人体行为人工智能判断系统和方法与流程

1.本发明涉及人工智能领域，尤其涉及一种人体行为人工智能判断系统和方法。


背景技术：

2.人工智能的定义可以分为两部分，即“人工”和“智能”。“人工”需要考虑什么是人力所能及制造的，或者人自身的智能程度有没有高到可以创造人工智能的地步等，但总的来说，“人工系统”就是通常意义下的人工系统。而在“智能”方面，这涉及到其它诸如意识（consciousness）、自我（self）、思维（mind）（包括无意识的思维（unconscious_mind））等问题，人唯一了解的智能是人本身的智能，这是普遍认同的观点。但是人们对自身智能的理解都非常有限，对构成人的智能的必要元素也了解有限，所以就很难定义什么是“人工”制造的“智能”了。因此人工智能的研究往往涉及对人的智能本身的研究。其他关于动物或其它人造系统的智能也普遍被认为是人工智能相关的研究课题。
3.人工智能在计算机领域内，得到了愈加广泛的重视。并在机器人，经济政治决策，控制系统，仿真系统中得到应用。人工智能是计算机学科的一个分支，二十世纪七十年代以来被称为世界三大尖端技术之一（空间技术、能源技术、人工智能）。也被认为是二十一世纪三大尖端技术（基因工程、纳米科学、人工智能）之一。这是因为近三十年来它获得了迅速的发展，在很多学科领域都获得了广泛应用，并取得了丰硕的成果，人工智能已逐步成为一个独立的分支，无论在理论和实践上都已自成一个系统。
4.然而，人工智能的理论认知到人工智能的应用成熟之间仍存在很多问题需要探索和克服。例如，当希望基于人工智能模型来实现装备陈列室内的人体行为的智能判断时，例如，包括观看标签、偷窃装备、破坏装备、来回游逛和回放装备的各种人体行为，一方面，难以选择适合人体行为判断的合适的人工智能模型，另一方面，有效的训练机制的缺乏导致无法实现从现场采集数据到人体行为种类的信息映射。


技术实现要素：

5.为了解决上述问题，本发明提供了一种人体行为人工智能判断系统和方法，选择了针对性结构的深度信念网络模型建立人体图像与装备陈列室内人体行为的映射关系，在此基础上，采用装备陈列室内的各种人体行为以及每一种人体行为对应的预先选定数量的人体轮廓图片作为所述深度信念网络模型的训练数据，从而完成装备陈列室内同一人体对象分时数字图像到所述人体对象的人体行为的智能判断。
6.相比较于现有技术，本发明至少需要具备以下两处关键的发明点：（1）采用针对性结构的深度信念网络模型建立人体图像与人体行为的映射关系，以完成装备陈列室内同一人体对象分时数字图像到所述人体对象的人体行为的智能判断；（2）采用定制训练机制对深度信念网络模型进行训练，以获得精度高、智能水平可靠的行为判断机制，其中，采用每一种人体行为以及每一种人体行为对应的预先选定数量的人体轮廓图片对深度信念网络模型执行一次训练，以完成与各种人体行为对应的各次训
练，获取训练后的深度信念网络模型。
7.根据本发明的第一方面，提供了一种人体行为人工智能判断系统，所述系统包括：数据提取设备，设置在装备陈列室的控制室内，用于获取在装备陈列室内的各种人体行为以及每一种人体行为对应的预先选定数量的人体轮廓图片，各个人体轮廓图片的解析度相等，所述各种人体行为包括观看标签、偷窃装备、破坏装备、来回游逛和回放装备；参数调节设备，设置在所述控制室内，与所述数据提取设备连接，用于构造具有初始模型参数的深度信念网络模型，并采用所述数据提取设备获取的每一种人体行为以及每一种人体行为对应的预先选定数量的人体轮廓图片对所述深度信念网络模型执行一次训练，以完成与所述各种人体行为对应的各次训练，获取训练后的深度信念网络模型；内容采集设备，设置在装备陈列室内，用于对所述装备陈列室的当前采集时刻的内部场景执行图像采集动作，以获得对应的内容场景图像；对象分割设备，与所述内容采集设备连接，用于基于预设人体成像特征识别所述内容场景图像中的各个人体对象分别占据的各个人体图像块；行为判断设备，设置在所述控制室内，与所述对象分割设备连接，