CN114913447B - 基于场景识别的警务智慧指挥室系统及方法 - Google Patents
基于场景识别的警务智慧指挥室系统及方法 Download PDFInfo
- Publication number
- CN114913447B CN114913447B CN202210147868.9A CN202210147868A CN114913447B CN 114913447 B CN114913447 B CN 114913447B CN 202210147868 A CN202210147868 A CN 202210147868A CN 114913447 B CN114913447 B CN 114913447B
- Authority
- CN
- China
- Prior art keywords
- scene
- entity
- police
- elements
- video 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000002159 abnormal effect Effects 0.000 claims abstract description 84
- 238000000605 extraction Methods 0.000 claims abstract description 42
- 230000011218 segmentation Effects 0.000 claims abstract description 34
- 238000012544 monitoring process Methods 0.000 claims abstract description 20
- 230000007613 environmental effect Effects 0.000 claims abstract description 15
- 238000010801 machine learning Methods 0.000 claims abstract description 15
- 239000013598 vector Substances 0.000 claims description 44
- 238000012546 transfer Methods 0.000 claims description 32
- 238000013145 classification model Methods 0.000 claims description 26
- 230000005012 migration Effects 0.000 claims description 22
- 238000013508 migration Methods 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 19
- 238000009826 distribution Methods 0.000 claims description 18
- 230000000877 morphologic effect Effects 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 11
- 239000007787 solid Substances 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000010224 classification analysis Methods 0.000 claims description 5
- 230000007704 transition Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims 1
- 239000004065 semiconductor Substances 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 6
- 230000008859 change Effects 0.000 description 16
- 230000009471 action Effects 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 4
- 241000283070 Equus zebra Species 0.000 description 3
- 230000009193 crawling Effects 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- 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
- G06N3/08—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
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Computer Security & Cryptography (AREA)
- Human Resources & Organizations (AREA)
- Medical Informatics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于场景识别的警务智慧指挥室系统及方法包括,现场采集模块,用于采集监控视频中的视频数据;第一识别提取模块,用于从视频数据提取实体元素和环境元素;分段场景获取模块,用于根据实体元素进行判断得到分段帧,根据分段帧得到对应的分段场景视频数据,警务场景获取模块,用于从分段场景视频数据获取异常场景,确定警务场景;警务分级模块,得到对应的警务等级;指挥调度模块,用于根据警务等级推荐相应的警力调度预案,本发明好处在于:利用机器学习技术实现场景识别,自动提取筛选符合警务类型的场景,并确定警务类型,进而根据该警务类型为警务指挥提供辅助和参考。
Description
技术领域
本发明属于视频处理分析领域,具体涉及基于场景识别的警务智慧指挥室系统及方法。
背景技术
智慧警务,公安警务系统”是以互联网、物联网、计算、智能引擎、视频技术、数据挖掘、知识管理等为技术支撑,是根据科技强警的发展战略,充分利用云技术、视频物联网、大数据和视频智能分析技术、GIS、GPS、3/4G、移动警务智能系统、数字集群等前沿科技,通过面向实战和服务民众的顶层设计,以及面向警务信息的高度共享机制、系统的强度整合机制、应用的深度分析机制等建设,以公安信息化为核心,通过互联化、物联化、智能化的方式,促进公安系统各个功能模块高度集成、协调运作,实现警务信息“强度整合、高度共享、深度应用”之目标的警务发展新理念和新模式。
