异常检测方法、装置、计算机设备和存储介质与流程

1.本技术涉及网络技术领域，特别是涉及一种异常检测方法、装置、计算机设备和存储介质。


背景技术：

2.为保证居民的安全，往往需要对建筑大楼等进行异常检测，例如，进行火灾检测。传统技术中，通过探测设备来进行异常检测，在检测到异常情况时进行告警。例如：在发现烟雾异常时进行火灾告警。但是，经常出现误告警的情况，导致异常检测的准确性不高。
3.需要说明的是，在上述背景技术部分公开的信息仅用于加强对本技术的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种异常检测方法、装置、计算机设备和存储介质。
5.一种异常检测方法，所述方法包括：接收目标探测设备发送的异常事件告警信息，所述异常事件告警信息是所述目标探测设备在探测到异常环境信息时触发的；响应于所述异常事件告警信息，确定与所述目标探测设备存在空间位置关联关系的目标拍摄设备，所述目标拍摄设备对应的目标拍摄区域包括所述目标探测设备对应的目标探测区域；获取所述目标拍摄设备拍摄得到的所述异常环境信息对应的目标图像集合；对所述目标图像集合进行异常事件检测，得到异常事件检测结果。
6.一种异常检测装置，所述装置包括：告警信息接收模块，用于接收目标探测设备发送的异常事件告警信息，所述异常事件告警信息是所述目标探测设备在探测到异常环境信息时触发的；拍摄设备确定模块，用于响应于所述异常事件告警信息，确定与所述目标探测设备存在空间位置关联关系的目标拍摄设备，所述目标拍摄设备对应的目标拍摄区域包括所述目标探测设备对应的目标探测区域；图像集合获取模块，用于获取所述目标拍摄设备拍摄得到的所述异常环境信息对应的目标图像集合；异常事件检测模块，用于对所述目标图像集合进行异常事件检测，得到异常事件检测结果。
7.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：接收目标探测设备发送的异常事件告警信息，所述异常事件告警信息是所述目标探测设备在探测到异常环境信息时触发的；响应于所述异常事件告警信息，确定与所述目标探测设备存在空间位置关联关系的目标拍摄设备，所述目标拍摄设备对应的目标拍摄区域包括所述目标探测设备对应的目标探测区域；获取所述目标拍摄设备拍摄得到的所述异常环境信息对应的目标图像集合；对所述目标图像集合进行异常事件检测，得到异常事件检测结果。
8.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：接收目标探测设备发送的异常事件告警信息，所述异常事件告警信息
是所述目标探测设备在探测到异常环境信息时触发的；响应于所述异常事件告警信息，确定与所述目标探测设备存在空间位置关联关系的目标拍摄设备，所述目标拍摄设备对应的目标拍摄区域包括所述目标探测设备对应的目标探测区域；获取所述目标拍摄设备拍摄得到的所述异常环境信息对应的目标图像集合；对所述目标图像集合进行异常事件检测，得到异常事件检测结果。
9.上述异常检测方法、装置、计算机设备和存储介质，在目标探测设备的触发下确定与目标探测设备存在空间位置关联关系的目标拍摄设备，该目标拍摄设备能拍摄到与目标探测设备所探测的异常环境信息相关的目标图像集合，基于目标图像集合进一步进行异常事件检测，所得到的异常事件检测结果结合了目标探测设备的异常事件告警信息以及图像分析结果，能有效提高异常检测的准确性。
附图说明
10.图1为一个实施例中异常检测方法的应用环境图；
11.图2为一个实施例中异常检测方法的流程示意图；
12.图3为另一个实施例中异常检测方法的流程示意图；
13.图4为一个实施例中设备的位置示意图；
14.图5为一个实施例中校正终端的界面显示示意图；
15.图6为一个实施例中移动终端的界面显示示意图；
16.图7为另一个实施例中移动终端的界面显示示意图；
17.图8为一个实施例中设备联动组与服务器的交互示意图；
18.图9为一个实施例中加密的流程示意图；
19.图10为再一个实施例中异常检测方法的流程示意图；
20.图11为又一个实施例中异常检测方法的流程示意图；
21.图12为又一个实施例中异常检测方法的流程示意图；
22.图13为另一个实施例中设备的位置示意图；
23.图14为一个实施例中异常检测装置的结构框图；
24.图15为一个实施例中计算机设备的内部结构图。
具体实施方式
25.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
26.本技术提供的异常检测方法、装置、计算机设备和存储介质，能够基于人工智能(artificial intelligence，ai)技术实现。其中，人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
27.人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
28.其中，机器学习(machine learning，ml)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。例如：通过机器学习模型来对图像特征进行分类，以得到图像识别结果。
29.随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等，相信随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。
30.本技术实施例提供的方案涉及人工智能的机器学习等技术，具体通过如下实施例进行说明：
31.本技术实施例提供的异常检测方法，可以应用于如图1所示的应用环境中。该应用环境中包含目标探测设备102、目标拍摄设备104和服务器106。其中，目标探测设备102和目标拍摄设备104与服务器106进行网络通信。图1中示出了一个目标探测设备和一个目标拍摄设备，在实际应用场景中，目标探测设备和目标拍摄设备的数量都可以更多。服务器106在接收到目标探测设备102发送的异常事件告警信息时，确定与目标探测设备102存在空间位置关联关系的目标拍摄设备104，获取目标拍摄设备104拍摄得到的目标图像集合，对目标图像集合进行异常事件检测，得到异常事件检测结果。服务器106可以用独立的服务器或者是多个服务器组成的服务器集群来实现。目标探测设备102可以是各种具有环境探测功能的终端设备，可以但不限于是感烟探测器、感温探测器或者感光探测器等。目标拍摄设备104可以是各种具有拍摄功能的终端设备，可以是各种类型的摄像机，可以但不限于是可见光摄像机、红外摄像机或者热感摄像机。
32.在一个实施例中，如图2所示，提供了一种异常检测方法，本实施例以该方法应用于服务器进行举例说明，包括以下步骤：
33.s202，接收目标探测设备发送的异常事件告警信息，异常事件告警信息是目标探测设备在探测到异常环境信息时触发的。
34.其中，目标探测设备可以是各种具有环境探测功能的终端设备，例如，对环境中的烟雾、温度、光照或者湿度等中的至少一项环境信息进行探测的终端设备。目标探测设备可以但不限于是感烟探测器、感温探测器或者感光探测器等。其中，感烟探测器可以包括烟雾传感器和报警器，当烟雾传感器检测到有烟雾产生时，报警器可以发出警报，例如鸣笛，以警醒人们；感温探测器可以包括感温元件和报警器，当感温元件探测异常的温度变化时，报警器可以发出警报以提醒人们；感光探测器可以包括感光元件和报警器，当感光元件探测异常的光照变化时，报警器可以发出警报以提醒人们。
35.异常环境信息可以包括环境信息出现异常时目标探测设备所探测到的信息。目标探测设备可以实时地进行环境探测，在根据环境探测信息确定检测到异常环境信息时，即出现异常事件，生成对所探测的异常事件进行告警的异常事件告警信息，并向服务器发送异常事件告警信息。在目标探测设备探测到异常环境信息时，异常事件可以对应有异常对象，异常对象可以为浓度过高的烟雾、温度过高的气流或者亮度过高的光照等中的至少一项。
36.s204，响应于异常事件告警信息，确定与目标探测设备存在空间位置关联关系的目标拍摄设备，目标拍摄设备对应的目标拍摄区域包括目标探测设备对应的目标探测区域。
