CN116631172B - 一种基于门锁和电子门铃联动的预警方法及装置 - Google Patents
一种基于门锁和电子门铃联动的预警方法及装置 Download PDFInfo
- Publication number
- CN116631172B CN116631172B CN202310882427.8A CN202310882427A CN116631172B CN 116631172 B CN116631172 B CN 116631172B CN 202310882427 A CN202310882427 A CN 202310882427A CN 116631172 B CN116631172 B CN 116631172B
- Authority
- CN
- China
- Prior art keywords
- behavior
- recognition
- abnormal
- index
- user
- 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 41
- 230000002159 abnormal effect Effects 0.000 claims abstract description 139
- 230000009471 action Effects 0.000 claims abstract description 48
- 230000005856 abnormality Effects 0.000 claims abstract description 40
- 238000012544 monitoring process Methods 0.000 claims abstract description 30
- 238000001514 detection method Methods 0.000 claims abstract description 27
- 230000010354 integration Effects 0.000 claims abstract description 11
- 230000006399 behavior Effects 0.000 claims description 243
- 230000003542 behavioural effect Effects 0.000 claims description 28
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 24
- 238000012216 screening Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 14
- 238000004891 communication Methods 0.000 description 9
- 239000004973 liquid crystal related substance Substances 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000013480 data collection Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002547 anomalous effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000282326 Felis catus Species 0.000 description 1
- 238000012896 Statistical algorithm Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000004297 night vision Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- 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
- 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
- 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
-
- 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
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B3/00—Audible signalling systems; Audible personal calling systems
- G08B3/10—Audible signalling systems; Audible personal calling systems using electric transmission; using electromagnetic transmission
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Electromagnetism (AREA)
- Biodiversity & Conservation Biology (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及门铃预警技术领域,揭露了一种基于门锁和电子门铃联动的预警方法及装置,该方法包括:通过预先在门外构建的门锁监控设备采集来访者的用户信息;利用用户识别模型中的图像识别网络对所述用户图像进行图像识别,得到用户识别图像;利用用户识别模型中的数据识别网络对所述用户识别图像进行用户身份识别,得到身份识别结果;利用行为异常检测模型中的行为判断网络对所述行为特征进行反常识别,得到反常识别参数;通过对所述异常动作参数进行动作数据整合,得到行为识别结果;启动所述预先在门外构建的电子门铃预警指令,以执行对所述来访者的预警提示。本发明在于起到门锁与电子门铃相联动的预警效果,以提高门铃预警的效率性。