警务指挥室(警局辖区较大可称之为警务指挥中心)是汇聚辖区警务相关数据和信息、应对各种警情、协调警力资源的指挥中枢。
现有技术中出现了一种系统,其通过设置网络通信模块、服务器、数据交互模块、支撑模块以及用户服务模块的方式来实现,然而上述结构的系统仅是对于警员巡逻进行相应的管理,智能化程度不高,无法对在监控画面下的警务情况进行警务类型的筛选,以及警务等级的分级,从而无法根据该警务类型和警务等级为指挥提供辅助和参考,从而无法合理调度警力资源。
基于此,需要提出基于场景识别的警务智慧指挥室系统及方法来解决上述问题。
发明内容
针对上述现有技术的不足,本发明所要解决的技术问题是:如何一种基于场景识别的警务智慧指挥室系统及方法,来解决现有技术中,警务指挥系统的智能化程度不高,无法对在监控画面下的警务情况进行警务类型的筛选,以及警务等级的分级,从而无法根据该警务类型和警务等级为指挥提供辅助和参考,从而无法合理调度警力资源的相关问题。
为了解决上述技术问题,本发明采用了如下的技术方案:基于场景识别的警务智慧指挥室系统,包括,
现场采集模块,用于采集监控视频中的视频数据;
第一识别提取模块,用于从视频数据提取实体元素和环境元素;
分段场景获取模块,用于根据实体元素进行判断得到分段帧,根据分段帧得到对应的分段场景视频数据。
警务场景获取模块,用于从分段场景视频数据获取异常场景,并将异常场景中的实体元素和/或环境元素数据输入预先训练好的警务类型分类模型中,确定警务场景;
警务分级模块,用于将警务场景输入预先训练好的警务等级分析模型中,得到对应的警务等级;
指挥调度模块,用于根据警务等级推荐相应的警力调度预案。
在一些实施例中,上述基于场景识别的警务智慧指挥室系统中,还包括,数据获取模块,用于从公安数据库中获取包括警务场景的历史视频数据;
第二识别提取模块,用于从历史视频数据中提取历史实体元素和历史环境元素;
警务类型分类模型获取模块,用于将历史实体元素和历史环境元素输入第一机器学习模型得到警务类型分类模型;
警务等级分析模型获取模块,用于将对应的警务场景输入第二机器学习模型得到警务等级分析模型。
在一些实施例中,上述基于场景识别的警务智慧指挥室系统中,还包括,第一识别提取模块包括实体元素获取单元、实体元素跟踪单元和环境元素位置获取单元,
实体元素图像获取单元,用于获取视频数据中的实体元素的轮廓图像信息和形态图像信息。
实体元素坐标获取单元,用于对视频数据中的实体元素进行跟踪,获取实体元素的转移轨迹以及转移坐标点;
环境位置获取单元,用于对视频数据中的环境元素的区域位置进行分析,获取环境元素的区域类型。
在一些实施例中,上述基于场景识别的警务智慧指挥室系统中,还包括,分段场景获取模块包括实体转移计算单元和场景分段单元,
实体转移计算单元,用于以转移轨迹为参照,计算每个转移坐标点的实体元素的速度大小和速度方向;
场景分段单元,用于将实体元素的速度大小和速度方向变化量与预设值做对比,根据对比结果得到对应分段帧,从而对视频进行分段。
在一些实施例中,上述基于场景识别的警务智慧指挥室系统中,还包括,警务场景获取模块包括异常场景模板存储单元、异常场景筛选单元、帧数记录单元和异常场景获取单元,
异常场景模板存储单元,用于存储至少一帧的异常场景模板。
异常场景筛选单元,用于根据按照预设的帧数比例从分段场景视频数据抽取待筛选画面,将待筛选画面与异常场景模板进行对比,得到对比结果;
帧数记录单元,用于根据对比结果记录起始抽帧点,确定抽帧范围;
异常场景获取单元,根据抽帧范围得到对应的异常场景。
基于场景识别的警务智慧指挥室系统的推荐方法,包括以下步骤;
采集监控视频中的视频数据;
根据视频数据提取实体元素和环境元素;
根据实体元素进行判断得到分段帧,根据分段帧得到对应的分段场景视频数据。
根据分段场景视频数据获取异常场景,并将异常场景中的实体元素和/或环境元素数据输入预先训练好的警务类型分类模型中,确定警务场景;
根据警务场景输入预先训练好的警务等级分析模型中,得到对应的警务等级;
基于警务等级推荐相应的警力调度预案。
在一些实施例中,上述基于场景识别的警务智慧指挥室系统的推荐方法中,还包括,
在根据分段场景视频数据获取警务画面,并将警务画面中的实体元素和/或环境元素数据输入预先训练好的警务类型分类模型中,确定警务场景前,还包括,
获取公安数据库中包括警务场景的历史视频数据;
从历史视频数据中提取历史实体元素和历史环境元素;
将历史实体元素和历史环境元素输入第一机器学习模型得到警务类型分类模型;
将对应的警务场景输入第二机器学习模型得到警务等级分析模型。
在一些实施例中,上述基于场景识别的警务智慧指挥室系统的推荐方法中,还包括,从视频数据中提取实体元素和环境元素/从历史视频数据中提取历史实体元素和历史环境元素,包括,
获取视频数据中的实体元素/历史实体元素的轮廓图像信息和形态图像信息;
对视频数据中的实体元素/历史实体元素进行跟踪,获取实体元素/历史实体元素的转移轨迹以及转移坐标点;
对视频数据中的环境元素/历史环境元素的区域位置进行分析,获取环境元素/历史环境元素的区域类型。
在一些实施例中,上述基于场景识别的警务智慧指挥室系统的推荐方法中,还包括,根据实体元素进行判断得到分段帧,根据分段帧得到对应的分段场景视频数据,包括,
根据转移轨迹为参照,计算每个转移坐标点的实体元素的速度大小和速度方向;
将实体元素的速度大小和速度方向变化量与预设值做对比,根据对比结果得到对应分段帧,从而对视频进行分段。
在一些实施例中,上述基于场景识别的警务智慧指挥室系统的推荐方法中,还包括,根据分段场景视频数据获取异常场景,并将异常场景中的实体元素和/或环境元素数据输入预先训练好的警务类型分类模型中,确定警务场景,包括,
根据按照预设的帧数比例从分段场景视频数据抽取待筛选画面,将待筛选画面与异常场景模板进行对比,得到对比结果;
根据对比结果记录起始抽帧点,确定抽帧范围;
根据抽帧范围得到对应的异常场景;
从异常场景中筛选出警务场景。
本发明的有益效果为:
1、利用机器学习技术实现场景识别,自动提取筛选符合警务类型(例如交通事故、人群拥堵踩踏、打架斗殴、群体事件等)的场景,并确定警务类型,进而根据该警务类型为警务指挥提供辅助和参考。
2、提高了警务指挥系统的智能化程度,让警务指挥中心能够合理调度警力资源,提高指挥和出警效率。
附图说明
图1为本发明的系统结构图。
图2为本发明的方法流程图。
图3为步骤S300的子流程图。
