CN111783591A - 异常检测方法、装置、设备和存储介质 - Google Patents
异常检测方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN111783591A CN111783591A CN202010583897.0A CN202010583897A CN111783591A CN 111783591 A CN111783591 A CN 111783591A CN 202010583897 A CN202010583897 A CN 202010583897A CN 111783591 A CN111783591 A CN 111783591A
- Authority
- CN
- China
- Prior art keywords
- feature representation
- global
- target object
- target
- image data
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 174
- 230000005856 abnormality Effects 0.000 claims description 67
- 238000000034 method Methods 0.000 claims description 30
- 230000002159 abnormal effect Effects 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 20
- 230000002457 bidirectional effect Effects 0.000 claims description 4
- 230000007787 long-term memory Effects 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 230000002547 anomalous effect Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 206010000117 Abnormal behaviour Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- 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
Abstract
本申请公开了异常检测方法、装置、设备和存储介质，涉及深度学习技术领域。具体实现方案为：对目标场所的全局图像数据进行目标对象检测，得到所述目标对象的局部图像数据；根据所述目标对象的局部图像数据、所述全局图像数据和所述目标场所的全局音频数据，对所述目标对象和所述目标场所进行异常检测。本申请提高了目标场所的安全性。
Description
技术领域
本申请涉及智慧城市和安防技术领域，尤其涉及深度学习技术领域，具体涉及一种异常检测方法、装置、设备和存储介质。
背景技术
随着城市的快速发展和人类生活水平的提高，居民对智慧城市的需求也越来越强烈。公共安全作为智慧城市的核心，需要及时检测、预警和处理公共场所的突发状况，降低对社会的危害，提高社会安全性。
发明内容
本公开提供了一种用于异常检测的方法、装置、设备以及存储介质。
根据本公开的一方面，提供了一种异常检测方法，包括：
对目标场所的全局图像数据进行目标对象检测，得到所述目标对象的局部图像数据；
根据所述目标对象的局部图像数据、所述全局图像数据和所述目标场所的全局音频数据，对所述目标对象和所述目标场所进行异常检测。
根据本公开的另一方面，提供了一种异常检测装置，包括：
对象检测模块，用于对目标场所的全局图像数据进行目标对象检测，得到所述目标对象的局部图像数据；
异常检测模块，用于根据所述目标对象的局部图像数据、所述全局图像数据和所述目标场所的全局音频数据，对所述目标对象和所述目标场所进行异常检测。
根据第三方面，提供了一种电子设备，该电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如本申请实施例中任一项所述的异常检测方法。
根据第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行如本申请实施例中任一项所述的异常检测方法。
根据本申请的技术提高了目标场所的安全性。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是根据本申请实施例提供的一种异常检测方法的流程示意图；
图2是根据本申请实施例提供的另一种异常检测方法的流程示意图；
图3a是根据本申请实施例提供的又一种异常检测方法的流程示意图；
图3b是根据本申请实施例提供的又一种异常检测模型的结构示意图；
图4是根据本申请实施例提供的异常检测装置的结构示意图；
