金库操作风险的监测系统及方法与流程

1.本发明涉及软件技术领域，更具体地说，涉及一种金库操作风险的监测系统及方法。


背景技术：

2.当前多数商业银行为实现对金库操作风险的监控和防范，通过建立全面覆盖的视频监控系统等技术手段来实现安全方案。
3.视频监控系统是在金库的各重要区域安全智能摄像机，实现24小时不断监控，并借助智能可视化等技术，使金库各区域全方位、全天候处于监控之下。而由于视频监控数据量巨大，将其传回数据中心的成本极高，并且在大量的数据中进行分析也极其耗费时间。因此，在对风险监测的及时性、实效性方面仍存在诸多问题。


技术实现要素：

4.有鉴于此，为解决上述问题，本发明提供一种金库操作风险的监测系统及方法，技术方案如下：
5.一种金库操作风险的监测系统，所述系统包括：部署于金库各区域的摄像头、位于所述摄像头边缘侧的边缘计算设备、深度学习平台和业务管理端；
6.所述深度学习平台，用于通过模型迭代与训练，将目标算法对应的模型部署至所述边缘计算设备中；
7.所述摄像头，用于采集所在区域内的视频，并将所述视频发送至所在区域对应的所述边缘计算设备；
8.所述边缘计算设备，用于基于所述目标算法对应的模型对所述视频进行分析，以识别所述金库中的操作风险；根据所识别到的操作风险，生成相应的预警信息发送至所述业务管理端；
9.所述业务管理端，用于输出所述预警信息。
10.优选的，所述业务管理端，还用于：
11.通过对所述金库各区域进行建模，标注所述金库各区域的位置信息，并同步至所述金库各区域对应的边缘计算设备中；获取所述金库各区域的管库员的第一标准人脸图像，并同步至所述金库各区域对应的边缘计算设备中；获取目标管库员的轮岗信息，并将所述轮岗信息同步至所述目标管库员所在区域对应的目标边缘计算设备中；
12.所述目标边缘计算设备基于所述目标算法对应的模型对所述视频进行分析，以识别所述金库中的操作风险，包括：
13.根据所述轮岗信息和已获得的第一标准人脸图像确定所述目标管库员的目标标准人脸图像；根据已获得的位置信息从所述视频中分别提取进入库区人员的第一人脸图像、以及库区操作人员的第二人脸图像；基于人脸比对算法对应的模型分别比对所述目标标准人脸图像与所述第一人脸图像、所述目标标准人脸图像与所述第二人脸图像；如果所
述目标标准人脸图像与所述第一人脸图像比对成功、或者所述目标标准人脸图像与所述第二人脸图像比对成功，则生成表征所述目标管库员虚假轮岗的第一预警信息。
14.优选的，所述业务管理端，还用于：
15.通过对所述金库各区域进行建模，标注所述金库各区域的位置信息，并同步至所述金库各区域对应的边缘计算设备中；通过对所述金库各区域的具有进入权限的人员进行建模，标注所述金库各区域的具有进入权限的人员信息，并同步至所述金库各区域对应的边缘计算设备中；获取所述金库各区域的具有进入权限的人员的第二标准人脸图像，并同步至所述金库各区域对应的边缘计算设备中；
16.所述边缘计算设备基于所述目标算法对应的模型对所述视频进行分析，以识别所述金库中的操作风险，包括：
17.根据已获得的位置信息从所述视频中分别提取进入库区人员的第三人脸图像、以及库区操作人员的第四人脸图像；基于人脸比对算法对应的模型分别比对已获得的第二标准人脸图像与所述第三人脸图像、已获得的第二标准人脸图像与所述第四人脸图像；如果已获得的第二标准人脸图像与所述第三人脸图像比对失败、或者已获得的第二标准人脸图像与所述第四人脸图像比对失败，则生成表征非权限人员非法进入库区的第二预警信息。
18.优选的，所述业务管理端，还用于：
19.通过对所述金库各区域进行建模，标注所述金库各区域的位置信息，并同步至所述金库各区域对应的边缘计算设备中；
20.所述边缘计算设备基于所述目标算法对应的模型对所述视频进行分析，以识别所述金库中的操作风险，包括：