图4为步骤S400的子流程图。
附图标记:现场采集模块100,第一识别提取模块101,分段场景获取模块102,警务场景获取模块103,警务分级模块104,指挥调度模块105,数据获取模块200,第二识别提取模块201,警务类型分类模型获取模块202,警务等级分析模型获取模块203。
具体实施方式
下面结合附图对本发明作进一步的详细说明。
为了解决上述技术问题,本发明采用了如下的技术方案:如图1所示,基于场景识别的警务智慧指挥室系统,包括,
现场采集模块,用于采集监控视频中的视频数据;
第一识别提取模块,用于从视频数据提取实体元素和环境元素;
分段场景获取模块,用于根据实体元素进行判断得到分段帧,根据分段帧得到对应的分段场景视频数据。
警务场景获取模块,用于从分段场景视频数据获取异常场景,并将异常场景中的实体元素和/或环境元素数据输入预先训练好的警务类型分类模型中,确定警务场景;
警务分级模块,用于将警务场景输入预先训练好的警务等级分析模型中,得到对应的警务等级;
指挥调度模块,用于根据警务等级推荐相应的警力调度预案。
其中,现场采集模块包括与公安系统联网的各类区域的摄像头,例如公路上的监控摄像头,娱乐场所设施的监控摄像头,商场及各类建筑物内的监控摄像头,其内部都设设置有数据传输单元,用以将实时的监控画面数据上传到公安系统的云端服务器中。
第一识别提取模块中包含有预定的深度学习算法以及多实体跟踪算法,深度学习算法包括Faster R-CNN算法,采用增强的基于区域的卷积神经网络算法(Faster R-CNN)对上述视频数据中覆盖周界区域的视频图像进行实时处理:对视频图像中的实体和环境进行目标分割和目标识别,准确识别出监控视频图像中的实体元素和环境元素,从而获取实体元素的图像信息(包括实体元素的轮廓图像信息和形态图像信息)以及环境元素的图像信息(包括环境元素的区域位置和区域类型)
多实体跟踪算法包括简单快速的SORT(Simple Online And Realtime Tracking)多目标跟踪方法、对遗失和障碍物更为深入的Deep SORT跟踪算法或其它可对视频图像中的多目标进行跟踪的算法,采用其中的任一种跟踪算法对监控视频中的实体元素进行跟踪,并分别标记不同实体元素的轨迹;记录相同实体元素的轨迹坐标点。
分段场景获取模块内搭载有预设的坐标移动算法和逻辑判断算法,基于多实体跟踪算法中得出的坐标点,针对其计算出每个实体元素轨迹点处的速度矢量,根据速度矢量,确定实体元素的速度方向和速度标量变化值,根据逻辑判断算法,设定速度变化阈值,根据速度标量变化值与速度变化阈值的对比结果和移动轨迹,确定需要进行视频分段的时刻点,根据此时刻点得到分段帧,将视频数据按照分段帧进行分段,从而得到分段场景视频数据。
警务场景获取模块中包括预设的图像差异对比算法和图像数据存储器,里面存储有各类异常场景模板数据,异常场景模板包括交通拥堵、人群拥堵、打架斗殴和群体事件的场景模板;对分段场景视频数据中按照帧数比例提取的对应数量帧的图像场景进行筛选,采用图像差异对比算法将筛选后的场景与上述场景模板对比,根据对比结果得到分段场景视频数据的异常场景,从异常场景中提取实体元素的图像信息和环境元素的图像信息,据此判断实体元素和实体元素之间的关系特征,以及实体元素和环境元素之间的关系特征,将上述关系特征输入预先训练好的警务类型分类模型中,确定出警务场景。
警务分级模块中包括有预先训练好的警务分析模型,用以将得出的警务场景输入警务等级分析模型中,警务等级分析模型对不同的警务场景进行分析判断,得出对应的警务等级。
指挥调度模块中包括预设的响应预案执行程序,当警务分级模块得出对应的警务等级后,将数据传输给指挥调度模块后,根据预设的响应预案执行程序自动触发响应预案,为警务指挥提供辅助。
在一些实施例中,上述基于场景识别的警务智慧指挥室系统中,还包括,数据获取模块,用于从公安数据库中获取包括警务场景的历史视频数据;
第二识别提取模块,用于从历史视频数据中提取历史实体元素和历史环境元素;
警务类型分类模型获取模块,用于将历史实体元素和历史环境元素输入第一机器学习模型得到警务类型分类模型;
警务等级分析模型获取模块,用于将对应的警务场景输入第二机器学习模型得到警务等级分析模型。
其中,第二识别提取模块的功能与第一识别提取模块的功能一致,包含有预定的深度学习算法,深度学习算法包括Faster R-CNN算法,采用增强的基于区域的卷积神经网络算法(Faster R-CNN)对上述视频数据中覆盖周界区域的视频图像进行实时处理:对视频图像中的实体和环境进行目标分割和目标识别,准确识别出视频图像中的实体元素和环境元素,从而获取实体元素的图像信息以及环境元素的图像信息,值得一提的是,由于历史视频数据中包括警务场景,所以得出的图像信息均为警务场景内的实体元素图像信息以及环境元素图像信息。
在一些实施例中,上述基于场景识别的警务智慧指挥室系统中,还包括,第一识别提取模块包括实体元素获取单元、实体元素跟踪单元和环境元素位置获取单元,
实体元素图像获取单元,用于获取视频数据中的实体元素的轮廓图像信息和形态图像信息。
实体元素坐标获取单元,用于对视频数据中的实体元素进行跟踪,获取实体元素的转移轨迹以及转移坐标点;
环境位置获取单元,用于对视频数据中的环境元素的区域位置进行分析,获取环境元素的区域类型。
在一些实施例中,上述基于场景识别的警务智慧指挥室系统中,还包括,分段场景获取模块包括实体转移计算单元和场景分段单元,
实体转移计算单元,用于以转移轨迹为参照,计算每个转移坐标点的实体元素的速度大小和速度方向;
场景分段单元,用于将实体元素的速度大小和速度方向变化量与预设值做对比,根据对比结果得到对应分段帧,从而对视频进行分段。
在一些实施例中,上述基于场景识别的警务智慧指挥室系统中,还包括,警务场景获取模块包括异常场景模板存储单元、异常场景筛选单元、帧数记录单元和异常场景获取单元,
异常场景模板存储单元,用于存储至少一帧的异常场景模板。
异常场景筛选单元,用于根据按照预设的帧数比例从分段场景视频数据抽取待筛选画面,将待筛选画面与异常场景模板进行对比,得到对比结果;
帧数记录单元,用于根据对比结果记录起始抽帧点,确定抽帧范围;
异常场景获取单元,根据抽帧范围得到对应的异常场景。
基于场景识别的警务智慧指挥室系统的推荐方法,包括以下步骤;
如图2所示:
S100:采集监控视频中的视频数据;
其中,视频数据包括与公安系统联网的各类区域的视频数据,例如公路的监控视频数据,娱乐场所设施内的监控视频数据,商场及各类建筑物内的监控视频数据。
S200:根据视频数据提取实体元素和环境元素;
