【技术实现步骤摘要】
安防视频行为识别、查询、异常检测的系统及方法
[0001]本专利技术涉及安防视频异常分析
,尤其涉及一种安防视频行为识别
、
查询
、
异常检测的系统及方法
。
技术介绍
[0002]我国视频监控系统规模越建越大,但目前很大一部分的视频监控系统产业并未起到应有的应用效果,一部分原因是因为缺乏专业的运维管理团队进行维护
。
视频监控系统现行的运维方式多采用人力运维,辅助的管理系统只能做基础的查看与设备轮巡,整体运维效果低下
。
从技术发展历程看,视频监控技术在发展之初是通过工作人员来观察所获数据,检测场景下行人的动作
、
运动轨迹,进而可分析
、
判别这些人群轨迹的异常行为
。
随着监控设备安装范围广泛扩展,数据量急剧增大,人力侦查视频内容显然不合理,极易产生遗漏
。
对视频行人的动作识别
、
异常检测已逐步成为安防监控及信息安全领域战略部署的技术前提,其学术研究价值和市场价值不可估量
。
[0003]视频异常通常认为是发生了不寻常的表观特征
、
运动特征或在不寻常的地点或时间发生的运动特征
。
目前的视频异常行为判别方法往往是场景依赖的,不利于异常判别技术广泛部署于监控系统
。
人工智能技术的飞快发展带动视频目标识别技术进步
。
现代视频人体行为识别常常使用双流
、C3D、C ...
【技术保护点】
【技术特征摘要】
1.
一种安防视频行为识别
、
查询
、
异常检测的系统,其特征在于:包括数字网络摄像头
、
电源
、
计算机处理器;数字网络摄像头用于采集实时视频数据并输入给计算机处理器中的
SlowFast
深度学习网络;电源负责为数字网络摄像头供电;计算机处理器用于接收
RTSP
视频流并转换为
SlowFast
网络可处理的视频流,计算机处理器中部署
SlowFast
网络,将识别的动作数据作特征提取
、
分析,完成动作统计
、
异常行为检测
、
关注动作检索和显示的功能,进行数据库的操控和网页端操作系统的展示与使用
。2.
根据权利要求1所述的安防视频行为识别
、
查询
、
异常检测的系统,其特征在于:所述计算机处理器中的软件单元具体包括视频处理单元
、
动作识别分析单元
、
数据分析单元和应用系统模块;视频处理单元包括多线程处理模块和预处理模块;多线程处理模块用于降低系统运算压力,将视频识别与数据处理分离开,各自形成一个线程;预处理模块用于将
RTSP
视频流转换为
Python
编程语言可识别的视频流,对视频进行预处理,包括处理图片帧的长
、
宽以及清晰度;动作识别分析单元包括
SlowFast
网络训练模块
、SlowFast
模型部署验证模块和改进
SlowFast
输入源模块;
SlowFast
网络训练模块用于训练
SlowFast
深度学习网络得到
SlowFast
模型;
SlowFast
模型部署验证模块用于将
SlowFast
模型部署至计算机系统上,并验证模型功能适配计算机系统;改进
SlowFast
输入源模块用于在部署于计算机系统
SlowFast
的基础上,将输入源改进为实时摄像头,利用
SlowFast
模型不断地对实时视频流做处理;数据分析单元包括提取数据计算模块和统计分析模块;提取数据计算模块包括数据提取模块和动作值与邻域均值计算模块;统计分析模块包括嵌套滑动窗口模块和主成分分析与聚类分析模块;数据提取模块用于在部署于计算机系统
SlowFast
的基础上,利用
SlowFast
模型不断地对视频内人体进行行为识别并提取;动作值与邻域均值计算模块用于,分析视频内异常的片段,利用动作值与动作均值使用滑动窗口进行比对;嵌套滑动窗口模块用于将数据进行分组并利用一定窗口大小的帧,与整体视频帧进行比对;主成分分析与聚类分析模块用于对滑动窗口内数据进行聚类分析,利用动作值与动作均值得出异常动作出现的数量;应用系统模块包括数据库存储模块和
Browser/Server
系统架构模块;数据库存储模块用于将行为识别的数据进行统计,便于分析和
Browser/Server
系统使用;
Browser/Server
系统架构模块用于将整个模型应用于网页,数据库使用
SQL Server
,使用数据库作为模型与网页的数据互通方式
。3.
根据权利要求2所述的安防视频行为识别
、
查询
、
异常检测的系统,其特征在于:所述
SlowFast
深度学习网络包括两个卷积分支,即
Slow
分支和
Fast
分支,
Slow
通道和
Fast
通道
都使用
3D
卷积的
RestNet
模型,在每个分支的末端,
SlowFast
执行全局平均池化,然后
concat
操作贯通两个通道的特征进行类别预测
。4.
根据权利要求2所述的安防视频行为识别
、
查询
、
异常检测的系统,其特征在于:所述多线程处理模块中的多线程流程包括:线程一,用于接收
RTSP
视频流并负责转换缓存中未及时转换的视频;线程二,负责将转换的视频流作预处理,然后输入
SlowFast
深度学习网络;线程三,为
SlowFast
深度学习网络实时视频分析模块,负责处理输入进来的视频源与输出各类分析的数据,以备后续使用
。5.
一种安防视频行为识别
、
查询
、
异常检测的方法,其特征在于:通过权利要求1所述的安防视频行为识别
、
查询与异常检测的系统实现,利用
SlowFast...
【专利技术属性】
技术研发人员:魏英姿,岳熙霖,胡超,陶鑫,明阳,
申请(专利权)人:沈阳理工大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。