本發(fā)明涉及智能安防，尤其涉及一種基于神經(jīng)網(wǎng)絡(luò)的智慧安防方法、系統(tǒng)及介質(zhì)。

背景技術(shù)：

1、傳統(tǒng)的安防方法主要依賴于物理監(jiān)控設(shè)備，如攝像頭、傳感器、報(bào)警裝置等，進(jìn)行實(shí)時(shí)監(jiān)控和反應(yīng)。然而，傳統(tǒng)方法在面對(duì)日益復(fù)雜的安全威脅時(shí)，存在諸多局限性，這促使了基于神經(jīng)網(wǎng)絡(luò)的智能安防技術(shù)的快速發(fā)展。傳統(tǒng)的安防系統(tǒng)通常由人工控制和監(jiān)控，安防人員需要在大量的視頻監(jiān)控?cái)?shù)據(jù)中進(jìn)行人工篩選與分析。這種方式不僅工作量龐大，且容易受到人為疏忽、疲勞等因素的影響，導(dǎo)致監(jiān)控盲區(qū)或響應(yīng)遲緩，降低了系統(tǒng)的反應(yīng)速度和準(zhǔn)確性。傳統(tǒng)的監(jiān)控?cái)z像頭僅僅提供基礎(chǔ)的視頻數(shù)據(jù)流，無(wú)法智能地分析畫面中的異常行為。例如，當(dāng)攝像頭錄到某些非法入侵、盜竊等行為時(shí)，往往需要人工或簡(jiǎn)單的運(yùn)動(dòng)檢測(cè)算法進(jìn)行后續(xù)判定，這些傳統(tǒng)的圖像分析方法在面對(duì)復(fù)雜場(chǎng)景(如低光、遮擋、光照變化等)時(shí)，常常難以精準(zhǔn)識(shí)別和判斷。

技術(shù)實(shí)現(xiàn)思路

1、基于此，本發(fā)明有必要提供一種基于神經(jīng)網(wǎng)絡(luò)的智慧安防方法、系統(tǒng)及介質(zhì)，以解決至少一個(gè)上述技術(shù)問(wèn)題。

2、為實(shí)現(xiàn)上述目的，一種基于神經(jīng)網(wǎng)絡(luò)的智慧安防方法，包括以下步驟：

3、步驟s1：獲取監(jiān)控區(qū)域攝像數(shù)據(jù)以及監(jiān)控區(qū)域傳感數(shù)據(jù)，并對(duì)監(jiān)控區(qū)域攝像數(shù)據(jù)以及監(jiān)控區(qū)域傳感數(shù)據(jù)進(jìn)行多模態(tài)數(shù)據(jù)增強(qiáng)，從而獲得監(jiān)控區(qū)域增強(qiáng)異構(gòu)數(shù)據(jù)；

4、步驟s2：基于監(jiān)控區(qū)域增強(qiáng)異構(gòu)數(shù)據(jù)進(jìn)行監(jiān)控區(qū)域動(dòng)作捕捉，從而獲得監(jiān)控區(qū)域動(dòng)作數(shù)據(jù)，并對(duì)監(jiān)控區(qū)域動(dòng)作數(shù)據(jù)進(jìn)行對(duì)象動(dòng)態(tài)行為識(shí)別，從而獲得對(duì)象動(dòng)態(tài)行為數(shù)據(jù)；對(duì)對(duì)象動(dòng)態(tài)行為數(shù)據(jù)進(jìn)行跨模態(tài)異常行為檢測(cè)，從而獲得異常行為檢測(cè)數(shù)據(jù)；

5、步驟s3：對(duì)異常行為檢測(cè)數(shù)據(jù)進(jìn)行多維度風(fēng)險(xiǎn)值分配，從而獲得異常行為風(fēng)險(xiǎn)值數(shù)據(jù)，并根據(jù)異常行為風(fēng)險(xiǎn)值數(shù)據(jù)進(jìn)行風(fēng)險(xiǎn)響應(yīng)策略分析，從而獲得風(fēng)險(xiǎn)響應(yīng)策略；

6、步驟s4：基于異常行為檢測(cè)數(shù)據(jù)以及異常行為風(fēng)險(xiǎn)值數(shù)據(jù)構(gòu)建異常行為風(fēng)險(xiǎn)評(píng)估模型；根據(jù)風(fēng)險(xiǎn)響應(yīng)策略對(duì)異常行為風(fēng)險(xiǎn)評(píng)估模型進(jìn)行安防預(yù)警接口連接，從而獲得智能安防模型，并傳輸至監(jiān)控區(qū)域安防云平臺(tái)，以執(zhí)行安防監(jiān)控任務(wù)；

7、步驟s5：獲取監(jiān)控區(qū)域用戶反饋數(shù)據(jù)；根據(jù)監(jiān)控區(qū)域用戶反饋數(shù)據(jù)對(duì)智能安防模型進(jìn)行自適應(yīng)迭代優(yōu)化調(diào)參，從而獲得優(yōu)化智能安防模型，并傳輸至監(jiān)控區(qū)域安防云平臺(tái)，以執(zhí)行模型更新任務(wù)。

