CN113420739B - 基于神经网络的智能应急监控方法、系统和可读存储介质 - Google Patents
基于神经网络的智能应急监控方法、系统和可读存储介质 Download PDFInfo
- Publication number
- CN113420739B CN113420739B CN202110972063.3A CN202110972063A CN113420739B CN 113420739 B CN113420739 B CN 113420739B CN 202110972063 A CN202110972063 A CN 202110972063A CN 113420739 B CN113420739 B CN 113420739B
- Authority
- CN
- China
- Prior art keywords
- monitoring
- emergency
- neural network
- picture
- monitor
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/695—Control of camera direction for changing a field of view, e.g. pan, tilt or based on tracking of objects
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开的一种基于神经网络的智能应急监控方法、系统和可读存储介质,其中方法包括:识别应急类型,基于不同的所述应急类型输出对应的响应机制以获取监控画面,基于所述监控画面识别人脸数据信息,利用人脸识别神经网络模型得到模拟输出值;判断目标位置的监控方向以调整对应的监控器,其中,基于预存的数据比对库提取所述目标位置的监控方向,获取所述监控器的当前拍摄角度,计算得到所述监控器的偏移角进而调整所述监控器的方向。本发明通过识别应急情况的类型来自动获取对应等级的监控画面,并且可以根据人流情况基于神经网络分析后自动化控制监控器移动,可以有效实现应急监控的智能化,推动智慧城市的发展。
Description
技术领域
本发明涉及智能监控技术领域,更具体的,涉及一种基于神经网络的智能应急监控方法、系统和可读存储介质。
背景技术
当前,全球信息技术呈加速发展趋势,信息技术在国民经济中的地位日益突出,信息资源也日益成为重要的生产要素。智慧城市正是在充分整合、挖掘、利用信息技术与信息资源的基础上,汇聚人类的智慧,赋予物以智能,从而实现对城市各领域的精确化管理,实现对城市资源的集约化利用。
智慧城市应运而生,其起源于传媒领域,是指利用各种信息技术或创新概念,将城市的系统和服务打通、集成,以提升资源运用的效率,优化城市管理和服务,以及改善市民生活质量,智慧城市是把新一代信息技术充分运用在城市中各行各业基于知识社会下一代创新的城市信息化高级形态,实现信息化、工业化与城镇化深度融合,提高城镇化质量,实现精细化和动态管理,并提升城市管理成效和改善市民生活质量。
在实际应用中,智慧城市依靠着众多电子元器件吸收多媒体信息,再汇总进行统一处理,针对于街道、商场乃至园区都需要大量的监控器进行智能监控完善整个智慧城市的体系,但是目前,针对街道、商场或者工厂园区的监控器大多只具备监控的功效,不能够进行实时的数据互联,智能化程度较低,不利于智慧城市的整体推广。
发明内容
鉴于上述问题,本发明的目的是提供一种基于神经网络的智能应急监控方法、系统和可读存储介质,能够根据实时的监控画面给出自动化指导,基于人群的流动情况以及流量根据神经网络自动调整监控器的方向以实现智能应急监控。
本发明第一方面提供了一种基于神经网络的智能应急监控方法,包括以下步骤:
识别应急类型,基于不同的所述应急类型输出对应的响应机制以获取监控画面,其中,
若所述应急类型为I级,则输出I级响应机制;
若所述应急类型为II级,则输出II级响应机制,所述II级响应机制的优先级高于所述I级响应机制;
基于所述监控画面识别人脸数据信息,输入到训练好的人脸识别神经网络模型中,得到模拟输出值;
根据所述模拟输出值,判断目标位置的监控方向以调整对应的监控器,其中,基于预存的数据比对库提取所述目标位置的监控方向,获取所述目标位置的所述监控器的当前拍摄角度,计算所述监控器拍摄角度与所述监控方向的几何差值,以得到所述监控器的偏移角进而调整所述监控器的方向。
