CN111464780A - 一种基于边云协同的风险行为预警系统、方法及装置 - Google Patents
一种基于边云协同的风险行为预警系统、方法及装置 Download PDFInfo
- Publication number
- CN111464780A CN111464780A CN202010171529.5A CN202010171529A CN111464780A CN 111464780 A CN111464780 A CN 111464780A CN 202010171529 A CN202010171529 A CN 202010171529A CN 111464780 A CN111464780 A CN 111464780A
- Authority
- CN
- China
- Prior art keywords
- information
- behavior
- monitored object
- early warning
- risk
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000006399 behavior Effects 0.000 claims abstract description 312
- 238000012544 monitoring process Methods 0.000 claims abstract description 144
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 79
- 238000012545 processing Methods 0.000 claims description 38
- 230000002159 abnormal effect Effects 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 19
- 238000001514 detection method Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 12
- 230000007613 environmental effect Effects 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 description 14
- 230000004884 risky behavior Effects 0.000 description 9
- 238000000605 extraction Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000003672 processing method Methods 0.000 description 3
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Computing Systems (AREA)
- Alarm Systems (AREA)
Abstract
本发明实施例提供了一种基于边云协同的风险行为预警系统、方法及装置,第一信息采集设备用于采集监控对象与被监控对象之间的距离信息;第二信息采集设备用于采集被监控对象的生理信息与被监控对象的第一位置信息;视频采集设备用于采集被监控对象所在监控场景的监控视频;边缘预警服务器用于接收距离信息、生理信息、第一位置信息、监控视频;根据监控视频获得被监控对象的行为信息;获得环境信息;根据距离信息、生理信息、第一位置信息、行为信息、对象信息、环境信息预测被监控对象做出风险行为的风险概率;根据风险概率确定是否要对被监控对象做出风险行为进行预警。应用本发明实施例提供的方案可以提高其他对象的安全程度。
Description
技术领域
本发明涉及数据处理技术领域,特别是涉及一种基于边云协同的风险行为预警系统、方法及装置。
背景技术
由于人、动物等对象在做出具有危险的风险行为时可能会对其他对象带来危险,因此,需要对对象的风险行为进行检测,从而提高其他对象的安全程度。
当前,往往在对象做出风险行为后才会检测出风险行为,并针对风险行为进行报警,从而提示工作人员对做出风险行为的对象进行处理。但对象做出风险行为后往往已经造成了不良影响,因此,在对象做出风险行为后才能检测并报警的方式,易导致其他对象的安全程度较低。
发明内容
本发明实施例的目的在于提供一种基于边云协同的风险行为预警系统、方法及装置,以提高其他对象的安全程度。具体技术方案如下:
第一方面,本发明实施例提供了一种基于边云协同的风险行为预警系统,所述系统包括:用于穿戴于监控对象的第一信息采集设备、用于穿戴于被监控对象的第二信息采集设备、视频采集设备与边缘预警服务器;
所述第一信息采集设备,用于采集所述监控对象与所述被监控对象之间的距离信息;向所述边缘预警服务器发送所述距离信息;
所述第二信息采集设备,用于采集所述被监控对象的生理信息与所述被监控对象的第一位置信息;向所述边缘预警服务器发送所述生理信息与所述第一位置信息;
所述视频采集设备,用于采集所述被监控对象所在监控场景的监控视频;向所述边缘预警服务器发送所述监控视频;
所述边缘预警服务器,用于接收所述距离信息、所述生理信息、所述第一位置信息以及所述监控视频;根据所述监控视频获得所述被监控对象的行为信息;获得所述被监控对象的对象信息与所述监控场景的环境信息;根据所述距离信息、生理信息、第一位置信息、行为信息、对象信息以及环境信息预测所述被监控对象做出风险行为的风险概率;根据所述风险概率确定是否要对所述被监控对象做出风险行为进行预警。
第二方面,本发明实施例提供了一种基于边云协同的风险行为预警方法,应用于风险行为预警系统中的边缘预警服务器,所述风险行为预警系统还包括:用于穿戴于监控对象的第一信息采集设备、用于穿戴于被监控对象的第二信息采集设备、视频采集设备,所述方法包括:
接收所述第一信息采集设备发送的距离信息、所述第二信息采集设备发送的生理信息、所述第二信息采集设备发送的第一位置信息以及所述视频采集设备发送的监控视频;
根据所述监控视频获得所述被监控对象的行为信息;
获得所述被监控对象的对象信息与所述被监控对象所在监控场景的环境信息;
根据所述距离信息、生理信息、第一位置信息、行为信息、对象信息以及环境信息预测所述被监控对象做出风险行为的风险概率;
根据所述风险概率确定是否要对所述被监控对象做出风险行为进行预警。
第三方面,本发明实施例提供了一种基于边云协同的风险行为预警装置,应用于风险行为预警系统中的边缘预警服务器,所述风险行为预警系统还包括:用于穿戴于监控对象的第一信息采集设备、用于穿戴于被监控对象的第二信息采集设备、视频采集设备,所述装置包括:
信息接收模块,用于接收所述第一信息采集设备发送的距离信息、所述第二信息采集设备发送的生理信息、所述第二信息采集设备发送的第一位置信息以及所述视频采集设备发送的监控视频;
行为信息获得模块,用于根据所述监控视频获得所述被监控对象的行为信息;
信息获得模块,用于获得所述被监控对象的对象信息与所述被监控对象所在监控场景的环境信息;
概率预测模块,用于根据所述距离信息、生理信息、第一位置信息、行为信息、对象信息以及环境信息预测所述被监控对象做出风险行为的风险概率;
行为预警模块,用于根据所述风险概率确定是否要对所述被监控对象做出风险行为进行预警。
第四方面,本发明实施例提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现第二方面任一所述的方法步骤。
第五方面,本发明实施例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内存储有计算机程序,所述计算机程序被处理器执行时实现第二方面任一所述的方法步骤。