37.其中，目标拍摄设备可以是各种具有拍摄功能的终端设备，可以是各种类型的摄像机，可以但不限于是可见光摄像机、红外摄像机或者热感摄像机。目标拍摄设备可以对视野范围内的区域进行拍摄，以得到对应的图像或者视频。在一个实施例中，目标拍摄设备的数量可以为一个以上，每个目标拍摄设备都可以对应有目标图像集合。为了减少异常事件检测的运算量，目标拍摄设备的数量可以小于数量阈值。该数量阈值可以根据实际情况确定，例如为10，以使得目标拍摄设备的数量为个位数。
38.在一个实施例中，目标拍摄设备可以包含摄像头。可以根据摄像头所朝向的区域确定目标拍摄设备视野范围内的区域，作为目标拍摄设备对应的目标拍摄区域。另外，摄像头可以固定朝向也可以根据需要调整朝向。当摄像头的朝向可以调整时，可以将摄像头所能覆盖的所有朝向确定为摄像头朝向，进而基于摄像头朝向确定目标拍摄区域。如果将朝向可调的摄像头确定为目标拍摄设备，则服务器可以控制该摄像头将朝向调整为朝向于目标探测区域，进而基于该摄像头拍摄的视频进行异常事件检测。
39.在一个实施例中，目标探测设备的目标探测区域可以包括目标探测设备能获取到探测信息的区域。该目标探测区域可以根据目标探测设备的探测范围确定。该探测范围可以通过探测半径等实现，以感烟探测器为例，探测半径可以是感烟探测器中感烟传感器的量程。在一个实施例中，目标探测设备实时获取目标探测区域的环境探测信息，在确定环境探测信息出现异常时，例如：烟雾浓度过限，判定检测到异常环境信息，向服务器发送异常事件告警信息。
40.存在空间位置关联关系包括目标探测设备对应的目标探测区域与目标拍摄设备对应的目标拍摄区域之间存在关联关系，可以是目标探测区域与目标拍摄区域之间存在区域重叠关系或者区域包含关系等中的至少一项。
41.在一个实施例中，目标拍摄设备的目标拍摄区域和目标探测设备的目标探测区域都可以为空间立体区域。当拍摄设备p对应的目标拍摄区域包含目标探测设备的全部或部分目标探测区域时，服务器判定拍摄设备p与目标探测设备存在空间位置关联关系，将拍摄设备p确定为目标拍摄设备。
42.在一个实施例中，s204的实现方式为：服务器在接收到目标探测终端发送的异常事件告警信息时，确定与目标探测设备存在空间位置关联关系的目标拍摄设备。
43.s206，获取目标拍摄设备拍摄得到的异常环境信息对应的目标图像集合。
44.其中，目标图像集合可以包括包含至少一张图像的集合。图像可以为二维图像，也可以为三维图像。在一个实施例中，目标图像集合可以为由多帧图像构成的视频。
45.在一个实施例中，目标拍摄设备的目标拍摄区域包含目标探测设备对应的目标探测区域，而异常环境信息位于目标探测区域，因此，目标拍摄设备获取到目标拍摄区域对应的图像时，就能获取到异常环境信息对应的图像。在目标拍摄设备拍摄到至少一张图像时，就可以得到目标图像集合。
46.在一个实施例中，服务器可以确定目标探测设备检测到异常环境信息时的检测时间，获取目标拍摄设备在该检测时间拍摄的图像，进而得到目标图像集合。服务器也可以在确定目标拍摄设备后触发对应的目标拍摄设备进行图像拍摄，即，拍摄目标探测设备检测到异常环境之后的图像，进而得到目标图像集合。另外，目标图像集合可以是某个时刻对应的图像，也可以是某个时间段对应的由多帧图像构成的视频。
47.s208，对目标图像集合进行异常事件检测，得到异常事件检测结果。
48.其中，异常事件检测可以包括对目标图像集合中的异常事件进行检测的过程。可以是对目标图像集合中的各个图像分别进行图像特征检测，根据各个图像对应的图像特征检测结果得到异常事件检测结果；也可以是提取目标图像集合中各个图像的图像特征，得到目标图像集合的集合特征，进而基于集合特征进行图像特征检测，根据图像特征检测结果得到异常事件检测结果。异常事件检测结果可以包括异常环境信息是否存在的结果。当异常环境信息存在时，判定事件对象存在，此时服务器可以判定目标探测设备正常告警，当异常环境信息不存在时，判定事件对象不存在，此时服务器可以判定目标探测设备误告警。因此可以基于异常事件检测结果来对目标探测设备进行校正。能结合目标探测设备的环境探测信息和对目标图像集合的异常事件检测来得到异常事件检测结果，该异常事件检测结果可以对目标探测设备起到校正作用，提高异常告警的准确性。
49.在一个实施例中，可以基于人工智能技术来对目标图像集合进行异常事件检测，得到异常事件检测结果。具体可以基于预训练的机器学习模型来对目标图像集合进行分类，以实现异常事件检测，得到异常事件检测结果。
50.在一个实施例中，可以通过预先训练的机器学习模型来对目标图像集合对应的图像特征进行分析，以对图像特征进行分类，确定图像特征为异常事件特征还是正常事件特征，进而根据分类结果得到异常事件检测结果。其中，机器学习模型可以是各种具有分类功能的模型，可以包括svm(support vector machine，支持向量机)模型、k-means(k均值聚类算法)模型、深度神经网络(deep neural network，dnn)模型等中的至少一项。其中，svm模型是二分类模型，所以适用于是或者非的分类要求，同时，相比于其他的分类算法，svm在相同的问题复杂程度下需求的样本相对较少，且具有较好的鲁棒性。
51.在一个实施例中，也可以通过目标图像集合对应的图像特征确定特征变化量，其中，特征变化量可以指相邻图像的图像特征之间的变化量，可以为相邻两帧图像之间火焰的面积变化量或者烟雾能见度变化量等。当所确定的特征变化量满足条件时，判定异常环境信息存在。例如：根据目标图像集合确定存在火焰且火焰对应的面积增量超过面积增量阈值时判定存在大火。
52.在一个实施例中，当目标拍摄设备为多个时，服务器可以对部分或者全部目标拍摄设备的目标图像集合进行异常事件检测，并结合这些目标拍摄设备对应的检测结果得到异常事件检测结果。当部分或者全部目标拍摄设备对应的检测结果为异常环境信息存在时，服务器可以将异常事件检测结果确定为异常环境信息存在。
53.在一个实施例中，目标探测设备可以在向服务器发送异常事件告警信息的同时触发报警器进行报警，如果服务器生成的异常事件检测结果为异常环境信息不存在，则触发报警器停止报警。目标探测设备也可以在向服务器发送异常事件报警信息时不触发报警器进行报警，而是在服务器生成异常事件检测结果且异常事件检测结果为异常环境信息存在时触发报警器进行报警，当异常事件检测结果为异常环境信息不存在时不触发报警器进行报警，这种方式就能防止目标探测器的误告警，防止给管理人员等造成困扰。
54.在一个实施例中，服务器可以在得到异常事件检测结果之后将异常事件检测结果返回给目标探测设备。也可以根据异常事件检测结果判断异常环境信息是否存在，并根据判断结果来对目标探测设备进行校正。例如：根据异常事件检测结果确定异常环境信息不存在时，判定目标探测设备存在误告警，对目标探测设备进行校正，如控制目标探测设备停止报警提醒；根据异常事件检测结果确定异常环境信息存在时，判定目标探测设备不存在误告警，向移动设备发送告警信息，以指示使用移动设备的管理人员对异常事件进行处理，还可以触发其他的目标探测设备进行告警，以提高告警效果。其中，移动终端也可以是消防站的终端，通过这样的方式，能够直接向消防站进行消防告警，提高消防处理效率。
55.在一个实施例中，目标拍摄设备中也可以配置处理器。目标拍摄设备可以基于处理器对目标图像集合进行异常事件检测，得到异常事件检测结果，进而将异常事件检测结果发送给服务器。
56.上述异常检测方法中，在目标探测设备的触发下确定与目标探测设备存在空间位置关联关系的目标拍摄设备，该目标拍摄设备能拍摄到与目标探测设备所探测的异常环境信息相关的目标图像集合，基于目标图像集合进一步进行异常事件检测，所得到的异常事件检测结果结合了目标探测设备的异常事件告警信息以及图像分析结果，基于探测器和拍摄设备的协同配合来确定异常事件是否存在，能有效提高异常检测的准确性。
57.如果目标探测设备的灵敏度设置为较高的值，则目标探测区域内的微小异常环境信息都可能会触发目标探测设备进行报警，例如：将吸烟者吐出的烟雾识别为火灾烟雾，这样不仅容易出现误报警，给管理人员增加工作量，而且高灵敏度也会增大目标探测设备的功耗。
58.在一个实施例中，目标探测设备的灵敏度被配置为目标灵敏度。目标探测设备按照目标灵敏度来探测目标探测区域中的环境信息，并在探测到异常环境信息时向服务器发送异常事件告警信息，进而触发服务器基于目标拍摄设备的目标图像集合进行异常事件检测，得到异常事件检测结果。
59.在一个实施例中，当根据异常事件检测结果确定异常环境信息不存在时，可以对目标探测信息进行校正，例如：调整目标探测设备的灵敏度。具体地，如果目标探测设备将吸烟者吐出的烟雾误认为是火灾烟雾，则服务器可以将目标探测设备的灵敏度调整为一个更低的值，以防止再将烟雾误认为是火灾烟雾，进而进行误告警。
