一种安防控制方法、装置、设备及可读存储介质与流程

1.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。


背景技术：

2.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。
3.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。


技术实现要素：

4.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。
5.第一方面，本公开实施例中提供了一种安防控制方法。
6.具体的，所述安防控制方法，包括：
7.获取待分析区域的人群图像数据；
8.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；
9.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。
10.可选的，所述获取待分析区域的人群图像数据，包括：
11.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；
12.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。
13.可选的，所述获取待分析区域的人群图像数据，包括：
14.获取待分析区域的人群图像，所述人群图像为视频格式；
15.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。
16.可选的，所述行为识别模型的训练方法包括：
17.基于所述人群图像数据建立时序数据集；
18.基于所述时序数据集得到训练集和测试集；
19.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。
20.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。
21.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：
22.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；
23.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。
24.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。
25.第二方面，本公开实施例中提供了一种安防控制装置。
26.具体的，所述安防控制装置，包括：
27.数据获取模块，被配置为获取待分析区域的人群图像数据；
28.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；
29.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。
30.可选的，所述数据获取模块，包括：
31.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；
32.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。
33.可选的，所述数据获取模块，包括：
34.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；
35.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。
36.可选的，所述行为识别模型的训练方法包括：
37.基于所述人群图像数据建立时序数据集；
38.基于所述时序数据集得到训练集和测试集；
39.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。
40.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。
41.可选的，所述报警模块，包括：
42.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；
43.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。
44.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。
45.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。
46.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。
47.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。
48.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
49.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：
50.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。
51.图2示出根据本公开的实施例的安防控制方法的流程图。
52.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。
53.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。
54.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。
55.图6示出根据本公开的另一实施例的安防控制装置的结构框图。
56.图7示出根据本公开的又一实施例的安防控制装置的结构框图。
57.图8示出根据本公开的实施例的电子设备的结构框图。
58.图9示出适于用来实现根据本公开实施例的方法的计算机系统的结构示意图。
具体实施方式
59.下文中，将参考附图详细描述本公开的示例性实施例，以使本领域技术人员可容易地实现它们。此外，为了清楚起见，在附图中省略了与描述示例性实施例无关的部分。
60.在本公开中，应理解，诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在，并且不欲排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。
