CN114038061A - 基于用户行为分析模型的环境动态管控方法及系统 - Google Patents
基于用户行为分析模型的环境动态管控方法及系统 Download PDFInfo
- Publication number
- CN114038061A CN114038061A CN202111327044.1A CN202111327044A CN114038061A CN 114038061 A CN114038061 A CN 114038061A CN 202111327044 A CN202111327044 A CN 202111327044A CN 114038061 A CN114038061 A CN 114038061A
- Authority
- CN
- China
- Prior art keywords
- image
- behavior
- data
- model
- video image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000004458 analytical method Methods 0.000 title claims abstract description 32
- 230000007613 environmental effect Effects 0.000 title claims description 8
- 238000012545 processing Methods 0.000 claims abstract description 33
- 238000012216 screening Methods 0.000 claims abstract description 13
- 230000006399 behavior Effects 0.000 claims description 159
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 49
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 7
- 230000005284 excitation Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 230000002087 whitening effect Effects 0.000 claims description 3
- 230000001276 controlling effect Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 13
- 238000012544 monitoring process Methods 0.000 abstract description 12
- 238000005070 sampling Methods 0.000 abstract description 6
- 230000009471 action Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012098 association analyses Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种基于用户行为分析模型的环境动态管控方法及系统，该方法包括如下步骤：根据历史积累数据，建立违规行为模型；根据通用模型识别用户行为视频中的关键事件，并截取关键事件图像资料；通过违规行为模型对关键事件进行甄别。通过本申请的基于用户行为分析模型的环境动态管控方法，甄别出关键事件中的用户行为是否存在违规，从而实现站房内用户行为以及采样口处(同时对用户动作行为进行远程监控，例如监控更换试剂盒行为)等智能图像识别处理，同时实现站房内、采样口处重要区域智能管控，并且具有较低的计算量，较高的检测效率以及检测准确性。
Description
技术领域
本发明涉及用户行为分析技术领域，具体而言，涉及一种基于用户行为分析模型的环境动态管控方法及系统。
背景技术
随着科技的不断进步，视频监控技术被广泛应用于各个行业，尤其对于公共场所的安全性需求提供了极大的帮助。
现有的视频监控技术仅能用于视频的捕获、存储和回放，功能性较为单一，对于视频图像中的异常行为，还是通过安保人员的监测方式获取。
然而，人工监测的方式容易出现人员疲惫现象，尤其面对不同通道传来的监控视频时，往往会目不暇接、反应迟缓，很难及时观察到一些潜在的异常行为，无法对突发的异常行为做出迅速、高效、合理、准确的反应。