Description
技术领域
本发明涉及门铃预警技术领域,尤其涉及一种基于门锁和电子门铃联动的预警方法及装置。
背景技术
现如今,随着智能家居的不断发展,作为智能家居重要组成部分的电子门铃也得到了很大发展,从目前形式看,智能门铃取代传统门铃已经成为时代发展的大趋势,因此,研究和开发高性能、多功能的智能可视化电子门铃具有很大的社会价值和经济价值。
传统老式门铃一般只具备提醒功能,无法获取访客的图像信息,传统猫眼又具备一些弊端:安装位置太高,视力不好看不清访客样貌,单一的门锁或者电子门铃,都是在家中有人的情况下,才能起到防盗预警的作用;并且传统老式门铃主要使用机械触发器来传递门铃信号,当机械触发器被大量使用时,很容易出现故障,从而使门铃无法响应,因此缺少一种将门锁和电子门铃相联动的预警方法,以提高门铃预警的效率性。
发明内容
本发明提供一种基于门锁和电子门铃联动的预警方法及装置,其主要目的在于起到门锁与电子门铃相联动的预警效果,以提高门铃预警的效率性。
为实现上述目的,本发明提供的基于门锁和电子门铃联动的预警方法,包括:
通过预先在门外构建的门锁监控设备采集来访者的用户信息,所述用户信息包括用户图像和行为数据;
利用训练好的用户识别模型中的图像识别网络对所述用户图像进行图像识别,得到用户识别图像,利用训练好的用户识别模型中的数据识别网络对所述用户识别图像进行用户身份识别,得到身份识别结果;
提取所述行为数据中的行为特征,利用训练好的行为异常检测模型中的行为判断网络对所述行为特征进行反常识别,得到反常识别参数,利用训练好的行为异常检测模型中的异常判断网络对所述反常识别参数进行异常动作识别,得到异常动作参数,通过对所述异常动作参数进行动作参数整合,得到行为识别结果;
根据所述用户识别结果和所述行为识别结果,分析所述来访者是否存在异常行为,在所述来访者存在异常行为,启动所述预先在门外构建的电子门铃预警指令,以执行对所述来访者的预警提示。
可选地,所述利用训练好的用户识别模型中的图像识别网络对所述用户图像进行图像识别,得到用户识别图像,包括:
利用所述图像识别网络中输入层获取所述用户图像的图像信息,将所述图像信息进行数字信号转换,得到图像信号;
对所述图像信号进行信号增强,得到增强图像信号;
利用所述图像识别网络的编码层对所述增强图像信号进行信号编码,得到编码图像数据;
利用所述图像识别网络中全连接层对所述编码图像数据进行图像识别,得到用户识别图像。
可选地,所述利用训练好的用户识别模型中的数据识别网络对所述用户识别图像进行用户身份识别,得到身份识别结果,包括:
利用所述数据识别网络中卷积层查询所述用户识别图像的原始参数;
提取所述原始参数的特征参数点;
构建所述特征参数点中每个特征点对应的身份特征,识别所述身份特征中每个特征的身份参数;
利用所述数据识别网络中正则化层对所述身份参数进行用户身份识别,得到身份识别数据。
可选地,所述利用训练好的行为异常检测模型中的行为判断网络对所述行为特征进行反常识别,得到反常识别参数,包括:
利用所述行为判断网络中输入层查询所述行为特征对应历史行为数据库;
结合所述历史行为数据库中对应的行为特征点,得到行为识别库;
确定所述行为识别库的识别区域;
提取所述识别区域中的行为指数和识别指数;
计算所述行为指数和识别指数的指数关联度;
根据所述指数关联度,提取所述行为特征中的特征参数;
利用所述行为判断网络中归一化层对所述特征参数进行反常识别,得到反常识别参数。
可选的,所述计算所述行为指数和识别指数的指数关联度,包括:
通过下述公式计算行为指数关联度:
其中,表示所述行为指数和识别指数的指数关联度,/>表示第i个指数向量的行为指数,N表示识别指数的指数均值,/>表示第i个指数向量的行为指数的平方值,i表示指数向量。
可选地,所述利用训练好的行为异常检测模型中的异常判断网络对所述反常识别参数进行异常动作识别,得到异常动作参数,包括:
利用所述异常判断网络中卷积层获取所述反常识别参数中的异常因子;
对所述异常因子进行行为识别,得到异常识别因子;
对所述异常识别因子进行行为数据筛选,得到筛选异常数据;
利用所述异常判断网络中全连接层对所述筛选异常数据进行异常动作识别,得到异常动作参数。
可选地,所述对所述异常动作参数进行动作数据整合,得到行为识别结果,包括:
获取所述异常动作参数中的动作因子;
对所述动作因子进行异常数据收集,得到异常数据集;
将所述异常数据集进行数据源转换,得到异常数据源;
整合所述异常数据源的行为识别数据,得到行为识别结果。
可选地,所述在所述来访者存在异常行为,启动所述预先在门外构建的电子门铃预警指令,以执行对所述来访者的预警提示,包括:
利用预设的门锁监控设备中获取模块获取来访者的行为动作;
利用预设的门锁监控设备中分析模块分析所述行为动作,得到行为分析报告;
识别所述行为分析报告中的行为参数和危害参数;
计算所述行为参数和所述危害参数的行为危害指数;
若所述行为危害指数不超过预设值时,则无需启动门铃预警指令;
若所述行为危害指数超过预设值时,则启动预设门铃预警指令;
根据所述门铃预警指令,利用所述门锁监控设备中声音模块进行播放预警铃声;
并执行发短信、打电话的程序实现对来访者起到预警提示;
可选的,所述计算所述行为参数和所述危害参数的行为危害指数,包括:
通过下述公式计算所述行为危害指数:
其中,所述R表示所述行为危害指数,BP表示所述行为参数,HP表示危害参数,W1表示所述行为参数的参数权重,W2是指所述危害参数的参数权重。
