CN110378515A - 一种突发事件的预测方法、装置、存储介质和服务器 - Google Patents
一种突发事件的预测方法、装置、存储介质和服务器 Download PDFInfo
- Publication number
- CN110378515A CN110378515A CN201910515547.8A CN201910515547A CN110378515A CN 110378515 A CN110378515 A CN 110378515A CN 201910515547 A CN201910515547 A CN 201910515547A CN 110378515 A CN110378515 A CN 110378515A
- Authority
- CN
- China
- Prior art keywords
- portrait
- target
- location information
- frame image
- image
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06V40/20—Movements or behaviour, e.g. gesture recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及计算机技术领域,提出一种突发事件的预测方法、装置、存储介质和服务器。该预测方法包括:获取公共场合的监控录像;检测所述监控录像中各帧图像包含的人像以及每帧图像中各个人像所处的位置;对检测到的每帧图像中包含的各个人像进行姿态识别,得到各个人像的姿态;根据所述监控录像连续的多帧图像中各个人像所处的位置,分别勾画出各个人像的行进路线;将所述每帧图像中各个人像所处的位置、各个人像的姿态以及各个人像的行进路线输入预先构建的突发事件预测模型,得到产生各类突发事件的概率。本发明能够及时地对突发事件进行预测,保护人员的生命和财产安全。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种突发事件的预测方法、装置、存储介质和服务器。
背景技术
在商场、集会、车站等公共场合,人员、人数变化莫测,这增加了突发事件的发生概率。因此针对这些场合,需要采取一些方式去预测突发事件发生的概率及事件类别,以便提前制定应对措施,保护人员的生命和财产安全。然而,目前对于公共场合产生突发事件的应对措施,通常只是采用人工发现,然后逐级上报的方式,无法及时预测突发事件的发生。
发明内容
有鉴于此,本发明实施例提供了一种突发事件的预测方法、装置、存储介质和服务器,能够及时地对突发事件进行预测。
本发明实施例的第一方面,提供了一种突发事件的预测方法,包括:
获取公共场合的监控录像;
检测所述监控录像中各帧图像包含的人像以及每帧图像中各个人像所处的位置;
对检测到的每帧图像中包含的各个人像进行姿态识别,得到各个人像的姿态;
根据所述监控录像连续的多帧图像中各个人像所处的位置,分别勾画出各个人像的行进路线,所述行进路线包括由多个预测的位置坐标点组成的向量;
将所述每帧图像中各个人像所处的位置、各个人像的姿态以及各个人像的行进路线输入预先构建的突发事件预测模型,得到产生各类突发事件的概率,所述突发事件预测模型是以各类突发事件的监控录像中各个人像的位置、姿态和行进路线特征作为样本集训练得到的神经网络模型。
本发明实施例的第二方面,提供了一种突发事件的预测装置,包括:
监控录像获取模块,用于获取公共场合的监控录像;
人像位置检测模块,用于检测所述监控录像中各帧图像包含的人像以及每帧图像中各个人像所处的位置;
人像姿态识别模块,用于对检测到的每帧图像中包含的各个人像进行姿态识别,得到各个人像的姿态;
人像行进路线勾画模块,用于根据所述监控录像连续的多帧图像中各个人像所处的位置,分别勾画出各个人像的行进路线,所述行进路线包括由多个预测的位置坐标点组成的向量;
突发事件预测模块,用于将所述每帧图像中各个人像所处的位置、各个人像的姿态以及各个人像的行进路线输入预先构建的突发事件预测模型,得到产生各类突发事件的概率,所述突发事件预测模型是以各类突发事件的监控录像中各个人像的位置、姿态和行进路线特征作为样本集训练得到的神经网络模型。
本发明实施例的第三方面,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存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如本发明实施例的第一方面提出的突发事件的预测方法的步骤。
本发明实施例的第四方面,提供了一种服务器,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可读指令,所述处理器执行所述计算机可读指令时实现如本发明实施例的第一方面提出的突发事件的预测方法的步骤。
