CN117649428A - 基于云边协同的可疑人员追踪方法、装置、设备及介质 - Google Patents

基于云边协同的可疑人员追踪方法、装置、设备及介质 Download PDF

Info

Publication number
CN117649428A
CN117649428A CN202311663758.9A CN202311663758A CN117649428A CN 117649428 A CN117649428 A CN 117649428A CN 202311663758 A CN202311663758 A CN 202311663758A CN 117649428 A CN117649428 A CN 117649428A
Authority
CN
China
Prior art keywords
person
suspicious
park
personnel
tracking
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
CN202311663758.9A
Other languages
English (en)
Inventor
毛莉亚
李�杰
王斌鑫
梁霞
刘明
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.)
CISDI Chongqing Information Technology Co Ltd
Original Assignee
CISDI Chongqing Information 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 CISDI Chongqing Information Technology Co Ltd filed Critical CISDI Chongqing Information Technology Co Ltd
Priority to CN202311663758.9A priority Critical patent/CN117649428A/zh
Publication of CN117649428A publication Critical patent/CN117649428A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • 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
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G06Q50/265—Personal security, identity or safety
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • 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
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C9/00—Individual registration on entry or exit
    • G07C9/30—Individual registration on entry or exit not involving the use of a pass
    • G07C9/32—Individual registration on entry or exit not involving the use of a pass in combination with an identity check
    • G07C9/37—Individual registration on entry or exit not involving the use of a pass in combination with an identity check using biometric data, e.g. fingerprints, iris scans or voice recognition
    • 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
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30241—Trajectory

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Multimedia (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Computer Interaction (AREA)
  • General Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • Computer Security & Cryptography (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Alarm Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于云边协同的可疑人员追踪方法、装置、设备及介质，该方法包括，获取园区视频数据，对园区视频数据中的待识别人员进行识别，并将识别结果和园区视频数据上传至云边协同平台，若识别出来待识别人员为可疑人员则将带有可疑人员的图像数据发送至园区管理平台，园区管理平台对带有可疑人员的图像进行特征识别，并将属性数据回传至云边协同平台，云边协同平台将属性数据发送至边缘计算设备，边缘计算设备基于属性数据对可疑人员进行搜索，并将搜索到的带有可疑人员的追踪视频以及拍摄信息，园区管理平台生成可视化轨迹追踪以对可疑人员进行追踪，该方法通过边缘计算，实现本地识别和本地搜索加快了识别的响应速度，减少了带宽的浪费。

