CN116863638A - 一种基于主动预警的人员异常行为检测方法及安防系统 - Google Patents

一种基于主动预警的人员异常行为检测方法及安防系统 Download PDF

Info

Publication number
CN116863638A
CN116863638A CN202310639413.3A CN202310639413A CN116863638A CN 116863638 A CN116863638 A CN 116863638A CN 202310639413 A CN202310639413 A CN 202310639413A CN 116863638 A CN116863638 A CN 116863638A
Authority
CN
China
Prior art keywords
behavior
abnormal
behaviors
recognition
abnormal behavior
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.)
Granted
Application number
CN202310639413.3A
Other languages
English (en)
Other versions
CN116863638B (zh
Inventor
胡家昶
张鹏
代庆平
朱洪辛
陈良军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sinopharm Chongqing Pharmaceutical Industry Design Institute
Original Assignee
Sinopharm Chongqing Pharmaceutical Industry Design Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sinopharm Chongqing Pharmaceutical Industry Design Institute filed Critical Sinopharm Chongqing Pharmaceutical Industry Design Institute
Priority to CN202310639413.3A priority Critical patent/CN116863638B/zh
Publication of CN116863638A publication Critical patent/CN116863638A/zh
Application granted granted Critical
Publication of CN116863638B publication Critical patent/CN116863638B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
    • G08B21/0407—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
    • G08B21/0407—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis
    • G08B21/043—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis detecting an emergency event, e.g. a fall
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
    • G08B21/0438—Sensor means for detecting
    • G08B21/0476—Cameras to detect unsafe condition, e.g. video cameras

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Emergency Management (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Psychiatry (AREA)
  • Gerontology & Geriatric Medicine (AREA)
  • Social Psychology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Alarm Systems (AREA)

Abstract

本发明公开一种基于主动预警的人员异常行为检测方法及安防系统，涉及安防技术领域。本发明包括，对异常行为进行分类得到多种异常行为种类；根据人员的行为识别得到人员在单位时间内四肢及躯干关键点的变化状态，提取得到行为特征；采集多个异常行为并判断所属的异常行为种类，汇总得到每种异常行为种类对应的多个异常行为；根据每种异常行为种类对应的多个异常行为的行为特征，训练得到每个异常行为种类下的若干个行为识别模型；主动获取人员的行为；将人员的行为进行识别得到行为特征。本发明实现对监控区域人员的异常行为进行主动预警，提高安防效果。

