CN115631338A - 基于计算机视觉的酒店安全监控方法 - Google Patents

Abstract

本发明涉及智能建筑技术领域，具体涉及一种基于计算机视觉的酒店安全监控方法，该方法包括：在酒店的各层廊道，获取时间段中各子时间段的所有人员的逗留时间直方图，根据直方图的相似度计算相邻两个子时间段的相邻变化因子，进而获得各廊道的人员时间特征；获取时间段中各子时间段内各人员的移动速度直方图，将直方图的相似度大于阈值的进行合并，将合并后所有直方图进行累加获得廊道的人员移动特征；进而计算廊道的差异距离，对廊道进行分级，根据时间更新后的数据与分级结果获得廊道的相对活跃系数；根据时间更新后各数据的可达密度以及相对活跃系数得到注意力系数，进而对酒店进行监控。本发明能够提高安全监控的实时性和人性化体验。

Description

基于计算机视觉的酒店安全监控方法

技术领域

本发明涉及智能建筑技术领域，具体涉及一种基于计算机视觉的酒店安全监控方法。

背景技术

目前较为先进的酒店监控方法是通过网络实现远程监控、远程响应以及远程处理的网络化监控管理中心，在该监控管理中心，对管辖区域内的监控设备进行统一管理、统一调度以及实时监控。当管辖区域现场有人值班时，能够现场管理和实时发现险情或者发现异常情况。此种安全监控方法架构较为主流，对人工依赖程度大，效率较低，仍需要更智能的计算机视觉系统和安全监控方法。目前，现有的安全监控方法很少有结合住客的行为在时间以及移动方面的特征对酒店监控数据进行分析，无法实现对酒店各个廊道进行动态注意力的安全监控。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种基于计算机视觉的酒店安全监控方法，所采用的技术方案具体如下：

在酒店的各层廊道，获取在时间段中不同子时间段内所有人员的逗留时间长度，根据逗留时间长度以及对应的人员数量构建子时间段对应的逗留时间直方图；根据时间段内相邻两个子时间段的逗留时间直方图的相似度计算相邻变化因子，进而对时间段内所有子时间段对应的相邻变化因子进行累加得到各廊道的人员时间特征；

获取在时间段中不同子时间段内各个时刻所有人员的移动速度，根据移动速度与对应的时刻数量构建子时间段内一个人员对应的移动速度直方图；将两个人员的移动速度直方图的相似度大于阈值的进行合并，将合并后的时间段内所有子时间段对应的移动速度直方图进行累加得到各廊道的人员移动特征；

根据各廊道的人员时间特征以及人员移动特征计算任意两个廊道的差异距离，根据差异距离进行分级得到三个级别；基于各廊道在时间更新后的时间段内的人员时间特征和人员移动特征与不同级别的数据获得时间更新后各廊道的相对活跃系数；

获取时间更新后时间段内各子时间段对应数据的可达密度，根据时间更新后时间段内廊道的可达密度以及相对活跃系数获得廊道的注意力系数；根据各廊道的注意力系数对酒店进行监控。

优选地，所述将两个人员的移动速度直方图的相似度大于阈值的进行合并具体为：

在一个子时间段内，获取任意两个人员的移动速度直方图的相似度，将相似度大于阈值的两个人员的移动速度直方图中对应区间的数值计算其均值，并计算均值与调整系数的乘积得到各个区间调整后对应的数值，利用该数值构成合并后的移动速度直方图。

优选地，所述三个级别分别为正常级别、未知级别和异常级别。

优选地，所述相对活跃系数的获取方法具体为：

将时间更新后的时间段记为更新时间段，根据更新时间段内各廊道与正常级别和未知级别中各廊道的人员时间特征和人员移动特征获得各廊道的最小差异距离，对所述最小差异距离进行归一化后得到各廊道的相对活跃系数。

优选地，所述廊道的注意力系数的获取方法具体为：

其中，Q_a表示廊道a的注意力系数，LRD_max表示廊道a在时间更新后时间段内子时间段的可达密度的最大值，LRD_a表示廊道a在时间更新后时间段对应的特征可达密度，X_a表示廊道a的相对活跃系数。

