[发明专利]视频监控系统中的警报量归一化

说明书

技术领域

本文公开的本发明的实施方案总体上涉及用于向基于行为识别的视频监控系统的用户报告异常行为的技术。更确切来说，本发明的实施方案提供了用于将针对多个不相交警报类型产生的警报的数量进行归一化的框架。

背景技术

一些当前可用的视频监控系统提供了简单的对象识别能力。例如，视频监控系统可以被配置来将给定帧中的一组像素(称为“色斑(blob)”)分类为具体的对象(例如人或车辆)。一旦确认，就可以逐帧地跟踪“色斑”，以便追踪随时间的推移在场景中移动的“色斑”，例如，在视频监控摄像机的视野中穿行的人。另外，这类系统可以被配置来确定对象何时参与某些预定义的行为。例如，系统可以包括用于识别许多预定义事件的发生的定义，例如，系统可以评估分类为描绘汽车的对象的出现(车辆出现事件)，所述对象在数帧内停止(车辆停车事件)。此后，新的前景对象可能出现并且被分类为人(人出现事件)，人随后从帧中离开(人消失事件)。另外，系统可以将前两个事件的组合识别为“停车事件”。

然而，这类监视系统通常要求可由系统识别的对象和/或行为应预先定义。因此，在实践中，这些系统依赖于对象和/或行为的预定义的定义来评估视频序列。除非基本的系统包括对具体对象或行为的描述，否则系统一般无法识别所述行为(或至少描述具体对象或行为的模式的示例)。更一般来说，这类系统依赖于预定义的规则和静态模式，并因此往往不能动态地确认对象、事件、行为或模式，甚至更不能将它们分类为正常或异常的。

此外，这些基于规则的监控系统的最终用户通常指定了应引起警报的事件。然而，这在实践中造成了问题，因为典型的基于规则的监控系统每天并且每个摄像机平均产生数以千计的警报，并且面对众多警报的用户变得无法辨别哪些警报应受高度重视。因此，这些基于规则的系统在向用户通知重要的安全性警报方面用处不大。

发明内容

本发明的一个实施方案提供了一种使用配置有归一化模块的行为识别系统来归一化并发布警报的方法。这种方法总体上可以包括接收具有类型和原始罕见度值的警报并且将原始罕见度值转换成警报百分位值。这种方法还可以包括在确定警报百分位值大于警报百分位阈值后归一化并发布警报。

其它实施方案包括但不限于：计算机可读介质，所述计算机可读介质包括使处理单元能够实现所公开方法的一个或多个方面的指令；以及系统，所述系统具有被配置来实现所公开方法的一个或多个方面的处理器、存储器和应用程序。

附图说明

因此，获得或可详细地理解本公开的上述特征、优点和目标的方式，即上文简要概述的较为具体的描述可参照附图中例示的实施方案进行。

然而，应注意，附图仅例示本发明的典型实施方案，且因此不应被视为对本发明范围的限制，因为本公开可允许其他同等有效的实施方案。

图1例示根据一个实施方案的视频分析系统的部件。

图2进一步例示根据一个实施方案的在图1中所示的视频分析系统的部件。

图3例示根据一个实施方案的行为识别系统可产生的警报。

图4例示根据一个实施方案的用于在配置有归一化模块的行为识别系统内处理警报的方法。

图5例示根据一个实施方案的用于发布归一化警报的方法。

图6例示根据一个实施方案的行为识别系统中的警报归一化模块的示例性特定使用情况的图形表示。

具体实施方式

本文公开的本发明的实施方案提供了用于在行为识别系统中将根据多个不相交警报类型产生的警报的数量进行归一化的框架。所公开的框架为不同警报类型提供了统计一致性，并且确保行为识别系统将相对确定数量的警报提供给用户，而与系统中可用警报类型的数量无关。

行为识别系统可以被配置来通过观察单个帧的序列(其它情况下称为视频流)来学习、确认和识别行为的模式。不同于包含要确认事物的预定义模式的基于规则的视频监控系统，本文公开的行为识别系统通过归纳输入并建立对所观察事物的存储内容来学习各个模式。随着时间的推移，行为识别系统使用这些存储内容来在视频流内捕获的视场中的正常行为与异常行为之间进行区分。一般来说，视场被称为“场景”。

在一个实施方案中，行为识别系统包括计算机视觉引擎和机器学习引擎。计算机视觉引擎可以被配置来处理场景，产生所观察活动的信息流，并且然后将所述流传送到机器学习引擎。继而，机器学习引擎可以被配置来学习所述场景中的对象行为、建立场景内的某些行为的模型，并且确定观察结果是否表明对象的行为相对于模型来说是异常的。