CN116012208A - 用于智慧城市的风险区域预警信息生成方法和物联网系统 - Google Patents

用于智慧城市的风险区域预警信息生成方法和物联网系统 Download PDF

Info

Publication number
CN116012208A
CN116012208A CN202310079266.9A CN202310079266A CN116012208A CN 116012208 A CN116012208 A CN 116012208A CN 202310079266 A CN202310079266 A CN 202310079266A CN 116012208 A CN116012208 A CN 116012208A
Authority
CN
China
Prior art keywords
suspicious
platform
target area
index
determining
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.)
Pending
Application number
CN202310079266.9A
Other languages
English (en)
Inventor
邵泽华
李勇
刘彬
权亚强
梁永增
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.)
Chengdu Qinchuan IoT Technology Co Ltd
Original Assignee
Chengdu Qinchuan IoT Technology 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 Chengdu Qinchuan IoT Technology Co Ltd filed Critical Chengdu Qinchuan IoT Technology Co Ltd
Priority to CN202310079266.9A priority Critical patent/CN116012208A/zh
Publication of CN116012208A publication Critical patent/CN116012208A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G06Q50/265—Personal security, identity or safety
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64C—AEROPLANES; HELICOPTERS
    • B64C39/00—Aircraft not otherwise provided for
    • B64C39/02—Aircraft not otherwise provided for characterised by special use
    • B64C39/024—Aircraft not otherwise provided for characterised by special use of the remote controlled vehicle type, i.e. RPV
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/53—Querying
    • 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
    • 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
    • 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
    • G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
    • 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
    • G06V40/12—Fingerprints or palmprints
    • G06V40/1365—Matching; Classification
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
    • B64U2101/00—UAVs specially adapted for particular uses or applications
    • B64U2101/30—UAVs specially adapted for particular uses or applications for imaging, photography or videography
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
    • B64U2101/00—UAVs specially adapted for particular uses or applications
    • B64U2101/30—UAVs specially adapted for particular uses or applications for imaging, photography or videography
    • B64U2101/31—UAVs specially adapted for particular uses or applications for imaging, photography or videography for surveillance
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • Y02A30/60—Planning or developing urban green infrastructure

Abstract

本说明书实施例提供一种用于智慧城市的风险区域预警信息生成方法和物联网系统。该方法包括：获取用户对各区域的查询指令；基于该查询指令，获取至少一个目标区域的监控图像；对监控图像进行处理，确定该监控图像内至少一个人员的人员可疑指数；响应于人员可疑指数满足预设条件，确定可疑人员；基于多个相邻帧的监控图像，确定可疑人员之间的距离；基于该距离确定可疑人员对应的可疑团体；基于目标区域中每个可疑团体的可疑团体指数之和，确定目标区域的风险指数；响应于目标区域的风险指数大于第一阈值，生成预警信息。