优选地，在获得廊道的注意力系数之后所述方法还包括：

将各廊道的人员时间特征和人员移动特征构成廊道的特征向量，将所有廊道的特征向量构成酒店的特征向量，将酒店中所有廊道的注意力系数构成酒店的注意力向量；将特征向量作为输入，将注意力向量作为输出，基于均方差损失函数，训练安全注意力预测网络。

优选地，所述根据各廊道的注意力系数对酒店进行监控具体为：

将各廊道按照注意力系数从大到小的顺序排列，根据排列顺序获取设定数量的廊道，根据逗留时间长度对该廊道内的人员进行标注，对标注的人员行为进行排查。

本发明实施例至少具有如下有益效果：

本发明通过对一个时间段内廊道内人员的逗留时间长度进行分析，结合相邻子时间段的相似度，获得在一个时间段内各廊道的人员时间特征，能够动态地从人员逗留时间长度方面对酒店廊道进行监控，以便及时发现人员的逗留时间出现状态变化的情况；通过对一个时间段内廊道内人员的移动速度进行分析，并考虑到可能是同行的同伴的两个人员，即将两个人员的移动速度直方图的相似度大于阈值的进行合并，能够动态地从人员的移动情况对酒店廊道进行监控，以便及时发现人员的移动出现状态变化的情况；在时间段更新后，结合人员时间特征和人员移动特征以及时间段内对应数据的可达密度获得注意力系数，能够按照时段对酒店廊道进行安全监控，提高安全监控的实时性和人性化体验。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1是本发明的一种基于计算机视觉的酒店安全监控方法的方法流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于计算机视觉的酒店安全监控方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种基于计算机视觉的酒店安全监控方法的具体方案。

实施例：

本发明所针对的具体场景为：本发明对酒店进行安全监控，酒店基于常规的IPC(网络摄像机)和NVR(网络摄像机)获取相关数据，通过计算机视觉技术识别人物在在画面中位置和移动距离，其中，通过固定机位反推目标的移动距离的换算方法是公知技术。通过这些数据，对酒店内的人物行为特征进行分析，让现场安保人员的注意力更加集中在特例情况的廊道。

请参阅图1，其示出了本发明一个实施例提供的一种基于计算机视觉的酒店安全监控方法的方法流程图，该方法包括以下步骤：

步骤一，在酒店的各层廊道，获取在时间段中不同子时间段内所有人员的逗留时间长度，根据逗留时间长度以及对应的人员数量构建子时间段对应的逗留时间直方图；根据时间段内相邻两个子时间段的逗留时间直方图的相似度计算相邻变化因子，进而对时间段内所有子时间段对应的相邻变化因子进行累加得到各廊道的人员时间特征。

首先，需要说明的是，人员停留状态代表了住客入住时必要的活动，酒店廊道内通常是空旷的，但是对于客流量较大的酒店和对于入住高峰时段，酒店廊道内会有不同的人员活动状态。例如，一个带着孩子的家庭所居住的房间的门没有关闭，其孩子在廊道内来回跑的情况；派发广告的非住户人员；门卡系统出现问题而在廊道内停留的住户；停留在廊道内的酒店保洁人员。

同时，在本实施例中，通过一个时间段对酒店内的人员行为特征进行分析，一个时间段内包括多个相同长度的子时间段，其中本实施例中将一个时间段的时间长度设置为20分钟，一个子时间段的时间长度设置为5分钟，且时间更新通过一个子时间段进行记录。即当出现一个新的子时间段，丢弃当前时间段内最早的一个子时间段。

在实际中，通过监控检测酒店各个廊道人员的停留情况，获取不同人员在廊道上的停留时间，记为人员逗留时间，并对人员逗留时间的变化情况进行分析，并且将不同廊道内人员对应的人员逗留时间进行比较，确定各个廊道的停留情况的常规性。

然后，针对一个廊道，统计该廊道内所有人员的停留时间，即人员逗留时间，根据子时间段内出现的人员数量以及对应的人员逗留时间构建子时间段对应的逗留时间直方图。具体地，为了构建逗留时间直方图，需要将不同的逗留时间长度划分为不同的等级，在本实施例中，将不同逗留时间长度的具体划分方法为：不满2分钟，2～3分钟，3～6分钟，6～10分钟，对于逗留时间长度的划分，根据酒店内廊道上的房间密度以及廊道长度的不同而不同，实施者可根据实际情况进行设置。

