CN112132045B - 一种基于计算机视觉的小区人员异常行为监控方案 - Google Patents
一种基于计算机视觉的小区人员异常行为监控方案 Download PDFInfo
- Publication number
- CN112132045B CN112132045B CN202011014113.9A CN202011014113A CN112132045B CN 112132045 B CN112132045 B CN 112132045B CN 202011014113 A CN202011014113 A CN 202011014113A CN 112132045 B CN112132045 B CN 112132045B
- Authority
- CN
- China
- Prior art keywords
- personnel
- module
- behaviors
- behavior
- identity
- 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
- 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
- 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
- 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
- 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
- G08B21/18—Status alarms
- G08B21/24—Reminder alarms, e.g. anti-loss alarms
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Image Analysis (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了监控系统技术领域的一种基于计算机视觉的小区人员异常行为监控方案,本发明是以交流网络为基础,通过摄像头作为采集端口,实现一种安全防护监控系统,本发明利用摄像头内检测到的人员以及陌生人员流量以及行动区域,通过计算机视觉以及大数据的分析,智能区分是否为小区的人员,能够识别出多种异常行为,及时发现异常并提醒安保人员对一些违法和危险行为进行警告和阻止,净化小区环境,减少小区内违法犯罪以及危险行为,避免小区人员先受到伤害,才获得补偿和保护,使小区的危险和违法行为被扼杀在摇篮中,真正做到防范于未然,保障小区业主的人身安全与财产安全。
Description
技术领域
本发明涉及网络监控系统技术领域,具体为一种基于计算机视觉的小区人员异常行为监控方案。
背景技术
随着现代化程度的提高,5G与物联网技术的发展,居民也越来越重视社区的安全,目前小区安防部署了越来越多的摄像头,大多用于监测小区重点区域的监控。这些设施使得小区内出了异常情况时,有更多的可能性被第一时间发现,即使未在第一时间发现,监控录像也可以对后期的调查提供有力证据,但对小区内的住户仍然会产生一些无法挽回的损失,只有能够及时发现潜在的危险,对安保人员发出警报提前进行排查,才能防范于未然。提高小区的安防水平、增多物业的防控手段,提前发现甚至阻止违法犯罪的行为,有利于维持健康的小区环境,维护业主的利益,让业主以及住户拥有更多的安全感以及对物业的信心。
然而,现有的小区网络监控摄像头,大多只是启动监控作用,无法实现智能区分小区人员以及人员异常行为监测能力,因此,无法及时对一些违法和危险行为进行警告和阻止,导致小区人员往往是先受到伤害,才可以获得补偿和保护,然而有些伤害是不可逆的,是无法补偿的,因此现有的小区网络监控摄像头无法有效的将危险和违法行为真正的防范于未然,基于此,本发明设计了一种基于计算机视觉的小区人员异常行为监控方案,以解决上述问题。
发明内容
本发明的目的在于提供一种基于计算机视觉的小区人员异常行为监控方案,以解决上述背景技术中提出的现有的小区网络监控摄像头,大多只是启动监控作用,无法实现智能区分小区人员以及人员异常行为监测能力,因此,无法及时对一些违法和危险行为进行警告和阻止的问题。