本发明提供一种基于门锁和电子门铃联动的预警装置,其特征在于,所述装置包括:
信息采集模块,用于通过预先在门外构建的门锁监控设备采集来访者的用户信息,所述用户信息包括用户图像和行为数据;
身份识别模块,用于利用训练好的用户识别模型中的图像识别网络对所述用户图像进行图像识别,得到用户识别图像,利用训练好的用户识别模型中的数据识别网络对所述用户识别图像进行用户身份识别,得到身份识别结果;
行为识别模块,用于提取所述行为数据中的行为特征,利用训练好的行为异常检测模型中的行为判断网络对所述行为特征进行反常识别,得到反常识别参数,利用训练好的行为异常检测模型中的异常判断网络对所述反常识别参数进行异常动作识别,得到异常动作参数,通过对所述异常动作参数进行动作参数整合,得到行为识别结果;
预警提示模块,用于根据所述用户识别结果和所述行为识别结果,分析所述来访者是否存在异常行为,在所述来访者存在异常行为,启动所述预先在门外构建的电子门铃预警指令,以执行对所述来访者的预警提示。
本发明通过预先在门外构建的门锁监控设备采集来访者的用户信息,所述用户信息包括用户图像和行为数据,使得后续对所述采集来访者的用户信息更加便捷的处理,有利于对所述用户身份信息的信息挖掘,本发明通过利用训练好的用户识别模型中的图像识别网络对所述用户图像进行图像识别,得到用户识别图像,使得所述用户图像得到了初步处理,便于后续所述用户识别结果的获得,其中,本发明通过提取所述行为数据中的行为特征,使得所述行为特征中的特征点较为明显的展现出来,便于后续对所述行为特征的处理;此外,本发明通过根据所述用户识别结果和所述行为识别结果,分析所述来访者是否存在异常行为,以便能够确定来访者的行为,从而进行判断来访者的行为是否异常。因此,本发明实施例提供的一种基于门锁和电子门铃联动的预警方法及装置,能够起到门锁与电子门铃相联动的预警效果,以提高门铃预警的效率性。
附图说明
图1为本发明一实施例提供的基于门锁和电子门铃联动的预警方法的流程示意图;
图2为本发明一实施例提供的基于门锁和电子门铃联动的预警装置的功能模块图;
图3为本发明一实施例提供的实现所述基于门锁和电子门铃联动的预警方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供基于门锁和电子门铃联动的预警方法。本申请实施例中,所述基于门锁和电子门铃联动的预警方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述基于门锁和电子门铃联动的预警方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的基于门锁和电子门铃联动的预警方法的流程示意图。在本实施例中,所述基于门锁和电子门铃联动的预警方法包括步骤S1—S4。
S1、通过预先在门外构建的门锁监控设备采集来访者的用户信息,所述用户信息包括用户图像和行为数据。
本发明通过预先在门外构建的门锁监控设备采集来访者的用户信息,所述用户信息包括用户图像和行为数据,使得后续对所述采集来访者的用户信息更加便捷的处理,有利于对所述用户身份信息的信息挖掘。
其中,所述门外构建的门锁监控设备是指为了适应防护需要,通常比普通摄像头和分辨率要高,且一般具有抗强光、抗震动、夜视功能,使得可以安全录入来访者行为,并且通过其中自带监测模块进行长时间的不断的对目标进行监测;所述用户信息包括用户图像和行为数据,所述用户图像是指在一个特定的场景下,描述一个用户的面部形象等方面的一系列特征,通常,这些特征可以通过查询用户历史面部信息、个人资料等多种方式获取,而获取用户图像的目的是为了更好地满足用户需求,从而提供个性化的服务和产品;所述行为数据是指通过记录和分析个人或组织在特定时间段内的行为或活动所生成的数据,这些数据可以包括在入户门口前用户产生的各种行为动作,如拿钥匙动作、摘帽子或者摘口罩动作、站立姿势或者站立高度等,行为数据是一种非常有价值的数据类型,因为它提供了关于个人或组织行为的深入洞察,可以用来改进产品和服务、优化营销策略、提高用户体验等等。
进一步地,可以通过所述门外构建的门锁监控设备获取详细的用户信息,其中,所述门锁监控设备包含多个模块进行协调工作,如PIR红外检测模块、摄像头模块、音乐提示模块、存储模块、图像采集模块、GSM通讯模块等模块。
S2、利用训练好的用户识别模型中的图像识别网络对所述用户图像进行图像识别,得到用户识别图像,利用训练好的用户识别模型中的数据识别网络对所述用户识别图像进行用户身份识别,得到身份识别结果。
本发明通过利用训练好的用户识别模型中的图像识别网络对所述用户图像进行图像识别,得到用户识别图像,使得所述用户图像得到了初步处理,便于后续所述用户识别结果的获得,其中,所述训练好的用户识别模型是指可以用于识别一个用户的身份或者行为特征的模型。
可选的,所述用户识别模型是一个基于机器学习和模式识别等技术构建的模型,其主要通过对用户的个人特征和行为数据进行学习和分析,实现用户身份的识别和认证。
作为本发明的一个实施例,利用训练好的用户识别模型中的图像识别网络对所述用户图像进行图像识别,得到用户识别图像,包括:利用所述图像识别网络中输入层获取所述用户图像的图像信息,将所述图像信息进行数字信号转换,得到图像信号;对所述图像信号进行信号增强,得到增强图像信号;利用所述图像识别网络的编码层对所述增强图像信号进行信号编码,得到编码图像数据;利用所述图像识别网络中全连接层对所述编码图像数据进行图像识别,得到用户识别图像。
其中,所述图像信息是指包含着所述用户图像的图像信息表达形式;所述图像信号是指将连续图像中的连续信号转化为离散信号;所述增强图像信号是指图像信号经过增强后,在时间和空间上离散化为像素,但是像素仍然是连续量,所以得到了增强后所得到像素从模拟量到离散量的增强;所述编码图像数据是指将表示图像数据的信息实体和事件集合通过编码的形式表达出来。
