基于人体姿势识别的火灾逃生技能教学监测系统技术方案

本发明专利技术提出一种基于人体姿势识别的火灾逃生技能教学监测系统，由相连接的视频采集模块、视频分析模块、对抗网络模块、结果统计模块和结果推送模块组成；为方便开展基于人体姿势识别的火灾逃生技能深度教学，以便客观、及时获得教学效果的反馈信息，从而较为精准地提高学习质量，促进火灾逃生技能的发展。促进火灾逃生技能的发展。促进火灾逃生技能的发展。

【技术实现步骤摘要】
基于人体姿势识别的火灾逃生技能教学监测系统


[0001]本专利技术属于智能教学、
，尤其涉及一种基于人体姿势识别的火灾逃生技能教学监测系统。

技术介绍

[0002]室内火灾最初发生在室内的某个房间或某个部位，然后由此蔓延到相邻区域，楼层，最后蔓延到整个建筑物，最终导致重大经济损失甚至威胁到生命安全。为减少此类事件发生，人们通过一些技术模拟火灾发生现场，通过火灾模拟演练为群众普及火灾扑救以及消防应急等方面的知识，使群众在火灾发生时能及时作出反应并找到正确的处理方式。
[0003]随着互联网和人工智能技术的日趋成熟，将这些技术应用到传统的教学过程中，推动教育技术的智能化改革，已成为当前的研究热点。火灾逃生技能的教学是智能消防的重要部分，是加深医人们对所学理论知识的理解应用，降低火灾发生时的损失。