用于将预设时间长度内各个采集时刻分别对应的各个内容场景图像中同一人体对象的预先选定数量的人体图像块作为训练后的深度信念网络模型的多个输入数据，执行所述训练后的深度信念网络模型以将其单个输出数据作为所述人体对象在所述预设时间长度内的人体行为类型输出，所述预设时间长度等于所述预先选定数量与所述内容采集设备均匀采集的相邻两个采集时刻的时间间隔的乘积；远程报警设备，与所述行为判断设备电性连接且与负责维护所述装备陈列室的大数据服务器连接，用于在所述行为判断设备输出的人体行为类型为偷窃装备或者破坏装备时，将预设时间长度内各个采集时刻分别对应的各个内容场景图像压缩后传输给所述大数据服务器；其中，在所述参数调节设备中，所述深度信念网络模型具有多个输入数据、单个输出数据以及多个隐藏层；其中，在所述深度信念网络模型中，所述输入数据的总数等于所述预先选定数量，所述隐藏层的总数与所述各种人体行为的总数成正比；其中，执行每一次训练时，将相关人体行为对应的预先选定数量的人体轮廓图片作为所述深度信念网络模型的预先选定数量的输入数据，将相关人体行为作为所述深度信念网络模型的单个输出数据。
8.根据本发明的第二方面，提供了一种人体行为人工智能判断方法，所述方法包括使用如上述的人体行为人工智能判断平台以采用具有针对性结构的深度信念网络模型完成装备陈列室内同一人体对象分时数字图像到所述人体对象的人体行为的智能判断。
9.根据本发明的第三方面，提供了一种计算机可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序在被执行时实现如上述的人体行为人工智能判断方法的各个步骤。
附图说明
10.以下将结合附图对本发明的实施方案进行描述，其中：
图1为根据本发明的人体行为人工智能判断系统和方法的技术流程图。
11.图2为根据本发明的实施例1示出的人体行为人工智能判断系统的结构示意图。
12.图3为根据本发明的实施例2示出的人体行为人工智能判断系统的结构示意图。
13.图4为根据本发明的实施例3示出的人体行为人工智能判断系统的结构示意图。
14.图5为根据本发明的实施例4示出的人体行为人工智能判断系统的结构示意图。
15.图6为根据本发明的实施例6示出的计算机可读存储介质的示意图。
具体实施方式
16.人工智能是研究使计算机来模拟人的某些思维过程和智能行为（如学习、推理、思考、规划等）的学科，主要包括计算机实现智能的原理、制造类似于人脑智能的计算机，使计算机能实现更高层次的应用。
17.人工智能将涉及到计算机科学、心理学、哲学和语言学等学科。可以说几乎是自然科学和社会科学的所有学科，其范围已远远超出了计算机科学的范畴，人工智能与思维科学的关系是实践和理论的关系，人工智能是处于思维科学的技术应用层次，是他的一个应用分支。从思维观点看，人工智能不仅限于逻辑思维，要考虑形象思维、灵感思维才能促进人工智能的突破性的发展，数学常被认为是多种学科的基础科学，数学也进入语言、思维领域，人工智能学科也必须借用数学工具，数学不仅在标准逻辑、模糊数学等范围发挥作用，数学进入人工智能学科，他们将互相促进而更快地发展。
18.例如繁重的科学和工程计算本来是要人脑来承担的，如今计算机不但能完成这种计算，而且能够比人脑做得更快、更准确，因此当代人已不再把这种计算看作是“需要人类智能才能完成的复杂任务”，可见复杂工作的定义是随着时代的发展和技术的进步而变化的，人工智能这门科学的具体目标也自然随着时代的变化而发展。他一方面不断获得新的进展，另一方面又转向更有意义、更加困难的目标。
19.具体到人工智能在装备陈列室的应用中，装备维护者希望在无人管理场景下能够对装备陈列室内的每一人体对象的当前人体行为类型进行智能化解析，各种人体行为包括观看标签、偷窃装备、破坏装备、来回游逛和回放装备等，以在确定存在偷窃装备或者破坏装备的恶劣人体行为时执行相应的报警操作和信息记录操作，从而降低装备陈列室的管理成本。然而，现有技术中缺乏相应的人工智能判断模型。
