CN116778657A - 一种智能识别入侵行为的方法及系统 - Google Patents

Abstract

本发明公开了一种智能识别入侵行为的方法与系统，该方法包括：采集监控点位的历史监控数据并进行模型训练得到智能识别入侵行为模型；对实时数据进行人流量分析；根据人流量分析的结果进行入侵倾向研判；通过智能识别入侵行为模型对入侵倾向研判的结果进行智能识别，如果识别到异常数据，则进行告警。本发明通过机器学习算法智能识别出监控区域的可入侵点位，进一步基于入侵点位进行人物特征提取与行为特征提取，当识别出异常行为特征或异常人物特征时，结合人流量检测与人物入侵倾向的判断，达到快速、准确识别出入侵者的入侵行为的目的。本发明能够有效识别入侵行为以加强安全管理能力、提高监控场所的安全性。

Description

一种智能识别入侵行为的方法及系统

技术领域

本发明属于视频监控技术领域，具体涉及一种智能识别入侵行为的方法与系统。

背景技术

目前，视频监控技术在安全领域有着广泛的应用，其对提高监控场所的安全性非常关键。通过对视频画面的统计分析和识别算法的学习，可以有效地实现对安全事件的目标识别和告警。传统的视频监控技术兼具采集、存储和回放等非智能化的视频监控技术，能有效复原，或实时监控已经发生或正在发生的入侵行为。对于一些犯罪行为而言，非法入侵是其进行犯罪之前必不可少的一步，如果能够及时对入侵行为进行智能识别，就能为设施内部的安全提供有力的保障。然而，传统的基础采集、存储和回放等非智能化的视频监控技术已经难以满足现代安全需求。

在目前主流的监控条件下，一位安防人员需要同时监控多台设备。因此在繁忙的时段，即使在监控区域下，监控者在实时阅读并识别入侵行为时，难免会有疏漏，更不要说那些监控设施覆盖不到的区域。由此可见，现有的视频监控系统存在以下三个弊端：一是基于人力进行入侵识别的识别效率低，二是视频监控未能覆盖的区域存在安全隐患，三是未能提前预判出入侵者的意图，达到提前预警的目的。

发明内容

本发明的目的在于克服现有技术之缺陷，本发明提供了一种基于机器学习技术的智能识别入侵行为的视频监控方法与系统，该方法基于机器学习算法，根据人体运动轨迹和特定行为进行识别，提高了入侵行为的识别率和准确性，能快速、准确地识别入侵者的入侵行为，并在入侵前进行报警，能有效遏制入侵行为的发生。

为了到达预期效果，本发明采用了以下技术方案：

本发明公开了一种智能识别入侵行为的方法，包括：

采集监控点位的历史监控数据并进行模型训练得到智能识别入侵行为模型；

对实时数据进行人流量分析；

根据人流量分析的结果进行入侵倾向研判；

通过智能识别入侵行为模型对入侵倾向研判的结果进行智能识别，如果识别到异常数据，则进行告警。

进一步地，将采集的历史监控数据分为训练集和测试集，将所述训练集进行特征线索标注后用于模型训练，所述特征线索包括人物特征、行为特征和入侵点位特征。

进一步地，基于人物特征、行为特征和入侵点位特征，运用卷积神经网络技术进行机器学习训练得到智能识别入侵行为模型，利用测试集对智能识别入侵行为模型加以验证，并使用反向传播算法对模型进行优化。

进一步地，所述对实时数据进行人流量分析包括：分别计算预设时间间隔的每个时间段内出现在监控视频内的平均人流量和目标人物的平均驻留时间，当平均人流量小于第一阈值，且目标人物的平均驻留时间大于第二阈值，则截取目标人物的驻留时间段内的视频数据并进行入侵倾向研判。

进一步地，所述根据人流量分析的结果进行入侵倾向研判包括：基于目标人物运动轨迹，运用目标跟踪算法计算出目标人物驻留点，将距离驻留点最近的入侵点位标记为实际入侵点，计算目标人物距离实际入侵点最近的距离以及触碰实际入侵点的次数，若目标人物距离实际入侵点的最近距离小于第三阈值，或者触碰实际入侵点的次数大于第四阈值，则进行模型智能识别。