61.另外还需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
62.在本公开中，如涉及对用户信息或用户数据的获取操作或向他人展示用户信息或用户数据的操作，则所述操作均为经用户授权、确认，或由用户主动选择的操作。
63.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。
64.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。
65.为至少部分地解决发明人发现的现有技术中的问题而提出本公开。
66.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。
67.监控系统又称之为闭路电视监控系统(英文：closed-circuittelevision，缩写cctv)，典型的监控系统主要由前端视频采集设备、视频传输设备、后端存储、控制及显示设备这五大部分组成，其中后端设备可进一步分为中心控制设备和分控制设备。前、后端设备有多种构成方式，它们之间的联系(也可称作传输系统)可通过同轴电缆、双绞线、光纤、微波、无线等多种方式来实现。举例来说，如图1所示，本公开的安防控制方法所应用的监控系统结构中前端视频采集设备是红外/半球型摄像机，红外/枪式摄像机，云台摄像机以及解码器或者球型云台摄像机以及解码器中任意一种或多种；视频传输设备是互联网(internet)设备；后端存储设备是dvr硬盘录像机；控制及显示设备是内部网远程监控，广域网远程监控，视频矩阵分配器以及电视墙等。在本公开的实施例中，前端视频采集设备、视频传输设备、后端存储、控制及显示设备也可以采用其他型号或者类型的设备，本公开对此不作限制。
68.图2示出根据本公开的实施例的安防控制方法的流程图。
69.如图2所示，所述安防控制方法包括以下步骤s101-s103：
70.在步骤s101中，获取待分析区域的人群图像数据；
71.在步骤s102中，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；
72.在步骤s103中，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。
73.本公开实施例提供的安防控制方法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。
74.根据本公开的实施例，本公开的待分析区域是指监控系统中前端视频采集设备采集的区域，例如在银行，待分析区域可以是银行的各个办公区域，具体的例如可以是各功能室等，或者也可以是某一功能室的细分区或者各业务办理区，例如银行营业大厅的大堂经理区、智能服务区、等候区、现金业务区、个人/公司非现金业务区、填单台、金融知识宣传区等区域等。本公开对此不作限制。
75.根据本公开的实施例，本公开的人群图像为视频格式和/或图片格式。其中，图片格式可以是灰度图片，横屏图片和/或竖屏图片等。人群图像数据包括人群密度数据，人群运动速度数据和运动方向数据等。
76.根据本公开的实施例，本公开的行为识别模型是神经网络模型。神经网络模型包
括rnn，lstm，gru，卷积神经网络模型等。其中，rnn是循环神经网络(recurrent neuralnetwork,rnn)，具体的一类以序列数据为输入，在序列的演进方向进行递归且所有节点(循环单元)按链式连接的递归神经网络。循环神经网络具有记忆性、参数共享并且图灵完备，因此在对序列的非线性特征进行学习时具有一定优势。lstm是长短期记忆网络(lstm，longshort-termmemory)，具体的是一种时间循环神经网络，是为了解决一般的rnn(循环神经网络)存在的长期依赖问题而专门设计出来的，所有的rnn都具有一种重复神经网络模块的链式形式。gru(gaterecurrentunit)是lstm网络的一种效果很好的变体，它较lstm网络的结构更加简单，而且效果也很好，因此也是当前非常流形的一种网络。gru既然是lstm的变体，因此也是可以解决rnn网络中的长依赖问题。卷积神经网络(convolutionalneuralnetworks,cnn)是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。卷积神经网络仿造生物的视知觉机制构建，可以进行监督学习和非监督学习，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化特征，例如像素和音频进行学习、有稳定的效果且对数据没有额外的特征工程要求。
77.根据本公开的实施例，本公开的分级密度估计器对输入的人群图像的多尺度信息进行由粗到细的挖掘，从而实现多个等级的密度特征估计，提取得到人群图像中能够反映人群密度的密度特征。辅助计数分类器可以辅助完成人群图像中计数分类的任务处理。该辅助计数分类器由卷积层、池化层、激活层和全连接层构成。异常检测模型用于提取人体异常行为特征，例如人群密度异常和/或行为异常，其中，人群密度异常即群密度或人数是异常,不少人群异常检测算法都依赖人群密度进行检测。运动模式异常通常表现在人群的运动异常,如人群混乱等,人群运动特征的提取就可以表示人群异常。运动模式特征通常分为运动速度和运动方向两类。
78.根据本公开的实施例，本公开的安防警报措施是指发出报警信号，提示人员发生报警的区域部位的措施。例如可以是紧急呼叫，语音鸣笛，110报警自动接入，声光报警等，本公开对此不作限制。
79.根据本公开的实施例，所述步骤s101即获取待分析区域的人群图像数据的步骤中，获取待分析区域的人群图像数据可以是基于实时监控视频获取人群图像数据，也可以是基于录像或存储的特定时间段的图片获取人群图像数据。
80.根据本公开的实施例，所述步骤s102即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的步骤中，所述行为识别模型是神经网络模型，例如可以是以下任意一种：rnn，lstm，gru，卷积神经网络模型。
81.具体的，本公开以所述行为识别模型是由分级密度估计器、辅助计数分类器、异常检测模型构成的卷积神经网络模型为例说明，所述卷积神经网络模型为利用标注有人头位置点且属于同一银行网点的连续多个时刻对应的多张人群图像样本训练得到，其中，人群图像样本为在某一银行网点采集到的人群图像。利用多张人群图像样本训练该卷积神经网络模型的具体训练过程包括：从人群图像样本中获取人群图像数据，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。或者，也可采用目前训练神
