一种数据中心人员动作智能检测与定位方法技术

本发明专利技术涉及数据中心人员行为的检测与定位技术领域，具体地说就是一种数据中心人员动作智能检测与定位方法，用于数据中心人员动作的智能识别；人员动作识别与定位方法包括端到端一体化人

【技术实现步骤摘要】
一种数据中心人员动作智能检测与定位方法


[0001]本专利技术涉及数据中心人员行为的检测与定位
，具体地说就是一种数据中心人员动作智能检测与定位方法。

技术介绍

[0002]随着数据中心信息化程度的不断发展以及新一代基础设施建设的不断推进，数据中心朝着信息化、精细化以及智能化的方向发展。数据中心系统结构部件复杂，部件之间相互耦合，子系统之间相互关联，其中一个部件的异常可能导致整体系统的停机。人员的动作行为对数据中心安全运行有重要影响，人员在数据中心进行设备操作日常巡检等工作，不同工作人员的工作技能熟练程度不同，在工作过程中每个操作工序中都可能存在不合规的问题，主要体现在违规物品的带入，比如手机等通讯设备，吸烟类的不规范行为会造成烟感与消防系统触发，会对服务器等核心设备造成损坏；此外，这些行为还包括恶意性质的攻击，如故意拔网线，该行为会造成数据中断，对于一些核心服务器会给企业以及社会生产造成不可估量的损失。因此，有必要对数据中心人员的行为进行监测。
[0003]卷积网络，又称卷积神经网络(Convolutional Neural Networks,CNN，ConvNET)，是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。卷积神经网络具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类，因此也被称为“平移不变人工神经网络。卷积神经网络仿造生物的视知觉机制构建，可以进行监督学习和非监督学习，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化特征，例如像素和音频进行学习、有稳定的效果且对数据没有额外的特征工程要求。
[0004]现有技术的数据中心人员检测主要人员通过监控视频进行人工分析与判断，即人工通过视频监控系统来分析人员动作并通过监控相机推断在人员在数据中心的位置。基于人工判断与分析的数据中心人员动作智能检测与定位方法主要存在三个方面的不足：其中一方面为监控人员无法对多画面进行实时监测，一方面为监控人员无法实现工作人员异常动作智能监测预警，另一方面为监控人员无法实现工作人员在数据中心中的精确定位与可视化表示。采用基于2D相机的人
‑
物特征提取与动作识别方法未能充分利用人
‑
物交互的有效区域，对于复杂场景下的动作识别准确率较低；基于2D相机的人体关键点提取与动作预测方法无法实现人体动作与多交互物体间的匹配；基于3D相机的人体关键点提取与动作预测方法存在硬件成本高且无法实现人体动作与多交互物体间的动作匹配。综上所述，现有技术无法实现数据中心高鲁棒性的人员动作智能检测与定位。

