一种智能识别入侵行为的方法及系统技术方案

本发明专利技术公开了一种智能识别入侵行为的方法与系统，该方法包括：采集监控点位的历史监控数据并进行模型训练得到智能识别入侵行为模型；对实时数据进行人流量分析；根据人流量分析的结果进行入侵倾向研判；通过智能识别入侵行为模型对入侵倾向研判的结果进行智能识别，如果识别到异常数据，则进行告警。本发明专利技术通过机器学习算法智能识别出监控区域的可入侵点位，进一步基于入侵点位进行人物特征提取与行为特征提取，当识别出异常行为特征或异常人物特征时，结合人流量检测与人物入侵倾向的判断，达到快速、准确识别出入侵者的入侵行为的目的。本发明专利技术能够有效识别入侵行为以加强安全管理能力、提高监控场所的安全性。提高监控场所的安全性。提高监控场所的安全性。

【技术实现步骤摘要】
一种智能识别入侵行为的方法及系统


[0001]本专利技术属于视频监控
，具体涉及一种智能识别入侵行为的方法与系统。

技术介绍

[0002]目前，视频监控技术在安全领域有着广泛的应用，其对提高监控场所的安全性非常关键。通过对视频画面的统计分析和识别算法的学习，可以有效地实现对安全事件的目标识别和告警。传统的视频监控技术兼具采集、存储和回放等非智能化的视频监控技术，能有效复原，或实时监控已经发生或正在发生的入侵行为。对于一些犯罪行为而言，非法入侵是其进行犯罪之前必不可少的一步，如果能够及时对入侵行为进行智能识别，就能为设施内部的安全提供有力的保障。然而，传统的基础采集、存储和回放等非智能化的视频监控技术已经难以满足现代安全需求。
[0003]在目前主流的监控条件下，一位安防人员需要同时监控多台设备。因此在繁忙的时段，即使在监控区域下，监控者在实时阅读并识别入侵行为时，难免会有疏漏，更不要说那些监控设施覆盖不到的区域。由此可见，现有的视频监控系统存在以下三个弊端：一是基于人力进行入侵识别的识别效率低，二是视频监控未能覆盖的区域存在安全隐患，三是未能提前预判出入侵者的意图，达到提前预警的目的。