Description

一种基于主动预警的人员异常行为检测方法及安防系统
技术领域
本发明属于安防技术领域，特别是涉及一种基于主动预警的人员异常行为检测方法及安防系统。
背景技术
医院是一个涉及人员众多、活动频繁的场所，保障医院内部的安全和秩序具有重要意义。传统的医院安防监控系统主要依赖人工观察和巡逻，不仅耗费大量人力资源，而且容易出现监控漏洞和误报。此外，对于医院内的异常行为，如跌倒、突发疾病等，及时发现和处理对于减轻伤害和保障患者安全至关重要。
近年来，计算机视觉和人工智能技术取得了显著的进步，使得基于视频分析的行为识别成为可能。尤其是步态识别技术，通过分析行走方式对个体进行识别和分类，已经在多个领域得到了广泛应用。然而，现有的步态识别方法多数关注在正常行为下的个体识别，较少针对异常行为进行检测。
发明内容
本发明的目的在于提供一种基于主动预警的人员异常行为检测方法及安防系统一种基于主动预警的人员异常行为检测方法及安防系统，通过对人员行为进行抽象提取后进行分析，实现对监控区域人员的异常行为进行主动预警，提高安防效果。
为解决上述技术问题，本发明是通过以下技术方案实现的：
本发明提供一种基于主动预警的人员异常行为检测方法，包括，
对异常行为进行分类得到多种异常行为种类；
根据人员的行为识别得到人员在单位时间内四肢及躯干关键点的变化状态，提取得到行为特征；
采集多个异常行为并判断所属的异常行为种类，汇总得到每种异常行为种类对应的多个异常行为；
根据每种异常行为种类对应的多个异常行为的行为特征，训练得到每个异常行为种类下的若干个行为识别模型；
主动获取人员的行为；
将人员的行为进行识别得到行为特征；
将所述行为对应的所述行为特征分别输入到若干个异常行为种类下的若干个所述行为识别模型，得到所述行为的初步异常行为种类或不属于异常行为种类；
若得到所述行为的初步异常行为种类，则，将所述行为对应的所述行为特征输入所述行为的初步异常行为种类下的若干个所述行为识别模型，得到所述行为的异常行为种类；
根据所述行为的异常行为种类进行预警。
本发明还公开了一种安防系统，包括，
分类单元，用于对异常行为进行分类得到多种异常行为种类；
特征提取单元，用于根据人员的行为识别得到人员在单位时间内四肢及躯干关键点的变化状态，提取得到行为特征；
模型训练单元，用于采集多个异常行为并判断所属的异常行为种类，汇总得到每种异常行为种类对应的多个异常行为；
根据每种异常行为种类对应的多个异常行为的行为特征，训练得到每个异常行为种类下的若干个行为识别模型；
图像采集单元，用于主动获取人员的行为；
行为识别单元，用于将人员的行为进行识别得到行为特征；
将所述行为对应的所述行为特征分别输入到若干个异常行为种类下的若干个所述行为识别模型，得到所述行为的初步异常行为种类或不属于异常行为种类；
若得到所述行为的初步异常行为种类，则，将所述行为对应的所述行为特征输入所述行为的初步异常行为种类下的若干个所述行为识别模型，得到所述行为的异常行为种类；
预警单元，用于根据所述行为的异常行为种类进行预警。
本发明对异常行为进行分类并识别人员关键点变化以提取行为特征，之后采集并判断异常行为种类用以训练行为识别模型。之后获取并识别人员行为特征并输入模型得到初步异常行为种类或非异常种类。如有初步异常种类，输入相应模型获取异常行为种类并进行预警。通过分析人员行为，实现监控区域内异常行为的主动预警，提升安防效果。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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为本发明所述一种基于主动预警的人员异常行为检测方法的实施步骤示意图；
图2为本发明所述一种安防系的功能模块以及信息流向示意图；
图3为本发明所述行为识别模块及相关模块信息流向的示意图；
图4为本发明所述步骤S4的实施步骤示意图；
图5为本发明所述步骤S45的实施步骤示意图一；
图6为本发明所述步骤S45的实施步骤示意图二；
图7为本发明所述步骤S7的实施步骤示意图；
图8为本发明所述步骤S76的实施步骤示意图；
图9为本发明所述步骤S8的实施步骤示意图；
图10为本发明所述步骤S83的实施步骤示意图。
附图中，各标号所代表的部件列表如下：
1-分类单元，2-特征提取单元，3-模型训练单元，4-图像采集单元，5-行为识别单元，6-预警单元。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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它实施例，都属于本发明保护的范围。