本发明实施例提出的突发事件的预测方法包括:获取公共场合的监控录像;检测所述监控录像中各帧图像包含的人像以及每帧图像中各个人像所处的位置;对检测到的每帧图像中包含的各个人像进行姿态识别,得到各个人像的姿态;根据所述监控录像连续的多帧图像中各个人像所处的位置,分别勾画出各个人像的行进路线,所述行进路线包括由多个预测的位置坐标点组成的向量;将所述每帧图像中各个人像所处的位置、各个人像的姿态以及各个人像的行进路线输入预先构建的突发事件预测模型,得到产生各类突发事件的概率。上述过程通过实时采集公共场合的监控录像,分析该监控录像中的各帧图像以获得各个人像的位置、姿态和行进路线等特征信息,然后将这些特征信息输入预先构建的突发事件预测模型,从而得到产生各类突发事件的概率,能够及时地对突发事件进行预测。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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性的前提下,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突发事件的预测方法的第一个实施例的流程图;
图2是本发明实施例提供的一种突发事件的预测方法的第二个实施例的流程图;
图3是本发明实施例提供的一种突发事件的预测装置的一个实施例的结构图;
图4是本发明实施例提供的一种服务器的示意图。
具体实施方式
本发明实施例提供了一种突发事件的预测方法、装置、存储介质和服务器,能够及时地对突发事件进行预测。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,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,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。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它实施例,都属于本发明保护的范围。
请参阅图1,本发明实施例中一种突发事件的预测方法的第一个实施例包括:
101、获取公共场合的监控录像;
首先,获取公共场合的监控录像。该公共场合是需要监控以及预测突发事件的场合,具体可以是人员密集的火车站、医院和学校等场合。通过设置在该公共场合的一个或多个摄像头,实时拍摄监控录像。
102、检测所述监控录像中各帧图像包含的人像以及每帧图像中各个人像所处的位置;
在获得监控录像之后,检测所述监控录像中各帧图像包含的人像以及每帧图像中各个人像所处的位置。具体的,可以构建一个人像检测模型,该模型输入监控录像的每一帧实时图像,输出每帧图像包含的人像以及位置,该人像检测模型的工作原理为:
(2.1)针对所述监控录像中的任意一帧实时图像,采用人像检测算法检测该实时图像中包含的人像;
(2.2)每检测到一个人像,记录该人像在该实时图像中所处的位置;
(2.3)将检测到的各个人像,各个人像在该实时图像中所处的位置整理成该实时图像的人像位置列表。
人像检测算法主要通过人体的大小、形状等特征,检测出图像中包含的人像。每检测到一个人像之后,记录该人像在该实时图像中所处的位置,比如记录一个二维的图像平面坐标位置(M,N),或者换算为物体在三维空间的坐标位置(X,Y,Z)。整理得到的人像位置列表可以仅包含各个位置信息,每个位置信息表示有一个人像处于该位置;也可以为每个检测到的人像分配一个ID,采用人像ID+位置的格式整理成人像位置列表。
103、对检测到的每帧图像中包含的各个人像进行姿态识别,得到各个人像的姿态;
在检测出图像包含的人像之后,对检测到的每帧图像中包含的各个人像进行姿态识别,得到各个人像的姿态。具体的,可以采用现有的各类人体姿态识别算法,在识别出各个人像的姿态后,还可以分别统计每个姿态包含的人像的数量。通过姿态识别,可以确定图像中各个人像的姿态,比如站立、行走、奔跑和蹲坐等。
104、根据所述监控录像连续的多帧图像中各个人像所处的位置,分别勾画出各个人像的行进路线;
在检测出图像包含的人像以及每个人像所处的位置之后,还会使用人像跟踪模型确定各个人像的行进路线,主要原理是根据监控录像连续的多帧图像中各个人像所处的位置变化分别推算各个人像的行进路线。具体的,所述人像的行进路线包括由多个预测的位置坐标点组成的向量,比如某个人像的行进路线可以表示为(A1、A2、A3、A4、A5、A6),A1-A6为预测的该人像即将到达的位置坐标点,这些位置坐标点勾画出一条行进路线。
105、将所述每帧图像中各个人像所处的位置、各个人像的姿态以及各个人像的行进路线输入预先构建的突发事件预测模型,得到产生各类突发事件的概率。
在获得所述监控录像中各个人像的姿态、所处的位置、行进路线之后,将这些数据输入预先构建的突发事件预测模型,通过该模型的计算得到产生各类突发事件的概率,从而完成突发事件的预测,便于相关人员及时采取相应的应对措施。所述突发事件预测模型是以各类突发事件的监控录像中各个人像的位置、姿态和行进路线特征作为样本集训练得到的神经网络模型。
具体的,该突发事件预测模型预先通过以下方式训练获得:
(1)获取公共场合发生各类突发事件的监控录像,作为样本集;
(2)提取这些样本集中的人像位置、人像姿态、人像行进路线特征,训练一个预测突发事件的神经网络模型。
