一种安防控制方法、装置、设备及可读存储介质制造方法及图纸

本公开涉及公共安全技术领域，具体涉及一种安防控制方法、装置、设备及可读存储介质。所述安防控制方法包括：获取待分析区域的人群图像数据；将所述人群图像数据输入到预训练的行为识别模型，输出异常行为人数，所述行为识别模型为分级密度估计器、辅助计数分类器、异常检测模型构成的神经网络模型；如所述异常行为人数超过预设阈值，则执行所述区域对应的安防警报措施。上述技术方案通过将人群图像数据输入行为识别模型，通过行为识别模型直接识别异常行为人员数量，在异常行为人员数量超出预设阈值时，发出安防警报，实现了对异常行为人数的精准确认，提高了安防效果。提高了安防效果。提高了安防效果。

【技术实现步骤摘要】
一种安防控制方法、装置、设备及可读存储介质


[0001]本公开涉及公共安全
，具体涉及一种安防控制方法、装置、设备及可读存储介质。

技术介绍

[0002]近年来，银行经营者和银行客户都对银行安全防范设施及制止犯罪的威慑手段提出了越来越高的要求。尤其是现阶段，银行安防智能化的深入应用需求尤为迫切。随着技术的快速发展，新兴技术不断涌现，4K、H.265、大数据、云技术及智能分析等技术逐步在银行安防应用，进一步加快银行安防高清化、智能化的发展步伐。
[0003]但是现有的银行安防控制系统是通过识别区域内的人员密度或者人员数量是否超出日常人员密度阈值或者人员数量阈值来确定是否存在安全隐患，以及是否发出安防警报，启动安防设施。这种安防控制方式由于无法对异常行为人数实现精准确认，存在误判频率高的缺陷，在实际应用中并不可靠。