Description

用于智慧城市的风险区域预警信息生成方法和物联网系统
分案说明
本申请是针对申请日为2022年09月29日、申请号为202211194707.1发明名称为“一种基于物联网的智慧城市区域治安管理预警方法和系统”的中国申请提出的分案申请。
技术领域
本说明书涉及治安管理领域，特别涉及一种用于智慧城市的风险区域预警信息生成方法和物联网系统。
背景技术
治安管理是人们社会生活正常运行的基本保障，现有的治安管理一般通过实时监控小区、街道、商场、停车场等场所的监控信息或者安排巡逻人员巡逻来管理城市治安。通过监控信息初步判断区域内可能存在可疑行为时，随即安排巡逻人员去现场进行查看，可能会造成出警资源分配不足的情况。因此，希望提出一种用于智慧城市的风险区域预警信息生成方法和物联网系统，可以进一步确定治安工作开展程度，以提高治安管理效率。
发明内容
本说明书实施例之一提供一种用于智慧城市的风险区域预警信息生成方法，所述方法由治安管理平台执行，包括：获取用户对各区域的查询指令；基于所述查询指令，获取至少一个目标区域的监控图像；对所述监控图像进行处理，确定所述监控图像内至少一个人员的人员可疑指数；响应于所述人员可疑指数满足预设条件，确定可疑人员；基于多个相邻帧的所述监控图像，确定所述可疑人员之间的距离；基于所述距离确定所述可疑人员对应的可疑团体；基于所述目标区域中每个所述可疑团体的可疑团体指数之和，确定所述目标区域的风险指数；响应于所述目标区域的风险指数大于第一阈值，生成预警信息。
本说明书实施例之一还提供一种用于智慧城市的风险区域预警信息生成物联网系统，所述物联网系统包括依次交互的用户平台、服务平台、治安管理平台、传感网络平台和对象平台，所述治安管理平台被配置为执行以下操作：基于所述用户平台获取用户对各区域的查询指令，所述用户平台被配置为至少一个终端设备；响应于所述查询指令，所述治安管理平台基于所述传感网络平台的传感网络分平台从至少一个目标区域的至少一个监控设备中获取所述至少一个目标区域的监控图像，所述至少一个监控设备被配置于不同的所述对象平台中；其中，所述传感网络平台对不同的所述对象平台的数据采用不同的传感网络分平台进行数据存储、数据处理和/或数据传输，所述传感网络分平台对应不同的目标区域；所述治安管理平台采用不同的管理分平台进行数据存储、数据处理和/或数据传输，并通过所述治安管理平台的总平台进行数据汇总、数据处理和数据传输；基于所述传感网络分平台将对应的所述目标区域的所述监控图像发送至所述管理分平台；基于所述管理分平台对所述监控图像进行处理，确定所述监控图像内至少一个人员的人员可疑指数；响应于所述人员可疑指数满足预设条件，确定可疑人员；基于多个相邻帧的所述监控图像，确定所述可疑人员之间的距离；基于所述距离确定所述可疑人员对应的可疑团体；基于所述目标区域中每个所述可疑团体的可疑团体指数之和，确定所述目标区域的风险指数；响应于所述目标区域的风险指数大于第一阈值，生成预警信息。
本说明书实施例之一还提供一种用于智慧城市的风险区域预警信息生成装置，包括处理器，所述处理器用于执行如上所述的用于智慧城市的风险区域预警信息生成方法。
本说明书实施例之一还提供一种计算机可读存储介质，存储介质存储计算机指令，当计算机读取计算机指令时，计算机执行如上所述的用于智慧城市的风险区域预警信息生成方法。
本说明书实施例的有益效果至少包括：(1)基于监控图像可以实时确定目标区域的风险指数，提高预警的及时性；在风险指数超过一定阈值后，可以生成预警，以及控制无人机前往相应的目标区域进一步监控，以对区域进行治安管理，提高管理效率；(2)通过对目标区域的多个风险指数的处理，可以多维度、综合地确定目标区域的风险指数。当风险指数的平均值大于第二阈值时确定目标区域为日常巡逻点，加大对目标区域的监控力度，有助于提高区域的安全性。另外，通过将巡逻频率与可疑团体分布向量中高可疑指数的可疑团体的占比关联，有助于更有针对性地对目标区域进行巡逻，使得巡逻更有效率，有助于合理利用巡逻资源；(3)通过考虑目标区域不同的区域类型与目标区域的风险指数的相关性，可以使得治安管理平台对目标区域的风险指数的评估更有针对性。另外，通过获取可疑人员的停留时长，综合监控图像中多个人员中的每一个人员的风险指数确定目标区域的风险指数，有助于准确评估人员的可疑指数和目标区域的风险指数。
附图说明
本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1是根据本说明书一些实施例所示的区域治安管理预警系统的应用场景示意图；
图2是根据本说明书一些实施例所示的区域治安管理预警系统的示例性模块图；
图3是根据本说明书一些实施例所示的基于物联网的智慧城市区域治安管理预警方法的示例性流程图；
图4是根据本说明书一些实施例所示的基于可疑人员确定风险指数的方法的示例性流程图；
图5是根据本说明书一些实施例所示的确定轨迹可疑度的示例性示意图；
图6是根据本说明书一些实施例所示的基于可疑团体确定风险指数的示例性流程图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案，下面将对实施例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说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的区域治安管理预警系统的应用场景示意图。
在一些实施例中，区域治安管理预警系统100可以包括处理设备110、网络120、终端130、存储设备140、监控设备150、无人机160。在一些实施例中，区域治安管理预警系统100可以用于公共区域的治安管理。区域治安管理预警系统100可以通过实施本说明书中披露的方法和/或过程来实现基于物联网的智慧城市区域治安管理预警。在一些实施例中，区域治安管理预警系统100中的组件可以经由网络120(例如无线连接、有线连接或其组合)，以实现彼此连接和/或通信。例如，处理设备110可以通过网络120连接到存储设备120。
处理设备110可以处理从其他设备或系统组成部分中获得的数据和/或信息。在一些实施例中，处理设备110可以从终端130、存储设备140、监控设备150和/或无人机160以访问信息和/或数据。例如，处理设备110从监控设备150获取目标区域的监控图像。在一些实施例中，处理设备110可以处理从终端130、存储设备140、监控设备150和/或无人机160获取的信息和/或数据。例如，处理设备110可以基于监控图像确定目标区域的风险指数，以及在风险指数大于第一阈值时，生产预警消息，并控制无人机160对目标区域进行监控。在一些实施例中，处理设备110可以是服务器或服务器组。在一些实施例中，一个或多个不同的服务器可以被配置为治安管理平台、服务平台。例如，处理设备110可以包括第一服务器和第二服务器，其中第一服务器可以被配置为服务平台，第二服务器可以被配置为治安管理平台。
网络120可以包括提供能够促进基于物联网的智慧城市区域治安管理预警系统100中各个组件的信息和/或数据交换的任何合适的网络。基于物联网的智慧城市区域治安管理预警系统100中的一个或多个组件(例如，处理设备110、终端130、存储设备140、监控设备150和/或无人机160)之间可以通过网络120交换信息和/或数据。例如，网络120可以将从监控设备150获取的目标区域的监控图像发送给处理设备110。在一些实施例中，网络120可以是有线网络或无线网络中的任意一种或多种。在一些实施例中，网络可以是点对点的、共享的、中心式的等各种拓扑结构或者多种拓扑结构的组合。在一些实施例中，网络120可以包括一个或以上网络接入点。例如，网络120可以包括有线或无线网络接入点。
终端130可以与处理设备110、存储设备140、监控设备150、无人机160通信和/或连接。例如，终端130可以通过网络120向监控设备150发送一种或多种控制指令以控制监控设备150按照指令对目标区域进行拍摄，和/或向无人机160发送一种或多种控制指令以控制无人机160按照指令对目标区域进行侦察。又例如，用户可以通过终端130记录多个监控设备150拍摄的图像中的可疑人员，终端130可以将图像传输至存储设备140储存，也可以将图像发送至处理设备110以进行后续处理。在一些实施例中，用户可以是警察或街道管理人员。在一些实施例中，终端130可以是移动设备130-1、平板计算机130-2、膝上型计算机130-3等其他具有输入和/或输出功能的设备中的一种或其任意组合。上述示例仅用于说明所述终端130设备范围的广泛性而非对其范围的限制。
