【技术实现步骤摘要】
本专利技术涉及异常行为识别的，尤其涉及一种基于智能门锁的异常行为识别方法和系统。
技术介绍
1、随着智能门锁技术的发展，人们对门禁安全性的需求也在不断提升。传统的智能门锁主要依赖于密码、刷卡等方式进行门禁控制，但这些方法容易受到密码泄露、卡片丢失等问题的影响，存在一定的安全隐患。针对传统智能门锁存在的安全隐患，目前已经提出了一些基于视频监控的智能门锁系统。然而，现有的方法仍然存在一些缺点：由于摄像头采集的视频数据受到环境光照、天气等因素的影响，往往会包含大量噪声，影响后续目标识别的准确性和稳定性。同事，在复杂场景下，提取目标的运动特征是一项具有挑战性的任务。传统的方法往往需要复杂的图像处理技术，且容易受到噪声的干扰。最后，现有的异常行为识别方法往往只基于简单的规则或统计信息，无法充分挖掘目标运动序列中的复杂关系。
技术实现思路
1、有鉴于此，本专利技术提供一种基于智能门锁的异常行为识别方法，目的在于通过结合先进的图像处理技术和深度学习算法，实现对门禁场景下目标的准确识别、运动轨迹跟踪以及异常行为检测，从而提高门禁系统的安全性和可靠性。
2、实现上述目的，本专利技术提供的一种基于智能门锁的异常行为识别方法，包括以下步骤：
3、s1：通过智能门锁自带的摄像头获取视频数据，并对采集到的视频数据中的视频帧去噪，获得去噪后的视频帧；
4、s2：利用光流法从去噪后的视频中提取视频运动特征；
5、s3：基于目标检测算法对视频中的目标进行识别和分类；
6、s4：通过多目标追踪法对已经被识别的目标进行跟踪和定位，以获取目标的运动序列；
7、s5：基于循环神经网络对目标的运动序列进行分析，识别异常行为；
8、作为本专利技术的进一步改进方法：
9、可选地，所述s1步骤中通过智能门锁自带的摄像头获取视频数据，并对采集到的视频数据中的视频帧去噪，获得去噪后的视频，包括：
10、通过智能门锁自带的摄像头获取视频数据，基于时域高斯滤波对视频数据中的视频帧去噪，所述时域高斯滤波的计算方式为：
11、；
12、其中，，为大于1的整数；表示视频帧序号，，表示视频帧数；表示第帧视频帧；表示去噪后的第帧视频帧；表示高斯函数；表示高斯函数在第个位置的值，表达式为：
13、；
14、其中，表示高斯函数的标准差；为圆周率；表示自然常数；
15、时域高斯滤波后，获得去噪后的视频；
16、可选地，所述s2步骤中利用光流法从去噪后的视频中提取视频运动特征，包括：
17、基于光流法对去噪后的视频中的视频帧上的每一个像素点的横轴方向运动速度和纵轴方向运动速度进行计算，所述光流法的计算流程为：
18、s21：构建光流法基本方程：
19、；
20、其中，表示去噪后的第帧视频帧中的像素沿着轴方向的导数；表示去噪后的第帧视频帧中的像素沿着轴方向的导数；表示去噪后的第帧视频帧中的像素关于的导数；表示去噪后的第帧视频帧中的像素沿着横轴方向运动的速度；表示去噪后的第帧视频帧中的像素沿着纵轴方向运动的速度；
21、s22：利用最小二乘法求解光流法基本方程：
22、；
23、其中，，其中表示转置操作；,；；；
24、可选地，所述s3步骤中基于目标检测算法对视频中的目标进行识别和分类，包括：
25、基于改进的yolov3目标检测算法对视频中的目标进行识别和分类，所述改进的yolov3目标检测算法流程为：
26、s31：设定yolov3目标检测算法的输入和输出：
27、；
28、其中，表示检测出的不同人员类型的概率，，表示未检测出人员的概率，表示人员类型为第类的概率，代表人员类型总数；表示检测出的人员所在位置的外包围盒参数，，，，和分别代表所述外包围盒的长、宽和外包围盒中心的横纵坐标；
29、s32：计算yolov3目标检测算法损失函数：
30、；
31、；
32、；
