监控系统及其报警方法与流程

本发明涉及安防技术领域，尤其涉及报警方法和监控系统。

背景技术：

在日常生活中，小区、写字楼、学校、商场等公共场所出现警情时，一般通过人工报警，有时候可能由于没有人帮忙报警或没有及时发现警情而延误报警，这导致了很多警情没有得到及时处理。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

技术实现要素：

本发明的主要目的在于提供一种报警方法，旨在实现警情可得到及时的处理，提高监控区域的安全性。

为实现上述目的，本发明提供一种报警方法，所述报警方法包括以下步骤：

获取监控视频数据和监控声频数据，所述监控视频数据和所述监控声频数据通过设于目标监控区域的监控设备采集；

将所述监控视频数据和所述监控声频数据输入预设警情识别模型；

根据所述预设警情识别模型输出的识别结果，判断所述目标监控区域是否出现警情；

当所述目标监控区域出现警情时，输出报警信号。

可选地，所述输出报警信号的步骤包括：

获取所述监控设备的位置信息；

根据所述识别结果和所述位置信息生成所述报警信号；

将所述报警信号发送至报警平台。

可选地，所述输出报警信号的步骤之后，还包括：

接收所述报警平台基于所述报警信号返回的反馈信息；

当所述反馈信息为确认所述警情的信息时，获取所述警情对应的跟踪信息；

发送所述警情对应的跟踪信息至所述报警平台。

可选地，所述获取所述警情对应的跟踪信息的步骤包括：

获取所述监控设备实时采集的第一视频数据和第一声频数据；

根据第一视频数据判断所述警情当前是否位于所述目标监控区域内；

若所述警情当前位于所述目标监控区域内，将所述第一视频数据和第一声频数据作为所述跟踪信息。

可选地，所述根据第一视频数据和判断所述警情当前是否位于所述目标监控区域内的步骤之后，还包括：

若所述警情当前不位于所述目标监控区域内，确定所述警情发生位置的迁移方向；

根据所述迁移方向生成所述跟踪信息。

可选地，所述根据第一视频数据判断所述警情当前是否位于所述目标监控区域内的步骤包括：

在所述监控视频数据中，确定所述警情对应的危险标识的图像；

判断所述第一视频数据的图像帧是否包括与所述危险标识的图像匹配的图像；

若所述第一视频数据的图像帧包括与所述危险标识的图像匹配的图像，则判定所述警情当前位于所述目标监控区域内；

若所述第一视频数据的图像帧不包括与所述危险标识的图像匹配的图像，则判定所述警情当前不位于所述目标监控区域内。

可选地，所述确定所述警情发生位置的迁移方向的步骤包括：

获取所述监控设备在当前时刻之前的预设时间段内采集的视频数据，作为第二视频数据；

确定所述危险标识的图像在所述第二视频数据中的运动轨迹；

根据所述运动轨迹确定所述迁移方向。

可选地，所述根据所述迁移方向生成所述跟踪信息的步骤包括：

确定所述监控设备的所在区域；

判断所述监控设备的所在区域内在所述迁移方向上，是否存在所述监控设备以外的其他监控设备；

当存在所述其他监控设备时，获取所述其他监控设备采集的视频数据，作为第三视频数据，获取所述其他监控设备采集的声频数据，作为第二声频数据；

当所述第三视频数据的图像帧包括与所述危险标识的图像匹配的图像时将所述第三视频数据和第二声频数据作为所述跟踪信息。

可选地，所述获取监控视频数据和监控声频数据的步骤之前还包括：

获取历史监控数据，所述历史监控数据包括历史视频数据及其对应的历史声频数据；

提取所述历史监控数据中包含有效监控信息的监控数据，作为数据样本；

确定所述数据样本中包含警情信息的数据样本，作为正样本训练集，确定所述数据样本中不包含警情信息的数据样本，作为负样本训练集；

通过机器学习所述正样本训练集和所述负样本训练集，得到所述预设警情识别模型。

此外，为了实现上述目的，本申请还提出一种监控系统，所述监控系统包括：

监控设备，包括视频采集装置和声频采集装置；

报警设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的报警程序，所述处理器分别与所述视频采集装置和所述声频采集装置连接，所述报警程序被所述处理器执行时实现如上任一项所述的报警方法的步骤。

