CN114493947A - 基于人工智能的校园安全管控方法、装置、设备及介质 - Google Patents

Abstract

本申请公开了基于人工智能的校园安全管控方法、装置、设备及介质，用以解决现有的校园安全通过人工监控时，存在监控不及时、有遗漏的技术问题。方法包括：按照预设采样周期从校园视频中抽取指定帧得到对应的视频图像，以提取第一特征信息；将第一特征信息输入预先训练好的行为分析模型，以根据第一特征信息中校园用户的动作特征以及位置特征确定对应的行为分析结果，并在行为分析结果为异常行为时确定对应的人脸图像；对比人脸图像与预先获取到的校内人员的身份证图像确定是否为校内人员；将异常行为对应校园用户的身份信息以及地理位置信息在校园电子地图中显示，在异常行为属于危险行为时向管理人员预警，以对危险行为进行管控。

Description

基于人工智能的校园安全管控方法、装置、设备及介质

技术领域

本申请涉及人工智能技术领域，尤其涉及基于人工智能的校园安全管控方法、装置、设备及介质。

背景技术

学校安全工作，是全社会安全工作的一个十分重要的组成部分。它直接关系到青少年学生能否安全、健康地成长，关系到千千万万个家庭的幸福安宁和社会稳定。

对于目前封闭式的学校，学生长时间的学习生活都在校园内，经常出现学生翻墙、定外卖等违反学校规章制度的异常行为。近年来，学生的心理健康也成为了迫切需要学校关注的内容，针对学生出现自杀、打架等危险行为，需要管理人员及时得知并响应处理。另外，为了保证学生在校园内的安全，校方还需要对进入校园的人员进行监控管理，避免非校内人员进入校园，扰乱学生正常的学习和生活，进而确保学生的安全。并且，仅通过人工观看监控视频来实现对校园的安全防控，容易出现监控不及时、监控空白的情况，无法实时智能保卫校园安全。

发明内容

本申请实施例提供了基于人工智能的校园安全管控方法、装置、设备及介质，用以解决现有的校园安全通过人工监控时，存在监控不及时、有遗漏的技术问题。

一方面，本申请实施例提供了基于人工智能的校园安全管控方法，包括：

采集校园中包含人脸图像的视频，并按照预设采样周期，从所述视频中抽取指定帧，得到所述指定帧对应的视频图像，以从所述视频图像中提取第一特征信息；

将所述第一特征信息输入预先训练好的行为分析模型，以根据所述第一特征信息中校园用户的动作特征及位置特征，确定对应的行为分析结果，并在所述行为分析结果为异常行为时，继续确定出所述异常行为对应的人脸图像；

通过深度学习算法模型，对比所述人脸图像与预先获取到的校内人员的身份证图像，以确定所述异常行为对应的校园用户是否为校内人员；

将所述异常行为对应校园用户的身份信息以及所述异常行为发生的地理位置信息，在校园电子地图中显示，并在所述异常行为属于危险行为时，向管理人员预警，以对所述危险行为进行管控。

在本申请的一种实现方式中，所述将所述第一特征信息输入预先训练好的行为分析模型，以根据所述第一特征信息中校园用户的动作特征及位置特征，确定对应的行为分析结果之前，所述方法还包括：

对视频图像进行裁剪、旋转和白化处理，以增强所述视频图像中校园用户的特征信息，以及根据提取到的所述视频图像中校园用户的特征信息，确定出对应的校园行为标签，以对所述视频图像进行标注，得到具有校园行为标签的视频图像；

将各视频图像对应的校园行为标签组合成字符串格式的日志；

将所述日志与对应的视频图像进行二进制编码，生成二进制编码文件，并将所述二进制编码文件存储至行为分析模型中；

根据增强后的所述视频图像以及所述二进制编码文件中视频图像对应的校园行为标签，训练所述行为分析模型。

在本申请的一种实现方式中，所述将所述第一特征信息输入预先训练好的行为分析模型，以根据所述第一特征信息中校园用户的动作特征及位置特征，确定对应的行为分析结果，并在所述行为分析结果为异常行为时，继续确定出所述异常行为对应的人脸图像，具体包括：