21.根据已获得的位置信息从所述视频中获取管控区入门区域的第一视频；利用区域数人算法对应的模型分析所述第一视频的管库员进入类型；如果所述管库员进入类型为单人进入，则生成表征违反操作岗位制约的第三预警信息；且，
22.根据已获得的位置信息从所述视频中获取库区的第二视频；利用区域数人算法对应的模型分析所述第二视频的管库员进入类型、利用轨迹分析算法对应的模型分析所述管库员进入类型的持续时间；如果所述管库员进入类型为单人进入、且持续时间大于对应的第一阈值，则生成表征违反操作岗位制约的第四预警信息；如果所述管库员进入类型为双人进入、双人之间的距离大于对应的第二阈值、且持续时间大于对应的第二阈值，则生成表征违反操作岗位制约的第五预警信息；如果所述管库员进入类型为双人进入、双人面部处于相背状态、且持续时间大于对应的第三阈值，则生成表征违反操作岗位制约的第六预警信息。
23.一种金库操作风险的监测方法，所述方法应用于边缘计算设备，所述方法包括：
24.接收摄像头所发送的视频；
25.基于目标算法对应的模型对所述视频进行分析，以识别所述金库中的操作风险，所述目标算法对应的模型是深度学习平台通过模型迭代与训练部署至所述边缘计算设备中的；
26.根据所识别到的操作风险，生成相应的预警信息发送至业务管理端，以使所述业务管理端输出所述预警信息。
27.优选的，所述基于目标算法对应的模型对所述视频进行分析，以识别所述金库中
的操作风险，包括：
28.获得所述业务管理端所同步的位置信息和所述金库各区域的管库员的第一标准人脸图像，该位置信息是所述业务管理端通过对所述金库各区域进行建模标注的；
29.获得所述业务管理端所同步的目标管库员的轮岗信息；
30.根据所述轮岗信息和已获得的第一标准人脸图像确定所述目标管库员的目标标准人脸图像；
31.根据已获得的位置信息从所述视频中分别提取进入库区人员的第一人脸图像、以及库区操作人员的第二人脸图像；
32.基于人脸比对算法对应的模型分别比对所述目标标准人脸图像与所述第一人脸图像、所述目标标准人脸图像与所述第二人脸图像；
33.如果所述目标标准人脸图像与所述第一人脸图像比对成功、或者所述目标标准人脸图像与所述第二人脸图像比对成功，则生成表征所述目标管库员虚假轮岗的第一预警信息。
34.优选的，所述基于目标算法对应的模型对所述视频进行分析，以识别所述金库中的操作风险，包括：
35.获得所述业务管理端所同步的位置信息和人员信息，该位置信息是所述业务管理端通过对所述金库各区域进行建模标注的，该人员信息是所述业务管理端通过对所述金库各区域的具有进入权限的人员进行建模标注的；
36.获得所述业务管理端所同步的所述金库各区域的具有进入权限的人员的第二标准人脸图像；
37.根据已获得的位置信息从所述视频中分别提取进入库区人员的第三人脸图像、以及库区操作人员的第四人脸图像；
38.基于人脸比对算法对应的模型分别比对已获得的第二标准人脸图像与所述第三人脸图像、已获得的第二标准人脸图像与所述第四人脸图像；
39.如果已获得的第二标准人脸图像与所述第三人脸图像比对失败、或者已获得的第二标准人脸图像与所述第四人脸图像比对失败，则生成表征非权限人员非法进入库区的第二预警信息。
40.优选的，所述基于目标算法对应的模型对所述视频进行分析，以识别所述金库中的操作风险，包括：
41.获得所述业务管理端所同步的位置信息，该位置信息是所述业务管理端通过对所述金库各区域进行建模标注的；
42.根据已获得的位置信息从所述视频中获取管控区入门区域的第一视频；利用区域数人算法对应的模型分析所述第一视频的管库员进入类型；如果所述管库员进入类型为单人进入，则生成表征违反操作岗位制约的第三预警信息；且，
