CN113191340A - 基于联邦学习模式的社区重点人员监管系统及方法 - Google Patents
基于联邦学习模式的社区重点人员监管系统及方法 Download PDFInfo
- Publication number
- CN113191340A CN113191340A CN202110740164.8A CN202110740164A CN113191340A CN 113191340 A CN113191340 A CN 113191340A CN 202110740164 A CN202110740164 A CN 202110740164A CN 113191340 A CN113191340 A CN 113191340A
- Authority
- CN
- China
- Prior art keywords
- key personnel
- personnel
- key
- community
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000004458 analytical method Methods 0.000 claims abstract description 86
- 238000012544 monitoring process Methods 0.000 claims abstract description 60
- 230000004927 fusion Effects 0.000 claims abstract description 36
- 230000006399 behavior Effects 0.000 claims abstract description 32
- 238000007405 data analysis Methods 0.000 claims abstract description 18
- 230000000694 effects Effects 0.000 claims abstract description 17
- 206010000117 Abnormal behaviour Diseases 0.000 claims abstract description 12
- 238000007726 management method Methods 0.000 claims description 43
- 230000002776 aggregation Effects 0.000 claims description 13
- 238000004220 aggregation Methods 0.000 claims description 13
- 238000007619 statistical method Methods 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 claims description 10
- 238000013499 data model Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 5
- 208000012661 Dyskinesia Diseases 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 10
- 230000033001 locomotion Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 208000028017 Psychotic disease Diseases 0.000 description 3
- 241000700605 Viruses Species 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000011664 signaling Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
-
- 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
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Bioethics (AREA)
- Computer Security & Cryptography (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Remote Sensing (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于联邦学习模式的社区重点人员监管方法，包括如下步骤：S100前端感知系统采集视频监控、人脸及车辆抓拍数据；S200进行重点人员活动轨迹、车辆轨迹、轨迹融合及数据时空融合分析；S300创建社区重点人员行为联邦学习模型；S400提供重点人员信息综合查询、重点人员异动轨迹查询、重点人员区域关联查询；S500绘制重点人员区域分布图，进行区域重点人员统计及重点人员同轨分析。本方法通过前端感知系统采集各种数据；通过大数据分析模块对重点人员行为进行分析，模拟重点人员各种情况的活动轨迹；创建重点人员行为联邦学习模型，对重点人员行为进行预测，为及时发现重点人员异常行为提供了有力的支持，解决了对重点人员日常监控问题。
Description
技术领域
本发明涉及社区管控技术领域，尤其涉及基于联邦学习模式的社区重点人员监管系统及方法。具体来说，属于IPC分类中的G06N7/00和G06Q10/00。
背景技术
