CN114973567B - 一种基于人脸识别的自动告警方法及终端 - Google Patents
一种基于人脸识别的自动告警方法及终端 Download PDFInfo
- Publication number
- CN114973567B CN114973567B CN202210355569.4A CN202210355569A CN114973567B CN 114973567 B CN114973567 B CN 114973567B CN 202210355569 A CN202210355569 A CN 202210355569A CN 114973567 B CN114973567 B CN 114973567B
- Authority
- CN
- China
- Prior art keywords
- entering
- personnel
- information
- person
- time
- 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 33
- 238000012544 monitoring process Methods 0.000 claims abstract description 32
- 230000000694 effects Effects 0.000 claims description 26
- 230000006399 behavior Effects 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000003542 behavioural effect Effects 0.000 claims 1
- 230000000875 corresponding effect Effects 0.000 description 42
- 238000007726 management method Methods 0.000 description 16
- 230000002159 abnormal effect Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000013500 data storage Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
- G08B13/189—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems
- G08B13/194—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems
- G08B13/196—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems using television cameras
- G08B13/19602—Image analysis to detect motion of the intruder, e.g. by frame subtraction
- G08B13/19613—Recognition of a predetermined image pattern or behaviour pattern indicating theft or intrusion
- G08B13/19615—Recognition of a predetermined image pattern or behaviour pattern indicating theft or intrusion wherein said pattern is defined by the user
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Emergency Management (AREA)
- Alarm Systems (AREA)
Abstract
本发明提供的一种基于人脸识别的自动告警方法及终端,其方法包括:实时获取监控区域内各个进入人员的身份信息和轨迹信息,轨迹信息包括时间信息和位置信息;基于进入人员的身份信息得到人员类型和对应的权重值,根据进入人员的人员类型对时间信息和位置信息赋予不同的权重值;根据进入人员的人员类型、时间信息和位置信息所对应的权重值得到进入人员的安全系数,根据进入人员的安全系数进行自动预警;由此,本发明对于时间信息和位置信息的赋值还基于不同的人员类型而不同,从而能够提供更准确更灵活的安全预警,以减少安全事件的发生。
Description
技术领域
本发明涉及数据处理技术领域,特别涉及一种基于人脸识别的自动告警方法及终端。
背景技术
随着摄像头的普及使用,人们使用摄像头来监测区域的技术也日渐成熟,比如设置在门上的可视化门铃、放置在室内的监控摄像头以及设置在公共区域的抓拍摄像头。
在有些应用场景下,需要对监测区域内的人员是否异常进行实时监测,比如对在家的小孩、老人的视频监护,而现有技术中往往只能针对已经发生的危险行为进行识别,比如有陌生人非法闯入监测区域、当前人员摔倒在地、当前人员出血等等。
因此,现有对监测区域的实时异常监测无法实现提前预警,从而不能在危险发生之前及时制止,减少安全事件的发生。
发明内容
(一)要解决的技术问题
为了解决现有技术的上述问题,本发明提供一种基于人脸识别的自动告警方法及终端,能够实现安全预警,以减少安全事件的发生。
(二)技术方案
为了达到上述目的,本发明采用的技术方案为:
一种基于人脸识别的自动告警方法,包括:
实时获取监控区域内各个进入人员的身份信息和轨迹信息,所述轨迹信息包括时间信息和位置信息;
