CN110929648B - 监控数据处理方法、装置、计算机设备以及存储介质 - Google Patents
监控数据处理方法、装置、计算机设备以及存储介质 Download PDFInfo
- Publication number
- CN110929648B CN110929648B CN201911156646.8A CN201911156646A CN110929648B CN 110929648 B CN110929648 B CN 110929648B CN 201911156646 A CN201911156646 A CN 201911156646A CN 110929648 B CN110929648 B CN 110929648B
- Authority
- CN
- China
- Prior art keywords
- people flow
- time
- data
- monitoring
- real
- 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.)
- Active
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
- 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
Abstract
本发明涉及计算机技术的技术领域,尤其是涉及一种监控数据处理方法、装置、计算机设备以及存储介质,监控数据处理方法包括:S10:获取实时监控数据,其中,所述实时监控数据包括监控时间以及实时人流情况数据;S20:获取预设的人流量预测模型,使用所述对所述实时监控数据的所述监控时间进行比对,得到对应的第一比对结果;S30:从所述第一比对结果中获取预测人流情况数据;S40:将所述实时人流情况数据与所述预测人流情况数据进行比对,得到第二比对结果,若所述第二比对结果超过预设的人流量阈值,则生成人流密度异常预警。本发明具有及时获取到区域范围内的人员密集情况,提升区域范围内的安全性的效果。
Description
技术领域
本发明涉及计算机技术的技术领域,尤其是涉及一种监控数据处理方法、装置、计算机设备以及存储介质。
背景技术
目前,人们会根据个人的需求,前往对应的办事大厅中进行办理相关的事项。在办事大厅中会有若干工作人员以及安保人员辅助人们进行办事,以及管理办事大厅中的秩序。而通常在该办事大厅内会在不同的位置安装摄像监控装置,用于辅助管理办事大厅内的秩序。
现有的办事大厅中,尤其是安全性要求比较高的办事大厅中,为了保障办事大厅内的安全,会对人员密集的程度有要求,若人员密集程度过高,会有引发事故的风险。而存在有办事大厅的比较大,该办事大厅内的工作人员或者安保人员可能不能及时获取到办事大厅内的情况,若不能及时获取人员过于密集的情况并及时进行处理,会存在引发事故的危险。
发明内容
本发明的目的是提供一种及时获取到区域范围内的人员密集情况,提升区域范围内的安全性的监控数据处理方法、装置、计算机设备以及存储介质。
本发明的上述发明目的一是通过以下技术方案得以实现的:
一种监控数据处理方法,所述监控数据处理方法包括:
S10:获取实时监控数据,其中,所述实时监控数据包括监控时间以及实时人流情况数据;
S20:获取预设的人流量预测模型,使用所述对所述实时监控数据的所述监控时间进行比对,得到对应的第一比对结果;
S30:从所述第一比对结果中获取预测人流情况数据;
S40:将所述实时人流情况数据与所述预测人流情况数据进行比对,得到第二比对结果,若所述第二比对结果超过预设的人流量阈值,则生成人流密度异常预警。
通过采用上述技术方案,通过预先训练该人流量预测模型,能够在位于办事大厅内的监控摄像装置获取得到实时监控数据后,使用该人流量预测模型对该实时监控数据进行检测,进而能够根据检测的结果判断当前的某一区域的人流量在对应的预测结果进行比对,既能够通过该比对获取到该区域是否有超有阈值范围的人员聚集,进而生成该人流密度异常预警,能够通知工作人员或者安保人员及时查看以及处理。
本发明进一步设置为:在步骤S20之前,实时监控数据处理方法还包括:
S201:获取历史监控数据,从所述历史监控数据中获取历史正常人流情况数据;
S202:从所述历史正常人流情况数据中获取监控时间段信息;
S203:根据所述历史正常人流情况数据和所述监控时间段信息获取待训练目标集;
S204:对所述待训练目标集进行训练后,得到所述人流量预测模型。
通过采用上述技术方案,通过在历史监控数据中,对历史正常人流情况数据进行训练,能够得到在监控时间段信息内,正常的人流量的模型,能够通过该人流量预测模型,检测当前的人流量是否正常。
本发明进一步设置为:所述步骤S203包括:
S2031:从所述监控时间段信息中划分待筛选时间节点;
S2032:从每一待筛选时间节点中筛选重复出现的人员数据;
S2033:对所述人员数据采用特征延伸处理,得到所述待训练目标集。
通过采用上述技术方案,通过在监控时间段信息中划分待筛选时间节点,能够获取每一待筛选时间节点中的历史情况中,该待筛选时间节点的正常人流量情况;同时,筛选出重复出现的人员数据,能够保证进行训练的待训练目标集中的目标不会重复,提升了训练的效果。
本发明进一步设置为:所述步骤S204包括:
S2041:对所述待训练目标集进行归一化处理,得到待划分训练集;
S2042:根据预设的规则,对所述待划分训练集进行划分,得到待回归训练集;
S2043:采用包括有一个输入层和若干隐藏层的BP神经网络对所述待回归训练集进行回归预测,得到所述人流量预测模型。
通过采用上述技术方案,对待训练目标集进行归一化处理,能够增强方差较小的属性在训练过程的稳定性;采用BP神经网络,能够将划分得到的待回归训练集采用回归预测,进而得到准确的人流量预测模型。
本发明进一步设置为:步骤S20包括:
S21:获取检测时间节点;
S22:根据所述检测时间节点,使用所述人流量预测模型对所述实时监控数据进行检测。
通过采用上述技术方案,通过采用检测时间点,使用该人流量预测模型进行检测,能够与人流量预测模型中的待筛选时间节点对应,检测出该实时监控数据中是否有人员密集的情况。
本发明的上述发明目的二是通过以下技术方案得以实现的:
一种监控数据处理装置,所述监控数据处理装置包括:
数据获取模块,用于获取实时监控数据,其中,所述实时监控数据包括监控时间以及实时人流情况数据;
比对模块,用于获取预设的人流量预测模型,使用所述对所述实时监控数据的所述监控时间进行比对,得到对应的第一比对结果;
预测模块,用于从所述第一比对结果中获取预测人流情况数据;
检测模块,用于将所述实时人流情况数据与所述预测人流情况数据进行比对,得到第二比对结果,若所述第二比对结果超过预设的人流量阈值,则生成人流密度异常预警。
通过采用上述技术方案,通过预先训练该人流量预测模型,能够在位于办事大厅内的监控摄像装置获取得到实时监控数据后,使用该人流量预测模型对该实时监控数据进行检测,进而能够根据检测的结果判断当前的某一区域的人流量在对应的预测结果进行比对,既能够通过该比对获取到该区域是否有超有阈值范围的人员聚集,进而生成该人流密度异常预警,能够通知工作人员或者安保人员及时查看以及处理。
本发明的上述发明目的三是通过以下技术方案得以实现的:
一种计算机设备,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程序,所述处理器执行所述计算机程序时实现上述监控数据处理方法的步骤。
本发明的上述发明目的四是通过以下技术方案得以实现的:
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程序,所述计算机程序被处理器执行时实现上述监控数据处理方法的步骤。
综上所述,本发明的有益技术效果为:
1.通过预先训练该人流量预测模型,能够在位于办事大厅内的监控摄像装置获取得到实时监控数据后,使用该人流量预测模型对该实时监控数据进行检测,进而能够根据检测的结果判断当前的某一区域的人流量在对应的预测结果进行比对,既能够通过该比对获取到该区域是否有超有阈值范围的人员聚集,进而生成该人流密度异常预警,能够通知工作人员或者安保人员及时查看以及处理;
2.通过在历史监控数据中,对历史正常人流情况数据进行训练,能够得到在监控时间段信息内,正常的人流量的模型,能够通过该人流量预测模型,检测当前的人流量是否正常。
附图说明
图1是本发明一实施例中监控数据处理方法的一流程图;
图2是本发明一实施例中监控数据处理方法中的另一流程图;
图3是本发明一实施例中监控数据处理方法中步骤S203的实现流程图;
图4是本发明一实施例中监控数据处理方法中步骤S204的实现流程图;
图5是本发明一实施例中监控数据处理方法中步骤S20的实现流程图;
图6是本发明一实施例中监控数据处理装置的一原理框图;
图7是本发明一实施例中计算机设备的一示意图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
实施例一:
在一实施例中,如图1所示,本发明公开了一种监控数据处理方法,具体包括如下步骤:
S10:获取实时监控数据,其中,实时监控数据包括监控时间以及实时人流情况数据。
在本实施例中,实时监控数据是指通过位于办事大厅等预设的范围安装的监控摄像装置,实时获取得到该范围内人员流动的情况的数据。其中,该办事大厅或预设的范围可以是报税大厅或银行等对安全性要求较高的场所。监控时间是指该获取得到实时监控数据的当前时间。实时人流情况数据是指在该实时监控数据中,该位置人员的位置以及人员流动的数据。
