CN115131740A - 告警信息关联方法、装置、电子设备和计算机可读介质 - Google Patents

告警信息关联方法、装置、电子设备和计算机可读介质 Download PDF

Info

Publication number
CN115131740A
CN115131740A CN202211060924.1A CN202211060924A CN115131740A CN 115131740 A CN115131740 A CN 115131740A CN 202211060924 A CN202211060924 A CN 202211060924A CN 115131740 A CN115131740 A CN 115131740A
Authority
CN
China
Prior art keywords
information
region
face
feature
target
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.)
Granted
Application number
CN202211060924.1A
Other languages
English (en)
Other versions
CN115131740B (zh
Inventor
吴冬伟
李浩浩
刘忠平
孙国亮
刘子雪
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.)
Haiyi Technology Beijing Co ltd
Original Assignee
Haiyi Technology Beijing 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 Haiyi Technology Beijing Co ltd filed Critical Haiyi Technology Beijing Co ltd
Priority to CN202211060924.1A priority Critical patent/CN115131740B/zh
Publication of CN115131740A publication Critical patent/CN115131740A/zh
Application granted granted Critical
Publication of CN115131740B publication Critical patent/CN115131740B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • G06V40/173—Classification, e.g. identification face re-identification, e.g. recognising unknown faces across different face tracks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/18—Eye characteristics, e.g. of the iris

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Human Resources & Organizations (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Strategic Management (AREA)
  • Human Computer Interaction (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Medical Informatics (AREA)
  • Ophthalmology & Optometry (AREA)
  • Computer Security & Cryptography (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本公开的实施例公开了告警信息关联方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：获取第一告警信息对应的第一区域图像；对第一区域图像包含的目标对象进行人脸特征提取；确定第二告警信息序列中的每个第二告警信息对应的第二区域图像；对第二区域图像序列中的每个第二区域图像进行人脸特征提取；确定第一人脸特征信息和第二人脸特征信息序列中的每个第二人脸特征信息的特征相似度，得到目标相似度数值；从第二告警信息序列中筛选出对应的目标相似度数值满足筛选条件的第二告警信息，作为目标告警信息；将第一告警信息和目标告警信息集合进行告警信息关联。该实施方式提高了告警信息的关联效率。

