CN114495275A - 异常行为预警方法、装置及应用 - Google Patents

异常行为预警方法、装置及应用 Download PDF

Info

Publication number
CN114495275A
CN114495275A CN202210094753.8A CN202210094753A CN114495275A CN 114495275 A CN114495275 A CN 114495275A CN 202210094753 A CN202210094753 A CN 202210094753A CN 114495275 A CN114495275 A CN 114495275A
Authority
CN
China
Prior art keywords
behavior
image
convolution
value
preset
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
Application number
CN202210094753.8A
Other languages
English (en)
Inventor
李圣权
彭兴阳
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.)
CCI China Co Ltd
Original Assignee
CCI China 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 CCI China Co Ltd filed Critical CCI China Co Ltd
Priority to CN202210094753.8A priority Critical patent/CN114495275A/zh
Publication of CN114495275A publication Critical patent/CN114495275A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G06Q50/265—Personal security, identity or safety

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Educational Administration (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Marketing (AREA)
  • Biophysics (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Security & Cryptography (AREA)
  • Primary Health Care (AREA)
  • Image Analysis (AREA)

Abstract

本申请提出了一种异常行为预警方法、装置及应用，采用递进式的方式融合人工智能分析方法和社会危害评估法，对行为人进行监控和跟踪，首先采用预置图像特征模型对行为图像进行比对分析，再者采用预置行为因子特征模型对行为因子进行比对分析，在一些情况下最后还利用四个维度的社会危害评估法对行为人进行行为评估，可及时、准确地预警可能发生的异常行为，减少社会矛盾并起到风险预防效果。