进一步地，当目标人物的驻留点存在多个时，则对多个驻留点分别进行入侵倾向研判，当识别到其中一个驻留点符合设定阈值时，则进行模型智能识别。

进一步地，所述通过智能识别入侵行为模型对入侵倾向研判的结果进行智能识别包括：通过智能识别入侵行为模型对目标人物的驻留时间段内的视频数据和实际入侵点进行特征线索识别。

进一步地，所述如果识别到异常数据，则进行告警具体包括：如果识别到预设的异常人物特征和行为特征时，则进行告警，异常行为特征是基于特定入侵点位的特定行为动作特征，入侵点位包括实际入侵点和实际入侵点正下方的所有区域。

进一步地，该方法还包括：在每日的固定时间点，将当日监测到的数据存储到历史监控数据库中，并通过自学习优化迭代智能识别入侵行为模型。

本发明还公开了一种智能识别入侵行为的系统，包括：

数据采集模块，用于采集监控点位的历史监控数据；

模型训练模块，用于根据采集的历史监控数据进行模型训练得到智能识别入侵行为模型；

人流量检测模块，用于对实时数据进行人流量分析；

入侵倾向研判模块，用于根据人流量分析的结果进行入侵倾向研判；

训练模型研判模块，用于通过智能识别入侵行为模型对入侵倾向研判的结果进行智能识别，如果识别到异常数据，则进行告警。

与现有技术相比，本发明的有益效果是：对于安防人员来说，及早发现并预警入侵行为非常重要。即使在监控设备下，实时发现入侵行为在繁忙场景中也很困难，更不要说那些未被监控的区域了。这就需要智能化的视频监控方法对犯罪行为进行智能识别，及时发现非法入侵行为并产生预警通知。对于一些犯罪行为而言，非法入侵是其进行犯罪之前必不可少的一步，如果能够及时对入侵行为进行智能识别并发现，就能够为报警和证据收集提供有力的支持和保障。相较于现有技术，本发明提供了一种智能识别入侵行为的方法与系统，该方法通过机器学习算法智能识别出监控区域的可入侵点位，进一步基于入侵点位进行人物特征提取与行为特征提取，当识别出异常行为特征或异常人物特征时，结合人流量检测与人物入侵倾向的判断，达到快速、准确识别出入侵者的入侵行为的目的，进一步在入侵行为发生或进行时发出警报，即可有效遏制入侵行为。本发明能够有效识别入侵行为以加强安全管理能力、提高监控场所的安全性。

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，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地介绍，显而易见地，下面描述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的附图。

图1是本发明实施例提供的一种智能识别入侵行为的方法的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

参见图1，本发明公开了一种智能识别入侵行为的方法，包括：

采集监控点位的历史监控数据并进行模型训练得到智能识别入侵行为模型；

对实时数据进行人流量分析；

根据人流量分析的结果进行入侵倾向研判；

通过智能识别入侵行为模型对入侵倾向研判的结果进行智能识别，如果识别到异常数据，则进行告警。

本发明提供了一种智能识别入侵行为的方法，该方法通过机器学习算法智能识别出监控区域的可入侵点位，进一步基于入侵点位进行人物特征提取与行为特征提取，当识别出异常行为特征或异常人物特征时，结合人流量检测与人物入侵倾向的判断，达到快速、准确识别出入侵者的入侵行为的目的，进一步在入侵行为发生或进行时发出警报，即可有效遏制入侵行为。本发明能够有效识别入侵行为以加强安全管理能力、提高监控场所的安全性。

优选的实施例中，将采集的历史监控数据分为训练集和测试集，将所述训练集进行特征线索标注后用于模型训练，所述特征线索包括人物特征、行为特征和入侵点位特征。通过定向筛选出需要的特征来用于训练模型，能够减少噪音和冗余，使得训练出来的模型的识别效果更好。所述历史监控数据为各种入侵行为监控视频数据，为扩大样本来源，可以采集多个监控点位的监控视频，采集的数据越多，训练得到的模型的识别性能越好。特别地，历史视频数据的数量应高于30天，保障有足够的训练集进行训练。

优选地，所述入侵点位特征包括入侵点位的形状、位置和大小等数据信息。值得注意的是，除开入侵点位，入侵点位正下方的所有区域也应被标注为可疑区域。一般而言，入侵者在入侵过程中，是否与该块区域产生多次交互，这也是识别入侵者是否具有入侵意图的重要指标之一。