进一步地,所述获取所述用户图像信息可以通过图像信息获取工具实现,如WebPlot Digitizer工具;所述将所述用户图像信息进行数字信号转换可以通过信号转换工具实现,如脉冲编码调制(PCM)、比特流编码(BSC)、正交幅度调制(QAM)等工具;所述对所述图像信号进行信号增强可以通过信号增强工具实现,如imgaug工具;所述利用所述训练好的用户识别模型中的图像识别网络的编码层对所述增强图像信号进行信号编码可以通过Matlab工具实现;所述利用所述图像识别网络中全连接层对所述编码图像数据进行图像识别,得到用户识别图像可以通过Lmage Splitter工具实现。
本发明通过利用训练好的用户识别模型中的数据识别网络对所述用户识别图像进行用户身份识别,得到身份识别结果,包括:利用所述数据识别网络中卷积层查询所述用户识别图像的原始参数;提取所述原始参数的特征参数点;构建所述特征参数点中每个特征点对应的身份特征,识别所述身份特征中每个特征的身份参数;利用所述数据识别网络中正则化层对所述身份参数进行用户身份识别,得到身份识别数据。
其中,所述原始参数是指用户数据库中储存的各种数据参数,是未经过处理或简化的数据;所述特征参数点是指数据参数具备的基本特征点,如:多样性、变异性、分布性和关联性等特征;所述身份特征是指能够表现出能够辨别的关于身份的特征;所述身份参数是指将有关身份内容的信息以参数数据的形式表现出来的数据参数;
进一步地,所述原始参数可以通过Franchise工具实现;所述特征参数点可以通过数据提取工具实现,如Get Date工具;所述身份特征可以通过过滤器获得;所述身份参数可以通过OCR识别工具识别获得;所述利用所述数据识别网络中正则化层对所述身份参数进行用户身份识别可以使用身份识别工具实现,如OCR识别工具。
S3、提取所述行为数据中的行为特征,利用训练好的行为异常检测模型中的行为判断网络对所述行为特征进行反常识别,得到反常识别参数,利用训练好的行为异常检测模型中的异常判断网络对所述反常识别参数进行异常动作识别,得到异常动作参数,通过对所述异常动作参数进行动作参数整合,得到行为识别结果。
本发明通过提取所述行为数据中的行为特征,使得所述行为特征中的特征点较为明显的展现出来,便于后续对所述行为特征的处理,其中,所述行为特征是指用户所展现出的外部行为特征,包括:行为动作、肢体动作等,并且这些特征在行为识别中由于能较好地表征人体行为细节;所述提取所述行为数据中的行为特征可以通过特征提取工具实现,如sklearn工具。
可选的,所述行为异常检测模型是一种基于统计学和机器学习的技术构建的模型,其主要在发现数据集中的不寻常、罕见或异常的数据点,可以帮助用户识别在行为异常的过程中出现的异常情况。
作为本发明的一个实施例,所述利用训练好的行为异常检测模型中的行为判断网络对所述行为特征进行反常识别,得到反常识别参数,包括:利用所述行为判断网络中输入层查询所述行为特征对应历史行为数据库;结合所述历史行为数据库中对应的行为特征点,得到行为识别库;确定所述行为识别库的识别区域;提取所述识别区域中的行为指数和识别指数;计算所述行为指数和识别指数的指数关联度;根据所述指数关联度,提取所述行为特征中的特征参数;利用所述行为判断网络中归一化层对所述特征参数进行反常识别,得到反常识别参数。
其中,所述历史动作数据库是指由历史动作数据所集成的数据库,便于与实时的动作数据进行对比;所述行为特征点是指用户经常展现出来的动作特殊点;所述行为识别库是指属于用户自己动作的行为识别数据库;所述识别区域是指在特定范围内限定的区域;所述行为指数是指结合了各种不同行为的综合指标;所述识别指数衡量某个系统对该任务的准确率的特定指标指标;所述指数关联度是指是用来衡量所述行为指数和所述识别指数之间相关性的指标值。
进一步地,所述查询历史动作数据库可以通过查询工具实现,如Everything、Listary工具;所述匹配历史动作数据库中对应的行为特征点可以通过Vlookkup函数实现;所述确定所述行为识别库的识别区域可以通过INDEX函数实现;所述提取所述识别区域中的行为指数和识别指数可以通过Get Data工具实现;所述计算所述行为指数和识别指数的指数关联度可以通过下述公式实现;所述利用所述行为判断网络中归一化层对所述行为动作数据进行反常识别可以通过OCR识别工具实现。
作为本发明的一个实施例,所述计算所述行为指数和识别指数的指数关联度,包括:
通过下述公式计算行为指数关联度:
其中,表示所述行为指数和识别指数的指数关联度,/>表示第i个指数向量的行为指数,N表示识别指数的指数均值,/>表示第i个指数向量的行为指数的平方值,i表示指数向量。
作为本发明的又一个实施例,利用训练好的行为异常检测模型中的异常判断网络对所述反常识别参数进行异常动作识别,得到异常动作参数,包括:利用所述异常判断网络中卷积层获取所述反常识别参数中的异常因子;筛选所述异常因子中对应的异常筛选数据;利用所述异常判断网络中全连接层对所述异常筛选数据进行异常动作识别,得到异常动作参数。
其中,所述异常因子有关异常动作或者行为的组成因子,如组成一个完整的键盘需要键帽,则键帽可以看作为键盘的组成因子;异常筛选数据是指通过筛选出有关异常的数据。
进一步地,所述获取所述反常识别参数中的异常因子可以通过Python工具实现;对所述异常因子进行行为识别可以通过GitHub工具实现;所述筛选所述异常因子中对应的异常筛选数据;可以通过筛选函数实现,如FILTER函数;所述利用所述异常判断网络中全连接层对所述异常筛选数据进行异常动作识别可以通过GitHub工具实现。