具体地,在该办事大厅或预设的范围内的不同区域,安装用于监控该范围内的情况摄像装置,该安装的摄像装置的位置以及数量可以根据该办事大厅或预设的范围大小,以及每一摄像装置能够拍摄到的画面范围进行设置,以能够通过安装的摄像装置获取到人员逗留以及流动的全部范围为准。
进一步地,通过该安装摄像装置,实时监控该办事大厅或者预设的范围的实时人流情况数据,并记录当前的实时监控时间,作为该实时监控数据。
S20:获取预设的人流量预测模型,使用对实时监控数据的监控时间进行比对,得到对应的第一比对结果。
在本实施例中,人流量预测模型是指预先训练好,用于判断每一位置当前时间内,是否出现人员过于密集的情况的模型。第一比对结果是指在人流量预测模型中,与该实时监控数据中的监控时间对应的时间的数据。
具体地,使用该人流量预测模型,将该实时监控数据的监控时间输入至该人流量预测模型中,进而得到该第一比对结果。
S30:从第一比对结果中获取预测人流情况数据。
在本实施例中,预测人流情况数据是指在该监控时间内,预测应当存在的最大正常的人流量。
具体地,从该第一比对结果中,获取在该人流量预测模型中,与该监控时间对应的时间的数据,根据该时间的数据,从该人流量预测模型中获取对应的预测人流情况数据。应理解的,由于每一摄像装置安装的位置不同,而正常情况下,不同的位置在正常情况下的人流量也会存在不同,因此,每一摄像装置对应的预测人流量情况数据也会存在不同。
S40:将实时人流情况数据与预测人流情况数据进行比对,得到第二比对结果,若第二比对结果超过预设的人流量阈值,则生成人流密度异常预警。
在本实施例中,第二比对结果是指实时人流情况数据与预测人流情况数据进行比对的结果。人流量阈值是指预先设置好,用于判断当前的人流量是否达到或者超过报警的经验数值。
具体地,针对同一位置的实时人流情况数据和对应的预测人流情况数据,将该实时人流情况数据减去对应的预测人流情况数据的方式求得该第二比对结果。进一步地,若第二比对结果为正数,且大于预设的人流量阈值后,生成该人流密度异常预警。并将该人流密度异常预警发送至对应的管理人员,通知该管理人员立马针对产生预警的区域进行真实排查解决。这无论是对于当下的普通办税厅还是无人智能自助办税厅的秩序管理都起到一定的作用。
以办税大厅为例,将实时 监控数据记录至预设的表格1中:
根据该人流量预测模型,设置并记录该表格2:
进一步地,使用该人流量预测模型,对该表格2进行计算,得到预测人流情况数据,后与该表格1中的实时人流情况进行比对,得到第二比对结果。
在本实施例中,通过预先训练该人流量预测模型,能够在位于办事大厅内的监控摄像装置获取得到实时监控数据后,使用该人流量预测模型对该实时监控数据进行检测,进而能够根据检测的结果判断当前的某一区域的人流量在对应的预测结果进行比对,既能够通过该比对获取到该区域是否有超有阈值范围的人员聚集,进而生成该人流密度异常预警,能够通知工作人员或者安保人员及时查看以及处理。
在一实施例中,如图2所示,在步骤S20之前,监控数据处理方法还包括:
S201:获取历史监控数据,从历史监控数据中获取历史正常人流情况数据。
在本实施例中,历史监控数据是指在过去一段时间内记录的监控数据。历史正常人流情况数据是指在该办事大厅等预设的范围内,每一区域对应的正常情况的人流的数据。
具体地,从存储有该历史监控数据的数据库中,获取该历史监控数据。进一步地,从该历史监控数据中,筛选出未被标记有人流量异常的数据,作为该历史正常人流情况数据。
应理解的,根据监控设备安装的位置的不同,在不同的时间以及不同的位置,对应的历史正常人流情况数据可存在不同。
S202:从历史正常人流情况数据中获取监控时间段信息。
在本实施例中,监控时间段信息是指安装的监控装置中进行监控的时间范围。
具体地,根据需要被监控的办事大厅或者预设的范围中规定的营业时间或者是需要被监控的时间段,设置该监控时间段信息。例如,对于报税大厅中,选取该办事大厅的上班时间(8:30)以及下班时间(17:30),作为该监控时间段信息。
S203:根据历史正常人流情况数据和监控时间段信息获取待训练目标集。
在本实施例中,待训练目标集是指存储记录有在该监控时间段内的历史正常人流情况。
具体地,将每一监控装置对应的历史人流情况数据,并对应于该监控时间段信息,进而组成该待训练目标集。
S204:对待训练目标集进行训练后,得到人流量预测模型。
具体地,采用BP神经网络,对该待训练目标集进行训练,使得训练得到的人流量预测模型能够根据不同的时间,在对应安装的位置,检测出当前人流是否超过正常值。
在一实施例中,如图3所示,在步骤S203中,即根据历史正常人流情况数据和监控时间段信息获取待训练目标集,具体包括如下步骤:
S2031:从监控时间段信息中划分待筛选时间节点。
在本实施例中,待筛选时间节点是指用于将监控时间段信息进行划分,并从历史正常人流情况数据中筛选出每一不同的用户的时间段。
具体地,按照预设的时间段,在本实施例中具体为5分钟,在其他实施例中,还可以是4分钟、6分钟或其他时间等。根据该时间段,将该监控时间段信息进行划分该待筛选时间节点。
S2032:从每一待筛选时间节点中筛选重复出现的人员数据。
具体地,利用drop_duplicates(subset=[”],keep='first')函数从待筛选时间节点内筛选出重复出现的user_id的数据,即筛选重复出现的人员数据,仅保留重复值的第一条数据,即对重复出现的人员数据,只保留一次。
S2033:对人员数据采用特征延伸处理,得到待训练目标集。
在本实施例中,待训练目标集是指需要进行训练的数据集。
具体地,使用[‘Enter_time’,’Take_time’,’Start_time’,’Over_time’,’leave_time’] 函数获取并整理筛选后的人员数据的各个时间序列后,对整理过后的特征数据进行特征延伸处理,以在办税大厅为例,统计从办税厅开始营业到当前点时间有多少人在办税厅,有多少人离开了办税厅,从而衍生当下办税厅的纳税人数目(numbers)。统计有多少纳税人处于已进入办税厅但未取票的状态(first_numbers),统计有多少纳税人处于已取票但未进行办理的状态(second_numbers),统计有多少纳税人正在办税(third_numbers),统计有多少人办理结束但未离开大厅(forth_numbers),统计当下时间节点时,根据窗口可办理业务归类的各种业务类型的对应等候人数(wait_numbers)以及各种业务类型对应的正在办理的人数(dealing_numbers),将特征[numbers,first_numbers,second_numbers,third_numbers,forth_numbers,各类业务的wait_numbers,各类业务的dealing_numbers,Count_numbers,Staff_numbers,Area_code] 作为训练的样本集,将此刻对应区域的Numbers作为训练的待训练目标集。
在一实施例中,如图4所示,在步骤S204中,即对待训练目标集进行训练后,得到人流量预测模型,具体包括如下步骤:
S2041:对待训练目标集进行归一化处理,得到待划分训练集。
在本实施例中,待划分训练集是指对待训练目标集进行归一化处理后得到的数据集。
具体地,为了增强方差较小的属性在训练出该人流量预测模型过程的稳定性,采用 preprocessing.Min MaxScaler函数对数据进行归一化处理。
S2042:根据预设的规则,对待划分训练集进行划分,得到待回归训练集。
具体地,对处理完的数据,即该待划分训练集进行random.sheffle打乱后,进行x_train, x_test,y_train,y_test=train_test_split(x,y,test_size=0.3)的训练集验证集划分,得到该待回归训练集。
S2043:采用包括有一个输入层和若干隐藏层的BP神经网络对待回归训练集进行回归预测,得到人流量预测模型。
具体地,选择模型,初始化神经网络。本模型将建立一个输入层,四个隐藏层,一个输出层的BP神经网络进行回归预测,算法中输出层的节点数是根据办税服务厅具体情况得出的特征数来确定,输出层的节点个数为1,利用来确定神经元的隐藏层神经元的个数,其中m为前一输入层的节点数目,n为输出层的节点个数,a为1-10的随机生成树。利用随机生成random.random()for i in range(n_inputs+1)和random.random()fori in range(n_hidden+1)初始化隐藏层和输出层的权重矩阵weights。将sigmo id作为激活函数,使用MSE tf.reduce_mean(tf.square(y_train-predict_y))均方误差作为损失函数,采用梯度下降来逐步优化模型,采用变化的自适应学习速率learning_rate,使网络的训练在不同的阶段自动设置不同学习的速率,设置迭代回合数为epochs=200。
优选地,为了减少训练得到的人流量预测模型的误差,获取已经划分好的x_train和 y_train,在每个训练回合中,先进行前馈计算,接着利用MSE计算误差,再用误差反向进行传播计算,从而更新参数,每训练完一次,用MSE计算predict_train与y_train之间的误差,根据误差的结果对模型进行调整。利用训练过关的人流量预测模型对x_test进行模型测试,获取对应的predict_test,计算y_test与predict_test之间的误差,针对模型拟合程度的要求进行调整优,直至达到要求为止,其中,该要求可以是根据具体需要使用该人流量预测模型的场地的安全性需求进行设置,使得通过该人流量预测模型检测出的人流情况,符合该场地的安全性需求。
