CN117037073A - 基于人工智能可视化的对象定位方法及可视化监控系统 - Google Patents

基于人工智能可视化的对象定位方法及可视化监控系统 Download PDF

Info

Publication number
CN117037073A
CN117037073A CN202311168909.3A CN202311168909A CN117037073A CN 117037073 A CN117037073 A CN 117037073A CN 202311168909 A CN202311168909 A CN 202311168909A CN 117037073 A CN117037073 A CN 117037073A
Authority
CN
China
Prior art keywords
abnormal behavior
training
behavior
abnormal
sample
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
CN202311168909.3A
Other languages
English (en)
Other versions
CN117037073B (zh
Inventor
冯文雅
胡新平
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.)
Hubei Eleno Technology Co ltd
Original Assignee
Tianjin Junmeng Technology Co ltd
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 Tianjin Junmeng Technology Co ltd filed Critical Tianjin Junmeng Technology Co ltd
Priority to CN202311168909.3A priority Critical patent/CN117037073B/zh
Publication of CN117037073A publication Critical patent/CN117037073A/zh
Application granted granted Critical
Publication of CN117037073B publication Critical patent/CN117037073B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例提供一种基于人工智能可视化的对象定位方法及可视化监控系统，通过将作业轨迹交互向量序列加载到对象行为预警决策网络，生成目标对象采集图像序列对应的对象异常行为预测数据，将对象异常行为预测数据和作业轨迹交互向量序列加载到对象异常行为迭代预测网络，该对象异常行为迭代预测网络中可包括预先训练的对象异常行为迭代权重值，该对象异常行为迭代权重值可以表征对象异常行为之间的迭代变化，可以精确生成与目标对象采集图像序列对应的对象异常行为分布图，通过结合对象行为预警决策网络与对象异常行为迭代预测网络，由此结合了对象异常行为的预测权重值以及对象异常行为之间的迭代变化权重值，极大提高异常行为预测的准确度。

