CN118262410A - 一种危险人体行为识别分析预警监控系统及方法 - Google Patents
一种危险人体行为识别分析预警监控系统及方法 Download PDFInfo
- Publication number
- CN118262410A CN118262410A CN202410414947.0A CN202410414947A CN118262410A CN 118262410 A CN118262410 A CN 118262410A CN 202410414947 A CN202410414947 A CN 202410414947A CN 118262410 A CN118262410 A CN 118262410A
- Authority
- CN
- China
- Prior art keywords
- behavior
- data
- analysis
- module
- sub
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 166
- 238000012544 monitoring process Methods 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000006399 behavior Effects 0.000 claims abstract description 354
- 238000005516 engineering process Methods 0.000 claims abstract description 85
- 230000004044 response Effects 0.000 claims abstract description 56
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 51
- 238000012545 processing Methods 0.000 claims abstract description 36
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 238000012502 risk assessment Methods 0.000 claims description 33
- 230000005856 abnormality Effects 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 30
- 230000004927 fusion Effects 0.000 claims description 26
- 238000007405 data analysis Methods 0.000 claims description 24
- 230000007613 environmental effect Effects 0.000 claims description 23
- 230000006978 adaptation Effects 0.000 claims description 22
- 230000002159 abnormal effect Effects 0.000 claims description 20
- 230000008859 change Effects 0.000 claims description 16
- 230000033001 locomotion Effects 0.000 claims description 16
- 238000012706 support-vector machine Methods 0.000 claims description 16
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 14
- 238000003909 pattern recognition Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 13
- 230000010354 integration Effects 0.000 claims description 11
- 230000009471 action Effects 0.000 claims description 10
- 230000006835 compression Effects 0.000 claims description 10
- 238000007906 compression Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 8
- 238000003066 decision tree Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000010191 image analysis Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000004141 dimensional analysis Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000010295 mobile communication Methods 0.000 claims description 5
- 238000002922 simulated annealing Methods 0.000 claims description 5
- 230000001360 synchronised effect Effects 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000012300 Sequence Analysis Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 230000002787 reinforcement Effects 0.000 claims description 4
- 230000005236 sound signal Effects 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 230000002902 bimodal effect Effects 0.000 claims description 3