Description

告警信息关联方法、装置、电子设备和计算机可读介质
技术领域
本公开的实施例涉及计算机技术领域，具体涉及告警信息关联方法、装置、电子设备和计算机可读介质。
背景技术
告警信息关联是指将相同告警事件对应的多个告警信息进行关联的一项技术。目前，在进行告警信息关联时，通常采用的方式是：通过人工的方式进行手动告警信息关联。
然而，发明人发现，当采用上述方式时，经常会存在如下技术问题：
第一，当监控区域内包含较多监控设备、且多个监控设备被触发时，采用人工的方式进行告警信息关联，告警信息的关联效率低下；
第二，通过比对包含触发监控设备的对象的图像的方式进行告警信息关联时，受限于图像采集的角度、距离等影响，导致匹配结果不够精准，从而影响告警信息的关联准确度。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了告警信息关联方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面，本公开的一些实施例提供了一种告警信息关联方法，该方法包括：获取第一告警信息对应的第一区域图像，其中，上述第一告警信息是目标监控设备被触发时产生的告警信息，上述第一区域图像是上述目标监控设备对应的图像采集设备采集的图像，上述第一区域图像为包含目标对象的图像，上述目标对象为触发上述目标监控设备的对象；对上述第一区域图像包含的上述目标对象进行人脸特征提取，以生成第一人脸特征信息；确定第二告警信息序列中的每个第二告警信息对应的第二区域图像，得到第二区域图像序列，其中，上述第二告警信息序列中的第二告警信息是在目标时间段产生的告警信息；对上述第二区域图像序列中的每个第二区域图像进行人脸特征提取，以生成第二人脸特征信息，得到第二人脸特征信息序列；确定上述第一人脸特征信息和上述第二人脸特征信息序列中的每个第二人脸特征信息的特征相似度，得到目标相似度数值；从上述第二告警信息序列中筛选出对应的目标相似度数值满足筛选条件的第二告警信息，作为目标告警信息，得到目标告警信息集合；将上述第一告警信息和上述目标告警信息集合进行告警信息关联。
第二方面，本公开的一些实施例提供了一种告警信息关联装置，装置包括：获取单元，被配置成获取第一告警信息对应的第一区域图像，其中，上述第一告警信息是目标监控设备被触发时产生的告警信息，上述第一区域图像是上述目标监控设备对应的图像采集设备采集的图像，上述第一区域图像为包含目标对象的图像，上述目标对象为触发上述目标监控设备的对象；第一人脸特征提取单元，被配置成对上述第一区域图像包含的上述目标对象进行人脸特征提取，以生成第一人脸特征信息；第一确定单元，被配置成确定第二告警信息序列中的每个第二告警信息对应的第二区域图像，得到第二区域图像序列，其中，上述第二告警信息序列中的第二告警信息是在目标时间段产生的告警信息；第二人脸特征提取单元，被配置成对上述第二区域图像序列中的每个第二区域图像进行人脸特征提取，以生成第二人脸特征信息，得到第二人脸特征信息序列；第二确定单元，被配置成确定上述第一人脸特征信息和上述第二人脸特征信息序列中的每个第二人脸特征信息的特征相似度，得到目标相似度数值；筛选单元，被配置成从上述第二告警信息序列中筛选出对应的目标相似度数值满足筛选条件的第二告警信息，作为目标告警信息，得到目标告警信息集合；告警信息关联单元，被配置成将上述第一告警信息和上述目标告警信息集合进行告警信息关联。
第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
第五方面，本公开的一些实施例提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的告警信息关联方法，提高了告警信息的关联效率。具体来说，造成告警信息的关联效率低下的原因在于：当监控区域包含较多监控设备、且多个监控设备被触发时，采用人工的方式进行告警信息关联，告警信息关联效率低下。基于此，本公开的一些实施例的告警信息关联方法，首先，获取第一告警信息对应的第一区域图像，其中，上述第一告警信息是目标监控设备被触发时产生的告警信息，上述第一区域图像是上述目标监控设备对应的图像采集设备采集的图像，上述第一区域图像为包含目标对象的图像，上述目标对象为触发上述目标监控设备的对象。实际情况中，当目标对象触发目标监控设备时，即产生新的告警信息时，获取第一告警信息对应的第一区域图像以用于后续的告警信息关联。接着，对上述第一区域图像包含的上述目标对象进行人脸特征提取，以生成第一人脸特征信息。实际情况中，相同的告警事件往往对应相同的告警对象，因此，通过人脸特征提取，以用于后续的特征比对。进一步，确定第二告警信息序列中的每个第二告警信息对应的第二区域图像，得到第二区域图像序列，其中，上述第二告警信息序列中的第二告警信息是在目标时间段产生的告警信息。实际情况中，当相同告警对象触发多个监控设备，以生成多个告警信息时，得到的多个告警信息在时间维度上存在着相近性，由此，可以获取历史一段时间内的告警信息，避免针对全部告警信息进行比对所造成的时间浪费。此外，对上述第二区域图像序列中的每个第二区域图像进行人脸特征提取，以生成第二人脸特征信息，得到第二人脸特征信息序列。通过生成第二人脸特征信息，以用于后续的特征比对。接着，确定上述第一人脸特征信息和上述第二人脸特征信息序列中的每个第二人脸特征信息的特征相似度，得到目标相似度数值。除此之外，从上述第二告警信息序列中筛选出对应的目标相似度数值满足筛选条件的第二告警信息，作为目标告警信息，得到目标告警信息集合。以此筛选出与第一告警信息相关联的多个第二告警信息。最后，将上述第一告警信息和上述目标告警信息集合进行告警信息关联。通过此种方式，实现了告警信息的自动关联，大大提高了告警信息的关联效率。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
图1是根据本公开的告警信息关联方法的一些实施例的流程图；
图2是根据本公开的告警信息关联装置的一些实施例的结构示意图；
图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
继续参考图1，示出了根据本公开的告警信息关联方法的一些实施例的流程100。该告警信息关联方法，包括以下步骤：
步骤101，获取第一告警信息对应的第一区域图像。
在一些实施例中，告警信息关联方法的执行主体（例如，计算设备）可以通过有线连接或无线连接方式，获取上述第一告警信息对应的第一区域图像。其中，第一告警信息是目标监控设备被触发时产生的告警信息。上述第一区域图像是上述目标监控设备对应的图像采集设备采集的图像。上述第一区域图像为包含目标对象的图像，上述目标对象为触发上述目标监控设备的对象。其中，目标监控设备可以是目标区域内的警情监控设备。例如，目标监控设备可以是一体式火警报警器。又如，目标区域可以是教学园区。图像采集设备可以是用于采集触发告警设备的对象的设备。例如，图像采集设备可以是摄像头。第一区域图像为目标对象触发上述目标监控设备时，由目标监控设备对应的图像采集设备采集的、包含有上述目标对象的图像。
