CN110781844A - 保安巡察监测方法及装置 - Google Patents

保安巡察监测方法及装置 Download PDF

Info

Publication number
CN110781844A
CN110781844A CN201911040352.9A CN201911040352A CN110781844A CN 110781844 A CN110781844 A CN 110781844A CN 201911040352 A CN201911040352 A CN 201911040352A CN 110781844 A CN110781844 A CN 110781844A
Authority
CN
China
Prior art keywords
pedestrian
security
video frame
action track
video
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.)
Granted
Application number
CN201911040352.9A
Other languages
English (en)
Other versions
CN110781844B (zh
Inventor
吴晟
蒋诗栋
何建华
马翼
韩忠原
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Liupanshui Co of Guizhou Tabacco Co
Original Assignee
Liupanshui Co of Guizhou Tabacco Co
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Liupanshui Co of Guizhou Tabacco Co filed Critical Liupanshui Co of Guizhou Tabacco Co
Priority to CN201911040352.9A priority Critical patent/CN110781844B/zh
Publication of CN110781844A publication Critical patent/CN110781844A/zh
Application granted granted Critical
Publication of CN110781844B publication Critical patent/CN110781844B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Alarm Systems (AREA)
  • Closed-Circuit Television Systems (AREA)

Abstract

本发明实施例提供一种保安巡察监测方法及装置，其中方法包括：采集巡查点的监控视频，跟踪所述监控视频中的行人，以建立所述行人的行动轨迹；若确定所述行人为保安，则根据所述保安的行动轨迹判断所述保安是否巡更。本发明实施例通过采集巡查点的监控视频，通过图像识别技术识别监控视频中的行人，根据识别出的行人的视频帧的时序，建立行人的行动轨迹，再通过图像识别技术识别出行人是否为保安，根据保安的行动轨迹判断是否巡更，本发明实施例借助视频图像识别技术，能够准确识别出保安，并且可以对保安是否按规定正常巡察进行判断。