技术实现思路

[0004]为满足用户对于更强烈的操控感和沉浸感的需求，以及保证实景火灾模拟的安全性，本专利技术提供了一种基于人体姿势识别的火灾逃生技能教学监测系统，方便开展基于人体姿势识别的火灾逃生技能深度教学，以便客观、及时获得教学效果的反馈信息，从而较为精准地提高学习质量，促进火灾逃生技能的发展。
[0005]本专利技术具体采用以下技术方案：一种基于人体姿势识别的火灾逃生技能教学监测系统，其特征在于：由相连接的视频采集模块、视频分析模块、对抗网络模块、结果统计模块和结果推送模块组成；所述视频采集模块由多个摄像头组成，所述摄像头安装在虚拟火灾现场，用于对虚拟火灾现场进行逃生视频采集，并将采集的逃生视频通过yolo神经网络传送至视频分析模块；所述视频分析模块接收视频采集模块发送的逃生视频，并将逃生视频与进行数据分析提取，得到人体骨骼形状参数，并通过yolo神经网络将人体骨骼形状参数进行回归；所述对抗网络模块包括生成模型和判别模型，用于获取视频分析模块中人体骨骼形状参数生成对应模型，并将该模型与样本进行判别，得到相应姿势：通过光流法对所述操作视频进行预处理，得到与所述操作视频对应的第一图集；通过光流法对所述规范视频进行预处理，得到与所述规范视频对应的第二图集；通过卷积神经网络获取所述第一图集中每一目标图对应的目标图特征向量，以组成第一图特征向量集；通过卷积神经网络获取所述第二图集中每一目标图对应的目标图特征向量，以组成第二图特征向量集；所述结果统计模块用于获取所述第一图特征向量集中各图片特征向量与所述第二图特征向量集中对应图片特征向量的相似度，以得到所述逃生视频与所述规范视频的平
均相似度；以及将所述逃生视频与所述规范视频的平均相似度进行评分；所述结果推送模块接收所述评分结果并进行推送。
[0006]进一步地，还包括与结果统计模块连接的信息录入模块，由评分规则录入单元以及逃生规则录入单元组成。
[0007]进一步地，所述评分规则录入单元用于设置与平均相似度相对应的评分，所述逃生规则录入单元用于设置逃生规则，所述逃生规则包括摄像头所摄录的逃生现场区域、预设逃生最大时长以及实时摄录到的人脸视频与预设的人脸视频相匹配；当满足逃生规则的情况下，所述结果统计模块才进行评分的计算。
[0008]进一步地，所述通过卷积神经网络获取所述第一图集中每一目标图对应的目标图特征向量，以组成第一图特征向量集具体包括：将所述第一图集中每一目标图进行预处理，得到与各目标图对应的预处理后图片，及与每一预处理后图片对应的图片像素矩阵；其中，将目标图进行预处理为依序对所述目标图进行灰度化、边缘检测和二值化处理；将与各预处理后图片对应的图片像素矩阵输入至卷积神经网络模型中输入层，得到与各预处理后图片对应的特征图；将各特征图输入至卷积神经网络模型中池化层，得到与各特征图对应的一维向量；将与各特征图对应的一维向量输入至卷积神经网络模型中全连接层，得到与各特征图对应的目标图特征向量，以组成第一图特征向量集。
[0009]对于第二图特征向量集也同理类似。
[0010]进一步地，所述获取所述第一图特征向量集中各图片特征向量与所述第二图特征向量集中对应图片特征向量的相似度具体包括：获取所述第一图特征向量集中各图片特征向量与所述第二图特征向量集中对应图片特征向量的欧氏距离后求平均欧氏距离值，以所述平均欧氏距离值作为所述第一图特征向量集与所述第二图特征向量集之间的相似度。
[0011]进一步地，所述信息录入模块还包括视频质量检测录入单元和人员基础数据录入单元；所述视频质量检测录入单元用于录入用于实时检测的规范视频；所述人员基础数据录入单元用于录入用户信息。
[0012]进一步地，所述结果统计模块在向结果推送模块传输评分结果之前，首先对数据信息进行匹配，得到对应于操作视频的用户信息；并将评分结果、扣分原因、用户信息、操作视频记录到后台服务器管理系统的比对记录中；再将评分结果、扣分原因、用户信息、逃生视频反馈至结果推送模块。
[0013]相比于现有技术，本专利技术及其优选方案实现了对火灾模拟训练的自动化监控和评分，能够有效提高火灾模拟训练的效果，一方面降低了人力物力的支出成本，通过一次性的设备装置构建就能批量进行评分，另一方面因为所基于的是机器学习产生的客观规则，准确性也比人工评价更为准确。因此具有较高的实用价值和社会意义。
附图说明
[0014]下面结合附图和具体实施方式对本专利技术进一步详细的说明：图1为本专利技术实施例系统组成功能框图；图2为本专利技术实施例第一图集功能框图；图3为本专利技术实施例第二图集功能框图。
[0015]图中：1
‑
视频采集模块、2
‑
高清摄像头、3
‑
视频分析模块、4
‑
对抗网络模块、5
‑
结果统计模块、6
‑
结果推送模块、7
‑
后台服务器、8
‑
评分规则录入单元、9
‑
逃生规则录入单元、10
‑
信息录入模块、201
‑
第一图集、2011
‑
第一图特征向量集、202
‑
第二图集、2021
‑
第二图特征向量集。
具体实施方式
[0016]下面将对通过实施例对本专利技术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为本专利技术的一部分实施例，而不是全面的实施例。基于本专利技术中的实施例，本领域普遍技术人员在没有做出创造性劳动的前提下所获得的的其他所有实施例，都属于本专利技术保护的范围。
[0017]应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属
的普通技术人员通常理解的相同含义。
[0018]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人体姿势识别的火灾逃生技能教学监测系统，其特征在于：由相连接的视频采集模块、视频分析模块、对抗网络模块、结果统计模块和结果推送模块组成；所述视频采集模块由多个摄像头组成，所述摄像头安装在虚拟火灾现场，用于对虚拟火灾现场进行逃生视频采集，并将采集的逃生视频通过yolo神经网络传送至视频分析模块；所述视频分析模块接收视频采集模块发送的逃生视频，并将逃生视频与进行数据分析提取，得到人体骨骼形状参数，并通过yolo神经网络将人体骨骼形状参数进行回归；所述对抗网络模块包括生成模型和判别模型，用于获取视频分析模块中人体骨骼形状参数生成对应模型，并将该模型与样本进行判别，得到相应姿势：通过光流法对所述操作视频进行预处理，得到与所述操作视频对应的第一图集；通过光流法对所述规范视频进行预处理，得到与所述规范视频对应的第二图集；通过卷积神经网络获取所述第一图集中每一目标图对应的目标图特征向量，以组成第一图特征向量集；通过卷积神经网络获取所述第二图集中每一目标图对应的目标图特征向量，以组成第二图特征向量集；所述结果统计模块用于获取所述第一图特征向量集中各图片特征向量与所述第二图特征向量集中对应图片特征向量的相似度，以得到所述逃生视频与所述规范视频的平均相似度；以及将所述逃生视频与所述规范视频的平均相似度进行评分；所述结果推送模块接收所述评分结果并进行推送。2.根据权利要求1所述的基于人体姿势识别的火灾逃生技能教学监测系统，其特征在于：还包括与结果统计模块连接的信息录入模块，由评分规则录入单元以及逃生规则录入单元组成。3.根据权利要求2所述的基于人体姿势识别的火灾逃生技能教学监测系统，其特征在于：所述评分规则录入单元用于设置与平均相似度相对应的评分，所述逃生规则录入单元用于设置逃生规则，所述逃生规则包括摄像头所摄录的逃生现场区域、预设逃生最大时长以及实时摄录到的人脸视频与预设的人脸视频相匹配；当满足逃生规则的情况下，所述结果统计模块才...

【专利技术属性】
技术研发人员：陈洪珏，李建微，赵宇森，曹路洋，郑含静，
申请(专利权)人：福州大学，
类型：发明
国别省市：