CN111985413A - 一种智能楼宇监控终端、监控系统及监控方法 - Google Patents
一种智能楼宇监控终端、监控系统及监控方法 Download PDFInfo
- Publication number
- CN111985413A CN111985413A CN202010853128.8A CN202010853128A CN111985413A CN 111985413 A CN111985413 A CN 111985413A CN 202010853128 A CN202010853128 A CN 202010853128A CN 111985413 A CN111985413 A CN 111985413A
- Authority
- CN
- China
- Prior art keywords
- behavior
- picture
- suspicious
- monitoring
- person
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 157
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000006399 behavior Effects 0.000 claims abstract description 238
- 238000012549 training Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 17
- 238000009434 installation Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012806 monitoring device Methods 0.000 claims 2
- 230000000694 effects Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009435 building construction Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及楼宇监控的技术领域，尤其是涉及一种智能楼宇监控终端、监控系统及监控方法，智能楼宇监控方法包括：获取监控画面，从监控画面中获取人物画面；从人物画面中识别人员个体行为数据，并使用预设的正向行为模型对每个人员个体行为数据进行识别，得到识别结果；若从识别结果中获取到识别失败信息，则从识别失败信息中获取人员标记框，并对人员标记框关联可疑分值；每个人员标记框的识别失败信息的失败次数，根据失败次数和可疑分值计算可疑行为预测值，若可疑行为预测值达到预设的可疑阈值，则对人员标记框进行标记。本申请具有能够从监控录像中，对未知的可疑行为进行合理预测的效果。
Description
技术领域
本发明涉及楼宇监控的技术领域，尤其是涉及一种智能楼宇监控终端、监控系统及监控方法。
背景技术
目前，随着网络通信技术的发展，在楼宇建设中，已经将网络通信技术广泛应用在智能监控的场景中，使得楼宇的安全性显著地提高。
现有的楼宇的智能监控系统中，采用视频监控、火灾监控以及其他提升安全性能的监控，尤其是在视频监控中，能够从视频监控中获取监控画面，通过机器学习的手段训练出对应的神经网络模型， 通过该神经网络模型从该监控画面中检测出是否存在可疑的画面。
针对上述中的相关技术，发明人认为存在有仅能通过无法对未知的可疑行为进行有效监控的缺陷。
发明内容
本申请的目的是提供一种能够从监控录像中，对未知的可疑行为进行合理预测的智能楼宇监控终端、监控系统及监控方法。
本申请的上述发明目的一是通过以下技术方案得以实现的：
一种智能楼宇监控方法，所述智能楼宇监控方法包括：
获取监控画面，从监控画面中获取人物画面；
从所述人物画面中识别人员个体行为数据，并使用预设的正向行为模型对每个所述人员个体行为数据进行识别，得到识别结果；
若从识别结果中获取到识别失败信息，则从识别失败信息中获取人员标记框，并对所述人员标记框关联可疑分值；
每个所述人员标记框的所述识别失败信息的失败次数，根据所述失败次数和所述可疑分值计算可疑行为预测值，若所述可疑行为预测值达到预设的可疑阈值，则对所述人员标记框进行标记；
对标记的所述人员标记框中的人物画面采用预设的可疑行为判断模型进行识别，根据识别结果触发对应的处理指令。
通过采用上述技术方案，通过在监控画面中获取个体行为数据，能够对个人行为数据进行识别，采用正向行为模型，能够验证在楼宇内的人员的行为是否符合正向行为的标准；通过对匹配失败的进行可疑分值的关联，能够通过反向识别人员的行为，对人员做出与常规正向的行为不同的次数进行累计，能够通过累计的次数得到该人员是否做出可疑行为，则能够对未知的可疑行为进行预测，提升了监控的效率；在预测出可能做出可疑行为后，再使用可疑行为判断模型进行识别，能够提升识别的针对性从而提升识别的精确度。
本申请在一较佳示例中可以进一步配置为：所述从所述人物画面数据中识别人员个体行为数据，具体包括：
