System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于人员越界行为识别,更具体地,涉及一种划定围栏区域内人员越界行为识别方法及系统。
技术介绍
1、围栏人员越界监控是一种安全监控系统,用于监测和防止工业场所或其他敏感区域内的工作人员或访客越过指定的围栏或边界线。这类监控系统通常包括以下元素:
2、围栏或边界线:设立在需要限制进入的区域周围,可以是物理围栏、电子围栏或虚拟边界。
3、传感器:安装在围栏或边界线上,用于检测人员的进入或离开。传感器可以是红外线传感器、激光传感器、雷达传感器等。
4、摄像监控:安装在围栏周围以及敏感区域内,用于实时监测和录制越界事件。
5、报警系统:一旦检测到人员越界,监控系统将发出警报,通知相关人员或安保人员。
6、现有技术中并没有一种技术方案能够根据人员位置和人员运动方向对人员是否越界进行识别。
技术实现思路
1、为解决以上技术问题,本专利技术提出一种划定围栏区域内人员越界行为识别方法,包括:
2、获取划定围栏区域内的监控视频数据,在所述监控视频数据上分别将人员正常行为和人员越界行为进行标注,按照标注信息,将所述监控视频数据切成多个片段,并为每个片段设置标签,形成标签数据;
3、获取所述监控视频数据中人员数据,并和所述标签数据组成训练数据集,其中所述人员数据包括:人员位置和人员运动方向;
4、设置人员越界行为识别模型,将所述训练数据集输入到所述人员越界行为识别模型中进行训练,通过训练后的人员越界行
5、进一步的,所述人员越界行为识别模型包括:
6、设置输入层,将特征向量时间序列x=[x1,x2,…,xt,…xt]作为输入,其中,xt表示时间步t的特征向量,所述特征向量为包括人员位置和人员运动方向的二维特征量;
7、设置卷积神经网络层,将时间序列x转变为空间特征向量,其中,输出为空间特征向量时间序列c=[c1,c2,…,ct,…ct],其中,ct表示时间步t的空间特征向量;
8、设置循环神经网络层,将时间序列x输入到所述循环神经网络层,计算时间步t的隐藏状态ht;
9、设置融合层,将空间特征向量ct和隐藏状态ht进行融合,形成融合后的特征向量ft;
10、设置输出层,在最后一个时间步t,将融合后的特征向量ft映射为人员越界行为概率,并通过损失函数计算人员越界行为概率与标签数据的差异。
11、进一步的,所述设置融合层包括:
12、设置并通过共享比例权重,将空间特征向量ct和隐藏状态ht在同一维度进行拼接,形成融合后的特征向量ft。
13、进一步的,所述设置融合层还包括:
14、设置注意力权重,并结合所述共享比例权重,将空间特征向量ct和隐藏状态ht在同一维度进行拼接,形成融合后的特征向量ft。
15、进一步的,所述设置输出层包括:
16、设置注意力机制,并计算注意力权重,并结合融合后的特征向量ft,计算综合特征向量st,对所述综合特征向量st进行非线性变换,将非线性变换后的结果用于计算所述人员越界行为概率。
17、本专利技术还提出一种划定围栏区域内人员越界行为识别系统,包括:
18、获取标签模块,用于获取划定围栏区域内的监控视频数据,在所述监控视频数据上分别将人员正常行为和人员越界行为进行标注,按照标注信息,将所述监控视频数据切成多个片段,并为每个片段设置标签,形成标签数据;
19、获取人员数据模块,用于获取所述监控视频数据中人员数据,并和所述标签数据组成训练数据集,其中所述人员数据包括:人员位置和人员运动方向;
20、识别模块,用于设置人员越界行为识别模型,将所述训练数据集输入到所述人员越界行为识别模型中进行训练,通过训练后的人员越界行为识别模型对人员越界行为进行识别。
21、进一步的,所述人员越界行为识别模型包括:
22、设置输入层,将特征向量时间序列x=[x1,x2,…,xt,…xt]作为输入,其中,xt表示时间步t的特征向量,所述特征向量为包括人员位置和人员运动方向的二维特征量;