60.上述实施例中，由于异常事件检测结果的校正作用，目标探测设备的灵敏度不需要设置为较高的值，在不增加目标探测设备功耗的情况下，能保证异常检测的准确性，可以直接结合异常事件检测的结果来进行吸烟者的准确识别。
61.在一个实施例中，确定与目标探测设备存在空间位置关联关系的目标拍摄设备，包括：确定目标探测设备所在的目标空间区域对应的三维空间模型；确定目标探测设备在
三维空间模型中的第一空间位置信息，根据第一空间位置信息确定目标探测设备对应的目标探测区域；根据目标探测区域获取与目标探测设备存在空间位置关联关系的目标拍摄设备。
62.其中，目标空间区域包括存在于一定空间范围内的区域，例如：建筑物、火车车厢、宾馆、广场、社区等。其中，社区可以是由至少一个建筑物、至少一个广场或者至少一个过道构成的区域，可以为居民小区或者商业区等。目标空间区域中可以安装有各种类型的设备，例如：探测设备和拍摄设备。在消防预警场景中，目标空间区域中安装的设备可以为消防检测设备，例如：感烟探测器、感温探测器、感光探测器或者摄像头等中的至少一项。
63.三维空间模型为对目标空间区域进行模型转换之后得到的模型，该三维空间模型中的每个点都有对应的空间坐标。根据三维空间模型可以确定出目标空间区域中所安装的各个设备的空间位置信息。其中，空间位置信息可以指三维坐标系上的坐标信息。空间位置信息还可以包括与目标空间区域的结构对应的位置信息。假设目标空间区域为建筑物，则空间位置信息可以包括设备所在的楼层、在对应楼层中所处的高度或者与墙面之间的距离等中的至少一项；假设目标空间区域为火车车厢，则空间位置信息可以包括设备所在的车厢号或者与车体之间的距离等中的至少一项。
64.在一个实施例中，目标空间区域为建筑物，三维空间模型为bim(building information modeling，建筑信息模型)模型，也可以称为数字空间模型。bim模型里的任一物体都可以用三维空间模型里的一个坐标来表示。在一个实施例中，三维空间模型是建立在bim模型的基础上，结合三维坐标系的概念实现的以整个建筑物为统一空间，用于描述建筑物内任意物体的空间位置的模型。因此建筑物中安装的所有设备都有一个唯一的空间坐标。服务器可以通过网络与建筑物中的各个设备进行通信。服务器在获取到三维空间模型时，可以通过设备的空间坐标确定设备在三维空间模型内的空间位置信息。在一个实施例中，三维空间模型为基于建筑物构建的三维空间坐标系。该三维空间坐标系将建筑物作为一个坐标系，以建筑物底部中心点为坐标原点，上北为y轴，右东为x轴，向上为z轴。
65.在一个实施例中，可以根据设备在建筑物地面上的投影、与墙面之间的距离以及与天花板之间的距离来确定设备对应的三维空间坐标，进而得到设备在三维空间模型内的空间位置信息。
66.在一个实施例中，根据第一空间位置信息确定目标探测设备对应的目标探测区域，包括：根据第一空间位置信息和目标探测设备的探测范围确定目标探测设备对应的目标探测区域。
67.在一个实施例中，如图3所示，图3为一个实施例中异常检测方法的流程示意图，以目标探测器为感温探测器，目标拍摄设备为摄像头为例，服务器基于目标空间区域的三维空间模型确定感温探测器、摄像头a以及摄像头b的空间位置信息。在接收到感温探测器发送的异常事件告警信息时，根据三维空间模型在摄像头a和摄像头b中确定与感温探测器存在空间位置关联关系的目标摄像头，进而基于目标摄像头拍摄的目标图像集合进行异常事件检测，得到异常事件检测结果。
68.在确定目标拍摄设备后，可以将目标拍摄设备和目标探测设备作为一个设备联动组。服务器在下一次接收到同一目标探测设备发送的异常事件告警信息时，就可以基于设备联动组直接得到目标拍摄设备，以提高目标拍摄设备的确定效率。
69.上述实施例中，服务器能基于探测设备和拍摄设备在三维空间模型中的位置关系来确定出与目标探测设备存在空间位置关联关系的目标拍摄设备，所确定的目标拍摄设备能够可靠地拍摄到目标探测设备对应的目标探测区域，进而准确地分析目标探测区域是否存在异常环境信息，以提高异常检测的准确性。
70.在一个实施例中，根据目标探测区域获取与目标探测设备存在空间位置关联关系的目标拍摄设备，包括：根据目标探测区域确定目标空间区域对应的拍摄设备搜索区域；根据目标空间区域中安装的拍摄设备的空间位置信息，将拍摄设备搜索区域中的拍摄设备确定为候选拍摄设备；确定候选拍摄设备对应的目标拍摄区域；将目标拍摄区域与目标探测区域存在空间位置关联关系的候选拍摄设备确定为目标拍摄设备。
71.在一个实施例中，根据目标探测区域获取与目标探测设备存在空间位置关联关系的目标拍摄设备，包括：根据目标探测区域确定目标空间区域对应的拍摄设备搜索区域；根据目标空间区域中安装的拍摄设备的空间位置信息，将拍摄设备搜索区域中的拍摄设备确定为候选拍摄设备；确定候选拍摄设备对应的目标拍摄区域；将目标拍摄区域与目标探测区域存在区域重叠关系的候选拍摄设备确定为目标拍摄设备。
72.其中，拍摄设备搜索区域包括用于搜索拍摄设备的区域，可以是目标探测区域，也可以是由目标探测区域以及目标探测区域之外特定范围构成的区域。在拍摄设备搜索区域内确定候选拍摄设备，能使得所确定的候选拍摄设备是与目标探测区域距离足够小的拍摄设备，进而保证候选拍摄设备对应的拍摄区域与目标探测区域之间存在空间位置关联关系。
73.在一个实施例中，可以确定目标拍摄设备在地面以及各个墙面上的投影面，将目标拍摄设备与各个投影面之间的区域确定为目标拍摄区域，进而基于目标拍摄区域与目标探测区域存在区域重叠关系的候选拍摄设备确定为目标拍摄设备。
74.在一个实施例中，将目标拍摄区域与目标探测区域存在区域重叠关系的候选拍摄设备确定为目标拍摄设备，包括：对候选拍摄设备的目标拍摄区域与目标探测设备的目标探测区域进行重叠区域计算，以得到候选拍摄设备对应的重叠区域大小；将重叠区域大小不为零的候选拍摄设备确定为目标拍摄设备。当重叠区域大小不为零时，服务器可以判定候选拍摄设备对应的目标拍摄区域与目标探测设备的目标探测区域之间存在区域重叠关系，因此将对应的候选拍摄设备确定为目标拍摄设备。相反，当重叠区域大小为零时，服务器可以判定候选拍摄设备对应的目标拍摄区域与目标探测设备的目标探测区域之间不存在区域重叠关系，因此将对应的候选拍摄设备排除。
75.上述实施例中，先根据拍摄设备搜索区域从目标空间区域中安装的拍摄设备中确定候选拍摄设备，该候选拍摄设备相对于目标空间区域中安装的所有拍摄设备而言，数量大幅减少，基于候选拍摄设备来确定目标拍摄设备，能有效减少目标拍摄设备确定过程的运算量，提高异常事件检测的效率。
76.在一个实施例中，根据目标探测区域确定目标空间区域对应的拍摄设备搜索区域，包括：获取设备搜索延伸范围；根据设备搜索延伸范围确定目标探测区域对应的延伸区域；将目标探测区域和延伸区域形成的区域作为拍摄设备搜索区域。
77.其中，设备搜索延伸范围包括在目标探测区域的基础上向外延伸的范围，可以通过区域半径来表示，其大小可以根据实际情况确定，例如为5米等。延伸区域可以是目标探
测区域之外的以设备搜索延伸范围为延伸半径对应的区域。以设备搜索延伸范围为半径5米为例，确定拍摄设备搜索区域的过程可以为：获取目标探测区域，在目标探测区域的基础上向外延伸5米，所得到的区域作为拍摄设备搜索区域。
78.在一个实施例中，当在拍摄设备搜索区域中不存在拍摄设备时，可以增大设备搜索延伸范围，以得到更大范围的拍摄设备搜索区域，进而将更大范围的拍摄设备搜索区域内的拍摄设备确定为候选拍摄设备。
79.上述实施例中，根据目标探测区域和设备搜索延伸范围来搜索得到目标拍摄设备，在尽可能靠近目标探测设备的区域范围内尽可能搜索到更多的目标拍摄设备，进而可以结合这些目标拍摄设备获取到尽可能多的目标图像集合，以调高异常检测结果的可靠性。
80.在一个实施例中，确定候选拍摄设备对应的目标拍摄区域，包括：确定候选拍摄设备在三维空间模型中的第二空间位置信息；获取候选拍摄设备的拍摄范围；根据第二空间位置信息以及拍摄范围确定候选拍摄设备对应的初始拍摄区域；获取候选拍摄设备所在区域对应的拍摄阻断对象；从初始拍摄区域中滤除拍摄阻断对象对应的拍摄阻断区域，得到候选拍摄设备对应的目标拍摄区域。
81.其中，第二空间位置信息可以包括候选拍摄设备对应的安装楼层、安装位置和安装高度等中的至少一项。拍摄设备的拍摄范围可以根据拍摄设备的安装角度、视角范围和摄像头焦距等中的至少一项确定。