获取摄像头画面边缘数据；
若所述人物画面与任意所述摄像头画面边缘数据重合，则根据与所述人物画面重合的所述摄像头画面边缘数据，获取人物行走方向；
根据所述人物行走方向获取摄像头标识，根据所述摄像头标识识别与所述人物画面对应的人物动作画面，则从所述人物画面和所有所述人物动作画面中识别出所述人员个体行为数据。
通过采用上述技术方案，通过获取任务画面与摄像头画面边缘数据的重合情况，获取对应的人物行走方向，能够在人物走出该监控摄像头的监控范围后，根据任务行走方向控制相邻的监控摄像头有针对性地获取该人物的人物画面，有助于得到该人员个体行为数据。
本申请在一较佳示例中可以进一步配置为：在所述使用预设的正向行为模型对每个所述人员个体行为数据进行识别，得到识别结果之前，所述智能楼宇监控方法还包括：
从历史监控数据中获取正向行为画面组中识别行为特征；
对所述行为特征进行分类，根据分类结果，逐类对所述行为特征进行训练，得到所述正向行为模型。
通过采用上述技术方案，由于人员在楼宇中做出正向行为的比例较大，因此在历史监控数据中的正向行为画面组的数据量比负向行为的数据量大，即训练样本比负向行为的数据量多，因此通过对正向行为画面组进行训练，利用了正向行为画面组的样本量，能够提升正向识别模型识别的精度；通过对行为特征进行分类，能够提升训练的针对性。
本申请在一较佳示例中可以进一步配置为：所述逐类对所述行为特征进行训练，得到所述正向行为模型，具体还包括：
获取实际摄像头安装信息，从所述实际摄像头安装信息中获取监控盲区信息；
获取楼宇建筑布局图，根据所述监控盲区信息在所述楼宇建筑布局图中获取盲区位置信息；
根据所述盲区位置信息设置每个所述监控盲区信息对应的盲区停留时间，将所述盲区停留时间加载至所述正向行为模型中。
通过采用上述技术方案，通过获取楼宇的盲区位置信息，并对每个盲区位置信息设置对应的盲区停留时间，将该盲区停留时间加载至该正向行为模型中，能够提升该正向行为模型与实际需要监控的楼宇的关联性，从而提升了该正向行为模型识别的精确度。
本申请在一较佳示例中可以进一步配置为：所述根据识别结果触发对应的处理指令，具体包括：
若所述识别结果为行为可疑信息，则获取可疑行为发生位置信息；
根据所述可疑行为发生位置信息，生成并发送隐藏摄像启动消息。
通过采用上述技术方案，通过触发隐藏摄像启动消息，能够减少可疑人员躲避监控摄像头的行为，导致无法准确识别出可疑人员具体的可疑行为的风险，有助于提升楼宇安全管理的效率；同时，通过向可疑行为发生位置信息对应的隐藏摄像头发送该隐藏摄像头启动消息，能够快速捕捉到可疑人员的行为。
本申请的上述发明目的二是通过以下技术方案得以实现的：
一种智能楼宇监控系统，其特征在于，所述智能楼宇监控系统包括：
画面获取模块，用于获取监控画面，从监控画面中获取人物画面；
正向识别模块，用于从所述人物画面中识别人员个体行为数据，并使用预设的正向行为模型对每个所述人员个体行为数据进行识别，得到识别结果；
分值关联模块，用于若从识别结果中获取到识别失败信息，则从识别失败信息中获取人员标记框，并对所述人员标记框关联可疑分值；
可疑行为标记模块，用于获取每个所述人员标记框的所述识别失败信息的失败次数，根据所述失败次数和所述可疑分值计算可疑行为预测值，若所述可疑行为预测值达到预设的可疑阈值，则对所述人员标记框进行标记；
处理模块，用于对标记的所述人员标记框中的人物画面采用预设的可疑行为判断模型进行识别，根据识别结果触发对应的处理指令。
通过采用上述技术方案，通过在监控画面中获取个体行为数据，能够对个人行为数据进行识别，采用正向行为模型，能够验证在楼宇内的人员的行为是否符合正向行为的标准；通过对匹配失败的进行可疑分值的关联，能够通过反向识别人员的行为，对人员做出与常规正向的行为不同的次数进行累计，能够通过累计的次数得到该人员是否做出可疑行为，则能够对未知的可疑行为进行预测，提升了监控的效率；在预测出可能做出可疑行为后，再使用可疑行为判断模型进行识别，能够提升识别的针对性从而提升识别的精确度。
本申请的上述目的三是通过以下技术方案得以实现的：
一种智能楼宇监控终端，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智能楼宇监控方法的步骤。
综上所述，本申请包括以下至少一种有益技术效果：
1、通过在监控画面中获取个体行为数据，能够对个人行为数据进行识别，采用正向行为模型，能够验证在楼宇内的人员的行为是否符合正向行为的标准；通过对匹配失败的进行可疑分值的关联，能够通过反向识别人员的行为，对人员做出与常规正向的行为不同的次数进行累计，能够通过累计的次数得到该人员是否做出可疑行为，则能够对未知的可疑行为进行预测，提升了监控的效率；
2、由于人员在楼宇中做出正向行为的比例较大，因此在历史监控数据中的正向行为画面组的数据量比负向行为的数据量大，即训练样本比负向行为的数据量多，因此通过对正向行为画面组进行训练，利用了正向行为画面组的样本量，能够提升正向识别模型识别的精度；通过对行为特征进行分类，能够提升训练的针对性；
