一种基于图像识别的自闭症儿童安全监控系统及方法

1.本发明涉及安全监控技术领域，具体为一种基于图像识别的自闭症儿童安全监控系统及方法。


背景技术：

2.自闭症是一种发育性障碍，在自闭症儿童的成长过程中，家庭成为自闭症儿童最为直接和重要的支持体系，自闭症的治疗、康复和重归社会是一个艰难而复杂的过程，自闭症儿童的照料和干预训练需要花巨大的精力，至少需要父母一方进行脱产照顾自闭症儿童，自闭症儿童往往存在严重的社会交往障碍、语言障碍和刻板重复等异常行为，同时自闭症儿童极大可能的出现破坏性行为和自残行为，对于一个具有严重破坏性行为的自闭症儿童，在他破坏性行为消失之前需要监护人进行密切的监护和跟踪，自闭症儿童往往缺乏对于事务的判断力，不懂得自己的行为会造成什么样的后果，不明白自己的行为会对自己带来什么样的伤害；自闭症儿童常常会出现自伤行为，例如撞头、扣手、拍打自己，自伤行为可能是病人遭遇挫折、困惑，自伤行为可能是由于无事可做，自伤行为可能是由于被监护人员一时的忽视，这就导致监护人员不仅需要耗费极大的精力帮助自闭症儿童进行社会化训练，监护人员还需要时刻保持警惕来处理自闭症儿童对于怪异行为和应激反应，据调查，监护自闭症儿童的人员常常具有不同程度的因焦虑和心理压力导致的心理疾病。


技术实现要素：

3.本发明的目的在于提供一种基于图像识别的自闭症儿童安全监控系统及方法，以解决上述背景技术中提出的问题。
4.为了解决上述技术问题，本发明提供如下技术方案：一种基于图像识别的自闭症儿童安全监控系统，该系统包括前端视频采集模块、视频传输模块、管理控制模块、行为检测模块、行为校正模块、危险行为标注模块和危险行为分类器；
5.所述前端视频采集模块采集前端监控设备拍摄的原始视频信号，所述视频传输模块对原始视频信号进行编码，编码后通过网络服务协议进行传输，所述管理控制模块控制前端监控设备，对于视频和声音信号进行存储和云备份，所述管理控制模块加装时间发生器，叠加时间进入图像，所述行为检测模块接收视频信号，调用危险行为分类器对于视频中的人物进行行为检测，标注人物的危险行为，输出标注信息至终端和行为校正模块，所述终端实时显示监控画面和行为标注结果，所述行为校正模块根据人物危险行为给出不同的校正措施，所述危险行为标注模块提供窗口让用户的监护人员和医护人员标注保存的视频文件中的危险行为，所述危险行为分析模块将标注文件输入危险行为模块，帮助危险行为分类器进一步训练，所述危险行为分类器提取危险行为的特征并进行分类输出。
6.视频监控系统帮助监护人可以实时获得有效的数据、图像或声音信息，对突发性异常事件的过程进行及时的监视和记忆，用以提供短时间简单的回应和处理，帮助医生人员在事件之后进行有效的及时的有高度的复盘和分析，推动对于自闭症儿童的理解，帮助
自闭症儿童能够在舒适的环境对于社会进行学习和融入。
7.所述行为校正模块接收用户正在作出危险行为，根据危险行为的等级作出对应的校正措施；
8.当危险行为等级为一，所述行为校正模块记录危险行为和用户危险行为的时长，保存对应的标注视频，生成记录文件发送给监护人员；
9.当危险行为等级为二，所述行为校正模块记录危险行为和用户危险行为的时长，保存对应的标注视频，生成记录文件发送给监护人员，并在用户危险行为存续期间发出指令，促使用户进入新的动作和行为；
10.当危险行为等级为三，所述行为校正模块记录危险行为和用户危险行为的时长，保存对应的标注视频，生成记录文件发送给监护人员同时向监护人员发出警告，向用户发出刺激行为；
11.当危险行为等级为四，所述行为校正模块记录危险行为和用户危险行为的时长，保存对应的标注视频，生成记录文件发送给监护人员同时向监护人员发出警告，向用户发出提前设置好的安抚用语。