为实现上述目的,本发明提供如下技术方案:一种基于计算机视觉的小区人员异常行为监控方案,包括小区异常行为监控模块、身份识别模块、单元内人员流动检测监控模块以及异常行为预测对比库模块,其特征在于,所述小区异常行为监控模块与异常行为预测对比库模块双向连接,所述单元内人员流动检测监控模块与异常行为预测对比库模块单向连接,所述小区异常行为监控模块与身份识别模块双向连接,所述单元内人员流动检测监控模块与身份识别模块双向连接;
所述小区异常行为监控模块用于监测小区内外人员以及其运动行为,对人员信息进行识别,并对人员的运动行为进行判断,最后对行为以及人员身份进行记录,同时对异常行为进行处理;
所述身份识别模块用于识别人员身份;
所述单元内人员流动检测监控模块用于监测单元门的人员,对人员进行识别,并对其出入单元进行记录,并对人员流量分析判断是否存在违法和危险行为,并通过追踪活动范围以及路线对陌生人员类别进行分析;
所述异常行为预测对比库模块用于通过小区异常行为监控模块以及单元内人员流动检测监控模块提供的人员的运动行为进行综合,筛选出正常行为作为基本库,并使用聚类算法将小区人员分为多个不同类别,并将给类别中的特殊行为定为正常行为,将该些行为组合为行为库用于判断和对比。
进一步地,所述小区异常行为监控模块包括视频采集模块、识别模块、判断模块以及处理模块;
所述视频采集模块用于采集小区人员活动视频数据;
所述识别模块用于识别人员身份以及人员行为数据;
所述判断模块用于判断人员身份以及其所对应的行为是否为正常行为;
所述处理模块用于根据判断模块提供的数据将人员的行为以及身份数据进行记录,并将异常行为以及对应的人员信息推送至保卫室,并进行警报。
进一步地,所述小区异常行为监控模块的具体工作步骤如下:
1)在小区的各出入门口、车库区域、小区内各道路岔口、小区内角落、单元门口、各楼层内、电梯内以及楼梯内安装监控摄像头;
2)记录小区内的所有业主、住户以及小区工作人员的人脸信息,并将该信息打包组成数据库,并在数据库中按照业主、住户以及小区工作人员进行分类;
3)监控摄像头记录人员视频数据,并将数据传输至识别模块中;
4)识别模块对人员视频数据进行分析,采集视频中人员的人脸数据、所在场景以及其运动信息,并将人脸数据导入步骤2)中的数据库中进行对比,得出所监控的人员身份,同时将该人员的运动信息以及所在场景导入异常行为预测对比库模块中;
5)根据异常行为预测对比库模块中的数据与获取的人员行为以及场景进行判断,当行为异常时,将该行为以及该行为对应的人员及人员识别的身份导入处理模块中,处理模块将异常行为以及对应的人员信息推送至保卫室,并进行警报;
6)根据异常行为预测对比库模块中的数据与获取的人员行为以及场景进行判断,当行为正常时,将该行为以及该行为对应的人员及人员识别的身份导入处理模块中,处理模块将该行为以及该行为对应的人员身份进行保存记录;
7)判断模块对采集视频中人员的运动信息进行预测,当预测的结果表明该行为存在危险时,将该行为以及该行为对应的人员及人员识别的身份导入处理模块中,处理模块将异常行为以及对应的人员信息推送至保卫室,并进行警报;
8)判断模块对采集视频中人员的运动信息进行预测,当预测的结果表明该行为不存在危险时,将该行为以及该行为对应的人员及人员识别的身份导入处理模块中,处理模块将该行为以及该行为对应的人员身份进行保存记录。
进一步地,所述单元内人员流动检测监控模块包括视频采集模块、判断模块、记录模块以及处理模块;
所述视频采集模块用于采集小区人员活动视频数据;
所述判断模块用于判断人员身份;
所述记录模块用于记录不同人员的单元来访信息;
所述处理模块用于分析人员流量判断是否存在危险和违法行为以及根据人员活动轨迹和范围判断陌生人人员的类别以及是否存在危险和违法行为。
进一步地,所述单元内人员流动检测监控模块的具体工作步骤如下:
1)在小区的各单元门口、以及单元各楼层、电梯和楼梯内安装监控摄像头;
2)记录相对单元内的所有业主、住户以及小区工作人员的人脸信息,并将该信息打包组成数据库,并在数据库中按照业主、住户以及小区工作人员进行分类;
3)监控摄像头记录人员视频数据,并将数据传输至步骤2)中的数据库中进行对比;
4)判断模块根据步骤3)得知采集视频中人员身份信息;
