CN112597976B - 一种目标对象的智能防控方法及智能防控系统 - Google Patents

一种目标对象的智能防控方法及智能防控系统 Download PDF

Info

Publication number
CN112597976B
CN112597976B CN202110227524.4A CN202110227524A CN112597976B CN 112597976 B CN112597976 B CN 112597976B CN 202110227524 A CN202110227524 A CN 202110227524A CN 112597976 B CN112597976 B CN 112597976B
Authority
CN
China
Prior art keywords
target object
activity
gradient
image
value
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
CN202110227524.4A
Other languages
English (en)
Other versions
CN112597976A (zh
Inventor
胡然
袁野
任恺
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.)
Beijing Egova Technology Co ltd
Original Assignee
Beijing Egova 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 Beijing Egova Technology Co ltd filed Critical Beijing Egova Technology Co ltd
Priority to CN202110227524.4A priority Critical patent/CN112597976B/zh
Publication of CN112597976A publication Critical patent/CN112597976A/zh
Application granted granted Critical
Publication of CN112597976B publication Critical patent/CN112597976B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames

Abstract

本申请公开了一种目标对象的智能防控方法和智能防控系统，智能防控方法包括：获取图像信息，根据图像信息提取目标对象的活动轨迹，活动轨迹包括目标对象的活动地点和目标对象在活动地点的活动时间点或活动时间段；依据活动轨迹预测目标对象是否存在异常行为；若是，则发出预警信息。本申请通过智能方法获取目标对象的活动轨迹、分析目标对象的可能存在的异常行为，提高了对于目标对象的识别精度，降低了对目标对象的管控难度，加快了目标对象的异常行为对不利事态的反应速度。

