基于重点区域人员流动情况的预警方法、装置及应用

技术领域

本申请涉及人工智能学习和计算机数据处理领域，特别是涉及一种基于重点区域人员流动情况的预警方法、装置及应用。

背景技术

近年来，由于机器学习的广泛应用，基于机器学习或者深度学习的方法应用于各个技术领域并取得了巨大的成功。深度学习(Deep Learning)是机器学习(ML,MachineLearning)领域中一个新的研究方向，它被引入机器学习使其更接近最初的目标——人工智能(AI,Artificial Intelligence)，使用人工智能来根据重点区域内的人员分布情况进行分析预警目的是更好地管理重点区域，所述重点区域包括大型活动会议周边地区的安全控制等。

在现有的根据重点区域内的人员分布情况进行分析预警的方法中，一种是根据人物的背影等身形特征来判断可疑人员是否为滞留人员，另一种采用的是先根据人员活动的地点信息绘制行动轨迹线，再进行大数据分析后预警的模式。这两种模式存在很多局限性，一是只有根据人员识别技术简单判断是否有人停留，但对于人员在重点区域内的活动信息缺少分析，从而导致预警能力不足，二是绘制行动轨迹线容易丢失中间人员行动信息从而导致无法进行准确预警，三是使用大数据分析得到的分析结果具有延后性，容易造成出现损失后再进行预警的情况。

综上所述，现在亟需一种可以根据重点区域内的人员分布情况以及人员的基本信息和活动信息进行及时分析预警的方法。

发明内容

本申请实施例提供了一种基于重点区域人员流动情况的预警方法、装置及应用，可以根据重点区域内的人员分布情况以及人员的基本信息进行碰撞分析，实现全天自动化监控，并能及时产生预警信息，辅助相关决策管理人员进行预防监管。

第一方面，本申请实施例提供了一种基于重点区域人员流动情况的预警方法，所述方法包括：

划定重点区域，获取所述重点区域内至少一人员的人员详细信息，所述人员详细信息包括人员基本信息和人员特征信息，所述人员基本信息表征人员身份以及生活习惯的信息，所述人员特征信息表征人员的特征属性，将所述人员详细信息转换为人员特征向量，基于所述人员特征向量计算不同人员详细信息之间的数据相关性；

获取第一设定时刻所述重点区域内的重点区域流动信息，根据所述重点区域流动信息得到第一设定时刻的场景数据矩阵，所述重点区域流动信息包括第一设定时刻之前离开所述重点区域的人员集合，在第一设定时刻进入所述重点区域的人员集合以及第一设定时刻重点区域内的人员集合；

根据不同人员详细信息之间的数据相关性构建第一设定时刻重点区域的预警数据矩阵，将所述场景数据矩阵与所述预警数据矩阵进行比对，若所述场景数据矩阵与所述预警数据矩阵的相似度大于第一设定阈值，则对所述重点区域进行预警。

第二方面，本申请实施例提供了一种基于重点区域人员流动情况的预警装置，包括：

第一获取模块：划定重点区域，获取所述重点区域内至少一人员的人员详细信息，所述人员详细信息包括人员基本信息和人员特征信息，所述人员基本信息表征人员身份以及生活习惯的信息，所述人员特征信息表征人员的特征属性，将所述人员详细信息转换为人员特征向量，基于所述人员特征向量计算不同人员详细信息之间的数据相关性；

第二获取模块：获取第一设定时刻所述重点区域内的重点区域流动信息，根据所述重点区域流动信息得到第一设定时刻的场景数据矩阵，所述重点区域流动信息包括第一设定时刻之前离开所述重点区域的人员集合，在第一设定时刻进入所述重点区域的人员集合以及第一设定时刻重点区域内的人员集合；

预警模块：根据不同人员详细信息之间的数据相关性构建第一设定时刻重点区域的预警数据矩阵，将所述场景数据矩阵与所述预警数据矩阵进行比对，若所述场景数据矩阵与所述预警数据矩阵的相似度大于第一设定阈值，则对所述重点区域进行预警。

第三方面，本申请实施例提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行一种基于重点区域人员流动情况的预警方法。

第四方面，本申请实施例提供了一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序包括用于控制过程以执行过程的程序代码，所述过程包括一种基于重点区域人员流动情况的预警方法。

