CN111932585B - 一种基于大数据智能电梯间尾随行为识别方法 - Google Patents

一种基于大数据智能电梯间尾随行为识别方法 Download PDF

Info

Publication number
CN111932585B
CN111932585B CN202010739123.2A CN202010739123A CN111932585B CN 111932585 B CN111932585 B CN 111932585B CN 202010739123 A CN202010739123 A CN 202010739123A CN 111932585 B CN111932585 B CN 111932585B
Authority
CN
China
Prior art keywords
elevator
people
big data
taking
trailing
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
Application number
CN202010739123.2A
Other languages
English (en)
Other versions
CN111932585A (zh
Inventor
张兴凤
万敏
蔡巍伟
靳旭哲
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.)
Zhejiang Xinzailing Technology Co ltd
Original Assignee
Zhejiang Xinzailing Technology Co ltd
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 Zhejiang Xinzailing Technology Co ltd filed Critical Zhejiang Xinzailing Technology Co ltd
Priority to CN202010739123.2A priority Critical patent/CN111932585B/zh
Publication of CN111932585A publication Critical patent/CN111932585A/zh
Application granted granted Critical
Publication of CN111932585B publication Critical patent/CN111932585B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • 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
    • G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
    • 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
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
    • 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
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Indicating And Signalling Devices For Elevators (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Maintenance And Inspection Apparatuses For Elevators (AREA)

Abstract

本发明涉及一种基于大数据智能电梯间尾随行为识别方法，包括S1、判断电梯间人员数量是否多于1人；S2、在电梯间人员数量多于1人的情况下，判断乘梯人员是否为同楼层进出并且乘梯人员至少一个为陌生人员；S3、在满足S2判断条件的情况下，判断乘梯人员是否存在异常衣着行为特征，若是，则判定为尾随行为，发出告警。本发明识别方法，基于WiFi探针采集器和视频采集器，前者通过大数据分析能够识别出乘梯人员同楼层进出，进一步识别是否空降人员，加大尾随行为的可信度，减少了普通视频采集器不能定位到人员身份ID的缺陷。后者能够基于视频图像的机器视觉算法分析，识别出目标区域的人员数量以及人脸人体属性，进一步加剧尾随行为的可信度，触发告警。