存储设备140可以用于存储数据、指令和/或任何其他信息。在一些实施例中，存储设备140可以存储从处理设备110、终端130、监控设备150和/或无人机160获取的数据。例如，存储设备140可以用于储存监控设备150获取的目标对象的监控图像。在一些实施例中，存储设备140可以存储处理设备110用来执行或使用以完成本说明书描述的示例性方法的数据和/或指令。
在一些实施例中，存储设备140可以包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。在一些实施例中，存储设备140可以在云平台上实现。
监控设备150可以用于采集数据和/或信息。例如，监控设备150可以用于采集图像、视频、声音等。在一些实施例中，监控设备150可以包括数据摄像机、摄像头等设备。在一些实施例中，监控设备150可以将采集的数据和/或信息经由网络120发送到处理设备110，也可以经由网络120发送至存储设备140中。
无人机160可以用于对目标区域进行进一步监控。在一些实施例中，无人机160可以包括无人固定翼飞机、无人垂直起降飞机、无人飞艇、无人直升机、无人多旋翼飞行器、无人伞翼机等。在一些实施例中，当监控设备150拍摄的监控图像中目标区域的风险指数大于第一阈值时，处理设备110和/或终端130可以进一步控制无人机160对目标区域进行进一步监控。无人机监控可以进一步确定目标区域的治安情况，避免误判造成治安管理资源的浪费，提高治安管理效率。
应当注意应用场景仅仅是为了说明的目的而提供，并不意图限制本说明书的范围。对于本领域的普通技术人员来说，可以根据本说明书的描述，做出多种修改或变化。例如，应用场景还可以包括数据库。又例如，应用场景可以在其他设备上实现以实现类似或不同的功能。然而，变化和修改不会背离本说明书的范围。
图2是根据本说明书一些实施例所示的区域治安管理预警系统的示例性模块图。如图2所示，区域治安管理预警系统200包括用户平台、服务平台、治安管理平台、传感网络平台、对象平台。在一些实施例中，智慧城市区域治安管理预警系统200可以为处理设备110的一部分或由处理设备110实现。
在一些实施例中，区域治安管理预警系统200可以基于物联网系统实现。在一些实施例中，物联网系统中信息的处理可以分为感知信息的处理流程及控制信息的处理流程，控制信息可以是基于感知信息而生成的信息。其中，感知信息的处理是由用户平台获取感知信息，并传递至治安管理平台。控制信息则是由治安管理平台下发至用户平台，进而实现相应的控制。在一些实施例中，将物联网系统应用于城市管理时，可以将其称之为智慧城市物联网系统。
用户平台可以是用于与用户进行交互的平台。在一些实施例中，用户平台可以被配置为终端设备(例如，终端130)，例如，终端设备可以包括移动设备、平板计算机等或其任意组合。在一些实施例中，用户平台可以用于接收用户输入的请求和/或指令。例如，用户平台可以通过终端设备获取用户对目标区域的风险指数的查询请求。
服务平台可以是用于接收和传输数据和/或信息的平台。例如，服务平台可以将用户平台生成的查询请求发送至治安管理平台。又例如，服务平台可以将治安管理平台生成的预警信息发送至用户平台。
治安管理平台可以指统筹、协调各功能平台之间的联系和协作，汇聚着物联网全部的信息，为物联网运行体系提供感知管理和控制管理功能的平台。例如，治安管理平台可以通过传感网络平台和对象平台获取目标区域的治安情况(例如，出现可疑人员等)，基于治安情况，通过治安管理平台向无人机发送对目标区域进行进一步监控的指令。在一些实施例中，治安管理平台可以包括图1中的处理设备110以及其他组件。在一些实施例中，治安管理平台可以是由管理人员、人工智能、或由预设规则操控的远程平台。
在一些实施例中，治安管理平台可以采用前分式布置。前分式布置可以指治安管理平台设置有总数据库和多个管理分平台，多个管理分平台根据不同的数据源对相应的数据进行存储、处理和/或传输，各管理分平台可以进一步将处理的数据汇总到总数据库，治安管理平台基于汇总后的数据进行分析处理并存储，再通过总数据库将数据传输至服务平台。在一些实施例中，治安管理平台包括的多个管理分平台可以根据城市中预设的区域进行确定。例如，治安管理平台可以包括A区域对应的管理分平台、B区域对应的管理分平台、C区域对应的管理分平台等多个管理分平台。
在一些实施例中，治安管理平台响应于用户对城市各区域的风险指数查询的需求，通过治安管理平台相应的管理分平台从传感网络平台对应的传感网络分平台获取相应区域的监控图像等信息并进行存储、分析和处理，进而确定相应的各区域的风险指数。例如，通过治安管理平台的A区域对应的管理分平台、B区域对应的管理分平台、C区域对应的管理分平台，分别确定A区域、B区域、C区域的风险指数并汇总到治安管理平台的总数据库，治安管理平台通过该总数据库将各区域的风险指数上传到服务平台，在由服务平台将各区域的风险指数上传到用户平台以反馈给用户。用户可以基于各区域不同的风险情况统筹、协调后续的安排。
传感网络平台可以是对传感通信进行管理的功能平台。在一些实施例中，传感网络平台可以连接治安管理平台和对象平台，实现感知信息传感通信和控制信息传感通信的功能。在一些实施例中，传感网络平台可以包括多个传感网络分平台。
在一些实施例中，传感网络平台可以采用独立式布置。独立式布置可以指传感网络平台对不同类型或不同数据来源的数据采用不同的分平台进行数据存储、数据处理和/或数据传输。在一些实施例中，传感网络平台包括的多个传感网络分平台可以根据城市中预设的区域进行确定，其可以与治安管理平台的管理分平台相对应。例如，传感网络平台可以设置A区域对应的传感网络分平台、B区域对应的传感网络分平台、C区域对应的传感网络分平台，分别对应于A区域对应的管理分平台、B区域对应的管理分平台、C区域对应的管理分平台。
在一些实施例中，传感网络平台响应于治安管理平台的管理分平台下发的查询指令，通过相应的传感网络分平台从对象平台中相应的监控设备获取监控图像等信息，并上传到相应的治安管理平台的管理分平台。
对象平台可以是感知信息生成的功能平台。在一些实施例中，对象平台可以别配置为包括至少一个监控设备。在一些实施例中，对象平台可以用于获取目标区域中治安相关的信息。例如，基于监控设备150获取不同的目标区域的监控图像等。在一些实施例中，对象平台配置的至少一个监控设备可以根据预设规则设置有唯一标识(如编号等)，标识可以与预设的区域存在对应关系，从而实现传感网络平台的传感网络分平台可以从相应的监控设备获取到对应区域的监控图像等信息。例如，A区域对应的传感网络分平台可以从设置在A区域的监控设备中获取A区域的监控图像。
需要注意的是，以上对于系统及其组成部分的描述，仅为描述方便，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个组成部分进行任意组合，或者构成子系统与其他组成部分连接。例如，治安城市疫苗管理平台和服务平台可以整合在一个组成部分中。又例如，各个组成部分可以共用一个存储设备，各个组成部分也可以分别具有各自的存储设备。诸如此类的变形，均在本说明书的保护范围之内。
图3是根据本说明书一些实施例所示的基于物联网的智慧城市区域治安管理预警方法的示例性流程图。在一些实施例中，基于物联网的智慧城市区域治安管理预警方法可以由区域治安管理预警系统100(例如，处理设备110)或区域治安管理预警系统200(例如，治安管理平台)执行。例如，流程300可以以程序或指令的形式存储在存储设备(例如，存储设备140)中，当处理设备110或治安管理平台执行该程序或指令时，可以实现流程300。下文呈现的流程300的操作示意图是说明性的。在一些实施例中，可以利用一个或以上未描述的附加操作和/或未讨论的一个或以上操作来完成该过程。另外，图3中示出的及下文描述的流程300的操作的顺序并非限制性的。
步骤310，基于用户平台获取用户对各区域的查询指令，并将查询指令经由服务平台发送至治安管理平台。
查询指令可以指用于查询风险指数的指令请求。在一些实施例中，用户可以通过用户平台获取用户对各区域的风险指数的查询指令。
步骤320，响应于查询请求，治安管理平台基于传感网络平台的传感网络分平台从至少一个目标区域的至少一个监控设备中获取至少一个目标区域的监控图像。
目标区域可以指需要进行监控的一个或多个公共区域。例如，公园、商场、小区、银行等室内或室外的公共区域。在一些实施例中，目标区域中可以包括预先部署的至少一个监控设备。
监控设备可以指对目标区域内的人员或行为进行监控的设备。监控设备可以是各类数据采集设备，例如，摄像头、录像机、图像传感器等。
在一些实施例中，至少一个监控设备可以被配置于对象平台中。例如，监控设备可以是对象平台中的一个或多个摄像头。
监控图像可以指监控设备所采集的目标区域内的图像或视频数据。例如，监控图像可以是一张图像、一段视频或者某段视频中的一帧或多帧图像。
在一些实施例中，监控设备可以通过传感网络平台将监控图像上传到治安管理平台，以对监控图像进行分析、存储和处理。