将提取出的所述第一特征信息输入至行为分析模型中，识别出所述第一特征信息中的人数、校园用户的动作特征、面部表情特征以及位置特征；

若所述校园用户所处的位置特征为校园门口，所述动作特征为从校外人员手中拿取打包物品，识别所述校园人员的着装为外卖平台的工作装，则确定所述校园用户出现点外卖的异常行为；

若所述校园用户所处的位置特征为校园围墙，且所述动作特征为攀爬、跳跃，则确定所述校园用户出现翻墙的异常行为；其中，所述校园围墙至少包括校园边界的墙壁和围栏；

若所述第一特征信息中的人数大于1，多个校园用户的动作特征有交叉，且所述校园用户的面部表情特征为严肃、愤怒或者狰狞，则确定所述多个校园用户出现打架的异常行为；

若所述校园用户所处的位置特征为校园高风险区域，且所述动作特征为站立或者蹲坐在所述校园高风险区域，则确定所述校园用户出现自杀的异常行为；其中，所述校园高风险区域至少包括以下一项：楼顶边缘、二楼及以上楼层窗户边缘；

在确定出所述视频图像的行为分析结果为点外卖、翻墙、打架或者自杀异常行为时，确定出所述异常行为对应校园用户的人脸图像，以便于管理人员获取所述校园用户的身份信息。

在本申请的一种实现方式中，所述通过深度学习算法模型，对比所述人脸图像与预先获取到的校内人员的身份证图像，以确定所述异常行为对应的校园用户是否为校内人员之后，所述方法还包括：

确定所述异常行为对应的校园用户为校内人员且不是学生时，允许所述校园用户的点外卖行为；

确定所述异常行为对应的校园用户为非校内人员时，从所述第一特征信息中获取所述校园用户的形态着装信息；

根据所述形态着装信息以及所述异常行为，判断所述校园用户是否为存在危险；

若是，则从校园监控视频中提取包含所述校园用户的视频图像集合，并根据所述视频图像集合，确定出所述校园用户的行为轨迹，以发送至管理人员。

在本申请的一种实现方式中，所述将所述异常行为对应校园用户的身份信息以及所述异常行为发生的地理位置信息，在校园电子地图中显示，具体包括：

根据所述异常行为对应校园用户的身份信息以及所述异常行为的种类，确定所述异常行为对应的危险等级；其中，所述异常行为的种类包括违规行为、危险行为；

以及根据识别到所述异常行为的监拍设备的设备ID，确定出所述异常行为发生的地理位置信息；

根据所述对应的危险等级以及所述异常行为发生的地理位置信息，确定所述异常行为对应的响应方案；

将所述身份信息、所述对应的响应方案以及所述异常行为发生的地理位置信息，在校园电子地图上显示。

在本申请的一种实现方式中，所述在所述异常行为属于危险行为时，向管理人员预警，以对所述危险行为进行管控之前，所述方法还包括：

通过模拟训练校园中的各种危险行为，采集对应的校园用户的手部形状特征和位置特征、腿部的状态变化特征和位置变化特征以及脚部距离地面的位置特征，以构建危险行为信息库；

其中，所述危险行为至少包括一下一项：翻墙、打架或者自杀。

在本申请的一种实现方式中，所述在所述异常行为属于危险行为时，向管理人员预警，以对所述危险行为进行管控，具体包括：

获取第一特征信息中校园用户的手部形状特征和位置特征、腿部形状特征和位置特征以及脚部距离地面的位置特征，并分别与预先构建的危险行为信息库中对应的特征进行比对，以确定出所述异常行为是否属于危险行为；