基于所述进入人员的身份信息得到人员类型和对应的权重值,根据所述进入人员的人员类型对时间信息和位置信息赋予不同的权重值;
根据所述进入人员的人员类型、时间信息和位置信息所对应的权重值得到所述进入人员的安全系数,根据所述进入人员的安全系数进行自动预警。
进一步地,所述时间信息包括停留时间点和停留时长,所述位置信息包括停留子区域以及同一进入人员在预设时间内出现在同一子区域的出现频率,所述根据所述进入人员的人员类型对时间信息和位置信息赋予不同的权重值包括:
根据所述进入人员的轨迹信息得到停留时间点、停留时长、停留子区域以及同一进入人员在预设时间内出现在同一子区域的出现频率;
根据所述进入人员的人员类型为所述停留时间点、所述停留时长、所述停留子区域和所述出现频率赋予不同的权重值,所述监控区域按照安全等级划分多个子区域,所述停留时长为在所述停留子区域内的持续时间;
所述根据所述进入人员的人员类型、时间信息和位置信息所对应的权重值得到所述进入人员的安全系数包括:
根据所述进入人员的人员类型、停留时间点、停留时长、停留子区域和出现频率所对应的权重值得到所述进入人员的安全系数。
进一步地,所述进入人员的安全系数等于所述进入人员的人员类型、停留时间点、停留时长、停留子区域和出现频率所对应的权重值的乘积。
进一步地,还包括:
实时获取监控区域内各个进入人员的行为数据并赋予对应的权重值;
所述根据所述进入人员的人员类型、时间信息和位置信息所对应的权重值得到所述进入人员的安全系数包括:
根据所述进入人员的人员类型、时间信息、位置信息和行为数据所对应的权重值得到所述进入人员的安全系数。
进一步地,当所述行为数据超过预警条件,则直接进行预警。
进一步地,还包括:
将所述进入人员按照是否能合法进出所述监控区域分为限制人员和活动人员;
从所有进入人员的轨迹信息去除掉集体活动的轨迹信息之后得到限制人员和活动人员的交集轨迹信息,所述集体活动的轨迹信息为在预设集体时间内和预设集体子区域处所产生的轨迹信息,所述交集轨迹信息的接触形式包括在同一时间点且同一位置的直接交集以及先后依次进入同一子区域的间接交集,所述间接交集的先后关系依据进入子区域的间隔人数不超过预设人数来判断;
对所述交集轨迹信息所涉及的两个进入人员,根据接触形式、两人之间的交集次数、两人各自在所有交集轨迹信息中所接触的人员数量以及基于两者身份的差异所得到的接触风险来得到两个进入人员的交集风险;
根据所进入的子区域的风险级别、进入子区域的时间差、进入子区域的间隔人数以及两个进入人员的交集风险对交集轨迹信息进行判断是否存在不合法接触,若有,则进行预警。
进一步地,还包括:
对于所述交集轨迹信息所涉及的两个进入人员,若两人之间的交集次数超过交集阈值或者自身在所有交集轨迹信息中所接触的人员数量超过人员阈值,则将所述进入人员进行标记,被标记的进入人员所对应的预警系数小于没被标记的进入人员的预警系数。
进一步地,所述人员类型至少包括管理人员、限制人员和拜访人员,所述管理人员的权重值高低与其权限等级的高低相反,所述限制人员的权重值高低与进入所述监控区域的限制原因的轻重相反。
进一步地,所述根据所述进入人员的安全系数进行自动预警包括:
判断所述进入人员的安全系数是否超过预警系数,若是,则进行预警并将所述进入人员的身份信息和轨迹信息发送至所述监控区域的管理人员。
为了达到上述目的,本发明采用的另一种技术方案为:
一种基于人脸识别的自动告警终端,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实施上述的方法。
(三)有益效果
本发明的有益效果在于:一种基于人脸识别的自动告警方法及终端,通过实时获取监控区域内各个进入人员的身份信息、时间信息和位置信息,根据进入人员的身份信息得到人员类型和对应的权重值,根据进入人员的人员类型对时间信息和位置信息赋予不同的权重值,之后根据进入人员的人员类型、时间信息和位置信息所对应的权重值得到进入人员的安全系数,以进行自动预警。即本发明对于时间信息和位置信息的赋值还基于不同的人员类型而不同,从而能够提供更准确更灵活的安全预警,以减少安全事件的发生。
附图说明
图1为本发明实施例的一种基于人脸识别的自动告警方法的主要流程示意图;
图2为本发明实施例的一种基于人脸识别的自动告警方法的模块示意图。
图3为本发明实施例的一种基于人脸识别的自动告警终端的结构示意图;
【附图标记说明】
1:一种基于人脸识别的自动告警终端;
2:处理器;
3:存储器。
具体实施方式
为了更好的解释本发明,以便于理解,下面结合附图,通过具体实施方式,对本发明作详细描述。
实施例一
对于本实施例中,其涉及到的架构如图2所示,在需要监控的区域里,设置有区域信息采集终端、人脸识别摄像头、数据存储服务器和数据处理模块,其中,数据处理模块包括人员安全系数规则单元、安全系数生成单元以及异常事件报警单元,数据存储服务器分别与区域信息采集终端、人脸识别摄像头和数据处理模块通信连接,数据存储服务器用于接收区域信息采集终端和人脸识别摄像头采集的实时数据,将实时数据送至数据处理模块进行处理之后,得到的结果数据存储至数据存储服务器,由此,管理人员通过显示设备来获取数据存储服务器内的实时数据和结果数据。
请参照图1,一种基于人脸识别的自动告警方法,包括步骤:
S1、实时获取监控区域内各个进入人员的身份信息和轨迹信息,轨迹信息包括时间信息和位置信息;
在本实施例中,时间信息包括停留时间点和停留时长,位置信息包括停留子区域以及同一进入人员在预设时间内出现在同一子区域的出现频率。
其中,停留时长为在停留子区域内的持续时间,从进入人员进入该子区域开始累计,若进入人员在不同子区域内来回走动,则每次进入该子区域都要重新计算。
其中,监控区域根据封闭空间或者管理需求划分不同的子区域。
