一种针对飞行模拟机训练有效性智能监控的方法及系统与流程

本发明属于人工智能、计算机视觉与视频监控，具体是一种以人脸识别与徘徊检测技术相结合，通过低延迟网络摄像头连接，实现飞行模拟机训练人员身份核验、有效训练时长及离岗状态智能监控的方法及系统。

背景技术：

1、飞行模拟机是在室内模拟各种环境、突发状况的模拟飞行设备，对于提升飞行技能具有重要作用，由于在室内实施，安全有保障。相较于民航训练，部队模拟飞行训练具有科目复杂度高、训练强度大、监管要求严、涉密性强等特点，对训练过程的全流程、高精度、无人干预式监控提出了远高于通用场景的技术要求。

2、目前，部队飞行模拟机训练的人员监管环节，仍普遍采用传统人工值守、事后人工统计的模式：训练期间需安排专人全程盯守模拟机舱，人工核验参训人员身份、记录训练时长、监督离岗情况；训练结束后再人工汇总训练数据、填报训练档案。该模式不仅人力成本高、效率低下，更存在严重的监管漏洞：人工监控易因疲劳、疏忽导致身份核验失误、离岗漏记、时长统计偏差，无法精准量化有效训练时长；同时人工干预式监控会干扰飞行员训练状态，难以实现全程无感监管，无法满足部队训练“零干扰、全留痕”的核心要求。

3、现有公开的智能监控技术，多针对民航通用训练、民用安防等场景设计，存在三大核心缺陷，无法适配部队模拟飞行训练的特殊需求：一是缺乏训练计划驱动的专项监控逻辑，未实现与部队训练大纲、训练计划的深度绑定，无法按预设训练科目、时段开展针对性监控；二是身份核验与状态监测技术脱节，通用人脸识别仅能完成单次身份验证，无法实现训练全程人脸持续追踪，更未结合徘徊检测技术实现离岗状态的精准判定与时长统计，难以杜绝代训、冒训、中途脱训等违规行为；三是视频传输与检测实时性不足，传统监控系统网络延迟高、抽帧检测效率低，无法满足部队训练对监控实时性、低延迟的要求，无法实现训练异常的实时预警。

4、综上，现有技术无法解决部队飞行模拟机训练中“人工监管效率低、通用监控不适用、身份与状态监测脱节”的核心技术痛点，亟需研发一种适配部队实战化训练场景，以训练计划为核心，融合低延迟流媒体传输、人脸识别准确度自适应调整、持续人脸追踪、徘徊检测等技术，可实现身份无感核验、有效训练时长精准统计、离岗状态全程监测的一体化智能监控方法及系统，为部队飞行模拟机训练的规范化、智能化监管提供技术支撑。

技术实现思路

1、本发明目的是解决现有飞行模拟机训练监控中人工依赖度高、通用监控不贴合场景、检测脱节、延迟高的问题，提出一种针对飞行模拟机训练有效性智能监控的方法，同时提出对应的系统。实现训练人员身份无感核验、有效训练时长精准统计、离岗状态实时监测及时长记录，提升飞行模拟机训练监控的自动化、精准化水平，降低人力成本，保障训练的真实性与规范性。

2、本发明的技术方案：一种针对飞行模拟机训练有效性智能监控的方法，步骤是：

3、步骤1、身份数据生成与训练计划导入：提前采集训练人员面部图像，通过面部特征提取算法，提取每张图像的面部特征向量，将特征向量与训练人员身份信息关联，构成身份特征数据库身份数据；提前导入飞行模拟机训练计划，明确训练人员身份信息、预设训练时长、监控时段；部署网络摄像头并与监控系统建立低延迟连接，优化传输协议与数据处理流程，确保视频流传输延迟控制在预设范围；

4、步骤2、视频采集与预处理：通过已部署的网络摄像头，实时采集飞行模拟机训练区域的视频流，对视频流进行降噪、去模糊预处理，按照预设频率周期性抽取图像帧，筛选清晰帧用于后续检测，剔除模糊、遮挡严重的无效帧，保障检测准确性；

5、步骤3、身份核验与训练状态监测：结合人脸识别抽帧检测与徘徊检测，对训练过程进行全程无感监测；将抽取的图像帧输入人脸识别算法，与身份特征数据库中的目标人员特征进行比对，核验当前训练人员是否为计划内人员；同时通过徘徊检测，分析训练人员在监控区域内的停留状态、移动轨迹，判断是否出现离岗行为，若检测到离岗则自动开始计时，离岗结束后停止计时并记录离岗总时长；

6、步骤4、训练时长统计与数据输出：实时统计训练人员的实际有效训练时长，扣除离岗总时长，对比预设训练时长，判断是否达标；全程记录身份核验结果、有效训练时长、离岗次数、每次离岗时长，训练结束后生成完整的训练监控报告，同步反馈至训练管理终端；

