一种基于人体动态行为特征识别的智能安防系统及其实现方法

1.本发明涉及图像识别领域，具体涉及到一种基于人体动态行为特征识别的智能安防系统及其实现方法。


背景技术：

2.伴随着视频采集设备的普及，以及计算机视觉技术的发展，越来越多的视频监控设备应用到安保工作中。如果仍然采用以往的人眼监视摄像头画面的方式去进行警戒，显然是对人力、物力的极大浪费。互联网的飞速发展，给了我们更多的选择方式，同时强大的数据处理能力，大量的数据资源都为实现智慧安防奠定了基础。安保工作逐步脱离人力的束缚，进入自动化，智能化，网络化的阶段，在该阶段视频处理算法以及智能安保策略成为决定安保工作质量的主要因素。
3.现有的智慧安防系统中人脸识别大多应用于门禁，通过人脸识别将获取到的人脸数据与提前录入的人脸数据比对，从而达到限制外来人员出入特定区域的效果。然而在动态场景中通过摄像头进行图像采集时经常会遇到因为口罩、帽子、面具等遮挡而无法采集到完整图像数据的情况。
4.同时正如世界上没有完全相同的两片叶子，几乎不存在可以达到一模一样的两个生物。以人为例，即使两个双胞胎，外表上几乎一样，便可以躲避很多像人脸识别、虹膜识别等常见的物体识别手段。但作为一个生命体的存在来说，它是动态的，是随着周围的环境变化和随时间的演变，会逐渐形成其特有的行为特征，或者说是一些细微到我们无法通过肉眼去直接观察到的程度。
5.因此需要一种识别方法可以在动态场景中对不同对象的动态行为特征进行识别，通过动态行为特征的相似度锁定相应的对象，并对监视画面中出现的危险行为进行预警。