82.拍摄阻断对象包括会对候选拍摄设备的拍摄进行隔断的对象，以目标空间区域为建筑物为例，拍摄阻断对象可以为墙面，例如：房顶、地面、屏风或者侧边墙面等。
83.拍摄阻断对象对候选拍摄设备的拍摄会进行阻断，被阻断的区域称为拍摄阻断区域。例如：拍摄阻断对象为候选拍摄设备所在楼层的天花板，在确定目标拍摄区域时，可以根据候选拍摄设备所在的第二空间位置信息和拍摄范围得到初始拍摄区域，并从初始拍摄区域中滤除天花板之上的区域，剩下的区域作为候选拍摄设备对应的目标拍摄区域。
84.图4为一个实施例中设备的位置示意图。在一个实施例中，如图4所示，候选拍摄设备为摄像头402，摄像头402安装在某一建筑物二楼的房顶上。目标拍摄区域的确定过程可以为：根据摄像头402在二楼这一楼层的安装高度以及拍摄范围确定摄像头对应的初始拍摄区域，将二楼的房顶以及各个墙面之外的区域确定为拍摄阻断区域，从初始拍摄区域中滤除拍摄阻断区域，得到摄像头对应的目标拍摄区域。
85.上述实施例中，从初始拍摄区域中滤除阻断拍摄区域，进而得到目标拍摄区域，使得所得到的目标拍摄区域充分考虑到目标空间区域的实际结构，进而可以基于候选拍摄设备对应的目标拍摄区域从候选拍摄设备中确定出目标拍摄设备，所确定的目标拍摄设备能准确拍摄出与异常环境信息对应的目标图像集合，进而提高异常检测的准确性。
86.在一个实施例中，根据第一空间位置信息确定目标探测设备对应的目标探测区域，包括：获取目标探测设备的探测范围；根据第一空间位置信息以及探测范围确定目标探测设备对应的初始探测区域；获取目标探测设备所在区域对应的探测阻断对象；从初始探测区域中滤除探测阻断对象对应的探测阻断区域，得到目标探测设备对应的目标探测区域。
87.其中，探测阻断对象包括会对目标探测设备的探测进行隔断的对象，以目标空间
区域为建筑物为例，探测阻断对象可以为墙面，例如：房顶、地面、屏风或者侧边墙面等。
88.探测阻断对象对目标探测设备的探测会进行阻断，被阻断的区域称为探测阻断区域。例如：探测阻断对象为目标探测设备所在楼层的天花板，在确定目标探测区域时，可以根据目标探测设备所在的第一空间位置信息和探测范围得到初始探测区域，并从初始探测区域中滤除天花板之上的区域，剩下的区域作为目标探测设备对应的目标探测区域。
89.在一个实施例中，如图4所示，目标探测设备为感烟探测器404，感烟探测器404安装在某一建筑物二楼的房顶上。目标探测区域的确定过程可以为：确定感烟探测器404在二楼这一楼层的安装高度以及探测范围确定感烟探测器对应的初始探测区域，将二楼的房顶以及各个墙面之外的区域确定为探测阻断区域，从初始探测区域中滤除探测阻断区域，得到感烟探测器对应的目标探测区域。
90.上述实施例中，从初始探测区域中滤除阻断探测区域，进而得到目标探测区域，使得所得到的目标探测区域充分考虑到目标空间区域的实际结构，进而可以基于目标探测设备对应的目标探测区域从目标探测设备中确定出目标探测设备，所确定的目标探测设备能准确探测出与异常环境信息对应的目标图像集合，进而提高异常检测的准确性。
91.在一个实施例中，服务器可以在接收到异常事件告警信息实时地确定目标拍摄设备，也即，根据目标空间区域的三维空间模型进行空间位置信息的动态分析，进而确定与目标探测设备存在空间位置关联关系的目标拍摄设备；服务器也可以根据预先设备的设备联动组直接确定目标拍摄设备。另外，服务器也可以在基于预先设备的设备联动组直接确定目标拍摄设备的同时，根据目标空间区域的三维空间模型进行空间位置信息的动态分析，进而确定与目标探测设备存在空间位置关联关系的目标拍摄设备。
92.其中，设备联动组包括将至少一个探测设备和至少一个拍摄设备设置为成的组，服务器可以对设备联动组中的探测设备和拍摄设备进行关联控制。设备联动组可以由服务器预先设置。
93.在一个实施例中，确定与目标探测设备存在空间位置关联关系的目标拍摄设备，包括：确定目标探测设备所在的设备联动组；设备联动组根据探测设备和拍摄设备之间的空间位置进行组合得到；将设备联动组中的至少一个拍摄设备作为与目标探测设备存在空间位置关联关系的目标拍摄设备。
94.在一个实施例中，确定设备联动组的过程包括：获取目标空间区域对应的设备关联配置信息；设备关联配置信息为对目标空间区域中安装的探测设备与拍摄设备进行关联配置的信息；根据设备关联配置信息将对应的探测设备和拍摄设备设置为一个设备联动组。
95.图5为一个实施例中设备联动组与服务器的交互示意图。如图5所示，感烟探测器、摄像头a以及摄像头b为设备联动组。服务器在接收到感烟探测器发送的异常事件告警信息时，可以直接将设备联动组中的摄像头a以及摄像头b作为目标拍摄设备，进而获取摄像头a以及摄像头b拍摄的目标图像集合，基于目标图像集合进行异常事件检测。
96.上述实施例中，通过设备联动组的设置，能实现对探测设备和拍摄设备的关联控制。在接收到目标探测设备发送的异常事件告警信息时，服务器可以基于设备联动组快速确定出与目标探测设备存在空间位置关联关系的目标拍摄设备，能有效提高异常检测的效率。
97.在一个实施例中，服务器通过管理平台实现。管理平台通过预先绑定关联设备和动态监测关联两种方式来确定设备联动组。以下对这两种方式进行详细说明：
98.一、预先绑定关联设备：在执行异常检测方法之前，管理平台根据管理人员的操作，将同一数字空间范围内的感温探测器、感烟探测器、摄像头直接关联起来，例如，将同一楼层的感温探测器、感烟探测器、摄像头直接关联起来。预先绑定关联设备可以直接设置为：在接收到某些探测器的告警信息时由指定摄像头获取目标探测区域的视频。这种方式下，摄像头的确定过程消耗的时间可以忽略不计，可以提高异常检测的速度。
99.在一个实施例中，假设感温探测器a、感烟探测器b和摄像头c共同构成一个消防预警监测设备联动组。当感温探测器a或感烟探测器b监测到大楼环境中温度或烟雾浓度异常时，将预警信息上报给管理平台。管理平台接收到预警信息后，向摄像头c下发命令，要求摄像头c监测发出预警信息的区域。管理平台基于摄像头c的监测视频进行智能分析，识别监测区域的烟雾和火焰，确认预警信息是否正确。
100.二、动态监测关联设备：在接收到异常事件告警信息时，管理平台根据摄像头的安装角度及可视范围确定摄像头在地面上的投影面，在数字空间范围内的监控区域，进一步结合感温探测器与感烟探测器的数字空间坐标动态计算得到与发送异常事件告警信息的探测器处于同一数字空间范围内的摄像头。
101.在一个实施例中，当感温探测器a或感烟探测器b监测到大楼环境中温度或烟雾浓度异常，将预警信息上报到管理平台后，管理平台根据设备的空间位置动态计算得到视距范围可以覆盖到感温探测器a或感烟探测器b的监测范围的所有摄像头，向这些摄像头发送命令，要求这些摄像头感知发生预警的区域。管理平台基于这些摄像头的检测视频进行智能分析，识别监测区域的烟雾和火焰，确认预警信息是否正确。
102.在一个实施例中，目标图像集合为多个按照时间顺序排列的目标图像；对目标图像集合进行异常事件检测，得到异常事件检测结果，包括：从目标图像集合内的各个目标图像中提取与异常事件对应的图像特征；将目标图像对应的图像特征与前向图像对应的图像特征进行对比，根据对比结果得到动态事件特征；前向图像为目标图像集合中时间排序在目标图像之前的图像；基于动态事件特征进行异常事件检测，得到异常事件检测结果。
103.其中，异常事件可以是火灾场景对应的特征事件，可以为浓烟、高温或者大火等中的至少一项。
104.图像特征可以是与图像内像素点的颜色或者数量等相关的特征。在一个实施例中，以事件对象为大火为例，图像特征可以包括光谱特征、区域结构特征或者集合特征等中的至少一项。其中，光谱特征包括颜色特征、亮度特征或者光谱特征等中的至少一项。区域结构特征包括纹理特征或者重心高度特征等中的至少一项。几何特征可以包括长宽比、圆形度、矩形度或者火焰尖角等中的至少一项。在一个实施例中，以事件对象为烟雾为例，图像特征可以包括色彩分析特征、颜色特征、纹理特征、形态特征或者透明度特征等中的至少一项。
105.在一个实施例中，可以根据各个目标图像对应的图像特征得到静态事件特征和动态事件特征。其中，静态事件特征为与事件对象相关的静态特征，可以包括颜色特征、亮度特征、光谱特征、纹理特征、形态特征、几何特征或者透明度特征等中的至少一项。动态事件特征为与事件对象相关的动态特征，可以是对多帧目标图像对应的静态事件特征进行对比