7、步骤5、异常预警与数据归档：若检测到身份核验不通过、有效训练时长未达标、离岗时长过长的异常情况，触发预警提示；同时对所有监控数据、检测结果、训练报告进行分类归档，便于后续查询、追溯与训练管理复盘。

8、作为优选方案：步骤1的低延迟连接采用zlmediakit流媒体服务，部署zlmediakit流媒体服务器，网络摄像头与zlmediakit流媒体服务器建立稳定连接，网络摄像头开启rtsp推流模式，将实时采集的飞行模拟机训练区域视频流推送至zlmediakit流媒体服务器，推送参数配置为：视频编码格式h264、帧率25fps、码率1024kbps，监控系统从zlmediakit流媒体服务器拉取实时视频流，开启低延迟拉流模式，配置拉流缓存时间≤100ms，实时检测视频流从网络摄像头采集到监控系统接收的总延迟，计算公式为：，其中，为摄像头采集延迟，为视频推流延迟，为流媒体缓存延迟，为视频拉流延迟；当时，系统自动降低码率或提高抽帧频率。

9、具体的，步骤2视频流的预处理：对zlmediakit拉取的实时视频流，采用5×5均值滤波平滑画面，抑制高斯噪声，均值滤波公式：，若需同时处理椒盐噪声，叠加中值滤波，其中，f(x,y)为原始视频帧像素值，g(x,y)为降噪后像素值，用直方图均衡化算法，校正视频帧亮度与对比度，提升图像清晰度；清晰帧筛选：对抽取的图像帧，基于图像灰度方差计算帧清晰度值，清晰度阈值设定为，若帧清晰度值≥th，判定为有效帧，用于后续检测；若

m、

n为图像帧的宽度和高度，为图像帧(x,y)坐标的灰度值，为图像帧平均灰度值。

10、优选的，步骤3面部特征向量为128维特征维度，训练人员身份信息包括姓名、人员编号、训练计划编号；同时预留特征更新接口，根据训练人员面部变化动态更新面部特征向量。

11、步骤3身份核验比对，计算公式为：，为抽取的图像帧的面部特征向量，为身份特征数据库身份数据的面部特征向量，若，为动态调整后的相似度阈值，判定为身份匹配，记录身份核验通过信息，分配唯一人脸id并同步至徘徊检测模块；若，启动多帧融合核验，设定5帧滑动窗口，计算窗口内有效帧的平均相似度，若平均相似度仍未达标，判定为身份不匹配，发送异常信号。

12、的计算：，为当前视频帧的质量评分，为历史核验通过次数，q＜0.7时判定为环境较差，n≥3时判定为连续核验通过。

13、优选的，步骤3进行持续人脸追踪，为首次核验通过的人员分配唯一uuid作为人脸id，将人脸id与面部特征向量、初始位置坐标关联，存入追踪缓存，同步传递至徘徊检测模块，实现身份-id-轨迹一一对应，进行卡尔曼滤波位置预测、追踪连续性维护。

14、步骤3徘徊检测实现步骤：a)监控区域标定，设定监控区域坐标范围，(

x1,

y1)为左上角坐标，(

x2,

y2)为右下角坐标；同时关联人脸识别模块的追踪缓存，实现监控区域内人员目标与人脸id的实时对应；

15、b)徘徊检测实现：采用目标检测算法，定位有效抽帧图像及实时视频流中的人员目标，获取人员目标的中心坐标（x,y），实时判断（x,y）是否在监控区域area内；设定离岗判定时间thleave=3s，若人员目标中心坐标超出area的持续时间≥thleave，判定为离岗，触发离岗计时；若持续时间

16、c)融合判定逻辑：结合人脸识别结果，若人脸识别核验通过，且徘徊检测判定为离岗，开始记录离岗时长，离岗时长累计计算；若人脸识别核验不通过，无论徘徊检测结果如何，均不记录离岗时长，直接触发身份异常预警；若人员返回监控区域，停止离岗计时，将本次离岗时长存入监控数据存储模块，离岗总时长，n为离岗次数；若返回人员身份与离岗前不一致，触发身份异常预警，终止原id的离岗计时，重新启动身份核验与追踪。

