[發明專利]在監控系統中捕獲一系列事件

有效

• 申請號: 201811532666.6
• 申請日: 2018-12-14
• 公開（公告）號: CN109934085B
• 公開（公告）日: 2023-07-18
• 發明（設計）人: F·勒奎;A·H·柯雷亞
• 申請（專利權）人: 埃森哲環球解決方案有限公司
• 主分類號: G06V20/40
• 分類號: G06V20/40;G06V20/52;G06V10/82;H04N7/18
• 代理公司: 北京市金杜律師事務所 11256
• 代理人: 酆迅

1.一種用于從由多設備監控系統所記錄的數據的主體中提供數據序列和相應描述的計算機實現的方法，所述方法由一個或多個處理器執行并且包括：

由所述一個或多個處理器接收多維數據集的至少一部分，所述多維數據集與由所述多設備監控系統所記錄的數據相對應，所述多維數據集包括針對所述多設備監控系統的設備集中的每個設備、在相應的時間段內和在所述設備集中的設備上的特征集；

由所述一個或多個處理器處理多維數據中的至少一部分多維數據，以標識由所述多設備監控系統的所述設備集中的相應設備所記錄的特征集；

由所述一個或多個處理器在位置維度上將第一設備的特征集相對于第二設備的特征集進行比較，以確定所述第一設備的所述特征集中的第一特征對應于所述第二設備的所述特征集中的第二特征；

使用知識圖來確定相對于所述第二設備的位置的、所述第一設備的位置；

由所述一個或多個處理器通過基于所述比較并且基于使用所述知識圖所確定的所述位置從所述多維數據集中選擇適當的特征集，來提供特征集的序列，所述序列在所述設備集的所述特征集之間提供對象的前進的順序；以及

由所述一個或多個處理器生成包括多個節點的不同于所述知識圖的圖形，每個節點對應于位置并且包括相應的記錄數據和所述相應的記錄數據的描述。

2.根據權利要求1所述的方法，其中通過使用機器學習ML模型處理所述記錄數據，所述多維數據集基于特征提取而被提供。

3.根據權利要求2所述的方法，其中所述ML模型被提供為卷積神經網絡(CNN)。

4.根據權利要求1所述的方法，其中提供所述序列包括基于設備標識后續設備、以及標識潛在后續設備集，每個潛在后續設備與概率相關聯。

5.根據權利要求1所述的方法，其中所述第一設備的所述特征集相對于所述第二設備的所述特征集在時間維度上進行比較，以確定所述第一設備的所述特征集中的第一特征對應于所述第二設備的所述特征集中的第二特征。

6.根據權利要求1所述的方法，其中使用機器學習技術將所述第一設備的所述特征集相對于所述第二設備的所述特征集進行比較。

7.根據權利要求1所述的方法，其中所述相應的記錄數據包括由所述位置處的相應設備所捕獲的圖像。

8.根據權利要求1所述的方法，其中所述描述根據所述知識圖而被確定，并且所述描述指示所述位置。

9.一種非暫時性計算機可讀存儲介質，其被耦合到一個或多個處理器，并且具有在所述非暫時性計算機可讀存儲介質上存儲的指令，所述指令在由所述一個或多個處理器執行時使得所述一個或多個處理器執行用于從由多設備監控系統所記錄的數據的主體中提供數據序列和相應描述的操作，所述操作包括：

接收多維數據集的至少一部分，所述多維數據集與由所述多設備監控系統所記錄的數據相對應，所述多維數據集包括針對所述多設備監控系統的設備集中的每個設備、在相應的時間段內和在所述設備集中的設備上的特征集；

處理多維數據中的至少一部分多維數據，以標識由所述多設備監控系統的所述設備集中的相應設備所記錄的特征集；

在位置維度上將第一設備的特征集相對于第二設備的特征集進行比較，以確定所述第一設備的所述特征集中的第一特征對應于所述第二設備的所述特征集中的第二特征；

使用知識圖來確定相對于所述第二設備的位置的、所述第一設備的位置；

通過基于所述比較并且基于使用所述知識圖所確定的所述位置從所述多維數據集中選擇適當的特征集，來提供特征集的序列，所述序列在所述設備集的所述特征集之間提供對象的前進的順序；以及

生成包括多個節點的不同于所述知識圖的圖形，每個節點對應于位置并且包括相應的記錄數據和所述相應的記錄數據的描述。

10.根據權利要求9所述的計算機可讀存儲介質，其中通過使用機器學習ML模型處理所述記錄數據，所述多維數據集基于特征提取而被提供。