一种群体场景下危险动作识别方法、系统、设备和可读存储介质技术方案

本发明专利技术公开了一种群体场景下危险动作识别方法、系统、设备和可读存储介质，包括以下过程，将红波长图片入到元神经网络模型中，对人物进行红波长识别，并对人物进行红波边缘涂绘操作；根据被红波边缘涂绘出来的人物轮廓，进行人体姿态识别，确定人物此时刻所属的姿态；将所识别的人物姿态和人物数量上传到数据空间中，与数据空间中的危险群体行为以及前一刻红波长图片数据进行对比分析，确定此时所识别的红波长图片中人物是否为危险行为；若为危险行为，则对群体人员发出警报；若不是危险行为，则继续监控识别。提高危险动作识别的精度和识别中的抗干扰性，具有计算速度快的优点。具有计算速度快的优点。具有计算速度快的优点。

【技术实现步骤摘要】
一种群体场景下危险动作识别方法、系统、设备和可读存储介质


[0001]本专利技术属于视觉识别判断领域，具体属于一种群体场景下危险动作识别方法、系统、设备和可读存储介质。

技术介绍

[0002]现阶段的危险动作识别技术，主要是基于人工预先架设好的摄像机位，如摄像头，具体实现是，通过摄像头录入场景，再通过计算机或者人工识别对外界信息进行处理，比如，图片的二值化和滤波处理等，再经过复杂的算法处理，最终得到危险动作的信息，然后才会对人员发出警告，对危险动作的分类识别较弱，纯视觉识别受环境干扰大，计算机处理反应较慢。