比如,预先采集火灾事件的监控录像、暴乱事件的监控录像、抗议游行事件的监控录像、以及正常状态(无突发事件)等不同突发事件的监控录像作为样本集,突发事件的类型和规模可以作为样本标签。提取每个样本录像的人像位置、人像姿态、人像行进路线等特征进行训练,得到一个神经网络模型。
在将获得的所述监控录像中各个人像的姿态、所处的位置、行进路线这些数据输入突发事件预测模型之后,会将这些数据和各类不同突发事件的样本录像的特征进行匹配,计算得到产生各类突发事件的概率值。具体的说,每种类型的突发事件都具备某些特定的样本特征,比如对于火灾事件,人像姿态会呈现奔跑姿态,人像位置会聚集,人像的行进路线会呈现一定的一致性(即向相同的一个或多个逃生方向转移)。对于抗议游行事件,大量人像的姿态会呈现举手姿态,会有大量的人像聚集在一起并往同一条路线行走。该突发事件预测模型通过计算输入的人像特征和各类不同突发事件的样本特征之间的相似度,从而得到可能产生各类突发事件的概率。
具体的,获取的每帧图像中各个人像所处的位置、各个人像的姿态以及各个人像的行进路线等特征均可表示为向量的形式,可以将多帧图像的特征数据组成一系列的向量组合(按照图像帧的时间先后顺序排列向量)输入该突发事件的预测模型。该预测模型会将输入的向量组合的每部分的图像特征分别和各类不同突发事件的相对应的样本特征进行匹配,比如将人像位置特征和各类突发事件的样本人像位置特征进行匹配,将人像姿态特征和各类突发事件的样本人像姿态特征进行匹配,将人像的行进路线特征和各类突发事件的样本人像行进路线特征进行匹配。每部分特征的匹配都会得到一个相似度,最终可以计算三部分特征的相似度的平均值,作为发生相应类型突发事件的概率。最终,该预测模型会输出发生每种突发事件的概率值。
进一步的,在得到产生各类突发事件的概率之后,还可以包括:
若产生任意一类突发事件的概率超过预设的阈值,则判定产生突发事件,并执行与所述任意一类突发事件的事件类别对应的应急处理操作。
比如,若产生火灾事故的概率超过90%,则判定产生了火灾,然后执行报警、鸣笛等应急处理操作。
本发明实施例提出的突发事件的预测方法包括:获取公共场合的监控录像;检测所述监控录像中各帧图像包含的人像以及每帧图像中各个人像所处的位置;对检测到的每帧图像中包含的各个人像进行姿态识别,得到各个人像的姿态;根据所述监控录像连续的多帧图像中各个人像所处的位置,分别勾画出各个人像的行进路线,所述行进路线包括由多个预测的位置坐标点组成的向量;将所述每帧图像中各个人像所处的位置、各个人像的姿态以及各个人像的行进路线输入预先构建的突发事件预测模型,得到产生各类突发事件的概率。上述过程通过实时采集公共场合的监控录像,分析该监控录像中的各帧图像以获得各个人像的位置、姿态和行进路线等特征信息,然后将这些特征信息输入预先构建的突发事件预测模型,从而得到产生各类突发事件的概率,能够及时地对突发事件进行预测。
请参阅图2,本发明实施例中一种突发事件的预测方法的第二个实施例包括:
201、获取公共场合的监控录像;
202、检测所述监控录像中各帧图像包含的人像以及每帧图像中各个人像所处的位置;
203、对检测到的每帧图像中包含的各个人像进行姿态识别,得到各个人像的姿态;
步骤201-203与步骤101-103相同,具体可参照步骤101-103的相关说明。
204、针对任意一个目标人像,获取所述目标人像在所述多帧图像中的位置信息;
在检测出图像包含的人像以及每个人像所处的位置之后,还会使用人像跟踪模型确定各个人像的行进路线,主要原理是根据监控录像连续的多帧图像中各个人像所处的位置变化分别推算各个人像的行进路线。具体的,针对任意一个目标人像,首先获取所述目标人像在所述多帧图像中的位置信息。
可选的,所述获取所述目标人像在所述多帧图像中的位置信息可以包括:
(1)在所述多帧图像的第一帧图像中选取一个人像作为目标人像;
(2)将选取的人像在所述第一帧图像中的位置信息确定为所述目标人像的初始位置信息;
(3)获取所述多帧图像的第二帧图像中各个人像的位置信息;
(4)分别计算所述各个人像的位置信息和所述初始位置信息之间的欧式距离;
(5)将所述各个人像的位置信息中所述欧式距离最小的位置信息确定为所述目标人像在所述第二帧图像中的位置信息;
(6)采用相同的方式,获取下一帧图像的各个人像的位置信息中和上一帧图像的所述目标人像的位置信息之间的欧式距离最小的位置信息,作为所述目标人像在所述下一帧图像中的位置信息,从而得到所述目标人像在所述多帧图像中的位置信息。
在上述步骤(1)-(6)中,假如目标人像不是在第一帧图像中开始出现的,可以将该目标人像在首次出现的图像中的位置信息确定为该目标人像的初始位置信息,然后采用相同的方式确定该目标人像在接下来的多帧图像中的位置信息。
上述方式的基本原理为假定同一个人像在连续的两帧图像中的位移最小,然而若出现多人并排行走等特殊情况,容易造成目标人像位置信息的统计错误,即容易将其它人的位置信息误判为目标人像的位置信息。另外,假如该目标人像在某一帧图像中离开了图像区域,采用这种方式也会造成对目标人像的位置信息的统计错误。
为了提高目标人像位置信息统计的准确率,可以采取以下的方式:
(1)在所述多帧图像的任意一帧图像中选取一个人像作为目标人像;
(2)提取所述目标人像的个体特征;
(3)将所述多帧图像中具有所述个体特征的人像所处的位置信息确定为所述目标人像在所述多帧图像中的位置信息。