得到的事件特征。以事件对象为火焰为例，动态事件特征可以包括整体运动和随机运动对应的事件特征。其中，整体运动对应的事件特征可以包括尺寸变化特征、移动速度特征或者移动相似度特征等中的至少一项，随机运动对应的事件特征可以包括频闪特征或者形态变化特征等中的至少一项。以事件对象为烟雾为例，动态事件特征可以包括轮廓变化特征、能见度变化特征、运动方向特征或者闪动特征等中的至少一项。
106.前向图像可以为目标图像前一时间排序对应的单帧图像，也可以是前多个时间排序对应的连续多帧图像，还可以是前多个时间排序对应的相互间隔的多帧图像。
107.在一个实施例中，也可以将目标图像对应的图像特征与后向图像对应的图像特征进行对比，根据对比结果得到动态事件特征；后向图像为目标图像集合中时间排序在目标图像之后的图像；基于动态事件特征进行异常事件检测，得到异常事件检测结果。其中，后向图像可以为目标图像后一时间排序对应的单帧图像，也可以是后多个时间排序对应的连续多帧图像，还可以是后多个时间排序对应的相互间隔的多帧图像。
108.在一个实施例中，将目标图像对应的图像特征与前向图像对应的图像特征进行对比，根据对比结果得到动态事件特征，包括：根据目标图像对应的图像特征与前向图像对应的图像特征的比对结果确定事件对象在位置变化特征、尺寸变化特征、能见度变化特征或者频闪特征等中的至少一项，作为动态事件特征。
109.在一个实施例中，基于动态事件特征进行异常事件检测，得到异常事件检测结果，包括：基于动态事件特征进行异常事件分类，根据异常事件分类的结果得到异常事件检测结果。
110.在一个实施例中，可以将动态事件特征转换为特征向量，将特征向量输入至异常事件检测模型中，根据异常事件检测模型的输出得到异常事件检测结果。其中，异常事件检测模型可以为预训练的机器学习模型，该机器学习模型能够对基于特征向量得到事件分为异常事件和正常事件的概率，如果异常事件对应的概率大于正常事件对应的概率，则可以将异常事件检测结果确定为异常环境信息存在。
111.在一个实施例中，对于不同的事件对象，可以对应有不同的异常事件检测模型。以事件对象为火焰和烟雾为例，可以分别对应有火焰和烟雾的识别模型。具体的，火焰识别模型可以通过分类确定出输入的特征向量是否为火焰，烟雾识别模型可以通过分类确定出输入的特征向量是否为烟雾，进而得到异常事件检测结果。
112.上述实施例中，对目标图像集合进行特征提取，能基于所提取的图像特征进行准确的异常事件检测，进而得到准确的异常事件检测结果。在消防预警场景下，对建筑大楼内的基于感温探测器和感烟探测器的消防预警系统，本技术实施例提供的异常检测方法，可以有效提升消防预警的准确率，避免因为误报警导致的人力成本、消防成本消耗和财产损失。另外，由于本技术实施例是基于拍摄设备进行的智能分析，直接使用建筑大楼内的摄像头即可，因此不需要对大楼内原有的消防设备进行更新，在不提高使用成本的情况下可以保证消防预警的准确性。
113.在一个实施例中，异常事件告警信息中可以携带异常环境强度信息。其中，异常环境强度信息为对异常环境信息的强度进行表征的信息，例如：可以包括烟雾浓度、温度高低或者光照强度等中的至少一项。服务器可以结合异常环境强度信息来进行异常事件检测。
114.在一个实施例中，异常环境强度信息可以对应于不同的强度等级。服务器可以按
照强度等级针对性地触发与强度等级对应的机器学习模型，进而得到对应的异常事件检测结果。假设预先训练有基于浓烟和轻烟的烟雾识别模型，异常事件为烟雾事件且对应的强度等级为浓烟时，触发基于浓烟的烟雾识别模型，进而根据该基于浓烟的烟雾识别模型的输出结果来确定是否发生火灾或者确定浓烟是否会转化为大火。
115.在一个实施例中，图像特征包括事件对象对应的对象位置，动态事件特征包括事件对象对应的速度特征；将目标图像对应的图像特征与前向图像对应的图像特征进行对比，根据对比结果得到动态事件特征，包括：将目标图像对应的对象位置与前向图像对应的对象位置进行对比，得到对象移动距离；获取目标图像与前向图像之间的拍摄时间间隔；根据对象移动距离以及拍摄时间间隔得到事件对象对应的速度特征。
116.可以将对象移动距离相对于拍摄时间间隔的比值作为事件对象对应的速度特征。
117.在一个实施例中，根据对象移动距离以及拍摄时间间隔得到事件对象对应的速度特征，包括：根据对象移动距离以及拍摄时间间隔得到事件对象对应的水平移动速度和垂直移动速度，根据水平移动速度和垂直移动速度得到目标对象的整体移动速度，根据整体移动速度得到事件对象对应的速度特征。
118.上述实施例中，基于目标图像和前向图像的对象位置的对比结果来确定事件对象的速度特征，能够准确确定出事件对象的移动速度，进而确定出是否存在火焰、烟雾等异常事件。
119.在一个实施例中，图像特征包括事件对象对应的对象尺寸，动态事件特征包括事件对象对应的闪烁特征；将目标图像对应的图像特征与前向图像对应的图像特征进行对比，根据对比结果得到动态事件特征，包括：将目标图像对应的对象尺寸与前向图像对应的对象尺寸进行对比，得到对象尺寸变化值；获取目标图像与前向图像之间的拍摄时间间隔；根据对象尺寸变化值以及拍摄时间间隔得到事件对象对应的闪烁特征。
120.当目标图像为二维图像时，对象尺寸可以为事件对象对应像素点所构成的区域面积；当目标图像为三维图像时，对象尺寸可以为事件对象对应体素点所构成的区域体积。
121.由于气流的流速不稳定等原因，火焰可能会出现闪烁，例如尺寸忽而变小忽而变大，方向忽而向左忽而向右等。因此，可以确定事件对象的闪烁特征，进而基于闪烁特征来确定是否存在烟雾、火焰等异常事件对象。
122.其中，对象尺寸变化值可以包括事件对象在不同拍摄时间下的尺寸变化，进而可以得到事件对象的闪烁特征。
123.在一个实施例中，可以确定目标图像对应的对象尺寸与前向图像对应的对象尺寸的对象尺寸变化率，当对象尺寸变化率大于预设的变化率阈值时，判定发生一次闪烁。进而基于闪烁的发生次数与拍摄时间间隔的比值得到闪烁特征。
124.上述实施例中，基于目标图像和前向图像的对象尺寸的对比结果来确定事件对象的对象尺寸变化值，能够准确确定出事件对象的闪烁特征，进而确定出是否存在火焰、烟雾等异常事件。
125.在一个实施例中，以火焰为例，对目标图像集合进行异常事件检测，得到异常事件检测结果的实现过程可以为：对目标图像集合进行火焰识别，进而得到目标探测区域是否存在火焰的识别结果。可以采用多级识别模式，包括图像采集、图像预处理、图像特征提取以及图像分类识别四个阶段。以下进行详细说明：
126.一、图像采集
127.摄像头采集数字化图像，得到目标图像集合。
128.二、预处理阶段
129.利用火焰的显著特征，将目标图像集合中各个目标图像疑似火焰的roi(region of interest)分割出来，得到候选火焰区域。从而减少特征提取阶段的计算量，进而减少检测的时间。
130.三、特征提取阶段
131.提取候选火焰区域的静态及动态特征，或是时间和空间维度上的特征。火灾发生的前期阶段，逐渐地由烟雾转换成小火苗，不断蔓延增长，此变化过程在视频图像序列中有明显的表征。同时因为不同的燃烧物及外界环境变化等的影响，火焰的形状、位置、颜色、温度、面积等特征都会随之发生变化。可以基于视频中图像颜色、形状、纹理结构、区域的动态变化、火焰的形态等作为火焰的可见特征等实现火焰识别。
132.以下以火焰整体移动速度特征、火焰整体面积变化特征和火焰闪烁频率特征为例说明动态特征提取的实现过程：
133.1、整体移动速度特征：根据火焰中心部位亮度比其他部位亮度高这一特征，可以确定各帧目标图像中火焰的中心位置，由此可以获取每一帧目标图像中的火焰中心，通过计算即可得到火焰中心在垂直方向和水平方向的相对移动速度，根据火焰中心在垂直方向和水平方向的相对移动速度来确定火焰的整体移动速度。
134.2、整体面积变化特征：火焰在燃烧过程中的面积可以通过图像中高亮的像素数来衡量，比较相邻两帧目标图像的火焰面积的不同，得到火焰面积相对变化速度。
135.3、闪烁频率特征：根据火焰面积不可能是完全不变的这一特性，可以通过每帧图像的火焰面积像素点数变化得到火焰的闪烁频率。
136.四、分类识别阶段
137.采用多特征融合算法或进行火焰的分类识别。对于分类识别，可以采用支持向量机分类器进行火焰的识别。
138.在一个实施例中，当事件对象的动态特征满足以下至少一项时可以判定出现火焰，且火势较大：整体移动速度特征大于速度阈值，整体面积变化特征为面积变大且面积变化量大于面积变化量阈值，闪烁频率特征大于闪烁频率阈值。