在所述异常行为属于危险行为时，立即向管理人员预警，以使与所述危险行为发生的地理位置信息最近的管理人员响应处理，对所述危险行为进行管控。

另一方面，本申请实施例还提供了基于人工智能的校园安全管控装置，所述装置包括：

采集提取单元，采集校园中包含人脸图像的视频，并按照预设采样周期，从所述视频中抽取指定帧，得到所述指定帧对应的视频图像，以从所述视频图像中提取第一特征信息；

分析确定单元，将所述第一特征信息输入预先训练好的行为分析模型，以根据所述第一特征信息中校园用户的动作特征及位置特征，确定对应的行为分析结果，并在所述行为分析结果为异常行为时，继续确定出所述异常行为对应的人脸图像；

对比确定单元，通过深度学习算法模型，对比所述人脸图像与预先获取到的校内人员的身份证图像，以确定所述异常行为对应的校园用户是否为校内人员；

显示预警单元，将所述异常行为对应校园用户的身份信息以及所述异常行为发生的地理位置信息，在校园电子地图中显示，并在所述异常行为属于危险行为时，向管理人员预警，以对所述危险行为进行管控。

另一方面，本申请实施例还提供了基于人工智能的校园安全管控设备，所述设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：

采集校园中包含人脸图像的视频，并按照预设采样周期，从所述视频中抽取指定帧，得到所述指定帧对应的视频图像，以从所述视频图像中提取第一特征信息；

将所述第一特征信息输入预先训练好的行为分析模型，以根据所述第一特征信息中校园用户的动作特征及位置特征，确定对应的行为分析结果，并在所述行为分析结果为异常行为时，继续确定出所述异常行为对应的人脸图像；

通过深度学习算法模型，对比所述人脸图像与预先获取到的校内人员的身份证图像，以确定所述异常行为对应的校园用户是否为校内人员；

将所述异常行为对应校园用户的身份信息以及所述异常行为发生的地理位置信息，在校园电子地图中显示，并在所述异常行为属于危险行为时，向管理人员预警，以对所述危险行为进行管控。

另一方面，本申请实施例还提供了一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：

采集校园中包含人脸图像的视频，并按照预设采样周期，从所述视频中抽取指定帧，得到所述指定帧对应的视频图像，以从所述视频图像中提取第一特征信息；

将所述第一特征信息输入预先训练好的行为分析模型，以根据所述第一特征信息中校园用户的动作特征及位置特征，确定对应的行为分析结果，并在所述行为分析结果为异常行为时，继续确定出所述异常行为对应的人脸图像；

通过深度学习算法模型，对比所述人脸图像与预先获取到的校内人员的身份证图像，以确定所述异常行为对应的校园用户是否为校内人员；

将所述异常行为对应校园用户的身份信息以及所述异常行为发生的地理位置信息，在校园电子地图中显示，并在所述异常行为属于危险行为时，向管理人员预警，以对所述危险行为进行管控。

本申请实施例提供了基于人工智能的校园安全管控方法、装置、设备及介质，至少包括以下有益效果：通过安装在校园中的监控系统，采集校园中包含人脸图像的视频，然后按照预设的采样周期，从视频中抽取指定帧，并得到指定帧对应的视频图像，从而提取出视频图像中的第一特征信息；通过将第一特征信息输入至与预先训练好的行为分析模型，能够根据第一特征信息中校园用户的动作特征和位置特征，确定出第一特征信息对应的行为分析结果，并在行为分析结果为异常行为时，从视频图像中确定出异常行为对应的人脸图像；通过深度学习算法模型，将异常行为对应的人脸图像和预先获取到的校内人员的身份证图像进行对比，确定出现当前异常行为的校园用户是否为校内人员；然后将确定出的校园用户的身份信息和异常行为发生的位置信息在校园电子地图中显示，并在异常行为属于危险行为时，向管理人员预警，以使管理人员及时准确的对当前危险行为进行管控。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本申请实施例提供的基于人工智能的校园安全管控方法的流程示意图；

图2为本申请实施例提供的基于人工智能的校园安全管控装置的结构示意图；

图3为本申请实施例提供的基于人工智能的校园安全管控设备的内部结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅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，都属于本申请保护的范围。