比如,可以提取目标人像的发型、背包、衣服、帽子、眼镜等个体特征,用于将目标人像和其它人像区分开来,从而准确地得到目标人像在所述多帧图像中的位置信息。
进一步的,若在一帧图像中,具有该个体特征的人像的数量超过一个,则可以结合第一种方式定位目标人像,也即在相邻图像中位置变化最小,且具有该个体特征的人像是目标人像。具体的,在提取所述目标人像的个体特征之后,还可以包括:
(1)检测所述多帧图像中是否存在具有所述个体特征的人像的数量超过一个的目标图像;
(2)若存在所述目标图像,则获取所述目标人像在所述目标图像的上一帧图像中的第一位置信息,以及获取所述目标人像在所述目标图像的下一帧图像中的第二位置信息;
(3)分别计算所述目标图像中各个具有所述个体特征的人像的位置信息和所述第一位置信息的第一欧式距离,以及所述目标图像中各个具有所述个体特征的人像的位置信息和所述第二位置信息的第二欧式距离;
(4)获取所述各个具有所述个体特征的人像的位置信息中所述第一欧式距离和所述第二欧式距离的平均值最小的位置信息,作为所述目标人像在所述目标图像中的位置信息。
通过个体特征结合相邻图像中位置变化最小两种方式,能够非常准确地确定目标人像在各个图像中的位置信息。另外,还可以采用步态识别的方式,即提取目标人像的行走姿态特征,将所述连续的多帧图像中具有该行走姿态特征的人像所处的位置信息确定为该目标人像的位置信息。
205、根据获取到的位置信息的变化趋势推算所述目标人像的行进方向和速度,从而勾画出所述目标人像的行进路线;
在获得目标人像在连续的多帧图像中的位置信息之后,可以根据获取到的位置信息的变化趋势推算所述目标人像的行进方向和速度,从而勾画出所述目标人像的行进路线。对于该监控录像中的每一个人像,都可以采用这种方式确定人像的行进路线。具体的,该行进路线是一个包含多个预测位置坐标点的向量,速度是和该向量关联的一个数值,表示人像在该行进路线中行走的速度,速度在后续操作中输入预测模型时可作为一个新维度的特征数据进行特征匹配。行进路线中包含的各个预测位置坐标点均是图像范围内的位置坐标点,表示该目标人像未来时刻在图像范围内的行走轨迹点。
206、将所述每帧图像中各个人像所处的位置、各个人像的姿态以及各个人像的行进路线输入预先构建的突发事件预测模型,得到产生各类突发事件的概率。
步骤206与步骤105相同,具体可参照步骤105的相关说明。
本发明实施例提出的突发事件的预测方法包括:获取公共场合的监控录像;检测所述监控录像中各帧图像包含的人像以及每帧图像中各个人像所处的位置;对检测到的每帧图像中包含的各个人像进行姿态识别,得到各个人像的姿态;根据所述监控录像连续的多帧图像中各个人像所处的位置,分别勾画出各个人像的行进路线;针对任意一个目标人像,获取所述目标人像在所述多帧图像中的位置信息;根据获取到的位置信息的变化趋势推算所述目标人像的行进方向和速度,从而勾画出所述目标人像的行进路线;将所述每帧图像中各个人像所处的位置、各个人像的姿态以及各个人像的行进路线输入预先构建的突发事件预测模型,得到产生各类突发事件的概率。上述过程通过实时采集公共场合的监控录像,分析该监控录像中的各帧图像以获得各个人像的位置、姿态和行进路线等特征信息,然后将这些特征信息输入预先构建的突发事件预测模型,从而得到产生各类突发事件的概率,能够及时地对突发事件进行预测。与本发明的第一个实施例相比,本实施例提出了具体的勾画图像中各个人像的行进路线的方式。
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。
上面主要描述了一种突发事件的预测方法,下面将对一种突发事件的预测装置进行详细描述。
请参阅图3,本发明实施例中一种突发事件的预测装置的一个实施例包括:
监控录像获取模块301,用于获取公共场合的监控录像;
人像位置检测模块302,用于检测所述监控录像中各帧图像包含的人像以及每帧图像中各个人像所处的位置;
人像姿态识别模块303,用于对检测到的每帧图像中包含的各个人像进行姿态识别,得到各个人像的姿态;
人像行进路线勾画模块304,用于根据所述监控录像连续的多帧图像中各个人像所处的位置,分别勾画出各个人像的行进路线,所述行进路线包括由多个预测的位置坐标点组成的向量;
突发事件预测模块305,用于将所述每帧图像中各个人像所处的位置、各个人像的姿态以及各个人像的行进路线输入预先构建的突发事件预测模型,得到产生各类突发事件的概率,所述突发事件预测模型是以各类突发事件的监控录像中各个人像的位置、姿态和行进路线特征作为样本集训练得到的神经网络模型。
进一步的,所述人像行进路线勾画模块可以包括:
位置信息获取单元,用于针对任意一个目标人像,获取所述目标人像在所述多帧图像中的位置信息;
行进路线勾画单元,用于根据获取到的位置信息的变化趋势推算所述目标人像的行进方向和速度,从而勾画出所述目标人像的行进路线。
进一步的,所述位置信息获取单元可以包括:
第一目标人像选取子单元,用于在所述多帧图像的第一帧图像中选取一个人像作为目标人像;
初始位置信息确定子单元,用于将选取的人像在所述第一帧图像中的位置信息确定为所述目标人像的初始位置信息;
第一位置信息获取子单元,用于获取所述多帧图像的第二帧图像中各个人像的位置信息;