技术实现思路

[0005]为解决上述现有技术中数据中心人员行为监测准确率低的问题，本专利技术提供了一种数据中心人员动作智能检测与定位方法。
[0006]本专利技术解决其技术问题所采取的技术方案是：一种数据中心人员动作智能检测与
定位方法，其特征在于：所述的数据中心人员动作智能检测与定位方法用于数据中心人员动作的智能识别；所述的数据中心人员动作智能检测与定位方法包括端到端一体化人
‑
物交互动作识别方法和基于单目视觉的人员定位方法，所述的端到端一体化人
‑
物交互动作识别方法用于对人体与物体的交互动作进行识别，所述的基于单目视觉的人员定位方法用于数据中心人员的实时定位；
[0007]所述数据中心人员动作智能检测与定位方法具体包括以下步骤：
[0008]S1、图像摄取；
[0009]S2、动作识别；
[0010]所述步骤S2包括：
[0011]A1、特征提取、A2、目标检测；A3、交互点预测；A4、动作区域点检测；A5、动作匹配；
[0012]所述的步骤A5包括：得到交互点匹配人员坐标的方法和得到交互点匹配物体坐标的方法，所述得到交互点匹配人员坐标的方法为：
[0013]获取预测的人
‑
物交互点坐标：其中i表示交互点，k表示交互点的个数，代表第k个交互点在x方向上的坐标，表示第k个交互点在y方向上的坐标；
[0014]获取人体中心点坐标：其中h表示人体，j表示中心点的个数，表示第j个人体的x坐标，表示第j个人体的y坐标；
[0015]获取预测的交互点相对于人体中心点的偏移量：其中表示在x方向上交互点相对于人体中心点的偏移量，表示在y方向上交互点相对于人体中心点的偏移量；
[0016]通过以上数据带入下式计算得到交互点所匹配的人员坐标：
[0017]其中arg min表示满足函数最小值的数值，j表示中心点的个数，k表示交互点的个数；
[0018]所述得到交互点匹配物体坐标的方法为：
[0019]获取预测的人
‑
物交互点坐标：其中i表示交互点，k表示交互点的个数，代表第k个交互点在x方向上的坐标，表示第k个交互点在y方向上的坐标；
[0020]获取物体中心点坐标：其中o表示物体，j表示中心点的个数，表示第j个物体的x坐标，表示第j个物体的y坐标；
[0021]获取预测的交互点相对于物体中心点的偏移量：其中表示在x方向上交互点相对于物体中心点的偏移量，表示在y方向上交互点相对于物体中心点的偏移量；
[0022]通过以上数据带入下式计算得到交互点所匹配的物体坐标：
[0023]其中arg min表示满足函数最小值的数值，j表示中心点的个数，k表示交互点的个数；
[0024]S3、提取坐标；
[0025]S4、人员定位；
[0026]S5、告警提示。
[0027]作为优化，所述的数据中心人员动作智能检测与定位方法包括如下具体步骤：
[0028]S1、图像摄取：在数据中心的不同位置安装监控摄像头，用于获取实时监控图像；
[0029]S2、动作识别：将S1中获取的实时图像输入到人
‑
物交互动作识别网络架构中，通过边缘计算盒对人员目标或物体目标进行检测，并通过端到端一体化人
‑
物交互动作识别方法对人员与物体的交互动作进行识别；
[0030]S3、提取坐标：检测实时图像中的人员目标并对人员定位点像素坐标进行提取；
[0031]S4、人员定位：通过基于单目视觉检测全局位置变换的人员位置定位方法对人员进行定位；
[0032]S5、告警提示：当识别到人员发生异常动作时，边缘计算盒管理系统对异常动作行为与位置信息进行告警提示。
[0033]作为优化，步骤S2中所述的人
‑
物交互动作识别网络架构包括目标检测部分、交互点检测部分、动作区域点检测部分和动作匹配部分，所述的目标检测部分、交互点检测部分、动作区域点检测部分和动作匹配部分共用一个骨干网络。
[0034]作为优化，步骤S2所述的端到端一体化人
‑
物交互动作识别方法包括以下具体步骤：
[0035]A1、特征提取：骨干网络对监控摄像头输入的实时监控图像进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数据中心人员动作智能检测与定位方法，其特征在于：所述的数据中心人员动作智能检测与定位方法用于数据中心人员动作的智能识别；所述的数据中心人员动作智能检测与定位方法包括端到端一体化人
‑
物交互动作识别方法和基于单目视觉的人员定位方法，所述的端到端一体化人
‑
物交互动作识别方法用于对人体与物体的交互动作进行识别，所述的基于单目视觉的人员定位方法用于数据中心人员的实时定位；所述数据中心人员动作智能检测与定位方法具体包括以下步骤：S1、图像摄取；S2、动作识别；所述步骤S2包括：A1、特征提取、A2、目标检测；A3、交互点预测；A4、动作区域点检测；A5、动作匹配；所述的步骤A5包括：得到交互点匹配人员坐标的方法和得到交互点匹配物体坐标的方法，所述得到交互点匹配人员坐标的方法为：获取预测的人
‑
物交互点坐标：其中i表示交互点，k表示交互点的个数，代表第k个交互点在x方向上的坐标，表示第k个交互点在y方向上的坐标；获取人体中心点坐标：其中h表示人体，j表示中心点的个数，表示第j个人体的x坐标，表示第j个人体的y坐标；获取预测的交互点相对于人体中心点的偏移量：其中表示在x方向上交互点相对于人体中心点的偏移量，表示在y方向上交互点相对于人体中心点的偏移量；通过以上数据带入下式计算得到交互点所匹配的人员坐标：其中arg min表示满足函数最小值的数值，j表示中心点的个数，k表示交互点的个数；所述得到交互点匹配物体坐标的方法为：获取预测的人
‑
物交互点坐标：其中i表示交互点，k表示交互点的个数，代表第k个交互点在x方向上的坐标，表示第k个交互点在y方向上的坐标；获取物体中心点坐标：其中o表示物体，j表示中心点的个数，表示第j个物体的x坐标，表示第j个物体的y坐标；获取预测的交互点相对于物体中心点的偏移量：其中表示在x方向上交互点相对于物体中心点的偏移量，表示在y方向上交互点相对于物体中心点的偏移量；通过以上数据带入下式计算得到交互点所匹配的物体坐标：
其中arg min表示满足函数最小值的数值，j表示中心点的个数，k表示交互点的个数；S3、提取坐标；S4、人员定位；S5、告警提示。2.根据权利要求1所述的一种数据中心人员动作智能检测与定位方法，其特征在于：包括如下具体步骤：S1、图像摄取：在数据中心的不同位置安装监控摄像头，用于获取实时监控图像；S2、动作识别：将S1中获取的实时图像输入到人
‑
物交互动作识别网络架构中，通过边缘计算盒对目标人员或物体目标进行检测，并通过端到端一体化人
‑
物交互动作识别方法对人员与物体的交互动作进行识别；S3、提取坐标：检测实时图像中的人员目标并对人员定位点像素坐标进行提取；S4、人员定位：通过基于单目视觉检测全局位置变换的人员位置定位方法对人员进行定位；S5、告警提示：当识别到人员发生异常动作时，边缘计算盒管理系统对异常动作行为与位置信息进行告警提示。3.根据权利要求2所述的一种数据中心人员动作智能检测与定位方法，其特征在于：步骤S2中所述的人
‑

【专利技术属性】
技术研发人员：单鹏飞，杨风光，程诗尧，
申请(专利权)人：山东智驱力人工智能科技有限公司，
类型：发明
国别省市：