一种昼伏夜出人员判定方法、装置、电子设备及存储介质制造方法及图纸

本申请提供一种昼伏夜出人员判定方法、装置、电子设备及存储介质。该方法包括：获取第一历史时间段内待判定人员在目标区域的活动特征；目标区域包括多个图像采集装置，活动特征包括所述多个图像采集装置采集到待判定人员的时间、出入信息、在图像采集装置采集区域内的停留时长和是否路过图像采集装置；利用判定模型对活动特征进行分析，获得待判定人员对应的判定结果；判定模型为利用多个训练样本对卷积神经网络模型训练获得。本申请实施例通过获取待判定人员的活动特征，并利用判定模型对其进行分析，获得判定结果，不需要安保人员进行人工统计，降低了安保人员的工作压力，另外通过判定模型能够提高判定的效率及准确性。

A judgment method, device, electronic equipment and storage medium for people who are out in the daytime and at night

【技术实现步骤摘要】
一种昼伏夜出人员判定方法、装置、电子设备及存储介质
本申请涉及大数据处理
，具体而言，涉及一种昼伏夜出人员判定方法、装置、电子设备及存储介质。
技术介绍
社区安全是社会安全的基石，长期以来，我国安全形势严峻的重要原因之一是社区安全基础差。所以构建安全祥和的社区是社会安全的重要基础。一般情况下，居民的生活习惯是白天出门工作，晚上回家睡觉，而对于一些不法分子来说，他们更倾向于白天在家，晚上活动，因此，对这类昼伏夜出的人员的判定很有必要。现有技术中，通过小区中的安保人员统计每个人的出入时间，从而可以找到具有昼伏夜出类型的人员。这种方法会给安保人员带来较大的工作压力，再有，有些人可能不通过小区大门出去，这就使安保人员无法统计，导致无法准确判断。
技术实现思路
本申请实施例的目的在于提供一种昼伏夜出人员判定方法、装置、电子设备及存储介质，用以降低安保人员的工作压力，以及准确识别昼伏夜出人员。第一方面，本申请实施例提供一种昼伏夜出人员判定方法，包括：获取第一历史时间段内待判定人员在目标区域的活动特征；其中，所述目标区域包括多个图像采集装置，所述活动特征包括所述多个图像采集装置采集到所述待判定人员的时间、出入信息、在图像采集装置采集区域内的停留时长和是否路过图像采集装置；利用判定模型对所述活动特征进行分析，获得所述待判定人员对应的判定结果；其中，所述判定结果为昼伏夜出或非昼伏夜出，所述判定模型为利用多个训练样本对卷积神经网络模型训练获得。本申请实施例通过获取待判定人员的活动特征，并利用判定模型对其进行分析，获得判定结果，不需要安保人员进行人工统计，降低了安保人员的工作压力，另外通过判定模型能够提高判定的效率及准确性。进一步地，在获取第一历史时间段内待判定人员在目标区域的活动特征之后，所述方法还包括：对所述活动特征中非数值参数进行数值化处理。以便于判定模型识别及分析。进一步地，在获取第一历史时间段内待判定人员在目标区域的活动特征之前，所述方法还包括：获取训练样本集，所述训练样本集中的训练样本包括训练特征和训练标签；分别将每个训练样本的训练特征输入所述卷积神经网络模型中，所述卷积神经网络模型输出所述训练特征对应的预测标签；根据所述预测标签和所述训练标签计算损失函数，并通过反向传播对所述卷积神经网络模型中的参数进行优化，获得所述判定模型。本申请实施例通过对卷积神经网络模型进行训练，获得判定模型，能够通过判定模型高效准确的对待判定人员进行判定。进一步地，所述卷积神经网络包括：多个卷积层、池化层和全连接层；其中：所述卷积层包括多个卷积核和ReLU激活函数，所述卷积层用于对所述活动特征进行特征提取，获得多个特征矩阵；所述池化层用于对所述特征矩阵进行降采样；所述全连接层用于根据降采样后的特征矩阵获得判定结果。进一步地，在获得所述待判定人员对应的判定结果之后，所述方法还包括：获取目标规则，所述目标规则包括昼伏夜出人员对应的各个图像采集装置对应的进入目标区域时间段和出目标区域时间段；利用所述目标规则对所述判定结果进行调整，获得目标判定结果。本申请实施例通过利用目标规则对待判定人员的判定结果进行调整，以提高判定的准确性。进一步地，在获取目标规则之前所述方法还包括：获取第三历史时间段内所述目标区域中昼伏夜出人员出目标区域的时间和进入目标区域的时间；按照预设时间段对所述第三历史时间段进行分割，获得多个子历史时间段，以及每一子历史时间段对应出目标区域的时间和进入目标区域的时间；利用ARIMA模型对多个子历史时间段对应出目标区域的时间和进入目标区域的时间进行分析，获得所述目标规则。本申请实施例通过ARIMA模型能够根据时间序列的变化规律获得目标规则，从而更加符合当前时刻的实际情况，进而提高了判定的准确性。第二方面，本申请实施例提供一种昼伏夜出人员判定装置，包括：特征获取模块，用于获取第一历史时间段内待判定人员在目标区域的活动特征；其中，所述目标区域包括多个图像采集装置，所述活动特征包括所述多个图像采集装置采集到所述待判定人员的时间、出入信息、在图像采集装置采集区域内的停留时长和是否路过图像采集装置；分析模块，用于利用判定模型对所述活动特征进行分析，获得所述待判定人员对应的判定结果；其中，所述判定结果为昼伏夜出或非昼伏夜出，所述判定模型为利用多个训练样本对卷积神经网络模型训练获得。进一步地，装置还包括信息处理模块，用于：对所述活动特征中非数值参数进行数值化处理。第三方面，本申请实施例提供一种电子设备，包括：处理器、存储器和总线，其中，所述处理器和所述存储器通过所述总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行第一方面的方法。第四方面，本申请实施例提供一种非暂态计算机可读存储介质，包括：所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行第一方面的方法。本申请的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。附图说明为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。图1为本申请实施例提供的判定模型训练方法示意图；图2为本申请实施例提供的卷积神经网络模型结构示意图；图3为本申请实施例提供的一种昼伏夜出人员判定方法流程示意图；图4为本申请实施例提供的装置结构示意图；图5为本申请实施例提供的电子设备实体结构示意图。具体实施方式下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。图1为本申请实施例提供的判定模型训练方法示意图，如图1所示，该方法包括：步骤101：获取训练样本集，所述训练样本集中的训练样本包括训练特征和训练标签；步骤102：分别将每个训练样本的训练特征输入所述卷积神经网络模型中，所述卷积神经网络模型输出所述训练特征对应的预测标签；步骤103：根据所述预测标签和所述训练标签计算损失函数，并通过反向传播对所述卷积神经网络模型中的参数进行优化，获得所述判定模型。下面对上述步骤101-步骤103进行详细描述。在步骤101中，训练样本集中包括多个训练样本，可以将训练样本分为正样本和负样本。正样本是指训练标签为昼伏夜出人员对应的样本数据，负样本是指训练标签为非昼伏夜出人员对应的样本数据。训练样本的数据来源可以是安装在目标区域内的图像采集装置采集获得。其中，图像采集装置可以是摄像头。获取预设时间段内的各个图本文档来自技高网...