本发明通过对所述异常动作参数进行动作数据整合,得到行为识别结果,包括:获取所述异常动作参数中的动作因子;对所述动作因子进行异常数据收集,得到异常数据集;将所述异常数据集进行数据源转换,得到异常数据源;整合所述异常数据源的行为识别数据,得到行为识别结果。
其中,所述动作因子是指有关用户动作的动作捕捉的数据形式;所述异常数据集是指将有关所述动作因子的用户异常数据的集合;所述异常数据源是指连接到所述异常数据集的一条路径,并且记录连接到哪个数据库,如odbc数据源。
进一步地,所述获取所述异常动作参数中的动作因子可以通过数据采集,如MySQL、Oracle等数据库;所述对所述动作数据进行异常数据收集可以通过数据采集工具实现,如Flume、Fluentd、Logstash等采集工具;所述将所述异常数据集进行数据源转换可以通过数据转换工具DBT实现;所述整合所述异常数据源的行为识别数据可以通过Pentaho工具实现。
S4、根据所述用户识别结果和所述行为识别结果,分析所述来访者是否存在异常行为,在所述来访者存在异常行为,启动所述预先在门外构建的电子门铃预警指令,以执行对所述来访者的预警提示。
本发明通过根据所述用户识别结果和所述行为识别结果,分析所述来访者是否存在异常行为,以便能够确定来访者的行为,从而进行判断来访者的行为是否异常。
其中,所述来访者可以表示为用户本身也可以指来访客人亦可以指有特殊意图逗留门口的人;所述异常行为可以指使系统无法识别并感到反常、奇特的行为或者被系统判定为违反价值观念和行为准则的行为;所述分析所述来访者是否存在异常行为可以通过所述预设的门锁监控设备中分析模块进行分析。
本发明通过在所述来访者存在异常行为,启动所述预先在门外构建的电子门铃预警指令,以执行对所述来访者的预警提示,包括:利用预设的门锁监控设备中获取模块获取来访者的行为动作;利用预设的门锁监控设备中分析模块分析所述行为动作,得到行为分析报告;识别所述行为分析报告中的行为参数和危害参数;计算所述行为参数和所述危害参数的行为危害指数;根据所述行为危害指数,利用所述预设的门锁监控设备中指令发送模块发送门铃预警指令;根据所述门铃预警指令,所述门锁监控设备中声音模块进行播放预警铃声,并执行预警程序实现对来访者起到预警提示。
其中,所述行为动作是指用户门前所表现出来的、具有一定意义和目的的动作行为;所述行为分析报告是指对所述行为动作进行分析、解读和汇报的报告;所述行为参数是指在特定范围内的人或组织的行为特征参数;所述危害参数是指在安全事件中可能出现危害规模和影响程度的参数;所述行为危害指数是指一种综合评估指标,用于评估特定行为所具有的潜在危险性:所述预设值是指指在某些计量、监测中提前给定的一个设定值,可根据实际场景进行设置;所述门铃预警指令是指一种安全预警指令,用于在某些安全场景下提醒人们或通知相关人员采取必要的安全措施;所述预警程序是指发短信、打电话等通知用户的方法程序。
进一步地,所述行为动作可以通过预设的门锁监控设备中分析模块实现获取;所述识别所述行为分析报告中的行为参数和危害参数可以通过贝叶斯统计算法实现;计算所述行为参数和所述危害参数的行为危害指数可以通过下述公式实现;所述播放预警铃声可以通过预设的程序实现;所述门铃预警指令可以通过利用所述预设的门锁监控设备中指令发送模块发送实现;执行所述发短信、打电话的程序可以通过执行器实现,如Spring执行器。
作为本发明的一个可选实施例,所述计算所述行为参数和所述危害参数的行为危害指数,包括:
通过下述公式计算所述行为危害指数:
其中,所述R表示所述行为危害指数,BP表示所述行为参数,HP表示危害参数,W1表示所述行为参数的参数权重,W2是指所述危害参数的参数权重。
本发明通过预先在门外构建的门锁监控设备采集来访者的用户信息,所述用户信息包括用户图像和行为数据,使得后续对所述采集来访者的用户信息更加便捷的处理,有利于对所述用户身份信息的信息挖掘,本发明通过利用训练好的用户识别模型中的图像识别网络对所述用户图像进行图像识别,得到用户识别图像,使得所述用户图像得到了初步处理,便于后续所述用户识别结果的获得,其中,本发明通过提取所述行为数据中的行为特征,使得所述行为特征中的特征点较为明显的展现出来,便于后续对所述行为特征的处理;此外,本发明通过根据所述用户识别结果和所述行为识别结果,分析所述来访者是否存在异常行为,以便能够确定来访者的行为,从而进行判断来访者的行为是否异常。因此,本发明实施例提供的一种基于门锁和电子门铃联动的预警方法及装置,能够起到门锁与电子门铃相联动的预警效果,以提高门铃预警的效率性。
如图2所示,是本发明一实施例提供的基于门锁和电子门铃联动的预警装置的功能模块图。
本发明所述基于门锁和电子门铃联动的预警装置100可以安装于电子设备中。根据实现的功能,所述基于门锁和电子门铃联动的预警装置100可以包括信息采集模块101、身份识别模块102、行为识别模块103、预警提示模块104。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述信息采集模块101,用于通过预先在门外构建的门锁监控设备采集来访者的用户信息,所述用户信息包括用户图像和行为数据;
所述身份识别模块102,用于利用训练好的用户识别模型中的图像识别网络对所述用户图像进行图像识别,得到用户识别图像,利用训练好的用户识别模型中的数据识别网络对所述用户识别图像进行用户身份识别,得到身份识别结果;
所述行为识别模块103,用于提取所述行为数据中的行为特征,利用训练好的行为异常检测模型中的行为判断网络对所述行为特征进行反常识别,得到反常识别参数,利用训练好的行为异常检测模型中的异常判断网络对所述反常识别参数进行异常动作识别,得到异常动作参数,通过对所述异常动作参数进行动作参数整合,得到行为识别结果;
所述预警提示模块104,用于根据所述用户识别结果和所述行为识别结果,分析所述来访者是否存在异常行为,在所述来访者存在异常行为,启动所述预先在门外构建的电子门铃预警指令,以执行对所述来访者的预警提示。
