本發(fā)明涉及數(shù)據(jù)異常檢測，尤其涉及一種基于深度學習的監(jiān)控視頻數(shù)據(jù)異常行為檢測方法。

背景技術：

1、禁煙、禁火場所作為安全管理的重點區(qū)域，往往涉及易燃易爆物質(zhì)的生產(chǎn)、儲存和操作，例如，化工廠、油氣站、倉儲中心等區(qū)域，都嚴格禁止煙火行為。這些區(qū)域在生產(chǎn)過程中不僅需要使用大量高溫高壓設備，還存在多種易燃易爆化學物質(zhì)，稍有不慎即可能引發(fā)火災或爆炸事故。因此，強化安全生產(chǎn)管理、嚴格監(jiān)控不安全行為(如抽煙、明火操作)是確保安全的關鍵環(huán)節(jié)。

2、現(xiàn)有技術在對禁煙、禁火場所內(nèi)人員的不安全行為進行檢測時，通常采用監(jiān)控攝像頭與規(guī)則化檢測相結合的方式進行異常行為檢測，使用目標檢測算法(yolo)識別異常行為，該算法通過將異常圖片和正常圖片進行標注訓練后，對監(jiān)控攝像頭下的異常動作進行識別，但是該算法存在一定的局限性，例如，當員工在遮擋狀態(tài)下或特定角度抽煙時，檢測系統(tǒng)可能難以捕捉完整的抽煙動作或軌跡，導致漏報，同時，禁煙禁火場所內(nèi)可能存在高溫蒸汽、設備運行產(chǎn)生的煙霧或粉塵等干擾因素導致監(jiān)控攝像頭下的人員異常行為檢測不準確，從而影響檢測系統(tǒng)的準確性。

3、因此，如何準確的識別出禁煙禁火場所內(nèi)人員的異常行為成為亟需解決的問題。

技術實現(xiàn)思路

1、有鑒于此，本發(fā)明實施例提供了一種基于深度學習的監(jiān)控視頻數(shù)據(jù)異常行為檢測方法，以解決如何準確的識別出禁煙禁火場所內(nèi)人員的異常行為的問題。

2、本發(fā)明實施例中提供了一種基于深度學習的監(jiān)控視頻數(shù)據(jù)異常行為檢測方法，該方法包括以下步驟：

3、針對目標場所內(nèi)的監(jiān)控視頻中出現(xiàn)的任一人物，實時獲取所述任一人物的人物視頻圖像，并對所述人物視頻圖像中的人物正面位置信息進行檢測，當檢測不到人物正面位置信息時，將所述人物視頻圖像標記為目標圖像，獲取連續(xù)多幀所述目標圖像，直至目標圖像的數(shù)量達到預設數(shù)量閾值，得到目標圖像集合；

4、獲取所述目標圖像集合中的每幀目標圖像中所述任一人物的頭部位置信息和手部位置信息，根據(jù)所述目標圖像集合中的每幀目標圖像中所述任一人物的頭部位置信息和手部位置信息，獲取用于表征所述任一人物的頭部和手部的整體運動狀態(tài)的運動系數(shù)，根據(jù)所述運動系數(shù)，識別所述任一人物在所述目標圖像集合中是否存在疑似異常行為；

5、若所述任一人物在所述目標圖像集合中存在疑似異常行為，則獲取所述目標場所內(nèi)的煙霧濃度數(shù)據(jù)以及所述目標圖像集合中的每幀目標圖像中像素點的像素值，根據(jù)所述目標場所內(nèi)的煙霧濃度數(shù)據(jù)以及所述目標圖像集合中的每幀目標圖像中像素點的像素值差異，確定所述任一人物的異常行為檢測結果。

6、優(yōu)選的，所述實時獲取所述任一人物的人物視頻圖像，并對所述人物視頻圖像中的人物正面位置信息進行檢測之后，還包括：

7、當檢測到人物正面位置信息時，使用目標檢測模型對所述人物視頻圖像中所述任一人物的異常行為進行識別。

8、優(yōu)選的，所述根據(jù)所述目標圖像集合中的每幀目標圖像中所述任一人物的頭部位置信息和手部位置信息，獲取用于表征所述任一人物的頭部和手部的整體運動狀態(tài)的運動系數(shù)，包括：