- 238000011038 discontinuous diafiltration by volume reduction Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 230000015654 memory Effects 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 4
- 230000003542 behavioural effect Effects 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 239000002131 composite material Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Abstract
本发明涉及计算机视觉技术领域,具体为一种危险人体行为识别分析预警监控系统及方法,系统包括数据采集模块、多维度分析模块、行为模式学习模块、异常行为预测模块、跨摄像头追踪模块、干扰适应模块、实时响应模块。本发明中,通过采用实时视频流处理算法,提供高质量监控画面,增强监控效果,生成对抗网络自学习优化行为模式识别,提高对新型复杂模式的识别能力,支持向量机和隐马尔可夫模型提高预测准确率,发现潜在危险行为,跨摄像头追踪技术增强动态目标追踪,提高监控范围和效率,干扰学习策略优化模型适应性和稳定性,实时决策算法保证紧急响应能力,综合应用提升监控系统性能,适应各种环境,确保安全和效率。
Description
技术领域
本发明涉及计算机视觉技术领域,尤其涉及一种危险人体行为识别分析预警监控系统及方法。
背景技术
计算机视觉是一门涉及使计算机和系统通过摄像头、视频和图像处理技术“看到”并理解世界的科学。这个领域结合了图像处理、机器学习、模式识别和人工智能等多个子领域。计算机视觉技术使得机器能够识别和处理图像或视频中的对象、场景和活动,从而在诸如自动驾驶车辆、机器人导航、医学图像分析以及安全监控等多种应用中扮演重要角色。
其中,危险人体行为识别分析预警监控系统是一个利用计算机视觉技术来识别和分析监控视频中的潜在危险行为,并进行预警的系统。其主要目的是提高学校等公共场所的安全性。通过对监控画面的实时分析,该系统能够预判如打斗、紧急逃逸行为等潜在危险动作,及时警告管理人员。这样不仅有助于防止事故的发生,还能在紧急情况下迅速采取措施,保护师生安全。该系统通常通过在学校等场所安装的摄像头收集视频数据,然后使用深度学习、图像识别算法来分析这些数据。这些算法被训练以识别特定的危险行为模式,并在检测到这些行为时立即发出警报。系统能够提供关键时刻的视频证据,帮助管理人员快速做出响应。随着技术的发展,这些系统在识别精度和处理速度上不断提高,越来越能够适应复杂和动态的环境,从而更好地保障公共安全。
在危险人体行为识别分析预警监控系统的实际使用过程,传统系统在行为模式识别方面通常较为简单,难以准确识别复杂或新型的行为模式。这些系统在预测潜在危险行为方面能力有限,难以及时发现并预警潜在的风险。在目标追踪方面,传统系统通常缺乏有效的跨摄像头追踪能力,限制了监控范围和动态追踪效果。传统系统在面对环境变化和各类干扰时,往往缺乏必要的适应性和灵活性,影响了系统的稳定性和可靠性。
发明内容
本发明的目的是解决现有技术中存在的缺点,而提出的一种危险人体行为识别分析预警监控系统及方法。
为了实现上述目的,本发明采用了如下技术方案:一种危险人体行为识别分析预警监控系统包括数据采集模块、多维度分析模块、行为模式学习模块、异常行为预测模块、跨摄像头追踪模块、干扰适应模块、实时响应模块;
数据采集模块基于学校监控网络,采用实时视频流处理算法,进行实时监控数据采集,并进行数据预处理,生成原始监控数据;
多维度分析模块基于原始监控数据,采用多模态分析方法,进行图像和音频数据的综合分析,并进行信息融合,生成综合分析数据;
行为模式学习模块基于综合分析数据,采用生成对抗网络,进行行为模式的自学习和优化,并进行模式更新,生成优化后的行为模式;
异常行为预测模块基于优化后的行为模式,采用支持向量机和隐马尔可夫模型,进行潜在危险行为的预测分析,并进行行为预测,生成行为预测报告;
跨摄像头追踪模块基于行为预测报告,采用多目标追踪技术,进行目标个体的行为追踪分析,生成追踪结果数据;
干扰适应模块基于追踪结果数据,采用干扰学习策略,进行模型的环境适应性训练,生成鲁棒性增强数据;
实时响应模块基于鲁棒性增强数据,采用实时决策算法,进行紧急情况的响应分析,并进行预警通知,生成最终响应方案;
原始监控数据包括视频帧、音频样本和环境参数,综合分析数据包括融合的视频图像和音频信号,优化后的行为模式包括改进的行为识别规则和参数,行为预测报告包括预测的危险行为类型和发生概率,追踪结果数据包括个体的移动轨迹和行为时序,鲁棒性增强数据包括经过环境适应调整的模型参数,最终响应方案包括预警级别和紧急措施方案。
作为本发明的进一步方案,数据采集模块包括图像采集子模块、音频采集子模块、数据预处理子模块;
图像采集子模块基于学校监控网络,采用多曝光融合技术和实时视频编码技术,进行视频采集和帧率调整,生成视频数据集;
音频采集子模块基于视频数据集,采用立体声音频捕捉和环境噪声滤波技术,进行环境音频同步采集和预处理,生成音频数据集;
数据预处理子模块基于音频数据集,采用数据对齐和压缩算法,进行视频和音频数据时间对齐和格式统一处理,生成原始监控数据;
数据对齐和压缩算法具体为时间戳同步和数据量缩减技术。
作为本发明的进一步方案,多维度分析模块包括图像分析子模块、音频分析子模块、数据融合子模块;
图像分析子模块基于原始监控数据,采用卷积神经网络技术和运动检测技术,进行图像内容的深度分析,获取图像数据分析结果;
音频分析子模块基于原始监控数据,采用傅里叶变换技术和隐马尔可夫模型技术,进行音频内容的深度分析,获取音频数据分析结果;
数据融合子模块基于图像数据分析结果、音频数据分析结果,采用多模态数据融合技术,进行信息整合和融合,生成综合分析数据。
作为本发明的进一步方案,行为模式学习模块包括数据生成子模块、模式识别子模块、持续学习子模块;
数据生成子模块基于综合分析数据,采用生成对抗网络中的生成器,进行数据创造,生成合成行为数据;