用户行为分析方法是根据每一个合法用户基本行为具有一定规则的特点提出的。现有的用户行为异常检测大多是基于数据挖掘方法和机器学习的方法，方法主要集中在关联分析、聚类分析、序列模式分析上，需要进行海量的数据源审计，导致系统运行速度慢，系统的响应时间长，常出现假死现象。同时，现有的数据挖掘方法和机器学习方法过程设计较为复杂，而要很长的运行时间才能得到结果，比如，基干隐马东尔可夫模型(Hidden MarkovModel，HMMD的用户行为检测方法，该方法利用HMM在用户界面层建立合法用户的正常行为轮廓，并采用Baum-Welch算法对HMM进行训练，在检测阶段利用近似的前向后向算法和贝叶斯准则判断用户当前行为是否出现异常，虽然该方法可以对用户行为进行检测，但所需要的计算量很大，检测效率和实时性较差；基于神经网络的用户行为检测方法，检测过程中运行效率低，而且过程需要人为的干预，实用性差。
发明内容
本发明的目的在于提供一种基于用户行为分析模型的环境动态管控方法及系统，以解决上述的问题。
为了实现本发明的上述目的，采用以下技术方案：
第一方面，本申请提供了一种基于用户行为分析模型的环境动态管控方法，包括如下步骤：
步骤100：根据历史积累数据，建立违规行为模型；
步骤200：根据通用模型识别用户行为视频中的关键事件，并截取关键事件图像资料；
步骤300：通过违规行为模型对关键事件进行甄别。
具体地，步骤100：根据历史积累数据，建立违规行为模型，具体包括如下步骤：
步骤110：提取所述历史数据中的工况数据、可信环境数据、异常数据及其对应的时间数据；
步骤120：根据所述的工况数据、可信环境数据、异常数据及其对应的时间数据训练得到所述违规行为模型。
具体地，步骤200：根据通用模型识别用户行为视频中的关键事件，并截取关键事件图像资料，具体包括如下步骤：
步骤210：获取包含用户行为的视频图像，将包含用户行为的视频图像处理成视频图像序列，并对所述视频图像序列进行处理；
步骤220：获取处理后的视频图像序列，并根据获取的经过处理后的所述视频图像序列，建立视频图像数据库；
步骤230：根据建立的所述视频图像数据库，从获取的所述视频图像序列中提取出目标行为图像；
步骤240：将预设通用模型中的异常行为图像与所述视频图像数据库中的所述目标行为图像进行直方图的对比测量；
步骤250：判断异常行为图像与所述视频图像数据库中的所述目标行为图像的图像灰度的概率分布相似度是否大于标准阈值，若当异常行为图像与所述视频图像数据库中的所述目标行为图像的图像灰度的概率分布相似度大于或等于标准阈值时，则判别该目标行为图像所属违规行为类别；若当异常行为图像与所述视频图像数据库中的所述目标行为图像的图像灰度的概率分布相似度小于标准阈值时，则结束。
具体地，所述通用模型为反映异常行为图像的图像相似度灰度分布的数据库模型。
具体地，步骤250：若当异常行为图像与所述视频图像数据库中的所述目标行为图像的图像灰度的概率分布相似度大于或等于标准阈值时，则判别该目标行为图像所属违规行为类别，具体包括：
若当异常行为图像与所述视频图像数据库中的所述目标行为图像的图像灰度的概率分布相似度大于或等于标准阈值时，则确定与目标行为图像对应的异常行为图像的分类器，根据该异常行为图像的分类器的分类标签确定其所属异常行为类别为当前目标行为图像的所属违规行为类别。
具体地，所述违规行为模型包括数据AI模型、视频AI模型。
具体地，所述数据AI模型包括输入层、计算层和输出层；
所述输入层对输入数据做初步处理得到输入层数据；
计算层采用加权神经网络对输入层数据进行处理，得到针对输入层数据计算后的处理结果；
输出层，对所述处理结果规整，并执行所述处理结果对应的操作逻辑。
具体地，所述视频AI模型包括输入层、计算层、激励层和输出层；
所述输入层用于对边缘设备采集的图像数据去均值、归一化和白化处理并得到初步的输入层数据；
所述计算层通过卷积神经网络对初步的输入层数据进行计算处理得到卷积计算结果；
所述激励层采用非线性映射方式对卷积层的卷积计算结果进行非线性映射得到映射数据以加强梯度递归性能；
所述输出层基于映射数据进行输出处理结果。
第二方面，本申请提供了一种基于用户行为分析模型的环境动态管控系统，包括：
违规行为模型建立模块，用于根据历史积累数据，建立违规行为模型；
关键事件识别模块，用于根据通用模型识别用户行为视频中的关键事件，并截取关键事件图像资料；
甄别模块，用于通过违规行为模型对关键事件进行甄别；
违规行为模型建立模块包括提取模块和模型生成模块；
提取模块用于提取所述历史数据中的工况数据、可信环境数据、异常数据及其对应的时间数据；
模型生成模块用于根据所述的工况数据、可信环境数据、异常数据及其对应的时间数据训练得到所述违规行为模型。
进一步地，所述关键事件识别模块包括：
视频图像获取模块，用于获取包含用户行为的视频图像，将包含用户行为的视频图像处理成视频图像序列，并对所述视频图像序列进行处理；
视频图像数据库建立模块，用于获取处理后的视频图像序列，并根据获取的经过处理后的所述视频图像序列，建立视频图像数据库；