本方案中,所述识别应急类型,基于不同的所述应急类型输出对应的响应机制以获取监控画面,具体为:
获取应急信息,提取应急因子以判断所述应急类型的等级,得到所述I级类型与所述II级类型;
输出I级响应机制,则将所述监控画面调整为目标区域内的画面;
输出II级响应机制,则将所述监控画面调整为所述目标区域内的画面与应急撤离路线的画面的集合。
本方案中,所述基于所述监控画面识别人脸数据信息,具体为:
获取所述监控画面,提取帧图像;
对所述帧图像进行逐帧比较并分类,得到所述监控画面的画面内容;
基于人脸识别因子从所述画面内容中提取得到所述人脸数据信息。
本方案中,所述人脸识别神经网络模型训练方法为:
获取历史监控画面的人脸数据与响应机制;
将所述历史监控画面的人脸数据与响应机制进行预处理,得到训练样本集;
将所述训练样本集输入至初始化的所述人脸识别神经网络模型中训练;
获取输出结果的准确率;
若所述准确率大于预设的准确率阈值,则停止训练,得到所述人脸识别神经网络模型。
本方案中,所述方法还包括获取所述监控器的运行状态信息,识别到故障因子超出预设阈值后发出告警提醒。
本方案中,还包括:
将所述监控画面划分为不同的子区域;
获取每个子区域中的人脸数据信息;
计算所述每个子区域中的人脸数据信息的中位数特征值;
将所述中位数特征值输入到比较特征神经网络模型中,得到人脸移动方向;
基于所述人脸移动方向调整目标位置所述监控器的监控方向。
本发明第二方面还提供一种基于神经网络的智能应急监控系统,包括存储器和处理器,所述存储器中包括基于神经网络的智能应急监控方法程序,所述基于神经网络的智能应急监控方法程序被所述处理器执行时实现如下步骤:
识别应急类型,基于不同的所述应急类型输出对应的响应机制以获取监控画面,其中,
若所述应急类型为I级,则输出I级响应机制;
若所述应急类型为II级,则输出II级响应机制,所述II级响应机制的优先级高于所述I级响应机制;
基于所述监控画面识别人脸数据信息,输入到训练好的人脸识别神经网络模型中,得到模拟输出值;
根据所述模拟输出值,判断目标位置的监控方向以调整对应的监控器,其中,基于预存的数据比对库提取所述目标位置的监控方向,获取所述目标位置的所述监控器的当前拍摄角度,计算所述监控器拍摄角度与所述监控方向的几何差值,以得到所述监控器的偏移角进而调整所述监控器的方向。
本方案中,所述识别应急类型,基于不同的所述应急类型输出对应的响应机制以获取监控画面,具体为:
获取应急信息,提取应急因子以判断所述应急类型的等级,得到所述I级类型与所述II级类型;
输出I级响应机制,则将所述监控画面调整为目标区域内的画面;
输出II级响应机制,则将所述监控画面调整为所述目标区域内的画面与应急撤离路线的画面的集合。
本方案中,所述基于所述监控画面识别人脸数据信息,具体为:
获取所述监控画面,提取帧图像;
对所述帧图像进行逐帧比较并分类,得到所述监控画面的画面内容;
基于人脸识别因子从所述画面内容中提取得到所述人脸数据信息。
本方案中,所述人脸识别神经网络模型训练方法为:
获取历史监控画面的人脸数据与响应机制;
将所述历史监控画面的人脸数据与响应机制进行预处理,得到训练样本集;
将所述训练样本集输入至初始化的所述人脸识别神经网络模型中训练;
获取输出结果的准确率;
若所述准确率大于预设的准确率阈值,则停止训练,得到所述人脸识别神经网络模型。
本方案中,所述方法还包括获取所述监控器的运行状态信息,识别到故障因子超出预设阈值后发出告警提醒。
本方案中,还包括:
将所述监控画面划分为不同的子区域;
获取每个子区域中的人脸数据信息;
计算所述每个子区域中的人脸数据信息的中位数特征值;
将所述中位数特征值输入到比较特征神经网络模型中,得到人脸移动方向;
基于所述人脸移动方向调整目标位置所述监控器的监控方向。
本发明第三方面提供了一种计算机可读存储介质,所述计算机可读存储介质中包括机器的一种基于神经网络的智能应急监控方法程序,所述基于神经网络的智能应急监控方法程序被处理器执行时,实现如上述任一项所述的一种基于神经网络的智能应急监控方法的步骤。
本发明公开的一种基于神经网络的智能应急监控方法、系统和可读存储介质,通过识别应急情况的类型来自动获取对应等级的监控画面,并且可以根据人流情况基于神经网络分析后自动化控制监控器移动,可以有效实现应急监控的智能化,推动智慧城市的发展。