本发明实施例提出的一种报警方法，通过预先形成的预设警情识别模型，通过预设警情识别模块分析目标监控区域的监控设备所采集的监控视频数据和监控声频数据，根据识别结果判定目标监控区域出现警情时，输出报警信号，此过程无需人工的参与便可自动识别出警情，即时监控区域没有人也可以在警情发生时及时输出报警信号，使警情可得到及时的处理，不会进一步的扩大，提高监控区域的安全性。

附图说明

图1是本发明实施例监控系统的硬件运行环境的结构示意图；

图2为图1中报警设备的硬件结构示意图；

图3为本发明实施例报警方法第一实施例的流程示意图；

图4为本发明实施例报警方法第二实施例的流程示意图；

图5为本发明实施例报警方法第三实施例的流程示意图；

图6为本发明实施例报警方法第四实施例的流程示意图；

图7为本发明实施例报警方法第五实施例的流程示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例的主要解决方案是：获取监控视频数据和监控声频数据，所述监控视频数据和监控声频数据通过设于所述目标监控区域的监控设备100采集；将所述监控视频数据和所述监控声频数据输入预设警情识别模型；根据所述预设警情识别模型的识别结果，判断所述目标监控区域是否出现警情；当所述目标监控区域出现警情时，输出报警信号。

由于现有技术，依赖于人工报警会使警情没有得到及时处理。

本发明提供上述解决方案，实现警情可得到及时的处理，提高监控区域的安全性。

本发明提出一种监控系统，可设于小区、写字楼、学校、商场、车站等公共场所，用于监控上述场所的安全情况，尤其用于对上述场所的警情进行识别和报警。被识别的警情可具体包括火灾、抢劫、溺水、车祸等危害人身或财产安全的情形。

在本发明实施例中，参照图1，监控系统包括监控设备100和报警设备200。监控设备100包括视频采集装置和声频采集装置，视频采集装置用于采集监控区域的监控视频数据，声频采集装置用于采集监控区域的监控声频数据。

监控区域为设有监控设备100的区域。其中，报警设备200可为独立于监控设备100且与监控设备100通信连接的设备，此外，报警设备200还可内置于监控设备100中作为监控设备100的一个功能模块。依据不同场所的安防要求，监控设备100可有多个且分布设于不同的监控区域。

参照图2，报警设备200具体包括处理器2001，例如cpu，存储器2002，。存储器2002可以是高速ram存储器，也可以是稳定的存储器(non-volatilememory)，例如磁盘存储器。存储器2002可选的还可以是独立于前述处理器2001的存储装置。处理器2001与存储器2002连接。所述处理器2001分别与所述视频采集装置和所述声频采集装置连接，以获取视频采集装置和声频采集装置所采集的数据。

本领域技术人员可以理解，图1中示出的设备结构并不构成对设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图2所示，作为一种计算机存储介质的存储器2002中可以包括报警程序。

在图1所示的设备中，处理器2001可以用于调用存储器2002中存储的报警程序，并执行以下实施例中报警方法的相关步骤的操作。

此外，本发明还提出一种报警方法，应用于警情的识别。例如，采用本发明的报警方法，某业主回家后多天没有再次出门，人长时间处于水面下不动，人与车发生碰撞，建筑物燃烧，物体坠落且其坠落速度超过预设速度等在预设警情识别模块中可被判定为出现警情并输出报警信号。