详细地,本申请实施例中所述基于门锁和电子门铃联动的预警装置100中所述的各模块在使用时采用与上述图1中所述的基于门锁和电子门铃联动的预警方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图3所示,是本发明一实施例提供的实现基于门锁和电子门铃联动的预警方法的电子设备1的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如基于门锁和电子门铃联动的预警方法程序。
其中,所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing Unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备1的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于门锁和电子门铃联动的预警方法程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如基于门锁和电子门铃联动的预警方法程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备1与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于门锁和电子门铃联动的预警方法程序是多个指令的组合,在所述处理器10中运行时,可以实现:
通过预先在门外构建的门锁监控设备采集来访者的用户信息,所述用户信息包括用户图像和行为数据;
利用训练好的用户识别模型中的图像识别网络对所述用户图像进行图像识别,得到用户识别图像,利用训练好的用户识别模型中的数据识别网络对所述用户识别图像进行用户身份识别,得到身份识别结果;
提取所述行为数据中的行为特征,利用训练好的行为异常检测模型中的行为判断网络对所述行为特征进行反常识别,得到反常识别参数,利用训练好的行为异常检测模型中的异常判断网络对所述反常识别参数进行异常动作识别,得到异常动作参数,通过对所述异常动作参数进行动作参数整合,得到行为识别结果;
根据所述用户识别结果和所述行为识别结果,分析所述来访者是否存在异常行为,在所述来访者存在异常行为,启动所述预先在门外构建的电子门铃预警指令,以执行对所述来访者的预警提示。
具体地,所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
通过预先在门外构建的门锁监控设备采集来访者的用户信息,所述用户信息包括用户图像和行为数据;
利用训练好的用户识别模型中的图像识别网络对所述用户图像进行图像识别,得到用户识别图像,利用训练好的用户识别模型中的数据识别网络对所述用户识别图像进行用户身份识别,得到身份识别结果;
提取所述行为数据中的行为特征,利用训练好的行为异常检测模型中的行为判断网络对所述行为特征进行反常识别,得到反常识别参数,利用训练好的行为异常检测模型中的异常判断网络对所述反常识别参数进行异常动作识别,得到异常动作参数,通过对所述异常动作参数进行动作参数整合,得到行为识别结果;
根据所述用户识别结果和所述行为识别结果,分析所述来访者是否存在异常行为,在所述来访者存在异常行为,启动所述预先在门外构建的电子门铃预警指令,以执行对所述来访者的预警提示。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (8)
1.一种基于门锁和电子门铃联动的预警方法,其特征在于,所述方法包括:
通过预先在门外构建的门锁监控设备采集来访者的用户信息,所述用户信息包括用户图像和行为数据;
利用训练好的用户识别模型中的图像识别网络对所述用户图像进行图像识别,得到用户识别图像,利用训练好的用户识别模型中的数据识别网络对所述用户识别图像进行用户身份识别,得到身份识别结果;
提取所述行为数据中的行为特征,利用训练好的行为异常检测模型中的行为判断网络对所述行为特征进行反常识别,得到反常识别参数,利用训练好的行为异常检测模型中的异常判断网络对所述反常识别参数进行异常动作识别,得到异常动作参数,通过对所述异常动作参数进行动作参数整合,得到行为识别结果;
所述利用训练好的行为异常检测模型中的行为判断网络对所述行为特征进行反常识别,得到反常识别参数,包括:
利用所述行为判断网络中输入层查询所述行为特征对应历史行为数据库;
结合所述历史行为数据库中对应的行为特征点,得到行为识别库;
确定所述行为识别库的识别区域;
提取所述识别区域中的行为指数和识别指数;
计算所述行为指数和识别指数的指数关联度;
根据所述指数关联度,提取所述行为特征中的特征参数;
利用所述行为判断网络中归一化层对所述特征参数进行反常识别,得到反常识别参数;
所述计算所述行为指数和识别指数的指数关联度,包括:
通过下述公式计算行为指数关联度:其中,/>表示所述行为指数和识别指数的指数关联度,/>表示第i个指数向量的行为指数,N表示识别指数的指数均值,/>表示第i个指数向量的行为指数的平方值,i表示指数向量;
根据所述身份识别结果和所述行为识别结果,分析所述来访者是否存在异常行为,在所述来访者存在异常行为,启动所述预先在门外构建的电子门铃预警指令,以执行对所述来访者的预警提示。
2.如权利要求1所述的基于门锁和电子门铃联动的预警方法,其特征在于,所述利用训练好的用户识别模型中的图像识别网络对所述用户图像进行图像识别,得到用户识别图像,包括:
利用所述图像识别网络中输入层获取所述用户图像的图像信息,将所述图像信息进行数字信号转换,得到图像信号;
对所述图像信号进行信号增强,得到增强图像信号;
利用所述图像识别网络的编码层对所述增强图像信号进行信号编码,得到编码图像数据;