Description

异常行为预警方法、装置及应用
技术领域
本申请涉及数据分析领域，特别是涉及一种异常行为预警方法、装置及应用。
背景技术
社会危害行为，泛指一系列有可能对社会造成危害的行为，比如手持刀具、跳楼、跳河、自杀以及冲击国家机关等行为，此类过激行为不仅对社会治安带来了极大的威胁，同时也会对国家、社会或者个人造成巨大损失。社会危害行为多发于对社会抱有敌意的行为人的过激行为，如何及时管控预警此类行为人的危险行为以避免事态扩大是社会治理的一大难题。
目前现有技术的矛盾纠纷排查系统采用的手段是：由各个社区(村)上报矛盾纠纷事件并实行分级动态管理，若矛盾纠纷事件无法在社区范围内得以调节，则将此类矛盾纠纷事件层层上报给街道或者相关管理部门，以实现矛盾纠纷事件的分级管控，然而这种方式对矛盾纠纷问题排查的效率较为低下，且对矛盾纠纷事件的风险评估依赖于评估人的主观意识，存在无法及时且准确地预警可能演变为社会危害行为的矛盾纠纷事件的问题，且针对可能演变成社会危害行为的矛盾纠纷事件的当事人也无法进行跟踪预警，存在一刀切或者忽略管控的问题。
当然目前也存在对行为人的行为进行识别的识别算法，但目前的识别算法仅能识别标准行为，而对于行为人异常行为往往是变化不定的，导致目前的识别算法极易存在误判或识别不准确的问题。
发明内容
本申请实施例提供了一种异常行为预警方法、装置及应用，基于对矛盾纠纷事件进行分析确定可能存在异常行为的行为人，综合视频图像和行为人因子对行为人做出科学、准确的风险评判，以及时地预警异常行为。
第一方面，本申请实施例提供了一种异常行为预警方法，所述方法包括：
选定行为人，通过至少一摄像组件采集所述行为人的至少一行为图像以及至少一行为因子，其中所述行为因子用于表征异常行为的特征维度；
将每一摄像组件的所有行为图像输入预置图像特征模型中得到至少一单一图像卷积值，组合分析所有单一图像卷积值得到图像分析概率值，若所述图像分析概率值大于图像设定阈值，确定所述行为人存在所述预置图像特征模型对应的异常行为；
若所述图像分析概率值小于图像设定阈值，将每一摄像组件的所有行为因子输入预置行为因子特征模型中得到至少一单一行为卷积值，组合分析所有所述单一行为卷积值得到行为分析概率值，若所述行为分析概率值大于行为设定阈值，确定所述行为人存在所述预置行为因子特征模型对应的异常行为。
第二方面，本申请实施例提供了一种异常行为预警装置，包括：
分析数据获取单元，用于选定行为人，通过至少一摄像组件采集所述行为人的至少一行为图像以及至少一行为因子，其中所述行为因子用于表征异常行为的特征维度；
行为图像分析单元，用于将每一摄像组件的所有行为图像输入预置图像特征模型中得到至少一单一图像卷积值，组合分析所有单一图像卷积值得到图像分析概率值，若所述图像分析概率值大于图像设定阈值，确定所述行为人存在所述预置图像特征模型对应的异常行为；
行为因子分析单元，用于在所述图像分析概率值小于图像设定阈值时，将每一摄像组件的所有行为因子输入预置行为因子特征模型中得到至少一单一行为卷积值，组合分析所有所述单一行为卷积值得到行为分析概率值，若所述行为分析概率值大于行为设定阈值，确定所述行为人存在所述预置行为因子特征模型对应的异常行为。
第三方面，本申请实施例提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述的异常行为预警方法。
第四方面，本申请实施例提供一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序包括用于控制过程以执行过程的程序代码，所述过程包括所述的异常行为预警方法。
本申请实施例的主要贡献和创新点如下：
本申请实施例采用递进式的方式融合人工智能分析方法和社会危害评估法，对行为人进行监控和跟踪，首先采用预置图像特征模型对行为图像进行比对分析，再者采用预置行为因子特征模型对行为因子进行比对分析。在一些情况下，若前面均无法获取准确的异常行为，最后利用四个维度的社会危害评估法对行为人进行行为评估，可及时、准确地预警可能发生的异常行为，减少社会矛盾并起到风险预防效果。
本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
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是根据本申请实施例的异常行为预警方法的流程图；
图2是根据本申请实施例的异常行为预警方法的逻辑流程示意图。
图3是根据本申请实施例的数据入库装置的结构框图；
图4是根据本申请实施例的电子装置的硬件结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书一个或多个实施例相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。
需要说明的是：在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中，其方法所包括的步骤可以比本说明书所描述的更多或更少。此外，本说明书中所描述的单个步骤，在其他实施例中可能被分解为多个步骤进行描述；而本说明书中所描述的多个步骤，在其他实施例中也可能被合并为单个步骤进行描述。
实施例一
本申请实施例提供了一种异常行为预警方法，采用逐步深入的思想，融合人工智能分析技术和风险评估方法，层层递进地对行为人的异常行为及时做出预警，具体地，参考图1，所述方法包括：