Description

一种目标对象的智能防控方法及智能防控系统
技术领域
本申请涉及计算机领域，具体涉及一种目标对象的智能防控方法及智能防控系统。
背景技术
随着图像处理能力的增强，对于目标对象的识别成为科技发展热点。现有的目标对象识别技术存在识别的精度、准确度以及识别效率不高的问题，特别是对于人脸的识别，例如对于一些社会的特殊人员的识别，由于存在人流量大，监控时间长的问题，从而给目标对象的识别带来的新的问题。
如何提供一种智能化的目标对象的识别方法，从而达到防控的目的，是目前亟待解决的问题。
发明内容
本申请的目的在于提供一种目标对象的智能防控方法及智能防控系统，可以提高对于目标对象的识别精度，从而达到降低管控难度，加快对不利事态的反应速度的目的。
本申请提供一种目标对象的智能防控方法，包括：获取图像信息；根据图像信息提取目标对象的目标对象的活动轨迹，活动轨迹包括目标对象的活动地点和目标对象在活动地点的活动时间点或活动时间段；依据活动轨迹预测目标对象是否存在异常行为；若是，则发出预警信息。
优选地，根据图像信息提取目标对象的目标对象的活动轨迹包括：对图像信息进行处理，获得图像中的人物对象的特征；将人物对象的特征与预设的目标对象的特征进行比对，判断人物对象是否为目标对象；若人物对象为目标对象，则将人物对象设定为目标对象，将人物对象的活动地点和活动时间点或活动时间段作为目标对象的活动地点和目标对象在活动地点的活动时间点或活动时间段。
优选地，还包括：获取目标对象的活动轨迹后对目标对象的活动轨迹进行复核；若复核结果为正，则依据活动轨迹预测目标对象是否存在异常行为。
优选地，对目标对象的活动轨迹进行复核包括：获取目标对象的手机信令数据，从手机信令数据中获取目标对象的定位数据，定位数据包括位置和在位置的定位时间；从定位数据中查找与目标对象的活动时间点或活动时间段有重合的定位时间，作为目标定位时间；判断目标定位时间对应的位置与活动时间点或活动时间段对应的活动地点是否一致；若一致，则计算活动时间点或活动时间段与定位时间之间的误差；若误差小于第二阈值，则复核结果为正。
优选地，获得图像中的人物对象的特征包括如下步骤：对输入的视频的每一帧或输入的图像进行前景和背景分离，获得预处理图像；对预处理图像进行处理，获得图像中的人体轮廓，每个人体轮廓对应一个人物对象；针对每个人体轮廓，基于人工智能获得人物对象的头部轮廓；依据头部轮廓的像素位置在预处理图像上确定头部区域；基于人工智能在头部区域中获取人物对象的面部特征点。
优选地，判断人物对象是否为目标对象包括如下步骤：将人物对象的人体轮廓与预设的目标对象的人体轮廓进行比对，获得第一相似度；判断第一相似度是否大于第一指定阈值；若是，则将与人体轮廓对应的面部特征与预设的目标对象的面部特征进行比对，获得第二相似度；判断第二相似度是否大于第二指定阈值；若是，则判定人物对象为目标对象。
优选地，预测目标对象是否存在异常行为包括：判断目标对象的活动地点与目标对象的预设活动范围是否一致；若是，则计算目标对象在活动地点的在场时间差，作为第一时间差或目标对象在活动地点的不在场时间差，作为第二时间差；若第一时间差或第二时间差大于第三阈值，则预判目标对象存在异常行为。
优选地，若目标对象的活动地点与目标对象的预设活动范围一致，则计算目标对象在第一指定时间段内的不在场时间差，作为第三时间差；若第三时间差大于第五阈值，则预判目标对象存在异常行为。
优选地，若目标对象的活动地点与目标对象的预设活动范围不一致，则将目标对象作为第一目标对象，并计算第三指定时间段内第一目标对象在活动地点的第二出入频率；若第二出入频率大于第七阈值，则查找是否存在将活动地点作为预设活动范围的第二目标对象；若是，则计算第一目标对象和第二目标对象在活动地点的活动时间点或活动时间段之间的吻合度；若吻合度大于第八阈值，则预判第一目标对象和第二目标对象存在共同的异常行为。
本申请还提供一种目标对象的智能防控系统，包括接收装置、处理器以及发送装置；接收装置接收数据源，数据源包括图像信息和手机信令数据；处理器执行上述的目标对象的智能防控方法；发送装置向外发送预警信息。
附图说明
为了更清楚地说明本申请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申请中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1是本申请提供的目标对象的智能防控方法的流程图；
图2是本申请提供的提取目标对象的活动轨迹的流程图；
图3是本申请提供的对目标对象的活动轨迹进行复核的流程图；
图4是本申请提供的预测目标对象是否存在异常行为的一个实施例的流程图；