模式识别子模块基于合成行为数据,采用生成对抗网络中的判别器,进行模式验证和区分,生成验证后的行为模式;
持续学习子模块基于验证后的行为模式,采用动态模型更新技术,迭代优化并调整行为识别模型,生成优化后的行为模式;
动态模型更新技术具体为使用在线学习算法持续调整模型参数。
作为本发明的进一步方案,异常行为预测模块包括历史数据分析子模块、预测模型构建子模块、行为预测子模块;
历史数据分析子模块基于优化后的行为模式,采用趋势分析和时间序列分析方法,进行历史行为数据分析,生成历史行为分析结果;
预测模型构建子模块基于历史行为分析结果,采用支持向量机和隐马尔可夫模型,构建行为预测模型;
行为预测子模块基于行为预测模型,采用概率分析和风险评估技术,进行危险行为的预测,生成行为预测报告。
作为本发明的进一步方案,跨摄像头追踪模块包括数据整合子模块、特征匹配子模块、行为模式分析子模块;
数据整合子模块基于行为预测报告,采用数据同步与整合技术,进行多个摄像头数据的协同处理,生成整合监控数据;
特征匹配子模块基于整合监控数据,采用特征提取和匹配算法,识别和匹配多个摄像头中的同一目标,生成匹配特征数据;
行为模式分析子模块基于匹配特征数据,采用行为分析和序列识别技术,进行目标个体行为分析,生成追踪结果数据。
作为本发明的进一步方案,干扰适应模块包括合成数据生成子模块、鲁棒性训练子模块、环境适应性子模块;
合成数据生成子模块基于追踪结果数据,采用模拟环境干扰生成技术,创建模拟干扰数据;
鲁棒性训练子模块基于模拟干扰数据,采用自适应学习和策略梯度方法,生成自适应训练结果;
环境适应性子模块基于自适应训练成果,采用包括数据增强、异常检测和容错机制的鲁棒性增强技术,生成鲁棒性增强数据。
作为本发明的进一步方案,实时响应模块包括风险评估子模块、决策制定子模块、预警通知子模块;
风险评估子模块基于鲁棒性增强数据,采用随机森林或支持向量机进行危险度分析,结合基于贝叶斯网络的风险评估方法,评估紧急情况的严重性,生成风险评估报告;
决策制定子模块基于风险评估报告,采用决策树分析、多准则决策分析或模拟退火算法制定应急响应规划,规划应对措施,生成应急响应计划;
预警通知子模块基于应急响应计划,采用实时数据流处理技术进行信息传递,并结合地理信息系统和移动通信技术,即时传达预警信息和应对指令,生成最终响应方案。
一种危险人体行为识别分析预警监控方法,危险人体行为识别分析预警监控方法基于上述危险人体行为识别分析预警监控系统执行,包括以下步骤:
S1:基于学校监控网络,采用实时视频流处理算法,进行实时监控数据采集,并进行数据预处理,生成原始监控数据;
S2:基于原始监控数据,采用多模态分析方法,进行图像和音频数据的综合分析,并进行信息融合,生成综合分析数据;
S3:基于综合分析数据,采用生成对抗网络,进行行为模式的自学习和优化,并进行模式更新,生成优化后的行为模式;
S4:基于优化后的行为模式,采用支持向量机和隐马尔可夫模型,进行潜在危险行为的预测分析,并进行行为预测,生成行为预测报告;
S5:基于行为预测报告,采用多目标追踪技术,进行目标个体的行为追踪分析,生成追踪结果数据;
S6:基于追踪结果数据,采用干扰学习策略,进行模型的环境适应性训练,生成鲁棒性增强数据;
S7:基于鲁棒性增强数据,采用实时决策算法,进行紧急情况的响应分析,并进行预警通知,生成最终响应方案。
作为本发明的进一步方案,实时视频流压缩技术包括高效编码算法、帧率调整和分辨率优化,双模态融合算法包括视觉-音频同步处理和特征提取,循环神经网络和长短期记忆网络具体为序列数据处理和时间依赖性捕捉,决策树和隐马尔可夫模型涉及概率计算和状态转移分析,多摄像头数据融合和目标跟踪算法包括空间定位和动态匹配,自适应强化学习和异常模式识别具体为环境交互学习和异常行为识别。
与现有技术相比,本发明的优点和积极效果在于:
本发明中,通过采用实时视频流处理算法,此系统实现视频数据采集和处理,提供更高质量的监控画面,从而提升了监控效果。利用生成对抗网络进行行为模式的自学习和优化,极大增强了系统对新型和复杂行为模式的识别能力。支持向量机和隐马尔可夫模型的应用,在提高预测准确率的同时,也使得系统及时发现潜在的危险行为。跨摄像头追踪技术的引入,增强了对动态目标的追踪能力,提高了监控范围和效率。通过干扰学习策略进行的模型优化,使系统在各种环境下均具备良好的适应性和稳定性,而实时决策算法的应用则保证了快速有效的紧急响应能力。
附图说明
图1为本发明的系统流程图;
图2为本发明的数据采集模块流程图;
图3为本发明的多维度分析模块流程图;
图4为本发明的行为模式学习模块流程图;
图5为本发明的异常行为预测模块流程图;
图6为本发明的跨摄像头追踪模块流程图;
图7为本发明的干扰适应模块流程图;
图8为本发明的实时响应模块流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
在本发明的描述中,需要理解的是,术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
实施例一
请参阅图1,本发明提供一种技术方案:一种危险人体行为识别分析预警监控系统包括数据采集模块、多维度分析模块、行为模式学习模块、异常行为预测模块、跨摄像头追踪模块、干扰适应模块、实时响应模块;
数据采集模块基于学校监控网络,采用实时视频流处理算法,进行实时监控数据采集,并进行数据预处理,生成原始监控数据;
多维度分析模块基于原始监控数据,采用多模态分析方法,进行图像和音频数据的综合分析,并进行信息融合,生成综合分析数据;
行为模式学习模块基于综合分析数据,采用生成对抗网络,进行行为模式的自学习和优化,并进行模式更新,生成优化后的行为模式;
异常行为预测模块基于优化后的行为模式,采用支持向量机和隐马尔可夫模型,进行潜在危险行为的预测分析,并进行行为预测,生成行为预测报告;
跨摄像头追踪模块基于行为预测报告,采用多目标追踪技术,进行目标个体的行为追踪分析,生成追踪结果数据;
干扰适应模块基于追踪结果数据,采用干扰学习策略,进行模型的环境适应性训练,生成鲁棒性增强数据;
实时响应模块基于鲁棒性增强数据,采用实时决策算法,进行紧急情况的响应分析,并进行预警通知,生成最终响应方案;
原始监控数据包括视频帧、音频样本和环境参数,综合分析数据包括融合的视频图像和音频信号,优化后的行为模式包括改进的行为识别规则和参数,行为预测报告包括预测的危险行为类型和发生概率,追踪结果数据包括个体的移动轨迹和行为时序,鲁棒性增强数据包括经过环境适应调整的模型参数,最终响应方案包括预警级别和紧急措施方案。
