CN117218680A - 一种景区异常监控数据的确认方法及系统 - Google Patents

Abstract

本发明公开了一种景区异常监控数据的确认方法及系统，本发明涉及监控数据监测技术领域，现提出如下方案，包括：异常判断模块与异常告警模块；异常判断模块中设置有异常判断算法；异常告警模块中设置有异常告警机制。本发明的技术方案中，通过将异常监控数据从异常判断模块中进行数据过滤，借助机器学习方法对异常数据进行分析，根据聚类、共发、重构、其他的四类判断算法对异常类型进行分类，并对异常监控数据设置恒定阈值、设置动态阈值；通过获得的异常类型、异常阈值进一步得到告警类型和告警程度，通过实时监测监控数据，分析监控数据中的异常数据，实现根据监控实时情况选择不同程度的告警处理，以保证监控数据的高质量、高稳定性运行。

Description

一种景区异常监控数据的确认方法及系统

技术领域

本发明涉及监控数据监测技术领域，具体涉及一种景区异常监控数据的确认方法及系统。

背景技术

数据异常可以理解为出现不符合预期的数据，而出现异常数据后，第一反应便是确认异常数据，并对异常数据进行分析，分析其可能会引发的影响，以及影响的程度。对于异常数据的分析可以应用在很多领域，如景区的运行系统数据中，人流量较大的景区在面对庞大的数据时往往会采用数据监控来监管景区的正常运行。

而现阶段，大多数景区已建设票务系统和视频监控系统，但缺乏对数据和视频的异常监测算法和告警机制，数据异常时，往往无法第一时间发现异常情况，且排查工作均需人工进行；导致排错功能存在滞后性，当异常处理后，异常期间数据缺失，使整体数据质量降低。

发明内容

针对上述缺陷，本发明所要解决的技术问题在于，提供一种景区异常监控数据的确认方法，包括如下的流程：

监控系统将景区实时监控数据传输到异常判断模块；

经过异常判断模块中的异常判断算法的演算后，对监控数据中的异常类型和异常时机进行判断；

获得异常数据集后，异常判断模块将数据集传输到异常告警模块；

根据异常告警机制，以及监控数据中异常类型、异常时机的判断，得到告警类型的判断与告警程度的判断，并根据告警的程度选择联系相关人员。

在上述一种景区异常监控数据的确认方法的技术方案中，优选地，所述异常判断模块中包括监控人体姿态和面部表情的流程：

摄像头视觉检测人脸面部关键点信息，可以涵盖眉毛、眼睛、鼻子、嘴巴关键点信息，并实时上传面部表情图片至云端大数据平台，进行比对分类后确认人脸的表情情绪；

摄像头视觉检测人体骨骼的25个关键点，涵盖头部、五官、颈部、左右手肘、左右手腕、左右肩膀、脖子、左右脚踝、左右膝盖、左右臀关键信息，实时上传体态图片至云端大数据平台，进行比对分类确认人体的动作姿态；

摄像头视觉检测涵盖手部关键，指尖、关节、手掌位置信息确认手部姿态，实现手势识别；

其中，在获取人体姿态、手部姿势、面部表情的视频数据后，对数据进行预处理：将其转换为适合机器学习算法处理的格式；而且使用计算机视觉算法识别人体关键点(如肩膀，膝盖)；并使用机器学习算法对人体运动姿态进行分类。

在上述一种景区异常监控数据的确认方法的技术方案中，优选地，所述异常判断算法中的异常类型判断具体为：采用传统机器学习方法提取人体姿态、手部姿态、面部表情的特征数据，并与云端大数据联网将提取的特征数据进行分类比对，其中，数据分类判断具体包含有聚类判断、共发判断、重构判断、其他判断；

传统机器学习方法提取人体姿态时，若人数较多时，采用自顶向下的算法，先从图像中检测出所有人，随后利用单人姿态估计的方法对所有人进行姿态估计；以及采用自底向上的算法，先检测出所有人的骨点，再将骨点进行连接形成图，最后通过图优化的方法剔除错误的连接，实现多人姿态估计；

