一种基于弥散性运动神经网络的广场安保监测方法及装置与流程

1.本发明涉及安保数据处理领域，具体而言，涉及一种基于弥散性运动神经网络的广场安保监测方法及装置。

背景技术：

2.随着智能化科技的不断发展，人们的生活、工作、学习之中越来越多地用到了智能化设备，使用智能化科技手段，提高了人们生活的质量，增加了人们学习和工作的效率。
3.目前，在高像素摄像设备进行安保监控的时候，尝尝利用高像素设备部署于安保环境区域，并通过识别摄像设备采集到的原始图像数据进行判断是否存在安保隐患，并通过直接判断结果对安保人员进行提示和警报，但是，现有技术中的安保监测方法仅仅限制于对当前图像中所有人员的行为进行图像采集和图像识别，无法做到筛选弥散性人员行动轨迹，并精确地定位到弥散人员的安保情况，降低了安保监测过程的精确性和可靠性。
4.针对上述的问题，目前尚未提出有效的解决方案。

技术实现要素：

5.本发明实施例提供了一种基于弥散性运动神经网络的广场安保监测方法及装置，以至少解决现有技术中的安保监测方法仅仅限制于对当前图像中所有人员的行为进行图像采集和图像识别，无法做到筛选弥散性人员行动轨迹，并精确地定位到弥散人员的安保情况，降低了安保监测过程的精确性和可靠性的技术问题。
6.根据本发明实施例的一个方面，提供了一种基于弥散性运动神经网络的广场安保监测方法，包括：获取广场地图信息和人员运动参数，其中，所述人员运动参数包括：人员运动轨迹和人员运动弥散性因子；根据所述广场地图信息激活大数据平台中的数据矩阵，并在预设周期内生成对应所述广场地图信息的历史数据；将所述人员运动参数作为输入特征向量代入弥散运动模型，输出弥散运动结果；当所述弥散运动结果中存在风险信息，则发出安保监测警报。
7.可选的，所述人员运动参数中的所述人员运动弥散性因子通过弥散性筛选公式计算得到，其中，e为弥散性筛选结果，s和θ为矢量轨迹参数，t为运动持续时间。
8.可选的，在所述将所述人员运动参数作为输入特征向量代入弥散运动模型，输出弥散运动结果之前，所述方法还包括：根据所述历史数据训练所述弥散运动模型。
9.可选的，所述将所述人员运动参数作为输入特征向量代入弥散运动模型，输出弥散运动结果包括：提取所述人员运动参数中的所述人员运动弥散性因子；将所述人员运动弥散性因子进行高斯极值分解，得到适用于正态矢量的主弥散运动因子；将所述主弥散运动因子和所述人员运动轨迹输入至所述弥散运动模型的特征向量输入端，得到弥散运动结果，其中，所述弥散运动结果包括：正常运动信息，分析信息。
10.根据本发明实施例的另一方面，还提供了一种基于弥散性运动神经网络的广场安
保监测装置，包括：获取模块，用于获取广场地图信息和人员运动参数，其中，所述人员运动参数包括：人员运动轨迹和人员运动弥散性因子；激活模块，用于根据所述广场地图信息激活大数据平台中的数据矩阵，并在预设周期内生成对应所述广场地图信息的历史数据；输出模块，用于将所述人员运动参数作为输入特征向量代入弥散运动模型，输出弥散运动结果；警报模块，用于当所述弥散运动结果中存在风险信息，则发出安保监测警报。
11.可选的，所述人员运动参数中的所述人员运动弥散性因子通过弥散性筛选公式计算得到，其中，e为弥散性筛选结果，s和θ为矢量轨迹参数，t为运动持续时间。
12.可选的，所述装置还包括：训练模块，用于根据所述历史数据训练所述弥散运动模型。
13.可选的，所述输出模块包括：提取单元，用于提取所述人员运动参数中的所述人员运动弥散性因子；分解单元，用于将所述人员运动弥散性因子进行高斯极值分解，得到适用于正态矢量的主弥散运动因子；输出单元，用于将所述主弥散运动因子和所述人员运动轨迹输入至所述弥散运动模型的特征向量输入端，得到弥散运动结果，其中，所述弥散运动结果包括：正常运动信息，分析信息。
14.根据本发明实施例的另一方面，还提供了一种非易失性存储介质，所述非易失性存储介质包括存储的程序，其中，所述程序运行时控制非易失性存储介质所在的设备执行一种基于弥散性运动神经网络的广场安保监测方法。
15.根据本发明实施例的另一方面，还提供了一种电子装置，包含处理器和存储器；所述存储器中存储有计算机可读指令，所述处理器用于运行所述计算机可读指令，其中，所述计算机可读指令运行时执行一种基于弥散性运动神经网络的广场安保监测方法。