图5是本申请提供的发出预警信息的一个实施例的流程图；
图6是本申请提供的获得图像中的人物对象的特征的流程图；
图7是本申请提供的获得人体轮廓的流程图；
图8是本申请提供的判断人物对象是否为目标对象的流程图。
具体实施方式
下面结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域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，都属于本申请保护的范围。
实施例一
图1是本申请提供的目标对象的智能防控方法的流程图。如图1所示，目标对象的智能防控方法包括如下步骤：
S110：获取图像信息，该图像信息包括各种场所的视频或图像信息，以便通过这些图像信息识别目标对象是否在这些场所内活动。
S120：根据图像信息提取目标对象的活动轨迹，活动轨迹包括目标对象的活动地点和目标对象在该活动地点的活动时间点或活动时间段。
图2是本申请提供的根据图像信息提取目标对象的活动轨迹的流程图。如图2所示，获取目标对象的活动轨迹包括如下步骤：
S210：对图像信息进行处理，获得图像中的人物对象的特征。
具体地，如图6所示，获得图像中的人物对象的特征包括如下步骤：
S610：对输入的图像进行前景和背景分离，获得预处理图像。
具体地，通过现有的方法进行前景和背景的分离，在此不再赘述。
S620：对预处理图像进行处理，获得图像中的人体轮廓，每个人体轮廓对应一个人物对象。
具体地，如图7所示，获得人体轮廓包括如下步骤：
S710：将预处理图像从RGB空间转换到Lab空间，获得Lab图像。
S720：利用多个（如M个）大小不同的滑动窗口在Lab图像进行滑动，获得多组子图像，滑动步长为一个像素。其中，每个滑动窗口均为轴对称图形，滑动窗口的外形可以是圆形、正方形、正三角形等。作为一个实施例，滑动窗口的外形可以相同或不同，在滑动窗口的外形相同的情况下，滑动窗口的尺寸各不相同。由于步长为一个像素，因此，利用不同的滑动窗口获得的子图像的数量均为Lab图像中的像素的数量，利用同一滑动窗口获得的每个子图像对应Lab图像中的一个像素。
S730：获取每个子图像在不同分割模式下的亮度子梯度值
Figure 179084DEST_PATH_IMAGE001
、a值子梯度值
Figure 633199DEST_PATH_IMAGE002
、b值子梯度值
Figure 411800DEST_PATH_IMAGE003
以及结构子梯度值
Figure 748103DEST_PATH_IMAGE004
。
其中，
Figure 270351DEST_PATH_IMAGE005
表示在第m个滑动窗口下第j个子图像的第i个分割模式下的亮度子梯度值，
Figure 578973DEST_PATH_IMAGE006
表示在第m个滑动窗口下第j个子图像的第i个分割模式下的a值子梯度值，
Figure 262895DEST_PATH_IMAGE007
表示在第m个滑动窗口下第j个子图像的第i个分割模式下的b值子梯度值，
Figure 820915DEST_PATH_IMAGE008
表示在第m个滑动窗口下第j个子图像的第i个分割模式下的结构子梯度值，下标
Figure 146854DEST_PATH_IMAGE009
表示亮度（luminance），下标
Figure 44403DEST_PATH_IMAGE010
表示结构（structure）。
其中，每个分割模式中，分割获得至少两个分割区域，所有分割区域的面积均相同。对于不同的滑动窗口，可以采用不同的分割模式。例如，圆形和正方形滑动窗口可以被分割成偶数（如2、4、6等）个分割区域，正三角形滑动窗口可以被分割成三个分割区域。
其中，亮度子梯度值、a值子梯度值、b值子梯度值的计算方式相同。以亮度子梯度值
Figure 663341DEST_PATH_IMAGE011
为例，利用如下公式计算子梯度值
Figure 974237DEST_PATH_IMAGE012
(1)
其中，
Figure 572708DEST_PATH_IMAGE013
表示第m个滑动窗口下第j个子图像的第i个分割模式中的第k个分割区域的亮度直方图中第n个像素分量的含量，
Figure 590343DEST_PATH_IMAGE014
表示第m个滑动窗口下第j个子图像的第i个分割模式中的第h个分割区域的亮度直方图中第n个像素分量的含量，N为亮度直方图中像素分量的总个数,K为第i个分割模式中的分割区域的总个数。
利用如下公式计算结构子梯度值
Figure 943964DEST_PATH_IMAGE015
Figure 679839DEST_PATH_IMAGE016
（2）
其中，