图5是用来实现本申请实施例的异常检测方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1是根据本申请实施例提供的异常检测方法的流程示意图。本实施例可适用于对公开场所进行智能安防监控的情况。本实施例公开的异常检测方法可以由电子设备执行，具体可以由异常检测装置来执行，该装置可以由软件和/或硬件的方式实现，配置于电子设备中。参见图1，本实施例提供的异常检测方法包括：
S110、对目标场所的全局图像数据进行目标对象检测，得到所述目标对象的局部图像数据。
其中，目标场所是指需要进行智能安防监控的场所，具体的可以为诸如监狱、公共交通枢纽、医院、生产车间和教育机构之类的公共场所，也可以为居民室内环境等私有场所。所述全局图像数据为对目标场所进行图像采集得到的场景性图像数据，例如监控摄像头采集的目标场所视频。目标对象可以为固定类别的对象，例如人或车辆等。
具体的，基于目标检测技术，对目标场所的全局图像数据进行处理，得到目标场所包括的至少一个目标对象；从所述全局图像数据中提取所述目标对象的局部图像数据，例如提取目标对象的局部图像序列。
S120、根据所述目标对象的局部图像数据、所述全局图像数据和所述目标场所的全局音频数据，对所述目标对象和所述目标场所进行异常检测。
其中，全局音频数据为对目标场所进行音频采集得到的场景性音频数据，例如通过目标场所的拾音器所采集的音频。全局音频数据和全局视频数据可以同步采集，本申请实施例对全局音频数据和全局视频数据的采集方式和采集频次不作具体限定。
在本申请实施例中，异常检测用于分别确定目标场所和目标对象是否存在具有安全隐患的异常行为。具体的，可以通过全局图像数据和/或全局音频数据，与目标对象的局部图像数据结合，对目标对象进行异常检测。相应地，可以通过全局音频数据和/或目标对象的局部图像数据，与全局图像数据结合，对目标场所整体进行异常检测。其中，目标对象和目标场所的异常检测结果均可以为正常或异常。需要说明的是，异常检测结果为异常的，还可以进一步细分为至少两种异常类型，例如暴力异常或争吵异常等。
通过根据包括音频数据和图像数据的多模态数据进行异常检测，相比于根据音频数据或图像数据单一维度进行异常检测，能够提高异常检测的准确度，并且通过分别对目标对象和目标场所进行异常检测，既能够发现局部目标对象的异常行为，又能够发现目标场所的异常行为，检测结果更可靠，从而进一步提高安全性。
在一种可选实施方式中，还包括：通过所述目标场所的采集器实时采集所述目标场所的全局图像数据和全局音频数据。其中，所述采集器可以为内嵌有拾音器的摄像头，通过实时采集全局图像数据和全局音频数据，并根据实时采集的数据进行异常检测可以进一步提高异常检测结果的时效性，从而能够及时对具有异常的目标对象和目标场所进行处理，提高目标场所的安全性。
在一种可选实施方式中，对所述目标对象和所述目标场所进行异常检测之后，还包括：若检测到所述目标对象和/或所述目标场所具有异常，则根据异常检测结果生成异常告警。
具体的，若目标对象的异常检测结果为异常，则可以根据目标对象的局部图像数据确定目标对象的属性信息，并根据目标对象的属性信息生成异常告警。其中，目标对象的属性信息可以包括目标对象的位置、年龄、性别等。相应地，若目标场所的异常检测结果为异常，则不仅可以在目标场景本地进行异常告警，还可以向目标场所关联的负责单位或负责个人，发送告警信息。在检测到异常的情况下，通过异常告警，提醒及时对异常进行处理，从而提高目标场所和目标对象的安全性。
本申请实施例的技术方案，通过根据多模态数据分别对目标场所中的目标对象和目标场所本身进行异常检测，能够兼顾异常检测的完全性和准确性，从而提高目标场所的安全性。
图2是根据本申请实施例提供的一种异常检测方法的流程示意图。本实施例是在上述实施例的基础上提出的一种可选方案。参见图2，本实施例提供的异常检测方法包括：
S210、对目标场所的全局图像数据进行目标对象检测，得到所述目标对象的局部图像数据。
S220、根据所述目标对象的局部图像数据、所述全局图像数据和所述目标场所的全局音频数据，分别确定所述目标对象的局部图像特征表示、全局图像特征表示和全局音频特征表示。
在本申请实施例中，对局部图像特征表示、全局图像特征表示和全局音频特征表示的形式，以及生成方式不作具体限定，例如可以为不同长度的向量表示，也可以为相同长度的向量表示；可以使用神经网络结构提取特征表示。
具体的，根据目标对象的局部图像数据确定目标对象的局部图像特征表示，根据全局图像数据确定全局图像特征表示，以及根据目标场所的全局音频数据确定全局音频特征表示。
在一种可选实施方式中，S220包括：将所述目标对象的局部图像数据作为异常检测模型中局部图像特征表示层的输入，将所述全局图像数据作为所述异常检测模型中全局图像特征表示层的输入，将所述目标场所的全局音频数据作为所述异常检测模型中全局音频特征表示层的输入，分别得到所述目标对象的局部图像特征表示、全局图像特征表示和全局音频特征表示；其中，所述全局图像特征表示层、所述全局音频特征表示层和所述局部图像特征表示层均为双向长短期记忆网络(Long Short-Term Memory，LSTM)结构。