5)当判断模块判断采集视频中人员身份信息为小区工作人员或者非本单元业主,则记录模块将该采集视频中人员身份信息进行保存,并建立来访记录表,来访记录表记录采集视频中人员的身份以及该人员进出本单元的时间点和往返次数;
6)当判断模块判断采集视频中人员身份信息为本单元业主,则记录模块将该采集视频中人员身份信息进行保存,并建立出入记录表,出入记录表记录采集视频中人员的身份以及该人员出入本单元的时间点;
7)当判断模块判断采集视频中人员身份信息为陌生人员,则记录模块将该采集视频中人员身份信息进行保存,并建立来访记录表,并联合其他单元的监控摄像头以及小区异常行为监控模块中的摄像头,建立该人员的移动轨迹,来访记录表记录采集视频中人员的身份以及该人员进出本单元的时间点、往返次数以及移动轨迹;
8)记录模块按照小区工作人员和非本单元业主、本单元业主以及陌生人员进行分类,并结合步骤5)、6)、7),整理出当前单元的人员出入信息总汇;
9)处理模块通过分析当前单元的人员流量判断是否当前单元是否存在危险和违法行为,并根据人员活动轨迹和范围判断陌生人人员的类别以及该陌生人人员是否存在危险和违法行为。
进一步地,所述异常行为预测对比库模块工作步骤具体如下:
1)采集视频与行为识别结果筛选出无异常行为的数据作为训练数据;
2)使用聚类算法,将小区住户、工作人员、陌生人员的行为分别生成几个行为类别,并默认这些行为属于正常行为并作为判断基准;
3)将待分析的数据使用已有模型计算;
4)判断结果的概率是否大于阈值;
5)判断结果的概率大于阈值,则采集的人员行为属于正常行为;
6)判断结果的概率小于阈值,将关注等级调高,等待异常行为识别算法的结果;
7)将结果记录并保存;
8)将保存的正常行为与保存的异常行为结合,扩大对比库。
与现有技术相比,本发明的有益效果是:本发明通过摄像头作为采集端口,利用摄像头内检测到的人员以及陌生人员流量以及行动区域,通过计算机视觉以及大数据的分析,智能区分是否为小区的人员,能够识别出多种异常行为,及时发现异常并提醒安保人员对一些违法和危险行为进行警告和阻止,净化小区环境,减少小区内违法犯罪以及危险行为,避免小区人员先受到伤害,才获得补偿和保护,使小区的危险和违法行为被扼杀在摇篮中,真正做到防范于未然,保障小区业主的人身安全与财产安全。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述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1为本发明总体流程模块图;
图2为本发明的小区异常行为监控模块的流程模块图;
图3为本发明的单元内人员流动检测监控模块结构示意图;
图4为本发明的异常行为预测对比库模块结构示意图。
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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1-4,本发明提供一种技术方案:一种基于计算机视觉的小区人员异常行为监控方案,包括小区异常行为监控模块、身份识别模块、单元内人员流动检测监控模块以及异常行为预测对比库模块,其特征在于,所述小区异常行为监控模块与异常行为预测对比库模块双向连接,所述单元内人员流动检测监控模块与异常行为预测对比库模块单向连接,所述小区异常行为监控模块与身份识别模块双向连接,所述单元内人员流动检测监控模块与身份识别模块双向连接;
所述小区异常行为监控模块用于监测小区内外人员以及其运动行为,对人员信息进行识别,并对人员的运动行为进行判断,最后对行为以及人员身份进行记录,同时对异常行为进行处理;
所述身份识别模块用于识别人员身份;
所述单元内人员流动检测监控模块用于监测单元门的人员,对人员进行识别,并对其出入单元进行记录,并对人员流量分析判断是否存在违法和危险行为,并通过追踪活动范围以及路线对陌生人员类别进行分析;
所述异常行为预测对比库模块用于通过小区异常行为监控模块以及单元内人员流动检测监控模块提供的人员的运动行为进行综合,筛选出正常行为作为基本库,并使用聚类算法将小区人员分为多个不同类别,并将给类别中的特殊行为定为正常行为,将该些行为组合为行为库用于判断和对比。
所述小区异常行为监控模块包括视频采集模块、识别模块、判断模块以及处理模块;
所述视频采集模块用于采集小区人员活动视频数据;