目标行为图像提取模块，用于根据建立的所述视频图像数据库，从获取的所述视频图像序列中提取出目标行为图像；
对比分析模块，用于将预设通用模型中的异常行为图像与所述视频图像数据库中的所述目标行为图像进行直方图的对比测量；
图像块判断模块，用于判断异常行为图像与所述视频图像数据库中的所述目标行为图像的图像灰度的概率分布相似度是否大于标准阈值，若当异常行为图像与所述视频图像数据库中的所述目标行为图像的图像灰度的概率分布相似度大于或等于标准阈值时，则判别该目标行为图像所属违规行为类别；若当异常行为图像与所述视频图像数据库中的所述目标行为图像的图像灰度的概率分布相似度小于标准阈值时，则结束。
采用上述技术方案，本发明具有如下有益效果：
本申请的基于用户行为分析模型的环境动态管控方法，根据历史积累数据，建立违规行为模型；根据通用模型识别用户行为视频中的关键事件，并截取关键事件图像资料；通过违规行为模型对关键事件进行甄别。
通过本申请的基于用户行为分析模型的环境动态管控方法，甄别出关键事件中的用户行为是否存在违规，从而实现站房内用户行为以及采样口处(同时对用户动作行为进行远程监控，例如监控更换试剂盒行为)等智能图像识别处理，同时实现站房内、采样口处重要区域智能管控，并且具有较低的计算量，较高的检测效率以及检测准确性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的基于用户行为分析模型的环境动态管控方法的结构示意图；
图2为本本发明提供的步骤100的流程示意图；
图3为本本发明提供的步骤200的流程示意图；
图4为本发明提供的步骤251的流程示意图；
图5为本发明提供的基于用户行为分析模型的环境动态管控系统的结构示意图。
附图标记：1-违规行为模型建立模块；2-关键事件识别模块；3-甄别模块；11-提取模块；12-模型生成模块；21-视频图像获取模块；22-视频图像数据库建立模块；23-目标行为图像提取模块；24-对比分析模块；25-图像块判断模块。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
实施例一：
如图1-图4所示，本申请提供了一种基于用户行为分析模型的环境动态管控方法，包括如下步骤：
步骤100：根据历史积累数据，建立违规行为模型；
步骤200：根据通用模型识别用户行为视频中的关键事件，并截取关键事件图像资料；
步骤300：通过违规行为模型对关键事件进行甄别。
本申请的基于用户行为分析模型的环境动态管控方法，根据历史积累数据，建立违规行为模型；根据通用模型识别用户行为视频中的关键事件，并截取关键事件图像资料；通过违规行为模型对关键事件进行甄别。
通过本申请的基于用户行为分析模型的环境动态管控方法，甄别出关键事件中的用户行为是否存在违规，从而实现站房内用户行为以及采样口处(同时对用户动作行为进行远程监控，例如监控更换试剂盒行为)等智能图像识别处理，同时实现站房内、采样口处重要区域智能管控，并且具有较低的计算量，较高的检测效率以及检测准确性。
具体地，步骤100：根据历史积累数据，建立违规行为模型，具体包括如下步骤：
步骤110：提取所述历史数据中的工况数据、可信环境数据、异常数据及其对应的时间数据；
步骤120：根据所述的工况数据、可信环境数据、异常数据及其对应的时间数据训练得到所述违规行为模型。
具体地，步骤200：根据通用模型识别用户行为视频中的关键事件，并截取关键事件图像资料，具体包括如下步骤：
步骤210：获取包含用户行为的视频图像，将包含用户行为的视频图像处理成视频图像序列，并对所述视频图像序列进行处理；
步骤220：获取处理后的视频图像序列，并根据获取的经过处理后的所述视频图像序列，建立视频图像数据库；
步骤230：根据建立的所述视频图像数据库，从获取的所述视频图像序列中提取出目标行为图像；
步骤240：将预设通用模型中的异常行为图像与所述视频图像数据库中的所述目标行为图像进行直方图的对比测量；
步骤250：判断异常行为图像与所述视频图像数据库中的所述目标行为图像的图像灰度的概率分布相似度是否大于标准阈值，若当异常行为图像与所述视频图像数据库中的所述目标行为图像的图像灰度的概率分布相似度大于或等于标准阈值时，则判别该目标行为图像所属违规行为类别；若当异常行为图像与所述视频图像数据库中的所述目标行为图像的图像灰度的概率分布相似度小于标准阈值时，则结束。
其中，所述通用模型为反映异常行为图像的图像相似度灰度分布的数据库模型。
在本发明实施例的具体技术方案中，步骤250：若当异常行为图像与所述视频图像数据库中的所述目标行为图像的图像灰度的概率分布相似度大于或等于标准阈值时，则判别该目标行为图像所属违规行为类别，具体包括：