经网络模型的任意训练过程，本公开对此不作限制。
82.例如，针对上一时刻对应的上一张人群图像样本，可以提取该人群图像样本的特征数据，当提取的特征数据是人群密度数据时，将该些特征数据输入到待训练的卷积神经网络中，卷积神经网络输出人头总数为异常行为人数。当提取的特征数据是人体行为检测数据(包括人群运动速度数据和运动方向数据)时，将该些特征数据输入到待训练的卷积神经网络中，得到卷积神经网络模型输出的基于人群图像样本的异常行为人数。在此基础上，根据卷积神经网络模型预测出下一时刻对应的下一张人群图像样本的异常行为人数，可以确定卷积神经网络模型的预测准确度，如计算损失函数值等，如果预测准确度不满足要求(如损失函数值未收敛等)，调整该卷积神经网络模型的内部参数后，直至预测准确度符合要求(如损失函数值收敛等)，该卷积神经网络模型训练完成为止。
83.根据本公开的实施例，所述步骤s103即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的步骤中，包括：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；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。其中，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。
84.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。
85.如图3所示，所述安防控制方法包括以下步骤s301
–
s304：
86.在步骤s301中，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；
87.在步骤s302中，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；
88.在步骤s303中，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；
89.在步骤s304中，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。
90.本公开实施例提供的安防控制方法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。
91.根据本公开的实施例，所述步骤s301和s302公开的内容即通过视频格式或图片格式的人群图像提取人群密度数据作为人群图像数据。
92.根据本公开的实施例，所述步骤s303和s304中的内容与所述步骤s102和s103中的内容一致，此处不予赘述。
93.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。
94.如图4所示，所述安防控制方法包括以下步骤s401
–
s404：
95.在步骤s401中，获取待分析区域的人群图像，所述人群图像为视频格式；
96.在步骤s402中，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；
97.在步骤s403中，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；
98.在步骤s404中，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。
99.本公开实施例提供的安防控制方法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。
100.根据本公开的实施例，所述步骤s401和s402公开的内容即通过视频格式的人群图像提取人群运动速度数据和运动方向数据作为人群图像数据。
101.根据本公开的实施例，所述步骤s403和s404中的内容与所述步骤s102和s103中的内容一致，此处不予赘述。
102.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。其中，该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。
103.如图5所示，所述安防控制装置500包括：
104.数据获取模块510，被配置为获取待分析区域的人群图像数据；
105.数据处理模块520，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；
106.报警模块530，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。
107.本公开实施例提供的安防控制装置，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。
108.根据本公开提供的实施例，本公开的待分析区域是指监控系统中前端视频采集设备采集的区域，例如在银行，待分析区域可以是银行的各个办公区域，具体的例如可以是各功能室等，或者也可以是某一功能室的细分区或者各业务办理区，例如银行营业大厅的大堂经理区、智能服务区、等候区、现金业务区、个人/公司非现金业务区、填单台、金融知识宣传区等区域等。本公开对此不作限制。
109.根据本公开的实施例，本公开的人群图像为视频格式和/或图片格式。其中，图片格式可以是灰度图片，横屏图片和/或竖屏图片等。人群图像数据包括人群密度数据，人群运动速度数据和运动方向数据等。
110.根据本公开的实施例，本公开的行为识别模型是神经网络模型。神经网络模型包括rnn，lstm，gru，卷积神经网络模型等。其中，rnn是循环神经网络(recurrent neuralnetwork,rnn)，具体的一类以序列数据为输入，在序列的演进方向进行递归且所有节点(循环单元)按链式连接的递归神经网络。循环神经网络具有记忆性、参数共享并且图灵完备，因此在对序列的非线性特征进行学习时具有一定优势。lstm是长短期记忆网络
