一种基于日常行为自动分析检测方法的智能防控方法技术

本发明专利技术公开了一种基于日常行为自动分析检测方法的智能防控方法，涉及智能防控领域，特别涉及一种基于日常行为自动分析检测方法的智能防控方法，其中方法包括以下步骤：S1，通过智能的监控视频构建安防系统；S2，通过所述安防系统全天候无死角的监控目标人员的行为；S3，通过所述安防系统中的监控视频中的日常行为自动分析检测方法，对目标人员的积极行为和危险行为进行记录。本发明专利技术可以有效发现目标人员危险行为和积极行为，从而实现不同应用场景下，对目标人员危险行为和积极行为自动检测分析，使得本项目的技术路线具有更强的鲁棒性和适用性。适用性。适用性。

【技术实现步骤摘要】
一种基于日常行为自动分析检测方法的智能防控方法


[0001]本专利技术涉及智能防控领域，特别涉及一种基于日常行为自动分析检测方法的智能防控方法。

技术介绍

[0002]传统的监管场所监控系统通常拥有多个视频采集前端，采用监视器实现画面轮巡，轮巡周期称为监控空白区，即这段时间里，监控人员无法观察到画面的时间长达数十分钟，监控有效性低，其次很多监管场所在日常工作中把视频图像系统仅仅定位在日常监控和事后倒查上，视频应用与现实业务贴合程度不够，没有深度挖掘图像信息化数据，通过视频技术简化业务流程的应用程度也不高，没有最大限度地解放监管人员的人力资源，不能将监管人员从低端重复的工作中解放出来。