第六方面,本发明实施例还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述第二方面任一所述的方法步骤。
本发明实施例有益效果:
应用本发明实施例提供的方案对对象的风险行为进行预警时,穿戴于监控对象的第一信息采集设备,用于采集上述监控对象与上述被监控对象之间的距离信息;向边缘预警服务器发送所述距离信息;穿戴于被监控对象的第二信息采集设备,用于采集上述被监控对象的生理信息与上述被监控对象的第一位置信息;向边缘预警服务器发送上述生理信息与上述第一位置信息;视频采集设备,用于采集上述被监控对象所在监控场景的监控视频;向边缘预警服务器发送监控视频;边缘预警服务器,用于接收距离信息、生理信息、第一位置信息以及监控视频;根据监控视频获得被监控对象的行为信息;获得被监控对象的对象信息与监控场景的环境信息;根据距离信息、生理信息、第一位置信息、行为信息、对象信息以及环境信息预测被监控对象做出风险行为的风险概率;根据风险概率确定是否要对被监控对象做出风险行为进行预警。由以上可见,第一信息采集设备、第二信息采集设备、视频采集设备将采集到的信息发送到边缘预警服务器,边缘预警服务器接收信息之后,可以根据接收到的信息确定是否要对被监控对象做出风险行为进行预警,从而可以实现对被监控对象可能做出的风险行为进行预警,提高其他对象的安全程度。
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1A为本发明实施例提供的第一种风险行为预警系统的结构示意图;
图1B为本发明实施例提供的第一种边缘预警服务器对被监控对象做出风险行为进行预警的流程示意图;
图2A为本发明实施例提供的第二种风险行为预警系统的结构示意图;
图2B为本发明实施例提供的一种风险行为预警系统的场景示意图;
图3为本发明实施例提供的第二种边缘预警服务器对被监控对象做出风险行为进行预警的流程示意图;
图4为本发明实施例提供的第一种风险行为预警方法的流程示意图;
图5为本发明实施例提供的第二种风险行为预警方法的流程示意图;
图6为本发明实施例提供的第三种风险行为预警方法的流程示意图;
图7为本发明实施例提供的第四种风险行为预警方法的流程示意图;
图8为本发明实施例提供的第五种风险行为预警方法的流程示意图;
图9为本发明实施例提供的第一种风险行为预警装置的结构示意图;
图10为本发明实施例提供的第二种风险行为预警装置的结构示意图;
图11为本发明实施例提供的第三种风险行为预警装置的结构示意图;
图12为本发明实施例提供的一种电子设备的结构示意图。
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。
由于现有技术中存在难以对对象做出风险行为进行预警,导致其他对象的安全程度较低的技术问题,为解决这一问题,本发明实施例提供了一种基于边云协同的风险行为预警系统、方法及装置。
本发明的一个实施例中,提供了一种基于边云协同的风险行为预警系统,上述系统包括:用于穿戴于监控对象的第一信息采集设备、用于穿戴于被监控对象的第二信息采集设备、视频采集设备与边缘预警服务器;
上述第一信息采集设备,用于采集上述监控对象与上述被监控对象之间的距离信息;向上述边缘预警服务器发送上述距离信息;
上述第二信息采集设备,用于采集上述被监控对象的生理信息与上述被监控对象的第一位置信息;向上述边缘预警服务器发送上述生理信息与上述第一位置信息;
上述视频采集设备,用于采集上述被监控对象所在监控场景的监控视频;向上述边缘预警服务器发送上述监控视频;
上述边缘预警服务器,用于接收上述距离信息、上述生理信息、上述第一位置信息以及上述监控视频;根据上述监控视频获得上述被监控对象的行为信息;获得上述被监控对象的对象信息与上述监控场景的环境信息;根据上述距离信息、生理信息、第一位置信息、行为信息、对象信息以及环境信息预测上述被监控对象做出风险行为的风险概率;根据上述风险概率确定是否要对上述被监控对象做出风险行为进行预警。
下面通过具体实施例对本发明实施例提供的基于边云协同的风险行为预警系统、方法及装置进行说明。
本发明的一个实施例中,参见图1A,提供了第一种风险行为预警系统的结构示意图,上述系统包括:用于穿戴于监控对象的第一信息采集设备101、用于穿戴于被监控对象的第二信息采集设备102、视频采集设备103与边缘预警服务器104;
第一信息采集设备101,用于采集上述监控对象与上述被监控对象之间的距离信息;向上述边缘预警服务器104发送上述距离信息。
具体的,上述第一信息采集设备101可以包括穿戴于监控对象的平板电脑、手持设备等。第一信息采集设备可以使用红外测距方式或其他方式确定上述监控对象与被监控对象之间的距离信息,例如,上述距离信息可以为20m、30m等。例如,上述监控对象可以为监控服刑人员的工作人员,还可以为宠物的主人、农场主或动物园内的饲养员等。
上述边缘预警服务器104可以为与上述第一信息采集设备所在地相同,位于上述风险行为预警系统的网络的边缘,用于进行风险行为预警的服务器。
另外,上述第一信息采集设备101可以通过无线自组网向上述边缘预警服务器104发送上述距离信息。
第二信息采集设备102,用于采集上述被监控对象的生理信息与上述被监控对象的第一位置信息;向上述本地服务104发送上述生理信息与上述第一位置信息。
具体的,上述第二信息采集设备102可以包括穿戴于被监控对象的手环、脚环等。上述被监控对象可以为人或其他动物。例如,上述被监控对象可以为服刑人员,还可以为宠物、农场内的动物或动物园内的动物等。
其中,上述生理信息可以包括:被监控对象的心率、呼吸频率、移动速度等,例如,被监控对象的心率为每分钟80次、呼吸频率为每分钟20次、移动速度为每分钟70m等。
上述第一位置信息可以包括:被监控对象的高度位置与水平位置,上述高度位置可以以海拔高度表示,水平位置可以以经纬度表示,如被监控对象位于海拔70m处,北纬39度50分,东经116度24分的位置处。上述水平位置信息可以通过GPS(Global PositioningSystem,全球定位系统)获得。在上述被监控对象位于室内的情况下,上述第一位置信息可以为上述被监控对象在室内的位置,上述被监控对象在室内的位置可以通过室内地形重构的方法确定。
另外,上述第二信息采集设备102可以通过无线自组网或2G网络向上述边缘预警服务器104发送上述生理信息与第二位置信息。
视频采集设备103,用于采集上述被监控对象所在监控场景的监控视频;向上述边缘预警服务器104发送上述监控视频。
其中,上述视频采集设备103可以携带于监控对象身上,也可以固定于上述监控场景中。
边缘预警服务器104,用于通过以下步骤S101-S105对上述被监控对象做出风险行为进行预警。
参见图1B,提供了第一种边缘预警服务器对被监控对象做出风险行为进行预警的流程示意图。
S101:接收上述距离信息、上述生理信息、上述第一位置信息以及上述监控视频。
具体的,可以将接收到的上述距离信息、上述生理信息、上述第一位置信息以及上述监控视频储存在上述边缘预警服务器104中的数据库中。
S102:根据上述监控视频获得上述被监控对象的行为信息。
具体的,上述行为信息可以为上述被监控对象做出的行为为异常行为的概率或被监控对象做出的具体行为的标识。
其中,上述异常行为为被监控对象可以做出的行为中被预设为异常的行为。
例如,在上述被监控对象为人的情况下,上述被监控对象可以做出的具体行为可以为步行、跑步、跳跃、袭击其他对象等,其中可以将袭击其他对象的行为预设为异常行为。
在上述行为信息为上述被监控对象做出的行为为异常行为的概率的情况下,上述概率可以以0-1之间的小数表示,如0.5、0.86等,也可以以百分数的形式表示,如75%、60%等。
具体的,可以通过步骤S102A-S102B获得上述行为信息,在此暂不详述。
S103:获得上述被监控对象的对象信息与上述监控场景的环境信息。
其中,可以从对象信息数据库中获得上述被监控对象的对象信息,上述对象信息数据库中的数据可以为预先采集的。在被监控对象为人的情况下,上述对象信息可以为被监控对象的姓名、性别、年龄、婚姻状况等信息,在上述被监控对象为服刑人员的情况下,上述对象信息还可以包括服刑人员的类别,如轻刑犯、重刑犯等。
