基于路径轨迹数据异常检测方法、系统、设备及存储介质技术方案

本发明专利技术提供一种基于路径轨迹数据异常检测方法、系统、设备及存储介质，该方法包括：获取视频图像中行人的路径轨迹；提取所述行人的路径轨迹所对应的特征点，将其分成不同类型的监控人群；基于神经网络采用预先标定的不同类型的监控人群的路径轨迹作为训练集来拟合参数进行训练得到检测模型；调用所述检测模型检测所述视频图像中行人的路径轨迹，检测其为是否为正常人员。以不同种类的监控人群为训练集利用深度神经网络通过无监督与有监督相结合的方式训练检测模型，提高了训练与预测的准确度；使其能够根据行人的路径轨迹自动发现非正常人员，以预警方式协助工作人员开展安防监控。

Anomaly Detection Method, System, Equipment and Storage Media Based on Path Trajectory Data

The invention provides an anomaly detection method, system, equipment and storage medium based on path trajectory data. The method includes: acquiring the path trajectory of pedestrians in video images; extracting the characteristic points corresponding to the path trajectory of the pedestrians, and dividing them into different types of monitoring groups; and adopting the pre-calibrated path trajectories of different types of monitoring groups as the path trajectories based on the neural network. The training set is used to fit the parameters and train to get the detection model. The detection model is used to detect the pedestrian's path in the video image and to detect whether it is a normal person or not. Using different types of surveillance crowd as training set and using deep neural network to train detection model by combining unsupervised and supervised methods, the accuracy of training and prediction is improved, which can automatically detect abnormal people according to the path of pedestrians, and assist staff in security monitoring by early warning.