Description

基于云边协同的可疑人员追踪方法、装置、设备及介质
技术领域
本申请涉及智慧园区技术领域，具体涉及一种基于云边协同的可疑人员追踪方法、装置、设备及介质。
背景技术
近年来，我国园区快速发展，已经成为推动我国工业化、城镇化发展和区域经济高质量发展的重要平台，由于园区内人员、财产分布密集、访客类型复杂、功能区域多等特点，切实做好预防和处理安全事故，成为园区运营管理的重要保障。
现有的园区管理系统由于通过云端统一集中管理所有的摄像头数据再进行可疑人员的识别追踪，导致需要处理海量的视频信息且传输数据带来大量的带宽浪费和时延，在对可疑人员进行追踪的时候无法做到快速响应、及时追踪。
发明内容
鉴于以上所述相关技术的缺点，本申请提供一种基于云边协同的可疑人员追踪方法、装置、设备及介质，以解决现有园区管理系统响应过慢和浪费带宽的技术问题。
本申请提供了一种基于云边协同的可疑人员追踪方法，所述基于云边协同的可疑人员追踪方法包括：通过园区内的摄像头获取园区视频数据；基于边缘计算设备对所述园区视频数据中的待识别人员进行人员面部遮挡识别和人员徘徊识别并将识别结果和所述园区视频数据上传至云边协同平台；若所述园区视频数据中存在所述待识别人员的所述人员面部遮挡识别的识别结果为有遮挡，且所述待识别人员的所述人员徘徊识别的识别结果为有徘徊，则将所述待识别人员确定为可疑人员；所述云边协同平台基于所述园区视频数据得到带有所述可疑人员的图像数据，并将所述图像数据发送至园区管理平台，所述园区管理平台对带有所述可疑人员的所述图像数据进行特征属性识别得到所述可疑人员的属性数据，并将所述属性数据回传至所述云边协同平台；所述云边协同平台将所述属性数据下发至各个所述边缘计算设备，所述边缘计算设备基于所述属性数据通过各个所述摄像头上传的视频数据对所述可疑人员进行搜索；若搜索到带有所述可疑人员的追踪视频，所述边缘计算设备记录下带有所述可疑人员的追踪视频的拍摄时间、拍摄位置和所述追踪视频，并将所述拍摄时间、拍摄位置和所述追踪视频上传至所述云边协同平台；所述云边协同平台基于所述拍摄时间、拍摄位置和所述追踪视频得到所述可疑人员的移动轨迹和人员位置，并将所述移动轨迹和所述人员位置发送至所述园区管理平台；所述园区管理平台基于所述移动轨迹、所述人员位置和预设园区三维模型实现所述可疑人员的可视化轨迹追踪，以对所述可疑人员进行追踪。
于本申请的一实施例中，获取人员面部遮挡训练集，所述人员面部遮挡训练集包括历史园区视频图像和面部遮挡标注；将所述人员面部遮挡训练集输入至预设机器模型进行训练，得到人员面部遮挡识别模型；基于所述人员面部遮挡识别模型对所述待识别人员进行人员面部遮挡识别。
于本申请的一实施例中，基于园区内各区域的安全防护等级将所述园区划分为目标区域和非目标区域，所述目标区域为所述安全防护等级大于预设等级的区域；通过目标跟踪算法对所述目标区域内和所述目标区域附近的所述园区视频数据中待识别人员的运动进行跟踪识别，得到所述待识别人员在所述目标区域中的移动距离、在所述目标区域中的移动时间和进出所述目标区域的次数；若所述待识别人员在所述目标区域中的移动距离大于预设距离阈值，则所述待识别人员的所述人员徘徊识别的识别结果为有徘徊；若所述待识别人员在所述目标区域中的移动时间大于预设时间阈值，则所述待识别人员的所述人员徘徊识别的识别结果为有徘徊；若所述待识别人员进出所述目标区域的次数大于预设次数阈值，则所述待识别人员的所述人员徘徊识别的识别结果为有徘徊。
于本申请的一实施例中，所述属性数据至少包括性别、体型、发型发色、上衣颜色款式、下装颜色款式、是否佩戴眼镜、是否戴帽子、是否背物及背何物、是否怀抱物及怀抱何物以及是否手持物及手持何物。
于本申请的一实施例中，提取各个所述摄像头一周内上传的历史视频数据；
基于行人重识别算法和所述属性数据在所述历史视频数据中对所述可疑人员进行识别，得到带有所述可疑人员的追踪视频。
于本申请的一实施例中，将所述人员位置和所述移动轨迹基于时间顺序进行标注和连接得到所述可疑人员行动轨迹；基于所述预设园区三维模型和所述行动轨迹形成追踪可视化视频，在所述追踪可视化视频中对所述可疑人员进行高亮处理。
于本申请的一实施例中，若所述待识别人员的所述人员面部遮挡识别的识别结果为有遮挡，且所述待识别人员的所述人员徘徊识别的识别结果为有徘徊，则将所述待识别人员确定为可疑人员；若所述待识别人员的所述人员面部遮挡识别的识别结果为无遮挡，且所述待识别人员的所述人员徘徊识别的识别结果为无徘徊，则将所述待识别人员确定为正常人员；若所述待识别人员的所述人员面部遮挡识别的识别结果为有遮挡，且所述待识别人员的所述人员徘徊识别的识别结果为无徘徊，则将所述待识别人员确定为遮挡人员；若所述待识别人员的所述人员面部遮挡识别的识别结果为无遮挡，且所述待识别人员的所述人员徘徊识别的识别结果为有徘徊，则将所述待识别人员确定为徘徊人员。
本申请的实施例还提供一种基于云边协同的可疑人员追踪装置，所述基于云边协同的可疑人员追踪装置包括：视频获取模块，用于通过园区内的摄像头获取园区视频数据；边缘识别模块，用于基于边缘计算设备对所述园区视频数据中的待识别人员进行人员面部遮挡识别和人员徘徊识别并将识别结果和所述园区视频数据上传至云边协同平台；可疑人员确定模块，用于若所述园区视频数据中存在所述待识别人员的所述人员面部遮挡识别的识别结果为有遮挡，且所述待识别人员的所述人员徘徊识别的识别结果为有徘徊，则将所述待识别人员确定为可疑人员；属性数据确定模块，用于所述云边协同平台基于所述园区视频数据得到带有所述可疑人员的图像数据，并将所述图像数据发送至园区管理平台，所述园区管理平台对带有所述可疑人员的所述图像数据进行特征属性识别得到所述可疑人员的属性数据，并将所述属性数据回传至所述云边协同平台；边缘搜索模块，用于所述云边协同平台将所述属性数据下发至各个所述边缘计算设备，所述边缘计算设备基于所述属性数据通过各个所述摄像头上传的视频数据对所述可疑人员进行搜索；追踪上传模块，用于若搜索到带有所述可疑人员的追踪视频，所述边缘计算设备记录下带有所述可疑人员的追踪视频的拍摄时间、拍摄位置和所述追踪视频，并将所述拍摄时间、拍摄位置和所述追踪视频上传至所述云边协同平台；追踪发送模块，用于所述云边协同平台基于所述拍摄时间、拍摄位置和所述追踪视频得到所述可疑人员的移动轨迹和人员位置，并将所述移动轨迹和所述人员位置发送至所述园区管理平台；可视化追踪模块，用于所述园区管理平台基于所述移动轨迹、所述人员位置和预设园区三维模型实现所述可疑人员的可视化轨迹追踪，以对所述可疑人员进行追踪。
