异常对象的检测方法及相关装置与流程

技术特征：
1.一种异常对象的检测方法，其特征在于，所述方法包括：获取异常对象的告警信息，所述告警信息包括发出所述告警信息的传感器位置；以所述传感器位置为基准，在所述传感器位置周围获取待处理传感器采集的数据；从待处理传感器采集的数据中提取候选对象的特征信息，所述特征信息中包括多维度特征；从预设的先验概率表中获取所述多维度特征中每个维度的特征对应的先验概率；其中所述先验概率包括候选对象为所述异常对象的先验概率和所述候选对象不是所述异常对象的先验概率；采用贝叶斯概率模型处理所述多维度特征以及每个维度的特征对应的先验概率，得到所述候选对象的风险系数；其中所述风险系数用于指示所述候选对象是所述异常对象的概率；若所述候选对象的风险系数大于或等于预设风险系数阈值，则确定所述候选对象为所述异常对象。2.根据权利要求1所述的方法，其特征在于，若确定所述候选对象的风险系数大于或等于预设风险系数阈值之后，且确定所述候选对象为所述异常对象之前，所述方法还包括：从多个传感器采集的数据中提取所述候选对象的移动轨迹；将所述移动轨迹输入神经网络模型，得到所述神经网络模型输出的所述候选对象的下一步移动轨迹的置信度，所述置信度用于表征所述下一步移动轨迹是正常对象的移动轨迹的概率；确定所述候选对象的置信度小于预设置信度阈值。3.根据权利要求1所述的方法，其特征在于，所述多维度特征包括：候选对象的时空特征、候选对象的外貌特征、候选对象的行为特征、置信度比对特征、关联目标特征，所述关联目标特征用于表征从候选对象位置的指定范围中在指定时长内提取到机动车辆、所述置信度比对特征包括候选对象和异常对象相似的置信度和/或候选对象的图像质量低于图像质量分数。4.根据权利要求1所述的方法，其特征在于，所述从预设的先验概率表中获取所述多维度特征中每个维度的特征对应的先验概率之前，所述方法还包括：确定所述候选对象的特征和所述白名单中的对象特征不匹配。5.根据权利要求2所述的方法，其特征在于，所述从多个传感器采集的数据中提取所述候选对象的移动轨迹，具体包括：获取多个传感器采集的所述候选对象的数据；基于所述候选对象的数据中的时间信息，以及各个传感器的位置信息，构建所述候选对象的移动轨迹。6.根据权利要求2所述的方法，其特征在于，训练所述神经网络模型，包括：获取训练样本，所述训练样本中包括样本对象的历史移动轨迹、所述历史移动轨迹的下一步移动轨迹以及目标置信度；将所述样本对象的所述历史移动轨迹输入所述神经网络模型，得到所述神经网络模型输出的所述样本对象的下一步移动轨迹和预测置信度；比较所述神经网络模型输出的下一步移动轨迹和所述训练样本中包括的下一步移动
轨迹得到位置损失，并基于所述预测置信度和所述目标置信度确定置信度损失；采用所述位置损失和所述置信度损失训练所述神经网络模型。7.根据权利要求1-6中任一所述的方法，其特征在于，所述方法还包括：若确定所述候选对象为所述异常对象，则确定以所述待处理传感器为基准，返回执行以所述传感器位置为基准，在所述传感器位置周围获取待处理传感器采集的数据的步骤。8.一种异常对象的检测装置，其特征在于，所述装置包括：告警位置获取模块，用于获取异常对象的告警信息，所述告警信息包括发出所述告警信息的传感器位置；数据获取模块，用于以所述传感器位置为基准，在所述传感器位置周围获取待处理传感器采集的数据；多维度特征提取模块，用于从待处理传感器采集的数据中提取候选对象的特征信息，所述特征信息中包括多维度特征；先验概率获取模块，用于从预设的先验概率表中获取所述多维度特征中每个维度的特征对应的先验概率；其中所述先验概率包括候选对象为所述异常对象的先验概率和所述候选对象不是所述异常对象的先验概率；风险系数确定模块，用于采用贝叶斯概率模型处理所述多维度特征以及每个维度的特征对应的先验概率，得到所述候选对象的风险系数；其中所述风险系数用于指示所述候选对象是所述异常对象的概率；异常识别模块，用于若所述候选对象的风险系数大于或等于预设风险系数阈值，则确定所述候选对象为所述异常对象。9.一种电子设备，其特征在于，包括：处理器；用于存储所述处理器可执行指令的存储器；其中，所述处理器被配置为执行所述指令，以实现如权利要求1-7中任一项所述的异常对象的检测方法。10.一种计算机可读存储介质，其特征在于，当所述计算机可读存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如权利要求1-7中任一项所述的异常对象的检测方法。

技术总结
本申请涉及计算机技术领域，公开了一种异常对象的检测方法及相关装置，用于解决相关技术产生的异常人员预警的灵活性低以及准确性差的问题。本申请通过预先建立有先验概率表，并基于先验概率表从采集的数据中提取出异常对象的特征，并从先验概率表中查找提取的特征对应的先验概率，然后采用贝叶斯概率模型处理提取的特征和先验概率，从而可以预测出采集的数据中哪些对象是告警的异常对象，从而保证预警的实时有效性和准确性，减少人工核查的难度。还通过采集候选对象的历史移动轨迹，通过神经网络模型预测下一步移动轨迹的置信度，检测出异常对象，从而与采用贝叶斯概率模型预测出的异常对象互相验证，进一步保证异常人员预警的准确性。警的准确性。警的准确性。


技术研发人员：陈方云 夏凤君 汪昊 周斌
受保护的技术使用者：重庆紫光华山智安科技有限公司
技术研发日：2021.12.29
技术公布日：2022/3/22