徘徊事件时空大数据分析的异常行为预警方法及系统技术方案

本发明专利技术提供一种徘徊事件时空大数据分析的异常行为预警方法及系统，根据监控点部署的智能监控摄像头发出的徘徊行为报警信息，建立报警大数据事件库，进而开展单点报警事件实时和历史大数据的关联分析、多监控点报警事件间的时空大数据关联分析，深度挖掘报警事件所隐含的盗抢犯罪行为的风险等级。为便于准确识别不同次徘徊踩点行为是否是同一个或同一伙人所为，本发明专利技术特别给出一种徘徊行人重检算法。本发明专利技术在不额外增加监控系统硬件成本的前提下，克服了单个智能摄像头单次报警信息不足以作为预警依据的缺陷，有效提升了智能监控系统的效能。

【技术实现步骤摘要】

本专利技术属于时空大数据分析
，具体涉及基于徘徊事件时空大数据关联分析的异常行为预警技术方案。
技术介绍
以银行及其营业网点、ATM机等金融场所或取款人为犯罪目标的暴力抢劫案件，如轰动全国的周克华案、2011年在湖北省武汉市制造“12·1”建行爆炸案的王海剑案。这类盗抢犯罪有一个共同的特征，犯罪分子在作案之前一般要实施现场侦察，也即所谓的踩点，例如周克华案中，每次抢劫前均要进行周密的踩点来规划犯罪时机和逃逸路线，最长的一次踩点过程历时3小时。犯罪分子踩点的行为特征是，在目标场所外做一些看似无目的的徘徊、逗留，或者反复进出营业场所内部而不办理任何业务。为了遏制和打击犯罪、减少金融风险，银行等重要地点和营业场都安装了视频监控系统，实现监控音、视频资料的录像保存，便于异常事件发生时的案件侦破。部分银行还安装了智能监控摄像头，现有的主流智能监控摄像头产品大多具有针对银行这类特殊场所徘徊行为的警示功能。然而，智能摄像头只能就单个徘徊事件进行检测和告警，不能建立多个徘徊事件间的时空关联关系。单凭一次检测结果就做出可疑行为的判断非常不可信，例如，银行外偶尔的徘徊可能是正常的等人行为，将多次、重复的或长时徘徊动作判别为可疑行为才符合逻辑。对犯罪分子这种规律性踩点行为的发现，涉及到单点监控报警事件的时域大数据关联分析以及多点事件间的时空大数据关联分析。因此，有必要对前端智能摄像头检测的报警事件作进一步的深度分析，挖掘事件发生的规律性模式，如反复出现的频繁模式、间隔性出现的周期模式、同时出现的同位模式，排除个别误检事件的干扰，形成真正有价值的预警信息。但目前尚未有相关适合实用的解决方案出现。
技术实现思路
针对现有技术不足，本专利技术提供一种基于徘徊事件时空大数据关联分析的异常行为预警方法及系统。本专利技术的技术方案提供一种徘徊事件时空大数据分析的异常行为预警方法，包括建立报警大数据事件库，基于报警大数据事件库进行单点历史大数据关联分析和多点时空大数据关联分析，所述报警大数据事件库，用于记录已经筛选出的徘徊事件；所述单点历史大数据关联分析，包括当某监控点检测到徘徊行为发生时，立刻启动与报警大数据事件库中相应历史记录的关联分析，当同一场所先后监视到的徘徊行为呈现出如下特点之一，判断为高作案风险事件，一、短期内反复出现徘徊；二、单次徘徊时间过长；三、前后徘徊中存在相同人，相同身份的确认通过徘徊行人重检过程实现；所述多点时空大数据关联分析，包括基于报警大数据事件库，发现出现在多处监控点的徘徊行为的时空重现规律，当不同场所分别监视到的徘徊行为呈现出如下特点之一，判断为高作案风险事件，一、多处同时出现徘徊；二、短期内多处出现徘徊；三、短期内多处频发徘徊；四、多处徘徊中出现相同人，相同身份的确认通过徘徊行人重检过程实现；所述徘徊行人重检过程分为训练过程和测试过程，在训练过程中，首先对训练数据进行基于块的特征提取，并通过K-means方式进行聚类，然后对每类数据进行基于随机采样的尺