在本实施例中,通过获取特点环境下区域信息采集终端和人脸识别摄像头所采集的多维度数据,通过提取多维度数据中身份信息、轨迹信息以及历史记录的轨迹信息,形成安全等级关键数据,从而实时了解其人员的活动。
S2、基于进入人员的身份信息得到人员类型和对应的权重值,根据进入人员的人员类型对时间信息和位置信息赋予不同的权重值;
其中,步骤S2包括:
S21、基于进入人员的身份信息得到人员类型和对应的权重值。
在本实施例中,人员类型包括管理人员、限制人员和拜访人员,管理人员的权重值高低与其权限等级的高低相反,限制人员的权重值高低与进入监控区域的限制原因的轻重相反。
其中,分别在拜访人员信息库、管理人员信息库和限制人员信息库按照已经录入身份信息库分析人员类型RY:管理人员RY1,拜访人员RY2,限制人员RY3,根据已知人员和未知人员划分权值:RY1<RY2<RY3。
具体而言,本实施例对于人员类型还进一步根据职位确定对应的权重值:
1、管理人员权重值RY1。
1.1、职能管理人员权重值:RY1a。职能管理人员是指管理单位的领导,根据领导职务大小,可以设置有不同的权重值,职务越高其安全等级越高,则权重值越低,也可以为统一数值,在本实施例中,为统一数值0.005,在其他实施例中,职能管理人员的取值范围为0~0.01之间。
1.2、执勤管理人员权重值:RY1b。执勤管理人员一般指巡逻管理人员,指在工作时间内在所负责的区域巡逻的人员,因此其在工作时间内安全等级相对较高,则权重值越低,在本实施例中取值为0.05,在其他实施例中,职能管理人员的取值范围为0.01~0.08之间。
1.3、普通管理人员权重值:RY1c。普通管理人员一般指值班管理人员,在相对固定的区域内办公,安全等级相对偏低,在本实施例中取值为0.1,在其他实施例中,职能管理人员的取值范围为0.08~0.15之间。
2、拜访人员权重值RY2。
2.1、无不良记录者的权重值:RY2a。在本实施例中取值为0.3。
2.2、有不良记录者的权重值:根据不良记录的严重程度分为RY2b、RY2c和RY2d。在本实施例中取值依次为0.4、0.5和1,其中RY2d对应的是原本要在监控区域内但逃离的人员,而此类人员在识别之后就可以直接进行预警。
3、限制人员权重值RY3。
根据进入监控区域的限制原因的轻重分为RY3a、RY3b和RY3c。在本实施例中取值依次为0.4、0.6和0.7。
S22、根据进入人员的轨迹信息得到停留时间点、停留时长、停留子区域以及同一进入人员在预设时间内出现在同一子区域的出现频率;
其中,停留时间点是获取到这个轨迹信息的当前时间,停留时长是从进入这个子区域到当前时间的累计时长,停留子区域是指轨迹信息中的位置信息所在的子区域,出现频率则需要从预设时间内筛选出同一进入人员在同一子区域的出现次数,这个出现次数并非是指一条轨迹信息就算一次,而是将在某一子区域中持续存在时间内的所有轨迹信息算一次,比如某一进入人员在14:00-18:00都呆在某一子区域,他可能有很多条轨迹信息,但是在这一子区域的出现次数只算一次,而如果某一进入人员在14:00-15:00在某一子区域出现,之后前往其他区域后于15:45回到子区域并继续待到18:00,则出现次数计算两次。
而对于持续存在时间的预判,可以根据实际情况进行进一步的设定,比如在前后两条轨迹信息的相差时间为15分钟以内的都算同一个持续存在时间,比如14:00-15:00在某一子区域出现,15:00离开,但是15:10又回来该子区域,并继续待到18:00,则出现次数计算一次。
S23、根据进入人员的人员类型为出现频率赋予不同的权重值P;
在本实施例中,预设时间为3天,则具体为:
3天内在同一子区域的出现次数小于或等于Q次:权重值P1为1;
3天内在同一子区域的出现次数为Q-2Q次:权重值P2为2;
3天内在同一子区域的出现次数为2Q-3Q次:权重值P3为2.5;
3天内在同一子区域的出现次数大于3Q次:权重值P4为3。
其中,根据人员类型的不同赋予不同的出现频率,
在本实施例中,对于Q的取值,拜访人员最低为1,限制人员为2,管理人员为3。而对于巡逻管理人员来说,因为工作区间本身就是在自己的工作区域进行巡逻,因此,将巡逻管理人员在预设的工作时间内出现在巡逻的工作区域里的次数每三天只算Q次。这样,巡逻管理人员在正常工作时间内的巡逻只符合“3天内在同一子区域的出现次数小于或等于3次”这一条件,因此其权重值为1,并不影响最终安全系数的大小。同理,限制人员在对应的时间内出现在对应允许的区域里的次数每三天也只算Q次。
因此,当人员类型不同时,相同的出现频率也会得到不同的权重值,假设出现频率为5次,对于拜访人员来说属于“3天内在同一子区域的出现次数大于3Q次”,则权重值为3;而对于限制人员来说属于“3天内在同一子区域的出现次数为2Q-3Q次”,则权重值为2.5;而对于管理人员来说则属于“3天内在同一子区域的出现次数为Q-2Q次”,则权重值为2。
S24、根据进入人员的人员类型为停留子区域赋予不同的权重值QY;
根据人员类型的不同划分不同的区域等级,这样每一种人员类型在同一子区域也会因为自己的区域等级不同而得到不同的权重值,比如限制人员在自己所允许的区域是属于安全区域,管理人员在自己工作的区域是属于安全区域,拜访人员在自己拜访的区域是属于安全区域,因此,同一子区域对于不同人员类型来说是属于不同的区域等级,则对应有不同的权重值。
在本实施例中,区域等级包括安全区域QY1、警告区域QY2、危险区域QY3和特殊区域QY4,其权重值分别为:
安全区域QY1为正常管控区域权重值为1;
警告区域QY2为正常管控区域与管理区域的边界区域权重值为1.5;
危险区域QY3为管理区域权重值为3;
特殊区域QY4为重点防护区域等权重值为5;
S25、根据进入人员的人员类型为停留时间点赋予不同的权重值TP;
其中,根据不同的人员类型划分不同的停留时间点,具体为:
对应管制时间的安全时间点TP1,其权重值为1;