通过实时监控和危险行为的及时识别,系统提高了监控场所的安全性,有助于预防潜在风险,如暴力事件或不法入侵,从而提供了安全管理的主动性和前瞻性。系统的自学习和优化能力意味着不断适应新的行为模式和威胁,减少了误报率,提高了监控的准确性和可信度,确保了系统在不断变化的环境中的可靠性。多维度分析和跨摄像头追踪使系统更全面地理解目标个体的行为,有助于更好地掌握情况,采取适当的应对措施。鲁棒性增强功能确保了系统在各种环境条件下都能高效运行,提高了可用性和稳定性。实时响应和预警通知功能使系统能够在紧急情况下快速采取行动,降低了潜在风险,确保了监控场所的安全。
请参阅图2,数据采集模块包括图像采集子模块、音频采集子模块、数据预处理子模块;
图像采集子模块基于学校监控网络,采用多曝光融合技术和实时视频编码技术,进行视频采集和帧率调整,生成视频数据集;
音频采集子模块基于视频数据集,采用立体声音频捕捉和环境噪声滤波技术,进行环境音频同步采集和预处理,生成音频数据集;
数据预处理子模块基于音频数据集,采用数据对齐和压缩算法,进行视频和音频数据时间对齐和格式统一处理,生成原始监控数据;
数据对齐和压缩算法具体为时间戳同步和数据量缩减技术。
图像采集子模块使用多曝光融合技术和实时视频编码技术,以提高图像质量和减小数据大小。多曝光融合技术有助于处理低光条件下的图像,而实时视频编码技术则能在采集时对数据进行压缩和编码。帧率调整确保采集的数据符合系统需求。
音频采集子模块通过立体声音频捕捉技术在视频数据集的基础上采集环境音频。使用环境噪声滤波技术来提高音频质量,并减少背景噪声的干扰。采集的音频数据也与视频数据同步,以确保完整的多媒体信息。
数据预处理子模块进行数据的时间对齐和格式统一处理。确保视频和音频数据在时间上同步,以便后续分析能够关联多媒体信息。数据格式统一化确保了数据的一致性,使其更容易被分析和处理。在处理阶段,数据会被压缩,以减小数据量,降低存储和传输成本。
请参阅图3,多维度分析模块包括图像分析子模块、音频分析子模块、数据融合子模块;
图像分析子模块基于原始监控数据,采用卷积神经网络技术和运动检测技术,进行图像内容的深度分析,获取图像数据分析结果;
音频分析子模块基于原始监控数据,采用傅里叶变换技术和隐马尔可夫模型技术,进行音频内容的深度分析,获取音频数据分析结果;
数据融合子模块基于图像数据分析结果、音频数据分析结果,采用多模态数据融合技术,进行信息整合和融合,生成综合分析数据。
图像分析子模块应用卷积神经网络技术和运动检测技术进行深度图像内容分析。使用卷积神经网络来提取图像的特征,识别监控图像中的关键对象、事件或活动。运动检测技术用于检测和跟踪图像中的运动物体,通过分析不同帧之间的差异来识别运动。音频分析子模块利用傅里叶变换技术和隐马尔可夫模型技术进行深度音频内容分析。傅里叶变换用于提取音频信号的频谱特征,包括声音的频率、强度等信息。隐马尔可夫模型技术用于识别音频中的语音内容,通过训练模型来检测和识别不同的语音模式,包括对话、声音事件或异常声音。
数据融合子模块将图像数据分析结果和音频数据分析结果进行整合,确保识别的图像对象与识别的音频事件或声音相互关联,从而提供更全面的信息。多模态数据融合技术用于将不同模态的数据进行融合,以确保信息的完整性和一致性。这有助于生成综合分析数据,其中包含了图像和音频之间的互动信息。
请参阅图4,行为模式学习模块包括数据生成子模块、模式识别子模块、持续学习子模块;
数据生成子模块基于综合分析数据,采用生成对抗网络中的生成器,进行数据创造,生成合成行为数据;
模式识别子模块基于合成行为数据,采用生成对抗网络中的判别器,进行模式验证和区分,生成验证后的行为模式;
持续学习子模块基于验证后的行为模式,采用动态模型更新技术,迭代优化并调整行为识别模型,生成优化后的行为模式;
动态模型更新技术具体为使用在线学习算法持续调整模型参数。
数据生成子模块收集和准备原始数据,包括行为数据和相关特征。建立一个生成对抗网络(GAN)的生成器模型,并使用原始数据进行训练。通过训练,生成器逐渐学习如何生成合成行为数据,使其尽可能与真实数据相似。生成的合成数据会被存储以备后续使用。
模式识别子模块的任务是基于生成的合成行为数据进行模式验证和区分。使用生成对抗网络中的判别器来对合成行为数据进行验证,评估生成的合成数据与真实数据之间的相似度和准确性。根据判别器的输出,区分哪些行为模式是有效的,哪些是无效的或不合理的。通过该子模块,生成验证后的行为模式,包括有效的行为示例和对应的特征,以作为后续行为识别的参考。
持续学习子模块采用动态模型更新技术,以确保行为识别模型的适应性和准确性。使用验证后的行为模式作为初始训练数据,启动模型的初始训练。然后,采用动态模型更新技术,例如在线学习算法,对模型参数进行持续调整和优化,以适应新的行为模式和变化。定期评估模型性能,并根据性能指标进行模型更新和迭代,以确保模型与实际行为的一致性和精确性。
请参阅图5,异常行为预测模块包括历史数据分析子模块、预测模型构建子模块、行为预测子模块;
历史数据分析子模块基于优化后的行为模式,采用趋势分析和时间序列分析方法,进行历史行为数据分析,生成历史行为分析结果;
预测模型构建子模块基于历史行为分析结果,采用支持向量机和隐马尔可夫模型,构建行为预测模型;
行为预测子模块基于行为预测模型,采用概率分析和风险评估技术,进行危险行为的预测,生成行为预测报告。
其中,在行为预测子模块中,基于行为预测模型,采用概率分析和风险评估技术,进行危险行为的预测,生成行为预测报告的方法具体包括如下子步骤:
步骤S401,确定预测的危险行为动作以及每个危险行为动作对应的危险行为类型;
步骤S402,基于所述行为预测模型,计算每个目标行为在不同行为条件下的发生概率;
步骤S403,根据每个目标行为在不同行为条件下的发生概率,计算得到每个目标行为在各种行为条件下的整体发生概率,并根据每个目标行为的整体发生概率进行评估以得到当前目标行为的风险评估等级,根据当前目标行为的风险评估等级生成得到目标行为预测子报告;
其中,每个目标行为在各种行为条件下的整体发生概率的计算公式表示为:
其中,Pi表示第i个目标行为在各种行为条件下的整体发生概率,表示第i个目标行为在第j种行为条件下的发生概率,表示第i个目标行为在第j种行为条件对应的校正因子,J表示行为条件的最大数量。