由于局部图像数据、全局图像数据和全局音频数据均为序列数据，因此序列模型能够用于构建特征表示，并且考虑到序列数据的双向性，使用双向LSTM进一步提高特征表示的准确性。
S230、根据所述目标对象的局部图像特征表示、所述全局图像特征表示和所述全局音频特征表示，确定所述目标对象的异常检测结果；以及，根据所述全局图像特征表示和所述全局音频特征表示，确定所述目标场所的异常检测结果。
具体的，在对目标对象进行异常检测过程中，不仅使用目标对象的局部图像特征表示，还结合目标场所的全局图像特征表示和全局音频特征表示，相比于仅采用目标对象的局部图像特征表示进行检测，能够提高异常检测结果的准确度。相应地，在对目标场所进行异常检测过程中，结合目标场所的全局图像特征表示和全局音频特征表示，相比于单一维度的特征，能够提高场所异常检测结果的准确度。需要说明的是，本申请实施例中目标对象的异常检测任务和目标场所的异常检测任务复用全局图像特征表示层和全局音频特征表示层，即在模型训练阶段，通过目标对象的异常检测任务和目标场所的异常检测任务共同对全局图像特征表示层和全局音频特征表示层进行训练，进一步提高全局图像特征表示和全局音频特征表示的准确度。
在一种可选实施方式中，S230包括：根据所述目标对象的局部特征表示、所述全局图像特征表示和所述全局音频特征表示，确定目标对象特征表示；根据所述全局图像特征表示和所述全局音频特征表示，确定目标场所特征表示；将所述目标对象特征表示作为异常检测模型中对象异常检测层的输入，得到所述目标对象的异常检测结果；将所述目标场所特征表示作为所述异常检测模型中场所异常检测层的输入，得到所述目标场所的异常检测结果。
其中，对象异常检测层和场所异常检测层可以同步训练，即根据样本场所的异常标注信息和样本对象的异常标注信息同步进行训练，相比于分别训练能够提高异常检测模型的收敛速度和鲁棒性。
具体的，可以对目标对象的局部特征表示、所述全局图像特征表示和所述全局音频特征表示进行拼接，得到目标对象特征表示；对全局图像特征表示和全局音频特征表示进行拼接得到目标场所特征表示。
本申请实施例的技术方案，通过基于异常检测模型分别对目标场所中的目标对象和目标场所本身进行异常检测，能够进一步提高异常检测的准确度。
图3a是根据本申请实施例提供的一种异常检测方法的流程示意图。本实施例是在上述实施例的基础上提出的一种可选方案。参见图3，本实施例提供的异常检测方法包括：
S310、对目标场所的全局图像数据进行目标对象检测，得到所述目标对象的局部图像数据。
S320、根据所述目标对象的局部图像数据、所述全局图像数据和所述目标场所的全局音频数据，分别确定所述目标对象的局部图像特征表示、全局图像特征表示和全局音频特征表示。
S330、根据所述目标对象的局部图像特征表示、所述全局图像特征表示和所述全局音频特征表示，确定所述目标对象的异常检测结果；以及，根据所述全局图像特征表示和所述全局音频特征表示，确定所述目标场所的异常检测结果。
S340、根据所述目标对象的局部图像特征表示，确定所述目标对象的运动姿态类型。
其中，以目标对象为人为例，运动姿态类型可以为行走、跑步、攀爬、斗殴等；以目标对象为车辆为例，运动姿态类型可以为行驶、追尾、翻车等。本申请实施例对目标对象的运动姿态类型不作具体限定，可以根据业务需求设置不同运动姿态类型。
具体的，可以将目标对象的局部图像特征表示作为异常检测模型中运动姿态确定层的输入，得到目标对象的运动姿态类型。通过引入目标对象的运动姿态类型检测任务能够进一步提高目标对象的局部特征表示的准确度，从而提高目标对象的异常检测准确度。此外，若目标对象存在异常，可以根据目标对象的运动姿态类型生成异常告警，进一步提高异常告警信息的有效性。需要说明的是，本申请实施例对S340与S330的执行顺序不作具体限定，可以S330在前执行，也可以S340在前执行。
图3b为根据本申请实施例提供的一种异常检测模型的结构示意图，参考图3b，异常检测模型可以包括局部图像特征表示层303、全局图像特征表示层302、全局音频特征表示层301、对象异常检测层305和场所异常检测层304。此外，异常检测模块还可以包括运动姿态确定层306。
在模型训练阶段，从样本场所的全局图像数据中提取样本对象的局部图像数据；将样本对象的局部图像数据作为局部图像特征表示层303的输入，将样本场所的全局图像数据和全局音频数据分别作为全局图像特征表示层302和全局音频特征表示层301的输入；根据样本对象的异常标注结果分别对局部图像特征表示层303、全局图像特征表示层302、全局音频特征表示层301和对象异常检测层305进行训练，根据样本场所的异常标注结果分别对全局图像特征表示层302、全局音频特征表示层301和场所异常检测层304进行训练；此外，还根据样本对象的标注运动姿态信息，对局部图像特征表示层303进行训练，进一步提高局部图像特征表示层303的特征表达能力。
通过对象异常检测任务和场所异常检测任务共同训练全局图像特征表示层302和全局音频特征表示层301，不仅能够提高全局图像特征表示层和全局音频特征表示层的鲁棒性，还能提高模型收敛效率。此外，还引入运动姿态任务对局部图像特征表示层303进行训练，不仅提高局部特征表示的准确度，对异常对象还能提供细粒度的运动姿态信息，以加快后续异常消除效率。