Figure 82001DEST_PATH_IMAGE017
表示第m个滑动窗口下第j个子图像的第i个分割模式中的第k个分割区域的特征矩阵
Figure 750880DEST_PATH_IMAGE018
中的第d个特征值，
Figure 478665DEST_PATH_IMAGE019
表示第m个滑动窗口下第j个子图像的第i个分割模式中的第h个分割区域的特征矩阵
Figure 436256DEST_PATH_IMAGE020
中的第d个特征值。
特征矩阵
Figure 438847DEST_PATH_IMAGE021
（3）
其中，
Figure 431074DEST_PATH_IMAGE022
（4）
Figure 565646DEST_PATH_IMAGE023
（5）
Figure 10533DEST_PATH_IMAGE024
（6）
其中，
Figure 816815DEST_PATH_IMAGE025
为特征矩阵的第一个特征值，
Figure 663549DEST_PATH_IMAGE026
为特征矩阵的第二个特征值，
Figure 467557DEST_PATH_IMAGE027
为特征矩阵的第三个特征值，x，y分别为分割区域中的像素点的横轴和纵轴坐标，
Figure 462057DEST_PATH_IMAGE028
为像素点所属的分割区域的像素值标准差，
Figure 9713DEST_PATH_IMAGE029
表示希尔伯特变换函数，
Figure 710953DEST_PATH_IMAGE030
、
Figure 685862DEST_PATH_IMAGE031
分别为像素点所属的分割区域的像素的横轴标准差和纵轴标准差。
S740：获取每个像素在不同分割模式下的亮度梯度均值
Figure 370922DEST_PATH_IMAGE032
、a值梯度均值
Figure 519006DEST_PATH_IMAGE033
、b值梯度均值
Figure 838867DEST_PATH_IMAGE034
以及结构梯度均值
Figure 984677DEST_PATH_IMAGE035
。
其中，亮度梯度均值
Figure 891454DEST_PATH_IMAGE036
表示第j个像素在第i个分割模式下的亮度梯度均值，a值梯度均值
Figure 577650DEST_PATH_IMAGE037
表示第j个像素在第i个分割模式下的a值梯度均值、b值梯度均值
Figure 519061DEST_PATH_IMAGE038
表示第j个像素在第i个分割模式下的b值梯度均值，结构梯度均值
Figure 570194DEST_PATH_IMAGE039
表示第j个像素在第i个分割模式下的结构梯度均值。
亮度梯度均值
Figure 964266DEST_PATH_IMAGE036
、a值梯度均值
Figure 454153DEST_PATH_IMAGE040
、b值梯度均值
Figure 250071DEST_PATH_IMAGE041
以及结构梯度均值
Figure 737684DEST_PATH_IMAGE042
的计算方式相同。以亮度梯度均值为例，采用如下公式计算
Figure 120517DEST_PATH_IMAGE043
（7）
其中，M为使用的滑动窗口的总数。
S750：获取每个像素在不同分割模式下的综合梯度
Figure 351778DEST_PATH_IMAGE044
Figure 798940DEST_PATH_IMAGE045
（8）
Figure 723034DEST_PATH_IMAGE046
（9）
其中，
Figure 826119DEST_PATH_IMAGE047
为第j个像素在第i个分割模式下的综合梯度，
Figure 861071DEST_PATH_IMAGE048
为与滑动窗口相关的参数，
Figure 162739DEST_PATH_IMAGE049
为第m个滑动窗口的参数，为预设值。
S760：获取Lab图像的每个像素的梯度
Figure 257734DEST_PATH_IMAGE050
。
作为一个实施例，对于每个像素，取所有分割模式下的综合梯度的最大值，作为该像素的梯度。
Figure 848116DEST_PATH_IMAGE051
（10）
其中，
Figure 421180DEST_PATH_IMAGE052
表示第j个像素的梯度，
Figure 842934DEST_PATH_IMAGE053
表示分割模式的总数。
S770：根据每个像素的梯度获得边缘像素，由边缘像素组成的轮廓形成人物对象的人体轮廓。
具体地，可以采用现有的边缘检测方法来获得人体轮廓。
S630：针对每个人体轮廓，基于人工智能获得人物对象的头部轮廓。