改革开放以来国内城市化快速发展，城市基础设施不断完善，城镇化过程中重建设、轻管理模式带来不少管理难点，传统的粗放式、单一化管理方式难以为继，如何保障社区内居民的生命财产安全是城市管理工作的重点。随着计算机技术的发展，大数据运用普及，大数据相关的技术应用在各个领域，其中便包括社区的监管系统。
为保证社区的环境安全，对于重点人员（如吸毒人员、精神病等）的监管十分必要。因此社区的监管系统十分关键。
现有技术中存在一系列的监管系统。
现有技术中，申请号为CN202020183277.3的中国专利公开了一种智慧小区大数据监管平台系统，包括门禁控制装置、人脸识别单元、监测终端、交换机、通讯装置、主服务器和辅助服务器，人脸识别单元包括数据传输模块、感应模块和摄像模块等；该实用新型可以远程监管多个门禁控制装置，且多个门禁控制装置将采集管理的信息数据传输到远程服务器。
该专利依托大数据可以实现远程操作自动开门，记录所有出入事件，实现对物业范围内的门禁、人员等统一管理，提高了小区的安全系数。但该专利缺少对重点人员的识别，不能很好的对重点人员进行管控。
现有技术中，申请号为CN201910813564.X的中国专利公开了一种基于人脸识别技术的医院管理预警系统及其方法，包括护士站信息处理平台，用于采集患者信息，根据人脸图像建模，提取对应的人脸特征；人像大数据平台，包括数据库，用于存储患者信息和人脸信息；病区监控设防平台，用于采集出入病区的患者的人脸，根据数据库控制患者出入病区。一种基于人脸识别技术的医院管理预警方法包括录入患者的人脸图像，提取对应的人脸特征；对患者数据进行整合存储；采集出入病区的患者的人脸，与数据库进行对比控制患者出入病区。
该专利将人脸识别技术应用在病房管理中，能够有效控制住院患者外出，预外出时进行预警，能够有效弥补医护人员人手不足的问题，可大幅度提升医院内部运行效率。但该专利中的系统只适用于医院环境，具有局限性，若将该系统应用在社区环境下，则会出现如，需要管控的人员乘坐交通工具导致人脸识别无法生效的情况发生。
申请号为CN201811284726.7的中国专利公开了一种安防综合应用管理系统，包括安防设备和信令网关子系统模块。该安防设备包括均与信令网关子系统模块连接的视频监控系统、报警系统、广播系统、门禁系统、电子围栏系统、红外对射系统、智能分析系统、高压电网系统、对讲系统、电视墙系统、人脸识别系统、矩阵系统和人员定位系统。该信令网关子系统模块包括数据接收模块、数据分析模块、数据发送模块和命令控制模块。安防综合应用管控平台实现各安防硬件设备及业务系统数据的大集合，提升监管场所日常管控能力，形成科学管理和高效指挥的新机制。
该专利通过接入各不同协议的子系统，做集中管控，实现业务数据共享。但该专利各个子系统从属与中央系统，中央系统的工作人员不免会接触到原始数据，这对于子系统的数据保护不利。
除此之外，现有的重点人员监管系统还缺少，对重点人员的行动预测，若重点人员在实施犯罪活动后再行抓捕，无疑会造成相当的损失。
综上所述，需要一种社区重点人员监管系统及方法，可以实现对社区重点人员监管；并提供预测模型；通过异常行迹和行为可以及时发现重点人员犯罪征兆；在运用预测模型分析数据时可以保护隐私数据。
发明内容
本发明的目的是提供基于联邦学习模式的社区重点人员监管系统及方法。
为了实现上述目的，本发明采用了如下技术方案：
基于联邦学习模式的社区重点人员监管系统，包括前端感知系统、中心服务器及多个社区服务器，所述中心服务器与前端感知系统通信连接，所述前端感知系统用于采集视频监控数据、人脸抓拍数据及车辆抓拍数据；所述中心服务器与各个社区服务器通信连接；所述中心服务器与各个社区服务器共同创建社区重点人员行为联邦学习模型，进行人群行为模式分析以及异常行为识别和预测，在创建联邦学习模型的过程中，各个社区服务器在本地对本地数据加密，并将加密的结果发送到中心服务器，中心服务器在不了解有关任何参与者的信息的情况下执行安全聚合，不涉及具体数据，有效的保护了用户隐私。
进一步，所述中心服务器包括大数据分析模块及社区重点人员管理模块，所述大数据分析模块用于进行重点人员活动轨迹分析、重点车辆轨迹分析、轨迹融合分析及数据时空融合分析，所述社区重点人员管理模块用于绘制重点人员区域分布专题图、进行区域重点人员统计分析及重点人员同轨分析，所述社区重点人员管理模块还用于提供重点人员信息综合查询、重点人员异动轨迹查询、重点人员区域关联查询；
所述前端感知系统主要包括前端视频监控子系统、前端人脸识别子系统及前端车辆识别子系统，所述前端视频监控子系统用于采集视频监控数据，所述前端人脸识别子系统用于采集人脸抓拍数据，所述前端车辆识别子系统用于采集车辆抓拍数据；
各个所述社区服务器具有相同数据结构。各个所述社区服务器同样可以提供重点人员信息综合查询、重点人员异动轨迹查询及重点人员区域关联查询。
本发明还提供了基于联邦学习模式的社区重点人员监管方法，包括以下步骤：
步骤S100、通过前端感知系统采集视频监控数据、人脸抓拍数据及车辆抓拍数据；
步骤S100进一步包括：
步骤S110、前端视频监控子系统根据社区管理工作实际需要建设视频监控点位，并结合监控区域网格划分、现场环境和使用需求确定视频监控点位的数量和位置，视频监控点位覆盖市域多个重要空间和立面区域，根据不同视频监控点位具体位置、应用和环境光照等情况选择不同类型摄像机部署；
步骤S120、前端人脸识别子系统搭载于前端视频监控子系统，实现人脸数据的抓拍，并可实现与重点人员照片进行对比，并返回对比结果；
步骤S130、前端车辆识别子系统搭载于前端视频监控子系统，实现车辆数据的抓拍，通过对视频数据采用结构化分析技术，对车辆特征进行全面的提取和识别，对视频和关键帧中的车辆特征进行提取、分析、识别、入库。
更进一步，步骤S130中提取的车辆特征包括车牌号、车辆类型、车身颜色、车辆品牌、车辆子品牌、年份等。