Description

保安巡察监测方法及装置
技术领域
本发明涉及智能安保技术领域，更具体地，涉及保安巡察监测方法及装置。
背景技术
在工业园区中，某些重点区域需要进行重点巡逻保卫，因此保安巡逻显得尤为关键。然而，目前对于保安巡察的监管始终属于管理盲区，保安是否能够按照规定在指定地点与时间进行正常巡察，很多情况下是无法完全保证的，对于管理造成了一定的不确定性。
发明内容
本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的保安巡察监测方法及装置。
第一个方面，本发明实施例提供一种保安巡察监测方法，包括：
采集巡查点的监控视频，跟踪所述监控视频中的行人，以建立所述行人的行动轨迹；
若确定所述行人为保安，则根据所述保安的行动轨迹判断所述保安是否巡更。
优选地，所述跟踪所述监控视频中的行人，以建立所述行人的行动轨迹，具体为：
根据预先训练的第一神经网络模型识别出监控视频中的行人；
根据近邻算法对识别出的行人进行跟踪，获得记录行人的行动轨迹的视频帧序列
其中，所述第一神经网络模型以包含行人的样本视频帧为样本，以样本行人的包围框为样本标签训练而成。
优选地，所述若确定所述行人为保安，具体为：
从所述行人所在视频帧中提取着装特征，将所述着装特征输入至预先训练的第二神经网络模型，输出所述行人的身份信息；
其中，所述第二神经网络模型以样本行人的着装特征为样本，以样本行人的身份是否为保安作为标签训练而成。
优选地，所述根据近邻算法对识别出的行人进行跟踪，获得记录行人的行动轨迹的视频帧序列，具体为：
从第一个视频帧开始，计算每一视频帧中行人的中心位置，作为视频帧的检测结果；
计算视频帧的检测结果与已有的行动轨迹的最后一个检测结果间的欧氏距离；
若存在至少一个欧氏距离小于预设阈值，则将所述视频帧加入至距离最近的行动轨迹的末尾，同时记录其他行动轨迹丢失一帧，当行动轨迹的连续丢帧次数达到阈值，则删除行动轨迹；若所有的欧氏距离大于预设阈值，则以所述视频帧为起始点创建新的行动轨迹。
优选地，所述根据所述保安的行动轨迹判断所述保安是否巡更，具体为：
若保安所在视频帧的帧数在总的视频帧序列的比重大于预设阈值，且保安所在行动轨迹的起点和终点。
优选地，所述跟踪所述监控视频中的行人，之后还包括：
通过人脸识别模型识别所述行人的具体身份。
第二个方面，本发明实施例提供一种保安巡察监测装置，包括：
轨迹生成模块，用于采集巡查点的监控视频，跟踪所述监控视频中的行人，以建立所述行人的行动轨迹；
巡更判断模块，用于若确定所述行人为保安，则根据所述保安的行动轨迹判断所述保安是否巡更。
第三方面，本发明实施例提供一种电子设备，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，所述处理器执行所述程序时实现如第一方面所提供的方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。
本发明实施例提供的保安巡察监测方法及装置，通过采集巡查点的监控视频，通过图像识别技术识别监控视频中的行人，根据识别出的行人的视频帧的时序，建立行人的行动轨迹，再通过图像识别技术识别出行人是否为保安，根据保安的行动轨迹判断是否巡更，本发明实施例借助视频图像识别技术，能够准确识别出保安，并且可以对保安是否按规定正常巡察进行判断。
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一简单地介绍，显而易见地，下面描述中的附图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为本发明实施例提供的保安巡察监测方法的流程示意图；
图2为本发明实施例提供的保安巡察监测装置的结构示意图；
图3为本发明实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
为了克服现有技术中无法对保安巡察进行自动监测的问题，本发明实施例的发明构思为：通过采集巡查点的监控视频，通过图像识别技术识别监控视频中的行人，根据识别出的行人的视频帧的时序，建立行人的行动轨迹，再通过图像识别技术识别出行人是否为保安，根据保安的行动轨迹判断是否巡更，本发明实施例借助视频图像识别技术，能够准确识别出保安，并且可以对保安是否按规定正常巡察进行判断。
图1为本发明实施例的保安巡察监测方法的流程示意图，如图1所示，包括
S101、采集巡查点的监控视频，跟踪所述监控视频中的行人，以建立所述行人的行动轨迹。
需要说明的是，本发明实施例首先采集巡查点的监控视频，通过对监控视频进行图像识别来完成保安巡察监测。本发明实施例对巡察点的位置不做具体的限定，可以是户外，也可以是室内。
在采集监控视频后，通过图像识别技术可以获得监控视频中每一帧图像中是否存在识别行人，进一步可以根据记录有行人的视频帧的时序，构建行人的行动轨迹。需要说明的是，本发明实施例的新green的行动轨迹既可以是由多个视频帧构成的序列，也可以是由视频帧中仅包含行人的包围框构成的序列。
S102、若确定所述行人为保安，则根据所述保安的行动轨迹判断所述保安是否巡更。
