一种工地人员异常行为分类方法及装置制造方法及图纸

本发明专利技术实施例提供了一种工地人员异常行为分类方法及装置，通过在本申请的实施例中，通过获取目标工作区域中的工作视频数据，并确定所述工作视频数据中的每个工地人员相对应的运动区域；对所述工作视频数据中每帧静态图像数据的所述运动区域的图片帧块进行特征提取，确定在所述运动区域中的所述工地人员的表面特征向量；对所述工作视频数据中每帧静态图像数据的所述运动区域的光流图块进行提取，确定在所述运动区域中的所述工地人员的光流的特征向量；依据在相同空间位置的所述表面特征向量和所述光流的特征向量生成对应于所述运动区域中的所述工地人员的融和特征向量；依据所述融和特征向量生成相对应所述每个工地人员的异常行为结果。员的异常行为结果。员的异常行为结果。

【技术实现步骤摘要】
一种工地人员异常行为分类方法及装置


[0001]本专利技术涉及视频识别领域，具体涉及一种工地人员异常行为分类方法及装置。

技术介绍

[0002]据统计，2021年11月至12月两个月，我国发生生产安全事故中，建筑、矿业等工地作业类事故占极大一部分，所以对工地作业的作业人员进行安全行为的监测刻不容缓，通过对作业人员在工地上的动作行为进行监测，配合一定的监管制度，能够在一定程度上降低安全事故的发生率，提高作业人员作业的安全系数。随着人工智能等技术快速更迭，将人工智能应用于工地的智慧工地越来越具有实际意义，在深度学习飞速的发展之下，逐渐成为了国内外学者研究的热门领域。
[0003]传统的工地缺乏智能化手段，对于工地存在的一些安全隐患，比如：作业人员因为在作业时不小心而导致的摔伤；
[0004]当作业人员发生意外昏迷倒地时，其他人员无法第一时间获知情况，组织施救等。并且在作业人员出现意外的情况下马上识别出异常状态成为了检测识别的难点，主要表现为三个明显的挑战：工地环境复杂、安全事故频发、监管难度大难等。