8、本發(fā)明通過(guò)多模態(tài)數(shù)據(jù)增強(qiáng)、行為識(shí)別和風(fēng)險(xiǎn)評(píng)估等手段，顯著提升了安防系統(tǒng)的智能化水平和反應(yīng)效率。獲取監(jiān)控區(qū)域的攝像和傳感數(shù)據(jù)，并進(jìn)行多模態(tài)數(shù)據(jù)增強(qiáng)，能夠提供更為全面的監(jiān)控信息。這種多模態(tài)數(shù)據(jù)的融合有助于在復(fù)雜場(chǎng)景中消除單一數(shù)據(jù)源的局限性，提高系統(tǒng)對(duì)動(dòng)態(tài)環(huán)境變化的適應(yīng)能力。通過(guò)動(dòng)作捕捉和動(dòng)態(tài)行為識(shí)別，可以精確識(shí)別目標(biāo)對(duì)象的活動(dòng)模式，進(jìn)而能夠更快速、準(zhǔn)確地檢測(cè)到潛在的異常行為。與傳統(tǒng)方法依賴人工判斷不同，這種自動(dòng)化的行為檢測(cè)大大提高了監(jiān)控?cái)?shù)據(jù)的處理效率，減少了人工操作中的誤差和疏漏，同時(shí)有效消除了由于監(jiān)控盲區(qū)和人員疲勞導(dǎo)致的安全風(fēng)險(xiǎn)。異常行為檢測(cè)通過(guò)跨模態(tài)分析，能夠識(shí)別多種潛在風(fēng)險(xiǎn)情況，尤其是在光照變化、遮擋或低光等復(fù)雜環(huán)境中，系統(tǒng)能夠依賴深度學(xué)習(xí)模型進(jìn)行更精確的判斷，從而提高了識(shí)別率和準(zhǔn)確性。風(fēng)險(xiǎn)值的分配與響應(yīng)策略分析進(jìn)一步強(qiáng)化了安防系統(tǒng)的預(yù)測(cè)和應(yīng)對(duì)能力，使得在發(fā)生異常行為時(shí)，能夠迅速做出響應(yīng)，確保安全隱患能夠在最短的時(shí)間內(nèi)得到處理和控制。通過(guò)構(gòu)建異常行為風(fēng)險(xiǎn)評(píng)估模型，系統(tǒng)不僅能夠?qū)崟r(shí)評(píng)估風(fēng)險(xiǎn)，還能根據(jù)已知的風(fēng)險(xiǎn)數(shù)據(jù)預(yù)測(cè)未來(lái)可能發(fā)生的安全事件，有效避免了傳統(tǒng)安防系統(tǒng)中預(yù)警反應(yīng)不及時(shí)的問(wèn)題。智能安防模型的不斷優(yōu)化與迭代，依賴用戶反饋數(shù)據(jù)進(jìn)行自適應(yīng)調(diào)整，確保了安防系統(tǒng)的長(zhǎng)期穩(wěn)定性和適應(yīng)性。通過(guò)不斷收集和分析用戶反饋，系統(tǒng)能夠在實(shí)際應(yīng)用中不斷提高精度和效率，避免過(guò)度依賴靜態(tài)模型所帶來(lái)的局限性，實(shí)現(xiàn)安防策略的動(dòng)態(tài)調(diào)整與優(yōu)化，從而最大化系統(tǒng)的整體效能。最終，這一系列步驟將系統(tǒng)升級(jí)為一個(gè)高度智能化、自我學(xué)習(xí)的安防平臺(tái)，不僅能夠?qū)崿F(xiàn)對(duì)異常行為的精準(zhǔn)識(shí)別與風(fēng)險(xiǎn)評(píng)估，還能夠應(yīng)對(duì)各種復(fù)雜的安全挑戰(zhàn)，為監(jiān)控區(qū)域提供更為可靠、實(shí)時(shí)的安全保障。

9、可選地，步驟s1具體為：

10、步驟s11：獲取監(jiān)控區(qū)域攝像數(shù)據(jù)以及監(jiān)控區(qū)域傳感數(shù)據(jù)；

11、步驟s12：對(duì)監(jiān)控區(qū)域攝像數(shù)據(jù)以及監(jiān)控區(qū)域傳感數(shù)據(jù)分別進(jìn)行數(shù)據(jù)預(yù)處理，從而獲得待處理區(qū)域攝像數(shù)據(jù)以及待處理區(qū)域傳感數(shù)據(jù)；

12、步驟s13：對(duì)待處理區(qū)域攝像數(shù)據(jù)進(jìn)行攝像數(shù)據(jù)增強(qiáng)，從而獲得增強(qiáng)攝像數(shù)據(jù)；對(duì)待處理區(qū)域傳感數(shù)據(jù)進(jìn)行傳感數(shù)據(jù)虛擬增強(qiáng)，從而獲得增強(qiáng)傳感數(shù)據(jù)；

13、步驟s14：根據(jù)增強(qiáng)攝像數(shù)據(jù)以及增強(qiáng)傳感數(shù)據(jù)進(jìn)行跨模態(tài)增強(qiáng)，從而獲得補(bǔ)充攝像數(shù)據(jù)以及補(bǔ)充傳感數(shù)據(jù)；

14、步驟s15：對(duì)補(bǔ)充攝像數(shù)據(jù)以及補(bǔ)充傳感數(shù)據(jù)進(jìn)行異構(gòu)數(shù)據(jù)融合，從而獲得監(jiān)控區(qū)域增強(qiáng)異構(gòu)數(shù)據(jù)。