43.根据已获得的位置信息从所述视频中获取库区的第二视频；利用区域数人算法对应的模型分析所述第二视频的管库员进入类型、利用轨迹分析算法对应的模型分析所述管库员进入类型的持续时间；如果所述管库员进入类型为单人进入、且持续时间大于对应的第一阈值，则生成表征违反操作岗位制约的第四预警信息；如果所述管库员进入类型为双人进入、双人之间的距离大于对应的第二阈值、且持续时间大于对应的第二阈值，则生成表
征违反操作岗位制约的第五预警信息；如果所述管库员进入类型为双人进入、双人面部处于相背状态、且持续时间大于对应的第三阈值，则生成表征违反操作岗位制约的第六预警信息。
44.相较于现有技术，本发明实现的有益效果为：
45.本发明提供一种金库操作风险的监测系统及方法，该系统包括部署于金库各区域的摄像头、位于摄像头边缘侧的边缘计算设备、深度学习平台和业务管理端。深度学习平台通过模型迭代与训练，将目标算法对应的模型部署至边缘计算设备中；摄像头采集所在区域内的视频，并将视频发送至所在区域对应的边缘计算设备；边缘计算设备基于目标算法对应的模型对视频进行分析，以识别金库中的操作风险，并且，根据所识别到的操作风险，生成相应的预警信息发送至业务管理端；业务管理端输出预警信息。本发明通过使用边缘计算技术对金库监控视频进行实时分析，实现实时检测各种操作风险，并通知相关的管理人员采取相应的措施，规避违规操作发生。
附图说明
46.为了更清楚地说明本发明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，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。
47.图1为本发明实施例提供的金库操作风险的监测系统的结构示意图；
48.图2为本发明实施例提供的深度学习平台进行模型迭代与训练的流程示意图；
49.图3为本发明实施例提供的金库操作风险的监测方法的方法流程图。
具体实施方式
50.下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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他实施例，都属于本发明保护的范围。
51.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
52.商业银行为了确保财产安全，保障金库业务安全稳定运营，对进入金库人员的权限、作业合规有着极为严格的要求，需要对管库员虚假轮岗、非法进入库区、违反操作岗位制约等操作风险进行防范。
53.管库员虚假轮岗是指管库员在金库业务管理系统中按照规定登记为轮岗，但实际上为真是轮岗仍到库区进行操作的情况。非法进入库区是指对非清分主管、清分人员进入现金清分区，非管库员进入现金保管区、贵金属保管区、重要空白凭证保管区等。违反操作岗位制约是指管库员单人在保管区、清分员单人在清分区及双人同时在保管区或清分区但不在有效范围内的等情况。
54.为了规范人员及操作的管理，及时发现可能的操作风险，商业银行除了制定了完善的规章制度、操作规范外，还常常通过强化防范意识、加大惩罚力度等收到来控制风险。
但此种方法主要依赖“人防”，无法直接、有效地规范员工操作行为，无法及时、有效地监测和防范操作风险。
55.为此，商业银行尝试借助现代化科技手段来强化操作风险管理、强化风险监控。商业银行通过建立视频监控系统等手段实现对金库操作的监控，以达到监控操作，防范操作风险的目标。随着人工智能技术的不断发展，商业银行在视频监控数据与人工智能技术结合，进一步实现对潜在风险的分析和监测。
56.视频监控系统能够全方位采集金库各区域的监控录像，并通过可视化技术手段向监控人员展现。但对风险的识别与检测仍需要监控人员人工判断，此种技术的效果严重依赖监控人员，其效果、稳定性、失效性、全面性都存在严重的不足。
57.此外，在一些场景下，部分商业银行还通过人工智能分析来实现安全方案。智能分析与决策是基于监控系统沉淀的历史数据，建立相应的数据分析、决策模型，对视频监控数据进行分析，以开展辅助决策。