Description

一种基于大数据智能电梯间尾随行为识别方法
技术领域
本发明涉及电梯监控安全技术领域，尤其涉及一种基于大数据智能电梯间尾随行为识别方法。
背景技术
城镇化的加速贯彻，给电梯行业带来了诸多红利，电梯数量增加迅速。电梯在给人们出行带来便利的同时，也呆料了人身完全的隐患。如电梯间场出现尾随行为。识别并检测这种行为对于预防犯罪十分重要，能及时制止犯罪事件的升级，如猥亵、偷盗抢劫的犯罪事件，以及对于事后侦查均具有举足轻重的作用。
现有技术中，尾随行为识别的较多场景只是基于摄像头采集器的数据，进一步进行视频分析进行识别。例如专利CN209554563U专利中通过在电梯间内外各个角落加装视频采集器，利用图像处理器处理对若干个防萎缩检测电路进行识别。专利CN103400148号专利中通过视频分析实现银行自助区的尾随行为，具体方案是识别出进入目标区域的目标人物数量大于1，以及视频中出现的时间差满足判别阈值。但上述方式对于视频采集器过于依赖，同时判断方法同一出错，特别是对于同一楼层进出的人员来说，极易造成尾随误判。
发明内容
本发明的目的在于解决上述问题，提供一种基于大数据智能电梯间尾随行为识别方法。
为实现上述目的，本发明提供一种基于大数据智能电梯间尾随行为识别方法，包括：S1、判断电梯间人员数量是否多于1人；
S2、在电梯间人员数量多于1人的情况下，判断乘梯人员是否为同楼层进出并且乘梯人员至少一个为陌生人员；
S3、在满足S2判断条件的情况下，判断乘梯人员是否存在异常衣着行为特征，若是，则判定为尾随行为，发出告警。
根据本发明的一个方面，在步骤S1中，基于设置在电梯间内的视频采集器拍摄的视频抓帧图，利用目标检测方法实现目标区域内人员数量的识别计数。
根据本发明的一个方面，步骤S2包括：
S21、在电梯间人员数量多于1人的情况下，判断乘梯人员是否为同楼层进梯：
基于wifi探针采集器采集到的乘梯人员进梯的开始时间戳，精确到毫秒，若两个及以上的Mac地址采集时间小于第一阈值，则判断相应乘梯人员为同楼层进梯。
根据本发明的一个方面，所述步骤S2还包括在步骤S21判断同楼层进梯之后，进行步骤S22:判断乘梯人员是否为同楼层出梯：
基于wifi探针采集器采集到的乘梯人员出梯的结束时间戳，精确到毫秒，若两个及以上Mac地址采集时间小于第二阈值，则判定为同楼层出梯。
根据本发明的一个方面，所述步骤S2还包括在所述步骤S22判定乘梯人员为同楼层出梯的情况下，进行步骤S23：判断是否存在空降Mac地址：
基于历史大数据建立常住人员Mac地址基本信息库，当目标乘梯人员内存在跟上述mac基本信息库匹配不成功的Mac，即为空降Mac地址，判定对应人员为陌生人员。
根据本发明一个方面，在步骤S3中，基于抓取的帧图，利用视觉算法，识别人脸和人体属性，包括性别、年龄、人员类别、是否戴帽子、是否低头。
本发明提出了一种基于大数据智能电梯间尾随行为识别方法，基于的数据源包括WiFi探针采集器和视频采集器。前者通过大数据分析能够识别出乘梯人员同楼层进出，还能进一步地识别是否空降人员，加大疑是尾随行为的可信度，且减少了普通视频采集器不能定位到人员身份ID的缺陷。后者则能够基于视频图像的机器视觉算法分析，识别出目标区域的人员数量以及人脸人体属性，当发现有如戴帽子、低头等可疑特征时，进一步加剧尾随行为的可信度，触发告警。
附图说明
图1是示意性表示根据本发明一种基于大数据智能电梯间尾随行为识别方法的流程图。
具体实施方式
为了更清楚地说明本发明实施方式或现有技术中的技术方案，下面将对实施方式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方式，对于本领域普通技术人员而言，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。
在针对本发明的实施方式进行描述时，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”所表达的方位或位置关系是基于相关附图所示的方位或位置关系，其仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此上述术语不能理解为对本发明的限制。
下面结合附图和具体实施方式对本发明作详细地描述，实施方式不能在此一一赘述，但本发明的实施方式并不因此限定于以下实施方式。
如图1所示，本发明的基于大数据智能电梯间尾随行为识别方法，包括S1、判断电梯间人员数量是否多于1人；S2、在电梯间人员数量多于1人的情况下，判断乘梯人员是否为同楼层进出并且乘梯人员至少一个为陌生人员；S3、在满足S2判断条件的情况下，判断乘梯人员是否存在异常衣着行为特征，若是，则判定为尾随行为，发出告警。
