一种警力调度方法、系统、终端及存储介质技术方案

本发明专利技术公开了一种警力调度方法，包括如下步骤：采集周围环境的实时图像信息；将实时图像信息输入到模型中，所述模型由多组训练数据训练而成，多组所述训练数据中每一组训练数据均包括第一类训练数据，所述第一类训练数据包括异常行为图像和用于标识异常行为图像的标识信息；从模型中输出实时图像信息符合异常行为的图像；获取符合异常行为的实时图像信息采集的地点；发出警力调度请求。本发明专利技术提供一种动态识别异常行为，并向警方示警的警力调度方法。

A Police Dispatching Method, System, Terminal and Storage Medium

【技术实现步骤摘要】
一种警力调度方法、系统、终端及存储介质
本专利技术涉及治安管理
，尤其涉及一种警力调度方法、系统、终端及存储介质。
技术介绍
随着社会人口的激增，公共场所日人流量也随之飙升。某些不法分子利用庞大人流量的掩护做一些危害公共安全的行为。因此，警方的治安管理工作将会面临严峻的考验。又因为目前警方的人力资源不足以充分覆盖于各大公共场所，一旦发生安全事故，警方将无法再第一时间赶到现场处理，很容易致使险情向更危险的方向发展。因此，本
急需一种动态识别异常行为的方法，以便及时的警力调度。
技术实现思路
本专利技术的目的在于提供一种动态识别异常行为，并向警方示警的警力调度方法。本专利技术公开的一种警力调度方法所采用的技术方案是:一种警力调度方法，包括如下步骤：采集周围环境的实时图像信息；将实时图像信息输入到模型中，所述模型由多组训练数据训练而成，多组所述训练数据中每一组训练数据均包括第一类训练数据，所述第一类训练数据包括异常行为图像和用于标识异常行为图像的标识信息；从模型中输出实时图像信息符合异常行为的图像；获取符合异常行为的实时图像信息采集的地点；发出警力调度请求。作为优选方案，所述警力调度请求发送至以采集地点为中心，指定半径内的警力。作为优选方案，所述训练数据还包括第二类训练数据，所述第二类训练数据包括正常行为图像和用于标识正常行为图像的标识信息。作为优选方案，所述第一类训练数据分为多级训练数据，每一级所述训练数据包括异常行为图像、用于标识异常行为图像的标识信息以及对应异常行为图像的等级；对应模型中输出实时图像信息符合异常行为的图像以及对应异常等级。作为优选方案，所述第一类训练数据和第二类训练数据均为警方数据库中的真实数据。作为优选方案，所述调度的警力依据异常等级进行分配。本技术方案还提供一种警力调度系统，包括算法模块、训练模块、数据库、图像采集模块、定位模块、警力调度模块和多个执行单元；其中训练模块调取数据库中的训练数据的异常行为图像以及对应异常等级输入至算法模块运行，用于训练算法模块识别异常行为以及为异常行为评级的能力。所述图像采集模块包括多个图像采集单元，每一个所述图像采集单元设于公共场所某一位置，并获取对应范围内的实时图像信息发送至算法模块；所述算法模块执行识别异常行为和为异常行为评级的功能，动态识别实时图像信息中符合异常行为的图像以及异常等级，同时算法模块根据图像采集单元传来的实时图像信息的IP地址确定其现实中的精确位置信息，并将异常行为的图像、异常等级信息以及图像采集单元现实中的精确位置信息发送至警力调度模块；警力调度模块根据异常等级调度图像采集单元现实中的精确位置周围指定范围内指定数量的警力执行任务。作为优选方案，所述数据库为警方日常存储真实异常行为的数据库。本技术方案还提供一种终端，所述终端包括：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，使得所述一个或多个处理器实现如前述的警力调度方法。本技术方案还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如前述的警力调度方法。本专利技术公开的一种警力调度方法的有益效果是：利用训练数据对模型识别异常行为图像的训练，使该模型生成一种可以自主识别异常行为图像的能力。再将采集公共场所的实时图像信息输入模型中，以动态识别异常行为，向警方示警，并及时调度警力执行任务。因此，可以将异常行为带来的影响降低至最低，保证人民、财产的安全以及良好的秩序。附图说明图1是本专利技术一种警力调度方法的结构示意图。图2是本专利技术一种警力调度系统的结构框图。具体实施方式下面结合具体实施例和说明书附图对本专利技术做进一步阐述和说明:请参考图1，一种警力调度方法，包括如下步骤：步骤S101：采集周围环境的实时图像信息。其中，周围环境的实时图像信息实则是通过分布于公共场所的监控摄像机实时传送出的监控图像信息。该监控图像信息主要包括两部分，第一部分为市政监控中心所采集的公共场所监控图像信息，主要用于监控公共场所的公共安全秩序；第二部分为私人领域(如：某私企内部、私人产业园等)所采集的监控图像信息，主要用于监控内部财产，以及内部秩序。步骤S102：将实时图像信息输入到模型中，模型由多组训练数据训练而成，多组训练数据中每一组训练数据均包括第一类训练数据，第一类训练数据包括异常行为图像和用于标识异常行为图像的标识信息。其中，异常行为是指危害到财产安全以及公共安全秩序的现象或者人为行为。将实时图像信息输入到模型前，还需要获取市政监控中心数据库的接口或者私人领域监控数据库的接口。通过接口抓取到历史监控图像信息，并对其进行预处理。该预处理具体包括截取众多监控图像信息中含有异常行为的图像，并为其标识异常行为图像的标识信息，形成一组第一类训练数据。重复上述操作，将数据库中的所有监控图像信息包含异常行为的图像依次制作成第一类训练数据。构成训练数据集合。用户将上述训练数据集合中的第一类训练数据逐条输入进模型中，模型通过算法训练得出识别异常行为图像的能力。即带有自主识别异常行为图像的算法。本实施例中所提到的算法是基于现有模型训练框架所得，因此，关于算法的形成过程本实施例将不做过多的叙述。当实时图像信息输入到模型中，模型内的算法将识别实时图像信息中是否包含异常行为图像信息。步骤S103：从模型中输出实时图像信息符合异常行为的图像。其中，模型根据预先训练好的算法识别出异常行为图像，则对该异常行为图像信息进行标识。步骤S104：获取符合异常行为的实时图像信息采集的地点。得到异常行为图像后，需要根据该摄像头传来的实时图像信息的IP地址确定其现实中的精确位置信息。步骤S105：发出警力调度请求。该警力调度请求发送至以采集到异常行为图像的摄像头的实际位置信息为中心，指定半径内的警务人员进行支援。本实施例还涉及警务人员定位以及向指定地点周围指定半径内发送请求信息。上述两种技术均属于比较成熟的技术，本实施例也将不做过多的叙述。本实施例利用训练数据对模型识别异常行为图像的训练，使该模型生成一种可以自主识别异常行为图像的能力。再将采集公共场所的实时图像信息输入模型中，以动态识别异常行为，向警方示警，并及时调度警力执行任务。因此，可以将异常行为带来的影响降低至最低，保证人民、财产的安全以及良好的秩序。较佳的，本实施例中的训练数据集合还包括第二类训练数据，第二类训练数据包括正常行为图像和用于标识正常行为图像的标识信息。第二类训练数据为截取众多监控图像信息中含有正常行为的图像，并为其标识正常行为图像的标识信息而形成的训练数据。重复上述操作，将数据库中的所有监控图像信息包含正常行为的图像依次制作成第二类训练数据。补充至训练数据集合中。在训练模型的算法过程中，从正反两个维度对算法进行训练，使其快速的建立起识别异常行为图像和正常行为图像的能力。较佳的，为了更加精确的确定异常行为对社会的危害程度，本实施例将对第一类训练数据分级，将其分为多个级别输入模型进行训练。每一级训练数据包括异常行为图像、用于标识异常行为图像的标识信息以及对应异常行为图像的等级。换句话说，训练好的模型算法，在拥有识别异常行为图像和正常行为图像的能力之外，还具有对异常行为图像判断分级的能力。当一段实时监本文档来自技高网...