在一些实施例中，治安管理平台和传感网络平台可以分别设置多个分平台。多个分平台可以根据城市中预设的多个区域进行确定。目标区域内的监控设备所获取的监控图像则可以通过相应传感网络平台对应的分平台上传到治安管理平台相应的管理分平台。更多内容参见图2及其描述。
步骤330，基于传感网络分平台将对应目标区域的监控图像发送至管理分平台。
在一些实施例中，传感网络分平台可以从不同的对象平台中所配置的监控设备中获取监控图像等信息，并上传到相应的治安管理平台的管理分平台。例如，A区域对应的传感网络分平台可以从设置在A区域的监控设备中获取A区域的监控图像。
步骤340，基于管理分平台对监控图像进行处理，确定至少一个目标区域的风险指数。
风险指数可以指目标区域内存在的发生各类治安事件风险的可能性。例如，风险指数可以指目标区域内发生人员打架斗殴、抢劫、偷盗等治安事件风险的可能性。风险指数可以表示为预设的数值范围内的数值，如[0，10]区间内数值，也可以表示为预设的等级，如1级、2级、3级，或低级、中级、严重等各种表现形式。
在一些实施例中，风险指数可以基于预设规则进行确定。例如，人数较多的区域比人数较少的区域发生偷窃的治安事件的可能性要大，相应的风险指数会较高。又例如，当目标区域内没有人时，风险指数可以设置为0等。在一些实施例中，风险指数还可以基于该区域中历史发生的治安事件确定，例如，过去3年，每一年中目标区域均发生多起某类治安事件，则可以认为该目标区域的风险指数较高。
在一些实施例中，治安管理平台可以确定监控图像内至少一个人员的可疑指数，响应于可疑指数满足预设条件，确定可疑人员。进一步地，治安管理平台可以基于可疑人员，确定目标区域的风险指数。关于基于可疑人员确定风险指数的更多说明参见图4及其描述。
在一些实施例中，治安管理平台可以对多个相邻帧的监控图像进行分析和处理，确定监控图像中的可疑人员之间的距离。进一步地，治安管理平台可以基于距离确定可疑人员对应的可疑团体，以及基于可疑团体确定目标区域的风险指数。关于基于可疑团体确定风险指数的更多说明参见图6及其描述。
步骤350，响应于目标区域的风险指数大于第一阈值，生成预警信息，并将预警信息经由治安管理平台的总数据库、服务平台发送至用户平台。
第一阈值可以指预先设置的用于确定是否进行预警的风险指数对应的阈值。例如，对于风险指数为[0，10]区间内的数值，可以设置第一阈值为5。第一阈值可以基于社会经验确定。例如，根据目标区域的历史治安事件的情况确定。不同的目标区域可以对应不同的第一阈值。例如，经济发展较为发达的繁华区域，更容易发生社会治安风险事件，则第一阈值可以设置得较低些，以提前防范。
预警信息可以指用于提醒目标区域可能存在风险的信息。预警信息可以是文本信息、声音信息、图像信息等的一种或多种的任意组合。例如，预警信息可以是显示在终端设备的文本信息，如“请注意，商场内出现多名高度可疑人员”等；也可以是警报设备或广播设备等播放的声信息或音频信息等。
在一些实施例中，各个管理分平台可以对各个目标区域的风险指数生成对应的预警信息，治安管理平台的总数据库可以对各个管理分平台处理的数据进行汇总分析等。在一些实施例中，汇总后的数据可以经由服务平台发送至用户平台，用户可以在用户平台处根据汇总后的数据发出管理指令进行相关管理(如，是否派送无人机进行进一步监控等)。其中，管理指令可以指用户发出的用于对目标区域进行进一步监控的指令。
在一些实施例中，治安管理总平台还可以根据汇总分析的结果确定管理方案，并将管理方案经由服务平台发送至用户平台以供用户确定。例如，管理方案可以包括各个目标区域需不需要派送无人机进行进一步监控，派送的无人机数量、派送无人机的频率等。相应的，用户可以在用户平台处对管理方案进行审核，并根据审核通过的管理方案发出对应的管理指令进行相关管理。在一些实施例中，治安管理平台可以通过服务平台将预警信息发送至用户平台，以反馈给用户。例如，治安管理平台可以将预警的文本信息反馈到用户平台的终端设备并展现给用户。步骤360，基于用户平台获取管理指令，根据管理指令控制无人机前往目标区域对目标区域进行监控。
在一些实施例中，在目标区域的风险指数大于第一阈值时，治安管理平台可以进一步控制无人机前往目标区域对目标区域进行监控。其中，无人机安装有监控设备(如摄像头等)，可以对目标区域进行进一步的监控。关于无人机的更多内容参见图1以及描述。
在一些实施例中，无人机可以由终端设备(例如，终端130)控制。响应于用户通过用户平台接受到预警信息，用户可以发出控制指令以对无人机进行控制。例如，用户通过用户平台的终端设备输入控制指令。控制指令可以包括目标区域、导航路线等。无人机通过执行该控制指令可以前往目标区域并对目标区域进行进一步的监控。无人机在人为控制下可对目标区域内的可疑人员进行追踪监控；同时，无人机可以代替警察出警，在警察未出动的情况下，警察可以在无人机的后台执行对目标区域的监管。
本说明书一些实施例，基于监控图像可以实时确定目标区域的风险指数，提高预警的及时性；在风险指数超过一定阈值后，可以生成预警，以及控制无人机前往相应的目标区域进一步监控，以对区域进行治安管理，提高管理效率。
在一些实施例中，治安管理平台还可以获取目标区域在多个时间段的多个风险指数。
多个时间段可以指截止到当前时间的多个历史时间段。例如，多个时间段可以是过去的一个星期中的每一天。又如，多个时间段可以是过去三天的早上(6:00-11:00)、下午(14:00-18:00)、晚上(18:00-24:00)等。
在一些实施例中，治安管理平台还可以响应于多个风险指数的平均值大于第二阈值，确定目标区域为日常巡逻点。
第二阈值可以指用于确定日常巡逻点的风险指数的阈值。例如，第二阈值数值可以是6或4等。第二阈值可以基于预设规则设定。
日常巡逻点可以指安排治安人员按照一定的巡逻频率进行巡逻的目标区域。
在一些实施例中，治安管理平台可以基于至少一个目标区域历史发生的治安事件的情况确定日常巡逻点。例如，治安管理平台可以统计过去一段时间内(如过去一个月等)多个目标区域发生治安事件的数量或频率，数量越多、频率越高的目标区域可以被设置为日常巡逻点。
在一些实施例中，治安管理平台还可以基于至少一个目标区域的监控图像确定目标区域在多个时间段的多个风险指数，进而可以计算多个风险指数的平均值。当该平均值大于第二阈值时，治安管理平台可以确定该目标区域为日常巡逻点。
在一些实施例中，治安管理平台可以进一步确定日常巡逻点的巡逻频率。
巡逻频率可以指预设时间段内进行巡逻的次数。例如，巡逻频率可以是一天巡逻5次，每2小时巡逻1次等。又如，巡逻频率可以是06:00-11:00巡逻3次；晚上20:00-23:00巡逻5次等。
在一些实施例中，巡逻频率可以与可疑团体分布向量中高可疑指数的可疑团体的占比相关。其中，高可疑指数的可疑团体可以是可疑指数大于预设阈值的可疑团体。例如，可疑团体分布向量中高可疑指数的可疑团体的占比越大，相应的，巡逻频率可以越高。关于高可疑指数的可疑团体的更多说明参见图6及其描述。
本说明书一些实施例，通过对目标区域的多个风险指数的处理，可以多维度、综合地确定目标区域的风险指数。当风险指数的平均值大于第二阈值时确定目标区域为日常巡逻点，加大对目标区域的监控力度，有助于提高区域的安全性。另外，通过将巡逻频率与可疑团体分布向量中高可疑指数的可疑团体的占比关联，有助于更有针对性地对目标区域进行巡逻，使得巡逻更有效率，有助于合理利用巡逻资源。
图4是根据本说明书一些实施例所示的基于可疑人员确定风险指数的示例性流程图。在一些实施例中，基于可疑人员确定风险指数的方法可以由区域治安管理预警系统100(例如，处理设备110)或区域治安管理预警系统200(例如，治安管理平台)执行。例如，流程400可以以程序或指令的形式存储在存储设备(例如，存储设备140)中，当处理设备110或治安管理平台执行该程序或指令时，可以实现流程400。下文呈现的流程400的操作示意图是说明性的。在一些实施例中，可以利用一个或以上未描述的附加操作和/或未讨论的一个或以上操作来完成该过程。另外，图4中示出的及下文描述的流程400的操作的顺序并非限制性的。
步骤410，确定监控图像内至少一个人员的可疑指数。
可疑指数可以指人员可能引发治安事件的可能性。可疑指数可以是[0，10]区间内的数值，如0，5，8等。
在一些实施例中，治安管理平台可以通过目标区域的监控图像，确定至少一个人员在一段时间内出现在该目标区域的次数或频率，结合目标区域在该时间段内的治安事件或历史统计数据，确定该人员的可疑指数。例如，人员在目标区域过去半年内每天都出现，然而并出现发生过治安事件，则该人员可疑指数较低。又如，识别到人员A出现在目标区域中，且历史统计数据中并无该人员的人脸信息，则其可疑指数可以设置得高些，表示需要先重点观察。需要说明的是，此处并非限定人员在目标区域出现的次数越多，可疑指数越低，也并非限定人员在目标区域出现的次数越少，则可疑指数越高。