需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB（ultra wideband）连接、以及其他现在已知或将来开发的无线连接方式。
需要说明的是，上述计算设备可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。应该理解，计算设备的数目根据实现需要，可以具有任意数目的计算设备。
步骤102，对上述第一区域图像包含的上述目标对象进行人脸特征提取，以生成第一人脸特征信息。
在一些实施例中，上述执行主体可以对上述第一区域图像包含的上述目标对象进行人脸特征提取，以生成第一人脸特征信息。其中，上述第一人脸特征信息可以表征上述第一区域图像包含的目标对象对应的脸部特征。
作为示例，上述执行主体可以通过RCNN（Region-CNN，基于区域的卷积神经网络）模型，对上述第一区域图像包含的上述目标对象进行人脸特征提取，以生成上述第一人脸特征信息。例如，上述第一人脸特征信息可以通过一维特征向量表征。
可选地，上述第一人脸特征信息包括：第一人脸特征区域信息集合和第一全局人脸结构特征信息。其中，第一人脸特征区域信息表征上述第一区域图像包含的上述目标对象的脸部区域的特征。第一全局人脸结构特征信息表征上述第一区域图像包含的上述目标对象的全局脸部结构特征。上述第一人脸特征区域信息集合中的第一人脸特征区域信息包括：第一区域边界信息、第一区域特征点信息集合和第一区域结构特征信息。其中，第一区域边界信息表征第一人脸特征区域信息对应的脸部区域的轮廓。第一区域特征点信息集合表征第一人脸特征区域信息对应的脸部区域内的特征点。第一区域结构特征信息表征第一人脸特征区域信息对应的脸部区域的脸部结构特征。
在一些实施例的一些可选的实现方式中，上述执行主体对上述第一区域图像包含的上述目标对象进行人脸特征提取，以生成第一人脸特征信息，可以包括以下步骤：
第一步，对上述第一区域图像进行人脸识别，以确定人脸所在区域。
其中，人脸所在区域是上述目标对象的脸部在上述第一区域图像内的所在区域。上述执行主体可以通过人脸识别模型，对上述第一区域图像进行人脸识别，以确定上述人脸所在区域。例如，上述人脸识别模型可以是DBFace模型。
第二步，根据上述人脸所在区域，对上述第一区域图像进行图像裁剪，以生成第一人脸图像。
其中，上述第一人脸图像是上述人脸所在区域在上述第一区域图像中对应的子图像。
第三步，对上述第一人脸图像进行人眼定位，以确定上述第一人脸图像包含的上述目标对象的眼眦间距值，得到眼眦间距值集合。
其中，首先，上述执行主体可以通过基于霍夫变换的人眼定位算法，确定上述第一人脸图像包含的上述目标对象的双眼。然后，上述执行主体可以确定上述双眼的眼眦间距，得到上述眼眦间距值集合。
第四步，根据上述眼眦间距值集合，确定均值眼眦间距值。
其中，上述执行主体可以将上述眼眦间距值集合中的各个眼眦间距值的均值，确定为上述均值眼眦间距值。
第五步，根据上述均值眼眦间距值和预设眼眦间距值，确定上述第一人脸图像的图像缩放比例。
其中，预设眼眦间距值是人脸信息库中包含的各个人脸信息对应人脸包含的眼眦距离均值。例如，上述执行主体可以将上述均值眼眦间距值和上述预设眼眦间距值的比值，确定为上述图像缩放比例。
第六步，根据上述图像缩放比例，对上述第一人脸图像进行人脸缩放，以生成缩放后人脸图像。
其中，上述第一人脸图像的图像尺寸与上述缩放后人脸图像的图像尺寸的比值为上述图像缩放比例。
第七步，对上述缩放后人脸图像进行图像矫正，以生成矫正后人脸图像。
作为示例，上述执行主体可以通过OpenCV库，对上述缩放后人脸图像进行图像矫正，以生成矫正后人脸图像。
第八步，通过预先训练的人脸特征提取模型包括的目标数量个人脸特征区域识别模型，对上述矫正后人脸图像进行区域识别，以生成上述第一人脸特征区域信息集合中各个第一人脸特征区域信息包括的第一区域边界信息。
其中，目标数量与识别区域的数量一致。例如，识别区域可以包括：眼睛区域，耳朵区域，鼻子区域，嘴巴区域。则上述目标数量可以是4，即上述人脸特征提取模型包括4个人脸特征区域识别模型。人脸特征提取模型包括的多个人脸特征区域识别模型的模型结构一致。上述多个人脸特征区域识别模型并行设置。作为示例，上述人脸特征区域识别网络可以是FaceID网络。
实践中，多个人脸特征区域识别模型可以通过人脸图像进行模型预训练。多个人脸特征区域识别模型在预训练阶段模型参数共享。多个人脸特征区域识别模型在训练阶段可以根据对应的区域，选择对应的图像训练样本进行训练。例如，人脸特征区域识别模型对应区域可以是“嘴巴区域”，则可以用包含“嘴巴区域”的正样本，以及不包含“嘴巴区域”的负样本进行模型的训练。通过加入预训练的步骤，以及设置参数共享，提高模型的训练速度。
第九步，对于上述第一人脸特征区域信息集合中的每个第一人脸特征区域信息包括的第一区域边界信息，执行以下处理步骤：
第一子步骤，通过上述人脸特征提取模型包括的关键点检测模型对上述第一区域边界信息对应的子图像进行关键点检测，以生成上述第一人脸特征区域信息包括的第一区域特征点信息集合。
其中，上述关键点检测模型可以是用于提取第一区域边界信息对应的子图像包含的面部关键点的模型。例如，上述关键点检测模型可以是GAN（Generative AdversarialNetwork，生成对抗网络）模型+CNN（Convolutional Neural Network，卷积神经网络）模型。
第二子步骤，对上述第一人脸特征区域信息包括的第一区域特征点信息集合进行局部关键特征点提取，以生成局部关键特征点信息，得到局部关键特征点信息集合。
其中，上述局部关键特征点信息集合对应的特征点是第一区域边界信息对应的子图像中的非边界特征点。
第三子步骤，根据上述局部关键特征点信息集合，生成上述第一人脸特征区域信息包括的第一区域结构特征信息。
其中，上述第一区域结构特征信息表征上述第一人脸特征区域信息对应的子图像包含的网状结构特征。
作为示例，上述执行主体可以根据局部关键特征点信息集合中的局部关键特征点信息对应的特征点，构建特征点网，以生成网状结构特征，得到上述第一区域结构特征信息。
第四子步骤，对上述第一人脸特征区域信息集合中的各个第一人脸特征区域信息包括的第一区域特征点信息集合进行全局关键特征点提取，以生成全局关键特征点信息，得到全局关键特征点信息集合。
其中，上述全局关键特征点信息集合中的全局关键特征点信息对应的特征点为非边界特征点。
第五子步骤，根据上述全局关键特征点信息集合，生成上述第一人脸特征信息包括的上述第一全局人脸结构特征信息。
其中，上述第一全局人脸结构特征信息表征上述矫正后人脸图像包含的网状结构特征。
作为示例，上述执行主体可以根据全局关键特征点信息集合中的全局关键特征点信息对应的特征点，构建特征网，以生成网状结构特征，得到上述第一全局人脸结构特征信息。