本发明的主要贡献和创新点如下：

本申请实施例使用基于深度学习的检测识别技术以及分析预测模型，通过判断重点区域内人员的流动情况准确识别出重点区域内的异常人员并及时预警，有效监控人员活动情况并保障重点区域的治安安全；本方案通过识别人员，获取每个人员的基本信息以及流动信息，通过多维度的信息来进行分析，具有多维度准确性、多条件灵活性、时间空间分析同步性的优先；本方案可以通过人为设定的方式让其满足多个场景，使用更加灵活，可以协助现实生活中对各种区域进行监督管控，实现全天AI智能自动化监控，并能及时产生预警信息，辅助相关决策管理人员进行预防监管。

本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请实施例的一种基于重点区域人员流动情况的预警方法的流程图；

图2是根据本申请一种实施例的一种人流跟踪算法的示意图；

图3是根据本申请实施例的一种基于重点区域人员流动情况的预警装置的结构框图；

图4是根据本申请实施例的电子装置的硬件结构示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书一个或多个实施例相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。

需要说明的是：在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中，其方法所包括的步骤可以比本说明书所描述的更多或更少。此外，本说明书中所描述的单个步骤，在其他实施例中可能被分解为多个步骤进行描述；而本说明书中所描述的多个步骤，在其他实施例中也可能被合并为单个步骤进行描述。

实施例一

本申请实施例提供了一种基于重点区域人员流动情况的预警方法、装置及应用，具体地，参考图1，所述方法包括：

划定重点区域，获取所述重点区域内至少一人员的人员详细信息，所述人员详细信息包括人员基本信息和人员特征信息，所述人员基本信息表征人员身份以及生活习惯的信息，所述人员特征信息表征人员的特征属性，将所述人员详细信息转换为人员特征向量，基于所述人员特征向量计算不同人员详细信息之间的数据相关性；

获取第一设定时刻所述重点区域内的重点区域流动信息，根据所述重点区域流动信息得到第一设定时刻的场景数据矩阵，所述重点区域流动信息包括第一设定时刻之前离开所述重点区域的人员集合，在第一设定时刻进入所述重点区域的人员集合以及第一设定时刻重点区域内的人员集合；

根据不同人员详细信息之间的数据相关性构建第一设定时刻重点区域的预警数据矩阵，将所述场景数据矩阵与所述预警数据矩阵进行比对，若所述场景数据矩阵与所述预警数据矩阵的相似度大于第一设定阈值，则对所述重点区域进行预警。

在一些具体实施例中，在“获取所述重点区域内至少一人员的人员详细信息”步骤中，在人员详细资料信息库中对重点区域内的人员进行匹配，所述人员详细资料信息库中保存了大量的人员详细信息，一般由政府部门进行维护。

示例性的，所述人员基本信息包括：年龄、性别、教育水平、居住信息、工作信息、收入、职业、每周工作时间、住宅所有权信息、衣着等信息，所述人员特征信息包括人员的脸部五官特征信息以及体态特征信息。

在一些实施例中，在“基于所述人员特征向量计算不同人员详细信息之间的数据相关性”步骤中，使用所述人员特征向量计算不同人员详细信息之间的相关系数，基于相关系数计算相关距离，所述相关距离即为不同人员详细信息之间的相关性。

具体的，所述相关系数的计算方式如下：

其中，ρ

进一步的，所述相关系数是衡量特征向量X与Y相关程度的一种方法，相关系数的取值范围是[-1,1]，相关系数的绝对值越大，则表明X与Y相关度越高，当X与Y线性相关时，相关系数取值为1(表示正线性相关)或-1(表示负线性相关)。

具体的，所述相关距离的计算方式如下：

D

其中，D

示例性的，可以通过不同人员详细信息之间的相关性得到例如xx年龄xx性格的人最有可能在xx时间出门工作等信息。

在一些实施例中，在“获取第一设定时刻所述重点区域内的重点区域流动信息”步骤中，使用所述重点区域内的摄像组件结合人员识别系统获取所述重点区域内的进出人员信息，再使用人流跟踪算法获取所述重点区域内每一人员的流动信息得到重点区域流动信息。

具体的，所述摄像组件为高清摄像头，在一些具体实施例中是指市面上支持200万像素以上的高分辨率监控枪机或球机，目的是可以提供重点区域进出口的实时、清晰的视频流画面。

具体的，所述人员识别系统用来识别所述重点区域内人员的特征向量，包括人脸正面(眼睛、鼻子、嘴巴等)、人脸侧面、人身正面(手臂、腿脚、头)、人身背面，还可以识别出所述重点区域内人员的穿着打扮等，在本方案中，为了保证识别的精准性，使用的是基于Tensorflow架构的卷积神经网络模型提取特征方法，该发现较为成熟，提取准确率高，本方案在此不予详细赘述。