139.上述实施例中，基于多级识别模式来实现对火焰或者烟雾等事件对象的异常事件检测，其实现过程能够基于特征分类算法得到准确的异常事件检测结果。
140.在一个实施例中，对目标图像集合进行异常事件检测，得到异常事件检测结果之后，还包括：当基于异常事件检测结果确定异常环境信息对应的事件对象不存在时，判定目标探测设备存在误告警；确定目标探测设备的误告警频率；当误告警频率大于频率阈值时，生成对目标探测设备进行告警校正的校正提示信息，并将校正提示信息发送至校正终端中进行提示。
141.其中，频率阈值的大小可以根据实际情况确定，例如：可以为每周2次等。
142.在一个实施例中，如果目标探测设备在检测到异常环境信息时通过报警器进行报警，则在判定目标探测设备存在误告警时，服务器可以控制报警器停止报警。
143.在一个实施例中，校正提示信息中可以包含提示文本或者异常事件图像等中的至
少一项。校正终端可以在界面中显示校正提示信息，以使得使用校正终端的管理人员等能及时获知异常事件并对异常事件进行处理。
144.当异常事件检测结果为不存在火焰和烟雾时，判定出现误告警，如果告警频率大于频率阈值，则可以确定目标探测设备所在的目标区域，进而生成校正提示信息，所生成的校正提示信息可以为：处于目标区域的感烟探测器出现误报警。当校正提示信息为二楼的感烟探测器频繁误报警，校正终端在界面中显示的校正提示信息可以如图6所示。
145.在一个实施例中，当基于异常事件检测结果确定异常环境信息对应的事件对象存在时，判定目标探测设备为正确告警，生成异常事件处理指令，并将异常事件处理指令发送至异常事件处理终端中，以控制异常事件处理终端对异常事件进行处理。该异常事件处理终端可以是消防栓、灭火器等终端设备。还可以向维保人员或者管理人员等在使用的移动终端发送异常事件提示信息，以提示管理人员等对异常事件进行处理。
146.在一个实施例中，当目标拍摄设备为多个时，可以基于各个目标拍摄设备的目标图像集合分别得到异常事件检测结果，进而结合这些异常事件检测结果来得到校正提示信息。例如：可以基于各个摄像头拍摄的视频分别进行ai识别分析，得到视频场景为火灾场景的概率值，基于各个摄像头对应的概率值得到异常强度值，如果概率值高则异常强度值高，如果概率值低则异常强度值低。校正终端可以在界面中区别显示各个摄像头的异常强度值，以指示管理人员不同角度的拍摄区域的火灾严重程度，进而可以提示管理人员优先对异常强度高的区域进行灭火处理。
147.在一个实施例中，当异常事件检测结果为火焰时，判定出现大火，此时可以确定火焰所在的区域，进而生成异常事件提示信息，所生成的异常事件提示信息可以为201房间出现大火。移动终端在界面中显示的异常事件提示信息可以如图7所示。
148.在一个实施例中，目标拍摄设备可以为分别安装在多个房间中的多个摄像头。基于各个摄像头所拍摄的视频确定各个房间的火势，进而生成异常事件提示信息。移动终端在界面中显示的异常事件提示信息可以如图8所示。图8中显示了各个房间的火势严重程度，此时管理人员可以获知202房间的火势最为严重，进而可以优先扑灭202房间的火。
149.在一个实施例中，可以基于异常事件检测结果分析误告警原因，基于误告警原因向管理人员等在使用的移动终端发送处理指导信息，以指导管理人员等进行维护或更换，降低消防系统的运维成本，提高运维效率，进而有效提升建筑大楼等的消防预警能力。
150.上述实施例中，基于异常事件检测结果对目标探测设备进行误告警的校正，能使得目标探测设备具有更高的准确性。
151.在一个实施例中，可以由目标探测设备对异常事件告警信息经过加密处理之后向服务器发送异常事件告警信息。其中，加密可以采用国密sm2/sm4算法的加密链路来进行。
152.在一个实施例中，可以基于ipsec(internet protocol security，一个协议包，通过对ip协议的分组进行加密和认证来保护ip协议的网络传输协议族)安全协议基于ipsec安全协议，采用由国家密码局制定标准的国密算法对传输数据进行加密。其中，ipsec安全协议是一组基于网络层的，应用密码学的安全通信协议族，可以在ipv4(internet protocol version 4，互联网通信协议第四版)和ipv6(internet protocol version 6，互联网通信协议第六版)环境中为网络层流量提供灵活的安全服务。
153.在一个实施例中，对于包括感烟探测器和感温探测器在内的探测设备，可以对探
测设备运行状态等进行加密后发送给服务器。拍摄设备也可以对实时视频数据或者图片等进行加密后发送给服务器。
154.图9为一个实施例中加密的流程示意图。在一个实施例中，如图9所示，以加密异常事件告警信息为例，其实现过程可以为：通过aes(advanced encryption standard，rijndael加密法)算法等对异常事件告警信息等进行处理，生成明文，该明文可以为128位。获取密钥，该密钥可以为128位，对密钥进行密钥扩展，通过密钥扩展得到的密钥按照基本轮函数对明文进行多次迭代控制，迭代控制结束后得到密文。目标探测设备可以将加密得到的密文发送给服务器。迭代控制的次数可以根据实际情况确定，例如为10次、20次等。以迭代控制的次数为10次为例，对明文进行10次迭代计算，每次计算得到的密文会通过基本轮函数继续加密。其中，密钥扩展包括加解密中每轮的密钥分别由种子密钥经过密钥扩展算法得到。
155.在一个实施例中，基本轮函数主要指按照字节代替、行移位或者列混淆等中的至少一项方式来对明文进行多轮次的处理。其中，字节代替的主要功能是通过s盒完成一个字节到另外一个字节的映射。行移位是一个4*4的矩阵内部字节之间的置换，用于提供算法的扩散性。列混淆利用gf(28)域上算术特性的一个代替，同样用于提供算法的扩散性。
156.上述实施例中，对需要传输的数据进行加密处理，可以保证数据的安全可靠，进而保证异常检测的准确性。
157.在一个实施例中，如图10所示，提供了一种异常检测方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
158.s1002，接收目标探测设备发送的异常事件告警信息，异常事件告警信息是目标探测设备在探测到异常环境信息时触发的。
159.s1004，确定目标探测设备所在的设备联动组，将设备联动组中的至少一个拍摄设备作为与目标探测设备存在空间位置关联关系的目标拍摄设备。
160.s1006，确定目标探测设备在目标空间区域对应的三维空间模型中的第一空间位置信息；获取目标探测设备的探测范围；根据第一空间位置信息以及探测范围确定目标探测设备对应的初始探测区域。
161.s1008，从初始探测区域中滤除探测阻断对象对应的探测阻断区域，得到目标探测设备对应的目标探测区域。
162.s1010，获取设备搜索延伸范围；根据设备搜索延伸范围和目标探测区域确定拍摄设备搜索区域，将拍摄设备搜索区域中的拍摄设备确定为候选拍摄设备。
163.s1012，确定候选拍摄设备在三维空间模型中的第二空间位置信息；获取候选拍摄设备的拍摄范围；根据第二空间位置信息和拍摄范围确定候选拍摄设备对应的初始拍摄区域。
164.s1014，从初始拍摄区域中滤除拍摄阻断对象对应的拍摄阻断区域，得到候选拍摄设备对应的目标拍摄区域。
165.s1016，将目标拍摄区域与目标探测区域存在区域重叠关系的候选拍摄设备确定为目标拍摄设备。
166.s1018，获取目标拍摄设备拍摄得到的异常环境信息对应的目标图像集合；目标图像集合为多个按照时间顺序排列的目标图像。
167.s1020，从目标图像集合内的各个目标图像中提取事件对象的对象位置；将目标图像对应的对象位置与前向图像对应的对象位置进行对比，得到事件对象对应的速度特征，作为动态事件特征。
168.s1022，从目标图像集合内的各个目标图像中提取事件对象的对象尺寸；将目标图像对应的对象尺寸与前向图像对应的对象尺寸进行对比，得到事件对象对应的闪烁特征，作为动态事件特征。
169.s1024，基于动态事件特征进行异常事件检测，得到异常事件检测结果。
170.s1026，当基于异常事件检测结果判定目标探测设备存在误告警且目标探测设备的误告警频率大于频率阈值时，生成对目标探测设备进行告警校正的校正提示信息，并将校正提示信息发送至校正终端中进行提示。
171.上述异常检测方法中，目标拍摄设备与目标探测设备存在空间位置关联关系，基于目标拍摄设备拍摄的目标图像集合进行异常事件检测，所得到的异常事件检测结果能够对目标探测设备的异常事件告警信息进行校正，有效提高异常检测的准确性。