23、设置卷积神经网络层,将时间序列x转变为空间特征向量,其中,输出为空间特征向量时间序列c=[c1,c2,…,ct,…ct],其中,ct表示时间步t的空间特征向量;
24、设置循环神经网络层,将时间序列x输入到所述循环神经网络层,计算时间步t的隐藏状态ht;
25、设置融合层,将空间特征向量ct和隐藏状态ht进行融合,形成融合后的特征向量ft;
26、设置输出层,在最后一个时间步t,将融合后的特征向量ft映射为人员越界行为概率,并通过损失函数计算人员越界行为概率与标签数据的差异。
27、进一步的,所述设置融合层包括:
28、设置并通过共享比例权重,将空间特征向量ct和隐藏状态ht在同一维度进行拼接,形成融合后的特征向量ft。
29、进一步的,所述设置融合层还包括:
30、设置注意力权重,并结合所述共享比例权重,将空间特征向量ct和隐藏状态ht在同一维度进行拼接,形成融合后的特征向量ft。
31、进一步的,所述设置输出层包括:
32、设置注意力机制,并计算注意力权重,并结合融合后的特征向量ft,计算综合特征向量st,对所述综合特征向量st进行非线性变换,将非线性变换后的结果用于计算所述人员越界行为概率。
33、总体而言,通过本专利技术所构思的以上技术方案与现有技术相比,具有以下有益效果:
34、本专利技术通过获取划定围栏区域内的监控视频数据,在所述监控视频数据上分别将人员正常行为和人员越界行为进行标注,按照标注信息,将所述监控视频数据切成多个片段,并为每个片段设置标签,形成标签数据;获取所述监控视频数据中人员数据,并和所述标签数据组成训练数据集,其中所述人员数据包括:人员位置和人员运动方向;设置人员越界行为识别模型,将所述训练数据集输入到所述人员越界行为识别模型中进行训练,通过训练后的人员越界行为识别模型对人员越界行为进行识别。本专利技术通过以上技术方案能够能够根据人员的位置和人员的运动方向,实时对人员越界行为进行识别和监控。
本文档来自技高网...【技术保护点】
1.一种划定围栏区域内人员越界行为识别方法,其特征在于,包括:
2.如权利要求1所述的一种划定围栏区域内人员越界行为识别方法,其特征在于,所述人员越界行为识别模型包括:
3.如权利要求2所述的一种划定围栏区域内人员越界行为识别方法,其特征在于,所述设置融合层包括:
4.如权利要求3所述的一种划定围栏区域内人员越界行为识别方法,其特征在于,所述设置融合层还包括:
5.如权利要求3或4所述的一种划定围栏区域内人员越界行为识别方法,其特征在于,所述设置输出层包括:
6.一种划定围栏区域内人员越界行为识别系统,其特征在于,包括:
7.如权利要求6所述的一种划定围栏区域内人员越界行为识别系统,其特征在于,所述人员越界行为识别模型包括:
8.如权利要求7所述的一种划定围栏区域内人员越界行为识别系统,其特征在于,所述设置融合层包括:
9.如权利要求8所述的一种划定围栏区域内人员越界行为识别系统,其特征在于,所述设置融合层还包括:
10.如权利要求8或9所述的一种划定围栏区域内人员越界行为
...【技术特征摘要】
1.一种划定围栏区域内人员越界行为识别方法,其特征在于,包括:
2.如权利要求1所述的一种划定围栏区域内人员越界行为识别方法,其特征在于,所述人员越界行为识别模型包括:
3.如权利要求2所述的一种划定围栏区域内人员越界行为识别方法,其特征在于,所述设置融合层包括:
4.如权利要求3所述的一种划定围栏区域内人员越界行为识别方法,其特征在于,所述设置融合层还包括:
5.如权利要求3或4所述的一种划定围栏区域内人员越界行为识别方法,其特征在于,所述设置输出层包括:
...【专利技术属性】
技术研发人员:李林,张钊,安小刚,鲁东起,王太伟,王海涛,王丛艳,
申请(专利权)人:交通运输部水运科学研究所,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。