附图说明
图1示出了本发明一种基于神经网络的智能应急监控方法的流程图;
图2示出了本发明一种基于神经网络的智能应急监控系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本申请一种基于神经网络的智能应急监控方法的流程图。
如图1所示,本申请公开了一种基于神经网络的智能应急监控方法,包括以下步骤:
S102,识别应急类型,基于不同的所述应急类型输出对应的响应机制以获取监控画面;
其中,若所述应急类型为I级,则输出I级响应机制;
若所述应急类型为II级,则输出II级响应机制,所述II级响应机制的优先级高于所述I级响应机制;
基于所述监控画面识别人脸数据信息,输入到训练好的人脸识别神经网络模型中,得到模拟输出值;
S104,基于所述监控画面识别人脸数据信息,输入到训练好的人脸识别神经网络模型中,得到模拟输出值;
S106,根据所述模拟输出值,判断目标位置的监控方向以调整对应的监控器;
其中,基于预存的数据比对库提取所述目标位置的监控方向,获取所述目标位置的所述监控器的当前拍摄角度,计算所述监控器拍摄角度与所述监控方向的几何差值,以得到所述监控器的偏移角进而调整所述监控器的方向。
需要说明的是,针对一些商场、工业厂区,不同的应急类型对于所述监控画面的要求是不同的,首先识别所述应急类型,若所述应急类型为I级,则输出I级响应机制,若所述应急类型为II级,则输出II级响应机制,其中,所述II级响应机制的优先级高于所述I级响应机制,即所述II级响应机制对应的所述监控画面需要更多更广的范围,基于所述监控画面识别人脸数据信息,输入到训练好的人脸识别神经网络模型中,得到模拟输出值,根据所述模拟输出值,判断目标位置的监控方向以调整对应的监控器;其中,基于预存的数据比对库提取所述目标位置的监控方向,获取所述目标位置的所述监控器的当前拍摄角度,计算所述监控器拍摄角度与所述监控方向的几何差值,以得到所述监控器的偏移角进而调整所述监控器的方向。
根据本发明实施例,所述识别应急类型,基于不同的所述应急类型输出对应的响应机制以获取监控画面,具体为:
获取应急信息,提取应急因子以判断所述应急类型的等级,得到所述I级类型与所述II级类型;
输出I级响应机制,则将所述监控画面调整为目标区域内的画面;
输出II级响应机制,则将所述监控画面调整为所述目标区域内的画面与应急撤离路线的画面的集合。
需要说明的是,上述所述II级响应机制对应的所述监控画面需要更多更广的范围即对应本实施例中的所述II级响应机制,需要将所述监控画面调整为所述目标区域内的画面与应急撤离路线的画面的集合,例如,重大火情应急类型,而所述I级响应机制,只需要将所述监控画面调整为目标区域内的画面,例如小范围的矛盾纠纷应急类型。
根据本发明实施例,所述基于所述监控画面识别人脸数据信息,具体为:
获取所述监控画面,提取帧图像;
对所述帧图像进行逐帧比较并分类,得到所述监控画面的画面内容;
基于人脸识别因子从所述画面内容中提取得到所述人脸数据信息。
需要说明的是,提取所述监控画面的人脸数据可应用现有技术中的人脸识别方法,本实施例中不予赘述。
根据本发明实施例,所述人脸识别神经网络模型训练方法为:
获取历史监控画面的人脸数据与响应机制;
将所述历史监控画面的人脸数据与响应机制进行预处理,得到训练样本集;
将所述训练样本集输入至初始化的所述人脸识别神经网络模型中训练;
获取输出结果的准确率;
若所述准确率大于预设的准确率阈值,则停止训练,得到所述人脸识别神经网络模型。
需要说明的是,人脸识别神经网络模型需要大量的历史数据进行训练,数据量越大,则结果越准确,本申请中的人脸识别神经网络模型可以通过历史监控画面的人脸数据与响应机制作为输入进行训练,当然,在进行神经网络模型训练时,不仅要通过监控画面的人脸数据与响应机制进行训练,还需要结合确定的应急类型进行训练,通过大量试验数据与真实数据比对,得到的结果也会更加准确,进而使得人脸识别神经网络的输出结果更加准确。优选地,所述准确率阈值一般设置为95%。
根据本发明实施例,所述方法还包括获取所述监控器的运行状态信息,识别到故障因子超出预设阈值后发出告警提醒。