172.本技术还提供一种应用场景，该应用场景应用上述的异常检测方法。具体地，该异常检测方法在该应用场景的应用如下：
173.某一建筑大楼的管理平台管理该建筑大楼内所有的消防检测设备，该消防检测设备包括摄像头、感温探测器和感烟探测器等。可以通过关联配置将摄像头与感温探测器或感烟探测器关联起来，提供更加精准的消防预警。
174.图11为一个实施例中异常检测方法的流程示意图。如图11所示，基于数字空间模型将感烟探测器和摄像头设置为一个设备联动组，基于数字空间模型将感温探测器和摄像头设置为一个设备联动组。管理平台在接收到感烟探测器发送的烟雾告警信息时，调用同一设备联动组中的摄像头所拍摄的视频，基于该视频进行烟雾ai识别，如果确定是烟雾，则继续进行消防报警。管理平台在接收到感温探测器发送的火焰告警信息时，调用同一设备联动组中的摄像头所拍摄的视频，基于该视频进行火焰ai识别，如果确定是火焰，则继续进行消防报警。如果管理平台基于烟雾ai识别和火焰ai识别的结果确定不存在烟雾也不存在火焰时，判定没有火灾发生，控制感烟探测器和感温探测器停止进行消防报警。结合探测器和摄像头的探测能力，使二者的能力在消防隐患的预警排查中有机结合，提高建筑大楼的消防火灾预警能力和预警准确率，更加准确便捷的实现对消防隐患的预警通知。
175.本技术还提供一种应用场景，该应用场景应用上述的异常检测方法。具体地，以应用于云端的管理平台为例，该异常检测方法在该应用场景的应用如下：
176.管理平台对所监控的建筑大楼进行数据空间模型的建立。管理平台接入的所有感温探测器、感烟探测器和摄像头都有唯一的数字空间坐标。数字空间模型支持通过消防检测设备的空间坐标信息确定消防检测设备在数字空间模型内的空间位置。
177.如图12所示，异常检测方法的实现过程具体如下：
178.s1202，感烟探测器将感烟报警信息上报到管理平台。感烟探测器在探测到烟雾时生成感烟报警信息，基于ipsec安全协议，采用国密算法对传输数据进行加密，将加密后的感烟报警信息发送给管理平台。
179.s1204，感温探测器将感温报警信息上报到管理平台。感温探测器在探测到高温时生成感温报警信息，基于ipsec安全协议，采用国密算法对传输数据进行加密，将加密后的
感温报警信息发送给管理平台。
180.s1206，响应于报警信息，管理平台确定与探测器存在空间关联关系的目标摄像头。具体确定过程如下：
181.s1206a，确定是否为动态关联。当为动态关联时执行s1206b，当不为动态关联时执行s1206c。
182.s1206b，动态确定与探测器存在空间关联关系的目标摄像头。具体实现过程如下：
183.s1206b2，确定设备检测范围。根据设备所属楼层、设备坐标信息以及设备检测范围半径确定设备检测范围。
184.s1206b4，确定候选摄像头。根据摄像头坐标，查找在设备检测范围内的摄像头，获取设备检测范围之外半径5米缓冲区范围内的摄像头，将这两个范围内的摄像头一起作为候选摄像头。
185.s1206b6，从候选摄像头中确定目标摄像头。根据候选摄像头的安装位置、安装高度、安装角度、视角范围、摄像头焦距等参数，结合候选摄像头在数字空间模型中的坐标计算得到候选摄像头的监控范围，将其与探测器的监测范围做相交判断，获得范围有相交的候选摄像头，即为探测器存在空间位置关联关系的目标摄像头。
186.s1206c，基于预先确定的设备联动组确定与探测器存在空间关联关系的目标摄像头。
187.s1208，控制目标摄像头上传视频。
188.s1210，对目标摄像头的视频进行ai分析。
189.s1212，确定ai分析结果是否为烟雾或者火焰。如果是烟雾或者火焰，则判定预警信息正确，执行s1214。如果不是烟雾也不是火焰，则判定预警信息不正确，执行s1216。
190.s1214，向移动终端发送异常事件提示信息。
191.s1216，向校正终端发送校正提示信息并收集误报原因。
192.s1218，对上传的视频进行压缩后离线保存。可以通过特定的存储空间来存储视频。该存储空间还能对ai分析结果数据进行存储。存储空间中存储的数据都可以用于ai分析，进行离线深度学习计算，可以通过离线深度学习不断提高对预警数据的分析准确率，并可以对引起预警误报的原因进行总结，输出提供给大楼管理人员的消防安全管理合理规范和建议。在一些实施例中，深度学习也可以通过在线的方式进行。
193.s1220，基于误报原因和已保存的视频对ai分析模型进行调整。例如，当误报原因为吸烟者吸烟时，可以将对应的烟雾形态的图像特征输入到烟雾识别模型中，以调整烟雾识别模型中的参数，使得调整后的烟雾识别模型在获取到类似的图像特征时能准确将其归类为吸烟烟雾而非火灾烟雾，以提高烟雾识别模型的准确性。
194.上述实施例提供的异常监测方法至少具有以下有益效果：
195.1)对建筑大楼内的基于探测器和摄像头构成的消防预警系统，通过基于空间位置和ai分析的智能监测，可以有效提升消防预警的准确率，避免因为误报导致的人力成本、消防成本消耗和财产损失；
196.2)由于本方案是基于摄像头进行的智能分析，因此不需要对大楼内原有的消防设备进行更新，不会增加使用成本；
197.3)本方案中通过离线计算得到一些可能产生误报的原因，可以输出给大楼的管理
者，管理者可以在相应的方面加强管理；通过计算也可以得到一些误报频率较高的设备，据此可以判断这些设备是否需要进行维护或更换，因此降低了消防系统的运维成本，提高了运维效率，能够更有效的提升大楼的消防预警能力。
198.本技术还另外提供一种应用场景，该应用场景应用上述的异常检测方法。具体地，该异常检测方法在该应用场景的应用如下：
199.位于二楼的感烟探测器在探测到烟雾且判定烟雾浓度达到报警浓度时，进行报警，并将感烟报警信息上报到管理平台。
200.管理平台确定与感烟探测器存在空间关联关系的目标摄像头。图13为一个实施例中设备的位置示意图。如图13所示，建筑物中有摄像头1302和1304。管理平台根据摄像头的安装位置，将同处于二楼的摄像头1302确定为与感烟探测器存在空间关联关系的目标摄像头。
201.管理平台控制目标摄像头上传当前时间段对应的实时视频。
202.管理平台通过预训练的烟雾识别模型和火焰识别模型对目标摄像头的实时视频进行ai分析。假设根据ai分析结果确定是吸烟烟雾和吸烟火焰，则判定预警信息不正确。控制感烟探测器停止报警。管理平台收集感烟探测器的误报警原因，将其输出给ai分析模型进行学习以提高ai分析模型的准确性。同时，管理平台可以对感烟探测器进行校正。
203.上述实施例中，结合感烟探测器和ai视频识别的结合，能对烟雾和火焰进行准确识别，同时对吸烟等非火灾情况的报警进行校正，有效提高消防预警的准确性。
204.本技术还另外提供一种应用场景，该应用场景应用上述的异常检测方法。具体地，该异常检测方法在该应用场景的应用如下：
205.某一社区包含有建筑物1、建筑物2和建筑物3，这些建筑物内某些楼层中的某些房间中安装有感烟探测器、感温探测器或者摄像头等中的至少一种。
206.位于建筑物2二楼的某一感烟探测器在探测到烟雾且判定烟雾浓度达到报警浓度时，进行报警，并将感烟报警信息上报到管理平台。
207.管理平台确定与感烟探测器存在空间关联关系的目标摄像头：管理平台根据整个小区摄像头的安装位置，将建筑物2中二楼的摄像头确定为与感烟探测器存在空间关联关系的目标摄像头，并将建筑物1以及建筑物3中能够拍摄到建筑物2二楼的摄像头也确定为与感烟探测器存在空间关联关系的目标摄像头。
208.管理平台控制各个目标摄像头上传当前时间段对应的实时视频。
209.管理平台通过预训练的烟雾识别模型和火焰识别模型对各个目标摄像头的实时视频进行ai分析。假设一半以上目标摄像头的实时视频的ai分析结果都是火灾烟雾，则判定预警信息正确，确实发生了火灾。控制建筑物2中的其他探测器报警，并控制建筑物1和3中各个楼层的探测器报警。向管理人员在使用的移动终端发送火灾告警，以提醒管理人员进行灭火处理。
210.上述实施例中，结合感烟探测器和ai视频识别的结合，能对烟雾和火焰进行准确识别，同时实现对社区等大面积区域的统一管理，有效提高消防预警的准确性，保证人员的安全。
211.应该理解的是，虽然上述流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的