16.在本发明实施例中，采用获取广场地图信息和人员运动参数，其中，所述人员运动参数包括：人员运动轨迹和人员运动弥散性因子；根据所述广场地图信息激活大数据平台中的数据矩阵，并在预设周期内生成对应所述广场地图信息的历史数据；将所述人员运动参数作为输入特征向量代入弥散运动模型，输出弥散运动结果；当所述弥散运动结果中存在风险信息，则发出安保监测警报的方式，解决了现有技术中的安保监测方法仅仅限制于对当前图像中所有人员的行为进行图像采集和图像识别，无法做到筛选弥散性人员行动轨迹，并精确地定位到弥散人员的安保情况，降低了安保监测过程的精确性和可靠性的技术问题。
附图说明
17.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
18.图1是根据本发明实施例的一种基于弥散性运动神经网络的广场安保监测方法的流程图；
19.图2是根据本发明实施例的一种基于弥散性运动神经网络的广场安保监测装置的结构框图；
20.图3是根据本发明实施例的用于执行根据本发明的方法的终端设备的框图；
21.图4是根据本发明实施例的用于保持或者携带实现根据本发明的方法的程序代码的存储单元。
具体实施方式
22.为了使本技术领域的人员更好地理解本发明方案，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的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
23.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
24.根据本发明实施例，提供了一种基于弥散性运动神经网络的广场安保监测方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
25.实施例一
26.图1是根据本发明实施例的一种基于弥散性运动神经网络的广场安保监测方法的流程图，如图1所示，该方法包括如下步骤：
27.步骤s102，获取广场地图信息和人员运动参数，其中，所述人员运动参数包括：人员运动轨迹和人员运动弥散性因子。
28.具体的，本发明实施例为了解决现有技术中的安保监测方法仅仅限制于对当前图像中所有人员的行为进行图像采集和图像识别，无法做到筛选弥散性人员行动轨迹，并精确地定位到弥散人员的安保情况，降低了安保监测过程的精确性和可靠性的技术问题，达到通过判断广场人员运动的弥散性和人员弥散性运动规律，来进行安保结果的判断，首先需要通过服务器获取广场地图信息，上述广场地图信息可以是通过服务器存储端将广场地图进行筛选和认证，并通过地图编辑器对地图进行统一标准的优化，得到可以用于判断广场分布情况和地图参数的广场地图信息，同时对于人员运动参数需要通过超高像素图像采集设备进行采集，其中，上述人员运动参数包括：人员运动轨迹和人员运动弥散性因子。
29.需要说明的是，人员运动轨迹可以是被安保广场中现有人员运动的路线和时间戳的配合集合，即p＝(s,t)，其中，s是人员运动非直线轨迹，t是人员运动时间戳，该数据集合p是随着人员的变化而变化，p是一种动态的数据集合。
30.还需要说明的是，人员运动弥散性因子用于在人员运动轨迹全部采集完毕的基础之上，通过预设弥散轨迹筛选算法对人员轨迹数据进行过滤筛选，得到具有弥散性特性的人员轨迹参数，该弥散性因子的大小和紧密，表征着弥散性的正态分布概率，作为优选实施
例中的实施方案，本发明采用弥散因子的算法对人员轨迹进行优化和筛选，可以避免现有技术中直接对人员轨迹数据进行处理，直接地增加了广场安保措施的力度和精确程度。
31.可选的，所述人员运动参数中的所述人员运动弥散性因子通过弥散性筛选公式计算得到，其中，e为弥散性筛选结果，s和θ为矢量轨迹参数，t为运动持续时间。
32.具体的，在通过人员运动轨迹进行弥散性因子计算的时候，可以通过弥散性筛选公式计算得到，该公式利用高斯argmin算子和尖位角的结合，得到弥散性因子e，即e为弥散性筛选结果，s和θ为矢量轨迹参数，t为运动持续时间
33.步骤s104，根据所述广场地图信息激活大数据平台中的数据矩阵，并在预设周期内生成对应所述广场地图信息的历史数据。
34.具体的，为了针对弥散性运动进行是否存在安保风险的分析，本发明实施例还可以根据广场地图信息来对大数据平台进行激活和利用，通过不同的广场地图信息，获取不同的大数据平台中有关安保事件的历史数据，并通过该历史数据训练模型，以便后续运动参数的代入和输出。