具体的，参照图3，提出本发明报警方法第一实施例。在本实施例中，所述报警方法包括：

步骤s10，获取监控视频数据和监控声频数据，所述监控视频数据和监控声频数据通过设于目标监控区域的监控设备100采集；

具体的，可实时的获取设于目标监控区域的监控设备100所采集的监控视频数据，同时实时的获取设于目标监控区域的监控设备100所采集的监控声频数据。

目标监控区域为监控设备100所在的需进行警情监控的区域。

步骤s20，将所述监控视频数据和所述监控声频数据输入预设警情识别模型；

需要说明的是，预设警情识别模型可以是卷积神经网络模型、超分辨率测试序模型模型或基于卷积神经网络特征的区域方法模型中至少一种模型。

预设警情识别模型对输入的监控视频数据和监控声频数据进行分析。具体的，预设警情识别模型首先分析监控视频数据中的目标对象(人、车、物等)及其行为轨迹，同时采用预设警情识别模型分析监控声频数据中的声音信息(例如声音种类、语音信息)。若分析得到的目标对象及其行为轨迹和声音信息与正样本训练集中的数据匹配，则输出存在警情的识别结果；若分析得到的目标对象及其行为轨迹和声音信息与负样本训练集中的数据匹配，则输出不存在警情的识别结果。

具体的，可依据预设警情识别模型计算目标对象及其行为轨迹在不同警情类型的视频数据样本中的第一分布概率。获取第一分布概率最大的警情类型所对应不同种类的声频数据样本，计算声音信息在不同种类的声频数据集中的第二分布概率。其中，可依据不同警情类型可能出现的声音类型对声频数据集进行分类，例如火灾警情中的爆炸声、呼喊声等，车祸警情中的碰撞声、呼喊声、吵架声等。依据第一分布概率及其对应的第二分布概率计算目标对象及其行为轨迹和声音信息在不同警情类型中的总分布概率，当最大的总分布概率大于或等于预设阈值时，则分析得到的目标对象及其行为轨迹和声音信息与正样本训练集中的数据匹配，可输出包括存在警情的识别结果。进一步的，总分布概率最大的警情类型作为当前的警情类型，此外，还可根据警情类型确定警情级别，因此，除了包括存在警情的识别结果外，还可输出包括警情类型和警情级别的识别结果。

其中，不同的场景类型可对应设有不同的预设警情识别模型。场景类型可具体包括工厂、游泳池、商场、马路等。因此，可首先确定所述目标监控区域所处的场景类型；根据所确定的场景类型可获取对应的预设警情识别模块，将监控视频数据和监控声频数据输入至所获取的预设警情识别模型内进行分析，以提高识别结果的准确度。

步骤s30，根据所述预设警情识别模型输出的识别结果，判断所述目标监控区域是否出现警情；

识别结果具体包括是否出现警情、警情类型、警情级别等。其中，警情类型可具体包括抢劫、偷窃、伤人、车祸、火灾、溺水等。警情级别可具体包括严重警情、中等警情、轻微警情等。依据识别结果便可确定目标监控区域是否出现警情。

步骤s40，当所述目标监控区域出现警情时，输出报警信号。

当目标监控区域出现警情时，可进一步的按照识别结果中的警情类型、警情级别等输出相应的报警信号。例如，可依据警情类型确定对应的报警平台，输出报警信号至所确定的报警平台。例如火灾对应消防报警平台，伤人对应公安报警平台等。

另外，还可依据警情级别确定相应的安防单位，输出报警信号至所确定的安防单位。例如，当出现轻微警情时，可输出报警信号至目标监控区域附近的保安人员，当出现中等警情时，可输出报警信号至县级的公安报警平台，当出现严重警情时，可输出报警信号至区级的公安报警平台。

此外，还可通过在目标监控区域设置声光提示设备，控制声光提示设备输出报警信号对应的声光信号，提示目标监控区域附近的人发现目标监控区域的警情，以使警情可得到及时处理。例如，起火时可发出警报声音，提示周围的人员及时过来灭火，避免火势的进一步扩大。