优选地，所述人物特征包括人物的身高、体型，人物是否携带背包、工具，以及是否能够识别出人物面部等等在历史案件中出现的入侵人物特征相关的数据信息。当在一段时间内始终无法拍摄到目标人员的面部特征时，或者识别出了目标人员存在遮挡面部的行为时，该目标人员就更有非法入侵的可能。具体地，可标注出入侵者的异常人物特征，包括：是否存在面部遮挡行为，例如遮挡眼睛(戴墨镜)、遮挡头部(戴帽子)、遮挡面部(戴口罩)等，是否携带背包，是否携带工具，体态是否正常等。

优选地，所述行为特征应与入侵点位挂钩并且具有区别于常规运动的动作特征。为了达到突破物理屏障的目的，入侵者在入侵阶段会采取特定的、可识别的行为动作特征。其中，提取得到的行为特征应明显与入侵点位挂钩并且具有明显的动作特征，例如，在意图攀爬墙壁时，应可识别到人物双手高于头部，并且双脚离地，人体蜷缩向上发力的动作。这些动作应易于提取运动特征并有别于日常生活中常用的运动动作(例如走路、跑步等)。基于入侵点位，标注出目标人物在入侵该点位时，有别于日常行走、驻立、奔跑之外的且易于捕捉的行为特征。例如，为达到翻越墙体入侵的目的，攀爬动作是必不可少的。为达到破门而入的目的，蹲在门前以及试图破坏门锁的动作是必不可少的，可标注出这些易于识别且能与入侵点位绑定的动作行为特征。

进一步地，基于人物特征、行为特征和入侵点位特征，运用卷积神经网络技术进行机器学习训练得到智能识别入侵行为模型，利用测试集对智能识别入侵行为模型加以验证，并使用反向传播算法对模型进行优化。卷积神经网络技术能够智能识别出人物特征、入侵点位特征以及特定行为动作特征。这一步骤可以极大地提高模型智能识别的准确率。优选地，还可以将训练完成的模型进行交叉验证，以评估其在未知数据上的预测性能。

优选地，基于对标注人物特征的学习，使智能识别入侵行为模型具备智能检测人物体型是否正常、其是否携带背包和工具以及智能识别是否能拍摄得到人脸影相的能力。

优选地，基于标注的多样入侵点位特征的学习，使智能识别入侵行为模型具备识别门、窗、墙体等入侵点位的能力。

优选地，基于标注入侵点位特征与行为特征的学习，使智能识别入侵行为模型具备根据标注的入侵点位的形状、位置等特征，识别出必要且异于日常活动的行为特征的能力。例如，当意图破门而入时，可识别到人物存在快速砸门和砸门数次的动作特征。例如，翻越墙体会出现攀爬特征，可识别到人员上肢蓄力，双脚离地，人体蜷缩向上发力，以及身体完全依附于墙壁的动作特征。例如，破坏门窗会出现破坏特征，对于关闭的门窗，往往需要破坏掉门窗，后才能进入内部，可以捕获入侵者在破坏门窗时的动作，例如快速砸窗、砸窗数次等行为。

在一个实施例中，所述对实时数据进行人流量分析包括：分别计算预设时间间隔的每个时间段内出现在监控视频内的平均人流量和目标人物的平均驻留时间，当平均人流量小于第一阈值，且目标人物的平均驻留时间大于第二阈值，则截取目标人物的驻留时间段内的视频数据并进行入侵倾向研判。

值得注意的是，入侵行为往往发生在人流量少的时段，因此基于监控点位的历史监控视频，设定合适的时间间隔，分别计算在该时间段内出现在视频监控内的平均人流量与平均驻留时间，当平均人流量r小于第一阈值，意味着人流量足够少，有利于人员入侵。且当监控区域存在人员驻留时间大于第二阈值时，默认确定该人员具有入侵意图，截取目标人物的驻留时间段内的视频数据并进行入侵倾向研判。

另外，人流量分析是基于该监控区域的历史监控数据，可以根据节假日与非节假日进行区分，计算出该监控区域不同时段的平均人流量和平均驻留时间。假设设定的时段间隔为30min，不同时间段内的平均人流量为r，平均驻留时间为t。则可设定一个预警指标为：平均人流量r低于5，且存在某个目标人物驻留时间达到2.5*t的时间。平均人流量低于5意味着在该时间段来往人员极少，有利于犯罪行为的发生，而目标人物驻留时间超过平均驻留时间的2.5倍，意味着可能存在入侵的可能。