利用所述图像识别网络中全连接层对所述编码图像数据进行图像识别,得到用户识别图像。
3.如权利要求1所述的基于门锁和电子门铃联动的预警方法,其特征在于,所述利用训练好的用户识别模型中的数据识别网络对所述用户识别图像进行用户身份识别,得到身份识别结果,包括:
利用所述数据识别网络中卷积层查询所述用户识别图像的原始参数;
提取所述原始参数的特征参数点;
构建所述特征参数点中每个特征点对应的身份特征,识别所述身份特征中每个特征的身份参数;
利用所述数据识别网络中正则化层对所述身份参数进行用户身份识别,得到身份识别结果。
4.如权利要求1所述的基于门锁和电子门铃联动的预警方法,其特征在于,所述利用训练好的行为异常检测模型中的异常判断网络对所述反常识别参数进行异常动作识别,得到异常动作参数,包括:
利用所述异常判断网络中卷积层获取所述反常识别参数中的异常因子;
筛选所述异常因子中对应的异常筛选数据;
利用所述异常判断网络中全连接层对所述异常筛选数据进行异常动作识别,得到异常动作参数。
5.如权利要求1所述的基于门锁和电子门铃联动的预警方法,其特征在于,所述对所述异常动作参数进行动作数据整合,得到行为识别结果,包括:
获取所述异常动作参数中的动作因子;
对所述动作因子进行异常数据收集,得到异常数据集;
将所述异常数据集进行数据源转换,得到异常数据源;
整合所述异常数据源的行为识别数据,得到行为识别结果。
6.如权利要求1所述的基于门锁和电子门铃联动的预警方法,其特征在于,所述在所述来访者存在异常行为,启动所述预先在门外构建的电子门铃预警指令,以执行对所述来访者的预警提示,包括:
利用预设的门锁监控设备中获取模块获取来访者的行为动作;
利用预设的门锁监控设备中分析模块分析所述行为动作,得到行为分析报告;
识别所述行为分析报告中的行为参数和危害参数;
计算所述行为参数和所述危害参数的行为危害指数;
根据所述行为危害指数,利用所述预设的门锁监控设备中指令发送模块发送门铃预警指令;
根据所述门铃预警指令,所述门锁监控设备中声音模块进行播放预警铃声,并执行预警程序实现对来访者起到预警提示。
7.如权利要求6所述的基于门锁和电子门铃联动的预警方法,其特征在于,所述计算所述行为参数和所述危害参数的行为危害指数,包括:
通过下述公式计算所述行为危害指数:其中,所述R表示所述行为危害指数,BP表示所述行为参数,HP表示危害参数,W1表示所述行为参数的参数权重,W2是指所述危害参数的参数权重。
8.一种基于门锁和电子门铃联动的预警装置,其特征在于,所述装置包括:
信息采集模块,用于通过预先在门外构建的门锁监控设备采集来访者的用户信息,所述用户信息包括用户图像和行为数据;
身份识别模块,用于利用训练好的用户识别模型中的图像识别网络对所述用户图像进行图像识别,得到用户识别图像,利用训练好的用户识别模型中的数据识别网络对所述用户识别图像进行用户身份识别,得到身份识别结果;
行为识别模块,用于提取所述行为数据中的行为特征,利用训练好的行为异常检测模型中的行为判断网络对所述行为特征进行反常识别,得到反常识别参数,利用训练好的行为异常检测模型中的异常判断网络对所述反常识别参数进行异常动作识别,得到异常动作参数,通过对所述异常动作参数进行动作参数整合,得到行为识别结果;
所述利用训练好的行为异常检测模型中的行为判断网络对所述行为特征进行反常识别,得到反常识别参数,包括:
利用所述行为判断网络中输入层查询所述行为特征对应历史行为数据库;
结合所述历史行为数据库中对应的行为特征点,得到行为识别库;
确定所述行为识别库的识别区域;
提取所述识别区域中的行为指数和识别指数;
计算所述行为指数和识别指数的指数关联度;
根据所述指数关联度,提取所述行为特征中的特征参数;
利用所述行为判断网络中归一化层对所述特征参数进行反常识别,得到反常识别参数;
所述计算所述行为指数和识别指数的指数关联度,包括:
通过下述公式计算行为指数关联度:其中,/>表示所述行为指数和识别指数的指数关联度,/>表示第i个指数向量的行为指数,N表示识别指数的指数均值,/>表示第i个指数向量的行为指数的平方值,i表示指数向量;
预警提示模块,用于根据所述身份识别结果和所述行为识别结果,分析所述来访者是否存在异常行为,在所述来访者存在异常行为,启动所述预先在门外构建的电子门铃预警指令,以执行对所述来访者的预警提示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310882427.8A CN116631172B (zh) | 2023-07-19 | 2023-07-19 | 一种基于门锁和电子门铃联动的预警方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310882427.8A CN116631172B (zh) | 2023-07-19 | 2023-07-19 | 一种基于门锁和电子门铃联动的预警方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116631172A CN116631172A (zh) | 2023-08-22 |
CN116631172B true CN116631172B (zh) | 2023-10-03 |
Family
ID=87636827
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310882427.8A Active CN116631172B (zh) | 2023-07-19 | 2023-07-19 | 一种基于门锁和电子门铃联动的预警方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116631172B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017130723A (ja) * | 2016-01-18 | 2017-07-27 | 株式会社日立ソリューションズ | 撮像装置、撮影された映像にインデックスを付与するシステム、及び撮像装置において撮影された映像にインデックスを付与する方法 |
