一种社区中人员异常聚集行为监测系统及方法技术方案

本发明专利技术属于大数据分析技术领域，具体涉及一种社区中人员异常聚集行为监测系统及方法，该系统包括同类属性人员异常聚集监测子系统，用于获取同类属性人员异常聚集信息；用电用水异常检测子系统，用于获取用电用水异常的住户信息；异常聚集住户筛选子系统，分别与同类属性人员异常聚集监测子系统和用电用水异常检测子系统连接，筛选出所有住户中存在同类属性人员异常聚集行为并且家庭用电用水量异常的住户。本发明专利技术初步筛选出可能存在同类属性人员异常聚集的小区和楼宇，联合住户用电用水异常检测数据，对小区内住户进行二次筛选，提高了监测力度和准确率，减少了人力资源消耗。

【技术实现步骤摘要】
一种社区中人员异常聚集行为监测系统及方法
本专利技术属于大数据分析
，具体涉及一种社区中人员异常聚集行为监测系统及方法。
技术介绍
近年来，随着大数据、云计算、人工智能等领域的发展，数据的迅速增长给许多行业带来了严峻的挑战和宝贵的机遇，大数据包含着巨大的价值，不仅在社会、经济、科学研究等不同领域都具备不可忽视的重大作用和意义，而且已深入到了人们的生活中，为人们更加透彻地认知、了解物质世界提供了充足的讯息。目前没有一套完整合理的关于人员异常聚集行为监测系统和方法，当前人员异常聚集行为的监测主要还是依靠人员举报，不论是在资源消耗、监测力度还是准确率上都存在比较大的问题。所以，如何设计一种基于大数据分析的人员异常聚集行为监测系统和方法迫在眉睫。
技术实现思路
为了解决现有技术中存在的缺陷，本专利技术的目的是提供一种社区中人员异常聚集行为监测系统及方法，能够实现对人员异常聚集行为的实时监测报警，提高了监测力度和准确率。为了实现上述目的，本专利技术采用以下的技术方案：本专利技术提供了一种社区中人员异常聚集行为监测系统，包括：同类属性人员异常聚集监测子系统，用于获取同类属性人员异常聚集信息；用电用水异常检测子系统，用于获取用电用水异常的住户信息；异常聚集住户筛选子系统，分别与同类属性人员异常聚集监测子系统和用电用水异常检测子系统连接，筛选出所有住户中存在同类属性人员异常聚集行为并且家庭用电用水量异常的住户。进一步地，所述同类属性人员异常聚集监测子系统包括：高清摄像头，安装在小区门禁处和楼宇门禁处，用于拍摄进出小区和楼宇人员的视频，并对视频流进行人脸检测算法，若发现人脸信息，对此帧图片进行切割，把人脸图片保存到数据库一；数据处理与分析模块一，对数据库一中的人脸信息进行识别，获取人员身份信息和标签信息，将分析结果存入数据库一并与公安业务库的数据进行碰撞分析，当同类属性人员数量达到预设阈值，初步判断为疑似发生人员异常聚集行为，并把筛选结果记录在同类属性人员异常聚集数据库中；显示模块一，将小区进出人员信息、楼宇进出人员信息以及筛选结果在可视化界面进行展示。进一步地，所述人脸检测算法采用Centerface，具体包括：Centerface结构为：整体结构采用MobileNetV2结构，MobileNetV2进行5次下采样，在MobileNetV2的最后一层增加3个上采样层，最终输出的大小进行2次下采样，输出维度为原图的1/4；目标中心点定义：目标中心点为其中(x1,y1)(x2,y2)对应目标的左上角和右下角的坐标；人脸检测的损失函数如下：人脸分类损失函数：其中，α和β是焦点损失的超参数，表示检测到关键点，表示背景，Yxyc表示高斯核，W是图像宽度，H是图像高度，C是关键点类型数量；人脸框中心点偏移损失函数：其中，oκ表示预测坐标，表示GT框的坐标，N表示图像中关键点的个数，xκ和yκ是面中心k的x、y坐标，n表示下采样因子；人脸框损失函数：其中x1,x2,y1,y2表示人脸框的坐标，表示纵方向损失，表示横方向损失，R表示步长；整体损失函数：L＝Lc+λoffLoff+λboxLbox，其中λ为损失函数系数。进一步地，所述对数据库一中的人脸信息进行识别算法采用yolov5，具体包括：将输入的人脸图片分割成S×S网格，每个单元格负责去检测中心点落在该格子内的人脸图像，每个单元格会预测B个边界框及边界框的置信度，其中置信度定义为Pr(object)表示边界框含有人脸图像的可能性大小，表示边界框的准确度；对于每一个单元格给出预测出C个类别概率值，表征的是该单元格负责预测的边界框及其目标属于各个类别的概率Pr(classi|object)，计算出各个边界框类别置信度边界框类别置信度表征的是该边界框中目标属于各个类别的可能性大小以及边界框匹配目标的好坏。进一步地，所述用电用水异常检测子系统包括：前端水电感知设备，用于每隔一小时获取住户的用电用水量，并将该数据保存到数据库二；数据处理与分析模块二，根据一小时内的用电用水量和住户的常住人口数，求出住户人均用电用水量，并保存到数据库二；根据小区所有住户的用电用水量和小区常住人口数，求出小区人均用电用水量；当查询出住户人均用电量大于小区人均用电量1.5倍以上的住户且住户人均用水量大于小区人均用水量1.5倍以上的住户，加以标记，将标记结果保存到住户用电用水量异常数据库中；显示模块二，将当天住户人均用电量、小区人均用电量、住户人均用水量和小区人均用水量在可视化界面进行展示。进一步地，所述异常聚集住户筛选子系统包括：输入端口，分别连接同类属性人员异常聚集数据库和住户用电用水量异常数据库；数据处理与分析模块三，联合查询两个数据库中的数据，筛选出某楼宇中有同类属性人员异常聚集行为且某住户存在用电用水异常的情况，并把数据保存至疑似人员异常聚集行为数据库；显示模块三，将疑似人员异常聚集行为数据库中的数据在可视化界面进行展示。本专利技术还提供了一种社区中人员异常聚集行为监测方法，包含以下步骤：获取同类属性人员异常聚集信息；获取用电用水异常的住户信息；筛选出所有住户中存在同类属性人员异常聚集行为并且家庭用电用水量异常的住户。进一步地，所述获取同类属性人员异常聚集信息，包含以下步骤：高清摄像头拍摄进出小区和楼宇人员的视频，并对视频流进行人脸检测算法，若发现人脸信息，对此帧图片进行切割，把人脸图片保存到数据库一，并发送给数据处理与分析模块一；数据处理与分析模块一对人脸信息进行识别，并将筛选结果保存到同类属性人员异常聚集数据库中；将筛选结果在可视化界面进行展示。进一步地，所述获取用电用水异常的住户信息，包含以下步骤：前端水电感知设备每隔一小时获取住户的用电用水量，将该数据保存到数据库二，并发送给数据处理与分析模块二；数据处理与分析模块二对数据进行处理分析，将结果保存到住户用电用水量异常数据库中；将处理结果在可视化界面进行展示。进一步地，所述筛选出所有住户中存在同类属性人员异常聚集并且家庭用电用水量异常的住户，包含以下步骤：数据处理与分析模块三联合查询同类属性人员异常聚集数据库和住户用电用水量异常数据库中的数据，筛选出某楼宇中有同类属性人员异常聚集行为且某住户存在用电用水异常的情况，并把数据保存至疑似人员异常聚集行为数据库；将疑似人员异常聚集行为数据库中的数据在可视化界面进行展示。与现有技术相比，本专利技术具有以下优点：本专利技术的社区中人员异常聚集行为监测系统，包括同类属性人员异常聚集监测子系统、用电用水异常检测子系统和异常聚集住户筛选子系统，可以在无人值守的情况下对小区和楼宇进出人员的身份信息进行获取，初步筛选出可能存在同类属性人员异常聚集的小区和楼宇，联合住户用电用水本文档来自技高网...