20.为了克服上述不足，本发明搭建了一种人体行为人工智能判断系统和方法，通过人工智能判断模型的比较构建了深度信念网络模型用于判断无人管理场景下装备陈列室内的每一人体对象的当前人体行为类型，并在确定存在偷窃装备或者破坏装备的恶劣人体行为时执行相应的报警操作和信息记录操作，从而形成对装备陈列室秩序的维护，其中尤为关键的是，深度信念网络模型的训练数据的储备和运用，保证了人体行为类型判断的准确性和可靠性。
21.如图1所示，给出了根据本发明示出的人体行为人工智能判断系统和方法的技术流程图。
22.首先，储备大量的用于人工智能判断模型的训练数据，即已知种类的人体行为以及每一已知种类的人体行为对应的预先选定数量的人体轮廓图片，各种已知人体行为包括观看标签、偷窃装备、破坏装备、来回游逛和回放装备等
其次，构建基于深度信念网络的人工智能判断模型，所述人工智能判断模型具有多个输入数据、单个输出数据以及多个隐藏层，如图1所示，所述人工智能判断模型具有p个输入数据和单个输出数据，隐藏层中的数据用p来表示，所述输入数据的总数等于所述预先选定数量，所述隐藏层的总数与所述各种人体行为的总数成正比以实现判断复杂度的匹配，以及相关人体行为对应的预先选定数量的人体轮廓图片作为模型的预先选定数量的输入数据，将相关人体行为作为模型的单个输出数据；再次，采用储备的用于人工智能判断模型的训练数据完成对模型的多次训练，以保证模型的精度；最后，采集现场的每一人体对象的预先选定数量的人体图像，如图1所示，采用分布在装备陈列室不同位置的采集部件例如具有无线通讯功能的rgb感知设备，对装备陈列室不同区域执行图像采集，并将采集的不同图像进行拼接以获得后续用于人体对象分析的待处理图像，或者，采用单个全景采集部件对装备陈列室执行全景图像采集，并将采集到的全景图像用于后续的人体对象分析，随后，将所述预先选定数量的人体图像输入到训练后的模型以完成无人管理场景下装备陈列室每一人体对象的当前行为的智能化判断，并在判断结果为偷窃装备或破坏装备的异常行为时通过远程报警设备向大数据服务器发送相应的报警信息以执行相应的报警操作。
23.本发明的关键点在于，一方面，选择了能够完成装备陈列室内同一人体对象分时数字图像到所述人体对象的人体行为种类的信息映射的深度信念网络用于搭建人工智能判断模型，另一方面，储备了足够且有效的训练数据实现对搭建的人工智能判断模型的针对性训练，从而保证了训练后的模型的精度，从而采用电子监控机制替换人工监控机制执行对无人管理场景下装备陈列室内部异常人体行为的检测和报警，为装备陈列室的运营降低了人力成本。
24.下面，将对本发明的人体行为人工智能判断系统和方法以实施例的方式进行具体说明。
25.实施例1图2为根据本发明的实施例1示出的人体行为人工智能判断系统的结构示意图。
26.如图2所示，所述人体行为人工智能判断系统包括以下部件：数据提取设备，设置在装备陈列室的控制室内，用于获取在装备陈列室内的各种人体行为以及每一种人体行为对应的预先选定数量的人体轮廓图片，各个人体轮廓图片的解析度相等，所述各种人体行为包括观看标签、偷窃装备、破坏装备、来回游逛和回放装备；参数调节设备，设置在所述控制室内，与所述数据提取设备连接，用于构造具有初始模型参数的深度信念网络模型，并采用所述数据提取设备获取的每一种人体行为以及每一种人体行为对应的预先选定数量的人体轮廓图片对所述深度信念网络模型执行一次训练，以完成与所述各种人体行为对应的各次训练，获取训练后的深度信念网络模型；内容采集设备，设置在装备陈列室内，用于对所述装备陈列室的当前采集时刻的内部场景执行图像采集动作，以获得对应的内容场景图像；对象分割设备，与所述内容采集设备连接，用于基于预设人体成像特征识别所述内容场景图像中的各个人体对象分别占据的各个人体图像块；行为判断设备，设置在所述控制室内，与所述对象分割设备连接，用于将预设时间