在提取实体元素和环境元素时,主要采用预设的深度学习算法以及多实体跟踪算法进行图像采集,主要为了从中分别获取实体元素的图像信息(包括实体元素的轮廓图像信息和形态图像信息)以及环境元素的图像信息(包括环境元素的区域位置和区域类型);
其中,实体元素的轮廓图像信息用于确定实体元素的实体类型,例如人物个体和车辆个体等,形态图像信息用于确定实体元素的实体状态,例如人物个体的爬行、侧卧、仰卧、站立、下蹲和身体前倾以及车辆个体的行驶、停靠和翻车等,环境元素的图像信息中的区域位置包括人行道、车行道、河道、斑马线、商业场所、银行和施工地等。
采用其中的多实体跟踪算法对监控视频中的实体元素进行跟踪,并分别标记不同实体元素的轨迹;记录相同实体元素的轨迹坐标点。
S300:根据实体元素进行判断得到分段帧,根据分段帧得到对应的分段场景视频数据。
步骤S200中记录了视频画面中不同实体元素的轨迹以及相同实体元素的轨迹坐标点,然后根据步骤S301-S302计算每个实体元素对应轨迹坐标点处的速度大小和速度方向,设定速度大小变化量阈值和速度方向变化量的阈值,当其中实体元素的速度大小超过速度大小变化量阈值和/或实体元素的速度方向超过速度方向变化量的阈值,则得到该时刻点的分段帧,根据分段帧对视频数据进行分段,从而得到对应的分段场景视频数据。
S400:根据分段场景视频数据获取异常场景,并将异常场景中的实体元素和/或环境元素数据输入预先训练好的警务类型分类模型中,确定警务场景;
从步骤S300得出各个分段场景视频数据,然后根据步骤S401-S403从分段场景视频数据筛选出异常场景,同理从异常场景中分别获取实体元素的图像信息以及环境元素的图像信息;将得到的上述图像数据输入到预先训练好的警务类型分类模型中,从异常场景中得出警务场景。
例如:异常场景包括交通拥堵、人群拥堵、打架斗殴和群体事件的场景,但是其中交通拥堵和人群拥堵虽然为异常场景,但是此时不需要进行出警,所以不需要将其归类为警务场景,所以此步骤主要是为了对异常场景进行筛选,将异常场景中打架斗殴和群体事件的场景归类为警务场景,用于进行后续的警务等级分析判断。
S500:根据警务场景输入预先训练好的警务等级分析模型中,得到对应的警务等级;
将上述步骤中筛选出的警务场景输入预先训练好的警务等级分析模型中,得到对应的警务等级。
因为不同的警务类型所需的警力资源不同,所以针对不同的警务场景并对其进行分析判断,从而得到对应的警务等级,如此一来,得出的警务等级为后续的警力调度预案提供了相应标准以及辅助。
S600:基于警务等级推荐相应的警力调度预案。
警力调度预案包括:针对相应的警务等级做出对应的警力部署、数据上传更高层单位或者其他主管部门(例如交通部门、医疗部门)、自动调用警力调度应急预案等。
在一些实施例中,上述基于场景识别的警务智慧指挥室系统的推荐方法中,还包括,
在根据分段场景视频数据获取警务画面,并将警务画面中的实体元素和/或环境元素数据输入预先训练好的警务类型分类模型中,确定警务场景前,还包括,
获取公安数据库中包括警务场景的历史视频数据;
历史视频数据包括历史出现的警务场景的视频数据,例如打架斗殴、入室抢劫、入室盗窃和交通事故等。
从历史视频数据中提取历史实体元素和历史环境元素;
同理,从上述历史警务场景中分别获取实体元素的图像信息以及环境元素的图像信息。
将历史实体元素和历史环境元素输入第一机器学习模型得到警务类型分类模型;
将上述实体元素的图像信息以及环境元素的图像信息输入输入第一机器学习模型,得到警务类型分类模型,从而提升警务类型分类模型的分类准确率。
将对应的警务场景输入第二机器学习模型得到警务等级分析模型。
在一些实施例中,上述基于场景识别的警务智慧指挥室系统的推荐方法中,还包括,从视频数据中提取实体元素和环境元素/从历史视频数据中提取历史实体元素和历史环境元素,包括,
获取视频数据中的实体元素/历史实体元素的轮廓图像信息和形态图像信息;
实体元素的轮廓图像信息用于确定实体元素的实体类型,例如人物个体和车辆个体等,形态图像信息用于确定实体元素的实体状态,例如人物个体的爬行、侧卧、仰卧、站立、下蹲和身体前倾以及车辆个体的行驶、停靠和翻车等。
对视频数据中的实体元素/历史实体元素进行跟踪,获取实体元素/历史实体元素的转移轨迹以及转移坐标点;
对视频数据中的环境元素/历史环境元素的区域位置进行分析,获取环境元素/历史环境元素的区域类型。
环境元素的图像信息中的区域位置包括人行道、车行道、河道、斑马线、商业场所、银行和施工地等。
在一些实施例中,上述基于场景识别的警务智慧指挥室系统的推荐方法中,还包括,根据实体元素进行判断得到分段帧,根据分段帧得到对应的分段场景视频数据,包括,
如图3所示:
S301:根据转移轨迹为参照,计算每个转移坐标点的实体元素的速度大小和速度方向;
具体计算步骤包括:视频发生的先后顺序标记目标的行进方向,该目标连续两帧的轨迹点记为S1和S2,其位置坐标分别为(x1,y1)和(x2,y2),
计算S2处的速度方向:令Vx=x2-x1,Vy=y2-y1,速度方向的计算方法如下:
其中,θ1为速度方向变化值。
S302:将实体元素的速度大小和速度方向变化量与预设值做对比,根据对比结果得到对应分段帧,从而对视频进行分段。
设定速度标量变化阈值,如当前速度的200%;设定速度方向变化阈值,如30°,此外,可针对不同的监控场景、不同的分段需求等设定不同的阈值;
当视频中实体元素的速度大小超过速度标量变化阈值和/或实体元素的速度方向超过速度方向变化阈值,则将当前时刻点作为分帧点,由此对视频进行初次分段,因为此时视频中的实体元素出现异常,所以此时得到的视频段为可能出现异常场景的视频段。
在一些实施例中,为了更精确的实现分段,根据实体元素进行判断得到分段帧,根据分段帧得到对应的分段场景视频数据,步骤S300具体包括:
S301:将视频画面映射为场景网格;将场景网格表示为集合V={V1,V2,...Vi...Vj...Vn};针对视频画面中的每个实体元素,建立实体元素集合集B={B1,B2,...Bm};
S302:根据视频画面中每个实体元素的轨迹,确定每一视频画面帧中每个实体元素的轨迹覆盖的场景网格,例如,实体元素B2的轨迹覆盖场景网格V5则记为B2∈V5;
S303:确定场景网格之间的实体元素的迁移分布,用分布矩阵表示为一个n*n维矩阵W,即
矩阵的元素wij(i,j∈[1,2...n])表示场景网格Vi和Vj之间的同实体分布权重,对于每个元素wij赋值为:wij=cij*kij;其中ci为待分段的全部视频画面帧中出现在场景网格Vi内的实体元素集合,cj为待分段的全部
视频帧中出现在场景网格Vj内的实体元素集合,ci∩cj为二者的交集,ci∪cj为二者的并集,NUM(*)表示集合中元素的数量;其中其中/>为集合ci中的实体元素在场景网格Vi内出现的总次数计数值,/>为集合cj中的实体元素在场景网格Vj内出现的总次数计数值,/>为集合ci∩cj中的实体元素在场景网格Vi、Vj内出现的总次数计数值。