3、由于人员在楼宇中做出正向行为的比例较大，因此在历史监控数据中的正向行为画面组的数据量比负向行为的数据量大，即训练样本比负向行为的数据量多，因此通过对正向行为画面组进行训练，利用了正向行为画面组的样本量，能够提升正向识别模型识别的精度；通过对行为特征进行分类，能够提升训练的针对性；
4、通过获取楼宇的盲区位置信息，并对每个盲区位置信息设置对应的盲区停留时间，将该盲区停留时间加载至该正向行为模型中，能够提升该正向行为模型与实际需要监控的楼宇的关联性，从而提升了该正向行为模型识别的精确度。
附图说明
图1是本发明一实施例中智能楼宇监控方法的一流程图；
图2是本发明一实施例中智能楼宇监控方法中步骤S20的实现流程图；
图3是本发明一实施例中智能楼宇监控方法中的另一实现流程图；
图4是本发明一实施例中智能楼宇监控方法中步骤S202的实现流程图；
图5是本发明一实施例中智能楼宇监控方法中步骤S50的实现流程图；
图6是本发明一实施例中智能楼宇监控装置的一原理框图；
图7是本发明一实施例中的一设备示意图。
具体实施方式
以下结合附图对本申请作进一步详细说明。
在一实施例中，如图1所示，本申请公开了一种智能楼宇监控方法，具体包括如下步骤：
S10：获取监控画面，从监控画面中获取人物画面。
在本实施例中，监控画面是指通过在实际需要进行监控的楼宇中的监控摄像头拍摄得到的画面。人物画面是指在监控画面中，包含有人员的画面。
具体地，根据实际楼宇的监控安装情况，在楼宇内预设的位置安装对应的监控摄像头，通过安装的监控摄像头获取该监控画面。
进一步地，若通过监控摄像头铺捉到有人员进入监控画面，则将有人员经过的监控画面作为该人物画面。
S20：从人物画面中识别人员个体行为数据，并使用预设的正向行为模型对每个人员个体行为数据进行识别，得到识别结果。
在本实施例中，人员个体行为数据是指人员在楼宇中做出的行为的数据。正向行为模型是指用于判断人员的行为是否符合正常的行为的模型。
具体地，将同一个人员的对应的所有人物画面，安装人物画面中的时间顺序，组成该人员个体行为数据，并获取该正向行为模型，将该人员个体行为数据输入至该正向行为模型中进行识别，得到该识别结果。
S30：若从识别结果中获取到识别失败信息，则从识别失败信息中获取人员标记框，并对人员标记框关联可疑分值。
在本实施例中，识别失败信息是指无法从正向行为模型中识别匹配出对应的结果的信息。人员标记框是指用于在人员画面中框选出对应的人员个体的标记框。可疑分值是指用于标记每个人员实际做出可疑行为的概率大小的分值。
具体地，若存在有人员的行为不符合对应监控场景可能出现的常规行为，则该人员个体行为数据无法通过该正向行为模型成功识别，即该识别结果为识别失败信息。
进一步地，在从识别结果中获取到识别失败信息后，则根据该识别失败信息对应的人员，获取该人员的人员标记框，并在该人员标记框中关联对应的可疑分值。在关联该可疑分值时，可以将该可疑分值显示与人员标记框的正上方、正下方或者其中一个角落处等，且该可疑分值具体的数值大小，可以根据实际楼宇的安全等级进行自定义设置。
S40：获取每个人员标记框的识别失败信息的失败次数，根据失败次数和可疑分值计算可疑行为预测值，若可疑行为预测值达到预设的可疑阈值，则对人员标记框进行标记。
在本实施例中，可疑行为预测值是指预测人员为做出违反楼宇的安全规定的行为的概率的预测值。可疑阈值是指用于判定人员是否做出可疑行为的基准值。
具体地，对于同一个人员个体，从第一次识别失败开始，在每一次通过正向行为模型对该人员的人员个体行为数据识别失败，则记录对应的次数，得到该失败次数，其中，若该人员持续一段时间均识别失败，则可以划分识别时间间隔，例如2秒、5秒或10秒等，在持续识别失败的时长中，根据该时间间隔获取该时长对应的失败次数。
进一步地，通过该失败次数与可疑分值的乘积，得到该可疑行为预测值，若该楼宇中，对不同的监控位置，设置了不同分值的可疑分值，则也可以是从第一次识别失败开始，根据识别失败的位置对应的可疑分值进行叠加，得到该可疑行为预测值。
进一步地，若该可疑行为预测值达到或者超过该可疑阈值，则对该人员标记框进行标记，该标记的方式可以是在人员画面中，将所有的人员的人员标记框使用同一颜色进行标记，例如绿色，在有人员的可疑行为预测值达到该可疑阈值后，使用另一颜色进行标记，例如红色。其中，该可疑阈值可以按照优先级分位第一阈值和第二阈值，且第一阈值的优先级小于第二阈值，当可疑行为预测值达到第一阈值时，将该人员的人员标记框使用黄色进行标记，当达到第二阈值时，使用红色进行标记。
S50：对标记的人员标记框中的人物画面采用预设的可疑行为判断模型进行识别，根据识别结果触发对应的处理指令。
在本实施例中，可疑行为判断模型是指判断该人员具体的可疑行为的模型。
具体地，预先根据历史的负向行为数据，即违反该楼宇的安全规定的行为的数据，通过神经网络训练出该可疑行为判断模型。进一步地，再将标记的人员标记框中的人物画面，或者该人员标记框的人员个体行为数据输入至该可疑行为模型，得到对应的可疑行为，并根据该识别出的具体的可疑行为触发相应的处理指令。
