本發(fā)明屬于安防監(jiān)控領域，具體的說是基于云計算的安防監(jiān)控大數(shù)據(jù)處理方法及系統(tǒng)。

背景技術：

1、安防監(jiān)控，即安全防范監(jiān)控系統(tǒng)，是一種綜合性的安全防范技術系統(tǒng)，是利用視頻、音頻、紅外傳感設備，對目標進行實時監(jiān)測、報警、記錄、存儲、遠程傳輸功能，安防監(jiān)控的主要目的是在安全事件發(fā)生前或發(fā)生時，提供監(jiān)控和預警，以及時發(fā)現(xiàn)并處理問題，從而保護人員、財產(chǎn)和信息的安全。隨著社會的發(fā)展和技術的進步，安防監(jiān)控系統(tǒng)的智能化需求日益增強，而傳統(tǒng)的安防系統(tǒng)主要依賴于人工監(jiān)控和事后分析，效率低下且容易出錯。

2、如公開號為cn108259845a的專利公開了一種基于云計算的安防監(jiān)控大數(shù)據(jù)處理方法及系統(tǒng)，包括：采集監(jiān)控終端拍攝的安防監(jiān)控數(shù)據(jù)，并將采集后的視頻信號轉(zhuǎn)換為電信號；隨后導入存儲層內(nèi)，進行虛擬化分布式的存儲，并在管理調(diào)度層內(nèi)作數(shù)據(jù)備份處理；用戶終端通過應用接口層中設置的各種設備接口端與存儲池進行通信，實時調(diào)用各項安防數(shù)據(jù)，本技術方案通過采集監(jiān)控終端的監(jiān)控數(shù)據(jù)，并分布式的存儲在虛擬化的存儲池中，提高數(shù)據(jù)的存儲容量，保證了安防監(jiān)控的大數(shù)據(jù)的處理效率，同時能夠?qū)?shù)據(jù)進行實時備份處理，并能夠?qū)崟r調(diào)用，提高大數(shù)據(jù)處理的容錯率，利用分布的多個應用接口，能夠滿足用戶的各項服務請求。

3、如公開號為cn115474018a的專利公開了一種安防視頻監(jiān)控系統(tǒng)，包括：視頻監(jiān)控模塊、報警管理模塊、數(shù)據(jù)處理模塊、語音對講模塊、系統(tǒng)設置模塊、用戶管理模塊、信息存儲模塊、信息傳輸模塊；所述視頻監(jiān)控模塊實現(xiàn)對采集到的圖像信息每10s通過信息傳輸模塊將拍攝到的圖像信息傳輸?shù)綌?shù)據(jù)處理模塊、用戶管理模塊、信息存儲模塊中；所述數(shù)據(jù)處理模塊對視頻監(jiān)控模塊拍攝到的圖像信息進行提取人臉特征信息和行為特征信息。通過本技術方案系統(tǒng)中視頻監(jiān)控模塊實現(xiàn)對采集到的圖像信息每10s進行傳輸，可以及時的獲取現(xiàn)場的圖像信息，提升了安防監(jiān)控的有效性。

4、以上現(xiàn)有技術均存在以下問題：主要側重于數(shù)據(jù)的采集、存儲、備份和實時調(diào)用，而對于安防監(jiān)控數(shù)據(jù)中最關鍵的智能分析和異常檢測部分并未提及，這意味著，即使系統(tǒng)能夠存儲和調(diào)用大量數(shù)據(jù)，也無法自動識別和響應潛在的安全威脅或異常行為；缺乏異常檢測與預警機制，當安全事件發(fā)生時，系統(tǒng)無法及時響應，增加了安全風險；缺乏智能化處理的能力，缺失應急響應能力。

