CN115035668A - 一种基于视频监控的社区安防系统 - Google Patents

Abstract

一种基于视频监控的社区安防系统，包括：基础数据模块、安全门禁模块和视频监控模块；其中：基础数据模块，用于储存社区人员信息、来访人员信息和安防事件信息，根据这三类信息分别建立社区人员数据库，来访人员数据库和安防事件数据库；安全门禁模块，用于当门禁处检测到有人物或车辆通过时，迅速抓拍人物图像和车辆图像，将抓拍图像与社区人员数据库内数据做对比，识别该目标是否为小区居民或小区车辆；视频监控模块，用于智能监控小区重点区域、事故多发区域和出行道路等区域，用于承担维护社区安全的任务。本发明能达到提前预判，自动预警，释放人力，精确巡逻的目的，有效减少安防人员工作强度，提高了社区安全的防护等级。

Description

一种基于视频监控的社区安防系统

技术领域

本发明涉及的是安防领域，特别涉及一种基于视频监控的社区安防系统。

背景技术

社区安防建设是社区建设中极为重要的一环，目前社区主流的安防手段依 赖于社区门禁系统，以及安防人员对重点区域人工视频监控两部分组成。但在 实际生活中，门禁系统并不能智能识别来访人员是否为另有目的的可疑人士。 而小区内视频监视的区域，由于安保人员通过视频人工监控的力度有限，监控 范围往往只能覆盖社区内部重点区域，并不能全方位覆盖小区。因此，目前的 社区安防手段存在缺陷。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地 解决上述问题的一种基于视频监控的社区安防系统。

为了解决上述技术问题，本申请实施例公开了如下技术方案：

一种基于视频监控的社区安防系统，包括：基础数据模块、安全门禁模块 和视频监控模块；其中：

基础数据模块，用于储存社区人员信息、来访人员信息和安防事件信息， 根据这三类信息分别建立社区人员数据库，来访人员数据库和安防事件数据 库；

安全门禁模块，用于当门禁处检测到有人物或车辆通过时，迅速抓拍人物 图像和车辆图像，将抓拍图像与社区人员数据库内数据做对比，识别该目标是 否为小区居民或小区车辆；

视频监控模块，用于智能监控小区重点区域、事故多发区域和出行道路等 区域，用于承担维护社区安全的任务。

进一步地，安全门禁模块识别该目标是否为小区居民或小区车辆，若该目 标为小区内部人员车辆，则不进行任何处理，若该目标不是内部人员或内部车 辆，则进一步在来访人员或来访车辆中筛选，观察其是否为首次进入小区，若 为首次进入小区，则不予处理，保存抓拍图片并记录其特征保存至来访人员数 据库。

进一步地，来访人员数据库记录来访人员的抓拍图片、衣着特征与来访时 间，其中衣着特征包括衣服颜色，款式，是否带口罩和帽子；来访车辆的抓拍 图片、车辆特征与来访时间，其中车辆特征包括车辆颜色，车辆型号，车牌号 码。

进一步地，若通过人脸识别和车辆识别发现其在来访人员数据库存在来访 记录，并进一步查询该目标时否被标注为可疑人员或可疑车辆，若标注为可疑 人员或可疑车辆，则由安保人员询问其进入社区目的后再允以通行；如未被标 注为可疑人员，则允许目标通行，且当来访人员与来访车辆离开小区时，保留 该来访人员或来访车辆的通行记录，再通过监控系统判断该来访人员或来访车 辆是否为可疑人员或可疑车辆。

进一步地，视频监控模块由视频采集子模块、数据分析子模块、任务分发 子模块三部分组成；其中，视频采集子模块由社区内多个视频采集装置组成， 每一个视频采集装置对应一个或者多个视频采集区域，其所获得的采集图像会 通过数据分析模块进行安防事件识别；

数据分析子模块，用于通过机器学习的手段，根据大数据分析社会安全事 件案情的预警走势，以及小区内已发生的安防事件建立神经网络模型或者深度 学习模型，进一步基于神经网络模型或者深度学习模型对社区内监控设施获取 的视频数据进行安防事件智能识别；

任务下发子模块，用于根据由大数据分析、人工智能模型训练和安保经验 三者结合设计的的网络神经模型，针对实时视频采集图像中的反馈的事故类 型，结合现场车辆数量，人员数量，环境情况要素，确定合适的巡逻人数，制 定具体的预案，并将预案下发到安保人员的移动客户端，再由安保人员前往巡 逻处理事件。