步骤251：若当异常行为图像与所述视频图像数据库中的所述目标行为图像的图像灰度的概率分布相似度大于或等于标准阈值时，则确定与目标行为图像对应的异常行为图像的分类器，根据该异常行为图像的分类器的分类标签确定其所属异常行为类别为当前目标行为图像的所属违规行为类别。
具体地，上述违规行为模型包括数据AI模型、视频AI模型。
具体地，上述边缘设备包括动态管控仪、摄像头。
具体地，上述边缘设备根据AI分析模型对采集的数据实时分析，具体包括，识别用户的进入、触动特定物品、人脸识别，分析非正常时间进入、无权限人员操作设备。
一般AI分析模型可识别用户的进入、触动特定物品，人脸识别等，在现有的基础上，本申请又在此基础上分析非正常时间进入，无权限人员操作设备等。
具体地，所述数据AI模型包括输入层、计算层和输出层；
其中，输入层对输入数据做初步处理，包含经验性规则框架(即采用包含经验性规则框架预设策略对输入数据做初步处理得到输入层数据)；
计算层，采用加权神经网络对输入层数据进行处理，得到针对输入层数据计算后的处理结果；
输出层，对所述处理结果规整，并执行所述处理结果对应的操作逻辑。
具体地，所述视频AI模型包括输入层、计算层、激励层和输出层；
视频AI模型的输入层用于对边缘设备采集的图像数据去均值、归一化和白化处理并得到初步的输入层数据；
计算层通过卷积神经网络对初步的输入层数据进行计算处理得到卷积计算结果；
激励层采用非线性映射方式对卷积层的卷积计算结果进行非线性映射得到映射数据以加强梯度递归性能；
输出层基于映射数据进行输出处理结果，添加图框、标识，保存上传证据。
实施例二：
如图5所示，本发明实施例二提供的视频监控异常行为检测系统，包括：
违规行为模型建立模块1，用于根据历史积累数据，建立违规行为模型；
关键事件识别模块2，用于根据通用模型识别用户行为视频中的关键事件，并截取关键事件图像资料；
甄别模块3，用于通过违规行为模型对关键事件进行甄别；
违规行为模型建立模块1包括提取模块11和模型生成模块12；
提取模块11用于提取所述历史数据中的工况数据、可信环境数据、异常数据及其对应的时间数据；
模型生成模块12用于根据所述的工况数据、可信环境数据、异常数据及其对应的时间数据训练得到所述违规行为模型。
具体地，关键事件识别模块2包括：
视频图像获取模块21，用于获取包含用户行为的视频图像，将包含用户行为的视频图像处理成视频图像序列，并对所述视频图像序列进行处理；
视频图像数据库建立模块22，用于获取处理后的视频图像序列，并根据获取的经过处理后的所述视频图像序列，建立视频图像数据库；
目标行为图像提取模块23，用于根据建立的所述视频图像数据库，从获取的所述视频图像序列中提取出目标行为图像；
对比分析模块24，用于将预设通用模型中的异常行为图像与所述视频图像数据库中的所述目标行为图像进行直方图的对比测量；
图像块判断模块25，用于判断异常行为图像与所述视频图像数据库中的所述目标行为图像的图像灰度的概率分布相似度是否大于标准阈值，若当异常行为图像与所述视频图像数据库中的所述目标行为图像的图像灰度的概率分布相似度大于或等于标准阈值时，则判别该目标行为图像所属违规行为类别；若当异常行为图像与所述视频图像数据库中的所述目标行为图像的图像灰度的概率分布相似度小于标准阈值时，则结束。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种基于用户行为分析模型的环境动态管控方法，其特征在于，包括如下步骤：
步骤100：根据历史积累数据，建立违规行为模型；
步骤200：根据通用模型识别用户行为视频中的关键事件，并截取关键事件图像资料；
步骤300：通过违规行为模型对关键事件进行甄别。
2.根据权利要求1所述的基于用户行为分析模型的环境动态管控方法，其特征在于，步骤100：根据历史积累数据，建立违规行为模型，具体包括如下步骤：
步骤110：提取所述历史数据中的工况数据、可信环境数据、异常数据及其对应的时间数据；
步骤120：根据所述的工况数据、可信环境数据、异常数据及其对应的时间数据训练得到所述违规行为模型。
3.根据权利要求1所述的基于用户行为分析模型的环境动态管控方法，其特征在于，步骤200：根据通用模型识别用户行为视频中的关键事件，并截取关键事件图像资料，具体包括如下步骤：
步骤210：获取包含用户行为的视频图像，将包含用户行为的视频图像处理成视频图像序列，并对所述视频图像序列进行处理；
步骤220：获取处理后的视频图像序列，并根据获取的经过处理后的所述视频图像序列，建立视频图像数据库；
步骤230：根据建立的所述视频图像数据库，从获取的所述视频图像序列中提取出目标行为图像；
步骤240：将预设通用模型中的异常行为图像与所述视频图像数据库中的所述目标行为图像进行直方图的对比测量；