在一实施例中,如图5所示,在步骤S20中,即获取预设的人流量预测模型,使用对实时监控数据的监控时间进行比对,得到对应的第一比对结果,具体包括如下步骤:
S21:获取检测时间节点。
在本实施例中,检测时间节点是指检测实际人流量的频率。
具体地,设置该检测时间节点为5分钟,即每5分钟检测一次人流量。
优选地,为了检测的效果,可以将该检测时间节点与待筛选时间节点相对应,设置于待筛选时间节点数值相同的检测时间节点。
S22:根据检测时间节点,使用人流量预测模型对实时监控数据进行检测。
具体地,根据该检测时间节点,使用人流量预测模型,对实时监控数据每5分钟进行一次进行检测。
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。
实施例二:
在一实施例中,提供一种监控数据处理装置,该监控数据处理装置与上述实施例中监控数据处理方法一一对应。如图6所示,该监控数据处理装置包括数据获取模块10、比对模块20、预测模块30和检测模块40。各功能模块详细说明如下:
数据获取模块10,用于获取实时监控数据,其中,所述实时监控数据包括监控时间以及实时人流情况数据;
比对模块20,用于获取预设的人流量预测模型,使用所述对所述实时监控数据的所述监控时间进行比对,得到对应的第一比对结果;
预测模块30,用于从所述第一比对结果中获取预测人流情况数据;
检测模块40,用于将所述实时人流情况数据与所述预测人流情况数据进行比对,得到第二比对结果,若所述第二比对结果超过预设的人流量阈值,则生成人流密度异常预警。
优选地,监控数据处理装置还包括:
历史数据获取模块201,用于获取历史监控数据,从历史监控数据中获取历史正常人流情况数据;
时间段信息获取模块202,用于从历史正常人流情况数据中获取监控时间段信息;
训练集获取模块203,用于根据历史正常人流情况数据和监控时间段信息获取待训练目标集;
模型训练模块204,用于对待训练目标集进行训练后,得到人流量预测模型。
优选地,训练集获取模块203包括:
划分子模块2031,用于从监控时间段信息中划分待筛选时间节点;
筛选子模块2032,用于从每一待筛选时间节点中筛选重复出现的人员数据;
特征延伸子模块2033,用于对人员数据采用特征延伸处理,得到待训练目标集。
优选地,模型训练模块204包括:
归一化处理子模块2041,用于对待训练目标集进行归一化处理,得到待划分训练集;
训练集划分子模块2042,用于根据预设的规则,对待划分训练集进行划分,得到待回归训练集;
模型子模块2043,用于采用包括有一个输入层和若干隐藏层的BP神经网络对待回归训练集进行回归预测,得到人流量预测模型。
优选地,比对模块20包括:
节点获取子模块21,用于获取检测时间节点;
检测子模块22,用于根据检测时间节点,使用人流量预测模型对实时监控数据进行检测。
关于监控数据处理装置的具体限定可以参见上文中对于监控数据处理方法的限定,在此不再赘述。上述监控数据处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
实施例三:
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储历史正常人流情况数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种监控数据处理方法。
在一个实施例中,提供了一种计算机设备,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,处理器执行计算机程序时实现以下步骤:
S10:获取实时监控数据,其中,实时监控数据包括监控时间以及实时人流情况数据;
S20:获取预设的人流量预测模型,使用对实时监控数据的监控时间进行比对,得到对应的第一比对结果;
S30:从第一比对结果中获取预测人流情况数据;
S40:将实时人流情况数据与预测人流情况数据进行比对,得到第二比对结果,若第二比对结果超过预设的人流量阈值,则生成人流密度异常预警。
实施例四:
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
S10:获取实时监控数据,其中,实时监控数据包括监控时间以及实时人流情况数据;
S20:获取预设的人流量预测模型,使用对实时监控数据的监控时间进行比对,得到对应的第一比对结果;
S30:从第一比对结果中获取预测人流情况数据;
S40:将实时人流情况数据与预测人流情况数据进行比对,得到第二比对结果,若第二比对结果超过预设的人流量阈值,则生成人流密度异常预警。