对应活动时间的警告时间点TP2,其权重值为1.2;
对应休息时间的危险时间点TP3,其权重值为3。
比如对于管理人员来说,他的上班时间是8:30-17:30,则其在8:30-17:30内的时间点认为是安全时间点,然后监控区域的休息时间为21:00-7:00,则其在21:00-7:00内的时间点认为是危险时间点,除此之外的活动时间7:00-8:30以及17:30-21:00则为警告时间点。
其中,职能管理人员和执勤管理人员在工作时间的任何地方停留都是安全的,因此无需计算停留时间点TP。
S26、根据进入人员的人员类型为停留时长赋予不同的权重值TP;
其中,对于停留时长设置了四个危险等级:安全等级、第一危险等级、第二危险等级和第三危险等级,分别设置权重值为SC1、SC2、SC3和SC4。
根据不同的人员类型划分不同的超出时间X,具体为:
安全等级表示人员在活动区域时间段内未超出规定活动时间,则SC1权重值为1;
第一危险等级表示人员在活动区域时间段内超出规定活动时间X分钟,则SC2权重值为3;
第二危险等级表示人员在活动区域时间段内超出规定活动时间X-2X分钟,则SC3权重值为4;
第三危险等级表示人员在活动区域时间段内超出规定活动时间大于2X分钟,则SC4权重值为5;
比如限制人员的超出时间要低于管理人员的超出时间,一个具体的示例,限制人员的超出时间为10分钟,管理人员的超出时间为30分钟。
由此可见,在步骤S21至步骤S26的权重值赋予过程,停留时间点、停留时长、停留子区域和出现频率的权重值都是根据人员类型的不同而有所区别,以更加准确地区分进入人员的行为是否是异常,从而实现更加精细更加准确的异常研判。
S27、实时获取监控区域内各个进入人员的行为数据并赋予对应的权重值;
在本实施例中,具体为:
人群聚集,肢体摩擦;则权重值DT1为2;
重点防范区域做破环性行为;则权重值DT2为3;
超越警戒线和规定区域、脱离监管擅自行动;则权重值DT3为4;
其中,当无对应的DT行为则无需计算DT系数。
其中,当行为数据超过预警条件,则直接进行预警。在实际应用中,根据实际需求设定预警条件,在一些管理比较严格的场景下,当发生的肢体摩擦就认为超过预警条件。
S3、根据所述进入人员的人员类型、时间信息和位置信息所对应的权重值得到所述进入人员的安全系数,根据所述进入人员的安全系数进行自动预警;
在本实施例中,步骤S3为:
S31、根据进入人员的人员类型、停留时间点、停留时长、停留子区域、出现频率和行为数据所对应的权重值得到进入人员的安全系数,根据进入人员的安全系数进行自动预警;
S32、判断进入人员的安全系数是否超过预警系数,若是,则进行预警并将进入人员的身份信息和轨迹信息发送至监控区域的管理人员。
在本实施例中,进入人员的安全系数等于进入人员的人员类型、停留时间点、停留时长、停留子区域和出现频率所对应的权重值的乘积,即将进入人员的人员类型RY、停留时间点TP、停留时长SC、停留子区域QY、出现频率P、行为数据DT根据不同人员计算公式:
WX=RY*TP*SC*QY*P*DT。
即当进入人员的安全系数WX在0-1之内为正常值,当有1个或者多个进入人员的WX>=1时即立刻发出告警将犯人信息及具体位置告知管理人员,做出相对措施。
在具体实施应用中,整个过程具体如下:
(1)访客处理方法:
在访客来访时经过人脸采集信息,将采集到的信息跟已有信息库进行对比,若已有信息库不存在此人,则是新访客,将此人信息存入访客信息库当中;
若是已有信息库中存在的人员,则判断是哪个库,如果是有不良行为的按照有不良行为的再次进行判断严重程度,根据不良记录的严重程度赋予不同的权重值;
如果检测是原本要在监控区域内但逃离的人员信息库中的人员,则马上告警,将来访者信息及具体位置告知管理人员,使管理人员听到预警后更高效的做出行动。
(2)进入人员的比较方法:
正常工作中,经过系统进行信息采集,给不同的人员类型赋予初值RY,再分别采集以下信息:停留时间点TP、停留时长SC、停留子区域QY、出现频率P、行为数据DT。
再通过规则公式计算安全系数WX,计算出安全系数WX是否大于1,若安全系数WX大于1,则立刻发出告警,将犯人信息及具体位置告知管理人员,使管理人员听到预警后更高效的做出行动。
赋予权限的管理人员,得到职能管理人员的信任,规定时间段SC内一直赋予安全值,超出时间段后告知职能管理人员,恢复原来管理人员职位。
实施例二
请参照图1,在上述实施例一的基础上,一种基于人脸识别的自动告警方法,还包括:
S4、将进入人员按照是否能管理合法进出监控区域分为限制人员和活动人员;
对应上述实施例一的三种人员类型,其中将处于工作时间的管理人员和处于拜访时间的拜访人员合并为可以合法进出监控区域的活动人员。
S5、从所有进入人员的轨迹信息去除掉集体活动的轨迹信息之后得到限制人员和活动人员的交集轨迹信息。
其中,集体活动的轨迹信息为在预设集体时间内和预设集体子区域处所产生的轨迹信息,在实际应用场景下,在自由活动、劳动、体育、学习等合法集体活动中,进入人员本身就存在大量的交集,而合法集体活动是允许的交集行为,排除此类集体活动的轨迹信息,不仅能够大幅度降低计算压力,同时也不会影响异常判断结果,保证了异常判断的实时性和准确性。
其中,交集轨迹信息的接触形式包括在同一时间点且同一位置的直接交集以及先后依次进入同一子区域的间接交集,间接交集的先后关系依据进入子区域的间隔人数不超过预设人数来判断;比如预设人数为2,则两个人进出这个区域的间隔人数不超过两个就认为是间接交集。
比如第一个限制人员在第一时间进入某一子区域,之后第二个限制人员、第一个活动人员、第三个限制人员、第二个活动人员依次进入。则间接交集的两个进入人员为第一个限制人员和第一个活动人员、第二个限制人员和第一个活动人员以及第三个限制人员和第二个活动人员共三对,而第一个限制人员和第二个活动人员间隔了三个人,因此不算间接交集,以此类推。