医院由于人员流动量大且人员复杂，需要对院区人员进行监控和主动行为识别，以此实现预警。为了实现此技术目的，本发明提供以下方案。
请参阅图1、2和3所示，本发明提供了一种安防系统，通过一种基于主动预警的人员异常行为检测方法得以运行。本系统基于视频智能分析技术全新的实现方式，它的成功使用，将大大提高对恶性事件的及时防御，过滤无效信息，解放安保力量；能及时发现并处置医院内发生的越来越多的各类突发事件，大幅度降低类似事故的发生。系统设计多种人员异常行为视频智能分析技术，如剧烈运动检测、人员倒地检测、人数异常检测、间距异常检测、人员站立检测、攀高检测、离岗检测、穿越警戒线检测、区域入侵检测、进入区域检测、离开区域检测、徘徊检测、滞留报警、静坐检测等，来对医院门急诊、住院部、纠纷调解室、药品库房、窗口及自助机、值班室、患病房等区域进行视频智能分析，从而对正在发生的人员异常行为进行主动预警提醒，大大减少医院人身及财产损失。
本系统从功能模块上划分可以包括分类单元1、特征提取单元2、模型训练单元3、图像采集单元4、行为识别单元5以及预警单元6。在本系统运行的过程中，首先可以由分类单元1执行步骤S1对异常行为进行分类得到多种异常行为种类。异常行为种类可以包括剧烈运动、人员倒地、间距异常、长时间站立、攀高、长时间徘徊、长时间滞留以及长时间静坐中的一种或多种。
接下来可以由特征提取单元2执行步骤S2根据人员的行为识别得到人员在单位时间内四肢及躯干关键点的变化状态，从而提取得到行为特征。步骤S2在具体实施中可以通过关键点提取、坐标变换、时间序列建模以及特征提取几个步骤实现。具体而言，首先从视频或传感器数据中提取四肢及躯干关键点的位置信息。可以使用计算机视觉或机器学习等技术提取关键点。之后对关键点的位置信息进行坐标变换，将其转换为相对于参考点的位置信息，例如，可以将参考点设置为人的中心点，将四肢和躯干的位置信息转换为相对于中心点的偏移量。之后将单位时间内的关键点位置信息转换为时间序列数据，并建立时间序列模型，可以使用常见的时间序列建模方法，如自回归模型、移动平均模型等。最后从时间序列数据中提取特征，常见的特征包括时间序列的均值、方差、峰度、偏度等统计量，以及频域特征、时域特征等，可以使用机器学习算法或特征工程技术对时间序列数据进行特征提取。
之后可以由模型训练单元3执行步骤S3采集多个异常行为并判断所属的异常行为种类，汇总得到每种异常行为种类对应的多个异常行为。接下来可以执行步骤S4根据每种异常行为种类对应的多个异常行为的行为特征，训练得到每个异常行为种类下的若干个行为识别模型，这些行为识别模型可以卷积神经网络。
接下来可以由图像采集单元4执行步骤S5主动获取人员的行为。从硬件上来说，图像采集单元4从监控的时间考虑，尽量选择低照度或者是红外摄像机，可以满足24小时采集现场的数据；从图像清晰度方面考虑，尽量选择720P以上的高清网络摄像机，可以看清更多细节。
之后可以由行为识别单元5执行步骤S6将人员的行为进行识别得到行为特征。接下来可以执行步骤S7将行为对应的行为特征分别输入到若干个异常行为种类下的若干个行为识别模型，得到行为的初步异常行为种类或不属于异常行为种类。若得到行为的初步异常行为种类，则，接下来可以执行步骤S8将行为对应的行为特征输入行为的初步异常行为种类下的若干个行为识别模型，得到行为的异常行为种类。最后由预警单元6执行步骤S9根据行为的异常行为种类进行预警。
以上方案使用分类异常行为和识别关键点变化的方法来提取特征，并基于这些特征采集异常行为的种类和训练识别模型。获取人员行为特征后，输入模型可以初步识别出是否异常行为。如果检测到异常行为，模型将获取异常行为种类并发出预警。通过对行为的分析，该技术可以实现区域内的主动监控和预警，从而提高安全防范的效果。
为了对上步骤进行具体化描述和展示，以上的执行步骤可以通过以下的代码实现，当然受限于篇幅仅展示部分核心算法代码：
请参阅图4所示，单一的大模型虽然识别精度较高，但是识别速度低，医院中场景复杂且人流量密集，需要行为识别模型能够高效且准确识别，有鉴于此本方案使用知识蒸馏技术将行为识别大模型蒸馏为多个行为识别模型。对应每个异常行为种类而言，为了实现此目的，首先可以执行步骤S41将异常行为种类对应的多个异常行为的行为特征进行随机分组，得到异常行为种类对应的若干个行为特征分组。接下来可以执行步骤S42将每个行为特征分组中的行为特征作为输入层，将对应的异常行为种类作为输出层，训练得到异常行为种类对应的若干个行为识别大模型。接下来可以执行步骤S43对每个行为识别大模型进行蒸馏，得到行为识别大模型等效的若干个行为识别模型。接下来可以执行步骤S44根据每个异常行为种类对应的若干个行为识别大模型以及行为识别大模型等效的若干个行为识别模型，得到每个异常行为种类下的若干个行为识别模型。最后可以执行步骤S45对每个异常行为种类下的若干个行为识别模型的识别运算顺序进行排序，得到每个异常行为种类下按照识别顺序进行排序的若干个行为识别模型。