步骤250：判断异常行为图像与所述视频图像数据库中的所述目标行为图像的图像灰度的概率分布相似度是否大于标准阈值，若当异常行为图像与所述视频图像数据库中的所述目标行为图像的图像灰度的概率分布相似度大于或等于标准阈值时，则判别该目标行为图像所属违规行为类别；若当异常行为图像与所述视频图像数据库中的所述目标行为图像的图像灰度的概率分布相似度小于标准阈值时，则结束。
4.根据权利要求3所述的基于用户行为分析模型的环境动态管控方法，其特征在于，所述通用模型为反映异常行为图像的图像相似度灰度分布的数据库模型。
5.根据权利要求3所述的基于用户行为分析模型的环境动态管控方法，其特征在于，步骤250：若当异常行为图像与所述视频图像数据库中的所述目标行为图像的图像灰度的概率分布相似度大于或等于标准阈值时，则判别该目标行为图像所属违规行为类别，具体包括：
若当异常行为图像与所述视频图像数据库中的所述目标行为图像的图像灰度的概率分布相似度大于或等于标准阈值时，则确定与目标行为图像对应的异常行为图像的分类器，根据该异常行为图像的分类器的分类标签确定其所属异常行为类别为当前目标行为图像的所属违规行为类别。
6.根据权利要求2所述的基于用户行为分析模型的环境动态管控方法，其特征在于，所述违规行为模型包括数据AI模型、视频AI模型。
7.根据权利要求6所述的基于用户行为分析模型的环境动态管控方法，其特征在于，所述数据AI模型包括输入层、计算层和输出层；
所述输入层，对输入数据做初步处理得到输入层数据；
所述计算层，采用加权神经网络对输入层数据进行处理，得到针对输入层数据计算后的处理结果；
所述输出层，对所述处理结果规整，并执行所述处理结果对应的操作逻辑。
8.根据权利要求6所述的基于用户行为分析模型的环境动态管控方法，其特征在于，所述视频AI模型包括输入层、计算层、激励层和输出层；
所述输入层用于对边缘设备采集的图像数据去均值、归一化和白化处理并得到初步的输入层数据；
所述计算层通过卷积神经网络对初步的输入层数据进行计算处理得到卷积计算结果；
所述激励层采用非线性映射方式对卷积层的卷积计算结果进行非线性映射得到映射数据以加强梯度递归性能；
所述输出层基于映射数据进行输出处理结果。
9.一种基于用户行为分析模型的环境动态管控系统，其特征在于，包括：
违规行为模型建立模块，用于根据历史积累数据，建立违规行为模型；
关键事件识别模块，用于根据通用模型识别用户行为视频中的关键事件，并截取关键事件图像资料；
甄别模块，用于通过违规行为模型对关键事件进行甄别；
违规行为模型建立模块包括提取模块和模型生成模块；
提取模块用于提取所述历史数据中的工况数据、可信环境数据、异常数据及其对应的时间数据；
模型生成模块用于根据所述的工况数据、可信环境数据、异常数据及其对应的时间数据训练得到所述违规行为模型。
10.根据权利要求9所述的基于用户行为分析模型的环境动态管控系统，其特征在于，所述关键事件识别模块包括：
视频图像获取模块，用于获取包含用户行为的视频图像，将包含用户行为的视频图像处理成视频图像序列，并对所述视频图像序列进行处理；
视频图像数据库建立模块，用于获取处理后的视频图像序列，并根据获取的经过处理后的所述视频图像序列，建立视频图像数据库；
目标行为图像提取模块，用于根据建立的所述视频图像数据库，从获取的所述视频图像序列中提取出目标行为图像；
对比分析模块，用于将预设通用模型中的异常行为图像与所述视频图像数据库中的所述目标行为图像进行直方图的对比测量；
图像块判断模块，用于判断异常行为图像与所述视频图像数据库中的所述目标行为图像的图像灰度的概率分布相似度是否大于标准阈值，若当异常行为图像与所述视频图像数据库中的所述目标行为图像的图像灰度的概率分布相似度大于或等于标准阈值时，则判别该目标行为图像所属违规行为类别；若当异常行为图像与所述视频图像数据库中的所述目标行为图像的图像灰度的概率分布相似度小于标准阈值时，则结束。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111327044.1A CN114038061A (zh) | 2021-11-10 | 2021-11-10 | 基于用户行为分析模型的环境动态管控方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111327044.1A CN114038061A (zh) | 2021-11-10 | 2021-11-10 | 基于用户行为分析模型的环境动态管控方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114038061A true CN114038061A (zh) | 2022-02-11 |
Family
ID=80137121