选定行为人，通过至少一摄像组件采集所述行为人的至少一行为图像以及至少一行为因子，其中所述行为因子用于表征异常行为的特征维度；
将每一摄像组件的所有行为图像输入预置图像特征模型中得到至少一单一图像卷积值，组合分析所有单一图像卷积值得到图像分析概率值，若所述图像分析概率值大于图像设定阈值，确定所述行为人存在所述预置图像特征模型对应的异常行为；
若所述图像分析概率值小于图像设定阈值，将每一摄像组件的所有行为因子输入预置行为因子特征模型中得到至少一单一行为卷积值，组合分析所有所述单一行为卷积值得到行为分析概率值，若所述行为分析概率值大于行为设定阈值，确定所述行为人存在所述预置行为因子特征模型对应的异常行为。
值得一提的是，本方案采用逐级递进的方法对行为人的行为进行评估，环环相扣提高社会危害行为的评估精准性。首先采用预置图像特征模型和行为人的行为图像进行比对分析，若一次分析结果不满足规定要求时，则再递进采用预置行为因子特征模型和行为人的行为因子进行比对分析，若二次分析结果依旧不满足规定要求，则再采用社会危害评估法对行为人进行分析。本方案兼顾了识别算法的计算量以及识别效率，并不是每一次都对行为因子进行识别，且本方案可对行为因子进行识别的前提时已对行为图像进行识别，这样可降低对行为因子识别算法的算法准确度要求。另外，在一些情况下，本方案提供的社会危害评估法从四个维度的影响因素对行为人的行为进行评估，进而及时且科学地对行为人的异常行为做出预警。
本方案提供的异常行为预警方法可针对特定的行为人进行异常行为的预警，在本方案的实施例中，行为人可人为选定也可通过社会矛盾纠纷排查系统锁定。当本方案的异常行为预警方法被应用于矛盾纠纷事件风险管控场景中，行为人可选择为矛盾纠纷事件当事人，示例性的，可选择违规拆迁事件的当事人为行为人，邻里纠纷事件的当事人为行为人。
在确定了行为人的身份信息后，可通过摄像组件获取所述行为人的行为图像以及行为因子。在本方案的实施例中，可通过安置在街道的摄像组件对行为人的行为图像以及行为因子进行数据采集，并将采集得到的行为图像以及行为因子利用网络技术上传并存储，随后利用预置图像特征模型和/或预置行为因子特征模型对行为图像以及行为因子进行比对分析。
在一些实施例中，在“通过至少一摄像组件采集所述行为人的至少一行为图像以及至少一行为因子”中，对摄像组件获取的行为图像和行为因子进行筛选，以获取包含所述行为人的行为图像以及对应所述行为人的行为因子。所述摄像组件可以是来自于政府部门、委办局以及社会资源的视频探头、高空鹰眼摄像头。
另外，值得一提的是，行为因子与行为图像采集可同步进行，不需要再次采集行为因子。
在“将每一摄像组件的所有行为图像输入预置图像特征模型中得到至少一单一图像卷积值”中，对所有所述行为图像进行编码得到行为图像编码，将每一摄像组件的所有所述行为图像编码输入预置图像特征模型中得到至少一单一图像卷积值，其中每一单一图像卷积值对应每一摄像组件。
本方案所获取的所述单一图像卷积值表征同一摄像组件的所有行为图像之间的卷积值。对应的，在“将每一摄像组件的所有所述行为图像编码输入预置图像特征模型中得到至少一单一图像卷积值”步骤中，同一摄像组件的所有所述行为图像编码利用卷积神经网络进行卷积操作得到单一图像卷积值。
本方案预存多类别的经训练的预置图像特征模型，其中每一预置图像特征模型对应一类别的异常行为。示例性的，所述预置图像特征模型有针对手持刀具的预置图像特征模型、针对跳楼的预置图像特征模型、针对跳河的预置图像特征模型、针对自杀的预置图像特征模型以及针对冲击国家机关的预置图像特征模型。
在“组合分析所有单一图像卷积值得到图像分析概率值”步骤中，将所有所述单一图像卷积值进行再次卷积操作得到组合图像卷积值，将所述组合图像卷积值转换为所述图像分析概率值。
在本方案的一实施例中，利用预设置的SIGMOID函数转换所述组合图像卷积值，得到取值区间在【0，1】之间的图像分析概率值，该图像分析概率值表示行为人的行为异常类别概率。
若所述图像分析概率值大于图像设定阈值，确定所述行为人存在所述预置图像特征模型对应的异常行为。并且可将该行为人的行为图像存入对应异常行为类别的数据库中，以为后续的模型训练提供数据样本。
进一步的，本方案还可将存在危害社会异常行为的行为人及其行为组成预警信息，及时发送给对应的业务部门以提醒业务部门做出相应的反馈措施，进而由业务部门对行为人采取应急措施并重点跟踪管理，实现“一人一档”管理。
而若图像分析概率值小于图像设定阈值，此时无法通过行为图像来确认该行为人是否存在异常行为，但这并不表示该行为人的确不存在异常行为，故需要对更细化的行为因子进行评估。
在本方案中，在“将每一摄像组件的所有行为因子输入预置行为因子特征模型中得到至少一单一行为卷积值”中，对所有所述行为因子进行编码得到行为因子编码，将每一摄像组件的所有所述行为因子编码输入预置行为因子特征模型中得到至少一单一行为卷积值，其中每一单一行为卷积值对应每一摄像组件。
本方案预存多类别的经训练的预置行为因子特征模型，其中每一预置行为因子特征模型对应一类别的异常行为，且本方案的预置行为因子特征模型和预置图像特征模型是对应的关系。值得一提的是，本方案的行为因子用于表征异常行为的特征维度。示例性的，若异常行为为“手持刀具”，则行为因子为：长刀、短刀、菜刀、长棍、砍刀和斧子；若异常行为为“跳楼”，则行为因子为楼顶、高楼；若异常行为为“跳河”，则行为因子为桥、河道；若异常行为为“自杀”，则行为因子为炸药、炸药包、煤气罐、打火机；若社会危害行为为“冲击国家机关”，则行为因子是机关名称、长棍/刀。