步骤S404,根据每种危险行为类型的多个目标行为的整体发生概率,计算得到危险行为类型的发生概率,并根据危险行为类型的发生概率进行评估以得到危险行为类型的风险评估等级,根据危险行为类型的风险评估等级生成得到危险行为类型预测子报告;
可以理解的,在本步骤中,需要确定当前危险行为类型所包含的目标行为的数量,然后将所包含的每个目标行为在各种行为条件下的整体发生概率进行平均,即得到当前危险行为类型的发生概率。
步骤S405,基于多个所述目标行为预测子报告以及多个所述危险行为类型预测子报告,生成行为预测报告。
可以理解的,由于在行为预测报告中,同时综合了目标行为预测子报告以及危险行为类型预测子报告,因此不仅可以多各种目标行为预测进行精细地了解,还能从危险行为类型归类的角度,对每种危险行为类型预测进行更加全面地了解。
历史数据分析子模块旨在借助已优化的行为模式数据,执行历史行为数据的深入分析,为预测模型的构建提供基础。收集和准备优化后的行为模式数据,这些数据包含了经过模式验证和优化后的行为示例。通过趋势分析和时间序列分析方法,揭示历史行为数据中的潜在趋势、周期性和变化规律,这有助于了解行为模式的演化。利用分析结果生成详细的历史行为分析报告,其中包括行为模式的变化趋势、统计数据和关键发现。这些报告将为后续的预测模型构建提供重要的参考资料。
预测模型构建子模块基于历史行为分析结果,构建可用于行为预测的模型。从历史行为分析结果中选择适当的特征和标签,以创建训练数据集。采用支持向量机(SVM)和隐马尔可夫模型(HMM)等预测算法,构建行为预测模型。这些模型能够将历史行为模式映射到未来行为的预测。对模型进行训练和调优,确保其在预测行为方面的准确性和鲁棒性,以便更好地识别潜在的异常行为。
行为预测子模块基于构建的行为预测模型,执行危险行为的预测和风险评估,并生成相关报告。利用行为预测模型对未来行为数据进行预测,包括潜在的危险行为。通过概率分析方法计算各种行为的发生概率,以识别高风险行为。进行风险评估,将概率分析的结果与其他上下文信息结合,确定危险行为的严重性和紧急性。生成行为预测报告,详细描述危险行为,包括影响和建议的措施,以协助决策制定和应对潜在风险。
请参阅图6,跨摄像头追踪模块包括数据整合子模块、特征匹配子模块、行为模式分析子模块;
数据整合子模块基于行为预测报告,采用数据同步与整合技术,进行多个摄像头数据的协同处理,生成整合监控数据;
特征匹配子模块基于整合监控数据,采用特征提取和匹配算法,识别和匹配多个摄像头中的同一目标,生成匹配特征数据;
行为模式分析子模块基于匹配特征数据,采用行为分析和序列识别技术,进行目标个体行为分析,生成追踪结果数据。
其中,在行为模式分析子模块中,对于所生成的追踪结果数据,为了对追踪结果数据中相关的危险行为的危险行为程度进行评价,可通过以下步骤实现:
步骤S501,获取运动轨迹数据,所述运动轨迹数据包括路径分析数据、速度变化数据、停留时间数据、以及出入行为序列数据;
步骤S502,根据所述路径分析数据,获取异常路径占比,并根据异常路径占比确定得到路径分析项异常指数;
其中,异常路径包括异常的转向、路径中断或轨迹进入高风险区域等。
步骤S503,根据所述速度变化数据,获取速度异常占比,并根据速度异常占比确定得到速度变化项异常指数;
其中,速度异常包括突然加速或突然减速。
步骤S504,根据停留时间数据,获取停留时间异常占比,并根据停留时间占比确定得到停留时间项异常指数;
其中,停留时间异常表示在禁止区域长时间停留。
步骤S505,根据出入行为序列数据,获取出入行为异常占比,并根据出入行为异常占比确定得到出入行为异常指数;
其中,出入行为异常包括异常徘徊或尝试闯入。
步骤S506,根据路径分析项异常指数、速度变化项异常指数、停留时间项异常指数以及出入行为异常指数计算得到追踪结果数据的危险行为分数。
其中,追踪结果数据的危险行为分数的计算公式表示为:
其中,W表示追踪结果数据的危险行为分数,W0表示危险行为分数的基准值,w1表示路径分析项异常指数,λ1表示路径分析项权重因子,w2表示速度变化项异常指数,λ2表示速度变化项权重因子,w3表示停留时间项异常指数,λ3表示停留时间项权重因子,w4表示出入行为异常指数,λ3表示出入行为异常项权重因子。
可以理解的,根据追踪结果数据的危险行为分数,可对追踪结果数据的危险行为程度进行一个非常量化清晰地评价。
数据整合子模块基于行为预测报告,采用数据同步与整合技术,协同处理多个摄像头的数据,生成整合监控数据。获取包含危险行为描述和建议措施的行为预测报告。确保不同摄像头的数据在时间和空间上对齐,包括时间戳的校准和坐标系统的匹配。将来自不同摄像头的数据整合成一个一致的数据流,以便后续处理和分析。
特征匹配子模块基于整合监控数据,使用特征提取和匹配算法,辨识和匹配多个摄像头中的同一目标,并生成匹配特征数据。具体操作包括从整合监控数据中提取外观特征和运动轨迹信息,通过比较外观特征相似性和运动轨迹一致性等方式对不同摄像头中的目标进行匹配,最终生成匹配特征数据,其中包括每个目标在不同摄像头中的匹配信息和相关属性。
行为模式分析子模块基于匹配特征数据,采用行为分析和序列识别技术,执行目标个体的行为分析,生成追踪结果数据。这一过程包括运动轨迹的路径分析、速度变化、停留时间等行为特征分析,以及出入、互动等行为序列识别。最终,生成的追踪结果数据包括目标的行为模式和行为轨迹,以及与危险行为相关的信息,可用于安全管理和决策支持。
请参阅图7,干扰适应模块包括合成数据生成子模块、鲁棒性训练子模块、环境适应性子模块;
合成数据生成子模块基于追踪结果数据,采用模拟环境干扰生成技术,创建模拟干扰数据;
鲁棒性训练子模块基于模拟干扰数据,采用自适应学习和策略梯度方法,生成自适应训练结果;
环境适应性子模块基于自适应训练成果,采用包括数据增强、异常检测和容错机制的鲁棒性增强技术,生成鲁棒性增强数据。
合成数据生成子模块旨在利用追踪结果数据,并应用模拟环境干扰生成技术,创建模拟干扰数据,以用于训练鲁棒性模型。获取追踪结果数据,其中包括目标的行为模式、行为轨迹和相关信息使用模拟环境干扰生成技术,模拟各种干扰条件,如光线变化、天气变化、背景噪声等,为每个条件生成相应的模拟干扰数据。将追踪结果数据与模拟的干扰数据合并,形成一个包含各种干扰条件下目标行为数据的合成数据集。
鲁棒性训练子模块利用合成数据集,采用自适应学习和策略梯度方法,生成具有鲁棒性的自适应训练结果。操作流程包括使用合成数据集进行自适应训练,以自适应学习算法让模型适应各种干扰条件下的数据。采用策略梯度方法对模型进行优化,以提高其对干扰数据的适应性和鲁棒性。最终,生成的模型具备在干扰环境中更好地执行目标追踪任务的能力。