具体地，通过计算人体轮廓上相邻像素的切线的斜率变化率来确定是否存在头部与身体的过渡点，从而确定头部轮廓。
S640：依据头部轮廓的像素位置在预处理图像上确定头部区域。
S650：基于人工智能在头部区域中获取人物对象的面部特征点。
S220：将人物对象的特征与预设的目标对象的特征进行比对，判断人物对象是否为目标对象。若是，则执行S230。否则，返回S210。
具体地，如图8所示，判断人物对象是否为目标对象包括如下步骤：
S810：将人物对象的人体轮廓与预设的目标对象的人体轮廓进行比对，获得第一相似度。
S820：判断第一相似度是否大于第一指定阈值。若是，则执行S830。
S830：将与人体轮廓对应的面部特征与预设的目标对象的面部特征进行比对，获得第二相似度。
S840：判断第二相似度是否大于第二指定阈值。若是，则执行S850。
S850：判定人物对象为目标对象。
S230：将人物对象设定为目标对象，将人物对象的活动地点和活动时间点或活动时间段作为目标对象的活动地点和目标对象在活动地点的活动时间点或活动时间段。
优选地，本申请中，在获取目标对象的活动轨迹后还包括对目标对象的活动轨迹进行复核（S130）和复核结果的判断（S140）。具体地，若复核结果为正，则执行S150。
具体地，如图3所示，对目标对象的活动轨迹进行复核（S130）包括如下步骤：
S310：基于大数据获取目标对象的手机信令数据，从手机信令数据中获取目标对象的定位数据，定位数据包括位置和在位置的定位时间。其中，手机信令数据是指在手机使用过程中用于在通信网络的不同环节(如基站、移动台和移动控制交换中心等)之间传输，经各环节进行分析处理并通过交互作用而形成的一系列的操作和控制的信号数据。
S320：从定位数据中查找与目标对象的活动时间点或活动时间段有重合的定位时间，作为目标定位时间。
S330：判断目标定位时间对应的位置与活动时间点或活动时间段对应的活动地点是否一致。若是，则执行S340；若否，有可能目标对象判断有误，即图像中未出现目标对象，则返回S120，重新提取目标对象的活动轨迹。
S340：计算活动时间点或活动时间段与定位时间之间的误差。
S350：判断误差是否小于第二阈值。若是，则执行S360：复核结果为正。若否，有可能目标对象判断有误，则返回S120，重新提取目标对象的活动轨迹。
S360：输出复核结果为正。
S150：依据活动轨迹预测目标对象是否存在异常行为。若是，则执行S160；否则，返回S110。
本申请中，智能防控系统为每个目标对象设置了预设活动范围，监控目标对象在预设活动范围内和预设活动范围外的异常行为。
优选地，预设活动范围为目标对象所居住的社区。
需要说明的是，上述特殊人员仅仅是本申请的一个示例，本申请中的目标对象可以是上述特殊人员之外的人员。
本申请中，作为一个实施例，如图4所示，预测目标对象是否存在异常行为包括如下步骤：
S4010：判断目标对象的活动地点与目标对象的预设活动范围是否一致。
若目标对象的活动地点与目标对象的预设活动范围一致，作为一个实施例，执行如下步骤：
S4020：计算目标对象在活动地点的在场时间差，作为第一时间差或目标对象在活动地点的不在场时间差，作为第二时间差。
S4030：判断第一时间差或第二时间差是否大于第三阈值。若是，则执行S4080。
S4080：预判目标对象存在异常行为。
以上述特殊人员为例，如果在某社区注册的特殊人员在进入该社区后，很长的一段时间内（如7天）没有从该社区外出；或者是离开该社区后，很长的一段时间内（如30天）没有返回，则该特殊人员可能处于脱管的异常状态。
若目标对象的活动地点与目标对象的预设活动范围一致，作为另一个实施例，执行如下步骤：
S4040：计算在第一时间段内目标对象在活动地点的第一出入频率。
S4050：判断第一出入频率是否大于第四阈值。若是，则执行S4080。
以上述特殊人员为例，如果在某社区注册的特殊人员在一定时间段内多次出现在该社区的出入口，即频繁出入，该特殊人员可能存在再次参与不良行为，存在异常举动。
若目标对象的活动地点与目标对象的预设活动范围一致，作为再一个实施例，执行如下步骤：
S4060：计算目标对象在第一指定时间段内的不在场时间差，作为第三时间差。
S4070：判断第三时间差是否大于第五阈值。若是，则执行S4080。
以上述特殊人员为例，若某特殊人员存在昼伏夜出的现象，则该特殊人员可能存在再次参与不良行为，存在异常举动。
若目标对象的活动地点与目标对象的预设活动范围不一致，作为一个实施例，直接执行S4080。
以上述特殊人员为例，若特殊人员首次出现在与其预设社区不同的社区，则该特殊人员可能在寻找新的场所参与不良行为，预判为该特殊人员存在异常举动。