58.传统的智能分析与决策，需要将视频数据传输至数据中心的ai(artificial intelligence，人工智能)分析系统进行分析。由于视频监控数据量巨大，将数据传输至数据中心造成的网络压力巨大，导致网络成本巨高。一方面，为了避免的银行正常业务造成影响，只能选择业务低峰期上传，这就导致时效性无法保证，更无法及时阻止风险发生。另一外方面，由于网络压力极大很少能够将所有数据上传至数据中心，导致分析的全面性、有效性降低。因此，此种技术手段的实用性较差，很难广泛应用。
59.为方便理解本发明，以下对本发明涉及的相关概念进行说明：
60.边缘计算：边缘计算是在靠近物或数据源头的网络边缘侧，融合网络、计算、存储、应用核心的开放平台，就近提供边缘智能服务，满足行业数字化在敏捷连接、实时业务、数据优化、应用智能、安全与隐私保护等方面的关键需要。
61.金库：金库是保管、处理及配送本外币现钞、贵金属、有价单证和各类款箱(包)等重要物品的场所。
62.参见图1，图1为本发明实施例提供的金库操作风险的监测系统的结构示意图。如图1所示，该金库操作风险的监测系统包括部署于金库各区域的摄像头10、位于摄像头10边缘侧的边缘计算设备20、深度学习平台30和业务管理端40。其中：
63.摄像头10安装在金库各区域的重点位置，用于实现视频监控，摄像头可以实时拍摄金库各类人员的行为和人脸信息，并将视频同步传输至部署网点的边缘计算设备中。金库的一个区域可以设置一个或多个摄像头10。
64.边缘计算设备20即边缘侧的存储、计算设备，其负责接入现场设备，采集数据，运行算法。边缘计算设备20通常部署在距离摄像头10很近的边缘侧。边缘计算设备20可以就近完成摄像头10所拍摄视频的分析，从而减轻大量数据在网络上传输带来的巨大网络压力、降低网络延时、实现实时分析，从而实现实时监测操作风险的目标。
65.深度学习平台30，也可称之为ai平台，用于对ai算法进行训练，负责操作风险识别模型的训练与迭代。
66.业务管理端40可以对ai算法进行管理，包括算法发布、参数更新、算法运行状态管理、接收算法运行识别出的风险信息并将风险提示发送给相关管理系统完成后续处置。
67.本发明借助边缘计算技术，利用经过预先训练好的ai模型，对实时采集的监控视
频进行分析，从而实时监测金库中各类操作风险。具体的：
68.深度学习平台30，用于通过模型迭代与训练，将目标算法对应的模型部署至边缘计算设备20中；
69.摄像头10，用于采集所在区域内的视频，并将视频发送至所在区域对应的边缘计算设备20；
70.边缘计算设备20，用于基于目标算法对应的模型对视频进行分析，以识别金库中的操作风险；根据所识别到的操作风险，生成相应的预警信息发送至业务管理端40；
71.业务管理端40，用于输出预警信息。
72.本发明实施例在上述系统架构下，深度学习平台30通过预先采集各种操作风险的视频和图像数据完成实时监测分析模型(即目标算法对应的模型)的训练，并将模型部署在边缘计算设备20中。摄像头10采集到的实时视频影像传输至边缘计算设备20中，由边缘计算设备20中的分析模型对视频影像进行分析，从而对金库中的操作风险场景进行实时识别。
73.参见图2，图2为本发明实施例提供的深度学习平台进行模型迭代与训练的流程示意图，其中，图2中边缘设备即边缘计算设备，边缘计算设备与摄像头组成智能边缘平台。模型训练与迭代依赖边缘侧的采集的数据，在深度学习平台30中对模型进行训练、评价、并逐步完成迭代。具体的；
74.训练数据收集：算法模型需要高质量的数据进行训练，以达到良好的效果。训练数据的收集包括数据采集和数据标注两部分。数据采集：对于在深度学习平台30上进行的模型训练，训练图像、视频，通过在边缘计算设备20上部署采样程序，进行周期性自动采样的方法来收集数据。数据标注：依托数据标注平台，由模型训练人员根据场景和训练需要对训练数据进行标注。