在本实施例中，通过在监控画面中获取个体行为数据，能够对个人行为数据进行识别，采用正向行为模型，能够验证在楼宇内的人员的行为是否符合正向行为的标准；通过对匹配失败的进行可疑分值的关联，能够通过反向识别人员的行为，对人员做出与常规正向的行为不同的次数进行累计，能够通过累计的次数得到该人员是否做出可疑行为，则能够对未知的可疑行为进行预测，提升了监控的效率；在预测出可能做出可疑行为后，再使用可疑行为判断模型进行识别，能够提升识别的针对性从而提升识别的精确度。
在一实施例中，如图2所示，在步骤S20中，即从人物画面数据中识别人员个体行为数据，具体包括：
S21：获取摄像头画面边缘数据。
在本实施例中，摄像头画面边缘数据是指每一个监控摄像头捕捉到的画面的边缘。
具体地，获取每一个监控摄像头的摄像头画面边缘数据。
S22：若人物画面与任意摄像头画面边缘数据重合，则根据与人物画面重合的摄像头画面边缘数据，获取人物行走方向。
在本实施例中，人物行走方向是指人物画面中的人员移动的方向。
具体地，当在监控画面中间识别到该人物画面，当该人物画面中的人员接触到该摄像头画面边缘，即该人物画面与任意的摄像头画面边缘数据重合，则说明该人员从监控画面的中间朝向与该任人物画面重合的摄像头画面边缘移动，则将该移动的方向作为该人员行走方向。
S23：根据人物行走方向获取摄像头标识，根据摄像头标识识别与人物画面对应的人物动作画面，则从人物画面和所有人物动作画面中识别出人员个体行为数据。
在本实施例中，摄像头标识是指用于区分每一个监控摄像头的字符或者字符串。人物动作画面是指通过监控摄像头捕捉到的人员的行为动作的画面。
具体地，通过该人物行走方向，获取距离该方向最近的监控摄像头的摄像头标识，若出现多个分支路口，则获取每一个分支路口的摄像头标识。进一步地，将用于捕捉该人员对应的人员画面的指令发送至该摄像头标识对应的监控摄像头处，使接收到该指令的监控摄像头能够继续获取该人员的人物画面，进而从获取到的该人员的人物画面中获取人物动作画面。进一步地，将每个人员的人物动作画面，根据人物画面的拍摄时间，组成人员个体行为数据。
在一实施例中，如图3所示，在步骤S20之前，智能楼宇监控方法还包括：
S201：从历史监控数据中获取正向行为画面组中识别行为特征。
在本实施例中，历史监控数据是指在过去一段时间的监控录像。正向行为画面是指人员做出的符合该楼宇的安全行为的标准的画面。
具体地，将历史监控数据根据历史的监控记录，将记录为不符合该楼宇的安全行为的标准的画面，即做出可疑行为对应的录像作为负向行为画面，并将剩余的画面作为该正向行为画面，从而存储为正向行为画面组。
进一步地，通过神经网络学习，从该正向行为画面组中提取对应的行为特征。
S202：对行为特征进行分类，根据分类结果，逐类对行为特征进行训练，得到正向行为模型。
具体地，根据行为特征对应的动作的类型，例如行走、交谈或者其他行为，对该行为特征进行分类，并根据分类结果，逐类对行为特征进行训练，得到正向行为模型。
在一实施例中，如图4所示，在步骤S202中，即逐类对行为特征进行训练，得到正向行为模型，具体还包括：
S2021：获取实际摄像头安装信息，从实际摄像头安装信息中获取监控盲区信息。
在本实施例中，实际摄像头安装信息是指在实际监控的楼宇中，每个监控摄像头的安装的位置。监控盲区信息是指在实际监控的楼宇中，监控摄像头无法拍摄到画面的区域。
具体地，在该楼宇的安防设备的安装策略或者规划中，获取实际每个摄像头的安装的位置，作为该摄像头安装信息。从每个监控摄像头中获取拍摄的范围，并根据该实际摄像头安装信息和该范围，获取存在该楼宇中的监控盲区信息。
S2022：获取楼宇建筑布局图，根据监控盲区信息在楼宇建筑布局图中获取盲区位置信息。
在本实施例中，楼宇建筑布局图是指该建筑楼宇的布局的图纸。盲区位置信息是指每个监控盲区信息在楼宇中的实际位置。
具体地，将每个监控盲区信息显示于楼宇建筑布局图中，得到该楼宇的实际的监控盲区的位置，作为该盲区位置信息。
S2023：根据盲区位置信息设置每个监控盲区信息对应的盲区停留时间，将盲区停留时间加载至正向行为模型中。
在本实施例中，盲区停留时间是指每个人员停留在监控盲区内的最大时间。
具体地，根据楼宇每个位置的安全情况，以及人员正常行走的速度，设置每个监控盲区对应的盲区停留时间，并将该盲区停留时间加载至该正向行为模型中，使得该正向行为模型在识别的过程中，若该人员停留在盲区的时间小于该盲区停留时间，则认定识别成功，否则识别失败。
在一实施例中，如图5所示，在步骤S50中，即根据识别结果触发对应的处理指令，具体包括：
S51：若识别结果为行为可疑信息，则获取可疑行为发生位置信息。
在本实施例中，行为可疑信息是指预测该人员的行为可能违反楼宇安全规定的行为。可疑行为发生位置信息是指具体检测出该行为可疑信息在楼宇中的具体位置。
具体地，若有人员的可疑行为预测值达到或者超过该可疑阈值后，则触发该行为可疑信息，并将最后一次得到该可疑分值对应的监控摄像头在楼宇安装的位置作为该可疑行为发送位置信息。
S52：根据可疑行为发生位置信息，生成并发送隐藏摄像启动消息。