S304:对于场景网格V={V1,V2,...Vi...Vj...Vn},构造迁移分布矢量组P={P1、P2...Pi...Pj...Pn};该组中每个矢量Pi是一个n*1维的矢量,即
其中,为矢量Pi的初始赋值,该矢量的每个元素初始赋值为1/n,c为同一个实体元素从场景网格出发进入与之相邻的任一场景网格的概率,而(1-c)则表示从场景网格出发下一个帧仍保留在该出发的场景网格的概率;/>和/>分别表示矢量Pi在第l轮迭代和第l+1轮迭代的取值;经过一定轮次的迭代,能够进入一个稳定状态,即/>和/>的取值差小于预设的门限值;对于稳定后的矢量Pi,即可以表示同一个实体元素从场景网格Vi迁移到其它场景网格的稳定概率。
相应的,对于各个场景网格V={V1,V2,...Vi...Vj...Vn},可以求出由迭代后的稳定概率构成的迁移分布矢量组Pi={P1、P2...Pi...Pj...Pn};对于待分段的视频画面帧序列,相邻的2个帧中各自提取的实体元素集B={B1,B2,...Bm},根据上述稳定后的迁移分布矢量组P={P1、P2...Pi...Pj...Pn},每个实体元素在上一个视频画面帧所在场景网格,以及在当前视频画面帧所在的场景网格,二者之间对应于上述迁移分布矢量组的概率值;例如,上一个视频画面帧中在当前帧/>则参照矢量组P当中的矢量Pi的元素pij,作为当前帧中该实体元素Bm的节点转移概率/>进而,针对当前帧,将全部实体元素集B中的元素累加,作为当前帧的分段概率pt,即
如果当前帧的分段概率pt小于等于一个判定阈值,则将当前帧作为一个分段帧。按照如上方法,从全部待分段的视频画面帧序列中,获得一系列的分段帧,从而对视频进行分段。
在一些实施例中,上述基于场景识别的警务智慧指挥室系统的推荐方法中,还包括,根据分段场景视频数据获取异常场景,并将异常场景中的实体元素和/或环境元素数据输入预先训练好的警务类型分类模型中,确定警务场景,包括,
如图4所示:
S401:根据按照预设的帧数比例从分段场景视频数据抽取待筛选画面,将待筛选画面与异常场景模板进行对比,得到对比结果;
其中,例如帧数比例为5帧时,从步骤S302得出的视频段中的开始段抽取连续5帧的画面作为待筛选画面,此外,可以根据任务需求对帧数比例进行设置,为了提取画面的准确率,可以尽可能地降低帧数比例,必要时,可以将帧数比例降为1帧,为了提取画面的速率可以提高帧数比例,但是,至少需要保证将一个视频段平均分为两个视频段,所以最高帧数比例为视频段帧数阈值的二分之一;
例如,异常场景模板包括交通拥堵、人群拥堵、打架斗殴和群体事件的场景,将上述步骤抽取出的待筛选画面与上述异常场景模板通过图像差异对比算法进行逐帧对比,得到符合待筛选画面中异常场景模板的帧数点(时刻点)。
S402:根据对比结果记录起始抽帧点,确定抽帧范围;
确定抽帧范围时,先将首次符合待筛选画面中异常场景模板的帧数点作为起始抽帧点,因为视频画面是连续的,然后将起始抽帧点之后的首次不符合待筛选画面中异常场景模板的帧数点作为结束抽帧点,根据起始抽帧点和结束抽帧点得到抽帧范围。当一个视频段中出现多个异常场景视频段时,按上述步骤确定对应的抽帧范围。
S403:根据抽帧范围得到对应的异常场景;
抽帧范围中得到的场景必然为交通拥堵、人群拥堵、打架斗殴和群体事件等中的任一场景。
S404:从异常场景中筛选出警务场景。
异常场景交杂有交通拥堵和人群拥堵等非警务场景,以及打架斗殴和群体事件等警务场景;
其中,异常场景中包括实体元素的数量图像信息,实体元素的轮廓图像信息,例如人物个体和车辆个体等,以及实体元素形态图像信息,例如人物个体的爬行、侧卧、仰卧、站立、下蹲和身体前倾以及车辆个体的行驶、停靠和翻车等,异常场景中还包括环境元素的图像信息中的区域位置包括人行道、车行道、河道、斑马线、商业场所、银行和施工地等,综合区域位置和实体数量判断,可以得出区域类型,例如实体数量较多的区域位置为低风险区域,实体数量较少的区域位置为高风险区域;
例如:警务场景的判定方法包括:
首先进行实体判断和环境判断,根据实体元素的数量图像信息,实体元素的轮廓图像信息以及实体元素形态图像信息,得出实体元素的数量,类型和形态,以及环境元素的区域位置。
判断异常场景的区域类型为高风险区域/低风险区域;
如果判定区域类型为高风险区域,当有异常场景中实体元素进入该区域时,则直接判定为警务场景;
如果判定区域类型为低风险区域,则进一步判断异常场景中实体元素前往该区域时的数量、类型和进行动作以及实体元素与实体元素之间的动作;
如果实体元素前往/位于该区域时的数量、类型和进行动作以及实体元素与实体元素之间的动作不符合安全规范,则判定为警务场景。
可以理解的是,高风险区域内的实体元素数量少,一般属于禁止进入的危险区域,并且出现警务场景时人为报警的概率较低,所以当有实体元素进入该区域时,则直接判定为警务场景。
可以说明的是,异常场景内的实体元素也是很少被改变的,此时可以通过判断异常场景内的实体元素变化,变化包括实体之间的位置、形状、周围附着物,如果场景内实体元素进行移动、形状发生改变、周围附着物变化,可确定该场景内实体元素之间的行为、数量、位置或形状否达到规范,或是否存在其它危险,所以当实体元素前往/位于该区域时的数量、类型和进行动作以及实体元素与实体元素之间的动作不符合安全规范,则判定为警务场景。
例如:打架斗殴时,实体元素的数量较多,形态较为异常,位置改变频繁,甚至形状可能发生改变,又或是在群体踩踏事件中,实体元素的数量较多,虽然形态动作都异常,位置特征十分紧密。
根据上述判定警务场景,进行警务分级的方法为:
当实体数量超过阈值的警务场景为优先出警等级;
当实体数量超过阈值的警务场景为次级出警等级。
因为对于实体数量超过阈值的警务场景情况下,该警务场景对于社会的影响度高,并且需要的警力资源较大,所以设置为优先出警等级;
最后根据对应的出警等级推荐相应的响应预案。
以上仅是本发明优选的实施方式,需指出的是,对于本领域技术人员在不脱离本技术方案的前提下,作出的若干变形和改进的技术方案应同样视为落入本权利要求书要求保护的范围。
Claims (10)
1.基于场景识别的警务智慧指挥室系统,其特征在于:包括,
现场采集模块,用于采集监控视频中的视频数据;
第一识别提取模块,用于从所述视频数据提取实体元素和环境元素;