Description

基于人工智能可视化的对象定位方法及可视化监控系统
技术领域
本申请实施例涉及人工智能技术领域，具体而言，涉及一种基于人工智能可视化的对象定位方法及可视化监控系统。
背景技术
当前，针对各种工厂现场作业的安全监控操作正逐步向远程化、智能化、可视化转变。基于人工智能可视化的智能监控方案已经慢慢应用到工厂现场作业中，利用人工智能可视化技术，针对现场作业场景进行对象异常行为的预警，以降低安全事故的发生率。然而，相关技术中进行对象异常行为预警和定位过程中，没有考虑到对象异常行为之间的迭代变化，导致异常行为预测的准确度不够，进而影响对象定位的可靠性。
发明内容
为了至少克服现有技术中的上述不足，本申请实施例的目的在于提供一种基于人工智能可视化的对象定位方法及可视化监控系统。
依据本申请实施例的一个方面，提供了一种基于人工智能可视化的对象定位方法，包括：
获取目标对象采集图像序列；
对所述目标对象采集图像序列进行对象作业区域图像分割获得对象作业区域图像，对各个对象作业区域图像进行图像特征提取获得对应的作业轨迹交互向量，以输出作业轨迹交互向量序列；
将作业轨迹交互向量序列加载到训练完成的对象行为预警决策网络，生成所述目标对象采集图像序列对应的对象异常行为预测数据，所述对象异常行为预测数据包括各种对象异常行为的预测权重值；
将所述对象异常行为预测数据和作业轨迹交互向量序列加载到训练完成的对象异常行为迭代预测网络生成对应的对象异常行为分布图，所述训练完成的对象异常行为迭代预测网络包括预先进行迭代变化知识学习的对象异常行为迭代权重值；
基于所述对象异常行为分布图确定所述目标对象采集图像序列对应的目标对象异常行为，并基于所述目标对象异常行为对对应的作业对象进行定位。
在第一方面的一种可能的实施方式中，所述将所述对象异常行为预测数据和作业轨迹交互向量序列加载到训练完成的对象异常行为迭代预测网络生成对应的对象异常行为分布图，所述训练完成的对象异常行为迭代预测网络包括预先进行迭代变化知识学习的对象异常行为迭代权重值，具体包括：
将所述作业轨迹交互向量序列作为所述对象异常行为迭代预测网络的预测判别特征；
获取预设权重值阵列，基于所述预设权重值阵列、对象异常行为预测数据和所述对象异常行为迭代权重值确定与所述预测判别特征对应的对象异常行为分布图。
在第一方面的一种可能的实施方式中，所述获取预设权重值阵列，基于所述预设权重值阵列、对象异常行为预测数据和所述对象异常行为迭代权重值确定与所述预测判别特征对应的对象异常行为分布图，具体包括：
获取所述预测判别特征对应的参考对象异常行为轨迹构成对象异常行为轨迹序列；
基于所述预设权重值阵列、对象异常行为预测数据和所述对象异常行为迭代权重值计算所述对象异常行为轨迹序列中各个参考对象异常行为轨迹对应的对象异常行为轨迹权重值；
将所述最大权重值所对应的对象异常行为轨迹作为预测判别特征对应的对象异常行为分布图。
在第一方面的一种可能的实施方式中，所述对象异常行为的预测权重值包括体态异常行为的预测权重值；
所述基于所述对象异常行为分布图确定与所述目标对象采集图像序列对应的对象异常行为，具体包括：
基于所述对象异常行为分布图中包含的体态异常行为解析出体态异常定位图像，基于所述体态异常定位图像将所述目标对象采集图像序列进行分段得到体态异常追踪图像流；
基于各个体态异常追踪图像流对应的对象异常行为分布图确定各个体态异常追踪图像流对应的对象异常行为。
在第一方面的一种可能的实施方式中，在将作业轨迹交互向量序列加载到训练完成的对象行为预警决策网络，生成所述目标对象采集图像序列对应的对象异常行为预测数据的步骤之前还包括：
获取样本对象采集图像序列，对所述样本对象采集图像序列进行对象作业区域图像分割获得样本对象作业区域图像流，提取各个样本对象作业区域图像流对应的作业轨迹交互向量形成样本作业轨迹交互向量序列；
获取所述样本对象作业区域图像流对应的对象异常行为标签数据，所述对象异常行为标签数据包括体态异常行为标签数据和/或违规操作行为标签数据；
将所述样本作业轨迹交互向量序列作为初始对象行为预警决策网络的输入，将对应的对象异常行为标签数据作为对象行为预警知识学习的方向进行知识学习，生成所述训练完成的对象行为预警决策网络。
在第一方面的一种可能的实施方式中，所述对所述目标对象采集图像序列进行对象作业区域图像分割获得对象作业区域图像，对各个对象作业区域图像进行图像特征提取获得对应的作业轨迹交互向量，以输出作业轨迹交互向量序列，具体包括：
对所述目标对象采集图像序列进行对象作业区域图像分割到的对象作业区域图像；
获取当前对象作业区域图像，获取与当前对象作业区域图像对应的联动对象作业区域图像；
提取当前对象作业区域图像对应的当前作业轨迹交互向量，提取所述联动对象作业区域图像对应的联动作业轨迹交互向量；
基于所述当前作业轨迹交互向量和所述联动作业轨迹交互向量生成与当前对象作业区域图像对应的目标轨迹交互向量；
基于各个对象作业区域图像对应的目标轨迹交互向量形成与所述目标对象采集图像序列对应的作业轨迹交互向量序列。
在第一方面的一种可能的实施方式中，提取各个样本对象作业区域图像流对应的作业轨迹交互向量形成样本作业轨迹交互向量序列，以及将所述样本作业轨迹交互向量序列作为初始对象行为预警决策网络的输入，将对应的对象异常行为标签数据作为对象行为预警知识学习的方向进行知识学习，生成所述训练完成的对象行为预警决策网络的步骤，包括：
基于初始对象行为预警决策网络确定参考训练对象和前向训练对象，所述参考训练对象为参考样本对象作业区域图像流的训练对象，所述前向训练对象为依据参考样本对象作业区域图像流的各个训练对象的变化信息排列，接近并且位于所述参考训练对象之前的训练对象，或表征所述参考样本对象作业区域图像流触发的前置训练节点，各个所述训练对象携带对应的对象异常行为标签数据；
获取所述参考训练对象对应的各个样本对象作业区域图像流的参考作业位置特征；
基于所述参考作业位置特征和参考训练对象在参考样本对象作业区域图像流的变化信息，获取参考对象作业迁移特征；
将所述参考作业位置特征和所述参考对象作业迁移特征进行融合，生成参考对象作业融合特征；
通过基于期望交叉熵的特征项选择单元对所述参考对象作业融合特征进行特征项选择，生成显著性期望作业特征；
对所述显著性期望作业特征和所述参考对象作业融合特征进行加权和规则化转换，生成目标融合对象作业特征；
对所述目标融合对象作业特征进行主成分特征分析，生成参考样本作业轨迹交互向量序列；
获取所述前向训练对象的对象异常行为标签数据的触发异常行为估计向量，对所述参考样本作业轨迹交互向量序列和所述触发异常行为估计向量进行融合，生成所述参考训练对象的样本融合异常行为估计向量；
基于所述参考样本作业轨迹交互向量序列对所述参考训练对象的对象异常行为进行估计训练，生成第一样本对象异常行为估计数据，基于所述样本融合异常行为估计向量对所述参考训练对象的对象异常行为进行估计训练，生成第二样本对象异常行为估计数据；
基于所述第一样本对象异常行为估计数据和所述参考训练对象的参考对象异常行为标签特征获取第一特征距离，基于所述第二样本对象异常行为估计数据和所述参考对象异常行为标签特征获取第二特征距离，基于所述第一特征距离和所述第二特征距离获取参考训练对象估计误差值，基于所述参考训练对象估计误差值更新所述初始对象行为预警决策网络的权重信息，直至所述参考训练对象估计误差值小于设定误差值，生成所述训练完成的对象行为预警决策网络。
在第一方面的一种可能的实施方式中，所述获取所述前向训练对象的对象异常行为标签数据的触发异常行为估计向量的步骤包括：
获取所述前向训练对象的对象异常行为标签数据的触发对象异常行为标签特征；
