据库中存储的基本属性与目标对象类别对应表以得到所述目标对象的类别。

3.如权利要求1所述的异常侦测方法，其特征在于，当所述固有特征为所述目标对象是否在所述检测区域内时，根据所述预设场景中的固有特征判断所述目标对象是否出现异常包括：

侦测所述视频图像的当前视频帧中的检测区域内是否存在所述目标对象；

若所述视频图像的当前视频帧中的检测区域内没有所述目标对象，确定所述目标对象的状态异常；

若所述视频图像的当前视频帧中的检测区域内存在所述目标对象，确定所述目标对象的状态正常。

4.如权利要求3所述的异常侦测方法，其特征在于，通过跟踪所述视频图像中的目标对象来获取所述目标对象的检测区域，包括：

确定所述视频图像中的当前视频帧中的目标对象；

获取目标对象在前序视频帧中的图像区域以及所述图像区域的图像特征，其中，所述前序视频帧为当前视频帧之前的k个视频帧，k为正整数；

根据所述目标对象在前序视频帧中的图像区域，对所述目标对象进行运动估计，确定所述目标对象在当前视频帧的预测区域；及

根据所述预测区域确定目标对象在当前视频帧中的检测区域。

5.如权利要求1所述的异常侦测方法，其特征在于，当所述固有特征为所述目标对象的置信度时，根据所述预设场景中的固有特征判断所述目标对象是否出现异常包括：

计算所述视频图像中的目标对象的置信度；

判断所述目标对象的置信度是否大于等于预设值；

当所述目标对象的置信度大于等于所述预设值，确定所述目标对象的状态异常；及

当所述目标对象的置信度小于所述预设值，确定所述目标对象的状态正常。

6.如权利要求5所述的异常侦测方法，其特征在于，所述的置信度包括颜色特征置信度、形状特征置信度和运动特征置信度。

7.如权利要求1所述的异常侦测方法，其特征在于，当所述固有特征为目标对象的置信度和目标对象的移动距离时，根据所述预设场景中的固有特征判断所述目标对象是否出现异常包括：

计算所述视频图像中的目标对象的置信度和目标对象的移动距离；

判断所述目标对象的置信度是否大于等于第一预设值，及所述目标对象的移动距离是否大于等于第二预设值；

当所述目标对象的置信度大于等于第一预设值，且所述目标对象的移动距离大于等于第二预设值，确定所述目标对象的状态异常；及

当所述目标对象的置信度小于第一预设值，或所述目标对象的移动距离小于第二预设值，确定所述目标对象的状态正常。

8.一种异常侦测装置，其特征在于，所述装置包括：

接收模块，用于接收摄像头在预设场景中采集的视频图像；

识别模块，用于识别所述视频图像中的目标对象；

判断模块，用于根据所述预设场景中的固有特征判断所述目标对象是否出现异常，其中，所述预设场景中的固有特征至少包括所述目标对象的检测区域、所述目标对象是否在所述检测区域内、所述目标对象的置信度和所述目标对象的移动距离中的一种；及

警示模块，用于当所述目标对象出现异常时，发出警示信息。

9.一种服务器，其特征在于，所述服务器包括处理器和存储器，所述处理器用于执行所述存储器中存储的计算机程序时实现如权利要求1至7中任意一项所述的异常侦测方法。

10.一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，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7中任意一项所述的异常侦测方法。