【技术实现步骤摘要】
本专利技术属于视频监控分析，具体涉及一种基于机器学习的视频告警聚合方法及系统。
技术介绍
1、在当今数字化时代，视频ai（artificial intelligence，人工智能）分析技术在工业安全生产监管场景中得到了广泛应用。然而，目前普遍面临着的一个问题是误报率较高，其中一个关键的影响因素是同一报警频繁触发，从而产生大量的重复告警。这种重复告警现象会带来诸多负面影响：一方面，它会严重影响告警系统的效率，即大量的重复告警信息会占用系统资源，包括存储资源、计算资源以及网络传输资源等，使得系统在处理真正有价值的告警信息时可能出现延迟或资源不足的情况；另一方面，从用户体验的角度来看，过多的重复告警会干扰用户对告警信息的判断，使用户难以快速准确地识别出真正需要关注和处理的告警，甚至可能导致用户对整个告警系统产生不信任感，降低系统的实用性。
2、由此，如何提供一种视频告警聚合方案以对相似视频告警进行智能合并，从而有效减少重复告警，提高系统资源利用效率和用户对告警信息的判断能力，进而提升系统整体的响应速度和用户的满意度，是本领域技术人员亟需研究的课题。
技术实现思路
1、本专利技术的目的是提供一种基于机器学习的视频告警聚合方法及系统，用以解决现有视频告警方案存在因重复告警而导致系统性能受限以及影响用户体验的问题。
2、为了实现上述目的，本专利技术采用以下技术方案：
3、第一方面，提供了一种基于机器学习的视频告警聚合方法，包括：
4、获取历史收到
5、针对在所述所有视频告警数据中的各份视频告警数据，对在对应数据中的告警类型、告警位置以及告警视频片段分别进行特征提取处理，得到对应且包含有告警类型特征向量、告警位置特征向量以及告警视频特征向量的视频告警特征向量组；
6、根据所述各份视频告警数据的所述视频告警特征向量组，应用聚类算法聚类得到多个聚类中心；
7、针对所述各份视频告警数据，根据所述多个聚类中心和对应的所述视频告警特征向量组，分别计算得到对应且至所述多个聚类中心的欧拉距离，然后从所述多个聚类中心中确定出与最短欧拉距离对应的某个聚类中心，并将对应数据划分到与所述某个聚类中心对应的聚类类别下；
8、将所述各份视频告警数据的所述视频告警特征向量组作为模型输入项，以及将所述各份视频告警数据的聚类类别划分结果作为模型输出项，导入基于机器学习算法的人工智能模型进行模型训练，得到告警数据聚类类别划分模型；
9、对在新收到的所述视频告警数据中的告警类型、告警位置以及告警视频片段分别进行所述特征提取处理，得到新的所述视频告警特征向量组；
10、将新的所述视频告警特征向量组导入所述告警数据聚类类别划分模型，得到将新收到的所述视频告警数据划分到各个聚类类别下的概率；
11、若发现将新收到的所述视频告警数据划分到某个聚类类别下的概率超过预设概率阈值，则将新收到的所述视频告警数据划分到所述某个聚类类别下；
12、仅在从与所述某个聚类类别对应的告警动作最近执行时间戳到在新收到的所述视频告警数据中的告警时间戳的时长超过预设时长阈值时，根据新收到的所述视频告警数据执行一次与所述某个聚类类别对应的告警动作。
13、基于上述
技术实现思路
，提供了一种基于聚类算法和机器学习算法进行视频告警聚合的新方案，即先根据历史收到的所有视频告警数据，得到各份数据且包含有告警类型特征向量、告警位置特征向量以及告警视频特征向量的视频告警特征向量组，并应用聚类算法聚类得到多个聚类中心，然后根据欧拉距离计算结果将各份数据划分到相应的聚类类别下，再然后根据向量组及类别划分结果，应用机器学习算法训练得到告警数据聚类类别划分模型，并应用该模型将新收到的视频告警数据划分到具有最大划分概率的某个聚类类别下，最后仅在从告警动作最近执行时间戳到新告警时间戳的时长超过预设时长阈值时，执行告警动作，如此可对相似视频告警进行智能合并，有效减少重复告警，提高系统资源利用效率和用户对告警信息的判断能力，进而可提升系统整体的响应速度和用户的满意度，便于实际应用和推广。
14、在一个可能的设计中，针对在所述所有视频告警数据中的各份视频告警数据，对在对应数据中的告警类型、告警位置以及告警视频片段分别进行特征提取处理，得到对应且包含有告警类型特征向量、告警位置特征向量以及告警视频特征向量的视频告警特征向量组，包括：
15、针对在所述所有视频告警数据中的某份视频告警数据，采用独热编码方式/和分层编码方式对在对应数据中的告警类型进行编码，得到对应的告警类型特征向量；
16、对在所述某份视频告警数据中且为视频画面内坐标信息的告警位置进行归一化处理，得到归一化坐标，然后将所述归一化坐标与在所述某份视频告警数据中且为监控区域编号和/或监控区域内几何形状视野分区编号的告警位置组合成所述某份视频告警数据的告警位置特征向量；
