(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210673590.9 (22)申请日 2022.06.13 (71)申请人 山西三友和智慧信息技 术股份有限 公司 地址 030000 山西省太原市太原高新区科 技街15号A1 18室 (72)发明人 潘晓光　王小华　宋晓晨　张娜　 樊思佳　 (74)专利代理 机构 深圳科润知识产权代理事务 所(普通合伙) 44724 专利代理师 刘强强 (51)Int.Cl. G08B 13/196(2006.01) G08B 17/10(2006.01) G08B 7/06(2006.01)H04N 7/18(2006.01) G07C 9/37(2020.01) (54)发明名称 一种基于互联网大 数据的防盗管理系统 (57)摘要 本发明公开了一种基于互联网大数据的防 盗管理系统， 包括监控摄像头、 门禁报警器、 烟雾 报警器、 火灾报警器、 电梯报警器、 入户报警系 统、 服务器、 声光警报器、 对讲机、 云端备份系统、 DVR和矩阵屏， 所述监控摄像头用于拍摄监控画 面， 起到监控防盗， 所述门禁报警器用于感应非 法入侵人员， 所述烟雾报警器用于感应烟雾浓度 并且报警， 所述火灾报警器用于感应 火灾并且报 警， 所述电梯报警器用于被困电梯人员报警， 所 述入户报警系统用于住户在室内报警， 所述服务 器用于接收并处理各项数据信号； 本发明可以有 效提高对住户在室内的安全， 增加了室内安保功 能， 同时也能够增加拍摄画面数据的保存安全 性， 避免被人恶意删除、 修改。 权利要求书2页 说明书5页 附图2页 CN 115206041 A 2022.10.18 CN 115206041 A 1.一种基于互联网大数据的防盗管理系统， 其特征在于， 包括监控摄像头、 报警器系 统、 入户报警系统、 用于将监控画面备份保存的云端备份系统、 用于处理视频信号的DVR和 用于播放视频信号的矩阵屏； 所述报警器系统包括 门禁报警器、 烟雾报警器、 火灾报警器、 电梯报警器和声光警报器； 所述门禁报警器用于感应非法入侵人员； 所述烟雾报警器用于感应烟雾浓度并且报 警； 所述火灾报警器用于感应火灾并且报警； 所述电梯报警器用于被困电梯人员报警； 所述 声光警报器用于发出声音、 光线警报， 所述入户报警系统包括总交换机、 至少一个呼叫报警 器和子交换机， 所述呼叫报警器安装于用户屋内， 且子交换机与总交换机相连。 2.根据权利要求1所述的一种基于互联网大数据的防盗管理系统， 其特征在于： 所述云 端备份系统包括云端服务器、 路由器、 解码 器、 覆盖删除模块、 只 读程序包和读取模块， 所述 云端备份系统具体处 理步骤如下： S1： 路由器接收到DVR处 理后的拍摄画面， 发送至解码器； S2： 解码器对画面进行解码、 转换、 压缩， 储 存至云端服 务器内； S3： 只读程序包 对云端服 务器设置只可读取 无法修改的程序； S4： 覆盖删除模块自动删除储 存时间在90天以上的视频 数据； S5： 当需要查看视频画面的时候， 通过读取模块复制、 查看备份的视频 数据。 3.根据权利要求2所述的一种基于互联网大数据的防盗管理系统， 其特征在于： 所述覆 盖删除模块包括时间设定单元、 删除单元和删除程序包， 通过时间设定单元设定视频删除 时间， 确认视频保留时间， 到 达删除时间后， 删除程序包驱动删除单 元将超时的文件删除。 4.根据权利要求3所述的一种基于互联网大数据的防盗管理系统， 其特征在于， 该基于 互联网大 数据的防盗管理系统具体处 理步骤如下： A1： 监控摄像头拍摄画面， 当外人入侵的门禁的时候， 门禁报警器报警， 当产生浓烟的 时候， 烟雾报警器感知报警， 当产生火灾的时候， 火灾报警器感知温度报警， 当人们被困电 梯的时候， 通过按 下电梯报警器进 行报警， 住户在遇到危险的时候， 通过入户报警系统进 行 报警； A2： 所有的拍摄画面、 报警信号均通过网络发送至服 务器； A3： 服务器接收报警数据的时候， 推动声光警报器工作， 提示安保室内安保人员及时作 出安保工作， 安保人员也可通过对讲机进 行询问场内情况， 接收的视频信号通过DVR投放至 矩阵屏； A4： 在服务器接收数据的时候， 同时将数据传输 至云端备份系统进行 备份保存。 5.根据权利要求4所述的一种基于互联网大数据的防盗管理系统， 其特征在于： 所述监 控摄像头拍摄画面， 当外人入侵的门禁的时候， 门禁报警器报警， 具体地， 监控摄像头将拍 到的画面回传给系统， 系统采用MTCNN算法对拍到的人脸进 行识别， 如果人脸不在人脸数据 库中， 则触发门禁报警器进行报警， MTCNN算法主要包括PNet， RNet， ONet三个框架， 其中 PNet用于获取人脸区域的候选窗口和人脸区域的边界框， 同时对候选窗口进行校准， 对人 脸区域的边界框进行回归， RNet比PNet多了一层全连接层网络， 主要用于对人脸区域的边 界框进行回归， 同时去掉false ‑positive的区域， ONet在RNet的基础上添加了CNN层， 对人 脸区域进行 特征提取， 最后， 对于每 个人脸样本， 采用交叉熵损失函数进行训练： L＝‑(yilog(pi)+(1‑yi)(1‑log(pi)))权　利　要　求　书 1/2 页 2 CN 115206041 A 2其中yi表示样本的标签值， pi表示计算的人脸样本打 分。权　利　要　求　书 2/2 页 3 CN 115206041 A 3