技術實現(xiàn)思路

1、針對現(xiàn)有技術的不足，本發(fā)明提出了基于云計算的安防監(jiān)控大數(shù)據(jù)處理方法及系統(tǒng)，通過物聯(lián)網(wǎng)節(jié)點實時采集并處理視頻監(jiān)控數(shù)據(jù)，上傳至云計算平臺實現(xiàn)分布式存儲；利用云計算資源，系統(tǒng)對視頻進行關鍵幀拆分與特征提取，結合視覺、音頻、表情識別、物體識別及時間和空間上下文信息，通過圖神經(jīng)網(wǎng)絡綜合判斷異常行為或危險意圖；通過歷史數(shù)據(jù)分析建立正常行為模式庫，對比識別異常模式；采用多分類算法對異常模式分類，并進行多維度風險評估以確定危險級別，自動觸發(fā)自適應警報；聯(lián)動應急系統(tǒng)，定位異常地點，啟動視頻回放與應急響應程序。

2、為實現(xiàn)上述目的，本發(fā)明提供如下技術方案：

3、基于云計算的安防監(jiān)控大數(shù)據(jù)處理方法，包括：

4、步驟s1：通過物聯(lián)網(wǎng)節(jié)點實時采集視頻監(jiān)控數(shù)據(jù)，并進行預處理，將預處理后的視頻監(jiān)控數(shù)據(jù)上傳至云計算平臺的數(shù)據(jù)存儲池進行分布式存儲；

5、步驟s2：利用云計算平臺對接收的視頻監(jiān)控數(shù)據(jù)進行關鍵幀拆分，并對關鍵幀進行特征提取，生成視覺和音頻特征向量，結合表情識別、物體識別、時間和空間上下文信息，利用圖神經(jīng)網(wǎng)絡方法綜合判斷是否存在異常行為或危險意圖；

6、步驟s3：收集歷史視頻監(jiān)控數(shù)據(jù)，通過數(shù)據(jù)分析方法建立正常行為模式庫，并與識別出的異常行為或危險意圖進行對比，識別出異常模式；

7、步驟s4：采用多分類算法，對識別出的異常模式進行分類，并根據(jù)分類結果和嚴重程度，進行多維度風險評估，確定危險級別，同時，根據(jù)危險級別，自動觸發(fā)自適應警報機制；

8、步驟s5：聯(lián)動應急系統(tǒng)，定位到異常行為發(fā)生地點，并啟動視頻回放功能，同時，根據(jù)預設的應急預案和評估出的危險級別，自動啟動應急響應程序。

9、具體地，所述步驟s2的具體步驟包括：

10、s2.1：云計算平臺使用流處理框架接收并管理視頻監(jiān)控數(shù)據(jù)，并使用基于畫面變化率的閾值比較方法提取視頻監(jiān)控數(shù)據(jù)中的關鍵幀；

11、s2.2：對關鍵幀對應的音頻數(shù)據(jù)進行處理，提取音頻特征，并使用卷積神經(jīng)網(wǎng)絡模型對關鍵幀進行圖像特征提取，生成視覺特征；

12、s2.3：分析關鍵幀之間的時間順序和邏輯關系，構建時間上下文信息，同時，結合視頻監(jiān)控場景的空間布局和物體位置，構建空間上下文信息；

13、s2.4：在視覺特征基礎上，再次使用卷積神經(jīng)網(wǎng)絡模型進行物體檢測和表情識別，生成表情特征和物體特征。

14、具體地，所述步驟s2的具體步驟還包括：

15、s2.5：將視覺特征、音頻特征、表情特征、物體特征、時間上下文信息和空間上下文信息進行多目標融合，獲得融合特征；

16、s2.6：使用圖神經(jīng)網(wǎng)絡對融合特征進行處理，捕捉圖節(jié)點之間的關系和交互模式，其中，將關鍵幀、物體、人臉作為圖節(jié)點，空間位置、時間順序、交互行為作為邊，構建圖結構；