本申请实施例的技术方案，通过多模态信息同步对场所和对象进行异常检测，能够提高异常检测的完整性和准确性，并且还检测对象的运动姿态信息，能够为异常对象提供细粒度的运动姿态信息，便于后续进行消除异常，从而提高场所和对象的安全性。
图4是根据本申请实施例提供的异常检测装置的结构示意图。参见图4，本申请实施例公开了异常检测装置400，该装置400包括：
对象检测模块401，用于对目标场所的全局图像数据进行目标对象检测，得到所述目标对象的局部图像数据；
异常检测模块402，用于根据所述目标对象的局部图像数据、所述全局图像数据和所述目标场所的全局音频数据，对所述目标对象和所述目标场所进行异常检测。
可选的，所述异常检测模块402包括：
特征表示确定单元，用于根据所述目标对象的局部图像数据、所述全局图像数据和所述目标场所的全局音频数据，分别确定所述目标对象的局部图像特征表示、全局图像特征表示和全局音频特征表示；
异常检测单元，用于根据所述目标对象的局部图像特征表示、所述全局图像特征表示和所述全局音频特征表示，确定所述目标对象的异常检测结果；以及，根据所述全局图像特征表示和所述全局音频特征表示，确定所述目标场所的异常检测结果。
可选的，所述异常检测单元包括：
对象特征表示子单元，用于根据所述目标对象的局部特征表示、所述全局图像特征表示和所述全局音频特征表示，确定目标对象特征表示；
场所特征表示子单元，用于根据所述全局图像特征表示和所述全局音频特征表示，确定目标场所特征表示；
对象异常检测子单元，用于将所述目标对象特征表示作为异常检测模型中对象异常检测层的输入，得到所述目标对象的异常检测结果；
场所异常检测子单元，用于将所述目标场所特征表示作为所述异常检测模型中场所异常检测层的输入，得到所述目标场所的异常检测结果。
可选的，所述特征表示确定单元具体用于：
将所述目标对象的局部图像数据作为异常检测模型中局部图像特征表示层的输入，将所述全局图像数据作为所述异常检测模型中全局图像特征表示层的输入，将所述目标场所的全局音频数据作为所述异常检测模型中全局音频特征表示层的输入，分别得到所述目标对象的局部图像特征表示、全局图像特征表示和全局音频特征表示；
其中，所述全局图像特征表示层、所述全局音频特征表示层和所述局部图像特征表示层均为双向长短期记忆网络结构。
可选的，所述异常检测单元还包括：
运动姿态确定子单元，用于根据所述目标对象的局部图像特征表示，确定所述目标对象的运动姿态类型。
可选的，所述装置400还包括：
数据采集模块，用于通过所述目标场所的采集器实时采集所述目标场所的全局图像数据和全局音频数据。
可选的，所述装置400还包括：
异常告警模块，用于若检测到所述目标对象和/或所述目标场所具有异常，则根据异常检测结果生成异常告警。
本申请实施例的技术方案，通过多模态信息同步对场所和对象进行异常检测，能够提高异常检测的完整性和准确性，并且还检测对象的运动姿态信息，能够为异常对象提供细粒度的运动姿态信息，便于后续进行消除异常，从而提高场所和对象的安全性。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图5所示，是根据本申请实施例的异常检测的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图5所示，该电子设备包括：一个或多个处理器501、存储器502，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器501为例。
存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的异常检测的方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的异常检测的方法。
存储器502作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的异常检测的方法对应的程序指令/模块(例如，附图4所示的[69]对象检测模块401和异常检测模块402)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的异常检测的方法。
存储器502可以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、至少一个功能所需要的应用程序；存储数据区可存储根据异常检测的电子设备的使用所创建的数据等。此外，存储器502可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器502可选包括相对于处理器501远程设置的存储器，这些远程存储器可以通过网络连接至异常检测的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
异常检测的方法的电子设备还可以包括：输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接，图5中以通过总线连接为例。
