CN113673495A - 一种基于神经网络的智慧安防方法、系统和可读存储介质 - Google Patents

一种基于神经网络的智慧安防方法、系统和可读存储介质 Download PDF

Info

Publication number
CN113673495A
CN113673495A CN202111237663.1A CN202111237663A CN113673495A CN 113673495 A CN113673495 A CN 113673495A CN 202111237663 A CN202111237663 A CN 202111237663A CN 113673495 A CN113673495 A CN 113673495A
Authority
CN
China
Prior art keywords
security
original video
video data
intelligent
neural network
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.)
Granted
Application number
CN202111237663.1A
Other languages
English (en)
Other versions
CN113673495B (zh
Inventor
张天莹
钟蕾
孙小光
黎波
刘秀川
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 Tong Jian Telit Intelligent Systems Engineering Technology Co ltd
Original Assignee
Beijing Tong Jian Telit Intelligent Systems Engineering 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 Tong Jian Telit Intelligent Systems Engineering Technology Co ltd filed Critical Beijing Tong Jian Telit Intelligent Systems Engineering Technology Co ltd
Priority to CN202111237663.1A priority Critical patent/CN113673495B/zh
Publication of CN113673495A publication Critical patent/CN113673495A/zh
Application granted granted Critical
Publication of CN113673495B publication Critical patent/CN113673495B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/22Matching criteria, e.g. proximity measures
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Alarm Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于神经网络的智慧安防方法、系统和可读存储介质,所述方法包括:由多个红外线热像仪实时监测安防区的热源状态,并采用多个安防摄像头实时采集安防区的原始视频数据;当某红外线热像仪监测到有人或动物进入安防区时,触发对应的安防摄像头开始将此刻摄取的原始视频数据上报给智慧安防平台;由智慧安防平台分别接收多个安防摄像头上报的原始视频数据,并进行预处理,通过图像提取模型从预处理后的原始视频数据中提取一系列典型图像;由智慧安防平台的神经网络安防模型对每一典型图像进行图像识别,得到安防识别结果,并判定是否启动安防报警动作。本发明有利于提升安防人员的工作效率,预防事故的发生,节省人力成本。