进一步地，数据分析模块，还用于对满足特定条件的外来人员车辆进行可 疑性分析，其中，对外来人员车辆进行可疑性分析公式为：

U1＝0.3*P+0.3*Q+0.4*H

U2＝0.5*P+0.5*Q+0.4*H

其中，U1为可疑人员的可疑指数，U2为来访车辆的可疑指数，P为拍摄 到的摄像头占比，Q为拍摄到目标的活动区域占比，H为拍摄到目标的楼栋外 活动时间占比。

进一步地，拍摄到的摄像头占比P获取的方法为：社区内所有的摄像头个 数为Nm，拍摄到可疑人员图像的摄像头个数为Nn，则拍摄到的摄像头占比为： P＝Nn/Nm。

进一步地，拍摄到目标的活动区域占比Q获取的方法为：所有摄像头覆盖 围成的监控区域的面积为Sg，拍摄到可疑人员图像的摄像头覆盖面积Sz，则 拍摄到目标的活动区域占比为：Q＝Sz/Sg。

进一步地，拍摄到目标的楼栋外活动时间占比H获取的方法为：目标进入 社区的总时间为Tx，拍摄到两次可疑人员图像的摄像头的最大时间间隔为Ty, 则拍摄到目标的楼栋外活动时间占比为：H＝1-Ty/Tx。

本发明实施例提供的上述技术方案的有益效果至少包括：

本发明公开的一种基于视频监控的社区安防系统，包括：基础数据模块、 安全门禁模块和视频监控模块；其中：基础数据模块，用于储存社区人员信息、 来访人员信息和安防事件信息，根据这三类信息分别建立社区人员数据库，来 访人员数据库和安防事件数据库；安全门禁模块，用于当门禁处检测到有人物 或车辆通过时，迅速抓拍人物图像和车辆图像，将抓拍图像与社区人员数据库 内数据做对比，识别该目标是否为小区居民或小区车辆；视频监控模块，用 于智能监控小区重点区域、事故多发区域和出行道路等区域，用于承担维护社 区安全的任务。本发明相对于传统人工监控的安保方式，安保人员监控无法实现24小时全天性监控，也无法覆盖社区安防的每一个角落，工作强度大且存 在漏洞。本发明通过大数据和机器学习的手段实现智能化研判，系统自动识别 异常情况并下发异常预警，安保人员只需执行安防系统下发的安保任务即可。 达到提前预判，自动预警，释放人力，精确巡逻的目的，有效减少安防人员工 作强度，提高了社区安全的防护等级。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发 明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例1中，一种基于视频监控的社区安防系统的结构图；

图2为本发明实施例1中，基础数据模块框架图；

图3为本发明实施例2中，视频监控模块工作流程图；

图4为本发明实施例2中，任务下发模块工作流程图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了 本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被 这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本 公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

为了解决现有技术中存在的问题，本发明实施例提供一种基于视频监控的 社区安防系统。

实施例1

本实施例公开了一种基于视频监控的社区安防系统，如图1，包括：基础 数据模块、安全门禁模块和视频监控模块；其中：

基础数据模块，如图2，用于储存社区人员信息、来访人员信息和安防事 件信息，根据这三类信息分别建立社区人员数据库，来访人员数据库和安防事 件数据库。

安全门禁模块，用于当门禁处检测到有人物或车辆通过时，迅速抓拍人物 图像和车辆图像，将抓拍图像与社区人员数据库内数据做对比，识别该目标是 否为小区居民或小区车辆；

在一些优选实施例中，安全门禁模块识别该目标是否为小区居民或小区车 辆，若该目标为小区内部人员车辆，则不进行任何处理，若该目标不是内部人 员或内部车辆，则进一步在来访人员或来访车辆中筛选，观察其是否为首次进 入小区，若为首次进入小区，则不予处理，保存抓拍图片并记录其特征保存至 来访人员数据库。具体的，来访人员数据库记录来访人员的抓拍图片、衣着特 征(衣服颜色，款式，是否带口罩，帽子等)与来访时间。来访车辆的抓拍图 片、车辆特征(车辆颜色，车辆型号，车牌号码)与来访时间。

若通过人脸识别和车辆识别发现其在来访人员数据库存在来访记录，并进 一步查询该目标时否被标注为可疑人员或可疑车辆，若标注为可疑人员或可疑 车辆，则由安保人员询问其进入社区目的后再允以通行。如未被标注为可疑人 员，则允许目标通行。且当来访人员与来访车辆离开小区时，保留该来访人员 或来访车辆的通行记录。再通过监控系统判断该来访人员或来访车辆是否为可 疑人员或可疑车辆。