步骤S200、大数据分析模块依据采集的数据进行大数据分析，包括重点人员活动轨迹分析、重点车辆轨迹分析、轨迹融合分析及数据时空融合分析；
步骤S200进一步包括：
步骤S210、进行重点人员轨迹分析，通过活动人脸抓拍的点位信息、活动人脸抓拍的时间信息，结合重点人员的出行方式及周边的交通路线信息，通过建立重点人员轨迹数据模型，通过分析点位之间交通路径以及时间差，在地图模拟出重点人员的活动轨迹信息，从而能够更加真是的反应出人员的活动轨迹线路信息；
步骤S220、进行重点车辆轨迹分析，通过搭载于前端视频监控子系统的前端车辆识别子系统进行抓拍分析，具体通过前端智能摄像机，道路卡口监控，以及停车场的门禁道闸进行抓拍分析，提取出车牌号码，并通过获取该车辆出入位置以及时间信息，从而在地图上展示车辆活动位置点位；
步骤S230、进行轨迹融合分析，要想全面的了解重点人员的出行轨迹，单一的从重点人员或车辆轨迹分析，有时并不能全面覆盖，需要结合重点人员与车辆的出行数据，通过对多位维度的出行方式进行分析，这样才能够全面了解重点人员的活动轨迹信息。轨迹融合分析就是结合人脸的抓拍信息、车辆的出行抓拍信息及人与车辆的关系数据，并通过分析人与车的状态，从而建立全面的数据模型，通过分析人的出现位置和时间、车的出现位置和时间、当时人与车的关系状态，并结合周边的交通线路、交通状态、城市道路等数据，建立轨迹融合分析数据模型，精准全面的模拟重点人员的出行轨迹，并结合地图直观的展示重点人员和车辆的轨迹线路图；
步骤S240、进行数据时空融合分析，随着当前人们的出行方式多样，当前的城市治理与人员车辆的布控监测，不能从单一的人员和车辆维度进行简单的监测，需要结合多种方式。数据时空融合分析按照时间和空间维度，对人与人、车与车、人与车的时空数据进行全面的融合分析，直观的展示人与人、车与车、人与车的管理，如同行关系、同乘、所属关系等，同时还能按照不同地域对数据关系进行梳理，通过地图的方式直观的展示数据的关系。能够更好对公安和委办的业务提供有力的支持。
步骤S300、中心服务器与各个社区服务器共同创建社区重点人员行为联邦学习模型，具有相同数据结构的各个社区服务器借助参数和中心服务器协作学习机器学习模型。
创建社区重点人员行为联邦学习模型时，对于没有上级平台（即中心服务器）的情况下，各社区服务器可以使用选举算法选出中心结点，完成联邦学习。
不同的人群有不同的行为特征，尤其是重点人群，在发生问题前后都会有各种征兆。但由于每个社区的重点人群数量有限，其行为数据也难以支持模型训练。另外，人群的行为数据也涉及个人隐私，不适于扩散。所以，通过联邦学习的模式，训练和完善重点人员行为模型，可以为及时发现重点人员异常行为提供了有力的支持。
步骤S300进一步包括：
步骤S310、社区服务器在本地计算训练梯度，使用加密，差分隐私或秘密共享技术加密梯度的更新，并将加密的结果发送到中心服务器；
步骤S320、中心服务器在不了解有关任何参与者的信息的情况下执行安全聚合；
步骤S330、中心服务器将汇总结果发回给社区服务器；
步骤S340、社区服务器使用解密的梯度更新各自的模型。
步骤S400、社区重点人员管理模块提供重点人员信息综合查询、重点人员异动轨迹查询、重点人员区域关联查询；
步骤S400进一步包括：
步骤S410、提供重点人员信息综合查询，提供对重点人员信息的基于属性和空间位置关系的查询，根据重点人员的姓名、身份证、性别等进行模糊查询，提供根据空间范围查询设定区域内的重点人员信息；
步骤S420、提供重点人员异动轨迹查询，读取重点人员的历史轨迹信息，在前端界面中选定重点人员，并查询指定时间区间内重点人员的轨迹信息，在界面上可视化播放行走过程；
步骤S430、提供重点人员区域关联查询，可以选择辖区或社区和重点人员类型（如：重点人口、吸毒人员、精神病、监该对象、归正人员等）实现辖区或社区内的各种工作对象的信息查询和基于住址（门牌楼号）的地图定位，还可以进一步查看该重点人员基本信息、列管信息、前科劣迹、考察等信息。
更进一步，步骤S410、步骤S420及步骤S430也可通过各个社区服务器进行。
步骤S500、社区重点人员管理模块绘制重点人员区域分布专题图，进行区域重点人员统计分析及重点人员同轨分析；
步骤S500进一步包括：
步骤S510、绘制重点人员区域分布专题图，根据行政区域层级结构在地图上展示当前区域内的重点人员的分布状况，进一步可以展示重点人员的基本信息等，如分布过于密集则进行动态聚合展示；
步骤S520、进行区域重点人员统计分析，按辖区或社区对重点人员的空间分布情况进行统计分析，读取重点人员最新的分布位置信息，统计全市各行政区域范围内重点人员数量情况，以饼图或柱状图的形式予以展现；
步骤S530、进行重点人员同轨分析，通过选定某个重点人员，查询目标重点人员在某个时间段内的历史轨迹，分析可能存在的同行人员，分析的判定依据为：与目标重点人员在多个地方同时出现或出现的时间间隔很短，如：同行、同住、住宿地点距离在一定范围内，则认定为重点人员同轨。
综上所述，本发明的有益技术效果为：
1、中心服务器可进行重点人员轨迹分析，通过收集人脸抓拍的监控点位和出现时间，并结合社区、城市周边道路等路况信息，在地图上模拟出重点人员活动轨迹。
2、中心服务器可进行重点车辆轨迹分析，通过收集车辆识别监控点位和出现时间，并结合城市道路情况，以及当时交通拥堵等路况信息，在地图上模拟出重点车辆活动轨迹。
3、中心服务器可进行轨迹融合分析及数据时空融合分析，能结合重点人员与车辆出现方式，预测更加准确。同时可以在地图上模拟出重点人员全息出行活动轨迹，更加直观。
4、中心服务器与各个社区服务器共同创建社区重点人员行为联邦学习模型，共同训练和完善人员行为模型。使用联邦学习的模式进行人群行为模式机器分析以及异常行为识别和预测，可以为及时发现重点人员异常行为提供了有力的支持。若发现重点人员异常行为，则及时通知相关人员进行干预，避免发生危险情形。