17、将在所述某份视频告警数据中的告警视频片段导入已完成预训练的卷积神经网络模型中，然后将由在所述卷积神经网络模型中的中间层输出的结果作为所述某份视频告警数据的告警视频特征向量；
18、将所述某份视频告警数据的告警类型特征向量、告警位置特征向量以及告警视频特征向量组合成所述某份视频告警数据的视频告警特征向量组。
19、在一个可能的设计中，将由在所述卷积神经网络模型中的中间层输出的结果作为所述某份视频告警数据的告警视频特征向量，包括：
20、将由在所述卷积神经网络模型中的中间层输出的结果作为视频片段特征向量；
21、对所述视频片段特征向量进行pca降维处理，得到降维后特征向量；
22、将所述降维后特征向量作为所述某份视频告警数据的告警视频特征向量。
23、在一个可能的设计中，根据所述各份视频告警数据的所述视频告警特征向量组，应用聚类算法聚类得到多个聚类中心，包括：
24、针对所述各份视频告警数据，根据对应的所述视频告警特征向量组和各份其它视频告警数据的所述视频告警特征向量组，计算得到对应且与所述各份其它视频告警数据的欧拉距离，并统计得到对应且欧拉距离小于预设距离阈值的距离个数；
25、根据所述各份视频告警数据的距离个数以及所述各份视频告警数据在多维空间中的分布位置，确定在所述所有视频告警数据中且具有距离个数极大值的多份视频告警数据，其中，所述多维空间中的各个维度与在所述视频告警特征向量组中的各维特征值一一对应；
26、按照距离个数极大值从大到小的顺序依次排列所述多份视频告警数据，得到一个视频告警数据序列；
27、从所述视频告警数据序列中选取前份视频告警数据，并将所述前份视频告警数据的所述视频告警特征向量组一一对应地作为个初始聚类中心，其中，表示聚类类别的预设数目；
28、基于所述个初始聚类中心，本文档来自技高网...
【技术保护点】
1.一种基于机器学习的视频告警聚合方法，其特征在于，包括：
2.根据权利要求1所述的视频告警聚合方法，其特征在于，针对在所述所有视频告警数据中的各份视频告警数据，对在对应数据中的告警类型、告警位置以及告警视频片段分别进行特征提取处理，得到对应且包含有告警类型特征向量、告警位置特征向量以及告警视频特征向量的视频告警特征向量组，包括：
3.根据权利要求2所述的视频告警聚合方法，其特征在于，将由在所述卷积神经网络模型中的中间层输出的结果作为所述某份视频告警数据的告警视频特征向量，包括：
4.根据权利要求1所述的视频告警聚合方法，其特征在于，根据所述各份视频告警数据的所述视频告警特征向量组，应用聚类算法聚类得到多个聚类中心，包括：
5.根据权利要求1所述的视频告警聚合方法，其特征在于，在得到将新收到的所述视频告警数据划分到各个聚类类别下的概率之后，所述方法还包括：
6.根据权利要求5所述的视频告警聚合方法，其特征在于，在判断所述最高概率与所述次高概率之和是否超过所述预设概率阈值且所述最高概率与所述次高概率之差是否小于预设相差阈值
7.根据权利要求1所述的视频告警聚合方法，其特征在于，所述方法还包括：
8.根据权利要求5、6或7所述的视频告警聚合方法，其特征在于，在聚类类别发生变化之后，所述方法还包括：
9.一种基于机器学习的视频告警聚合系统，其特征在于，包括有告警数据获取单元、特征向量提取单元、聚类算法应用单元、数据类别划分单元、划分模型训练单元、划分模型应用单元、新数据类别划分单元和告警动作执行单元；
10.一种计算机系统，其特征在于，包括有依次通信连接的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如权利要求1～8中任意一项所述的视频告警聚合方法。
...【技术特征摘要】
1.一种基于机器学习的视频告警聚合方法，其特征在于，包括：
2.根据权利要求1所述的视频告警聚合方法，其特征在于，针对在所述所有视频告警数据中的各份视频告警数据，对在对应数据中的告警类型、告警位置以及告警视频片段分别进行特征提取处理，得到对应且包含有告警类型特征向量、告警位置特征向量以及告警视频特征向量的视频告警特征向量组，包括：
3.根据权利要求2所述的视频告警聚合方法，其特征在于，将由在所述卷积神经网络模型中的中间层输出的结果作为所述某份视频告警数据的告警视频特征向量，包括：
4.根据权利要求1所述的视频告警聚合方法，其特征在于，根据所述各份视频告警数据的所述视频告警特征向量组，应用聚类算法聚类得到多个聚类中心，包括：
5.根据权利要求1所述的视频告警聚合方法，其特征在于，在得到将新收到的所述视频告警数据划分到各个聚类类别下的概率之后，所述方法还包括：
6.根据权...
【专利技术属性】
技术研发人员：赵伟，郭广进，任帅，赵磊，
申请(专利权)人：北京网藤科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。