【技术实现步骤摘要】
本专利技术涉及异常行为智能识别的，尤其涉及一种基于安防机器人对异常行为智能识别方法和系统。
技术介绍
1、随着社会的发展和科技的进步，安防领域的需求日益增长。安防机器人作为一种集成了先进感知、智能分析和实时响应能力的新型设备，受到了广泛关注和应用。其在监控、巡逻、安全预警等方面具有巨大的潜力，为保障公共安全、保护财产等方面提供了有力支持。然而，随着安防机器人的应用场景变得越来越复杂多样，对于异常行为的智能识别成为了一项迫切需求。传统的方法往往受到诸如图像质量、光照条件等因素的限制，导致其在复杂环境下的准确性和鲁棒性不尽如人意。同时，传统的异常行为识别方法在对动态场景的处理上，由于缺乏对运动特征的深度挖掘，容易受到背景干扰，从而影响了识别的准确性。另外，现有的识别方法在网络结构和参数优化方面也存在一定的局限性。传统的网络结构可能难以捕捉到复杂场景下的异常行为特征，导致识别性能有限。而在参数优化方面，传统的算法可能会陷入局部最优解，无法充分发挥网络的性能。
技术实现思路
1、有鉴于此，本专利技术提供一种基于安防机器人对异常行为智能识别方法，目的在于提升异常行为识别的精准性和鲁棒性，从而为安全防范提供更为可靠的解决方案。
2、实现上述目的，本专利技术提供的一种基于安防机器人对异常行为智能识别方法，包括以下步骤：
3、s1：收集安防机器人的视频数据，并对采集到的视频数据进行预处理，获得预处理后的视频图像序列；
4、s2：基于帧差法从预处理后的图像序列中提
5、s3：使用循环神经网络构建异常行为识别网络，并设定异常行为识别网络的优化目标；
6、s4：基于改进的随机梯度下降算法优化异常行为识别网络的参数；
7、s5：使用差分进化算法对异常行为识别网络参数进行微调；
8、作为本专利技术的进一步改进方法：
9、可选地，所述s1步骤中收集安防机器人的视频数据，并对采集到的视频数据进行预处理，获得预处理后的视频图像序列，包括：
10、收集安防机器人的视频数据，并对采集到的视频数据进行预处理，获得预处理后的图像序列，所述预处理过程中使用基于视频数据的三维去噪算法，计算方式为：
11、
12、其中，vdenoised表示预处理后的视频图像序列；vdenoised(x，y，t)为视频第t帧图像位于(x，y)处的去噪后的像素值；x表示图像横坐标，x＝1，2，...，x，x表示图像宽度，y表示图像纵坐标，y＝1，2，...，y，y表示图像高度，t表示视频时间帧序号，t＝1，2，...，t，t表示序列长度；w(i，j，k)是像素(x+i.y+j，t+k)与目标像素(x，y，t)之间的权重；v(x+i.y+j，t+k)为视频第t+k帧图像位于(x+i，y+j)处的像素值；w(i，j，k)的计算方式为：
13、
14、其中，v(x.y，t)为视频第t帧图像位于(x，y)处的像素值；e表示自然常数；σ表示控制权重衰减的参数；
15、(i，j，k)为集合n(x.y，t)中的元素，n(x.y，t)表示以(x.y，t)为中心的邻域位置，表达式为：
16、n(x.y，t)＝{(i，j，k)|i∈[-r，r]，j∈[-r，r]，k∈[-r，r]}
17、其中，r表示邻域半径；i，j和k均为整数；
18、可选地，所述s2步骤中基于帧差法从预处理后的图像序列中提取运动特征，包括：
19、s21：帧差图像计算：
20、对于预处理后的图像序列，提取相邻两帧的帧差图像；对于预处理后的图像序列中的第t帧和第t+1帧，帧差图像像素值的计算方式为：
21、
22、其中，idiff(x，y，t)表示第t帧帧差图像idiff(t)在空间位置(x.y)处的值；
23、s22：梯度运算：
24、使用sobel算子计算帧差图像的梯度信息g1和g1：
25、
26、其中，g1(x，y，t)和g2(x，y，t)分别表示帧差图像在水平和垂直方向的梯度在位置(x.y，t)处的值；k1和k2是sobel算子的卷积核；
27、s23：运动特征提取：
