CN112949442B - 一种异常事件预识别方法、装置、电子设备及监控系统 - Google Patents

一种异常事件预识别方法、装置、电子设备及监控系统 Download PDF

Info

Publication number
CN112949442B
CN112949442B CN202110206458.2A CN202110206458A CN112949442B CN 112949442 B CN112949442 B CN 112949442B CN 202110206458 A CN202110206458 A CN 202110206458A CN 112949442 B CN112949442 B CN 112949442B
Authority
CN
China
Prior art keywords
preset
person
age
personnel
information
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
CN202110206458.2A
Other languages
English (en)
Other versions
CN112949442A (zh
Inventor
方建刚
胡剑锋
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.)
Hangzhou Hikvision System Technology Co Ltd
Original Assignee
Hangzhou Hikvision System 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 Hangzhou Hikvision System Technology Co Ltd filed Critical Hangzhou Hikvision System Technology Co Ltd
Priority to CN202110206458.2A priority Critical patent/CN112949442B/zh
Publication of CN112949442A publication Critical patent/CN112949442A/zh
Application granted granted Critical
Publication of CN112949442B publication Critical patent/CN112949442B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V40/10—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
    • 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
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B13/00—Burglar, theft or intruder alarms
    • G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
    • G08B13/189—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems
    • G08B13/194—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems
    • G08B13/196—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems using television cameras
    • 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
    • G06V40/178—Human faces, e.g. facial parts, sketches or expressions estimating age from face image; using age information for improving recognition
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Alarm Systems (AREA)

Abstract

本发明实施例提供了一种异常事件预识别方法、装置、电子设备及监控系统，通过获取在指定场景中设置的图像采集设备所采集图像的人员信息，根据人员信息中各人员的年龄信息，判断各人员的年龄是否在预设年龄段内，其中，预设年龄段为预先设置的非正常访问指定场景的人员年龄段，统计预设时段内出现年龄在预设年龄段内的第一人员总数，如果第一人员总数达到第一预设阈值，则确定指定场景中发生异常事件。对各人员的年龄进行判断，统计出预设时段内出现年龄在预设年龄段内的第一人员总数，如果第一人员总数达到第一预设阈值，说明指定场景中频繁出现了非正常访问该场景的人员，可以确定指定场景中预发生异常事件，实现了对异常事件的预先识别。