在本实施例中提出的一种报警方法，通过预先形成的预设警情识别模型，通过预设警情识别模块分析目标监控区域的监控设备100所采集的监控视频数据和监控声频数据，根据识别结果判定目标监控区域出现警情时，输出报警信号，此过程无需人工的参与便可自动识别出警情，即时监控区域没有人也可以在警情发生时及时输出报警信号，使警情可得到及时的处理，不会进一步的扩大，提高监控区域的安全性。

具体的，在上述实施例中，参照图4，所述获取监控视频数据和监控声频数据的步骤之前还包括：

步骤s00，获取历史监控数据，所述历史监控数据包括历史视频数据及其对应的历史声频数据；

具体的，不同监控区域的监控设备100所采集的监控数据都可进行储存。历史监控数据为过去预设时间段(如5年、10年等)内存储器中所储存的监控数据，具体可包括历史视频数据及其对应的历史声频数据。历史声频数据为与历史视频数据同时采集的声频数据，同一时间采集的历史视频数据与历史声频数据相互对应。

步骤s01，提取所述历史监控数据中包含有效监控信息的监控数据，作为数据样本；

有效监控信息包括动态图像和分贝数大于或等于预设值的声音。具体的，将包含动态图像的历史视频数据作为视频数据样本，进一步获取视频数据样本对应的历史声频数据，将包含分贝数大于或等于预设值的声音的历史声频数据作为声频数据样本。所得到的视频数据样本和声频数据样本作为预设警情识别模型的数据样本。

步骤s02，确定所述数据样本中包含警情信息的数据样本，作为正样本训练集，确定所述数据样本中不包含警情信息的数据样本，作为负样本训练集；

具体的，可获取存储器与报警平台之间的交互记录，依据交互记录确定数据样本中曾被公安部门调取的数据样本为包含警情信息的数据样本。进一步的，将没有被公安部门调取的数据样本提供给专业安保人员并获取专业安保人员反馈的分类信息，依据分类信息区分数据样本中包含警情信息的数据样本和不包含警情信息的数据样本。其中，包含警情信息的数据样本作为正样本训练集。

步骤s03，通过机器学习所述正样本训练集和所述负样本训练集，得到所述预设警情识别模型。

通过机器学习对正样本训练集和负样本训练集进行分类和回归性分析，得到视频数据和声频数据与是否出现警情的相关性。具体的，在正样本训练集的学习中，可依据警情类型、警情级别等对其中的样本数据进行深度学习，使预设警情识别模型除了可识别是否出现警情外，在出现警情时还可输出警情类型、警情级别等。

在本实施例中，获取历史监控数据，对历史监控数据进行清洗，提取得到包含有效监控信息的监控数据作为数据样本，再对数据样本进行分类学习，一方面可提高机器学习的效率，另一方面可过滤掉不包含有效监控信息的监控数据，保证所形成的预设警情识别模型的准确性。

基于上述实施例，提出本申请报警方法的第二实施例。在第二实施例中，参照图5，所述输出报警信号的步骤包括：

步骤s41，获取所述监控设备100的位置信息；

每个监控设备100均与其所在位置的位置信息关联，位置信息可储存在报警设备200的存储器中，也可储存在监控设备100自身的存储器中。位置信息可具体包括街道信息、门牌号、企业名称、小区名称等。

步骤s42，根据所述识别结果和所述位置信息生成所述报警信号；

当识别结果为目标监控区域出现警情时，将警情的判定结果、警情对应的监控视频数据和监控声频数据、警情类型、警情级别、发生警情的位置一起封装形成报警信号。

步骤s43，将所述报警信号发送至报警平台。

在本实施例中，将识别结果与位置信息同时发送至报警平台，使警情处理人员知晓发生警情的同时快速知道发生警情的位置，以及时的到达相应位置处理警情。

进一步的，在第二实施例中，参照图5，所述输出报警信号的步骤之后，还包括：

步骤s50，接收所述报警平台基于所述报警信号返回的反馈信息；

报警平台接收到报警信号后，接报人员可对报警信号中的监控视频数据和监控声频数据进行确认，判断目标监控区域是否真的出现警情，若判定目标监控区域确实出现警情，则向报警设备200返回确认警情的信息，若判定目标监控区域并没有出现警情，则向报警设备200返回否定警情的信息。