在“将每一摄像组件的所有行为因子输入预置行为因子特征模型中得到至少一单一行为卷积值”中，对所有所述行为因子进行编码得到行为因子编码，将每一摄像组件的所有所述行为因子编码输入预置行为因子特征模型中得到至少一单一行为卷积值，其中每一单一行为卷积值对应每一摄像组件。
本方案所获取的所述单一行为卷积值表征同一摄像组件的所有行为因子之间的卷积值。对应的，在“将每一摄像组件的所有所述行为因子编码输入预置行为因子特征模型中得到至少一单一行为卷积值”步骤中，同一摄像组件的所有所述行为因子编码利用卷积神经网络进行卷积操作得到单一行为卷积值。
在“组合分析所有单一行为卷积值得到行为分析概率值”步骤中，将所有所述单一行为卷积值进行再次卷积操作得到组合行为卷积值，将所述组合行为卷积值转换为所述行为分析概率值。
在本方案的一实施例中，利用预设置的SIGMOID函数转换所述组合行为卷积值，得到取值区间在【0，1】之间的行为分析概率值，该行为分析概率值表示行为人的行为异常类别概率。
若所述行为分析概率值大于行为设定阈值，确定所述行为人存在所述预置行为因子特征模型对应的异常行为。并且可将该行为人的行为因子和行为图像存入对应异常行为类别的数据库中，以为后续的模型训练提供数据样本。
相同的，本方案还可将存在危害社会异常行为的行为人及其行为组成预警信息，及时发送给对应的业务部门以提醒业务部门做出相应的反馈措施，进而由业务部门对行为人采取应急措施并重点跟踪管理，实现“一人一档”管理。
而若行为分析概率值小于行为设定阈值，此时无法通过行为因子来确认该行为人是否存在异常行为，但这并不表示该行为人的确不存在异常行为，故需要对其进行社会危害评估法评估。
也就是说，若所述行为分析概率值小于行为设定阈值，获取并分析行为人基本信息、行为人对应的事件信息、图像分析概率值以及行为分析概率值，得到事件发生可能性评分、行为人诉求评分、事故后果评分以及社会影响评分，求和所述事件发生可能性评分、所述行为人诉求评分、所述事故后果评分以及所述社会影响评分得到社会危害评估得分。
在本方案中，事件发生可能性评分正相关于异常行为发生的概率，所述事件发生可能性评分正相关于所述图像分析概率值以及行为分析概率值。也就是说，所述图像分析概率值和/或所述行为分析概率值越大，则事件发生可能性评分越高。本方案将事件发生可能性评分划分为0，1，3，6，10这五个等级。
行为人诉求评分正相关于行为人诉求强烈长度。所述行为人诉求评分相关于行为人基本信息。此时所述行为人基本信息包括行为人投诉矛盾纠纷事件的投诉次数，所述投诉次数越多则对应的行为人诉求评分越高。本方案将行为人诉求评分划分为0，1，3，6，10这五个等级。
事故后果评分正相关于发生异常行为之后造成的危害性。所述事故后果评分相关于事件信息，此时所述事件信息包括矛盾纠纷事件类型以及事件程度，矛盾纠纷事件类型越复杂、事件程度越高则对应的事故后果评分越高。本方案将事故后果评分划分为0，1，3，6，8，10这六个等级。
社会影响评分正相关于发生异常行为之后的社会影响。所述社会影响评分相关于事件信息，此时所述事件信息包括矛盾纠纷事件类型以及事件程度，矛盾纠纷事件类型越复杂、事件程度越高则对应的社会影响评分越高。
在本方案的一实施例中，社会危害评估法的指标表如下表一所示：
表一社会危害评估法指标表
Figure RE-GDA0003586241350000091
另外，本方案在获取社会危害评估得分之后，还可基于自定义的等级对社会危害评估得分进行分阶处理。本方案的分阶处理表如下表二所示：
表二分阶处理表
Figure RE-GDA0003586241350000092
示例性的，本方案以行为人A多次投诉强拆事件B得不到解决而产生持刀报复社会的异常行为进行预警。
首先通过行为人基本信息采集模块对行为人A的基本信息进行采集，包括行为人A的基本信息、强制拆迁事件B的事件信息等，采集信息及过程非本方案描述重点，本方案不做具体描述。
行为人基本信息采集模块通过网络技术与数据库接口单元对接，数数据库接口单元通过WebService接口与外部接口单元对接，为所述数据交换共享提供技术服务，实现行为人基本信息采集模块与外部系统的数据交换和融合共享。具体地，主要是通过网络技术与投诉、综治等单位系统进行对接，将通过行为人基本信息采集模块录入后的行为人基本信息、事件信息等进行自动比对，防止行为人提供虚假地址、虚假事件等信息。
利用摄像组件采集行为人A的行为图像数据，通过自动采集后得到各摄像组件的图像数据信息，并利用所述智能处理模块通过运行内置的行为人行为处理程序进行筛选和存储，对每个摄像组件筛选后的行为图像数据定为5个。具体地，通过第一摄像组件V1采集到行为人A持长刀在马路上行走的行为图像编码code11、code12、……code15；通过第二摄像组件V2采集到行为人A持长刀在马路上行走的行为图像编码code21、code22、……code25；通过第三摄像组件V3采集到行为人A持长刀在马路上行走的行为图像编码code31、code32、…… code35，以此类推得出结果。将第一摄像组件V1采集的所有行为图像编码code11、 code12、……code15与持刀对应的预置图像特征模型比对，利用卷积神经网络CNN(Cable News Network，卷积神经网络)进行卷积操作，即可得到该摄像组件各图像之间的单一图像卷积ycode1；将第二摄像组件V2采集的所有行为图像编码code21、code22、……code25与图持刀的预置图像特征模型比对，利用卷积神经网络CNN(Cable News Network，卷积神经网络)进行卷积操作，即可得到该摄像组件各图像之间的单一图像卷积值ycode2；将第三摄像组件V3采集的所有行为图像编码code31、code32、……code35与持刀的预置图像特征模型比对，利用卷积神经网络CNN(Cable News Network，卷积神经网络)进行卷积操作，即可得到该摄像组件各图像之间的单一图像卷积ycode3。