Description

一种基于神经网络的智慧安防方法、系统和可读存储介质
技术领域
本发明涉及智慧安防技术领域,尤其涉及一种基于神经网络的智慧安防方法、系统和可读存储介质。
背景技术
现阶段的视频监控主要依赖人力,主要作用仍然是在事故发生后用于还原事故现场和寻找线索。当事故发生以后,需要安保人员对大量的监控视频进行查阅和分析,这使得许多异常事件无法在短时间内得到妥善处置,从而带来重大的经济损失。如果在事故发生之前能够进行及时干预和防范,不但能够避免损失的发生,也能够减少处理事故的成本。近年来,随着人工智能技术的快速发展,人们逐步将人工智能技术运用于安防领域,然而当前的人工智能技术多停留在人脸识别技术层次上,对于人员的行为或姿态却无法识别确认,进而难以实现准确预防安全事故的发生。
发明内容
为了解决上述至少一个技术问题,本发明提出了一种基于神经网络的智慧安防方法、系统和可读存储介质,能够实现对安防相关的视频图像进行人工智能分析处理,有效预防安全事故的发生。
本发明第一方面提出了一种基于神经网络的智慧安防方法,所述方法包括:
预设一个安防区,以及装设在所述安防区的多个红外线热像仪和多个安防摄像头,且多个红外线热像仪与多个安防摄像头一一对应;
由多个红外线热像仪实时监测所述安防区的热源状态,并采用多个安防摄像头实时采集所述安防区的原始视频数据;
当某红外线热像仪监测到有人或动物进入所述安防区时,触发对应的安防摄像头开始将此刻摄取的原始视频数据上报给智慧安防平台,直至人或动物离开所述安防区,则停止上报原始视频数据;
由智慧安防平台分别接收多个安防摄像头上报的原始视频数据,并对其进行预处理,通过智慧安防平台的图像提取模型从预处理后的原始视频数据中提取一系列典型图像;
由智慧安防平台的神经网络安防模型对每一典型图像进行图像识别,并得到安防识别结果,根据所述安防识别结果判定是否启动安防报警动作;
由智慧安防平台分别接收多个安防摄像头上报的原始视频数据,并对其进行预处理,通过智慧安防平台的图像提取模型从预处理后的原始视频数据中提取一系列典型图像,具体包括:
由智慧安防平台对多个安防摄像头上报的原始视频数据基于时序关系进行分帧处理,得到一系列原始视频图像;
基于人或动物行为相似度对一系列原始视频图像进行分组处理,然后从每组原始视频图像中根据预设的筛选规则选定对应的典型图像。
本方案中,由智慧安防平台的神经网络安防模型对每一典型图像进行图像识别,并得到安防识别结果,根据所述安防识别结果判定是否启动安防报警动作,具体包括:
由所述神经网络安防模型分别对每组的典型图像进行特征提取,得到每组典型图像对应人或动物的特征集;
将每组典型图像对应人或动物的特征集分别与预设的物种特征样本进行逐一比对;
当某组典型图像对应人或动物的特征集与某物种特征样本的匹配度达到第一预设阈值时,则判定该组典型图像对应人或动物为该物种;
若该物种非人类且不属于危险物种时,则不启动安防报警动作,若该物种非人类且属于危险物种时,启动安防报警动作。
本方案中,在判定该组典型图像对应人或动物为该物种之后,所述方法还包括:
如果该物种为人,则对该组典型图像进行人体动作特征提取,得到人体动作特征,并对该组典型图像中人周围的环境特征进行提取,得到环境特征;
预设一个异常动作特征等级表和敏感环境特征等级表,将所述人体动作特征代入所述异常动作特征等级表中,查询得到对应的异常动作等级;并将所述环境特征代入敏感环境特征等级表中,查询得到对应的敏感环境等级;
预设人体动作特征对触犯安防规定的影响权重,以及环境特征对触犯安防规定的影响权重,将得到异常动作等级与人体动作特征对触犯安防规定的影响权重相乘,并将敏感环境等级与环境特征对触犯安防规定的影响权重相乘,然后对两者乘积进行相加得到此人触犯安防规定的总体等级;
判断所述总体等级是否大于预设第二预设阈值,如果是,则启动安防报警动作,否者不启动安防报警动作。
本方案中,在判定该组典型图像对应人或动物为该物种之后,所述方法还包括:
如果该物种为人,从该组典型图像中选定出带有目标人脸的视频图像或从外界输入带有目标人脸的视频图像;
对每一典型图像进行人脸特征提取,并建立人脸特征信息库,同时对带有目标人脸的视频图像进行人脸特征提取,输出目标人脸特征;
将所述目标人脸特征遍历所述人脸特征信息库,并计算所述目标人脸特征与所述人脸特征信息库中各个人脸特征信息之间的相似度;
将计算得到各个相似度与第三预设阈值进行比对,并将相似度大于第三预设阈值的人脸特征信息提取出,并基于提取的人脸特征信息确定出带有目标人脸的典型图像;
对全部带有目标人脸的典型图像进行人体动作特征提取以及环境特征提取,并根据人体动作特征与环境特征判断是否触犯治安规定。
本方案中,触发对应的安防摄像头开始将此刻摄取的原始视频数据上报给智慧安防平台,具体包括:
由对应的安防摄像头实时监测摄像区域内所有人员的人脸信息;
将各个人员的人脸信息逐个与授权人脸数据库中的全部授权人脸信息进行匹配;
如果某人员的人脸信息与授权人脸数据库中的全部授权人脸信息均匹配不成功,则触发所述安防摄像头采集该人员的原始视频数据并上报给智慧安防平台。
本方案中,在得到安防识别结果之后,所述方法还包括:
如果安防识别结果异常,则锁定对应安防摄像头的第一坐标位置;
获取各个安防人员的便携式安防终端上报的第二坐标位置;
枚举所有第二坐标位置到所述第一坐标位置的路径,并按照路径的长度进行排序,确定出最短路径;
基于所述最短路径确定出目标便携式安防终端,并向所述目标便携式安防终端发出安防报警信息。
本发明第二方面还提出一种基于神经网络的智慧安防系统,包括存储器和处理器,所述存储器中包括一种基于神经网络的智慧安防方法程序,所述基于神经网络的智慧安防方法程序被所述处理器执行时实现如下步骤:
预设一个安防区,以及装设在所述安防区的多个红外线热像仪和多个安防摄像头,且多个红外线热像仪与多个安防摄像头一一对应;
由多个红外线热像仪实时监测所述安防区的热源状态,并采用多个安防摄像头实时采集所述安防区的原始视频数据;
当某红外线热像仪监测到有人或动物进入所述安防区时,触发对应的安防摄像头开始将此刻摄取的原始视频数据上报给智慧安防平台,直至人或动物离开所述安防区,则停止上报原始视频数据;
由智慧安防平台分别接收多个安防摄像头上报的原始视频数据,并对其进行预处理,通过智慧安防平台的图像提取模型从预处理后的原始视频数据中提取一系列典型图像;
由智慧安防平台的神经网络安防模型对每一典型图像进行图像识别,并得到安防识别结果,根据所述安防识别结果判定是否启动安防报警动作;
由智慧安防平台分别接收多个安防摄像头上报的原始视频数据,并对其进行预处理,通过智慧安防平台的图像提取模型从预处理后的原始视频数据中提取一系列典型图像,具体包括:
由智慧安防平台对多个安防摄像头上报的原始视频数据基于时序关系进行分帧处理,得到一系列原始视频图像;
基于人或动物行为相似度对一系列原始视频图像进行分组处理,然后从每组原始视频图像中根据预设的筛选规则选定对应的典型图像。
本发明第三方面还提出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一种基于神经网络的智慧安防方法程序,所述基于神经网络的智慧安防方法程序被处理器执行时,实现如上述的一种基于神经网络的智慧安防方法的步骤。
本发明将人工智能技术引入安防行业,对监控视频进行自动分析,主动发现视频中的人体异常行为,并且提示安防人员进行及时处理。相当于给普通的视频监控系统装上了一个智慧的大脑,将被动地从事故后的监控视频中寻找线索转化为主动地预防安全事故的发生。有利于提升安防人员的工作效率,预防事故的发生,也能够节省大量人力成本。
本发明的附加方面和优点将在下面的描述部分中给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
图1示出了本发明一种基于神经网络的智慧安防方法的流程图;
图2示出了本发明一种基于神经网络的智慧安防系统的框图。
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示出了本发明一种基于神经网络的智慧安防方法的流程图。
如图1所示,本发明第一方面提出一种基于神经网络的智慧安防方法,所述方法包括:
S102,预设一个安防区,以及装设在所述安防区的多个红外线热像仪和多个安防摄像头,且多个红外线热像仪与多个安防摄像头一一对应;
S104,由多个红外线热像仪实时监测所述安防区的热源状态,并采用多个安防摄像头实时采集所述安防区的原始视频数据;
S106,当某红外线热像仪监测到有人或动物进入所述安防区时,触发对应的安防摄像头开始将此刻摄取的原始视频数据上报给智慧安防平台,直至人或动物离开所述安防区,则停止上报原始视频数据;
S108,由智慧安防平台分别接收多个安防摄像头上报的原始视频数据,并对其进行预处理,通过智慧安防平台的图像提取模型从预处理后的原始视频数据中提取一系列典型图像;
S110,由智慧安防平台的神经网络安防模型对每一典型图像进行图像识别,并得到安防识别结果,根据所述安防识别结果判定是否启动安防报警动作。
根据本发明的具体实施例,所述方法还包括:
构建神经网络安防模型,并采用样本数据对所述神经网络安防模型进行训练,以优化所述神经网络安防模型的参数。
根据本发明的实施例,由智慧安防平台分别接收多个安防摄像头上报的原始视频数据,并对其进行预处理,通过智慧安防平台的图像提取模型从预处理后的原始视频数据中提取一系列典型图像,具体包括:
由智慧安防平台对多个安防摄像头上报的原始视频数据基于时序关系进行分帧处理,得到一系列原始视频图像;
基于人或动物行为相似度对一系列原始视频图像进行分组处理,然后从每组原始视频图像中根据预设的筛选规则选定对应的典型图像。
可以理解,由于安防区装设有多个安防摄像头,且每个安防摄像头具有自己能够摄取的区域范围,对于人或动物而言,则在一定时间段内有可能从一个安防摄像头的摄取区域范围移动到另一个安防摄像头的摄取区域范围,且这两个安防摄像头在不同时刻摄取到的人或动物是相同的,基于相同人或动物的行为特征相似性,则可以将这两个安防摄像头摄取的原始视频图像分在同一组下,以便于后续对该人或动物的识别分析。
根据本发明的具体实施例,基于人或动物行为相似度对一系列原始视频图像进行分组处理,具体包括:
分别计算相邻两帧原始视频图像之前的相似度,并将相似度大于预设阈值的原始视频图像分在同一组中。
需要说明的是,预设的筛选规则可以表征为:将对应组原始视频图像中的第一帧视频图像选定为典型图像,或将对应组原始视频图像中的最后一帧视频图像选定为典型图像,或将对应组原始视频图像中的中间帧视频图像选定为典型图像。但不限于此。
根据本发明的实施例,由智慧安防平台的神经网络安防模型对每一典型图像进行图像识别,并得到安防识别结果,根据所述安防识别结果判定是否启动安防报警动作,具体包括:
由所述神经网络安防模型分别对每组的典型图像进行特征提取,得到每组典型图像对应人或动物的特征集;
将每组典型图像对应人或动物的特征集分别与预设的物种特征样本进行逐一比对;
当某组典型图像对应人或动物的特征集与某物种特征样本的匹配度达到第一预设阈值时,则判定该组典型图像对应人或动物为该物种;
若该物种非人类且不属于危险物种时,则不启动安防报警动作,若该物种非人类且属于危险物种时,启动安防报警动作。
根据本发明的实施例,在判定该组典型图像对应人或动物为该物种之后,所述方法还包括:
如果该物种为人,则对该组典型图像进行人体动作特征提取,得到人体动作特征,并对该组典型图像中人周围的环境特征进行提取,得到环境特征;
预设一个异常动作特征等级表和敏感环境特征等级表,将所述人体动作特征代入所述异常动作特征等级表中,查询得到对应的异常动作等级;并将所述环境特征代入敏感环境特征等级表中,查询得到对应的敏感环境等级;
预设人体动作特征对触犯安防规定的影响权重,以及环境特征对触犯安防规定的影响权重,将得到异常动作等级与人体动作特征对触犯安防规定的影响权重相乘,并将敏感环境等级与环境特征对触犯安防规定的影响权重相乘,然后对两者乘积进行相加得到此人触犯安防规定的总体等级;
判断所述总体等级是否大于预设第二预设阈值,如果是,则启动安防报警动作,否者不启动安防报警动作。
可以理解,如果某人的动作类似偷盗动作,且人附近有贵重的物品,则可以认定该人触犯安防规定,即可以启动安防报警动作。本实施例综合考虑人的动作以及周围的环境,从而更加准确的判断该人是否触犯安防规定。
根据本发明的实施例,在判定该组典型图像对应人或动物为该物种之后,所述方法还包括:
如果该物种为人,从该组典型图像中选定出带有目标人脸的视频图像或从外界输入带有目标人脸的视频图像;
对每一典型图像进行人脸特征提取,并建立人脸特征信息库,同时对带有目标人脸的视频图像进行人脸特征提取,输出目标人脸特征;
将所述目标人脸特征遍历所述人脸特征信息库,并计算所述目标人脸特征与所述人脸特征信息库中各个人脸特征信息之间的相似度;
将计算得到各个相似度与第三预设阈值进行比对,并将相似度大于第三预设阈值的人脸特征信息提取出,并基于提取的人脸特征信息确定出带有目标人脸的典型图像;
对全部带有目标人脸的典型图像进行人体动作特征提取以及环境特征提取,并根据人体动作特征与环境特征判断是否触犯治安规定。
需要说明的是,通常安防系统存储有大量的视频数据,当需要分析某人员的行为特征时,首先需要从一系列典型图像中搜索出目标人脸相关的视频图像时,在图像搜索过程中,根据特征匹配的结果从一系列典型图像中查找出与该目标人脸相匹配的视频图像,然后进一步对这一批视频图像进行人体行为识别。
需要说明的是,人脸特征信息库针对每个典型图像关联存储有对应的人脸特征信息,在进行特征匹配时,将目标人脸特征与人脸特征信息库中的各个人脸特征信息进行逐一匹配,当相似度大于预设阈值时,则提取出对应的典型图像,按照以上方式,逐步从一系列典型图像筛选出全部带有目标人脸的典型图像。
根据本发明的实施例,触发对应的安防摄像头开始将此刻摄取的原始视频数据上报给智慧安防平台,具体包括:
由对应的安防摄像头实时监测摄像区域内所有人员的人脸信息;
将各个人员的人脸信息逐个与授权人脸数据库中的全部授权人脸信息进行匹配;
如果某人员的人脸信息与授权人脸数据库中的全部授权人脸信息均匹配不成功,则触发所述安防摄像头采集该人员的原始视频数据并上报给智慧安防平台。
可以理解,如果某人员的人脸信息与授权人脸数据库中对应的授权人脸信息匹配成功,则认为该人员为授权人员,并可以忽略对该人员后续的安防风险排查。
需要说明的是,如果安防摄像头源源不断采集原始视频数据,则数据呈现增量趋势增加,过多的原始视频数据将不利于后续进行视频图像分析处理,进而可能会造成安防不及时的问题。对于公司园区、居民小区或居民院内,可以提前在安防系统中录入授权人员的人脸信息,并通过安防摄像头实时监测预设区域内所有人员的人脸信息,如果某人员不属于授权人员,则认为该人员为风险级别高的人员,则可以触发安防摄像头采集该人员的原始视频数据,从而实现在不降低安防风险的基础上,进一步提升了安防排查风险的效率。
根据本发明的具体实施例,在由对应的安防摄像头实时监测摄像区域内所有人员的人脸信息之后,所述方法还包括:
当安防区内有增加新的人员时,则触发所述安防摄像头监测新的人员的人脸信息,并将新的人员的人脸信息与授权人脸数据库中的全部授权人脸信息进行匹配。
可以理解,预设区域的人员可能在短暂时间内不会变化,初始阶段,需要完成匹配所有人员的人脸信息,则后续可以基于更新增加人员的人脸信息进行匹配,以便于进一步减少匹配次数,提升了监测匹配效率。
根据本发明的实施例,在得到安防识别结果之后,所述方法还包括:
如果安防识别结果异常,则锁定对应安防摄像头的第一坐标位置;
获取各个安防人员的便携式安防终端上报的第二坐标位置;
枚举所有第二坐标位置到所述第一坐标位置的路径,并按照路径的长度进行排序,确定出最短路径;
基于所述最短路径确定出目标便携式安防终端,并向所述目标便携式安防终端发出安防报警信息。
需要说明的是,每个安防摄像头将采集的原始视频数据上报给智慧安防平台进行分析处理,且每个安防摄像头上传的原始视频数据都带有该安防摄像头的标签,后续如果智慧安防平台分析原始视频数据中的人体行为异常时,可以基于原始视频数据的标签确定出对应的安防摄像头,并由安防摄像头附近的安防人员快速进行安防排查,有效提升了安防作业的高效性。
图2示出了本发明一种基于神经网络的智慧安防系统的框图。
如图2所示,本发明第二方面还提出一种基于神经网络的智慧安防系统2,包括存储器21和处理器22,所述存储器中包括一种基于神经网络的智慧安防方法程序,所述基于神经网络的智慧安防方法程序被所述处理器执行时实现如下步骤:
预设一个安防区,以及装设在所述安防区的多个红外线热像仪和多个安防摄像头,且多个红外线热像仪与多个安防摄像头一一对应;
由多个红外线热像仪实时监测所述安防区的热源状态,并采用多个安防摄像头实时采集所述安防区的原始视频数据;
当某红外线热像仪监测到有人或动物进入所述安防区时,触发对应的安防摄像头开始将此刻摄取的原始视频数据上报给智慧安防平台,直至人或动物离开所述安防区,则停止上报原始视频数据;
由智慧安防平台分别接收多个安防摄像头上报的原始视频数据,并对其进行预处理,通过智慧安防平台的图像提取模型从预处理后的原始视频数据中提取一系列典型图像;
由智慧安防平台的神经网络安防模型对每一典型图像进行图像识别,并得到安防识别结果,根据所述安防识别结果判定是否启动安防报警动作。
根据本发明的实施例,由智慧安防平台分别接收多个安防摄像头上报的原始视频数据,并对其进行预处理,通过智慧安防平台的图像提取模型从预处理后的原始视频数据中提取一系列典型图像,具体包括:
由智慧安防平台对多个安防摄像头上报的原始视频数据基于时序关系进行分帧处理,得到一系列原始视频图像;
基于人或动物行为相似度对一系列原始视频图像进行分组处理,然后从每组原始视频图像中根据预设的筛选规则选定对应的典型图像。
本发明第三方面还提出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一种基于神经网络的智慧安防方法程序,所述基于神经网络的智慧安防方法程序被处理器执行时,实现如上述的一种基于神经网络的智慧安防方法的步骤。
本发明将人工智能技术引入安防行业,对监控视频进行自动分析,主动发现视频中的人体异常行为,并且提示安防人员进行及时处理。相当于给普通的视频监控系统装上了一个智慧的大脑,将被动地从事故后的监控视频中寻找线索转化为主动地预防安全事故的发生。有利于提升安防人员的工作效率,预防事故的发生,也能够节省大量人力成本。
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-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、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。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。

Claims (8)

1.一种基于神经网络的智慧安防方法,其特征在于,所述方法包括:
预设一个安防区,以及装设在所述安防区的多个红外线热像仪和多个安防摄像头,且多个红外线热像仪与多个安防摄像头一一对应;
由多个红外线热像仪实时监测所述安防区的热源状态,并采用多个安防摄像头实时采集所述安防区的原始视频数据;
当某红外线热像仪监测到有人或动物进入所述安防区时,触发对应的安防摄像头开始将此刻摄取的原始视频数据上报给智慧安防平台,直至人或动物离开所述安防区,则停止上报原始视频数据;
由智慧安防平台分别接收多个安防摄像头上报的原始视频数据,并对其进行预处理,通过智慧安防平台的图像提取模型从预处理后的原始视频数据中提取一系列典型图像;
由智慧安防平台的神经网络安防模型对每一典型图像进行图像识别,并得到安防识别结果,根据所述安防识别结果判定是否启动安防报警动作;
由智慧安防平台分别接收多个安防摄像头上报的原始视频数据,并对其进行预处理,通过智慧安防平台的图像提取模型从预处理后的原始视频数据中提取一系列典型图像,具体包括:
由智慧安防平台对多个安防摄像头上报的原始视频数据基于时序关系进行分帧处理,得到一系列原始视频图像;
基于人或动物行为相似度对一系列原始视频图像进行分组处理,然后从每组原始视频图像中根据预设的筛选规则选定对应的典型图像。
2.根据权利要求1所述的一种基于神经网络的智慧安防方法,其特征在于,由智慧安防平台的神经网络安防模型对每一典型图像进行图像识别,并得到安防识别结果,根据所述安防识别结果判定是否启动安防报警动作,具体包括:
由所述神经网络安防模型分别对每组的典型图像进行特征提取,得到每组典型图像对应人或动物的特征集;
将每组典型图像对应人或动物的特征集分别与预设的物种特征样本进行逐一比对;
当某组典型图像对应人或动物的特征集与某物种特征样本的匹配度达到第一预设阈值时,则判定该组典型图像对应人或动物为该物种;
若该物种非人类且不属于危险物种时,则不启动安防报警动作,若该物种非人类且属于危险物种时,启动安防报警动作。
3.根据权利要求2所述的一种基于神经网络的智慧安防方法,其特征在于,在判定该组典型图像对应人或动物为该物种之后,所述方法还包括:
如果该物种为人,则对该组典型图像进行人体动作特征提取,得到人体动作特征,并对该组典型图像中人周围的环境特征进行提取,得到环境特征;
预设一个异常动作特征等级表和敏感环境特征等级表,将所述人体动作特征代入所述异常动作特征等级表中,查询得到对应的异常动作等级;并将所述环境特征代入敏感环境特征等级表中,查询得到对应的敏感环境等级;
预设人体动作特征对触犯安防规定的影响权重,以及环境特征对触犯安防规定的影响权重,将得到异常动作等级与人体动作特征对触犯安防规定的影响权重相乘,并将敏感环境等级与环境特征对触犯安防规定的影响权重相乘,然后对两者乘积进行相加得到此人触犯安防规定的总体等级;
判断所述总体等级是否大于预设第二预设阈值,如果是,则启动安防报警动作,否者不启动安防报警动作。
4.根据权利要求2所述的一种基于神经网络的智慧安防方法,其特征在于,在判定该组典型图像对应人或动物为该物种之后,所述方法还包括:
如果该物种为人,从该组典型图像中选定出带有目标人脸的视频图像或从外界输入带有目标人脸的视频图像;
对每一典型图像进行人脸特征提取,并建立人脸特征信息库,同时对带有目标人脸的视频图像进行人脸特征提取,输出目标人脸特征;
将所述目标人脸特征遍历所述人脸特征信息库,并计算所述目标人脸特征与所述人脸特征信息库中各个人脸特征信息之间的相似度;
将计算得到各个相似度与第三预设阈值进行比对,并将相似度大于第三预设阈值的人脸特征信息提取出,并基于提取的人脸特征信息确定出带有目标人脸的典型图像;
对全部带有目标人脸的典型图像进行人体动作特征提取以及环境特征提取,并根据人体动作特征与环境特征判断是否触犯治安规定。
5.根据权利要求1所述的一种基于神经网络的智慧安防方法,其特征在于,触发对应的安防摄像头开始将此刻摄取的原始视频数据上报给智慧安防平台,具体包括:
由对应的安防摄像头实时监测摄像区域内所有人员的人脸信息;
将各个人员的人脸信息逐个与授权人脸数据库中的全部授权人脸信息进行匹配;
如果某人员的人脸信息与授权人脸数据库中的全部授权人脸信息均匹配不成功,则触发所述安防摄像头采集该人员的原始视频数据并上报给智慧安防平台。
6.根据权利要求1所述的一种基于神经网络的智慧安防方法,其特征在于,在得到安防识别结果之后,所述方法还包括:
如果安防识别结果异常,则锁定对应安防摄像头的第一坐标位置;
获取各个安防人员的便携式安防终端上报的第二坐标位置;
枚举所有第二坐标位置到所述第一坐标位置的路径,并按照路径的长度进行排序,确定出最短路径;
基于所述最短路径确定出目标便携式安防终端,并向所述目标便携式安防终端发出安防报警信息。
7.一种基于神经网络的智慧安防系统,其特征在于,包括存储器和处理器,所述存储器中包括一种基于神经网络的智慧安防方法程序,所述基于神经网络的智慧安防方法程序被所述处理器执行时实现如下步骤:
预设一个安防区,以及装设在所述安防区的多个红外线热像仪和多个安防摄像头,且多个红外线热像仪与多个安防摄像头一一对应;
由多个红外线热像仪实时监测所述安防区的热源状态,并采用多个安防摄像头实时采集所述安防区的原始视频数据;
当某红外线热像仪监测到有人或动物进入所述安防区时,触发对应的安防摄像头开始将此刻摄取的原始视频数据上报给智慧安防平台,直至人或动物离开所述安防区,则停止上报原始视频数据;
由智慧安防平台分别接收多个安防摄像头上报的原始视频数据,并对其进行预处理,通过智慧安防平台的图像提取模型从预处理后的原始视频数据中提取一系列典型图像;
由智慧安防平台的神经网络安防模型对每一典型图像进行图像识别,并得到安防识别结果,根据所述安防识别结果判定是否启动安防报警动作;
由智慧安防平台分别接收多个安防摄像头上报的原始视频数据,并对其进行预处理,通过智慧安防平台的图像提取模型从预处理后的原始视频数据中提取一系列典型图像,具体包括:
由智慧安防平台对多个安防摄像头上报的原始视频数据基于时序关系进行分帧处理,得到一系列原始视频图像;
基于人或动物行为相似度对一系列原始视频图像进行分组处理,然后从每组原始视频图像中根据预设的筛选规则选定对应的典型图像。
8.一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慧安防方法程序,所述基于神经网络的智慧安防方法程序被处理器执行时,实现如权利要求1至6中任一项所述的一种基于神经网络的智慧安防方法的步骤。
CN202111237663.1A 2021-10-25 2021-10-25 一种基于神经网络的智慧安防方法、系统和可读存储介质 Active CN113673495B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111237663.1A CN113673495B (zh) 2021-10-25 2021-10-25 一种基于神经网络的智慧安防方法、系统和可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111237663.1A CN113673495B (zh) 2021-10-25 2021-10-25 一种基于神经网络的智慧安防方法、系统和可读存储介质