上述步骤103中的“第一步”至“第九步”的内容，作为本公开的一个发明点，解决了背景技术提及的技术问题二，即“通过比对包含触发监控设备的对象的图像的方式进行告警信息关联时，受限于图像采集的角度、距离等影响，导致匹配结果不够精准，从而影响告警信息的关联准确度”。实际情况中，常规的采用人脸匹配的方式往往采用特征点匹配的方式，但受限于图像采集的角度、距离等影响，使得相同的特征点，在匹配过程中，存在匹配失败的问题。此外，提取得到的特征点往往为离散型的特征点，当提取得到的特征点的数量较少时，会导致匹配成功率降低。当提取得到的特征点较多时，又会降低消耗大量的特征提取时间，从而影响后续的特征匹配的效率，基于此，本公开，首先，对第一区域图像进行人脸识别，以确定人脸所在区域。接着，根据上述人脸所在区域，对上述第一区域图像进行图像裁剪，以生成第一人脸图像。实际情况中，采集得到的第一区域图像往往包含非人脸区域，若未对第一区域图像进行裁剪，会造成后续提取得到的特征点包含非人脸区域包含的特征点，从而影响特征比对准确度，此外，通过对图像裁剪，也一定程度上减少了提取的特征点的数量。接着，对上述第一人脸图像进行人眼定位，以确定上述第一人脸图像包含的上述目标对象的眼眦间距值，得到眼眦间距值集合。然后，根据上述眼眦间距值集合，确定均值眼眦间距值。此外，根据上述均值眼眦间距值和预设眼眦间距值，确定上述第一人脸图像的图像缩放比例。进一步，根据上述图像缩放比例，对上述第一人脸图像进行人脸缩放，以生成缩放后人脸图像。实际情况中，受限于图像采集的角度、距离等影响，使得人脸图像的大小往往不一致，当图像尺寸不一致时，相同的特征点可能存在匹配不成功的问题，因此，结合预设眼眦间距值和均值眼眦间距值，得到用于图像缩放的图像缩放比例，使得图像尺寸一致。同时，考虑到人脸可能存在歪斜的情形，因此，对图像进行校正，以消除人脸歪斜的问题。接着，在进行特征提取时，本公开将人脸图像进行区域划分，除提取区域内的特征点外，同时根据特征点构建第一区域结构特征信息，以此实现区域内的局部面部区域表征。并且，还结合了区域的边界。同时，还生成了第一全局人脸结构特征信息，以此实现全局面部区域表征。通过此种方式，相较于仅提取特征点的方式，得到的特征的表达能力更为全面。大大提高了后续的匹配结果的精准度，从而，提高了告警信息的关联准确度。
步骤103，确定第二告警信息序列中的每个第二告警信息对应的第二区域图像，得到第二区域图像序列。
在一些实施例中，上述执行主体可以确定第二告警信息序列中的每个第二告警信息对应的第二区域图像，得到第二区域图像序列。其中，第二告警信息序列中的第二告警信息是在目标时间段产生的告警信息。上述目标时间段可以是早于上述第一告警信息产生时间的时间段。
作为示例，首先，上述执行主体可以确定上述目标时间段内长很多个告警信息，作为第二告警信息，得到第二告警信息序列。其次，对于第二告警信息序列中的每个第二告警信息，获取产生上述第二告警信息的监控设备对应的图像采集设备采集的图像，作为上述第二告警信息对应的第二区域图像。
步骤104，对上述第二区域图像序列中的每个第二区域图像进行人脸特征提取，以生成第二人脸特征信息，得到第二人脸特征信息序列。
在一些实施例中，上述执行主体可以对上述第二区域图像序列中的每个第二区域图像进行人脸特征提取，以生成第二人脸特征信息，得到第二人脸特征信息序列。
作为示例，上述执行主体可以通过RCNN（Region-CNN，基于区域的卷积神经网络）模型，对上述第二区域图像包含的对象进行人脸特征提取，以生成上述第二人脸特征信息。例如，上述第二人脸特征信息可以通过一维特征向量表征。
可选地，上述第二人脸特征信息序列中的第二人脸特征信息可以包括：第二人脸特征区域信息集合和第二全局人脸结构特征信息，其中，上述第二人脸特征区域信息集合中的第二人脸特征区域信息包括：第二区域边界信息、第二区域特征点信息集合和第二区域结构特征信息。其中，第二人脸特征区域信息表征上述第二区域图像包含的脸部区域的特征。第二全局人脸结构特征信息表征上述第二区域图像包含的全局脸部结构特征。第二区域边界信息表征第二人脸特征区域信息对应的脸部区域的轮廓。第二区域特征点信息集合表征第二人脸特征区域信息对应的脸部区域内的特征点。第二区域结构特征信息表征第二人脸特征区域信息对应的脸部区域的脸部结构特征。
在一些实施例的一些可选的实现方式中，上述执行主体可以采用步骤102中的“第一步”至“第九步”的方式生成第二人脸特征信息，得到上述第二人脸特征信息序列，在此不再赘述。
步骤105，确定上述第一人脸特征信息和上述第二人脸特征信息序列中的每个第二人脸特征信息的特征相似度，得到目标相似度数值。
在一些实施例中，上述执行主体可以确定上述第一人脸特征信息和上述第二人脸特征信息序列中的每个第二人脸特征信息的特征相似度，得到目标相似度数值。其中，目标相似度数值表征第一人脸特征信息和第二人脸特征信息的人脸特征相似度。
作为示例，上述执行主体可以通过余弦相似度算法，确定第一人脸特征信息和第二人脸特征信息的人脸特征相似度。
在一些实施例的一些可选的实现方式中，上述执行主体确定上述第一人脸特征信息和上述第二人脸特征信息序列中的每个第二人脸特征信息的特征相似度，得到目标相似度数值，可以包括以下步骤：
第一步，对于上述第二人脸特征信息集合中的每个第二人脸特征信息，执行以下第一处理步骤：
第一子步骤，确定上述第二人脸特征信息包括的第二全局人脸结构特征信息和上述第一人脸特征信息包括的第一全局人脸结构特征信息的全局人脸结构相似度，得到第一相似度数值。
其中，上述执行主体可以通过对第二全局人脸结构特征信息对应的网状结构特征和第一全局人脸结构特征信息对应的网状结构特征进行图相似度计算，以生成上述第一相似度数值。
第二子步骤，对于上述第二人脸特征信息包括的第二人脸特征区域信息集合中的每个第二人脸特征区域信息，执行以下第二处理步骤：
子步骤1：确定上述第二人脸特征区域信息包括的第二区域边界信息和对应的第一区域边界信息的区域边界相似度，得到第二相似度数值。
其中，上述执行主体可以确定第二区域边界信息对应的区域边界和第一区域边界信息对应的区域边界的边界重合度，作为上述第二相似度数值。
作为示例，第二人脸特征区域信息对应人脸区域可以是“鼻子区域”，则上述执行主体可以将上述第一人脸特征区域信息集合中对应的区域为“鼻子区域”的第一人脸特征区域信息包括的第一区域边界信息，作为上述第二区域边界信息对应的第一区域边界信息。
子步骤2：确定上述第二人脸特征区域信息包括的第二区域结构特征信息和对应的第一区域结构特征信息的区域结构相似度，得到第三相似度数值。
其中，上述执行主体可以将第二区域结构特征信息对应的网状结构特征和对应的第一区域结构特征信息对应的网状结构特征进行图相似度计算，得到上述第三相似度数值。
作为示例，第二人脸特征区域信息对应人脸区域可以是“鼻子区域”，则上述执行主体可以将上述第一人脸特征区域信息集合中对应的区域为“鼻子区域”的第一人脸特征区域信息包括的第一区域结构特征信息，作为上述第二区域结构特征信息对应的第一区域结构特征信息。