为了对上步骤进行具体化描述和展示，以上的执行步骤可以通过以下的代码实现，受限于篇幅仅展示部分核心算法代码：
请参阅图5所示，由于每个异常行为种类下知识蒸馏产生的行为识别模型可能数量众多，为了提高行为种类的识别判断效率需要对多个行为识别模型的识别顺序进行排序，对于每个异常行为种类而言，首先可以执行步骤S4511从异常行为种类对应的多个异常行为中随机抽取测试异常行为，并获取测试异常行为的测试异常行为特征。接下来可以执行步骤S4512将测试异常行为特征输入每个行为识别模型，获取每个行为识别模型的输出结果，行为识别模型的输出结果包括测试行为特征属于每个异常行为种类的概率。接下来可以执行步骤S4513获取每个行为识别模型的输出结果中测试行为特征属于每个异常行为种类的概率分布。接下来可以执行步骤S4514将输出结果中测试行为特征属于每个异常行为种类的概率分布的差异不超过设定值的行为识别模型进行合并，并记录合并的数量作为对应行为识别模型的优先级。最后可以执行步骤S4515根据行为识别模型的优先级对行为识别模型进行排序得到每个异常行为种类下的若干个行为识别模型的识别运算顺序。行为识别模型输出结果的重合度高说明其贴近真实值，因此提高对应行为识别模型的识别运算顺序有助于在保持运算识别准确性的前提下提高识别效率。
为了对上步骤进行具体化描述和展示，以上的执行步骤可以通过以下的代码实现，受限于篇幅仅展示部分核心算法代码：
这个示例代码实现了一个简化版的异常行为识别模型的测试、排序和优先级设置。它首先通过对异常行为进行分类，然后对每个异常行为种类的行为识别模型进行测试。
请参阅图6所示，同样是为了提高行为种类的识别判断效率需要对多个行为识别模型的识别顺序进行排序，对于每个异常行为种类而言，还可以首先执行步骤S4521从异常行为种类对应的多个异常行为中随机抽取测试异常行为，并获取测试异常行为的测试异常行为特征。接下来可以执行步骤S4522将测试异常行为特征输入每个行为识别模型，获取每个行为识别模型的输出结果，行为识别模型的输出结果包括测试行为特征属于每个异常行为种类的概率。接下来可以执行步骤S4523获取每个行为识别模型的输出结果中测试行为特征属于每个异常行为种类的概率分布。接下来可以执行步骤S4524计算得到每个行为识别模型的输出结果中测试行为特征属于每个异常行为种类的概率分布的分离度，其中，分离度包括方差或标准差。最后可以执行步骤S4525按照对应分离度的大小对行为识别模型进行排序得到每个异常行为种类下的若干个行为识别模型的识别运算顺序。这是由于分离度较高的输出结果说明更贴近真实值，因此在以上过程中可以兼顾识别准确度和识别效率。
为了对上步骤进行具体化描述和展示，以上的执行步骤可以通过以下的代码实现，受限于篇幅仅展示部分核心算法代码：
这个示例代码实现了一个简化版的异常行为识别模型的测试、计算分离度和排序。它首先通过对异常行为进行分类，然后对每个异常行为种类的行为识别模型进行测试。接着，根据模型输出结果的概率分布计算分离度，最后按照分离度大小对模型进行排序。
请参阅图7所示，由于行为识别模型的数量众多，其输出的结果参差不齐需要进行筛选后分析计算，因此在执行的过程中首先可以执行步骤S71将行为对应的行为特征分别输入到若干个异常行为种类下的若干个行为识别模型得到输出结果，行为识别模型的输出结果包括行为特征属于每个异常行为种类的概率。接下来可以执行步骤S72对于每个行为识别模型，计算得到行为识别模型输出结果中的行为特征属于每个异常行为种类的概率分布的分离度，其中，分离度包括方差或标准差。接下来可以执行步骤S73将分离度低于设定值的行为识别模型的输出结果剔除。最后可以执行步骤S74对剩余的行为识别模型数量进行计数。若剩余的行为识别模型数量为零，说明所有行为识别模型的输出结果都是没有实际判断价值的，因此接下来可以执行步骤S75行为不属于异常行为种类。若剩余的行为识别模型数量不为零，则接下来可以执行步骤S76根据剔除后每个行为识别模型输出结果中的行为特征属于每个异常行为种类的概率分布得到行为的初步异常行为种类。
为了对上步骤进行具体化描述和展示，以上的执行步骤可以通过以下的代码实现，受限于篇幅仅展示部分核心算法代码：