其中,可以通过互联网获得上述环境信息,上述监控场景的环境信息可以包括:监控场景的天气、监控场景中包含的人数等信息。例如,上述天气可以为晴天、雨天、雾天等,上述监控场景中包含的人数可以为100人、200人等。
S104:根据上述距离信息、生理信息、第一位置信息、行为信息、对象信息以及环境信息预测上述被监控对象做出风险行为的风险概率。
具体的,若被监控对象与监控对象之间的距离过大,说明被监控对象可能离开监控范围,则被监控对象做出风险行为的概率较高。
可以根据上述被监控对象与监控对象之间的距离是否超过预设超距阈值,确定监控对象与被监控对象之间的距离是否过大。例如,上述超距阈值可以为50m、60m等。
在生理信息中包括心率的情况下,若被监控对象的心率过高,说明被监控对象的情绪可能较为激动,则被监控对象做出风险行为的概率较高。
可以根据生理信息中的心率是否超过最高心率阈值,确定被监控对象是否心率过高。例如,上述最高心率阈值可以为每分钟100次等。
在行为信息为被监控对象做出的行为为异常行为的概率的情况下,若被监控对象做出异常行为的概率较高,则认为上述被监控对象做出风险行为的概率较高。
可以根据上述概率是否超过预设概率阈值,确定被监控对象做出异常行为的概率较高。例如,上述预设概率阈值可以为60%等。
在被监控对象为服刑人员且对象信息中包括服刑人员的类别的情况下,若上述被监控对象为重刑犯,则认为上述被监控对象做出风险行为的概率较高。
在环境信息包括上述天气的情况下,若天气为雨天、雾天等能见度较低的天气的情况下,认为上述被监控对象做出风险行为的概率较高。
在环境信息包括上述监控场景中包含的人数的情况下,若监控场景中包含的人数较多,则认为上述被监控对象做出风险行为的概率较高。
可以根据上述监控场景中包含的人数是否超过预设人数,确定监控场景中包含的人数是否较多。例如,上述预设人数可以为200人、300人等。
在上述各项信息中,每存在一项信息满足对应的预设条件,则在最终获得的风险概率中增加子风险概率,从而获得上述风险概率。例如,上述子风险概率可以为10%,若上述被监控对象的各项信息中,上述被监控对象与监控对象之间的距离是否超过预设超距阈值、心率是否超过最高心率阈值,则上述风险概率为20%。
另外,可以将上述距离信息、生理信息、第一位置信息、行为信息、对象信息以及环境信息输入预先训练好的风险概率预测模型,获得风险概率。
其中,上述风险概率预测模型为:采用样本集对第一初始模型进行训练得到的、用于检测被监控对象做出风险行为的风险概率。上述样本集包括:样本被监控对象的距离信息、生理信息、第一位置信息、行为信息、对象信息以及样本监控对象所在样本监控环境的环境信息、样本被监控对象的风险概率。
其中,上述第一初始模型可以为由Light GBM回归树构成的模型,在对第一初始模型进行训练的过程中可以使用五折交叉验证和贝叶斯自动调参对第一初始模型的参数进行调整,训练得到上述风险概率预测模型。
S105:根据上述风险概率确定是否要对上述被监控对象做出风险行为进行预警。
具体的,若上述风险概率是否大于预设风险概率阈值,若大于预设风向概率阈值则对被监控对象做出风险行为进行预警。
另外,可以通过发出声光信号的方式、向监控对象发出预警通知的方式或其他方式进行预警。
由以上可见,第一信息采集设备、第二信息采集设备、视频采集设备将采集到的信息发送到边缘预警服务器,边缘预警服务器接收信息之后,可以根据接收到的信息确定是否要对被监控对象做出风险行为进行预警,从而可以实现对被监控对象可能做出的风险行为进行预警,提高其他对象的安全程度。
本发明的一个实施例中,参见图2A,提供了第二种风险行为预警系统的结构示意图,上述系统还包括:云端服务器105;
上述边缘预警服务器104,还用于在确定要对上述被监控对象做出风险行为进行预警的情况下,向上述云端服务器105发送预警通知以及上述边缘预警服务器104的第二位置信息。
其中,上述第二位置信息可以为边缘预警服务器104所在位置的经纬度,上述经纬度可以通过GPS获得。上述边缘预警服务器104可以通过APN(Access Point Name,接入点名称)专线与VPN(Virtual Private Network,虚拟专用网络)专线向云端服务器105发送上述预警通知与上述第二位置信息。
上述云端服务器105,用于接收上述预警通知与第二位置信息。根据上述第二位置信息,确定联动监控对象所对应的其他边缘预警服务器的第三位置信息。根据上述第二位置信息和第三位置信息,生成联动风险处理方案。向上述边缘预警服务器104和上述第三位置信息处的服务器发送上述联动风险处理方案。
其中,上述联动监控对象为:用于与上述监控对象联动处理上述预警通知的对象。
具体的,可以根据上述边缘预警服务器104的第二位置信息确定与上述边缘预警服务器104距离小于预设距离值的其他边缘预警服务器,将与边缘预警服务器104距离较近的其他边缘预警服务器对应的监控对象作为联动监控对象,根据联动监控对象的第三位置信息与第二位置信息生成联动风险处理方案。
将联动风险处理方案发送给上述边缘预警服务器104与上述第三位置信息处的服务器发送上述联动风险处理方案,使得上述边缘预警服务器104与第三位置信息处的服务器根据上述联动风险处理方案对上述被监控对象的风险行为进行处理。在上述系统中,云端服务器属于本系统的网络中的云端设备,边缘预警服务器属于网络中的边缘设备,云端服务器与边缘预警服务器协同进行被监控对象的风险行为预警处理,实现了边云协同的数据处理方法。
其中,上述第三位置信息可以以经纬度表示,上述经纬度信息可以通过GPS获得。
例如,上述预设距离值可以为20km、50km等。
参见图2B,提供了一种风险行为预警系统的场景示意图。
其中,矩形框框出的部分分别为第一信息采集设备101、第二信息采集设备102、视频采集设备103、边缘预警服务器104与云端服务器105。
第一信息采集设备101、第二信息采集设备102可以包括多个信息采集设备。
每个边缘预警服务器104可以接收多个第一信息采集设备101、多个第二信息采集设备102与多个视频采集设备103发送的数据。
每个云端服务器105可以与多个边缘预警服务器104相对应。
具体的,第一信息采集设备101之间可以通过蓝牙进行通信,第一信息采集设备101与第二信息采集设备102之间可以通过蓝牙或UWB(Ultra Wide Band,超宽带)通信,第一信息采集设备101可以通过无线自组网将采集到的信息发送到自组网终端,第二信息采集设备102可以通过2G网络将采集到的信息发送到自组网终端、视频采集设备103可以通过有线网络将采集到的视频发送到自组网终端,自组网终端可以通过无线局域网将接收到的信息、视频发送到边缘预警服务器104。
边缘预警服务器104可以将信息通过无线局域网发送到自组网终端,自组网终端可以通过APN专线将接收到的信息发送到基站,基站可以通过VPN专线将接收到的信息发送给云端服务器105。通过上述方式,边缘预警服务器104可以将信息发送到云端服务器105,云端服务器105在接收到信息后可以对信息进行处理生成联动风险处理方案,边缘预警服务器与云端服务器分别对不同的数据进行处理,实现了边云协同的数据处理方法。
上述边缘预警服务器104,还用于接收上述联动风险处理方案,并通知上述监控对象执行上述联动风险处理方案。
由于上述边缘预警服务器位于上述监控对象与被监控对象所在地,与上述监控对象与被监控对象距离较近,因此上述第一信息采集设备与第二信息采集设备能够将采集到的信息较快得发送到上述边缘预警服务器,边缘预警服务器可以根据接收到的信息进行边缘计算,对风险行为进行预警,并可以将预警结果发送到云端服务器,云端服务器根据预警结果生成联动风险处理方案。由于对监控对象的风险行为进行预警的计算工作由边缘预警服务器与云端服务器分别完成,实现了边云协同的数据处理方法,因此通过边缘预警服务器进行边缘计算提高了对被监控对象做出风险行为进行预警的速度,减少了云端服务器接收信息的流量压力,并且由于云端服务器具有较强的数据处理能力,因此通过云端服务器能够统一对所有边缘预警服务器的预警结果进行处理生成联动风险处理方案,从而对风险行为进行统一的联动处理,从而实现了对上述被监控对象的实时监控,提高了其他对象的安全程度。