需要说明的是，由于保安通常穿着特定的制服，因此本发明实施例可以通过图像识别技术判断行人是否为保安，在确定行人为保安，根视频中显示的保安所处的位置，或者保安行动的时间（监控视频一般都携带有时间信息）就可以判断保安是否巡更。
本发明实施例通过采集巡查点的监控视频，通过图像识别技术识别监控视频中的行人，根据识别出的行人的视频帧的时序，建立行人的行动轨迹，再通过图像识别技术识别出行人是否为保安，根据保安的行动轨迹判断是否巡更，本发明实施例借助视频图像识别技术，能够准确识别出保安，并且可以对保安是否按规定正常巡察进行判断，不需要人工的介入，极大提高了保安巡察监测的效率。
在上述各实施例的基础上，作为一种可选实施例，跟踪所述监控视频中的行人，以建立所述行人的行动轨迹，包括S201和S202，具体地：
S201、根据预先训练的第一神经网络模型识别出监控视频中的行人。
需要说明的是，本发明实施例通过神经网络模型识别监控视频中的行人，第一神经网络模型可以为卷积神经网络、也可以是循环神经网络，例如LSTM（长短期记忆网络，Long Short-Term Memory）神经网络。卷积神经网络的优势在于提取深层次的特征，因此有利于准确识别出视频帧中的行人。LSTM神经网络适合于处理时间序列中间隔和延迟长的事件，在保安巡察监测领域，监控视频的时间通常较长，当使用LSTM神经网络时，能够较好地保留巡察周期初始阶段的特征，从而准确跟踪行人。
当第一神经网络模型采用卷积神经网络时，可以通过卷积、赤化以及激活函数的堆叠以及适当组合进行构建，模型的目标是获取行人的包围矩形框，行人为前景，其他为背景。并且，为了区分背景与前景两个类别，模型以交叉熵损失函数和L2距离损失函数共同作为分类损失函数，两种损失函数同时计算并且加权求和作为总体损失值。
最终模型的输出为目标的包围框及属于某一类的置信度分数，具体的为矩形框左上角坐标点和矩形宽高、矩形框所包围的目标的类别和目标属于该类别的分数。基于卷积神经网络的模型依靠数据驱动迭代优化，在实际使用中可以根据使用场景不断迭代优化，使用中不断优化升级。
对于卷积神经网络来说，主体网络越深，输出层越小，提取的特征越具有描述性，但对小目标的检测能力会变弱，深度神经网络较浅层具有大的尺度，具有更多的细节信息，因此具有更强的感知小目标的能力，基于此，本发明实施例在不同深度上引出输出层，可以增加检测算法对多尺度目标的检测能力。可选地，本发明实施例也可以使用更大尺寸的输入图像，这样网络输出具有更大尺寸的Feacher Map,具有更多的空间位置信息，从而能够感知更小的目标，而输出层位于网络的最高层具有更强的语义信息，二者结合同样可以提高小目标检测能力。
本发明实施例的第一神经网络模型以包含行人的样本视频帧为样本，以样本行人的包围框为样本标签训练而成，因此，通过本发明实施例的第一神经网络模型，输入每一帧视频，若视频帧中存在行人，那么会输出一个包含行人的包围框。并且，由于本发明实施例对每一帧视频都进行识别，因此基于多帧统计，能够降低光照等环节对识别造成的干扰，增加准确率。
S202、根据近邻算法对识别出的行人进行跟踪，获得记录行人的行动轨迹的视频帧序列；
近邻算法，也称作K最近邻（kNN，k-NearestNeighbor），kNN算法的核心思想是如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。该方法在确定分类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。kNN方法在类别决策时，只与极少量的相邻样本有关。由于kNN方法主要靠周围有限的邻近的样本，而不是靠判别类域的方法来确定所属类别的，因此对于类域的交叉或重叠较多的待分样本集来说，kNN方法较其他方法更为适合。在应用近邻算法对行人进行跟踪时，通过将类别一致的行人的视频帧进行归类，即可获得行人的行动轨迹。
在上述各实施例的基础上，作为一种可选实施例，若确定所述行人为保安，具体地，包括：
从所述行人所在视频帧中提取着装特征，将所述着装特征输入至预先训练的第二神经网络模型，输出所述行人的身份信息；
其中，所述第二神经网络模型以样本行人的着装特征为样本，以样本行人的身份是否为保安作为标签训练而成
需要说明的是，第二神经网络模型同样可以采用卷积神经网络，通过卷积层、池化及激活函数的堆叠以及适当的组合构建深度卷积神经网络，输出两个类别的置信度，其中一类代表便装，一类代表制服。训练网络采用交叉熵函数作为损失函数。通过该算法，识别目标是否为穿着保安服饰并确认是保安。
在上述各实施例的基础上，作为一种可选实施例，所述根据近邻算法对识别出的行人进行跟踪，获得记录行人的行动轨迹的视频帧序列，包括S301、S302和S303，具体地：
S301、从第一个视频帧开始，计算每一视频帧中行人的中心位置，作为视频帧的检测结果。
需要说明的是，当识别出视频帧中的行人时，可以从视频帧中确定行人对应的所有像素，通过从这些像素中计算一个中心像素，即确定了行人的中心位置，由此可知，行人的中心位置是指行人在视频帧中的位置。
S302、计算视频帧的检测结果与已有的行动轨迹的最后一个检测结果间的欧氏距离。
需要说明的是，本发明实施例对于每一个视频帧的检查结果，都需要计算已有的行动轨迹的最后一个监测结果间的欧式距离，由于所有的视频帧大小是一致的，因此通过计算两个监测结果的像素坐标间的距离即可确定视频帧与已有的行动轨迹是否是连贯的关系。