执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，上述流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
212.基于与上述实施例中的异常检测方法相同的思想，本技术还提供异常检测装置，该装置可用于执行上述异常检测方法。为了便于说明，异常检测装置实施例的结构示意图中，仅仅示出了与本技术实施例相关的部分，本领域技术人员可以理解，图示结构并不构成对装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
213.在一个实施例中，如图14所示，提供了一种异常检测装置1400，该装置可以采用软件模块或硬件模块，或者是二者的结合成为计算机设备的一部分，该装置具体包括：告警信息接收模块1402、拍摄设备确定模块1404、图像集合获取模块1406和异常事件检测模块1408，其中：
214.告警信息接收模块1402，用于接收目标探测设备发送的异常事件告警信息，所述异常事件告警信息是所述目标探测设备在探测到异常环境信息时触发的。
215.拍摄设备确定模块1404，用于响应于所述异常事件告警信息，确定与所述目标探测设备存在空间位置关联关系的目标拍摄设备，所述目标拍摄设备对应的目标拍摄区域包括所述目标探测设备对应的目标探测区域。
216.图像集合获取模块1406，用于获取所述目标拍摄设备拍摄得到的所述异常环境信息对应的目标图像集合。
217.异常事件检测模块1408，用于对所述目标图像集合进行异常事件检测，得到异常事件检测结果。
218.上述异常检测装置中，在目标探测设备的触发下确定与目标探测设备存在空间位置关联关系的目标拍摄设备，该目标拍摄设备能拍摄到与目标探测设备所探测的异常环境信息相关的目标图像集合，基于目标图像集合进一步进行异常事件检测，所得到的异常事件检测结果结合了目标探测设备的异常事件告警信息以及图像分析结果，能有效提高异常检测的准确性。
219.在一个实施例中，拍摄设备确定模块，包括：空间模型确定子模块，用于确定所述目标探测设备所在的目标空间区域对应的三维空间模型；探测区域确定子模块，用于确定所述目标探测设备在所述三维空间模型中的第一空间位置信息，根据所述第一空间位置信息确定所述目标探测设备对应的目标探测区域；拍摄设备确定子模块，用于根据所述目标探测区域获取与所述目标探测设备存在空间位置关联关系的目标拍摄设备。
220.在一个实施例中，拍摄设备确定子模块，包括：搜索区域确定单元，用于根据所述目标探测区域确定所述目标空间区域对应的拍摄设备搜索区域；候选拍摄设备确定单元，用于根据所述目标空间区域中安装的拍摄设备的空间位置信息，将所述拍摄设备搜索区域中的拍摄设备确定为候选拍摄设备；拍摄区域确定单元，用于确定所述候选拍摄设备对应的目标拍摄区域；目标拍摄设备确定单元，用于将目标拍摄区域与所述目标探测区域存在区域重叠关系的候选拍摄设备确定为所述目标拍摄设备。
221.在一个实施例中，搜索区域确定单元，包括：延伸范围获取子单元，用于获取设备
搜索延伸范围；延伸区域确定子单元，用于根据所述设备搜索延伸范围确定所述目标探测区域对应的延伸区域；搜索区域确定子单元，用于将所述目标探测区域和所述延伸区域形成的区域作为拍摄设备搜索区域。
222.在一个实施例中，拍摄区域确定单元，包括：空间位置确定子单元，用于确定所述候选拍摄设备在所述三维空间模型中的第二空间位置信息；拍摄范围获取子单元，用于获取所述候选拍摄设备的拍摄范围；初始拍摄区域确定子单元，用于根据所述第二空间位置信息以及所述拍摄范围确定所述候选拍摄设备对应的初始拍摄区域；拍摄阻断对象获取子单元，用于获取所述候选拍摄设备所在区域对应的拍摄阻断对象；目标拍摄区域确定子单元，用于从所述初始拍摄区域中滤除所述拍摄阻断对象对应的拍摄阻断区域，得到所述候选拍摄设备对应的目标拍摄区域。
223.在一个实施例中，探测区域确定子模块，包括：探测范围获取单元，用于获取所述目标探测设备的探测范围；初始探测区域确定单元，用于根据所述第一空间位置信息以及所述探测范围确定所述目标探测设备对应的初始探测区域；探测阻断对象获取单元，用于获取所述目标探测设备所在区域对应的探测阻断对象；目标探测区域确定单元，用于从所述初始探测区域中滤除所述探测阻断对象对应的探测阻断区域，得到所述目标探测设备对应的目标探测区域。
224.在一个实施例中，拍摄设备确定模块，包括：设备联动组确定子模块，用于确定所述目标探测设备所在的设备联动组；所述设备联动组根据探测设备和拍摄设备之间的空间位置进行组合得到；目标拍摄设备确定子模块，用于将所述设备联动组中的至少一个拍摄设备作为与所述目标探测设备存在空间位置关联关系的目标拍摄设备。
225.在一个实施例中，所述目标图像集合为多个按照时间顺序排列的目标图像；异常事件检测模块，包括：图像特征提取子模块，用于从所述目标图像集合内的各个目标图像中提取与异常事件对应的图像特征；事件特征确定子模块，用于将所述目标图像对应的图像特征与前向图像对应的图像特征进行对比，根据对比结果得到动态事件特征；所述前向图像为所述目标图像集合中时间排序在所述目标图像之前的图像；事件检测子模块，用于基于所述动态事件特征进行异常事件检测，得到异常事件检测结果。
226.在一个实施例中，所述图像特征包括事件对象对应的对象位置，所述动态事件特征包括事件对象对应的速度特征；事件特征确定子模块，包括：对象位置对比单元，用于将所述目标图像对应的对象位置与前向图像对应的对象位置进行对比，得到对象移动距离；第一时间间隔获取单元，用于获取所述目标图像与所述前向图像之间的拍摄时间间隔；速度特征确定单元，用于根据所述对象移动距离以及所述拍摄时间间隔得到所述事件对象对应的速度特征。
227.在一个实施例中，所述图像特征包括事件对象对应的对象尺寸，所述动态事件特征包括事件对象对应的闪烁特征；事件特征确定子模块，包括：对象尺寸对比单元，用于将所述目标图像对应的对象尺寸与前向图像对应的对象尺寸进行对比，得到对象尺寸变化值；第二时间间隔获取单元，用于获取所述目标图像与所述前向图像之间的拍摄时间间隔；闪烁特征确定单元，用于根据所述对象尺寸变化值以及所述拍摄时间间隔得到所述事件对象对应的闪烁特征。
228.在一个实施例中，异常检测装置，还包括：误告警判定模块，用于当基于所述异常
事件检测结果确定所述异常环境信息对应的事件对象不存在时，判定所述目标探测设备存在误告警；误告警频率确定模块，用于确定所述目标探测设备的误告警频率；校正提示模块，用于当所述误告警频率大于频率阈值时，生成对所述目标探测设备进行告警校正的校正提示信息，并将所述校正提示信息发送至校正终端中进行提示。
229.关于异常检测装置的具体限定可以参见上文中对于异常检测方法的限定，在此不再赘述。上述异常检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
230.在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图15所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储xx数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种异常检测方法。
231.本领域技术人员可以理解，图15中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
232.在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
233.在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
234.在一个实施例中，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各方法实施例中的步骤。
235.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。
236.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
237.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并
不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。