主权项 |
一种徘徊事件时空大数据分析的异常行为预警方法,其特征在于:包括建立报警大数据事件库,基于报警大数据事件库进行单点历史大数据关联分析和多点时空大数据关联分析,所述报警大数据事件库,用于记录已经筛选出的徘徊事件;所述单点历史大数据关联分析,包括当某监控点检测到徘徊行为发生时,立刻启动与报警大数据事件库中相应历史记录的关联分析,当同一场所先后监视到的徘徊行为呈现出如下特点之一,判断为高作案风险事件,一、短期内反复出现徘徊;二、单次徘徊时间过长;三、前后徘徊中存在相同人,相同身份的确认通过徘徊行人重检过程实现;所述多点时空大数据关联分析,包括基于报警大数据事件库,发现出现在多处监控点的徘徊行为的时空重现规律,当不同场所分别监视到的徘徊行为呈现出如下特点之一,判断为高作案风险事件,一、多处同时出现徘徊;二、短期内多处出现徘徊;三、短期内多处频发徘徊;四、多处徘徊中出现相同人,相同身份的确认通过徘徊行人重检过程实现;所述徘徊行人重检过程分为训练过程和测试过程,在训练过程中,首先对训练数据进行基于块的特征提取,并通过K‑means方式进行聚类,然后对每类数据进行基于随机采样的尺度学习,得到每类数据对应的马氏距离函数;所述基于随机采样的尺度学习的实现如下,设训练数据集为D<sub>Training</sub>,其中包括多个行人样本对,每个行人样本对包括一个行人在两个摄像头下的样本,通过聚类,训练数据集D<sub>Training</sub>中数据被分成了K类,记为<maths num="0001" id="cmaths0001"><math><![CDATA[<mrow><msub><mi>D</mi><mrow><mi>T</mi><mi>r</mi><mi>a</mi><mi>i</mi><mi>n</mi><mi>i</mi><mi>n</mi><mi>g</mi></mrow></msub><mo>=</mo><mo>{</mo><msubsup><mi>D</mi><mrow><mi>T</mi><mi>r</mi><mi>a</mi><mi>i</mi><mi>n</mi><mi>i</mi><mi>n</mi><mi>g</mi></mrow><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow></msubsup><mo>|</mo><mi>k</mi><mo>=</mo><mn>1</mn><mo>,</mo><mo>...</mo><mo>,</mo><mi>K</mi><mo>}</mo></mrow>]]></math><img file="FDA0000896509050000011.GIF" wi="620" he="87" /></maths>其中,<img file="FDA0000896509050000012.GIF" wi="158" he="82" />指第k类数据,K为类别数目;对于<img file="FDA0000896509050000013.GIF" wi="179" he="91" />寻找其类中心x<sub>k</sub>相邻的数据构成的邻域数据集<img file="FDA0000896509050000014.GIF" wi="201" he="90" />且<maths num="0002" id="cmaths0002"><math><![CDATA[<mrow><msubsup><mi>D</mi><mrow><mi>T</mi><mi>r</mi><mi>a</mi><mi>i</mi><mi>n</mi><mi>i</mi><mi>n</mi><mi>g</mi></mrow><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow></msubsup><mo>⋐</mo><msubsup><mi>D</mi><mrow><mi>T</mi><mi>r</mi><mi>a</mi><mi>i</mi><mi>n</mi><mi>i</mi><mi>n</mi><mi>g</mi></mrow><mrow><mo>(</mo><msub><mi>k</mi><mrow><mi>n</mi><mi>e</mi><mi>i</mi><mi>g</mi><mi>h</mi><mi>b</mi><mi>o</mi><mi>r</mi></mrow></msub><mo>)</mo></mrow></msubsup><mo>⋐</mo><msub><mi>D</mi><mrow><mi>T</mi><mi>r</mi><mi>a</mi><mi>i</mi><mi>n</mi><mi>i</mi><mi>n</mi><mi>g</mi></mrow></msub></mrow>]]></math><img file="FDA0000896509050000015.GIF" wi="579" he="91" /></maths>在<img file="FDA0000896509050000021.GIF" wi="174" he="92" />中进行N次随机采样,综合N次的采样结果得到数据集<img file="FDA0000896509050000022.GIF" wi="179" he="92" /><maths