若目标对象的活动地点与目标对象的预设活动范围不一致，作为另一个实施例，执行如下步骤：
S4090：依据活动时间段计算目标对象在活动地点的在场时间差，作为第四时间差。
S4100：判断第四时间差是否大于第六阈值。若是，则执行S4080。
以上述特殊人员为例，若特殊人员在非预设社区长时间逗留，则该特殊人员可能参与不良行为，因此预判该特殊人员存在异常举动。
若目标对象的活动地点与目标对象的预设活动范围不一致，作为再一个实施例，执行如下步骤：
S4110：将目标对象作为第一目标对象，并计算第三指定时间段内第一目标对象在该活动地点的第二出入频率。
S4120：判断第二出入频率是否大于第七阈值，若是，则执行S4130。
S4130：查找是否存在将活动地点作为预设活动范围的第二目标对象。若是，则执行S4160。
S4160：预判第一目标对象和第二目标对象存在共同的异常行为。
以上述特殊人员为例，若某个特殊人员频繁出现在另一个特殊人员的预设社区，这两个特殊人员可能存在互访的情况，因此预判这两个特殊人员存在共同的异常行为。
优选地该实施例还包括如下步骤：
S4140：若存在第二目标对象，则计算第一目标对象和第二目标对象在活动地点的活动时间点或活动时间段之间的吻合度。
S4150：判断吻合度是否大于第八阈值。若是，则执行S4160。
S4160：预判第一目标对象和第二目标对象存在共同的异常行为。
以上述特殊人员为例，若某个特殊人员频繁出现在另一个特殊人员的预设社区，并且活动时间吻合度较高（如同时进入、同时离开等），这两个特殊人员可能存在聚众参与不良行为的情况，因此预判这两个特殊人员存在共同的异常行为。
本申请中，作为另一个实施例，预测目标对象是否存在异常行为包括如下步骤：
Q1：将目标对象作为第三目标对象。
Q2：计算第三目标对象在活动地点的进入时间点与第四目标对象在活动地点的进入时间点之间的时间差，或者第三目标对象在活动地点的进入时间点与第四目标对象在活动地点的离开时间点之间的时间差，或者第三目标对象在活动地点的离开时间点与第四目标对象在活动地点的离开时间点之间的时间差，或者第三目标对象在活动地点的离开时间点与第四目标对象在活动地点的进入时间点之间的时间差，作为第五时间差。
Q3：判断第五时间差是否大于第九阈值。若是，则执行Q4：预测第五目标对象和第六目标对象存在共同的异常行为。
以上述特殊人员为例，若两个特殊人员在同一活动地点的进入时间间隔很短、离开时间间隔很短、或一个进入与另一个离开的时间间隔很短，则这两个特殊人员可能存在聚众参与不良行为的情况，因此判断这两个特殊人员存在共同的异常行为。
本申请中，作为又一个实施例，预测目标对象是否存在异常行为包括如下步骤：
R1：计算目标对象在第二指定时间段内的所有活动地点、在每个活动地点的活动时间段、进入和离开每个活动地点的时间点。
R2：计算目标对象在每个活动地点的进入次数或离开次数。
R3：判断目标对象在第一活动地点的进入次数或离开次数是否大于第十阈值。若是，则执行R4。
R4：判断第一活动地点与目标对象的预设活动范围是否一致。若否，则执行R5。
R5：预判目标对象存在异常行为，将第一活动地点作为异常活动地点。
以上述特殊人员为例，若特殊人员在一段时间内频繁出入多个非预设社区，则该特殊人员可能存在参与不良行为，预判该特殊人员存在异常行为，将非预设社区作为主要活动地点。
S160：若目标对象存在异常行为或两个及以上目标对象存在共同的异常行为，则发出预警信息。
优选地，作为一个实施例，如图5所示，发出预警信息包括如下步骤：
S510：依据目标对象在第二指定时间段内的所有活动地点、在每个活动地点的活动时间段、进入和离开每个活动地点的时间点生成目标对象的活动记录。
S520：在活动记录中标记异常活动地点以及目标对象在异常活动地点的进入次数或离开次数。
S530：将活动记录作为预警信息发送出去。
实施例二
本申请还提供了一种目标对象的智能防控系统，其包括接收装置、处理器以及发送装置。
接收装置接收数据源，具体地，数据源包括图像信息以及关于目标对象的大数据。图像信息包括各种场所的视频或图像信息，以便通过这些图像信息识别目标对象是否在这些场所内活动。大数据至少包括手机信令数据。
处理器执行实施例一的目标对象的智能防控方法。
发送装置向外发送预警信息。在上述的特殊人员的例子中，预警信息的接收者为对特殊人员进行监管的部门。
本申请通过智能方法获取目标对象的活动轨迹、分析目标对象的可能存在的异常行为，提高了对于目标对象的识别精度，降低了对目标对象的管控难度，加快了目标对象的异常行为对不利事态的反应速度。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (8)