17、s2.7：設定安全閾值，根據(jù)圖神經(jīng)網(wǎng)絡的輸出結果，判斷是否存在異常行為或危險意圖；

18、若，則判斷為正常模式；

19、若，則判斷為存在異常行為或危險意圖；

20、其中，表示圖神經(jīng)網(wǎng)絡的輸出結果， i表示圖神經(jīng)網(wǎng)絡輸出結果的索引位置；

21、s2.8：基于，利用時間序列分析預測模型預測下一時間段發(fā)生的異常行為或危險事故的概率。

22、具體地，所述步驟s4的具體步驟包括：

23、s4.1：接收識別出的異常模式的數(shù)據(jù)并進行預處理，使用訓練好的卷積神經(jīng)網(wǎng)絡模型對預處理后的異常模式數(shù)據(jù)進行前向傳播，提取出卷積層輸出的特征圖，通過特征圖獲得異常模式特征數(shù)據(jù)，其中，表示第 n個異常模式特征數(shù)據(jù)， n表示異常模式特征數(shù)據(jù)的數(shù)量；

24、s4.2：設置異常模式特征數(shù)據(jù)的類別標簽，其中，，表示未經(jīng)授權的物品轉(zhuǎn)移，，表示攜帶潛在危害物質(zhì)，，表示有攻擊性傾向的行為準備，，表示未授權駐留；

25、s4.3：將具有類別標簽的異常模式特征數(shù)據(jù)進行數(shù)據(jù)劃分，并根據(jù)劃分后的異常模式特征數(shù)據(jù)，獲得訓練后的多分類模型，同時，使用多分類svm模型對異常模式特征數(shù)據(jù)進行分類，公式為：

26、；

27、其中，表示在給定 x時多分類模型預測輸出為類別 j的概率， x表示具有類別標簽的異常模式特征數(shù)據(jù)，表示在給定 x時異常模式特征數(shù)據(jù)的類別標簽，表示第 j個類別的縮放因子，表示 x的變換函數(shù)，表示第 j個類別的偏置項，表示非線性激活函數(shù)，表示非線性函數(shù)組合，表示第 j個類別的參數(shù)集合，包括第 j個類別的權重或統(tǒng)計信息。

28、具體地，所述步驟s4的具體步驟還包括：

29、s4.4：根據(jù)分類結果和異常模式特征，設定異常事件，并構建多維度風險評估模型；

30、s4.5：使用概率風險評估方法對異常事件進行量化評估，公式為：

31、；

32、其中，core表示量化評估得分， m表示異常事件的數(shù)量，表示第 k個異常事件的嚴重程度系數(shù)，表示第 k個異常事件的影響范圍系數(shù)，表示第 k個異常事件的發(fā)生概率，表示第 k個異常事件的緊急程度系數(shù)，表示第 k個異常事件中第 l個評估指標的權重，表示第 k個異常事件中第 l個評估指標的得分，表示第 k個異常事件下評估指標的數(shù)量；

33、s4.6：基于多維度風險評估結果，綜合判斷異常事件的嚴重程度，并根據(jù)判斷結果，將異常事件劃分為低危、中危、高危三個危險級別；

34、s4.7：按照確定的危險級別，自動觸發(fā)對應的警報機制。

35、具體地，步驟s2中所述提取特征是指提取的人臉特征、人體姿態(tài)、運動軌跡和聲音模式。

36、與現(xiàn)有技術相比，本發(fā)明的有益效果是：

37、1.本發(fā)明提出基于云計算的安防監(jiān)控大數(shù)據(jù)處理方法，利用云計算平臺進行分布式存儲和處理，提高了數(shù)據(jù)處理的速度和效率，使得系統(tǒng)能夠迅速響應各種安全事件；涵蓋了數(shù)據(jù)采集、智能識別、風險評估、警報觸發(fā)和應急響應多個環(huán)節(jié)，生成了一個完整的安防監(jiān)控體系，使得系統(tǒng)能夠更好地適應復雜多變的安防環(huán)境。

38、2.本發(fā)明提出基于云計算的安防監(jiān)控大數(shù)據(jù)處理系統(tǒng)，能夠智能地識別出視頻監(jiān)控中的異常行為或危險意圖，通過聯(lián)動應急系統(tǒng)，確保在緊急情況下能夠迅速采取有效措施，保障人員和財產(chǎn)的安全。