此外，当外来车辆或外来人员离开社区时，将自动计算其可疑指数，并进 一步判断是否将其标记为可疑车辆或可疑人员。

视频监控模块，用于智能监控小区重点区域、事故多发区域和出行道路等 区域，用于承担维护社区安全的任务。

具体的，视频监控模块由视频采集子模块、数据分析子模块、任务分发子 模块三部分组成；具体细节流程如图3所示。其中，视频采集子模块由社区内 多个视频采集装置组成，每一个视频采集装置对应一个或者多个视频采集区 域，其所获得的采集图像会通过数据分析模块进行安防事件识别；

数据分析子模块，用于通过机器学习的手段，根据大数据分析社会安全事 件案情的预警走势，以及小区内已发生的安防事件建立神经网络模型或者深度 学习模型，进一步基于神经网络模型或者深度学习模型对社区内监控设施获取 的视频数据进行安防事件智能识别；

该深度学习模型或神经网络模型通过大量的网络训练和图像数据集训练， 熟悉各类安防事故的图像特征。例如发生人员冲突事件时，监控设备能监控到 双方人体大幅度肢体交互动作，且有一方刻意靠近另一人并且距离异常靠近的 特征；发生人员倒地事件时，监控设备能监控到有人体横卧在地并持续一段时 间的特征；发生人员聚集事件时，监控设备能监控到在阶段时间内人数持续增 加且多数人不运动的特征；发生火警事件时，监控设备能监控到正常画面中出 现烟雾与火焰。数据处理模块进一步将事故类型和事故现场图片转发到任务下 发模块，将任务下发至安保人员。此外，数据处理模块还需要对满足特定条件 的外来人员车辆进行可疑性分析。

数据分析模块，还用于对满足特定条件的外来人员车辆进行可疑性分析。 当社区来访人员出现在社区多个区域(拍摄到目标人员的摄像头达到一定比 例)时，对该目标人员进行可疑判断：

假设社区内所有的摄像头个数为Nm，拍摄到可疑人员图像的摄像头个数为 Nn，则拍摄到的摄像头占比为：P＝Nn/Nm。

假设所有摄像头覆盖围成的监控区域的面积为Sg，拍摄到可疑人员图像的 摄像头覆盖面积Sz,则拍摄到目标的活动区域占比为：Q＝Sz/Sg。

假设目标进入社区的总时间为Tx，拍摄到两次可疑人员图像的摄像头的最 大时间间隔为Ty,则拍摄到目标的楼栋外活动时间占比为：H＝1-Ty/Tx。

进一步设定可疑人员的可疑指数U1＝0.3*P+0.3*Q+0.4*H，可疑指数U越 高，意味着拍摄到可疑人员的摄像头所在的位置越分散，人员的活动面积越大， 停留在楼栋外面走动的时间越长。

当外来人员可疑指数U1高于某一阙值时，则意味该目标进入社区并无明 显目的，且在四处游荡。进一步对该人员进行同行人分析。若该名人员不存在 同行人或同行人同为社区外部人员，则将该人员标注为可疑人员，向任务下发 模块下发可疑人员预警，由安保人员前往实地巡逻，并将该人员标注为可疑人 员，待安保人员检查通过后再取消可疑标签。若多次监控图像其存在社区成员 同行，则不下发预警。仅在来访人员人像库中保存该人员在社区的拜访记录。

同理，设定来访车辆的可疑指数U2＝0.5*P+0.5*Q+0.4*H(U1和U2数值 上应该不相等)，由于来访车辆一般会直接停靠至社区停靠点或尽快离开，当 发现目标四处游荡时(拍摄到目标车辆的摄像头达到一定比例)，则可计算该可 疑车辆的可疑指数，当该可疑指数高于某一阙值时，可将该来访车辆标注为可 疑车辆，进一步向任务下发模块下发可疑车辆指令，再由安保人员前往实地巡 逻，待安保人员检查无误后再取消可疑标签。

任务下发子模块，用于根据由大数据分析、人工智能模型训练和安保经验 三者结合设计的的网络神经模型，针对实时视频采集图像中的反馈的事故类 型，结合现场车辆数量，人员数量，环境情况要素，确定合适的巡逻人数，制 定具体的预案，并将预案下发到安保人员的移动客户端，再由安保人员前往巡 逻处理事件。