1.一种目标对象的智能防控方法，其特征在于，包括：
获取图像信息；
根据图像信息提取目标对象的活动轨迹，所述活动轨迹包括目标对象的活动地点和所述目标对象在所述活动地点的活动时间点或活动时间段；
依据所述活动轨迹预测所述目标对象是否存在异常行为；
若是，则发出预警信息；
其中，根据图像信息提取目标对象的活动轨迹包括：
对图像信息进行处理，获得图像中的人物对象的特征；
将所述人物对象的特征与预设的目标对象的特征进行比对，判断人物对象是否为目标对象；
若人物对象为目标对象，则将所述人物对象设定为目标对象，将所述人物对象的活动地点和活动时间点或活动时间段作为所述目标对象的活动地点和所述目标对象在所述活动地点的活动时间点或活动时间段；
其中，获得图像中的人物对象的特征包括如下步骤：
对输入的视频的每一帧或输入的图像进行前景和背景分离，获得预处理图像；
对预处理图像进行处理，获得图像中的人体轮廓，每个人体轮廓对应一个人物对象；
针对每个人体轮廓，基于人工智能获得人物对象的头部轮廓；
依据头部轮廓的像素位置在预处理图像上确定头部区域；
基于人工智能在头部区域中获取人物对象的面部特征点；
其中，获得人体轮廓包括如下步骤：
将预处理图像从RGB空间转换到Lab空间，获得Lab图像；
利用多个大小不同的滑动窗口在Lab图像进行滑动，获得多组子图像，滑动步长为一个像素；
获取每个子图像在不同分割模式下的亮度子梯度值
Figure 835076DEST_PATH_IMAGE001
、a值子梯度值
Figure 157473DEST_PATH_IMAGE002
、b值子梯度值
Figure 439550DEST_PATH_IMAGE003
以及结构子梯度值
Figure 203106DEST_PATH_IMAGE004
；
获取每个像素在不同分割模式下的综合梯度
Figure 568229DEST_PATH_IMAGE005
；
获取Lab图像的每个像素的梯度
Figure 722129DEST_PATH_IMAGE006
；
根据每个像素的梯度
Figure 198110DEST_PATH_IMAGE006
获得边缘像素，由边缘像素组成的轮廓形成人物对象的人体轮廓；
其中，
Figure 816173DEST_PATH_IMAGE007
表示在第m个滑动窗口下第j 个子图像的第i个分割模式下的结构子梯度值，结构子梯度值
Figure 961984DEST_PATH_IMAGE008
的计算公式如下：
Figure 993394DEST_PATH_IMAGE009
；
其中，
Figure 679590DEST_PATH_IMAGE010
表示第m个滑动窗口下第j 个子图像的第i个分割模式中的第k个分割区域的特征矩阵
Figure 355422DEST_PATH_IMAGE011
中的第d个特征值，
Figure 62347DEST_PATH_IMAGE012
表示第m个滑动窗口下第j 个子图像的第i个分割模式中的第h个分割区域的特征矩阵
Figure 253157DEST_PATH_IMAGE013
中的第d个特征值，K 为第i个分割模式中的分割区域的总个数；
其中，综合梯度
Figure 946306DEST_PATH_IMAGE014
表达式如下：
Figure 335699DEST_PATH_IMAGE015
；
Figure 885629DEST_PATH_IMAGE016
；
Figure 766998DEST_PATH_IMAGE017
；
其中，
Figure 122893DEST_PATH_IMAGE018
为第j 个像素在第i个分割模式下的综合梯度，
Figure 773317DEST_PATH_IMAGE019
为与滑动窗口相关的参数，
Figure 228569DEST_PATH_IMAGE020
为第m个滑动窗口的参数，为预设值；
Figure 739445DEST_PATH_IMAGE021
为亮度梯度均值，
Figure 508818DEST_PATH_IMAGE022
为a值梯度均值，
Figure 76066DEST_PATH_IMAGE023
为b值梯度均值，
Figure 30115DEST_PATH_IMAGE024
为结构梯度均值；M为使用的滑动窗口的总数；
其中，每个像素的梯度
Figure 620497DEST_PATH_IMAGE025
的表达式如下：
Figure 255877DEST_PATH_IMAGE026
；
其中，
Figure 474369DEST_PATH_IMAGE027
表示第j 个像素的梯度，
Figure 740265DEST_PATH_IMAGE028
表示分割模式的总数。
2.如权利要求1所述的智能防控方法，其特征在于，还包括：
获取目标对象的活动轨迹后对目标对象的活动轨迹进行复核；
若复核结果为正，则依据所述活动轨迹预测所述目标对象是否存在异常行为。
3.如权利要求2所述的智能防控方法，其特征在于，对目标对象的活动轨迹进行复核包括：
获取目标对象的手机信令数据，从所述手机信令数据中获取目标对象的定位数据，所述定位数据包括位置和在所述位置的定位时间；
从所述定位数据中查找与所述目标对象的活动时间点或活动时间段有重合的定位时间，作为目标定位时间；
判断所述目标定位时间对应的位置与所述活动时间点或活动时间段对应的活动地点是否一致；
若一致，则计算所述活动时间点或活动时间段与所述定位时间之间的误差；
若误差小于第二阈值，则复核结果为正。
4.如权利要求1所述的智能防控方法，其特征在于，判断人物对象是否为目标对象包括如下步骤：
将人物对象的人体轮廓与预设的目标对象的人体轮廓进行比对，获得第一相似度；
判断第一相似度是否大于第一指定阈值；
若是，则将与人体轮廓对应的面部特征与预设的目标对象的面部特征进行比对，获得第二相似度；
判断第二相似度是否大于第二指定阈值；
若是，则判定人物对象为目标对象。
5.如权利要求1所述的智能防控方法，其特征在于，预测所述目标对象是否存在异常行为包括：
判断目标对象的活动地点与目标对象的预设活动范围是否一致；
若是，则计算目标对象在所述活动地点的在场时间差，作为第一时间差或目标对象在所述活动地点的不在场时间差，作为第二时间差；
若所述第一时间差或所述第二时间差大于第三阈值，则预判所述目标对象存在异常行为。
6.如权利要求5所述的智能防控方法，其特征在于，若目标对象的活动地点与目标对象的预设活动范围一致，则计算所述目标对象在第一指定时间段内的不在场时间差，作为第三时间差；
若所述第三时间差大于第五阈值，则预判所述目标对象存在异常行为。
7.如权利要求5所述的智能防控方法，其特征在于，若目标对象的活动地点与目标对象的预设活动范围不一致，则将所述目标对象作为第一目标对象，并计算第三指定时间段内所述第一目标对象在所述活动地点的第二出入频率；
若所述第二出入频率大于第七阈值，则查找是否存在将所述活动地点作为预设活动范围的第二目标对象；
若是，则计算所述第一目标对象和所述第二目标对象在所述活动地点的活动时间点或活动时间段之间的吻合度；
若吻合度大于第八阈值，则预判所述第一目标对象和所述第二目标对象存在共同的异常行为。
8.一种目标对象的智能防控系统，其特征在于，包括接收装置、处理器以及发送装置；
所述接收装置接收数据源，所述数据源包括图像信息和手机信令数据；
所述处理器执行权利要求1-7任意一项所述的目标对象的智能防控方法；
所述发送装置向外发送预警信息。
CN202110227524.4A 2021-03-02 2021-03-02 一种目标对象的智能防控方法及智能防控系统 Active CN112597976B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110227524.4A CN112597976B (zh) 2021-03-02 2021-03-02 一种目标对象的智能防控方法及智能防控系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110227524.4A CN112597976B (zh) 2021-03-02 2021-03-02 一种目标对象的智能防控方法及智能防控系统