具体的，所述人流识别算法为获取两个不同时刻的同一人员的人员识别框的坐标信息，根据所述坐标信息获取所述人员识别框的中心点位移矢量，根据所述中心点位移矢量来判断该人员的人员流动信息，根据所述重点区域内每一人员的人员流动信息得到重点区域流动信息。

具体的，所述人流跟踪算法如图2所示，在所述人员识别系统的基础上，输入人员识别框的坐标(X1t，Y1t)和(X2t，Y2t)，其中(X1t，Y1t)代表t时刻人员识别框左上顶点坐标，(X2t，Y2t)代表t时刻人员识别框右下顶点坐标，根据不同时刻的人员识别框坐标信息，可以计算出人员识别框中心点位移矢量d，根据摄像组件的自身位置信息以及目标识别框中心点位移矢量d来判断人员输入进入或离开所述重点区域。

示例性的，监控摄像头提供所述重点区域的出入口的画面，人员识别算法来判断画面中的所有人员目标，同时调用人流跟踪算法，人流跟踪算法判断画面中的人员是否进入或离开重点区域的出入口。(简单原理为：对识别的人员进行目标跟踪，根据画面中跟踪目标的大小、位置变化来计算目标移动方向矢量，结合监控摄像头的监控方向等信息判断是属于路过人员还是进出人员。)

在一些实施例中，在“根据所述重点区域流动信息得到第一设定时刻的场景数据矩阵”步骤之前包括以下三种操作：

一、将所述重点区域内每一人员的人员流动信息转换为时间向量集合，所述时间向量集合为所述人员流动信息的向量表示的集合，所述人员流动信息为该人员在重点区域内的进出时间以及逗留时间，计算不同人员的时间向量集合之间的杰卡德相似系数得到每个人员相对于所述重点区域内其他人员的区分度，并根据每一人员的人员详细信息来设立一个区分度阈值，若该人员的区分度大于其对应的区分度阈值则进行报警。

具体的，某一人员的区分度越大则表明该人员的时间行为越不正常。

具体的，由于不同年龄的人在活跃时间，生活重心等方面不同，所说需要根据人员详细信息中的年龄、家庭情况等信息设置不同的区分度阈值来提高预警的准确性，在一些具体实施例中，对于18岁的青少年人员和38岁的中年人员，可能18岁的青少年人员的区分度阈值为100，则18岁的青少年人员的区分度小于100就正常，38岁的中年人员的区分度阈值为70，则38岁的中年人员的区分度小于70才算正常。

具体的，将所述重点区域内每一人员的重点区域流动信息转换为时间向量集合分别为A、B、C…(A、B、C分别代表不同人员)，分别计算A、B、C之间的杰卡德相似系数，具体公式如下：

其中，J

具体的，所述杰卡德相似系数表示两个集合中不同元素占所有元素的比例，用来表示两个元素之间的区分度，在本方案中用来表示所述重点区域中两个不同人员之间的区分度，区分度越大代表时间行为越不正常。

二、计算同一人员在第一设定时刻的人员流动信息和历史流动信息的杰卡德相似系数，若所述杰卡德相似系数小于第二设定阈值，则直接进行报警，所述历史流动信息为该人员在除第一设定时刻外的所有进出所述重点区域的时间信息，每个人员的第二设定阈值不同，所述第二设定阈值通过计算每一人员的历史流动信息之间的杰卡德相似系数得到与该人员对应的第二设定阈值。

具体的，将同一人员在第一设定时刻的人员流动信息和历史流动信息转化成向量集合A0、A1～AN，A0为第一设定时刻的人员流动信息，A1～AN为历史流动信息，先计算A1与AN之间的杰卡德相似系数并求平均值得到第二设定阈值，在分别计算A0与A1～AN之间的杰卡德相似系数，并与所述第二设定阈值进行比较，若小于第二设定阈值则直接进行报警。

在一些具体实施例中，若某一人员的历史流动信息表示该人员每次进入和离开所述重点区域的时间分别为18点和第二天6点，而在第一设定时刻进入和离开所述重点区域的时间为6点到18点，则判断该人员存在异常。

三、当所述重点区域规定了只能在第一时间段内进入和离开时，若存在进入所述重点区域但并为在第一时间段内离开的人员，或存在人员在非第一时间段内进入重点区域则直接进行报警。

在一些具体实施例中，所述重点区域只能在9点到17点之间进入或离开，若某一人员在10点进入所述重点区域，但17点之前并未离开则进行报警，或某一人员在凌晨3点进入所述重点区域则进行报警。

在一些实施例中，所述场景数据矩阵表示了在第一设定时刻时所述重点区域内的人员组成，通过将第一设定时刻重点区域内的人员对应的人员详细信转换为特征向量，并以矩阵的形式进行表示得到所述场景数据矩阵。