具体地，根据该可以行为发生位置，向该位置的隐藏摄像头触发该隐藏摄像启动消息，通过隐藏摄像头辅助监控摄像头识别出人员具体的可疑行为，避免人员故意避开监控摄像头导致的识别不精确的问题。
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，而不应对本申请实施例的实施过程构成任何限定。
在一实施例中，提供一种智能楼宇监控系统，该智能楼宇监控系统与上述实施例中智能楼宇监控方法一一对应。如图6所示，该智能楼宇监控系统包括画面获取模块10、正向识别模块20、分值关联模块30、可疑行为标记模块40和处理模块50。各功能模块详细说明如下：
画面获取模块10，用于获取监控画面，从监控画面中获取人物画面；
正向识别模块20，用于从人物画面中识别人员个体行为数据，并使用预设的正向行为模型对每个人员个体行为数据进行识别，得到识别结果；
分值关联模块30，用于若从识别结果中获取到识别失败信息，则从识别失败信息中获取人员标记框，并对人员标记框关联可疑分值；
可疑行为标记模块40，用于获取每个人员标记框的识别失败信息的失败次数，根据失败次数和可疑分值计算可疑行为预测值，若可疑行为预测值达到预设的可疑阈值，则对人员标记框进行标记；
处理模块50，用于对标记的人员标记框中的人物画面采用预设的可疑行为判断模型进行识别，根据识别结果触发对应的处理指令。
可选的，正向识别模块20包括：
边缘获取子模块，用于获取摄像头画面边缘数据；
方向获取子模块，用于若人物画面与任意摄像头画面边缘数据重合，则根据与人物画面重合的摄像头画面边缘数据，获取人物行走方向；
行为获取子模块，用于根据人物行走方向获取摄像头标识，根据摄像头标识识别与人物画面对应的人物动作画面，则从人物画面和所有人物动作画面中识别出人员个体行为数据。
可选的，智能楼宇监控系统还包括：
正向特征识别模块，用于从历史监控数据中获取正向行为画面组中识别行为特征；
模型训练模块，用于对行为特征进行分类，根据分类结果，逐类对行为特征进行训练，得到正向行为模型。
可选的，模型训练模块还包括：
盲区信息获取子模块，用于获取实际摄像头安装信息，从实际摄像头安装信息中获取监控盲区信息；
盲区位置获取子模块，用于获取楼宇建筑布局图，根据监控盲区信息在楼宇建筑布局图中获取盲区位置信息；
加载子模块，用于根据盲区位置信息设置每个监控盲区信息对应的盲区停留时间，将盲区停留时间加载至正向行为模型中。
可选的，处理模块50包括：
可疑位置获取子模块，用于若识别结果为行为可疑信息，则获取可疑行为发生位置信息；
隐藏摄像头启动子模块，用于根据可疑行为发生位置信息，生成并发送隐藏摄像启动消息。
关于智能楼宇监控系统的具体限定可以参见上文中对于智能楼宇监控方法的限定，在此不再赘述。上述智能楼宇监控系统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。
在一个实施例中，提供了一种智能楼宇监控终端，该智能楼宇监控终端可以是服务器，其内部结构图可以如图7所示。该智能楼宇监控终端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，该智能楼宇监控终端的处理器用于提供计算和控制能力。该智能楼宇监控终端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。该智能楼宇监控终端的数据库用于存储历史监控画面。该智能楼宇监控终端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智能楼宇监控方法。
在一个实施例中，提供了一种智能楼宇监控终端，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：
获取监控画面，从监控画面中获取人物画面；
从人物画面中识别人员个体行为数据，并使用预设的正向行为模型对每个人员个体行为数据进行识别，得到识别结果；
若从识别结果中获取到识别失败信息，则从识别失败信息中获取人员标记框，并对人员标记框关联可疑分值；
获取每个人员标记框的识别失败信息的失败次数，根据失败次数和可疑分值计算可疑行为预测值，若可疑行为预测值达到预设的可疑阈值，则对人员标记框进行标记；
对标记的人员标记框中的人物画面采用预设的可疑行为判断模型进行识别，根据识别结果触发对应的处理指令。
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：
获取监控画面，从监控画面中获取人物画面；
从人物画面中识别人员个体行为数据，并使用预设的正向行为模型对每个人员个体行为数据进行识别，得到识别结果；
若从识别结果中获取到识别失败信息，则从识别失败信息中获取人员标记框，并对人员标记框关联可疑分值；
获取每个人员标记框的识别失败信息的失败次数，根据失败次数和可疑分值计算可疑行为预测值，若可疑行为预测值达到预设的可疑阈值，则对人员标记框进行标记；
对标记的人员标记框中的人物画面采用预设的可疑行为判断模型进行识别，根据识别结果触发对应的处理指令。