12.自闭症儿童做出奇怪动作或自伤行为的原因主要有两个方面，一是可能遭遇挫折或者困惑不解，二是，自闭症儿童处于无聊无所事事的状态，处在集体中却未被注意到的状态，让自闭症儿童能够舒缓身心，避免对于环境的抵触，停止当前的焦虑行为，帮助他们控制自己的身体，从当前的焦虑情绪中释放舒缓出来，消除自闭症儿童对于未知失去秩序的恐惧，促使自闭症儿童越来越多的主动适应融入社会，实现自闭症儿童与社会环境的平衡和谐。
13.对于危险等级为一的行为，即无害的行为，适当的漠视尊重自闭症儿童无害的奇怪行为，给予自闭症儿童在无害程度控制自己身体的自由；
14.当危险行为等级为二，即无害的行为但是需要被校正的行为，发出一些指令，让自闭症儿童脱离当下的行为情景，学习新的行为，让他有事可做，无法进一步的产生自伤行为；
15.当危险行为等级为三，即行为存在危害的可能，并且是自闭症儿童开始过激反应的前兆行为，通过刺激行为产生新的兴趣点，吸引自闭症儿童脱离当下的行为和情绪，帮助自闭症儿童发泄心中的恐惧情绪，找到当下环境与他人产生交流的可能性，帮助自闭症儿童重新掌控身体；
16.当危险行为等级为四，即行为会产生危险或者是自闭症儿童过激反应自伤行为，通过提前录入的监护人的安抚用语，对自闭症儿童进行安抚，并且及时通知监护人员，对自闭症儿童采取进一步的安抚措施。
17.所述刺激行为包括模拟自然的声音、模拟动物的叫声、播放悠扬的音乐，所述行为校正模块记录不同的安抚用语和刺激行为对于用户的影响力，对比同等级的危险行为的时间，根据危险行为的时间的长短对采取的安抚用语或刺激行为进行排序，生成报表发送给用户的监护人。
18.刺激行为不包括响亮的提示声、明亮的灯光闪烁等具有刺激性的提示，自闭症儿童往往对于可以被新的兴趣点吸引，而停下来当前的刻板行为，
19.自闭症儿童不能接受强光和噪声、不能接受触碰、容易重复无目的无意义的行为，
按照一定的顺序活动，喜欢三原色、喜欢圆形和弧形，在尊重自闭症儿童的行为逻辑的基础上，对于自闭症儿童进行安抚和行为校正。
20.一种基于图像识别的自闭症儿童安全监控方法，该方法的具体步骤包括：
21.步骤一：前端视频采集模块采集获取实时视频数据；
22.步骤二：单位时间抽取视频帧，将视频转换成图像；
23.步骤三：行为检测模块检测视频帧中是否存在人，将人物从画面中分割出来；
24.步骤四：获取人体的关键点；
25.步骤五：将获取到的人体关键点进行逻辑判断，当人体关键点符合危险行为，将危险行为标注输入行为校正模块；
26.步骤六：行为校正模块根据危险行为对应的危险等级采取对应的校正措施；
27.安全监控系统用于补充监护人员对于自闭儿童的照顾，自闭症儿童不是智力障碍而是社交障碍，同时缺乏对于社会规则和安全规则的理解，对于自闭症儿童的危险行为进行识别并进行简单措施的校正，向自闭症儿童的监护人发出警告和提示，帮助自闭症儿童理解安全规则，帮助监护人员看护自闭症儿童，减轻监护人员的监护负担。
28.约束自闭症儿童自残行为，识别到存在自残行为向监护人发出警告，自残行为包括打自己、撞头、抠眼，根据识别到的行为，判断自闭儿童此时的自伤行为等级，做出不同的判断，判断包括向监护人发出警告、使用刺激转移自闭症儿童的兴趣，发出一些指令，让他进入新的动作和行为，将全过程记录下来，帮助监护人和治疗医师进行分析和判断自闭症儿童的行为原因，解读自闭症儿童的行为背后的原因，有目标有计划的给与自闭症儿童帮助，根据实际情况不断的调整不同危险行为的危险等级。
29.所述行为检测模块包括人体检测模块、人体关键点提取模块和危险行为判断，所述人体检测模块检测并提取视频帧中的人物输入人体关键点提取模块，所述人体关键点提取人体关键点输入危险行为判断模块，当人体的关键点符合危险行为，对危险行为进行标注并输出；
30.所述行为检测模块基于yolo算法搭建网络，数据集标注人体、头和四肢的信息，以cspdarknet53为骨干网络，通过panet进行特征融合，通过yolov3对于输出的图片进行识别，输入视频帧图像数据，输出视频帧中的人体、头和四肢标注信息，将人体从视频帧中分割出来，所述视频帧图像数据将rgb三通道的数据转化为一维数据，具体公式为:
31.i＝(60r 118g 22b 50)/200
32.其中，i表示新的一维数据，rgb表示原三通道图像数据。
33.所述人体关键点提取模块接收人体分割图像，所述人体分割图像标注了头和四肢，所述人体分割图像归一化为368*368和人体关节点约束输入基于cpms算法的网络，通过深度卷积网络从已标注的头和四肢中预测人体关键点的位置，感受野大小为160*160，最终回归长度为p 1的输出向量，表示每个感受野的人体关键点存在的可能性，不断重复网络最终输出人体关键点；
34.损失函数的具体计算公式为：
35.36.其中，t表示网络重复训练次数，p表示人体关键点，z表示输入的人体分割图像的所有点的集合，表示t次网络重复训练生成的特征值，表示特征值与人体关键点的距离。
37.原本的cpms算法需要从全图中不断的进行预测，通过网络的重复训练，在人体关节点的约束下，不断的获得更加准确的人体关节点，基于行为检测模块在已经标注好头和四肢的人体分割图像，以更小的计算量获得更加准确的预测数据，极大程度的避免了模型训练过程中产生的梯度消息的问题。
38.所述危险行为判断包括咬手判断、抓脸判断、拍打胸部判断、拍头判断；
39.所述咬手判断方法：当手关节点与头关节点距离小于咬手阈值，且累积距离小咬手阈值的时间大于咬手阈值，手肘关节点与肩的角度持续在咬手范围内变化，判断用户存在咬手行为；
40.所述抓脸判断方法：当手关节点与头关节点接触，且产生上下移动，移动速度超出抓脸阈值判断用户存在抓脸行为；
41.所述拍打胸部判断方法：当手关节点与躯干关节点间歇接触，接触时间小于拍打阈值，间歇时间小于间歇阈值，判断用户存在拍打胸部行为；
42.所述拍头判断方法：当手关节点与头关节点间歇接触，接触时间小于拍打阈值，间歇时间小于间歇阈值，判断用户存在拍头行为。
43.通过逻辑判断可以准确的获知自闭症儿童是否做出以上的行为，以极小的代价做出准确的判断。
44.该方法的具体步骤还包括：
45.步骤七：用户的监护人员或者治疗医生在已保存的视频文件中对于新危险动作进行标注，标注内容包括新危险行为的起始、命名和危险等级；
46.步骤八：危险行为标注模块将标注文件转换成标准输出，和原始输入一起放入危险行为分类器；
47.步骤九：所述危险行为分类器提取关键点特征，进行训练，获得新动作分类器模型；
48.步骤十：所述行为检测模块检测行为后，将视频文件输入危险行为分类器，所述危险行为分类器识别新危险动作，将新危险行为标注输入行为校正模块；
49.步骤十一：所述行为校正模块根据危险行为对应的危险等级采取对应的校正措施。
50.根据用户的使用过程中的行为，有监护人员进一步标注后，自动训练，在用户在后续出现这样的行为可以第一时间发现并进行监护。
51.标注文件不分训练集和测试集，有效的利用过度拟合更加的贴近用户个人使用。
52.步骤八中标准输出的具体为：所述危险行为标注模块前端提供界面对动作进行标注，后台调用行为检测模块识别关节点，所述危险行为标注模块将关节点数据、标签数据和视频帧图像数据转化一维数组输入危险行为分类器；
53.所述危险行为分类器基于fast r-cnn算法，主干网络为vgg16，同时改变不同的网络的感受野，将不同感受野获得的特征值融合在一起；
54.每训练一次输出模型，将新标注的数据作为检测数据，计算模型的平均精度均值，
不断输出平均精度均值最大的模型。
55.基于fast r-cnn算法构建模型，同时通过不同的感受野的特征融合增加危险行为分类器的模型对于上下文的信息的抓取，行为本身就是一个多关节点联合的表达，增加模型对于图像中上下文信息的抓取有效的地提高危险行为分类器对于新危险行为的识别。
56.与现有技术相比，本发明所达到的有益效果是：视频监控系统帮助监护人可以实时获得有效的数据、图像或声音信息，对突发性异常事件的过程进行及时的监视和记忆，用以提供短时间简单的回应和处理，帮助医生人员在事件之后进行有效的及时的有高度的复盘和分析，推动对于自闭症儿童的理解，帮助自闭症儿童能够在舒适的环境对于社会进行学习和融入；