在一些实施例中，可疑指数可以与监控设备的所属区域的区域类型相关。
区域类型可以指目标区域的属性或性质。例如，区域类型可以包括银行、珠宝店、超市、酒店等。又例如，区域类型可以包括广场、小区、公园、商业街等。
不同类型的区域发生治安事件的类型、数量、频率会有不同。在一些实施例中，监控设备所属区域的不同，对应拍摄的监控图像内至少一个人员的可疑指数也不同。例如，理发店区域内监控设备拍摄到人员A，且历史统计数据中并无人员A的人脸信息，则可以确定人员A的可疑指数为5；银行区域内监控设备拍摄到人员B，且历史统计数据中并无人员B的人脸信息，则可以确定人员B的可疑指数为8。
在一些实施例中，可疑人员的可疑指数可以随着人员在目标区域内的停留时长的增长而增长。
停留时长可以指人员开始出现在目标区域到离开该目标区域的时间长度。例如，5分钟，60分钟。停留时长也可以是累计的停留时长。例如，人员离开目标区域后，在小于预设时间阈值(如10分钟、5分钟等)又回到该目标区域，则该人员的停留时长可以是两次停留时长的总和。
在一些实施例中，治安管理平台可以根据多帧监控图像的图像序列确定人员的停留时长。例如，治安管理平台可以确定包括某人员的多帧监控图像，并基于连续的多帧图像的首尾两帧图像的时间差确定该人员在目标区域的停留时长。
可疑人员的可疑指数与其在目标区域的停留时长存在一定关系，该关系可以基于预设规则进行设定。在一些实施例中，可以根据治安管理经验设置可疑指数与停留时长的关系曲线，治安管理平台可以基于预设的关系曲线，通过获取人员的停留时长确定人员的可疑指数。示例性的，可疑指数随着停留时长的增长而增大，当停留时长增长到一定的程度达到峰值，并可以保持不变，之后会随着停留时长的增长而减小。可以理解的是，人员的可疑指数随着停留时长的变化存在增长阶段、快速增长阶段、下降阶段等，最终会趋于一个较低的水平。可以理解的是，对可疑人员的监控，初期会先引起治安管理人员的关注，当可疑人员的停留时长达到一定的程度，会被治安管理人员重点观察，期间结合巡逻情况等可以逐步解除该人员引发治安事件的风险嫌疑，即降低其可疑指数。在一些实施例中，可疑指数与停留时长的关系还可以通过其它各种方式确定，本说明书对此不做限制。
本说明书一些实施例，通过考虑目标区域不同的区域类型与目标区域的风险指数的相关性，可以使得治安管理平台对目标区域的风险指数的评估更有针对性。另外，通过获取可疑人员的停留时长，有助于治安管理平台对人员的可疑指数的评估更加准确。
在一些实施例中，随着人员在区域内的停留时长的增长，可疑指数可以以一定的增长速率增长，其中，增长速率可以与可疑人员所停留区域的区域类型相关。例如，可疑人员停留在理发店附近时，可疑指数的增长速度可以为1/分钟，可疑人员停留在银行附近时，可疑指数的增长速度可以为2/分钟等。
在一些实施例中，可疑指数的增长速率还可以与轨迹可疑度相关。例如，在预设的时间段内，人员在目标区域反复出现，即该人员的轨迹可疑度较高。相应的，轨迹可疑度越高，人员的可疑指数增长速率越大。
轨迹可疑度可以指人员的行动轨迹存在可疑的程度。轨迹可疑度可以是一个[0，1]区间的数值，如0.5。其中，人员的行动轨迹中包括人员出现在不同的区域，以及在不同区域进行停留的时长、次数等信息。
在一些实施例中，治安管理平台可以通过获取监控图像中每个人员的行动轨迹，并基于行动轨迹提取轨迹特征。进而，治安管理平台可以基于轨迹特征确定轨迹可疑度。关于确定轨迹可疑度的更多说明参见图5及其描述。
步骤420，响应于可疑指数满足预设条件，确定可疑人员。
预设条件可以指用于确定人员是否为可疑人员的预先设置的条件。例如，可疑指数为[0，10]区间的值，则预设条件可以是7。
在一些实施例中，治安管理平台可以将至少一个人员的可疑指数与预设条件进行对比分析。进而，响应于可疑指数满足预设条件，治安管理平台可以确定该人员为可疑人员。其中，满足预设条件可以指可疑指数大于或等于预设条件。
步骤430，基于可疑人员，确定目标区域的风险指数。
在一些实施例中，治安管理平台可以基于目标区域的可疑人员的数量确定目标区域的风险指数。例如，可疑人员数量越多，可以确定目标区域的风险指数越高。仅作为示例，目标区域的风险指数可以是所有可疑人员的可疑指数的总和。
本说明书一些实施例，综合监控图像中多个人员中的每一个人员的风险指数确定目标区域的风险指数，有助于准确评估目标区域的风险指数。
图5是根据本说明书一些实施例所示的确定轨迹可疑度的示例性示意图。
在一些实施例中，如图5所示，治安管理平台可以获取监控图像510内每个人员的行动轨迹520。
行动轨迹可以指人员某段时间内在多个地点之间停留和移动的路径。例如，人员的行动轨迹可以是“地点A→地点B→地点C→地点D→地点C→地点B”，表示该人员依次经过地点A、地点B、地点C、地点D，而后从地点D返回到地点C，再从地点C返回到地点B。其中，上述多个地点可以是同一目标区域内的地点，也可以是不同目标区域内的地点。
在一些实施例中，行动轨迹可以基于目标区域中多个地点的监控设备获取。治安管理平台可以对多个点位获取的监控图像进行人脸识别或人脸匹配等技术对每帧监控图像中的人员进行识别，以确定相应的人员是否在不同的点位中出现。同时，根据人员在不同点位出现的次序、出现时的时刻、离开时的时刻等确定人员的行动轨迹。
在一些实施例中，如图5所示，治安管理平台可以基于行动轨迹520提取轨迹特征。
轨迹特征可以指人员的行动轨迹的特征。轨迹特征可以包括人员去过的目标区域、每个目标区域去过的次数、停留时长等。需要说明的是，轨迹特征还可以包括时序特征。例如，人员到各个目标区域的时间顺序。
在一些实施例中，治安管理平台可以通过建模或采用各种数据分析算法确定轨迹特征。仅作为示例，治安管理平台可以通过统计的方法确定人员在不同点位出现的次数、停留时长等轨迹特征。例如，人员m在16:00时出现在地点A，在16:08时离开地点A，随后于16:10出现在地点B，在16:30离开地点B，最后于16:35再次出现在地点A，并于17:00离开地点A，可见人员m在地点A的出现次数为2次，停留时长分别为8分钟、25分钟，在地点B的出现次数为1次，停留时长为20分钟。
在一些实施例中，轨迹特征可以由轨迹图体现。轨迹图可以是由节点和边组成的数据结构，边连接节点，节点和边可以具有属性。
在一些实施例中，治安管理平台可以基于人员的行动轨迹构建轨迹图。
轨迹图的节点可以与人员的行动轨迹中的各个地点对应。例如，节点可以表示表示公园、银行、广场等地点。轨迹图的节点属性可以包括人员在该地点的停留时长等。在一些实施例中，轨迹图的节点属性还可以包括人员出现和离开对应地点的时间。例如，节点A的节点属性可以为(16:02，16:18，16)，表示人员出现在节点A的时间为16:02，离开的时间为16:18，停留时长为16分钟。若人员出现在某地点的次数为多次，则对应有多个出现的时间、多个离开的时间和多个停留时长。
轨迹图的边可以指两个相连接的目标区域的关系。轨迹图的边可以是单向边，边的方向代表人员从一个地点去往另一个地点。边的属性可以包括人员在一段时间内一个地点去往另一个地点的次数。
如图5所示，轨迹图530中的节点包括地点A，地点B、地点C、地点D，其中，地点A指向地点B可以生成边AB，边AB的边属性为1次，表示该人员在一段时间内从地点A去往地点B的次数为1次；地点B指向地点C可以生成边BC，边BC的属性为3次，表示人员在一段时间内从地点B去往地点C的次数为3次。另外，地点C指向地点B可以生成边CB，边CB的属性为2次，表示人员在一段时间内从地点C去往地点B的次数为3次。
在一些实施例中，治安管理平台可以基于节点的属性和边的指向确定人员的行动轨迹。例如，节点A的节点属性为(16:02，16:18，16)、(16:30，16:42，12)，节点B的节点属性为(16:20，16:28，8)，则可以确定人员的行动轨迹为“节点A→节点B→节点A”。
在一些实施例中，治安管理平台可以基于轨迹图530确定轨迹可疑度550。具体地，治安管理平台可以通过轨迹可疑度确定模型540对轨迹图530进行处理，确定轨迹可疑度550。
轨迹可疑度可以指人员行动轨迹可疑的程度。可以理解的是，人员的轨迹可疑度可以表征该人员可能会引发治安事件的概率。轨迹可疑度可以是[0，1]区间的数值，数值越大，轨迹可疑度越高。也可以以等级的形式表示，如正常、轻微、中等、严重等。
轨迹可疑度确定模型可以指用于确定行动轨迹的可疑度的模型。在一些实施例中，轨迹可疑度确定模型可以为图神经网络模型(Graph Neural Network,GNN)。如图5所示，轨迹可疑度确定模型540的输入可以为轨迹图530，输出可以是轨迹可疑度550。