【技术实现步骤摘要】
基于路径轨迹数据异常检测方法、系统、设备及存储介质
本专利技术涉及图像处理
，特别是涉及一种基于路径轨迹数据异常检测方法、系统、设备及存储介质。
技术介绍
科学技术的进步为人们带来了长足的方便，一切科技的进步都源于人类美好的愿景；尤其进入信息时代后，只有想不到没有做不到的事情，人们通过自身的智慧不断的突破各个领域的难题，使生活日新月异。顾名思义，信息时代即以计算机技术为主体的时代，通过计算机技术的运用，人们生活产生了翻天覆地的变化，比如通过计算机技术实现了：平安城市“天网”监控建设、智能家电控制、智能门禁控制等。在近十年，各地平安城市“天网”监控项目投入巨额资金，建设了大量的治安监控摄像机，截止到今天，我们所处的城市中已经遍布“天网”监控摄像机，存储了大量安防数据。然而，从治安监控的角度来讲，依然没有解决在监控辖区内的活动范围与数量实现实时监控，及时发现异常，发出警报以预警，而如何利用好这些监控资源，用什么技术和方法来发现监控辖区内出现的人群(行人)活动异常，如何及时预警，依然是一个亟待解决的难题。
技术实现思路
鉴于以上所述现有技术的缺点，本专利技术的目的在于提供一种基于路径轨迹数据异常检测方法、系统、设备及存储介质，用于解决现有技术中无法从视频监控中检测到行人的运动轨迹是否异常的问题。为实现上述目的及其他相关目的，本专利技术提供一种基于路径轨迹数据异常检测方法，包括：获取视频图像中行人的路径轨迹；提取所述行人的路径轨迹所对应的特征点，将其分成不同类型的监控人群；基于神经网络采用预先标定的不同类型的监控人群的路径轨迹作为训练集来拟合参数进行训练得到检测模型；调用所述检测模型检测所述视频图像中行人的路径轨迹，检测其为是否为正常人员。本专利技术的另一目的在于提供一种基于路径轨迹数据异常检测系统，包括：轨迹获取模块，用于获取视频图像中行人的路径轨迹；特征提取模块，用于提取所述行人的路径轨迹所对应的特征点，将其分成不同类型的监控人群；模型训练模块，用于基于神经网络采用预先标定的不同类型的监控人群的路径轨迹作为训练集来拟合参数进行训练得到检测模型；检测模块，用于调用所述检测模型检测所述视频图像中行人的路径轨迹，检测其为是否为正常人员。于本专利技术的另一目的在于提供一种计算设备，包括：一个或多个处理器；和存储器；一个或多个程序，其中所述一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行上述方法中的任一方法的指令。本专利技术还有一目的在于存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当计算设备执行时，使得所述计算设备执行上述的方法中的任一方法。如上所述，本专利技术的基于路径轨迹数据异常检测方法、系统、设备及存储介质，具有以下有益效果：通过大量视频监控中行人的路径轨迹进行分析，提取各个所述行人的路径轨迹对应特征点，按其特征点将行人划分成不同种类监控人群，以不同种类的监控人群为训练集利用深度神经网络通过无监督与有监督相结合的方式训练检测模型，提高了训练与预测的准确度；使其能够根据行人的路径轨迹自动发现非正常人员，以预警方式协助工作人员开展安防监控。附图说明图1显示为本专利技术提供的一种基于路径轨迹数据异常检测方法流程示意图；图2显示为本专利技术提供的一种基于路径轨迹数据异常检测方法中步骤S1流程示意图；图3显示为本专利技术提供的一种基于路径轨迹数据异常检测方法中步骤S4流程示意图；图4显示为本专利技术提供的一种基于路径轨迹数据异常检测系统结构框图；图5显示为本专利技术提供的一种基于路径轨迹数据异常检测系统一实施例结构框图；图6显示为本专利技术提供的一种基于路径轨迹数据异常检测系统另一实施例结构框图；图7显示为本专利技术提供的一种包含路径轨迹数据异常检测方法的计算设备结构框图；图8至图10分别显示为本专利技术提供的一种基于路径轨迹数据异常检测的实施例图。具体实施方式以下通过特定的具体实例说明本专利技术的实施方式，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专利技术的其他优点与功效。本专利技术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，在没有背离本专利技术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专利技术的基本构想，遂图式中仅显示与本专利技术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。请参阅图1，为本专利技术提供的一种基于路径轨迹数据异常检测方法流程示意图，包括：步骤S101，获取视频图像中行人的路径轨迹；其中，视频图像可以为完整的视频数据，也可以为多个摄像头通过多段视频数据的拼接组合，而该视频数据格式包括VCD、WMV、AVI等；摄像头安装在摄城市内各个角落、街道组成摄像网络；拼接是指将分散的多段视频进行结合；摄像网络采集到的多段监控视频将被汇聚至同一个服务器，可以按照不同的地区存入不同的数据库，也可以对相同时间段的监控视频进行拼接，并按照不同时间段存入不同的数据库；时间段可以按照小时划分，如以两小时为一个时间段，从0点-2点起算；也可以按照人员的活跃程度划分，如上午7点-9点为上班行走高峰期划为一个时间段，9点开始到中午12点为工作时间划为一个时间段等；优选为按照活跃程度划分，因为上下班高峰期以及深夜为事故高发时段，因此该时间段虽然短，但是监控数据中的人为活动频度会比较高，在进行行为监控时可以优先进行寻找、追踪，从而在排除偶然事件的前提下，节省了事后追查的时间，提高了追查效率。步骤S102，提取所述行人的路径轨迹所对应的特征点，将其分成不同类型的监控人群；具体地，根据所述视频图像中行人的路径轨迹在时间、地点、以及所述行人在某时间某地点所出现的密集程度与频率提取所述行人所对应的特征点，按照所述特征点将监控人员分为若干类型存储于特征库。步骤S103，基于神经网络采用预先标定的不同类型的监控人群的路径轨迹作为训练集来拟合参数进行训练得到检测模型；具体地，基于神经网络架构采用预先标定的不同类型的监控人群的路径轨迹为训练集联合训练wide模型与deep模型，以所述wide模型与deep模型的加权和为预测结果。步骤S104，调用所述检测模型检测所述视频图像中行人的路径轨迹，检测其为是否为正常人员。在本实施例中，采用人脸识别与跨境追踪技术共同识别行人的路径轨迹，基于深度学习网络反向训练检测模型，使其在数据库中能够分析行人的路径轨迹，根据路径轨迹的特征点进行判断，使其能够自动发现非正常人员，以预警方式协助工作人员展开重点监控，以提高监控。请参阅图2，为本专利技术提供的一种基于路径轨迹数据异常检测方法中步骤S1流程示意图，详述如下：步骤S201，获取所述视频图像中行人各自对应的人脸图像；其中，采用人脸检测算法获取视频图像中人脸；例如，生成人脸检测模型；如，训练人脸检测器，通过训练得到人脸模型，依据人脸模型对目标对象的检测，获得检测框；提取所述检测框的人脸特征点，并据其进行相似度计算，获得所述特征数据，考虑到人脸图像有遮挡、或图像不清晰导致无法识别人脸的原因，结合步骤本文档来自技高网...