57.约束自闭症儿童自残行为，识别到存在自残行为向监护人发出警告，自残行为包括打自己、撞头、抠眼，根据识别到的行为，判断自闭儿童此时的自伤行为等级，做出不同的判断，判断包括向监护人发出警告、使用刺激转移自闭症儿童的兴趣，发出一些指令，让他进入新的动作和行为，将全过程记录下来，帮助监护人和治疗医师进行分析和判断自闭症儿童的行为原因，解读自闭症儿童的行为背后的原因，有目标有计划的给与自闭症儿童帮助，根据实际情况不断的调整不同危险行为的危险等级。
附图说明
58.附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
59.图1是本发明一种基于图像识别的自闭症儿童安全监控系统及方法的结构示意图。
具体实施方式
60.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，所描述的实施例仅仅是本发明一部分实施例，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，都属于本发明保护的范围。
61.请参阅图1，本发明提供技术方案：一种基于图像识别的自闭症儿童安全监控系统，该系统包括前端视频采集模块、视频传输模块、管理控制模块、行为检测模块、行为校正模块、危险行为标注模块和危险行为分类器；
62.前端视频采集模块采集前端监控设备拍摄的原始视频信号，视频传输模块对原始视频信号进行编码，编码后通过网络服务协议进行传输，管理控制模块控制前端监控设备，对于视频和声音信号进行存储和云备份，管理控制模块加装时间发生器，叠加时间进入图像，行为检测模块接收视频信号，调用危险行为分类器对于视频中的人物进行行为检测，标注人物的危险行为，输出标注信息至终端和行为校正模块，终端实时显示监控画面和行为标注结果，行为校正模块根据人物危险行为给出不同的校正措施，危险行为标注模块提供窗口让用户的监护人员和医护人员标注保存的视频文件中的危险行为，危险行为分析模块将标注文件输入危险行为模块，帮助危险行为分类器进一步训练，危险行为分类器提取危险行为的特征并进行分类输出。
63.视频监控系统监护人可以实时获得有效的数据、图像或声音信息，对突发性异常事件的过程进行及时的监视和记忆，用以提供短时间简单的回应和处理，帮助医生人员在事件之后进行有效的及时的有高度的复盘和分析，推动对于自闭症儿童的理解，帮助自闭症儿童能够在舒适的环境对于社会进行学习和融入。
64.行为校正模块接收用户正在作出危险行为，根据危险行为的等级作出对应的校正措施；
65.当危险行为等级为一，行为校正模块记录危险行为和用户危险行为的时长，保存对应的标注视频，生成记录文件发送给监护人员；
66.当危险行为等级为二，行为校正模块记录危险行为和用户危险行为的时长，保存对应的标注视频，生成记录文件发送给监护人员，并在用户危险行为存续期间发出指令，促使用户进入新的动作和行为；
67.当危险行为等级为三，行为校正模块记录危险行为和用户危险行为的时长，保存对应的标注视频，生成记录文件发送给监护人员同时向监护人员发出警告，向用户发出刺激行为；
68.当危险行为等级为四，行为校正模块记录危险行为和用户危险行为的时长，保存对应的标注视频，生成记录文件发送给监护人员同时向监护人员发出警告，向用户发出提前设置好的安抚用语。
69.自闭症儿童做出奇怪动作或自伤行为的原因主要有两个方面，一是可能遭遇挫折或者困惑不解，二是，自闭症儿童处于无聊无所事事的状态，处在集体中却未被注意到的状态，让自闭症儿童能够舒缓身心，避免对于环境的抵触，停止当前的焦虑行为，帮助他们控制自己的身体，从当前的焦虑情绪中释放舒缓出来，消除自闭症儿童对于未知失去秩序的恐惧，促使自闭症儿童越来越多的主动适应融入社会，实现自闭症儿童与社会环境的平衡和谐。