需要说明的是,在通过所述监控器进行监控时,不仅要获取监控画面的内容,还需要对所述监控器的运行状态进行识别,以便在所述监控器出现故障时,可以发出告警提醒,交由处理人员安排工作人员进行现场指挥。
根据本发明实施例,还包括:
将所述监控画面划分为不同的子区域;
获取每个子区域中的人脸数据信息;
计算所述每个子区域中的人脸数据信息的中位数特征值;
将所述中位数特征值输入到比较特征神经网络模型中,得到人脸移动方向;
基于所述人脸移动方向调整目标位置所述监控器的监控方向。
需要说明的是,所述人脸数据信息包括:眼睛、鼻子、嘴巴以及脸型,通过对所述传输数据进行划分子集,获得对应的所述人脸数据信息,可以得到所述传输数据中人脸最大量级的状态,计算所述每个子区域中的人脸数据信息的中位数特征值,并将所述中位数特征值输入到比较特征神经网络模型中,得到人脸移动方向,基于所述人脸移动方向调整目标位置所述监控器的监控方向,基于特征识别同样可以获取对应的人脸移动方向。
值得一提的是,本申请提出的智能应急监控方法还包括:
获取监控内容,识别所述内容中的目标人物数据;
将所述目标人物数据输入到告警神经网络模型中,得到告警信息,其中,所述告警信息包括人物数量与人物姿势;
若所述人物数量低于预设的人物数量阈值时,进行报警;
若所述人物姿势与预存的姿势告警数据库匹配成功时,进行报警。
需要说明的是,针对家庭版的监控,市面上存在告警系统是在画面中出现活动物体后进行告警,而本申请识别的是对于没有行走能力的婴幼儿家庭而言,提出的新的告警方法,即设置对应的所述人物数量阈值进行告警,由于婴幼儿时刻需要人员陪同,以防止出现问题,遂所述人物数量阈值为“2”,若画面中的所述人物数量低于两人,则进行报警,同时,实时监控婴幼儿的姿势,防止因家长的疏忽导致小朋友跌落或者呼吸不畅的问题,读取所述婴幼儿的姿势,与所述预存的姿势告警数据库进行匹配,若匹配成功,则进行报警,例如,小朋友跌落或者小朋友主动侧翻等姿势。
值得一提的是,在实际生活过程中,全职妈妈在家带小朋友时,由于一些特殊情况不得不离开监控范围内,故可设置检测时长来降低告警次数,可为“3”分钟或者“5”分钟或其他,由人为进行设置,即,监控画面内的人物数量低至一人时,开始计时,超过所述检测时长后进行报警;进一步地,所述监控范围内无人员出现时不进行告警。
图2示出了本发明一种基于神经网络的智能应急监控系统的框图。
如图2所示,本发明公开了一种基于神经网络的智能应急监控系统,包括存储器和处理器,所述存储器中包括基于神经网络的智能应急监控方法程序,所述基于神经网络的智能应急监控方法程序被所述处理器执行时实现如下步骤:
采集待测试的所述电网设备的属性信息,从中识别对应的设备类型因子,基于所述设备类型因子调用测试数据库进行动态匹配测试;
获取测试的反馈结果,若存在异常则识别异常类型与异常次数,并将获得的所述异常类型与异常次数作为训练好的异常原因神经网络模型的输入,得到模型输出结果。
需要说明的是,针对一些商场、工业厂区,不同的应急类型对于所述监控画面的要求是不同的,首先识别所述应急类型,若所述应急类型为I级,则输出I级响应机制,若所述应急类型为II级,则输出II级响应机制,其中,所述II级响应机制的优先级高于所述I级响应机制,即所述II级响应机制对应的所述监控画面需要更多更广的范围,基于所述监控画面识别人脸数据信息,输入到训练好的人脸识别神经网络模型中,得到模拟输出值,根据所述模拟输出值,判断目标位置的监控方向以调整对应的监控器;其中,基于预存的数据比对库提取所述目标位置的监控方向,获取所述目标位置的所述监控器的当前拍摄角度,计算所述监控器拍摄角度与所述监控方向的几何差值,以得到所述监控器的偏移角进而调整所述监控器的方向。
根据本发明实施例,所述识别应急类型,基于不同的所述应急类型输出对应的响应机制以获取监控画面,具体为:
获取应急信息,提取应急因子以判断所述应急类型的等级,得到所述I级类型与所述II级类型;
输出I级响应机制,则将所述监控画面调整为目标区域内的画面;
输出II级响应机制,则将所述监控画面调整为所述目标区域内的画面与应急撤离路线的画面的集合。
需要说明的是,上述所述II级响应机制对应的所述监控画面需要更多更广的范围即对应本实施例中的所述II级响应机制,需要将所述监控画面调整为所述目标区域内的画面与应急撤离路线的画面的集合,例如,重大火情应急类型,而所述I级响应机制,只需要将所述监控画面调整为目标区域内的画面,例如小范围的矛盾纠纷应急类型。