传统机器学习方法提取手部姿态时，根据关节点所处空间位置不同，可分为2D手部姿态估计和3D手部姿态估计，根据数据输入图像的不同，可分为基于RGB图像，深度图像、和RGB-D图像的手部姿态估计；

传统机器学习方法提取面部表情时，在建立表情库的基础上，并基于人脸物理模型的识别方法，将人脸图像建模为可变形的3D网格表面，把空间和灰度放在一个3D空间中同时考虑，同时需要基于模型图像编码的方法是使用遗传算法来编码、识别与合成各种不同的表情。

在上述一种景区异常监控数据的确认方法的技术方案中，优选地，所述聚类判断中具体有：将正常样本聚类，然后将测试集中远离聚类中心的点、属于小聚类的点判断为异常；

其中，在聚类判断模型中，若是有直接结果的输出，而且对于结果有明确的定义时，使用聚类判断模型中的预测准确度、召回率、混淆矩阵、roc曲线指标来进行评估；

在聚类模型中，若是没有直接结果的输出，且聚类样本没有标签，通过兰德系数、互信息分等指标评估，但大多数情况下的，此时可以通过轮廓系数、CHI等指标进行评估。

在上述一种景区异常监控数据的确认方法的技术方案中，优选地，所述共发判断中具体有：将正常样本划分为若干主题，然后将不属于任何正常主题的样本判断为异常；

若是无法将正常样本划分为两个及两个以上的主题时，通过通过增加样本量来消除由于数据量不足而出现的偶然共线性现象；或是通过放弃样本数据中的无偏性；以损失部分信息、降低精度为代价来获得样本主题的回归系数；

若是正常样本划分的主题存在较小差异而无法实现判断时，每次引入一个自变量并进行统计检验，然后逐步引用其他变量，同时对所有变量的回归系数进行检验；如果原来引入的变量由于后面变量的引入而变得不再显著，那么将其剔除；

或是在样本数据中进行主成分分析，将原始参与建模的变量转换为少数几个主成分，每个主成分是原变量的线性组合，基于主成分做回归分析，并在不丢失重要数据特征的前提下避开共线性问题，实现样本主题的归纳。

在上述一种景区异常监控数据的确认方法的技术方案中，优选地，所述重构判断中具体有：正常样本存在公共因子，使得正常样本可由公共因子重构，而异常样本则不能的方式进行判断；

若是将数据映射到低维特征空间时，在特征空间不同维度上查看每个数据点跟其它数据的偏差；或是将数据映射到低维特征空间，由低维特征空间重新映射回原空间，尝试用低维特征重构原始数据，得到重构误差；

若是从特征空间的角度看，正常样本存在的公共因子都是用低维子空间来拟合正常样本在特征空间的分布，而通过由正常样本中的公共因子重构样本，剔除不能重构的异常样本来判断异常；

其中，异常样本的异常数据可以归纳为：帧页损坏、样本帧数缺失。

在上述一种景区异常监控数据的确认方法的技术方案中，优选地，所述其他判断中具体有：打乱视频帧顺序，假设打乱后帧序列的前半段视频帧是正常帧，后半段视频帧是异常帧，在此基础上训练逻辑回归分类器，为每一视频帧计算一个异常分值；

或是，假设打乱后帧序列的前半段视频帧是异常帧，后半段视频帧是正常帧，在此基础上需要训练逻辑回归分类器和LR分类器，通过假定前半段为异常帧，对比后半段视频帧帧数，并且利用逻辑回归分类器和LR分类器的综合打分，获得每一视频帧的异常分值；