70.对于危险等级为一的行为，即无害的行为，适当的漠视尊重自闭症儿童无害的奇怪行为，给予自闭症儿童在无害程度控制自己身体的自由；
71.当危险行为等级为二，即无害的行为但是需要被校正的行为，发出一些指令，让自闭症儿童脱离当下的行为情景，学习新的行为，让他有事可做，无法进一步的产生自伤行为；
72.当危险行为等级为三，即行为存在危害的可能，并且是自闭症儿童开始过激反应的前兆行为，通过刺激行为产生新的兴趣点，吸引自闭症儿童脱离当下的行为和情绪，帮助自闭症儿童发泄心中的恐惧情绪，找到当下环境与他人产生交流的可能性，帮助自闭症儿童重新掌控身体；
73.当危险行为等级为四，即行为会产生危险或者是自闭症儿童过激反应自伤行为，通过提前录入的监护人的安抚用语，对自闭症儿童进行安抚，并且及时通知监护人员，对自闭症儿童采取进一步的安抚措施。
74.刺激行为包括模拟自然的声音、模拟动物的叫声、播放悠扬的音乐，行为校正模块记录不同的安抚用语和刺激行为对于用户的影响力，对比同等级的危险行为的时间，根据危险行为的时间的长短对采取的安抚用语或刺激行为进行排序，生成报表发送给用户的监护人。
75.刺激行为不包括响亮的提示声、明亮的灯光闪烁等具有刺激性的提示，自闭症儿童往往对于可以被新的兴趣点吸引，而停下来当前的刻板行为，
76.自闭症儿童不能接受强光和噪声、不能接受触碰、容易重复无目的无意义的行为，按照一定的顺序活动，喜欢三原色、喜欢圆形和弧形，在尊重自闭症儿童的行为逻辑的基础上，对于自闭症儿童进行安抚和行为校正。
77.一种基于图像识别的自闭症儿童安全监控方法，该方法的具体步骤包括：
78.步骤一：前端视频采集模块采集获取实时视频数据；
79.步骤二：单位时间抽取视频帧，将视频转换成图像；
80.步骤三：行为检测模块检测视频帧中是否存在人，将人物从画面中分割出来；
81.步骤四：获取人体的关键点；
82.步骤五：将获取到的人体关键点进行逻辑判断，当人体关键点符合危险行为，将危险行为标注输入行为校正模块；
83.步骤六：行为校正模块根据危险行为对应的危险等级采取对应的校正措施；
84.安全监控系统用于补充监护人员对于自闭儿童的照顾，自闭症儿童不是智力障碍而是社交障碍，同时缺乏对于社会规则和安全规则的理解，对于自闭症儿童的危险行为进行识别并进行简单措施的校正，向自闭症儿童的监护人发出警告和提示，帮助自闭症儿童理解安全规则，帮助监护人员看护自闭症儿童，减轻监护人员的监护负担。
85.约束自闭症儿童自残行为，识别到存在自残行为向监护人发出警告，自残行为包括打自己、撞头、抠眼，根据识别到的行为，判断自闭儿童此时的自伤行为等级，做出不同的判断，判断包括向监护人发出警告、使用刺激转移自闭症儿童的兴趣，发出一些指令，让他进入新的动作和行为，将全过程记录下来，帮助监护人和治疗医师进行分析和判断自闭症儿童的行为原因，解读自闭症儿童的行为背后的原因，有目标有计划的给与自闭症儿童帮助，根据实际情况不断的调整不同危险行为的危险等级。
86.行为检测模块包括人体检测模块、人体关键点提取模块和危险行为判断，人体检测模块检测并提取视频帧中的人物输入人体关键点提取模块，人体关键点提取人体关键点输入危险行为判断模块，当人体的关键点符合危险行为，对危险行为进行标注并输出；
87.行为检测模块基于yolo算法搭建网络，数据集标注人体、头和四肢的信息，以cspdarknet53为骨干网络，通过panet进行特征融合，通过yolov3对于输出的图片进行识别，输入视频帧图像数据，输出视频帧中的人体、头和四肢标注信息，将人体从视频帧中分割出来，视频帧图像数据将rgb三通道的数据转化为一维数据，具体公式为:
88.i＝(60r 118g 22b 50)/200
89.其中，i表示新的一维数据，rgb表示原三通道图像数据。