本申请实施例提供了基于人工智能的校园安全管控方法、装置、设备及介质，通过安装在校园中的监控系统，采集校园中包含人脸图像的视频，然后按照预设的采样周期，从视频中抽取指定帧，并得到指定帧对应的视频图像，从而提取出视频图像中的第一特征信息；通过将第一特征信息输入至与预先训练好的行为分析模型，能够根据第一特征信息中校园用户的动作特征和位置特征，确定出第一特征信息对应的行为分析结果，并在行为分析结果为异常行为时，从视频图像中确定出异常行为对应的人脸图像；通过深度学习算法模型，将异常行为对应的人脸图像和预先获取到的校内人员的身份证图像进行对比，确定出现当前异常行为的校园用户是否为校内人员；然后将确定出的校园用户的身份信息和异常行为发生的位置信息在校园电子地图中显示，并在异常行为属于危险行为时，向管理人员预警，以使管理人员及时准确的对当前危险行为进行管控。解决了现有的校园安全通过人工监控时，存在监控不及时、有遗漏的技术问题。

下面通过附图对本申请实施例提出的技术方案进行详细的说明。

图1为本申请实施例提供的基于人工智能的校园安全管控方法的流程示意图。如图1所示，本申请实施例提供的基于人工智能的校园安全管控方法主要包括以下步骤：

S101、采集校园中包含人脸图像的视频，并按照预设采样周期，从视频中抽取指定帧，得到指定帧对应的视频图像，以从视频图像中提取第一特征信息。

通过设置在校园中的监控系统，对校园进行全方位的监控。服务器采集校园中包含人脸信息的监控视频，然后按照预设采样周期，从监控视频中抽取指定帧，并得到指定帧对应的视频图像，再从对应的视频图像中提取出第一特征信息。

需要说明的是，本申请实施例中的预设采样周期可以选用5秒、10秒等任一合适的采样周期，管理人员可以根据实际需求进行选择，本申请对此不作具体限定。

在本申请的一个实施例中，服务器在将第一特征信息输入预先训练好的行为分析模型，以根据第一特征信息中校园用户的动作特征以及位置特征，确定对应的行为分析结果之前，需要对抽取出来的视频图像进行裁剪、旋转和白化处理，从而增强视频图像中校园用户的特征信息。同时，服务器还根据提取到的视频图像中校园用户的特征信息，确定出对应的校园行为标签，从而按照对应的校园行为标签对视频图像进行标注，得到具有校园行为标签的视频图像；然后服务器将各视频图像对应的校园行为标签组合成字符串格式的日志，再将日志与对应的视频图像进行二进制编码，生成二进制编码文件，并存储至行为分析模型中；这样便能够根据增强后的视频图像以及二进制编码文件中视频图像对应的校园行为标签，训练行为分析模型。

S102、将第一特征信息输入预先训练好的行为分析模型，以根据第一特征信息中校园用户的动作特征及位置特征，确定对应的行为分析结果，并在行为分析结果为异常行为时，继续确定出异常行为对应的人脸图像。

服务器将获取到的第一特征信息输入预先训练好的行为分析模型中，并确定出第一特征信息中校园用户的动作特征和位置特征，从而根据动作特征和位置特征确定出第一特征信息对应的行为分析结果，并在行为分析结果为异常行为时，继续获取当前异常行为对应校园用户的人脸图像。若行为分析结果表示第一特征信息不存在异常行为，直接忽略即可。

具体地，服务器将提取出的第一特征信息输入至训练好的行为分析模型中，识别出第一特征信息中的人数、校园用户的动作特征、面部表情特征以及位置特征。服务器在识别出当前校园用户所处的位置特征为校园门口，动作特征是从校外人员手中拿取打包物品，并识别出该校外人员的着装为外卖平台的工作装时，能够确定出当前校园用户出现点外卖的异常行为。

服务器在识别出当前校园用户所处的位置特征为校园围墙，且动作特征为攀爬、跳跃时，能够确定出当前校园用户出现翻墙的异常行为。需要说明的是，本申请实施例中的校园围墙至少包括校园边界的墙壁和围栏。

服务器在识别出第一特征信息中的人数大于1，多个校园用户的动作特征有交叉，且校园用户的面部表情特征为严肃、愤怒或者狰狞时，能够确定出多个校园用户出现打架的异常行为。