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,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM 以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM (SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM (DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述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,均应包含在本发明的保护范围之内。
Claims (8)
1.一种监控数据处理方法,其特征在于,所述监控数据处理方法包括:
S10:获取预设的范围内的不同区域的实时监控数据,其中,所述实时监控数据包括监控时间以及实时人流情况数据;
S201:获取预设的范围内的每个区域的历史监控数据,从所述历史监控数据中获取历史正常人流情况数据;
S202:从所述历史正常人流情况数据中获取监控时间段信息;
S203:根据所述历史正常人流情况数据和所述监控时间段信息获取待训练目标集;
S204:对所述待训练目标集进行训练后,得到人流量预测模型;
S20:获取所述人流量预测模型,将所述实时监控数据的监控时间输入至所述人流量预测模型中,得到对应的第一比对结果;
S30:从所述第一比对结果中获取预测人流情况数据;
S40:将所述实时人流情况数据与所述预测人流情况数据进行比对,得到第二比对结果,若所述第二比对结果超过预设的人流量阈值,则生成人流密度异常预警。
2.如权利要求1所述的监控数据处理方法,其特征在于,所述步骤S203包括:
S2031:从所述监控时间段信息中划分待筛选时间节点;
S2032:从每一待筛选时间节点中筛选重复出现的人员数据;
S2033:对所述人员数据采用特征延伸处理,得到所述待训练目标集。
3.如权利要求1所述的监控数据处理方法,其特征在于,所述步骤S204包括:
S2041:对所述待训练目标集进行归一化处理,得到待划分训练集;
S2042:根据预设的规则,对所述待划分训练集进行划分,得到待回归训练集;
S2043:采用包括有一个输入层和若干隐藏层的BP神经网络对所述待回归训练集进行回归预测,得到所述人流量预测模型。
4.如权利要求1所述的监控数据处理方法,其特征在于,步骤S20包括:
S21:获取检测时间节点;
S22:根据所述检测时间节点,使用所述人流量预测模型对所述实时监控数据进行检测。
5.一种监控数据处理装置,其特征在于,所述监控数据处理装置包括:
数据获取模块,用于获取预设的范围内的不同区域的实时监控数据,其中,所述实时监控数据包括监控时间以及实时人流情况数据;
历史数据获取模块,用于获取预设的范围内的历史监控数据,从所述历史监控数据中获取历史正常人流情况数据;
时间段信息获取模块,用于从所述历史正常人流情况数据中获取监控时间段信息;
训练集获取模块,用于根据所述历史正常人流情况数据和所述监控时间段信息获取待训练目标集;
模型训练模块,用于对所述待训练目标集进行训练后,得到所述人流量预测模型;
比对模块,用于获取人流量预测模型,将所述实时监控数据的监控时间输入至所述人流量预测模型中,得到对应的第一比对结果;
预测模块,用于从所述第一比对结果中获取预测人流情况数据;
检测模块,用于将所述实时人流情况数据与所述预测人流情况数据进行比对,得到第二比对结果,若所述第二比对结果超过预设的人流量阈值,则生成人流密度异常预警。
6.如权利要求5所述的监控数据处理装置,其特征在于,所述训练集获取模块包括:
划分子模块,用于从所述监控时间段信息中划分待筛选时间节点;
筛选子模块,用于从每一待筛选时间节点中筛选重复出现的人员数据;
特征延伸子模块,用于对所述人员数据采用特征延伸处理,得到所述待训练目标集。
7.一种计算机设备,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程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述监控数据处理方法的步骤。