5、联邦学习的模式，提供了用户隐私数据保护的手段，中心服务器在不了解有关任何参与者的信息的情况下执行安全聚合，不涉及具体数据。
6、创建联邦学习模型时，在没有上级平台（即中心服务器）的情况下，各社区服务器通过选举算法在各社区服务器中自动选出中心结点。
7、提供各种重点人员数据统计查询，包括重点人员基本信息、重点人员轨迹信息、重点人员区域统计预计重点人员同轨分析等内容。
8、前端人脸识别子系统和前端车辆识别子系统搭载于前端视频监控子系统，提供人脸识别和车辆识别前端算法，可将普通摄像头接入算法系统。通过监控设备摄像头，门禁，道闸，梯控等采集人脸和过车车辆数据、刷卡数据等，并与系统标注的重点人员和重点车辆进行对比，并返回比对结果。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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为本发明提出的基于联邦学习模式的社区重点人员监管系统的结构示意图；
图2为本发明提出的基于联邦学习模式的社区重点人员监管方法的流程图；
图3为本发明提出的基于联邦学习模式的社区重点人员监管方法中社区重点人员行为联邦学习模型图。
附图标记：
1、中心服务器；2、前端感知系统；3、社区服务器。
具体实施方式
下面将结合附图对本发明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，都属于本发明保护的范围。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，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，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
如图1所示，基于联邦学习模式的社区重点人员监管系统，包括前端感知系统2、中心服务器1及多个社区服务器3，中心服务器1与前端感知系统2通信连接，中心服务器1与各个社区服务器3通信连接，中心服务器1与各个社区服务器3共同创建社区重点人员行为联邦学习模型，在创建联邦学习模型的过程中，各个社区服务器3在本地对本地数据加密，并将加密的结果发送到中心服务器1，中心服务器1在不了解有关任何参与者的信息的情况下执行安全聚合，不涉及具体数据。
中心服务器1包括大数据分析模块及社区重点人员管理模块，大数据分析模块用于进行重点人员活动轨迹分析、重点车辆轨迹分析、轨迹融合分析及数据时空融合分析；社区重点人员管理模块用于绘制重点人员区域分布专题图、进行区域重点人员统计分析及重点人员同轨分析；社区重点人员管理模块还用于提供重点人员信息综合查询、重点人员异动轨迹查询、重点人员区域关联查询。
前端感知系统2主要包括前端视频监控子系统、前端人脸识别子系统及前端车辆识别子系统，前端视频监控子系统用于采集视频监控数据，前端人脸识别子系统用于采集人脸抓拍数据，前端车辆识别子系统用于采集车辆抓拍数据。
各个社区服务器3具有相同数据结构，各个所述社区服务器3同样可以提供重点人员信息综合查询、重点人员异动轨迹查询及重点人员区域关联查询。
本实施例的有益效果为：前端人脸识别子系统和前端车辆识别子系统搭载于前端视频监控子系统，提供人脸识别和车辆识别前端算法，可将普通摄像头接入算法系统。
大数据分析模块依据前端感知系统2采集的数据，可以进行多重分析计算，全面模拟重点人员的活动轨迹。其中，重点人员活动轨迹分析、重点车辆轨迹分析、轨迹融合分析可以在地图模拟出重点人员、车辆的活动轨迹信息；数据时空融合分析结合时间空间属性，可以直观的展示人与人、车与车、人与车的管理，如同行关系、同乘、所属关系等。
社区重点人员行为联邦学习模型可以进行人群行为模式分析以及异常行为识别和预测，为发现重点人员异常行为提供有力支持。并且在创建联邦学习模型的过程中，各个社区服务器3在本地对本地数据加密，并将加密的结果发送到中心服务器1，中心服务器1在不了解有关任何参与者的信息的情况下执行安全聚合，不涉及具体数据，中心服务器1将汇总结果发回给各个社区服务器3，各个社区服务器3使用各自的解密的梯度更新各自的模型，这样的模式有效的避免了信息泄露，有效的保护了用户的隐私。
社区重点人员管理模块可以依据行政区域范围，统计各行政区域范围内重点人员的数量情况以及展示重点人员的分布情况；还可以进行重点人员同轨分析，即通过选定某个重点人员，查询该人员在某个时间段内的历史轨迹分析可能存在的同行人员。
社区重点人员管理模块还提供多种类型的信息查询，可依据需求进行查询。
实施例2
如图2及图3所示，基于联邦学习模式的社区重点人员监管方法，包括如下步骤：
步骤S100、通过前端感知系统2采集视频监控数据、人脸抓拍数据及车辆抓拍数据；
步骤S100进一步包括：
步骤S110、前端视频监控子系统根据社区管理工作实际需要建设视频监控点位，并结合监控区域网格划分、现场环境和使用需求确定视频监控点位的数量和位置，视频监控点位覆盖市域多个重要空间和立面区域，根据不同视频监控点位具体位置、应用和环境光照等情况选择不同类型摄像机部署；
步骤S120、前端人脸识别子系统搭载于前端视频监控子系统，实现人脸数据的抓拍，并可实现与重点人员照片进行对比，并返回对比结果；
步骤S130、前端车辆识别子系统搭载于前端视频监控子系统，实现车辆数据的抓拍，通过对视频数据采用结构化分析技术，对车辆特征进行全面的提取和识别，对视频和关键帧中的车辆特征进行提取、分析、识别、入库。
更进一步，步骤S130中提取的车辆特征包括车牌号、车辆类型、车身颜色、车辆品牌、车辆子品牌、年份等。
步骤S200、大数据分析模块依据采集的数据进行大数据分析，包括重点人员活动轨迹分析、重点车辆轨迹分析、轨迹融合分析及数据时空融合分析；