子步骤3：确定上述第二人脸特征区域信息包括的第二区域特征点信息集合和对应的第一区域特征点信息集合的特征点匹配度，得到第四相似度数值。
其中，第四相似度数值表征第二区域特征点信息集合中的第二区域特征点信息对应的特征点，和对应的第一区域特征点信息集合中的第一区域特征点信息对应的特征点的特征点匹配程度。例如，上述执行主体可以通过相似度计算的方式，确定第四相似度数值。
作为示例，第二人脸特征区域信息对应人脸区域可以是“鼻子区域”，则上述执行主体可以将上述第一人脸特征区域信息集合中对应的区域为“鼻子区域”的第一人脸特征区域信息包括的第一区域特征点信息集合，作为上述第二区域特征点信息集合对应的第一区域特征点信息集合。
第三子步骤，对得到的第二相似度数值集合、得到的第三相似度数值集合和得到的第四相似度数值集合进行加权求和，以生成第五相似度数值。
第二步，对上述第一相似度数值和得到的第五相似度数值集合进行加权求和，以生成上述第二人脸特征信息对应的目标相似度数值。
相较于传统的构建特征点对应的一维特征向量，以进行特征点相似度计算的方式，本公开通过分别进行区域相似度计算，边界相似度计算以及特征点相似度计算，最后，加权求和。通过此种方式计算的相似度结果可信度更好。
步骤106，从上述第二告警信息序列中筛选出对应的目标相似度数值满足筛选条件的第二告警信息，作为目标告警信息，得到目标告警信息集合。
在一些实施例中，上述执行主体可以从上述第二告警信息序列中筛选出对应的目标相似度数值满足筛选条件的第二告警信息，作为目标告警信息，得到目标告警信息集合。其中，上述筛选条件为：目标相似度数值大于预设相似度阈值。上述预设相似度阈值可以是人工设定的相似度阈值。例如，预设相似度阈值可以是0.9。
步骤107，将上述第一告警信息和上述目标告警信息集合进行告警信息关联。
在一些实施例中，上述执行主体可以将上述第一告警信息和上述目标告警信息集合进行告警信息关联。
作为示例，上述执行主体将上述第一告警信息和上述目标告警信息集合中的目标告警信息合并成为一条数据库记录，存储至告警信息关联数据表中。告警信息关联数据表可以是用于存储存在关联关系的告警信息的数据表。
在一些实施例的一些可选的实现方式中，上述执行主体还可以执行以下处理步骤：
第一步，响应于确定产生上述目标告警信息集合中的目标告警信息的监控设备与上述目标监控设备不同，根据产生上述目标告警信息集合中目标告警信息的监控设备的位置和上述目标监控设备的位置，确定警情疑似区域。
其中，上述执行主体可以根据目标监控设备的位置，和产生上述目标告警信息集合中目标告警信息的监控设备的位置，构建地理围栏，作为上述警情疑似区域。
第二步，在告警信息展示界面展示上述警情疑似区域。
其中，上述告警信息展示界面可以是用于实时展示告警信息相关信息的界面。
第三步，通知目标人员进行警情核验。
其中，目标人员为距离上述警情疑似区域最近的警情核验人员。
作为示例，首先，上述执行主体可以根据警情核验人员携带的通信设备进行位置定位。然后，根据定位结果将距离警情疑似区域最近的警情核验人员确定为目标人员，以及向目标人员携带的通信设备发送警情核验通知，以使得目标人员进行警情核验。
第四步，响应于确定上述目标人员警情核验完毕、且上述警情疑似区域警情有误，对上述目标监控设备进行设备复位。
第五步，响应于确定上述目标人员警情核验完毕、且上述警情疑似区域警情无误，通知警情处理人员进行警情处理。
其中，警情处理人员是用于对警情进行消除的人员。例如，警情信息可以是火警警情信息，则警情处理人员可以是消防员。
在一些实施例的一些可选的实现方式中，上述执行主体还可以执行以下处理步骤：
第一步，响应于确定产生上述目标告警信息集合中的目标告警信息的监控设备与上述目标监控设备相同，根据上述目标告警信息集合和上述第一告警信息，确定警情风险等级。
作为示例，上述执行主体可以将第一告警信息和目标告警信息集合中的告警信息的总数量，确定为上述警情风险等级。
作为又一示例，首先，上述执行主体可以确定第一告警信息和目标告警信息集合中的告警信息的总数量。然后，将总数量进行警情等级映射，以确定上述警情风险等级。
第二步，在上述告警信息展示界面显示上述警情风险等级。
第三步，响应于确定上述警情风险等级大于等于预设等级，通知警情处理人员进行警情处理。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的告警信息关联方法，提高了告警信息的关联效率。具体来说，造成告警信息的关联效率低下的原因在于：当监控区域包含较多监控设备、且多个监控设备被触发时，采用人工的方式进行告警信息关联，告警信息关联效率低下。基于此，本公开的一些实施例的告警信息关联方法，首先，获取第一告警信息对应的第一区域图像，其中，上述第一告警信息是目标监控设备被触发时产生的告警信息，上述第一区域图像是上述目标监控设备对应的图像采集设备采集的图像，上述第一区域图像为包含目标对象的图像，上述目标对象为触发上述目标监控设备的对象。实际情况中，当目标对象触发目标监控设备时，即产生新的告警信息时，获取第一告警信息对应的第一区域图像以用于后续的告警信息关联。接着，对上述第一区域图像包含的上述目标对象进行人脸特征提取，以生成第一人脸特征信息。实际情况中，相同的告警事件往往对应相同的告警对象，因此，通过人脸特征提取，以用于后续的特征比对。进一步，确定第二告警信息序列中的每个第二告警信息对应的第二区域图像，得到第二区域图像序列，其中，上述第二告警信息序列中的第二告警信息是在目标时间段产生的告警信息。实际情况中，当相同告警对象触发多个监控设备，以生成多个告警信息时，得到的多个告警信息在时间维度上存在着相近性，由此，可以获取历史一段时间内的告警信息，避免针对全部告警信息进行比对所造成的时间浪费。此外，对上述第二区域图像序列中的每个第二区域图像进行人脸特征提取，以生成第二人脸特征信息，得到第二人脸特征信息序列。通过生成第二人脸特征信息，以用于后续的特征比对。接着，确定上述第一人脸特征信息和上述第二人脸特征信息序列中的每个第二人脸特征信息的特征相似度，得到目标相似度数值。除此之外，从上述第二告警信息序列中筛选出对应的目标相似度数值满足筛选条件的第二告警信息，作为目标告警信息，得到目标告警信息集合。以此筛选出与第一告警信息相关联的多个第二告警信息。最后，将上述第一告警信息和上述目标告警信息集合进行告警信息关联。通过此种方式，实现了告警信息的自动关联，大大提高了告警信息的关联效率。