9、針對所述目標圖像集合中任一目標圖像，根據(jù)所述任一目標圖像中所述任一人物的頭部位置信息和手部位置信息，獲取所述任一目標圖像中所述任一人物的頭部與手部之間的相對角度和相對距離，分別獲取所述目標圖像集合的每幀目標圖像中所述任一人物的頭部與手部之間的相對角度和相對距離，對應得到相對角度數(shù)據(jù)序列和相對距離數(shù)據(jù)序列；

10、對所述相對角度數(shù)據(jù)序列進行二階差分處理，對應得到二階差分數(shù)據(jù)序列，獲取所述二階差分數(shù)據(jù)序列的均值，記為第一均值，分別計算所述二階差分數(shù)據(jù)序列中每個二階差分數(shù)據(jù)與所述第一均值的完全平方差，對應得到完全平方差的均值，記為第二均值，獲取所述第二均值與預設平穩(wěn)性參數(shù)的第一比值，將所述第一比值的相反數(shù)代入以自然常數(shù)為底數(shù)的指數(shù)函數(shù)中，得到第一指數(shù)函數(shù)結果；

11、針對所述相對距離數(shù)據(jù)序列中除第一個相對距離之外的任一相對距離，獲取所述任一相對距離與其上一相對距離的第一差值，獲取所述第一差值與預設距離縮放參數(shù)的第一乘積，對所述第一乘積進行余弦處理，得到余弦值，獲取所述任一相對距離的高斯函數(shù)值，對所述余弦值和所述高斯函數(shù)值進行加權求和處理，得到所述任一相對距離的加權求和結果，分別獲取所述相對距離數(shù)據(jù)序列中每個相對距離的加權求和結果，對應得到加權求和結果的均值，記為第三均值；

12、對所述第一指數(shù)函數(shù)結果和所述第三均值進行加權求和，得到用于表征所述任一人物的頭部和手部的整體運動狀態(tài)的運動系數(shù)。

13、優(yōu)選的，所述根據(jù)所述運動系數(shù)，識別所述任一人物在所述目標圖像集合中是否存在疑似異常行為，包括：

14、設置第一運動系數(shù)閾值和第二運動系數(shù)閾值，所述第一運動系數(shù)閾值小于所述第二運動系數(shù)閾值；

15、若所述運動系數(shù)大于或等于所述第一運動系數(shù)閾值，且小于或等于所述第二運動系數(shù)閾值，則確認所述任一人物在所述目標圖像集合中存在疑似異常行為。

16、優(yōu)選的，所述獲取所述目標場所內(nèi)的煙霧濃度數(shù)據(jù)以及所述目標圖像集合中的每幀目標圖像中像素點的像素值，包括：

17、獲取所述目標圖像集合對應的采樣時段，記為目標采樣時段，獲取所述目標場所內(nèi)在所述目標采樣時段的煙霧濃度數(shù)據(jù)序列；

18、利用預設的煙霧檢測算法，獲取所述目標圖像集合中的每幀目標圖像中所述任一人物的頭部煙霧區(qū)域，對應得到每個頭部煙霧區(qū)域中像素點的像素值。

19、優(yōu)選的，所述根據(jù)所述目標場所內(nèi)的煙霧濃度數(shù)據(jù)以及所述目標圖像集合中的每幀目標圖像中像素點的像素值差異，確定所述任一人物的異常行為檢測結果，包括：

20、根據(jù)所述煙霧濃度數(shù)據(jù)序列中煙霧濃度數(shù)據(jù)的差異，獲取所述目標采樣時段內(nèi)的煙霧顯著性評分；

21、根據(jù)所述目標圖像集合中的每個頭部煙霧區(qū)域中像素點的像素值差異，統(tǒng)計所述目標圖像集合中存在煙霧擴散特征的目標圖像的數(shù)量；