假设廊道内的监控是无死角被覆盖的，因此对于追踪目标，一旦该目标离开该楼层的廊道的监控相机视野，即视为离开了该廊道，进而可以获取该目标在当前廊道的逗留时间长度。

对于人员的人员逗留时间比所划分的子时间段的时间长度较长的情况，例如，一个人员在当前廊道内的人员逗留时间为7分钟，一个子时间段的时间长度为5分钟。假设该人员从一个时间段的起始时刻开始活动经过7分钟后离开当前廊道，则该人员在第一个子时间段内与第二个子时间段内均出现，在对第一个子时间段内廊道上所有人员的人员逗留时间进行统计时，该人员对应的人员逗留时间为7分钟。同时，在对第二个子时间段内廊道上所有人员的人员逗留时间进行统计时，该人员对应的人员逗留时间为7分钟。即对各个子时间段内廊道上出现的所有人员的实际停留时间进行统计，并不考虑实际停留时间与子时间段的时间长度的长短情况。

最后，一个子时间段的逗留时间直方图反映了在该子时间段内廊道上人员的停留情况，由于可能存在同一个人员出现在相邻两个子时间段内的情况，故结合相邻的子时间段的逗留时间直方图对相邻子时间段内廊道上人员出现状态变化的显著程度进行分析。其中，相邻的子时间段指的是在时间上相邻的两个子时间段。

若相邻的两个子时间段的逗留时间直方图之间的相似程度较大，说明相邻的两个子时间段内人员的停留情况较为相似，即人员的状态变化不大，廊道内出现特例情况的可能性较低。若相邻的两个子时间段的逗留时间直方图之间的相似程度较小，说明相邻两个子时间段内人员的停留情况的差异较大，即在某一个子时间段内人员存在状态变化，则廊道内出现特例情况的可能性较高。

根据时间段内相邻两个子时间段的逗留时间直方图的相似度计算相邻变化因子，用公式表示为：

C(i,i+1)＝1-sim(T_i,T_i+1)

其中，C(i,i+1)表示相邻两个子时间段对应的相邻变化因子，T_i表示第i个子时间段的逗留时间直方图，T_i+1表示第i+1个子时间段的逗留时间直方图，sim(·)表示求相似度的函数，sim(T_i,T_i+1)表示第i个子时间段与第i+1个子时间段的逗留时间直方图的相似度，直方图的相似度算法为公知计算，实施者可根据具体实施场景进行选择。

sim(T_i,T_i+1)的取值越大，表示第i个子时间段和第i+1个子时间段的人员的停留情况在时间上较为相似，则C(i,i+1)的取值越小，说明在第i个子时间段与第i+1个子时间段的人员的行为在时间上的变化情况较小，即相邻变化因子较小。

对于子时间段内廊道无人的情况，若第i个子时间段和第i+1个子时间段内廊道上都无人通过，则C(i,i+1)的取值为0；对于一个子时间段内廊道无人的情况，若第i个子时间段内廊道上无人通过，第i+1个子时间段内廊道上有人通过，则C(i,i+1)的取值为1；若第i个子时间段内廊道上有人通过，第i+1个子时间段内廊道上无人通过，则C(i,i+1)的取值为0。

进而计算一个时间段内所有相邻的两个子时间段之间的人员逗留直方图的相似度，获得一个时间段对应的所有的相邻变化因子，对一个时间段内所有的相邻变化因子进行累加获得一个廊道在一个时间段内的人员时间特征。所述人员时间特征能够体现人员在该时间段内出现状态变化的显著程度。

步骤二，获取在时间段中不同子时间段内各个时刻所有人员的移动速度，根据移动速度与对应的时刻数量构建子时间段内一个人员对应的移动速度直方图；将两个人员的移动速度直方图的相似度大于阈值的进行合并，将合并后的时间段内所有子时间段对应的移动速度直方图进行累加得到各廊道的人员移动特征。

首先，需要说明的是，每个人员在酒店的IPC(网络摄像机)或NVR(网络录像机)中都会经由目标检测、目标跟踪的计算，以得到一个廊道中的人员的移动距离，且该计算方法为公知技术，在此不再过多介绍。为了从移动速度上反映廊道上不同人员行为的变化情况，可以根据各个廊道在一个子时间段内人员的移动时间与移动距离获取对应的移动速度。