通过多次打乱、多次训练LR分类器、多次为视频帧打分，每一视频帧得到多个异常分值，取同一视频帧的多个异常分值的均值作为该帧最终的异常分值。

在上述一种景区异常监控数据的确认方法的技术方案中，优选地，所述异常时机判断中具体包括：设置恒定阈值、设置动态阈值；

其中，设置恒定阈值中，如果监控数据的时间序列呈现平稳分布状态，即时间序列数据围绕中心值小范围内波动，定义上下界的恒定阈值；

如果超过上下阈值则定义为异常；设置动态阈值中，采用移动平均法，对于无周期，比较平稳的时间序列，设定动态阈值；

并且，当前时间的异常阈值是由过去n段时间的时序数据计算决定，异常时机的平均值加减3倍方差作为上下界。

在上述一种景区异常监控数据的确认方法的技术方案中，优选地，所述告警程度判断中，根据设置恒定阈值、设置动态阈值；

当异常监控数据的时机平均值大于3倍方差时，作为紧急告警；

平均值大于或等于3倍方差为主要告警；

平均值等于3倍方差为次要告警；

平均值小于等于3倍方差为警告告警；

平均值小于3倍方差为不确定告警。

还提供一种景区异常监控数据的确认系统，包括：

景区监控系统、内置于监控终端中的异常判断模块与异常告警模块；

异常判断模块中设置有异常判断算法，异常判断算法中分为异常类型判断、异常时机判断两个单元；

异常告警模块中设置有异常告警机制，异常告警机制中分为告警类型判断、告警程度判断两个单元；

其中，所述告警类型判断的结果与异常类型判断单元提供的判断数据相关联；告警程度判断的结果与异常时机判断中设置的恒定阈值、动态阈值相关联。

由上述技术方案可知，本发明提供一种景区异常监控数据的确认方法及系统与现有技术相比，本发明具有以下有益效果：

本发明的技术方案中，通过将异常监控数据从异常判断模块中进行数据过滤，借助机器学习方法对异常数据进行分析，根据聚类判断、共发判断、重构判断、其他判断的四类算法将异常数据的异常类型进行分类，并对异常监控数据设置恒定阈值、设置动态阈值；通过获得的异常类型、异常阈值进一步得到告警类型和告警程度，通过实时监测监控数据，分析监控数据中的异常数据，实现根据监控实时情况选择不同程度的告警处理，以保证监控数据的高质量、高稳定性运行。

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，下面将对本发明实施例或现有技术描述中所需要使用的附图做出简单地介绍和说明。显而易见地，下面描述中的附图仅仅是本发明的部分实施例，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他的附图。

图1为景区异常监控数据确认系统框架示意图；

图2为景区异常监控数据确认方法中异常类型判断流程示意图；

图3为景区异常监控数据的确认方法中异常实际判断流程示意图。

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，以下所描述的实施例仅仅是本发明的一部分实施例，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他实施例，都属于本发明保护的范围。

为了对本发明的技术方案和实现方式做出更清楚地解释和说明，以下介绍实现本发明技术方案的几个优选的具体实施例。

需要说明的是，本文中的术语：“内、外”，“前、后”，“左、右”，“竖直、水平”，“顶、底”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制；术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。

具体实施例1

参阅附图1-附图3所示；

确认系统中包括：景区监控系统、内置于监控终端中的异常判断模块与异常告警模块。异常判断模块中设置有异常判断算法，异常判断算法中分为异常类型判断、异常时机判断两个单元；异常告警模块中设置有异常告警机制，异常告警机制中分为告警类型判断、告警程度判断两个单元。

告警类型判断的结果与异常类型判断单元提供的判断数据相关联；告警程度判断的结果与异常时机判断中设置的恒定阈值、动态阈值相关联。异常判断模块采用异常判断算法，可进行异常类型判断和异常时机判断。通过这两个单元，系统能够准确判断不同类型的异常事件，并确定异常发生的时机。

异常告警模块包含告警类型判断和告警程度判断两个单元。告警类型判断结果与异常类型判断单元提供的判断数据相关联，确保告警类型与异常事件相关。告警程度判断结果与异常时机判断中设置的恒定阈值、动态阈值有关，能够确定异常事件的程度。

异常告警机制通过上述判断结果，能够及时发出异常告警。根据异常类型和程度，系统可以采取适当的告警方式，例如短信、声音或图像显示等，以便及时通知相关人员并采取相应的措施。