Publications (2)

Publication Number Publication Date
CN112597976A CN112597976A (zh) 2021-04-02
CN112597976B true CN112597976B (zh) 2021-06-25

Family

ID=75207535

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110227524.4A Active CN112597976B (zh) 2021-03-02 2021-03-02 一种目标对象的智能防控方法及智能防控系统

Country Status (1)

Country Link
CN (1) CN112597976B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103246869A (zh) * 2013-04-19 2013-08-14 福建亿榕信息技术有限公司 基于人脸识别和行为语音识别的犯罪监控方法
CN107437075A (zh) * 2017-07-29 2017-12-05 安徽博威康信息技术有限公司 一种基于日常行为轨迹的危险警报系统
CN109886196A (zh) * 2019-02-21 2019-06-14 中水北方勘测设计研究有限责任公司 基于bim加gis视频监控的人员轨迹追溯系统及方法
CN110766895A (zh) * 2019-09-17 2020-02-07 重庆特斯联智慧科技股份有限公司 基于目标轨迹分析的智慧社区异常报警系统及方法
CN112084811A (zh) * 2019-06-12 2020-12-15 杭州海康威视数字技术股份有限公司 身份信息的确定方法、装置及存储介质
CN112419120A (zh) * 2020-10-26 2021-02-26 青岛海信网络科技股份有限公司 群体性聚集事件预警方法、装置、系统和电子设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
IL224896A (en) * 2013-02-25 2017-09-28 Agent Video Intelligence Ltd Method for extracting objects

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103246869A (zh) * 2013-04-19 2013-08-14 福建亿榕信息技术有限公司 基于人脸识别和行为语音识别的犯罪监控方法
CN107437075A (zh) * 2017-07-29 2017-12-05 安徽博威康信息技术有限公司 一种基于日常行为轨迹的危险警报系统
CN109886196A (zh) * 2019-02-21 2019-06-14 中水北方勘测设计研究有限责任公司 基于bim加gis视频监控的人员轨迹追溯系统及方法
CN112084811A (zh) * 2019-06-12 2020-12-15 杭州海康威视数字技术股份有限公司 身份信息的确定方法、装置及存储介质
CN110766895A (zh) * 2019-09-17 2020-02-07 重庆特斯联智慧科技股份有限公司 基于目标轨迹分析的智慧社区异常报警系统及方法
CN112419120A (zh) * 2020-10-26 2021-02-26 青岛海信网络科技股份有限公司 群体性聚集事件预警方法、装置、系统和电子设备

Also Published As

Publication number Publication date
CN112597976A (zh) 2021-04-02

Similar Documents

Publication Publication Date Title
CN108053427B (zh) 一种基于KCF与Kalman的改进型多目标跟踪方法、系统及装置
US20190130580A1 (en) Methods and systems for applying complex object detection in a video analytics system
CN108052859B (zh) 一种基于聚类光流特征的异常行为检测方法、系统及装置
US10366595B2 (en) Surveillance method and system based on human behavior recognition
US20210064871A1 (en) Apparatus and method for recognition of text information
WO2021051601A1 (zh) 利用Mask R-CNN选择检测框的方法及系统、电子装置及存储介质
CN103530995B (zh) 基于目标空间关系约束的视频监控智能预警方法
CN111091098B (zh) 检测模型的训练方法、检测方法及相关装置
US20220180534A1 (en) Pedestrian tracking method, computing device, pedestrian tracking system and storage medium
US11134226B2 (en) Surveillance system, surveillance method, and program
CN111462155B (zh) 移动侦测方法、装置、计算机设备和存储介质
CN112990247A (zh) 具有5g阵列的多模态对象检测系统
CN112184773A (zh) 一种基于深度学习的安全帽佩戴检测方法及系统
CN111401315B (zh) 基于视频的人脸识别方法、识别装置及存储装置
WO2022121498A1 (zh) 身份识别方法、模型训练方法、装置、设备和存储介质
CN112036345A (zh) 目标场所人数的检测方法、推荐方法、检测系统及介质
CN113223046A (zh) 一种监狱人员行为识别的方法和系统
CN115393681A (zh) 一种目标融合方法、装置、电子设备及存储介质
CN111476160A (zh) 损失函数优化方法、模型训练方法、目标检测方法及介质
CN115953719A (zh) 一种多目标识别的计算机图像处理系统
JP2018142173A (ja) 画像監視装置
CN112597976B (zh) 一种目标对象的智能防控方法及智能防控系统
CN113780145A (zh) 精子形态检测方法、装置、计算机设备和存储介质
CN105118073A (zh) 基于Xtion摄像机的人体头部目标识别方法
CN112084984A (zh) 一种基于改进的Mask RCNN的扶梯动作检测方法

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