一种社区中人员异常聚集行为监测系统及方法

摘要

本发明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。

说明书

技术领域

本发明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。

背景技术

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。

发明内容

为了解决现有技术中存在的缺陷，本发明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，本发明采用以下的技术方案：

本发明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

人脸检测的损失函数如下：

人脸分类损失函数：

人脸框中心点偏移损失函数：

其中，o

人脸框损失函数：

整体损失函数：L＝L

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

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(class

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。

本发明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，本发明具有以下优点：

本发明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，联合住户用电用水异常检测数据， 对小区内住户进行二次筛选，本发明提高了监测力度和准确率，减少了人力资 源消耗。

本发明人脸检测算法采用Centerface，能够在上下班时候小区人流量较大时 候，具有较高的准确率和工作效率，避免人脸信息漏检；人脸识别算法采用yolov5， 能够保证人脸识别的准确率和效率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需 要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在 不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例的社区中人员异常聚集行为监测系统的结构框图；

图2是本发明实施例的Centerface算法模型图；

图3本发明实施例的社区中人员异常聚集行为监测方法的流程示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明中的技术方案，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。

如图1所示，本实施例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11、用电用水异常检测子系统12和异常聚集住户筛 选子系统13；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。

同类属性人员异常聚集监测子系统包括高清摄像头、数据处理与分析模块 一和显示模块一。

高清摄像头，安装在小区门禁处和楼宇门禁处，主要拍摄进出小区和楼宇 人员的视频，并对设备拍摄到的人像视频进行人脸检测算法，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分析，可以获 取人员身份信息、标签信息，将分析结果存入数据库一，该数据库一对接公安 业务库，与公安业务库的数据进行碰撞分析，查询出入人员是否为某类属性人 员，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，主要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，方便系统管理人员查看。

由于上下班时期小区人流量比较大，为了提升系统工作效率，所以在选择 人脸检测算法方面必须兼顾准确率和效率，本实例中人脸检测算法采用 Centerface，结构如图2所示。

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

在有监督的机器学习算法中，期望在学习过程中最小化每个训练样例的误 差，而这个误差来自损失函数，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，指定α＝2，β＝4，

人脸框中心点偏移损失函数：

其中，o

人脸框损失函数：

整体损失函数：L＝L

为了保证人脸识别的准确率和效率，采用的算法是yolov5，具体包括：

Yolo的CNN网络将输入的图片分割成S×S网格，然后每个单元格负责去 检测那些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，所谓置信度包含两个方面，一是这个边界框含有目标的可能性 大小，二是这个边界框的准确度，前者记为Pr(object)，当该边界框是背景时(即 不包含目标)，此时Pr(object)＝0，当该边界框包含目标时，Pr(object)＝1；边 界框的准确度可以用预测框与实际框的IOU来表征，记为

边界框的大小与位置可以用4个值来表征：(x，y，w，h)，其中(x，y) 是边界框的中心坐标，而w和h是边界框的宽与高。中心坐标的预测值(x，y) 是相对于每个单元格左上角坐标点的偏移值，并且单位是相对于单元格大小的； 边界框的w和h预测值是相对于整个图片的宽与高的比例，这样理论上4个元 素的大小应该在[0,1]范围。这样，每个边界框的预测值实际上包含5个元素：(x，y，w，h，c)，其中前4个表征边界框的大小与位置，而最后一个值是置信度。

对于每一个单元格还要给出预测出C个类别概率值，其表征的是该单元格 负责预测的边界框及其目标属于各个类别的概率Pr(class

用电用水异常检测子系统包括前端水电感知设备、数据处理与分析模块二 和显示模块二。

前端水电感知设备每隔一小时(一天共24次)获取住户的用电用水量，并 将该数据保存到数据库二，并通过网络发送到数据处理与分析模块二。

数据处理与分析模块二接收到前端水电感知设备发送的数据后，以住户为 单位，从数据库二中查询出住户的常住人口数，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，并保存 到数据库二。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，以便和同类属性人员异常聚集监测子系 统做二次筛选。

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，优选的，可以采用折线图进行展示。

异常聚集住户筛选子系统包括输入端口、数据处理与分析模块三和显示模 块三。

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。

如图3所示，本实施例还提供一种社区中人员异常聚集行为监测方法，包 含以下步骤：

步骤S31，获取同类属性人员异常聚集信息，判断出小区和楼宇内是否存在 同类属性人员异常聚集行为，对疑似人员异常聚集行为做初步筛选。具体包括：

步骤S311，高清摄像头实时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，对此帧图片进行截取，把人脸图片保存 到数据库一进行存储，并发送给数据处理与分析模块一。

步骤S312，数据处理与分析模块一对人脸信息进行识别，获得该人员的姓 名、身份证号、是否参加过违法事件等信息，与公安业务库的数据进行碰撞分 析，判断目标人物是否为疑似异常聚集人员，然后将筛选结果保存到同类属性 人员异常聚集数据库中，可以为后续的大数据分析提供方便。

步骤S313，将筛选结果在可视化界面进行展示。

通过以上同类属性人员异常聚集行为的监测方法，可以24小时对小区和楼 宇进出人员进行数据分析，判断是否有大量同类属性人员异常聚集，并准确到 楼宇进出情况，更加具有可信度。

步骤S32，获取用电用水异常的住户信息，判断出是否存在家庭用水用电量 大大超过小区人均用水用电量的住户，对疑似人员异常聚集行为做二次筛选。 具体包括：

步骤S321，前端水电感知设备每隔一小时(一天共24次)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。

步骤S322，数据处理与分析模块二对数据进行处理分析，筛选出住户人均 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，并加以标记，将结果保存到住户用电用水量异常数据 库中。

步骤S323，将处理结果在可视化界面进行展示，可以使系统管理人员直观 地发现问题，更清晰地找到哪家住户可能出现人员异常聚集的情况。

通过以上家庭用电用水异常的监测方法，可以获取和分析住户用电用水的 数据，筛选出小区中家庭用电用水量异常的住户，更加具有可信度。

步骤S33，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。

步骤S331，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。

步骤S332，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，并以短消息提醒的方式提醒系统管理人员。

除非另作定义，此处使用的技术术语或者科学术语应当为本发明所属领域 内具有一般技能的人士所理解的通常意义。本申请说明书以及权利要求书中使 用的“一个”或者“一”等类似词语也不必然表示数量限制。“包括”或者“包含”等 类似的词语意指出现该词前面的元件或物件涵盖出现在该词后面列举的元件或 者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似词语并 非现定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还 是间接的。

最后需要说明的是：以上所述仅为本发明的较佳实施例，仅用于说明本发 明的技术方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之 内所做的任何修改、等同替换、改进等，均包含在本发明的保护范围内。