S6、判断是否存在两个相同的进入人员在同一子区域且同一时间区间内的轨迹记录的条数是否超过三次,若是,则直接上报预警,否则执行步骤S7;
S7、对交集轨迹信息所涉及的两个进入人员,根据接触形式、两人之间的交集次数、两人各自在所有交集轨迹信息中所接触的人员数量以及基于两者身份的差异所得到的接触风险来得到两个进入人员的交集风险;
其中,直接接触的接触形式的交集风险比间接接触的高,在本实施例中权重值分别为3和1。
其中,两人之间的交集次数根据限制人员和活动人员的平均交集次数来给予不同的权重值,该权重值在两人之间的交集次数为平均交集次数时为1,限制人员和活动人员的最高交集次数所对应的权重值为3,限制人员和活动人员的最低交集次数所对应的权重值为0.1,其余交集次数的权重值依据比例进行对应设置。
应当说明的是,与实施例一相同的是,交集次数是要考虑时间的持续性和区域的持续性,在同一子区域的连续时间区间内的轨迹信息应当整合为一条来计算交集次数,比如限制人员在14:00-14:10分位于劳动区域的卫生间,活动人员在14:12-14:18分位于劳动区域的同一卫生间,则只计算一次间接交集的交集次数。
其中,两人各自在所有交集轨迹信息中所接触的人员数量根据限制人员和活动人员的平均接触人员来给予不同的权重值,具体参照上面的交集次数的权重值设置。
由此,相较于传统的固定赋值方式,将所有人员在对应指标上的平均数值作为衡量是否异常的程度,能够更准确的得到符合实际情况的风险预判结果。
其中,直接接触的接触形式的交集风险比间接接触的高。
其中,三种人员类型中的管理人员、拜访人员和限制人员依据实施例一描述也存在进一步的身份区分,依据管理人员、拜访人员和限制人员的顺序来计算身份的差异,其中,管理人员根据职位高低、拜访人员根据不良行为的轻重、限制人员根据限制原因的轻重来依次排序。
从而综合考虑接触形式、交集次数、接触人员数量和接触风险来得到两个人的交集风险,保证交集风险的数据可靠性,保证后续得到的预警的可靠性。
S8、根据所进入的子区域的风险级别、进入子区域的时间差、进入子区域的间隔人数以及两个进入人员的交集风险对交集轨迹信息进行判断是否存在不合法接触,若有,则进行预警。
其中,进入子区域的时间差和进入子区域的间隔人数体现两个进入人员进入子区域是倾向于偶然发生的交集还是刻意发生的交集,由此体现此次交集是否是无意还是刻意。
由此,为了更加准确的判断出不合法接触,在本实施例中,步骤S8为:
S81、根据子区域的封闭性和隐藏性来得到所进入的子区域的风险级别和对应的权重值;
其中,封闭性是指子区域形成封闭的面积大小,因为任何的区域最终都是会被封闭起来的,只是说形成封闭的面积大小而已,由此,若形成封闭的面积越小,则相对来说封闭性更高,反之则更低。
在本实施例中,隐藏性的确定包括以下两个方面:一个是子区域内可以藏匿物体的程度,可以藏匿物体的程度与隐藏性呈正相关;另一个是监控盲区的有无,存在监控盲区的子区域的隐藏性高于没有监控盲区的子区域的隐藏性。
在本实施例中,所进入的子区域的风险级别依据接触形式也对应不同的权重值。具体而言,风险级别FX分成:
封闭性和隐藏性都高的高风险FX1,其权重值在直接接触时为5,在间接接触时为2;
封闭性和隐藏性其中一个低的中风险FX2,其权重值在直接接触时为2,在间接接触时为1;
封闭性和隐藏性都低的低风险FX3,其权重值在直接接触时为1,在间接接触时为0.5;
S82、判断接触形式是否为直接接触,若是,则直接根据所进入的子区域的风险级别和两个进入人员的交集风险对交集轨迹信息进行判断是否存在不合法接触,若有,则进行预警,否则执行S83;
S83、对于两个进入人员中的第一活动人员进行轨迹信息往前追溯,以确定第一活动人员的上一徘徊位置,获取上一徘徊位置与当前接触位置的平均用时,将第一活动人员从上一徘徊位置到当前接触位置的第一用时除于平均用时得到用时比例,将两个进入人员进入子区域的实际时间差乘于用时比例得到最终时间差,根据最终时间差确定权重值;
在本实施例中,徘徊位置为在子区域中持续超过五分钟的子区域。
在本实施例中,以30分钟的权重值为1,每增加10分钟则降低0.1的权重值直至最低值0.1,每减少5分钟权重值增加0.5,直至最高值3。
S84、根据进入子区域的间隔人数确定其对应的权重值;
在本实施例中,间隔人数为0、1、2时分别对应权重值2、1、0.5。
在此基础上,在进行不合法接触的判断时还包括轨迹规律,由于限制人员本身就会受到管理人员的监督,其活动轨迹相较于活动人员本身就更具有规律,且在出现不规律的地方也容易被管理人员发现并制止,因此,为了降低计算压力,本实施例只针对活动人员的轨迹规律进行进一步的分析。具体如下:
S85、提取第一活动人员在第一徘徊位置到第一徘徊位置的下一徘徊位置的每一条轨迹记录,得到历史徘徊信息;
将第一活动人员产生交集时的第一徘徊位置到下一徘徊位置的轨迹和时间点与所有历史徘徊信息的轨迹和时间点分别进行趋势分析,得到轨迹规律和对应的权重值;
其中,第一徘徊位置为步骤S83中的上一徘徊位置,在筛选历史徘徊信息时,根据第一活动人员的所有历史轨迹筛选出出现在上一徘徊位置的轨迹记录,若在上一徘徊位置的轨迹记录超过最大记录数值,则随机获取最大记录数值条的轨迹记录即可。
其中,轨迹的趋势分析为统计历史徘徊信息中每一个下一徘徊位置的出现次数,其中,第一活动人员产生交集时的轨迹与历史徘徊信息中出现次数最多的轨迹一致,则对应最低权重值0.2,反之为最高权重值2,其余按照出现次数的排序进行等比例换算,比如出现次数有100、10、5和1,则对应的权重值分别为0.2、0.8、1.4和2。即如果产生交集的徘徊位置是进入人员原本就经常走的位置,则不认为是异常,因此权重值较低,反之则较高。