轨迹可疑度确定模型也可以是其他图模型，例如图卷积神经网络模型(GCNN)，或者在图神经网络模型中增加其他处理层、修改其处理方法等。
在一些实施例中，轨迹可疑度确定模型540可以将轨迹图530中的当前节点作为输出节点，输出轨迹可疑度550。其中，当前节点可以是人员最后一次停留地点所对应的节点。例如，若轨迹图中节点C是人员最后一次停留的地点对应的节点，则由节点C输出轨迹可疑度。
在一些实施例中，轨迹可疑度可以基于多轮迭代更新得到。示例性的，治安管理平台可以基于持续获取的监控图像510更新人员的行动轨迹520，并进一步更新轨迹图530中各节点和边的属性。相应的，每更新一次轨迹可疑度确定模型540可以对轨迹可疑度550更新一次。
在一些实施例中，轨迹可疑度确定模型可以通过多个带有标签的训练样本训练获得。例如，可以将多个带有标签的训练样本输入至初始的轨迹可疑度确定模型，通过标签和初始的轨迹可疑度确定模型的输出构建损失函数，基于损失函数迭代更新轨迹可疑度确定模型的参数，直到满足预设条件时训练完成，得到训练好的轨迹可疑度确定模型。其中，预设条件可以是损失函数小于阈值、收敛，或训练周期达到阈值。
在一些实施例中，训练样本可以为多个不同人员的行动轨迹所构建的同样结构的多个轨迹图。其中，多个不同人员的行动轨迹的数据来源可以基于多个目标区域的历史监控图像获得。训练样本的标签可以是每个行动轨迹图所对应的轨迹可疑度。在一些实施例中，标签可以通过经验或专家等对相应的行动轨迹图进行分析、判断后确定。训练样本的标签可以通过人工进行标注。
本说明书一些实施例中，基于轨迹可疑度确定模型进行预测时，可以进一步考虑到节点与边之间的联系，使得轨迹可疑度确定模型对特征的学习效果更好，以提升确定轨迹可疑度的准确率。
在一些实施例中，治安管理平台还可以根据预设规则对轨迹特征进行分析处理，以确定轨迹可疑度。例如，可以预设停留时长、在目标区域出现的次数、出现的时间间隔等一种或多种的任意组合，以确定轨迹可疑度。示例性的，若人员在24小时内在银行附近出现次数超过5次，可以预设对应的轨迹可疑度为2(轻微可疑)；若该人员在该区域平均停留的时长为20分钟，则可以预设对应的轨迹可疑度为5(中等可疑)；若该人员每次出现的间隔为15分钟，则表示该人员在该区域徘徊不定，有可能在蹲点存取款的人，则可以预设对应的轨迹可疑度为8(严重)。
本说明书的一些实施例，在确定行动轨迹的轨迹可疑度时，考虑到了行动轨迹中多个途径地点的停留时长和轨迹方向的实际情况，能够辅助判断该人员是否可能引发治安事件的风险，有助于治安管理平台准确快速地确定人员的轨迹可疑度，也有助于进一步准确评估人员的可疑指数。
图6是根据本说明书一些实施例所示的基于可疑团体确定风险指数的示例性流程图。在一些实施例中，基于可疑团体确定风险指数的方法可以由区域治安管理预警系统100(例如，处理设备110)或区域治安管理预警系统200(例如，治安管理平台)执行。例如，流程600可以以程序或指令的形式存储在存储设备(例如，存储设备140)中，当处理设备110或治安管理平台执行该程序或指令时，可以实现流程600。下文呈现的流程600的操作示意图是说明性的。在一些实施例中，可以利用一个或以上未描述的附加操作和/或未讨论的一个或以上操作来完成该过程。另外，图6中示出的及下文描述的流程600的操作的顺序并非限制性的。
步骤610，基于多个相邻帧的监控图像确定可疑人员之间的距离。
距离可以是两个可疑人员之间的直线距离，可以由连接二者的线段长度确定。在一些实施例中，治安管理平台可以利用多种方式确定可疑人员之间的距离。例如，可以通过距离估算模型、图像识别算法等方法确定可疑人员之间的距离。
步骤620，基于距离确定可疑人员对应的可疑团体。
可疑团体是指是指团伙作案的多个可疑人员。团伙作案的多个可疑人员可以经常出现在一个地方、路径一致等。在一些实施例中，多个可疑人员中可能存在多个可疑团体。
在一些实施例中，治安管理平台可以通过多个相邻帧中两个可疑人员之间的距离判断其是否属于同一个可疑团体。若相邻帧中两个可疑人员之间的距离小于预设距离阈值(例如，2米)，则进一步记录帧数，若帧数大于预设帧数时，治安管理平台可以确定其属于同一个可疑团体。其中，预设距离阈值和预设帧数可以人为设定，也可以根据历史可疑团体中可疑人员的距离和其对应的连续帧数设定。例如，人为设定距离阈值为2米，预设帧数为30帧，可疑人员A和B在35个连续帧中的距离均小于2米，则确定可疑人员A和B属于同一个可疑团体。在一些实施例中，治安管理平台可以通过多个相邻帧中两个可疑人员之间的前进方向判断其是否属于同一个可疑团体。例如，可疑人员A和B在多个连续帧中前进方向相同，则确定其属于同一个可疑团体。在一些实施例中，可以通过综合多个相邻帧中两个可疑人员之间的距离和前进方向判断其是否属于同一个可疑团体。例如，可疑人员A和B在多个连续帧中前进方向相同且距离靠近(例如，并排行走)，则确定其属于同一个可疑团体。
步骤630，基于可疑团体，确定目标区域的风险指数。
在一些实施例中，治安管理平台可以基于可疑团体的数量确定目标区域的风险指数。可疑团体的数量越多，则该目标区域的风险指数越高。示例性地，风险指数可以为可疑团体数量与预设参数的乘积，其中，预设参数可以根据就历史可疑团体数量及其对应的历史风险指数确定。例如，在历史可疑团体数量位于数量区间1-3(个)时，与之对应的历史风险指数为0.3，当治安管理平台确定的目标区域A的可疑团体数量为2，则对应的预设参数可以为0.3。
本说明书的一些实施例，通过设置预设参数，可以全面地考虑到不同可疑团体数量对风险指数的影响，能够提升确定风险指数的准确性。
在一些实施例中，治安管理平台可以基于目标区域中每个可疑团体的可疑团体指数之和与增幅因子确定目标区域的风险指数。其中，可疑团体指数可以为该团体内每个可疑人员的可疑指数之和与增幅因子的乘积。
增幅因子可以反映出可疑团体中的可疑人员数量大小。例如，可疑团体中的可疑人员数量越多，增幅因子的值越大。在一些实施例中，增幅因子可以根据可疑团体中可疑人员的数量确定。例如，当可疑人员数量为1时，人数增幅因子可以为1，相应的，目标区域的风险指数可以基于可疑人员确定，关于基于可疑人员确定风险指数的更多内容参见图4及其相关描述，在此不再赘述。
本说明书的一些实施例，通过考虑多个可疑团体以及根据每个可疑团体的人数来确定每个团体的影响程度，以评估目标区域的风险指数，有助于评估目标区域的治安事件发生的概率，进而更准确地评估目标区域的风险指数。
在一些实施例中，目标区域的风险指数还可以与目标区域中的可疑团体的分布向量相关。
可疑团体的分布向量用于表示可疑团体的数量及其可疑指数，该向量可以是基于分桶原则设计的分布向量。例如，一个可疑团体分布向量为：(1，0，2)，可以表示可疑指数在0-40的可疑团体有1个，可疑指数在40-70的可疑团体有0个，可疑指数在70-100的可疑团体有2个。
在一些实施例中，目标区域的风险指数还可以为每个可疑团体的可疑团体指数之和与权重的乘积。
在一些实施例中，权重可以基于预设规则表确定。可以理解的是，2个可疑指数为50的可疑团体，和1个可疑指数为100的可疑团体，总可疑指数相同，但该区域的风险指数不应该相同，因为可疑指数为100的可疑团体导致治安事件的概率应高于2个可疑指数为50的可疑团体。相应的，预设规则表的设计规则为可疑团体分布向量中高可疑指数的可疑团体占比越大，权重越大。其中，高可疑指数的可疑团体是指可疑指数大于预设阈值的可疑团体。例如，预设阈值为70，即可疑指数大于70的可疑团体为高可疑指数的可疑团体。
仅作为示例，可疑团体分布向量为(1，1，0)时，表示可疑指数在0-40的可疑团体有1个，可疑指数在40-70的可疑团体有1个，可疑指数在70-100的可疑团体有0个，即高可疑指数的可疑团体的占比为0，对应权重可以为1.1；可疑团体分布向量为(0，2，2)时，表示可疑指数在0-40的可疑团体有0个，可疑指数在40-70的可疑团体有2个，可疑指数在70-100的可疑团体有2个，即高可疑指数的可疑团体的占比为50％，对应权重可以为1.2。
本说明书的一些实施例，通过判断可疑人员是否属于可疑团体，可以进一步根据可疑团体确定目标区域的风险指数。通过考虑多个可疑团体以及根据每个可疑团体的人数来确定每个团体的影响程度，以评估目标区域的风险指数，有助于评估目标区域的治安事件发生的概率，进而更准确地评估目标区域的风险指数。同时，通过基于分桶原则设计的可疑团体的分布向量，可以进一步根据高可疑指数的可疑团体的占比确定风险指数，使得确定可疑团体的风险指数更加准确。
应当注意的是，上述有关流程600的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程600进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (10)