具体地，对于一个人员，在一个子时间段内的整个目标跟踪周期内，获取该人员的移动的速度特征和方向特征。先建立正交方向的速度分量，正交基可以根据建筑或者经纬方向进行确定，实施者可根据具体实施场景进行设置。在一个子时间段内，统计人员在该子时间段内存在的各个时刻的速度，该速度为各个时刻在各正交方向上的分量速度的绝对值，构建移动速度直方图。

其中，移动速度直方图上横坐标的划分方式实施者可根据具体实施场景进行设置，在本实施例中，各个分量速度从1m/s开始至4m/s结束，间隔为0.5m/s进行划分，同时包含速度小于1m/s的区间，共划分了2*7＝28个分量速度的区间。对于目标检测的结果，即人员的移动速度，本实施例按照每秒计算一次均值的方式统计各个分量速度在各个区间的数量，即统计人员在一个子时间段内的移动速度与对应的时刻数量，直到目标消失或者当前子时间段结束。例如，在一个时间长度为5分钟的子时间段内，一个人员在第1秒直到第30秒的移动速度均为0.5m/s，则该人员在速度小于1m/s的区间对应的时刻数量为30。

并对移动速度直方图进行归一化处理，使其数值的取值范围为[0,1]，获得移动速度直方图。在一个子时间段内一个人员对应一个移动速度直方图，该直方图能够反映人员在子时间段内移动的变化情况，表示在子时间段内人员的行走轨迹的速度分类绝对值的时间占比情况。即在一个子时间段内的廊道上，当一个人员出现时，该人员的移动行为变化可以通过移动速度直方图进行描述。

然后，在一个子时间段为，无论人员是否离开廊道，每个人员都有对应的移动速度直方图，且移动速度直方图可能是不同的。考虑到在廊道内可能存在结伴而行的人员，故设置一个廊道的人员基数，在本实施例中人员基数的取值为2，故人员基数所代表的含义为，当廊道中的人员数量未超过人员基数时，即人员数量未超过2时，则认为这两个人员之间要么结伴而行或者存在交互行为，要么互相独立，因此可以将这两个人员的移动行为情况直接表示廊道的人员行为情况。

当廊道内人员数量超过人员基数时，则需要对廊道内人员之间的相关性进行分析，从而合并人员的行为在移动速度上较为相似的，进而能够使其他多个不同的移动速度变化情况对当前廊道人员的行为变化情况进行表征。

具体地，当廊道内人员数量大于人员基数时，利用每个人员在一个子时间段内的移动速度直方图中的低速信息来匹配移动行为相似的人员，从而合并低速部分的移动速度数据。故需设定低速区间，在该低速区间内对同一廊道内各个人员的移动行为进行相似度的分析，在本实施例中，低速区间为0～2.5m/s，实施者可根据具体情况进行设置。

在移动速度直方图上获取低速区间对应的直方图，计算任意两个人员之间的低速区间对应的直方图的相似度作为匹配度，用公式表示为：

E_ur＝sim(V_du,V_dr)

其中，E_ur表示人员u与人员r的匹配度，即人员u与人员r的低速区间对应的直方图的相似度，sim(·)表示求相似度的函数，V_du表示人员u的低速区间对应的直方图，V_dr表示人员r的低速区间对应的直方图。两个人员的匹配度越大，说明两个人员在低速情况下的移动行为较为相似，可能是结伴而行或者存在交互行为，故可将其作为一个整体进行分析。

进一步的，设置匹配阈值，将匹配度大于匹配阈值的两个人员进行合并处理，在本实施例中匹配阈值的取值为0.2，实施者可根据具体情况进行调整。对匹配度较大的两个人员进行合并是考虑到这两个人员可能是结伴而行或者存在交互行为的情况，避免在对廊道内的人员的移动状态进行分析时，由于两个人员较为相似而导致其对应的移动行为描述占据主导部分。由于匹配度较大的两个人员是基于低速区间进行匹配的，且两个人员的移动速度变化较为相似，则认为两个人员之间不存在冲突，且不容易出现异常的行为状态，故通过调整系数来降低这两个人员在廊道的显著性。