长度内各个采集时刻分别对应的各个内容场景图像中同一人体对象的预先选定数量的人体图像块作为训练后的深度信念网络模型的多个输入数据，执行所述训练后的深度信念网络模型以将其单个输出数据作为所述人体对象在所述预设时间长度内的人体行为类型输出，所述预设时间长度等于所述预先选定数量与所述内容采集设备均匀采集的相邻两个采集时刻的时间间隔的乘积；远程报警设备，与所述行为判断设备电性连接且与负责维护所述装备陈列室的大数据服务器连接，用于在所述行为判断设备输出的人体行为类型为偷窃装备或者破坏装备时，将预设时间长度内各个采集时刻分别对应的各个内容场景图像压缩后传输给所述大数据服务器；其中，在所述参数调节设备中，所述深度信念网络模型具有多个输入数据、单个输出数据以及多个隐藏层；其中，在所述深度信念网络模型中，所述输入数据的总数等于所述预先选定数量，所述隐藏层的总数与所述各种人体行为的总数成正比；其中，执行每一次训练时，将相关人体行为对应的预先选定数量的人体轮廓图片作为所述深度信念网络模型的预先选定数量的输入数据，将相关人体行为作为所述深度信念网络模型的单个输出数据。
27.实施例2图3为根据本发明的实施例2示出的人体行为人工智能判断系统的结构示意图。
28.如图3所示，相比较于本发明的实施例1，所述人体行为人工智能判断系统还包括：特征存储设备，与所述对象分割设备连接，用于存储预设人体成像特征，所述预设人体成像特征为预设人体颜色成像特征和/或预设人体外形成像特征。
29.实施例3图4为根据本发明的实施例3示出的人体行为人工智能判断系统的结构示意图。
30.如图4所示，相比较于本发明的实施例1，所述人体行为人工智能判断系统还包括：大数据服务器，用于同时负责维护某一城市区域内的各个装备陈列室，与其负责维护的各个装备陈列室分别对应的各个远程报警设备通过无线网络连接。
31.实施例4图5为根据本发明的实施例4示出的人体行为人工智能判断系统的结构示意图。
32.如图5所示，相比较于本发明的实施例1，所述人体行为人工智能判断系统还包括：图像提质设备，设置在所述内容采集设备和所述对象分割设备之间，用于对接收到的内容场景图像执行高斯白噪声滤除处理以及脉冲噪声滤除处理，以获得定向去噪图像，并将所述定向去噪图像替换相应的内容场景图像输入到所述对象分割设备。
33.在上述实施例的任一实施例中，可选地，在所述人体行为人工智能判断系统中：采用所述数据提取设备获取的每一种人体行为以及每一种人体行为对应的预先选定数量的人体轮廓图片对所述深度信念网络模型执行一次训练，以完成与所述各种人体行为对应的各次训练，获取训练后的深度信念网络模型包括：每完成一次训练，获得的深度信念网络模型的模型参数发生与训练匹配的相应调节。
34.在上述实施例的任一实施例中，可选地，在所述人体行为人工智能判断系统中：执行每一次训练时，将相关人体行为对应的预先选定数量的人体轮廓图片作为所
述深度信念网络模型的预先选定数量的输入数据，将相关人体行为作为所述深度信念网络模型的单个输出数据包括：每一输入数据为相关人体轮廓图片的二进制码，单个输出数据为相关人体行为的二进制码；其中，每一输入数据为相关人体轮廓图片的二进制码，单个输出数据为相关人体行为的二进制码包括：相关人体轮廓图片的二进制码为所述人体轮廓图片的各个像素点的各个像素值二进制表示后的各个二进制数值按照先左后右以及先上后下的顺序依次连接获得的二进制数值，所述相关人体行为的二进制码为相关人体行为的字符串对应的二进制数值。
35.其中，每一种人体行为对应的预先选定数量的人体轮廓图片中，每一帧人体轮廓图片仅仅包括单个人体轮廓。