任务下发模块具体细节如例图4所示。任务下发模块同样是根据由大数据 分析、人工智能模型训练和相关人员经验三者结合设计的的网络神经模型，针 对实时视频采集图像中的反馈的事故类型，结合现场车辆数量，人员数量，环 境情况等要素，确定合适的巡逻人数，制定具体的预案，并将预案下发到安保 人员的移动客户端。再由安保人员前往巡逻处理事件。

此外，对社区内发生的所有安保事件做备案处理，备案保存在安防事件数 据库内，备案的主要内容包括视频结构化信息，案件信息，人群信息等，这些 备案信息将用于为预案的研判提供数据支撑和优化。

此外，安保人员执行任务排查结果同样需要保存下来。例如安保人员执行 的对社区可疑人员的排查任务，待可疑人员给出合理缘由消除嫌疑属性后，可 反馈取消该目标人员的可疑标签。

本实施例公开的一种基于视频监控的社区安防系统，包括：基础数据模块、 安全门禁模块和视频监控模块；其中：基础数据模块，用于储存社区人员信息、 来访人员信息和安防事件信息，根据这三类信息分别建立社区人员数据库，来 访人员数据库和安防事件数据库；安全门禁模块，用于当门禁处检测到有人物 或车辆通过时，迅速抓拍人物图像和车辆图像，将抓拍图像与社区人员数据库 内数据做对比，识别该目标是否为小区居民或小区车辆；视频监控模块，用 于智能监控小区重点区域、事故多发区域和出行道路等区域，用于承担维护社 区安全的任务。本发明相对于传统人工监控的安保方式，安保人员监控无法实现24小时全天性监控，也无法覆盖社区安防的每一个角落，工作强度大且存 在漏洞。本发明通过大数据和机器学习的手段实现智能化研判，系统自动识别 异常情况并下发异常预警，安保人员只需执行安防系统下发的安保任务即可。 达到提前预判，自动预警，释放人力，精确巡逻的目的，有效减少安防人员工 作强度，提高了社区安全的防护等级。

应该明白，公开的过程中的步骤的特定顺序或层次是示例性方法的实例。 基于设计偏好，应该理解，过程中的步骤的特定顺序或层次可以在不脱离本公 开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给 出了各种步骤的要素，并且不是要限于所述的特定顺序或层次。

在上述的详细描述中，各种特征一起组合在单个的实施方案中，以简化本 公开。不应该将这种公开方法解释为反映了这样的意图，即，所要求保护的主 题的实施方案需要清楚地在每个权利要求中所陈述的特征更多的特征。相反， 如所附的权利要求书所反映的那样，本发明处于比所公开的单个实施方案的全 部特征少的状态。因此，所附的权利要求书特此清楚地被并入详细描述中，其 中每项权利要求独自作为本发明单独的优选实施方案。

本领域技术人员还应当理解，结合本文的实施例描述的各种说明性的逻辑 框、模块、电路和算法步骤均可以实现成电子硬件、计算机软件或其组合。为 了清楚地说明硬件和软件之间的可交换性，上面对各种说明性的部件、框、模 块、电路和步骤均围绕其功能进行了一般地描述。至于这种功能是实现成硬件 还是实现成软件，取决于特定的应用和对整个系统所施加的设计约束条件。熟 练的技术人员可以针对每个特定应用，以变通的方式实现所描述的功能，但是， 这种实现决策不应解释为背离本公开的保护范围。

结合本文的实施例所描述的方法或者算法的步骤可直接体现为硬件、由处 理器执行的软件模块或其组合。软件模块可以位于RAM存储器、闪存、ROM存 储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动磁盘、CD-ROM或者 本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质连接至处理 器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。 当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC 中。该ASIC可以位于用户终端中。当然，处理器和存储介质也可以作为分立 组件存在于用户终端中。

对于软件实现，本申请中描述的技术可用执行本申请所述功能的模块(例 如，过程、函数等)来实现。这些软件代码可以存储在存储器单元并由处理器 执行。存储器单元可以实现在处理器内，也可以实现在处理器外，在后一种情 况下，它经由各种手段以通信方式耦合到处理器，这些都是本领域中所公知的。

上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而 描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该 认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例 旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。 此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于 术语“包括”，就如同“包括，”在权利要求中用作衔接词所解释的那样。此 外，使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它 性的或者”。

Claims (9)