服务器在识别出校园用户所处的位置特征为校园高风险区域，且动作特征为站立或者蹲坐在校园高风险区域时，能够确定出当前校园用户出现自杀的异常行为。需要说明的是，本申请实施例中的校园高风险区域至少包括以下一项：楼顶边缘、二楼及以上楼层窗户边缘。

服务器在确定出视频图像对应的分析结果为点外卖、翻墙、打架或者自杀等异常行为时，确定出异常行为对应校园用户的人脸图像，以便于管理人员获取当前校园用户的身份信息。

S103、通过深度学习算法模型，对比人脸图像与预先获取到的校内人员的身份证图像，以确定异常行为对应的校园用户是否为校内人员。

服务器通过深度学习算法模型，对获取到的异常行为对应的人脸图像进行识别，具体是通过将当前人脸信息与预先获取到的所有校内人员的身份证图像进行匹配，从而确定出当前异常行为对应的校园用户是否为校内人员。

在本申请的一个实施例中，在通过深度学习算法模型，对比人脸图像与预先获取到的校内人员的身份证图像，以确定异常行为对应的校园用户是否为校内人员之后，服务器在确定异常行为对应的校园用户为校内人员且不是学生时，允许当前校园用户的点外卖行为。服务器在确定异常行为对应的校园用户为非校内人员时，从第一特征信息中获取当前校园用户的形态着装信息，并根据形态着装信息以及异常行为，判断当前校园用户是否为存在危险；若是，则从校园监控视频中提取包含当前校园用户的视频图像集合，并根据视频图像集合，确定出当前校园用户的行为轨迹，以发送至管理人员，这样有利于管理人员及时掌握非校内人员的意图，进而保护校内人员的安全。

S104、将异常行为对应校园用户的身份信息以及异常行为发生的地理位置信息，在校园电子地图中显示，并在异常行为属于危险行为时，向管理人员预警，以对危险行为进行管控。

服务器将确定好的异常行为对应校园用户的身份信息，以及当前异常行为发生的地理位置信息，在校园电子地图中显示出来，方便管理人员进行查看。并且，在服务器确定当前异常行为属于危险行为时，将异常行为对应校园用户的身份信息和当前异常行为发生的地理位置信息向管理人员进行预警，以便于管理人员及时准确的得到异常行为的相关信息，并对危险行为进行管控，保护校园中学生、老师以及其他工作人员的安全。

具体地，服务器根据异常行为对应校园用户的身份信息，以及异常行为的种类，确定出异常行为对应的危险等级。需要说明的是，本申请实施例中异常行为的种类包括违规行为、危险行为。

服务器还根据识别到异常行为的监拍设备的设备ID，确定出异常行为发生的地理位置信息，根据对应的危险等级以及异常行为发生的地理位置信息，确定出异常行为对应的响应方案，然后将身份信息、对应的响应方案以及异常行为发生的地理位置信息，在校园电子地图上显示，以便于管理人员及时对异常行为进行相应的处理。

在本申请的一个实施例中，在异常行为属于危险行为时，向管理人员预警，以对危险行为进行管控之前，服务器通过模拟训练校园中的各种危险行为，采集各种危险行为对应的校园用户的手部形状特征和位置特征、腿部的状态变化特征和位置变化特征以及脚部距离地面的位置特征，从而构建危险行为信息。

需要说明的是，本申请实施例中的危险行为至少包括一下一项：翻墙、打架或者自杀。

在本申请的一个实施例中，服务器获取第一特征信息中校园用户的手部形状特征和位置特征、腿部形状特征和位置特征以及脚部距离地面的位置特征，并分别与预先构建的危险行为信息库中对应的特征进行匹配，从而判断当前异常行为是否属于危险行为；在确定出当前异常行为属于危险行为时，立即向管理人员预警，以使与危险行为发生的地理位置信息最近的管理人员及时响应处理，对当前危险行为进行管控，提高了校园安全管控的效率。

以上为本申请提出的方法实施例。基于同样的发明构思，本申请实施例还提供了基于人工智能的校园安全管控装置，其结构如图2所示。

图2为本申请实施例提供的基于人工智能的校园安全管控装置的结构示意图。如图2所示，装置包括：采集提取单元201、分析确定单元202、对比确定单元203、显示预警单元204。

采集提取单元201，采集校园中包含人脸图像的视频，并按照预设采样周期，从视频中抽取指定帧，得到指定帧对应的视频图像，以从视频图像中提取第一特征信息；

分析确定单元202，将第一特征信息输入预先训练好的行为分析模型，以根据第一特征信息中校园用户的动作特征及位置特征，确定对应的行为分析结果，并在行为分析结果为异常行为时，继续确定出异常行为对应的人脸图像；

对比确定单元203，通过深度学习算法模型，对比人脸图像与预先获取到的校内人员的身份证图像，以确定异常行为对应的校园用户是否为校内人员；

显示预警单元204，将异常行为对应用户的身份信息以及异常行为发生的地理位置信息，在校园电子地图中显示，并在异常行为属于危险行为时，向管理人员预警，以对危险行为进行管控。

图3为本申请实施例提供的基于人工智能的校园安全管控设备的内部结构示意图。如图3所示，设备包括：

至少一个处理器；以及，

与至少一个处理器通信连接的存储器；其中，

存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够：

采集校园中包含人脸图像的视频，并按照预设采样周期，从视频中抽取指定帧，得到指定帧对应的视频图像，以从视频图像中提取第一特征信息；

将第一特征信息输入预先训练好的行为分析模型，以根据第一特征信息中校园用户的动作特征及位置特征，确定对应的行为分析结果，并在行为分析结果为异常行为时，继续确定出异常行为对应的人脸图像；

通过深度学习算法模型，对比人脸图像与预先获取到的校内人员的身份证图像，以确定异常行为对应的校园用户是否为校内人员；

将异常行为对应用户的身份信息以及异常行为发生的地理位置信息，在校园电子地图中显示，并在异常行为属于危险行为时，向管理人员预警，以对危险行为进行管控。

本申请实施例还提供了一种非易失性计算机存储介质，存储有计算机可执行指令，计算机可执行指令设置为：

采集校园中包含人脸图像的视频，并按照预设采样周期，从视频中抽取指定帧，得到指定帧对应的视频图像，以从视频图像中提取第一特征信息；

将第一特征信息输入预先训练好的行为分析模型，以根据第一特征信息中校园用户的动作特征及位置特征，确定对应的行为分析结果，并在行为分析结果为异常行为时，继续确定出异常行为对应的人脸图像；

通过深度学习算法模型，对比人脸图像与预先获取到的校内人员的身份证图像，以确定异常行为对应的校园用户是否为校内人员；

将异常行为对应用户的身份信息以及异常行为发生的地理位置信息，在校园电子地图中显示，并在异常行为属于危险行为时，向管理人员预警，以对危险行为进行管控。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本说明书实施例可提供为方法、系统、或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，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、商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、商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、商品或者设备中还存在另外的相同要素。

本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，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，对于装置、设备、非易失性计算机存储介质实施例而言，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。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

以上所述仅为本说明书的一个或多个实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书的一个或多个实施例可以有各种更改和变化。凡在本说明书的一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (10)

1.基于人工智能的校园安全管控方法，其特征在于，所述方法包括：

采集校园中包含人脸图像的视频，并按照预设采样周期，从所述视频中抽取指定帧，得到所述指定帧对应的视频图像，以从所述视频图像中提取第一特征信息；

将所述第一特征信息输入预先训练好的行为分析模型，以根据所述第一特征信息中校园用户的动作特征及位置特征，确定对应的行为分析结果，并在所述行为分析结果为异常行为时，继续确定出所述异常行为对应的人脸图像；

通过深度学习算法模型，对比所述人脸图像与预先获取到的校内人员的身份证图像，以确定所述异常行为对应的校园用户是否为校内人员；

将所述异常行为对应校园用户的身份信息以及所述异常行为发生的地理位置信息，在校园电子地图中显示，并在所述异常行为属于危险行为时，向管理人员预警，以对所述危险行为进行管控。