另外,本发明的又一个实施例中,在上述边缘预警服务器发生故障的情况下,上述第一信息采集设备、第二信息采集设备与视频采集设备采集的数据通过4G无线网络或其他方式发送到其他边缘预警服务器或上述云端服务器,由其他边缘预警服务器或云端服务器进行风险行为预警。从而使得上述边缘预警服务器在发生故障的情况下可以由其他边缘预警服务器或云端服务器对被监控对象的风险行为进行预警,从而提高了其他对象的安全程度。
由以上可见,在上述被监控对象做出风险行为的情况下,可以通过云端服务器生成联动风险处理方案,并联动其他边缘预警服务器与其他边缘预警服务器对应的联动监控对象对上述被监控对象做出风险行为进行风险处理,提高了风险处理的效率,从而可以提高其他对象的安全程度。
本发明的一个实施例中,上述边缘预警服务器104,还用于向上述云端服务器105发送上述距离信息、生理信息、第一位置信息、行为信息、对象信息以及环境信息。
上述云端服务器105,还用于接收上述边缘预警服务器104发送的上述距离信息、生理信息、第一位置信息、行为信息、对象信息以及环境信息,根据上述距离信息和上述第一位置信息生成被监控对象和监控对象的行动轨迹,在预设的云端展示界面展示行动轨迹,并将上述生理信息、行为信息、对象信息以及环境信息作为被监控对象的展示信息在上述云端展示界面展示。
具体的,可以根据上述距离信息与第一位置信息生成被监控对象和监控对象在地图中的移动轨迹。
另外,上述生理信息、行为信息、对象信息以及环境信息可以通过折线图、柱状图、饼状图等形式表示。
由以上可见,上述云端服务器可以在云端展示界面展示上述生理信息、行为信息、对象信息与被监控对象与监控对象的运动轨迹,使得被监控对象的各项信息与被监控对象所在监控场景的环境信息可以更直观的被展示出来。
本发明的一个实施例中,参见图3,提供了第二种边缘预警服务器对被监控对象做出风险行为进行预警的流程示意图。可以通过以下步骤S102A-S102B实现上述步骤S102,包括:
S102A:提取监控视频中的被监控对象的行为特征。
其中,上述行为特征可以以行为特征向量的形式表示。
本发明的一个实施例中,可以将监控视频输入预先训练好的行为特征提取模型,获得被监控对象的行为特征。
其中,上述行为特征提取模型为:采用样本集对第二初始模型进行训练得到的、用于提取视频中被监控对象的行为特征的模型。
上述样本集包括:样本视频与样本视频中包含的样本对象的行为特征。
其中,上述各个样本视频中包含样本对象,样本对象做出的各类行为被记录于上述样本视频中。
上述第二初始模型中可以使用卷积层对视频进行特征提取,卷积层中的卷积核可以为包括长、宽、时间三个维度的卷积核。其中,时间维度可以为16帧,第二初始模型可以为C3D模型。
由于上述卷积核中包括时间维度,因此提取出的对象的行为特征中包含视频中的时间信息。
S102B:将上述行为特征与对象已知的异常行为特征进行匹配,根据匹配结果,预测上述监控视频中上述被监控对象的行为属于异常行为的概率,并将预测得到的概率作为上述被监控对象的行为信息。
其中,可以根据上述行为特征与对象已知的异常行为特征进行匹配,计算相似度作为上述被监控对象的行为属于异常行为的概率。
具体的,可以将上述行为特征输入预先训练好的异常行为检测模型,获得被监控对象的行为属于异常行为的概率。
其中,上述异常行为检测模型为:采用样本集对初始模型进行训练得到的、用于检测被监控对象的行为属于异常行为的概率的模型。
上述样本集包括从样本视频中提取的样本被监控对象的样本行为特征、在样本视频中样本被监控对象的行为是否属于异常行为的标记。
具体的,可以将样本视频均分为32个样本子视频,将各个样本子视频输入特征提取模型,上述特征提取模型的卷积核的时间维度可以为16帧,从而以16帧为单位在样本子视频中提取各个子行为特征,并计算每个样本子视频对应的各个子行为特征的平均值,作为上述样本被监控对象的样本行为特征。
本发明的一个实施例中,可以通过以下步骤A-步骤D训练得到所述异常行为检测模型:
步骤A:获得样本视频中样本被监控对象是否做出异常行为的标记。
步骤B:将上述样本被监控对象的样本行为特征输入初始模型,获得样本行为特征为异常行为特征的异常概率。
步骤C:根据以下公式计算上述初始模型的损失值。
其中,l(Ba,Bn)为上述损失值,Ba为所包含的样本被监控对象做出异常行为的样本视频,Bn为所包含的样本被监控对象未做出异常行为的样本视频,为Ba对应的第i个样本行为特征,为Ba对应的第i+1个样本行为特征,为Bn对应的第i个样本行为特征,n为Ba对应的样本行为特征的数量,f()用于计算样本行为特征为异常行为特征的异常概率,λ1、λ2为预设的权重。
其中,用于计算Ba中异常概率最大的样本行为特征与Bn中异常概率最大的样本行为特征之间的异常概率差值,差值越大的结果越小,从而使得计算得到的损失值越小,根据上述损失值调整上述初始模型的参数,使得训练得到的异常行为检测模型的输出结果中异常行为特征的异常概率与正常行为特征的异常概率之间的差值较大,更易于区分异常行为特征与正常行为特征。
另外,中用于计算在Ba中在视频的时间顺序中相连的行为特征之间异常概率的差值,计算得到的差值越小从而使得计算得到的损失值越小。根据上述损失值调整上述初始模型的参数,使得训练得到的异常行为检测模型的输出结果中在视频的时间顺序中相连的行为特征之间的异常概率差值较小。
再者,用于计算Ba中各个行为特征的异常概率的和,由于视频中的对象发生异常行为的概率较低,因此视频中各个行为特征的异常概率的和较小,从而使得计算得到的损失值较小。根据上述损失值调整上述初始模型的参数,使得训练得到的异常检测模型的输出结果符合视频中的对象发生异常行为的概率较低的特征。
步骤D:根据上述损失值调整上述初始模型的模型参数,并返回上述步骤A,直至上述初始模型满足预设的训练结束条件,将调整参数后的上述初始模型确定为异常行为检测模型。
具体的,上述训练结束条件可以为上述损失值低于预设的损失值阈值,或训练达到预设的训练次数。
由以上可见,通过上述方式可以在上述监控视频中包含的被监控对象的行为是异常行为的异常概率,由于做出异常行为的被监控对象做出风险行为的概率加高,因此可以使用上述方式获得上述异常概率作为被监控对象做出风险行为的预测依据。
本发明的一个实施例中,上述边缘预警服务器104还用于:
根据上述距离信息和上述第一位置信息生成被监控对象和监控对象的行动轨迹,在预设的本地展示界面展示行动轨迹,并将上述生理信息、行为信息、对象信息以及环境信息作为被监控对象的展示信息在上述本地展示界面展示。
具体的,可以根据上述距离信息与第一位置信息生成被监控对象和监控对象在地图中的移动轨迹。
另外,上述生理信息、行为信息、对象信息以及环境信息可以通过折线图、柱状图、饼状图等形式表示。
由以上可见,上述边缘预警服务器可以在本地展示界面展示上述生理信息、行为信息、对象信息与被监控对象与监控对象的运动轨迹,使得被监控对象的各项信息与被监控对象所在监控场景的环境信息可以更直观的被展示出来。
与上述风险行为预警系统相对应,本发明实施例还提供了一种风险行为预警方法,应用于风险行为预警系统中的边缘预警服务器,上述风险行为预警系统还包括:用于穿戴于监控对象的第一信息采集设备、用于穿戴于被监控对象的第二信息采集设备、视频采集设备。
参见图4,本发明实施例提供了第一种风险行为预警方法的流程示意图,上述方法包括:
S401:接收上述第一信息采集设备发送的距离信息、上述第二信息采集设备发送的生理信息、上述第二信息采集设备发送的第一位置信息以及上述视频采集设备发送的监控视频。
S402:根据上述监控视频获得上述被监控对象的行为信息。