技术实现思路

[0003]为了解决现有问题，本专利技术提供了一种基于日常行为自动分析检测方法的智能防控方法，具体方案如下：
[0004]一种基于日常行为自动分析检测方法的智能防控方法，包括以下步骤：
[0005]S1，通过智能的监控视频构建安防系统；
[0006]S2，通过所述安防系统全天候无死角的监控目标人员的行为；
[0007]S3，通过所述安防系统中的监控视频中的日常行为自动分析检测方法，对目标人员的积极行为和危险行为进行记录。
[0008]优选的，步骤3中采用深度时空转换网络DSTN，实现所述监控视频中的日常行为自动分析检测，具体步骤为：
[0009]a1，收集场景中的目标特征；
[0010]a2，进行所述目标特征的时空转换；
[0011]a3，用微分法进行所述目标特征的异常事件的异常检测；
[0012]a4，目标特征定位的边缘处理。
[0013]优选的，步骤a1中所述的收集目标特征的步骤包括：
[0014]a11，采用fBR背景取出后帧的方法进行背景剔除；
[0015]a12，选择稠密逆搜索方法DIS为DSTN产生密集光流，并进行光流融合；
[0016]a13，对通过光流融合获取的图像进行分块提取；
[0017]a14，将提取的不同的分块图像进行连接，所述分块图像包括f帧图像和 fBR帧图像，作为(生成器G的)输入来学习正常事件，串联时空特征；其中，所述f帧图像表示原始视频监控下的的每一帧图像，所述fBR帧图像是经过背景剔除的每一帧图像。
[0018]优选的，步骤a2采用对抗网络GAN进行时空转换，所述对抗网络包括生成器G和鉴别器D；所述对抗网络用于学习从空间表征的输入到时间表征的输出的映射；其中，所述生成器G用于将f帧和fBR帧的空间表示图像转换为生成的密集光流帧的时间表示图像；所述
鉴别器D用于检查生成器G是否能产生 OFgen，以及它是如何与OFfus比较，其中，所述OFgen为生成器G生成的光流特征，所述OFfus为经过光流融合后的特征，所述鉴别器D提供了一个标量输出，用于表示所述生成器G生成的光流特征OFgen和经过光流融合的特征OFfus 相似的概率。
[0019]优选的，步骤a3中用微分法进行异常检测的具体步骤为：
[0020]a31，用时空学习的deep
‑
GAN算法对正常事件进行训练；
[0021]a32，利用a31中训练好的模型的模型参数观测所述OFgen；
[0022]a33，分块特征OFfus减去生成器G生成的分块特征OFgen，得到两者的像素差后，将所述像素差进行[0,1]标准化，最后利用边缘包裹技术来判断所述像素差是属于正常事件还是异常事件。
[0023]优选的，步骤a4中所述边缘处理具体包括：保留重要的边缘信息并抑制其余的信息，在像素级上具体改进了对象的定位，从而排除了假异常检测和异常目标区域过度检测，从而正确的定位场景中异常事件的位置；其中，保留所述重要的边缘信息，采用Canny边缘检测的边缘处理算法，抑制不重要的边缘信息，对于梯度强度，用梯度算子在水平方向Gx和垂直方向Gy卷积得到边缘梯度Ge，最后，通过确定阈值来保持脊线边缘并抑制噪声，实现非极大值抑制。
[0024]本专利技术还揭示了一种计算机可读存储介质，介质上存有计算机程序，计算机程序运行后，执行上述的基于日常行为自动分析检测方法的智能防控方法。
[0025]本专利技术还揭示了一种计算机系统，包括处理器、存储介质，存储介质上存有计算机程序，处理器从存储介质上读取并运行计算机程序以执行上述的基于日常行为自动分析检测方法的智能防控方法。
[0026]本专利技术的有益效果在于：
[0027]本专利技术通过利用智能视频技术构建安防系统，全天候、无死角地监控目标人员的一举一动，通过日常行为自动分析检测算法，对目标人员活动现场、生活现场、学习现场的积极行为与危险行为进行积分记录，并给出积分结果，其积分结果可以通过行为图片或视频的方式对检查人员进行表述，从而防止监管人员因监控屏幕数量多且采用时序翻页和多画面分割模式导致无法同时对每个做出积极行为的目标人员进行观察，从而失去一定的公正性；且采用该方法可以24小时不间断的稳定工作，可以较好的辅助监管人员完成其当班的视频监视任务；并且可以防止监管人员长时间观察监控视频出现疲劳、瞌睡等现象。
附图说明
[0028]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，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它的附图。
[0029]图1为本专利技术的方法流程图；
[0030]图2为本专利技术采用深度时空转换网络DSTN实现监控视频中的日常行为自动分析检测的流程图；
[0031]图3为本专利技术用微分法进行异常检测的流程图。
具体实施方式
[0032]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地说明，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。
[0033]一种基于日常行为自动分析检测方法的智能防控方法，包括以下步骤：
[0034]S1，通过智能的监控视频构建安防系统；
[0035]S2，通过安防系统全天候无死角的监控目标人员的行为；
[0036]S3，通过安防系统中的监控视频中的日常行为自动分析检测方法，对目标人员的积极行为和危险行为进行记录。其中，采用深度时空转换网络DSTN，实现监控视频中的日常行为自动分析检测，具体步骤为：
[0037]a1，收集场景中的目标特征；
[0038]其中，收集目标特征的步骤包括：
[0039]a11，采用fBR背景取出后帧的方法进行背景剔除；
[0040]a12，选择稠密逆搜索方法DIS为DSTN产生密集光流，并进行光流融合；
[004本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于日常行为自动分析检测方法的智能防控方法，其特征在于，包括以下步骤：S1，通过智能的监控视频构建安防系统；S2，通过所述安防系统全天候无死角的监控目标人员的行为；S3，通过所述安防系统中的监控视频中的日常行为自动分析检测方法，对目标人员的积极行为和危险行为进行记录。2.根据权利要求1所述的方法，其特征在于，步骤3中采用深度时空转换网络DSTN，实现所述监控视频中的日常行为自动分析检测，具体步骤为：a1，收集场景中的目标特征；a2，进行所述目标特征的时空转换；a3，用微分法进行所述目标特征的异常事件的异常检测；a4，目标特征定位的边缘处理。3.根据权利要求2所述的方法，其特征在于，步骤a1中所述的收集目标特征的步骤包括：a11，采用fBR背景取出后帧的方法进行背景剔除；a12，选择稠密逆搜索方法DIS为DSTN产生密集光流，并进行光流融合；a13，对通过光流融合获取的图像进行分块提取；a14，将提取的不同的分块图像进行连接，所述分块图像包括f帧图像和fBR帧图像，作为输入来学习正常事件，串联时空特征；其中，所述f帧图像表示原始视频监控下的的每一帧图像，所述fBR帧图像是经过背景剔除的每一帧图像。4.根据权利要求3所述的方法，其特征在于：步骤a2采用对抗网络GAN进行时空转换，所述对抗网络包括生成器G和鉴别器D；所述对抗网络用于学习从空间表征的输入到时间表征的输出的映射；其中，所述生成器G用于将f帧和fBR帧的空间表示图像转换为生成的密集光流帧的时间表示图像；所述鉴别器D用于检查生成器G是否能产生OFgen，以及它是如何与OFfus比较，其中，所述OFgen为生成器G生成的光流特...

【专利技术属性】
技术研发人员：石晔，党连坤，
申请(专利权)人：合肥指南针电子科技有限责任公司，
类型：发明
国别省市：