技术实现思路

[0004]本专利技术的目的在于克服现有技术之缺陷，本专利技术提供了一种基于机器学习技术的智能识别入侵行为的视频监控方法与系统，该方法基于机器学习算法，根据人体运动轨迹和特定行为进行识别，提高了入侵行为的识别率和准确性，能快速、准确地识别入侵者的入侵行为，并在入侵前进行报警，能有效遏制入侵行为的发生。
[0005]为了到达预期效果，本专利技术采用了以下技术方案：
[0006]本专利技术公开了一种智能识别入侵行为的方法，包括：
[0007]采集监控点位的历史监控数据并进行模型训练得到智能识别入侵行为模型；
[0008]对实时数据进行人流量分析；
[0009]根据人流量分析的结果进行入侵倾向研判；
[0010]通过智能识别入侵行为模型对入侵倾向研判的结果进行智能识别，如果识别到异常数据，则进行告警。
[0011]进一步地，将采集的历史监控数据分为训练集和测试集，将所述训练集进行特征线索标注后用于模型训练，所述特征线索包括人物特征、行为特征和入侵点位特征。
[0012]进一步地，基于人物特征、行为特征和入侵点位特征，运用卷积神经网络技术进行机器学习训练得到智能识别入侵行为模型，利用测试集对智能识别入侵行为模型加以验证，并使用反向传播算法对模型进行优化。
[0013]进一步地，所述对实时数据进行人流量分析包括：分别计算预设时间间隔的每个时间段内出现在监控视频内的平均人流量和目标人物的平均驻留时间，当平均人流量小于
第一阈值，且目标人物的平均驻留时间大于第二阈值，则截取目标人物的驻留时间段内的视频数据并进行入侵倾向研判。
[0014]进一步地，所述根据人流量分析的结果进行入侵倾向研判包括：基于目标人物运动轨迹，运用目标跟踪算法计算出目标人物驻留点，将距离驻留点最近的入侵点位标记为实际入侵点，计算目标人物距离实际入侵点最近的距离以及触碰实际入侵点的次数，若目标人物距离实际入侵点的最近距离小于第三阈值，或者触碰实际入侵点的次数大于第四阈值，则进行模型智能识别。
[0015]进一步地，当目标人物的驻留点存在多个时，则对多个驻留点分别进行入侵倾向研判，当识别到其中一个驻留点符合设定阈值时，则进行模型智能识别。
[0016]进一步地，所述通过智能识别入侵行为模型对入侵倾向研判的结果进行智能识别包括：通过智能识别入侵行为模型对目标人物的驻留时间段内的视频数据和实际入侵点进行特征线索识别。
[0017]进一步地，所述如果识别到异常数据，则进行告警具体包括：如果识别到预设的异常人物特征和行为特征时，则进行告警，异常行为特征是基于特定入侵点位的特定行为动作特征，入侵点位包括实际入侵点和实际入侵点正下方的所有区域。
[0018]进一步地，该方法还包括：在每日的固定时间点，将当日监测到的数据存储到历史监控数据库中，并通过自学习优化迭代智能识别入侵行为模型。
[0019]本专利技术还公开了一种智能识别入侵行为的系统，包括：
[0020]数据采集模块，用于采集监控点位的历史监控数据；
[0021]模型训练模块，用于根据采集的历史监控数据进行模型训练得到智能识别入侵行为模型；
[0022]人流量检测模块，用于对实时数据进行人流量分析；
[0023]入侵倾向研判模块，用于根据人流量分析的结果进行入侵倾向研判；
[0024]训练模型研判模块，用于通过智能识别入侵行为模型对入侵倾向研判的结果进行智能识别，如果识别到异常数据，则进行告警。
[0025]与现有技术相比，本专利技术的有益效果是：对于安防人员来说，及早发现并预警入侵行为非常重要。即使在监控设备下，实时发现入侵行为在繁忙场景中也很困难，更不要说那些未被监控的区域了。这就需要智能化的视频监控方法对犯罪行为进行智能识别，及时发现非法入侵行为并产生预警通知。对于一些犯罪行为而言，非法入侵是其进行犯罪之前必不可少的一步，如果能够及时对入侵行为进行智能识别并发现，就能够为报警和证据收集提供有力的支持和保障。相较于现有技术，本专利技术提供了一种智能识别入侵行为的方法与系统，该方法通过机器学习算法智能识别出监控区域的可入侵点位，进一步基于入侵点位进行人物特征提取与行为特征提取，当识别出异常行为特征或异常人物特征时，结合人流量检测与人物入侵倾向的判断，达到快速、准确识别出入侵者的入侵行为的目的，进一步在入侵行为发生或进行时发出警报，即可有效遏制入侵行为。本专利技术能够有效识别入侵行为以加强安全管理能力、提高监控场所的安全性。
附图说明
[0026]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现
有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述的附图仅仅是本专利技术的一些实施例，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它的附图。
[0027]图1是本专利技术实施例提供的一种智能识别入侵行为的方法的流程图。
具体实施方式
[0028]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。
[0029]参见图1，本专利技术公开了一种智能识别入侵行为的方法，包括：
[0030]采集监控点位的历史监控数据并进行模型训练得到智能识别入侵行为模型；
[0031]对实时数据进行人流量分析；
[0032]根据人流量分析的结果进行入侵倾向研判；
[0033]通过智能识别入侵行为模型对入侵倾向研判的结果进行智能识别，如果识别到异常数据，则进行告警。
...

【技术保护点】

【技术特征摘要】
1.一种智能识别入侵行为的方法，其特征在于，包括：采集监控点位的历史监控数据并进行模型训练得到智能识别入侵行为模型；对实时数据进行人流量分析；根据人流量分析的结果进行入侵倾向研判；通过智能识别入侵行为模型对入侵倾向研判的结果进行智能识别，如果识别到异常数据，则进行告警。2.如权利要求1所述的一种智能识别入侵行为的方法，其特征在于，将采集的历史监控数据分为训练集和测试集，将所述训练集进行特征线索标注后用于模型训练，所述特征线索包括人物特征、行为特征和入侵点位特征。3.如权利要求2所述的一种智能识别入侵行为的方法，其特征在于，基于人物特征、行为特征和入侵点位特征，运用卷积神经网络技术进行机器学习训练得到智能识别入侵行为模型，利用测试集对智能识别入侵行为模型加以验证，并使用反向传播算法对模型进行优化。4.如权利要求3所述的一种智能识别入侵行为的方法，其特征在于，所述对实时数据进行人流量分析包括：分别计算预设时间间隔的每个时间段内出现在监控视频内的平均人流量和目标人物的平均驻留时间，当平均人流量小于第一阈值，且目标人物的平均驻留时间大于第二阈值，则截取目标人物的驻留时间段内的视频数据并进行入侵倾向研判。5.如权利要求4所述的一种智能识别入侵行为的方法，其特征在于，所述根据人流量分析的结果进行入侵倾向研判包括：基于目标人物运动轨迹，运用目标跟踪算法计算出目标人物驻留点，将距离驻留点最近的入侵点位标记为实际入侵点，计算目标人物距离实际入侵点最近的距离以及触碰实际入侵点的次数，若目标人物距离实际入侵点的最近距离小于第三阈...

【专利技术属性】
技术研发人员：汪洋，张景，
申请(专利权)人：武汉众智数字技术有限公司，
类型：发明
国别省市：