度学习，得到每类数据对应的马氏距离函数；所述基于随机采样的尺度学习的实现如下，设训练数据集为DTraining，其中包括多个行人样本对，每个行人样本对包括一个行人在两个摄像头下的样本，通过聚类，训练数据集DTraining中数据被分成了K类，记为其中，指第k类数据，K为类别数目；对于寻找其类中心xk相邻的数据构成的邻域数据集且在中进行N次随机采样，综合N次的采样结果得到数据集其中，表示第n次采样结果；在数据集上进行Mahal尺度学习，实现如下，给定行人样本对x＝(xa,xb)，xa和xb分别是来自不同摄像头下的行人图像，设S表示事件“xa和xb是同一行人”，记为xa,xb∈S，D表示“事件xa和xb是不同行人”，记为xa,xb∈D，尺度学习过程采用下式其中，表示马氏距离的平方；上述过程学习得到马氏距离函数的半正定矩阵参数，记为M(k′)；在使用上式对第k类数据进行尺度学习时，设其正定矩阵参数M(k)的初始值为M(k′)，每学习一个行人数据，更新之前的M值如下，M(k)←M(k′)+M(k)最终得到马氏距离函数M(k)，k＝1,...,K；在测试过程中，首先根据马氏距离函数M(k)在训练数据中查找查询行人的近邻行人，然后根据这些近邻行人所属类别进行类别投票，选择多数近邻行人所在类别对应的马氏距离函数进行距离度量。而且，在训练数据中查找查询行人的近邻行人，实现方式如下，设每类数据学习得到马氏距离函数M(k)，k＝1,...,K，训练数据中每个行人xi在两个摄像头下的样本对为xi＝(xi,1,xi,2)，该行人的特征值表达如下，计算查询行人p与xi的距离如下，把距离最近的n个行人作为查询行人p的近邻行人。而且，所述徘徊行人重检过程，基于记录的快照视频而非完整录像视频执行。本专利技术提供一种徘徊事件时空大数据分析的异常行为预警系统，包括报警大数据事件库模块、单点历史大数据关联分析模块和多点时空大数据关联分析模块，所述报警大数据事件库模块，用于记录已经筛选出的徘徊事件；所述单点历史大数据关联分析模块，用于当某监控点检测到徘徊行为发生时，立刻启动与报警大数据事件库中相应历史记录的关联分析，当同一场所先后监视到的徘徊行为呈现出如下特点之一，判断为高作案风险事件，一、短期内反复出现徘徊；二、单次徘徊时间过长；三、前后徘徊中存在相同人，相同身份的确认通过徘徊行人重检过程实现；所述多点时空大数据关联分析模块，用于基于报警大数据事件库，发现出现在多处监控点的徘徊行为的时空重现规律，当不同场所分别监视到的徘徊行为呈现出如下特点之一，判断为高作案风险事件，一、多处同时出现徘徊；二、短期内多处出现徘徊；三、短期内多处频发徘徊；四、多处徘徊中出现相同人，相同身份的确认通过徘徊行人重检过程实现；所述徘徊行人重检过程分为训练过程和测试过程，在训练过程中，首先对训练数据进行基于块的特征提取，并通过K-means方式进行聚类，然后对每类数据进行基于随机采样的尺度学习，得到每类数据对应的马氏距离函数；所述基于随机采样的尺度学习的实现如下，设训练数据集为DTraining，其中包括多个行人样本对，每个行人样本对包括一个行人在两个摄像头下的样本，通过聚类，训练数据集DTraining中数据被分成了K类，记为其中，指第k类数据，K为类别数目；对于寻找其类中心xk相邻的数据构成的邻域数据集且在中进行N次随机采样，综合N次的采样结果得到数据集其中，表示第n次采样结果；在数据集上进行Mahal尺度学习，实现如下，给定行人样本对x＝(xa,xb)，xa和xb分别是来自不同摄像头下的行人图像，设S表示事件“xa和xb是同一行人”，记为xa,xb∈S，D表示“事件xa和xb是不同行本文档来自技高网...

