一种基于深度学习的监狱异常情况监测方法及监测系统技术方案

本发明专利技术公开了一种基于深度学习的监狱异常情况监测方法及监测系统，包括：基于第一子网络，生成人体关键点时序信息；基于第二子网络，针对音频信息产生序列特征向量；基于第三子网络，根据人体关键点时序信息和序列特征向量识别人类行为，基于识别的人类行为，在行为异常时输出异常报警。本发明专利技术的基于深度学习的监狱异常情况监测方法通过由三个相互关联的子网络构成一个整体网络，约束三个子网络单独进行训练和深度学习，提高了训练速度和识别准确率，能够更快的识别潜在异常事件，降低了人力监控的成本，消除了安全隐患，同时为实现人工智能辅助刑罚变更执行监督、羁押必要性审查评估等任务奠定量化基础。

【技术实现步骤摘要】
一种基于深度学习的监狱异常情况监测方法及监测系统
本专利技术属于智能警戒
，更具体地，涉及一种基于深度学习的监狱异常情况监测方法及监测系统。
技术介绍
随着科技的发展，智能警戒得到了广泛的使用，尤其是监狱智能警戒，但是目前使用的动态人脸/人体布控系统，只能实现在监控视频中实时检测、跟踪和识别单个个体，实现在事前、事中和事后的跟踪记录，不能实现自动识别异常行为，智能分析以及智能报警。因此，迫切地需要一种方法能够对服刑人员、监管人员等之间的不正常碰撞等行为自动识别、智能分析，智能预警，能有效的消除牢头狱霸、体罚虐待等安全隐患，提高工作人员的工作效率，为智慧监狱应用提供了基本的信息保障。
技术实现思路
本专利技术的目的是提出一种能够自动识别异常行为及智能报警的基于深度学习的监狱异常情况监测方法及监测系统。为了实现上述目的，本专利技术提供一种基于深度学习的监狱异常情况监测方法，包括：基于第一子网络，生成人体关键点时序信息；基于第二子网络，针对音频信息产生序列特征向量；基于第三子网络，根据人体关键点时序信息和序列特征向量识别人类行为，基于识别的人类行为，在行为异常时输出异常报警。优选的，所述本文档来自技高网...

【技术保护点】
1.一种基于深度学习的监狱异常情况监测方法，其特征在于，包括：基于第一子网络，生成人体关键点时序信息；基于第二子网络，针对音频信息产生序列特征向量；基于第三子网络，根据人体关键点时序信息和序列特征向量识别人类行为，基于识别的人类行为，在行为异常时输出异常报警。

【技术特征摘要】
1.一种基于深度学习的监狱异常情况监测方法，其特征在于，包括：基于第一子网络，生成人体关键点时序信息；基于第二子网络，针对音频信息产生序列特征向量；基于第三子网络，根据人体关键点时序信息和序列特征向量识别人类行为，基于识别的人类行为，在行为异常时输出异常报警。2.根据权利要求1所述的监狱异常情况监测方法，其特征在于，所述基于第一子网络，生成人体关键点时序信息包括：采用卷积神经网络模型提取所述视频信息的特征点；根据所述特征点确定人体关键点信息；根据所述人体关键点信息生成所述人体关键点时序信息。3.根据权利要求1所述的监狱异常情况监测方法，其特征在于，所述基于第二子网络，针对音频信息产生序列特征向量包括：采用梅尔频率倒谱系数算法提取所述音频的倒谱特征向量；采用长短期期记忆算法将所述倒谱特征向量生成序列特征向量；基于所述序列特征向量提取所述关键语音信息。4.根据权利要求1所述的监狱异常情况监测方法，其特征在于，所述基于第三子网络，根据人体关键点时序信息和序列特征向量识别人类行为包括：采用长短期期记忆将所述人体关键点时序信息和序列特征向量生成人体动作行为，包括握手、拥抱、争吵、打架。5.根据权利要求1所述的监狱异常情况监测方法，其特征在于，所述基于识别的人类行为，在行为异常时输出异常报警包括：比较所述人体关键点时序信息和序列特征向量与所述预设特征信息的相似度阈值；若所述相似度阈值高于或等于预设阈值，则确定为异常情况，输出异常报警。6.根据权利要求1所述的监狱异常情况监测方法，其特征在于，所述基于第一子网络，生成人体关键点时序信息还包括：采用卷积神经网络模型，提取所述视频...

【专利技术属性】
技术研发人员：朱宁莉，邓海，李根，代合鹏，李素莹，关大英，
申请(专利权)人：航天信息股份有限公司，
类型：发明
国别省市：北京,11