输入装置503可接收输入的数字或字符信息，以及产生与异常检测的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
本申请实施例的技术方案，通过多模态信息同步对场所和对象进行异常检测，能够提高异常检测的完整性和准确性，并且还检测对象的运动姿态信息，能够为异常对象提供细粒度的运动姿态信息，便于后续进行消除异常，从而提高场所和对象的安全性。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
Claims (16)
1.一种异常检测方法，包括：
对目标场所的全局图像数据进行目标对象检测，得到所述目标对象的局部图像数据；
根据所述目标对象的局部图像数据、所述全局图像数据和所述目标场所的全局音频数据，对所述目标对象和所述目标场所进行异常检测。
2.根据权利要求1所述的方法，其中，所述根据所述目标对象的局部图像数据、所述全局图像数据和所述目标场所的全局音频数据，对所述目标对象和所述目标场所进行异常检测，包括：
根据所述目标对象的局部图像数据、所述全局图像数据和所述目标场所的全局音频数据，分别确定所述目标对象的局部图像特征表示、全局图像特征表示和全局音频特征表示；
根据所述目标对象的局部图像特征表示、所述全局图像特征表示和所述全局音频特征表示，确定所述目标对象的异常检测结果；以及，根据所述全局图像特征表示和所述全局音频特征表示，确定所述目标场所的异常检测结果。
3.根据权利要求2所述的方法，其中，所述根据所述目标对象的局部图像特征表示、所述全局图像特征表示和所述全局音频特征表示，确定所述目标对象的异常检测结果；以及，根据所述全局图像特征表示和所述全局音频特征表示，确定所述目标场所的异常检测结果，包括：
根据所述目标对象的局部特征表示、所述全局图像特征表示和所述全局音频特征表示，确定目标对象特征表示；
根据所述全局图像特征表示和所述全局音频特征表示，确定目标场所特征表示；
将所述目标对象特征表示作为异常检测模型中对象异常检测层的输入，得到所述目标对象的异常检测结果；
将所述目标场所特征表示作为所述异常检测模型中场所异常检测层的输入，得到所述目标场所的异常检测结果。
4.根据权利要求2所述的方法，其中，所述根据所述目标对象的局部图像数据、所述全局图像数据和所述目标场所的全局音频数据，分别确定所述目标对象的局部图像特征表示、全局图像特征表示和全局音频特征表示，包括：
将所述目标对象的局部图像数据作为异常检测模型中局部图像特征表示层的输入，将所述全局图像数据作为所述异常检测模型中全局图像特征表示层的输入，将所述目标场所的全局音频数据作为所述异常检测模型中全局音频特征表示层的输入，分别得到所述目标对象的局部图像特征表示、全局图像特征表示和全局音频特征表示；
其中，所述全局图像特征表示层、所述全局音频特征表示层和所述局部图像特征表示层均为双向长短期记忆网络结构。
5.根据权利要求2-4中任一项所述方法，还包括：
根据所述目标对象的局部图像特征表示，确定所述目标对象的运动姿态类型。
6.根据权利要求1-4任一项所述的方法，还包括：
通过所述目标场所的采集器实时采集所述目标场所的全局图像数据和全局音频数据。
7.根据权利要求1-4任一项所述的方法，对所述目标对象和所述目标场所进行异常检测之后，还包括：
若检测到所述目标对象和/或所述目标场所具有异常，则根据异常检测结果生成异常告警。
8.一种异常检测装置，包括：
对象检测模块，用于对目标场所的全局图像数据进行目标对象检测，得到所述目标对象的局部图像数据；
异常检测模块，用于根据所述目标对象的局部图像数据、所述全局图像数据和所述目标场所的全局音频数据，对所述目标对象和所述目标场所进行异常检测。
9.根据权利要求8所述的装置，其中，所述异常检测模块包括：
特征表示确定单元，用于根据所述目标对象的局部图像数据、所述全局图像数据和所述目标场所的全局音频数据，分别确定所述目标对象的局部图像特征表示、全局图像特征表示和全局音频特征表示；
异常检测单元，用于根据所述目标对象的局部图像特征表示、所述全局图像特征表示和所述全局音频特征表示，确定所述目标对象的异常检测结果；以及，根据所述全局图像特征表示和所述全局音频特征表示，确定所述目标场所的异常检测结果。
10.根据权利要求9所述的装置，其中，所述异常检测单元包括：
对象特征表示子单元，用于根据所述目标对象的局部特征表示、所述全局图像特征表示和所述全局音频特征表示，确定目标对象特征表示；
场所特征表示子单元，用于根据所述全局图像特征表示和所述全局音频特征表示，确定目标场所特征表示；
对象异常检测子单元，用于将所述目标对象特征表示作为异常检测模型中对象异常检测层的输入，得到所述目标对象的异常检测结果；
场所异常检测子单元，用于将所述目标场所特征表示作为所述异常检测模型中场所异常检测层的输入，得到所述目标场所的异常检测结果。
11.根据权利要求9所述的装置，其中，所述特征表示确定单元具体用于：