第一距离计算子单元,用于分别计算所述各个人像的位置信息和所述初始位置信息之间的欧式距离;
位置信息确定子单元,用于将所述各个人像的位置信息中所述欧式距离最小的位置信息确定为所述目标人像在所述第二帧图像中的位置信息;
第一位置信息生成子单元,用于采用相同的方式,获取下一帧图像的各个人像的位置信息中和上一帧图像的所述目标人像的位置信息之间的欧式距离最小的位置信息,作为所述目标人像在所述下一帧图像中的位置信息,从而得到所述目标人像在所述多帧图像中的位置信息。
进一步的,所述位置信息获取单元可以包括:
第二目标人像选取子单元,用于在所述多帧图像的任意一帧图像中选取一个人像作为目标人像;
个体特征提取子单元,用于提取所述目标人像的个体特征;
第二位置信息生成子单元,用于将所述多帧图像中具有所述个体特征的人像所处的位置信息确定为所述目标人像在所述多帧图像中的位置信息。
更进一步的,所述位置信息获取单元还可以包括:
目标图像检测子单元,用于检测所述多帧图像中是否存在具有所述个体特征的人像的数量超过一个的目标图像;
第二位置信息获取子单元,用于若存在所述目标图像,则获取所述目标人像在所述目标图像的上一帧图像中的第一位置信息,以及获取所述目标人像在所述目标图像的下一帧图像中的第二位置信息;
第二距离计算子单元,用于分别计算所述目标图像中各个具有所述个体特征的人像的位置信息和所述第一位置信息的第一欧式距离,以及所述目标图像中各个具有所述个体特征的人像的位置信息和所述第二位置信息的第二欧式距离;
第三位置信息生成子单元,用于获取所述各个具有所述个体特征的人像的位置信息中所述第一欧式距离和所述第二欧式距离的平均值最小的位置信息,作为所述目标人像在所述目标图像中的位置信息。
进一步的,所述突发事件的预测装置还可以包括:
应急处理模块,用于若产生任意一类突发事件的概率超过预设的阈值,则判定产生突发事件,并执行与所述任意一类突发事件的事件类别对应的应急处理操作。
本发明实施例还提供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可读指令,所述计算机可读指令被处理器执行时实现如图1或图2表示的任意一种突发事件的预测方法的步骤。
本发明实施例还提供一种服务器,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可读指令,所述处理器执行所述计算机可读指令时实现如图1或图2表示的任意一种突发事件的预测方法的步骤。
图4是本发明一实施例提供的服务器的示意图。如图4所示,该实施例的服务器4包括:处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机可读指令42。所述处理器40执行所述计算机可读指令42时实现上述各个突发事件的预测方法实施例中的步骤,例如图1所示的步骤101至105。或者,所述处理器40执行所述计算机可读指令42时实现上述各装置实施例中各模块/单元的功能,例如图3所示模块301至305的功能。
示例性的,所述计算机可读指令42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41中,并由所述处理器40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可读指令段,该指令段用于描述所述计算机可读指令42在所述服务器4中的执行过程。
所述服务器4可以是智能手机、笔记本、掌上电脑及云端服务器等计算设备。所述服务器4可包括,但不仅限于,处理器40、存储器41。本领域技术人员可以理解,图4仅仅是服务器4的示例,并不构成对服务器4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4还可以包括输入输出设备、网络接入设备、总线等。
所述处理器40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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器41可以是所述服务器4的内部存储单元,例如服务器4的硬盘或内存。所述存储器41也可以是所述服务器4的外部存储设备,例如所述服务器4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure DigitaL,SD)卡,闪存卡(FLash Card)等。进一步地,所述存储器41还可以既包括所述服务器4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机可读指令以及所述服务器所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,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一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的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,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnLyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上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。