步骤s60，当所述反馈信息为确认所述警情的信息时，获取所述警情对应的跟踪信息；

跟踪信息可具体包括警情对应的实时监控数据、警情的迁移方向等。

步骤s70，发送所述警情对应的跟踪信息至所述报警平台。

此外，当反馈信息为否定所述警情的信息时，还可将报警信号所对应的监控视频数据和监控声频数据作为负样训练集中的样本数据，再进行机器学习，以修正预设警情识别模型，使预设警情识别模型的识别更加的准确。

在本实施例中，基于反馈信息对警情进行二次判定，若判定目标监控区域确实出现警情，则获取警情的跟踪信息并发送给报警平台，由于警情可能会发生变化，如嫌疑人逃离目标监控区域等，警情的处理人员可依据报警平台所接收到的跟踪信息执行相应的处置措施，以保证警情处理的及时性和有效性。

具体的，参照图6，所述获取所述警情对应的跟踪信息的步骤包括：

步骤s61，获取所述监控设备100实时采集的第一视频数据和第一声频数据；

步骤s62，根据第一视频数据判断所述警情当前是否位于所述目标监控区域内；若所述警情当前位于所述目标监控区域内，执行步骤s63；若所述警情当前不位于所述目标监控区域内，执行步骤s64、执行步骤s65。

具体的，可将第一视频数据和第一声频数据输入至预设警情识别模块，并根据预设警情识别模块输出的识别结果判断目标监控区域是否出现警情，若当前目标监控区域出现警情，则判定步骤s30所判定的警情当前位于所述目标监控区域内，若当前目标监控区域没有出现警情，则判定步骤s30所判定的警情当前不位于所述目标监控区域内。此外，步骤s62还可包括：

步骤s621，在所述监控视频数据中，确定所述警情对应的危险标识的图像；

在监控视频数据中可根据上述的识别结果确定警情对应的危险标识的图像。对所述监控视频数据中将与预设警情识别模块中的正样本训练集匹配的图像作为警情对应的图像。在警情对应的图像中根据警情类型确定危险标识的图像。具体的，可对警情对应的图像进行危险特征识别，将具有危险特征图像区域作为危险标识的图像。例如，危险特征可包括攻击物图像，当警情类型为伤人警情时，可对监控视频数据进行人体识别和攻击物识别(如刀状、棍状的物体识别)，将持有攻击物的人体图像作为危险标识的图像。此外的警情类型，还可适应的进行不同的危险特征识别，如火灾警情，则危险特征则可包括火的图像。

步骤s622，判断所述第一视频数据的图像帧是否包括与所述危险标识的图像匹配的图像；

若所述第一视频数据的图像帧包括与所述危险标识的图像匹配的图像，则执行步骤s623；若所述第一视频数据的图像帧不包括与所述危险标识的图像匹配的图像，则执行步骤s624。

步骤s623，判定所述警情位于所述目标监控区域内；

步骤s624，判定所述警情不位于所述目标监控区域内。

分析第一视频数据的图像帧，判断图像帧中是否包括与危险标识的图像的颜色、形状等相似度大于或等于预设阈值的图像区域，若包括，表明第一视频数据的图像帧包括与所述危险标识的图像匹配的图像，可判定警情位于所述目标监控区域内；若不包括，则表明第一视频数据的图像帧不包括与所述危险标识的图像匹配的图像，可判定警情不位于所述目标监控区域内。