2.根据权利要求1所述的基于人工智能的校园安全管控方法，其特征在于，所述将所述第一特征信息输入预先训练好的行为分析模型，以根据所述第一特征信息中校园用户的动作特征及位置特征，确定对应的行为分析结果之前，所述方法还包括：

对视频图像进行裁剪、旋转和白化处理，以增强所述视频图像中校园用户的特征信息，以及根据提取到的所述视频图像中校园用户的特征信息，确定出对应的校园行为标签，以对所述视频图像进行标注，得到具有校园行为标签的视频图像；

将各视频图像对应的校园行为标签组合成字符串格式的日志；

将所述日志与对应的视频图像进行二进制编码，生成二进制编码文件，并将所述二进制编码文件存储至行为分析模型中；

根据增强后的所述视频图像以及所述二进制编码文件中视频图像对应的校园行为标签，训练所述行为分析模型。

3.根据权利要求1所述的基于人工智能的校园安全管控方法，其特征在于，所述将所述第一特征信息输入预先训练好的行为分析模型，以根据所述第一特征信息中校园用户的动作特征及位置特征，确定对应的行为分析结果，并在所述行为分析结果为异常行为时，继续确定出所述异常行为对应的人脸图像，具体包括：

将提取出的所述第一特征信息输入至行为分析模型中，识别出所述第一特征信息中的人数、校园用户的动作特征、面部表情特征以及位置特征；

若所述校园用户所处的位置特征为校园门口，所述动作特征为从校外人员手中拿取打包物品，识别所述校园人员的着装为外卖平台的工作装，则确定所述校园用户出现点外卖的异常行为；

若所述校园用户所处的位置特征为校园围墙，且所述动作特征为攀爬、跳跃，则确定所述校园用户出现翻墙的异常行为；其中，所述校园围墙至少包括校园边界的墙壁和围栏；

若所述第一特征信息中的人数大于1，多个校园用户的动作特征有交叉，且所述校园用户的面部表情特征为严肃、愤怒或者狰狞，则确定所述多个校园用户出现打架的异常行为；

若所述校园用户所处的位置特征为校园高风险区域，且所述动作特征为站立或者蹲坐在所述校园高风险区域，则确定所述校园用户出现自杀的异常行为；其中，所述校园高风险区域至少包括以下一项：楼顶边缘、二楼及以上楼层窗户边缘；

在确定出所述视频图像的行为分析结果为点外卖、翻墙、打架或者自杀异常行为时，确定出所述异常行为对应校园用户的人脸图像，以便于管理人员获取所述校园用户的身份信息。

4.根据权利要求1所述的基于人工智能的校园安全管控方法，其特征在于，所述通过深度学习算法模型，对比所述人脸图像与预先获取到的校内人员的身份证图像，以确定所述异常行为对应的校园用户是否为校内人员之后，所述方法还包括：

确定所述异常行为对应的校园用户为校内人员且不是学生时，允许所述校园用户的点外卖行为；

确定所述异常行为对应的校园用户为非校内人员时，从所述第一特征信息中获取所述校园用户的形态着装信息；

根据所述形态着装信息以及所述异常行为，判断所述校园用户是否为存在危险；

若是，则从校园监控视频中提取包含所述校园用户的视频图像集合，并根据所述视频图像集合，确定出所述校园用户的行为轨迹，以发送至管理人员。

5.根据权利要求1所述的基于人工智能的校园安全管控方法，其特征在于，所述将所述异常行为对应校园用户的身份信息以及所述异常行为发生的地理位置信息，在校园电子地图中显示，具体包括：