所述识别模块用于识别人员身份以及人员行为数据;
所述判断模块用于判断人员身份以及其所对应的行为是否为正常行为;
所述处理模块用于根据判断模块提供的数据将人员的行为以及身份数据进行记录,并将异常行为以及对应的人员信息推送至保卫室,并进行警报。
所述小区异常行为监控模块的具体工作步骤如下:
1)在小区的各出入门口、车库区域、小区内各道路岔口、小区内角落、单元门口、各楼层内、电梯内以及楼梯内安装监控摄像头;
2)记录小区内的所有业主、住户以及小区工作人员的人脸信息,并将该信息打包组成数据库,并在数据库中按照业主、住户以及小区工作人员进行分类;
3)监控摄像头记录人员视频数据,并将数据传输至识别模块中;
4)识别模块对人员视频数据进行分析,采集视频中人员的人脸数据、所在场景以及其运动信息,并将人脸数据导入步骤2)中的数据库中进行对比,得出所监控的人员身份,同时将该人员的运动信息以及所在场景导入异常行为预测对比库模块中;
5)根据异常行为预测对比库模块中的数据与获取的人员行为以及场景进行判断,当行为异常时,将该行为以及该行为对应的人员及人员识别的身份导入处理模块中,处理模块将异常行为以及对应的人员信息推送至保卫室,并进行警报;
6)根据异常行为预测对比库模块中的数据与获取的人员行为以及场景进行判断,当行为正常时,将该行为以及该行为对应的人员及人员识别的身份导入处理模块中,处理模块将该行为以及该行为对应的人员身份进行保存记录;
7)判断模块对采集视频中人员的运动信息进行预测,当预测的结果表明该行为存在危险时,将该行为以及该行为对应的人员及人员识别的身份导入处理模块中,处理模块将异常行为以及对应的人员信息推送至保卫室,并进行警报;
8)判断模块对采集视频中人员的运动信息进行预测,当预测的结果表明该行为不存在危险时,将该行为以及该行为对应的人员及人员识别的身份导入处理模块中,处理模块将该行为以及该行为对应的人员身份进行保存记录。
所述单元内人员流动检测监控模块包括视频采集模块、判断模块、记录模块以及处理模块;
所述视频采集模块用于采集小区人员活动视频数据;
所述判断模块用于判断人员身份;
所述记录模块用于记录不同人员的单元来访信息;
所述处理模块用于分析人员流量判断是否存在危险和违法行为以及根据人员活动轨迹和范围判断陌生人人员的类别以及是否存在危险和违法行为。
所述单元内人员流动检测监控模块的具体工作步骤如下:
1)在小区的各单元门口、以及单元各楼层、电梯和楼梯内安装监控摄像头;
2)记录相对单元内的所有业主、住户以及小区工作人员的人脸信息,并将该信息打包组成数据库,并在数据库中按照业主、住户以及小区工作人员进行分类;
3)监控摄像头记录人员视频数据,并将数据传输至步骤2)中的数据库中进行对比;
4)判断模块根据步骤3)得知采集视频中人员身份信息;
5)当判断模块判断采集视频中人员身份信息为小区工作人员或者非本单元业主,则记录模块将该采集视频中人员身份信息进行保存,并建立来访记录表,来访记录表记录采集视频中人员的身份以及该人员进出本单元的时间点和往返次数;
6)当判断模块判断采集视频中人员身份信息为本单元业主,则记录模块将该采集视频中人员身份信息进行保存,并建立出入记录表,出入记录表记录采集视频中人员的身份以及该人员出入本单元的时间点;
7)当判断模块判断采集视频中人员身份信息为陌生人员,则记录模块将该采集视频中人员身份信息进行保存,并建立来访记录表,并联合其他单元的监控摄像头以及小区异常行为监控模块中的摄像头,建立该人员的移动轨迹,来访记录表记录采集视频中人员的身份以及该人员进出本单元的时间点、往返次数以及移动轨迹;
8)记录模块按照小区工作人员和非本单元业主、本单元业主以及陌生人员进行分类,并结合步骤5)、6)、7),整理出当前单元的人员出入信息总汇;
9)处理模块通过分析当前单元的人员流量判断是否当前单元是否存在危险和违法行为,并根据人员活动轨迹和范围判断陌生人人员的类别以及该陌生人人员是否存在危险和违法行为。
所述异常行为预测对比库模块工作步骤具体如下:
1)采集视频与行为识别结果筛选出无异常行为的数据作为训练数据;
2)使用聚类算法,将小区住户、工作人员、陌生人员的行为分别生成几个行为类别,并默认这些行为属于正常行为并作为判断基准;
3)将待分析的数据使用已有模型计算;
4)判断结果的概率是否大于阈值;
5)判断结果的概率大于阈值,则采集的人员行为属于正常行为;