对每个摄像组件离散分析的值进行组合分析，将V1、V2、V3各摄像组件得到的单一图像卷积值ycode1、ycode2、ycode3再次进行卷积操作，得到所有摄像头之间的组合图像卷积值yCNN。通过预先设置的sigmoid函数进行图行为异常类别概率的计算，所得到的概率结果映射至[0，1]之间并得到一个概率值，得到图像分析概率值，组合分析如下：
P＝sigmoid(yCNN)；其中p为图像分析概率值。
若图像分析概率值高于图像分析阈值，则判断该行为人存在手持刀具的异常行为。若图像分析概率低于图像分析阈值，则执行行为因子评估：
对每个摄像组件筛选后的行为因子数据定为5个。具体地，通过第一摄像组件 V1采集到行为人A持刀的行为因子编码code11’、code12’、……code15’；通过第二摄像组件V2采集到行为人A持刀的行为因子编码code21’、 code22’、……code25’；通过第三摄像组件V3采集到行为人A持刀的行为影子编码code31’、code32’、……code35’，以此类推得出结果。将第一摄像组件V1采集的所有行为因子编码code11’、code12’、……code15’与持刀对应的预置行为因子特征模型比对，利用卷积神经网络CNN(Cable News Network，卷积神经网络)进行卷积操作，即可得到该摄像组件各图像之间的单一行为卷积 ycode1’；将第二摄像组件V2采集的所有行为因子编码code21’、 code22’、……code25’与持刀的预置行为因子特征模型比对，利用卷积神经网络CNN(Cable News Network，卷积神经网络)进行卷积操作，即可得到该摄像组件各图像之间的单一行为卷积值ycode2’；将第三摄像组件V3采集的所有行为因子编码code31’、code32’、……code35’与持刀的预置行为因子模型比对，利用卷积神经网络CNN(Cable News Network，卷积神经网络)进行卷积操作，即可得到该摄像组件各图像之间的单一行为卷积ycode3’。
对每个摄像组件离散分析的值进行组合分析，将V1、V2、V3各摄像组件得到的单一行为卷积值ycode1’、ycode2’、ycode3’再次进行卷积操作，得到所有摄像头之间的组合行为卷积值yCNN’。通过预先设置的sigmoid函数进行行为异常类别概率的计算，所得到的概率结果映射至[0，1]之间并得到一个概率值，得到欣慰分析概率值，组合分析如下：
P＝sigmoid(yCNN’)；其中p为行为分析概率值。
将行为分析概率值和行为分析阈值进行比较，若行为分析概率值小于行为分析阈值则无法确定行为人是否存在异常行为。此时，本方案根据行为人基本信息、行为人对应的事件信息、图像分析概率值以及行为分析概率值对其进行风险评估，采用如表二的指标内容进行评估。
实施例二
基于相同的构思，参考图3，本申请还提出了一种异常行为预警装置，包括：
分析数据获取单元301，用于选定行为人，通过至少一摄像组件采集所述行为人的至少一行为图像以及至少一行为因子，其中所述行为因子用于表征异常行为的特征维度；
行为图像分析单元302，用于将每一摄像组件的所有行为图像输入预置图像特征模型中得到至少一单一图像卷积值，组合分析所有单一图像卷积值得到图像分析概率值，若所述图像分析概率值大于图像设定阈值，确定所述行为人存在所述预置图像特征模型对应的异常行为；
行为因子分析单元303，用于在所述图像分析概率值小于图像设定阈值时，将每一摄像组件的所有行为因子输入预置行为因子特征模型中得到至少一单一行为卷积值，组合分析所有所述单一行为卷积值得到行为分析概率值，若所述行为分析概率值大于行为设定阈值，确定所述行为人存在所述预置行为因子特征模型对应的异常行为。
关于该实施例中的技术特征和实施例一提及的技术特征有重复内容，则参见实施例一的介绍内容。
实施例三
本实施例还提供了一种电子装置，参考图4，包括存储器404和处理器402，该存储器404中存储有计算机程序，该处理器402被设置为运行计算机程序以执行上述任一项异常行为预警方法实施例中的步骤。
具体地，上述处理器402可以包括中央处理器(CPU)，或者特定集成电路 (ApplicationSpecificIntegratedCircuit，简称为ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中，存储器404可以包括用于数据或指令的大容量存储器404。举例来说而非限制，存储器404可包括硬盘驱动器(HardDiskDrive，简称为HDD)、软盘驱动器、固态驱动器(SolidStateDrive，简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(UniversalSerialBus，简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器404可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器404可在数据处理装置的内部或外部。