环境适应性子模块基于鲁棒性训练成果,采用包括数据增强、异常检测和容错机制的鲁棒性增强技术,生成更具有鲁棒性的增强数据。具体操作包括使用鲁棒性训练的模型对真实监控数据进行数据增强,通过引入模拟干扰来丰富训练数据集,以提高模型的鲁棒性。使用异常检测技术监测模型在真实环境中的性能,识别并纠正异常行为,以确保模型在各种情况下都能稳定工作。实施容错机制,允许模型在面对未知干扰或异常情况时自动调整,以保持目标追踪的可靠性和稳定性。
请参阅图8,实时响应模块包括风险评估子模块、决策制定子模块、预警通知子模块;
风险评估子模块基于鲁棒性增强数据,采用随机森林或支持向量机进行危险度分析,结合基于贝叶斯网络的风险评估方法,评估紧急情况的严重性,生成风险评估报告;
决策制定子模块基于风险评估报告,采用决策树分析、多准则决策分析或模拟退火算法制定应急响应规划,规划应对措施,生成应急响应计划;
预警通知子模块基于应急响应计划,采用实时数据流处理技术进行信息传递,并结合地理信息系统和移动通信技术,即时传达预警信息和应对指令,生成最终响应方案。
风险评估子模块根据鲁棒性增强数据进行危险度分析,并结合基于贝叶斯网络的方法,评估紧急情况的严重性,生成风险评估报告。利用鲁棒性增强数据执行危险度分析,采用随机森林或支持向量机等机器学习算法,考虑历史数据,评估潜在危险情况的严重性。应用基于贝叶斯网络的风险评估方法,综合考虑各种因素之间的概率关系,以综合评估风险。生成风险评估报告,详细描述潜在风险情况的严重性、概率以及影响,以为后续决策提供基础信息。
决策制定子模块基于风险评估报告,采用决策树分析、多准则决策分析或模拟退火算法等方法,制定应急响应规划和应对措施,生成应急响应计划。操作流程包括使用风险评估报告进行决策树分析,识别决策路径和应对方案,也可以采用多准则决策分析,考虑不同决策因素的权重和优先级。制定应急响应规划,包括行动方案、资源调配、通信计划等,确保在紧急情况下有组织、有效的响应。采用模拟退火算法来进一步优化决策方案,以考虑不同约束条件和目标的权衡。生成应急响应计划,其中包括决策路径、应对策略和详细操作指南,以供执行时参考。
预警通知子模块基于应急响应计划,采用实时数据流处理技术进行信息传递,结合地理信息系统和移动通信技术,即时传达预警信息和应对指令,生成最终响应方案。操作流程包括使用实时数据流处理技术监控环境,追踪潜在风险事件的发展。根据应急响应计划中的触发条件,当监测到紧急情况时,触发预警通知流程。结合地理信息系统,确定受影响区域和目标,以精确传达预警信息。利用移动通信技术,向相关利益相关者发送预警信息,包括响应团队、当事人和相关机构。传达应对指令和行动计划,确保及时采取必要的行动以减轻风险。
本发明还提出一种危险人体行为识别分析预警监控方法,危险人体行为识别分析预警监控方法基于上述危险人体行为识别分析预警监控系统执行,包括以下步骤:
S1:基于学校监控网络,采用实时视频流处理算法,进行实时监控数据采集,并进行数据预处理,生成原始监控数据;
S2:基于原始监控数据,采用多模态分析方法,进行图像和音频数据的综合分析,并进行信息融合,生成综合分析数据;
S3:基于综合分析数据,采用生成对抗网络,进行行为模式的自学习和优化,并进行模式更新,生成优化后的行为模式;
S4:基于优化后的行为模式,采用支持向量机和隐马尔可夫模型,进行潜在危险行为的预测分析,并进行行为预测,生成行为预测报告;
S5:基于行为预测报告,采用多目标追踪技术,进行目标个体的行为追踪分析,生成追踪结果数据;
S6:基于追踪结果数据,采用干扰学习策略,进行模型的环境适应性训练,生成鲁棒性增强数据;
S7:基于鲁棒性增强数据,采用实时决策算法,进行紧急情况的响应分析,并进行预警通知,生成最终响应方案。
实时视频流压缩技术包括高效编码算法、帧率调整和分辨率优化,双模态融合算法包括视觉-音频同步处理和特征提取,循环神经网络和长短期记忆网络具体为序列数据处理和时间依赖性捕捉,决策树和隐马尔可夫模型涉及概率计算和状态转移分析,多摄像头数据融合和目标跟踪算法包括空间定位和动态匹配,自适应强化学习和异常模式识别具体为环境交互学习和异常行为识别。
实时视频流压缩技术的使用提高了监控数据的处理效率,减少了存储和传输成本,优化视频质量确保了关键信息的准确性,有助于提高监控系统的性能。双模态融合算法综合了视频和音频数据,使系统更全面地分析监控场景,提高了行为识别的准确性。循环神经网络和长短期记忆网络的应用进一步提高了对时间序列数据的处理能力,使系统更好地捕捉行为模式的演变趋势。行为预测和目标跟踪技术有助于提前发现潜在的危险行为,并追踪目标的移动轨迹,从而加强了监控系统的实时性和精确性,有助于防止潜在的风险事件发生。自适应强化学习和异常模式识别技术使系统能够根据环境变化进行智能调整,提高了系统的鲁棒性和自适应性,减少了误报和漏报的可能性。危险度分析和紧急响应规划算法确保了系统在危险情况下及时采取适当的措施,有效地应对潜在风险,提高了监控系统的实用性和可靠性。
以上,仅是本发明的较佳实施例而已,并非对本发明作其他形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其他领域,但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (10)
1.一种危险人体行为识别分析预警监控系统,其特征在于:系统包括数据采集模块、多维度分析模块、行为模式学习模块、异常行为预测模块、跨摄像头追踪模块、干扰适应模块、实时响应模块;
数据采集模块基于学校监控网络,采用实时视频流处理算法,进行实时监控数据采集,并进行数据预处理,生成原始监控数据;
多维度分析模块基于原始监控数据,采用多模态分析方法,进行图像和音频数据的综合分析,并进行信息融合,生成综合分析数据;
行为模式学习模块基于综合分析数据,采用生成对抗网络,进行行为模式的自学习和优化,并进行模式更新,生成优化后的行为模式;
异常行为预测模块基于优化后的行为模式,采用支持向量机和隐马尔可夫模型,进行潜在危险行为的预测分析,并进行行为预测,生成行为预测报告;
跨摄像头追踪模块基于行为预测报告,采用多目标追踪技术,进行目标个体的行为追踪分析,生成追踪结果数据;
干扰适应模块基于追踪结果数据,采用干扰学习策略,进行模型的环境适应性训练,生成鲁棒性增强数据;
实时响应模块基于鲁棒性增强数据,采用实时决策算法,进行紧急情况的响应分析,并进行预警通知,生成最终响应方案;
