一种监狱场景自缢行为实时检测的方法及系统与流程

本发明涉及一种监狱场景自缢行为实时检测的方法，同时也涉及实现该方法的系统，属于视频监控。

背景技术：

1、监狱作为刑罚执行与罪犯改造的核心场所，在押人员的生命安全保障是监管工作的底线，直接关系监管秩序的稳定运行。当前监狱安防体系主要依托人工视频值守与智能视频分析技术开展监控工作，其中人工值守仍是多数监狱的主流模式，但该模式存在显著的固有缺陷：人工巡查的效率低下，监控覆盖范围有限，在夜间值守、多区域并发监控等场景下漏检率居高不下，已难以适配现代化监狱的智能化、精细化监管需求，因此研发具备实时性与高准确率的自缢行为检测技术，成为提升监狱安防智能化水平的关键突破口。

2、深度学习驱动的计算机视觉技术已在安防领域广泛落地，yolo系列等轻量检测模型因推理速度快，能满足实时监控的帧率要求，成为智能检测的常用选择，但面向监狱场景的自缢行为检测时，这类小模型受限于特征提取维度较浅，在衣物遮挡、低光照、铁栅栏遮挡等监狱复杂工况中易出现目标误判问题，实际检测准确率难以提升，无法满足监狱安防的高精准需求；而internvl、vit等大参数量模型凭借深度语义学习能力，在复杂场景理解任务中具备更高的识别准确率，却存在推理速度慢、对硬件算力要求严苛的根本性瓶颈，难以适配监狱多摄像头并发监控的部署条件。

3、在公告号为cn113223046b的中国发明专利中，公开了一种监狱人员行为识别的方法。该技术方案通过获取监控区域的监控图像，根据所述监控图像中监控目标的像素框，确定所述监控目标的位置信息，对所述监控目标进行跟踪；通过对跟踪的所述监控目标与预设身份信息进行匹配，识别所述监控目标的身份；判断与所述身份对应的所述监控目标的动作信息和所述位置信息，与预设身份的动作位置信息是否符合，在不符合的情况下生成报警信息，解决了监控目标行为识别准确率低和延迟高的问题，实现了准确和快速的识别监狱人员的行为。但是，上述方法在监狱低光照、铁栅栏遮挡等复杂工况下对自缢行为检测误判率较高，而且存在无专属特征提取、无法平衡检测速度与识别精度的问题。

技术实现思路

1、本发明所要解决的首要技术问题在于提供一种监狱场景自缢行为实时检测的方法。

2、本发明所要解决的另一技术问题在于提供一种监狱场景自缢行为实时检测的系统。

3、为实现上述技术目的，本发明采用以下的技术方案：

4、根据本发明实施例的第一方面，提供一种监狱场景自缢行为实时检测的方法，包括如下步骤：

5、s1：采用三级级联小模型对待检测视频帧进行自缢目标快速粗筛，所述三级级联小模型包括：

6、检测跟踪级，用于检测并跟踪监控场景中的行人目标，并根据行人密度和停留时长过滤无效样本；

7、属性分割级，用于对跟踪到的行人目标边界框进行自适应外扩，并对扩边区域内的头部、手臂和绳索进行像素级分割，根据绳索存在与否及与头部、手臂的空间关联规则进一步过滤非自缢目标；

8、分类判断级，用于将分割得到的头部、手臂、绳索区域以不同颜色掩码叠加至原图，形成视觉增强样本，并输入轻量化分类网络判断是否为自缢候选目标；

9、s2：构建监狱场景专用微调数据集，设计结构化提示模板，采用参数高效微调方法对预设的视觉大模型进行监督微调，使其适配监狱场景的自缢行为识别；

10、s3：将步骤s1输出的自缢候选目标的边界框进行等比例外扩，裁剪外扩后区域输入步骤s2监督微调后的视觉大模型，由该视觉大模型对自缢行为进行语义级深度复核；

11、s4：基于三级级联小模型与视觉大模型各自的分类精度建立决策融合规则：若两者均判定为自缢，则触发报警；若三级级联小模型判定为自缢而视觉大模型判定为非自缢，则以视觉大模型的结论为准，不触发报警。