具体来说，在步骤S1中，基于设置在电梯间内的视频采集器拍摄的视频抓帧图，利用目标检测方法实现目标区域内人员数量的识别计数。然后在步骤S2中，判断乘梯人员是够同楼层进出，并且乘梯人员中是否存在陌生人员。具体来说，在步骤S2中，基于wifi探针采集器，此采集器可以安装在电梯轿厢内，用于采集进入电梯间人员的手机终端Mac地址，可有效定位到人员身份ID，解决了普通视频采集器摄像头识别出的人员特征对应不到身份ID的弊端。
本发明的步骤S2包括：S21、在电梯间人员数量多于1人的情况下，判断乘梯人员是否为同楼层进梯。判断方法如下，基于wifi探针采集器采集到的乘梯人员进梯的开始时间戳，精确到毫秒，若两个及以上的Mac地址采集时间小于第一阈值，则判断相应乘梯人员为同楼层进梯。
在判断相应乘梯人员为同楼层进梯时，再进行步骤S22，判断乘梯人员是否为同楼层出梯。方法为基于wifi探针采集器采集到的乘梯人员出梯的结束时间戳，精确到毫秒，若两个及以上Mac地址采集时间小于第二阈值，则判定为同楼层出梯。其中第一阈值和第二阈值根据实际情况进行设置。
在判断相应乘梯人员为同楼层进梯、同楼层出梯之后，还需要进行步骤S23，判断是否为空降Mac地址，即判断是否存在陌生人员。方法为基于历史大数据建立常住人员Mac地址基本信息库，当目标乘梯人员内存在跟上述Mac基本信息库匹配不成功的Mac，即为空降Mac地址，判定对应人员为陌生人员。
若电梯间内人员同时满足以上三个条件，则进行步骤S3识别，判断乘梯人员是否存在异常衣着行为特征，基于抓取的帧图，利用视觉算法，识别人脸和人体属性，包括性别、年龄、人员类别、是否戴帽子、是否低头等。若判断存在乘梯人员为异常衣着行为特征，则判定此人员存在尾随行为，发出相应的告警信号。基于此步骤，可以大大减少因为外卖藤原，快递人员或外来亲朋有人所引发的告警误报情况。
本发明提出了一种基于大数据智能电梯间尾随行为识别方法，基于的数据源包括WiFi探针采集器和视频采集器。前者通过大数据分析能够识别出乘梯人员同楼层进出，还能进一步地识别是否空降人员，加大疑是尾随行为的可信度，且减少了普通视频采集器不能定位到人员身份ID的缺陷。后者则能够基于视频图像的机器视觉算法分析，识别出目标区域的人员数量以及人脸人体属性，当发现有如戴帽子、低头等可疑特征时，进一步加剧尾随行为的可信度，触发告警。
以上所述仅为本发明的一个实施方式而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于大数据智能电梯间尾随行为识别方法，包括：
S1、判断电梯间人员数量是否多于1人；
S2、在电梯间人员数量多于1人的情况下，判断乘梯人员是否为同楼层进出并且乘梯人员至少一个为陌生人员；
S3、在S2判断结果为是的情况下，判断乘梯人员是否存在异常衣着行为特征，若是，则判定为尾随行为，发出告警；
所述步骤S2包括：
步骤S21：在电梯间人员数量多于1人的情况下，基于wifi探针采集器采集到的乘梯人员进梯的开始时间戳，根据两个及以上的Mac地址采集时间及第一阈值，判断乘梯人员是否为同楼层进梯；
步骤S22: 基于wifi探针采集器采集到的乘梯人员出梯的结束时间戳，根据两个及以上Mac地址采集时间及第二阈值，判断乘梯人员是否为同楼层出梯；
步骤S23：判断是否存在空降Mac地址，确定乘梯人员是否为陌生人员。
2.根据权利要求1所述的基于大数据智能电梯间尾随行为识别方法， 其特征在于，在步骤S1中，基于设置在电梯间内的视频采集器拍摄的视频抓帧图，利用目标检测方法实现目标区域内人员数量的识别计数。
3.根据权利要求1所述的基于大数据智能电梯间尾随行为识别方法，其特征在于，步骤S21若两个及以上的Mac地址采集时间小于第一阈值，则判断相应乘梯人员为同楼层进梯。
4.根据权利要求3所述的基于大数据智能电梯间尾随行为识别方法，其特征在于，步骤S22若两个及以上Mac地址采集时间小于第二阈值，则判定为同楼层出梯。
5.根据权利要求4所述的基于大数据智能电梯间尾随行为识别方法，其特征在于，步骤S23基于历史大数据建立常住人员Mac地址基本信息库，当目标乘梯人员内存在跟上述Mac基本信息库匹配不成功的Mac，即为空降Mac地址，判定对应人员为陌生人员。
6.根据权利要求1所述的基于大数据智能电梯间尾随行为识别方法，其特征在于，在步骤S3中，基于抓取的帧图，利用视觉算法，识别人脸和人体属性，包括性别、年龄、人员类别、是否戴帽子、是否低头。
CN202010739123.2A 2020-07-28 2020-07-28 一种基于大数据智能电梯间尾随行为识别方法 Active CN111932585B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010739123.2A CN111932585B (zh) 2020-07-28 2020-07-28 一种基于大数据智能电梯间尾随行为识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010739123.2A CN111932585B (zh) 2020-07-28 2020-07-28 一种基于大数据智能电梯间尾随行为识别方法