75.数据回流：算法模型在上线运行后，可能在某些网点、场景或时间段表现不佳，需要将识别数据回流到训练平台(即深度学习平台30)，用于算法模型的迭代优化。
76.数据回流的数据要求与训练数据类似。考虑到全面采集视频数据成本较高，运行过程中，结合具体的识别场景，根据一定的规则，对关键识别内容和结果进行留存，以及保存关键事件前后若干秒内的视频数据。视频数据经标注后可以用于后续的算法模型训练。
77.模型发布：边缘计算设备20采用基于容器的技术，可实现云边一体的镜像制作与发布。
78.在此基础上，本发明实施例中实时数据分析与风险监测的总体流程，主要包括模型发布与参数准备、视频采集与数据分析、风险上报与处置等过程。具体的：
79.模型发布与准备：通过业务管理端40，将实时监测模型发布在边缘计算设备上。同时将模型运行所需要的参数及基础数据发布在边缘计算设备20上。
80.采集视频：利用摄像头10持续采集视频，并实时发送到边缘计算设备20。
81.实时数据分析：边缘计算设备20实时对摄像头采集到的视频进行分析。边缘计算设备20通过运行实现发布到设备中的分析模型(即目标算法对应的模型)，对视频进行分析。
82.命中目标，数据整合上报：边缘计算设备20模型运行识别出操作风险的场景，将违规信息发送业务管理端40，如：设备ip、推理人员属性、区域、场景id、时间等。
83.发送相关系统处置：业务管理端40根据边缘计算设备20上报的场景，将相关预警信息发送对应业务系统完成后续处置。
84.在一些实施例中，本发明可以实现管库员虚假轮岗的实时监测。通过对现场监控视频的分析，识别管库员在金库业务管理系统中登记为轮岗，但实际仍然到金库进行业务操作的操作风险。具体的，业务管理端40，还用于：
85.通过对金库各区域进行建模，标注金库各区域的位置信息，并同步至金库各区域对应的边缘计算设备20中；获取金库各区域的管库员的第一标准人脸图像，并同步至金库各区域对应的边缘计算设备20中；获取目标管库员的轮岗信息，并将轮岗信息同步至目标管库员所在区域对应的目标边缘计算设备中；
86.目标边缘计算设备基于目标算法对应的模型对视频进行分析，以识别金库中的操作风险，包括：
87.根据轮岗信息和已获得的第一标准人脸图像确定目标管库员的目标标准人脸图像；根据已获得的位置信息从视频中分别提取进入库区人员的第一人脸图像、以及库区操作人员的第二人脸图像；基于人脸比对算法对应的模型分别比对目标标准人脸图像与第一人脸图像、目标标准人脸图像与第二人脸图像；如果目标标准人脸图像与第一人脸图像比对成功、或者目标标准人脸图像与第二人脸图像比对成功，则生成表征目标管库员虚假轮岗的第一预警信息。
88.具体实现过程中，业务管理端40一方面通过区域建模技术对金库各区域进行建模，标注金库各区域的位置信息，并将该位置信息同步至金库各区域对应的边缘计算设备20中；另一方面可以收集金库各区域的管库员的标准人脸图像，即第一标准人脸图像，并将该第一标准人脸图像同步至金库各区域对应的边缘计算设备20中。
89.管库员轮岗时可以在业务管理端40中将自己的状态设置轮岗，对此，通过业务管理端40可以收集正在轮岗的管库员轮岗的信息，即目标管库员的轮岗信息，进而将该轮岗信息同步至目标管库员所在区域对应的边缘计算设备20，即目标边缘计算设备中。