【技术保护点】
1.一种社区中人员异常聚集行为监测系统，其特征在于，包括：/n同类属性人员异常聚集监测子系统，用于获取同类属性人员异常聚集信息；/n用电用水异常检测子系统，用于获取用电用水异常的住户信息；/n异常聚集住户筛选子系统，分别与同类属性人员异常聚集监测子系统和用电用水异常检测子系统连接，筛选出所有住户中存在同类属性人员异常聚集行为并且家庭用电用水量异常的住户。/n

【技术特征摘要】
1.一种社区中人员异常聚集行为监测系统，其特征在于，包括：
同类属性人员异常聚集监测子系统，用于获取同类属性人员异常聚集信息；
用电用水异常检测子系统，用于获取用电用水异常的住户信息；
异常聚集住户筛选子系统，分别与同类属性人员异常聚集监测子系统和用电用水异常检测子系统连接，筛选出所有住户中存在同类属性人员异常聚集行为并且家庭用电用水量异常的住户。


2.根据权利要求1所述的社区中人员异常聚集行为监测系统，其特征在于，所述同类属性人员异常聚集监测子系统包括：
高清摄像头，安装在小区门禁处和楼宇门禁处，用于拍摄进出小区和楼宇人员的视频，并对视频流进行人脸检测算法，若发现人脸信息，对此帧图片进行切割，把人脸图片保存到数据库一；
数据处理与分析模块一，对数据库一中的人脸信息进行识别，获取人员身份信息和标签信息，将分析结果存入数据库一并与公安业务库的数据进行碰撞分析，当同类属性人员数量达到预设阈值，初步判断为疑似发生人员异常聚集行为，并把筛选结果记录在同类属性人员异常聚集数据库中；
显示模块一，将小区进出人员信息、楼宇进出人员信息以及筛选结果在可视化界面进行展示。


3.根据权利要求2所述的社区中人员异常聚集行为监测系统，其特征在于，所述人脸检测算法采用Centerface，具体包括：
Centerface结构为：整体结构采用MobileNetV2结构，MobileNetV2进行5次下采样，在MobileNetV2的最后一层增加3个上采样层，最终输出的大小进行2次下采样，输出维度为原图的1/4；
目标中心点定义：目标中心点为其中(x1，y1)(x2，y2)对应目标的左上角和右下角的坐标；
人脸检测的损失函数如下：
人脸分类损失函数：其中，α和β是焦点损失的超参数，表示检测到关键点，表示背景，Yxyc表示高斯核，W是图像宽度，H是图像高度，C是关键点类型数量；
人脸框中心点偏移损失函数：






其中，oκ表示预测坐标，表示GT框的坐标，N表示图像中关键点的个数，xκ和yκ是面中心k的x、y坐标，n表示下采样因子；
人脸框损失函数：其中x1，x2，y1，y2表示人脸框的坐标，表示纵方向损失，表示横方向损失，R表示步长；
整体损失函数：L＝Lc+λoffLoff+λboxLbox，其中λ为损失函数系数。


4.根据权利要求2所述的社区中人员异常聚集行为监测系统，其特征在于，所述对数据库一中的人脸信息进行识别算法采用yolov5，具体包括：
将输入的人脸图片分割成S×S网格，每个单元格负责去检测中心点落在该格子内的人脸图像，每个单元格会预测B个边界框及边界框的置信度，其中置信度定义为Pr(object)表示边界框含有人脸图像的可能性大小，表示边界框的准确度；
对于每一个单元格给出预测出C个类别概率值，表征的是该单元格负责预测的边界框及其目标属于各个类别的概率Pr(classi|object)，计算出各个边界框类别置信度边界框类别置信度表征的是该边界框中目标属于各个类...

【专利技术属性】
技术研发人员：张天骏，陈可鑫，张震，张安琪，宋超，陈云飞，王晓杰，晋志华，王琪，吴云鹏，
申请(专利权)人：郑州大学，
类型：发明
国别省市：河南;41