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4任一项所述监控数据处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911156646.8A CN110929648B (zh) | 2019-11-22 | 2019-11-22 | 监控数据处理方法、装置、计算机设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911156646.8A CN110929648B (zh) | 2019-11-22 | 2019-11-22 | 监控数据处理方法、装置、计算机设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110929648A CN110929648A (zh) | 2020-03-27 |
CN110929648B true CN110929648B (zh) | 2021-03-16 |
Family
ID=69850740
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911156646.8A Active CN110929648B (zh) | 2019-11-22 | 2019-11-22 | 监控数据处理方法、装置、计算机设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110929648B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111629336B (zh) * | 2020-06-05 | 2021-04-27 | 腾讯科技(深圳)有限公司 | 一种目标区域内人数确定方法、装置、设备及存储介质 |
CN111652161A (zh) * | 2020-06-08 | 2020-09-11 | 上海商汤智能科技有限公司 | 人群过密预测方法、装置、电子设备及存储介质 |
CN111885181B (zh) * | 2020-07-28 | 2023-02-28 | 平安科技(深圳)有限公司 | 监控数据上报方法、装置、计算机设备及存储介质 |
CN114900669A (zh) * | 2020-10-30 | 2022-08-12 | 深圳市商汤科技有限公司 | 场景监测方法、装置、电子设备及存储介质 |
CN112330074A (zh) * | 2020-12-02 | 2021-02-05 | 公安部交通管理科学研究所 | 一种基于移动警务的卡口流量预警方法 |
CN112785193A (zh) * | 2021-02-04 | 2021-05-11 | 广东鹏裕建设有限公司 | 一种水库全方位监控方法、系统、计算机设备及存储介质 |
CN112906953B (zh) * | 2021-02-04 | 2023-12-22 | 杭州涂鸦信息技术有限公司 | 人流量预测方法、装置、计算机设备和可读存储介质 |
CN113515888B (zh) * | 2021-05-17 | 2022-04-08 | 南京林业大学 | 一种基于人流聚集情况的景观灯光设计方法及系统 |
CN113724845B (zh) * | 2021-08-30 | 2023-06-23 | 深圳平安智慧医健科技有限公司 | 基于人工智能的医护人员配比检测方法及相关装置 |
CN113869779B (zh) * | 2021-10-13 | 2023-06-13 | 深圳联和智慧科技有限公司 | 基于城市管理的人流监控方法、系统及云平台 |
CN114238346B (zh) * | 2022-02-25 | 2022-05-17 | 浙江力嘉电子科技有限公司 | 监控密度分析方法、装置、存储介质和电子设备 |
CN116664095B (zh) * | 2023-06-21 | 2024-02-27 | 一站发展(北京)云计算科技有限公司 | 一种基于深度学习的安保巡检预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104992223A (zh) * | 2015-06-12 | 2015-10-21 | 安徽大学 | 基于深度学习的密集人数估计方法 |
CN106845855A (zh) * | 2017-02-14 | 2017-06-13 | 广东睿盟计算机科技有限公司 | 一种关于纳税服务综合管理的系统 |
CN107133607A (zh) * | 2017-05-27 | 2017-09-05 | 上海应用技术大学 | 基于视频监控的人群统计方法及系统 |
CN108965826A (zh) * | 2018-08-21 | 2018-12-07 | 北京旷视科技有限公司 | 监控方法、装置、处理设备及存储介质 |