33、其中，和分别表示位置预测损失和分类损失；表示位置预测的权重；，表yolov3目标检测算法中网格的数量；表示第个网格中是否包含待分类人员，包含为1，否则为0；，，和分别代表所述外包围盒真实的长、宽和外包围盒真实中心的横纵坐标；，表示人员种类总数；表示人员类型为第类的真实概率；
34、s33：基于随机梯度下降算法更新yolov3目标检测算法中的权重：
35、；
36、其中，表示yolov3目标检测算法的学习率；表示关于的导数；
37、可选地，所述s4步骤中通过多目标追踪法对已经被识别的目标进行跟踪和定位，以获取目标的运动序列，包括：
38、通过多目标追踪法对已经被识别的目标进行跟踪和定位，以获取目标的运动序列，所述多目标跟踪法的流程为：
39、s41：初始化每一个检测到的目标运动状态：
40、对于每一个被检测到的目标，创建该目标的运动状态，所述目标的运动状态由该目标的位置和速度组成；
41、s42：关联与匹配：
42、视频每记录新的一帧，将基于s3步骤新检测出的目标集合中的每一个目标与上一帧基于s3步骤检测出的目标进行关联与匹配，所述关联与匹配的计算方式为：
43、；
44、其中，和代表目标外包围盒中心的横纵坐标；和代表目标外包围盒中心的横纵坐标；
45、选择最小的新检测出的目标作为的匹配目标；
46、s43：更新目标运动状态：
47、根据匹配的结果，更新每一个被检测到的目标的位置和速度；
48、可选地，所述s5步骤中基于循环神经网络对目标的运动序列进行分析，识别异常行为，包括：
49、s51：构建每一个被检测到的目标运动序列：
50、每一个被检测到的目标运动序列可表示为：
51、；
52、其中，表示 时刻被检测到的目标的运动状态；表示相邻运动状态之间的时间间隔；；表示目标运动序列长度；
53、s52：构建循环神经网络每一次循环的计算流程：
54、在循环神经网络第次循环，输入至循环神经网络的输入包括检测到的目标当前的运动状态和上一次循环的隐层状态，所述第次循环的计算流程为：
55、；
56、；
57、；
58、；
59、其中，，，和分别表示第次循环的输入门、遗忘门、更新门和输出门的门控信息；和分别代表sigmoid函数和双曲正切函数；，表示输入门的权重，，表示输入门的偏置；，表示遗忘门的权重，，表示遗忘门的偏置；，表示更新门的权重，，表示更新门的偏置；，表示输出门的权重，，表示输出门的偏置；
<本文档来自技高网...【技术保护点】
1.一种基于智能门锁的异常行为识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于智能门锁的异常行为识别方法，其特征在于，所述步骤S1中，包括以下步骤：
3.根据权利要求2所述的基于智能门锁的异常行为识别方法，其特征在于，所述步骤S2中，包括以下步骤：
4.根据权利要求3所述的基于智能门锁的异常行为识别方法，其特征在于，所述步骤S3中，包括以下步骤：
5.根据权利要求4所述的基于智能门锁的异常行为识别方法，其特征在于，所述步骤S4包括：
6.根据权利要求5所述的基于智能门锁的异常行为识别方法，其特征在于，所述步骤S5中，包括以下步骤：
7.一种基于智能门锁的异常行为识别系统，其特征在于，包括：
【技术特征摘要】
1.一种基于智能门锁的异常行为识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于智能门锁的异常行为识别方法，其特征在于，所述步骤s1中，包括以下步骤：
3.根据权利要求2所述的基于智能门锁的异常行为识别方法，其特征在于，所述步骤s2中，包括以下步骤：
4.根据权利要求3所述的基于智能门锁的异...
【专利技术属性】
技术研发人员：王志敏，
申请(专利权)人：深圳联恒智控科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。