6)判断结果的概率小于阈值,将关注等级调高,等待异常行为识别算法的结果;
7)将结果记录并保存;
8)将保存的正常行为与保存的异常行为结合,扩大对比库。
步骤1:摄像头设备和服务器的部署
计算机识别做人体/人脸识别依赖于关键位置区域的图像采集,需在小区的各出入门口,车库区域,小区内各道路岔口,小区内角落,单元门口,各楼层内,电梯内以及楼梯内安装监控摄像头用来跟踪和识别行人。且在主要的出入口、单元门口和电梯内需要部署高清摄像头能够识别出人脸特征。建立数据库将采集小区所有业主、住户以及小区工作人员的人脸信息,用来识别和区分小区业主/租户,工作人员,快递外卖等服务人员以及陌生人员。
步骤2:目标检测、人脸识别,肢体识别
通过对视频帧分别进行目标检测、人脸对齐,人脸识别、肢体检测等算法,识别出具体的人员类别,肢体动作等信息,作为后续识别的基础。将提取到的人脸特征与数据库中的注册人员比对,识别出是已登记人员还是陌生人,将陌生人特征存入陌生人员数据库中,并检测是否为经常出入的陌生人,对人员类别进行判断,给予不同的关注级别。再根据行人检测跟踪算法,记录该人员的行动路线以及区域,对相关的摄像头视频进行联动,从而画出各个人员在小区内的行动轨迹,并作为下一步判断的基础条件。
步骤3:单元门口人脸识别/电梯与各楼层监控
通过相关摄像头得到的视频数据进行人脸检测,联机获取最新的陌生人数据,对陌生人员在楼道内的行动路线进行监控,通过时间戳与小区内的行动轨迹,完成串联出该陌生人员在小区内的所有行动路线,完整追踪该人员在小区内的行为是否有异常。
步骤4:行为异常检测
1)通过聚类模型判断员的行为分类是否属于正常行为,该逻辑为采集未发生异常行为时的人员行为数据,并使用聚类算法将小区人员常见行为进行分类,认为这些行为是正常的并以此为行为判断基准,得到行为模型,当需要判断一个行为是否正常时,用该模型对需要判断的行为进行分类,如果得到的结果大于一定的阈值,则认为被判断的行为属于某一类“正常行为”,反之则需要等待进一步的判断处理;
2)使用行为检测模型判断出当前的行为(如奔跑、打架、跳跃,拍照等具体的行为),判断该行为在所在区域是否属于异常行为(如“奔跑”在小区广场发生属于“正常行为”,而在楼道内发生则属于“异常行为”);
3)根据多个模型的计算分析结果综合判断是否有异常行为及风险等级,异常行为包括且不限于行为路线异常(前往危险区域,逐户路过,逐个停车位路过,在一个区域停留时间过长,践踏草坪),举止异常(醉酒或其他原因引起的走路飘忽不定,倒地不起,低龄少年独自出门)等,并根据异常结果的分类与等级,触发不同形式的报警(通知安保人员,通知物业,通知业主,广播警告等)
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (1)
1.一种基于计算机视觉的小区人员异常行为监控方案,包括小区异常行为监控模块、身份识别模块、单元内人员流动检测监控模块以及异常行为预测对比库模块,其特征在于,所述小区异常行为监控模块与异常行为预测对比库模块双向连接,所述单元内人员流动检测监控模块与异常行为预测对比库模块单向连接,所述小区异常行为监控模块与身份识别模块双向连接,所述单元内人员流动检测监控模块与身份识别模块双向连接;
所述小区异常行为监控模块用于监测小区内外人员以及其运动行为,对人员信息进行识别,并对人员的运动行为进行判断,最后对行为以及人员身份进行记录,同时对异常行为进行处理;
所述身份识别模块用于识别人员身份;
所述单元内人员流动检测监控模块用于监测单元门的人员,对人员进行识别,并对其出入单元进行记录,并对人员流量分析判断是否存在违法和危险行为,并通过追踪活动范围以及路线对陌生人员类别进行分析;
所述异常行为预测对比库模块用于通过小区异常行为监控模块以及单元内人员流动检测监控模块提供的人员的运动行为进行综合,筛选出正常行为作为基本库,并使用聚类算法将小区人员分为多个不同类别,并将给类别中的特殊行为定为正常行为,将该些行为组合为行为库用于判断和对比;
所述小区异常行为监控模块包括视频采集模块、识别模块、判断模块以及处理模块;
所述视频采集模块用于采集小区人员活动视频数据;
所述识别模块用于识别人员身份以及人员行为数据;
所述判断模块用于判断人员身份以及其所对应的行为是否为正常行为;