基于所述触发对象异常行为标签特征和所述前向训练对象在所述参考样本对象作业区域图像流的变化信息，获取所述前向训练对象的异常状态节点特征；
将所述触发对象异常行为标签特征和所述异常状态节点特征进行融合，生成触发对象作业区域的异常状态节点融合特征；
通过基于期望交叉熵的特征项选择单元对所述触发对象作业区域的异常状态节点融合特征进行特征项选择，生成显著性异常状态特征；
对所述显著性异常状态特征和所述触发对象作业区域的异常状态节点融合特征进行加权和规则化转换，生成异常状态规则化转换特征；
对所述异常状态规则化转换特征进行主成分特征分析，生成所述触发异常行为估计向量。
在第一方面的一种可能的实施方式中，所述基于所述参考训练对象估计误差值更新所述初始对象行为预警决策网络的权重信息，直至所述参考训练对象估计误差值小于设定误差值，生成所述训练完成的对象行为预警决策网络的步骤之前还包括：
确定所述参考样本对象作业区域图像流中尚未进行异常行为估计训练的训练对象为新的参考训练对象，基于新的所述参考训练对象确定新的前向训练对象，直至已完成所述参考样本对象作业区域图像流的各个训练对象的异常行为估计训练时，基于各个所述训练对象估计误差值获取训练误差值；
所述基于所述参考训练对象估计误差值更新所述初始对象行为预警决策网络的权重信息，直至所述参考训练对象估计误差值小于设定误差值，生成所述训练完成的对象行为预警决策网络的步骤包括：
基于所述训练误差值更新所述初始对象行为预警决策网络的权重信息，直至所述训练误差值低于设定误差值，生成所述训练完成的对象行为预警决策网络；
所述基于各个所述训练对象估计误差值获取训练误差值的步骤之后还包括：
确定尚未进行异常行为估计训练的样本对象作业区域图像流为新的参考样本对象作业区域图像流，直至已完成异常行为估计训练的所述样本对象作业区域图像流的数量达到设定训练样本调取数量，基于各个所述训练误差值获取本轮训练误差值；
所述基于所述训练误差值更新所述初始对象行为预警决策网络的权重信息，直至所述训练误差值低于设定误差值，生成所述训练完成的对象行为预警决策网络的步骤包括：
基于所述本轮训练误差值更新所述初始对象行为预警决策网络的权重信息，直至所述本轮训练误差值小于设定误差值，生成所述训练完成的对象行为预警决策网络。
依据本申请实施例的一个方面，提供了一种基于人工智能可视化的对象定位系统，所述基于人工智能可视化的对象定位系统包括处理器和机器可读存储介质，所述机器可读存储介质中存储有机器可执行指令，所述机器可执行指令由所述处理器加载并执行以实现前述任意一种可能的实施方式中的基于人工智能可视化的对象定位方法。
依据本申请实施例的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述方面的各种可选实现方式中提供的方法。
在本申请的一些实施例所提供的技术方案中，首先将作业轨迹交互向量序列加载到训练完成的对象行为预警决策网络，生成目标对象采集图像序列对应的对象异常行为预测数据，由于对象异常行为之间的迭代变化通常存在限制，为了提高目标对象采集图像序列对应的对象异常行为的检测准确性，将对象异常行为预测数据和作业轨迹交互向量序列加载到训练完成的对象异常行为迭代预测网络，该对象异常行为迭代预测网络中可包括预先训练的对象异常行为迭代权重值，该对象异常行为迭代权重值可以表征对象异常行为之间的迭代变化，通过将对象异常行为预测数据和对象异常行为迭代权重值可以精确生成与目标对象采集图像序列对应的对象异常行为分布图，由此获得预测精度更高的对象异常行为。通过结合对象行为预警决策网络与对象异常行为迭代预测网络，由此结合了对象异常行为的预测权重值以及对象异常行为之间的迭代变化权重值，极大提高异常行为预测的准确度，以便于提高对象定位的可靠性。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要启用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术对象来讲，在不付出创造性劳动的基础上，还可以结合这些附图提取其它相关的附图。
图1为本申请实施例提供的基于人工智能可视化的对象定位方法的流程示意图之；
图2为本申请实施例提供的用于实现上述的基于人工智能可视化的对象定位方法的基于人工智能可视化的对象定位系统的结构示意框图。
具体实施方式
以下描述是为了使本领域的普通技术对象能够实施和结合本申请，并且该描述是在特定的应用场景及其要求的环境下提供的。对于本领域的普通技术对象来讲，显然可以对所公开的实施例作出各种改变，并且在不偏离本申请的原则和范围时，本申请中所定义的普遍原则可以适用于其它实施例和应用场景。因此，本申请并不限于所描述的实施例，而应该被给予与权利要求一致的最广泛的范围。
图1是本申请一种实施例提供的基于人工智能可视化的对象定位方法的流程示意图，下面对该基于人工智能可视化的对象定位方法进行详细介绍。
步骤S102，获取目标对象采集图像序列。
其中，目标对象采集图像序列是指通过在现场作业环境中通过视频监控采集获得的各个现场作业对象在作业过程中的图像数据流。一种可替代的实施方式中，目标对象采集图像序列可以是实时传输并用于后续分析处理的，或者也可以预先将目标对象采集图像序列进行存储，然后在需要进行后续分析处理时直接调取目标对象采集图像序列。
步骤S104，对目标对象采集图像序列进行对象作业区域图像分割获得对象作业区域图像，对各个对象作业区域图像进行图像特征提取获得对应的作业轨迹交互向量，以输出作业轨迹交互向量序列。
其中，对象作业区域图像分割是指将连续的目标对象采集图像序列进行对象作业区域的分割处理，由此获得目标对象采集图像序列进行分割生成的连续或者不连续的对象作业区域图像。作业轨迹交互向量可以表征对象作业过程中的行为轨迹特征，包括但不限于各个肢体与作业环境元素之间的轨迹交互特征和/或整个对象身体与作业环境元素之间的轨迹特征，通过提取作业轨迹交互向量便于后续基于作业轨迹交互向量进行相应的异常行为预测。
作业轨迹交互向量序列是由各个对象作业区域图像对应的作业轨迹交互向量组合形成的。其中，每个对象作业区域图像对应的作业轨迹交互向量以多维特征向量进行表达。示例性地，每个对象作业区域图像所对应的作业轨迹交互向量包括K个向量字段，那么每个对象作业区域图像对应的作业轨迹交互向量就是一个K维的特征向量。示例性地，提取到每个对象作业区域图像对应的作业轨迹交互向量后，基于对象作业区域图像的时序信息将各个对象作业区域图像对应的作业轨迹交互向量组合形成作业轨迹交互向量序列。假设目标对象采集图像序列中一共包括A个对象作业区域图像，而每个作业轨迹交互向量为一个K维的特征向量，由此获得的作业轨迹交互向量序列可以表示为A*K矩阵。
步骤S106，将作业轨迹交互向量序列加载到训练完成的对象行为预警决策网络，生成目标对象采集图像序列对应的对象异常行为预测数据。