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申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (9)
1.一种智能楼宇监控方法，其特征在于，所述智能楼宇监控方法包括：
获取监控画面，从监控画面中获取人物画面；
从所述人物画面中识别人员个体行为数据，并使用预设的正向行为模型对每个所述人员个体行为数据进行识别，得到识别结果；
若从识别结果中获取到识别失败信息，则从识别失败信息中获取人员标记框，并对所述人员标记框关联可疑分值；
获取每个所述人员标记框的所述识别失败信息的失败次数，根据所述失败次数和所述可疑分值计算可疑行为预测值，若所述可疑行为预测值达到预设的可疑阈值，则对所述人员标记框进行标记；
对标记的所述人员标记框中的人物画面采用预设的可疑行为判断模型进行识别，根据识别结果触发对应的处理指令。
2.根据权利要求1所述的智能楼宇监控方法，其特征在于，所述从所述人物画面数据中识别人员个体行为数据，具体包括：
获取摄像头画面边缘数据；
若所述人物画面与任意所述摄像头画面边缘数据重合，则根据与所述人物画面重合的所述摄像头画面边缘数据，获取人物行走方向；
根据所述人物行走方向获取摄像头标识，根据所述摄像头标识识别与所述人物画面对应的人物动作画面，则从所述人物画面和所有所述人物动作画面中识别出所述人员个体行为数据。
3.根据权利要求1所述的智能楼宇监控方法，其特征在于，在所述使用预设的正向行为模型对每个所述人员个体行为数据进行识别，得到识别结果之前，所述智能楼宇监控方法还包括：
从历史监控数据中获取正向行为画面组中识别行为特征；
对所述行为特征进行分类，根据分类结果，逐类对所述行为特征进行训练，得到所述正向行为模型。
4.根据权利要求3所述的智能楼宇监控方法，其特征在于，所述逐类对所述行为特征进行训练，得到所述正向行为模型，具体还包括：
获取实际摄像头安装信息，从所述实际摄像头安装信息中获取监控盲区信息；
获取楼宇建筑布局图，根据所述监控盲区信息在所述楼宇建筑布局图中获取盲区位置信息；
根据所述盲区位置信息设置每个所述监控盲区信息对应的盲区停留时间，将所述盲区停留时间加载至所述正向行为模型中。
5.根据权利要求1所述的智能楼宇监控方法，其特征在于，所述根据识别结果触发对应的处理指令，具体包括：
若所述识别结果为行为可疑信息，则获取可疑行为发生位置信息；
根据所述可疑行为发生位置信息，生成并发送隐藏摄像启动消息。
6.一种智能楼宇监控装置，其特征在于，所述智能楼宇监控装置包括：
画面获取模块(10)，用于获取监控画面，从监控画面中获取人物画面；
正向识别模块(20)，用于从所述人物画面中识别人员个体行为数据，并使用预设的正向行为模型对每个所述人员个体行为数据进行识别，得到识别结果；
分值关联模块(30)，用于若从识别结果中获取到识别失败信息，则从识别失败信息中获取人员标记框，并对所述人员标记框关联可疑分值；
可疑行为标记模块(40)，用于获取每个所述人员标记框的所述识别失败信息的失败次数，根据所述失败次数和所述可疑分值计算可疑行为预测值，若所述可疑行为预测值达到预设的可疑阈值，则对所述人员标记框进行标记；
处理模块(50)，用于对标记的所述人员标记框中的人物画面采用预设的可疑行为判断模型进行识别，根据识别结果触发对应的处理指令。
7.根据权利要求6所述的智能楼宇监控系统，其特征在于，所述正向识别模块包括：
边缘获取子模块，用于获取摄像头画面边缘数据；
方向获取子模块，用于若所述人物画面与任意所述摄像头画面边缘数据重合，则根据与所述人物画面重合的所述摄像头画面边缘数据，获取人物行走方向；
行为获取子模块，用于根据所述人物行走方向获取摄像头标识，根据所述摄像头标识识别与所述人物画面对应的人物动作画面，则从所述人物画面和所有所述人物动作画面中识别出所述人员个体行为数据。
8.根据权利要求6所述的智能楼宇监控系统，其特征在于，所述智能楼宇监控系统还包括：
正向特征识别模块，用于从历史监控数据中获取正向行为画面组中识别行为特征；
模型训练模块，用于对所述行为特征进行分类，根据分类结果，逐类对所述行为特征进行训练，得到所述正向行为模型。
9.一种智能楼宇监控终端，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5任一项所述智能楼宇监控方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010853128.8A CN111985413A (zh) | 2020-08-22 | 2020-08-22 | 一种智能楼宇监控终端、监控系统及监控方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010853128.8A CN111985413A (zh) | 2020-08-22 | 2020-08-22 | 一种智能楼宇监控终端、监控系统及监控方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111985413A true CN111985413A (zh) | 2020-11-24 |