90.目标边缘计算设备中存储了本金库的位置信息、以及管库人员的轮岗信息和人脸信息(即第一标准人脸图像)。对此，目标边缘计算设备根据轮岗信息和已获得的第一标准人脸图像确定目标管库员的第一标准人脸图像，即目标标准人脸图像；一方面根据已获得的位置信息从摄像头采集到的视频中提取人员进入库区时人脸图像，即进入库区人员的人脸图像(也就是第一人脸图像)，通过运行脸比对算法对应的模型对目标标准人脸图像与第一人脸图像进行比对，如果比对成功则生成第一预警信息，提示目标管库员虚假轮岗，并将相关信息整合后发送业务管理端40；另一方面，根据已获得的位置信息对摄像头采集到的视频中提取正在库区操作人员的人脸图像，即库区操作人员的人脸图像(也就是第二人脸图像)，通过运行脸比对算法对应的模型对目标标准人脸图像与第二人脸图像进行比对，如果比对成功则生成第一预警信息，提示目标管库员虚假轮岗，并将相关信息整合后发送业务管理端40。
91.在另一些实施例中，本发明可以实现非法进入库区的实时监测。通过对现场监控视频的分析，识别管库员出现在非授权区域操作风险。具体的，业务管理端40，还用于：
92.通过对金库各区域进行建模，标注金库各区域的位置信息，并同步至金库各区域对应的边缘计算设备20中；通过对金库各区域的具有进入权限的人员进行建模，标注金库
各区域的具有进入权限的人员信息，并同步至金库各区域对应的边缘计算设备20中；获取金库各区域的具有进入权限的人员的第二标准人脸图像，并同步至金库各区域对应的边缘计算设备20中；
93.边缘计算设备20基于目标算法对应的模型对视频进行分析，以识别金库中的操作风险，包括：
94.根据已获得的位置信息从视频中分别提取进入库区人员的第三人脸图像、以及库区操作人员的第四人脸图像；基于人脸比对算法对应的模型分别比对已获得的第二标准人脸图像与第三人脸图像、已获得的第二标准人脸图像与第四人脸图像；如果已获得的第二标准人脸图像与第三人脸图像比对失败、或者已获得的第二标准人脸图像与第四人脸图像比对失败，则生成表征非权限人员非法进入库区的第二预警信息。
95.具体实现过程中，业务管理端40一方面通过区域建模技术对金库各区域进行建模，标注金库各区域的位置信息，并将该位置信息同步至金库各区域对应的边缘计算设备20中；另一方面对金库各区域的具有进入权限的人员进行建模，标注金库各区域的具有进入权限的人员信息，并将该人员信息同步至金库各区域对应的边缘计算设备20中；再一方面可以收集金库各区域的具有进入权限的人员的标准人脸图像，即第二标准人脸图像，并将该第二标准人脸图像同步至金库各区域对应的边缘计算设备20中。
96.边缘计算设备20中存储了本金库的位置信息、所在区域具有进入权限的人员信息和人脸信息(即第二标准人脸图像)。对此，边缘计算设备20一方面根据已获得的位置信息从摄像头采集到的视频中提取人员进入库区时人脸图像，即进入库区人员的人脸图像(也就是第三人脸图像)，通过运行人脸比对算法对应的模型对已获得的第二标准人脸图像与第三人脸图像进行比对，如果比对失败则确定发现非本区域有权限人员进入，生成第二预警信息，提示非权限人员非法进入库区，将相关信息整合后发送业务管理端40；另一方面根据已获得的位置信息从摄像头采集到的视频中提取正在库区操作人员的人脸图像，即库区操作人员的人脸图像(也就是第四人脸图像)，通过运行脸比对算法对应的模型对已获得的第二标准人脸图像与第四人脸图像进行比对，如果比对失败则确定发现非本区域有权限人员进入，生成第二预警信息，提示非权限人员非法进入库区，将相关信息整合后发送业务管理端40。
97.在另一些实施例中，本发明可以实现违反操作岗位制约的实时监测。通过对现场监控视频的持续性的分析，识别管库员违反操作岗位制约规定，单人在库区执行业务操作的风险。具体的，业务管理端40，还用于：
98.通过对金库各区域进行建模，标注金库各区域的位置信息，并同步至金库各区域对应的边缘计算设备20中；
99.边缘计算设备20基于目标算法对应的模型对视频进行分析，以识别金库中的操作风险，包括：
100.根据已获得的位置信息从视频中获取管控区入门区域的第一视频；利用区域数人算法对应的模型分析第一视频的管库员进入类型；如果管库员进入类型为单人进入，则生成表征违反操作岗位制约的第三预警信息；且，