Description

一种异常事件预识别方法、装置、电子设备及监控系统
技术领域
本发明涉及智能监控技术领域，特别是涉及一种异常事件预识别方法、装置、电子设备及监控系统。
背景技术
随着智能监控技术的不断发展以及公共安全需求的日益增长，视频监控已成为异常事件管理、远程信息获取的重要手段。通过在不同场景下部署图像采集设备，由图像采集设备进行图像采集，并利用图像识别技术，识别出指定场景下发生的异常事件，及时进行告警，使得处理异常事件的工作人员能够对指定场景发生的异常事件快速作出针对性地反应，为公众安全提供了强有力的支持。
当前的异常事件识别方法中，一般采用深度学习方法对特定场景下的异常事件进行识别，例如在防止异常金融交易的场景下，利用图像采集设备对目标用户的当前交易行为进行图像采集，然后将采集的图像输入预先训练得到的行为识别模型，得到目标用户是否存在异常金融交易的识别结果，其中，行为识别模型是基于大量的异常行为样本图像训练得到的深度学习模型。
上述异常事件识别方法中，能够对已经发生的异常事件进行识别，然而，尽管通过告警能够提示工作人员对异常行为进行反应，但是对于发生异常行为的双方者而言，实际的损失已经产生。因此，在实际应用中，尤其是在一旦异常事件发生会产生严重后果的场景下，希望在异常事件实际发生之前，能够对异常事件进行预先识别。
发明内容
本发明实施例的目的在于提供一种异常事件预识别方法、装置、电子设备及监控系统，以实现对异常事件的预先识别。具体技术方案如下：
第一方面，本发明实施例提供了一种异常事件预识别方法，该方法包括：
获取在指定场景中设置的图像采集设备所采集图像的人员信息，其中，人员信息包括图像中各人员的年龄信息；
根据各人员的年龄信息，判断各人员的年龄是否在预设年龄段内，其中，预设年龄段为预先设置的非正常访问指定场景的人员年龄段；
统计预设时段内出现年龄在预设年龄段内的第一人员总数；
如果第一人员总数达到第一预设阈值，则确定指定场景中预发生异常事件。
可选的，该方法还包括：
若在预设时段内出现的年龄在预设年龄段内的同一人员的图像数量超过第二预设阈值，且该同一人员为预设的已知人员，则将该同一人员添加至白名单中；
则统计预设时段内出现年龄在预设年龄段内的第一人员总数的步骤，包括：
统计预设时段内出现的年龄在预设年龄段内、且筛除掉存在于白名单中的人员之后的第一人员总数。
可选的，该方法还包括：
基于预设身份关系库，确定年龄在预设年龄段内的各人员中与指定人员之间的身份关系为亲友关系的亲友人员，其中，预设身份关系库记录有指定人员的人员信息、以及与指定人员具有亲友关系的亲友人员的人员信息；
将亲友人员添加至白名单中；
则统计预设时段内出现年龄在预设年龄段内的第一人员总数的步骤，包括：
统计预设时段内出现的年龄在预设年龄段内、且筛除掉存在于白名单中的人员之后的第一人员总数。
可选的，人员信息还包括各人员的衣着类型；
该方法还包括：
统计预设时段内出现衣着类型为指定类型的第二人员总数，其中，指定类型为预先设置的指定场景中非正常的衣着类型；
如果第二人员总数达到第三预设阈值，则确定指定场景中预发生异常事件。
第二方面，本发明实施例提供了一种异常事件预识别装置，该装置包括：
获取模块，用于获取在指定场景中设置的图像采集设备所采集图像的人员信息，其中，人员信息包括图像中各人员的年龄信息；
判断模块，用于根据各人员的年龄信息，判断各人员的年龄是否在预设年龄段内，其中，预设年龄段为预先设置的非正常访问指定场景的人员年龄段；
统计模块，用于统计预设时段内出现年龄在预设年龄段内的第一人员总数；
确定模块，用于如果第一人员总数达到第一预设阈值，则确定指定场景中预发生异常事件。
可选的，该装置还包括：添加模块；
添加模块，用于若在预设时段内出现的年龄在预设年龄段内的同一人员的图像数量超过第二预设阈值，且同一人员为预设的已知人员，则将同一人员添加至白名单中；或者，用于基于预设身份关系库，确定年龄在所述预设年龄段内的各人员中与指定人员之间的身份关系为亲友关系的亲友人员，其中，预设身份关系库记录有指定人员的人员信息、以及与指定人员具有亲友关系的亲友人员的人员信息；将亲友人员添加至白名单中；
统计模块，具体用于统计预设时段内出现的年龄在预设年龄段内、且筛除掉存在于白名单中的人员之后的第一人员总数。
可选的，人员信息还包括各人员的衣着类型；
统计模块，还用于统计预设时段内出现衣着类型为指定类型的第二人员总数，其中，指定类型为预先设置的指定场景中非正常的衣着类型；
确定模块，还用于如果第二人员总数达到第三预设阈值，则确定指定场景中预发生异常事件。
第三方面，本发明实施例提供了一种电子设备，包括处理器和存储器；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的计算机程序时，实现本发明实施例第一方面所提供的方法。
第四方面，本发明实施例提供了一种机器可读存储介质，机器可读存储介质内存储有计算机程序，计算机程序被处理器执行时实现本发明实施例第一方面所提供的方法。
第五方面，本发明实施例提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行本发明实施例第一方面所提供的方法。
第六方面，本发明实施例提供了一种监控系统，监控系统包括图像采集设备及电子设备；
图像采集设备，用于对指定场景进行图像采集，并对所采集的图像进行人员识别，得到图像的人员信息，其中，人员信息包括图像中各人员的年龄信息；将人员信息上报至电子设备；
电子设备，用于接收图像采集设备上报的人员信息；根据各人员的年龄信息，判断各人员的年龄是否在预设年龄段内，其中，预设年龄段为预先设置的非正常访问指定场景的人员年龄段；统计预设时段内出现年龄在预设年龄段内的第一人员总数；如果第一人员总数达到第一预设阈值，则确定指定场景中预发生异常事件。
本发明实施例提供的一种异常事件预识别方法、装置、电子设备及监控系统，通过获取在指定场景中设置的图像采集设备所采集图像的人员信息，根据人员信息中各人员的年龄信息，判断各人员的年龄是否在预设年龄段内，其中，预设年龄段为预先设置的非正常访问指定场景的人员年龄段，统计预设时段内出现年龄在预设年龄段内的第一人员总数，如果第一人员总数达到第一预设阈值，则确定指定场景中发生异常事件。在获取到各人员的年龄信息后，对各人员的年龄进行判断，统计出预设时段内出现年龄在预设年龄段内的第一人员总数，如果第一人员总数达到第一预设阈值，则说明指定场景中频繁出现了非正常访问该场景的人员，可以确定指定场景中预发生异常事件，实现了对异常事件的预先识别。
附图说明
为了更清楚地说明本发明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实施例。
图1为本发明一实施例的异常事件预识别方法的流程示意图；
图2为本发明另一实施例的异常事件预识别方法的流程示意图；