Family
ID=73443017
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010853128.8A Pending CN111985413A (zh) | 2020-08-22 | 2020-08-22 | 一种智能楼宇监控终端、监控系统及监控方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111985413A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112990017A (zh) * | 2021-03-16 | 2021-06-18 | 陈永欢 | 一种智慧城市大数据分析方法及监控系统 |
| CN116823892A (zh) * | 2023-08-31 | 2023-09-29 | 戈尔电梯（天津）有限公司 | 基于楼宇管控的身份确定方法、装置、设备和介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090131836A1 (en) * | 2007-03-06 | 2009-05-21 | Enohara Takaaki | Suspicious behavior detection system and method |
| CN103093427A (zh) * | 2013-01-15 | 2013-05-08 | 信帧电子技术（北京）有限公司 | 人员停留的监控方法及监控系统 |
| CN105245850A (zh) * | 2015-10-27 | 2016-01-13 | 太原市公安局 | 跨监控摄像头进行目标追踪的方法、装置和系统 |
| CN106295524A (zh) * | 2016-08-01 | 2017-01-04 | 马平 | 一种基于视觉词袋的人体动作识别方法 |
| CN110062210A (zh) * | 2019-04-28 | 2019-07-26 | 广东安居宝数码科技股份有限公司 | 对象的监控方法、装置、设备及存储介质 |
| CN110166741A (zh) * | 2019-04-15 | 2019-08-23 | 深圳壹账通智能科技有限公司 | 基于人工智能的环境监控方法、装置、设备及存储介质 |
| CN110177108A (zh) * | 2019-06-02 | 2019-08-27 | 四川虹微技术有限公司 | 一种异常行为检测方法、装置及验证系统 |
| CN110443109A (zh) * | 2019-06-11 | 2019-11-12 | 万翼科技有限公司 | 异常行为监控处理方法、装置、计算机设备和存储介质 |
| CN111325144A (zh) * | 2020-02-19 | 2020-06-23 | 上海眼控科技股份有限公司 | 行为检测方法、装置、计算机设备和计算机可读存储介质 |
| CN111339366A (zh) * | 2019-12-26 | 2020-06-26 | 广州市炬盾科技发展有限公司 | 大数据视频检索方法、装置、计算机设备以及存储介质 |
-
2020
- 2020-08-22 CN CN202010853128.8A patent/CN111985413A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090131836A1 (en) * | 2007-03-06 | 2009-05-21 | Enohara Takaaki | Suspicious behavior detection system and method |
| CN103093427A (zh) * | 2013-01-15 | 2013-05-08 | 信帧电子技术（北京）有限公司 | 人员停留的监控方法及监控系统 |
| CN105245850A (zh) * | 2015-10-27 | 2016-01-13 | 太原市公安局 | 跨监控摄像头进行目标追踪的方法、装置和系统 |
| CN106295524A (zh) * | 2016-08-01 | 2017-01-04 | 马平 | 一种基于视觉词袋的人体动作识别方法 |
| CN110166741A (zh) * | 2019-04-15 | 2019-08-23 | 深圳壹账通智能科技有限公司 | 基于人工智能的环境监控方法、装置、设备及存储介质 |
| CN110062210A (zh) * | 2019-04-28 | 2019-07-26 | 广东安居宝数码科技股份有限公司 | 对象的监控方法、装置、设备及存储介质 |