90.人体关键点提取模块接收人体分割图像，人体分割图像标注了头和四肢，人体分割图像归一化为368*368和人体关节点约束输入基于cpms算法的网络，通过深度卷积网络从已标注的头和四肢中预测人体关键点的位置，感受野大小为160*160，最终回归长度为p 1的输出向量，表示每个感受野的人体关键点存在的可能性，不断重复网络最终输出人体关键点；
91.损失函数的具体计算公式为：
[0092][0093]
其中，t表示网络重复训练次数，p表示人体关键点，z表示输入的人体分割图像的所有点的集合，表示t次网络重复训练生成的特征值，表示特征值与人体关键点的距离。
[0094]
原本的cpms算法需要从全图中不断的进行预测，通过网络的重复训练，在人体关节点的约束下，不断的获得更加准确的人体关节点，基于行为检测模块在已经标注好头和四肢的人体分割图像，以更小的计算量获得更加准确的预测数据，极大程度的避免了模型训练过程中产生的梯度消息的问题。
[0095]
危险行为判断包括咬手判断、抓脸判断、拍打胸部判断、拍头判断；
[0096]
咬手判断方法：当手关节点与头关节点距离小于咬手阈值，且累积距离小咬手阈值的时间大于咬手阈值，手肘关节点与肩的角度持续在咬手范围内变化，判断用户存在咬手行为；
[0097]
抓脸判断方法：当手关节点与头关节点接触，且产生上下移动，移动速度超出抓脸阈值判断用户存在抓脸行为；
[0098]
拍打胸部判断方法：当手关节点与躯干关节点间歇接触，接触时间小于拍打阈值，间歇时间小于间歇阈值，判断用户存在拍打胸部行为；
[0099]
拍头判断方法：当手关节点与头关节点间歇接触，接触时间小于拍打阈值，间歇时间小于间歇阈值，判断用户存在拍头行为。
[0100]
通过逻辑判断可以准确的获知自闭症儿童是否做出以上的行为，以极小的代价做出准确的判断。
[0101]
该方法的具体步骤还包括：
[0102]
步骤七：用户的监护人员或者治疗医生在已保存的视频文件中对于新危险动作进行标注，标注内容包括新危险行为的起始、命名和危险等级；
[0103]
步骤八：危险行为标注模块将标注文件转换成标准输出，和原始输入一起放入危险行为分类器；
[0104]
步骤九：危险行为分类器提取关键点特征，进行训练，获得新动作分类器模型；
[0105]
步骤十：行为检测模块检测行为后，将视频文件输入危险行为分类器，危险行为分类器识别新危险动作，将新危险行为标注输入行为校正模块；
[0106]
步骤十一：行为校正模块根据危险行为对应的危险等级采取对应的校正措施。
[0107]
根据用户的使用过程中的行为，有监护人员进一步标注后，自动训练，在用户在后续出现这样的行为可以第一时间发现并进行监护。
[0108]
标注文件不分训练集和测试集，有效的利用过度拟合更加的贴近用户个人使用。
[0109]
步骤八中标准输出的具体为：危险行为标注模块前端提供界面对动作进行标注，后台调用行为检测模块识别关节点，危险行为标注模块将关节点数据、标签数据和视频帧图像数据转化一维数组输入危险行为分类器；
[0110]
危险行为分类器基于fast r-cnn算法，主干网络为vgg16，同时改变不同的网络的感受野，将不同感受野获得的特征值融合在一起；
[0111]
每训练一次输出模型，将新标注的数据作为检测数据，计算模型的平均精度均值，不断输出平均精度均值最大的模型。
[0112]
基于fast r-cnn算法构建模型，同时通过不同的感受野的特征融合增加危险行为分类器的模型对于上下文的信息的抓取，行为本身就是一个多关节点联合的表达，增加模型对于图像中上下文信息的抓取有效的地提高危险行为分类器对于新危险行为的识别。
[0113]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。
[0114]
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。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。