图3为本发明又一实施例的异常事件预识别方法的流程示意图；
图4为本发明实施例的异常事件预识别装置的结构示意图；
图5为本发明实施例的电子设备的结构示意图；
图6为本发明实施例的监控系统的结构示意图。
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基于本发明所获得的所有其他实施例，都属于本发明保护的范围。
为了实现对异常事件的预先识别，本发明实施例提供了一种异常事件预识别方法、装置、电子设备及监控系统。下面，首先对本发明实施例所提供的异常事件预识别方法进行介绍。该方法应用于电子设备，该电子设备可以为具有数据处理、异常事件告警等功能的设备，例如异常事件管理系统的后台计算机、告警服务器等。本发明实施例所提供的异常事件预识别方法可以被设置于电子设备中的软件、硬件电路和逻辑电路中的至少一种实现。
如图1所示，本发明实施例所提供的异常事件预识别方法的一种流程，可以包括如下步骤。
S101，获取在指定场景中设置的图像采集设备所采集图像的人员信息，其中，人员信息包括图像中各人员的年龄信息。
S102，根据各人员的年龄信息，判断各人员的年龄是否在预设年龄段内，其中，预设年龄段为预先设置的非正常访问指定场景的人员年龄段。
S103，统计预设时段内出现年龄在预设年龄段内的第一人员总数。
S104，如果第一人员总数达到第一预设阈值，则确定指定场景中预发生异常事件。
应用本发明实施例，通过获取在指定场景中设置的图像采集设备所采集图像的人员信息，根据人员信息中各人员的年龄信息，判断各人员的年龄是否在预设年龄段内，其中，预设年龄段为预先设置的非正常访问指定场景的人员年龄段，统计预设时段内出现年龄在预设年龄段内的第一人员总数，如果第一人员总数达到第一预设阈值，则确定指定场景中发生异常事件。在一些指定场景中，例如防止异常金融交易的场景中，如果频繁地出现本不会在该场景中经常出现的人员，如在写字楼里频繁出现老年人，或者在老年活动室里频繁出现年轻人，则说明有极大可能将发生异常金融交易等异常事件，因此，在获取到各人员的年龄信息后，对各人员的年龄进行判断，统计出预设时段内出现年龄在预设年龄段内的第一人员总数，如果第一人员总数达到第一预设阈值，则说明指定场景中频繁出现了非正常访问该场景的人员，可以确定指定场景中预发生异常事件，实现了对异常事件的预先识别。
针对写字楼、老旧小区、老年活动室等指定场景，可以在指定场景的区域范围内部署一定数量的图像采集设备，并且将这些图像采集设备与指定场景相关联，从而实现对指定场景的监控。其中，图像采集设备可以为普通相机，即只具有图像采集功能，也可以为具有人脸识别能力的抓拍机。
基于上述两种不同的图像采集设备，本发明实施例中，获取在指定场景中设置的图像采集设备所采集图像的人员信息的方式具体可以包括以下两种：
第一种，指定场景中设置的普通相机采集图像，并将采集的图像发送给电子设备，由电子设备利用预先训练的人员识别模型，对图像进行人员识别，得到包括各人员的年龄信息的人员信息。人员识别模型是基于大量的人员样本图像训练得到的，具体的训练过程是将人员样本图像输入预设神经网络模型，经神经网络模型网络层的层层运算，得到人员样本图像中人员年龄的识别结果，将识别出的人员年龄与预先标定的人员年龄进行比较，得到损失值，基于损失值调整神经网络模型的模型参数，然后重新输入一个人员样本图像进行运算，经过不断的训练，直至损失值小于预设阈值时，则可确定训练结束，最终的神经网络模型即为人员识别模型。将图像输入人员识别模型中，即可端到端的获得图像中各人员的年龄信息。
第二种，指定场景中设置的抓拍机采集图像，抓拍机具有人脸识别能力，即抓拍机可以利用上述人员识别模型对采集的图像进行人员识别，得到包括各人员的年龄信息的人员信息，具体人员识别模型的训练过程与上述过程相同，这里不再赘述。则抓拍机可以直接将识别得到的人员信息发送给电子设备。
上述的年龄信息可以是具体的年龄，也可以是一个大致的年龄范围。电子设备在获取到图像采集设备所采集图像的人员信息后，从人员信息中读取出各人员的年龄信息，根据各人员的年龄信息，对各人员的年龄段进行判断，例如，在写字楼的场景下，写字楼里频繁出现老年人，极有可能说明写字楼里发生例如异常金融交易的异常事件，则预设年龄段可以为代表老年人的年龄段，如大于65岁，电子设备在获取到图像中各人员的年龄信息后，可以判断各人员的年龄是否大于65岁，如果出现年龄大于65岁的老年人，则应对其进行记录；再例如，在老旧小区或者老年活动室的场景下，老旧小区或者老年活动室里频繁出现年轻人，极有可能说明老旧小区或者老年活动室里发生例如异常金融交易的异常事件，则预设年龄段可以为代表年轻人的年龄段，如大于18岁、小于40岁，电子设备在获取到图像中各人员的年龄信息后，可以判断各人员的年龄是否大于18岁、小于40岁，如果出现年龄大于18岁、小于40岁的年轻人，则应对其进行记录。
如果只是偶尔出现年龄在预设年龄段内的人员出现在指定场景中，并不能直接断定指定场景中预发生异常事件，只有在频繁地出现年龄在预设年龄段内的人员出现在指定场景中，尤其是在一定时段内频繁出现的情况下，才可确定指定场景中预发生异常事件，例如，在白天的9:00-18:00时段内，如果频繁地有老年人出现在写字楼里，或者频繁地有年轻人出现在老旧小区、老年活动室里，则可以确定有例如异常金融交易的异常事件预发生。
在实际应用中，判断年龄在预设年龄段内的人员在指定场景中是否频繁出现的具体方式为：图像采集设备会按照一定的采集频率采集图像，则电子设备会按照相应的频率获取到每张图像的人员信息，电子设备可以基于获取到的这些人员信息，统计预设时段内出现年龄在预设年龄段内的第一人员总数，如果第一人员总数达到了第一预设阈值，则说明年龄在预设年龄段内的人员在指定场景中频繁出现，进一步可以确定指定场景中有异常事件预发生。
在本发明实施例的另一种实现方式中，人员信息还可以包括各人员的衣着类型。该方法还可以包括如下步骤：统计预设时段内出现衣着类型为指定类型的第二人员总数，其中，指定类型为预先设置的指定场景中非正常的衣着类型；如果第二人员总数达到第三预设阈值，则确定指定场景中预发生异常事件。
电子设备所获取的人员信息还可以包括各人员的衣着类型，具体获取到衣着类型的方式可以包括以下两种：
第一种，指定场景中设置的普通相机采集图像，并将采集的图像发送给电子设备，由电子设备利用预先训练的衣着识别模型，对图像中的人员进行衣着识别，得到包括各人员的衣着类型的人员信息。衣着识别模型是基于大量的衣着样本图像训练得到的，具体的训练过程是将衣着样本图像输入预设神经网络模型，经神经网络模型网络层的层层运算，得到衣着样本图像中人员衣着类型的识别结果，将识别出的人员衣着类型与预先标定的衣着类型(例如销售工作服、休闲服、运动服等)进行比较，得到损失值，基于损失值调整神经网络模型的模型参数，然后重新输入一个衣着样本图像进行运算，经过不断的训练，直至损失值小于预设阈值时，则可确定训练结束，最终的神经网络模型即为衣着识别模型。将图像输入衣着识别模型中，即可端到端的获得图像中各人员的衣着类型。
第二种，指定场景中设置的抓拍机采集图像，抓拍机具有目标识别能力，即抓拍机可以利用上述衣着识别模型对采集的图像进行人员衣着识别，得到包括各人员的衣着类型的人员信息，具体衣着识别模型的训练过程与上述过程相同，这里不再赘述。则抓拍机可以直接将识别得到的人员信息发送给电子设备。
电子设备在获取到图像采集设备所采集图像的人员信息后，从人员信息中读取出各人员的衣着类型，根据各人员的衣着类型，对各人员的衣着类型进行判断，判断各人员的衣着类型是否为指定类型，指定类型为预先设置的指定场景中非正常的衣着类型，例如，在老旧小区或者老年活动室的场景下，判断各人员的衣着类型是否为销售工作服，如果频繁地出现衣着销售工作服的人员，极有可能说明老旧小区或者老年活动室里发生例如异常金融交易的异常事件。
在实际应用中，判断衣着指定类型的人员在指定场景中是否频繁出现的具体方式为：图像采集设备会按照一定的采集频率采集图像，则电子设备会按照相应的频率获取到每张图像的人员信息，电子设备可以基于获取到的这些人员信息，统计预设时段内出现衣着类型为指定类型的第二人员总数，如果第二人员总数达到了第三预设阈值，则说明身着非正常的衣着类型衣物的人员在指定场景中频繁出现，进一步可以确定指定场景中有异常事件预发生。
在本发明实施例的一种实现方式中，还可以将年龄判断和衣着类型判断相结合，来判断指定场景中是否有异常事件预发生，具体的，统计预设时段内出现的年龄在预设年龄段内、且衣着类型为指定类型的第二人员总数，其中，指定类型为预先设置的指定场景中非正常的衣着类型；如果第二人员总数达到第四预设阈值，则确定指定场景中预发生异常事件。
在一些指定场景中，例如防止异常金融交易的场景中，如果频繁地出现本不会在该场景中经常出现的人员，如在老年活动室里频繁出现穿着销售工作服的年轻人，则说明有极大可能将发生异常金融交易等异常事件，因此，在获取到各人员的年龄信息和衣着类型后，对各人员的年龄和衣着类型进行判断，判断各人员的年龄是否在预设年龄段内、衣着类型是否为指定类型，统计出预设时段内出现的年龄在预设年龄段内、且衣着类型为指定类型的第二人员总数，如果第二人员总数达到第四预设阈值，则说明指定场景中频繁出现了年龄在预设年龄段内、且身着非正常的衣着类型衣物的人员，可以确定指定场景中预发生异常事件，实现了对异常事件的预先识别。
上述防止异常金融交易的场景仅仅是本发明实施例的一种应用场景，本发明实施例还可以应用于网吧监控等场景，用来监控是否有未成年人进入网吧。如果统计出预设时段内进入网吧的未成年人达到一定的阈值，可确定发生大量未成年人进入网吧的异常事件。
基于图1所示实施例，本发明实施例所提供的异常事件预识别方法的另一种流程，如图2所示，可以包括如下步骤。
S201，获取在指定场景中设置的图像采集设备所采集图像的人员信息，其中，人员信息包括图像中各人员的年龄信息。
S202，根据各人员的年龄信息，判断各人员的年龄是否在预设年龄段内，其中，预设年龄段为预先设置的非正常访问指定场景的人员年龄段。
S203，统计预设时段内出现年龄在预设年龄段内的第一人员总数。
S204，如果第一人员总数达到第一预设阈值，则确定指定场景中预发生异常事件。
S205，输出告警信息，以对指定场景中预发生异常事件进行告警。
在按照图1所示实施例的方法确定出指定场景中有异常事件预发生之后，电子设备可以输出告警信息，具体可以将告警信息以警报、短信提醒、大屏幕提示等方式输出给处理异常事件的工作人员，以向工作人员告知在指定场景中有异常事件预发生，需要工作人员进行进一步的研判，能够实现异常事件的预告警，使得工作人员能够及时对异常事件作出反应。
在本发明实施例的一种实现方式中，指定场景中图像采集设备的数量为多个；人员信息还包括图像采集设备的设备标识。
在S205之前，该方法还可以包括：针对每个图像采集设备，统计该图像采集设备所采集图像中出现年龄在预设年龄段内的人员的次数；确定次数大于第五预设阈值的目标图像采集设备的设备标识。
相应的，S205具体可以为：输出携带目标图像采集设备的设备标识的告警信息。
在实际应用中，指定场景中可以设置多个图像采集设备，例如在写字楼的场景中，写字楼的大门口设置有图像采集设备，并且在每一层、每一个房间门口都设置有图像采集设备，则电子设备获取的人员信息还可以包括图像采集设备的设备标识，即每一个图像的人员信息具体是对应哪一个图像采集设备产生的。电子设备针对每个图像采集设备，可以对该图像采集设备所采集图像中出现年龄在预设年龄段内的人员的次数进行统计，如果目标图像采集设备下频繁地出现年龄在预设年龄段内的人员，即针对该目标图像采集设备统计的次数大于第五预设阈值，可以确定在目标图像采集设备的监控区域内发生异常事件的几率更大，因此，在输出告警信息的同时，可以在告警信息中携带目标图像采集设备的设备标识。工作人员接收到告警信息，获知目标图像采集设备的监控区域内发生异常事件的几率更大，则可以对目标图像采集设备的监控区域进行重点检查。
例如，电子设备统计出写字楼15层设置的图像采集设备所采集图像中出现老年人的次数为32次，超过了第五预设阈值30次，则认为写字楼15层发生异常金融交易的异常事件的几率更大，在输出的告警信息中携带15层图像采集设备的设备标识，这样，写字楼工作人员可以及时地到15楼进行检查，确认是否真的有异常金融交易的异常事件发生。
通过输出携带目标图像采集设备的设备标识的告警信息，使得工作人员能够更准确地对需要重点关注的区域进行检查，进一步提高了异常事件预识别的准确性。
基于图1所示实施例，本发明实施例所提供的异常事件预识别方法的又一种流程，如图3所示，可以包括如下步骤。
S301，获取在指定场景中设置的图像采集设备所采集图像的人员信息，其中，人员信息包括图像中各人员的年龄信息。
S302，根据各人员的年龄信息，判断各人员的年龄是否在预设年龄段内，其中，预设年龄段为预先设置的非正常访问指定场景的人员年龄段。
S303，依次判断年龄在预设年龄段内的各人员是否存在于白名单中，筛除存在于白名单中的人员。
S304，统计预设时段内出现的年龄在预设年龄段内、且筛除掉存在于白名单中的人员之后的第一人员总数。
S305，如果第一人员总数达到第一预设阈值，则确定指定场景中预发生异常事件。
在本发明实施例中，可以建立有一个白名单，白名单用于记录年龄在预设年龄段内，但是不会被识别为导致异常事件的人员，具体可以记录的是这些人员的人员信息(例如姓名、身份证号等标识信息)，初始情况下，白名单中的人员是由管理异常事件的工作人员设置的。
则在判断各人员的年龄是否在预设年龄段内的步骤之后，需要依次判断年龄在预设年龄段内的各人员是否存在于白名单中，具体的，抓拍机或者电子设备在对图像进行人员识别时，除了可以获取到图像中各人员的年龄信息以外，还可以获取到各人员的人员信息，将各人员的人员信息与白名单中记录的各人员信息进行匹配，如果匹配到相同的人员信息，则说明白名单中存在该人员，需要筛除该人员。最终统计的第一人员总数即为：预设时段内出现的年龄在预设年龄段内、且筛除掉存在于白名单中的人员之后的人员总数。
通过设置白名单，记录不会被识别为导致异常事件的人员，则在进行第一人员总数的统计时，可以统计预设时段内出现年龄在预设年龄段内、且筛除掉存在于白名单中的人员之后的第一人员总数，在提升算法运算速度的同时，避免了将正常出现在指定场景中、不应被识别为导致异常事件的年龄在预设年龄段内的人员误识别为有威胁性的人员，在实现异常事件预识别的基础上，提高了异常事件预识别的准确性。
在本发明实施例的一种实现方式中，白名单可以是动态更新的。白名单的动态更新主要包括以下两种：
第一种，若在预设时段内出现的年龄在预设年龄段内的同一人员的图像数量超过第二预设阈值，且该同一人员为预设的已知人员，则将该同一人员添加至白名单中。
如果某一年龄在预设年龄段内的人员反复出现在指定场景下、且该人员为预设的已知人员(一般在一个已知人员库中记录)，很有可能该人员本就会经常出现在指定场景中，例如某一老年人可能为写字楼里的工作人员、某一年轻人可能为老旧小区的业主、某一年轻人可能为老年活动室的志愿者等。针对这种情况，如果在预设时段内出现的年龄在预设年龄段内的同一人员的图像数量超过第二预设阈值，且该同一人员为预设的已知人员，可以将该同一人员添加至白名单中。
对同一人员的识别可以通过如下方式实现：当采集的某一个图像中人员的年龄在预设年龄段内，则给该人员打上一个人员标识，当另一个图像中人员的年龄在预设年龄段内，将该图像与之前采集的图像进行对比，如果对比出是同一个人员，则打上相同的人员标识，如果是不同的人员，则打上不同的人员标识，并且在此过程中，统计同一人员的图像数量。
或者，由于抓拍机或者电子设备具有人员识别的功能，在进行人员识别时，可以直接输出人员信息(例如人员姓名、身份证号等标识信息)，直接判断两张图像输出的人员信息是否相同，来判断是否识别出同一人员，并且在此过程中，统计识别出同一人员的图像数量。
第二种，基于预设身份关系库，确定年龄在预设年龄段内的各人员中与指定人员之间的身份关系为亲友关系的亲友人员，其中，预设身份关系库记录有指定人员的人员信息、以及与指定人员具有亲友关系的亲友人员的人员信息；将亲友人员添加至白名单中。
在实际场景中，人员之间往往具有身份关系，例如，两个人员为亲友关系，那么如果一个年龄在预设年龄段内的人员出现在指定场景中，且该人员与指定场景中的指定人员存在亲友关系，则不应当作为异常情况统计，其中，指定人员指的是指定场景中经常出现的人员，例如在写字楼里上班的年轻人、在老旧小区居住的老年人、在老年活动室经常出现的老年人等。
电子设备在获取到人员信息后，可以基于预设身份关系库，确定年龄在预设年龄段内的各人员中与指定人员之间的身份关系为亲友关系的亲友人员，预设身份关系库记录有指定人员的人员信息、以及与指定人员具有亲友关系的亲友人员的人员信息；将亲友人员添加至白名单中，从预设身份关系库中，查看年龄在预设年龄段内的各人员是否与指定人员之间的身份关系为亲友关系，如果是，则将该人员添加至白名单中。
为了便于理解，下面结合写字楼场景和老年活动室场景为例，对防止异常金融交易的异常事件预识别方法进行介绍。
目前的异常金融交易活动主要针对的是老年人，各类异常金融交易的实施者往往瞄准易轻信、少设防的老年人，导致被害人数众多，给社会带来较大危害。本发明中针对两种场景，即写字楼场景和老年活动室场景，对进入写字楼内或者某楼层的人员对应的年龄进行分析，发现老年人进入数量明显异常，则进行告警检查，对进入老年活动室的人员对应的年龄进行分析，发现年轻人进入数量明显异常，或者频繁出入陌生的年轻人，则进行告警检查。
在写字楼场景和老年活动室场景下都设置有一定量的图像采集设备，图像采集设备在采集到图像后，利用人员识别方法(例如图1所示实施例中的深度学习方法)对图像中的人员进行识别，得到包括各人员的年龄信息的人员信息。
电子设备接收到写字楼场景中的图像采集设备上报的人员信息，根据各人员的年龄信息，判断是否有老年人(即人员的年龄信息是否大于65岁)，则可以将该老年人的信息记录下来，例如记录下是哪一个图像采集设备采集到该老年人、该老年人的身份信息、采集到该老年人的时间等，统计白天出现老年人的总数，如果统计的总数达到预设阈值(例如100)，则输出告警信息给异常事件管理的工作人员，由工作人员进行研判和检查。
电子设备接收到老年活动室场景中的图像采集设备上报的人员信息，根据各人员的年龄信息，判断是否有年轻人(即人员的年龄信息是否大于18岁、小于40岁)，则可以将该年轻人的信息记录下来，例如记录下是哪一个图像采集设备采集到该年轻人、该年轻人的身份信息、采集到该年轻人的时间等，统计白天出现年轻人的总数，如果统计的总数达到预设阈值(例如100)，则输出告警信息给工作人员，由工作人员进行研判和检查。
工作人员收到告警信息后，可以查看电子设备记录的信息，比如，对于写字楼场景，电子设备总共记录有100条信息，其中写字楼正门口的图像采集设备产生了50条信息，18楼电梯口产生了32条信息，则工作人员需要对18楼进行重点检查。当然，如果基于记录的老年人的身份信息，发现大量的信息是同一老年人产生，并且认识该老年人(是已知人员库中预设的已知人员)，可以将该老年人添加至白名单中，后续不对该老年人进行统计。
对于老年活动室场景，电子设备总共记录有100条信息，记录的信息中还可以包括识别到的年轻人的衣着，如果记录的信息中有穿着销售工作服的年轻人，则需要工作人员重点留意和检查；如果基于预设身份关系库，识别出年轻人是某位老年人的亲属，不具备威胁性，则可以将该年轻人添加至白名单中，后续不对该年轻人进行统计，其中，具体的身份识别方式见图3所示实施例，这里不再赘述。
基于上述方法实施例，本发明实施例提供了一种异常事件预识别装置，如图4所示，该装置可以包括：
获取模块410，用于获取在指定场景中设置的图像采集设备所采集图像的人员信息，其中，人员信息包括图像中各人员的年龄信息；
判断模块420，用于根据各人员的年龄信息，判断各人员的年龄是否在预设年龄段内，其中，预设年龄段为预先设置的非正常访问指定场景的人员年龄段；
统计模块430，用于统计预设时段内出现年龄在预设年龄段内的第一人员总数；
确定模块440，用于如果第一人员总数达到第一预设阈值，则确定指定场景中预发生异常事件。
可选的，该装置还可以包括：添加模块；
添加模块，用于若在预设时段内出现的年龄在预设年龄段内的同一人员的图像数量超过第二预设阈值，且同一人员为预设的已知人员，则将同一人员添加至白名单中；或者，用于基于预设身份关系库，确定年龄在所述预设年龄段内的各人员中与指定人员之间的身份关系为亲友关系的亲友人员，其中，预设身份关系库记录有指定人员的人员信息、以及与指定人员具有亲友关系的亲友人员的人员信息；将亲友人员添加至白名单中；
统计模块430，具体可以用于统计预设时段内出现的年龄在预设年龄段内、且筛除掉存在于白名单中的人员之后的第一人员总数。
可选的，人员抓拍信息还可以包括各人员的衣着类型；
统计模块430，还可以用于统计预设时段内出现衣着类型为指定类型的第二人员总数，其中，指定类型为预先设置的指定场景中非正常的衣着类型；
确定模块440，还可以用于如果第二人员总数达到第三预设阈值，则确定指定场景中预发生异常事件。
应用本发明实施例，通过获取在指定场景中设置的图像采集设备所采集图像的人员信息，根据人员信息中各人员的年龄信息，判断各人员的年龄是否在预设年龄段内，其中，预设年龄段为预先设置的非正常访问指定场景的人员年龄段，统计预设时段内出现年龄在预设年龄段内的第一人员总数，如果第一人员总数达到第一预设阈值，则确定指定场景中发生异常事件。在获取到各人员的年龄信息后，对各人员的年龄进行判断，统计出预设时段内出现年龄在预设年龄段内的第一人员总数，如果第一人员总数达到第一预设阈值，则说明指定场景中频繁出现了非正常访问该场景的人员，可以确定指定场景中预发生异常事件，实现了对异常事件的预先识别。
本发明实施例提供了一种电子设备，如图5所示，包括处理器501和存储器502，其中，存储器502，用于存放计算机程序；处理器501，用于执行存储器上所存放的计算机程序时，实现上述异常事件预识别方法。
上述存储器可以包括RAM(Random Access Memory，随机存取存储器)，也可以包括NVM(Non-volatile Memory，非易失性存储器)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离上述处理器的存储装置。
上述处理器可以是通用处理器，包括CPU(Central Processing Unit，中央处理单元)、NP(Network Processor，网络处理器)等；还可以是DSP(Digital Signal Processing，数字信号处理器)、ASIC(Application Specific Integrated Circuit，专用集成电路)、FPGA(Field-Programmable Gate Array，现场可编程门阵列)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本实施例中，上述处理器通过读取存储器中存储的计算机程序，并通过运行计算机程序，能够实现：通过获取在指定场景中设置的图像采集设备所采集图像的人员信息，根据人员信息中各人员的年龄信息，判断各人员的年龄是否在预设年龄段内，其中，预设年龄段为预先设置的非正常访问指定场景的人员年龄段，统计预设时段内出现年龄在预设年龄段内的第一人员总数，如果第一人员总数达到第一预设阈值，则确定指定场景中发生异常事件。在获取到各人员的年龄信息后，对各人员的年龄进行判断，统计出预设时段内出现年龄在预设年龄段内的第一人员总数，如果第一人员总数达到第一预设阈值，则说明指定场景中频繁出现了非正常访问该场景的人员，可以确定指定场景中预发生异常事件，实现了对异常事件的预先识别。
另外，本发明实施例提供了一种机器可读存储介质，机器可读存储介质内存储有计算机程序，计算机程序被处理器执行时实现上述异常事件预识别方法。
本实施例中，计算机可读存储介质存储有在运行时执行本发明实施例所提供的异常事件预识别方法的计算机程序，因此能够实现：通过获取在指定场景中设置的图像采集设备所采集图像的人员信息，根据人员信息中各人员的年龄信息，判断各人员的年龄是否在预设年龄段内，其中，预设年龄段为预先设置的非正常访问指定场景的人员年龄段，统计预设时段内出现年龄在预设年龄段内的第一人员总数，如果第一人员总数达到第一预设阈值，则确定指定场景中发生异常事件。在获取到各人员的年龄信息后，对各人员的年龄进行判断，统计出预设时段内出现年龄在预设年龄段内的第一人员总数，如果第一人员总数达到第一预设阈值，则说明指定场景中频繁出现了非正常访问该场景的人员，可以确定指定场景中预发生异常事件，实现了对异常事件的预先识别。
本发明实施例提供的又一实施例中，还了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述异常事件预识别方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、DSL(Digital Subscriber Line，数字用户线))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如软盘、硬盘、磁带)、光介质(例如DVD(DigitalVersatile Disc，数字多功能光盘))、或者半导体介质(例如SSD(Solid State Disk，固态硬盘))等。
本发明实施例还提供了一种监控系统，如图6所示，监控系统包括图像采集设备601及电子设备602；
图像采集设备601，用于对指定场景进行图像采集，并对所采集的图像进行人员识别，得到图像的人员信息，其中，人员信息包括图像中各人员的年龄信息；将人员信息上报至电子设备602；
电子设备602，用于接收图像采集设备601上报的人员信息；根据各人员的年龄信息，判断各人员的年龄是否在预设年龄段内，其中，预设年龄段为预先设置的非正常访问指定场景的人员年龄段；统计预设时段内出现年龄在预设年龄段内的第一人员总数；如果第一人员总数达到第一预设阈值，则确定指定场景中预发生异常事件。
应用本发明实施例，通过获取在指定场景中设置的图像采集设备所采集图像的人员信息，根据人员信息中各人员的年龄信息，判断各人员的年龄是否在预设年龄段内，其中，预设年龄段为预先设置的非正常访问指定场景的人员年龄段，统计预设时段内出现年龄在预设年龄段内的第一人员总数，如果第一人员总数达到第一预设阈值，则确定指定场景中发生异常事件。在获取到各人员的年龄信息后，对各人员的年龄进行判断，统计出预设时段内出现年龄在预设年龄段内的第一人员总数，如果第一人员总数达到第一预设阈值，则说明指定场景中频繁出现了非正常访问该场景的人员，可以确定指定场景中预发生异常事件，实现了对异常事件的预先识别。
对于异常事件预识别装置、电子设备、机器可读存储介质、计算机程序产品及监控系统实施例而言，由于其所涉及的方法内容基本相似于前述的方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于异常事件预识别装置、电子设备、机器可读存储介质、计算机程序产品及监控系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例，并非用于限定本发明的保护范围。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，均包含在本发明的保护范围内。

Claims (10)

1.一种异常事件预识别方法，其特征在于，所述方法包括：
获取在指定场景中设置的图像采集设备所采集图像的人员信息，其中，所述人员信息包括所述图像中各人员的年龄信息；
根据所述各人员的年龄信息，判断所述各人员的年龄是否在预设年龄段内，其中，所述预设年龄段为预先设置的非正常访问所述指定场景的人员年龄段；
依次判断年龄在预设年龄段内的各人员是否存在于白名单中，筛除存在于白名单中的人员；
统计预设时段内出现的年龄在所述预设年龄段内、且筛除掉存在于白名单中的人员之后的第一人员总数；
如果所述第一人员总数达到第一预设阈值，则确定所述指定场景中预发生异常事件。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
若在预设时段内出现的年龄在所述预设年龄段内的同一人员的图像数量超过第二预设阈值，且所述同一人员为预设的已知人员，则将所述同一人员添加至白名单中。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
基于预设身份关系库，确定年龄在所述预设年龄段内的各人员中与指定人员之间的身份关系为亲友关系的亲友人员，其中，所述预设身份关系库记录有指定人员的人员信息、以及与所述指定人员具有亲友关系的亲友人员的人员信息；
将所述亲友人员添加至白名单中。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述人员信息还包括各人员的衣着类型；所述方法还包括：
统计所述预设时段内出现衣着类型为指定类型的第二人员总数，其中，所述指定类型为预先设置的所述指定场景中非正常的衣着类型；
如果所述第二人员总数达到第三预设阈值，则确定所述指定场景中预发生异常事件。
5.一种异常事件预识别装置，其特征在于，所述装置包括：
获取模块，用于获取在指定场景中设置的图像采集设备所采集图像的人员信息，其中，所述人员信息包括所述图像中各人员的年龄信息；
判断模块，用于根据所述各人员的年龄信息，判断所述各人员的年龄是否在预设年龄段内，从而依次判断年龄在预设年龄段内的各人员是否存在于白名单中，筛除存在于白名单中的人员；其中，所述预设年龄段为预先设置的非正常访问所述指定场景的人员年龄段；
统计模块，用于统计预设时段内出现的年龄在所述预设年龄段内、且筛除掉存在于白名单中的人员之后的第一人员总数；
确定模块，用于如果所述第一人员总数达到第一预设阈值，则确定所述指定场景中预发生异常事件。
6.根据权利要求5所述的装置，其特征在于，所述装置还包括：添加模块；
所述添加模块，用于若在预设时段内出现的年龄在所述预设年龄段内的同一人员的图像数量超过第二预设阈值，且所述同一人员为预设的已知人员，则将所述同一人员添加至白名单中；或者，用于基于预设身份关系库，确定年龄在所述预设年龄段内的各人员中与指定人员之间的身份关系为亲友关系的亲友人员，其中，所述预设身份关系库记录有指定人员的人员信息、以及与所述指定人员具有亲友关系的亲友人员的人员信息；将所述亲友人员添加至所述白名单中。
7.根据权利要求5或6所述的装置，其特征在于，所述人员信息还包括各人员的衣着类型；
所述统计模块，还用于统计所述预设时段内出现衣着类型为指定类型的第二人员总数，其中，所述指定类型为预先设置的所述指定场景中非正常的衣着类型；
所述确定模块，还用于如果所述第二人员总数达到第三预设阈值，则确定所述指定场景中预发生异常事件。
8.一种电子设备，其特征在于，包括处理器和存储器；
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上所存放的计算机程序时，实现权利要求1-4任一项所述的方法。
9.一种机器可读存储介质，其特征在于，所述机器可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-4任一项所述的方法。
10.一种监控系统，其特征在于，所述监控系统包括图像采集设备及电子设备；
所述图像采集设备，用于对指定场景进行图像采集，并对所采集的图像进行人员识别，得到所述图像的人员信息，其中，所述人员信息包括所述图像中各人员的年龄信息；将所述人员信息上报至所述电子设备；
所述电子设备，用于接收所述图像采集设备上报的所述人员信息；根据所述各人员的年龄信息，判断所述各人员的年龄是否在预设年龄段内，其中，所述预设年龄段为预先设置的非正常访问所述指定场景的人员年龄段；依次判断年龄在预设年龄段内的各人员是否存在于白名单中，筛除存在于白名单中的人员；统计预设时段内出现的年龄在所述预设年龄段内、且筛除掉存在于白名单中的人员之后的第一人员总数；如果所述第一人员总数达到第一预设阈值，则确定所述指定场景中预发生异常事件。
CN202110206458.2A 2021-02-24 2021-02-24 一种异常事件预识别方法、装置、电子设备及监控系统 Active CN112949442B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110206458.2A CN112949442B (zh) 2021-02-24 2021-02-24 一种异常事件预识别方法、装置、电子设备及监控系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110206458.2A CN112949442B (zh) 2021-02-24 2021-02-24 一种异常事件预识别方法、装置、电子设备及监控系统

Publications (2)

Publication Number Publication Date
CN112949442A CN112949442A (zh) 2021-06-11
CN112949442B true CN112949442B (zh) 2024-02-06

Family

ID=76245819

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110206458.2A Active CN112949442B (zh) 2021-02-24 2021-02-24 一种异常事件预识别方法、装置、电子设备及监控系统

Country Status (1)

Country Link
CN (1) CN112949442B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114039765A (zh) * 2021-11-04 2022-02-11 全球能源互联网研究院有限公司 一种配电物联网的安全管控方法、装置及电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110751080A (zh) * 2019-10-16 2020-02-04 浙江大华技术股份有限公司 异常人员的聚集预警方法、系统及相关装置
CN111563396A (zh) * 2019-01-25 2020-08-21 北京嘀嘀无限科技发展有限公司 在线识别异常行为的方法、装置、电子设备及可读存储介质
CN111626229A (zh) * 2020-05-29 2020-09-04 广州云从博衍智能科技有限公司 一种对象管理方法、装置、机器可读介质及设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8565539B2 (en) * 2011-05-31 2013-10-22 Hewlett-Packard Development Company, L.P. System and method for determining estimated age using an image collection

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111563396A (zh) * 2019-01-25 2020-08-21 北京嘀嘀无限科技发展有限公司 在线识别异常行为的方法、装置、电子设备及可读存储介质
CN110751080A (zh) * 2019-10-16 2020-02-04 浙江大华技术股份有限公司 异常人员的聚集预警方法、系统及相关装置
CN111626229A (zh) * 2020-05-29 2020-09-04 广州云从博衍智能科技有限公司 一种对象管理方法、装置、机器可读介质及设备

Also Published As

Publication number Publication date
CN112949442A (zh) 2021-06-11

Similar Documents

Publication Publication Date Title
KR102138965B1 (ko) 계정 도난 위험 식별 방법, 식별 장치, 예방 및 통제 시스템
JP2008107930A (ja) リスク監視装置、リスク監視システム、リスク監視方法
TW200530805A (en) Database user behavior monitor system and method
CN111368619B (zh) 可疑人员的检测方法、装置及设备
JP6631618B2 (ja) 画像監視装置及び画像監視方法
KR101937458B1 (ko) 사용자 영향력 계산 방법
JP2008217455A (ja) リスク監視装置、リスク監視システム、リスク監視方法
EP2122537A2 (en) System and method for video-processing algorithm improvement
CN110717358A (zh) 访客人数统计方法、装置、电子设备及存储介质
CN110807117B (zh) 一种用户关系预测方法及装置、计算机可读存储介质
CN110889790A (zh) 一种基于综合社区信息快速筛查疑似传销用户的系统
CN112949442B (zh) 一种异常事件预识别方法、装置、电子设备及监控系统
CN105184156A (zh) 一种安全威胁管理方法和系统
CN117375985A (zh) 安全风险指数的确定方法及装置、存储介质、电子装置
Ma et al. A Dempster‐Shafer theory and uninorm‐based framework of reasoning and multiattribute decision‐making for surveillance system
CN108804914A (zh) 一种异常数据检测的方法及装置
US9158894B2 (en) Apparatus and method for analyzing rule-based security event association
KR20140081071A (ko) 실시간 보안수준 측정 관리 방법 및 시스템
US11758307B2 (en) Sensor device, background noise data transmission method, and background noise data transmission program
CN109766816A (zh) 监控方法、装置与存储介质
CN111639840B (zh) 酒店管理状态的监测方法及装置
CN111767571B (zh) 一种医疗数据泄露的检测方法
JP2019101895A (ja) 異常検知装置、異常検知方法及びプログラム
CN112149451B (zh) 一种亲密度分析方法及装置
JP5096749B2 (ja) 入域管理システムおよび入域管理装置

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