1.一种用于智慧城市的风险区域预警信息生成方法，其特征在于，所述方法由治安管理平台执行，包括：
获取用户对各区域的查询指令；
基于所述查询指令，获取至少一个目标区域的监控图像；
对所述监控图像进行处理，确定所述监控图像内至少一个人员的人员可疑指数；
响应于所述人员可疑指数满足预设条件，确定可疑人员；
基于多个相邻帧的所述监控图像，确定所述可疑人员之间的距离；
基于所述距离确定所述可疑人员对应的可疑团体；
基于所述目标区域中每个所述可疑团体的可疑团体指数之和，确定所述目标区域的风险指数；
响应于所述目标区域的风险指数大于第一阈值，生成预警信息。
2.根据权利要求1所述的方法，其特征在于，所述基于所述距离确定所述可疑人员对应的可疑团体包括：
对于多个相邻帧中的任意两个相邻帧，
判断所述两个相邻帧中所述可疑人员的距离是否小于预设距离阈值；
判断目标帧的帧数是否大于预设帧数，响应于大于所述预设帧数，则所述多个相邻帧中的所述可疑人员属于同一个所述可疑团体。
3.根据权利要求1所述的方法，其特征在于，所述可疑团体指数为所述可疑团体内每个所述可疑人员的人员可疑指数之和与增幅因子的乘积。
4.根据权利要求1所述的方法，其特征在于，所述人员可疑指数基于监控设备的所属区域的区域类型确定。
5.根据权利要求1所述的方法，其特征在于，所述基于所述目标区域中每个所述可疑团体的可疑团体指数之和，确定所述目标区域的风险指数包括：
基于所述目标区域中每个所述可疑团体的可疑团体指数之和与权重，确定所述目标区域的所述风险指数，其中，
所述权重基于预设规则表确定，所述预设规则表基于可疑团体分布向量确定。
6.根据权利要求1所述的方法，其特征在于，还包括：
获取所述目标区域在多个时间段的多个风险指数；
响应于所述多个风险指数的平均值大于第二阈值，确定所述目标区域为日常巡逻点。
7.根据权利要求1所述的方法，其特征在于，所述治安管理平台包括总数据库和多个管理分平台，所述治安管理平台包括的多个所述管理分平台根据城市中预设的区域进行确定；
所述查询指令通过用户平台获取，经由服务平台发送至所述治安管理平台；
所述至少一个目标区域的监控图像由所述治安管理平台基于传感网络平台的传感网络分平台从所述至少一个目标区域的至少一个监控设备中获取；所述至少一个监控设备被配置于不同的对象平台中；其中，所述传感网络平台对不同的所述对象平台的数据采用不同的所述传感网络分平台进行数据存储、数据处理和/或数据传输，所述传感网络分平台对应不同的目标区域；所述治安管理平台采用不同的所述管理分平台进行数据存储、数据处理和/或数据传输，并通过所述治安管理平台的所述总数据库进行数据汇总、数据处理和数据传输；
所述至少一个目标区域的监控图像由所述传感网络分平台发送至所述管理分平台；
所述预警信息经由所述治安管理平台的所述总数据库、所述服务平台发送至所述用户平台。
8.一种用于智慧城市的风险区域预警信息生成物联网系统，其特征在于，所述物联网系统包括依次交互的用户平台、服务平台、治安管理平台、传感网络平台和对象平台，所述治安管理平台被配置为执行以下操作：
基于所述用户平台获取用户对各区域的查询指令，所述用户平台被配置为至少一个终端设备；
响应于所述查询指令，所述治安管理平台基于所述传感网络平台的传感网络分平台从至少一个目标区域的至少一个监控设备中获取所述至少一个目标区域的监控图像，所述至少一个监控设备被配置于不同的所述对象平台中；其中，所述传感网络平台对不同的所述对象平台的数据采用不同的传感网络分平台进行数据存储、数据处理和/或数据传输，所述传感网络分平台对应不同的目标区域；所述治安管理平台采用不同的管理分平台进行数据存储、数据处理和/或数据传输，并通过所述治安管理平台的总平台进行数据汇总、数据处理和数据传输；
基于所述传感网络分平台将对应的所述目标区域的所述监控图像发送至所述管理分平台；
基于所述管理分平台对所述监控图像进行处理，确定所述监控图像内至少一个人员的人员可疑指数；
响应于所述人员可疑指数满足预设条件，确定可疑人员；
基于多个相邻帧的所述监控图像，确定所述可疑人员之间的距离；
基于所述距离确定所述可疑人员对应的可疑团体；
基于所述目标区域中每个所述可疑团体的可疑团体指数之和，确定所述目标区域的风险指数；
响应于所述目标区域的风险指数大于第一阈值，生成预警信息。
9.一种用于智慧城市的风险区域预警信息生成装置，其特征在于，所述用于智慧城市的风险区域预警信息生成装置包括处理器，所述处理器用于执行权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质存储计算机指令，当计算机读取所述计算机指令时，所述计算机执行如权利要求1至7中任一项所述的方法。
CN202310079266.9A 2022-09-29 2022-09-29 用于智慧城市的风险区域预警信息生成方法和物联网系统 Pending CN116012208A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310079266.9A CN116012208A (zh) 2022-09-29 2022-09-29 用于智慧城市的风险区域预警信息生成方法和物联网系统