技术实现要素：

6.本发明的目的就是为了克服上述现有技术在动态场景监控中存在的缺陷而提供一种基于人体动态特征识别的智能安防系统及其实现方法。
7.本发明的目的可以通过以下技术方案实现：
8.一种基于人体动态特征识别的智慧安防系统，由数据采集模块、动态特征捕捉模块、行为动态学习模块、动态特征识别模块和预警模块组成：
9.监控摄像头采集监控区域的视频数据并转递给动态特征捕捉模块；
10.所述动态特征捕捉模块对获取到的视频数据进行预处理并传递给行为动态特征学习模块以及动态特征识别模块；
11.所述行为动态学习模块对采集到的数据，以及录入的常见危险行为数据进行训练、学习，形成相应的行为模型并传递给动态特征识别模块；
12.所述动态特征识别模块采用深度神经网络算法在本地终端对所述的视频数据进
行识别，并将识别结果传递给预警模块；
13.所述行为预警模块将检测到的危险行为和未知行为展示给用户进行预警，从用户端获取对未知行为的危险性判断，以及是否忽略该类危险行为，根据反馈结果对行为标记进行相应修改并传递给行为动态学习模块；
14.所述行为动态学习模块在原有数据基础上，添加接受到的数据并学习训练新的行为模型并传递给动态特征识别模块；
15.所述动态特征识别模块获取新的模型后在一定时间段内对识别模型进行更新。
16.进一步的，所述行为动态捕捉模块拉取不同区域内的监控视频数据，并对所获得的人体动态行为的视频划分为不同视频片段，将不同视频片段包含的不同的重叠图像帧通过设定的标注组建标签文件，不同形式的文件放置在相同的视频片段中。将预处理后的视频数据传送给动态特征识别模块，由动态特征识别模块进行识别分类。
17.进一步的，所述动态特征识别模块从行为动态捕捉模块获取到经过预处理的视频片段人工神经数据层将视频通过相应标签发送至数据库，计算上述模型的权值并且提取视频中相应的人体动态行为特征，将不同视频段的特征进行平均后，能够获得视频描述符，将描述符与其它特征相结合用于人体动态行为分类。分别从不同帧的图像中提取一个特征，并针对不同模型形成的融合特征进行分类，选用svm分类方法，利用组合多个分类器来完成多分类器的组建，将测试数据放入经过训练的分类器中，分别采用不同的分类器针对不同类型的测试数据进行分类，并将分类结果发送给行为预警模块。
18.进一步的所述行为预警模块将检测到的危险性行为和未知行为以列表的形式反馈给用户，从而进行预警，并由用户对该异常行为进行反馈，判定是否属于需要预警的异常行为。当用户将未知行为判定为危险性行为时，为该行为添加标签并将相应数据发送给行为动态特征学习模块记录并学习相应的行为，在已有模型的基础上训练形成新的行为模型，并在一定时间段内对动态特征识别模块使用的行为模型进行更新，使得该安防系统在不断学习的过程中得以不断完善和优化。
19.一种基于人体动态特征识别的智慧安防系统实现方法，采用如下步骤：
20.s1,开启系统，获取数据；
21.s2,动态特征捕捉模块对调取到的视频数据进行预处理，并将预处理结果传递给行为动态特征学习模块；
22.s3，行为动态特征学习模块使用深度神经网络算法，基于系统现有的输入数据，训练行为动态特征模型，并将模型传递给动态特征识别模块；
23.s4,动态特征识别模块用获取到的行为动态特征模型对视频数据中的行为动态特征进行识别，并将识别结果进行传递；
24.s5，对动态特征识别模块的的识别结果进行判断，若识别到危险行为或者未知行为将该识别结果和对应行为的视频数据传递给预警模块，否则将识别结果和该行为动态特征作为数据集传递给行为动态特征学习模块，进行模型优化更新；
25.s6,预警模块将异常行为的视频数据传递给用户，并由用户做出预警反馈，即是否认为该异常行为是危险行为，用户可将某些危险行为设置为安全行为，即该行为危险性发生变更，下次识别到该行为时不进行预警；
26.s7,预警模块将预警结果进行判断，若有行为特征发生了危险性变更，则将该行为
特征和修改结果作为数据集传递给行为动态特征学习模块来进行模型优化更新，否则继续获取数据进行预警。
27.本发明能够在动态场景中对不同对象的动态行为特征进行识别，通过动态行为特征的相似度锁定相应的对象，并对监视画面中出现的危险行为进行预警。
附图说明
28.图1是本发明的基于人体动态行为特征识别的智能安防系统流程图；
29.图2是本发明智能安防系统应用示例图。
具体实施方式
30.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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他实施例，都应当属于本发明保护的范围。
31.下面将参考附图并结合实施例来详细说明本发明。
32.一种基于人体动态特征识别的智慧安防系统，由数据采集模块、动态特征捕捉模块、行为动态学习模块、动态特征识别模块和预警模块组成：
33.监控摄像头采集监控区域的视频数据并转递给动态特征捕捉模块；
34.所述动态特征捕捉模块对获取到的视频数据进行预处理并传递给行为动态特征学习模块以及动态特征识别模块；
35.所述行为动态学习模块对采集到的数据，以及录入的常见危险行为数据进行训练、学习，形成相应的行为模型并传递给动态特征识别模块；