在特定实施例中，存储器404是非易失性(Non-Volatile)存储器。在特定实施例中，存储器404包括只读存储器(Read-OnlyMemory，简称为ROM) 和随机存取存储器(RandomAccessMemory，简称为RAM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(ProgrammableRead-OnlyMemory，简称为PROM)、可擦除PROM(ErasableProgrammableRead-OnlyMemory，简称为EPROM)、电可擦除PROM(ElectricallyErasableProgrammableRead- OnlyMemory，简称为EEPROM)、电可改写ROM(ElectricallyAlterableRead- OnlyMemory，简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下，该RAM可以是静态随机存取存储器(StaticRandom-AccessMemory，简称为SRAM)或动态随机存取存储器 (DynamicRandomAccessMemory，简称为DRAM)，其中，DRAM可以是快速页模式动态随机存取存储器404(FastPageModeDynamicRandomAccessMemory，简称为FPMDRAM)、扩展数据输出动态随机存取存储器 (ExtendedDateOutDynamicRandomAccessMemory，简称为EDODRAM)、同步动态随机存取内存(SynchronousDynamicRandom-AccessMemory，简称SDRAM) 等。
存储器404可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器402所执行的可能异常行为预警方法的计算机程序指令。
处理器402通过读取并执行存储器404中存储的计算机程序指令，以实现上述实施例中的任意一种异常行为预警方法。
可选地，上述电子装置还可以包括传输设备406以及输入输出设备408，其中，该传输设备406和上述处理器402连接，该输入输出设备408和上述处理器402连接。
传输设备406可以用来经由一个网络接收或者发送数据。上述的网络具体实例可包括电子装置的通信供应商提供的有线或无线网络。在一个实例中，传输设备包括一个网络适配器(Network Interface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备406可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。
输入输出设备408用于输入或输出信息。在本实施例中，输入的信息可以是行为图像、行为因子等，输出的信息可以是行为分析概率值、图像分析概率值、分析结果等。
可选地，在本实施例中，上述处理器402可以被设置为通过计算机程序执行以下步骤：
S101、选定行为人，通过至少一摄像组件采集所述行为人的至少一行为图像以及至少一行为因子，其中所述行为因子用于表征异常行为的特征维度；
S102、将每一摄像组件的所有行为图像输入预置图像特征模型中得到至少一单一图像卷积值，组合分析所有单一图像卷积值得到图像分析概率值，若所述图像分析概率值大于图像设定阈值，确定所述行为人存在所述预置图像特征模型对应的异常行为；
S103、若所述图像分析概率值小于图像设定阈值，将每一摄像组件的所有行为因子输入预置行为因子特征模型中得到至少一单一行为卷积值，组合分析所有所述单一行为卷积值得到行为分析概率值，若所述行为分析概率值大于行为设定阈值，确定所述行为人存在所述预置行为因子特征模型对应的异常行为。
需要说明的是，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
通常，各种实施例可以以硬件或专用电路、软件、逻辑或其任何组合来实现。本发明的一些方面可以以硬件来实现，而其他方面可以以可以由控制器、微处理器或其他计算设备执行的固件或软件来实现，但是本发明不限于此。尽管本发明的各个方面可以被示出和描述为框图、流程图或使用一些其他图形表示，但是应当理解，作为非限制性示例，本文中描述的这些框、装置、系统、技术或方法可以以硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其他计算设备或其某种组合来实现。
本发明的实施例可以由计算机软件来实现，该计算机软件由移动设备的数据处理器诸如在处理器实体中可执行，或者由硬件来实现，或者由软件和硬件的组合来实现。包括软件例程、小程序和/或宏的计算机软件或程序(也称为程序产品)可以存储在任何装置可读数据存储介质中，并且它们包括用于执行特定任务的程序指令。计算机程序产品可以包括当程序运行时被配置为执行实施例的一个或多个计算机可执行组件。一个或多个计算机可执行组件可以是至少一个软件代码或其一部分。另外，在这一点上，应当注意，如图中的逻辑流程的任何框可以表示程序步骤、或者互连的逻辑电路、框和功能、或者程序步骤和逻辑电路、框和功能的组合。软件可以存储在诸如存储器芯片或在处理器内实现的存储块等物理介质、诸如硬盘或软盘等磁性介质、以及诸如例如DVD及其数据变体、 CD等光学介质上。物理介质是非瞬态介质。
本领域的技术人员应该明白，以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (11)

1.一种异常行为预警方法，其特征在于，包括以下步骤：
选定行为人，通过至少一摄像组件采集所述行为人的至少一行为图像以及至少一行为因子，其中所述行为因子用于表征异常行为的特征维度特征维度；
将每一摄像组件的所有行为图像输入预置图像特征模型中得到至少一单一图像卷积值，组合分析所有单一图像卷积值得到图像分析概率值，若所述图像分析概率值大于图像设定阈值，确定所述行为人存在所述预置图像特征模型对应的异常行为；
若所述图像分析概率值小于图像设定阈值，将每一摄像组件的所有行为因子输入预置行为因子特征模型中得到至少一单一行为卷积值，组合分析所有所述单一行为卷积值得到行为分析概率值，若所述行为分析概率值大于行为设定阈值，确定所述行为人存在所述预置行为因子特征模型对应的异常行为。
2.根据权利要求1所述的异常行为预警方法，其特征在于，在“将每一摄像组件的所有行为图像输入预置图像特征模型中得到至少一单一图像卷积值”中，对所有所述行为图像进行编码得到行为图像编码，将每一摄像组件的所有所述行为图像编码输入预置图像特征模型中得到至少一单一图像卷积值，其中每一单一图像卷积值对应每一摄像组件。
3.根据权利要求1所述的异常行为预警方法，其特征在于，在“组合分析所有单一图像卷积值得到图像分析概率值”步骤中，将所有所述单一图像卷积值进行再次卷积操作得到组合图像卷积值，将所述组合图像卷积值转换为所述图像分析概率值。
4.根据权利要求1所述的异常行为预警方法，其特征在于，在“将每一摄像组件的所有行为因子输入预置行为因子特征模型中得到至少一单一行为卷积值”中，对所有所述行为因子进行编码得到行为因子编码，将每一摄像组件的所有所述行为因子编码输入预置行为因子特征模型中得到至少一单一行为卷积值，其中每一单一行为卷积值对应每一摄像组件。
5.根据权利要求1所述的异常行为预警方法，其特征在于，在“组合分析所有单一行为卷积值得到行为分析概率值”步骤中，将所有所述单一行为卷积值进行再次卷积操作得到组合行为卷积值，将所述组合行为卷积值转换为所述行为分析概率值。
6.根据权利要求1所述的异常行为预警方法，其特征在于，预存多类别的经训练的预置图像特征模型，每一所述预置图像特征模型对应一类别的异常行为。
7.根据权利要求1所述的异常行为预警方法，其特征在于，预存多类别的经训练的预置行为因子特征模型，预置行为因子特征模型和预置图像特征模型对应设置。
8.根据权利要求1所述的异常行为预警方法，其特征在于，若所述行为分析概率值小于行为设定阈值，获取并分析行为人基本信息、行为人对应的事件信息、图像分析概率值以及行为分析概率值，得到事件发生可能性评分、行为人诉求评分、事故后果评分以及社会影响评分，求和所述事件发生可能性评分、所述行为人诉求评分、所述事故后果评分以及所述社会影响评分得到社会危害评估得分。
9.一种异常行为预警装置，其特征在于，包括：
分析数据获取单元，用于选定行为人，通过至少一摄像组件采集所述行为人的至少一行为图像以及至少一行为因子，其中所述行为因子用于表征异常行为的特征维度；
行为图像分析单元，用于将每一摄像组件的所有行为图像输入预置图像特征模型中得到至少一单一图像卷积值，组合分析所有单一图像卷积值得到图像分析概率值，若所述图像分析概率值大于图像设定阈值，确定所述行为人存在所述预置图像特征模型对应的异常行为；
行为因子分析单元，用于在所述图像分析概率值小于图像设定阈值时，将每一摄像组件的所有行为因子输入预置行为因子特征模型中得到至少一单一行为卷积值，组合分析所有所述单一行为卷积值得到行为分析概率值，若所述行为分析概率值大于行为设定阈值，确定所述行为人存在所述预置行为因子特征模型对应的异常行为。
10.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1到9任一所述的异常行为预警方法。
11.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序，所述计算机程序包括用于控制过程以执行过程的程序代码，所述过程包括根据权利要求1至9任一项所述的异常行为预警方法。
CN202210094753.8A 2022-01-26 2022-01-26 异常行为预警方法、装置及应用 Pending CN114495275A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210094753.8A CN114495275A (zh) 2022-01-26 2022-01-26 异常行为预警方法、装置及应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210094753.8A CN114495275A (zh) 2022-01-26 2022-01-26 异常行为预警方法、装置及应用

Publications (1)

Publication Number Publication Date
CN114495275A true CN114495275A (zh) 2022-05-13

Family

ID=81476541

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210094753.8A Pending CN114495275A (zh) 2022-01-26 2022-01-26 异常行为预警方法、装置及应用

Country Status (1)

Country Link
CN (1) CN114495275A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117877219A (zh) * 2023-12-20 2024-04-12 山东方垠智能制造有限公司 一种违规行为警报方法、系统、存储介质及设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117877219A (zh) * 2023-12-20 2024-04-12 山东方垠智能制造有限公司 一种违规行为警报方法、系统、存储介质及设备

Similar Documents

Publication Publication Date Title
US11003773B1 (en) System and method for automatically generating malware detection rule recommendations
US11544511B2 (en) Method, apparatus, and electronic device for processing point cloud data, and computer readable storage medium
CN109325429B (zh) 一种关联特征数据的方法、装置、存储介质及终端
CN110855497B (zh) 一种基于大数据环境的告警排序方法及装置
CN111278014A (zh) 一种防诈骗系统、方法、服务器及存储介质
CN108768695B (zh) Kqi的问题定位方法及装置
CN116366374B (zh) 基于大数据的电网网络管理的安全评估方法、系统及介质
CN109426700B (zh) 数据处理方法、装置、存储介质和电子装置
CN108234426B (zh) Apt攻击告警方法和apt攻击告警装置
CN114495275A (zh) 异常行为预警方法、装置及应用
CN111064719B (zh) 文件异常下载行为的检测方法及装置
CN114662772A (zh) 交通噪音预警方法、模型训练方法、装置、设备及介质
CN112528325B (zh) 一种数据信息的安全处理方法及系统
CN111625700A (zh) 防抓取的方法、装置、设备及计算机存储介质
CN113297583B (zh) 漏洞风险分析方法、装置、设备及存储介质
CN116796318A (zh) 一种计算机软件的保护方法及系统
CN115062339A (zh) 一种数据安全保障方法、电子设备和存储介质
CN111107552B (zh) 一种识别伪基站的方法及系统
CN113507341A (zh) 基于无线电频谱识别的无人机侦测方法、系统和存储介质
CN113450236B (zh) 基于时空数据的可疑人员识别方法、装置、系统和介质
CN111339398A (zh) 一种多元化大数据情报分析系统及其分析方法
Parra-Arnau et al. On the cost-effectiveness of mass surveillance
CN117097639B (zh) 一种网络风险实时提示方法及系统
CN116720167B (zh) 多重隔离化管理的角色管理系统
CN114928502B (zh) 一种针对0day漏洞的信息处理方法、装置、设备及介质

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