所述处理模块用于根据判断模块提供的数据将人员的行为以及身份数据进行记录,并将异常行为以及对应的人员信息推送至保卫室,并进行警报;
所述小区异常行为监控模块的具体工作步骤如下:
1)在小区的各出入门口、车库区域、小区内各道路岔口、小区内角落、单元门口、各楼层内、电梯内以及楼梯内安装监控摄像头;
2)记录小区内的所有业主、住户以及小区工作人员的人脸信息,并将该信息打包组成数据库,并在数据库中按照业主、住户以及小区工作人员进行分类;
3)监控摄像头记录人员视频数据,并将数据传输至识别模块中;
4)识别模块对人员视频数据进行分析,采集视频中人员的人脸数据、所在场景以及其运动信息,并将人脸数据导入步骤2)中的数据库中进行对比,得出所监控的人员身份,同时将该人员的运动信息以及所在场景导入异常行为预测对比库模块中;
5)根据异常行为预测对比库模块中的数据与获取的人员行为以及场景进行判断,当行为异常时,将该行为以及该行为对应的人员及人员识别的身份导入处理模块中,处理模块将异常行为以及对应的人员信息推送至保卫室,并进行警报;
6)根据异常行为预测对比库模块中的数据与获取的人员行为以及场景进行判断,当行为正常时,将该行为以及该行为对应的人员及人员识别的身份导入处理模块中,处理模块将该行为以及该行为对应的人员身份进行保存记录;
7)判断模块对采集视频中人员的运动信息进行预测,当预测的结果表明该行为存在危险时,将该行为以及该行为对应的人员及人员识别的身份导入处理模块中,处理模块将异常行为以及对应的人员信息推送至保卫室,并进行警报;
8)判断模块对采集视频中人员的运动信息进行预测,当预测的结果表明该行为不存在危险时,将该行为以及该行为对应的人员及人员识别的身份导入处理模块中,处理模块将该行为以及该行为对应的人员身份进行保存记录;
所述单元内人员流动检测监控模块包括视频采集模块、判断模块、记录模块以及处理模块;
所述视频采集模块用于采集小区人员活动视频数据;
所述判断模块用于判断人员身份;
所述记录模块用于记录不同人员的单元来访信息;
所述处理模块用于分析人员流量判断是否存在危险和违法行为以及根据人员活动轨迹和范围判断陌生人人员的类别以及是否存在危险和违法行为;
所述单元内人员流动检测监控模块的具体工作步骤如下:
1)在小区的各单元门口、以及单元各楼层、电梯和楼梯内安装监控摄像头;
2)记录相对单元内的所有业主、住户以及小区工作人员的人脸信息,并将该信息打包组成数据库,并在数据库中按照业主、住户以及小区工作人员进行分类;
3)监控摄像头记录人员视频数据,并将数据传输至步骤2)中的数据库中进行对比;
4)判断模块根据步骤3)得知采集视频中人员身份信息;
5)当判断模块判断采集视频中人员身份信息为小区工作人员或者非本单元业主,则记录模块将该采集视频中人员身份信息进行保存,并建立来访记录表,来访记录表记录采集视频中人员的身份以及该人员进出本单元的时间点和往返次数;
6)当判断模块判断采集视频中人员身份信息为本单元业主,则记录模块将该采集视频中人员身份信息进行保存,并建立出入记录表,出入记录表记录采集视频中人员的身份以及该人员出入本单元的时间点;
7)当判断模块判断采集视频中人员身份信息为陌生人员,则记录模块将该采集视频中人员身份信息进行保存,并建立来访记录表,并联合其他单元的监控摄像头以及小区异常行为监控模块中的摄像头,建立该人员的移动轨迹,来访记录表记录采集视频中人员的身份以及该人员进出本单元的时间点、往返次数以及移动轨迹;
8)记录模块按照小区工作人员和非本单元业主、本单元业主以及陌生人员进行分类,并结合步骤5)、6)、7),整理出当前单元的人员出入信息总汇;
9)处理模块通过分析当前单元的人员流量判断是否当前单元是否存在危险和违法行为,并根据人员活动轨迹和范围判断陌生人人员的类别以及该陌生人人员是否存在危险和违法行为;
所述异常行为预测对比库模块工作步骤具体如下:
1)采集视频与行为识别结果筛选出无异常行为的数据作为训练数据;
2)使用聚类算法,将小区住户、工作人员、陌生人员的行为分别生成几个行为类别,并默认这些行为属于正常行为并作为判断基准;
3)将待分析的数据使用已有模型计算;
4)判断结果的概率是否大于阈值;
5)判断结果的概率大于阈值,则采集的人员行为属于正常行为;
6)判断结果的概率小于阈值,将关注等级调高,等待异常行为识别算法的结果;
7)将结果记录并保存;