确认方法具有如下的流程：

监控系统将景区实时监控数据传输到异常判断模块；经过异常判断模块中的异常判断算法的演算后，对监控数据中的异常类型和异常时机进行判断；获得异常数据集后，异常判断模块将数据集传输到异常告警模块；根据异常告警机制，以及监控数据中异常类型、异常时机的判断，得到告警类型的判断与告警程度的判断，并根据告警的程度选择联系相关人员。实时监控数据传输：监控系统能够将景区实时监控数据快速传输到异常判断模块，确保异常判断的及时性。

异常类型和异常时机判断：异常判断模块通过异常判断算法对监控数据进行演算，准确判断出异常的类型和发生的时机。

异常数据集传输：异常判断模块将获得的异常数据集传输到异常告警模块，为后续的告警判断提供数据支持。

告警类型和告警程度判断：异常告警模块根据异常数据集、告警机制以及监控数据中的异常类型和异常时机判断，确定告警的类型和程度。

联系相关人员：根据告警的程度，系统能够选择合适的方式联系相关人员，及时采取行动应对异常情况。

异常判断模块中包括监控人体姿态和面部表情的流程：

摄像头视觉检测人脸面部关键点信息，可以涵盖眉毛、眼睛、鼻子、嘴巴关键点信息，并实时上传面部表情图片至云端大数据平台，进行比对分类后确认人脸的表情情绪；

摄像头视觉检测人体骨骼的25个关键点，涵盖头部、五官、颈部、左右手肘、左右手腕、左右肩膀、脖子、左右脚踝、左右膝盖、左右臀关键信息，实时上传体态图片至云端大数据平台，进行比对分类确认人体的动作姿态；

摄像头视觉检测涵盖手部关键，指尖、关节、手掌位置信息确认手部姿态，实现手势识别；其中，在获取人体姿态、手部姿势、面部表情的视频数据后，对数据进行预处理：将其转换为适合机器学习算法处理的格式；而且使用计算机视觉算法识别人体关键点(如肩膀，膝盖)；并使用机器学习算法对人体运动姿态进行分类。

异常判断算法中的异常类型判断具体为：采用传统机器学习方法提取人体姿态、手部姿态、面部表情的特征数据，并与云端大数据联网将提取的特征数据进行分类比对，其中，数据分类判断具体包含有聚类判断、共发判断、重构判断、其他判断；

传统机器学习方法提取人体姿态时，若人数较多时，采用自顶向下的算法，先从图像中检测出所有人，随后利用单人姿态估计的方法对所有人进行姿态估计；以及采用自底向上的算法，先检测出所有人的骨点，再将骨点进行连接形成图，最后通过图优化的方法剔除错误的连接，实现多人姿态估计；

传统机器学习方法提取手部姿态时，根据关节点所处空间位置不同，可分为2D手部姿态估计和3D手部姿态估计，根据数据输入图像的不同，可分为基于RGB图像，深度图像、和RGB-D图像的手部姿态估计；

传统机器学习方法提取面部表情时，在建立表情库的基础上，并基于人脸物理模型的识别方法，将人脸图像建模为可变形的3D网格表面，把空间和灰度放在一个3D空间中同时考虑，同时需要基于模型图像编码的方法是使用遗传算法来编码、识别与合成各种不同的表情。

聚类判断中具体有：将正常样本聚类，然后将测试集中远离聚类中心的点、属于小聚类的点判断为异常；

其中，在聚类判断模型中，若是有直接结果的输出，而且对于结果有明确的定义时，使用聚类判断模型中的预测准确度、召回率、混淆矩阵、roc曲线指标来进行评估；在聚类模型中，若是没有直接结果的输出，且聚类样本没有标签，通过兰德系数、互信息分等指标评估，但大多数情况下的，此时可以通过轮廓系数、CHI等指标进行评估。

共发判断中具体有：将正常样本划分为若干主题，然后将不属于任何正常主题的样本判断为异常；

若是无法将正常样本划分为两个及两个以上的主题时，通过通过增加样本量来消除由于数据量不足而出现的偶然共线性现象；或是通过放弃样本数据中的无偏性；以损失部分信息、降低精度为代价来获得样本主题的回归系数；