Claims (10)
1.一种突发事件的预测方法,其特征在于,包括:
获取公共场合的监控录像;
检测所述监控录像中各帧图像包含的人像以及每帧图像中各个人像所处的位置;
对检测到的每帧图像中包含的各个人像进行姿态识别,得到各个人像的姿态;
根据所述监控录像连续的多帧图像中各个人像所处的位置,分别勾画出各个人像的行进路线,所述行进路线包括由多个预测的位置坐标点组成的向量;
将所述每帧图像中各个人像所处的位置、各个人像的姿态以及各个人像的行进路线输入预先构建的突发事件预测模型,得到产生各类突发事件的概率,所述突发事件预测模型是以各类突发事件的监控录像中各个人像的位置、姿态和行进路线特征作为样本集训练得到的神经网络模型。
2.根据权利要求1所述的预测方法,其特征在于,所述根据所述监控录像连续的多帧图像中各个人像所处的位置,分别勾画出各个人像的行进路线包括:
针对任意一个目标人像,获取所述目标人像在所述多帧图像中的位置信息;
根据获取到的位置信息的变化趋势推算所述目标人像的行进方向和速度,从而勾画出所述目标人像的行进路线。
3.根据权利要求2所述的预测方法,其特征在于,所述获取所述目标人像在所述多帧图像中的位置信息包括:
在所述多帧图像的第一帧图像中选取一个人像作为目标人像;
将选取的人像在所述第一帧图像中的位置信息确定为所述目标人像的初始位置信息;
获取所述多帧图像的第二帧图像中各个人像的位置信息;
分别计算所述各个人像的位置信息和所述初始位置信息之间的欧式距离;
将所述各个人像的位置信息中所述欧式距离最小的位置信息确定为所述目标人像在所述第二帧图像中的位置信息;
采用相同的方式,获取下一帧图像的各个人像的位置信息中和上一帧图像的所述目标人像的位置信息之间的欧式距离最小的位置信息,作为所述目标人像在所述下一帧图像中的位置信息,从而得到所述目标人像在所述多帧图像中的位置信息。
4.根据权利要求2所述的预测方法,其特征在于,所述获取所述目标人像在所述多帧图像中的位置信息包括:
在所述多帧图像的任意一帧图像中选取一个人像作为目标人像;
提取所述目标人像的个体特征;
将所述多帧图像中具有所述个体特征的人像所处的位置信息确定为所述目标人像在所述多帧图像中的位置信息。
5.根据权利要求4所述的预测方法,其特征在于,在提取所述目标人像的个体特征之后,还包括:
检测所述多帧图像中是否存在具有所述个体特征的人像的数量超过一个的目标图像;
若存在所述目标图像,则获取所述目标人像在所述目标图像的上一帧图像中的第一位置信息,以及获取所述目标人像在所述目标图像的下一帧图像中的第二位置信息;
分别计算所述目标图像中各个具有所述个体特征的人像的位置信息和所述第一位置信息的第一欧式距离,以及所述目标图像中各个具有所述个体特征的人像的位置信息和所述第二位置信息的第二欧式距离;
获取所述各个具有所述个体特征的人像的位置信息中所述第一欧式距离和所述第二欧式距离的平均值最小的位置信息,作为所述目标人像在所述目标图像中的位置信息。
6.根据权利要求1至5中任一项所述的预测方法,其特征在于,在得到产生各类突发事件的概率之后,还包括:
若产生任意一类突发事件的概率超过预设的阈值,则判定产生突发事件,并执行与所述任意一类突发事件的事件类别对应的应急处理操作。
7.一种突发事件的预测装置,其特征在于,包括:
监控录像获取模块,用于获取公共场合的监控录像;
人像位置检测模块,用于检测所述监控录像中各帧图像包含的人像以及每帧图像中各个人像所处的位置;
人像姿态识别模块,用于对检测到的每帧图像中包含的各个人像进行姿态识别,得到各个人像的姿态;
人像行进路线勾画模块,用于根据所述监控录像连续的多帧图像中各个人像所处的位置,分别勾画出各个人像的行进路线,所述行进路线包括由多个预测的位置坐标点组成的向量;
突发事件预测模块,用于将所述每帧图像中各个人像所处的位置、各个人像的姿态以及各个人像的行进路线输入预先构建的突发事件预测模型,得到产生各类突发事件的概率,所述突发事件预测模型是以各类突发事件的监控录像中各个人像的位置、姿态和行进路线特征作为样本集训练得到的神经网络模型。
8.一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可读指令,其特征在于,所述计算机可读指令被处理器执行时实现如权利要求1至6中任一项所述的预测方法的步骤。
9.一种服务器,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可读指令,其特征在于,所述处理器执行所述计算机可读指令时实现如下步骤:
获取公共场合的监控录像;
检测所述监控录像中各帧图像包含的人像以及每帧图像中各个人像所处的位置;
对检测到的每帧图像中包含的各个人像进行姿态识别,得到各个人像的姿态;
根据所述监控录像连续的多帧图像中各个人像所处的位置,分别勾画出各个人像的行进路线,所述行进路线包括由多个预测的位置坐标点组成的向量;