101.根据已获得的位置信息从视频中获取库区的第二视频；利用区域数人算法对应的模型分析第二视频的管库员进入类型、利用轨迹分析算法对应的模型分析管库员进入类型
的持续时间；如果管库员进入类型为单人进入、且持续时间大于对应的第一阈值，则生成表征违反操作岗位制约的第四预警信息；如果管库员进入类型为双人进入、双人之间的距离大于对应的第二阈值、且持续时间大于对应的第二阈值，则生成表征违反操作岗位制约的第五预警信息；如果管库员进入类型为双人进入、双人面部处于相背状态、且持续时间大于对应的第三阈值，则生成表征违反操作岗位制约的第六预警信息。
102.具体实现过程中，业务管理端40通过区域建模技术对金库各区域进行建模，标注金库各区域的位置信息，并将该位置信息同步至金库各区域对应的边缘计算设备20中。
103.边缘计算设备20中存在了本金库的位置信息。对此，边缘计算设备20可以根据已获得的位置信息从摄像头采集到的视频中实时提取各个管控区入门区域的视频(即第一视频)；进而运行区域数人算法对应的模型分析该第一视频中管库员进入该入门区域时是否为双人进入，即确定管库员进入类型；进一步如果管库员进入类型为单人进入，则生成第三预警信息，提示违反操作岗位制约，将相关信息整合后发送业务管理端40。
104.此外，边缘计算设备20可以根据已获得的位置信息从摄像头采集到的视频中实时提取各库区的一段时间的视频(即第二视频)；进而运行区域数人算法对应的模型分析该第二视频中管库员进入该入门区域时是否为双人进入，即确定管库员进入类型，此外运行轨迹分析算法对应的模型分析该管库员进入类型的持续时间。具体的：
105.如果管库员进入类型为单人进入、且持续时间大于对应的第一阈值(如30秒)，也就是说，单人出现现金保管区、贵金属保管区、重要空白凭证保管区作业、且单人滞留的持续时间超过第一阈值，则生成第四预警信息，提示违反操作岗位制约，将相关信息整合后发送业务管理端40。
106.如果管库员进入类型为双人进入、双人之间的距离大于对应的第二阈值(如2米)、且持续时间大于对应的第二阈值(如30秒)，也就是说，管库员双人在现金保管区、贵金属保管区、重要空白凭证保管区作业、但距离超过第二阈值、且持续时间超过第二阈值，则生成第五预警信息，提示违反操作岗位制约，将相关信息整合后发送业务管理端40。
107.如果管库员进入类型为双人进入、且双人面部相背、且持续时间大于对应的第三阈值(如30秒)，也就是说，管库员双人在现金保管区、贵金属保管区、重要空白凭证保管区作业、但面部相背、且持续时间超过第三阈值，则生成第六预警信息，提示违反操作岗位制约，将相关信息整合后发送业务管理端40。
108.本发明实施例提供的金库操作风险的监测系统，通过对摄像头拍摄的视频资料进行分析以监测操作风险，实现了操作风险监测由人防向技防转变。能够更加全面、准确的监测操作风险。
109.再者，本发明在系统架构中加入了边缘计算设备，实现在距离设备更近边缘侧完成大量数据分析，从而降低了网络传输压力和时延，降低了成本。通过在边缘计算设备中完成数据分析，避免了网络传输的成本障碍，降低了对其他业务的影响，从而是实时监测成为可能，能够及时发现操作风险。
110.此外，本发明通过使用区域数人算法、轨迹分析算法能够对金库操作人员的操作动态进行持续分析，实现了能够分析一定时间内操作是否规范，从而监测违反操作岗位制约的操作风险。
111.基于上述实施例提供的金库操作风险的监测系统，本发明实施例则对应提供一种
金库操作风险的监测方法，该金库操作风险的监测方法应用于边缘计算设备，该方法的方法流程图如图3所示，包括如下步骤：
112.s10，接收摄像头所发送的视频。
113.s20，基于目标算法对应的模型对视频进行分析，以识别金库中的操作风险，目标算法对应的模型是深度学习平台通过模型迭代与训练部署至边缘计算设备中的。