Publications (2)

Publication Number Publication Date
CN111932585A CN111932585A (zh) 2020-11-13
CN111932585B true CN111932585B (zh) 2022-10-14

Family

ID=73315833

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010739123.2A Active CN111932585B (zh) 2020-07-28 2020-07-28 一种基于大数据智能电梯间尾随行为识别方法

Country Status (1)

Country Link
CN (1) CN111932585B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117423066B (zh) * 2023-12-15 2024-02-27 四川三思德科技有限公司 一种基于多源数据融合分析的目标人员识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010015465A (ja) * 2008-07-04 2010-01-21 Sekyurion Nijuyon Kk 入場者管理システム
CN101687609A (zh) * 2007-07-10 2010-03-31 三菱电机株式会社 电梯的控制装置
CN103116959A (zh) * 2013-01-25 2013-05-22 上海博超科技有限公司 一种智能视频中异常行为的分析识别方法
WO2019012618A1 (ja) * 2017-07-12 2019-01-17 三菱電機株式会社 エレベーターの異常検出装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6017004B1 (ja) * 2015-10-20 2016-10-26 株式会社リクルートホールディングス 不審者検出システム、不審者検出方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101687609A (zh) * 2007-07-10 2010-03-31 三菱电机株式会社 电梯的控制装置
JP2010015465A (ja) * 2008-07-04 2010-01-21 Sekyurion Nijuyon Kk 入場者管理システム
CN103116959A (zh) * 2013-01-25 2013-05-22 上海博超科技有限公司 一种智能视频中异常行为的分析识别方法
WO2019012618A1 (ja) * 2017-07-12 2019-01-17 三菱電機株式会社 エレベーターの異常検出装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
一种基于无源射频识别的智能门禁系统;王绍春;《机械与电子》;20181024(第10期);全文 *

Also Published As

Publication number Publication date
CN111932585A (zh) 2020-11-13

Similar Documents

Publication Publication Date Title
US11704936B2 (en) Object tracking and best shot detection system
KR101215948B1 (ko) 신체정보 및 얼굴인식에 기반한 감시 시스템의 영상정보 마스킹 방법
CN103440475B (zh) 一种自动取款机使用者人脸可见性判断系统及方法
EP2801956B1 (en) Passenger counter
CN107133564B (zh) 一种工装工帽检测方法
WO2017125094A1 (zh) 一种人体摔倒智能控制系统及其方法
JP5473801B2 (ja) 監視装置
CN112132045A (zh) 一种基于计算机视觉的小区人员异常行为监控方案
JP2007334623A (ja) 顔認証装置、顔認証方法、および入退場管理装置
CN109867186B (zh) 一种基于智能视频分析技术的电梯困人检测方法及系统
JP4797517B2 (ja) 監視装置および方法、並びにプログラム
CN109919066B (zh) 一种检测轨道交通车厢内乘客密度异常的方法和装置
JP7201072B2 (ja) 監視装置、不審オブジェクト検出方法、およびプログラム
US11900701B2 (en) Left object detection device and left object detection method
JP5538963B2 (ja) 非常通報装置
JP2006236260A (ja) 顔認証装置、顔認証方法および入退場管理装置
CN111932585B (zh) 一种基于大数据智能电梯间尾随行为识别方法
CN112132048A (zh) 一种基于计算机视觉的社区巡更分析方法及系统
CN114937237A (zh) 一种基于ai智能识别的工地安全监测方法及系统
CN110544312A (zh) 虚拟场景中的视频显示方法、装置、电子设备与存储装置
CN111523386A (zh) 一种基于机器视觉的高速铁路站台门监测防护方法及系统
CN113247720A (zh) 基于视频的智能梯控方法及系统
CN115909580A (zh) 一种基于物联网的智慧办公方法和系统
CN114436086B (zh) 电梯轿厢昏暗的识别与告警方法及系统
CN113239772B (zh) 自助银行或atm环境中的人员聚集预警方法与系统

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
GR01 Patent grant
GR01 Patent grant