分段场景获取模块,用于根据所述实体元素进行判断得到分段帧,根据所述分段帧得到对应的分段场景视频数据;其中,将视频画面映射为场景网格;将场景网格表示为集合V={V1,V2,...Vi...Vj...Vn},n表示场景网格个数;针对视频画面中的每个实体元素,建立实体元素集合集B={B1,B2,...Bm},m表示实体元素的个数,根据视频画面中每个实体元素的轨迹,确定每一视频画面帧中每个实体元素的轨迹覆盖的场景网格,确定场景网格之间的实体元素的迁移分布,用分布矩阵表示为一个n*n维矩阵W,即
矩阵的元素wij,i,j∈[1,2...n]表示场景网格Vi和Vj之间的同实体分布权重,对于每个元素wij赋值为:wij=cij*kij;其中ci为待分段的全部视频画面帧中出现在场景网格Vi内的实体元素集合,cj为待分段的全部视频帧中出现在场景网格Vj内的实体元素集合,ci∩cj为二者的交集,ci∪cj为二者的并集,NUM(*)表示集合中元素的数量;其中/>其中/>为集合ci中的实体元素在场景网格Vi内出现的总次数计数值,/>为集合cj中的实体元素在场景网格Vj内出现的总次数计数值,/>为集合ci∩cj中的实体元素在场景网格Vi、Vj内出现的总次数计数值,对于场景网格V={V1,V2,...Vi...Vj...Vn},构造迁移分布矢量组P={P1、P2...Pi...Pj...Pn};该组中每个矢量Pi是一个n*1维的矢量,即
该矢量的每个元素表示同一个实体元素从场景网格Vi迁移到其它场景网格的概率;pij表示同一个实体元素从场景网格Vi迁移到场景网格Vj的概率;按照如下公式对矢量Pi进行迭代:其中,/>为矢量Pi的初始赋值,该矢量的每个元素初始赋值为1/n,c为同一个实体元素从场景网格出发进入与之相邻的任一场景网格的概率,而(1-c)则表示从场景网格出发下一个帧仍保留在该出发的场景网格的概率;/>和分别表示矢量Pi在第l轮迭代和第l+1轮迭代的取值;经过一定轮次的迭代,能够进入一个稳定状态,即/>和/>的取值差小于预设的门限值;对于稳定后的矢量Pi,即可以表示同一个实体元素从场景网格Vi迁移到其它场景网格的稳定概率,对于各个场景网格V={V1,V2,...Vi...Vj...Vn},求出由迭代后的稳定概率构成的迁移分布矢量组Pi={P1、P2...Pi...Pj...Pn};对于待分段的视频画面帧序列,相邻的2个帧中各自提取的实体元素集B={B1,B2,...Bm},根据上述稳定后的迁移分布矢量组P={P1、P2...Pi...Pj...Pn},每个实体元素在上一个视频画面帧所在场景网格,以及在当前视频画面帧所在的场景网格,二者之间对应于上述迁移分布矢量组的概率值;当上一个视频画面帧中/>在当前帧则参照矢量组P当中的矢量Pi的元素pij,作为当前帧中该实体元素Bm的节点转移概率/>针对当前帧,将全部实体元素集B中的元素累加,作为当前帧的分段概率pt,即
如果当前帧的分段概率pt小于等于一个判定阈值,则将当前帧作为一个分段帧,从而对视频进行分段;
警务场景获取模块,用于从分段场景视频数据获取异常场景,并将所述异常场景中的实体元素和/或环境元素数据输入预先训练好的警务类型分类模型中,确定警务场景;
警务分级模块,用于将所述警务场景输入预先训练好的警务等级分析模型中,得到对应的警务等级;
指挥调度模块,用于根据所述警务等级推荐相应的警力调度预案。
2.根据权利要求1所述基于场景识别的警务智慧指挥室系统,其特征在于:还包括,
数据获取模块,用于从公安数据库中获取包括警务场景的历史视频数据;
第二识别提取模块,用于从所述历史视频数据中提取历史实体元素和历史环境元素;
警务类型分类模型获取模块,用于将所述历史实体元素和历史环境元素输入第一机器学习模型得到警务类型分类模型;
警务等级分析模型获取模块,用于将对应的警务场景输入第二机器学习模型得到警务等级分析模型。
3.根据权利要求2所述的基于场景识别的警务智慧指挥室系统,其特征在于:所述第一识别提取模块包括实体元素获取单元、实体元素跟踪单元和环境元素位置获取单元,
所述实体元素获取单元,用于获取所述视频数据中的实体元素的轮廓图像信息和形态图像信息;
所述实体元素跟踪单元,用于对所述视频数据中的实体元素进行跟踪,获取所述实体元素的转移轨迹以及转移坐标点;
所述环境元素位置获取单元,用于对所述视频数据中的环境元素的区域位置进行分析,获取所述环境元素的区域类型。
4.根据权利要求3所述的基于场景识别的警务智慧指挥室系统,其特征在于:所述分段场景获取模块包括实体转移计算单元和场景分段单元,
所述实体转移计算单元,用于以所述转移轨迹为参照,计算每个所述转移坐标点的实体元素的速度大小和速度方向;
所述场景分段单元,用于将所述实体元素的速度大小和速度方向变化量与预设值做对比,根据对比结果得到对应分段帧,从而对视频进行分段。
5.根据权利要求1所述的基于场景识别的警务智慧指挥室系统,其特征在于:所述警务场景获取模块包括异常场景模板存储单元、异常场景筛选单元、帧数记录单元和异常场景获取单元,
所述异常场景模板存储单元,用于存储至少一帧的异常场景模板;
所述异常场景筛选单元,用于根据按照预设的帧数比例从所述分段场景视频数据抽取待筛选画面,将所述待筛选画面与所述异常场景模板进行对比,得到对比结果;
所述帧数记录单元,用于根据所述对比结果记录起始抽帧点,确定抽帧范围;
所述异常场景获取单元,根据所述抽帧范围得到对应的异常场景。
6.基于场景识别的警务智慧指挥室系统的推荐方法,其特征在于:包括以下步骤;
采集监控视频中的视频数据;
根据所述视频数据提取实体元素和环境元素;
根据所述实体元素进行判断得到分段帧,根据所述分段帧得到对应的分段场景视频数据;其中,将视频画面映射为场景网格;将场景网格表示为集合V={V1,V2,...Vi...Vj...Vn},n表示场景网格个数;针对视频画面中的每个实体元素,建立实体元素集合集B={B1,B2,...Bm},m表示实体元素的个数,根据视频画面中每个实体元素的轨迹,确定每一视频画面帧中每个实体元素的轨迹覆盖的场景网格,确定场景网格之间的实体元素的迁移分布,用分布矩阵表示为一个n*n维矩阵W,即
矩阵的元素wij,i,j∈[1,2...n]表示场景网格Vi和Vj之间的同实体分布权重,对于每个元素wij赋值为:wij=cij*kij;其中ci为待分段的全部视频画面帧中出现在场景网格Vi内的实体元素集合,cj为待分段的全部视频帧中出现在场景网格Vj内的实体元素集合,ci∩cj为二者的交集,ci∪cj为二者的并集,NUM(*)表示集合中元素的数量;其中/>其中/>为集合ci中的实体元素在场景网格Vi内出现的总次数计数值,/>为集合cj中的实体元素在场景网格Vj内出现的总次数计数值,/>为集合ci∩cj中的实体元素在场景网格Vi、Vj内出现的总次数计数值,对于场景网格V={V1,V2,...Vi...Vj...Vn},构造迁移分布矢量组P={P1、P2...Pi...Pj...Pn};该组中每个矢量Pi是一个n*1维的矢量,即