CN110213539A (zh) * | 2019-06-03 | 2019-09-06 | 移康智能科技(上海)股份有限公司 | 一种具有留言功能的电子猫眼 |
CN113793433A (zh) * | 2021-08-24 | 2021-12-14 | 赵佳 | 一种家庭安全智能门禁系统 |
KR102479512B1 (ko) * | 2022-02-17 | 2022-12-20 | 주식회사 스페이스알파 | 성과 지향 교육 방법, 그 방법을 수행하는 서버 및 단말기 |
CN115601710A (zh) * | 2022-11-10 | 2023-01-13 | 武汉东湖学院(Cn) | 基于自注意力网络架构的考场异常行为监测方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102390405B1 (ko) * | 2017-08-31 | 2022-04-25 | 한화테크윈 주식회사 | 도어벨 장치 |
-
2023
- 2023-07-19 CN CN202310882427.8A patent/CN116631172B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017130723A (ja) * | 2016-01-18 | 2017-07-27 | 株式会社日立ソリューションズ | 撮像装置、撮影された映像にインデックスを付与するシステム、及び撮像装置において撮影された映像にインデックスを付与する方法 |
CN110213539A (zh) * | 2019-06-03 | 2019-09-06 | 移康智能科技(上海)股份有限公司 | 一种具有留言功能的电子猫眼 |
CN113793433A (zh) * | 2021-08-24 | 2021-12-14 | 赵佳 | 一种家庭安全智能门禁系统 |
KR102479512B1 (ko) * | 2022-02-17 | 2022-12-20 | 주식회사 스페이스알파 | 성과 지향 교육 방법, 그 방법을 수행하는 서버 및 단말기 |
CN115601710A (zh) * | 2022-11-10 | 2023-01-13 | 武汉东湖学院(Cn) | 基于自注意力网络架构的考场异常行为监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116631172A (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110390262B (zh) | 视频分析方法、装置、服务器及存储介质 | |
CN111814775B (zh) | 目标对象异常行为识别方法、装置、终端及存储介质 | |
CN111770317B (zh) | 用于智慧社区的视频监控方法、装置、设备及介质 | |
CN111814646B (zh) | 基于ai视觉的监控方法、装置、设备及介质 | |
CN114155614B (zh) | 一种作业现场反违章行为识别方法及系统 | |
CN113903068A (zh) | 基于人脸特征的陌生人监控方法、装置、设备及存储介质 | |
CN111274937A (zh) | 摔倒检测方法、装置、电子设备及计算机可读存储介质 | |
CN114550076A (zh) | 区域异常行为监控方法、装置、设备及存储介质 | |
CN114663390A (zh) | 自动门智能防夹方法、装置、设备及存储介质 | |
CN112597238A (zh) | 基于人员信息的知识图谱构建方法、系统、设备及介质 | |
CN112347526A (zh) | 基于防摄屏的信息安全保护方法、装置、电子设备及介质 | |
CN111476685A (zh) | 行为分析方法、装置及设备 | |
CN113743725B (zh) | 基于边缘计算的登高作业人员的登高资质检测方法及系统 | |
CN108776453B (zh) | 一种基于计算机的建筑安全监控系统 | |
CN116313164B (zh) | 抗干扰的睡眠监控方法、装置、设备及存储介质 | |
CN116631172B (zh) | 一种基于门锁和电子门铃联动的预警方法及装置 | |
CN111400415B (zh) | 人员的管理方法及相关装置 | |
CN115909212A (zh) | 一种电力作业典型违章行为实时预警方法 | |
CN113468948B (zh) | 基于视图数据的治安防控方法、模块、设备及存储介质 | |
CN113128294B (zh) | 一种道路事件取证方法、装置、电子设备及存储介质 | |
CN113920590A (zh) | 活体检测方法、装置、设备及可读存储介质 | |
CN113706207A (zh) | 基于语义解析的订单成交率分析方法、装置、设备及介质 | |
CN112651275A (zh) | 人员密集场所踩踏事故诱因行为智能识系统 | |
CN113902987A (zh) | 群体智能的对象检测方法、存储介质和处理器 | |
CN113285913A (zh) | 基于智能锁的数据获取方法、系统、电子设备及存储介质 |
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 |