根据所述异常行为对应校园用户的身份信息以及所述异常行为的种类，确定所述异常行为对应的危险等级；其中，所述异常行为的种类包括违规行为、危险行为；

以及根据识别到所述异常行为的监拍设备的设备ID，确定出所述异常行为发生的地理位置信息；

根据所述对应的危险等级以及所述异常行为发生的地理位置信息，确定所述异常行为对应的响应方案；

将所述身份信息、所述对应的响应方案以及所述异常行为发生的地理位置信息，在校园电子地图上显示。

6.根据权利要求1所述的基于人工智能的校园安全管控方法，其特征在于，所述在所述异常行为属于危险行为时，向管理人员预警，以对所述危险行为进行管控之前，所述方法还包括：

通过模拟训练校园中的各种危险行为，采集对应的校园用户的手部形状特征和位置特征、腿部的状态变化特征和位置变化特征以及脚部距离地面的位置特征，以构建危险行为信息库；

其中，所述危险行为至少包括一下一项：翻墙、打架或者自杀。

7.根据权利要求1所述的基于人工智能的校园安全管控方法，其特征在于，所述在所述异常行为属于危险行为时，向管理人员预警，以对所述危险行为进行管控，具体包括：

获取第一特征信息中校园用户的手部形状特征和位置特征、腿部形状特征和位置特征以及脚部距离地面的位置特征，并分别与预先构建的危险行为信息库中对应的特征进行比对，以确定出所述异常行为是否属于危险行为；

在所述异常行为属于危险行为时，立即向管理人员预警，以使与所述危险行为发生的地理位置信息最近的管理人员响应处理，对所述危险行为进行管控。

8.基于人工智能的校园安全管控装置，其特征在于，所述装置包括：

采集提取单元，采集校园中包含人脸图像的视频，并按照预设采样周期，从所述视频中抽取指定帧，得到所述指定帧对应的视频图像，以从所述视频图像中提取第一特征信息；

分析确定单元，将所述第一特征信息输入预先训练好的行为分析模型，以根据所述第一特征信息中校园用户的动作特征及位置特征，确定对应的行为分析结果，并在所述行为分析结果为异常行为时，继续确定出所述异常行为对应的人脸图像；

对比确定单元，通过深度学习算法模型，对比所述人脸图像与预先获取到的校内人员的身份证图像，以确定所述异常行为对应的校园用户是否为校内人员；

显示预警单元，将所述异常行为对应校园用户的身份信息以及所述异常行为发生的地理位置信息，在校园电子地图中显示，并在所述异常行为属于危险行为时，向管理人员预警，以对所述危险行为进行管控。

9.基于人工智能的校园安全管控设备，其特征在于，所述设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：

采集校园中包含人脸图像的视频，并按照预设采样周期，从所述视频中抽取指定帧，得到所述指定帧对应的视频图像，以从所述视频图像中提取第一特征信息；

将所述第一特征信息输入预先训练好的行为分析模型，以根据所述第一特征信息中校园用户的动作特征及位置特征，确定对应的行为分析结果，并在所述行为分析结果为异常行为时，继续确定出所述异常行为对应的人脸图像；

通过深度学习算法模型，对比所述人脸图像与预先获取到的校内人员的身份证图像，以确定所述异常行为对应的校园用户是否为校内人员；

将所述异常行为对应校园用户的身份信息以及所述异常行为发生的地理位置信息，在校园电子地图中显示，并在所述异常行为属于危险行为时，向管理人员预警，以对所述危险行为进行管控。

10.一种非易失性计算机存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令设置为：

采集校园中包含人脸图像的视频，并按照预设采样周期，从所述视频中抽取指定帧，得到所述指定帧对应的视频图像，以从所述视频图像中提取第一特征信息；

将所述第一特征信息输入预先训练好的行为分析模型，以根据所述第一特征信息中校园用户的动作特征及位置特征，确定对应的行为分析结果，并在所述行为分析结果为异常行为时，继续确定出所述异常行为对应的人脸图像；

通过深度学习算法模型，对比所述人脸图像与预先获取到的校内人员的身份证图像，以确定所述异常行为对应的校园用户是否为校内人员；

将所述异常行为对应校园用户的身份信息以及所述异常行为发生的地理位置信息，在校园电子地图中显示，并在所述异常行为属于危险行为时，向管理人员预警，以对所述危险行为进行管控。

Images