12、其中较优地，采用优化后的yolov12模型实现所述检测跟踪级；所述优化包括：在特征融合网络中引入跨尺度注意力机制，并基于监狱场景行人尺寸分布重新聚类锚框。

13、其中较优地，所述自适应外扩的比例根据监狱场景实验验证确定，以包含自缢行为的关键特征区域。

14、其中较优地，采用优化后的分割模型实现所述属性分割级；所述优化包括：针对监狱场景中绳索的形态特征优化锚框适配机制，用于实现头部、手臂、绳索三类自缢强相关特征的分割。

15、其中较优地，所述轻量化分类网络基于监狱场景数据集训练，采用加权损失函数解决样本数据不平衡问题，输出自缢或者非自缢的二分类结果。

16、其中较优地，采用lora方法实施参数高效微调，冻结视觉大模型的视觉编码器与语言基座，仅对模型的连接层插入适配器进行端到端训练。

17、其中较优地，微调过程采用混合精度训练模式，同时使用余弦退火学习率调度和早停策略；

18、所述早停策略是指：当验证集精度连续多个训练轮数无提升或下降时，则立即停止训练，用于防止模型过拟合。

19、其中较优地，所述视觉大模型采用结合绳索承重特征、肢体姿态逻辑特征和背景物体属性特征的方式，进行语义级深度复核。

20、其中较优地，所述视觉大模型为internvl3-2b模型。

21、根据本发明实施例的第二方面，提供一种监狱场景自缢行为实时检测的系统，包括处理器和存储器；其中，所述存储器与所述处理器耦接，用于存储计算机程序，当该计算机程序被所述处理器执行时，使处理器实现上述方法

22、与现有技术相比较，本发明通过构建“小模型粗筛-大模型复核”的决策融合机制，设计自缢专属的头部、手臂、绳索属性分割、原图叠加分割mask的视觉特征增强策略，并对大模型进行监狱场景监督微调，解决了现有技术中仅依靠传统计算机视觉算法和规则匹配，在监狱低光照、铁栅栏遮挡等复杂工况下自缢行为检测误判率高，且无专属特征提取、无法平衡检测速度与识别精度的问题。

1.一种监狱场景自缢行为实时检测的方法，其特征在于包括如下步骤：

2.如权利要求1所述的方法，其特征在于采用优化后的yolov12模型实现所述检测跟踪级；

3.如权利要求1所述的方法，其特征在于所述自适应外扩的比例根据监狱场景实验验证确定，以包含自缢行为的关键特征区域。

4.如权利要求1所述的方法，其特征在于采用优化后的分割模型实现所述属性分割级；

5.如权利要求1所述的方法，其特征在于所述轻量化分类网络基于监狱场景数据集训练，采用加权损失函数解决样本数据不平衡问题，输出自缢或者非自缢的二分类结果。

6.如权利要求1所述的方法，其特征在于采用lora方法实施参数高效微调，冻结视觉大模型的视觉编码器与语言基座，仅对模型的连接层插入适配器进行端到端训练。

7.如权利要求6所述的方法，其特征在于微调过程采用混合精度训练模式，同时使用余弦退火学习率调度和早停策略；

8.如权利要求1所述的方法，其特征在于所述视觉大模型采用结合绳索承重特征、肢体姿态逻辑特征和背景物体属性特征的方式，进行语义级深度复核。

9.如权利要求8所述的方法，其特征在于所述视觉大模型为internvl3-2b模型。

10.一种监狱场景自缢行为实时检测的系统，其特征在于包括处理器和存储器；其中，所述存储器与所述处理器耦接，用于存储计算机程序，当该计算机程序被所述处理器执行时，使处理器实现权利要求1～9中任意一项所述的方法。