num="0003" id="cmaths0003"><math><![CDATA[<mrow><msubsup><mi>D</mi><mrow><mi>T</mi><mi>r</mi><mi>a</mi><mi>i</mi><mi>n</mi><mi>i</mi><mi>n</mi><mi>g</mi></mrow><mrow><mo>(</mo><msup><mi>k</mi><mo>′</mo></msup><mo>)</mo></mrow></msubsup><mo>=</mo><munderover><mo>Σ</mo><mrow><mi>n</mi><mo>=</mo><mn>1</mn></mrow><mi>N</mi></munderover><msup><mi>Sampling</mi><mi>n</mi></msup><mrow><mo>(</mo><msubsup><mi>D</mi><mrow><mi>T</mi><mi>r</mi><mi>a</mi><mi>i</mi><mi>n</mi><mi>i</mi><mi>n</mi><mi>g</mi></mrow><mrow><mo>(</mo><msub><mi>k</mi><mrow><mi>n</mi><mi>e</mi><mi>i</mi><mi>g</mi><mi>h</mi><mi>b</mi><mi>o</mi><mi>r</mi></mrow></msub><mo>)</mo></mrow></msubsup><mo>)</mo></mrow></mrow>]]></math><img file="FDA0000896509050000023.GIF" wi="699" he="139" /></maths>其中,<img file="FDA0000896509050000024.GIF" wi="442" he="104" />表示第n次采样结果;在数据集<img file="FDA0000896509050000025.GIF" wi="154" he="91" />上进行Mahal尺度学习,实现如下,给定行人样本对x=(x<sub>a</sub>,x<sub>b</sub>),<img file="FDA0000896509050000026.GIF" wi="263" he="91" />x<sub>a</sub>和x<sub>b</sub>分别是来自不同摄像头下的行人图像,设S表示事件“x<sub>a</sub>和x<sub>b</sub>是同一行人”,记为x<sub>a</sub>,x<sub>b</sub>∈S,D表示“事件x<sub>a</sub>和x<sub>b</sub>是不同行人”,记为x<sub>a</sub>,x<sub>b</sub>∈D,尺度学习过程采用下式<maths num="0004" id="cmaths0004"><math><![CDATA[<mrow><munder><mrow><mi>m</mi><mi>i</mi><mi>n</mi></mrow><mi>M</mi></munder><msub><mi>Σ</mi><mrow><msub><mi>x</mi><mi>a</mi></msub><mo>,</mo><msub><mi>x</mi><mi>b</mi></msub><mo>∈</mo><mi>S</mi></mrow></msub><mo>|</mo><mo>|</mo><msub><mi>x</mi><mi>a</mi></msub><mo>-</mo><msub><mi>x</mi><mi>b</mi></msub><mo>|</mo><msubsup><mo>|</mo><mi>M</mi><mn>2</mn></msubsup><mo>-</mo><msub><mi>Σ</mi><mrow><msub><mi>x</mi><mi>a</mi></msub><mo>,</mo><msub><mi>x</mi><mi>b</mi></msub><mo>∈</mo><mi>D</mi></mrow></msub><mo>|</mo><mo>|</mo><msub><mi>x</mi><mi>a</mi></msub><mo>-</mo><msub><mi>x</mi><mi>b</mi></msub><mo>|</mo><msubsup><mo>|</mo><mi>M</mi><mn>2</mn></msubsup></mrow>]]></math><img file="FDA0000896509050000027.GIF" wi="912" he="99" /></maths>其中,<img file="FDA00008965090500000210.GIF" wi="107" he="83" />表示马氏距离的平方;上述过程学习得到马氏距离函数的半正定矩阵参数,记为M<sup>(k′)</sup>;在使用上式对第k类数据<img file="FDA00008965090500000211.GIF" wi="150" he="86" />进行尺度学习时,设其正定矩阵参数M<sup>(k)</sup>的初始值为M<sup>(k′)</sup>,每学习一个行人数据,更新之前的M值如下,M<sup>(k)</sup>←M<sup>(k′)</sup>+M<sup>(k)</sup>最终得到马氏距离函数M<sup>(k)</sup>,k=1,...,K;在测试过程中,首先根据马氏距离函数M<sup>(k)</sup>在训练数据中查找查询行人的近邻行人,然后根据这些近邻行人所属类别进行类别投票,选择多数近邻行人所在类别对应的马氏距离函数进行距离度量。 |