17、步骤4训练时长统计实现步骤：

18、a）训练时段确认：从训练计划数据库中读取当前训练人员的预设训练时段，预设训练时长；

19、b）实际训练时长统计：实时记录身份核验通过的持续时间，即从首次身份核验通过开始，至训练时段结束或身份核验不通过为止的持续时间；

20、c）有效训练时长计算：有效训练时长等于实际训练时长减去离岗总时长，计算公式为：；

21、d）时长达标判定:设定达标阈值，若，判定为训练时长达标；若，判定为不达标，触发时长异常预警。

22、一种针对飞行模拟机训练有效性智能监控的系统，包括用户交互层、核心处理层和数据存储层；

23、所述用户交互层：作为训练管理人员的操作入口，用于训练计划导入、监控参数配置、实时监控画面查看、监控数据预览、异常预警接收及训练监控报告查询与导出，收集管理人员操作指令，将训练计划、参数配置等信息传递至核心处理层，接收核心处理层反馈的监控数据、异常信息；

24、所述核心处理层包括zlmediakit流媒体处理模块、视频预处理与抽帧模块、人脸识别模块、徘徊检测模块、时长统计与异常预警模块，所述zlmediakit流媒体处理模块含有zlmediakit流媒体服务器，与网络摄像头建立低延迟连接，用于视频流的推送与拉取，配置流媒体传输参数，实现监控视频的实时接收与缓存；所述视频预处理与抽帧模块接收zlmediakit流媒体处理模块传输的实时视频流，对视频流进行降噪、去模糊、亮度校正，按照预设频率周期性抽取视频帧，筛选有效帧，剔除无效帧；所述人脸识别模块：接收预处理后的有效帧图像，调用人脸识别算法，提取图像帧中人员的面部特征向量，与数据存储层中的身份特征数据库进行比对，判定是否为计划内训练人员；所述徘徊检测模块同步接收视频预处理后的有效帧图像及实时视频流，定位监控区域内的人员目标，分析人员的移动轨迹、停留时间及位置坐标，实时判断训练人员是否处于正常训练位置、检测人员是否离岗；所述时长统计与异常预警模块接收训练计划参数、人脸识别模块的身份核验结果、徘徊检测模块的离岗数据，实时统计训练时长，计算有效训练时长；若出现身份核验不通过、有效训练时长不达标、离岗时长过长的异常情况，立即触发预警，并同步记录异常信息；训练结束后，整合所有监控数据，生成标准化训练监控报告，传递至数据存储层及用户交互层；

25、所述数据存储层包括四部分，①身份特征数据库，存储训练人员的面部特征向量及对应身份信息；②训练计划数据库，存储导入的飞行模拟机训练计划；③监控数据存储模块，存储预处理后的视频流、有效帧图像、身份核验结果、离岗记录、有效训练时长；④流媒体缓存模块，缓存zlmediakit流媒体处理模块传输的实时视频流；同时采用高效索引结构，进行数据查询、读取，支持数据追溯与复盘。

26、进一步的，所述人脸识别模块还设有准确度自适应调整单元，适配飞行模拟机训练场景中光线变化、人员姿态变化、局部遮挡情况。

27、本发明的有益效果：降低人力成本，提升监控效率：通过zlmediakit低延迟视频推拉流技术、视频预处理与抽帧技术、人脸识别与徘徊检测融合技术，实现全程自动化无感监控，无需专人值守，彻底解决人工监控耗时耗力的弊端，大幅降低训练管理的人力成本；同时，通过人脸识别的多帧融合核验、动态阈值调整及持续追踪技术，避免人工疏忽导致的身份核验失误、离岗漏记、时长统计偏差等各类误差，显著提升监控效率与准确性。

28、实现专项场景精准适配，保障训练真实性：贴合飞行模拟机训练场景，以训练计划为核心，通过人脸识别抽帧检测（含准确度调整、活体检测）技术精准核验训练人员身份，通过徘徊检测与人脸识别融合技术（含持续人脸追踪、离岗判定逻辑）监测离岗状态，通过有效训练时长统计技术（结合身份核验结果、离岗总时长）精准统计有效训练时长，实现一体化监控，有效杜绝身份造假、代训冒训、时长凑数等问题，保障训练的真实性与规范性。

29、提升监控实时性与全面性：通过zlmediakit低延迟视频推拉流技术（含延迟检测与优化、自动重连机制），将视频传输延迟控制在100ms以内，确保检测无滞后；通过人脸识别与徘徊检测的深度融合应用，结合持续人脸追踪（卡尔曼滤波+特征匹配）技术，实现训练人员身份、离岗状态、训练时长的全方位覆盖，通过离岗判定阈值设定与时长累计计算，实现离岗时长精准统计，彻底解决传统监控不全面、检测滞后的问题。

30、助力训练管理精细化：通过有效训练时长统计技术、异常预警机制，生成包含身份核验结果、离岗信息、时长统计等内容的标准化监控报告，结合数据存储层的持久化存储技术，实现监控数据可查询、可追溯，便于训练管理复盘；同时，通过人脸识别异常预警、时长不达标预警等功能，及时发现训练异常，为飞行模拟机训练管理提供精准的数据支撑，推动训练管理向精细化、规范化升级。