原始监控数据包括视频帧、音频样本和环境参数,综合分析数据包括融合的视频图像和音频信号,优化后的行为模式包括改进的行为识别规则和参数,行为预测报告包括预测的危险行为类型和发生概率,追踪结果数据包括个体的移动轨迹和行为时序,鲁棒性增强数据包括经过环境适应调整的模型参数,最终响应方案包括预警级别和紧急措施方案。
2.根据权利要求1所述的一种危险人体行为识别分析预警监控系统,其特征在于:数据采集模块包括图像采集子模块、音频采集子模块、数据预处理子模块;
图像采集子模块基于学校监控网络,采用多曝光融合技术和实时视频编码技术,进行视频采集和帧率调整,生成视频数据集;
音频采集子模块基于视频数据集,采用立体声音频捕捉和环境噪声滤波技术,进行环境音频同步采集和预处理,生成音频数据集;
数据预处理子模块基于音频数据集,采用数据对齐和压缩算法,进行视频和音频数据时间对齐和格式统一处理,生成原始监控数据;
数据对齐和压缩算法具体为时间戳同步和数据量缩减技术。
3.根据权利要求1所述的一种危险人体行为识别分析预警监控系统,其特征在于:多维度分析模块包括图像分析子模块、音频分析子模块、数据融合子模块;
图像分析子模块基于原始监控数据,采用卷积神经网络技术和运动检测技术,进行图像内容的深度分析,获取图像数据分析结果;
音频分析子模块基于原始监控数据,采用傅里叶变换技术和隐马尔可夫模型技术,进行音频内容的深度分析,获取音频数据分析结果;
数据融合子模块基于图像数据分析结果、音频数据分析结果,采用多模态数据融合技术,进行信息整合和融合,生成综合分析数据。
4.根据权利要求1所述的一种危险人体行为识别分析预警监控系统,其特征在于:行为模式学习模块包括数据生成子模块、模式识别子模块、持续学习子模块;
数据生成子模块基于综合分析数据,采用生成对抗网络中的生成器,进行数据创造,生成合成行为数据;
模式识别子模块基于合成行为数据,采用生成对抗网络中的判别器,进行模式验证和区分,生成验证后的行为模式;
持续学习子模块基于验证后的行为模式,采用动态模型更新技术,迭代优化并调整行为识别模型,生成优化后的行为模式;
动态模型更新技术具体为使用在线学习算法持续调整模型参数。
5.根据权利要求1所述的一种危险人体行为识别分析预警监控系统,其特征在于:异常行为预测模块包括历史数据分析子模块、预测模型构建子模块、行为预测子模块;
历史数据分析子模块基于优化后的行为模式,采用趋势分析和时间序列分析方法,进行历史行为数据分析,生成历史行为分析结果;
预测模型构建子模块基于历史行为分析结果,采用支持向量机和隐马尔可夫模型,构建行为预测模型;
行为预测子模块基于行为预测模型,采用概率分析和风险评估技术,进行危险行为的预测,生成行为预测报告;
其中,在行为预测子模块中,基于行为预测模型,采用概率分析和风险评估技术,进行危险行为的预测,生成行为预测报告的方法具体包括如下子步骤:
确定预测的危险行为动作以及每个危险行为动作对应的危险行为类型;
基于所述行为预测模型,计算每个目标行为在不同行为条件下的发生概率;
根据每个目标行为在不同行为条件下的发生概率,计算得到每个目标行为在各种行为条件下的整体发生概率,并根据每个目标行为的整体发生概率进行评估以得到当前目标行为的风险评估等级,根据当前目标行为的风险评估等级生成得到目标行为预测子报告;
其中,每个目标行为在各种行为条件下的整体发生概率的计算公式表示为:
其中,Pi表示第i个目标行为在各种行为条件下的整体发生概率,表示第i个目标行为在第j种行为条件下的发生概率,表示第i个目标行为在第j种行为条件对应的校正因子,J表示行为条件的最大数量;
根据每种危险行为类型的多个目标行为的整体发生概率,计算得到危险行为类型的发生概率,并根据危险行为类型的发生概率进行评估以得到危险行为类型的风险评估等级,根据危险行为类型的风险评估等级生成得到危险行为类型预测子报告;
基于多个所述目标行为预测子报告以及多个所述危险行为类型预测子报告,生成行为预测报告。
6.根据权利要求1所述的一种危险人体行为识别分析预警监控系统,其特征在于:跨摄像头追踪模块包括数据整合子模块、特征匹配子模块、行为模式分析子模块;
数据整合子模块基于行为预测报告,采用数据同步与整合技术,进行多个摄像头数据的协同处理,生成整合监控数据;
特征匹配子模块基于整合监控数据,采用特征提取和匹配算法,识别和匹配多个摄像头中的同一目标,生成匹配特征数据;
行为模式分析子模块基于匹配特征数据,采用行为分析和序列识别技术,进行目标个体行为分析,生成追踪结果数据;
其中,评价追踪结果数据中相关的危险行为的危险行为程度的方法包括如下步骤:
获取运动轨迹数据,所述运动轨迹数据包括路径分析数据、速度变化数据、停留时间数据、以及出入行为序列数据;
根据所述路径分析数据,获取异常路径占比,并根据异常路径占比确定得到路径分析项异常指数;
根据所述速度变化数据,获取速度异常占比,并根据速度异常占比确定得到速度变化项异常指数;
根据停留时间数据,获取停留时间异常占比,并根据停留时间占比确定得到停留时间项异常指数;
根据出入行为序列数据,获取出入行为异常占比,并根据出入行为异常占比确定得到出入行为异常指数;
根据路径分析项异常指数、速度变化项异常指数、停留时间项异常指数以及出入行为异常指数计算得到追踪结果数据的危险行为分数;
其中,追踪结果数据的危险行为分数的计算公式表示为:
其中,W表示追踪结果数据的危险行为分数,W0表示危险行为分数的基准值,w1表示路径分析项异常指数,λ1表示路径分析项权重因子,w2表示速度变化项异常指数,λ2表示速度变化项权重因子,w3表示停留时间项异常指数,λ3表示停留时间项权重因子,w4表示出入行为异常指数,λ3表示出入行为异常项权重因子。
7.根据权利要求1所述的一种危险人体行为识别分析预警监控系统,其特征在于:干扰适应模块包括合成数据生成子模块、鲁棒性训练子模块、环境适应性子模块;
合成数据生成子模块基于追踪结果数据,采用模拟环境干扰生成技术,创建模拟干扰数据;
鲁棒性训练子模块基于模拟干扰数据,采用自适应学习和策略梯度方法,生成自适应训练结果;
环境适应性子模块基于自适应训练成果,采用包括数据增强、异常检测和容错机制的鲁棒性增强技术,生成鲁棒性增强数据。
8.根据权利要求1所述的一种危险人体行为识别分析预警监控系统,其特征在于:实时响应模块包括风险评估子模块、决策制定子模块、预警通知子模块;
风险评估子模块基于鲁棒性增强数据,采用随机森林或支持向量机进行危险度分析,结合基于贝叶斯网络的风险评估方法,评估紧急情况的严重性,生成风险评估报告;