Publications (2)

Publication Number Publication Date
CN113673495A true CN113673495A (zh) 2021-11-19
CN113673495B CN113673495B (zh) 2022-02-01

Family

ID=78551063

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111237663.1A Active CN113673495B (zh) 2021-10-25 2021-10-25 一种基于神经网络的智慧安防方法、系统和可读存储介质

Country Status (1)

Country Link
CN (1) CN113673495B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114332744A (zh) * 2022-03-10 2022-04-12 成都诺比侃科技有限公司 一种基于机器视觉的变电站自适应安防方法及系统
CN116233565A (zh) * 2023-05-04 2023-06-06 深圳奥联信息安全技术有限公司 一种电子签名生成方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090324010A1 (en) * 2008-06-26 2009-12-31 Billy Hou Neural network-controlled automatic tracking and recognizing system and method
CN105335727A (zh) * 2015-11-10 2016-02-17 成都智慧数联信息技术有限公司 基于图像和体感分析的身份认证系统与方法
CN110176117A (zh) * 2019-06-17 2019-08-27 广东翔翼科技信息有限公司 一种基于行为识别技术的监控装置及监控方法
CN111770317A (zh) * 2020-07-22 2020-10-13 平安国际智慧城市科技股份有限公司 用于智慧社区的视频监控方法、装置、设备及介质
CN111814775A (zh) * 2020-09-10 2020-10-23 平安国际智慧城市科技股份有限公司 目标对象异常行为识别方法、装置、终端及存储介质
CN113516003A (zh) * 2021-03-10 2021-10-19 武汉特斯联智能工程有限公司 一种应用于智慧安防的基于识别模型的识别方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090324010A1 (en) * 2008-06-26 2009-12-31 Billy Hou Neural network-controlled automatic tracking and recognizing system and method
CN105335727A (zh) * 2015-11-10 2016-02-17 成都智慧数联信息技术有限公司 基于图像和体感分析的身份认证系统与方法
CN110176117A (zh) * 2019-06-17 2019-08-27 广东翔翼科技信息有限公司 一种基于行为识别技术的监控装置及监控方法
CN111770317A (zh) * 2020-07-22 2020-10-13 平安国际智慧城市科技股份有限公司 用于智慧社区的视频监控方法、装置、设备及介质
CN111814775A (zh) * 2020-09-10 2020-10-23 平安国际智慧城市科技股份有限公司 目标对象异常行为识别方法、装置、终端及存储介质
CN113516003A (zh) * 2021-03-10 2021-10-19 武汉特斯联智能工程有限公司 一种应用于智慧安防的基于识别模型的识别方法及装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114332744A (zh) * 2022-03-10 2022-04-12 成都诺比侃科技有限公司 一种基于机器视觉的变电站自适应安防方法及系统
CN114332744B (zh) * 2022-03-10 2022-06-07 成都诺比侃科技有限公司 一种基于机器视觉的变电站自适应安防方法及系统
CN116233565A (zh) * 2023-05-04 2023-06-06 深圳奥联信息安全技术有限公司 一种电子签名生成方法及系统

Also Published As

Publication number Publication date
CN113673495B (zh) 2022-02-01

Similar Documents

Publication Publication Date Title
US11729347B2 (en) Video surveillance system, video processing apparatus, video processing method, and video processing program
CN113673495B (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
CN110781750A (zh) 危险人物监控处理方法、装置、计算机设备和存储介质
CN111783744A (zh) 一种操作现场安全防护检测方法及装置
CN111428617A (zh) 一种基于视频图像的配网违规检修行为的识别方法和系统
CN110738178A (zh) 园区施工安全检测方法、装置、计算机设备及存储介质
CN113191699A (zh) 一种配电施工现场安全监管方法
CN113034826A (zh) 基于视频的异常事件告警方法及其系统、设备、存储介质
CN111191507A (zh) 智慧社区的安全预警分析方法及系统
CN112565676A (zh) 基于智能摄像机识别在岗人员违规的方法及系统、设备
CN111652185A (zh) 一种基于违章行为识别的安全施工方法、系统、装置及存储介质
CN112489280A (zh) 一种变电站人身安全监控方法、系统、终端及存储介质
CN112634561A (zh) 基于图像识别的安全报警方法和系统
KR101470314B1 (ko) 객체 자동 인식/분류 cctv 시스템 및 그 방법
CN113743725B (zh) 基于边缘计算的登高作业人员的登高资质检测方法及系统
CN112381435A (zh) 水电站作业过程动态风险的网格化定向推送管理方法
CN115880631A (zh) 一种配电站故障识别系统、方法、介质
CN114092875A (zh) 基于机器学习的作业现场安全监管方法及装置
CN110751125A (zh) 穿戴检测方法及装置
CN110443187A (zh) 特征信息的记录方法及装置
CN111126100A (zh) 报警方法、装置、电子设备及存储介质
CN114299472A (zh) 异常行为的确定方法和装置、存储介质及电子装置
CN113297976A (zh) 一种基于深度学习的基站入侵检测方法和系统
CN111461655A (zh) 一种人员管理系统
CN117078021A (zh) 基于安全运营和保护的在产园区人体健康风险预警方法

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