技术实现思路

[0004]为了解决相关技术中的问题，本公开实施例提供一种安防控制方法、装置、设备及可读存储介质。
[0005]第一方面，本公开实施例中提供了一种安防控制方法。
[0006]具体的，所述安防控制方法，包括：
[0007]获取待分析区域的人群图像数据；
[0008]将所述人群图像数据输入到预训练的行为识别模型，输出异常行为人数，所述行为识别模型为分级密度估计器、辅助计数分类器、异常检测模型构成的神经网络模型；
[0009]如所述异常行为人数超过预设阈值，则执行所述区域对应的安防警报措施。
[0010]可选的，所述获取待分析区域的人群图像数据，包括：
[0011]获取待分析区域的人群图像，所述人群图像为视频格式或图片格式；
[0012]基于所述人群图像通过人群计数模型提取所述人群密度数据，作为人群图像数据。
[0013]可选的，所述获取待分析区域的人群图像数据，包括：
[0014]获取待分析区域的人群图像，所述人群图像为视频格式；
[0015]基于所述人群图像通过人群运动特征模型提取所述人群运动速度数据和运动方向数据，作为人群图像数据。
[0016]可选的，所述行为识别模型的训练方法包括：
[0017]基于所述人群图像数据建立时序数据集；
[0018]基于所述时序数据集得到训练集和测试集；
[0019]用所述训练集训练神经网络模型，并利用所述测试集进行验证，最终得到行为识别模型。
[0020]可选的，所述神经网络模型为以下任意一种：RNN，LSTM，GRU，卷积神经网络模型。
[0021]可选的，所述如所述异常行为人数超过预设阈值，则执行所述区域对应的安防警报措施，包括：
[0022]将所述预设阈值设置为多个等级，每个所述等级对应有相应安防警报措施；
[0023]基于所述异常行为人数所处的等级，执行相应的安防警报措施。
[0024]可选的，所述安防警报措施包括以下至少一种：紧急呼叫，语音鸣笛，110报警自动接入。
[0025]第二方面，本公开实施例中提供了一种安防控制装置。
[0026]具体的，所述安防控制装置，包括：
[0027]数据获取模块，被配置为获取待分析区域的人群图像数据；
[0028]数据处理模块，被配置为将所述人群图像数据输入到预训练的行为识别模型，输出异常行为人数，所述行为识别模型为分级密度估计器、辅助计数分类器、异常检测模型构成的神经网络模型；
[0029]报警模块，被配置为如所述异常行为人数超过预设阈值，则执行所述区域对应的安防警报措施。
[0030]可选的，所述数据获取模块，包括：
[0031]第一获取单元，被配置为获取待分析区域的人群图像，所述人群图像为视频格式或图片格式；
[0032]第一数据提取单元，被配置为基于所述人群图像通过人群计数模型提取所述人群密度数据，作为人群图像数据。
[0033]可选的，所述数据获取模块，包括：
[0034]第二获取单元，被配置为获取待分析区域的人群图像，所述人群图像为视频格式；
[0035]第二数据提取单元，被配置为基于所述人群图像通过人群运动特征模型提取所述人群运动速度数据和运动方向数据，作为人群图像数据。
[0036]可选的，所述行为识别模型的训练方法包括：
[0037]基于所述人群图像数据建立时序数据集；
[0038]基于所述时序数据集得到训练集和测试集；
[0039]用所述训练集训练神经网络模型，并利用所述测试集进行验证，最终得到行为识别模型。
[0040]可选的，所述神经网络模型为以下任意一种：RNN，LSTM，GRU，卷积神经网络模型。
[0041]可选的，所述报警模块，包括：
[0042]等级设置单元，被配置为将所述预设阈值设置为多个等级，每个所述等级对应有相应安防警报措施；
[0043]执行单元，被配置为基于所述异常行为人数所处的等级，执行相应的安防警报措施。
[0044]可选的，所述安防警报措施包括以下至少一种：紧急呼叫，语音鸣笛，110报警自动接入。
[0045]第三方面，本公开实施例提供了一种电子设备，包括存储器和处理器，其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器
执行以实现如第一方面任一项所述的方法。
[0046]第四方面，本公开实施例中提供了一种计算机可读存储介质，其上存储有计算机指令，该计算机指令被处理器执行时实现如第一方面任一项所述的方法。
[0047]根据本公开实施例提供的安防控制方法，包括：获取待分析区域的人群图像数据；将所述人群图像数据输入到预训练的行为识别模型，输出异常行为人数，所述行为识别模型为分级密度估计器、辅助计数分类器、异常检测模型构成的神经网络模型；如所述异常行为人数超过预设阈值，则执行所述区域对应的安防警报措施。上述技术方案通过将人群图像数据输入行为识别模型，通过行为识别模型直接识别异常行为人员数量，在异常行为人员数量超出预设阈值时，发出安防警报，实现了对异常行为人数的精准确认，提高了安防效果，解决了现有技术中的安防系统误判频率高，不可靠的问题。
[0048]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，并不能限制本公开。
附图说明
[0049]结合附图，通过以下非限制性实施方式的详细描述，本公开的其它特征、目的和优点将变得更加明显。在附图中：
[0050]图1示出根据本公开实施例的安防控制方法所应用的监控系统结构图。
[0051]图2示出根据本公开的实施例的安防控制方法的流程图。
[0052]图3示出根据本公开的另一实施例的安防控制方法的流程图。
[0053]图4示出根据本公开的又一实施例的安防控制方法的流程图。
[0054]图5示出根据本公开的实施例的安防控制装置的结构框图。
[0055]图6示出根据本公开的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种安防控制方法，其特征在于，包括：获取待分析区域的人群图像数据；将所述人群图像数据输入到预训练的行为识别模型，输出异常行为人数，所述行为识别模型为分级密度估计器、辅助计数分类器、异常检测模型构成的神经网络模型；如所述异常行为人数超过预设阈值，则执行所述区域对应的安防警报措施。2.根据权利要求1所述的安防控制方法，其特征在于，所述获取待分析区域的人群图像数据，包括：获取待分析区域的人群图像，所述人群图像为视频格式或图片格式；基于所述人群图像通过人群计数模型提取所述人群密度数据，作为人群图像数据。3.根据权利要求1所述的安防控制方法，其特征在于，所述获取待分析区域的人群图像数据，包括：获取待分析区域的人群图像，所述人群图像为视频格式；基于所述人群图像通过人群运动特征模型提取所述人群运动速度数据和运动方向数据，作为人群图像数据。4.根据权利要求1
‑
3中任一项所述的安防控制方法，其特征在于，所述行为识别模型的训练方法包括：基于所述人群图像数据建立时序数据集；基于所述时序数据集得到训练集和测试集；用所述训练集训练神经网络模型，并利用所述测试集进行验证，最终得到行为识别模型。5.根据权利要求1所述的安防控制方法，其特征在于，所述神经网络模型为以下任意一种：RNN，LSTM，GRU，卷积神...

【专利技术属性】
技术研发人员：张会来，马强，张金秋，
申请(专利权)人：北京神州新桥科技有限公司，
类型：发明
国别省市：