【技术保护点】
1.一种昼伏夜出人员判定方法，其特征在于，包括：/n获取第一历史时间段内待判定人员在目标区域的活动特征；其中，所述目标区域包括多个图像采集装置，所述活动特征包括所述多个图像采集装置采集到所述待判定人员的时间、出入信息、在图像采集装置采集区域内的停留时长和是否路过图像采集装置；/n利用判定模型对所述活动特征进行分析，获得所述待判定人员对应的判定结果；其中，所述判定结果为昼伏夜出或非昼伏夜出，所述判定模型为利用多个训练样本对卷积神经网络模型训练获得。/n

【技术特征摘要】
1.一种昼伏夜出人员判定方法，其特征在于，包括：
获取第一历史时间段内待判定人员在目标区域的活动特征；其中，所述目标区域包括多个图像采集装置，所述活动特征包括所述多个图像采集装置采集到所述待判定人员的时间、出入信息、在图像采集装置采集区域内的停留时长和是否路过图像采集装置；
利用判定模型对所述活动特征进行分析，获得所述待判定人员对应的判定结果；其中，所述判定结果为昼伏夜出或非昼伏夜出，所述判定模型为利用多个训练样本对卷积神经网络模型训练获得。


2.根据权利要求1所述的方法，其特征在于，在获取第一历史时间段内待判定人员在目标区域的活动特征之后，所述方法还包括：
对所述活动特征中非数值参数进行数值化处理。


3.根据权利要求1所述的方法，其特征在于，在获取第一历史时间段内待判定人员在目标区域的活动特征之前，所述方法还包括：
获取训练样本集，所述训练样本集中的训练样本包括训练特征和训练标签；
分别将每个训练样本的训练特征输入所述卷积神经网络模型中，所述卷积神经网络模型输出所述训练特征对应的预测标签；
根据所述预测标签和所述训练标签计算损失函数，并通过反向传播对所述卷积神经网络模型中的参数进行优化，获得所述判定模型。


4.根据权利要求1所述的方法，其特征在于，所述卷积神经网络包括：多个卷积层、池化层和全连接层；其中：
所述卷积层包括多个卷积核和ReLU激活函数，所述卷积层用于对所述活动特征进行特征提取，获得多个特征矩阵；
所述池化层用于对所述特征矩阵进行降采样；
所述全连接层用于根据降采样后的特征矩阵获得判定结果。


5.根据权利要求1所述的方法，其特征在于，在获得所述待判定人员对应的判定结果之后，所述方法还包括：
获取目标规则，所述目标规则包括昼伏夜出人员对应的各个图像采集装置对应的进入目标区域...

【专利技术属性】
技术研发人员：齐云飞，梁秀钦，
申请(专利权)人：北京明略软件系统有限公司，
类型：发明
国别省市：北京;11