这个示例代码实现了一个简化版的行为特征输入到行为识别模型、计算分离度、剔除低分离度模型并根据剩余模型得到初步异常行为种类的过程。
请参阅图8所示，由于每个行为识别模型的输出结果可能不同，需要对其输出结果进行分析统计，因此首先可以执行步骤S761对于剔除后每个行为识别模型，将输出结果中的行为特征属于每个异常行为种类的概率分布中的概率最大分类作为行为识别模型的预输出异常行为种类。接下来可以执行步骤S762获取每个行为识别模型的预输出异常行为种类。最后可以执行步骤S763统计全部每个行为识别模型的预输出异常行为种类的众数，得到行为的初步异常行为种类。此处使用众数作为判断标准是因为不同的行为识别模型可能具有较大的差异度，不宜将他们的输出结果混同积累计算。
为了对上步骤进行具体化描述和展示，以上的执行步骤可以通过以下的代码实现，受限于篇幅仅展示部分核心算法代码：
这个示例代码实现了一个简化版的过程，包括获取行为识别模型的输出结果、根据概率分布获取预输出异常行为种类、统计预输出异常行为种类的众数，并得到行为的初步异常行为种类。
请参阅图9所示，由于此时行为识别模型的数量可能有多个，为了综合多个行为识别模型的输出结果得到可信的单一值，需要首先执行步骤S81获取初步异常行为种类下的若干个行为识别模型的识别顺序。接下来可以执行步骤S92将行为对应的行为特征分别按照识别顺序输入初步异常行为种类下的若干个行为识别模型，得到每个行为识别模型的识别顺序以及每个行为识别模型输出结果中的行为特征属于每个异常行为种类的概率分布。最后可以执行步骤S83根据每个行为识别模型的识别顺序以及每个行为识别模型输出结果中的行为特征属于每个异常行为种类的概率分布得到行为的异常行为种类。此处使用加权计算的方式是因为此处的行为识别模型具有高度的一致性，可以对其输出结果进行混同计算以排除偶然因素的干扰。
为了对上步骤进行具体化描述和展示，以上的执行步骤可以通过以下的代码实现，受限于篇幅仅展示部分核心算法代码：
这个示例代码扩展了之前的AbnormalBehaviorDetector类，并增加了按识别顺序处理行为识别模型的功能。通过get_ordered_model_output_results方法获取有序的输出结果，然后计算概率分布和预输出异常行为种类，最后得到行为的异常行为种类。
请参阅图10所示，为了计算获取行为识别模型的判断权重，首先可以执行步骤S831根据每个行为识别模型的识别顺序得到每个行为识别模型的判断权重，其中，行为识别模型的判断权重与识别顺序负相关，此处可以使用倒数运算。接下来可以执行步骤S832将每个行为识别模型输出结果中的行为特征属于每个异常行为种类的概率分布按照对应行为识别模型的判断权重进行加权计算，得到行为特征属于每个异常行为种类的加权概率分布。最后可以执行步骤S833将行为特征属于每个异常行为种类的加权概率分布中的概率最大分类作为行为的异常行为种类。以上方案实施过程中，由于识别顺序在先的行为识别模型的输出结果和真实值一致的概率更高，因此将其赋予更高的判断权重有利于最终得到更准确的异常行为种类。
为了对上步骤进行具体化描述和展示，以上的执行步骤可以通过以下的代码实现，受限于篇幅仅展示部分核心算法代码：
这个示例代码扩展了之前的AbnormalBehaviorDetectorWithOrder类，并增加了按识别顺序处理行为识别模型的判断权重功能。通过get_weights方法获取判断权重，然后计算加权概率分布，并最终得到行为的异常行为种类。
综上所述，本发明通过分类异常行为、识别关键点变化以提取特征，进而采集异常行为种类和训练识别模型。获取人员行为特征后，输入模型得出初步异常或非异常种类。如有异常，输入模型获取种类并预警。分析行为实现监控区内主动预警，提高安防效果。
附图中的流程图和框图显示了根据本申请的多个实施例的装置、系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。
也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行相应的功能或动作的硬件，例如电路或ASIC(专用集成电路，Application Specific Integrated Circuit)来实现，或者可以用硬件和软件的组合，如固件等来实现。