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202211194707.1A CN115272037B (zh) 2022-09-29 2022-09-29 一种基于物联网的智慧城市区域治安管理预警方法和系统
CN202310079266.9A CN116012208A (zh) 2022-09-29 2022-09-29 用于智慧城市的风险区域预警信息生成方法和物联网系统

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN202211194707.1A Division CN115272037B (zh) 2022-09-29 2022-09-29 一种基于物联网的智慧城市区域治安管理预警方法和系统

Publications (1)

Publication Number Publication Date
CN116012208A true CN116012208A (zh) 2023-04-25

Family

ID=83757454

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202211194707.1A Active CN115272037B (zh) 2022-09-29 2022-09-29 一种基于物联网的智慧城市区域治安管理预警方法和系统
CN202310079266.9A Pending CN116012208A (zh) 2022-09-29 2022-09-29 用于智慧城市的风险区域预警信息生成方法和物联网系统

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202211194707.1A Active CN115272037B (zh) 2022-09-29 2022-09-29 一种基于物联网的智慧城市区域治安管理预警方法和系统

Country Status (2)

Country Link
US (2) US11869110B2 (zh)
CN (2) CN115272037B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116433037A (zh) * 2023-06-15 2023-07-14 安徽嘉拓信息科技有限公司 一种基于数字孪生的ai视频融合智慧管控系统
CN117391877A (zh) * 2023-12-07 2024-01-12 武汉大千信息技术有限公司 一种快速生成可疑人员关系网的方法

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115687674A (zh) * 2022-12-20 2023-02-03 昆明勤砖晟信息科技有限公司 服务于智慧云服务平台的大数据需求分析方法及系统
CN116580294B (zh) * 2023-03-29 2024-03-29 中国安全生产科学研究院 基于大数据的矿山动态监控风险预警方法及系统
CN116523319B (zh) * 2023-06-30 2023-09-08 中国市政工程西南设计研究总院有限公司 智慧公园综合管理方法和系统
CN116665457A (zh) * 2023-07-31 2023-08-29 新唐信通(北京)科技有限公司 一种基于智慧交通物联网的交通监测系统及方法
CN116976675B (zh) * 2023-08-09 2024-04-05 南京龟兔赛跑软件研究院有限公司 一种基于物联网数据监控的冷链运输风险预警方法及系统
CN116777713B (zh) * 2023-08-24 2023-11-03 湖南天成新宇网络科技有限公司 基于数据分析的智慧园区安全管理方法和系统
CN117424987B (zh) * 2023-12-15 2024-03-19 浙江数思信息技术有限公司 智慧楼宇运营管理方法、系统与存储介质

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8564661B2 (en) * 2000-10-24 2013-10-22 Objectvideo, Inc. Video analytic rule detection system and method
CN102999956A (zh) * 2011-09-09 2013-03-27 中国航天科工集团第三研究院第八三五八研究所 结合rfid和视频分析的安防系统
US10380877B2 (en) * 2014-08-05 2019-08-13 Overview Technologies, Inc. Community security system using intelligent information sharing
EP4336476A2 (en) * 2015-09-30 2024-03-13 Alarm.com Incorporated Drone-augmented emergency response services
CN106373240B (zh) * 2016-09-14 2019-01-11 浙江维融电子科技股份有限公司 一种无人银行的智能监控系统及其监控方法
AU2017436901B2 (en) * 2017-10-25 2021-04-08 Hitachi, Ltd. Methods and apparatus for automated surveillance systems
CN108257362B (zh) * 2018-01-11 2023-05-23 广州广大声像灯光科技有限公司 基于gis的交互式电子治安警察警备方法、系统及装置
US20210279603A1 (en) * 2018-12-13 2021-09-09 SparkCognition, Inc. Security systems and methods
CN112233300A (zh) * 2020-09-26 2021-01-15 杭州雅观科技有限公司 一种基于人工智能的社区通行防疫监控联防系统及其方法
CN115083089A (zh) * 2022-06-10 2022-09-20 广州市港航工程研究所 一种基于无人机的夜间可视化监控系统及方法
CN114971409A (zh) * 2022-06-28 2022-08-30 成都秦川物联网科技股份有限公司 一种基于物联网的智慧城市火灾监控预警方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116433037A (zh) * 2023-06-15 2023-07-14 安徽嘉拓信息科技有限公司 一种基于数字孪生的ai视频融合智慧管控系统
CN116433037B (zh) * 2023-06-15 2023-09-22 安徽嘉拓信息科技有限公司 一种基于数字孪生的ai视频融合智慧管控系统
CN117391877A (zh) * 2023-12-07 2024-01-12 武汉大千信息技术有限公司 一种快速生成可疑人员关系网的方法

Also Published As

Publication number Publication date
US20230066101A1 (en) 2023-03-02
US11869110B2 (en) 2024-01-09
CN115272037A (zh) 2022-11-01
CN115272037B (zh) 2023-04-18
US20240087071A1 (en) 2024-03-14

Similar Documents

Publication Publication Date Title
CN115272037B (zh) 一种基于物联网的智慧城市区域治安管理预警方法和系统
CN109858365B (zh) 一种特殊人群聚集行为分析方法、装置及电子设备
CN106998444B (zh) 一种大数据人脸监控系统
CN103530704B (zh) 一种终端空域空中交通动态容量预测系统及其方法
AU2017436901B2 (en) Methods and apparatus for automated surveillance systems
Zhao et al. Exploring transfer learning for crime prediction
CN101795395A (zh) 一种人群态势监控系统及方法
CN110969215A (zh) 聚类处理方法和装置、存储介质及电子装置
CN112651589B (zh) 一种基于政府大数据的智慧社区平台建设的方法
CN108256447A (zh) 一种基于深度神经网络的无人机航拍视频分析方法
CN115775085B (zh) 一种基于数字孪生的智慧城市管理方法及系统
KR102333143B1 (ko) 무인 계수 서비스 제공 시스템
CN110727805A (zh) 社区知识图谱构建方法及系统
KR102151272B1 (ko) 예측모델 학습을 통한 데이터 분석 방법, 장치 및 컴퓨터프로그램
US20180253813A1 (en) System and method for incident validation and ranking using human and non-human data sources
CN111126411A (zh) 一种异常行为识别方法及装置
CN114706988A (zh) 基于知识图谱的监控预警方法及装置
CN112699328A (zh) 网点服务数据处理方法、装置、系统、设备及存储介质
CN109087219A (zh) 一种旅游云计算系统及方法、终端
CN110490104A (zh) 一种减少流浪者冲突的监测系统及监测方法
CN109523776B (zh) 公共交通运营计划生成装置、方法及系统
CN110046535B (zh) 基于机器学习的智能出行时间预测系统、方法及存储介质
CN114913447B (zh) 基于场景识别的警务智慧指挥室系统及方法
CN113822367B (zh) 一种基于人脸的区域行为分析方法、系统及介质
CN115797125A (zh) 一种乡村数字化智慧服务平台

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