该矢量的每个元素表示同一个实体元素从场景网格Vi迁移到其它场景网格的概率;pij表示同一个实体元素从场景网格Vi迁移到场景网格Vj的概率;按照如下公式对矢量Pi进行迭代:其中,/>为矢量Pi的初始赋值,该矢量的每个元素初始赋值为1/n,c为同一个实体元素从场景网格出发进入与之相邻的任一场景网格的概率,而(1-c)则表示从场景网格出发下一个帧仍保留在该出发的场景网格的概率;/>和分别表示矢量Pi在第l轮迭代和第l+1轮迭代的取值;经过一定轮次的迭代,能够进入一个稳定状态,即/>和/>的取值差小于预设的门限值;对于稳定后的矢量Pi,即可以表示同一个实体元素从场景网格Vi迁移到其它场景网格的稳定概率,对于各个场景网格V={V1,V2,...Vi...Vj...Vn},求出由迭代后的稳定概率构成的迁移分布矢量组Pi={P1、P2...Pi...Pj...Pn};对于待分段的视频画面帧序列,相邻的2个帧中各自提取的实体元素集B={B1,B2,...Bm},根据上述稳定后的迁移分布矢量组P={P1、P2...Pi...Pj...Pn},每个实体元素在上一个视频画面帧所在场景网格,以及在当前视频画面帧所在的场景网格,二者之间对应于上述迁移分布矢量组的概率值;当上一个视频画面帧中/>在当前帧则参照矢量组P当中的矢量Pi的元素pij,作为当前帧中该实体元素Bm的节点转移概率/>针对当前帧,将全部实体元素集B中的元素累加,作为当前帧的分段概率pt,即
如果当前帧的分段概率pt小于等于一个判定阈值,则将当前帧作为一个分段帧,从而对视频进行分段;
根据所述分段场景视频数据获取异常场景,并将所述异常场景中的实体元素和/或环境元素数据输入预先训练好的警务类型分类模型中,确定警务场景;
根据警务场景输入预先训练好的警务等级分析模型中,得到对应的警务等级;
基于所述警务等级推荐相应的警力调度预案。
7.根据权利要求6所述的基于场景识别的警务智慧指挥室系统的推荐方法,其特征在于:在根据所述分段场景视频数据获取警务画面,并将所述警务画面中的实体元素和/或环境元素数据输入预先训练好的警务类型分类模型中,确定警务场景前,还包括,
获取公安数据库中包括警务场景的历史视频数据;
从所述历史视频数据中提取历史实体元素和历史环境元素;
将所述历史实体元素和历史环境元素输入第一机器学习模型得到警务类型分类模型;
将对应的警务场景输入第二机器学习模型得到警务等级分析模型。
8.根据权利要求7所述的基于场景识别的警务智慧指挥室系统的推荐方法,其特征在于:根据所述视频数据提取实体元素和环境元素,包括:获取所述视频数据中的实体元素的轮廓图像信息和形态图像信息,对视频数据中的实体元素进行跟踪,获取所述实体元素的转移轨迹以及转移坐标点,对所述视频数据中的环境元素的区域位置进行分析,获取所述环境元素的区域类型;
从所述历史视频数据中提取历史实体元素和历史环境元素,包括:获取所述历史视频数据中的历史实体元素的轮廓图像信息和形态图像信息,对历史视频数据中的历史实体元素进行跟踪,获取所述历史实体元素的转移轨迹以及转移坐标点;对所述历史视频数据中的历史环境元素的区域位置进行分析,获取所述历史环境元素的区域类型。
9.根据权利要求8所述的基于场景识别的警务智慧指挥室系统的推荐方法,其特征在于:所述根据所述实体元素进行判断得到分段帧,根据所述分段帧得到对应的分段场景视频数据,包括,
根据所述转移轨迹为参照,计算每个所述转移坐标点的实体元素的速度大小和速度方向;
将所述实体元素的速度大小和速度方向变化量与预设值做对比,根据对比结果得到对应分段帧,从而对视频进行分段。
10.根据权利要求6所述的基于场景识别的警务智慧指挥室系统的推荐方法,其特征在于:所述根据所述分段场景视频数据获取异常场景,并将所述异常场景中的实体元素和/或环境元素数据输入预先训练好的警务类型分类模型中,确定警务场景,包括,
根据按照预设的帧数比例从所述分段场景视频数据抽取待筛选画面,将所述待筛选画面与异常场景模板进行对比,得到对比结果;
根据所述对比结果记录起始抽帧点,确定抽帧范围;
根据所述抽帧范围得到对应的异常场景。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210147868.9A CN114913447B (zh) | 2022-02-17 | 2022-02-17 | 基于场景识别的警务智慧指挥室系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210147868.9A CN114913447B (zh) | 2022-02-17 | 2022-02-17 | 基于场景识别的警务智慧指挥室系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114913447A CN114913447A (zh) | 2022-08-16 |
CN114913447B true CN114913447B (zh) | 2023-06-30 |
Family
ID=82762465
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210147868.9A Active CN114913447B (zh) | 2022-02-17 | 2022-02-17 | 基于场景识别的警务智慧指挥室系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114913447B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116304993A (zh) * | 2023-05-22 | 2023-06-23 | 广东电网有限责任公司江门供电局 | 一种电网输变配场景采集系统、方法、设备及介质 |
CN118070129B (zh) * | 2024-04-18 | 2024-07-09 | 山东致群信息技术股份有限公司 | 基于人工智能的智慧社区警务数据处理系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582122A (zh) * | 2020-04-29 | 2020-08-25 | 成都信息工程大学 | 一种监控视频多维度行人行为智能分析系统及方法 |
