安防视频行为识别制造技术

本发明专利技术提供一种安防视频行为识别

【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、CNN
‑
LSTM、SlowFast
双分支深度学习网络等模型，可给出行人动作识别结果
。
本专利技术利用较为成功的人体目标检测
、
跟踪等方法获取行人的行为时空数据，通过统计分析量化表示人体行为动作值，采取对比分析策略，做帧图像空间数据和多帧时序数据联合分析，根据滑动窗邻域数值统计特征
、
聚类方法判定异常行为
。

技术实现思路

[0004]本专利技术要解决的技术问题是针对上述现有技术的不足，提供一种安防视频行为识别
、
查询
、
异常检测的系统及方法，为多个不同应用场景下的监控视频的实时人体行为识别
、
异常状况检测提供一种自动化查询途径
、
异常判别手段
。
[0005]为解决上述技术问题，本专利技术所采取的技术方案是：
[0006]一方面，本专利技术提供一种安防视频行为识别
、
查询
、
异常检测的系统，包括数字网络摄像头
、
电源
、
计算机处理器；
[0007]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；
[0008]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
深度学习网络，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；
[0009]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；
[0010]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；
[0011]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；
[0012]SlowFast
网络训练模块用于训练
SlowFast
深度学习网络得到
SlowFast
模型；
[0013]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；
[0014]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；
[0015]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；
[0016]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；
[0017]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；
[0018]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；
[0019]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；
[0020]应用系统模块包括数据库存储模块和浏览器
/
服务器
(Browser/Server
，或
B/S)
系统架构模块；
[0021]数据库存储模块用于将行为识别的数据进行统计，便于分析和应用系统模块系统使用；
[0022]B/S
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
。
[0023]进一步地，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
。
[0024]进一步地，多线程处理模块中的多线程流程包括：
[0025]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；本文档来自技高网...

【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：