其中,时间点的分析和上述轨迹分析一致。具体而言,将时间点的时位数按照24小时制得到整数位,将时间点的分位数按照与60分的比例换算成小数位,比如时间点为下午2:30,则时间点的时位数2按照24小时制得到整数位14,将时间点的分位数30按照与60分的比例换算成小数位5,即得到最终换算后的数值14.5,按照间隔半小时且区间长度为一小时的方式划分为48个时间区间,比如00:00-01:00、00:30-01:30、01:00-02:00等等,将所有时间点换算后的数值在48个时间区间内的出现次数进行排序,第一活动人员产生交集时的时间点所位于的时间区间与历史徘徊信息中出现次数最多的时间区间一致,则对应最低权重值0.2,反之为最高权重值2,其余按照出现次数的排序进行等比例换算,比如出现次数有20、8、6、5和2,则对应的权重值为0.2、0.65、1.1、1.55和2。而采用48个时间区间使得时间点会落入两个时间区间,将其对应的权重值进行平均计算。
将轨迹的轨迹相似度分析结果所对应的权重值和时间点所对应的权重值进行相乘后得到轨迹规律所对应的权重值,其中,两者的权重值最高为2,轨迹规律所对应的权重值最高为4。
其中,在实时采集人员移动轨迹的同时标记其徘徊位置,从而减轻后续计算压力。同时,本实施例中将时间区间划分成48个小时区间,使得相邻区间内有半个小时的重叠区间,能够更好的反应出时间点的规律,避免在整点附近的波动造成的偏差,从而更好的保证数据准确性。
S86、根据所进入的子区域的风险级别、进入子区域的时间差、进入子区域的间隔人数、轨迹规律以及两个进入人员的交集风险对交集轨迹信息进行判断是否存在不合法接触,若有,则进行预警
在本实施例中,将上述步骤S7、步骤S81至步骤S85得到的不同权重值进行相乘之后与1进行比对来判断判断是否存在不合法接触,若有,则进行预警。
实施例三
请参照图1和图2,在上述实施例一的基础上,一种基于人脸识别的自动告警方法,还包括:
对于交集轨迹信息所涉及的两个进入人员,若两人之间的交集次数超过交集阈值或者自身在所有交集轨迹信息中所接触的人员数量超过人员阈值,则将进入人员进行标记,被标记的进入人员所对应的预警系数小于没被标记的进入人员的预警系数。
比如在本实施例一中的预警系数为1,则预警系数1为没被标记的进入人员的预警系数,而被标记的进入人员所对应的预警系数在本实施例中确定为0.6。即结合实际的历史轨迹信息来对进入人员进行进一步的区分,从而得到更准确的异常预判结果。
实施例四
请参照图3,一种基于人脸识别的自动告警终端1,包括存储器3、处理器2及存储在存储器3上并可在处理器2上运行的计算机程序,所述处理器2执行所述计算机程序时实现上述实施例一中的步骤。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等同变换,或直接或间接运用在相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (7)
1.一种基于人脸识别的自动告警方法,其特征在于,包括:
S1、实时获取监控区域内各个进入人员的身份信息和轨迹信息,所述轨迹信息包括时间信息和位置信息;
S2、基于所述进入人员的身份信息得到人员类型和对应的权重值,根据所述进入人员的人员类型对时间信息和位置信息赋予不同的权重值;
S3、根据所述进入人员的人员类型、时间信息和位置信息所对应的权重值得到所述进入人员的安全系数,根据所述进入人员的安全系数进行自动预警;
所述时间信息包括停留时间点和停留时长,所述位置信息包括停留子区域以及同一进入人员在预设时间内出现在同一子区域的出现频率,所述根据所述进入人员的人员类型对时间信息和位置信息赋予不同的权重值包括:
根据所述进入人员的轨迹信息得到停留时间点、停留时长、停留子区域以及同一进入人员在预设时间内出现在同一子区域的出现频率;
根据所述进入人员的人员类型为所述停留时间点、所述停留时长、所述停留子区域和所述出现频率赋予不同的权重值,所述监控区域按照安全等级划分多个子区域,所述停留时长为在所述停留子区域内的持续时间;
所述根据所述进入人员的人员类型、时间信息和位置信息所对应的权重值得到所述进入人员的安全系数包括:
根据所述进入人员的人员类型、停留时间点、停留时长、停留子区域和出现频率所对应的权重值得到所述进入人员的安全系数;
S4、将所述进入人员按照是否能合法进出所述监控区域分为限制人员和活动人员;
S5、从所有进入人员的轨迹信息去除掉集体活动的轨迹信息之后得到限制人员和活动人员的交集轨迹信息,所述集体活动的轨迹信息为在预设集体时间内和预设集体子区域处所产生的轨迹信息,所述交集轨迹信息的接触形式包括在同一时间点且同一位置的直接交集以及先后依次进入同一子区域的间接交集,所述间接交集的先后关系依据进入子区域的间隔人数不超过预设人数来判断;
S6、对所述交集轨迹信息所涉及的两个进入人员,根据接触形式、两人之间的交集次数、两人各自在所有交集轨迹信息中所接触的人员数量以及基于两者身份的差异所得到的接触风险来得到两个进入人员的交集风险;
S7、对于所述交集轨迹信息所涉及的两个进入人员,若两人之间的交集次数超过交集阈值或者自身在所有交集轨迹信息中所接触的人员数量超过人员阈值,则将所述进入人员进行标记,被标记的进入人员所对应的预警系数小于没被标记的进入人员的预警系数;
S8、根据所进入的子区域的风险级别、进入子区域的时间差、进入子区域的间隔人数以及两个进入人员的交集风险对交集轨迹信息进行判断是否存在不合法接触,若有,则进行预警;
步骤S8为:
S81、根据子区域的封闭性和隐藏性来得到所进入的子区域的风险级别和对应的权重值;
S82、判断接触形式是否为直接接触,若是,则直接根据所进入的子区域的风险级别和两个进入人员的交集风险对交集轨迹信息进行判断是否存在不合法接触,若有,则进行预警,否则执行S83;