15、本發(fā)明通過(guò)對(duì)監(jiān)控區(qū)域攝像數(shù)據(jù)和傳感數(shù)據(jù)進(jìn)行一系列處理和增強(qiáng)，能夠有效提升監(jiān)控系統(tǒng)的整體性能和數(shù)據(jù)利用率。通過(guò)對(duì)攝像數(shù)據(jù)和傳感數(shù)據(jù)的預(yù)處理，去除噪聲和冗余信息，確保后續(xù)分析的準(zhǔn)確性和可靠性。預(yù)處理后，攝像數(shù)據(jù)和傳感數(shù)據(jù)分別得到針對(duì)性的增強(qiáng)，攝像數(shù)據(jù)通過(guò)增強(qiáng)技術(shù)提高了圖像質(zhì)量和細(xì)節(jié)表現(xiàn)，而傳感數(shù)據(jù)則通過(guò)虛擬增強(qiáng)技術(shù)提升了傳感器的響應(yīng)能力和數(shù)據(jù)的時(shí)空覆蓋范圍。這種增強(qiáng)過(guò)程不僅有效補(bǔ)充了原始數(shù)據(jù)的不足，還使得兩種數(shù)據(jù)形式在空間和時(shí)間維度上的互補(bǔ)性得到發(fā)揮。進(jìn)一步，通過(guò)跨模態(tài)增強(qiáng)，將增強(qiáng)后的攝像數(shù)據(jù)與傳感數(shù)據(jù)進(jìn)行深度融合，能夠挖掘不同數(shù)據(jù)源之間的關(guān)聯(lián)和交互信息，從而增強(qiáng)了對(duì)監(jiān)控區(qū)域情況的全面感知和理解。通過(guò)異構(gòu)數(shù)據(jù)融合技術(shù)，將攝像數(shù)據(jù)和傳感數(shù)據(jù)在不同層次、不同特征上進(jìn)行優(yōu)化整合，實(shí)現(xiàn)了監(jiān)控區(qū)域的全面、多維度數(shù)據(jù)融合，從而提升了數(shù)據(jù)分析的準(zhǔn)確性和決策支持能力。這一系列步驟相互配合，能夠顯著提升監(jiān)控系統(tǒng)的精確度、響應(yīng)速度和智能化水平，特別是在復(fù)雜環(huán)境中，能夠有效應(yīng)對(duì)多種傳感器和攝像頭間的異構(gòu)數(shù)據(jù)問(wèn)題，提高系統(tǒng)的魯棒性和適應(yīng)性。

16、可選地，步驟s14具體為：

17、步驟s141：對(duì)增強(qiáng)攝像數(shù)據(jù)以及增強(qiáng)傳感數(shù)據(jù)進(jìn)行空間配準(zhǔn)，從而獲得空間配準(zhǔn)數(shù)據(jù)集；

18、步驟s142：根據(jù)空間配準(zhǔn)數(shù)據(jù)集進(jìn)行模態(tài)對(duì)齊，從而獲得物理模態(tài)對(duì)齊數(shù)據(jù)集；

19、步驟s143：基于預(yù)設(shè)的多模態(tài)神經(jīng)網(wǎng)絡(luò)對(duì)物理模態(tài)對(duì)齊數(shù)據(jù)集進(jìn)行跨模態(tài)特征融合，從而獲得跨模態(tài)融合數(shù)據(jù)；

20、步驟s144：對(duì)跨模態(tài)融合數(shù)據(jù)進(jìn)行攝像-傳感聯(lián)合分布特征整合，從而獲得攝像-傳感聯(lián)合分布數(shù)據(jù)；

21、步驟s145：基于攝像-傳感聯(lián)合分布數(shù)據(jù)對(duì)增強(qiáng)攝像數(shù)據(jù)以及增強(qiáng)傳感數(shù)據(jù)分別進(jìn)行跨模態(tài)補(bǔ)充，從而獲得補(bǔ)充攝像數(shù)據(jù)以及補(bǔ)充傳感數(shù)據(jù)。

22、本發(fā)明能夠?qū)崿F(xiàn)增強(qiáng)攝像數(shù)據(jù)和增強(qiáng)傳感數(shù)據(jù)的空間對(duì)齊，從而保證數(shù)據(jù)在空間維度上的一致性，減少后續(xù)分析中的誤差。接著，模態(tài)對(duì)齊能夠有效提升不同模態(tài)數(shù)據(jù)之間的相關(guān)性，確保數(shù)據(jù)在物理空間中的對(duì)照性，為后續(xù)的跨模態(tài)特征融合打下堅(jiān)實(shí)基礎(chǔ)?？缒B(tài)特征融合則能夠充分發(fā)揮各模態(tài)的優(yōu)勢(shì)，結(jié)合不同數(shù)據(jù)源的互補(bǔ)性，提升系統(tǒng)的感知能力，增強(qiáng)最終數(shù)據(jù)的表達(dá)能力。通過(guò)攝像-傳感聯(lián)合分布特征整合，能夠進(jìn)一步優(yōu)化數(shù)據(jù)的分布特征，使得后續(xù)的跨模態(tài)補(bǔ)充更為精確，減少因模態(tài)不匹配而導(dǎo)致的信息丟失，從而提升補(bǔ)充數(shù)據(jù)的質(zhì)量。這一系列步驟最終能夠顯著提升多模態(tài)數(shù)據(jù)處理的精度和效能，確保系統(tǒng)在實(shí)際應(yīng)用中的魯棒性和可靠性。

23、可選地，步驟s2具體為：

24、步驟s21：對(duì)監(jiān)控區(qū)域增強(qiáng)異構(gòu)數(shù)據(jù)進(jìn)行監(jiān)控區(qū)域攝像像素時(shí)序特征提取，從而獲得監(jiān)控區(qū)域攝像像素時(shí)序數(shù)據(jù)；

25、步驟s22：對(duì)監(jiān)控區(qū)域攝像像素時(shí)序數(shù)據(jù)進(jìn)行像素點(diǎn)時(shí)序變化統(tǒng)計(jì)，從而獲得像素點(diǎn)時(shí)序變化數(shù)據(jù)；