36.在上述实施例的任一实施例中，可选地，在所述人体行为人工智能判断系统中：基于预设人体成像特征识别所述内容场景图像中的各个人体对象分别占据的各个人体图像块包括：当所述预设人体成像特征为预设人体颜色成像特征时，将所述内容场景图像中具有的颜色通道的数值与预设人体颜色成像特征匹配的像素点作为构成人体图像块的单个像素点；其中，基于预设人体成像特征识别所述内容场景图像中的各个人体对象分别占据的各个人体图像块还包括：当所述预设人体成像特征为预设人体外形成像特征时，将所述内容场景图像中具有的边缘形状与预设人体外形成像特征对应图片的边缘形状匹配的图像块作为单个人体图像块；其中，相关人体轮廓图片的二进制码为所述人体轮廓图片的各个像素点的各个像素值二进制表示后的各个二进制数值按照先左后右以及先上后下的顺序依次连接获得的二进制数值，所述相关人体行为的二进制码为相关人体行为的字符串对应的二进制数值包括：所述人体轮廓图片的每一个像素点的像素值的二进制表示获得的二进制数值为所述像素点各个颜色通道分别二进制表示后获得的各个二进制数值依次连接所获得的二进制数值；其中，所述人体轮廓图片的每一个像素点的像素值的二进制表示获得的二进制数值为所述像素点各个颜色通道分别二进制表示后获得的各个二进制数值依次连接所获得的二进制数值包括：当所述各个颜色通道为rgb颜色通道时，所述像素点各个颜色通道分别二进制表示后获得的各个二进制数值依次连接所获得的二进制数值为所述像素点r颜色通道、g颜色通道和b颜色通道分别二进制表示后获得的各个二进制数值按照rgb的连接顺序依次连接所获得的二进制数值。
37.实施例5在本实施例中，本发明搭建了一种人体行为人工智能判断方法，所述方法包括使用如上述的人体行为人工智能判断平台以采用具有针对性结构的深度信念网络模型完成装备陈列室内同一人体对象分时数字图像到所述人体对象的人体行为的智能判断。
38.实施例6图6为根据本发明的实施例6示出的计算机可读存储介质的示意图。如图6所示，根据本公开实施例的计算机可读存储介质60，其上存储有非暂时性计算机可读指令61。当该非暂时性计算机可读指令61由处理器运行时，执行前述的本发明的实施例6的人体行为人
工智能判断方法的全部或部分步骤。
39.另外，深度信念网络（deep belief network, dbn）由geoffrey hinton提出。他是一种生成模型，通过训练其神经元间的权重，人们可以让整个神经网络按照最大概率来生成训练数据。人们不仅可以使用 dbn 识别特征、分类数据，还可以用他来生成数据。
40.dbn 由多层神经元构成，这些神经元又分为显性神经元和隐性神经元（以下简称显元和隐元）。显元用于接受输入，隐元用于提取特征。因此隐元也有个别名，叫特征检测器（feature detectors）。最顶上的两层间的连接是无向的，组成联合内存（associative memory）。较低的其他层之间有连接上下的有向连接。最底层代表了数据向量（data vectors），每一个神经元代表数据向量的一维。
41.dbn的组成元件是受限玻尔兹曼机（restricted boltzmann machines, rbm）。训练dbn的过程是一层一层地进行的。在每一层中，用数据向量来推断隐层，再把这一隐层当作下一层（高一层）的数据向量。如前所述，rbm是dbn的组成元件。事实上，每一个rbm都可以单独用作聚类器。rbm只有两层神经元，一层叫做显层（visible layer），由显元（visible units）组成，用于输入训练数据。另一层叫做隐藏层（hidden layer），相应地，由隐元（hidden units）组成，用作特征检测器（feature detectors）。
42.应注意到，显层和隐藏层内部的神经元都没有互连，只有层间的神经元有对称的连接线。这样的好处是，在给定所有显元的值的情况下，每一个隐元取什么值是互不相关的。也就是说，同样，在给定隐藏层时，所有显元的取值也互不相关：有了这个重要性质，人们在计算每个神经元的取值情况时就不必每次计算一个，而是同时并行地计算整层神经元。
43.需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
44.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
45.上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本发明的保护之内。