进一步参考图2，作为对上述各图所示方法的实现，本公开提供了一种告警信息关联装置的一些实施例，这些装置实施例与图1所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图2所示，一些实施例的告警信息关联装置200包括：获取单元201、第一人脸特征提取单元202、第一确定单元203、第二人脸特征提取单元204、第二确定单元205、筛选单元206和告警信息关联单元207，其中，获取单元201，被配置成获取第一告警信息对应的第一区域图像，其中，上述第一告警信息是目标监控设备被触发时产生的告警信息，上述第一区域图像是上述目标监控设备对应的图像采集设备采集的图像，上述第一区域图像为包含目标对象的图像，上述目标对象为触发上述目标监控设备的对象；第一人脸特征提取单元202，被配置成对上述第一区域图像包含的上述目标对象进行人脸特征提取，以生成第一人脸特征信息；第一确定单元203，被配置成确定第二告警信息序列中的每个第二告警信息对应的第二区域图像，得到第二区域图像序列，其中，上述第二告警信息序列中的第二告警信息是在目标时间段产生的告警信息；第二人脸特征提取单元204，被配置成对上述第二区域图像序列中的每个第二区域图像进行人脸特征提取，以生成第二人脸特征信息，得到第二人脸特征信息序列；第二确定单元205，被配置成确定上述第一人脸特征信息和上述第二人脸特征信息序列中的每个第二人脸特征信息的特征相似度，得到目标相似度数值；筛选单元206，被配置成从上述第二告警信息序列中筛选出对应的目标相似度数值满足筛选条件的第二告警信息，作为目标告警信息，得到目标告警信息集合；告警信息关联单元207，被配置成将上述第一告警信息和上述目标告警信息集合进行告警信息关联。
可以理解的是，该装置200中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置200及其中包含的单元，在此不再赘述。
下面参考图3，其示出了适于用来实现本公开的一些实施例的电子设备（例如，计算设备）300的结构示意图。图3示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图3所示，电子设备300可以包括处理装置（例如中央处理器、图形处理器等）301，其可以根据存储在只读存储器（ROM）302中的程序或者从存储装置308加载到随机访问存储器（RAM）303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出（I/O）接口305也连接至总线304。
通常，以下装置可以连接至I/O接口305：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置309从网络上被下载和安装，或者从存储装置308被安装，或者从ROM 302被安装。在该计算机程序被处理装置301执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP（Hyper Text TransferProtocol，超文本传输协议）之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信（例如，通信网络）互连。通信网络的示例包括局域网（“LAN”），广域网（“WAN”），网际网（例如，互联网）以及端对端网络（例如，ad hoc端对端网络），以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取第一告警信息对应的第一区域图像，其中，上述第一告警信息是目标监控设备被触发时产生的告警信息，上述第一区域图像是上述目标监控设备对应的图像采集设备采集的图像，上述第一区域图像为包含目标对象的图像，上述目标对象为触发上述目标监控设备的对象；对上述第一区域图像包含的上述目标对象进行人脸特征提取，以生成第一人脸特征信息；确定第二告警信息序列中的每个第二告警信息对应的第二区域图像，得到第二区域图像序列，其中，上述第二告警信息序列中的第二告警信息是在目标时间段产生的告警信息；对上述第二区域图像序列中的每个第二区域图像进行人脸特征提取，以生成第二人脸特征信息，得到第二人脸特征信息序列；确定上述第一人脸特征信息和上述第二人脸特征信息序列中的每个第二人脸特征信息的特征相似度，得到目标相似度数值；从上述第二告警信息序列中筛选出对应的目标相似度数值满足筛选条件的第二告警信息，作为目标告警信息，得到目标告警信息集合；将上述第一告警信息和上述目标告警信息集合进行告警信息关联。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（LAN）或广域网（WAN）——连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、第一人脸特征提取单元、第一确定单元、第二人脸特征提取单元、第二确定单元、筛选单元和告警信息关联单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一人脸特征提取单元还可以被描述为“对上述第一区域图像包含的上述目标对象进行人脸特征提取，以生成第一人脸特征信息的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上系统（SOC）、复杂可编程逻辑设备（CPLD）等等。
本公开的一些实施例还提供一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现上述的任一种告警信息关联方法。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种告警信息关联方法，包括：
获取第一告警信息对应的第一区域图像，其中，所述第一告警信息是目标监控设备被触发时产生的告警信息，所述第一区域图像是所述目标监控设备对应的图像采集设备采集的图像，所述第一区域图像为包含目标对象的图像，所述目标对象为触发所述目标监控设备的对象；
对所述第一区域图像包含的所述目标对象进行人脸特征提取，以生成第一人脸特征信息；
确定第二告警信息序列中的每个第二告警信息对应的第二区域图像，得到第二区域图像序列，其中，所述第二告警信息序列中的第二告警信息是在目标时间段产生的告警信息；
对所述第二区域图像序列中的每个第二区域图像进行人脸特征提取，以生成第二人脸特征信息，得到第二人脸特征信息序列；
确定所述第一人脸特征信息和所述第二人脸特征信息序列中的每个第二人脸特征信息的特征相似度，得到目标相似度数值；
从所述第二告警信息序列中筛选出对应的目标相似度数值满足筛选条件的第二告警信息，作为目标告警信息，得到目标告警信息集合；
将所述第一告警信息和所述目标告警信息集合进行告警信息关联。
2.根据权利要求1所述的方法，其中，所述方法还包括：
响应于确定产生所述目标告警信息集合中的目标告警信息的监控设备与所述目标监控设备不同，根据产生所述目标告警信息集合中目标告警信息的监控设备的位置和所述目标监控设备的位置，确定警情疑似区域；
在告警信息展示界面展示所述警情疑似区域；
通知目标人员进行警情核验，其中，所述目标人员为距离所述警情疑似区域最近的警情核验人员；
响应于确定所述目标人员警情核验完毕、且所述警情疑似区域警情有误，对所述目标监控设备进行设备复位；
响应于确定所述目标人员警情核验完毕、且所述警情疑似区域警情无误，通知警情处理人员进行警情处理。
3.根据权利要求2所述的方法，其中，所述方法还包括：
响应于确定产生所述目标告警信息集合中的目标告警信息的监控设备与所述目标监控设备相同，根据所述目标告警信息集合和所述第一告警信息，确定警情风险等级；
在所述告警信息展示界面显示所述警情风险等级；
响应于确定所述警情风险等级大于等于预设等级，通知警情处理人员进行警情处理。
4.根据权利要求3所述的方法，其中，所述对所述第一区域图像包含的所述目标对象进行人脸特征提取，以生成第一人脸特征信息，包括：
对所述第一区域图像进行人脸识别，以确定人脸所在区域；
根据所述人脸所在区域，对所述第一区域图像进行图像裁剪，以生成第一人脸图像；
对所述第一人脸图像进行人眼定位，以确定所述第一人脸图像包含的所述目标对象的眼眦间距值，得到眼眦间距值集合；
根据所述眼眦间距值集合，确定均值眼眦间距值；
根据所述均值眼眦间距值和预设眼眦间距值，确定所述第一人脸图像的图像缩放比例，其中，所述预设眼眦间距值是人脸信息库中包含的各个人脸信息对应人脸包含的眼眦距离均值；
根据所述图像缩放比例，对所述第一人脸图像进行人脸缩放，以生成缩放后人脸图像；
对所述缩放后人脸图像进行图像矫正，以生成矫正后人脸图像。
5.根据权利要求4所述的方法，其中，所述第一人脸特征信息包括：第一人脸特征区域信息集合和第一全局人脸结构特征信息，其中，所述第一人脸特征区域信息集合中的第一人脸特征区域信息包括：第一区域边界信息、第一区域特征点信息集合和第一区域结构特征信息；以及
所述对所述第一区域图像包含的所述目标对象进行人脸特征提取，以生成第一人脸特征信息，还包括：
通过预先训练的人脸特征提取模型包括的目标数量个人脸特征区域识别模型，对所述矫正后人脸图像进行区域识别，以生成所述第一人脸特征区域信息集合中各个第一人脸特征区域信息包括的第一区域边界信息；
对于所述第一人脸特征区域信息集合中的每个第一人脸特征区域信息包括的第一区域边界信息，执行以下处理步骤：
通过所述人脸特征提取模型包括的关键点检测模型对所述第一区域边界信息对应的子图像进行关键点检测，以生成所述第一人脸特征区域信息包括的第一区域特征点信息集合；
对所述第一人脸特征区域信息包括的第一区域特征点信息集合进行局部关键特征点提取，以生成局部关键特征点信息，得到局部关键特征点信息集合；
根据所述局部关键特征点信息集合，生成所述第一人脸特征区域信息包括的第一区域结构特征信息；
对所述第一人脸特征区域信息集合中的各个第一人脸特征区域信息包括的第一区域特征点信息集合进行全局关键特征点提取，以生成全局关键特征点信息，得到全局关键特征点信息集合；
根据所述全局关键特征点信息集合，生成所述第一人脸特征信息包括的所述第一全局人脸结构特征信息。
6.根据权利要求5所述的方法，其中，所述第二人脸特征信息序列中的第二人脸特征信息包括：第二人脸特征区域信息集合和第二全局人脸结构特征信息，其中，所述第二人脸特征区域信息集合中的第二人脸特征区域信息包括：第二区域边界信息、第二区域特征点信息集合和第二区域结构特征信息；以及
所述确定所述第一人脸特征信息和所述第二人脸特征信息序列中的每个第二人脸特征信息的特征相似度，得到目标相似度数值，包括：
对于所述第二人脸特征信息集合中的每个第二人脸特征信息，执行以下第一处理步骤：
确定所述第二人脸特征信息包括的第二全局人脸结构特征信息和所述第一人脸特征信息包括的第一全局人脸结构特征信息的全局人脸结构相似度，得到第一相似度数值；
对于所述第二人脸特征信息包括的第二人脸特征区域信息集合中的每个第二人脸特征区域信息，执行以下第二处理步骤：
确定所述第二人脸特征区域信息包括的第二区域边界信息和对应的第一区域边界信息的区域边界相似度，得到第二相似度数值；
确定所述第二人脸特征区域信息包括的第二区域结构特征信息和对应的第一区域结构特征信息的区域结构相似度，得到第三相似度数值；
确定所述第二人脸特征区域信息包括的第二区域特征点信息集合和对应的第一区域特征点信息集合的特征点匹配度，得到第四相似度数值；
对得到的第二相似度数值集合、得到的第三相似度数值集合和得到的第四相似度数值集合进行加权求和，以生成第五相似度数值；
对所述第一相似度数值和得到的第五相似度数值集合进行加权求和，以生成所述第二人脸特征信息对应的目标相似度数值。
7.一种告警信息关联装置，包括：
获取单元，被配置成获取第一告警信息对应的第一区域图像，其中，所述第一告警信息是目标监控设备被触发时产生的告警信息，所述第一区域图像是所述目标监控设备对应的图像采集设备采集的图像，所述第一区域图像为包含目标对象的图像，所述目标对象为触发所述目标监控设备的对象；
第一人脸特征提取单元，被配置成对所述第一区域图像包含的所述目标对象进行人脸特征提取，以生成第一人脸特征信息；
第一确定单元，被配置成确定第二告警信息序列中的每个第二告警信息对应的第二区域图像，得到第二区域图像序列，其中，所述第二告警信息序列中的第二告警信息是在目标时间段产生的告警信息；
第二人脸特征提取单元，被配置成对所述第二区域图像序列中的每个第二区域图像进行人脸特征提取，以生成第二人脸特征信息，得到第二人脸特征信息序列；
第二确定单元，被配置成确定所述第一人脸特征信息和所述第二人脸特征信息序列中的每个第二人脸特征信息的特征相似度，得到目标相似度数值；
筛选单元，被配置成从所述第二告警信息序列中筛选出对应的目标相似度数值满足筛选条件的第二告警信息，作为目标告警信息，得到目标告警信息集合；
告警信息关联单元，被配置成将所述第一告警信息和所述目标告警信息集合进行告警信息关联。
8.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至6中任一所述的方法。
9.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1至6中任一所述的方法。
10.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如权利要求1至6中任一所述的方法。
CN202211060924.1A 2022-08-30 2022-08-30 告警信息关联方法、装置、电子设备和计算机可读介质 Active CN115131740B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211060924.1A CN115131740B (zh) 2022-08-30 2022-08-30 告警信息关联方法、装置、电子设备和计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211060924.1A CN115131740B (zh) 2022-08-30 2022-08-30 告警信息关联方法、装置、电子设备和计算机可读介质

Publications (2)

Publication Number Publication Date
CN115131740A true CN115131740A (zh) 2022-09-30
CN115131740B CN115131740B (zh) 2022-12-02

Family

ID=83387964

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211060924.1A Active CN115131740B (zh) 2022-08-30 2022-08-30 告警信息关联方法、装置、电子设备和计算机可读介质

Country Status (1)

Country Link
CN (1) CN115131740B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120027248A1 (en) * 2010-07-27 2012-02-02 International Business Machines Corporation Foreground Analysis Based on Tracking Information
CN109583278A (zh) * 2017-09-29 2019-04-05 杭州海康威视数字技术股份有限公司 人脸识别报警的方法、装置、系统及计算机设备
CN112883856A (zh) * 2021-02-05 2021-06-01 浙江大华技术股份有限公司 一种监控方法、装置、电子设备和存储介质
CN114882576A (zh) * 2022-07-07 2022-08-09 中关村科学城城市大脑股份有限公司 人脸识别方法、电子设备、计算机可读介质和程序产品

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120027248A1 (en) * 2010-07-27 2012-02-02 International Business Machines Corporation Foreground Analysis Based on Tracking Information
CN109583278A (zh) * 2017-09-29 2019-04-05 杭州海康威视数字技术股份有限公司 人脸识别报警的方法、装置、系统及计算机设备
CN112883856A (zh) * 2021-02-05 2021-06-01 浙江大华技术股份有限公司 一种监控方法、装置、电子设备和存储介质
CN114882576A (zh) * 2022-07-07 2022-08-09 中关村科学城城市大脑股份有限公司 人脸识别方法、电子设备、计算机可读介质和程序产品

Also Published As

Publication number Publication date
CN115131740B (zh) 2022-12-02

Similar Documents

Publication Publication Date Title
US20210158533A1 (en) Image processing method and apparatus, and storage medium
CN107622240B (zh) 人脸检测方法和装置
CN108256404B (zh) 行人检测方法和装置
WO2021031954A1 (zh) 对象数量确定方法、装置、存储介质与电子设备
CN113379627A (zh) 图像增强模型的训练方法和对图像进行增强的方法
CN108509921B (zh) 用于生成信息的方法和装置
CN115018909B (zh) 可行驶区域生成方法、装置、电子设备和计算机可读介质
CN107705233B (zh) 体验感知的异常处理系统及其方法
CN110490058B (zh) 行人检测模型的训练方法、装置、系统和计算机可读介质
CN108257081B (zh) 用于生成图片的方法和装置
CN112560791B (zh) 识别模型的训练方法、识别方法、装置及电子设备
CN115131740B (zh) 告警信息关联方法、装置、电子设备和计算机可读介质
CN113158773A (zh) 一种活体检测模型的训练方法及训练装置
CN114758296B (zh) 一种基于vr技术的电网设备远程监测方法及系统
CN113808134B (zh) 油罐布局信息生成方法、装置、电子设备、介质
CN113743293B (zh) 跌倒行为检测方法、装置、电子设备及存储介质
CN115187364A (zh) 银行分布式场景下保证金风险监控的方法及装置
CN114842476A (zh) 水印检测方法及装置、模型训练方法及装置
CN114639072A (zh) 人流量信息生成方法、装置、电子设备和计算机可读介质
CN113780239A (zh) 虹膜识别方法、装置、电子设备和计算机可读介质
CN115204132B (zh) 图表描述信息生成方法、装置、设备、介质和程序产品
CN111898529A (zh) 脸部检测方法、装置、电子设备和计算机可读介质
CN114882577B (zh) 健康状态识别方法、装置、电子设备和计算机可读介质
CN112668637A (zh) 网络模型的训练方法、识别方法、装置及电子设备
US20220207878A1 (en) Information acquisition support apparatus, information acquisition support method, and recording medium storing information acquisition support program

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