【技术保护点】
1.一种基于路径轨迹数据异常检测方法，其特征在于，所述方法包括以下步骤：获取视频图像中行人的路径轨迹；提取所述行人的路径轨迹所对应的特征点，将其分成不同类型的监控人群；基于神经网络采用预先标定的不同类型的监控人群的路径轨迹作为训练集来拟合参数进行训练得到检测模型；调用所述检测模型检测所述视频图像中行人的路径轨迹，检测其为是否为正常人员。

【技术特征摘要】
1.一种基于路径轨迹数据异常检测方法，其特征在于，所述方法包括以下步骤：获取视频图像中行人的路径轨迹；提取所述行人的路径轨迹所对应的特征点，将其分成不同类型的监控人群；基于神经网络采用预先标定的不同类型的监控人群的路径轨迹作为训练集来拟合参数进行训练得到检测模型；调用所述检测模型检测所述视频图像中行人的路径轨迹，检测其为是否为正常人员。2.根据权利要求1所述的基于路径轨迹数据异常检测方法，其特征在于，所述获取视频图像中行人的路径轨迹的步骤，包括：获取所述视频图像中行人各自对应的人脸图像；当所述视频图像中人脸图像达到识别标准，则采用人脸识别检测行人；当所述视频图像中人脸图像未达到识别标准，则采用跨境追踪技术检测行人；以检测的所述行人为依据在所述视频图像中按照该行人的时间与地点形成其对应的路径轨迹，其中，所述路径轨迹包含行人的时间或地点。3.根据权利要求1所述的基于路径轨迹数据异常检测方法，其特征在于，所述提取所述行人的路径轨迹所对应的特征点，将其分成不同类型的监控人群的步骤，包括：根据所述视频图像中行人的路径轨迹在时间、地点、以及所述行人在某时间某地点所出现的密集程度与频率提取所述行人所对应的特征点，按照所述特征点将监控人员分为若干类型存储于特征库。4.根据权利要求1所述的基于路径轨迹数据异常检测方法，其特征在于，所述基于神经网络采用标定的不同类型的监控人群的路径轨迹作为训练集来拟合参数进行训练得到检测模型的步骤，包括：基于神经网络架构采用预先标定的不同类型的监控人群的路径轨迹为训练集联合训练wide模型与deep模型，以所述wide模型与deep模型的加权和为预测结果。5.根据权利要求1所述的基于路径轨迹数据异常检测方法，其特征在于，所述调用所述检测模型检测所述视频图像中行人的路径轨迹，检测其为是否为正常人员的步骤，包括：当检测到所述视频图像中行人集合于某地时，根据所述视频图像中行人的路径轨迹的出现频率高于第一预设值时，则将该行人视为维稳人员；当检测到所述视频图像中行人的路径轨迹以群体出现在稳定且分散的地点时，且其出现频率低于第二预设值时，则将该行人视为涉毒嫌疑人员；当检测到所述视频图像中行人的路径轨迹范围广且在非正常时间段内出现于某地点时，结合人脸识别方式判断该行人是否为惯犯，如果是，则将该行人视为盗窃嫌疑人员。6.一种基于路径轨迹数据异常检测系统，其特征在于，所述系统包括：轨迹获取模块，用于获取视频图像中行人的路径轨迹；特征提取模块，用于提取所述行人的路径轨迹所对应的特征点，将其分成不同类型的监控人...

【专利技术属性】
技术研发人员：周曦，何洪路，杭堃，
申请(专利权)人：恒睿重庆人工智能技术研究院有限公司，
类型：发明
国别省市：重庆,50