在一些实施例中，在“根据不同人员详细信息之间的数据相关性构建第一设定时刻重点区域的预警数据矩阵”步骤中，根据所述重点区域需要的预警情况以人员详细信息之间的数据相关性为基础构建预警数据矩阵，所述预警数据矩阵为拟合的各种风险场景矩阵，其中包含多个人员特征。

示例性的，若所述重点区域需要的预警情况为培训机构场景，则根据不同人员详细信息之间的数据相关性判断在某一时刻需要存在什么职业、什么年龄的人员同时出现在所述重点区域中并构建为所述预警数据矩阵。

具体的，所述预警数据矩阵为设置的风险场景矩阵，例如，当风险场景为培训机构场景时，则所述预警数据矩阵中存在大量老师和学生。在一些实施例中，“将所述场景数据矩阵与所述预警数据矩阵进行比对，若所述场景数据矩阵与所述预警数据矩阵的相似度大于第一设定阈值，则对所述重点区域进行预警”步骤中，根据所述预警数据矩阵的类型为所述场景数据矩阵中的人员分配不同的权重，某一人员的权重越高在比对中所提供的相似度越高。

示例性的，当所述预警数据矩阵的风险场景为培训机构场景时，则在所述场景数据矩阵中老师和学生的权重要高于其他人员，当所述场景数据矩阵与所述预警数据矩阵的相似度大于第一设定阈值时，则表明所述重点区域存在培训机构，触发报警。

具体的，所述场景数据矩阵中的人员权重可根据所述风险场景的的不同进行调整，以模拟决策的影响。

具体的，所述风险场景矩阵可以包括：培训机构、辅导机构等场景，也可以为多重场景相结合的综合场景。

在一些实施例中，在“将所述场景数据矩阵与所述预警数据矩阵进行比对”步骤中，使用线性映射流动模型来判断所述场景数据矩阵与所述预警数据矩阵的相似度。

具体的，所述预警数据矩阵中包含n个重点区域内假设人员，m个进入重点区域假设人员和k个离开重点区域假设人员，基于n、m、k得到在第一设定时刻t时的重点区域内假设人员集合Nt，进入重点区域假设人员Mt以及离开重点区域假设人员集合Kt，集合Nt、Mt、Kt得到一个向量矩阵函数dt(Mt、Nt、Kt)，判断是否对重点区域进行告警的公式如下所示：

其中，B为使用了人员分布因子的矩阵(事先定义可调整)，将所述第一设定时刻之前离开所述重点区域的人员集合，在第一设定时刻进入所述重点区域的人员集合以及第一设定时刻重点区域内的人员集合分别对应的映射到dt上得到Mpt，再为所述重点区域中的人员设置上下限的数据矩阵

实施例二

基于相同的构思，参考图3，本申请还提出了一种根据重点区域内的人员分布情况进行分析预警装置，包括：

第一获取模块：划定重点区域，获取所述重点区域内至少一人员的人员详细信息，所述人员详细信息包括人员基本信息和人员特征信息，所述人员基本信息表征人员身份以及生活习惯的信息，所述人员特征信息表征人员的特征属性，将所述人员详细信息转换为人员特征向量，基于所述人员特征向量计算不同人员详细信息之间的数据相关性；

第二获取模块：获取第一设定时刻所述重点区域内的重点区域流动信息，根据所述重点区域流动信息得到第一设定时刻的场景数据矩阵，所述重点区域流动信息包括第一设定时刻之前离开所述重点区域的人员集合，在第一设定时刻进入所述重点区域的人员集合以及第一设定时刻重点区域内的人员集合；

预警模块：根据不同人员详细信息之间的数据相关性构建第一设定时刻重点区域的预警数据矩阵，将所述场景数据矩阵与所述预警数据矩阵进行比对，若所述场景数据矩阵与所述预警数据矩阵的相似度大于第一设定阈值，则对所述重点区域进行预警。

实施例三

本实施例还提供了一种电子装置，参考图4，包括存储器404和处理器402，该存储器404中存储有计算机程序，该处理器402被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。

具体地，上述处理器402可以包括中央处理器(CPU)，或者特定集成电路(ApplicationSpecificIntegratedCircuit，简称为ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。