1.一种基于视频监控的社区安防系统，其特征在于，包括：基础数据模块、安全门禁模块和视频监控模块；其中：

基础数据模块，用于储存社区人员信息、来访人员信息和安防事件信息，根据这三类信息分别建立社区人员数据库，来访人员数据库和安防事件数据库；

安全门禁模块，用于当门禁处检测到有人物或车辆通过时，迅速抓拍人物图像和车辆图像，将抓拍图像与社区人员数据库内数据做对比，识别该目标是否为小区居民或小区车辆；

视频监控模块，用于智能监控小区重点区域、事故多发区域和出行道路等区域，用于承担维护社区安全的任务。

2.如权利要求1所述的一种基于视频监控的社区安防系统，其特征在于，安全门禁模块识别该目标是否为小区居民或小区车辆，若该目标为小区内部人员车辆，则不进行任何处理，若该目标不是内部人员或内部车辆，则进一步在来访人员或来访车辆中筛选，观察其是否为首次进入小区，若为首次进入小区，则不予处理，保存抓拍图片并记录其特征保存至来访人员数据库。

3.如权利要求2所述的一种基于视频监控的社区安防系统，其特征在于，来访人员数据库记录来访人员的抓拍图片、衣着特征与来访时间，其中衣着特征包括衣服颜色，款式，是否带口罩和帽子；来访车辆的抓拍图片、车辆特征与来访时间，其中车辆特征包括车辆颜色，车辆型号，车牌号码。

4.如权利要求3所述的一种基于视频监控的社区安防系统，其特征在于，若通过人脸识别和车辆识别发现其在来访人员数据库存在来访记录，并进一步查询该目标时否被标注为可疑人员或可疑车辆，若标注为可疑人员或可疑车辆，则由安保人员询问其进入社区目的后再允以通行；如未被标注为可疑人员，则允许目标通行，且当来访人员与来访车辆离开小区时，保留该来访人员或来访车辆的通行记录，再通过监控系统判断该来访人员或来访车辆是否为可疑人员或可疑车辆。

5.如权利要求1所述的一种基于视频监控的社区安防系统，其特征在于，视频监控模块由视频采集子模块、数据分析子模块、任务分发子模块三部分组成；其中，视频采集子模块由社区内多个视频采集装置组成，每一个视频采集装置对应一个或者多个视频采集区域，其所获得的采集图像会通过数据分析模块进行安防事件识别；

数据分析子模块，用于通过机器学习的手段，根据大数据分析社会安全事件案情的预警走势，以及小区内已发生的安防事件建立神经网络模型或者深度学习模型，进一步基于神经网络模型或者深度学习模型对社区内监控设施获取的视频数据进行安防事件智能识别；

任务下发子模块，用于根据由大数据分析、人工智能模型训练和安保经验三者结合设计的的网络神经模型，针对实时视频采集图像中的反馈的事故类型，结合现场车辆数量，人员数量，环境情况要素，确定合适的巡逻人数，制定具体的预案，并将预案下发到安保人员的移动客户端，再由安保人员前往巡逻处理事件。

6.如权利要求5所述的一种基于视频监控的社区安防系统，其特征在于，数据分析模块，还用于对满足特定条件的外来人员车辆进行可疑性分析，其中，对外来人员车辆进行可疑性分析公式为：

U1＝0.3*P+0.3*Q+0.4*H

U2＝0.5*P+0.5*Q+0.4*H

其中，U1为可疑人员的可疑指数，U2为来访车辆的可疑指数，P为拍摄到的摄像头占比，Q为拍摄到目标的活动区域占比，H为拍摄到目标的楼栋外活动时间占比。

7.如权利要求6所述的一种基于视频监控的社区安防系统，其特征在于，拍摄到的摄像头占比P获取的方法为：社区内所有的摄像头个数为Nm，拍摄到可疑人员图像的摄像头个数为Nn，则拍摄到的摄像头占比为：P＝Nn/Nm。

8.如权利要求6所述的一种基于视频监控的社区安防系统，其特征在于，拍摄到目标的活动区域占比Q获取的方法为：所有摄像头覆盖围成的监控区域的面积为Sg，拍摄到可疑人员图像的摄像头覆盖面积Sz，则拍摄到目标的活动区域占比为：Q＝Sz/Sg。

9.如权利要求6所述的一种基于视频监控的社区安防系统，其特征在于，拍摄到目标的楼栋外活动时间占比H获取的方法为：目标进入社区的总时间为Tx，拍摄到两次可疑人员图像的摄像头的最大时间间隔为Ty,则拍摄到目标的楼栋外活动时间占比为：H＝1-Ty/Tx。

Images