【技术保护点】
一种徘徊事件时空大数据分析的异常行为预警方法，其特征在于：包括建立报警大数据事件库，基于报警大数据事件库进行单点历史大数据关联分析和多点时空大数据关联分析，所述报警大数据事件库，用于记录已经筛选出的徘徊事件；所述单点历史大数据关联分析，包括当某监控点检测到徘徊行为发生时，立刻启动与报警大数据事件库中相应历史记录的关联分析，当同一场所先后监视到的徘徊行为呈现出如下特点之一，判断为高作案风险事件，一、短期内反复出现徘徊；二、单次徘徊时间过长；三、前后徘徊中存在相同人，相同身份的确认通过徘徊行人重检过程实现；所述多点时空大数据关联分析，包括基于报警大数据事件库，发现出现在多处监控点的徘徊行为的时空重现规律，当不同场所分别监视到的徘徊行为呈现出如下特点之一，判断为高作案风险事件，一、多处同时出现徘徊；二、短期内多处出现徘徊；三、短期内多处频发徘徊；四、多处徘徊中出现相同人，相同身份的确认通过徘徊行人重检过程实现；所述徘徊行人重检过程分为训练过程和测试过程，在训练过程中，首先对训练数据进行基于块的特征提取，并通过K‑means方式进行聚类，然后对每类数据进行基于随机采样的尺度学习，得到每类数据对应的马氏距离函数；所述基于随机采样的尺度学习的实现如下，设训练数据集为DTraining，其中包括多个行人样本对，每个行人样本对包括一个行人在两个摄像头下的样本，通过聚类，训练数据集DTraining中数据被分成了K类，记为DTraining={DTraining(k)|k=1,...,K}]]>其中，指第k类数据，K为类别数目；对于寻找其类中心xk相邻的数据构成的邻域数据集且DTraining(k)⋐DTraining(kneighbor)⋐DTraining]]>在中进行N次随机采样，综合N次的采样结果得到数据集DTraining(k′)=Σn=1NSamplingn(DTraining(kneighbor))]]>其中，表示第n次采样结果；在数据集上进行Mahal尺度学习，实现如下，给定行人样本对x＝(xa,xb)，xa和xb分别是来自不同摄像头下的行人图像，设S表示事件“xa和xb是同一行人”，记为xa,xb∈S，D表示“事件xa和xb是不同行人”，记为xa,xb∈D，尺度学习过程采用下式minMΣxa,xb∈S||xa-xb||M2-Σxa,xb∈D||xa-xb||M2]]>其中，表示马氏距离的平方；上述过程学习得到马氏距离函数的半正定矩阵参数，记为M(k′)；在使用上式对第k类数据进行尺度学习时，设其正定矩阵参数M(k)的初始值为M(k′)，每学习一个行人数据，更新之前的M值如下，M(k)←M(k′)+M(k)最终得到马氏距离函数M(k)，k＝1,...,K；在测试过程中，首先根据马氏距离函数M(k)在训练数据中查找查询行人的近邻行人，然后根据这些近邻行人所属类别进行类别投票，选择多数近邻行人所在类别对应的马氏距离函数进行距离度量。...

【技术特征摘要】
1.一种徘徊事件时空大数据分析的异常行为预警方法，其特征在于：包括建立报警大数据事
件库，基于报警大数据事件库进行单点历史大数据关联分析和多点时空大数据关联分析，
所述报警大数据事件库，用于记录已经筛选出的徘徊事件；
所述单点历史大数据关联分析，包括当某监控点检测到徘徊行为发生时，立刻启动与报
警大数据事件库中相应历史记录的关联分析，当同一场所先后监视到的徘徊行为呈现出如下
特点之一，判断为高作案风险事件，
一、短期内反复出现徘徊；
二、单次徘徊时间过长；
三、前后徘徊中存在相同人，相同身份的确认通过徘徊行人重检过程实现；
所述多点时空大数据关联分析，包括基于报警大数据事件库，发现出现在多处监控点的
徘徊行为的时空重现规律，当不同场所分别监视到的徘徊行为呈现出如下特...

【专利技术属性】
技术研发人员：邵振峰，蔡家骏，王中元，杨珂，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北;42