S303、若存在至少一个欧氏距离小于预设阈值，则将所述视频帧加入至距离最近的行动轨迹的末尾，同时记录其他行动轨迹丢失一帧，当行动轨迹的连续丢帧次数达到阈值，则删除行动轨迹；若所有的欧氏距离大于预设阈值，则以所述视频帧为起始点创建新的行动轨迹。
需要说明的是，若一个视频帧的检查结果与一个已有的行动轨迹欧式距离小于预设阈值，说明该视频帧很可能属于该已有的行动轨迹，因此，选择将该视频帧加入至距离最近的行动轨迹的末尾。可以理解的是，当把一个视频帧加入至一个行动轨迹时，也意味着其他行动轨迹出现了中断，即丢帧，通过统计连续丢帧次数，行动轨迹的连续丢帧次数达到阈值，则删除行动轨迹。若所有的欧氏距离大于预设阈值，则以所述视频帧为起始点创建新的行动轨迹。
在上述各实施例的基础上，作为一种可选实施例，所述根据所述保安的行动轨迹判断所述保安是否巡更，具体为：
若保安所在视频帧的帧数在总的视频帧序列的比重大于预设阈值，且保安所在行动轨迹的起点和终点。
需要说明的是，本发明实施例判断保安是否巡更需要同时满足两个条件：1、人员在序列中识别为穿着保安工装的帧数占总序列长度的比重超过阈值；2、人员的轨迹（序列头与序列尾的连线）是否越过事先在视频中定义的越界判断界线。
在上述各实施例的基础上，作为一种可选实施例，所述跟踪所述监控视频中的行人，之后还包括：通过人脸识别模型识别所述行人的具体身份。需要说明的是，本发明实施例的人脸识别模型为私有的海量人脸图像训练得到。
具体地，通过卷积、池化及激活函数的堆叠以及适当的组合构建深度卷积神经网络，采用高效的残差单元构建人脸识别模型，从而缓解反向求导时的梯度消失问题，使得模型的参数能够得到有效的更新，进而构建根深的网络，最终模型具有更强的提取特征的能力。训练时采用AM-softmax损失函数增加不同人之间人脸图片的类间差异，缩小同一人的人脸图片的类内差异。本发明实施例通过人脸识别进一步确认目标身份信息。
图2为本发明实施例提供的保安巡察监测装置的结构示意图，如图2所示，该保安巡察监测装置包括：轨迹生成模块201和巡更判断模块202，其中：
轨迹生成模块201，用于采集巡查点的监控视频，跟踪所述监控视频中的行人，以建立所述行人的行动轨迹；
巡更判断模块202，用于若确定所述行人为保安，则根据所述保安的行动轨迹判断所述保安是否巡更。
本发明实施例提供的保安巡察监测装置，具体执行上述各保安巡察监测方法实施例流程，具体请详见上述各保安巡察监测方法实施例的内容，在此不再赘述。本发明实施例提供的保安巡察监测装置通过采集巡查点的监控视频，通过图像识别技术识别监控视频中的行人，根据识别出的行人的视频帧的时序，建立行人的行动轨迹，再通过图像识别技术识别出行人是否为保安，根据保安的行动轨迹判断是否巡更，本发明实施例借助视频图像识别技术，能够准确识别出保安，并且可以对保安是否按规定正常巡察进行判断。
图3为本发明实施例提供的电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器（processor）310、通信接口（Communications Interface）320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储在存储器330上并可在处理器310上运行的计算机程序，以执行上述各实施例提供的保安巡察监测方法，例如包括：采集巡查点的监控视频，跟踪所述监控视频中的行人，以建立所述行人的行动轨迹；若确定所述行人为保安，则根据所述保安的行动轨迹判断所述保安是否巡更。
此外，上述的存储器330中的逻辑指令可以通过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，本发明实施例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-Only Memory）、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。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的保安巡察监测方法，例如包括：采集巡查点的监控视频，跟踪所述监控视频中的行人，以建立所述行人的行动轨迹；若确定所述行人为保安，则根据所述保安的行动轨迹判断所述保安是否巡更。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
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各实施方式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。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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）执行各个实施例或者实施例的某些部分所述的方法。
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 (9)