步骤S200进一步包括：
步骤S210、进行重点人员轨迹分析，通过活动人脸抓拍的点位信息、活动人脸抓拍的时间信息，结合重点人员的出行方式及周边的交通路线信息，通过建立重点人员轨迹数据模型，通过分析点位之间交通路径以及时间差，在地图模拟出重点人员的活动轨迹信息，从而能够更加真是的反应出人员的活动轨迹线路信息；
步骤S220、进行重点车辆轨迹分析，通过搭载于前端视频监控子系统的前端车辆识别子系统进行抓拍分析，具体通过前端智能摄像机，道路卡口监控，以及停车场的门禁道闸进行抓拍分析，提取出车牌号码，并通过获取该车辆出入位置以及时间信息，从而在地图上展示车辆活动位置点位；
步骤S230、进行轨迹融合分析，要想全面的了解重点人员的出行轨迹，单一的从重点人员或车辆轨迹分析，有时并不能全面覆盖，需要结合重点人员与车辆的出行数据，通过对多位维度的出行方式进行分析，这样才能够全面了解重点人员的活动轨迹信息。轨迹融合分析就是结合人脸的抓拍信息、车辆的出行抓拍信息及人与车辆的关系数据，并通过分析人与车的状态，从而建立全面的数据模型，通过分析人的出现位置和时间、车的出现位置和时间、当时人与车的关系状态，并结合周边的交通线路、交通状态、城市道路等数据，建立轨迹融合分析数据模型，精准全面的模拟重点人员的出行轨迹，并结合地图直观的展示重点人员和车辆的轨迹线路图；
步骤S240、进行数据时空融合分析，随着当前人们的出行方式多样，当前的城市治理与人员车辆的布控监测，不能从单一的人员和车辆维度进行简单的监测，需要结合多种方式。数据时空融合分析按照时间和空间维度，对人与人、车与车、人与车的时空数据进行全面的融合分析，直观的展示人与人、车与车、人与车的管理，如同行关系、同乘、所属关系等，同时还能按照不同地域对数据关系进行梳理，通过地图的方式直观的展示数据的关系，能够更好对公安和委办的业务提供有力的支持。
步骤S300、中心服务器1与各个社区服务器3共同创建社区重点人员行为联邦学习模型，具有相同数据结构的各个社区服务器3借助参数和中心服务器1协作学习机器学习模型。不同的人群有不同的行为特征，尤其是重点人群，在发生问题前后都会有各种征兆。但由于每个社区的重点人群数量有限，其行为数据也难以支持模型训练。另外，人群的行为数据也涉及个人隐私，不适于扩散。所以，通过联邦学习的模式，训练和完善重点人员行为模型，可以为及时发现重点人员异常行为提供了有力的支持。
关于联邦学习：联邦学习是一种很多客户端（例如移动设备或者整个组织）在一个中央服务器（例如服务提供商）的编排下协作式地训练模型，同时保证训练数据去中心化的机器学习设定。联邦学习使用局部数据收集和最小化原则，能降低传统中心化机器学习方法带来的很多系统性隐私风险和成本。
步骤S300进一步包括：
步骤S310、社区服务器3在本地计算训练梯度，使用加密，差分隐私或秘密共享技术加密梯度的更新，并将加密的结果发送到中心服务器1；
步骤S320、中心服务器1在不了解有关任何参与者的信息的情况下执行安全聚合；
步骤S330、中心服务器1将汇总结果发回给社区服务器3；
步骤S340、社区服务器3使用解密的梯度更新各自的模型。
步骤S400、社区重点人员管理模块提供重点人员信息综合查询、重点人员异动轨迹查询、重点人员区域关联查询；
步骤S400进一步包括：
步骤S410、提供重点人员信息综合查询，提供对重点人员信息的基于属性和空间位置关系的查询，根据重点人员的姓名、身份证、性别等进行模糊查询，提供根据空间范围查询设定区域内的重点人员信息；
步骤S420、提供重点人员异动轨迹查询，读取重点人员的历史轨迹信息，在前端界面中选定重点人员，并查询指定时间区间内重点人员的轨迹信息，在界面上可视化播放行走过程；
步骤S430、提供重点人员区域关联查询，可以选择辖区或社区和重点人员类型（如：重点人口、吸毒人员、精神病、监该对象、归正人员等）实现辖区或社区内的各种工作对象的信息查询和基于住址（门牌楼号）的地图定位，还可以进一步查看该重点人员基本信息、列管信息、前科劣迹、考察等信息。
更进一步，步骤S410、步骤S420及步骤S430也可通过各个社区服务器3进行。
步骤S500、社区重点人员管理模块绘制重点人员区域分布专题图，进行区域重点人员统计分析及重点人员同轨分析；
步骤S500进一步包括：
步骤S510、绘制重点人员区域分布专题图，根据行政区域层级结构在地图上展示当前区域内的重点人员的分布状况，进一步可以展示重点人员的基本信息等，如分布过于密集则进行动态聚合展示；
步骤S520、进行区域重点人员统计分析，按辖区或社区对重点人员的空间分布情况进行统计分析，读取重点人员最新的分布位置信息，统计全市各行政区域范围内重点人员数量情况，以饼图或柱状图的形式予以展现；
步骤S530、进行重点人员同轨分析，通过选定某个重点人员，查询目标重点人员在某个时间段内的历史轨迹，分析可能存在的同行人员，分析的判定依据为：与目标重点人员在多个地方同时出现或出现的时间间隔很短，如：同行、同住、住宿地点距离在一定范围内，则认定为重点人员同轨。
本实施例的有益效果为：
前端人脸识别子系统和前端车辆识别子系统搭载于前端视频监控子系统，提供人脸识别和车辆识别前端算法，可将普通摄像头接入算法系统。通过监控设备摄像头，门禁，道闸，梯控等采集人脸和过车车辆数据、刷卡数据等，并与系统标注的重点人员和重点车辆进行对比，并返回比对结果。
中心服务器1依据收集的信息进行重点人员轨迹分析及重点车辆轨迹分析，通过收集的人脸抓拍的监控点位和出现时间、车辆识别监控点位和出现时间，并结合社区、城市周边道路等路况信息，在地图上模拟出重点人员及重点车辆的活动轨迹。