在另一个实施例中，所述根据人流量分析的结果进行入侵倾向研判包括：基于目标人物运动轨迹，运用目标跟踪算法计算出目标人物驻留点，将距离驻留点最近的入侵点位标记为实际入侵点，计算目标人物距离实际入侵点最近的距离L以及触碰实际入侵点的次数N，若目标人物距离实际入侵点的最近距离小于第三阈值，或者触碰实际入侵点的次数大于第四阈值，则进行模型智能识别。具体地，当L<1米或者N>3次时，标记目标人物具有入侵倾向并进行模型智能识别。

进一步地，当目标人物的驻留点存在多个时，则对多个驻留点分别进行入侵倾向研判，当识别到其中一个驻留点符合设定阈值时，则进行模型智能识别。

优选地，所述通过智能识别入侵行为模型对入侵倾向研判的结果进行智能识别包括：通过智能识别入侵行为模型对目标人物的驻留时间段内的视频数据和实际入侵点进行特征线索识别，具体地，通过智能识别入侵行为模型对监控视频中的目标人物进行人物特征和行为特征识别。

进一步地，所述如果识别到异常数据，则进行告警具体包括：如果识别到预设的异常人物特征和行为特征时，则进行告警，异常行为特征是基于特定入侵点位的特定行为动作特征，入侵点位包括实际入侵点和实际入侵点正下方的所有区域。

优选地，对人物特征的识别包括：基于目标人物的异常人物特征进行识别，通过检测目标人物是否存在面部遮挡行为，例如遮挡眼睛(戴墨镜)；遮挡头部(戴帽子)；遮挡面部(戴口罩)等，以及是否携带背包、是否携带工具、体态是否正常(隐藏工具)等。一旦识别到异常人物特征时，即可发出异常告警或启动相应保安措施。

优选地，当识别到目标人物基于特定入侵点位的实施了特定行为动作特征时，例如墙体-攀爬，门窗-破坏等特征时，即可发出异常告警或启动相应保安措施。

优选地，该方法还包括：在每日的固定时间点，将当日监测到的数据存储到历史监控数据库中，并通过自学习优化迭代智能识别入侵行为模型。这一步骤还包括更新平均人流量与平均驻留时间。同时，针对监控数据的繁杂和容易丢失的情况，对识别出的入侵行为视频片段进行备份和储存，以防止数据丢失。进一步，该方法还能对入侵行为进行整理和分类，记录相关信息，以方便后续的数据分析与法律审查。

需要说明的是，本发明不仅局限于上述应用实例，还适用于识别各类翻越或破坏物理屏障达到入侵内部这一目的的入侵行为，其中所提到的物理屏障包括但不限于墙体、窗户、门等屏障，针对以上屏障，均可基于本发明提出的方案设计出合适的智能识别系统。

本发明提供了一种基于机器学习技术的智能识别入侵行为的视频监控方法，该方法基于机器学习算法，根据人体运动轨迹和特定行为进行识别，提高了入侵行为的识别率和准确性，能快速、准确地识别入侵者的入侵行为，并在入侵前进行报警，能有效遏制入侵行为的发生。

基于同一发明思路，本发明还公开了一种智能识别入侵行为的系统，包括：

数据采集模块，用于采集监控点位的历史监控数据；

模型训练模块，用于根据采集的历史监控数据进行模型训练得到智能识别入侵行为模型；

人流量检测模块，用于对实时数据进行人流量分析；

入侵倾向研判模块，用于根据人流量分析的结果进行入侵倾向研判；

训练模型研判模块，用于通过智能识别入侵行为模型对入侵倾向研判的结果进行智能识别，如果识别到异常数据，则进行告警。

所述系统的其他实施例与前述方法实施例相对应，在此不再赘述。

本发明提供了一种基于机器学习技术的智能识别入侵行为的视频监控系统，该系统基于机器学习算法，根据人体运动轨迹和特定行为进行识别，提高了入侵行为的识别率和准确性，能快速、准确地识别入侵者的入侵行为，并在入侵前进行报警，能有效遏制入侵行为的发生。

基于同一发明思路，本发明还公开了一种电子设备，该电子设备可以包括：处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信。处理器可以调用存储器中的逻辑指令，以执行一种智能识别入侵行为的方法，包括：

采集监控点位的历史监控数据并进行模型训练得到智能识别入侵行为模型；

对实时数据进行人流量分析；

根据人流量分析的结果进行入侵倾向研判；

通过智能识别入侵行为模型对入侵倾向研判的结果进行智能识别，如果识别到异常数据，则进行告警。

此外，上述的存储器中的逻辑指令可以通过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取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。