若是正常样本划分的主题存在较小差异而无法实现判断时，每次引入一个自变量并进行统计检验，然后逐步引用其他变量，同时对所有变量的回归系数进行检验；如果原来引入的变量由于后面变量的引入而变得不再显著，那么将其剔除；

或是在样本数据中进行主成分分析，将原始参与建模的变量转换为少数几个主成分，每个主成分是原变量的线性组合，基于主成分做回归分析，并在不丢失重要数据特征的前提下避开共线性问题，实现样本主题的归纳。将正常样本划分为若干主题，并将不属于任何正常主题的样本判断为异常。这种方法可以帮助识别异常样本，提高判断的准确性。

如果无法将正常样本划分为多个主题，可以通过增加样本量来消除由于数据量不足而出现的偶然共线性现象。另外，放弃样本数据中的无偏性也是一种可行的方法，可以通过损失部分信息或降低精度来获得样本主题的回归系数。

如果正常样本划分的主题之间存在较小差异而无法准确判断时，可以逐步引入自变量并进行统计检验，然后对所有变量的回归系数进行检验。如果某些变量在后续引入的变量下不再显著，那么可以将其剔除。

另一种方法是应用主成分分析对样本数据进行降维，将原始变量转换为少数几个主成分并基于主成分进行回归分析。这种方法可以避免共线性问题，同时保留重要的数据特征，实现对样本主题的归纳。

重构判断中具体有：正常样本存在公共因子，使得正常样本可由公共因子重构，而异常样本则不能的方式进行判断；

若是将数据映射到低维特征空间时，在特征空间不同维度上查看每个数据点跟其它数据的偏差；或是将数据映射到低维特征空间，由低维特征空间重新映射回原空间，尝试用低维特征重构原始数据，得到重构误差；

若是从特征空间的角度看，正常样本存在的公共因子都是用低维子空间来拟合正常样本在特征空间的分布，而通过由正常样本中的公共因子重构样本，剔除不能重构的异常样本来判断异常；其中，异常样本的异常数据可以归纳为：帧页损坏、样本帧数缺失。

其他判断中具体有：打乱视频帧顺序，假设打乱后帧序列的前半段视频帧是正常帧，后半段视频帧是异常帧，在此基础上训练逻辑回归分类器，为每一视频帧计算一个异常分值；

或是，假设打乱后帧序列的前半段视频帧是异常帧，后半段视频帧是正常帧，在此基础上需要训练逻辑回归分类器和LR分类器，通过假定前半段为异常帧，对比后半段视频帧帧数，并且利用逻辑回归分类器和LR分类器的综合打分，获得每一视频帧的异常分值；通过多次打乱、多次训练LR分类器、多次为视频帧打分，每一视频帧得到多个异常分值，取同一视频帧的多个异常分值的均值作为该帧最终的异常分值。

异常时机判断中具体包括：设置恒定阈值、设置动态阈值；其中，设置恒定阈值中，如果监控数据的时间序列呈现平稳分布状态，即时间序列数据围绕中心值小范围内波动，定义上下界的恒定阈值；如果超过上下阈值则定义为异常；设置动态阈值中，采用移动平均法，对于无周期，比较平稳的时间序列，设定动态阈值；并且，当前时间的异常阈值是由过去n段时间的时序数据计算决定，异常时机的平均值加减3倍方差作为上下界。

告警程度判断中，根据设置恒定阈值、设置动态阈值；当异常监控数据的时机平均值大于3倍方差时，作为紧急告警；平均值大于或等于3倍方差为主要告警；平均值等于3倍方差为次要告警；平均值小于等于3倍方差为警告告警；平均值小于3倍方差为不确定告警。

具体实施例2

基于实施例1；对于实施例1中异常判断算法使用到传统机器学习算法，本实施例中采用序列模型与传统机器学习方法结合。

采用图模型算法，利用时空块之间的关联关系检测异常。

利用Markov随机场检测异常。提取视频时空块的混合概率PCA特征构建MRF模型，然后基于节点与节点间的推断关系检测异常。图结构判别将时空近邻的特征点相连接构建图结构，然后将图的拓扑结构映射到低维流形中，在低维流形中检测异常。用视频中时空近邻的兴趣点构建图结构，以图的拓扑结构作为新的特征，通过构建图结构相似性算子实现图结构的聚类从而检测异常。准确率高：通过提取视频时空块的混合概率PCA特征构建MRF模型，基于节点与节点间的推断关系，能够准确地检测视频中的异常情况。

综合考虑时空信息：通过图结构判别，将时空近邻的特征点相连接构建图结构，将图的拓扑结构映射到低维流形中，在低维流形中进行异常检测，能够综合考虑视频数据的时空特征，提高检测的准确性和可靠性。

异常检测多样性：利用视频中时空近邻的兴趣点构建图结构，以图的拓扑结构作为新的特征，通过构建图结构相似性算子实现图结构的聚类，从而能够检测出不同类型的异常情况，提高检测的多样性。

处理大规模数据：该技术能够处理大规模的视频数据，对于复杂的视频场景和大量的视频帧进行异常检测，具有较好的适应性和可扩展性。

采用复合模型算法，将点模型与序列模型结合，使算法既能检测样本的分布异常，又能检测样本的转移规律异常。在混合方法阶段，算法使用深度特征代替手工特征，然后用传统机器学习方法检测异常。在该发展阶段，得到发展的模型主要是点模型，应用的判别主要是聚类判别、重构判别和其他判别。

在使用聚类判别的算法中，常用的提取深度特征的神经网络主要有：自编码器、堆叠降噪自编码器、目标检测神经网络以及其他预训练的卷积神经网络。在异常判断阶段常用的方法有：Gauss分类器、最近邻。将深度特征与Gauss分类器结合组成一个弱分类器，然后通过将多个弱分类器串联来增强算法的异常检测能力。将表观信息与运动信息分离，分别使用SDAE提取特征，然后用OC-SVM检测异常，最后综合考虑多个通道的异常判断结果判断异常。用预训练的多任务目标检测神经网络提取特征，然后用OC-SVM检测异常。在检测到异常后，算法根据特征中隐含的语义信息生成对异常的描述。用变分AE提取特征，然后用SC法检测异常，将3D卷积网络与SC构成一个循环框架，通过不断地循环优化，使C3D网络提取更适用于SC异常检测的特征，最后用SC法判断异常。用C3D提取特征，然后结合近邻传播聚类算法构建字典，最后基于SC的重构误差判断异常。

混合方法的其他判别主要有两种：假设检验策略和语义分析策略。用假设检验策略检测异常，对应的算法被称为揭露法。算法令S1、S2代表两个相邻的时域滑动窗，并假设S1内的视频帧为正常、S2内的视频帧为异常，通过重复迭代以下过程获得分类准确率曲线：1、训练二分类器，计算分类准确率；2、去除可分性最好的特征分量。如果随着可分性最好的特征分量的去除，二者的分类准确率一直维持较高水平，说明二者的可分性高，证明假设成立。

在深度学习方法阶段，算法将特征提取步骤与模型训练步骤结合到一起，用端到端的方法检测异常。通过训练将不同样本映射到不同聚类实现端到端的聚类。深度学习方法中的重构判别算法认为正常样本在样本空间服从一个流形分布，并通过模型训练学习该流形分布，使服从该流形分布的样本能较好重构，从而判断重构误差大的样本不服从流形分布、是异常样本。联合判别中，将聚类判别与重构判别联合使用可以获得更好的异常检测效果。通过将2个VAE的异常检测算法串联，算法首先将测试样本输入第1个VAE网络，基于聚类判别滤除明显正常的样本；然后将剩余的样本输入第2个VAE网络，基于重构误差检测异常。

最后，还需要说明的是，本说明书附图所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本申请可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本申请所能产生的功效及所能达成的目的下，均应仍落在本申请所揭示的技术内容得能涵盖的范围内。

本发明并不局限于上述最佳实施方式，任何人应该得知在本发明的启示下做出的结构变化，凡是与本发明具有相同或相近的技术方案，均落入本发明的保护范围之内。

Claims (10)

1.一种景区异常监控数据的确认方法，其特征在于，所述确认方法具有如下的流程：

监控系统将景区实时监控数据传输到异常判断模块；

经过异常判断模块中的异常判断算法的演算后，对监控数据中的异常类型和异常时机进行判断；

获得异常数据集后，异常判断模块将数据集传输到异常告警模块；

根据异常告警机制，以及监控数据中异常类型、异常时机的判断，得到告警类型的判断与告警程度的判断，并根据告警的程度选择联系相关人员。

2.根据权利要求1所述的一种景区异常监控数据的确认方法，其特征在于，所述异常判断模块中包括监控人体姿态和面部表情的流程：

摄像头视觉检测人脸面部关键点信息，可以涵盖眉毛、眼睛、鼻子、嘴巴关键点信息，并实时上传面部表情图片至云端大数据平台，进行比对分类后确认人脸的表情情绪；

摄像头视觉检测人体骨骼的25个关键点，涵盖头部、五官、颈部、左右手肘、左右手腕、左右肩膀、脖子、左右脚踝、左右膝盖、左右臀关键信息，实时上传体态图片至云端大数据平台，进行比对分类确认人体的动作姿态；

摄像头视觉检测涵盖手部关键，指尖、关节、手掌位置信息确认手部姿态，实现手势识别；

其中，在获取人体姿态、手部姿势、面部表情的视频数据后，对数据进行预处理：将其转换为适合机器学习算法处理的格式；而且使用计算机视觉算法识别人体关键点(如肩膀，膝盖)；并使用机器学习算法对人体运动姿态进行分类。

3.根据权利要求1所述的一种景区异常监控数据的确认方法，其特征在于，所述异常判断算法中的异常类型判断具体为：采用传统机器学习方法提取人体姿态、手部姿态、面部表情的特征数据，并与云端大数据联网将提取的特征数据进行分类比对，其中，数据分类判断具体包含有聚类判断、共发判断、重构判断、其他判断；

传统机器学习方法提取人体姿态时，若人数较多时，采用自顶向下的算法，先从图像中检测出所有人，随后利用单人姿态估计的方法对所有人进行姿态估计；以及采用自底向上的算法，先检测出所有人的骨点，再将骨点进行连接形成图，最后通过图优化的方法剔除错误的连接，实现多人姿态估计；

传统机器学习方法提取手部姿态时，根据关节点所处空间位置不同，可分为2D手部姿态估计和3D手部姿态估计，根据数据输入图像的不同，可分为基于RGB图像，深度图像、和RGB-D图像的手部姿态估计；

传统机器学习方法提取面部表情时，在建立表情库的基础上，并基于人脸物理模型的识别方法，将人脸图像建模为可变形的3D网格表面，把空间和灰度放在一个3D空间中同时考虑，同时需要基于模型图像编码的方法是使用遗传算法来编码、识别与合成各种不同的表情。

4.根据权利要求3所述的一种景区异常监控数据的确认方法，其特征在于，所述聚类判断中具体有：将正常样本聚类，然后将测试集中远离聚类中心的点、属于小聚类的点判断为异常；

其中，在聚类判断模型中，若是有直接结果的输出，而且对于结果有明确的定义时，使用聚类判断模型中的预测准确度、召回率、混淆矩阵、roc曲线指标来进行评估；

在聚类模型中，若是没有直接结果的输出，且聚类样本没有标签，通过兰德系数、互信息分等指标评估，但大多数情况下的，此时可以通过轮廓系数、CHI等指标进行评估。

5.根据权利要求3所述的一种景区异常监控数据的确认方法，其特征在于，所述共发判断中具体有：将正常样本划分为若干主题，然后将不属于任何正常主题的样本判断为异常；

若是无法将正常样本划分为两个及两个以上的主题时，通过通过增加样本量来消除由于数据量不足而出现的偶然共线性现象；或是通过放弃样本数据中的无偏性；以损失部分信息、降低精度为代价来获得样本主题的回归系数；

若是正常样本划分的主题存在较小差异而无法实现判断时，每次引入一个自变量并进行统计检验，然后逐步引用其他变量，同时对所有变量的回归系数进行检验；如果原来引入的变量由于后面变量的引入而变得不再显著，那么将其剔除；

或是在样本数据中进行主成分分析，将原始参与建模的变量转换为少数几个主成分，每个主成分是原变量的线性组合，基于主成分做回归分析，并在不丢失重要数据特征的前提下避开共线性问题，实现样本主题的归纳。

6.根据权利要求3所述的一种景区异常监控数据的确认方法，其特征在于，所述重构判断中具体有：正常样本存在公共因子，使得正常样本可由公共因子重构，而异常样本则不能重构的方式进行判断；

若是将数据映射到低维特征空间时，在特征空间不同维度上查看每个数据点跟其它数据的偏差；或是将数据映射到低维特征空间，由低维特征空间重新映射回原空间，尝试用低维特征重构原始数据，得到重构误差；

若是从特征空间的角度看，正常样本存在的公共因子都是用低维子空间来拟合正常样本在特征空间的分布，而通过由正常样本中的公共因子重构样本，剔除不能重构的异常样本来判断异常；

其中，异常样本的异常数据可以归纳为：帧页损坏、样本帧数缺失。

7.根据权利要求3所述的一种景区异常监控数据的确认方法，其特征在于，所述其他判断中具体有：打乱视频帧顺序，假设打乱后帧序列的前半段视频帧是正常帧，后半段视频帧是异常帧，在此基础上训练逻辑回归分类器，为每一视频帧计算一个异常分值；

或是，假设打乱后帧序列的前半段视频帧是异常帧，后半段视频帧是正常帧，在此基础上需要训练逻辑回归分类器和LR分类器，通过假定前半段为异常帧，对比后半段视频帧帧数，并且利用逻辑回归分类器和LR分类器的综合打分，获得每一视频帧的异常分值；

通过多次打乱、多次训练LR分类器、多次为视频帧打分，每一视频帧得到多个异常分值，取同一视频帧的多个异常分值的均值作为该帧最终的异常分值。

8.根据权利要求1所述的一种景区异常监控数据的确认方法，其特征在于，所述异常时机判断中具体包括：设置恒定阈值、设置动态阈值；

其中，设置恒定阈值中，如果监控数据的时间序列呈现平稳分布状态，即时间序列数据围绕中心值小范围内波动，定义上下界的恒定阈值；

如果超过上下阈值则定义为异常；设置动态阈值中，采用移动平均法，对于无周期，比较平稳的时间序列，设定动态阈值；

并且，当前时间的异常阈值是由过去n段时间的时序数据计算决定，异常时机的平均值加减3倍方差作为上下界。

9.根据权利要求1所述的一种景区异常监控数据的确认方法，其特征在于，所述告警程度判断中，根据设置恒定阈值、设置动态阈值；

当异常监控数据的时机平均值大于3倍方差时，作为紧急告警；

平均值大于或等于3倍方差为主要告警；

平均值等于3倍方差为次要告警；

平均值小于等于3倍方差为警告告警；

平均值小于3倍方差为不确定告警。

10.一种景区异常监控数据的确认系统，其适用于权利要求1-权利要求9任一项所述的一种景区异常监控数据的确认方法，且所述确认系统中具体包括：景区监控系统、内置于监控终端中的异常判断模块与异常告警模块；

异常判断模块中设置有异常判断算法，异常判断算法中分为异常类型判断、异常时机判断两个单元；

异常告警模块中设置有异常告警机制，异常告警机制中分为告警类型判断、告警程度判断两个单元；

其中，所述告警类型判断的结果与异常类型判断单元提供的判断数据相关联；告警程度判断的结果与异常时机判断中设置的恒定阈值、动态阈值相关联。