26、步驟s23：根據(jù)像素點(diǎn)時(shí)序變化數(shù)據(jù)進(jìn)行變化像素點(diǎn)連接，從而獲得時(shí)序變化像素點(diǎn)數(shù)據(jù)，并基于時(shí)序變化像素點(diǎn)數(shù)據(jù)進(jìn)行區(qū)域?qū)ο髣?dòng)作捕捉，從而獲得監(jiān)控區(qū)域動(dòng)作數(shù)據(jù)；

27、步驟s24：對(duì)監(jiān)控區(qū)域動(dòng)作數(shù)據(jù)進(jìn)行對(duì)象動(dòng)態(tài)行為識(shí)別，從而獲得對(duì)象動(dòng)態(tài)行為數(shù)據(jù)；

28、步驟s25：對(duì)對(duì)象動(dòng)態(tài)行為數(shù)據(jù)進(jìn)行跨模態(tài)異常行為檢測(cè)，從而獲得異常行為檢測(cè)數(shù)據(jù)。

29、本發(fā)明對(duì)監(jiān)控區(qū)域的增強(qiáng)異構(gòu)數(shù)據(jù)進(jìn)行像素時(shí)序特征提取，使得系統(tǒng)能夠從攝像數(shù)據(jù)中識(shí)別出時(shí)間序列中的關(guān)鍵特征，提供動(dòng)態(tài)信息的基礎(chǔ)。接著，通過(guò)對(duì)像素點(diǎn)時(shí)序變化的統(tǒng)計(jì)，可以精準(zhǔn)地捕捉到像素變化的模式，從而在時(shí)空維度上有效定位監(jiān)控區(qū)域內(nèi)發(fā)生的變化。這些變化數(shù)據(jù)為后續(xù)的像素點(diǎn)連接和動(dòng)作捕捉奠定了基礎(chǔ)，有助于精確地描繪出區(qū)域內(nèi)物體的運(yùn)動(dòng)軌跡與行為動(dòng)態(tài)?；跁r(shí)序變化像素點(diǎn)數(shù)據(jù)進(jìn)行的對(duì)象動(dòng)作捕捉，進(jìn)一步提升了對(duì)物體動(dòng)作的理解，使得監(jiān)控系統(tǒng)能夠識(shí)別和追蹤監(jiān)控區(qū)域內(nèi)的行為。隨著動(dòng)作數(shù)據(jù)的生成，可以對(duì)對(duì)象的動(dòng)態(tài)行為進(jìn)行深度分析，識(shí)別其行為模式，為異常行為檢測(cè)提供重要輸入。最后，跨模態(tài)異常行為檢測(cè)能有效識(shí)別出那些與常規(guī)行為模式不符的異?；顒?dòng)，確保系統(tǒng)能夠?qū)崟r(shí)響應(yīng)潛在的安全威脅，提升監(jiān)控區(qū)域的安全性和智能監(jiān)控能力。

30、可選地，步驟s24具體為：

31、步驟s241：對(duì)監(jiān)控區(qū)域動(dòng)作數(shù)據(jù)進(jìn)行動(dòng)作序列轉(zhuǎn)換，從而獲得監(jiān)控區(qū)域動(dòng)作序列數(shù)據(jù)，并根據(jù)預(yù)設(shè)的動(dòng)作模版對(duì)監(jiān)控區(qū)域動(dòng)作序列數(shù)據(jù)進(jìn)行行為模式匹配，從而獲得監(jiān)控區(qū)域行為模式數(shù)據(jù)；

32、步驟s242：根據(jù)監(jiān)控區(qū)域增強(qiáng)異構(gòu)數(shù)據(jù)進(jìn)行補(bǔ)充攝像特征提取，從而獲得監(jiān)控區(qū)域攝像補(bǔ)充數(shù)據(jù)；

33、步驟s243：對(duì)監(jiān)控區(qū)域攝像補(bǔ)充數(shù)據(jù)以及監(jiān)控區(qū)域行為模式數(shù)據(jù)進(jìn)行時(shí)序關(guān)聯(lián)，從而獲得攝像補(bǔ)充-行為模式關(guān)聯(lián)數(shù)據(jù)；

34、步驟s244：根據(jù)攝像補(bǔ)充-行為模式關(guān)聯(lián)數(shù)據(jù)進(jìn)行行為態(tài)勢(shì)分類，從而獲得動(dòng)態(tài)行為模式數(shù)據(jù)以及靜態(tài)行為模式數(shù)據(jù)；

35、步驟s245：對(duì)動(dòng)態(tài)行為模式數(shù)據(jù)進(jìn)行連續(xù)動(dòng)作模式時(shí)序整合，從而獲得對(duì)象動(dòng)態(tài)行為數(shù)據(jù)，從而獲得對(duì)象動(dòng)態(tài)行為數(shù)據(jù)。

36、本發(fā)明的動(dòng)作序列轉(zhuǎn)換與行為模式匹配使得監(jiān)控系統(tǒng)能夠?qū)?dòng)態(tài)行為轉(zhuǎn)化為標(biāo)準(zhǔn)化的序列，進(jìn)而通過(guò)匹配預(yù)設(shè)的動(dòng)作模版，準(zhǔn)確識(shí)別出監(jiān)控區(qū)域內(nèi)發(fā)生的行為模式。這一過(guò)程能夠有效地減少噪聲干擾，提高行為識(shí)別的精度和可靠性。接下來(lái)，補(bǔ)充攝像特征提取對(duì)監(jiān)控區(qū)域的攝像數(shù)據(jù)進(jìn)行補(bǔ)充和優(yōu)化，幫助系統(tǒng)補(bǔ)充缺失或不完整的信息，確保監(jiān)控區(qū)域內(nèi)的攝像數(shù)據(jù)更加全面且精確，增強(qiáng)了后續(xù)分析的信噪比。通過(guò)對(duì)攝像補(bǔ)充數(shù)據(jù)與行為模式數(shù)據(jù)的時(shí)序關(guān)聯(lián)，系統(tǒng)能夠結(jié)合攝像數(shù)據(jù)與行為模式之間的動(dòng)態(tài)關(guān)系，提升行為分析的時(shí)效性和準(zhǔn)確性，有助于更好地理解行為演變過(guò)程及其時(shí)間規(guī)律。進(jìn)一步，行為態(tài)勢(shì)分類將這些數(shù)據(jù)按行為模式進(jìn)行分類，區(qū)分出動(dòng)態(tài)行為和靜態(tài)行為，使得系統(tǒng)能夠準(zhǔn)確捕捉到不同類型的行為狀態(tài)，從而提升系統(tǒng)在復(fù)雜環(huán)境中的適應(yīng)性。最后，通過(guò)對(duì)動(dòng)態(tài)行為模式數(shù)據(jù)的時(shí)序整合，系統(tǒng)能夠?qū)⑦B續(xù)的動(dòng)作模式進(jìn)行更加精細(xì)的分析，捕捉到物體行為的長(zhǎng)期趨勢(shì)和變化，從而實(shí)現(xiàn)對(duì)對(duì)象動(dòng)態(tài)行為的深度分析和預(yù)測(cè)。整體而言，這些步驟顯著提升了監(jiān)控系統(tǒng)在動(dòng)態(tài)監(jiān)測(cè)、行為預(yù)測(cè)、異常檢測(cè)等方面的能力，提高了監(jiān)控?cái)?shù)據(jù)的處理效率和智能水平，增強(qiáng)了系統(tǒng)在實(shí)際應(yīng)用中的響應(yīng)速度和準(zhǔn)確度。

37、可選地，步驟s244具體為：

38、根據(jù)攝像補(bǔ)充-行為模式關(guān)聯(lián)數(shù)據(jù)進(jìn)行行為模式分類，從而獲得靜止行為模式數(shù)據(jù)以及運(yùn)動(dòng)行為模式數(shù)據(jù)；

39、根據(jù)攝像補(bǔ)充-行為模式關(guān)聯(lián)數(shù)據(jù)進(jìn)行補(bǔ)充傳感分類，從而獲得波動(dòng)傳感數(shù)據(jù)以及穩(wěn)定傳感數(shù)據(jù)；

40、對(duì)靜止行為模式數(shù)據(jù)以及運(yùn)動(dòng)行為模式數(shù)據(jù)進(jìn)行行為模式轉(zhuǎn)換時(shí)序關(guān)聯(lián)，從而獲得連續(xù)行為模式數(shù)據(jù)；

41、對(duì)波動(dòng)傳感數(shù)據(jù)以及穩(wěn)定傳感數(shù)據(jù)進(jìn)行波動(dòng)幅度轉(zhuǎn)換時(shí)序關(guān)聯(lián)，從而獲得波動(dòng)轉(zhuǎn)換傳感數(shù)據(jù)；

42、對(duì)靜止行為模式數(shù)據(jù)以及穩(wěn)定傳感數(shù)據(jù)進(jìn)行對(duì)象靜態(tài)行為態(tài)勢(shì)整合，從而獲得靜態(tài)行為模式數(shù)據(jù)；

43、對(duì)波動(dòng)傳感數(shù)據(jù)以及運(yùn)動(dòng)行為模式數(shù)據(jù)進(jìn)行對(duì)象動(dòng)態(tài)行為態(tài)勢(shì)整合，從而獲得第一動(dòng)態(tài)行為模式數(shù)據(jù)；對(duì)連續(xù)行為模式數(shù)據(jù)以及波動(dòng)轉(zhuǎn)換傳感數(shù)據(jù)進(jìn)行對(duì)象動(dòng)態(tài)行為態(tài)勢(shì)整合，從而獲得第二動(dòng)態(tài)行為模式數(shù)據(jù)；

44、對(duì)第一動(dòng)態(tài)行為模式數(shù)據(jù)以及第二動(dòng)態(tài)行為模式數(shù)據(jù)進(jìn)行行為模式特征合并，從而獲得動(dòng)態(tài)行為模式數(shù)據(jù)。