S403:获得上述被监控对象的对象信息与上述被监控对象所在监控场景的环境信息。
S404:根据上述距离信息、生理信息、第一位置信息、行为信息、对象信息以及环境信息预测上述被监控对象做出风险行为的风险概率。
S405:根据上述风险概率确定是否要对上述被监控对象做出风险行为进行预警。
具体的,上述步骤S401-S405的实施例与步骤S101-S105相同,在此不再赘述。
由以上可见,第一信息采集设备、第二信息采集设备、视频采集设备将采集到的信息发送到边缘预警服务器,边缘预警服务器接收信息之后,可以根据接收到的信息确定是否要对被监控对象做出风险行为进行预警,从而可以实现对被监控对象可能做出的风险行为进行预警,提高其他对象的安全程度。
本发明的一个实施例中,上述风险行为预警系统还包括:云端服务器。
参见图5,本发明实施例提供了第二种风险行为预警方法的流程示意图,与图4所示的实施例相比,在S405之后,上述方法还包括:
S406:在确定要对上述被监控对象做出风险行为进行预警的情况下,向上述云端服务器发送预警通知以及上述边缘预警服务器的第二位置信息,以使得上述云端服务器根据上述第二位置信息,确定联动监控对象所对应的其他边缘预警服务器的第三位置信息,并根据上述第二位置信息和第三位置信息,生成联动风险处理方案。
其中,上述联动监控对象为:用于与上述监控对象联动处理上述预警通知的对象。
S407:接收上述云端服务器生成的联动风险处理方案,并通知上述监控对象执行上述联动风险处理方案。
由以上可见,在上述被监控对象做出风险行为的情况下,可以通知云端服务器生成联动风险处理方案,从而联动其他边缘预警服务器与其他边缘预警服务器对应的联动监控对象对上述被监控对象做出风险行为进行风险处理,提高了风险处理的效率,因此可以提高其他对象的安全程度。
参见图6,本发明实施例提供了第三种风险行为预警方法的流程示意图,与图4所示的实施例相比,上述方法还包括:
S408:向上述云端服务器发送上述距离信息、生理信息、第一位置信息、行为信息、对象信息以及环境信息,使得上述云端服务器根据上述距离信息和上述第一位置信息生成被监控对象和监控对象的行动轨迹,在预设的云端展示界面展示行动轨迹,并将上述生理信息、行为信息、对象信息以及环境信息作为被监控对象的展示信息在上述云端展示界面展示。
由以上可见,向上述云端服务器发送上述距离信息、生理信息、第一位置信息、行为信息、对象信息以及环境信息,可以在云端展示界面展示上述生理信息、行为信息、对象信息与被监控对象与监控对象的运动轨迹,使得被监控对象的各项信息与被监控对象所在监控场景的环境信息可以更直观的被展示出来。
参见图7,本发明实施例提供了第四种风险行为预警方法的流程示意图,与图4所示的实施例相比,上述S402可以通过以下步骤S402A-S402B实现:
S402A:提取监控视频中的被监控对象的行为特征。
S402B:将上述行为特征与对象已知的异常行为特征进行匹配,根据匹配结果,预测上述监控视频中上述被监控对象的行为属于异常行为的概率,并将预测得到的概率作为上述被监控对象的行为信息。
本发明的一个实施例中,上述步骤S404,可以通过以下方式实现:
将上述行为特征输入预先训练好的异常行为检测模型,获得被监控对象的行为属于异常行为的概率。
其中,上述异常行为检测模型为:采用样本集对初始模型进行训练得到的、用于检测被监控对象的行为属于异常行为的概率的模型。
上述样本集包括从样本视频中提取的样本被监控对象的样本行为特征、在样本视频中样本被监控对象的行为是否属于异常行为的标记。
本发明的一个实施例中,可以通过以下方式训练得到所述异常行为检测模型:
获得样本视频中样本被监控对象是否做出异常行为的标记;
将上述样本被监控对象的样本行为特征输入初始模型,获得样本行为特征为异常行为特征的异常概率;
根据以下公式计算上述初始模型的损失值:
其中,l(Ba,Bn)为上述损失值,Ba为所包含的样本被监控对象做出异常行为的样本视频,Bn为所包含的样本被监控对象未做出异常行为的样本视频,为Ba对应的第i个样本行为特征,为Ba对应的第i+1个样本行为特征,为Bn对应的第i个样本行为特征,n为Ba对应的样本行为特征的数量,f()用于计算样本行为特征为异常行为特征的异常概率,λ1、λ2为预设的权重。
根据上述损失值调整上述初始模型的模型参数,并返回上述获得样本视频中样本被监控对象是否做出异常行为的标记的步骤,直至上述初始模型满足预设的训练结束条件,将调整参数后的上述初始模型确定为异常行为检测模型。
由以上可见,通过上述方式可以在上述监控视频中包含的被监控对象的行为是异常行为的异常概率,由于做出异常行为的被监控对象做出风险行为的概率加高,因此可以使用上述方式获得上述异常概率作为被监控对象做出风险行为的预测依据。
参见图8,本发明实施例提供了第五种风险行为预警方法的流程示意图,与图4所示的实施例相比,上述方法还包括:
S409:根据上述距离信息和上述第一位置信息生成被监控对象和监控对象的行动轨迹,在预设的本地展示界面展示行动轨迹,并将上述生理信息、行为信息、对象信息以及环境信息作为被监控对象的展示信息在所述本地展示界面展示。
由以上可见,上述边缘预警服务器可以在本地展示界面展示上述生理信息、行为信息、对象信息与被监控对象与监控对象的运动轨迹,使得被监控对象的各项信息与被监控对象所在监控场景的环境信息可以更直观的被展示出来。
与上述基于边云协同的风险行为预警方法相对应,本发明实施例还提供了一种基于边云协同的风险行为预警装置,应用于风险行为预警系统中的边缘预警服务器,所述风险行为预警系统还包括:用于穿戴于监控对象的第一信息采集设备、用于穿戴于被监控对象的第二信息采集设备、视频采集设备。
参见图9,本发明实施例提供了第一种风险行为预警装置的结构示意图,上述装置包括:
信息接收模块901,用于接收所述第一信息采集设备发送的距离信息、所述第二信息采集设备发送的生理信息、所述第二信息采集设备发送的第一位置信息以及所述视频采集设备发送的监控视频;
行为信息获得模块902,用于根据所述监控视频获得所述被监控对象的行为信息;
信息获得模块903,用于获得所述被监控对象的对象信息与所述被监控对象所在监控场景的环境信息;
概率预测模块904,用于根据所述距离信息、生理信息、第一位置信息、行为信息、对象信息以及环境信息预测所述被监控对象做出风险行为的风险概率;
行为预警模块905,用于根据所述风险概率确定是否要对所述被监控对象做出风险行为进行预警。
由以上可见,第一信息采集设备、第二信息采集设备、视频采集设备将采集到的信息发送到边缘预警服务器,边缘预警服务器接收信息之后,可以根据接收到的信息确定是否要对被监控对象做出风险行为进行预警,从而可以实现对被监控对象可能做出的风险行为进行预警,提高其他对象的安全程度。
本发明的一个实施例中,上述风险行为预警系统还包括:云端服务器。
参见图10,本发明实施例提供了第二种风险行为预警装置的结构示意图,与图9所示的实施例相比,上述装置还包括:
预警通知发送模块906,用于在确定要对所述被监控对象做出风险行为进行预警的情况下,向所述云端服务器发送预警通知以及所述边缘预警服务器的第二位置信息,以使得所述云端服务器根据所述第二位置信息,确定联动监控对象所对应的其他边缘预警服务器的第三位置信息,并根据所述第二位置信息和第三位置信息,生成联动风险处理方案,其中,所述联动监控对象为:用于与所述监控对象联动处理所述预警通知的对象;
方案接收模块907,用于接收所述云端服务器生成的联动风险处理方案,并通知所述监控对象执行所述联动风险处理方案。
由以上可见,在上述被监控对象做出风险行为的情况下,可以通知云端服务器生成联动风险处理方案,从而联动其他边缘预警服务器与其他边缘预警服务器对应的联动监控对象对上述被监控对象做出风险行为进行风险处理,提高了风险处理的效率,因此可以提高其他对象的安全程度。
本发明的一个实施例中,上述装置还包括:
信息发送模块,用于向所述云端服务器发送所述距离信息、生理信息、第一位置信息、行为信息、对象信息以及环境信息,使得所述云端服务器根据所述距离信息和所述第一位置信息生成被监控对象和监控对象的行动轨迹,在预设的云端展示界面展示行动轨迹,并将所述生理信息、行为信息、对象信息以及环境信息作为被监控对象的展示信息在所述云端展示界面展示。
参见图11,本发明实施例提供了第三种风险行为预警装置的结构示意图,与图9所示的实施例相比,上述行为信息获得模块902,包括:
行为特征提取子模块902A,用于提取监控视频中的被监控对象的行为特征;
行为信息获得子模块902B,用于将所述行为特征与对象已知的异常行为特征进行匹配,根据匹配结果,预测所述监控视频中所述被监控对象的行为属于异常行为的概率,并将预测得到的概率作为所述被监控对象的行为信息。
本发明的一个实施例中,上述行为信息获得子模块902B,具体用于:
将所述行为特征输入预先训练好的异常行为检测模型,获得被监控对象的行为属于异常行为的概率,其中,所述异常行为检测模型为:采用样本集对初始模型进行训练得到的、用于检测被监控对象的行为属于异常行为的概率的模型,所述样本集包括从样本视频中提取的样本被监控对象的样本行为特征、在样本视频中样本被监控对象的行为是否属于异常行为的标记。
本发明的一个实施例中,上述装置还包括:模型训练模块;
获得样本视频中样本被监控对象是否做出异常行为的标记;
将所述样本被监控对象的样本行为特征输入初始模型,获得样本行为特征为异常行为特征的异常概率;
根据以下公式计算所述初始模型的损失值:
其中,l(Ba,Bn)为所述损失值,Ba为所包含的样本被监控对象做出异常行为的样本视频,Bn为所包含的样本被监控对象未做出异常行为的样本视频,为Ba对应的第i个样本行为特征,为Ba对应的第i+1个样本行为特征,为Bn对应的第i个样本行为特征,n为Ba对应的样本行为特征的数量,f()用于计算样本行为特征为异常行为特征的异常概率,λ1、λ2为预设的权重。
根据所述损失值调整所述初始模型的模型参数,并返回所述获得样本视频中样本被监控对象是否做出异常行为的标记的步骤,直至所述初始模型满足预设的训练结束条件,将调整参数后的所述初始模型确定为异常行为检测模型。
由以上可见,通过上述方式可以在上述监控视频中包含的被监控对象的行为是异常行为的异常概率,由于做出异常行为的被监控对象做出风险行为的概率加高,因此可以使用上述方式获得上述异常概率作为被监控对象做出风险行为的预测依据。
本发明的一个实施例中,上述装置还包括:
信息展示模块,用于根据所述距离信息和所述第一位置信息生成被监控对象和监控对象的行动轨迹,在预设的本地展示界面展示行动轨迹,并将所述生理信息、行为信息、对象信息以及环境信息作为被监控对象的展示信息在所述本地展示界面展示。
由以上可见,上述边缘预警服务器可以在本地展示界面展示上述生理信息、行为信息、对象信息与被监控对象与监控对象的运动轨迹,使得被监控对象的各项信息与被监控对象所在监控场景的环境信息可以更直观的被展示出来。
本发明实施例还提供了一种电子设备,如图12所示,包括处理器1201、通信接口1202、存储器1203和通信总线1204,其中,处理器1201,通信接口1202,存储器1203通过通信总线1204完成相互间的通信,
存储器1203,用于存放计算机程序;
处理器1201,用于执行存储器1203上所存放的程序时,实现上述任一基于边云协同的风险行为预警系统实施例所述的方法步骤。
应用本发明实施例提供的电子设备进行风险行为预警时,穿戴于监控对象的第一信息采集设备,用于采集上述监控对象与上述被监控对象之间的距离信息;向边缘预警服务器发送所述距离信息;穿戴于被监控对象的第二信息采集设备,用于采集上述被监控对象的生理信息与上述被监控对象的第一位置信息;向边缘预警服务器发送上述生理信息与上述第一位置信息;视频采集设备,用于采集上述被监控对象所在监控场景的监控视频;向边缘预警服务器发送监控视频;边缘预警服务器,用于接收距离信息、生理信息、第一位置信息以及监控视频;根据监控视频获得被监控对象的行为信息;获得被监控对象的对象信息与监控场景的环境信息;根据距离信息、生理信息、第一位置信息、行为信息、对象信息以及环境信息预测被监控对象做出风险行为的风险概率;根据风险概率确定是否要对被监控对象做出风险行为进行预警。由以上可见,第一信息采集设备、第二信息采集设备、视频采集设备将采集到的信息发送到边缘预警服务器,边缘预警服务器接收信息之后,可以根据接收到的信息确定是否要对被监控对象做出风险行为进行预警,从而可以实现对被监控对象可能做出的风险行为进行预警,提高其他对象的安全程度。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(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。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一风险行为预警系统实施例所述的方法步骤。
执行本发明实施例提供的计算机可读存储介质中存储的计算机程序进行风险行为预警时,穿戴于监控对象的第一信息采集设备,用于采集上述监控对象与上述被监控对象之间的距离信息;向边缘预警服务器发送所述距离信息;穿戴于被监控对象的第二信息采集设备,用于采集上述被监控对象的生理信息与上述被监控对象的第一位置信息;向边缘预警服务器发送上述生理信息与上述第一位置信息;视频采集设备,用于采集上述被监控对象所在监控场景的监控视频;向边缘预警服务器发送监控视频;边缘预警服务器,用于接收距离信息、生理信息、第一位置信息以及监控视频;根据监控视频获得被监控对象的行为信息;获得被监控对象的对象信息与监控场景的环境信息;根据距离信息、生理信息、第一位置信息、行为信息、对象信息以及环境信息预测被监控对象做出风险行为的风险概率;根据风险概率确定是否要对被监控对象做出风险行为进行预警。由以上可见,第一信息采集设备、第二信息采集设备、视频采集设备将采集到的信息发送到边缘预警服务器,边缘预警服务器接收信息之后,可以根据接收到的信息确定是否要对被监控对象做出风险行为进行预警,从而可以实现对被监控对象可能做出的风险行为进行预警,提高其他对象的安全程度。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述任一风险行为预警系统实施例所述的方法步骤。
执行本发明实施例提供的计算机程序产品进行风险行为预警时,穿戴于监控对象的第一信息采集设备,用于采集上述监控对象与上述被监控对象之间的距离信息;向边缘预警服务器发送所述距离信息;穿戴于被监控对象的第二信息采集设备,用于采集上述被监控对象的生理信息与上述被监控对象的第一位置信息;向边缘预警服务器发送上述生理信息与上述第一位置信息;视频采集设备,用于采集上述被监控对象所在监控场景的监控视频;向边缘预警服务器发送监控视频;边缘预警服务器,用于接收距离信息、生理信息、第一位置信息以及监控视频;根据监控视频获得被监控对象的行为信息;获得被监控对象的对象信息与监控场景的环境信息;根据距离信息、生理信息、第一位置信息、行为信息、对象信息以及环境信息预测被监控对象做出风险行为的风险概率;根据风险概率确定是否要对被监控对象做出风险行为进行预警。由以上可见,第一信息采集设备、第二信息采集设备、视频采集设备将采集到的信息发送到边缘预警服务器,边缘预警服务器接收信息之后,可以根据接收到的信息确定是否要对被监控对象做出风险行为进行预警,从而可以实现对被监控对象可能做出的风险行为进行预警,提高其他对象的安全程度。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备、计算机可读存储介质和计算机程序产品而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.一种基于边云协同的风险行为预警系统,其特征在于,所述系统包括:用于穿戴于监控对象的第一信息采集设备、用于穿戴于被监控对象的第二信息采集设备、视频采集设备与边缘预警服务器;