根据本发明实施例,所述基于所述监控画面识别人脸数据信息,具体为:
获取所述监控画面,提取帧图像;
对所述帧图像进行逐帧比较并分类,得到所述监控画面的画面内容;
基于人脸识别因子从所述画面内容中提取得到所述人脸数据信息。
需要说明的是,提取所述监控画面的人脸数据可应用现有技术中的人脸识别方法,本实施例中不予赘述。
根据本发明实施例,所述人脸识别神经网络模型训练方法为:
获取历史监控画面的人脸数据与响应机制;
将所述历史监控画面的人脸数据与响应机制进行预处理,得到训练样本集;
将所述训练样本集输入至初始化的所述人脸识别神经网络模型中训练;
获取输出结果的准确率;
若所述准确率大于预设的准确率阈值,则停止训练,得到所述人脸识别神经网络模型。
需要说明的是,人脸识别神经网络模型需要大量的历史数据进行训练,数据量越大,则结果越准确,本申请中的人脸识别神经网络模型可以通过历史监控画面的人脸数据与响应机制作为输入进行训练,当然,在进行神经网络模型训练时,不仅要通过监控画面的人脸数据与响应机制进行训练,还需要结合确定的应急类型进行训练,通过大量试验数据与真实数据比对,得到的结果也会更加准确,进而使得人脸识别神经网络的输出结果更加准确。优选地,所述准确率阈值一般设置为95%。
根据本发明实施例,所述方法还包括获取所述监控器的运行状态信息,识别到故障因子超出预设阈值后发出告警提醒。
需要说明的是,在通过所述监控器进行监控时,不仅要获取监控画面的内容,还需要对所述监控器的运行状态进行识别,以便在所述监控器出现故障时,可以发出告警提醒,交由处理人员安排工作人员进行现场指挥。
根据本发明实施例,还包括:
将所述监控画面划分为不同的子区域;
获取每个子区域中的人脸数据信息;
计算所述每个子区域中的人脸数据信息的中位数特征值;
将所述中位数特征值输入到比较特征神经网络模型中,得到人脸移动方向;
基于所述人脸移动方向调整目标位置所述监控器的监控方向。
需要说明的是,所述人脸数据信息包括:眼睛、鼻子、嘴巴以及脸型,通过对所述传输数据进行划分子集,获得对应的所述人脸数据信息,可以得到所述传输数据中人脸最大量级的状态,计算所述每个子区域中的人脸数据信息的中位数特征值,并将所述中位数特征值输入到比较特征神经网络模型中,得到人脸移动方向,基于所述人脸移动方向调整目标位置所述监控器的监控方向,基于特征识别同样可以获取对应的人脸移动方向。
值得一提的是,本申请提出的智能应急监控方法还包括:
获取监控内容,识别所述内容中的目标人物数据;
将所述目标人物数据输入到告警神经网络模型中,得到告警信息,其中,所述告警信息包括人物数量与人物姿势;
若所述人物数量低于预设的人物数量阈值时,进行报警;
若所述人物姿势与预存的姿势告警数据库匹配成功时,进行报警。
需要说明的是,针对家庭版的监控,市面上存在告警系统是在画面中出现活动物体后进行告警,而本申请识别的是对于没有行走能力的婴幼儿家庭而言,提出的新的告警方法,即设置对应的所述人物数量阈值进行告警,由于婴幼儿时刻需要人员陪同,以防止出现问题,遂所述人物数量阈值为“2”,若画面中的所述人物数量低于两人,则进行报警,同时,实时监控婴幼儿的姿势,防止因家长的疏忽导致小朋友跌落或者呼吸不畅的问题,读取所述婴幼儿的姿势,与所述预存的姿势告警数据库进行匹配,若匹配成功,则进行报警,例如,小朋友跌落或者小朋友主动侧翻等姿势。
值得一提的是,在实际生活过程中,全职妈妈在家带小朋友时,由于一些特殊情况不得不离开监控范围内,故可设置检测时长来降低告警次数,可为“3”分钟或者“5”分钟或其他,由人为进行设置,即,监控画面内的人物数量低至一人时,开始计时,超过所述检测时长后进行报警;进一步地,所述监控范围内无人员出现时不进行告警。
本发明第三方面提供了一种计算机可读存储介质,所述计算机可读存储介质中包括机器的一种基于神经网络的智能应急监控方法程序,所述基于神经网络的智能应急监控方法程序被处理器执行时,实现如上述任一项所述的一种基于神经网络的智能应急监控方法的步骤。
本发明公开的一种基于神经网络的智能应急监控方法、系统和可读存储介质,通过识别应急情况的类型来自动获取对应等级的监控画面,并且可以根据人流情况基于神经网络分析后自动化控制监控器移动,可以有效实现应急监控的智能化,推动智慧城市的发展。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (3)