36.所述动态特征识别模块采用深度神经网络算法在本地终端对所述的视频数据进行识别，并将识别结果传递给预警模块；
37.所述行为预警模块将检测到的危险行为和未知行为展示给用户进行预警，从用户端获取对未知行为的危险性判断，以及是否忽略该类危险行为，根据反馈结果对行为标记进行相应修改并传递给行为动态学习模块；
38.所述行为动态学习模块在原有数据基础上，添加接受到的数据并学习训练新的行为模型并传递给动态特征识别模块；
39.所述动态特征识别模块获取新的模型后在一定时间段内对识别模型进行更新。
40.进一步的，所述行为动态捕捉模块拉取不同区域内的监控视频数据，并对所获得的人体动态行为的视频划分为不同视频片段，将不同视频片段包含的不同的重叠图像帧通过设定的标注组建标签文件，不同形式的文件放置在相同的视频片段中。将预处理后的视频数据传送给动态特征识别模块，由动态特征识别模块进行识别分类。
41.进一步的，所述动态特征识别模块从行为动态捕捉模块获取到经过预处理的视频片段人工神经数据层将视频通过相应标签发送至数据库，计算上述模型的权值并且提取视频中相应的人体动态行为特征，将不同视频段的特征进行平均后，能够获得视频描述符，将描述符与其它特征相结合用于人体动态行为分类。分别从不同帧的图像中提取一个特征，并针对不同模型形成的融合特征进行分类，选用svm分类方法，利用组合多个分类器来完成
多分类器的组建，将测试数据放入经过训练的分类器中，分别采用不同的分类器针对不同类型的测试数据进行分类，并将分类结果发送给行为预警模块。
42.进一步的所述行为预警模块将检测到的危险性行为和未知行为以列表的形式反馈给用户，从而进行预警，并由用户对该异常行为进行反馈，判定是否属于需要预警的异常行为。当用户将未知行为判定为危险性行为时，为该行为添加标签并将相应数据发送给行为动态特征学习模块记录并学习相应的行为，在已有模型的基础上训练形成新的行为模型，并在一定时间段内对动态特征识别模块使用的行为模型进行更新，使得该安防系统在不断学习的过程中得以不断完善和优化。
43.根据图1所示，将该智能安防系统应用到校园安防中时，首先需要采集学生及教职工活动视频数据，利用动态特征捕捉模块对视频数据进行预处理，利用行为动态特征学习模块对学生及教职工的行为动态特征以及常见的危险行为特征进行训练和学习，形成相应的行为模型并传递给动态特征识别模块作为其识别依据。系统运行过程中，监控摄像头对整个校园区域出现的对象进行检测，当检测识别到不符合已录入学生及教职工行为特征时标记为未知人员，并保存该对象的动态视频数据，实时将识别结果传递给行为预警模块；未检测到系统录入危险行为或未知行为时继续对监控区域进行实时识别和检测。预警模块将检测到的危险性行为和未知行为以列表的形式反馈给用户，从而进行预警，并由用户对该异常行为进行反馈，判定是否属于需要预警的异常行为。当用户将未知行为判定为危险性行为或允许某些已设危险行为发生时，为该行为添加标签并将相应数据发送给行为动态特征学习模块记录并学习相应的行为，在已有模型的基础上训练形成新的行为模型，并在一定时间段内对动态特征识别模块使用的行为模型进行更新，使得该安防系统在不断学习的过程中得以不断完善和优化；当没有危险性变更时继续对监控区域进行实时识别和检测。
44.根据图2所示当需要拥有需检索对象的部分视频数据时，可以通过本系统中的动态行为特征捕捉模块对视频数据进行预处理，动态特征识别模块根据情况提取视频数据中对象的行为特征，模拟生成一版行为模型，并不断通过监控摄像头获取防区内行人的相应行为特征进行对比、识别返回与之匹配度最高的几个对象相应特征及视频数据，以出现过的摄像头设备编号，从而能够更好的锁定所需寻找的对象，并获取其在防区内的活动区域。
45.s1,开启系统，获取数据；s2,动态特征捕捉模块对调取到的视频数据进行预处理，并将预处理结果传递给行为动态特征学习模块；s3，行为动态特征学习模块使用深度神经网络算法，基于系统现有的输入数据，训练行为动态特征模型，并将模型传递给动态特征识别模块；s4,动态特征识别模块用获取到的行为动态特征模型对视频数据中的行为动态特征进行识别，并将识别结果进行传递；s5，对动态特征识别模块的识别结果进行判断，若识别到危险行为或者未知行为将该识别结果和对应行为的视频数据传递给预警模块，否则将识别结果和该行为动态特征作为数据集传递给行为动态特征学习模块，进行模型优化更新；s6,预警模块将异常行为的视频数据传递给用户，并由用户做出预警反馈，即是否认为该异常行为是危险行为，用户可将某些危险行为设置为安全行为，即该行为危险性发生变更，下次识别到该行为时不进行预警；s7,预警模块将预警结果进行判断，若有行为特征发生了危险性变更，则将该行为特征和修改结果作为数据集传递给行为动态特征学习模块来进行模型优化更新，否则继续获取数据进行预警。
46.显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用
的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
47.以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。