8)将保存的正常行为与保存的异常行为结合,扩大对比库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011014113.9A CN112132045B (zh) | 2020-09-24 | 2020-09-24 | 一种基于计算机视觉的小区人员异常行为监控方案 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011014113.9A CN112132045B (zh) | 2020-09-24 | 2020-09-24 | 一种基于计算机视觉的小区人员异常行为监控方案 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112132045A CN112132045A (zh) | 2020-12-25 |
CN112132045B true CN112132045B (zh) | 2023-03-31 |
Family
ID=73840698
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011014113.9A Active CN112132045B (zh) | 2020-09-24 | 2020-09-24 | 一种基于计算机视觉的小区人员异常行为监控方案 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112132045B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113064935A (zh) * | 2021-03-30 | 2021-07-02 | 重庆中科云从科技有限公司 | 数据分析方法、装置及介质 |
CN113239742A (zh) * | 2021-04-23 | 2021-08-10 | 郑州大学 | 一种社区中人员异常聚集行为监测系统及方法 |
CN113159632A (zh) * | 2021-05-06 | 2021-07-23 | 重庆国科应用技术研究所有限公司 | 一种基于用户画像的楼宇管理方法及系统 |
CN113240849B (zh) * | 2021-05-08 | 2022-12-06 | 深圳市捷成安科技有限公司 | 一种基于终端操作的智能通道闸联动控制系统 |
CN113365026B (zh) * | 2021-05-24 | 2022-12-30 | 广州智慧城市发展研究院 | 一种小区监控视频目标跟踪安防预警方法和装置 |
CN113538827A (zh) * | 2021-07-12 | 2021-10-22 | 陕西科技大学 | 一种智能家庭监控系统及方法 |
CN113837009A (zh) * | 2021-08-26 | 2021-12-24 | 张大艳 | 一种基于人工智能的物联网数据的采集分析系统 |
CN116259013B (zh) * | 2023-05-16 | 2023-07-28 | 河北达梦软件技术有限公司 | 一种入侵检测系统 |
CN116580530A (zh) * | 2023-05-26 | 2023-08-11 | 江西省宏旺科技有限公司 | 危险行为预警方法及装置 |
CN116863638B (zh) * | 2023-06-01 | 2024-02-23 | 国药集团重庆医药设计院有限公司 | 一种基于主动预警的人员异常行为检测方法及安防系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108052925A (zh) * | 2017-12-28 | 2018-05-18 | 江西高创保安服务技术有限公司 | 一种小区人员档案智能管理方法 |
CN109493555A (zh) * | 2018-12-05 | 2019-03-19 | 郑州升达经贸管理学院 | 一种基于智能监控技术的校园宿舍楼安防监控系统 |
CN110446015A (zh) * | 2019-08-30 | 2019-11-12 | 北京青岳科技有限公司 | 一种基于计算机视觉的异常行为监控方法及系统 |
-
2020