1.一种基于神经网络的智能应急监控方法,其特征在于,包括以下步骤:
识别应急类型,基于不同的所述应急类型输出对应的响应机制以获取监控画面,其中,若所述应急类型为I级,则输出I级响应机制;
若所述应急类型为II级,则输出II级响应机制,所述II级响应机制的优先级高于所述I级响应机制;
基于所述监控画面识别人脸数据信息,输入到训练好的人脸识别神经网络模型中,得到模拟输出值;
根据所述模拟输出值,判断目标位置的监控方向以调整对应的监控器,其中,基于预存的数据比对库提取所述目标位置的监控方向,获取所述目标位置的所述监控器的当前拍摄角度,计算所述监控器拍摄角度与所述监控方向的几何差值,以得到所述监控器的偏移角进而调整所述监控器的方向;
所述识别应急类型,基于不同的所述应急类型输出对应的响应机制以获取监控画面,具体为:
获取应急信息,提取应急因子以判断所述应急类型的等级,得到所述I级类型与所述II级类型;
输出I级响应机制,则将所述监控画面调整为目标区域内的画面;
输出II级响应机制,则将所述监控画面调整为所述目标区域内的画面与应急撤离路线的画面的集合;
所述基于所述监控画面识别人脸数据信息,具体为:
获取所述监控画面,提取帧图像;
对所述帧图像进行逐帧比较并分类,得到所述监控画面的画面内容;
基于人脸识别因子从所述画面内容中提取得到所述人脸数据信息;
所述人脸识别神经网络模型训练方法为:
获取历史监控画面的人脸数据与响应机制;
将所述历史监控画面的人脸数据与响应机制进行预处理,得到训练样本集;
将所述训练样本集输入至初始化的所述人脸识别神经网络模型中训练;
获取输出结果的准确率;
若所述准确率大于预设的准确率阈值,则停止训练,得到所述人脸识别神经网络模型;
所述智能应急监控方法还包括:
获取监控内容,识别所述内容中的目标人物数据;
将所述目标人物数据输入到告警神经网络模型中,得到告警信息,其中,所述告警信息包括人物数量与人物姿势;
若所述人物数量低于预设的人物数量阈值时,进行报警;
若所述人物姿势与预存的姿势告警数据库匹配成功时,进行报警;
所述方法还包括获取所述监控器的运行状态信息,识别到故障因子超出预设阈值后发出告警提醒;
还包括:
将所述监控画面划分为不同的子区域;
获取每个子区域中的人脸数据信息;
计算所述每个子区域中的人脸数据信息的中位数特征值;
将所述中位数特征值输入到比较特征神经网络模型中,得到人脸移动方向;
基于所述人脸移动方向调整目标位置所述监控器的监控方向;
还包括:
设置检测时长降低告警次数监控画面内的人物数量,若超过检测时长则进行报警;若监控范围内无人员出现则不进行告警。
2.一种基于神经网络的智能应急监控系统,其特征在于,包括存储器和处理器,所述存储器中包括基于神经网络的智能应急监控方法程序,所述基于神经网络的智能应急监控方法程序被所述处理器执行时实现如下步骤:
识别应急类型,基于不同的所述应急类型输出对应的响应机制以获取监控画面,其中,若所述应急类型为I级,则输出I级响应机制;
若所述应急类型为II级,则输出II级响应机制,所述II级响应机制的优先级高于所述I级响应机制;
基于所述监控画面识别人脸数据信息,输入到训练好的人脸识别神经网络模型中,得到模拟输出值;
根据所述模拟输出值,判断目标位置的监控方向以调整对应的监控器,其中,基于预存的数据比对库提取所述目标位置的监控方向,获取所述目标位置的所述监控器的当前拍摄角度,计算所述监控器拍摄角度与所述监控方向的几何差值,以得到所述监控器的偏移角进而调整所述监控器的方向;
所述识别应急类型,基于不同的所述应急类型输出对应的响应机制以获取监控画面,具体为:
获取应急信息,提取应急因子以判断所述应急类型的等级,得到所述I级类型与所述II级类型;
输出I级响应机制,则将所述监控画面调整为目标区域内的画面;
输出II级响应机制,则将所述监控画面调整为所述目标区域内的画面与应急撤离路线的画面的集合;
所述基于所述监控画面识别人脸数据信息,具体为:
获取所述监控画面,提取帧图像;
对所述帧图像进行逐帧比较并分类,得到所述监控画面的画面内容;
基于人脸识别因子从所述画面内容中提取得到所述人脸数据信息;
所述人脸识别神经网络模型训练方法为:
获取历史监控画面的人脸数据与响应机制;
将所述历史监控画面的人脸数据与响应机制进行预处理,得到训练样本集;
将所述训练样本集输入至初始化的所述人脸识别神经网络模型中训练;
获取输出结果的准确率;
若所述准确率大于预设的准确率阈值,则停止训练,得到所述人脸识别神经网络模型:
所述智能应急监控方法还包括:
获取监控内容,识别所述内容中的目标人物数据;
将所述目标人物数据输入到告警神经网络模型中,得到告警信息,其中,所述告警信息包括人物数量与人物姿势;
若所述人物数量低于预设的人物数量阈值时,进行报警;
若所述人物姿势与预存的姿势告警数据库匹配成功时,进行报警;
所述方法还包括获取所述监控器的运行状态信息,识别到故障因子超出预设阈值后发出告警提醒;
还包括:
将所述监控画面划分为不同的子区域;
获取每个子区域中的人脸数据信息;
计算所述每个子区域中的人脸数据信息的中位数特征值;
将所述中位数特征值输入到比较特征神经网络模型中,得到人脸移动方向;
基于所述人脸移动方向调整目标位置所述监控器的监控方向;
还包括:
设置检测时长降低告警次数监控画面内的人物数量,若超过检测时长则进行报警;若监控范围内无人员出现则不进行告警。
3.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中包括一种基于神经网络的智能应急监控方法程序,所述基于神经网络的智能应急监控方法程序被处理器执行时,实现如权利要求1所述的一种基于神经网络的智能应急监控方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110972063.3A CN113420739B (zh) | 2021-08-24 | 2021-08-24 | 基于神经网络的智能应急监控方法、系统和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110972063.3A CN113420739B (zh) | 2021-08-24 | 2021-08-24 | 基于神经网络的智能应急监控方法、系统和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113420739A CN113420739A (zh) | 2021-09-21 |
CN113420739B true CN113420739B (zh) | 2022-10-18 |
Family
ID=77719438
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110972063.3A Active CN113420739B (zh) | 2021-08-24 | 2021-08-24 | 基于神经网络的智能应急监控方法、系统和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113420739B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114065481B (zh) * | 2021-10-14 | 2022-10-18 | 中国科学院地理科学与资源研究所 | 基于大数据的草地数据监测方法、系统和可读存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020233000A1 (zh) * | 2019-05-20 | 2020-11-26 | 平安科技(深圳)有限公司 | 人脸识别方法、装置及计算机可读存储介质 |
WO2020248387A1 (zh) * | 2019-06-11 | 2020-12-17 | 平安科技(深圳)有限公司 | 基于多路摄像的人脸识别方法、装置、终端及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109377697A (zh) * | 2018-11-07 | 2019-02-22 | 浙江警官职业学院 | 一种密集摄像机头环境下快速报警处置方法 |
CN111539986B (zh) * | 2020-03-25 | 2024-03-22 | 西安天和防务技术股份有限公司 | 目标跟踪方法、装置、计算机设备和存储介质 |
-
2021
- 2021-08-24 CN CN202110972063.3A patent/CN113420739B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020233000A1 (zh) * | 2019-05-20 | 2020-11-26 | 平安科技(深圳)有限公司 | 人脸识别方法、装置及计算机可读存储介质 |
WO2020248387A1 (zh) * | 2019-06-11 | 2020-12-17 | 平安科技(深圳)有限公司 | 基于多路摄像的人脸识别方法、装置、终端及存储介质 |
Non-Patent Citations (1)
Title |
---|
基于深度学习的人脸追踪安防监控系统;赖保均等;《科学技术创新》;20200525(第15期);第77-79页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113420739A (zh) | 2021-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Harrou et al. | An integrated vision-based approach for efficient human fall detection in a home environment | |
US20210365343A1 (en) | Artificial Intelligence (AI)-Based Cloud Computing Safety Monitoring System | |
CN109583278B (zh) | 人脸识别报警的方法、装置、系统及计算机设备 | |
CN107911653A (zh) | 驻所智能视频监控模组、系统、方法以及存储介质 | |
CN109614906A (zh) | 一种基于深度学习的安防系统及安防报警方法 | |
CN109544870B (zh) | 用于智能监控系统的报警判断方法与智能监控系统 | |
CN106339679A (zh) | 一种人脸识别系统 | |
CN111767823A (zh) | 一种睡岗检测方法、装置、系统及存储介质 | |
CN114218992B (zh) | 异常对象的检测方法及相关装置 | |
CN109657626A (zh) | 一种通过程序识别人体行为的分析方法 | |
CN113420739B (zh) | 基于神经网络的智能应急监控方法、系统和可读存储介质 | |
CN115691034A (zh) | 一种智能家居异常情况告警方法、系统及存储介质 | |
CN114187561A (zh) | 异常行为的识别方法、装置、终端设备及存储介质 | |
CN113673495A (zh) | 一种基于神经网络的智慧安防方法、系统和可读存储介质 | |
CN107920224B (zh) | 一种异常告警方法、设备及视频监控系统 | |
CN111908288A (zh) | 一种基于TensorFlow的电梯安全系统及方法 | |
CN116682162A (zh) | 一种基于实时视频流的机器人人员检测算法 | |
KR102081577B1 (ko) | Cctv를 활용한 지능형 화재 감지 시스템 | |
CN116258992A (zh) | 作业检测方法及系统 | |
CN115953815A (zh) | 基建现场的监测方法及装置 | |
CN115966030A (zh) | 图像处理方法、装置及智能终端 | |
CN103164923A (zh) | 居家安全监控系统及方法 | |
CN112949606A (zh) | 工服穿戴状态检测方法、装置、存储介质及电子装置 | |
Avci et al. | Real-Time Building Management System Visual Anomaly Detection Using Heat Points Motion Analysis Machine Learning Algorithm | |
CN112804492A (zh) | 一种电子猫眼的通信提示方法及装置 |
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 |