所述第一信息采集设备,用于采集所述监控对象与所述被监控对象之间的距离信息;向所述边缘预警服务器发送所述距离信息;
所述第二信息采集设备,用于采集所述被监控对象的生理信息与所述被监控对象的第一位置信息;向所述边缘预警服务器发送所述生理信息与所述第一位置信息;
所述视频采集设备,用于采集所述被监控对象所在监控场景的监控视频;向所述边缘预警服务器发送所述监控视频;
所述边缘预警服务器,用于接收所述距离信息、所述生理信息、所述第一位置信息以及所述监控视频;根据所述监控视频获得所述被监控对象的行为信息;获得所述被监控对象的对象信息与所述监控场景的环境信息;根据所述距离信息、生理信息、第一位置信息、行为信息、对象信息以及环境信息预测所述被监控对象做出风险行为的风险概率;根据所述风险概率确定是否要对所述被监控对象做出风险行为进行预警。
2.根据权利要求1所述的系统,其特征在于,所述系统还包括:云端服务器;
所述边缘预警服务器,还用于在确定要对所述被监控对象做出风险行为进行预警的情况下,向所述云端服务器发送预警通知以及所述边缘预警服务器的第二位置信息;
所述云端服务器,用于接收所述预警通知与第二位置信息;根据所述第二位置信息,确定联动监控对象所对应的其他边缘预警服务器的第三位置信息;根据所述第二位置信息和第三位置信息,生成联动风险处理方案;向所述边缘预警服务器和所述第三位置信息处的服务器发送所述联动风险处理方案;其中,所述联动监控对象为:用于与所述监控对象联动处理所述预警通知的对象;
所述边缘预警服务器,还用于接收所述联动风险处理方案,并通知所述监控对象执行所述联动风险处理方案。
3.根据权利要求2所述的系统,其特征在于,
所述边缘预警服务器,还用于向所述云端服务器发送所述距离信息、生理信息、第一位置信息、行为信息、对象信息以及环境信息;
所述云端服务器,还用于接收所述边缘预警服务器发送的所述距离信息、生理信息、第一位置信息、行为信息、对象信息以及环境信息,根据所述距离信息和所述第一位置信息生成被监控对象和监控对象的行动轨迹,在预设的云端展示界面展示行动轨迹,并将所述生理信息、行为信息、对象信息以及环境信息作为被监控对象的展示信息在所述云端展示界面展示。
4.根据权利要求1所述的系统,其特征在于,所述根据监控视频获得所述被监控对象的行为信息,包括:
提取监控视频中的被监控对象的行为特征;
将所述行为特征与对象已知的异常行为特征进行匹配,根据匹配结果,预测所述监控视频中所述被监控对象的行为属于异常行为的概率,并将预测得到的概率作为所述被监控对象的行为信息。
5.根据权利要求4所述的系统,其特征在于,所述将所述行为特征与对象已知的异常行为特征进行匹配,根据匹配结果,预测所述监控视频中所述被监控对象的行为属于异常行为的概率,包括:
将所述行为特征输入预先训练好的异常行为检测模型,获得被监控对象的行为属于异常行为的概率,其中,所述异常行为检测模型为:采用样本集对初始模型进行训练得到的、用于检测被监控对象的行为属于异常行为的概率的模型,所述样本集包括从样本视频中提取的样本被监控对象的样本行为特征、在样本视频中样本被监控对象的行为是否属于异常行为的标记。
6.根据权利要求5所述的系统,其特征在于,通过以下方式训练得到所述异常行为检测模型:
获得样本视频中样本被监控对象是否做出异常行为的标记;
将所述样本被监控对象的样本行为特征输入初始模型,获得样本行为特征为异常行为特征的异常概率;
根据以下公式计算所述初始模型的损失值:
其中,l(Ba,Bn)为所述损失值,Ba为所包含的样本被监控对象做出异常行为的样本视频,Bn为所包含的样本被监控对象未做出异常行为的样本视频,为Ba对应的第i个样本行为特征,为Ba对应的第i+1个样本行为特征,为Bn对应的第i个样本行为特征,n为Ba对应的样本行为特征的数量,f()用于计算样本行为特征为异常行为特征的异常概率,λ1、λ2为预设的权重;
根据所述损失值调整所述初始模型的模型参数,并返回所述获得样本视频中样本被监控对象是否做出异常行为的标记的步骤,直至所述初始模型满足预设的训练结束条件,将调整参数后的所述初始模型确定为异常行为检测模型。
7.根据权利要求1所述的系统,其特征在于,所述边缘预警服务器还用于:
根据所述距离信息和所述第一位置信息生成被监控对象和监控对象的行动轨迹,在预设的本地展示界面展示行动轨迹,并将所述生理信息、行为信息、对象信息以及环境信息作为被监控对象的展示信息在所述本地展示界面展示。
8.一种基于边云协同的风险行为预警方法,其特征在于,应用于风险行为预警系统中的边缘预警服务器,所述风险行为预警系统还包括:用于穿戴于监控对象的第一信息采集设备、用于穿戴于被监控对象的第二信息采集设备、视频采集设备,所述方法包括:
接收所述第一信息采集设备发送的距离信息、所述第二信息采集设备发送的生理信息、所述第二信息采集设备发送的第一位置信息以及所述视频采集设备发送的监控视频;
根据所述监控视频获得所述被监控对象的行为信息;
获得所述被监控对象的对象信息与所述被监控对象所在监控场景的环境信息;
根据所述距离信息、生理信息、第一位置信息、行为信息、对象信息以及环境信息预测所述被监控对象做出风险行为的风险概率;
根据所述风险概率确定是否要对所述被监控对象做出风险行为进行预警。
9.一种基于边云协同的风险行为预警装置,其特征在于,应用于风险行为预警系统中的边缘预警服务器,所述风险行为预警系统还包括:用于穿戴于监控对象的第一信息采集设备、用于穿戴于被监控对象的第二信息采集设备、视频采集设备,所述装置包括:
信息接收模块,用于接收所述第一信息采集设备发送的距离信息、所述第二信息采集设备发送的生理信息、所述第二信息采集设备发送的第一位置信息以及所述视频采集设备发送的监控视频;
行为信息获得模块,用于根据所述监控视频获得所述被监控对象的行为信息;
信息获得模块,用于获得所述被监控对象的对象信息与所述被监控对象所在监控场景的环境信息;
概率预测模块,用于根据所述距离信息、生理信息、第一位置信息、行为信息、对象信息以及环境信息预测所述被监控对象做出风险行为的风险概率;
行为预警模块,用于根据所述风险概率确定是否要对所述被监控对象做出风险行为进行预警。
10.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求8所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010171529.5A CN111464780A (zh) | 2020-03-12 | 2020-03-12 | 一种基于边云协同的风险行为预警系统、方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010171529.5A CN111464780A (zh) | 2020-03-12 | 2020-03-12 | 一种基于边云协同的风险行为预警系统、方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111464780A true CN111464780A (zh) | 2020-07-28 |
Family
ID=71679212
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010171529.5A Pending CN111464780A (zh) | 2020-03-12 | 2020-03-12 | 一种基于边云协同的风险行为预警系统、方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111464780A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112167094A (zh) * | 2020-10-16 | 2021-01-05 | 唐琪林 | 一种基于互联网的远程监控方法及装置 |