| CN110177108A (zh) * | 2019-06-02 | 2019-08-27 | 四川虹微技术有限公司 | 一种异常行为检测方法、装置及验证系统 |
| CN110443109A (zh) * | 2019-06-11 | 2019-11-12 | 万翼科技有限公司 | 异常行为监控处理方法、装置、计算机设备和存储介质 |
| CN111339366A (zh) * | 2019-12-26 | 2020-06-26 | 广州市炬盾科技发展有限公司 | 大数据视频检索方法、装置、计算机设备以及存储介质 |
| CN111325144A (zh) * | 2020-02-19 | 2020-06-23 | 上海眼控科技股份有限公司 | 行为检测方法、装置、计算机设备和计算机可读存储介质 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112990017A (zh) * | 2021-03-16 | 2021-06-18 | 陈永欢 | 一种智慧城市大数据分析方法及监控系统 |
| CN112990017B (zh) * | 2021-03-16 | 2022-01-28 | 刘宏伟 | 一种智慧城市大数据分析方法及监控系统 |
| CN116823892A (zh) * | 2023-08-31 | 2023-09-29 | 戈尔电梯（天津）有限公司 | 基于楼宇管控的身份确定方法、装置、设备和介质 |
| CN116823892B (zh) * | 2023-08-31 | 2023-11-17 | 戈尔电梯（天津）有限公司 | 基于楼宇管控的身份确定方法、装置、设备和介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109686048B (zh) | 火车站台越线的预警方法、装置、计算机设备和存储介质 | |
| CN110781750A (zh) | 危险人物监控处理方法、装置、计算机设备和存储介质 | |
| CN110706261A (zh) | 车辆违章检测方法、装置、计算机设备和存储介质 | |
| CN110929648B (zh) | 监控数据处理方法、装置、计算机设备以及存储介质 | |
| CN111914661A (zh) | 异常行为识别方法、目标异常识别方法、设备及介质 | |
| CN110620905A (zh) | 视频监控方法、装置、计算机设备和存储介质 | |
| CN111222423A (zh) | 基于作业区域的目标识别方法、装置、计算机设备 | |
| CN111080963A (zh) | 施工现场告警方法、装置、计算机设备和存储介质 | |
| WO2021043074A1 (zh) | 基于图像识别的城市宠物活动轨迹监测方法及相关设备 | |
| CN111985413A (zh) | 一种智能楼宇监控终端、监控系统及监控方法 | |
| LU502731B1 (en) | Method for monitoring abnormality of power production, apparatus, computer device, and storage medium therefor | |
| CN111079751B (zh) | 识别车牌真伪的方法、装置、计算机设备及存储介质 | |
| CN113095132A (zh) | 一种基于神经网络的燃气现场目标检测和行为识别方法、系统、终端及存储介质 | |
| CN113160509A (zh) | 一种适用于社区及施工现场内的风险感知方法及系统 | |
| CN114719767A (zh) | 距离检测方法、装置、存储介质及电子设备 | |
| CN114202839A (zh) | 闸机通行的控制方法、装置、设备及存储介质 | |
| CN115346060A (zh) | 画面异常识别方法、装置、电子设备和存储介质 | |
| CN114565955A (zh) | 人脸属性识别模型训练、社区人员监控方法、装置、设备 | |
| CN111814617B (zh) | 基于视频的火灾判定方法、装置、计算机设备及存储介质 | |
| CN116645530A (zh) | 基于图像比对的施工检测方法、装置、设备及存储介质 | |
| CN112607542B (zh) | 电梯控制方法、装置、计算机设备和存储介质 | |
| CN114119531A (zh) | 应用于校园智慧平台的火灾检测方法、装置及计算机设备 | |
| CN115394025A (zh) | 监控方法、装置、电子设备及存储介质 | |
| WO2020261906A1 (ja) | 画像処理装置及びその方法、画像入力装置、画像処理システム、プログラム | |
| CN114581949A (zh) | 一种机房人员监控方法、装置、计算机设备以及存储介质 |
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 |