将所述每帧图像中各个人像所处的位置、各个人像的姿态以及各个人像的行进路线输入预先构建的突发事件预测模型,得到产生各类突发事件的概率,所述突发事件预测模型是以各类突发事件的监控录像中各个人像的位置、姿态和行进路线特征作为样本集训练得到的神经网络模型。
10.根据权利要求9所述的服务器,其特征在于,所述根据所述监控录像连续的多帧图像中各个人像所处的位置,分别勾画出各个人像的行进路线包括:
针对任意一个目标人像,获取所述目标人像在所述多帧图像中的位置信息;
根据获取到的位置信息的变化趋势推算所述目标人像的行进方向和速度,从而勾画出所述目标人像的行进路线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910515547.8A CN110378515A (zh) | 2019-06-14 | 2019-06-14 | 一种突发事件的预测方法、装置、存储介质和服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910515547.8A CN110378515A (zh) | 2019-06-14 | 2019-06-14 | 一种突发事件的预测方法、装置、存储介质和服务器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110378515A true CN110378515A (zh) | 2019-10-25 |
Family
ID=68250310
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910515547.8A Pending CN110378515A (zh) | 2019-06-14 | 2019-06-14 | 一种突发事件的预测方法、装置、存储介质和服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110378515A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021103868A1 (zh) * | 2019-11-27 | 2021-06-03 | 中兴通讯股份有限公司 | 一种行人结构化方法、装置、设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955699A (zh) * | 2014-03-31 | 2014-07-30 | 北京邮电大学 | 一种基于监控视频的实时摔倒事件检测方法 |
CN108230353A (zh) * | 2017-03-03 | 2018-06-29 | 北京市商汤科技开发有限公司 | 目标跟踪方法、系统及电子设备 |
CN109522793A (zh) * | 2018-10-10 | 2019-03-26 | 华南理工大学 | 基于机器视觉的多人异常行为检测与识别方法 |
CN109543513A (zh) * | 2018-10-11 | 2019-03-29 | 平安科技(深圳)有限公司 | 智能监控实时处理的方法、装置、设备及存储介质 |
CN109635995A (zh) * | 2018-10-25 | 2019-04-16 | 中国电子科技集团公司电子科学研究院 | 一种基于多维数据的社会安全事件异常发现方法及装置 |
CN109635657A (zh) * | 2018-11-12 | 2019-04-16 | 平安科技(深圳)有限公司 | 目标跟踪方法、装置、设备及存储介质 |
CN109871764A (zh) * | 2019-01-16 | 2019-06-11 | 深兰科技(上海)有限公司 | 一种异常行为识别方法、装置及存储介质 |
-
2019
- 2019-06-14 CN CN201910515547.8A patent/CN110378515A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955699A (zh) * | 2014-03-31 | 2014-07-30 | 北京邮电大学 | 一种基于监控视频的实时摔倒事件检测方法 |
CN108230353A (zh) * | 2017-03-03 | 2018-06-29 | 北京市商汤科技开发有限公司 | 目标跟踪方法、系统及电子设备 |
CN109522793A (zh) * | 2018-10-10 | 2019-03-26 | 华南理工大学 | 基于机器视觉的多人异常行为检测与识别方法 |
CN109543513A (zh) * | 2018-10-11 | 2019-03-29 | 平安科技(深圳)有限公司 | 智能监控实时处理的方法、装置、设备及存储介质 |
CN109635995A (zh) * | 2018-10-25 | 2019-04-16 | 中国电子科技集团公司电子科学研究院 | 一种基于多维数据的社会安全事件异常发现方法及装置 |
CN109635657A (zh) * | 2018-11-12 | 2019-04-16 | 平安科技(深圳)有限公司 | 目标跟踪方法、装置、设备及存储介质 |