114.s30，根据所识别到的操作风险，生成相应的预警信息发送至业务管理端，以使业务管理端输出预警信息。
115.可选的，步骤s20“基于目标算法对应的模型对视频进行分析，以识别金库中的操作风险”，包括：
116.获得业务管理端所同步的位置信息和金库各区域的管库员的第一标准人脸图像，该位置信息是业务管理端通过对金库各区域进行建模标注的；
117.获得业务管理端所同步的目标管库员的轮岗信息；
118.根据轮岗信息和已获得的第一标准人脸图像确定目标管库员的目标标准人脸图像；
119.根据已获得的位置信息从视频中分别提取进入库区人员的第一人脸图像、以及库区操作人员的第二人脸图像；
120.基于人脸比对算法对应的模型分别比对目标标准人脸图像与第一人脸图像、目标标准人脸图像与第二人脸图像；
121.如果目标标准人脸图像与第一人脸图像比对成功、或者目标标准人脸图像与第二人脸图像比对成功，则生成表征目标管库员虚假轮岗的第一预警信息。
122.可选的，步骤s20“基于目标算法对应的模型对视频进行分析，以识别金库中的操作风险”，包括：
123.获得业务管理端所同步的位置信息和人员信息，该位置信息是业务管理端通过对金库各区域进行建模标注的，该人员信息是业务管理端通过对金库各区域的具有进入权限的人员进行建模标注的；
124.获得业务管理端所同步的金库各区域的具有进入权限的人员的第二标准人脸图像；
125.根据已获得的位置信息从视频中分别提取进入库区人员的第三人脸图像、以及库区操作人员的第四人脸图像；
126.基于人脸比对算法对应的模型分别比对已获得的第二标准人脸图像与第三人脸图像、已获得的第二标准人脸图像与第四人脸图像；
127.如果已获得的第二标准人脸图像与第三人脸图像比对失败、或者已获得的第二标准人脸图像与第四人脸图像比对失败，则生成表征非权限人员非法进入库区的第二预警信息。
128.可选的，步骤s20“基于目标算法对应的模型对视频进行分析，以识别金库中的操作风险”，包括：
129.获得业务管理端所同步的位置信息，该位置信息是业务管理端通过对金库各区域进行建模标注的；
130.根据已获得的位置信息从视频中获取管控区入门区域的第一视频；利用区域数人
算法对应的模型分析第一视频的管库员进入类型；如果管库员进入类型为单人进入，则生成表征违反操作岗位制约的第三预警信息；且，
131.根据已获得的位置信息从视频中获取库区的第二视频；利用区域数人算法对应的模型分析第二视频的管库员进入类型、利用轨迹分析算法对应的模型分析管库员进入类型的持续时间；如果管库员进入类型为单人进入、且持续时间大于对应的第一阈值，则生成表征违反操作岗位制约的第四预警信息；如果管库员进入类型为双人进入、双人之间的距离大于对应的第二阈值、且持续时间大于对应的第二阈值，则生成表征违反操作岗位制约的第五预警信息；如果管库员进入类型为双人进入、双人面部处于相背状态、且持续时间大于对应的第三阈值，则生成表征违反操作岗位制约的第六预警信息。
132.需要说明的是，本发明实施例中各步骤的具体实现可以参见上述金库操作风险的监测系统的对应公开部分。
133.以上对本发明所提供的一种金库操作风险的监测系统及方法进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
134.需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
135.还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者设备所固有的要素，或者是还包括为这些过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
136.对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。