S83、对于两个进入人员中的第一活动人员进行轨迹信息往前追溯,以确定第一活动人员的上一徘徊位置,获取上一徘徊位置与当前接触位置的平均用时,将第一活动人员从上一徘徊位置到当前接触位置的第一用时除于平均用时得到用时比例,将两个进入人员进入子区域的实际时间差乘于用时比例得到最终时间差,根据最终时间差确定权重值;
S84、根据进入子区域的间隔人数确定其对应的权重值;
S85、提取第一活动人员在第一徘徊位置到第一徘徊位置的下一徘徊位置的每一条轨迹记录,得到历史徘徊信息;
将第一活动人员产生交集时的第一徘徊位置到下一徘徊位置的轨迹和时间点与所有历史徘徊信息的轨迹和时间点分别进行趋势分析,得到轨迹规律和对应的权重值;
S86、根据所进入的子区域的风险级别、进入子区域的时间差、进入子区域的间隔人数、轨迹规律以及两个进入人员的交集风险对交集轨迹信息进行判断是否存在不合法接触,若有,则进行预警。
2.根据权利要求1所述的方法,其特征在于,所述进入人员的安全系数等于所述进入人员的人员类型、停留时间点、停留时长、停留子区域和出现频率所对应的权重值的乘积。
3.根据权利要求1所述的方法,其特征在于,还包括:
实时获取监控区域内各个进入人员的行为数据并赋予对应的权重值;
所述根据所述进入人员的人员类型、时间信息和位置信息所对应的权重值得到所述进入人员的安全系数包括:
根据所述进入人员的人员类型、时间信息、位置信息和行为数据所对应的权重值得到所述进入人员的安全系数。
4.根据权利要求3所述的方法,其特征在于,当所述行为数据超过预警条件,则直接进行预警。
5.根据权利要求1所述的方法,其特征在于,所述人员类型至少包括管理人员、限制人员和拜访人员,所述管理人员的权重值高低与其权限等级的高低相反,所述限制人员的权重值高低与进入所述监控区域的限制原因的轻重相反。
6.根据权利要求1所述的方法,其特征在于,所述根据所述进入人员的安全系数进行自动预警包括:
判断所述进入人员的安全系数是否超过预警系数,若是,则进行预警并将所述进入人员的身份信息和轨迹信息发送至所述监控区域的管理人员。
7.一种基于人脸识别的自动告警终端,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实施权利要求1至6任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210355569.4A CN114973567B (zh) | 2022-04-06 | 2022-04-06 | 一种基于人脸识别的自动告警方法及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210355569.4A CN114973567B (zh) | 2022-04-06 | 2022-04-06 | 一种基于人脸识别的自动告警方法及终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114973567A CN114973567A (zh) | 2022-08-30 |
CN114973567B true CN114973567B (zh) | 2024-01-16 |
Family
ID=82977924
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210355569.4A Active CN114973567B (zh) | 2022-04-06 | 2022-04-06 | 一种基于人脸识别的自动告警方法及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114973567B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115578826B (zh) * | 2022-11-21 | 2023-03-28 | 广州中科诺泰技术有限公司 | 一种厂区环境监控预警系统 |
CN115841205A (zh) * | 2023-01-03 | 2023-03-24 | 北京码牛科技股份有限公司 | 一种校园风险预警方法、系统、终端及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016141641A1 (zh) * | 2015-03-11 | 2016-09-15 | 中兴通讯股份有限公司 | 一种可疑人员识别方法及装置 |
CN107564225A (zh) * | 2017-10-27 | 2018-01-09 | 华润电力技术研究院有限公司 | 一种图像检测报警系统 |
CN110009784A (zh) * | 2019-04-02 | 2019-07-12 | 深圳市万物云科技有限公司 | 基于人工智能的监控联防方法和装置及系统与存储介质 |
CN110751080A (zh) * | 2019-10-16 | 2020-02-04 | 浙江大华技术股份有限公司 | 异常人员的聚集预警方法、系统及相关装置 |
CN110795963A (zh) * | 2018-08-01 | 2020-02-14 | 深圳云天励飞技术有限公司 | 一种基于人脸识别的监控方法、装置及设备 |
CN112530116A (zh) * | 2020-11-26 | 2021-03-19 | 上海天健体育科技发展有限公司 | 一种基于人脸识别的校园越界自动预警方法 |
CN113343913A (zh) * | 2021-06-29 | 2021-09-03 | 广东粤港澳大湾区国家纳米科技创新研究院 | 目标确定方法、装置、存储介质及计算机设备 |
CN113793441A (zh) * | 2021-11-17 | 2021-12-14 | 兰和科技(深圳)有限公司 | 基于物联网的校园访客安全分析系统 |