(lstm，longshort-termmemory)，具体的是一种时间循环神经网络，是为了解决一般的rnn(循环神经网络)存在的长期依赖问题而专门设计出来的，所有的rnn都具有一种重复神经网络模块的链式形式。gru(gaterecurrentunit)是lstm网络的一种效果很好的变体，它较lstm网络的结构更加简单，而且效果也很好，因此也是当前非常流形的一种网络。gru既然是lstm的变体，因此也是可以解决rnn网络中的长依赖问题。卷积神经网络(convolutionalneuralnetworks,cnn)是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。卷积神经网络仿造生物的视知觉机制构建，可以进行监督学习和非监督学习，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化特征，例如像素和音频进行学习、有稳定的效果且对数据没有额外的特征工程要求。
111.根据本公开的实施例，本公开的分级密度估计器对输入的人群图像的多尺度信息进行由粗到细的挖掘，从而实现多个等级的密度特征估计，提取得到人群图像中能够反映人群密度的密度特征。辅助计数分类器可以辅助完成人群图像中计数分类的任务处理。该辅助计数分类器由卷积层、池化层、激活层和全连接层构成。异常检测模型用于提取人体异常行为特征，例如人群密度异常和/或行为异常，其中，人群密度异常即群密度或人数是异常,不少人群异常检测算法都依赖人群密度进行检测。运动模式异常通常表现在人群的运动异常,如人群混乱等,人群运动特征的提取就可以表示人群异常。运动模式特征通常分为运动速度和运动方向两类。
112.根据本公开的实施例，本公开的安防警报措施是指发出报警信号，提示人员发生报警的区域部位的措施。例如可以是紧急呼叫，语音鸣笛，110报警自动接入，声光报警等，本公开对此不作限制。
113.根据本公开的实施例，所述数据获取模块510中，获取待分析区域的人群图像数据可以是基于实时监控视频获取人群图像数据，也可以是基于录像或存储的特定时间段的图片获取人群图像数据。
114.根据本公开的实施例，所述数据处理模块520中，所述行为识别模型是神经网络模型，例如可以是以下任意一种：rnn，lstm，gru，卷积神经网络模型。
115.具体的，本公开以所述行为识别模型是由分级密度估计器、辅助计数分类器、异常检测模型构成的卷积神经网络模型为例说明，所述卷积神经网络模型为利用标注有人头位置点且属于同一银行网点的连续多个时刻对应的多张人群图像样本训练得到，其中，人群图像样本为在某一银行网点采集到的人群图像。利用多张人群图像样本训练该卷积神经网络模型的具体训练过程包括：从人群图像样本中获取人群图像数据，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。或者，也可采用目前训练神经网络模型的任意训练过程，本公开对此不作限制。
116.例如，针对上一时刻对应的上一张人群图像样本，可以提取该人群图像样本的特征数据，当提取的特征数据是人群密度数据时，将该些特征数据输入到待训练的卷积神经网络中，卷积神经网络输出人头总数为异常行为人数。当提取的特征数据是人体行为检测数据(包括人群运动速度数据和运动方向数据)时，将该些特征数据输入到待训练的卷积神经网络中，得到卷积神经网络模型输出的基于人群图像样本的异常行为人数。在此基础上，
根据卷积神经网络模型预测出下一时刻对应的下一张人群图像样本的异常行为人数，可以确定卷积神经网络模型的预测准确度，如计算损失函数值等，如果预测准确度不满足要求(如损失函数值未收敛等)，调整该卷积神经网络模型的内部参数后，直至预测准确度符合要求(如损失函数值收敛等)，该卷积神经网络模型训练完成为止。
117.根据本公开的实施例，所述报警模块530包括等级设置单元和执行单元，所述等级设置单元，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；所述执行单元，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。其中，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。
118.图6示出根据本公开的另一实施例的安防控制装置的结构框图。
119.如图6所示，所述安防控制装置600包括：
120.第一获取单元610，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；
121.第一数据提取单元620，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；
122.数据处理模块630，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；
123.报警模块640，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。
124.本公开实施例提供的安防控制装置，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。
125.根据本公开的实施例，所述第一获取单元610和第一数据提取单元620的功能是通过视频格式或图片格式的人群图像提取人群密度数据作为人群图像数据。
126.根据本公开的实施例，所述数据处理模块630和报警模块640的功能与所述数据处理模块520和报警模块530中的功能一致，此处不予赘述。
127.图7示出根据本公开的又一实施例的安防控制装置的结构框图。
128.如图7所示，所述安防控制装置700包括：
129.第二获取单元710，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；
130.第二数据提取单元720，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；
131.数据处理模块730，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；
132.报警模块740，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。
133.本公开实施例提供的安防控制装置，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。
134.根据本公开的实施例，所述第二获取单元710和第二数据提取单元720的功能是通过视频格式的人群图像提取人群运动速度数据和运动方向数据作为人群图像数据。
135.根据本公开的实施例，所述数据处理模块730和报警模块740的功能与所述数据处理模块520和报警模块530中的功能一致，此处不予赘述。
136.本公开还公开了一种电子设备，图8示出根据本公开的实施例的电子设备的结构框图。
137.如图8所示，所述电子设备包括存储器和处理器，其中，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下方法步骤：