将所述目标对象的局部图像数据作为异常检测模型中局部图像特征表示层的输入，将所述全局图像数据作为所述异常检测模型中全局图像特征表示层的输入，将所述目标场所的全局音频数据作为所述异常检测模型中全局音频特征表示层的输入，分别得到所述目标对象的局部图像特征表示、全局图像特征表示和全局音频特征表示；
其中，所述全局图像特征表示层、所述全局音频特征表示层和所述局部图像特征表示层均为双向长短期记忆网络结构。
12.根据权利要求9-11中任一项所述装置，所述异常检测单元还包括：
运动姿态确定子单元，用于根据所述目标对象的局部图像特征表示，确定所述目标对象的运动姿态类型。
13.根据权利要求8-11任一项所述的装置，所述装置还包括：
数据采集模块，用于通过所述目标场所的采集器实时采集所述目标场所的全局图像数据和全局音频数据。
14.根据权利要求8-11任一项所述的装置，所述装置还包括：
异常告警模块，用于若检测到所述目标对象和/或所述目标场所具有异常，则根据异常检测结果生成异常告警。
15.一种电子设备，其中，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010583897.0A CN111783591B (zh) | 2020-06-23 | 2020-06-23 | 异常检测方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010583897.0A CN111783591B (zh) | 2020-06-23 | 2020-06-23 | 异常检测方法、装置、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111783591A true CN111783591A (zh) | 2020-10-16 |
| CN111783591B CN111783591B (zh) | 2024-04-26 |
Family
ID=72757714
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010583897.0A Active CN111783591B (zh) | 2020-06-23 | 2020-06-23 | 异常检测方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111783591B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112669879A (zh) * | 2020-12-24 | 2021-04-16 | 山东大学 | 一种基于时频域深度学习算法的空调内机噪声异常检测方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105022835A (zh) * | 2015-08-14 | 2015-11-04 | 武汉大学 | 一种群智感知大数据公共安全识别方法及系统 |
| WO2017132930A1 (zh) * | 2016-02-04 | 2017-08-10 | 武克易 | 物联网设备智能看护方法 |
| CN108629316A (zh) * | 2018-05-08 | 2018-10-09 | 东北师范大学人文学院 | 一种多视角的视频异常事件检测方法 |
| CN109740617A (zh) * | 2019-01-08 | 2019-05-10 | 国信优易数据有限公司 | 一种图像检测方法及装置 |
| CN110309735A (zh) * | 2019-06-14 | 2019-10-08 | 平安科技（深圳）有限公司 | 异常侦测方法、装置、服务器及存储介质 |
| CN110390262A (zh) * | 2019-06-14 | 2019-10-29 | 平安科技（深圳）有限公司 | 视频分析方法、装置、服务器及存储介质 |
| CN110414406A (zh) * | 2019-07-23 | 2019-11-05 | 广汽蔚来新能源汽车科技有限公司 | 车内对象监管方法、装置、系统、车载终端和存储介质 |
| WO2020009210A1 (ja) * | 2018-07-06 | 2020-01-09 | パナソニックＩｐマネジメント株式会社 | 異常予測システム及び異常予測方法 |
-
2020
- 2020-06-23 CN CN202010583897.0A patent/CN111783591B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105022835A (zh) * | 2015-08-14 | 2015-11-04 | 武汉大学 | 一种群智感知大数据公共安全识别方法及系统 |
| WO2017132930A1 (zh) * | 2016-02-04 | 2017-08-10 | 武克易 | 物联网设备智能看护方法 |