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111327044.1A Pending CN114038061A (zh) | 2021-11-10 | 2021-11-10 | 基于用户行为分析模型的环境动态管控方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114038061A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110971939A (zh) * | 2018-09-30 | 2020-04-07 | 武汉斗鱼网络科技有限公司 | 一种违规图片的识别方法及相关装置 |
| CN112509325A (zh) * | 2020-12-04 | 2021-03-16 | 公安部交通管理科学研究所 | 一种基于视频深度学习的非现场违法自动甄别方法 |
| CN113194297A (zh) * | 2021-04-30 | 2021-07-30 | 重庆市科学技术研究院 | 一种智能监控系统及方法 |
-
2021
- 2021-11-10 CN CN202111327044.1A patent/CN114038061A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110971939A (zh) * | 2018-09-30 | 2020-04-07 | 武汉斗鱼网络科技有限公司 | 一种违规图片的识别方法及相关装置 |
| CN112509325A (zh) * | 2020-12-04 | 2021-03-16 | 公安部交通管理科学研究所 | 一种基于视频深度学习的非现场违法自动甄别方法 |
| CN113194297A (zh) * | 2021-04-30 | 2021-07-30 | 重庆市科学技术研究院 | 一种智能监控系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108875833B (zh) | 神经网络的训练方法、人脸识别方法及装置 | |
| CN112200043A (zh) | 面向室外施工现场的危险源智能识别系统及方法 | |
| CN112396658B (zh) | 一种基于视频的室内人员定位方法及定位系统 | |
| CN109298785A (zh) | 一种监测设备的人机联控系统及方法 | |
| CN116386120B (zh) | 一种用于智慧校园宿舍的无感监控管理系统 | |
| CN112800975A (zh) | 一种基于图像处理的安检通道内行为识别方法 | |
| CN113903068A (zh) | 基于人脸特征的陌生人监控方法、装置、设备及存储介质 | |
| CN116702090A (zh) | 一种多模态数据融合与不确定估计的水位预测方法及系统 | |
| CN116910752A (zh) | 一种基于大数据的恶意代码检测方法 | |
| CN109859112B (zh) | 一种实现人脸补全的方法及系统 | |
| CN114038061A (zh) | 基于用户行为分析模型的环境动态管控方法及系统 | |
| CN116740627A (zh) | 基于操作知识的违章告警方法 | |
| CN115830701A (zh) | 一种基于小样本学习的人员违规行为预测方法 | |
| CN115116119A (zh) | 一种基于数字图像处理技术的人脸识别系统 | |
| CN114764867A (zh) | 基于图像主特征提取的风机故障诊断系统、方法及应用 | |
| CN115082865B (zh) | 基于视觉图像识别的桥机入侵危险行为预警方法及系统 | |
| CN110852203A (zh) | 一种基于视频特征学习的多要素可疑人员识别方法 | |
| CN117636908B (zh) | 数字化矿山生产管控系统 | |
| CN109583441A (zh) | 基于监控平台的字幕识别方法 | |
| CN118230399B (zh) | 一种人脸识别系统 | |
| CN117058627B (zh) | 一种公共场所人群安全距离监测方法、介质及系统 | |
| CN118300851A (zh) | 一种基于大数据的网络信息检测方法及系统 | |
| CN117496589A (zh) | 一种基于计算机视觉技术的行人异常行为检测方法及系统 | |
| CN118172798A (zh) | 一种可嵌入式的实时人形目标自动监测识别方法 | |
| CN118609796A (zh) | 一种基于计算机视觉的抑郁症预警系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220211 |
|
| RJ01 | Rejection of invention patent application after publication |