其中，对匹配度大于匹配阈值的两个人员进行合并处理的具体方法为：计算这两个人员的移动速度直方图上对应区间的数值的均值，并获取所述均值与调整系数的乘积得到各个区间调整后对应的数值，利用该数值构成合并后的移动速度直方图。在本实施例中，调整系数的取值为0.5，实施者可根据具体情况进行调整。

最后，为了对整个廊道内所有人员的移动行为从移动速度方面进行分析，则需要对一个子时间段内一个廊道上所有人员的移动速度直方图进行累加后求均值处理，以获取子时间段内廊道的所有人员整体的移动行为变化情况。

具体地，对于一个廊道，在一个子时间段内，将所有人员合并后的移动速度直方图与所有不需要合并的人员的移动速度直方图上对应区间的数值进行累加，将累加结果的均值记为整体数值，即根据直方图上所有区间对应的整体数值获得廊道在一个子时间段内的移动速度直方图。进而对一个时间段内所有子时间段的移动速度直方图进行累加，得到廊道在一个时间段内的移动速度直方图，并将廊道在一个时间段内的移动速度直方图记为廊道的人员移动特征。所述人员移动特征能够体现人员在时间段内移动速度出现变化的情况。

步骤三，根据各廊道的人员时间特征以及人员移动特征计算任意两个廊道的差异距离，根据差异距离进行分级得到三个级别；基于各廊道在时间更新后的时间段内的人员时间特征和人员移动特征与不同级别的数据获得时间更新后各廊道的相对活跃系数。

首先，人员时间特征与人员移动特征分别从人员的逗留时间长度变化情况与移动速度变化情况两个方面对廊道内人员的行为特征进行分析，体现出廊道内不同状态的变化，则可结合人员时间特征与人员移动特征获取任意两个廊道的状态变化的相似性，进而计算对应的差异距离，用公式表示为：

D(a,b)＝1-sim(V_a,V_b)*sim(T_a,T_b)

其中，D(a,b)表示廊道a与廊道b的差异距离，V_a和V_b分别表示廊道a和廊道b的人员移动特征，T_a和T_b分别表示廊道a和廊道b的人员时间特征，sim(·)表示求相似度的函数，在本实施例中，sim(V_a,V_b)通过计算两个因素的L2范数，sim(T_a,T_b)通过计算两个因素的L1范数，实施者也可根据具体情况进行设置。

则可根据差异距离对所有廊道进行等级的划分，在本实施例中利用GMM算法对各个廊道进行分析，且将GMM算法中的类别数设置为3，即将所有廊道分为三个级别，所述三个级别分别为正常级别、未知级别和异常级别。其中GMM算法为高斯混合模型，且为常见的聚类算法，在此不再过多介绍。

对于三个级别，数量最多的代表酒店廊道内经常遇到的行为情况，例如，空旷、单人或者双人直接移动到房间或者出口的情况，即为正常级别。数量最少的则认为人员行为出现特例的情况，即为异常级别，居中的为行为状态有歧义的情况，即为未知级别。

然后，将一个子时间段更新后所对应的时间段记为更新时间段，由于时间更新，则需要对各个廊道的行为状态变化情况进行分析。故将时间更新之前正常级别与未知级别中的所有廊道看作一个整体，并获取更新时间段内各个廊道对应的人员时间特征与人员移动特征，计算更新时间段内各廊道与正常级别和未知级别中各廊道的人员时间特征和人员移动特征对应的差异距离，将差异距离的最小值记为更新时间段内各廊道的最小差异距离，对最小差异距离进行归一化处理，得到更新时间段内廊道对应的相对活跃系数。

其中，差异距离能够反映廊道之间人员的行为特征的相似性，差异距离越大，说明两个廊道之间人员的行为特征越不相似，则越属于尚未记录的廊道或者可能存在特例情况的廊道。通过各个廊道的最小差异距离对更新时间段内各廊道的人员行为特征进行分析，能够较为快速的获取更新时间段内是否出现新的特例情况。

步骤四，获取时间更新后时间段内各子时间段对应数据的可达密度，根据时间更新后时间段内廊道的可达密度以及相对活跃系数获得廊道的注意力系数；根据各廊道的注意力系数对酒店进行监控。

首先，在更新时间段内各子时间段中，基于子时间段对应的相邻变化因子以及子时间段对应的移动速度直方图计算子时间段对应的特征数据的可达密度，其中数据的可达密度的计算方法为公知技术，在此不再详细介绍。当子时间段对应的可达密度较大时，该子时间段内廊道上人员的行为特征情况与其他子时间段内廊道上人员的行为特征情况不同，则该子时间段内廊道上人员的行为特征情况越可能属于特例的情况。

为了对一个时间段进行分析，考虑到该时间段之前可能出现过特例的情况，则需对前期是否出现过特例的情况进行上下文的保留，即获取更新时间段中各个子时间段对应的可达密度后，获取在更新时间段之前设定数量的子时间段对应的可达密度，将所有可达密度的最小值作为该更新时间段的特征可达密度，特征可达密度的取值越小，说明廊道在更新时间段内越不可能出现特例的情况。在本实施例中，该设定数量的取值为3，实施者可根据实际情况进行调整。

然后，廊道的相对活跃系数能够反映廊道之间人员的行为特征的相似性，相对活跃系数的取值越大，说明该廊道与现有的廊道内人员的行为特征的相似性越小，则该廊道越可能出现人员行为特征较为特殊的情况，故对该廊道的注意力应当越大。廊道在子时间段的可达密度能够表示出现人员行为特征较为特殊的情况的可能性，可达密度越大，则该廊道出现人员行为特征较为特殊的情况的可能性越大。

基于此，根据时间更新后时间段内廊道的可达密度以及相对活跃系数获得廊道的注意力系数，用公式表示为：

其中，Q_a表示廊道a的注意力系数，LRD_max表示廊道a在时间更新后时间段内子时间段的可达密度的最大值，LRD_a表示廊道a在时间更新后时间段对应的特征可达密度，X_a表示廊道a的相对活跃系数。

LRD_max-LRD_a能够表示廊道a在更新时间段内子时间段对应的可达密度的最大值与最小值的差值，该差值越大，说明廊道在更新时间段内出现人员行为特征较为特殊的情况的可能性越大，则Q_a的取值越大，越应该注意该廊道。X_a的取值越大，说明该廊道越可能出现人员行为特征较为特殊的情况，则Q_a的取值越大，越应该注意该廊道。

最后，将各廊道的人员时间特征和人员移动特征构成廊道的特征向量，将所有廊道的特征向量构成酒店的特征向量，将酒店中所有廊道的注意力系数构成酒店的注意力向量；将特征向量作为输入，将注意力向量作为输出，基于均方差损失函数，训练安全注意力预测网络。

在本实施例中，安全注意力预测网络采用RNN神经网络，廊道的人员时间特征和人员移动特征以及注意力系数均是基于相同时间长度的一个时间段进行获取的，但基于注意力系数获得的注意力向量对应的时间长度，与基于人员时间特征和人员移动特征获得的酒店的特征向量对应的时间段长度相比，提前一个子时间段的时间单位，从而起到预测效果。其中，实施者可根据具体实施场景进行调整。

最终根据各廊道的注意力系数对酒店进行监控，对于酒店内廊道的监控，一般是按照每层进行监控视频展示组的划分，因此需对每层的多个廊道对应的画面构成的组进行分析。

将各廊道按照注意力系数从大到小的顺序排列，根据排列顺序获取设定数量的廊道，根据逗留时间长度对该廊道内的人员进行标注，对标注的人员行为进行排查，也可提醒相关工作人员排查该廊道内人员的行为情况。其中，根据排列顺序获取设定数量的廊道，即按照从大到小的顺序获取设定数量的廊道，设定数量的取值根据人员行为情况的变化而变化，实施者可根据实际情况进行设置。

酒店内各廊道对应的数据会每隔一个子时间段进行一次更新操作，在时间更新后获取各廊道的注意力系数，将廊道按照注意力系数从大到小的顺序排列，按照排列顺序获取排名范围，在本实施例中排名范围为，注意力系数按照从大到小的顺序排名前K2的廊道。若廊道的注意力系数连续N次出现在该排名范围内，则在酒店的监控显示画面中，将该廊道强制排列到上述设定数量的廊道之前，若出现多个廊道，则将其依次强制排列，防止出现没有观测到特例的情况。同时，实施者可根据实际情况对历史数据重新进行分析并重新训练安全注意力预测网络，以提高准确率。其中，K2和N的取值根据实施者关注度的不同而不同，则实施者可根据实际情况进行设置。

需要说明的是，本发明一方面通过对注意力系数的取值较大的廊道内的人员相关行为进行标注，以及时排查人员的异常或者出现特例的情况。一方面通过对注意力系数的取值较大的廊道进行标注，以避免没有观测到没有特征的情况。

本发明结合酒店运营情况和客流模式，按照时段内进行感知并估计一个时段的酒店廊道内人员的行为特征情况，从而合理提供需要注意的廊道，提高安全监控的实时性、人性化体验，以先例驱动深度神经网络调取可能的更应注意的廊道画面，使得人对特例的逗留行为更加敏感。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。

Claims (7)

1.一种基于计算机视觉的酒店安全监控方法，其特征在于，该方法包括以下步骤：

在酒店的各层廊道，获取在时间段中不同子时间段内所有人员的逗留时间长度，根据逗留时间长度以及对应的人员数量构建子时间段对应的逗留时间直方图；根据时间段内相邻两个子时间段的逗留时间直方图的相似度计算相邻变化因子，进而对时间段内所有子时间段对应的相邻变化因子进行累加得到各廊道的人员时间特征；

获取在时间段中不同子时间段内各个时刻所有人员的移动速度，根据移动速度与对应的时刻数量构建子时间段内一个人员对应的移动速度直方图；将两个人员的移动速度直方图的相似度大于阈值的进行合并，将合并后的时间段内所有子时间段对应的移动速度直方图进行累加得到各廊道的人员移动特征；

根据各廊道的人员时间特征以及人员移动特征计算任意两个廊道的差异距离，根据差异距离进行分级得到三个级别；基于各廊道在时间更新后的时间段内的人员时间特征和人员移动特征与不同级别的数据获得时间更新后各廊道的相对活跃系数；

获取时间更新后时间段内各子时间段对应数据的可达密度，根据时间更新后时间段内廊道的可达密度以及相对活跃系数获得廊道的注意力系数；根据各廊道的注意力系数对酒店进行监控。

2.根据权利要求1所述的一种基于计算机视觉的酒店安全监控方法，其特征在于，所述将两个人员的移动速度直方图的相似度大于阈值的进行合并具体为：

在一个子时间段内，获取任意两个人员的移动速度直方图的相似度，将相似度大于阈值的两个人员的移动速度直方图中对应区间的数值计算其均值，并计算均值与调整系数的乘积得到各个区间调整后对应的数值，利用该数值构成合并后的移动速度直方图。

3.根据权利要求1所述的一种基于计算机视觉的酒店安全监控方法，其特征在于，所述三个级别分别为正常级别、未知级别和异常级别。

4.根据权利要求3所述的一种基于计算机视觉的酒店安全监控方法，其特征在于，所述相对活跃系数的获取方法具体为：

将时间更新后的时间段记为更新时间段，根据更新时间段内各廊道与正常级别和未知级别中各廊道的人员时间特征和人员移动特征获得各廊道的最小差异距离，对所述最小差异距离进行归一化后得到各廊道的相对活跃系数。

5.根据权利要求1所述的一种基于计算机视觉的酒店安全监控方法，其特征在于，所述廊道的注意力系数的获取方法具体为：

其中，Q_a表示廊道a的注意力系数，LRD_max表示廊道a在时间更新后时间段内子时间段的可达密度的最大值，LRD_a表示廊道a在时间更新后时间段对应的特征可达密度，X_a表示廊道a的相对活跃系数。

6.根据权利要求1所述的一种基于计算机视觉的酒店安全监控方法，其特征在于，在获得廊道的注意力系数之后所述方法还包括：

将各廊道的人员时间特征和人员移动特征构成廊道的特征向量，将所有廊道的特征向量构成酒店的特征向量，将酒店中所有廊道的注意力系数构成酒店的注意力向量；将特征向量作为输入，将注意力向量作为输出，基于均方差损失函数，训练安全注意力预测网络。

7.根据权利要求1所述的一种基于计算机视觉的酒店安全监控方法，其特征在于，所述根据各廊道的注意力系数对酒店进行监控具体为：

将各廊道按照注意力系数从大到小的顺序排列，根据排列顺序获取设定数量的廊道，根据逗留时间长度对该廊道内的人员进行标注，对标注的人员行为进行排查。

Images