| CN108629316A (zh) * | 2018-05-08 | 2018-10-09 | 东北师范大学人文学院 | 一种多视角的视频异常事件检测方法 |
| WO2020009210A1 (ja) * | 2018-07-06 | 2020-01-09 | パナソニックＩｐマネジメント株式会社 | 異常予測システム及び異常予測方法 |
| CN109740617A (zh) * | 2019-01-08 | 2019-05-10 | 国信优易数据有限公司 | 一种图像检测方法及装置 |
| CN110309735A (zh) * | 2019-06-14 | 2019-10-08 | 平安科技（深圳）有限公司 | 异常侦测方法、装置、服务器及存储介质 |
| CN110390262A (zh) * | 2019-06-14 | 2019-10-29 | 平安科技（深圳）有限公司 | 视频分析方法、装置、服务器及存储介质 |
| CN110414406A (zh) * | 2019-07-23 | 2019-11-05 | 广汽蔚来新能源汽车科技有限公司 | 车内对象监管方法、装置、系统、车载终端和存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 张媛 等: "物联网和光纤传感技术相融合的独居老人监护系统研究", 激光杂志, vol. 41, no. 2, 29 February 2020 (2020-02-29) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112669879A (zh) * | 2020-12-24 | 2021-04-16 | 山东大学 | 一种基于时频域深度学习算法的空调内机噪声异常检测方法 |
| CN112669879B (zh) * | 2020-12-24 | 2022-06-03 | 山东大学 | 一种基于时频域深度学习算法的空调内机噪声异常检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111783591B (zh) | 2024-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112036509A (zh) | 用于训练图像识别模型的方法和装置 | |
| CN111598164A (zh) | 识别目标对象的属性的方法、装置、电子设备和存储介质 | |
| CN113159091B (zh) | 数据处理方法、装置、电子设备及存储介质 | |
| CN112507090A (zh) | 用于输出信息的方法、装置、设备和存储介质 | |
| CN111681647A (zh) | 用于识别词槽的方法、装置、设备以及存储介质 | |
| CN112270533A (zh) | 一种数据处理方法、装置、电子设备以及存储介质 | |
| CN113408662A (zh) | 图像识别、图像识别模型的训练方法和装置 | |
| CN112507832A (zh) | 监控场景下的犬只检测方法、装置、电子设备和存储介质 | |
| CN113673281A (zh) | 限速信息确定方法、装置、设备以及存储介质 | |
| CN111640103A (zh) | 图像检测方法、装置、设备以及存储介质 | |
| CN111783591B (zh) | 异常检测方法、装置、设备和存储介质 | |
| CN112382291B (zh) | 语音交互的处理方法、装置、电子设备及存储介质 | |
| CN112561059B (zh) | 用于模型蒸馏的方法和装置 | |
| CN111368184B (zh) | 智能语音设备的屏保投放方法、设备及存储介质 | |
| CN110865421B (zh) | 自动驾驶业务模型训练方法、检测方法、装置和电子设备 | |
| CN111783635A (zh) | 图像标注方法、装置、设备以及存储介质 | |
| CN112382292A (zh) | 基于语音的控制方法和装置 | |
| CN112508964A (zh) | 图像分割方法、装置、电子设备和存储介质 | |
| CN111767990A (zh) | 神经网络的处理方法和装置 | |
| EP3896614A2 (en) | Method and apparatus for labeling data | |
| CN112733879A (zh) | 针对不同场景的模型蒸馏方法和装置 | |
| CN112329732A (zh) | 模型生成方法、装置、电子设备及存储介质 | |
| CN111291205A (zh) | 知识图谱构建方法、装置、设备和介质 | |
| CN112508163A (zh) | 神经网络模型中子图的展示方法、装置和存储介质 | |
| CN112182409A (zh) | 数据处理方法、装置、设备及计算机存储介质 |
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 |