一种轻量级政务大厅中人员异常行为监测方法及系统技术方案

本发明专利技术公开了一种轻量级政务大厅中人员异常行为监测方法，包括：S1、在边缘服务器中创建人员异常行为有效数据集和危险区域范围信息集；S2、采集预设区域范围的视频流发送至边缘计算服务器；S3、边缘计算服务器将接收到的视频流进行逐帧分解得到图像，将图像进行尺寸调整后输入目标检测模型，得到每个预测框的位置坐标、类别信息和置信度值；S4、进行目标跟踪；将每个预测框的位置坐标进行处理得到归一化位置坐标；对置信度值满足预设阈值的预测框的边界框进行非极大值抑制处理；S5、模型输出预测目标及目标行为结果，与人员异常行为有效数据集和危险区域范围信息集进行对比分析，输出监测结果。本发明专利技术还公开了用于本发明专利技术方法的系统。系统。系统。

【技术实现步骤摘要】
一种轻量级政务大厅中人员异常行为监测方法及系统


[0001]本专利技术涉及监控安全领域，尤其涉及一种轻量级政务大厅中人员异常行为监测方法及系统。

技术介绍

[0002]随着现代化办公室的广泛应用，对政务大厅办公区的安全管理也提出了更高的要求。尤其是在一些禁止吸烟、易燃易爆等场所，禁止人员进入的区域，如果没有精密的监控手段，就难以及时发现违规行为，从而破坏安全环境。现代科学技术的发展中，计算机视觉技术已经成为一个热门领域，被广泛应用于图像识别、自动驾驶、安防监控等方面。实时监控技术作为计算机视觉技术的一个分支，可以通过对场景中的图像进行处理、分析和识别，实现实时的监控、诊断和预警功能。在安防监控方面，实时监控技术凭借其高效、准确、自动化的特点，已经成功地应用于各种场合，成为保障人们生命和财产安全的重要手段。
[0003]然而，实时监控技术在实际的应用中还存在一些局限性，例如对于复杂场景的处理、多目标的跟踪和识别准确度等方面的问题，这些问题使得现有的实时监控技术无法快速高效地对政务大厅内的人员行为进行检测和预警，无法可靠地防范安全隐患的发生。