有时，依靠单一的重点人员或车辆轨迹分析并不能全面覆盖重点人员的出行轨迹，需要结合人员与车辆的出行数据，通过对多位维度的出行方式进行分析，这样才能够全面了解人员的活动轨迹信息。并不能全面覆盖时，中心服务器1结合重点人员与车辆出现方式进行轨迹融合分析及数据时空融合分析，同时可以在地图上模拟出重点人员全息出行活动轨迹，更加直观。
中心服务器1和各个社区服务器3还提供各种重点人员数据统计查询，包括重点人员基本信息、重点人员轨迹信息、重点人员区域统计预计重点人员同轨分析等内容，便于查询。
中心服务器1与各个社区服务器3共同创建社区重点人员行为联邦学习模型，共同训练和完善人员行为模型。
使用联邦学习的模式进行人群行为模式机器分析以及异常行为识别和预测，可以为及时发现重点人员异常行为提供了有力的支持。若发现重点人员异常行为，则及时通知相关人员进行干预，避免发生危险情形。此外，联邦学习的模式，提供了用户隐私数据保护的手段，中心服务器1在不了解有关任何参与者的信息的情况下执行安全聚合，不涉及具体数据。
创建联邦学习模型时，在没有上级平台（即中心服务器1）的情况下，各社区服务器3通过选举算法在各社区服务器3中自动选出中心结点。
实施例3
基于联邦学习模式的社区重点人员监管方法，与实施例2的不同之处在于：创建社区重点人员行为联邦学习模型时，对于没有上级平台（即中心服务器1）的情况下，各社区服务器3可以使用选举算法选出中心结点，完成联邦学习。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，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，或者对其中部分或者全部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发明各实施例技术方案的范围。
Claims (10)
1.基于联邦学习模式的社区重点人员监管系统，其特征在于：包括前端感知系统（2）、中心服务器（1）及多个社区服务器（3）；
所述中心服务器（1）与前端感知系统（2）通信连接，所述前端感知系统（2）用于采集视频监控数据、人脸抓拍数据及车辆抓拍数据；
所述中心服务器（1）与各个社区服务器（3）通信连接，所述中心服务器（1）与各个社区服务器（3）共同创建社区重点人员行为联邦学习模型，进行人群行为模式分析以及异常行为识别和预测，在创建联邦学习模型的过程中，各个社区服务器（3）在本地对本地数据加密，并将加密的结果发送到中心服务器（1），中心服务器（1）在不了解有关任何参与者的信息的情况下执行安全聚合，不涉及具体数据。
2.根据权利要求1所述的基于联邦学习模式的社区重点人员监管系统，其特征在于：所述中心服务器（1）包括大数据分析模块及社区重点人员管理模块，所述大数据分析模块用于进行重点人员活动轨迹分析、重点车辆轨迹分析、轨迹融合分析及数据时空融合分析，所述社区重点人员管理模块用于绘制重点人员区域分布专题图、进行区域重点人员统计分析及重点人员同轨分析，所述社区重点人员管理模块还用于提供重点人员信息综合查询、重点人员异动轨迹查询、重点人员区域关联查询；
所述前端感知系统（2）主要包括前端视频监控子系统、前端人脸识别子系统及前端车辆识别子系统，所述前端视频监控子系统用于采集视频监控数据，所述前端人脸识别子系统用于采集人脸抓拍数据，所述前端车辆识别子系统用于采集车辆抓拍数据；
各个所述社区服务器（3）具有相同数据结构，各个所述社区服务器（3）同样可以提供重点人员信息综合查询、重点人员异动轨迹查询及重点人员区域关联查询。
3.基于联邦学习模式的社区重点人员监管方法，其特征在于：包括以下步骤：
步骤S100、通过前端感知系统（2）采集视频监控数据、人脸抓拍数据及车辆抓拍数据；
步骤S200、大数据分析模块依据采集的数据进行大数据分析，包括重点人员活动轨迹分析、重点车辆轨迹分析、轨迹融合分析及数据时空融合分析；
步骤S300、中心服务器（1）与各个社区服务器（3）共同创建社区重点人员行为联邦学习模型；
步骤S400、社区重点人员管理模块提供重点人员信息综合查询、重点人员异动轨迹查询、重点人员区域关联查询；
步骤S500、社区重点人员管理模块绘制重点人员区域分布专题图，进行区域重点人员统计分析及重点人员同轨分析。
4.根据权利要求3所述的基于联邦学习模式的社区重点人员监管方法，其特征在于：步骤S100进一步包括：
步骤S110、前端视频监控子系统根据社区管理工作实际需要建设视频监控点位，并结合监控区域网格划分、现场环境和使用需求确定视频监控点位的数量和位置，视频监控点位覆盖市域多个重要空间和立面区域，根据不同视频监控点位具体位置、应用和环境光照等情况选择不同类型摄像机部署；
步骤S120、前端人脸识别子系统搭载于前端视频监控子系统，实现人脸数据的抓拍，并可实现与重点人员照片进行对比，并返回对比结果；
步骤S130、前端车辆识别子系统搭载于前端视频监控子系统，实现车辆数据的抓拍，通过对视频数据采用结构化分析技术，对车辆特征进行全面的提取和识别，对视频和关键帧中的车辆特征进行提取、分析、识别、入库。
5.根据权利要求4所述的基于联邦学习模式的社区重点人员监管方法，其特征在于：步骤S130中提取的车辆特征包括车牌号、车辆类型、车身颜色、车辆品牌、车辆子品牌、年份等。
6.根据权利要求4所述的基于联邦学习模式的社区重点人员监管方法，其特征在于：步骤S200进一步包括：
步骤S210、进行重点人员轨迹分析，通过活动人脸抓拍的点位信息、活动人脸抓拍的时间信息，结合重点人员的出行方式及周边的交通路线信息，通过建立重点人员轨迹数据模型，通过分析点位之间交通路径以及时间差，在地图模拟出重点人员的活动轨迹信息；
步骤S220、进行重点车辆轨迹分析，通过搭载于前端视频监控子系统的前端车辆识别子系统进行抓拍分析，提取出车牌号码，并通过获取该车辆出入位置以及时间信息，从而在地图上展示车辆活动位置点位；