决策制定子模块基于风险评估报告,采用决策树分析、多准则决策分析或模拟退火算法制定应急响应规划,规划应对措施,生成应急响应计划;
预警通知子模块基于应急响应计划,采用实时数据流处理技术进行信息传递,并结合地理信息系统和移动通信技术,即时传达预警信息和应对指令,生成最终响应方案。
9.一种危险人体行为识别分析预警监控方法,其特征在于,根据权利要求1-8任一项所述的危险人体行为识别分析预警监控系统执行,包括以下步骤:
基于学校监控网络,采用实时视频流处理算法,进行实时监控数据采集,并进行数据预处理,生成原始监控数据;
基于原始监控数据,采用多模态分析方法,进行图像和音频数据的综合分析,并进行信息融合,生成综合分析数据;
基于综合分析数据,采用生成对抗网络,进行行为模式的自学习和优化,并进行模式更新,生成优化后的行为模式;
基于优化后的行为模式,采用支持向量机和隐马尔可夫模型,进行潜在危险行为的预测分析,并进行行为预测,生成行为预测报告;
基于行为预测报告,采用多目标追踪技术,进行目标个体的行为追踪分析,生成追踪结果数据;
基于追踪结果数据,采用干扰学习策略,进行模型的环境适应性训练,生成鲁棒性增强数据;
基于鲁棒性增强数据,采用实时决策算法,进行紧急情况的响应分析,并进行预警通知,生成最终响应方案。
10.根据权利要求9所述的一种危险人体行为识别分析预警监控方法,其特征在于:实时视频流压缩技术包括高效编码算法、帧率调整和分辨率优化,双模态融合算法包括视觉-音频同步处理和特征提取,循环神经网络和长短期记忆网络具体为序列数据处理和时间依赖性捕捉,决策树和隐马尔可夫模型涉及概率计算和状态转移分析,多摄像头数据融合和目标跟踪算法包括空间定位和动态匹配,自适应强化学习和异常模式识别具体为环境交互学习和异常行为识别。
Publications (1)
Publication Number | Publication Date |
---|---|
CN118262410A true CN118262410A (zh) | 2024-06-28 |
Family
ID=
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Laufs et al. | Security and the smart city: A systematic review | |
US20200042796A1 (en) | Artificial intelligence apparatus for recognizing object and method therefor | |
Duque et al. | Prediction of abnormal behaviors for intelligent video surveillance systems | |
CN105426820B (zh) | 基于安防监控视频数据的多人异常行为检测方法 | |
CN101753992A (zh) | 一种多模态智能监控系统和方法 | |
CN102348101A (zh) | 一种考场智能监控系统和方法 | |
Idrissi et al. | An unsupervised generative adversarial network based-host intrusion detection system for internet of things devices | |
CN111652290A (zh) | 一种对抗样本的检测方法及装置 | |
CN111626199A (zh) | 面向大型多人车厢场景的异常行为分析方法 | |
KR20210062256A (ko) | 행동 시퀀스 기반으로 이상행동 여부를 판단하는 방법, 프로그램 및 시스템 | |
CN113850229A (zh) | 基于视频数据机器学习的人员异常行为预警方法、系统及计算机设备 | |
CN115811440A (zh) | 一种基于网络态势感知的实时流量检测方法 | |
Wang et al. | Mutuality-oriented reconstruction and prediction hybrid network for video anomaly detection | |
CN117197726B (zh) | 一种重点人员精准化管控系统及方法 | |
CN113707175A (zh) | 基于特征分解分类器与自适应后处理的声学事件检测系统 | |
CN113269111A (zh) | 一种基于视频监控的电梯异常行为检测方法及系统 | |
CN118262410A (zh) | 一种危险人体行为识别分析预警监控系统及方法 | |
CN115860144A (zh) | 一种用于反窃电现场的机器学习系统 | |
Petrocchi et al. | A real-time deep learning approach for real-world video anomaly detection | |
US11468671B2 (en) | Sentiment analysis for situational awareness | |
Arshad et al. | Anomalous situations recognition in surveillance images using deep learning | |
Narayanan et al. | Real-time video surveillance system for detecting malicious actions and weapons in public spaces | |
Kumar et al. | Abnormal human activity detection by convolutional recurrent neural network using fuzzy logic | |
Marsiano et al. | Deep Learning-Based Anomaly Detection on Surveillance Videos: Recent Advances | |
CN117172989B (zh) | 一种基于大数据的智慧校园管理方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication |