本发明专利技术提供一种人体行为识别方法及其识别系统,本发明专利技术通过联邦学习算法训练初始模型,建立预估模型,并实现自适应调节的预估阈值,能够实时采集人体行为数据并进行特征标识,利用预估模型进行判断,并根据结果匹配相应方案,包括预警发出等措施,并进行二次识别,降低了对人体异常行为识别所需的计算量,提高了识别的实时性,确保突发事件的及时发现与处理,且适用场景多样化,有效的提高了监控系统的效率、适用性以及安全性。
【技术实现步骤摘要】
本专利技术涉及人体行为监控识别,尤其涉及一种人体行为识别方法及其识别系统。
技术介绍
1、随着生产生活智能化发展,智能监控的应用越来越多。人体行为识别(humanbehavior recognition,hbr)是指通过对人体姿态、动作、表情等生理特征的分析和识别,来推测或判别人的行为、意图、情绪等信息,可以用于看护家中的老年、小孩群体,及时识别老年人摔倒、长时间躺卧静坐,孩童玩火、靠近窗户等行为,及时向监护人发送警报信息,减少家庭损失,以及应用于地铁站和高铁等公共场所。
2、而传统的人体行为识别系统以及方法,其存在着诸多问题,如在一些场景,特别是人员较多的场景时,其为了保障对人体异常行为识别的精准性,需要对全部人员同时进行精准识别,导致大规模数据需要同时进行实时处理,所需的计算量较大且实时性不高,且应对于不同场景识别时,则适用性欠缺,进而对突发事件的处理效率较低。
3、因此,有必要提供一种人体行为识别方法及其识别系统解决上述技术问题。
技术实现思路
1、为解决上述技术问题,本专利技术提供一种人体行为识别方法及其识别系统用于解决需要对全部人员同时进行精准识别,导致大规模数据需要同时进行实时处理,所需的计算量较大且实时性不高,且应对于不同场景识别时,则适用性欠缺,进而对突发事件的处理效率较低的问题。
2、本专利技术提供的一种人体行为识别方法,所述识别方法包括以下步骤:
3、s1、基于人体行为数据,使用联邦学习算法训练初始模型;
<
p>4、s2、根据初始模型的历史人体行为特征数据建立预估模型;5、s3、根据预估模型,且基于使用场景的不同,设置自适应调节的预估阈值;
6、s4、实时采集人体行为数据,并输入至初始模型,对人体行为特征进行标识;
7、s5、获取特征标识数据,输入至预估模型得到预估值,并基于预估阈值对获得的预估值进行判断,获得判断结果;
8、s6、根据获得的判断结果,匹配相应的方案,具体包括无反馈和反馈发出预警示;
9、s7、根据反馈发出预警示,锁定人体行为,进行二次识别,最终根据确定的结果再决定是否发出正式警报。
10、优选的,所述步骤s1具体步骤为:
11、s1.1、从不同用户或设备中收集人体行为数据,并在本地进行处理和训练;
12、s1.2、应用联邦学习算法,在各个本地节点上训练初始模型,充分利用各地的数据而无需将其发送至中心服务器。
13、优选的,所述步骤s2具体步骤:
14、s2.1、收集大量历史人体行为数据,并进行清洗,具体包括去除异常数据和处理缺失值,以确保数据的质量和完整性;
15、s2.2、从历史数据中提取相关的人体行为特征,对提取的特征进行转换和降维处理;
16、s2.3、根据需求选择预测模型,具体包括基于监督学习的分类模型和回归模型,并利用历史数据对模型进行训练;
17、s2.4、对训练好的模型进行评估以及部署。
18、优选的,所述步骤s3具体步骤为:
19、s3.1、针对需要监测的不同场景,进行详细的分析和分类;
20、s3.2、根据场景分析结果,初步设定各类场景下的预估阈值;
21、s3.3、对数据进行动态监测;
22、s3.4、根据动态监测到的数据,结合预估模型输出的结果,通过数据分析和机器学习算法,对预估阈值进行自适应调整。
23、优选的,所述步骤s4具体步骤包括:
24、s4.1、利用各类传感器实时采集人体行为数据,确保数据的连续性和完整性;
25、s4.2、对采集到的数据进行预处理,具体包括去噪、数据清洗以及信号校正;
26、s4.3、从原始人体行为数据中提取相应的特征并进行数据表示;
27、s4.4、将经过表示的特征数据输入至初始模型中;
28、s4.5、初始模型对输入的特征数据进行处理和识别,输出相应的标识结果,以表征当前时刻的人体行为特征。
29、优选的,所述步骤s7具体包括以下步骤:
30、s7.1、当初始模型输出预警信号时,系统触发相应的异常检测机制,系统向监控中心发送预警;
31、s7.2、在收到预警信号后,系统对异常行为所在的区域或人体进行锁定;
32、s7.3、针对锁定的异常行为区域或人体,系统进行锁定识别;
33、s7.4、锁定识别后确认了异常行为,系统触发警报机制,向相关人员发送警报通知。
34、一种人体行为识别系统,所述识别系统包括:
35、模型聚合与部署模块,用于基于人体行为数据,使用联邦学习算法训练初始模型;
36、模型训练评估模块,用于根据历史人体行为特征数据建立预估模型;
37、计算更新模块,用于根据预估模型,且基于使用场景的不同,设置自适应调节的预估阈值;
38、采集标识模块,用于实时采集人体行为数据,并输入至初始模型,对人体行为特征进行标识;
39、识别判断模块,用于获取特征标识数据,输入至预估模型得到预估值,并基于预估阈值对获得的预估值进行判断,获得判断结果;
40、匹配模块,用于根据获得的判断结果,匹配相应的方案,具体包括无反馈和反馈发出预警示;
41、反馈识别模块,用于根据反馈发出预警示,预估的锁定人体行为,进行二次识别,最终确定后再进行警报。
42、优选的,所述模型训练评估模块具体包括:
43、数据清洗模块,用于收集大量历史人体行为数据,并进行清洗,具体包括去除异常数据和处理缺失值,以确保数据的质量和完整性;
44、提取转换模块,用于从历史数据中提取相关的人体行为特征,对提取的特征进行转换和降维处理;
45、标定模块,用于根据需求选择预测模型,具体包括基于监督学习的分类模型和回归模型,并利用历史数据对模型进行训练;
46、评估模块,用于对训练好的模型进行评估以及部署。
47、优选的,所述计算更新模块具体包括:
48、分类模块,用于针对需要监测的不同场景,进行详细的分析和分类;
49、预设模块,用于根据场景分析结果,初步设定各类场景下的预估阈值;
50、监测模块,用于对数据进行动态监测;
51、训练模块,用于根据动态监测到的数据,结合预估模型输出的结果,通过数据分析和机器学习算法,对预估阈值进行自适应调整。
52、优选的,所述采集标识模块具体包括:
53、数据处理模块,用于对采集到的数据进行预处理,具体包括去噪和数据信号校正;
54、特征提取模块,用于从原始人体行为数据中提取相应的特征并进行数据表示;
55、输入模块,用于将经过表示的特征数据输入至初始模型中;
56、特征处理模本文档来自技高网
...
【技术保护点】
1.一种人体行为识别方法,其特征在于,所述识别方法包括以下步骤:
2.根据权利要求1所述的一种人体行为识别方法,其特征在于,所述步骤S1具体包括以下步骤:
3.根据权利要求1所述的一种人体行为识别方法,其特征在于,所述步骤S2具体包括以下步骤:
4.根据权利要求1所述的一种人体行为识别方法,其特征在于,所述步骤S3具体包括以下步骤:
5.根据权利要求1所述的一种人体行为识别方法,其特征在于,所述步骤S4具体包括以下步骤:
6.根据权利要求1所述的一种人体行为识别方法,其特征在于,所述步骤S7具体包括以下步骤:
7.一种人体行为识别系统,其特征在于,所述识别系统包括:
8.根据权利要求7所述的一种人体行为识别系统,其特征在于,所述模型训练评估模块具体包括:
9.根据权利要求7所述的一种人体行为识别系统,其特征在于,所述计算更新模块具体包括:
10.根据权利要求7所述的一种人体行为识别系统,其特征在于,所述采集标识模块具体包括:
【技术特征摘要】
1.一种人体行为识别方法,其特征在于,所述识别方法包括以下步骤:
2.根据权利要求1所述的一种人体行为识别方法,其特征在于,所述步骤s1具体包括以下步骤:
3.根据权利要求1所述的一种人体行为识别方法,其特征在于,所述步骤s2具体包括以下步骤:
4.根据权利要求1所述的一种人体行为识别方法,其特征在于,所述步骤s3具体包括以下步骤:
5.根据权利要求1所述的一种人体行为识别方法,其特征在于,所述步骤s4具体包括以下步骤:...
【专利技术属性】
技术研发人员:段冰洁,冯业鑫,缪煜玮,
申请(专利权)人:中国石油大学华东,
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。