步骤S230、进行轨迹融合分析，结合人脸的抓拍信息、车辆的出行抓拍信息及人与车辆的关系数据，并通过分析人与车的状态，从而建立全面的数据模型，通过分析人的出现位置和时间、车的出现位置和时间、当时人与车的关系状态，并结合周边的交通线路、交通状态、城市道路等数据，建立轨迹融合分析数据模型，精准全面的模拟重点人员的出行轨迹，并结合地图直观的展示重点人员和车辆的轨迹线路图；
步骤S240、进行数据时空融合分析，按照时间和空间维度，对人与人、车与车、人与车的时空数据进行全面的融合分析，直观的展示人与人、车与车、人与车的管理，同时还能按照不同地域对数据关系进行梳理，通过地图的方式直观的展示数据的关系。
7.根据权利要求6所述的基于联邦学习模式的社区重点人员监管方法，其特征在于：步骤S300进一步包括：
步骤S310、社区服务器（3）在本地计算训练梯度，使用加密，差分隐私或秘密共享技术加密梯度的更新，并将加密的结果发送到中心服务器（1）；
步骤S320、中心服务器（1）在不了解有关任何参与者的信息的情况下执行安全聚合；
步骤S330、中心服务器（1）将汇总结果发回给社区服务器（3）；
步骤S340、社区服务器（3）使用解密的梯度更新各自的模型。
8.根据权利要求7所述的基于联邦学习模式的社区重点人员监管方法，其特征在于：步骤S400进一步包括：
步骤S410、提供重点人员信息综合查询，提供对重点人员信息的基于属性和空间位置关系的查询，根据重点人员的姓名、身份证、性别进行模糊查询，提供根据空间范围查询设定区域内的重点人员信息；
步骤S420、提供重点人员异动轨迹查询，读取重点人员的历史轨迹信息，在前端界面中选定重点人员，并查询指定时间区间内重点人员的轨迹信息，在界面上可视化播放行走过程；
步骤S430、提供重点人员区域关联查询，可以选择辖区或社区和重点人员类型，实现辖区或社区内的各种工作对象的信息查询和基于住址的地图定位，还可以进一步查看该重点人员基本信息、列管信息、前科劣迹、考察信息。
9.根据权利要求8所述的基于联邦学习模式的社区重点人员监管方法，其特征在于：步骤S410、步骤S420及步骤S430也可通过各个社区服务器（3）进行。
10.根据权利要求8所述的基于联邦学习模式的社区重点人员监管方法，其特征在于：步骤S500进一步包括：
步骤S510、绘制重点人员区域分布专题图，根据行政区域层级结构在地图上展示当前区域内的重点人员的分布状况，进一步可以展示重点人员的基本信息，如分布过于密集则进行动态聚合展示；
步骤S520、进行区域重点人员统计分析，按辖区或社区对重点人员的空间分布情况进行统计分析，读取重点人员最新的分布位置信息，统计全市各行政区域范围内重点人员数量情况，以饼图或柱状图的形式予以展现；
步骤S530、进行重点人员同轨分析，通过选定某个重点人员，查询目标重点人员在某个时间段内的历史轨迹，分析可能存在的同行人员，分析的判定依据为：与目标重点人员在多个地方同时出现或出现的时间间隔很短，则认定为重点人员同轨。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110740164.8A CN113191340A (zh) | 2021-07-01 | 2021-07-01 | 基于联邦学习模式的社区重点人员监管系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110740164.8A CN113191340A (zh) | 2021-07-01 | 2021-07-01 | 基于联邦学习模式的社区重点人员监管系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113191340A true CN113191340A (zh) | 2021-07-30 |
Family
ID=76976869
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110740164.8A Pending CN113191340A (zh) | 2021-07-01 | 2021-07-01 | 基于联邦学习模式的社区重点人员监管系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113191340A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115345390A (zh) * | 2022-10-19 | 2022-11-15 | 武汉大数据产业发展有限公司 | 一种行为轨迹预测方法、装置、电子设备及存储介质 |
| CN115830076A (zh) * | 2023-02-21 | 2023-03-21 | 创意信息技术股份有限公司 | 一种人员轨迹视频智能分析系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120330857A1 (en) * | 2011-06-21 | 2012-12-27 | Adam Christopher Young | Online Community Service |
| CN110008298A (zh) * | 2019-03-28 | 2019-07-12 | 武汉星视源科技有限公司 | 驻车多维信息感知应用系统及方法 |
| CN112163979A (zh) * | 2020-10-19 | 2021-01-01 | 科技谷（厦门）信息技术有限公司 | 一种基于联邦学习的城市交通出行数据分析方法 |
| CN112218243A (zh) * | 2020-09-03 | 2021-01-12 | 北京北大千方科技有限公司 | 海量人车数据的关联方法、装置、设备及存储介质 |