技术实现思路

[0004]本专利技术提供了一种轻量级政务大厅中人员异常行为监测方法及系统，用以解决现有的实时监控技术无法快速高效地对政务大厅内的人员行为进行监测和预警，无法可靠地防范安全隐患的发生的技术问题。
[0005]为实现上述目的，本专利技术提供了一种轻量级政务大厅中人员异常行为监测方法，用于监控装置和边缘计算服务器互相协作的系统中，方法包括以下步骤：
[0006]S1、部署边缘服务器数据：在边缘服务器中创建人员异常行为有效数据集和危险区域范围信息集；
[0007]S2、采集视频流数据：在预设区域范围设置监控装置，通过监控装置采集预设区域范围的视频流数据，并将视频流数据发送至边缘计算服务器；
[0008]S3、进行目标及行为预测：边缘计算服务器将接收到的视频流数据进行逐帧分解得到图像信息；将图像信息进行尺寸调整后输入基于目标检测算法的模型进行目标及行为预测，得到每个预测框的位置坐标、类别信息和置信度值；
[0009]S4、处理预测结果：判断人员是否进入危险区域，确定有目标进入危险区域后，进行目标跟踪；将每个预测框的位置坐标进行归一化处理，得到归一化位置坐标；对每个预测框中置信度值满足预设阈值的预测框的边界框，进行非极大值抑制处理；
[0010]S5、输出人员异常行为监测结果：经过S4的处理后，基于目标检测算法的模型输出预测目标及目标行为结果，将预测目标及目标行为结果与人员异常行为有效数据集和危险区域范围信息集进行对比分析，最终输出人员异常行为监测结果。
[0011]优选的，在S3中，图像信息的尺寸调整为p*p，其中p为32的整数倍；目标检测算法
为YOLOv5算法；
[0012]预测框的位置坐标为(x,y,w,h)，其中x和y表示预测框的中心点坐标，w和h表示预测框的长和宽；置信度confidence定义计算满足如下关系式：
[0013][0014]其中，表示第i个格子的第j个边界框的置信度，Pr(object)表示当前框是否有对象的概率，表示真实检测框和预测检测框之间的IOU比值；
[0015]预测图像的每个网格同时预测C个条件类别概率：Pr(Class
i
|object)；
[0016]某类出现在框中的概率以及预测框拟合目标程度表达式满足如下关系式：
[0017][0018]其中，Class
i
表示第i类类别。
[0019]优选的，在S4中，判断人员是否进入危险区域时，进行两物体重合判断的计算公式满足如下关系式：
[0020][0021]其中，R
person
为目标检测器检测出人在图像中的范围，R
riskarea
为目标检测器检测自动划分出图像中危险区域的范围，J
area
表示前两者重合程度；
[0022]对于该两者的重合度，设置一个门限函数：
[0023]F
area
＝1[J
area
≥t][0024]其中，F
area
表示判断人物是否在危险区域中，t表示对于危险区域和人物在图像中重合程度的阈值。
[0025]优选的，在S4中，YOLOv5算法采用CIOU_Loss损失函数计算检测框与目标框的重叠面积，损失函数CIOU_Loss计算公式满足如下关系式：
[0026][0027]其中，IOU是检测框与目标框的交集与并集的比值；Distance_C为最小外接矩形的对角线距离；Distance_2为检测框中心点与真实框中心点的欧氏距离；v是衡量长宽比一致性的参数，v满足如下关系式：
[0028][0029]其中，w
gt
与h
gt
是真实框的宽与高；w
p
与h
p
是检测框的宽与高。
[0030]优选的，在S4中：在确定有目标进入目标后，采用deepsort算法进行目标跟踪，具体包括以下步骤：
[0031]S41、获取原始视频帧；
[0032]S42、利用目标检测器对视频帧中的目标进行检测；
[0033]S43、将检测到的目标的框中的特征提取出来，该特征包括表观特征和运动特征；
[0034]S44、计算前后两帧目标之前的匹配程度，为每个追踪到的目标分配ID。
[0035]优选的，在使用deepsort算法进行目标跟踪计算匹配程度时，运动匹配度d
(1)
计算公式满足如下关系式：
[0036]d
(1)
(i,j)＝(d
j
‑
y
i
)
T
S
i
‑1(d
j
‑
y
i
)
[0037]其中，d
(1)
(i,j)表示为第j个检测框和第i条轨迹之间的运动匹配度；是轨迹由卡尔曼滤波器预测得到的在当前时刻观测空间的协方差矩阵的逆；d
j
是第j个检测框的边界框；y
i
是轨迹在当前时刻的预测量边界框；
[0038]马氏距离通过计算检测位置和平均追踪位置之间的标准差将状态测量的不确定性进行了考虑；
[0039]当马氏距离小于阈值，则认为匹配成功，公式为：
[0040][0041]其中，用来决定初始匹配的连线，t
(1)
表示对于运动匹配度设定的阈值。
[0042]优选的，在使用deepsort算法进行目标跟踪计算匹配程度时，外观匹配度d
(2)
计算公式满足如下关系式：
[0043][0044]其中，r
j
为表面特征描述因子，用来存放最新的L
k
＝100个轨迹的描述因子，上本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种轻量级政务大厅中人员异常行为监测方法，用于监控装置和边缘计算服务器互相协作的系统中，其特征在于，所述方法包括以下步骤：S1、部署边缘服务器数据：在边缘服务器中创建人员异常行为有效数据集和危险区域范围信息集；S2、采集视频流数据：在预设区域范围设置监控装置，通过监控装置采集预设区域范围的视频流数据，并将所述视频流数据发送至边缘计算服务器；S3、进行目标及行为预测：所述边缘计算服务器将接收到的视频流数据进行逐帧分解得到图像信息；将所述图像信息进行尺寸调整后输入基于目标检测算法的模型进行目标及行为预测，得到每个预测框的位置坐标、类别信息和置信度值；S4、处理预测结果：判断人员是否进入危险区域，确定有目标进入危险区域后，进行目标跟踪；将所述每个预测框的位置坐标进行归一化处理，得到归一化位置坐标；对所述每个预测框中置信度值满足预设阈值的预测框的边界框，进行非极大值抑制处理；S5、输出人员异常行为监测结果：经过S4的处理后，基于目标检测算法的模型输出预测目标及目标行为结果，将所述预测目标及目标行为结果与所述人员异常行为有效数据集和危险区域范围信息集进行对比分析，最终输出人员异常行为监测结果。2.根据权利要求1所述的轻量级政务大厅中人员异常行为监测方法，其特征在于，在S3中，图像信息的尺寸调整为p*p，其中p为32的整数倍；目标检测算法为YOLOv5算法；所述预测框的位置坐标为(x,y,w,h)，其中x和y表示预测框的中心点坐标，w和h表示预测框的长和宽；置信度confidence定义计算满足如下关系式：其中，表示第i个格子的第j个边界框的置信度，Pr(object)表示当前框是否有对象的概率，表示真实检测框和预测检测框之间的IOU比值；预测图像的每个网格同时预测C个条件类别概率：Pr(Class
i
|object)；某类出现在框中的概率以及预测框拟合目标程度表达式满足如下关系式：其中，Class
i
表示第i类类别。3.根据权利要求2所述的轻量级政务大厅中人员异常行为监测方法，其特征在于，在S4中，判断人员是否进入危险区域时，进行两物体重合判断的计算公式满足如下关系式：其中，R
person
为目标检测器检测出人在图像中的范围，R
riskarea
为目标检测器检测自动划分出图像中危险区域的范围，J
area
表示前两者重合程度；对于该两者的重合度，设置一个门限函数：F
area
＝1[J
area
≥t]其中，F
area
表示判断人物是否在危险区域中，t表示对于危险区域和人物在图像中重合程度的阈值。
4.根据权利要求3所述的轻量级政务大厅中人员异常行为监测方法，其特征在于，在S4中，YOLOv5算法采用CIOU_Loss损失函数计算检测框与目标框的重叠面积，所述损失函数CIOU_Loss计算公式满足如下关系式：其中，IOU是检测框与目标框的交集与并集的比值；Distance_C为最小外接矩形的对角线距离；Distance_2为检测框中心点与真实框中心点的欧氏距离；v是衡量长宽比一致性的参数，v满足如下关系式：其中，w
gt
与h
gt
是真实框的宽与高；w
p
与h
p
是检测框的宽与高。5.根据权利要求4所述的轻量级政务大厅中人员异常行为监测方法，其特征在于，在S4中：在确定有目标进入目标后，采用deepsort算法进行目标跟踪，具体包括以下步骤：S41、获取原始视频帧；S42、利用目标检测器对视频帧中的目标进行检测；S43、将检测到的目标的框中的特征提取出来...

【专利技术属性】
技术研发人员：王斌，张碧妮，盛津芳，甘海洋，
申请(专利权)人：禾麦科技开发深圳有限公司，
类型：发明
国别省市：