45、本發(fā)明通過(guò)攝像補(bǔ)充-行為模式關(guān)聯(lián)數(shù)據(jù)進(jìn)行行為模式分類，能夠有效地將行為模式區(qū)分為靜止與運(yùn)動(dòng)兩種類別，從而為后續(xù)的行為分析提供清晰的分類數(shù)據(jù)。這一分類不僅能夠優(yōu)化數(shù)據(jù)處理流程，還能為行為模式的進(jìn)一步分析奠定基礎(chǔ)。通過(guò)對(duì)靜止行為模式數(shù)據(jù)和運(yùn)動(dòng)行為模式數(shù)據(jù)進(jìn)行行為模式轉(zhuǎn)換時(shí)序關(guān)聯(lián)，能夠捕捉到行為的連續(xù)性，確保在不同時(shí)間點(diǎn)的行為狀態(tài)得到合理的連接與過(guò)渡，從而獲得連續(xù)行為模式數(shù)據(jù)，這對(duì)于動(dòng)態(tài)行為預(yù)測(cè)和態(tài)勢(shì)分析具有重要作用。在傳感數(shù)據(jù)的分類方面，基于攝像補(bǔ)充-行為模式關(guān)聯(lián)數(shù)據(jù)進(jìn)行補(bǔ)充傳感分類，能夠?qū)⒉▌?dòng)傳感數(shù)據(jù)與穩(wěn)定傳感數(shù)據(jù)區(qū)分開(kāi)來(lái)，幫助識(shí)別不同狀態(tài)下的傳感變化，這對(duì)于動(dòng)態(tài)環(huán)境下的監(jiān)測(cè)系統(tǒng)具有重要意義。通過(guò)對(duì)波動(dòng)傳感數(shù)據(jù)和穩(wěn)定傳感數(shù)據(jù)進(jìn)行波動(dòng)幅度轉(zhuǎn)換時(shí)序關(guān)聯(lián)，能夠有效提取信號(hào)的變化趨勢(shì)，為后續(xù)的分析提供更為精準(zhǔn)的動(dòng)態(tài)數(shù)據(jù)支持。在整合靜止行為模式數(shù)據(jù)與穩(wěn)定傳感數(shù)據(jù)時(shí)，通過(guò)對(duì)象靜態(tài)行為態(tài)勢(shì)整合，不僅能夠準(zhǔn)確獲取靜態(tài)行為模式，還能有效關(guān)聯(lián)傳感數(shù)據(jù)，提升靜態(tài)行為監(jiān)測(cè)的可靠性和準(zhǔn)確性。另一方面，將波動(dòng)傳感數(shù)據(jù)與運(yùn)動(dòng)行為模式數(shù)據(jù)進(jìn)行對(duì)象動(dòng)態(tài)行為態(tài)勢(shì)整合，能夠有效反映在運(yùn)動(dòng)狀態(tài)下的動(dòng)態(tài)變化，為行為模式的實(shí)時(shí)監(jiān)測(cè)和反應(yīng)提供更直觀的支持。通過(guò)連續(xù)行為模式數(shù)據(jù)與波動(dòng)轉(zhuǎn)換傳感數(shù)據(jù)的動(dòng)態(tài)行為態(tài)勢(shì)整合，能夠?qū)⑿袨槟Ｊ降淖兓c傳感數(shù)據(jù)的波動(dòng)關(guān)聯(lián)起來(lái)，從而捕捉到更加細(xì)致的動(dòng)態(tài)模式特征，提升整體分析的準(zhǔn)確度和響應(yīng)速度。通過(guò)將第一動(dòng)態(tài)行為模式數(shù)據(jù)與第二動(dòng)態(tài)行為模式數(shù)據(jù)進(jìn)行特征合并，可以形成更加綜合的動(dòng)態(tài)行為模式數(shù)據(jù)，這一合并過(guò)程不僅豐富了數(shù)據(jù)的維度，還提高了動(dòng)態(tài)行為分析的精確性和實(shí)時(shí)性，對(duì)于實(shí)時(shí)監(jiān)控、異常檢測(cè)以及智能預(yù)測(cè)等應(yīng)用場(chǎng)景具有重要意義。這些步驟的結(jié)合有助于提升整體系統(tǒng)在多維度、多層次分析中的能力，增強(qiáng)了對(duì)復(fù)雜行為模式的處理和理解能力，進(jìn)而為智能決策、行為預(yù)測(cè)等技術(shù)的應(yīng)用提供強(qiáng)大的支持。

46、可選地，步驟s25具體為：

47、步驟s251：根據(jù)監(jiān)控區(qū)域增強(qiáng)異構(gòu)數(shù)據(jù)對(duì)對(duì)象動(dòng)態(tài)行為數(shù)據(jù)進(jìn)行對(duì)象交互目標(biāo)識(shí)別，從而獲得對(duì)象交互目標(biāo)數(shù)據(jù)；

48、步驟s252：獲取監(jiān)控區(qū)域部件交互日志，并根據(jù)對(duì)象交互目標(biāo)數(shù)據(jù)對(duì)監(jiān)控區(qū)域部件交互日志進(jìn)行交互目標(biāo)部件交互日志提取，從而獲得交互目標(biāo)部件交互日志；

49、步驟s252：對(duì)對(duì)象動(dòng)態(tài)行為數(shù)據(jù)以及對(duì)象交互目標(biāo)數(shù)據(jù)進(jìn)行對(duì)象交互行為時(shí)刻統(tǒng)計(jì)，從而獲得對(duì)象交互行為時(shí)刻數(shù)據(jù)；

50、步驟s253：根據(jù)對(duì)象交互行為時(shí)刻數(shù)據(jù)以及交互目標(biāo)部件交互日志進(jìn)行交互時(shí)刻誤差計(jì)算，從而獲得交互時(shí)刻誤差數(shù)據(jù)；

51、步驟s254：基于交互時(shí)刻誤差數(shù)據(jù)對(duì)對(duì)象動(dòng)態(tài)行為數(shù)據(jù)進(jìn)行高交互時(shí)刻誤差行為聚類，從而獲得對(duì)象異常動(dòng)態(tài)行為數(shù)據(jù)；基于交互時(shí)刻誤差數(shù)據(jù)對(duì)對(duì)象動(dòng)態(tài)行為數(shù)據(jù)進(jìn)行低交互時(shí)刻誤差行為聚類，從而獲得對(duì)象正常動(dòng)態(tài)行為數(shù)據(jù)；

52、步驟s255：對(duì)對(duì)象異常動(dòng)態(tài)行為數(shù)據(jù)以及對(duì)象正常動(dòng)態(tài)行為數(shù)據(jù)進(jìn)行數(shù)據(jù)合并，從而獲得異常行為檢測(cè)數(shù)據(jù)。