CN109871764A (zh) * | 2019-01-16 | 2019-06-11 | 深兰科技(上海)有限公司 | 一种异常行为识别方法、装置及存储介质 |
Non-Patent Citations (1)
Title |
---|
田苇等: "银行业场景下基于视频监控系统的异常行为检测综述", 《智库时代》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021103868A1 (zh) * | 2019-11-27 | 2021-06-03 | 中兴通讯股份有限公司 | 一种行人结构化方法、装置、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Devanne et al. | 3-d human action recognition by shape analysis of motion trajectories on riemannian manifold | |
Parameswaran et al. | View invariance for human action recognition | |
Ni et al. | Multilevel depth and image fusion for human activity detection | |
KR100886557B1 (ko) | 적응형 학습에 기반한 얼굴 인식 시스템 및 방법 | |
CN103268495B (zh) | 计算机系统中基于先验知识聚类的人体行为建模识别方法 | |
CN110427905A (zh) | 行人跟踪方法、装置以及终端 | |
CN110555481A (zh) | 一种人像风格识别方法、装置和计算机可读存储介质 | |
CN111753747B (zh) | 基于单目摄像头和三维姿态估计的剧烈运动检测方法 | |
CN109214366A (zh) | 局部目标重识别方法、装置及系统 | |
Avola et al. | Deep temporal analysis for non-acted body affect recognition | |
Ghadi et al. | Syntactic model-based human body 3D reconstruction and event classification via association based features mining and deep learning | |
CN109670517A (zh) | 目标检测方法、装置、电子设备和目标检测模型 | |
KR102371127B1 (ko) | 골격의 길이 정보를 이용한 제스쳐 인식 방법 및 처리 시스템 | |
CN115699102A (zh) | 使用遮挡感知单对象跟踪在视频流中跟踪多个对象 | |
Yan et al. | Human-object interaction recognition using multitask neural network | |
Neverova | Deep learning for human motion analysis | |
Bhargavas et al. | Human identification using gait recognition | |
US20220130148A1 (en) | System and Method for Identifying Outfit on a Person | |
CN114581990A (zh) | 一种跑步智能测试方法以及装置 | |
Ni et al. | Integrating multi-stage depth-induced contextual information for human action recognition and localization | |
CN116884045B (zh) | 身份识别方法、装置、计算机设备和存储介质 | |
Reining et al. | Towards a framework for semi-automated annotation of human order picking activities using motion capturing | |
CN110378515A (zh) | 一种突发事件的预测方法、装置、存储介质和服务器 | |
He et al. | High accuracy intelligent real-time framework for detecting infant drowning based on deep learning | |
CN110148234A (zh) | 校园刷脸接送交互方法、存储介质及系统 |
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: 20191025 |
|
RJ01 | Rejection of invention patent application after publication |