本申请的实施例还提供一种电子设备，所述电子设备包括一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述电子设备实现如上述各实施例中任一所述的基于云边协同的可疑人员追踪方法。
本申请的实施例还提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序被计算机的处理器执行时，使计算机执行如上述各实施例中任一所述的基于云边协同的可疑人员追踪方法。
本发明的有益效果：一种基于云边协同的可疑人员追踪方法、装置、设备及介质，该方法通过获取园区视频数据，对园区视频数据中的待识别人员进行识别，并将识别结果和园区视频数据上传至云边协同平台，若识别出来待识别人员为可疑人员则将带有可疑人员的图像数据发送至园区管理平台，通过在边缘端进行识别，从而防止需要传输大量数据至中心推理平台，占用较高的带宽和计算资源，园区管理平台对带有可疑人员的图像进行特征识别，并将属性数据回传至云边协同平台，云边协同平台将属性数据发送至边缘计算设备，边缘计算设备基于属性数据对可疑人员进行搜索，并将搜索到的带有可疑人员的追踪视频以及拍摄信息，园区管理平台生成可视化轨迹追踪以对可疑人员进行追踪，该方法通过边缘计算，实现本地识别和本地搜索加快了识别的响应速度，减少了带宽的浪费，通过云边协同平台将数据本地化处理，避免大量数据回传带来的带宽浪费和时延，解决了园区可疑人员的识别实时性较差的问题，让园区安全监测由事后追溯、被动防御转换成事前防御、主动服务，更大程度的保证了园区的安全，实现园区的精准管控，基于云边协同实现对园区人员的实时监控以及对可疑人员的快速识别追踪，指导安保及管理人员迅速做出反应，保障园区的财产和人员安全。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
图1是本申请的一示例性实施例示出的一种基于云边协同的可疑人员追踪方法的实施环境示意图；
图2是本申请的一示例性实施例示出的一种基于云边协同的可疑人员追踪方法的流程图；
图3是本申请的一示例性实施例示出的一种基于云边协同的可疑人员追踪装置的框图；
图4是本申请的一示例性实施例示出的电子设备的一种结构示意图。
具体实施方式
以下通过特定的具体实例说明本申请的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。本申请还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本申请的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本申请的基本构想，遂图式中仅显示与本申请中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
需要说明的是，本申请中，“第一”、“第二”等仅为对相似对象的区分，并非是对相似对象的顺序限定或先后次序限定。所描述的“包括”、“具有”等变形，表示该词语的主语所涵盖的范围除该词语所示出的示例外，并不排他。
可以理解的是，在本申请中记载的各种数字编号、步序编号等标号为描述方便进行的区分，并不用来限制本申请的范围。本申请标号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定。
在下文描述中，探讨了大量细节，以提供对本申请实施例的更透彻的解释，然而，对本领域技术人员来说，可以在没有这些具体细节的情况下实施本申请的实施例是显而易见的，在其他实施例中，以方框图的形式而不是以细节的形式来示出公知的结构和设备，以避免使本申请的实施例难以理解。
本申请的实施例分别提出一种基于云边协同的可疑人员追踪方法、一种基于云边协同的可疑人员追踪装置、一种电子设备、一种计算机可读存储介质以及一种计算机程序产品，以下将对这些实施例进行详细描述。
请参阅图1，图1是本申请的一示例性实施例示出的一种基于云边协同的可疑人员追踪方法的实施环境示意图。如图1所示，实施环境可以包括园区摄像头、边缘计算设备、云边协同平台和园区管理平台，其中，园区摄像头用于实时获取园区内的监控视频作为园区视频数据，边缘计算设备可以同时连接多路园区摄像头，同时提供视频监控计算服务，给摄像头带来视频数据分析能力，按照预设的算法模型对视频数据进行识别分析，再把识别结果发送至云边协同平台，云边协同平台用于对预设识别算法、边缘计算设备和园区摄像头进行管理，一方面对边缘计算设备推送的识别结果进行处理，并将相关数据向园区管理平台进行推送，另一方面接收来自园区管理平台的数据并下发至各个边缘计算设备和摄像头，园区管理平台用于对园区的整体管理，一方面针对云边协同品平台推送的图像数据进行特征分析，提取属性数据并回传至云边协同平泰，另一方面接收可疑目标的位置移动信息，与预设园区三维模型进行融合，实现园区可疑人员的可视化轨迹呈现和追踪。
在本申请的一个实施例中，园区摄像头可以为数字枪式摄像机、数字球式摄像机，园区摄像头可以安装在园区主要道路、广场、水域周边、出入口、人流集中场所、室内房间等场所，园区摄像头的安装点位需要覆盖面积大，清晰的显示人体或物体的形体特征等细微的部分，全天候工作，具备超低照度能力。
在本申请的一个实施例中，边缘计算设备可以同时连接多路摄像头，提供视频的识别计算服务，给摄像头数据分析能力，边缘计算设备包括数据传输模块、数据分析模块和基础管理模块，其中，数据传输模块用于与云边协同平台进行数据传输，实现数据协同，数据分析模块用于通过预先设置的识别算法模型对园区摄像头的园区视频数据进行分析计算，基础管理模块用于对边缘计算设备进行功能配置和管理，包含配置云端管理平台地址及通讯密钥，对视频流地址、模型分析、模型固件升级进行本地操作，本地查看模型推理结果数据以及推送状态等基础管理功能。
在本申请的一个实施例中，云边协同平台用于对识别算法模型、边缘计算设备和摄像头进行管理，具体包括数据传输模块、事件中心模块、运营中心模块、基础配置模块和数据存储模块，其中数据传输模块用于与边缘计算设备、园区管理平台进行数据传输，实现数据协同，事件中心模块用于接收来自边缘计算设备的识别分析结果并按照预设的规则进行处理，运营中心模块用于对事件中心的分析结果进行人工审核，对结果进行校对、核验，配置基础模块用于对识别算法、边缘计算设备和摄像头进行管理，包括对图像识别算法模型、园区摄像头、边缘计算设备摄像头的位置信息进行配置，将云边协同平台中的人员目标识别算法与边缘计算设备进行组合、解除组合、对云边协同平台中的边缘计算设备与摄像头进行绑定、配置，对云边协同平台中摄像头已有的算法模型进行分析配置及启停操作，对云边协同平台中现有的算法模型、摄像头、边缘计算设备进行删除和查询等管理配置功能，数据存储模块用于对云边协同平台中的所有数据进行清洗，形成统一的数据标准并存储。
在本申请的一个实施例中，园区管理平台用于实现园区可疑人员的可视化轨迹呈现和追踪，具体包括推理中心模块、可视化模块、后台管理模块、数据传输模块和数据存储模块，其中，推理中心模块用于对接收到的图片数据进行推理得到相应的属性特征，可视化模块用于接收可疑人员的位置移动信息，并与预设园区三维模型进行融合，实现园区可疑人员的可视化轨迹呈现和追踪，同时多方面的收集园区丰富的数据资源，通过三维可视化进行展示监控，辅助相关人员掌控园区运行态势，后台管理模块用于对园区管理平台的基础信息、权限、校色、预设园区三维模型地图、数据接口等基础功能进行管理，数据传输模块用于与云边协同平台进行数据传输，实现数据协同，数据存储模块用于对园区管理平台的所有数据进行清洗形成统一的数据标准并存储。
请参阅图2，图2是本申请的一示例性实施例示出的一种基于云边协同的可疑人员追踪方法的流程图。如图2所示，在一示例性的实施例中，基于云边协同的可疑人员追踪方法至少包括步骤S210至步骤S280，详细介绍如下：
步骤S210，通过园区内的摄像头获取园区视频数据。
在本申请的一个实施例中，在园区的所有重要位置和关卡设立摄像头，实现园区内视界的全覆盖，基于园区内的摄像头获取园区视频数据，在本实施例中园区的摄像头可以安装在园区的主要通道、重要设施、出入口等关键区域。
在本申请的一个实施例中，园区摄像头主要采用数字枪式摄像头、数字球式摄像头，安装在园区主要道路、广场、水域周边、出入口、人流集中场所和室内房间等场所，摄像头需要清晰显示人物或物体的形体特征等细微部分，需要全天候工作，具备超低照度的能力。
步骤S220，基于边缘计算设备对园区视频数据中的待识别人员进行人员面部遮挡识别和人员徘徊识别并将识别结果和园区视频数据上传至云边协同平台。
在本申请的一个实施例中，可疑人员通常故意遮挡面部躲避识别情况，可以通过对人员面部遮挡识别模型进行训练，从而对人员面部遮挡进行识别。
在本申请的一个实施例中，基于边缘计算设备对所述园区视频数据中的待识别人员进行人员面部遮挡识别，还包括：获取人员面部遮挡训练集，人员面部遮挡训练集包括历史园区视频图像和面部遮挡标注；将人员面部遮挡训练集输入至预设机器模型进行训练，得到人员面部遮挡识别模型；基于人员面部遮挡识别模型对所述待识别人员进行人员面部遮挡识别。
在本申请的一个实施例中，根据园区各区域的安全防护等级及重要程度对园区重点区域进行划分，重点区域即为目标区域，目标区域为需要重点监管的区域，在本实施例中一般可以将目标区域设定为：大门及出入口、围墙周边、室外公共区域和机房等，将每个目标区域的摄像头进行组合，以组为单位对识别算法模型进行训练和运用。
在本申请的一个实施例中，使用yolov3模型对监控场景中出现的运动目标进行检测，使用KF Tracker算法对检测出的运动目标进行跟踪，当目标出现徘徊行为时，自动产生报警信号，徘徊标准包括以下三个方面：
待识别人员在目标区域内移动的总距离：设置出待识别人员允许在区域内移动的总距离，然后把待识别人员在每帧图像中移动的路程相加，当累加值超过预设值时则判定为满足徘徊条件；
待识别人员在目标区域内运动的总时间：设置出待识别人员允许在区域内出现的总时间，对待识别人员在区域内移动的时间进行统计，当累加值超过预设值时则判定为满足徘徊条件；
待识别人员在目标区域内进出的次数：设置出待识别人员允许在区域内进出的总次数，对待识别人员在区域内进出的次数进行统计，当累加值超过预设值时则判定为满足徘徊条件。
需要理解的是，yolov3模型是一种目标检测算法，可以对待识别人员进行目标检测，KF Tracker算法是一种基于卡尔曼滤波的目标跟踪算法。它利用前一时刻的状态估计值和当前时刻的观测值来获得动态系统当前时刻状态变量的最优估计，包括预报和分析两个步骤。这种方法可以用于任何包含未知信息的动态系统，自适地预测系统下一步的状态。
在本申请的一个实施例中，基于边缘计算设备对所述园区视频数据中的待识别人员进行人员徘徊识别包括：基于园区内各区域的安全防护等级将园区划分为目标区域和非目标区域，目标区域为安全防护等级大于预设等级的区域；通过目标跟踪算法对目标区域内和目标区域附近的园区视频数据中待识别人员的运动进行跟踪识别，得到待识别人员在目标区域中的移动距离、在目标区域中的移动时间和进出所述目标区域的次数；若待识别人员在目标区域中的移动距离大于预设距离阈值，则待识别人员的人员徘徊识别的识别结果为有徘徊；若待识别人员在目标区域中的移动时间大于预设时间阈值，则待识别人员的所述人员徘徊识别的识别结果为有徘徊；若待识别人员进出所述目标区域的次数大于预设次数阈值，则待识别人员的人员徘徊识别的识别结果为有徘徊。
步骤S230，若园区视频数据中存在待识别人员和人员面部遮挡识别的识别结果为有遮挡，且待识别人员的人员徘徊识别的识别结果为有徘徊，则将待识别人员确定为可疑人员。
在本申请的一个实施例中，基于边缘计算设备对所述园区视频数据中的待识别人员进行人员面部遮挡识别和人员徘徊识别并将识别结果和所述园区视频数据上传至云边协同平台之后，还包括：若待识别人员的人员面部遮挡识别的识别结果为有遮挡，且待识别人员的人员徘徊识别的识别结果为有徘徊，则将待识别人员确定为可疑人员；若待识别人员的人员面部遮挡识别的识别结果为无遮挡，且待识别人员的人员徘徊识别的识别结果为无徘徊，则将待识别人员确定为正常人员；若待识别人员的所述人员面部遮挡识别的识别结果为有遮挡，且待识别人员的人员徘徊识别的识别结果为无徘徊，则将待识别人员确定为遮挡人员；若待识别人员的人员面部遮挡识别的识别结果为无遮挡，且待识别人员的人员徘徊识别的识别结果为有徘徊，则将待识别人员确定为徘徊人员。
在本申请的一个实施例中，若确定该待识别人员为徘徊人员或遮挡人员，则将带有该待识别人员的视频数据上传至云边协同平台，基于相关人员的审核判断该待识别人员是否为可疑人员，若判断为可疑人员则基于对可疑人员的行为追踪方法对该可疑人员进行追踪监控。
步骤S240，云边协同平台基于园区视频数据得到带有可疑人员的图像数据，并将图像数据发送至园区管理平台，园区管理平台对带有可疑人员的图像数据进行特征属性识别得到可疑人员的属性数据，并将属性数据回传至云边协同平台。
在本申请的一个实施例中，属性数据至少包括性别、体型、发型发色、上衣颜色款式、下装颜色款式、是否佩戴眼镜、是否戴帽子、是否背物及背何物、是否怀抱物及怀抱何物以及是否手持物及手持何物。
在本申请的一个实施例中，园区管理平台对带有可疑人员的图像数据进行特征属性识别得到可疑人员的属性数据包括，首先对图像数据进行预处理，包括图像清洗、去噪和增强等操作，以便于后续的特征提取和属性识别，从处理后的图像数据中提出可疑人员相关的特征，这些特征可以包括人员的面部特征、服装特征和姿态特征，通过人工智能模型对提取出的特征进行分类和识别，从而得到可疑人员的属性数据，包括人员的性别、体形、年龄、着装等。
步骤S250，云边协同平台将属性数据下发至各个边缘计算设备，边缘计算设备基于属性数据通过各个摄像头上传的视频数据对可疑人员进行搜索。
在本申请的一个实施例中，边缘计算设备基于属性数据通过各个摄像头上传的视频数据对所述可疑人员进行搜索包括：提取各个摄像头一周内上传的历史视频数据；基于行人重识别算法和属性数据在历史视频数据中对可疑人员进行识别，得到带有可疑人员的追踪视频。
在本申请的一个实施例中，边缘计算设备从各个摄像头收集上传的历史视频数据，对历史视频数据进行预处理，包括视频解码和图像提取等，以便于后续的特征提取和属性识别，从历史视频数据中提取出与可疑人员相关的特征，这些特征可以包括人员的面部特征、服装特征和姿态特征，将从历史视频中识别到的特征与属性数据进行比对，寻找匹配的可疑人员，同时对视频数据的分析获取可疑人员的行为模式和轨迹，进一步的缩小搜索范围。
步骤S260，若搜索到带有可疑人员的追踪视频，边缘计算设备记录下带有可疑人员的追踪视频的拍摄时间、拍摄位置和追踪视频，并将拍摄时间、拍摄位置和追踪视频上传至云边协同平台。
在本申请的一个实施例中，若检测到可疑人员之后，将检测到可疑人员出现的拍摄时间、拍摄位置和带有可疑人员的追踪视频上传至云边协同平台，进而对可疑人员的行动轨迹进行追踪。
步骤S270，云边协同平台基于拍摄时间、拍摄位置和追踪视频得到可疑人员的移动轨迹和人员位置，将移动轨迹和人员位置发送至园区管理平台。
在本申请的一个实施例中，云边协同平台从各个摄像头收集拍摄时间、拍摄位置和追踪视频等数据，云边协同平台对收集到的数据进行处理和分析，包括数据清洗和格式转换等操作，对处理后的数据进行提取和识别得到可疑人员的移动轨迹和位置信息，将移动轨迹和人员位置发送至园区管理平台。
步骤S280，园区管理平台基于移动轨迹、人员位置和预设园区三维模型实现可疑人员的可视化轨迹追踪，对可疑人员进行追踪。
在本申请的一个实施例中，园区管理平台基于移动轨迹、人员位置和预设园区三维模型实现可疑人员的可视化轨迹追踪，以对可疑人员进行追踪包括：将人员位置和移动轨迹基于时间顺序进行标注和连接得到可疑人员行动轨迹；基于预设园区三维模型和行动轨迹形成追踪可视化视频，在追踪可视化视频中对可疑人员进行高亮处理。
在本申请的一个实施例中，园区管理平台通过接收到的可疑人员移动轨迹和人员位置信息，将其与预设的园区三维模型进行匹配和转换，将数据转换为可视化的形式，利用三维图形渲染技术，在园区三维模型上生成可疑人员的可视化轨迹，这些轨迹可以包括人员的移动轨迹、行动方向、移动速度等信息，以直观的方式展现可疑人员在园区的活动情况。
在本申请的一个实施例中，根据可视化轨迹，园区管理平台可以对可疑人员进行实时追踪，例如通过分析人员的移动路径和行动规律，可以预测可疑人员可能的行动方向，并在三维模型上实时更新可疑人员的当前位置和行动轨迹，当可疑人员的轨迹出现异常或触发预设的报警条件时，园区管理平台可以自动发出警报通知，提示相关人员采取管控措施，预设的报警条件为当可疑人员进去禁止进入区域或长时间停留在同一个区域的时候，可以触发警报并通知相关人员进行调查和处理。
请参阅图3，图3是本申请的一示例性实施例示出的一种基于云边协同的可疑人员追踪装置的框图。该装置可以应用于图1所示的实施环境，该装置也可以适用于其它的示例性实施环境，并具体配置在其它设备中，本实施例不对该装置所适用的实施环境进行限制。
如图3所示，该示例性的基于云边协同的可疑人员追踪装置包括视频获取模块301、边缘识别模块302、可疑人员确定模块303、属性数据确定模块304、边缘搜索模块305、追踪上传模块306、追踪发送模块307和可视化追踪模块308。
视频获取模块301，用于通过园区内的摄像头获取园区视频数据；
边缘识别模块302，用于基于边缘计算设备对园区视频数据中的待识别人员进行人员面部遮挡识别和人员徘徊识别并将识别结果和园区视频数据上传至云边协同平台；
可疑人员确定模块303，用于若园区视频数据中存在待识别人员的人员面部遮挡识别的识别结果为有遮挡，且待识别人员的人员徘徊识别的识别结果为有徘徊，则将待识别人员确定为可疑人员；
属性数据确定模块304，用于云边协同平台基于园区视频数据得到带有可疑人员的图像数据，并对图像数据中的可疑人员进行特征属性识别得到可疑人员的属性数据；
边缘搜索模块305，用于云边协同平台将属性数据下发至各个边缘计算设备，边缘计算设备基于属性数据通过各个摄像头上传的视频数据对可疑人员进行搜索；
追踪上传模块306，用于若搜索到带有可疑人员的追踪视频，边缘计算设备记录下带有可疑人员的追踪视频的拍摄时间、拍摄位置和所述追踪视频，并将拍摄时间、拍摄位置和追踪视频上传至云边协同平台；
追踪发送模块307，用于云边协同平台基于拍摄时间、拍摄位置和追踪视频得到可疑人员的移动轨迹和人员位置，并将移动轨迹和人员位置发送至园区管理平台；
可视化追踪模块308，用于园区管理平台基于移动轨迹、人员位置和预设园区三维模型实现可疑人员的可视化轨迹追踪，以对可疑人员进行追踪。
图4示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。需要说明的是，图4示出的电子设备的计算机系统400仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图4所示，计算机系统400包括中央处理单元(Central Processing Unit，CPU)401，其可以根据存储在只读存储器(Read-Only Memory，ROM)402中的程序或者从储存部分408加载到随机访问存储器(Random Access Memory，RAM)403中的程序而执行各种适当的动作和处理，例如执行上述实施例中所述的方法。在RAM 403中，还存储有系统操作所需的各种程序和数据。CPU 401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(Input/Output，I/O)接口405也连接至总线404。
以下部件连接至I/O接口405：包括键盘、鼠标等的输入部分406；包括诸如阴极射线管(Cathode Ray Tube，CRT)、液晶显示器(Liquid Crystal Display，LCD)等以及扬声器等的输出部分407；包括硬盘等的储存部分408；以及包括诸如LAN(Local Area Network，局域网)卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器410上，以便于从其上读出的计算机程序根据需要被安装入储存部分408。
特别地，根据本申请的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中，该计算机程序可以通过通信部分409从网络上被下载和安装，和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元(CPU)401执行时，执行本申请的系统中限定的各种功能。
需要说明的是，本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
本申请的另一方面还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被计算机的处理器执行时，使计算机执行如前所述的基于云边协同的可疑人员追踪方法。该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的，也可以是单独存在，而未装配入该电子设备中。
本申请的另一方面还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各个实施例中提供的基于云边协同的可疑人员追踪方法。
上述实施例仅示例性说明本申请的原理及其功效，而非用于限制本申请。任何熟悉此技术的人士皆可在不违背本申请的精神及范畴下，对上述实施例进行修饰或改变。因此，但凡所属技术领域中具有通常知识者在未脱离本申请所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本申请的权利要求所涵盖。

Claims (10)

1.一种基于云边协同的可疑人员追踪方法，其特征在于，所述基于云边协同的可疑人员追踪方法包括：
通过园区内的摄像头获取园区视频数据；
基于边缘计算设备对所述园区视频数据中的待识别人员进行人员面部遮挡识别和人员徘徊识别并将识别结果和所述园区视频数据上传至云边协同平台；
若所述园区视频数据中存在所述待识别人员的所述人员面部遮挡识别的识别结果为有遮挡，且所述待识别人员的所述人员徘徊识别的识别结果为有徘徊，则将所述待识别人员确定为可疑人员；
所述云边协同平台基于所述园区视频数据得到带有所述可疑人员的图像数据，并将所述图像数据发送至园区管理平台，所述园区管理平台对带有所述可疑人员的所述图像数据进行特征属性识别得到所述可疑人员的属性数据，并将所述属性数据回传至所述云边协同平台；
所述云边协同平台将所述属性数据下发至各个所述边缘计算设备，所述边缘计算设备基于所述属性数据通过各个所述摄像头上传的视频数据对所述可疑人员进行搜索；
若搜索到带有所述可疑人员的追踪视频，所述边缘计算设备记录下带有所述可疑人员的追踪视频的拍摄时间、拍摄位置和所述追踪视频，并将所述拍摄时间、拍摄位置和所述追踪视频上传至所述云边协同平台；
所述云边协同平台基于所述拍摄时间、拍摄位置和所述追踪视频得到所述可疑人员的移动轨迹和人员位置，并将所述移动轨迹和所述人员位置发送至所述园区管理平台；
所述园区管理平台基于所述移动轨迹、所述人员位置和预设园区三维模型实现所述可疑人员的可视化轨迹追踪，以对所述可疑人员进行追踪。
2.根据权利要求1中所述的基于云边协同的可疑人员追踪方法，其特征在于，基于边缘计算设备对所述园区视频数据中的待识别人员进行人员面部遮挡识别，还包括：
获取人员面部遮挡训练集，所述人员面部遮挡训练集包括历史园区视频图像和面部遮挡标注；
将所述人员面部遮挡训练集输入至预设机器模型进行训练，得到人员面部遮挡识别模型；
基于所述人员面部遮挡识别模型对所述待识别人员进行人员面部遮挡识别。
3.根据权利要求1中所述的基于云边协同的可疑人员追踪方法，其特征在于，基于边缘计算设备对所述园区视频数据中的待识别人员进行人员徘徊识别包括：
基于园区内各区域的安全防护等级将所述园区划分为目标区域和非目标区域，所述目标区域为所述安全防护等级大于预设等级的区域；
通过目标跟踪算法对所述目标区域内和所述目标区域附近的所述园区视频数据中待识别人员的运动进行跟踪识别，得到所述待识别人员在所述目标区域中的移动距离、在所述目标区域中的移动时间和进出所述目标区域的次数；
若所述待识别人员在所述目标区域中的移动距离大于预设距离阈值，则所述待识别人员的所述人员徘徊识别的识别结果为有徘徊；
若所述待识别人员在所述目标区域中的移动时间大于预设时间阈值，则所述待识别人员的所述人员徘徊识别的识别结果为有徘徊；
若所述待识别人员进出所述目标区域的次数大于预设次数阈值，则所述待识别人员的所述人员徘徊识别的识别结果为有徘徊。
4.根据权利要求1中所述的基于云边协同的可疑人员追踪方法，其特征在于，所述属性数据至少包括性别、体型、发型发色、上衣颜色款式、下装颜色款式、是否佩戴眼镜、是否戴帽子、是否背物及背何物、是否怀抱物及怀抱何物以及是否手持物及手持何物。
5.根据权利要求1中所述的基于云边协同的可疑人员追踪方法，其特征在于，所述边缘计算设备基于所述属性数据通过各个所述摄像头上传的视频数据对所述可疑人员进行搜索包括：
提取各个所述摄像头一周内上传的历史视频数据；
基于行人重识别算法和所述属性数据在所述历史视频数据中对所述可疑人员进行识别，得到带有所述可疑人员的追踪视频。
6.根据权利要求1中所述的基于云边协同的可疑人员追踪方法，其特征在于，所述园区管理平台基于所述移动轨迹、所述人员位置和预设园区三维模型实现所述可疑人员的可视化轨迹追踪，以对所述可疑人员进行追踪包括：
将所述人员位置和所述移动轨迹基于时间顺序进行标注和连接得到所述可疑人员行动轨迹；
基于所述预设园区三维模型和所述行动轨迹形成追踪可视化视频，在所述追踪可视化视频中对所述可疑人员进行高亮处理。
7.根据权利要求1中所述的基于云边协同的可疑人员追踪方法，其特征在于，基于边缘计算设备对所述园区视频数据中的待识别人员进行人员面部遮挡识别和人员徘徊识别并将识别结果和所述园区视频数据上传至云边协同平台之后，还包括：
若所述待识别人员的所述人员面部遮挡识别的识别结果为有遮挡，且所述待识别人员的所述人员徘徊识别的识别结果为有徘徊，则将所述待识别人员确定为可疑人员；
若所述待识别人员的所述人员面部遮挡识别的识别结果为无遮挡，且所述待识别人员的所述人员徘徊识别的识别结果为无徘徊，则将所述待识别人员确定为正常人员；
若所述待识别人员的所述人员面部遮挡识别的识别结果为有遮挡，且所述待识别人员的所述人员徘徊识别的识别结果为无徘徊，则将所述待识别人员确定为遮挡人员；
若所述待识别人员的所述人员面部遮挡识别的识别结果为无遮挡，且所述待识别人员的所述人员徘徊识别的识别结果为有徘徊，则将所述待识别人员确定为徘徊人员。
8.一种基于云边协同的可疑人员追踪装置，其特征在于，所述基于云边协同的可疑人员追踪装置包括：
视频获取模块，用于通过园区内的摄像头获取园区视频数据；
边缘识别模块，用于基于边缘计算设备对所述园区视频数据中的待识别人员进行人员面部遮挡识别和人员徘徊识别并将识别结果和所述园区视频数据上传至云边协同平台；
可疑人员确定模块，用于若所述园区视频数据中存在所述待识别人员的所述人员面部遮挡识别的识别结果为有遮挡，且所述待识别人员的所述人员徘徊识别的识别结果为有徘徊，则将所述待识别人员确定为可疑人员；
属性数据确定模块，用于所述云边协同平台基于所述园区视频数据得到带有所述可疑人员的图像数据，并将所述图像数据发送至园区管理平台，所述园区管理平台对带有所述可疑人员的所述图像数据进行特征属性识别得到所述可疑人员的属性数据，并将所述属性数据回传至所述云边协同平台；
边缘搜索模块，用于所述云边协同平台将所述属性数据下发至各个所述边缘计算设备，所述边缘计算设备基于所述属性数据通过各个所述摄像头上传的视频数据对所述可疑人员进行搜索；
追踪上传模块，用于若搜索到带有所述可疑人员的追踪视频，所述边缘计算设备记录下带有所述可疑人员的追踪视频的拍摄时间、拍摄位置和所述追踪视频，并将所述拍摄时间、拍摄位置和所述追踪视频上传至所述云边协同平台；
追踪发送模块，用于所述云边协同平台基于所述拍摄时间、拍摄位置和所述追踪视频得到所述可疑人员的移动轨迹和人员位置，并将所述移动轨迹和所述人员位置发送至所述园区管理平台；
可视化追踪模块，用于所述园区管理平台基于所述移动轨迹、所述人员位置和预设园区三维模型实现所述可疑人员的可视化轨迹追踪，以对所述可疑人员进行追踪。
9.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述电子设备实现如权利要求1-7中任一项所述的基于云边协同的可疑人员追踪方法。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，当所述计算机程序被计算机的处理器执行时，使计算机执行如权利要求1-7中任一项所述的基于云边协同的可疑人员追踪方法。
CN202311663758.9A 2023-12-05 2023-12-05 基于云边协同的可疑人员追踪方法、装置、设备及介质 Pending CN117649428A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311663758.9A CN117649428A (zh) 2023-12-05 2023-12-05 基于云边协同的可疑人员追踪方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311663758.9A CN117649428A (zh) 2023-12-05 2023-12-05 基于云边协同的可疑人员追踪方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN117649428A true CN117649428A (zh) 2024-03-05

Family

ID=90049206

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311663758.9A Pending CN117649428A (zh) 2023-12-05 2023-12-05 基于云边协同的可疑人员追踪方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN117649428A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118137494A (zh) * 2024-04-30 2024-06-04 山东浪潮智慧建筑科技有限公司 一种基于边缘计算的园区能源管理方法、设备及介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118137494A (zh) * 2024-04-30 2024-06-04 山东浪潮智慧建筑科技有限公司 一种基于边缘计算的园区能源管理方法、设备及介质

Similar Documents

Publication Publication Date Title
CN104303193B (zh) 基于聚类的目标分类
CN113326719A (zh) 一种用于目标追踪的方法、设备及系统
JP2020149704A (ja) ビデオデータを用いた活動モニタリングのためのシステム及び方法
CN111860318A (zh) 一种建筑工地行人徘徊检测方法、装置、设备及存储介质
CN117649428A (zh) 基于云边协同的可疑人员追踪方法、装置、设备及介质
CN110659391A (zh) 一种视频侦查方法及装置
CN109934074B (zh) 行动轨迹确定方法及装置
CN113378616A (zh) 视频分析方法、视频分析的管理方法及相关设备
CN109872541A (zh) 一种车辆信息分析方法及装置
CN102902960A (zh) 基于高斯建模与目标轮廓的遗留物检测方法
CN111666821A (zh) 人员聚集的检测方法、装置及设备
CN111814510A (zh) 一种遗留物主体检测方法及装置
CN113592785A (zh) 一种目标流量统计方法及装置
Bui et al. Video-based traffic flow analysis for turning volume estimation at signalized intersections
WO2024013729A2 (en) A system based on ai and crowd dynamics invented to improve safety and efficiency while traveling in groups or clusters during crowded events like hajj and umrah
CN115311591A (zh) 异常行为的预警方法、装置及智能摄像头
Nayak et al. Deep learning based loitering detection system using multi-camera video surveillance network
CN113469080B (zh) 一种个体、群体、场景交互协同感知方法、系统及设备
CN106412507A (zh) 人员流量的智能监控方法和系统
KR20170095599A (ko) 동영상 검색 시스템 및 그 방법
Satybaldina et al. Development of an algorithm for abnormal human behavior detection in intelligent video surveillance system
Nazarkevych et al. A YOLO-based Method for Object Contour Detection and Recognition in Video Sequences.
Blauensteiner et al. A socio-technical approach for event detection in security critical infrastructure
KR20220031258A (ko) 상담 이벤트에 대응되는 학습 데이터 기반 능동형 보안관제 서비스 제공 방법
CN115546737B (zh) 一种机房监控方法

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