35.需要说明的是，大数据平台可以是针对安保监测的多元化数据混合服务器，从该服务器中可以提取安保事件的特征输入参量和特征输出参量，并将矢量化因子作为训练神经网络模型的参数进行利用，得到用户预设周期内完整、成熟的弥散运动判断神经网络模型。
36.步骤s106，将所述人员运动参数作为输入特征向量代入弥散运动模型，输出弥散运动结果。
37.具体的，本发明实施例在得到人员运动参数之后，为了进一步判断人员弥散运动的结果是否存在需要进行警报的风险，还需要将人员运动参数代入至弥散运动模型中，并通过模型输出算法对可能发生的弥散风险进行输出，以便得到最终的安保判断结果。
38.可选的，在所述将所述人员运动参数作为输入特征向量代入弥散运动模型，输出弥散运动结果之前，所述方法还包括：根据所述历史数据训练所述弥散运动模型。
39.具体的，利用人员运动参数作为特征向量进行训练的弥散运动模型，可以是dnn深度神经网络模型，该模型利用不同的输入参量不断模拟和训练输入输出关系，并将该关系作为完整的过程算法作为得到安保弥散运动输出数据的判断标准。
40.可选的，所述将所述人员运动参数作为输入特征向量代入弥散运动模型，输出弥散运动结果包括：提取所述人员运动参数中的所述人员运动弥散性因子；将所述人员运动弥散性因子进行高斯极值分解，得到适用于正态矢量的主弥散运动因子；将所述主弥散运动因子和所述人员运动轨迹输入至所述弥散运动模型的特征向量输入端，得到弥散运动结果，其中，所述弥散运动结果包括：正常运动信息，分析信息。
41.具体的，将所述人员运动参数作为输入特征向量代入弥散运动模型，输出弥散运动结果包括首先需要提取所述人员运动参数中的所述人员运动弥散性因子，将人员运动弥散性因子作为弥散分解解析的重要参数，进而将所述人员运动弥散性因子进行高斯极值分
解，利用二次多项式得到适用于正态矢量的主弥散运动因子，最后将所述主弥散运动因子和所述人员运动轨迹输入至所述弥散运动模型的特征向量输入端，得到弥散运动结果，其中，所述弥散运动结果包括：正常运动信息，分析信息。
42.步骤s108，当所述弥散运动结果中存在风险信息，则发出安保监测警报。
43.具体的，在完成了弥散运动结果之后，需要分析弥散运动结果是否存在安保风险信息，如可疑人员、非正常轨迹高空抛物等危险数据，并将风险信息发送至安保系统，发出安保监测警报。
44.通过上述实施例，解决了现有技术中的安保监测方法仅仅限制于对当前图像中所有人员的行为进行图像采集和图像识别，无法做到筛选弥散性人员行动轨迹，并精确地定位到弥散人员的安保情况，降低了安保监测过程的精确性和可靠性的技术问题。
45.实施例二
46.图2是根据本发明实施例的一种基于弥散性运动神经网络的广场安保监测装置的结构框图，如图2所示，该装置包括：
47.获取模块20，用于获取广场地图信息和人员运动参数，其中，所述人员运动参数包括：人员运动轨迹和人员运动弥散性因子。
48.具体的，本发明实施例为了解决现有技术中的安保监测方法仅仅限制于对当前图像中所有人员的行为进行图像采集和图像识别，无法做到筛选弥散性人员行动轨迹，并精确地定位到弥散人员的安保情况，降低了安保监测过程的精确性和可靠性的技术问题，达到通过判断广场人员运动的弥散性和人员弥散性运动规律，来进行安保结果的判断，首先需要通过服务器获取广场地图信息，上述广场地图信息可以是通过服务器存储端将广场地图进行筛选和认证，并通过地图编辑器对地图进行统一标准的优化，得到可以用于判断广场分布情况和地图参数的广场地图信息，同时对于人员运动参数需要通过超高像素图像采集设备进行采集，其中，上述人员运动参数包括：人员运动轨迹和人员运动弥散性因子。
49.需要说明的是，人员运动轨迹可以是被安保广场中现有人员运动的路线和时间戳的配合集合，即p＝(s,t)，其中，s是人员运动非直线轨迹，t是人员运动时间戳，该数据集合p是随着人员的变化而变化，p是一种动态的数据集合。
50.还需要说明的是，人员运动弥散性因子用于在人员运动轨迹全部采集完毕的基础之上，通过预设弥散轨迹筛选算法对人员轨迹数据进行过滤筛选，得到具有弥散性特性的人员轨迹参数，该弥散性因子的大小和紧密，表征着弥散性的正态分布概率，作为优选实施例中的实施方案，本发明采用弥散因子的算法对人员轨迹进行优化和筛选，可以避免现有技术中直接对人员轨迹数据进行处理，直接地增加了广场安保措施的力度和精确程度。
51.可选的，所述人员运动参数中的所述人员运动弥散性因子通过弥散性筛选公式计算得到，其中，e为弥散性筛选结果，s和θ为矢量轨迹参数，t为运动持续时间。
52.具体的，在通过人员运动轨迹进行弥散性因子计算的时候，可以通过弥散性筛选公式计算得到，该公式利用高斯argmin算子和尖位角的结合，得到弥散性因子e，即e为弥散性筛选结果，s和θ为矢量轨迹参数，t为运动持续
时间
53.激活模块22，用于根据所述广场地图信息激活大数据平台中的数据矩阵，并在预设周期内生成对应所述广场地图信息的历史数据。
54.具体的，为了针对弥散性运动进行是否存在安保风险的分析，本发明实施例还可以根据广场地图信息来对大数据平台进行激活和利用，通过不同的广场地图信息，获取不同的大数据平台中有关安保事件的历史数据，并通过该历史数据训练模型，以便后续运动参数的代入和输出。
55.需要说明的是，大数据平台可以是针对安保监测的多元化数据混合服务器，从该服务器中可以提取安保事件的特征输入参量和特征输出参量，并将矢量化因子作为训练神经网络模型的参数进行利用，得到用户预设周期内完整、成熟的弥散运动判断神经网络模型。
56.输出模块24，用于将所述人员运动参数作为输入特征向量代入弥散运动模型，输出弥散运动结果。
57.具体的，本发明实施例在得到人员运动参数之后，为了进一步判断人员弥散运动的结果是否存在需要进行警报的风险，还需要将人员运动参数代入至弥散运动模型中，并通过模型输出算法对可能发生的弥散风险进行输出，以便得到最终的安保判断结果。
58.可选的，所述装置还包括：训练模块，用于根据所述历史数据训练所述弥散运动模型。
59.具体的，利用人员运动参数作为特征向量进行训练的弥散运动模型，可以是dnn深度神经网络模型，该模型利用不同的输入参量不断模拟和训练输入输出关系，并将该关系作为完整的过程算法作为得到安保弥散运动输出数据的判断标准。
60.可选的，所述输出模块包括：提取单元，用于提取所述人员运动参数中的所述人员运动弥散性因子；分解单元，用于将所述人员运动弥散性因子进行高斯极值分解，得到适用于正态矢量的主弥散运动因子；输出单元，用于将所述主弥散运动因子和所述人员运动轨迹输入至所述弥散运动模型的特征向量输入端，得到弥散运动结果，其中，所述弥散运动结果包括：正常运动信息，分析信息。
61.具体的，将所述人员运动参数作为输入特征向量代入弥散运动模型，输出弥散运动结果包括首先需要提取所述人员运动参数中的所述人员运动弥散性因子，将人员运动弥散性因子作为弥散分解解析的重要参数，进而将所述人员运动弥散性因子进行高斯极值分解，利用二次多项式得到适用于正态矢量的主弥散运动因子，最后将所述主弥散运动因子和所述人员运动轨迹输入至所述弥散运动模型的特征向量输入端，得到弥散运动结果，其中，所述弥散运动结果包括：正常运动信息，分析信息。
62.警报模块28，用于当所述弥散运动结果中存在风险信息，则发出安保监测警报。
63.具体的，在完成了弥散运动结果之后，需要分析弥散运动结果是否存在安保风险信息，如可疑人员、非正常轨迹高空抛物等危险数据，并将风险信息发送至安保系统，发出安保监测警报。
64.根据本发明实施例的另一方面，还提供了一种非易失性存储介质，所述非易失性存储介质包括存储的程序，其中，所述程序运行时控制非易失性存储介质所在的设备执行
一种基于弥散性运动神经网络的广场安保监测方法。
65.具体的，上述方法包括：获取广场地图信息和人员运动参数，其中，所述人员运动参数包括：人员运动轨迹和人员运动弥散性因子；根据所述广场地图信息激活大数据平台中的数据矩阵，并在预设周期内生成对应所述广场地图信息的历史数据；将所述人员运动参数作为输入特征向量代入弥散运动模型，输出弥散运动结果；当所述弥散运动结果中存在风险信息，则发出安保监测警报。可选的，所述人员运动参数中的所述人员运动弥散性因子通过弥散性筛选公式子通过弥散性筛选公式计算得到，其中，e为弥散性筛选结果，s和θ为矢量轨迹参数，t为运动持续时间。可选的，在所述将所述人员运动参数作为输入特征向量代入弥散运动模型，输出弥散运动结果之前，所述方法还包括：根据所述历史数据训练所述弥散运动模型。可选的，所述将所述人员运动参数作为输入特征向量代入弥散运动模型，输出弥散运动结果包括：提取所述人员运动参数中的所述人员运动弥散性因子；将所述人员运动弥散性因子进行高斯极值分解，得到适用于正态矢量的主弥散运动因子；将所述主弥散运动因子和所述人员运动轨迹输入至所述弥散运动模型的特征向量输入端，得到弥散运动结果，其中，所述弥散运动结果包括：正常运动信息，分析信息。
66.根据本发明实施例的另一方面，还提供了一种电子装置，包含处理器和存储器；所述存储器中存储有计算机可读指令，所述处理器用于运行所述计算机可读指令，其中，所述计算机可读指令运行时执行一种基于弥散性运动神经网络的广场安保监测方法。
67.具体的，上述方法包括：获取广场地图信息和人员运动参数，其中，所述人员运动参数包括：人员运动轨迹和人员运动弥散性因子；根据所述广场地图信息激活大数据平台中的数据矩阵，并在预设周期内生成对应所述广场地图信息的历史数据；将所述人员运动参数作为输入特征向量代入弥散运动模型，输出弥散运动结果；当所述弥散运动结果中存在风险信息，则发出安保监测警报。可选的，所述人员运动参数中的所述人员运动弥散性因子通过弥散性筛选公式子通过弥散性筛选公式计算得到，其中，e为弥散性筛选结果，s和θ为矢量轨迹参数，t为运动持续时间。可选的，在所述将所述人员运动参数作为输入特征向量代入弥散运动模型，输出弥散运动结果之前，所述方法还包括：根据所述历史数据训练所述弥散运动模型。可选的，所述将所述人员运动参数作为输入特征向量代入弥散运动模型，输出弥散运动结果包括：提取所述人员运动参数中的所述人员运动弥散性因子；将所述人员运动弥散性因子进行高斯极值分解，得到适用于正态矢量的主弥散运动因子；将所述主弥散运动因子和所述人员运动轨迹输入至所述弥散运动模型的特征向量输入端，得到弥散运动结果，其中，所述弥散运动结果包括：正常运动信息，分析信息。
68.通过上述实施例，解决了现有技术中的安保监测方法仅仅限制于对当前图像中所有人员的行为进行图像采集和图像识别，无法做到筛选弥散性人员行动轨迹，并精确地定位到弥散人员的安保情况，降低了安保监测过程的精确性和可靠性的技术问题。
69.上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
70.在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
71.在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为
一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
72.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
73.另外，图3为本技术一实施例提供的终端设备的硬件结构示意图。如图3所示，该终端设备可以包括输入设备30、处理器31、输出设备32、存储器33和至少一个通信总线34。通信总线34用于实现元件之间的通信连接。存储器33可能包含高速ram存储器，也可能还包括非易失性存储nvm，例如至少一个磁盘存储器，存储器33中可以存储各种程序，用于完成各种处理功能以及实现本实施例的方法步骤。
74.可选的，上述处理器31例如可以为中央处理器(central processing unit，简称cpu)、应用专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理设备(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、控制器、微控制器、微处理器或其他电子元件实现，该处理器31通过有线或无线连接耦合到上述输入设备30和输出设备32。
75.可选的，上述输入设备30可以包括多种输入设备，例如可以包括面向用户的用户接口、面向设备的设备接口、软件的可编程接口、摄像头、传感器中至少一种。可选的，该面向设备的设备接口可以是用于设备与设备之间进行数据传输的有线接口、还可以是用于设备与设备之间进行数据传输的硬件插入接口(例如usb接口、串口等)；可选的，该面向用户的用户接口例如可以是面向用户的控制按键、用于接收语音输入的语音输入设备以及用户接收用户触摸输入的触摸感知设备(例如具有触摸感应功能的触摸屏、触控板等)；可选的，上述软件的可编程接口例如可以是供用户编辑或者修改程序的入口，例如芯片的输入引脚接口或者输入接口等；可选的，上述收发信机可以是具有通信功能的射频收发芯片、基带处理芯片以及收发天线等。麦克风等音频输入设备可以接收语音数据。输出设备32可以包括显示器、音响等输出设备。
76.在本实施例中，该终端设备的处理器包括用于执行各设备中数据处理装置各模块的功能，具体功能和技术效果参照上述实施例即可，此处不再赘述。
77.图4为本技术另一实施例提供的终端设备的硬件结构示意图。图4是对图3在实现过程中的一个具体的实施例。如图4所示，本实施例的终端设备包括处理器41以及存储器42。
78.处理器41执行存储器42所存放的计算机程序代码，实现上述实施例中的方法。
79.存储器42被配置为存储各种类型的数据以支持在终端设备的操作。这些数据的示例包括用于在终端设备上操作的任何应用程序或方法的指令，例如消息，图片，视频等。存储器42可能包含随机存取存储器(random access memory，简称ram)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
80.可选地，处理器41设置在处理组件40中。该终端设备还可以包括：通信组件43，电源组件44，多媒体组件45，音频组件46，输入/输出接口47和/或传感器组件48。终端设备具体所包含的组件等依据实际需求设定，本实施例对此不作限定。
81.处理组件40通常控制终端设备的整体操作。处理组件40可以包括一个或多个处理器41来执行指令，以完成上述方法的全部或部分步骤。此外，处理组件40可以包括一个或多个模块，便于处理组件40和其他组件之间的交互。例如，处理组件40可以包括多媒体模块，以方便多媒体组件45和处理组件40之间的交互。
82.电源组件44为终端设备的各种组件提供电力。电源组件44可以包括电源管理系统，一个或多个电源，及其他与为终端设备生成、管理和分配电力相关联的组件。
83.多媒体组件45包括在终端设备和用户之间的提供一个输出接口的显示屏。在一些实施例中，显示屏可以包括液晶显示器(lcd)和触摸面板(tp)。如果显示屏包括触摸面板，显示屏可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。
84.音频组件46被配置为输出和/或输入音频信号。例如，音频组件46包括一个麦克风(mic)，当终端设备处于操作模式，如语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器42或经由通信组件43发送。在一些实施例中，音频组件46还包括一个扬声器，用于输出音频信号。
85.输入/输出接口47为处理组件40和外围接口模块之间提供接口，上述外围接口模块可以是点击轮，按钮等。这些按钮可包括但不限于：音量按钮、启动按钮和锁定按钮。
86.传感器组件48包括一个或多个传感器，用于为终端设备提供各个方面的状态评估。例如，传感器组件48可以检测到终端设备的打开/关闭状态，组件的相对定位，用户与终端设备接触的存在或不存在。传感器组件48可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在，包括检测用户与终端设备间的距离。在一些实施例中，该传感器组件48还可以包括摄像头等。
87.通信组件43被配置为便于终端设备和其他设备之间有线或无线方式的通信。终端设备可以接入基于通信标准的无线网络，如wifi，2g或3g，或它们的组合。在一个实施例中，该终端设备中可以包括sim卡插槽，该sim卡插槽用于插入sim卡，使得终端设备可以登录gprs网络，通过互联网与服务端建立通信。
88.由上可知，在图4实施例中所涉及的通信组件43、音频组件46以及输入/输出接口47、传感器组件48均可以作为图3实施例中的输入设备的实现方式。
89.在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
90.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
91.另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单
元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
92.所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
93.以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

技术特征：

1.一种基于弥散性运动神经网络的广场安保监测方法，其特征在于，包括：获取广场地图信息和人员运动参数，其中，所述人员运动参数包括：人员运动轨迹和人员运动弥散性因子；根据所述广场地图信息激活大数据平台中的数据矩阵，并在预设周期内生成对应所述广场地图信息的历史数据；将所述人员运动参数作为输入特征向量代入弥散运动模型，输出弥散运动结果；当所述弥散运动结果中存在风险信息，则发出安保监测警报。2.根据权利要求1所述的方法，其特征在于，所述人员运动参数中的所述人员运动弥散性因子通过弥散性筛选公式计算得到，其中，e为弥散性筛选结果，s和θ为矢量轨迹参数，t为运动持续时间。3.根据权利要求1所述的方法，其特征在于，在所述将所述人员运动参数作为输入特征向量代入弥散运动模型，输出弥散运动结果之前，所述方法还包括：根据所述历史数据训练所述弥散运动模型。4.根据权利要求1所述的方法，其特征在于，所述将所述人员运动参数作为输入特征向量代入弥散运动模型，输出弥散运动结果包括：提取所述人员运动参数中的所述人员运动弥散性因子；将所述人员运动弥散性因子进行高斯极值分解，得到适用于正态矢量的主弥散运动因子；将所述主弥散运动因子和所述人员运动轨迹输入至所述弥散运动模型的特征向量输入端，得到弥散运动结果，其中，所述弥散运动结果包括：正常运动信息，分析信息。5.一种基于弥散性运动神经网络的广场安保监测装置，其特征在于，包括：获取模块，用于获取广场地图信息和人员运动参数，其中，所述人员运动参数包括：人员运动轨迹和人员运动弥散性因子；激活模块，用于根据所述广场地图信息激活大数据平台中的数据矩阵，并在预设周期内生成对应所述广场地图信息的历史数据；输出模块，用于将所述人员运动参数作为输入特征向量代入弥散运动模型，输出弥散运动结果；警报模块，用于当所述弥散运动结果中存在风险信息，则发出安保监测警报。6.根据权利要求5所述的装置，其特征在于，所述人员运动参数中的所述人员运动弥散性因子通过弥散性筛选公式计算得到，其中，e为弥散性筛选结果，s和θ为矢量轨迹参数，t为运动持续时间。7.根据权利要求5所述的装置，其特征在于，所述装置还包括：训练模块，用于根据所述历史数据训练所述弥散运动模型。8.根据权利要求5所述的装置，其特征在于，所述输出模块包括：提取单元，用于提取所述人员运动参数中的所述人员运动弥散性因子；分解单元，用于将所述人员运动弥散性因子进行高斯极值分解，得到适用于正态矢量的主弥散运动因子；
输出单元，用于将所述主弥散运动因子和所述人员运动轨迹输入至所述弥散运动模型的特征向量输入端，得到弥散运动结果，其中，所述弥散运动结果包括：正常运动信息，分析信息。9.一种非易失性存储介质，其特征在于，所述非易失性存储介质包括存储的程序，其中，所述程序运行时控制非易失性存储介质所在的设备执行权利要求1至4中任意一项所述的方法。10.一种电子装置，其特征在于，包含处理器和存储器；所述存储器中存储有计算机可读指令，所述处理器用于运行所述计算机可读指令，其中，所述计算机可读指令运行时执行权利要求1至4中任意一项所述的方法。

技术总结

本发明公开了一种基于弥散性运动神经网络的广场安保监测方法及装置。其中，该方法包括：获取广场地图信息和人员运动参数，其中，所述人员运动参数包括：人员运动轨迹和人员运动弥散性因子；根据所述广场地图信息激活大数据平台中的数据矩阵，并在预设周期内生成对应所述广场地图信息的历史数据；将所述人员运动参数作为输入特征向量代入弥散运动模型，输出弥散运动结果；当所述弥散运动结果中存在风险信息，则发出安保监测警报。本发明解决了现有技术中的安保监测方法仅仅限制于对当前图像中所有人员的行为进行图像采集和图像识别，无法做到筛选弥散性人员行动轨迹，并精确地定位到弥散人员的安保情况，降低了安保监测过程的精确性和可靠性的技术问题。确性和可靠性的技术问题。确性和可靠性的技术问题。