CN113823055A (zh) * | 2021-11-23 | 2021-12-21 | 兰和科技(深圳)有限公司 | 一种校园安全保障智能化监管预警系统及方法 |
-
2022
- 2022-04-06 CN CN202210355569.4A patent/CN114973567B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016141641A1 (zh) * | 2015-03-11 | 2016-09-15 | 中兴通讯股份有限公司 | 一种可疑人员识别方法及装置 |
CN107564225A (zh) * | 2017-10-27 | 2018-01-09 | 华润电力技术研究院有限公司 | 一种图像检测报警系统 |
CN110795963A (zh) * | 2018-08-01 | 2020-02-14 | 深圳云天励飞技术有限公司 | 一种基于人脸识别的监控方法、装置及设备 |
CN110009784A (zh) * | 2019-04-02 | 2019-07-12 | 深圳市万物云科技有限公司 | 基于人工智能的监控联防方法和装置及系统与存储介质 |
CN110751080A (zh) * | 2019-10-16 | 2020-02-04 | 浙江大华技术股份有限公司 | 异常人员的聚集预警方法、系统及相关装置 |
CN112530116A (zh) * | 2020-11-26 | 2021-03-19 | 上海天健体育科技发展有限公司 | 一种基于人脸识别的校园越界自动预警方法 |
CN113343913A (zh) * | 2021-06-29 | 2021-09-03 | 广东粤港澳大湾区国家纳米科技创新研究院 | 目标确定方法、装置、存储介质及计算机设备 |
CN113793441A (zh) * | 2021-11-17 | 2021-12-14 | 兰和科技(深圳)有限公司 | 基于物联网的校园访客安全分析系统 |
CN113823055A (zh) * | 2021-11-23 | 2021-12-21 | 兰和科技(深圳)有限公司 | 一种校园安全保障智能化监管预警系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114973567A (zh) | 2022-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114973567B (zh) | 一种基于人脸识别的自动告警方法及终端 | |
CN106485871B (zh) | 通过应用统计推断模型来提供误报警的早期预测和预报的系统和方法 | |
US8326987B2 (en) | Method for adaptively building a baseline behavior model | |
JP5560397B2 (ja) | 自律型防犯警戒システム及び自律型防犯警戒方法 | |
US7158022B2 (en) | Automated diagnoses and prediction in a physical security surveillance system | |
KR102058452B1 (ko) | IoT 융합 지능형 영상분석 플랫폼 시스템 | |
CA2845952A1 (en) | System and method of anomaly detection with categorical attributes | |
CN104821060A (zh) | 一种抢劫预警方法及装置 | |
CN104050771B (zh) | 异常检测的系统和方法 | |
CN111885360A (zh) | 区块链生产车间智能监控系统 | |
CN114973140A (zh) | 基于机器视觉的危险区域人员闯入监测方法及系统 | |
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 | |
US20210200808A1 (en) | Prison monitoring intelligent control method with comparative analysis function | |
CN107609330B (zh) | 基于门禁日志挖掘的内部威胁异常行为分析方法 | |
CN116758490B (zh) | 基于ai算法的施工现场安全帽佩戴检测与预警方法及系统 | |
CN113743238A (zh) | 异常行为的检测方法、装置、电子装置和存储介质 | |
CN212624326U (zh) | 一种智能识别告警系统 | |
CN110443727A (zh) | 一种识别施工现场安全行为的方法 | |
CN115346170A (zh) | 一种燃气设施区域的智能监控方法及装置 | |
CN113721564A (zh) | 智能车间安全管理系统 | |
CN111754054A (zh) | 基于主动感知的智慧安全管理平台、方法、介质及设备 | |
CN117746338B (zh) | 基于人工智能的物业园区安全管理方法及系统 | |
CN116682204B (zh) | 基于多源数据分析的门禁管理方法及系统 | |
CN117354469B (zh) | 一种基于安防预警的小区监控视频目标跟踪方法及系统 | |
CN117853078B (zh) | 基于无人机的建筑工程施工现场动态安全报警系统及方法 |
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 |