步骤s63，将所述第一视频数据和第一声频数据作为所述跟踪信息。

步骤s64，确定所述警情发生位置的迁移方向；

具体的，可依据监控设备100采集的视频数据和/或声频数据分析得到警情发生位置的迁移方向。

步骤s65，根据所述迁移方向生成所述跟踪信息。

将迁移方向作为跟踪信息直接提供至报警平台，使警情处理人员可根据迁移方向采取相应的警情处理措施，例如，追捕犯罪嫌疑人。

在本实施例中，在确认警情后，获取目标监控区域当前的第一视频数据和第一声频数据，依据第一视频数据判断警情是否仍在目标监控区域内，若是，则将第一视频数据和第一声频数据作为跟踪信息，使警情处理人员可实时获取到警情现场的情况，以采取相应的措施；此外，若警情离开目标监控区域进入其他监控区域或进入其他无监控区域时，可获取警情发生位置的迁移方向，依据迁移方向生成跟踪信息，便于警情处理人员可顺利到达警情现场采取相应的措施。

具体的，在上述实施例中，所述确定所述警情发生位置的迁移方向的步骤包括：

步骤s641，获取所述监控设备100在当前时刻之前的预设时间段内采集的视频数据，作为第二视频数据；

预设时间段可根据实际需求进行设置，例如可设置为5min。此外，预设时间段可优选的设置为判定目标监控区域出现警情的时刻与当前时刻之间的时间段。

步骤s642，确定所述危险标识的图像在所述第二视频数据中的运动轨迹；

在第二视频数据中各个图像帧中，按照图像帧采集的先后次序，分析危险标识的图像在各个图像帧中的位置，根据分析得到的位置拟合得到危险标识的图像在所述第二视频数据中的运动轨迹。

步骤s643，根据所述运动轨迹确定所述迁移方向。

将运动轨迹的矢量方向作为警情发生位置的迁移方向，迁移方向可具体为地理上的方向(如东南西北等)。

在本实施例中，通过对当前时刻之前预设时间段内监控设备100所采集的视频数据进行分析得到危险标识的图像的运动轨迹，采用运动轨迹表征警情发生位置的迁移方向，从而准确的确定警情发生位置的迁移方向。

进一步的，参照图7，所述根据所述迁移方向生成所述跟踪信息的步骤包括：

步骤s651，确定所述监控设备100的所在区域；

监控设备100的所在区域具体为地理上与监控设备100所在位置小于或等于预设距离的范围形成的区域。其中，在不同需要监控的地方均可设置有监控设备100，预先将监控设备100进行登记并标记监控设备100的所在位置。

步骤s652，判断所述监控设备100的所在区域内在所述迁移方向上，是否存在所述监控设备100以外的其他监控设备100；

当存在所述其他监控设备100时，执行步骤s653、步骤s654；当不存在所述其他监控设备100时，执行步骤s656。

具体的，以所述监控设备100的所在区域中的所有监控设备100

步骤s653，获取所述其他监控设备100采集的视频数据，作为第三视频数据，获取所述其他监控设备100采集的声频数据，作为第二声频数据；

步骤s654，判断所述第三视频数据的图像帧是否包括与所述危险标识的图像匹配的图像；

这里的判断过程与步骤s622的判断过程类似，在此不作赘述。

若所述第三视频数据的图像帧包括与所述危险标识的图像匹配的图像，则执行步骤s655，若所述第三视频数据的图像帧不包括与所述危险标识的图像匹配的图像，则执行步骤s656。

步骤s655，将所述第三视频数据和第二声频数据作为所述跟踪信息；

步骤s656，将迁移方向作为所述跟踪信息。

在本实施例中，通过对迁移方向上的其他监控设备100采集的视频数据进行分析，判断上述判定的警情是否转移到其他监控设备100的监控区域内，若是，则可将其他监控设备100采集到的第三视频数据和第二声频数据作为所发现警情的跟踪信息，使警情处理人员可实时的了解到当前警情发生的情况，以采取进一步的应对措施，保证警情处理的有效性。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。