其中，对象行为预警决策网络用于输出与作业轨迹交互向量对应的对象异常行为的预测权重值。对象异常行为的预测权重值是指作业轨迹交互向量对应的各个对象异常行为的权重值分布。例如对象异常行为可以是体态异常行为、违规操作行为，例如体态异常行为可以包括运动异常行为，也即对象的运动轨迹或速度与正常行为不符。例如，一个人在特定区域内突然加速或停顿。还可以包括姿态异常行为，也即对象的姿势或身体姿态与正常行为不一致。例如，一个人持有不寻常的姿势或出现异常的身体动作。还可以包括消失或出现异常行为，也即对象在预期时间和位置上消失或出现。例如，一个人突然从画面中消失或者出现在不可能的位置。还可以包括区域侵入行为，也即对象进入了被限制或禁止的区域。例如，一个车辆进入了禁止通行的区域或者一个人进入了安全区域。还可以包括物品丢失或放置异常行为，也即物体在某个位置上消失或出现，或者被放置在不正常或不合适的地方。例如，一个包裹突然消失或者被放置在不寻常的位置。还可以包括交互异常行为，也即对象与其他对象或环境之间的交互行为与正常行为不符。例如，一个人在与他人交谈时表现出异常的情绪或反应。还可以包括长时间停留行为，也即对象在某个区域内停留的时间超过正常范围。例如，一个人在某个区域内停留了很长时间而没有明显的原因等。示例性地，作业轨迹交互向量序列是由各个对象作业区域图像对应的作业轨迹交互向量构成的，每个作业轨迹交互向量代表一个特定时间点或作业任务的特征信息，可以涵盖多个方面，如时间、位置、运动速度、姿态、操作类型、对象属性等，可以揭示目标对象的运动轨迹、交互模式和状态变化，帮助理解目标对象在作业过程中的行为和行为模式，相应的对象异常行为预测数据是由各个作业轨迹交互向量对应的对象异常行为的预测权重值构成的，如果存在A个对象作业区域图像，对象异常行为有H个，那么对象异常行为预测数据可以表示为A*H的矩阵。
步骤S108，将对象异常行为预测数据和作业轨迹交互向量序列加载到训练完成的对象异常行为迭代预测网络生成对应的对象异常行为分布图，预先进行迭代变化知识学习的对象异常行为迭代预测网络包括预先进行迭代变化知识学习的对象异常行为迭代权重值。
其中，预先进行迭代变化知识学习的对象异常行为迭代预测网络用于预测与作业轨迹交互向量序列相对应的对象异常行为分布图。对象异常行为迭代权重值可以记录各个对象异常行为之间迭代变化的权重值。由于作业轨迹交互向量序列是由各个作业轨迹交互向量形成的集合，而每个作业轨迹交互向量都对应有相应的对象异常行为的预测权重值，且对象异常行为迭代权重值又记录各个对象异常行为之间迭代变化的权重值，在作业轨迹交互向量序列生成后，对象异常行为迭代预测网络可以获得与该作业轨迹交互向量序列匹配的对象异常行为分布图。对象异常行为分布图中记录与每个作业轨迹交互向量对应的对象异常行为。对象异常行为分布图与作业轨迹交互向量序列存在关联关系。例如，对象异常行为分布图是基于作业轨迹交互向量序列进行预测生成的分布图。该对象异常行为分布图可以表示目标对象采集图像序列的对象异常行为的权重状态。通过使用对象异常行为迭代预测网络中训练得到的对象异常行为迭代权重值可以精准生成与作业轨迹交互向量序列对应的对象异常行为分布图，由此提高针对目标对象采集图像序列的对象异常行为的检测准确性。
步骤S110，基于所述对象异常行为分布图确定所述目标对象采集图像序列对应的目标对象异常行为，并基于所述目标对象异常行为对对应的作业对象进行定位。
其中，对象异常行为分布图反映了目标对象采集图像序列的对象异常行为，所以通过对对象异常行为分布图进行分析可以得到目标对象采集图像序列对应的对象异常行为。例如，可以从对象异常行为分布图提取权重状态值大于预设权重状态值的对象异常行为作为目标对象异常行为，然后确定产生所述目标对象异常行为的作业对象由此实现对作业对象的可视化定位。
基于以上步骤，首先将作业轨迹交互向量序列加载到训练完成的对象行为预警决策网络，生成目标对象采集图像序列对应的对象异常行为预测数据，由于对象异常行为之间的迭代变化通常存在限制，为了提高目标对象采集图像序列对应的对象异常行为的检测准确性，将对象异常行为预测数据和作业轨迹交互向量序列加载到训练完成的对象异常行为迭代预测网络，该对象异常行为迭代预测网络中可包括预先训练的对象异常行为迭代权重值，该对象异常行为迭代权重值可以表征对象异常行为之间的迭代变化，通过将对象异常行为预测数据和对象异常行为迭代权重值可以精确生成与目标对象采集图像序列对应的对象异常行为分布图，由此获得预测精度更高的对象异常行为。通过结合对象行为预警决策网络与对象异常行为迭代预测网络，由此结合了对象异常行为的预测权重值以及对象异常行为之间的迭代变化权重值，极大提高异常行为预测的准确度，以便于提高对象定位的可靠性。
一种可替代的实施方式中，以上实施例中，将对象异常行为预测数据和作业轨迹交互向量序列加载到训练完成的对象异常行为迭代预测网络生成对应的对象异常行为分布图，预先进行迭代变化知识学习的对象异常行为迭代预测网络包括预先进行迭代变化知识学习的对象异常行为迭代权重值的步骤S108包括：
步骤S108A，将作业轨迹交互向量序列作为对象异常行为迭代预测网络的预测判别特征。
其中，对象异常行为迭代预测网络的作用是基于可观测的作业轨迹交互向量序列来预测当前未知的对象异常行为分布图。
步骤S108B，获取预设权重值阵列，基于预设权重值阵列、对象异常行为预测数据和对象异常行为迭代权重值确定与预测判别特征对应的对象异常行为分布图。
其中，预设权重值阵列是指对象异常行为初始的权重值分布。对象异常行为预测数据是指记录作业轨迹交互向量对应的对象异常行为的预测权重值分布。对象异常行为迭代权重值是指记录各个对象异常行为之间迭代变化的权重值。
一种可替代的实施方式中，获取预设权重值阵列，基于预设权重值阵列、对象异常行为预测数据和对象异常行为迭代权重值确定与预测判别特征对应的对象异常行为分布图的步骤S108B包括：
步骤S202，获取预测判别特征对应的参考对象异常行为轨迹构成对象异常行为轨迹序列。
其中，预测判别特征是指作业轨迹交互向量构成的集合，每个作业轨迹交互向量都对应有对象异常行为的预测权重值，对象异常行为的预测权重值中记录作业轨迹交互向量对应的各个对象异常行为的权重值。对象异常行为轨迹是由一个个的对象异常行为组成的。对象异常行为轨迹中的对象异常行为与作业轨迹交互向量序列中的作业轨迹交互向量是一一对应的关系，假设作业轨迹交互向量序列中一共有A个作业轨迹交互向量，那么对象异常行为轨迹中相应的会有A个对象异常行为组成。由于每个作业轨迹交互向量有对应多种对象异常行为的可能，由此可有多种对象异常行为轨迹。若一共有K个对象异常行为，每个作业轨迹交互向量针对每个对象异常行为都有一个权重值，即每个作业轨迹交互向量对应有K种可能的对象异常行为。由此，若有A个作业轨迹交互向量，那么将会有KA个参考对象异常行为轨迹，获取与预测判别特征对应的所有参考对象异常行为轨迹，构成对象异常行为轨迹序列。
步骤S204，基于预设权重值阵列、对象异常行为预测数据和对象异常行为迭代权重值计算对象异常行为轨迹序列中各个参考对象异常行为轨迹对应的对象异常行为轨迹权重值。
其中，在已知预设权重值阵列、对象异常行为预测数据和对象异常行为迭代权重值的情况下，计算参考对象异常行为轨迹集合中各个参考对象异常行为轨迹对应的对象异常行为轨迹权重值，便于后续基于各个参考对象异常行为轨迹对应的对象异常行为的预测权重值确定相应的对象异常行为分布图。
例如，以下是一个示例计算公式，用于计算对象异常行为轨迹序列中各个参考对象异常行为轨迹对应的对象异常行为轨迹权重值：
对于第i个参考对象异常行为轨迹（记作Trajectory_i），其对应的权重值（记作Weight_i）可以通过以下公式计算：
Weight_i = α * Similarity(Trajectory_i, PredictedFeature) + β *IterationWeight_i + γ * PresetWeight_i + δ * PredictionWeight_i
其中：
Similarity(Trajectory_i, PredictedFeature) 表示参考对象异常行为轨迹Trajectory_i 与预测判别特征 PredictedFeature 之间的相似度或相关性。
IterationWeight_i 表示对象异常行为迭代权重值中与第i个参考对象异常行为轨迹相对应的权重值。
PresetWeight_i 表示预设权重值阵列中与第i个参考对象异常行为轨迹相对应的预设权重值。
PredictionWeight_i 表示对象异常行为预测数据中与第i个参考对象异常行为轨迹相对应的预测权重值。
α、β、γ 和 δ 是权衡四个因素的系数，用于控制相似度、迭代权重值、预设权重值和预测权重值在最终权重值中的贡献程度。
通过以上公式，将相似度、迭代权重值、预设权重值和预测权重值综合考虑，可以计算每个参考对象异常行为轨迹的权重值。最后，根据权重值的比较，选择具有最大权重值的对象异常行为轨迹作为预测判别特征对应的对象异常行为分布图。
请注意，具体的权衡系数和计算方法仍需要根据实际情况进行调整和优化。
步骤S206，将最大权重值所对应的对象异常行为轨迹作为预测判别特征对应的对象异常行为分布图。
一种可替代的实施方式中，对象异常行为的预测权重值包括体态异常行为的预测权重值。
基于对象异常行为分布图确定与目标对象采集图像序列对应的对象异常行为的步骤S110包括：
步骤S110A，基于对象异常行为分布图中包含的体态异常行为解析出体态异常定位图像，基于体态异常定位图像将目标对象采集图像序列进行分段得到体态异常追踪图像流。
示例性地，每个对象作业区域图像对应一个作业轨迹交互向量，而每个作业轨迹交互向量对应一个对象异常行为，体态异常行为与体态异常定位图像是对应的。对象异常行为分布图中包含有体态异常行为，基于包含的体态异常行为确定目标对象采集图像序列中的体态异常定位图像，进而基于体态异常定位图像将目标对象采集图像序列进行分割。
步骤S110B，基于各个体态异常追踪图像流对应的对象异常行为分布图确定各个体态异常追踪图像流对应的对象异常行为。
其中，体态异常追踪图像流是指对目标对象采集图像序列中的体态异常行为进行分割后生成的图像子序列。由于对象异常行为分布图中的对象异常行为和作业轨迹交互向量序列中的作业轨迹交互向量存在映射关系，由此在生成体态异常追踪图像流后，则可基于体态异常追踪图像流对应的作业轨迹交互向量序列确定相应的对象异常行为分布图(子对象异常行为分布图)。由此，通过对对象异常行为分布图进行分析可以得到各个体态异常追踪图像流对应的对象异常行为。
一种可替代的实施方式中，在将作业轨迹交互向量序列加载到训练完成的对象行为预警决策网络，生成目标对象采集图像序列对应的对象异常行为预测数据的步骤之前还包括：步骤S101，对对象行为预警决策网络进行训练，具体可包括以下步骤：
步骤S101A，获取样本对象采集图像序列，对样本对象采集图像序列进行对象作业区域图像分割获得样本对象作业区域图像流，提取各个样本对象作业区域图像流对应的作业轨迹交互向量形成样本作业轨迹交互向量序列。
步骤S101B，获取样本对象作业区域图像流对应的对象异常行为标签数据，对象异常行为标签数据包括体态异常行为标签数据。
其中，对象异常行为标签数据是指对已知对象异常行为的样本对象作业区域图像流进行对象异常行为的真实数据标注。示例性地，分别对所有对象作业区域图像进行对象异常行为标签数据，而所有对象作业区域图像都对应有相应的作业轨迹交互向量，也即对作业轨迹交互向量进行了对象异常行为标签数据的标注。
步骤S101C，将样本作业轨迹交互向量序列作为对象行为预警决策网络的输入，将对应的对象异常行为标签数据作为对象行为预警知识学习的方向进行知识学习，生成目标对象行为预警决策网络。
示例性地，将样本作业轨迹交互向量序列作为待训练的对象行为预警决策网络的输入，将样本作业轨迹交互向量序列中每个作业轨迹交互向量对应的对象异常行为标签数据作为与相应作业轨迹交互向量的知识学习依据(即对象行为预警知识学习的方向)进行知识学习，以迭代更新对象行为预警决策网络的网络权重信息以使得预测的对象异常行为与对象异常行为标签数据之间的损失函数值小于设定值，由此生成目标对象行为预警决策网络。
一种可替代的实施方式中，对目标对象采集图像序列进行对象作业区域图像分割获得对象作业区域图像，对各个对象作业区域图像进行图像特征提取获得对应的作业轨迹交互向量，以输出作业轨迹交互向量序列的步骤S104包括：
步骤S104A，对目标对象采集图像序列进行对象作业区域图像分割获得对象作业区域图像。
步骤S104C，提取当前对象作业区域图像对应的当前作业轨迹交互向量，提取联动对象作业区域图像对应的联动作业轨迹交互向量。
其中，分别提取当前对象作业区域图像对应的作业轨迹交互向量，称为“当前作业轨迹交互向量”，提取联动对象作业区域图像对应的作业轨迹交互向量，称为“联动作业轨迹交互向量”。
步骤S104D，基于当前作业轨迹交互向量和联动作业轨迹交互向量生成与当前对象作业区域图像对应的目标轨迹交互向量。
步骤S104E，基于各个对象作业区域图像对应的目标轨迹交互向量形成与目标对象采集图像序列对应的作业轨迹交互向量序列。
其中，每个作业轨迹交互向量对应一个目标轨迹交互向量，将各个对象作业区域图像对应的目标轨迹交互向量基于时序组成作业轨迹交互向量序列。
下面介绍进一步的独立方法实施例，可以包括以下步骤：
步骤S301，获取样本对象采集图像序列，对样本对象采集图像序列进行对象作业区域图像分割获得样本对象作业区域图像流，提取各个样本对象作业区域图像流对应的作业轨迹交互向量形成样本作业轨迹交互向量序列；
步骤S302，获取样本对象作业区域图像流对应的对象异常行为标签数据，对象异常行为标签数据包括体态异常行为标签数据；
步骤S303，将样本作业轨迹交互向量序列作为对象行为预警决策网络的输入，将对应的对象异常行为标签数据作为对象行为预警知识学习的方向进行知识学习，生成目标对象行为预警决策网络。
步骤S304，获取目标对象采集图像序列；
步骤S305，对目标对象采集图像序列进行对象作业区域图像分割获得对象作业区域图像，对各个对象作业区域图像进行图像特征提取获得对应的作业轨迹交互向量，以输出作业轨迹交互向量序列；
步骤S306，将作业轨迹交互向量序列加载到训练完成的对象行为预警决策网络，生成目标对象采集图像序列对应的对象异常行为预测数据；
步骤S307，将作业轨迹交互向量序列作为对象异常行为迭代预测网络的预测判别特征；
步骤S308，获取预测判别特征对应的参考对象异常行为轨迹构成对象异常行为轨迹序列；
步骤S309，基于预设权重值阵列、对象异常行为预测数据和对象异常行为迭代权重值计算对象异常行为轨迹序列中各个参考对象异常行为轨迹对应的对象异常行为轨迹权重值；
步骤S310，将计算得到的最大权重值所对应的对象异常行为轨迹作为预测判别特征对应的对象异常行为分布图。
步骤S311，基于对象异常行为分布图中包含的体态异常行为解析出体态异常定位图像，基于体态异常定位图像将目标对象采集图像序列进行分段得到体态异常追踪图像流。
步骤S312，基于各个体态异常追踪图像流对应的对象异常行为分布图确定各个体态异常追踪图像流对应的对象异常行为。
下面介绍以上提取各个样本对象作业区域图像流对应的作业轨迹交互向量形成样本作业轨迹交互向量序列，以及将所述样本作业轨迹交互向量序列作为初始对象行为预警决策网络的输入，将对应的对象异常行为标签数据作为对象行为预警知识学习的方向进行知识学习，生成所述训练完成的对象行为预警决策网络的具体实施例。
步骤S401，基于初始对象行为预警决策网络确定参考训练对象和前向训练对象，所述参考训练对象为参考样本对象作业区域图像流的训练对象，所述前向训练对象为依据参考样本对象作业区域图像流的各个训练对象的变化信息排列，接近并且位于所述参考训练对象之前的训练对象，或表征所述参考样本对象作业区域图像流触发的前置训练节点，各个所述训练对象携带对应的对象异常行为标签数据；
步骤S402，获取所述参考训练对象对应的各个样本对象作业区域图像流的参考作业位置特征；
步骤S403，基于所述参考作业位置特征和参考训练对象在参考样本对象作业区域图像流的变化信息，获取参考对象作业迁移特征；
步骤S404，将所述参考作业位置特征和所述参考对象作业迁移特征进行融合，生成参考对象作业融合特征；
步骤S405，通过基于期望交叉熵的特征项选择单元对所述参考对象作业融合特征进行特征项选择，生成显著性期望作业特征；
步骤S406，对所述显著性期望作业特征和所述参考对象作业融合特征进行加权和规则化转换，生成目标融合对象作业特征；
步骤S407，对所述目标融合对象作业特征进行主成分特征分析，生成参考样本作业轨迹交互向量序列；
步骤S408，获取所述前向训练对象的对象异常行为标签数据的触发异常行为估计向量，对所述参考样本作业轨迹交互向量序列和所述触发异常行为估计向量进行融合，生成所述参考训练对象的样本融合异常行为估计向量；
步骤S409，基于所述参考样本作业轨迹交互向量序列对所述参考训练对象的对象异常行为进行估计训练，生成第一样本对象异常行为估计数据，基于所述样本融合异常行为估计向量对所述参考训练对象的对象异常行为进行估计训练，生成第二样本对象异常行为估计数据；
步骤S410，基于所述第一样本对象异常行为估计数据和所述参考训练对象的参考对象异常行为标签特征获取第一特征距离，基于所述第二样本对象异常行为估计数据和所述参考对象异常行为标签特征获取第二特征距离，基于所述第一特征距离和所述第二特征距离获取参考训练对象估计误差值，基于所述参考训练对象估计误差值更新所述初始对象行为预警决策网络的权重信息，直至所述参考训练对象估计误差值小于设定误差值，生成所述训练完成的对象行为预警决策网络。
一种可替代的实施方式中，步骤S408可以通过以下步骤实现。
步骤S4081，获取所述前向训练对象的对象异常行为标签数据的触发对象异常行为标签特征；
步骤S4082，基于所述触发对象异常行为标签特征和所述前向训练对象在所述参考样本对象作业区域图像流的变化信息，获取所述前向训练对象的异常状态节点特征；
步骤S4083，将所述触发对象异常行为标签特征和所述异常状态节点特征进行融合，生成触发对象作业区域的异常状态节点融合特征；
步骤S4084，通过基于期望交叉熵的特征项选择单元对所述触发对象作业区域的异常状态节点融合特征进行特征项选择，生成显著性异常状态特征；
步骤S4085，对所述显著性异常状态特征和所述触发对象作业区域的异常状态节点融合特征进行加权和规则化转换，生成异常状态规则化转换特征；
步骤S4086，对所述异常状态规则化转换特征进行主成分特征分析，生成所述触发异常行为估计向量。
一种可替代的实施方式中，步骤S410中，基于所述参考训练对象估计误差值更新所述初始对象行为预警决策网络的权重信息，直至所述参考训练对象估计误差值小于设定误差值，生成所述训练完成的对象行为预警决策网络之前还包括：确定所述参考样本对象作业区域图像流中尚未进行异常行为估计训练的训练对象为新的参考训练对象，基于新的所述参考训练对象确定新的前向训练对象，直至已完成所述参考样本对象作业区域图像流的各个训练对象的异常行为估计训练时，基于各个所述训练对象估计误差值获取训练误差值。
步骤S410具体可以包括：基于所述训练误差值更新所述初始对象行为预警决策网络的权重信息，直至所述训练误差值低于设定误差值，生成所述训练完成的对象行为预警决策网络；
在基于各个所述训练对象估计误差值获取训练误差值之后，本申请实施例还可以进一步确定尚未进行异常行为估计训练的样本对象作业区域图像流为新的参考样本对象作业区域图像流，直至已完成异常行为估计训练的所述样本对象作业区域图像流的数量达到设定训练样本调取数量，基于各个所述训练误差值获取本轮训练误差值。
基于所述训练误差值更新所述初始对象行为预警决策网络的权重信息，直至所述训练误差值低于设定误差值，生成所述训练完成的对象行为预警决策网络的步骤包括：基于所述本轮训练误差值更新所述初始对象行为预警决策网络的权重信息，直至所述本轮训练误差值小于设定误差值，生成所述训练完成的对象行为预警决策网络。
基于以上步骤，在进行初始对象行为预警决策网络训练时，首先确定要进行异常行为估计训练的参考训练对象和为参考训练对象的异常行为估计训练提供更多关联信息的前向训练对象，然后获取参考训练对象的参考样本作业轨迹交互向量序列和前向训练对象的对象异常行为标签数据的触发异常行为估计向量，并基于参考样本作业轨迹交互向量序列和触发异常行为估计向量获取样本融合异常行为估计向量，再分别基于参考样本作业轨迹交互向量序列和样本融合异常行为估计向量获取第一样本对象异常行为估计数据和第二样本对象异常行为估计数据，并基于第一样本对象异常行为估计数据、第二样本对象异常行为估计数据与参考对象异常行为标签特征的特征距离确定参考训练对象估计误差值，并基于参考训练对象估计误差值更新所述初始对象行为预警决策网络的权重信息，生成训练完成的对象行为预警决策网络。由此设计，可提高对象行为预警决策的准确性。
图2示出了本申请实施例提供的用于实现上述的基于人工智能可视化的对象定位方法的基于人工智能可视化的对象定位系统100的硬件结构意图，如图2所示，基于人工智能可视化的对象定位系统100可包括处理器110、机器可读存储介质120、总线130以及通信单元140。
一种可替代的实施例中，基于人工智能可视化的对象定位系统100可以是单个服务器，也可以是服务器组。所述服务器组可以是集中式的，也可以是分布式的(例如，基于人工智能可视化的对象定位系统100可以是分布式的系统)。一种可替代的实施例中，基于人工智能可视化的对象定位系统100可以是本地的，也可以是远程的。例如，基于人工智能可视化的对象定位系统100可以经由网络访问存储于机器可读存储介质120中的信息和/或数据。又例如，基于人工智能可视化的对象定位系统100可以直接连接到机器可读存储介质120以访问存储的信息和/或数据。一种可替代的实施例中，基于人工智能可视化的对象定位系统100可以在云平台上实施。仅作为示例，该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
机器可读存储介质120可以储存数据和/或指令。一种可替代的实施例中，机器可读存储介质120可以存储从外部终端获取的数据。一种可替代的实施例中，机器可读存储介质120可以储存基于人工智能可视化的对象定位系统100用来执行或使用来完成本申请中描述的示例性方法的数据及/或指令。一种可替代的实施例中，机器可读存储介质120可包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。
在具体实现过程中，多个处理器110执行机器可读存储介质120存储的计算机可执行指令，使得处理器110可以执行如上方法实施例的基于人工智能可视化的对象定位方法，处理器110、机器可读存储介质120以及通信单元140通过总线130连接，处理器110可以用于控制通信单元140的收发动作。
处理器110的具体实现过程可参见上述基于人工智能可视化的对象定位系统100执行的各个方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
此外，本申请实施例还提供一种可读存储介质，所述可读存储介质中预设有计算机可执行指令，当处理器执行所述计算机可执行指令时，实现如上基于人工智能可视化的对象定位方法。
同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或以上发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或以上发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。

Claims (10)

1.一种基于人工智能可视化的对象定位方法，其特征在于，所述方法包括：
获取目标对象采集图像序列；
对所述目标对象采集图像序列进行对象作业区域图像分割获得对象作业区域图像，对所述各个对象作业区域图像进行图像特征提取获得对应的作业轨迹交互向量，以输出作业轨迹交互向量序列；
将作业轨迹交互向量序列加载到训练完成的对象行为预警决策网络，生成所述目标对象采集图像序列对应的对象异常行为预测数据，所述对象异常行为预测数据包括各种对象异常行为的预测权重值；
将所述对象异常行为预测数据和作业轨迹交互向量序列加载到训练完成的对象异常行为迭代预测网络生成对应的对象异常行为分布图，所述训练完成的对象异常行为迭代预测网络包括预先进行迭代变化知识学习的对象异常行为迭代权重值；
基于所述对象异常行为分布图确定所述目标对象采集图像序列对应的目标对象异常行为，并基于所述目标对象异常行为对对应的作业对象进行定位。
2.根据权利要求1所述的基于人工智能可视化的对象定位方法，其特征在于，所述将所述对象异常行为预测数据和作业轨迹交互向量序列加载到训练完成的对象异常行为迭代预测网络生成对应的对象异常行为分布图，所述训练完成的对象异常行为迭代预测网络包括预先进行迭代变化知识学习的对象异常行为迭代权重值，具体包括：
将所述作业轨迹交互向量序列作为所述对象异常行为迭代预测网络的预测判别特征；
获取预设权重值阵列，基于所述预设权重值阵列、对象异常行为预测数据和所述对象异常行为迭代权重值确定与所述预测判别特征对应的对象异常行为分布图。
3.根据权利要求2所述的基于人工智能可视化的对象定位方法，其特征在于，所述获取预设权重值阵列，基于所述预设权重值阵列、对象异常行为预测数据和所述对象异常行为迭代权重值确定与所述预测判别特征对应的对象异常行为分布图，具体包括：
获取所述预测判别特征对应的参考对象异常行为轨迹构成对象异常行为轨迹序列；
基于所述预设权重值阵列、对象异常行为预测数据和所述对象异常行为迭代权重值计算所述对象异常行为轨迹序列中各个参考对象异常行为轨迹对应的对象异常行为轨迹权重值；
将最大权重值所对应的对象异常行为轨迹作为预测判别特征对应的对象异常行为分布图。
4.根据权利要求1所述的基于人工智能可视化的对象定位方法，其特征在于，所述对象异常行为的预测权重值包括体态异常行为的预测权重值；
所述基于所述对象异常行为分布图确定与所述目标对象采集图像序列对应的对象异常行为，具体包括：
基于所述对象异常行为分布图中包含的体态异常行为解析出体态异常定位图像，基于所述体态异常定位图像将所述目标对象采集图像序列进行分段得到体态异常追踪图像流；
基于各个体态异常追踪图像流对应的对象异常行为分布图确定各个体态异常追踪图像流对应的对象异常行为。
5.根据权利要求1所述的基于人工智能可视化的对象定位方法，其特征在于，在将作业轨迹交互向量序列加载到训练完成的对象行为预警决策网络，生成所述目标对象采集图像序列对应的对象异常行为预测数据的步骤之前还包括：
获取样本对象采集图像序列，对所述样本对象采集图像序列进行对象作业区域图像分割获得样本对象作业区域图像流，提取各个样本对象作业区域图像流对应的作业轨迹交互向量形成样本作业轨迹交互向量序列；
获取所述样本对象作业区域图像流对应的对象异常行为标签数据，所述对象异常行为标签数据包括体态异常行为标签数据和/或违规操作行为标签数据；
将所述样本作业轨迹交互向量序列作为初始对象行为预警决策网络的输入，将对应的对象异常行为标签数据作为对象行为预警知识学习的方向进行知识学习，生成所述训练完成的对象行为预警决策网络。
6.根据权利要求1所述的基于人工智能可视化的对象定位方法，其特征在于，所述对所述目标对象采集图像序列进行对象作业区域图像分割获得对象作业区域图像，对各个对象作业区域图像进行图像特征提取获得对应的作业轨迹交互向量，以输出作业轨迹交互向量序列，具体包括：
对所述目标对象采集图像序列进行对象作业区域图像分割到的对象作业区域图像；
获取当前对象作业区域图像，获取与当前对象作业区域图像对应的联动对象作业区域图像；
提取当前对象作业区域图像对应的当前作业轨迹交互向量，提取所述联动对象作业区域图像对应的联动作业轨迹交互向量；
基于所述当前作业轨迹交互向量和所述联动作业轨迹交互向量生成与当前对象作业区域图像对应的目标轨迹交互向量；
基于各个对象作业区域图像对应的目标轨迹交互向量形成与所述目标对象采集图像序列对应的作业轨迹交互向量序列。
7.根据权利要求5所述的基于人工智能可视化的对象定位方法，其特征在于，提取各个样本对象作业区域图像流对应的作业轨迹交互向量形成样本作业轨迹交互向量序列，以及将所述样本作业轨迹交互向量序列作为初始对象行为预警决策网络的输入，将对应的对象异常行为标签数据作为对象行为预警知识学习的方向进行知识学习，生成所述训练完成的对象行为预警决策网络的步骤，包括：
基于初始对象行为预警决策网络确定参考训练对象和前向训练对象，所述参考训练对象为参考样本对象作业区域图像流的训练对象，所述前向训练对象为依据参考样本对象作业区域图像流的各个训练对象的变化信息排列，接近并且位于所述参考训练对象之前的训练对象，或表征所述参考样本对象作业区域图像流触发的前置训练节点，各个所述训练对象携带对应的对象异常行为标签数据；
获取所述参考训练对象对应的各个样本对象作业区域图像流的参考作业位置特征；
基于所述参考作业位置特征和参考训练对象在参考样本对象作业区域图像流的变化信息，获取参考对象作业迁移特征；
将所述参考作业位置特征和所述参考对象作业迁移特征进行融合，生成参考对象作业融合特征；
通过基于期望交叉熵的特征项选择单元对所述参考对象作业融合特征进行特征项选择，生成显著性期望作业特征；
对所述显著性期望作业特征和所述参考对象作业融合特征进行加权和规则化转换，生成目标融合对象作业特征；
对所述目标融合对象作业特征进行主成分特征分析，生成参考样本作业轨迹交互向量序列；
获取所述前向训练对象的对象异常行为标签数据的触发异常行为估计向量，对所述参考样本作业轨迹交互向量序列和所述触发异常行为估计向量进行融合，生成所述参考训练对象的样本融合异常行为估计向量；
基于所述参考样本作业轨迹交互向量序列对所述参考训练对象的对象异常行为进行估计训练，生成第一样本对象异常行为估计数据，基于所述样本融合异常行为估计向量对所述参考训练对象的对象异常行为进行估计训练，生成第二样本对象异常行为估计数据；
基于所述第一样本对象异常行为估计数据和所述参考训练对象的参考对象异常行为标签特征获取第一特征距离，基于所述第二样本对象异常行为估计数据和所述参考对象异常行为标签特征获取第二特征距离，基于所述第一特征距离和所述第二特征距离获取参考训练对象估计误差值，基于所述参考训练对象估计误差值更新所述初始对象行为预警决策网络的权重信息，直至所述参考训练对象估计误差值小于设定误差值，生成所述训练完成的对象行为预警决策网络。
8.根据权利要求7所述的基于人工智能可视化的对象定位方法，其特征在于，所述获取所述前向训练对象的对象异常行为标签数据的触发异常行为估计向量的步骤包括：
获取所述前向训练对象的对象异常行为标签数据的触发对象异常行为标签特征；
基于所述触发对象异常行为标签特征和所述前向训练对象在所述参考样本对象作业区域图像流的变化信息，获取所述前向训练对象的异常状态节点特征；
将所述触发对象异常行为标签特征和所述异常状态节点特征进行融合，生成触发对象作业区域的异常状态节点融合特征；
通过基于期望交叉熵的特征项选择单元对所述触发对象作业区域的异常状态节点融合特征进行特征项选择，生成显著性异常状态特征；
对所述显著性异常状态特征和所述触发对象作业区域的异常状态节点融合特征进行加权和规则化转换，生成异常状态规则化转换特征；
对所述异常状态规则化转换特征进行主成分特征分析，生成所述触发异常行为估计向量。
9.根据权利要求7或8所述的基于人工智能可视化的对象定位方法，其特征在于，所述基于所述参考训练对象估计误差值更新所述初始对象行为预警决策网络的权重信息，直至所述参考训练对象估计误差值小于设定误差值，生成所述训练完成的对象行为预警决策网络的步骤之前还包括：
确定所述参考样本对象作业区域图像流中尚未进行异常行为估计训练的训练对象为新的参考训练对象，基于新的所述参考训练对象确定新的前向训练对象，直至已完成所述参考样本对象作业区域图像流的各个训练对象的异常行为估计训练时，基于各个所述训练对象估计误差值获取训练误差值；
所述基于所述参考训练对象估计误差值更新所述初始对象行为预警决策网络的权重信息，直至所述参考训练对象估计误差值小于设定误差值，生成所述训练完成的对象行为预警决策网络的步骤包括：
基于所述训练误差值更新所述初始对象行为预警决策网络的权重信息，直至所述训练误差值低于设定误差值，生成所述训练完成的对象行为预警决策网络；
所述基于各个所述训练对象估计误差值获取训练误差值的步骤之后还包括：
确定尚未进行异常行为估计训练的样本对象作业区域图像流为新的参考样本对象作业区域图像流，直至已完成异常行为估计训练的所述样本对象作业区域图像流的数量达到设定训练样本调取数量，基于各个所述训练误差值获取本轮训练误差值；
所述基于所述训练误差值更新所述初始对象行为预警决策网络的权重信息，直至所述训练误差值低于设定误差值，生成所述训练完成的对象行为预警决策网络的步骤包括：
基于所述本轮训练误差值更新所述初始对象行为预警决策网络的权重信息，直至所述本轮训练误差值小于设定误差值，生成所述训练完成的对象行为预警决策网络。
10.一种基于人工智能可视化的对象定位系统，其特征在于，所述基于人工智能可视化的对象定位系统包括处理器和机器可读存储介质，所述机器可读存储介质中存储有机器可执行指令，所述机器可执行指令由所述处理器加载并执行以实现权利要求1-9中任意一项所述的基于人工智能可视化的对象定位方法。
CN202311168909.3A 2023-09-12 2023-09-12 基于人工智能可视化的对象定位方法及可视化监控系统 Active CN117037073B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311168909.3A CN117037073B (zh) 2023-09-12 2023-09-12 基于人工智能可视化的对象定位方法及可视化监控系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311168909.3A CN117037073B (zh) 2023-09-12 2023-09-12 基于人工智能可视化的对象定位方法及可视化监控系统

Publications (2)

Publication Number Publication Date
CN117037073A true CN117037073A (zh) 2023-11-10
CN117037073B CN117037073B (zh) 2024-05-28

Family

ID=88643227

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311168909.3A Active CN117037073B (zh) 2023-09-12 2023-09-12 基于人工智能可视化的对象定位方法及可视化监控系统

Country Status (1)

Country Link
CN (1) CN117037073B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100207762A1 (en) * 2009-02-19 2010-08-19 Panasonic Corporation System and method for predicting abnormal behavior
CN109215311A (zh) * 2018-11-15 2019-01-15 山东管理学院 基于强化学习的公共事件预警模型的动态参数权重确定方法
CN112285650A (zh) * 2020-10-19 2021-01-29 中南大学 异常tdoa存在下未知波速声发射源定位方法、系统及存储介质
WO2021184630A1 (zh) * 2020-03-19 2021-09-23 平安国际智慧城市科技股份有限公司 基于知识图谱定位排污对象的方法及相关设备
CN113612656A (zh) * 2021-07-26 2021-11-05 招商银行股份有限公司 网络流量检测方法、装置、终端设备及存储介质
CN116152722A (zh) * 2023-04-19 2023-05-23 南京邮电大学 基于残差注意力块和自选择学习结合的视频异常检测方法
CN116719309A (zh) * 2023-08-08 2023-09-08 东莞正大康地饲料有限公司 饲料生产控制系统的异常报警方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100207762A1 (en) * 2009-02-19 2010-08-19 Panasonic Corporation System and method for predicting abnormal behavior
CN109215311A (zh) * 2018-11-15 2019-01-15 山东管理学院 基于强化学习的公共事件预警模型的动态参数权重确定方法
WO2021184630A1 (zh) * 2020-03-19 2021-09-23 平安国际智慧城市科技股份有限公司 基于知识图谱定位排污对象的方法及相关设备
CN112285650A (zh) * 2020-10-19 2021-01-29 中南大学 异常tdoa存在下未知波速声发射源定位方法、系统及存储介质
CN113612656A (zh) * 2021-07-26 2021-11-05 招商银行股份有限公司 网络流量检测方法、装置、终端设备及存储介质
CN116152722A (zh) * 2023-04-19 2023-05-23 南京邮电大学 基于残差注意力块和自选择学习结合的视频异常检测方法
CN116719309A (zh) * 2023-08-08 2023-09-08 东莞正大康地饲料有限公司 饲料生产控制系统的异常报警方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
郭崇;王征;张楠;: "采用Wolf异步迭代分析的电力异常负载预测仿真", 电力与能源, no. 03, 20 June 2016 (2016-06-20), pages 325 - 329 *

Also Published As

Publication number Publication date
CN117037073B (zh) 2024-05-28

Similar Documents

Publication Publication Date Title
US20190042850A1 (en) Method and System for Detecting Actions in Videos using Contour Sequences
KR20180107930A (ko) 딥 러닝을 이용한 인공지능 기반 영상 감시 방법 및 시스템
US7822275B2 (en) Method for detecting water regions in video
CN113012203A (zh) 一种复杂背景下高精度多目标跟踪方法
KR102217253B1 (ko) 행동패턴 분석 장치 및 방법
CN111259779B (zh) 一种基于中心点轨迹预测的视频动作检测方法
US20220398746A1 (en) Learning method and device for visual odometry based on orb feature of image sequence
KR101720781B1 (ko) 객체에 대한 이상 행동 예측 장치 및 이를 이용한 이상 행동 예측 방법
KR102028930B1 (ko) 움직임 정보를 이용한 인공지능 학습기반의 이동객체 영상 분류처리 방법
Kajo et al. Incremental tensor-based completion method for detection of stationary foreground objects
KR20110074107A (ko) 카메라를 이용한 오브젝트 검출 방법
CN116486524A (zh) 基于场景识别的交流充电电子锁控制方法
KR20210129503A (ko) 자기 집중 방식 객체 추적 장치 및 방법
CN110969645A (zh) 面向拥挤场景的无监督异常轨迹检测方法和装置
CN108280408B (zh) 一种基于混合跟踪和广义线性模型的人群异常事件检测方法
CN114170556A (zh) 目标轨迹追踪方法及装置、存储介质、电子设备
CN117037073B (zh) 基于人工智能可视化的对象定位方法及可视化监控系统
Khan et al. Review on moving object detection in video surveillance
Roberts et al. Vision-based construction activity analysis in long video sequences via hidden Markov models: Experiments on earthmoving operations
KR102323671B1 (ko) 동영상내의 이상 물체 탐지 방법 및 그 장치
CN115393755A (zh) 视觉目标跟踪方法、装置、设备以及存储介质
CN113822155A (zh) 一种聚类辅助的弱监督视频异常检测方法和装置
Chebi et al. Strategy of detecting abnormal behaviors by fuzzy logic
WO2020139071A1 (en) System and method for detecting aggressive behaviour activity
Hashim et al. Weapon detection using ML for PPA

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20240227

Address after: No. 57 Heiniucheng Road, Youyi Road Street, Hexi District, Tianjin, 300202

Applicant after: Feng Wenya

Country or region after: China

Address before: Room 301K05-06, Times Digital Plaza, Nankai District, Tianjin, 300192

Applicant before: Tianjin Junmeng Technology Co.,Ltd.

Country or region before: China

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20240419

Address after: 443000 Building 8, pilot plant, No.13, Lantai Road, high tech Zone, Yichang City, Hubei Province

Applicant after: HUBEI ELENO TECHNOLOGY CO.,LTD.

Country or region after: China

Address before: No. 57 Heiniucheng Road, Youyi Road Street, Hexi District, Tianjin, 300202

Applicant before: Feng Wenya

Country or region before: China

GR01 Patent grant
GR01 Patent grant