CN112907876A (zh) * | 2021-01-20 | 2021-06-04 | 强悠悠 | 一种自识别和安全码的消防预警系统 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11275949B2 (en) * | 2014-02-28 | 2022-03-15 | Second Spectrum, Inc. | Methods, systems, and user interface navigation of video content based spatiotemporal pattern recognition |
EP3007099B1 (en) * | 2014-10-10 | 2022-12-07 | Continental Autonomous Mobility Germany GmbH | Image recognition system for a vehicle and corresponding method |
AU2014280948A1 (en) * | 2014-12-24 | 2016-07-14 | Canon Kabushiki Kaisha | Video segmentation method |
CN106571014A (zh) * | 2016-10-24 | 2017-04-19 | 上海伟赛智能科技有限公司 | 一种在视频中识别异常动作的方法和系统 |
CN107483887B (zh) * | 2017-08-11 | 2020-05-22 | 中国地质大学(武汉) | 一种智慧城市视频监控中突发情况的预警检测方法 |
CN112101175B (zh) * | 2020-09-09 | 2024-05-10 | 沈阳帝信人工智能产业研究院有限公司 | 基于局部图像的高速公路车辆检测及多属性特征提取方法 |
CN113612902A (zh) * | 2021-07-02 | 2021-11-05 | 宝鸡中盛鹰狼卫电子科技有限公司 | 用于铁路巡检、安保巡逻岗与护学岗的智慧哨兵平台装备 |
CN113591697A (zh) * | 2021-07-30 | 2021-11-02 | 上海电科智能系统股份有限公司 | 基于三重金字塔模型和迁移融合的视频行人再识别方法 |
CN113989732A (zh) * | 2021-09-17 | 2022-01-28 | 中时讯通信建设有限公司 | 基于深度学习的实时监控方法、系统、设备和可读介质 |
-
2022
- 2022-02-17 CN CN202210147868.9A patent/CN114913447B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582122A (zh) * | 2020-04-29 | 2020-08-25 | 成都信息工程大学 | 一种监控视频多维度行人行为智能分析系统及方法 |
CN112907876A (zh) * | 2021-01-20 | 2021-06-04 | 强悠悠 | 一种自识别和安全码的消防预警系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114913447A (zh) | 2022-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109147331B (zh) | 一种基于计算机视觉的道路拥堵状态检测方法 | |
CN111583639B (zh) | 一种道路交通拥堵预警方法及系统 | |
CN114913447B (zh) | 基于场景识别的警务智慧指挥室系统及方法 | |
KR102122859B1 (ko) | 교통 영상감시시스템의 멀티 표적 추적 방법 | |
CN110059581A (zh) | 基于场景深度信息的人群计数方法 | |
CN109887283B (zh) | 一种基于卡口数据的道路拥堵预测方法、系统及装置 | |
KR102272295B1 (ko) | 영상의 깊이정보를 이용한 차량번호판 인식률 향상 방법 | |
KR102122850B1 (ko) | 딥 러닝 기반의 교통분석 및 차량번호 인식 솔루션 | |
CN115050177A (zh) | 一种基于时空多头注意力机制的高速公路拥堵预测方法 | |
KR102282800B1 (ko) | 라이다와 영상카메라를 이용한 멀티 표적 추적 방법 | |
CN112287827A (zh) | 基于智慧灯杆的复杂环境行人口罩佩戴检测方法及系统 | |
CN112462774A (zh) | 一种基于无人机航行跟随的城市道路监管方法、系统及可读存储介质 | |
KR102333143B1 (ko) | 무인 계수 서비스 제공 시스템 | |
CN115294519A (zh) | 一种基于轻量化网络的异常事件检测及预警方法 | |
KR102186974B1 (ko) | 차량의 주차면 분석을 위한 지능형 cctv 시스템 | |
CN117456482B (zh) | 一种面向交通监控场景的异常事件识别方法及系统 | |
Ravish et al. | Intelligent traffic violation detection | |
Wang et al. | Vision-based highway traffic accident detection | |
CN116167625A (zh) | 一种基于深度学习的踩踏风险评估方法 | |
CN110765900A (zh) | 一种基于dssd的自动检测违章建筑方法及系统 | |
CN115565388A (zh) | 基于多通道车辆检测与立体特征标注的交通灯控制方法 | |
CN114743140A (zh) | 一种基于人工智能技术的消防通道占用识别方法和装置 | |
Grigoropoulos et al. | Detection and classification of bicyclist group behavior for automated vehicle applications | |
US20230386327A1 (en) | Methods and internet of things systems for managing traffic road cleaning in smart city | |
Prezioso et al. | Integrating Object Detection and Advanced Analytics for Smart City Crowd Management |
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 |