[发明专利]基于联邦学习模式的社区重点人员监管系统及方法

权利要求书

1.基于联邦学习模式的社区重点人员监管系统，其特征在于：包括前端感知系统（2）、中心服务器（1）及多个社区服务器（3）；

所述中心服务器（1）与前端感知系统（2）通信连接，所述前端感知系统（2）用于采集视频监控数据、人脸抓拍数据及车辆抓拍数据；

所述中心服务器（1）与各个社区服务器（3）通信连接，所述中心服务器（1）与各个社区服务器（3）共同创建社区重点人员行为联邦学习模型，进行人群行为模式分析以及异常行为识别和预测，在创建联邦学习模型的过程中，各个社区服务器（3）在本地对本地数据加密，并将加密的结果发送到中心服务器（1），中心服务器（1）在不了解有关任何参与者的信息的情况下执行安全聚合，不涉及具体数据。

2.根据权利要求1所述的基于联邦学习模式的社区重点人员监管系统，其特征在于：所述中心服务器（1）包括大数据分析模块及社区重点人员管理模块，所述大数据分析模块用于进行重点人员活动轨迹分析、重点车辆轨迹分析、轨迹融合分析及数据时空融合分析，所述社区重点人员管理模块用于绘制重点人员区域分布专题图、进行区域重点人员统计分析及重点人员同轨分析，所述社区重点人员管理模块还用于提供重点人员信息综合查询、重点人员异动轨迹查询、重点人员区域关联查询；

所述前端感知系统（2）主要包括前端视频监控子系统、前端人脸识别子系统及前端车辆识别子系统，所述前端视频监控子系统用于采集视频监控数据，所述前端人脸识别子系统用于采集人脸抓拍数据，所述前端车辆识别子系统用于采集车辆抓拍数据；

各个所述社区服务器（3）具有相同数据结构，各个所述社区服务器（3）同样可以提供重点人员信息综合查询、重点人员异动轨迹查询及重点人员区域关联查询。

3.基于联邦学习模式的社区重点人员监管方法，其特征在于：包括以下步骤：

步骤S100、通过前端感知系统（2）采集视频监控数据、人脸抓拍数据及车辆抓拍数据；

步骤S200、大数据分析模块依据采集的数据进行大数据分析，包括重点人员活动轨迹分析、重点车辆轨迹分析、轨迹融合分析及数据时空融合分析；

步骤S300、中心服务器（1）与各个社区服务器（3）共同创建社区重点人员行为联邦学习模型；

步骤S400、社区重点人员管理模块提供重点人员信息综合查询、重点人员异动轨迹查询、重点人员区域关联查询；

步骤S500、社区重点人员管理模块绘制重点人员区域分布专题图，进行区域重点人员统计分析及重点人员同轨分析。

4.根据权利要求3所述的基于联邦学习模式的社区重点人员监管方法，其特征在于：步骤S100进一步包括：

步骤S110、前端视频监控子系统根据社区管理工作实际需要建设视频监控点位，并结合监控区域网格划分、现场环境和使用需求确定视频监控点位的数量和位置，视频监控点位覆盖市域多个重要空间和立面区域，根据不同视频监控点位具体位置、应用和环境光照等情况选择不同类型摄像机部署；

步骤S120、前端人脸识别子系统搭载于前端视频监控子系统，实现人脸数据的抓拍，并可实现与重点人员照片进行对比，并返回对比结果；

步骤S130、前端车辆识别子系统搭载于前端视频监控子系统，实现车辆数据的抓拍，通过对视频数据采用结构化分析技术，对车辆特征进行全面的提取和识别，对视频和关键帧中的车辆特征进行提取、分析、识别、入库。

5.根据权利要求4所述的基于联邦学习模式的社区重点人员监管方法，其特征在于：步骤S130中提取的车辆特征包括车牌号、车辆类型、车身颜色、车辆品牌、车辆子品牌、年份等。