CN109902865A (zh) * | 2019-02-20 | 2019-06-18 | 广州视源电子科技股份有限公司 | 人流量安全性的识别方法、装置、计算机设备和存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7106296B2 (ja) * | 2018-02-28 | 2022-07-26 | キヤノン株式会社 | 画像処理装置、画像処理方法及びプログラム |
-
2019
- 2019-11-22 CN CN201911156646.8A patent/CN110929648B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104992223A (zh) * | 2015-06-12 | 2015-10-21 | 安徽大学 | 基于深度学习的密集人数估计方法 |
CN106845855A (zh) * | 2017-02-14 | 2017-06-13 | 广东睿盟计算机科技有限公司 | 一种关于纳税服务综合管理的系统 |
CN107133607A (zh) * | 2017-05-27 | 2017-09-05 | 上海应用技术大学 | 基于视频监控的人群统计方法及系统 |
CN108965826A (zh) * | 2018-08-21 | 2018-12-07 | 北京旷视科技有限公司 | 监控方法、装置、处理设备及存储介质 |
CN109902865A (zh) * | 2019-02-20 | 2019-06-18 | 广州视源电子科技股份有限公司 | 人流量安全性的识别方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110929648A (zh) | 2020-03-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110929648B (zh) | 监控数据处理方法、装置、计算机设备以及存储介质 | |
CN112800116B (zh) | 一种业务数据的异常检测方法及装置 | |
CN108123849B (zh) | 检测网络流量的阈值的确定方法、装置、设备及存储介质 | |
CN110443109A (zh) | 异常行为监控处理方法、装置、计算机设备和存储介质 | |
CN112365066A (zh) | 电梯故障预测方法、系统、装置、计算机设备和存储介质 | |
CN108197909B (zh) | 一种项目进度监理控制系统 | |
CN114900369B (zh) | 一种基于物联网的芯片访问安全监管系统 | |
US10977924B2 (en) | Intelligent river inundation alarming system and method of controlling the same | |
CN111309539A (zh) | 一种异常监测方法、装置和电子设备 | |
WO2020134783A1 (zh) | 告警派单方法、装置、系统及计算机可读存储介质 | |
CN105808368B (zh) | 一种基于随机概率分布的信息安全异常检测的方法及系统 | |
CN104240467A (zh) | 用于过程警报减少的系统和方法 | |
WO2022165965A1 (zh) | 行为数据的监控方法、装置、设备及介质 | |
JP2021529376A (ja) | 動的グラフ分析 | |
CN113792691A (zh) | 一种视频识别方法、系统、设备及介质 | |
CN114023399A (zh) | 一种基于人工智能的空气颗粒物分析预警方法和装置 | |
CN116822715A (zh) | 一种基于人工智能的安全生产监测预警系统 | |
CN116545679A (zh) | 一种工业情境安全基础框架及网络攻击行为特征分析方法 | |
CN114039837B (zh) | 告警数据处理方法、装置、系统、设备和存储介质 | |
CN114338351B (zh) | 网络异常根因确定方法、装置、计算机设备及存储介质 | |
CN115659826A (zh) | 一种服务器故障率检测方法、装置、电子设备及存储介质 | |
CN114358395A (zh) | 考勤预测方法及装置 | |
CN113449059A (zh) | 事件的处理方法、装置、设备和存储介质 | |
CN110321770B (zh) | 管线监控方法、装置、设备和存储介质 | |
US20190122180A1 (en) | Biometric-based punch-in/punch-out management |
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 |