另一方面，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的一种智能识别入侵行为的方法，包括：

采集监控点位的历史监控数据并进行模型训练得到智能识别入侵行为模型；

对实时数据进行人流量分析；

根据人流量分析的结果进行入侵倾向研判；

通过智能识别入侵行为模型对入侵倾向研判的结果进行智能识别，如果识别到异常数据，则进行告警。

又一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的一种智能识别入侵行为的方法，包括：

采集监控点位的历史监控数据并进行模型训练得到智能识别入侵行为模型；

对实时数据进行人流量分析；

根据人流量分析的结果进行入侵倾向研判；

通过智能识别入侵行为模型对入侵倾向研判的结果进行智能识别，如果识别到异常数据，则进行告警。

应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种智能识别入侵行为的方法，其特征在于，包括：

采集监控点位的历史监控数据并进行模型训练得到智能识别入侵行为模型；

对实时数据进行人流量分析；

根据人流量分析的结果进行入侵倾向研判；

通过智能识别入侵行为模型对入侵倾向研判的结果进行智能识别，如果识别到异常数据，则进行告警。

2.如权利要求1所述的一种智能识别入侵行为的方法，其特征在于，将采集的历史监控数据分为训练集和测试集，将所述训练集进行特征线索标注后用于模型训练，所述特征线索包括人物特征、行为特征和入侵点位特征。

3.如权利要求2所述的一种智能识别入侵行为的方法，其特征在于，基于人物特征、行为特征和入侵点位特征，运用卷积神经网络技术进行机器学习训练得到智能识别入侵行为模型，利用测试集对智能识别入侵行为模型加以验证，并使用反向传播算法对模型进行优化。

4.如权利要求3所述的一种智能识别入侵行为的方法，其特征在于，所述对实时数据进行人流量分析包括：分别计算预设时间间隔的每个时间段内出现在监控视频内的平均人流量和目标人物的平均驻留时间，当平均人流量小于第一阈值，且目标人物的平均驻留时间大于第二阈值，则截取目标人物的驻留时间段内的视频数据并进行入侵倾向研判。

5.如权利要求4所述的一种智能识别入侵行为的方法，其特征在于，所述根据人流量分析的结果进行入侵倾向研判包括：基于目标人物运动轨迹，运用目标跟踪算法计算出目标人物驻留点，将距离驻留点最近的入侵点位标记为实际入侵点，计算目标人物距离实际入侵点最近的距离以及触碰实际入侵点的次数，若目标人物距离实际入侵点的最近距离小于第三阈值，或者触碰实际入侵点的次数大于第四阈值，则进行模型智能识别。

6.如权利要求5所述的一种智能识别入侵行为的方法，其特征在于，当目标人物的驻留点存在多个时，则对多个驻留点分别进行入侵倾向研判，当识别到其中一个驻留点符合设定阈值时，则进行模型智能识别。

7.如权利要求6所述的一种智能识别入侵行为的方法，其特征在于，所述通过智能识别入侵行为模型对入侵倾向研判的结果进行智能识别包括：通过智能识别入侵行为模型对目标人物的驻留时间段内的视频数据和实际入侵点进行特征线索识别。

8.如权利要求7所述的一种智能识别入侵行为的方法，其特征在于，所述如果识别到异常数据，则进行告警具体包括：如果识别到预设的异常人物特征和行为特征时，则进行告警，异常行为特征是基于特定入侵点位的特定行为动作特征，入侵点位包括实际入侵点和实际入侵点正下方的所有区域。

9.如权利要求1所述的一种智能识别入侵行为的方法，其特征在于，该方法还包括：在每日的固定时间点，将当日监测到的数据存储到历史监控数据库中，并通过自学习优化迭代智能识别入侵行为模型。

10.一种智能识别入侵行为的系统，其特征在于，包括：

数据采集模块，用于采集监控点位的历史监控数据；

模型训练模块，用于根据采集的历史监控数据进行模型训练得到智能识别入侵行为模型；

人流量检测模块，用于对实时数据进行人流量分析；

入侵倾向研判模块，用于根据人流量分析的结果进行入侵倾向研判；

训练模型研判模块，用于通过智能识别入侵行为模型对入侵倾向研判的结果进行智能识别，如果识别到异常数据，则进行告警。