CN112946704A (zh) * | 2021-01-29 | 2021-06-11 | 普天鸿雁物联网技术有限公司 | 定位处理方法和系统、处理器、电子设备 |
CN113596390A (zh) * | 2021-06-16 | 2021-11-02 | 国网浙江省电力有限公司电力科学研究院 | 基于三层架构的变电站视频监控异常预警系统及实现方法 |
CN114254842A (zh) * | 2020-09-22 | 2022-03-29 | 智甲科技(北京)有限公司 | 一种风险分析系统和风险分析方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8786425B1 (en) * | 2011-09-09 | 2014-07-22 | Alarm.Com Incorporated | Aberration engine |
CN107886228A (zh) * | 2017-10-31 | 2018-04-06 | 上海雅直科技有限公司 | 一种抗风掀的智慧屋面安全风险预测系统及其工作方法 |
CN109145868A (zh) * | 2018-09-11 | 2019-01-04 | 广州杰赛科技股份有限公司 | 一种辅助跑步训练的行为识别方法与装置 |
CN109639797A (zh) * | 2018-12-12 | 2019-04-16 | 深圳市中电数通智慧安全科技股份有限公司 | 一种智慧安全监管系统 |
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 |
CN110703619A (zh) * | 2019-10-22 | 2020-01-17 | 泰康保险集团股份有限公司 | 智能楼宇管理方法、装置、介质及电子设备 |
-
2020
- 2020-03-12 CN CN202010171529.5A patent/CN111464780A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8786425B1 (en) * | 2011-09-09 | 2014-07-22 | Alarm.Com Incorporated | Aberration engine |
CN107886228A (zh) * | 2017-10-31 | 2018-04-06 | 上海雅直科技有限公司 | 一种抗风掀的智慧屋面安全风险预测系统及其工作方法 |
CN109145868A (zh) * | 2018-09-11 | 2019-01-04 | 广州杰赛科技股份有限公司 | 一种辅助跑步训练的行为识别方法与装置 |
CN109639797A (zh) * | 2018-12-12 | 2019-04-16 | 深圳市中电数通智慧安全科技股份有限公司 | 一种智慧安全监管系统 |
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 |
CN110703619A (zh) * | 2019-10-22 | 2020-01-17 | 泰康保险集团股份有限公司 | 智能楼宇管理方法、装置、介质及电子设备 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114254842A (zh) * | 2020-09-22 | 2022-03-29 | 智甲科技(北京)有限公司 | 一种风险分析系统和风险分析方法 |
CN112167094A (zh) * | 2020-10-16 | 2021-01-05 | 唐琪林 | 一种基于互联网的远程监控方法及装置 |
CN112946704A (zh) * | 2021-01-29 | 2021-06-11 | 普天鸿雁物联网技术有限公司 | 定位处理方法和系统、处理器、电子设备 |
CN113596390A (zh) * | 2021-06-16 | 2021-11-02 | 国网浙江省电力有限公司电力科学研究院 | 基于三层架构的变电站视频监控异常预警系统及实现方法 |
CN113596390B (zh) * | 2021-06-16 | 2024-02-13 | 国网浙江省电力有限公司电力科学研究院 | 基于三层架构的变电站视频监控异常预警系统及实现方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111464780A (zh) | 一种基于边云协同的风险行为预警系统、方法及装置 | |
JP5301973B2 (ja) | 犯罪防止装置およびプログラム | |
González et al. | Behavioral classification of data from collars containing motion sensors in grazing cattle | |
US9597016B2 (en) | Activity analysis, fall detection and risk assessment systems and methods | |
CN109583278B (zh) | 人脸识别报警的方法、装置、系统及计算机设备 | |
CN111767802B (zh) | 一种对象异常状态的检测方法和装置 | |
US11631306B2 (en) | Methods and system for monitoring an environment | |
CN110298480B (zh) | 一种山洪灾害临界雨量指标计算方法及系统 | |
CN203480284U (zh) | 基于物联网的果园环境信息监控系统 | |
CN114782897A (zh) | 基于机器视觉及深度学习的危险行为检测方法及系统 | |
CN109947037A (zh) | 一种生活环境监控及预警方法 | |
KR102425522B1 (ko) | 영상정보를 분석하여 가축 방역 경계선을 설정하는 방법 | |
CN114078603A (zh) | 智能养老监护系统、方法及计算机设备、可读存储介质 | |
CN111403021B (zh) | 一种监测方法及装置 | |
CN112885014A (zh) | 预警方法、装置、系统和计算机可读存储介质 | |
CN110751092B (zh) | 基于物联网的农业监控方法及装置、存储介质及电子设备 | |
Jagyasi et al. | Event based experiential computing in agro-advisory system for rural farmers | |
CN111414811A (zh) | 猪只饮水监测系统及方法 | |
CN116090902A (zh) | 一种农田远程监测方法及系统 | |
CN115953815A (zh) | 基建现场的监测方法及装置 | |
CN115408424A (zh) | 钓鱼信息处理方法、系统、电子设备及存储介质 | |
CN115035590A (zh) | 种牛状态的检测方法、装置及系统 | |
CN111291597B (zh) | 一种基于图像的人群态势分析方法、装置、设备及系统 | |
CN113671489A (zh) | 状态提醒方法及装置、电子设备和计算机可读存储介质 | |
Chadha et al. | Flood Prediction And Rainfall Analysis Using LightGradient Boosted Machine |
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: 20200728 |
|
RJ01 | Rejection of invention patent application after publication |