技术实现思路

[0003]为了解决现有技术中存在的问题，本专利技术提供一种群体场景下危险动作识别方法、系统、设备和可读存储介质，用于解决现有技术中对危险动作的分类识别较弱，纯视觉识别受环境干扰大，计算机处理反应较慢的问题，提高危险动作识别的精度和识别中的抗干扰性，具有计算速度快的优点。
[0004]为实现上述目的，本专利技术提供如下技术方案：
[0005]一种群体场景下危险动作识别方法，包括以下过程，
[0006]将红波长图片入到元神经网络模型中，对人物进行红波长识别，并对人物进行红波边缘涂绘操作；
[0007]根据被红波边缘涂绘出来的人物轮廓，进行人体姿态识别，确定人物此时刻所属的姿态；
[0008]将所识别的人物姿态和人物数量上传到数据空间中，与数据空间中的危险群体行为以及前一刻红波长图片数据进行对比分析，确定此时所识别的红波长图片中人物是否为危险行为；若为危险行为，则对群体人员发出警报；若不是危险行为，则继续监控识别。
[0009]优选的，所述红波长图片通过运动与红波长捕捉设备利用人体核心温度所发出的红色波长进行红波长图片与红波长视频数据的捕获；并使用多线切片数据传输，进行红波长图片数据分层处理。
[0010]优选的，将红波长图片输入神经网络中，对红波长图片进行的红波区进行区域点云化特征识别，提取显著人物行为特征，再对比去除相关重复特征，细化特征，将提取出来的人物行为特征进行模型化处理，对人物进行红波边缘涂绘操作，涂绘出人物轮廓。
[0011]优选的，使用数据专用管道极速传输，将图片信息和识别的文本字符串信息快速传入数据空间；基于传回的图片信息与文本字符串信息，在数据空间中使用特征比对分析技术，比对前一刻与此时刻的人物姿态得到未来倾向姿态，将其与危险行为姿态再比对，迅速得到比对结果；将与数据库比对结果数字化，包括：危险状态为1，安全状态为0；接收客户
端构建转专用信息传输管道迅速接收比对结果信息；判断是否接收到危险信息；若接收结果为1，则迅速响应扩音装置，对人员发出警告，并上报管理层系统；若接收结果为0，则继续监控人员活动。
[0012]一种群体场景下危险动作识别系统，包括读取模块、人像确定模块、识别模块和比对预警模块；
[0013]所述读取模块，用于将读取运动与红波长捕捉设备捕捉的红波长图片，并将红波长图片传输至人像确定模块；
[0014]所述人像确定模块，用于将红波长图片输入到预先训练完毕的神经网络模型中，对人物进行红波长识别，并对人物进行红波边缘涂绘操作；
[0015]所述识别模块，用于根据被框选出来的人物，再次进行人体姿态识别，确定人物所属的姿态；
[0016]所述比对预警模块，用于将此时刻所识别的人物姿态和人物数量上传到计算机的数据空间中，与数据空间中的危险群体行为以及前一刻红波长图片进行对比分析，确定此时计算机所识别的图片或者视频的一帧是否为危险行为；根据判定结果，对群体人员发出警报或者继续监控识别。
[0017]一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上述任意一项所述的一种群体场景下危险动作识别方法的步骤。
[0018]一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述任意一项所述的一种群体场景下危险动作识别方法的步骤。
[0019]与现有技术相比，本专利技术具有以下有益的技术效果：
[0020]本专利技术的一种群体场景下危险动作识别方法，通过读取人物图像的操作，将通过运动与红波长捕捉设备读取的红波长图片或者视频数据输入计算机；将计算机所接收的红波长图片或者视频的一帧图片数据输入到预先训练完毕的元神经网络模型中，对人物进行红波长识别，并对人物进行红波边缘涂绘操作；根据被红波边缘涂绘出来的人物轮廓，再次进行人体姿态识别，确定人物此时刻所属的姿态；将此时刻所识别的人物姿态和人物数量上传到计算机的数据空间中，与数据空间中的危险群体行为以及前一刻红波长图片进行对比分析，确定此时计算机所识别的图片或者视频的一帧是否为危险行为。根据判定结果，对群体人员发出警报或者继续监控识别。从而提高危险动作检测地准确性和抗干扰性。
附图说明
[0021]图1为本专利技术的一种群体场景下人体动作识别和群体性危险场景的识别方法实例一的步骤流程图；
[0022]图2为本专利技术的一种元神经网络模型示意图；
[0023]图3为本专利技术的一种群体场景下人体动作识别和群体性危险场景的识别方法的结构框图；
[0024]图4为本专利技术的实施例中结果检测示意图。
具体实施方式
[0025]下面结合具体的实施例对本专利技术做进一步的详细说明，所述是对本专利技术的解释而不是限定。
[0026]本专利技术提供了一种群体场景下人体动作识别和群体性危险场景的识别方法，用于提高危险动作识别的精度，和识别中的抗干扰性。
[0027]本专利技术提供一种群体场景下人体动作识别和群体性危险场景的识别方法，包括以下过程：
[0028]一种读取人物图像的操作，将通过运动与红波长捕捉设备读取的红波长图片或者运动与红波长捕捉设备视频数据输入计算机。
[0029]将计算机所接收的红波长图片或者视频的一帧图片数据输入到预先训练完毕的神经网络中，对人物进行红波长识别，并对人物进行红波边缘涂绘操作。
[0030]根据被红波边缘涂绘出来的人物轮廓，进行人体姿态识别，确定人物此时刻所属的姿态。
[0031]将此时刻所识别的人物姿态和人物数量上传到计算机的数据空间中，与数据空间中的危险群体行为以及前一刻红波长图片进行对比分析，确定此时计算机所识别的图片或者视频的一帧是否为危险行为。根据判定结果，对群体人员发出警报或者继续监控识别。
[0032]所述的色感红波长捕捉设备读取红波长图片或者色感运动与红波长捕捉设备读取的视频数据输入计算机，包括：运动与红波长捕捉设备利用人体核心温度所发出的红色波长进行红波长图片与红波长视频数据的捕获；
[0033]使用多线切片数据传输技术，将图片视频数据分层处理，快速传输数据；以及，通过通道参数设置对读入的图像或者视频进行像素和通道数的修改。
[0034]读取的图片或者视频的一帧图片数据输入到预先本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种群体场景下危险动作识别方法，其特征在于，包括以下过程，将红波长图片入到元神经网络模型中，对人物进行红波长识别，并对人物进行红波边缘涂绘操作；根据被红波边缘涂绘出来的人物轮廓，进行人体姿态识别，确定人物此时刻所属的姿态；将所识别的人物姿态和人物数量上传到数据空间中，与数据空间中的危险群体行为以及前一刻红波长图片数据进行对比分析，确定此时所识别的红波长图片中人物是否为危险行为；若为危险行为，则对群体人员发出警报；若不是危险行为，则继续监控识别。2.根据权利要求1所述的一种群体场景下危险动作识别方法，其特征在于，所述红波长图片通过运动与红波长捕捉设备利用人体核心温度所发出的红色波长进行红波长图片与红波长视频数据的捕获；并使用多线切片数据传输，进行红波长图片数据分层处理。3.根据权利要求1所述的一种群体场景下危险动作识别方法，其特征在于，将红波长图片输入神经网络中，对红波长图片进行的红波区进行区域点云化特征识别，提取显著人物行为特征，再对比去除相关重复特征，细化特征，将提取出来的人物行为特征进行模型化处理，对人物进行红波边缘涂绘操作，涂绘出人物轮廓。4.根据权利要求1所述的一种群体场景下危险动作识别方法，其特征在于，使用数据专用管道极速传输，将图片信息和识别的文本字符串信息快速传入数据空间；基于传回的图片信息与文本字符串信息，在数据空间中使用特征比对分析技术，比对前一刻与此时刻的人物姿态得到未来倾向姿态，将其与危险行为姿态再比对，迅速得到比对结果；将与数据库比对结果数字化，包括：危险状态为1，安...

【专利技术属性】
技术研发人员：胡卉，马晖，王雨格，陈露，张文静，董瑞骐，郭勇，陈佩耀，赵杰，孙雅颖，张麟琛，
申请(专利权)人：长安大学，
类型：发明
国别省市：