53、本發(fā)明通過(guò)對(duì)監(jiān)控區(qū)域的異構(gòu)數(shù)據(jù)進(jìn)行處理，實(shí)現(xiàn)了對(duì)對(duì)象交互行為的精準(zhǔn)識(shí)別和異常檢測(cè)，從而能夠有效提升監(jiān)控系統(tǒng)對(duì)異常行為的識(shí)別能力。首先，通過(guò)增強(qiáng)異構(gòu)數(shù)據(jù)對(duì)對(duì)象動(dòng)態(tài)行為數(shù)據(jù)進(jìn)行目標(biāo)識(shí)別，使得系統(tǒng)能夠準(zhǔn)確識(shí)別出與對(duì)象相關(guān)的交互目標(biāo)。這一過(guò)程使得監(jiān)控區(qū)域的動(dòng)態(tài)行為數(shù)據(jù)更加細(xì)化和精準(zhǔn)，能夠?yàn)楹罄m(xù)的分析提供更有價(jià)值的信息。接著，獲取部件交互日志并提取交互目標(biāo)部件的日志，有助于更全面地分析對(duì)象與環(huán)境之間的交互關(guān)系，確保交互行為的識(shí)別不局限于單一對(duì)象，提升了整體數(shù)據(jù)的關(guān)聯(lián)性和可用性。在進(jìn)一步的行為統(tǒng)計(jì)中，通過(guò)對(duì)對(duì)象交互目標(biāo)數(shù)據(jù)和動(dòng)態(tài)行為數(shù)據(jù)進(jìn)行時(shí)刻統(tǒng)計(jì)，能夠精確掌握對(duì)象在特定時(shí)刻的交互情況，為后續(xù)誤差計(jì)算和行為聚類提供關(guān)鍵的數(shù)據(jù)支持。通過(guò)交互時(shí)刻誤差計(jì)算，可以評(píng)估對(duì)象行為與預(yù)期時(shí)刻之間的偏差，從而幫助系統(tǒng)發(fā)現(xiàn)潛在的異常行為。高交互時(shí)刻誤差聚類可以準(zhǔn)確區(qū)分出異常行為并加以標(biāo)記，而低交互時(shí)刻誤差聚類則確保了正常行為的穩(wěn)定性。這一過(guò)程有效區(qū)分了正常與異常行為，減少了誤判的概率。通過(guò)將異常和正常行為數(shù)據(jù)進(jìn)行合并，能夠?yàn)楹罄m(xù)的行為檢測(cè)提供一整套全面的數(shù)據(jù)分析結(jié)果，確保異常行為能夠被及時(shí)識(shí)別和響應(yīng)，從而提高了系統(tǒng)的智能化水平和反應(yīng)效率。

54、可選地，步驟s3具體為：

55、步驟s31：對(duì)異常行為檢測(cè)數(shù)據(jù)進(jìn)行異常動(dòng)態(tài)行為特征提取，從而獲得異常動(dòng)態(tài)行為特征數(shù)據(jù)；

56、步驟s32：對(duì)靜態(tài)行為模式數(shù)據(jù)進(jìn)行靜態(tài)行為模式持續(xù)時(shí)間統(tǒng)計(jì)，從而獲得靜態(tài)行為持續(xù)時(shí)間數(shù)據(jù)，并對(duì)靜態(tài)行為持續(xù)時(shí)間數(shù)據(jù)進(jìn)行高頻長(zhǎng)持續(xù)時(shí)間行為統(tǒng)計(jì)，從而獲得高頻長(zhǎng)持續(xù)時(shí)間行為數(shù)據(jù)；

57、步驟s33：根據(jù)異常動(dòng)態(tài)行為特征數(shù)據(jù)以及高頻長(zhǎng)持續(xù)時(shí)間行為數(shù)據(jù)進(jìn)行行為特征相似度計(jì)算，從而獲得靜態(tài)異常行為相似度數(shù)據(jù)；

58、步驟s34：對(duì)靜態(tài)異常行為相似度數(shù)據(jù)以及異常動(dòng)態(tài)行為特征數(shù)據(jù)進(jìn)行多維度風(fēng)險(xiǎn)值分配，從而獲得異常行為風(fēng)險(xiǎn)值數(shù)據(jù)；

59、步驟s35：根據(jù)異常行為風(fēng)險(xiǎn)值數(shù)據(jù)進(jìn)行風(fēng)險(xiǎn)響應(yīng)策略分析，從而獲得風(fēng)險(xiǎn)響應(yīng)策略。