| CN112217626A (zh) * | 2020-08-24 | 2021-01-12 | 中国人民解放军战略支援部队信息工程大学 | 基于情报共享的网络威胁协同防御系统及方法 |
| CN112989944A (zh) * | 2021-02-08 | 2021-06-18 | 西安翔迅科技有限责任公司 | 一种基于联邦学习的视频智能安全监管方法 |
-
2021
- 2021-07-01 CN CN202110740164.8A patent/CN113191340A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120330857A1 (en) * | 2011-06-21 | 2012-12-27 | Adam Christopher Young | Online Community Service |
| CN110008298A (zh) * | 2019-03-28 | 2019-07-12 | 武汉星视源科技有限公司 | 驻车多维信息感知应用系统及方法 |
| CN112217626A (zh) * | 2020-08-24 | 2021-01-12 | 中国人民解放军战略支援部队信息工程大学 | 基于情报共享的网络威胁协同防御系统及方法 |
| CN112218243A (zh) * | 2020-09-03 | 2021-01-12 | 北京北大千方科技有限公司 | 海量人车数据的关联方法、装置、设备及存储介质 |
| CN112163979A (zh) * | 2020-10-19 | 2021-01-01 | 科技谷（厦门）信息技术有限公司 | 一种基于联邦学习的城市交通出行数据分析方法 |
| CN112989944A (zh) * | 2021-02-08 | 2021-06-18 | 西安翔迅科技有限责任公司 | 一种基于联邦学习的视频智能安全监管方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115345390A (zh) * | 2022-10-19 | 2022-11-15 | 武汉大数据产业发展有限公司 | 一种行为轨迹预测方法、装置、电子设备及存储介质 |
| CN115830076A (zh) * | 2023-02-21 | 2023-03-21 | 创意信息技术股份有限公司 | 一种人员轨迹视频智能分析系统 |
| CN115830076B (zh) * | 2023-02-21 | 2023-05-09 | 创意信息技术股份有限公司 | 一种人员轨迹视频智能分析系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109544728B (zh) | 区域人口管控系统及方法 | |
| CN111612113A (zh) | 防疫管控方法、装置、系统、存储介质以及处理器 | |
| CN112116503A (zh) | 一种智慧社区云平台管理系统 | |
| CN101795395B (zh) | 一种人群态势监控系统及方法 | |
| CN106682876A (zh) | 一种用于公安指挥的可视化指挥平台 | |
| CN112116502A (zh) | 一种智慧社区安防管理系统 | |
| CN114067560B (zh) | 高速公路疫情防控无感式人员检测及车辆轨迹追踪系统 | |
| CN109067822A (zh) | 线上线下融合的实时混合现实城市服务实现方法及系统 | |
| CN113191340A (zh) | 基于联邦学习模式的社区重点人员监管系统及方法 | |
| CN106205143A (zh) | 智能卡口联网系统 | |
| CN111563833A (zh) | 一种智慧社区的云平台服务系统 | |
| CN113033293A (zh) | 一种出入口管理设备、系统和方法 | |
| CN106658400A (zh) | 一种基于手机信令数据的小区公安监控方法 | |
| CN112714169B (zh) | 景区内互联控制系统以及控制方法 | |
| CN107067141A (zh) | 一种指挥系统 | |
| CN115248880A (zh) | 一种智慧城市安防监控系统 | |
| CN114358980A (zh) | 一种基于物联网的智慧社区物业管理系统及方法 | |
| CN114926314A (zh) | 一种基于泛在自主可控的物联网设备系统及方法 | |
| CN113672689A (zh) | 一种智慧边防信息处理系统及方法 | |
| CN114693053A (zh) | 基于ai智能分析检测的风险评估和风险预警系统及方法 | |
| CN115881286A (zh) | 一种防疫管理调度系统 | |
| CN116468248A (zh) | 一种智慧园区综合运维一体化管理平台 | |
| CN111914780A (zh) | 一种智慧街道管理平台 | |
| Alhamed et al. | Building construction based on video surveillance and deep reinforcement learning using smart grid power system | |
| CN111402105B (zh) | 一种社区管理系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210730 |
|
| RJ01 | Rejection of invention patent application after publication |