尽管在此结合各实施例对本发明进行了描述，然而，在实施所要求保护的本发明过程中，本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书，可理解并实现所述公开实施例的其它变化。在权利要求中，“包括”(comprising)一词不排除其他组成部分或步骤，“一”或“一个”不排除多个的情况。单个处理器或其它单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施，但这并不表示这些措施不能组合起来产生良好的效果。
以上已经描述了本申请的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种基于主动预警的人员异常行为检测方法，其特征在于，包括，
对异常行为进行分类得到多种异常行为种类；
根据人员的行为识别得到人员在单位时间内四肢及躯干关键点的变化状态，提取得到行为特征；
采集多个异常行为并判断所属的异常行为种类，汇总得到每种异常行为种类对应的多个异常行为；
根据每种异常行为种类对应的多个异常行为的行为特征，训练得到每个异常行为种类下的若干个行为识别模型；
主动获取人员的行为；
将人员的行为进行识别得到行为特征；
将所述行为对应的所述行为特征分别输入到若干个异常行为种类下的若干个所述行为识别模型，得到所述行为的初步异常行为种类或不属于异常行为种类；
若得到所述行为的初步异常行为种类，则，将所述行为对应的所述行为特征输入所述行为的初步异常行为种类下的若干个所述行为识别模型，得到所述行为的异常行为种类；
根据所述行为的异常行为种类进行预警。
2.根据权利要求1所述的方法，其特征在于，所述异常行为种类包括，
剧烈运动、人员倒地、间距异常、长时间站立、攀高、长时间徘徊、长时间滞留和/或长时间静坐。
3.根据权利要求1所述的方法，其特征在于，所述根据每种异常行为种类对应的多个异常行为的行为特征，训练得到每个异常行为种类下的若干个行为识别模型的步骤，包括，
对应每个所述异常行为种类，
将所述异常行为种类对应的多个异常行为的行为特征进行随机分组，得到所述异常行为种类对应的若干个行为特征分组，
将每个所述行为特征分组中的所述行为特征作为输入层，将对应的异常行为种类作为输出层，训练得到所述异常行为种类对应的若干个行为识别大模型，
对每个所述行为识别大模型进行蒸馏，得到所述行为识别大模型等效的若干个行为识别模型；
根据每个所述异常行为种类对应的若干个行为识别大模型以及所述行为识别大模型等效的若干个行为识别模型，得到每个异常行为种类下的若干个行为识别模型；
对每个异常行为种类下的若干个行为识别模型的识别运算顺序进行排序，得到每个异常行为种类下按照识别顺序进行排序的若干个行为识别模型。
4.根据权利要求3所述的方法，其特征在于，所述对每个异常行为种类下的若干个行为识别模型的识别运算顺序进行排序，得到每个异常行为种类下按照识别顺序进行排序的若干个行为识别模型的步骤，包括，
对于每个所述异常行为种类，
从所述异常行为种类对应的多个异常行为中随机抽取测试异常行为，并获取所述测试异常行为的测试异常行为特征，
将所述测试异常行为特征输入每个所述行为识别模型，获取每个所述行为识别模型的输出结果，所述行为识别模型的输出结果包括所述测试行为特征属于每个所述异常行为种类的概率，
获取每个所述行为识别模型的输出结果中所述测试行为特征属于每个所述异常行为种类的概率分布，
将输出结果中所述测试行为特征属于每个所述异常行为种类的概率分布的差异不超过设定值的所述行为识别模型进行合并，并记录合并的数量作为对应所述行为识别模型的优先级，
根据所述行为识别模型的优先级对所述行为识别模型进行排序得到每个所述异常行为种类下的若干个所述行为识别模型的识别运算顺序。
5.根据权利要求3所述的方法，其特征在于，所述对每个异常行为种类下的若干个行为识别模型的识别运算顺序进行排序，得到每个异常行为种类下按照识别顺序进行排序的若干个行为识别模型的步骤，包括，
对于每个所述异常行为种类，
从所述异常行为种类对应的多个异常行为中随机抽取测试异常行为，并获取所述测试异常行为的测试异常行为特征，
将所述测试异常行为特征输入每个所述行为识别模型，获取每个所述行为识别模型的输出结果，其中，所述行为识别模型的输出结果包括所述测试行为特征属于每个所述异常行为种类的概率，
获取每个所述行为识别模型的输出结果中所述测试行为特征属于每个所述异常行为种类的概率分布，
计算得到每个所述行为识别模型的输出结果中所述测试行为特征属于每个所述异常行为种类的概率分布的分离度，其中，分离度包括方差或标准差，
按照对应所述分离度的大小对所述行为识别模型进行排序得到每个所述异常行为种类下的若干个所述行为识别模型的识别运算顺序。
6.根据权利要求1所述的方法，其特征在于，所述将所述行为对应的所述行为特征分别输入到若干个异常行为种类下的若干个所述行为识别模型，得到所述行为的初步异常行为种类或不属于异常行为种类的步骤，包括，
将所述行为对应的所述行为特征分别输入到若干个异常行为种类下的若干个所述行为识别模型得到输出结果，所述行为识别模型的输出结果包括所述行为特征属于每个所述异常行为种类的概率；
对于每个所述行为识别模型，计算得到所述行为识别模型输出结果中的所述行为特征属于每个所述异常行为种类的概率分布的分离度，其中，分离度包括方差或标准差；
将分离度低于设定值的所述行为识别模型的输出结果剔除；
对剩余的所述行为识别模型数量进行计数；
若剩余的所述行为识别模型数量为零，则，所述行为不属于异常行为种类；
若剩余的所述行为识别模型数量不为零，则，根据剔除后每个所述行为识别模型输出结果中的所述行为特征属于每个所述异常行为种类的概率分布得到所述行为的初步异常行为种类。
7.根据权利要求6所述的方法，其特征在于，所述根据剔除后每个所述行为识别模型输出结果中的所述行为特征属于每个所述异常行为种类的概率分布得到所述行为的初步异常行为种类的步骤，包括，
对于剔除后每个所述行为识别模型，将输出结果中的所述行为特征属于每个所述异常行为种类的概率分布中的概率最大分类作为所述行为识别模型的预输出异常行为种类；
获取每个所述行为识别模型的预输出异常行为种类；
统计全部每个所述行为识别模型的预输出异常行为种类的众数，得到所述行为的初步异常行为种类。
8.根据权利要求1所述的方法，其特征在于，所述将所述行为对应的所述行为特征输入所述行为的初步异常行为种类下的若干个所述行为识别模型，得到所述行为的异常行为种类的步骤，包括，
获取初步异常行为种类下的若干个所述行为识别模型的识别顺序；
将所述行为对应的所述行为特征分别按照识别顺序输入初步异常行为种类下的若干个所述行为识别模型，得到每个行为识别模型的识别顺序以及每个行为识别模型输出结果中的所述行为特征属于每个所述异常行为种类的概率分布；
根据每个行为识别模型的识别顺序以及每个行为识别模型输出结果中的所述行为特征属于每个所述异常行为种类的概率分布得到所述行为的异常行为种类。
9.根据权利要求1所述的方法，其特征在于，所述根据每个行为识别模型的识别顺序以及每个行为识别模型输出结果中的所述行为特征属于每个所述异常行为种类的概率分布得到所述行为的异常行为种类的步骤，包括，
根据每个所述行为识别模型的识别顺序得到每个行为识别模型的判断权重，其中，所述行为识别模型的判断权重与识别顺序负相关；
将每个所述行为识别模型输出结果中的所述行为特征属于每个所述异常行为种类的概率分布按照对应所述行为识别模型的判断权重进行加权计算，得到所述行为特征属于每个所述异常行为种类的加权概率分布；
将所述行为特征属于每个所述异常行为种类的概率分布中的概率最大分类作为所述行为的异常行为种类。
10.一种安防系统，其特征在于，包括，
分类单元，用于对异常行为进行分类得到多种异常行为种类；
特征提取单元，用于根据人员的行为识别得到人员在单位时间内四肢及躯干关键点的变化状态，提取得到行为特征；
模型训练单元，用于采集多个异常行为并判断所属的异常行为种类，汇总得到每种异常行为种类对应的多个异常行为；
根据每种异常行为种类对应的多个异常行为的行为特征，训练得到每个异常行为种类下的若干个行为识别模型；
图像采集单元，用于主动获取人员的行为；
行为识别单元，用于将人员的行为进行识别得到行为特征；
将所述行为对应的所述行为特征分别输入到若干个异常行为种类下的若干个所述行为识别模型，得到所述行为的初步异常行为种类或不属于异常行为种类；
若得到所述行为的初步异常行为种类，则，将所述行为对应的所述行为特征输入所述行为的初步异常行为种类下的若干个所述行为识别模型，得到所述行为的异常行为种类；
预警单元，用于根据所述行为的异常行为种类进行预警。
CN202310639413.3A 2023-06-01 2023-06-01 一种基于主动预警的人员异常行为检测方法及安防系统 Active CN116863638B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310639413.3A CN116863638B (zh) 2023-06-01 2023-06-01 一种基于主动预警的人员异常行为检测方法及安防系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310639413.3A CN116863638B (zh) 2023-06-01 2023-06-01 一种基于主动预警的人员异常行为检测方法及安防系统

Publications (2)

Publication Number Publication Date
CN116863638A true CN116863638A (zh) 2023-10-10
CN116863638B CN116863638B (zh) 2024-02-23

Family

ID=88227516

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310639413.3A Active CN116863638B (zh) 2023-06-01 2023-06-01 一种基于主动预警的人员异常行为检测方法及安防系统

Country Status (1)

Country Link
CN (1) CN116863638B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017167878A (ja) * 2016-03-17 2017-09-21 国立研究開発法人産業技術総合研究所 行動分析システムおよびプログラム
CN110135319A (zh) * 2019-05-09 2019-08-16 广州大学 一种异常行为检测方法及其系统
CN112132045A (zh) * 2020-09-24 2020-12-25 天津锋物科技有限公司 一种基于计算机视觉的小区人员异常行为监控方案
US20210124914A1 (en) * 2019-10-28 2021-04-29 Jomoo Kitchen & Bath Co., Ltd Training method of network, monitoring method, system, storage medium and computer device
WO2021139235A1 (zh) * 2020-06-30 2021-07-15 平安科技（深圳）有限公司 系统异常检测方法、装置、设备及存储介质
CN114565886A (zh) * 2021-12-16 2022-05-31 高新兴创联科技有限公司 一种应用于铁路行业人员跨越股道危险行为检测方法
CN114882587A (zh) * 2022-04-26 2022-08-09 北京百度网讯科技有限公司 生成对抗样本的方法、装置、电子设备和介质
CN115690653A (zh) * 2022-10-28 2023-02-03 福寿康智慧(上海)医疗养老服务有限公司 基于ai行为识别实现护理员异常护理行为的监测及预警

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017167878A (ja) * 2016-03-17 2017-09-21 国立研究開発法人産業技術総合研究所 行動分析システムおよびプログラム
CN110135319A (zh) * 2019-05-09 2019-08-16 广州大学 一种异常行为检测方法及其系统
US20210124914A1 (en) * 2019-10-28 2021-04-29 Jomoo Kitchen & Bath Co., Ltd Training method of network, monitoring method, system, storage medium and computer device
WO2021139235A1 (zh) * 2020-06-30 2021-07-15 平安科技（深圳）有限公司 系统异常检测方法、装置、设备及存储介质
CN112132045A (zh) * 2020-09-24 2020-12-25 天津锋物科技有限公司 一种基于计算机视觉的小区人员异常行为监控方案
CN114565886A (zh) * 2021-12-16 2022-05-31 高新兴创联科技有限公司 一种应用于铁路行业人员跨越股道危险行为检测方法
CN114882587A (zh) * 2022-04-26 2022-08-09 北京百度网讯科技有限公司 生成对抗样本的方法、装置、电子设备和介质
CN115690653A (zh) * 2022-10-28 2023-02-03 福寿康智慧(上海)医疗养老服务有限公司 基于ai行为识别实现护理员异常护理行为的监测及预警

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张军;刘志镜;: "基于模糊理论的行人异常动作检测", 模式识别与人工智能, no. 03, pages 421 - 427 *

Also Published As

Publication number Publication date
CN116863638B (zh) 2024-02-23

Similar Documents

Publication Publication Date Title
CN110321780B (zh) 基于时空运动特性的异常摔倒行为检测方法
CN111209848B (zh) 一种基于深度学习的实时跌倒检测方法
CN110598535B (zh) 一种监控视频数据中使用的人脸识别分析方法
CN105787472B (zh) 一种基于时空拉普拉斯特征映射学习的异常行为检测方法
CN209543514U (zh) 基于人脸识别的监控与报警系统
CN112489368A (zh) 智能跌倒识别与检测报警方法及系统
CN111325133B (zh) 一种基于人工智能识别的影像处理系统
CN111062303A (zh) 图像处理方法、系统及计算机存储介质
CN114469076B (zh) 一种融合身份特征的独居老人跌倒识别方法及系统
CN114241375B (zh) 一种用于运动过程中的监测方法
CN113297926B (zh) 行为检测识别方法及系统
CN107330414A (zh) 暴力行为监控方法
CN108846269A (zh) 一种面向多种特征的身份认证方法和身份认证装置
CN115273150A (zh) 基于人体姿态估计的安全帽佩戴的新型识别方法及系统
Wang et al. Vision-based highway traffic accident detection
CN116863638B (zh) 一种基于主动预警的人员异常行为检测方法及安防系统
CN107920224A (zh) 一种异常告警方法、设备及视频监控系统
Lamba et al. Information Retrieval from Emotions and Eye Blinks with help of Sensor Nodes.
CN113221720A (zh) 一种基于机器人的社区安全防控方法及系统
CN116959108A (zh) 一种步态识别方法及其在电子围栏的应用
CN116630853A (zh) 一种重点交通枢纽的实时视频人员寻踪方法及系统
CN113762115B (zh) 一种基于关键点检测的配网作业人员行为检测方法
CN115410113A (zh) 基于计算机视觉的跌倒检测方法、装置及存储介质
Bharathi et al. An automatic real-time face mask detection using CNN
Nandhis et al. Realtime face mask detection using machine learning

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
GR01 Patent grant
GR01 Patent grant