其中，存储器404可以包括用于数据或指令的大容量存储器404。举例来说而非限制，存储器404可包括硬盘驱动器(HardDiskDrive，简称为HDD)、软盘驱动器、固态驱动器(SolidStateDrive，简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(UniversalSerialBus，简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器404可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器404可在数据处理装置的内部或外部。在特定实施例中，存储器404是非易失性(Non-Volatile)存储器。在特定实施例中，存储器404包括只读存储器(Read-OnlyMemory，简称为ROM)和随机存取存储器(RandomAccessMemory，简称为RAM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(ProgrammableRead-OnlyMemory，简称为PROM)、可擦除PROM(ErasableProgrammableRead-OnlyMemory，简称为EPROM)、电可擦除PROM(ElectricallyErasableProgrammableRead-OnlyMemory，简称为EEPROM)、电可改写ROM(ElectricallyAlterableRead-OnlyMemory，简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下，该RAM可以是静态随机存取存储器(StaticRandom-AccessMemory，简称为SRAM)或动态随机存取存储器(DynamicRandomAccessMemory，简称为DRAM)，其中，DRAM可以是快速页模式动态随机存取存储器404(FastPageModeDynamicRandomAccessMemory，简称为FPMDRAM)、扩展数据输出动态随机存取存储器(ExtendedDateOutDynamicRandomAccessMemory，简称为EDODRAM)、同步动态随机存取内存(SynchronousDynamicRandom-AccessMemory，简称SDRAM)等。

存储器404可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器402所执行的可能的计算机程序指令。

处理器402通过读取并执行存储器404中存储的计算机程序指令，以实现上述实施例中的任意一种基于重点区域人员流动情况的预警方法、装置及应用。

可选地，上述电子装置还可以包括传输设备406以及输入输出设备408，其中，该传输设备406和上述处理器402连接，该输入输出设备408和上述处理器402连接。

传输设备406可以用来经由一个网络接收或者发送数据。上述的网络具体实例可包括电子装置的通信供应商提供的有线或无线网络。在一个实例中，传输设备包括一个网络适配器(Network Interface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备406可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。

输入输出设备408用于输入或输出信息。在本实施例中，输入的信息可以是重点区域内的人员详细信息，重点区域流动信息等，输出的信息可以是预警结果等。

可选地，在本实施例中，上述处理器402可以被设置为通过计算机程序执行以下步骤：

S101、划定重点区域，获取所述重点区域内至少一人员的人员详细信息，所述人员详细信息包括人员基本信息和人员特征信息，所述人员基本信息表征人员身份以及生活习惯的信息，所述人员特征信息表征人员的特征属性，将所述人员详细信息转换为人员特征向量，基于所述人员特征向量计算不同人员详细信息之间的数据相关性；

S102、获取第一设定时刻所述重点区域内的重点区域流动信息，根据所述重点区域流动信息得到第一设定时刻的场景数据矩阵，所述重点区域流动信息包括第一设定时刻之前离开所述重点区域的人员集合，在第一设定时刻进入所述重点区域的人员集合以及第一设定时刻重点区域内的人员集合；

S103、根据不同人员详细信息之间的数据相关性构建第一设定时刻重点区域的预警数据矩阵，将所述场景数据矩阵与所述预警数据矩阵进行比对，若所述场景数据矩阵与所述预警数据矩阵的相似度大于第一设定阈值，则对所述重点区域进行预警。

需要说明的是，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。

通常，各种实施例可以以硬件或专用电路、软件、逻辑或其任何组合来实现。本发明的一些方面可以以硬件来实现，而其他方面可以以可以由控制器、微处理器或其他计算设备执行的固件或软件来实现，但是本发明不限于此。尽管本发明的各个方面可以被示出和描述为框图、流程图或使用一些其他图形表示，但是应当理解，作为非限制性示例，本文中描述的这些框、装置、系统、技术或方法可以以硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其他计算设备或其某种组合来实现。

本发明的实施例可以由计算机软件来实现，该计算机软件由移动设备的数据处理器诸如在处理器实体中可执行，或者由硬件来实现，或者由软件和硬件的组合来实现。包括软件例程、小程序和/或宏的计算机软件或程序(也称为程序产品)可以存储在任何装置可读数据存储介质中，并且它们包括用于执行特定任务的程序指令。计算机程序产品可以包括当程序运行时被配置为执行实施例的一个或多个计算机可执行组件。一个或多个计算机可执行组件可以是至少一个软件代码或其一部分。另外，在这一点上，应当注意，如图4中的逻辑流程的任何框可以表示程序步骤、或者互连的逻辑电路、框和功能、或者程序步骤和逻辑电路、框和功能的组合。软件可以存储在诸如存储器芯片或在处理器内实现的存储块等物理介质、诸如硬盘或软盘等磁性介质、以及诸如例如DVD及其数据变体、CD等光学介质上。物理介质是非瞬态介质。

本领域的技术人员应该明白，以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。