60、本發(fā)明可以有效提升異常行為檢測(cè)與風(fēng)險(xiǎn)評(píng)估的準(zhǔn)確性與及時(shí)性，從而在多種應(yīng)用場(chǎng)景中為決策提供更有力的支持。在異常動(dòng)態(tài)行為特征提取階段，通過(guò)對(duì)異常行為進(jìn)行深入分析，可以獲得準(zhǔn)確的動(dòng)態(tài)特征數(shù)據(jù)，識(shí)別出行為模式的異常波動(dòng)和突發(fā)性變化，從而提前發(fā)現(xiàn)潛在風(fēng)險(xiǎn)。在靜態(tài)行為模式的持續(xù)時(shí)間統(tǒng)計(jì)中，能夠清晰地了解靜態(tài)行為的典型模式和持續(xù)時(shí)長(zhǎng)，通過(guò)對(duì)高頻長(zhǎng)持續(xù)時(shí)間行為的進(jìn)一步統(tǒng)計(jì)，有助于識(shí)別那些高頻出現(xiàn)且持續(xù)時(shí)間較長(zhǎng)的異常行為，這些行為通常預(yù)示著系統(tǒng)潛在的穩(wěn)定性或安全問(wèn)題。接下來(lái)，通過(guò)對(duì)異常動(dòng)態(tài)行為特征數(shù)據(jù)與高頻長(zhǎng)持續(xù)時(shí)間行為數(shù)據(jù)進(jìn)行相似度計(jì)算，可以有效地對(duì)靜態(tài)異常行為的相似度進(jìn)行分析，發(fā)現(xiàn)潛在的相似風(fēng)險(xiǎn)，從而進(jìn)一步強(qiáng)化對(duì)異常模式的識(shí)別與分類。基于此相似度數(shù)據(jù)，可以為每種異常行為分配多維度的風(fēng)險(xiǎn)值，通過(guò)全面的風(fēng)險(xiǎn)評(píng)估，量化每個(gè)異常行為的風(fēng)險(xiǎn)等級(jí)，從而為后續(xù)的風(fēng)險(xiǎn)應(yīng)對(duì)提供數(shù)據(jù)支持。在最終的風(fēng)險(xiǎn)響應(yīng)策略分析階段，根據(jù)之前所得的風(fēng)險(xiǎn)值數(shù)據(jù)，可以快速生成針對(duì)特定風(fēng)險(xiǎn)的響應(yīng)策略，幫助企業(yè)或系統(tǒng)及時(shí)調(diào)整策略，以降低潛在的損失或不良影響。整體上，本方法通過(guò)層層分析與統(tǒng)計(jì)，將動(dòng)態(tài)與靜態(tài)行為的特征與風(fēng)險(xiǎn)進(jìn)行有效結(jié)合，不僅增強(qiáng)了對(duì)異常行為的識(shí)別能力，還提高了對(duì)潛在風(fēng)險(xiǎn)的預(yù)測(cè)和應(yīng)對(duì)能力，為系統(tǒng)的安全性和穩(wěn)定性提供了有力保障。

61、可選地，本發(fā)明還提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如上所述的基于神經(jīng)網(wǎng)絡(luò)的智慧安防方法。

62、可選地，本發(fā)明還提供一種基于神經(jīng)網(wǎng)絡(luò)的智慧安防系統(tǒng)，用于執(zhí)行如上所述的基于神經(jīng)網(wǎng)絡(luò)的智慧安防方法，該基于神經(jīng)網(wǎng)絡(luò)的智慧安防系統(tǒng)包括：

63、數(shù)據(jù)增強(qiáng)模塊，用于獲取監(jiān)控區(qū)域攝像數(shù)據(jù)以及監(jiān)控區(qū)域傳感數(shù)據(jù)，并對(duì)監(jiān)控區(qū)域攝像數(shù)據(jù)以及監(jiān)控區(qū)域傳感數(shù)據(jù)進(jìn)行多模態(tài)數(shù)據(jù)增強(qiáng)，從而獲得監(jiān)控區(qū)域增強(qiáng)異構(gòu)數(shù)據(jù)；

64、異常行為檢測(cè)模塊，用于基于監(jiān)控區(qū)域增強(qiáng)異構(gòu)數(shù)據(jù)進(jìn)行監(jiān)控區(qū)域動(dòng)作捕捉，從而獲得監(jiān)控區(qū)域動(dòng)作數(shù)據(jù)，并對(duì)監(jiān)控區(qū)域動(dòng)作數(shù)據(jù)進(jìn)行對(duì)象動(dòng)態(tài)行為識(shí)別，從而獲得對(duì)象動(dòng)態(tài)行為數(shù)據(jù)；對(duì)對(duì)象動(dòng)態(tài)行為數(shù)據(jù)進(jìn)行跨模態(tài)異常行為檢測(cè)，從而獲得異常行為檢測(cè)數(shù)據(jù)；

65、多維度風(fēng)險(xiǎn)值分配模塊，用于對(duì)異常行為檢測(cè)數(shù)據(jù)進(jìn)行多維度風(fēng)險(xiǎn)值分配，從而獲得異常行為風(fēng)險(xiǎn)值數(shù)據(jù)，并根據(jù)異常行為風(fēng)險(xiǎn)值數(shù)據(jù)進(jìn)行風(fēng)險(xiǎn)響應(yīng)策略分析，從而獲得風(fēng)險(xiǎn)響應(yīng)策略；

66、安防模型部署模塊，用于基于異常行為檢測(cè)數(shù)據(jù)以及異常行為風(fēng)險(xiǎn)值數(shù)據(jù)構(gòu)建異常行為風(fēng)險(xiǎn)評(píng)估模型；根據(jù)風(fēng)險(xiǎn)響應(yīng)策略對(duì)異常行為風(fēng)險(xiǎn)評(píng)估模型進(jìn)行安防預(yù)警接口連接，從而獲得智能安防模型，并傳輸至監(jiān)控區(qū)域安防云平臺(tái)，以執(zhí)行安防監(jiān)控任務(wù)；

67、模型優(yōu)化模塊，用于獲取監(jiān)控區(qū)域用戶反饋數(shù)據(jù)；根據(jù)監(jiān)控區(qū)域用戶反饋數(shù)據(jù)對(duì)智能安防模型進(jìn)行自適應(yīng)迭代優(yōu)化調(diào)參，從而獲得優(yōu)化智能安防模型，并傳輸至監(jiān)控區(qū)域安防云平臺(tái)，以執(zhí)行模型更新任務(wù)。

68、本發(fā)明的基于神經(jīng)網(wǎng)絡(luò)的智慧安防系統(tǒng)，該系統(tǒng)能夠?qū)崿F(xiàn)本發(fā)明任意一種基于神經(jīng)網(wǎng)絡(luò)的智慧安防方法，用于聯(lián)合各個(gè)模塊之間的操作與信號(hào)傳輸?shù)拿浇椋酝瓿苫谏窠?jīng)網(wǎng)絡(luò)的智慧安防方法，系統(tǒng)內(nèi)部模塊互相協(xié)作，從而提高異常行為檢測(cè)的精度和效率。