- 2020-09-24 CN CN202011014113.9A patent/CN112132045B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108052925A (zh) * | 2017-12-28 | 2018-05-18 | 江西高创保安服务技术有限公司 | 一种小区人员档案智能管理方法 |
CN109493555A (zh) * | 2018-12-05 | 2019-03-19 | 郑州升达经贸管理学院 | 一种基于智能监控技术的校园宿舍楼安防监控系统 |
CN110446015A (zh) * | 2019-08-30 | 2019-11-12 | 北京青岳科技有限公司 | 一种基于计算机视觉的异常行为监控方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112132045A (zh) | 2020-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112132045B (zh) | 一种基于计算机视觉的小区人员异常行为监控方案 | |
JP6905850B2 (ja) | 画像処理システム、撮像装置、学習モデル作成方法、情報処理装置 | |
CN112785798B (zh) | 面向电力变电站工程建设项目施工人员的行为分析方法 | |
Lim et al. | iSurveillance: Intelligent framework for multiple events detection in surveillance videos | |
CN106815958A (zh) | 报警系统、报警分析/显示装置,报警分析/显示方法 | |
KR101387628B1 (ko) | 출입 통제 통합 영상 저장 장치 | |
CN109286788B (zh) | 一种基于云计算的安防监控系统 | |
CN112738468B (zh) | 一种智慧园区安全预警方法 | |
KR102356666B1 (ko) | 다중로그 데이터 기반의 공공안전 위험상황 감지, 예측, 대응 방법 및 장치 | |
CN110349360B (zh) | 一种楼宇窗户区域布防系统及监控方法 | |
CN111144291A (zh) | 基于目标检测的视频监控区域人员入侵判别方法及装置 | |
CN110852148B (zh) | 一种基于目标追踪的访客目的地核验方法及系统 | |
CN112623919B (zh) | 一种基于计算机视觉的自动扶梯智能监控管理系统 | |
KR20060031832A (ko) | 실시간 행위분석 및 상황인지 기반 스마트 영상 보안시스템 | |
CN109102613B (zh) | 一种基于人脸识别的社区监控方法 | |
CN112132048A (zh) | 一种基于计算机视觉的社区巡更分析方法及系统 | |
KR20210039050A (ko) | 지역내 이벤트감지장치 및 그 장치의 구동방법 | |
KR101651410B1 (ko) | 다중시차 행위인식 기반의 폭력 검출시스템 및 검출방법 | |
CN112211496B (zh) | 一种基于智能门锁的监控方法、系统及智能门锁 | |
CN112885013A (zh) | 监控预警方法、装置和可读存储介质 | |
JP5064846B2 (ja) | 監視システム | |
CN112330742A (zh) | 公共区域重点人员活动路线记录方法及装置 | |
CN112541656A (zh) | 一种具有风险隐患预测能力的智能安防集成平台 | |
CN114445990A (zh) | 用于小区的监控视频访问系统 | |
El Gemayel et al. | Automated face detection and control system using computer vision based video analytics to avoid the spreading of Covid-19 |
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 |