1.一种保安巡察监测方法，其特征在于，包括：
采集巡查点的监控视频，跟踪所述监控视频中的行人，以建立所述行人的行动轨迹；
若确定所述行人为保安，则根据所述保安的行动轨迹判断所述保安是否巡更。
2.根据权利要求1所述的保安巡察监测方法，其特征在于，所述跟踪所述监控视频中的行人，以建立所述行人的行动轨迹，具体为：
根据预先训练的第一神经网络模型识别出监控视频中的行人；
根据近邻算法对识别出的行人进行跟踪，获得记录行人的行动轨迹的视频帧序列
其中，所述第一神经网络模型以包含行人的样本视频帧为样本，以样本行人的包围框为样本标签训练而成。
3.根据权利要求2所述的保安巡察监测方法，其特征在于，所述若确定所述行人为保安，具体为：
从所述行人所在视频帧中提取着装特征，将所述着装特征输入至预先训练的第二神经网络模型，输出所述行人的身份信息；
其中，所述第二神经网络模型以样本行人的着装特征为样本，以样本行人的身份是否为保安作为标签训练而成。
4.根据权利要求2所述的保安巡察监测方法，其特征在于，所述根据近邻算法对识别出的行人进行跟踪，获得记录行人的行动轨迹的视频帧序列，具体为：
从第一个视频帧开始，计算每一视频帧中行人的中心位置，作为视频帧的检测结果；
计算视频帧的检测结果与已有的行动轨迹的最后一个检测结果间的欧氏距离；
若存在至少一个欧氏距离小于预设阈值，则将所述视频帧加入至距离最近的行动轨迹的末尾，同时记录其他行动轨迹丢失一帧，当行动轨迹的连续丢帧次数达到阈值，则删除行动轨迹；若所有的欧氏距离大于预设阈值，则以所述视频帧为起始点创建新的行动轨迹。
5.根据权利要求1所述的保安巡察监测方法，其特征在于，所述根据所述保安的行动轨迹判断所述保安是否巡更，具体为：
若保安所在视频帧的帧数在总的视频帧序列的比重大于预设阈值，且保安所在行动轨迹的起点和终点。
6.根据权利要求1所述的保安巡察监测方法，其特征在于，所述跟踪所述监控视频中的行人，之后还包括：
通过人脸识别模型识别所述行人的具体身份。
7.一种保安巡察监测装置，其特征在于，包括：
轨迹生成模块，用于采集巡查点的监控视频，跟踪所述监控视频中的行人，以建立所述行人的行动轨迹；
巡更判断模块，用于若确定所述行人为保安，则根据所述保安的行动轨迹判断所述保安是否巡更。
8.一种电子设备，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，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述保安巡察监测方法的步骤。
9.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至6中任意一项所述的保安巡察监测方法。
CN201911040352.9A 2019-10-29 2019-10-29 保安巡察监测方法及装置 Active CN110781844B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911040352.9A CN110781844B (zh) 2019-10-29 2019-10-29 保安巡察监测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911040352.9A CN110781844B (zh) 2019-10-29 2019-10-29 保安巡察监测方法及装置