28、计算帧差图像的运动能量密度e：
29、e(x，y，t)＝g1(x，y，t)2+g2(x，y，t)2
30、其中，e(x，y，t)表示在位置(x.y，t)处的运动能量密度值；
31、计算帧差图像的平均运动强度meanmotion：
32、
33、其中，meanmotion(t)表示第t帧帧差图像的平均运动强度；num表示每一帧帧差图像的像素数目；
34、计算帧差图像的最大运动强度maxmotion：
35、maxmotion(t)＝maximumx，ye(x，y，t)
36、其中，maximum函数计算最大值；
37、可选地，所述s3步骤中使用循环神经网络构建异常行为识别网络，并设定异常行为识别网络的优化目标，包括：
38、s31：提取帧差图像的深度特征：
39、在时间帧序号t，将帧差图像转化为一个特征向量f(t)，特征向量通过使用vgg-16网络提取：
40、f(t)＝vgg16(idiff(t))
41、其中，idiff(t)表示第t帧帧差图像；
42、s32：构建异常行为识别网络外部输入：
43、将深度特征与运动特征合并作为每一个时间步异常行为识别网络的外部输入：
44、input(t)＝[f(t)，meanmotion(t)，maxmotion(t)]
45、s33：异常行为识别网络隐藏状态更新：
46、异常行为识别网络在时间帧序号t的隐藏状态h(t)的更新公式如下：
47、
48、其中，和分别表示输入层到隐藏层的权重矩阵和偏置；和分别表示隐藏层到隐藏层的权重矩阵和偏置；tanh表示双曲正切函数；
49、s34：输出层计算：
50、
51、其中，cls表示异常行为识别网络预测出的不同异常行为的概率，cls＝[cls1，cls2，...，clsm]，m为异常行为的种数；和分别表示隐藏层到输出层的权重矩阵和偏置；softmax表示归一化指数函数；
52、s35：设定异常行为识别网络的优化目标：
53、使用改进的交叉熵损失作为网络的优化目标，表达式为：
54、
55、其中，m＝1，2，...，m；对于当前输入至异常行为识别网络的帧差图像数据，是异常行为是第m类的真实概率；clsm是异常行为是第m类的网络预测概率；∈是平滑参数；
56、可选地，所述s4步骤中基于改进的随机梯度下降算法优化异常行为识别网本文档来自技高网...
【技术保护点】
1.一种基于安防机器人对异常行为智能识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于安防机器人对异常行为智能识别方法，其特征在于，所述步骤S1中预处理过程中使用基于视频数据的三维去噪算法，计算方式为：
3.根据权利要求2所述的基于安防机器人对异常行为智能识别方法，其特征在于，所述步骤S2中，包括以下步骤：
4.根据权利要求3所述的基于安防机器人对异常行为智能识别方法，其特征在于，所述步骤S3中，包括以下步骤：
5.根据权利要求4所述的基于安防机器人对异常行为智能识别方法，其特征在于，所述步骤S4中，包括以下步骤：
6.根据权利要求5所述的基于安防机器人对异常行为智能识别方法，其特征在于，所述步骤S5中，包括以下步骤：
7.一种基于安防机器人对异常行为智能识别系统，其特征在于，包括：
【技术特征摘要】
1.一种基于安防机器人对异常行为智能识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于安防机器人对异常行为智能识别方法，其特征在于，所述步骤s1中预处理过程中使用基于视频数据的三维去噪算法，计算方式为：
3.根据权利要求2所述的基于安防机器人对异常行为智能识别方法，其特征在于，所述步骤s2中，包括以下步骤：
4.根据权利要求3所述的基于...
【专利技术属性】
技术研发人员：顾涛，李昭生，马松，
申请(专利权)人：无锡科棒安智能科技有限公司，
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。