技术实现思路

[0005]鉴于所述问题，提出了本申请以便提供克服所述问题或者至少部分地解决所述问题的一种工地人员异常行为分类方法及装置，包括：
[0006]一种工地人员异常行为分类方法，所述方法通过工地人员的工作视频对工地人员的异常行为进行分类，包括：获取目标工作区域中的工作视频数据，并确定所述工作视频数据中的每个工地人员相对应的运动区域；其中，所述工作视频数据由若干帧静态图像数据组成；
[0007]对所述工作视频数据中每帧静态图像数据的所述运动区域的图片帧块进行特征提取，确定在所述运动区域中的所述工地人员的表面特征向量；
[0008]对所述工作视频数据中每帧静态图像数据的所述运动区域的光流图块进行提取，确定在所述运动区域中的所述工地人员的光流的特征向量；
[0009]依据在相同空间位置的所述表面特征向量和所述光流的特征向量生成对应于所述运动区域中的所述工地人员的融和特征向量；
[0010]依据所述融和特征向量生成相对应所述每个工地人员的异常行为结果；其中，所述异常行为结果包括昏倒、手臂受伤、腿部受伤、腰部受伤。
[0011]优选地，所述确定所述工作视频数据中的每个工地人员相对应的运动区域的步骤，包括：
[0012]确定所述工作视频数据中的每个工地人员相对应的运动中心点；其中，所述运动中心点的数量与所述工作视频数据中的工地人员的数量相同；
[0013]依据所述运动中心点生成所述每个工地人员相对应的运动区域。
[0014]优选地，所述确定所述工作视频数据中的每个工地人员相对应的运动中心点的步骤，包括：
[0015]依据所述工作视频数据中像素的颜色分布生成所述每个工地人员相对应的主要运动区域；
[0016]依据所述主要运动区域进行二值化并计算所述每个工地人员相对应的运动中心点。
[0017]优选地，所述依据所述运动中心点生成所述每个工地人员相对应的运动区域的步骤，包括：
[0018]确定所述运动中心点在所述工作视频数据中每帧静态图像的位置，并依据所述位置生成所述每个工地人员相对应的运动区域。
[0019]优选地，所述对所述工作视频数据中每帧静态图像数据的所述运动区域的图片帧块进行特征提取，确定在所述运动区域中的所述工地人员的表面特征向量的步骤，包括：
[0020]对所述工作视频数据中每帧静态图像数据的所述运动区域的图片帧块输入空间流3D卷积神经网络进行特征提取，确定在所述运动区域中的所述工地人员的表面特征向量。
[0021]优选地，所述对所述工作视频数据中每帧静态图像数据的所述运动区域的光流图块进行提取，确定在所述运动区域中的所述工地人员的光流的特征向量的步骤，包括：
[0022]对所述工作视频数据中每帧静态图像数据的所述运动区域的光流图块输入时间流3D卷积神经网络进行提取，确定在所述运动区域中的所述工地人员的光流的特征向量。
[0023]优选地，所述依据所述融和特征向量生成相对应所述每个工地人员的异常行为结果的步骤，包括：
[0024]依据所述融和特征向量生成相对应所述每个工地人员的长时间序列化特征向量；
[0025]依据所述长时间序列化特征向量进行分类生成相对应所述每个工地人员的异常行为结果；其中，所述异常行为结果包括昏倒、手臂受伤、腿部受伤、腰部受伤。
[0026]优选地，所述依据所述融和特征向量生成相对应所述每个工地人员的长时间序列化特征向量的步骤，包括：
[0027]依据所述融和特征向量输入简单循环单元生成相对应所述每个工地人员的长时间序列化特征向量。
[0028]为实现本申请还包括一种工地人员异常行为分类装置，所述装置通过工地人员的工作视频对工地人员的异常行为进行分类，包括：
[0029]运动区域模块，用于获取目标工作区域中的工作视频数据，并确定所述工作视频数据中的每个工地人员相对应的运动区域；其中，所述工作视频数据由若干帧静态图像数据组成；
[0030]表面特征向量模块，用于对所述工作视频数据中每帧静态图像数据的所述运动区域的图片帧块进行特征提取，确定在所述运动区域中的所述工地人员的表面特征向量；
[0031]光流的特征向量模块，用于对所述工作视频数据中每帧静态图像数据的所述运动区域的光流图块进行提取，确定在所述运动区域中的所述工地人员的光流的特征向量；
[0032]融和特征向量模块，用于依据在相同空间位置的所述表面特征向量和所述光流的特征向量生成对应于所述运动区域中的所述工地人员的融和特征向量；
[0033]异常行为结果模块，用于依据所述融和特征向量生成相对应所述每个工地人员的异常行为结果；其中，所述异常行为结果包括昏倒、手臂受伤、腿部受伤、腰部受伤。
[0034]为实现本申请还包括一种电子设备，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如所述的工地人员异常行为分类方法的步骤。
[0035]本申请具有以下优点：
[0036]在本申请的实施例中，通过获取目标工作区域中的工作视频数据，并确定所述工作视频数据中的每个工地人员相对应的运动区域；其中，所述工作视频数据由若干帧静态图像数据组成；对所述工作视频数据中每帧静态图像数据的所述运动区域的图片帧块进行特征提取，确定在所述运动区域中的所述工地人员的表面特征向量；对所述工作视频数据中每帧静态图像数据的所述运动区域的光流图块进行提取，确定在所述运动区域中的所述工地人员的光流的特征向量；依据在相同空间位置的所述表面特征向量和所述光流的特征向量生成对应于所述运动区域中的所述工地人员的融和特征向量；依据所述融和特征向量生成相对应所述每个工地人员的异常行为结果；其中，所述异常行为结果包括昏倒、手臂受伤、腿部受伤、腰部受伤。通过采集到的视频数据进行了充分的预处理，首先使用目标本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种工地人员异常行为分类方法，所述方法通过工地人员的工作视频对工地人员的异常行为进行分类，其特征在于，包括：获取目标工作区域中的工作视频数据，并确定所述工作视频数据中的每个工地人员相对应的运动区域；其中，所述工作视频数据由若干帧静态图像数据组成；对所述工作视频数据中每帧静态图像数据的所述运动区域的图片帧块进行特征提取，确定在所述运动区域中的所述工地人员的表面特征向量；对所述工作视频数据中每帧静态图像数据的所述运动区域的光流图块进行提取，确定在所述运动区域中的所述工地人员的光流的特征向量；依据在相同空间位置的所述表面特征向量和所述光流的特征向量生成对应于所述运动区域中的所述工地人员的融和特征向量；依据所述融和特征向量生成相对应所述每个工地人员的异常行为结果；其中，所述异常行为结果包括昏倒、手臂受伤、腿部受伤、腰部受伤。2.根据权利要求1所述的工地人员异常行为分类方法，其特征在于，所述确定所述工作视频数据中的每个工地人员相对应的运动区域的步骤，包括：确定所述工作视频数据中的每个工地人员相对应的运动中心点；其中，所述运动中心点的数量与所述工作视频数据中的工地人员的数量相同；依据所述运动中心点生成所述每个工地人员相对应的运动区域。3.根据权利要求2所述的工地人员异常行为分类方法，其特征在于，所述确定所述工作视频数据中的每个工地人员相对应的运动中心点的步骤，包括：依据所述工作视频数据中像素的颜色分布生成所述每个工地人员相对应的主要运动区域；依据所述主要运动区域进行二值化并计算所述每个工地人员相对应的运动中心点。4.根据权利要求2所述的工地人员异常行为分类方法，其特征在于，所述依据所述运动中心点生成所述每个工地人员相对应的运动区域的步骤，包括：确定所述运动中心点在所述工作视频数据中每帧静态图像的位置，并依据所述位置生成所述每个工地人员相对应的运动区域。5.根据权利要求1所述的工地人员异常行为分类方法，其特征在于，所述对所述工作视频数据中每帧静态图像数据的所述运动区域的图片帧块进行特征提取，确定在所述运动区域中的所述工地人员的表面特征向量的步骤，包括：对所述工作视频数据中每帧静态图像数据的所述运动区域的图片帧块输入空间流3D卷积神经网络进行特征提取，确定在所述运动区域中的所述工地人员的表面特征向量。6.根据权利要求1所述的工地人员异常行为...

【专利技术属性】
技术研发人员：杨涛，赵嵩，
申请(专利权)人：深圳市科荣软件股份有限公司，
类型：发明
国别省市：