138.获取待分析区域的人群图像数据；
139.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；
140.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。
141.本公开实施例的技术方案，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。
142.根据本公开的实施例，所述获取待分析区域的人群图像数据，包括：
143.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；
144.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。
145.根据本公开的实施例，所述获取待分析区域的人群图像数据，包括：
146.获取待分析区域的人群图像，所述人群图像为视频格式；
147.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。
148.根据本公开的实施例，所述行为识别模型的训练方法包括：
149.基于所述人群图像数据建立时序数据集；
150.基于所述时序数据集得到训练集和测试集；
151.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。
152.根据本公开的实施例，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。
153.根据本公开的实施例，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：
154.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；
155.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。
156.根据本公开的实施例，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。
157.图9示出适于用来实现根据本公开实施例的方法的计算机系统的结构示意图。
158.如图9所示，计算机系统包括处理单元，其可以根据存储在只读存储器(rom)中的程序或者从存储部分加载到随机访问存储器(ram)中的程序而执行上述实施例中的各种方法。在ram中，还存储有计算机系统操作所需的各种程序和数据。处理单元、rom以及ram通过总线彼此相连。输入/输出(i/o)接口也连接至总线。
159.以下部件连接至i/o接口：包括键盘、鼠标等的输入部分；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分；包括硬盘等的存储部分；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分。通信部分经由诸如因特网的网络执行通信过程。驱动器也根据需要连接至i/o接口。可拆卸介质，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器上，以便于从其上读出的计算机程序根据需要被安装入存储部分。其中，所述处理单元可实现为cpu、gpu、tpu、fpga、npu等处理单元。
160.特别地，根据本公开的实施例，上文描述的方法可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，所述计算机程序包含用于执行上述方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。
161.附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
162.描述于本公开实施例中所涉及到的单元或模块可以通过软件的方式实现，也可以通过可编程硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
163.作为另一方面，本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中电子设备或计算机系统中所包含的计算机可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，所述程序被一个或者一个以上的处理器用来执行描述于本公开的方法。
164.以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

技术特征：
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，卷积神经网络模型。6.根据权利要求1所述的安防控制方法，其特征在于，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：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；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。7.根据权利要求1所述的安防控制方法，其特征在于，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。8.一种安防控制装置，其特征在于，包括：数据获取模块，被配置为获取待分析区域的人群图像数据；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；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。9.一种电子设备，其特征在于，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权利要求1-7任一项所述的方法步骤。10.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该计算机指令被
处理器执行时实现权利要求1-7任一项所述的方法步骤。

技术总结
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。


技术研发人员：张会来 马强 张金秋
受保护的技术使用者：北京神州新桥科技有限公司
技术研发日：2023.06.06
技术公布日：2023/9/12