【技术保护点】
1.一种警力调度方法，其特征在于，包括如下步骤：采集周围环境的实时图像信息；将实时图像信息输入到模型中，所述模型由多组训练数据训练而成，多组所述训练数据中每一组训练数据均包括第一类训练数据，所述第一类训练数据包括异常行为图像和用于标识异常行为图像的标识信息；从模型中输出实时图像信息符合异常行为的图像；获取符合异常行为的实时图像信息采集的地点；发出警力调度请求。

【技术特征摘要】
1.一种警力调度方法，其特征在于，包括如下步骤：采集周围环境的实时图像信息；将实时图像信息输入到模型中，所述模型由多组训练数据训练而成，多组所述训练数据中每一组训练数据均包括第一类训练数据，所述第一类训练数据包括异常行为图像和用于标识异常行为图像的标识信息；从模型中输出实时图像信息符合异常行为的图像；获取符合异常行为的实时图像信息采集的地点；发出警力调度请求。2.如权利要求1所述的一种警力调度方法，其特征在于，所述警力调度请求发送至以采集地点为中心，指定半径内的警力。3.如权利要求1所述的一种警力调度方法，其特征在于，所述训练数据还包括第二类训练数据，所述第二类训练数据包括正常行为图像和用于标识正常行为图像的标识信息。4.如权利要求1-3任一项所述的一种警力调度方法，其特征在于，所述第一类训练数据分为多级训练数据，每一级所述训练数据包括异常行为图像、用于标识异常行为图像的标识信息以及对应异常行为图像的等级；对应模型中输出实时图像信息符合异常行为的图像以及对应异常等级。5.如权利要求4所述的一种警力调度方法，其特征在于，所述第一类训练数据和第二类训练数据均为警方数据库中的真实数据。6.如权利要求4所述的一种警力调度方法，其特征在于，所述调度的警力依据异常等级进行分配。7.一种警力调度系统，其特征在于，包括算法模块、训练模块...

【专利技术属性】
技术研发人员：冯德明，梁文佳，王志武，廖梅芳，
申请(专利权)人：同略科技有限公司，
类型：发明
国别省市：广东,44