Publications (2)

Publication Number Publication Date
CN110781844A true CN110781844A (zh) 2020-02-11
CN110781844B CN110781844B (zh) 2023-05-16

Family

ID=69387552

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911040352.9A Active CN110781844B (zh) 2019-10-29 2019-10-29 保安巡察监测方法及装置

Country Status (1)

Country Link
CN (1) CN110781844B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112132047A (zh) * 2020-09-24 2020-12-25 天津锋物科技有限公司 一种基于计算机视觉的小区巡更系统
CN112132041A (zh) * 2020-09-24 2020-12-25 天津锋物科技有限公司 一种基于计算机视觉的社区巡更分析方法及其系统
CN112911219A (zh) * 2021-01-15 2021-06-04 南京中兴力维软件有限公司 电力设备巡检路线的识别方法、系统及设备
CN114025139A (zh) * 2021-11-12 2022-02-08 上海世茂物联网科技有限公司 一种基于整体视频监控技术的安全防范系统及方法
CN114022685A (zh) * 2020-07-17 2022-02-08 南京南瑞信息通信科技有限公司 一种安全员位置检测方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101079109A (zh) * 2007-06-26 2007-11-28 北京中星微电子有限公司 基于制服特征的身份识别方法和系统
CN104717573A (zh) * 2015-03-05 2015-06-17 广州市维安电子技术有限公司 一种视频摘要的生成方法
WO2015162621A1 (en) * 2014-04-23 2015-10-29 Laxminarayan Grover Naresh Guard performance and security system
CN106023264A (zh) * 2016-06-13 2016-10-12 朱兰英 一种基于面部的室内巡逻分析系统
CN106097476A (zh) * 2016-06-12 2016-11-09 朱兰英 一种基于面部图像的室内巡视核验方法
CN110287855A (zh) * 2019-06-21 2019-09-27 上海闪马智能科技有限公司 一种行人轨迹获取方法以及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101079109A (zh) * 2007-06-26 2007-11-28 北京中星微电子有限公司 基于制服特征的身份识别方法和系统
WO2015162621A1 (en) * 2014-04-23 2015-10-29 Laxminarayan Grover Naresh Guard performance and security system
CN104717573A (zh) * 2015-03-05 2015-06-17 广州市维安电子技术有限公司 一种视频摘要的生成方法
CN106097476A (zh) * 2016-06-12 2016-11-09 朱兰英 一种基于面部图像的室内巡视核验方法
CN106023264A (zh) * 2016-06-13 2016-10-12 朱兰英 一种基于面部的室内巡逻分析系统
CN110287855A (zh) * 2019-06-21 2019-09-27 上海闪马智能科技有限公司 一种行人轨迹获取方法以及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
无: "校巡通安防系统为"平安校园"建设保驾护航", 安防科技 *
蔡伟立;卿粼波;滕奇志;何小海;: "基于嵌入式平台的网络视频监控系统应用", 信息技术与网络安全 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114022685A (zh) * 2020-07-17 2022-02-08 南京南瑞信息通信科技有限公司 一种安全员位置检测方法及系统
CN114022685B (zh) * 2020-07-17 2022-10-21 南京南瑞信息通信科技有限公司 一种安全员位置检测方法及系统
CN112132047A (zh) * 2020-09-24 2020-12-25 天津锋物科技有限公司 一种基于计算机视觉的小区巡更系统
CN112132041A (zh) * 2020-09-24 2020-12-25 天津锋物科技有限公司 一种基于计算机视觉的社区巡更分析方法及其系统
CN112911219A (zh) * 2021-01-15 2021-06-04 南京中兴力维软件有限公司 电力设备巡检路线的识别方法、系统及设备
CN114025139A (zh) * 2021-11-12 2022-02-08 上海世茂物联网科技有限公司 一种基于整体视频监控技术的安全防范系统及方法

Also Published As

Publication number Publication date
CN110781844B (zh) 2023-05-16

Similar Documents

Publication Publication Date Title
CN110781844B (zh) 保安巡察监测方法及装置
CN108062349B (zh) 基于视频结构化数据及深度学习的视频监控方法和系统
US9652863B2 (en) Multi-mode video event indexing
CN105745687B (zh) 情景感知移动目标检测
US8270733B2 (en) Identifying anomalous object types during classification
KR101731461B1 (ko) 객체에 대한 행동 탐지 장치 및 이를 이용한 행동 탐지 방법
CN103093212B (zh) 基于人脸检测和跟踪截取人脸图像的方法和装置
CN103246896B (zh) 一种鲁棒性车辆实时检测与跟踪方法
CN107230267B (zh) 基于人脸识别算法的幼儿园智能签到方法
CN111813997B (zh) 入侵分析方法、装置、设备及存储介质
CN104123544A (zh) 基于视频分析的异常行为检测方法及系统
CN107256386A (zh) 基于深度学习的人类行为分析方法
CN105519102A (zh) 视频监控方法、视频监控系统以及计算机程序产品
EP2798578A2 (en) Clustering-based object classification
CN104978567A (zh) 基于场景分类的车辆检测方法
Ozcelik et al. A vision based traffic light detection and recognition approach for intelligent vehicles
CN103077380B (zh) 一种基于视频的人数统计方法及装置
CN114708555A (zh) 基于数据处理的森林防火监控方法及电子设备
CN108830204B (zh) 面对目标的监控视频中异常检测方法
CN103049748B (zh) 行为监测方法及装置
CN114926791A (zh) 一种路口车辆异常变道检测方法、装置、存储介质及电子设备
CN114359825A (zh) 监测方法和相关产品
CN115393751A (zh) 数据处理方法、存储介质及电子设备
CN109241952B (zh) 拥挤场景下人物计数方法及装置
CN109740527B (zh) 一种视频帧中图像处理方法

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
GR01 Patent grant
GR01 Patent grant