22、若所述煙霧顯著性評分大于或等于預設的煙霧顯著性評分閾值，且所述數(shù)量大于或等于第一預設數(shù)量，則確定所述任一人物存在異常行為。

23、優(yōu)選的，所述根據(jù)所述煙霧濃度數(shù)據(jù)序列中煙霧濃度數(shù)據(jù)的差異，獲取所述目標采樣時段內(nèi)的煙霧顯著性評分，包括：

24、對所述煙霧濃度數(shù)據(jù)序列進行一階差分處理，對應得到一階差分數(shù)據(jù)序列，獲取所述一階差分數(shù)據(jù)序列的均值，記為第四均值，針對所述一階差分數(shù)據(jù)序列中任意一階差分數(shù)據(jù)，獲取所述任意一階差分數(shù)據(jù)與所述第四均值的完全平方差，獲取常數(shù)1與第一預設倍數(shù)的所述完全平方差的相加結果，對應得到所述相加結果的倒數(shù)，記為所述任意一階差分數(shù)據(jù)對應的煙霧數(shù)據(jù)評分，獲取所述一階差分數(shù)據(jù)序列中每個一階差分數(shù)據(jù)對應的煙霧數(shù)據(jù)評分，對應得到煙霧數(shù)據(jù)評分均值，將所述煙霧數(shù)據(jù)評分均值作為所述目標采樣時段內(nèi)的煙霧顯著性評分。

25、優(yōu)選的，所述根據(jù)所述目標圖像集合中的每個頭部煙霧區(qū)域中像素點的像素值差異，統(tǒng)計所述目標圖像集合中存在煙霧擴散特征的目標圖像的數(shù)量，包括：

26、針對所述目標圖像集合中除第一幀目標圖像之外的任一目標圖像，獲取所述任一目標圖像中的頭部煙霧區(qū)域與所述任一目標圖像的上一目標圖像中的頭部煙霧區(qū)域的重疊區(qū)域，分別計算所述重疊區(qū)域中每一像素點在所述任一目標圖像中和其上一目標圖像中對應像素值的差值，對應得到所述重疊區(qū)域的差值均值，記為第五均值，對所述第五均值進行歸一化處理，得到所述任一目標圖像的煙霧擴散程度；

27、獲取所述任一目標圖像中的頭部煙霧區(qū)域的像素點的數(shù)量，記為第一數(shù)量，獲取所述任一目標圖像的上一目標圖像中的頭部煙霧區(qū)域中像素點的數(shù)量，記為第二數(shù)量，計算所述第一數(shù)量與所述第二數(shù)量的第二差值，將所述第二預設倍數(shù)的第二差值的相反數(shù)代入以自然常數(shù)為底數(shù)的指數(shù)函數(shù)中，得到第二指數(shù)函數(shù)結果，計算常數(shù)1與所述第二指數(shù)函數(shù)結果的差值，得到所述任一目標圖像的煙霧擴散面積；

28、對所述任一目標圖像的煙霧擴散程度和煙霧擴散面積進行加權求和，得到所述任一目標圖像的煙霧擴散系數(shù)；

29、獲取所述目標圖像集合中除第一幀目標圖像之外的每幀目標圖像的煙霧擴散程度、煙霧擴散面積和煙霧擴散系數(shù)，根據(jù)所述目標圖像集合中除第一幀目標圖像之外的每幀目標圖像的煙霧擴散程度、煙霧擴散面積和煙霧擴散系數(shù)，統(tǒng)計所述目標圖像集合中存在煙霧擴散特征的目標圖像的數(shù)量。

30、優(yōu)選的，所述根據(jù)所述目標圖像集合中除第一幀目標圖像之外的每幀目標圖像的煙霧擴散程度、煙霧擴散面積和煙霧擴散系數(shù)，統(tǒng)計所述目標圖像集合中存在煙霧擴散特征的目標圖像的數(shù)量，包括：

31、若所述任一目標圖像的煙霧擴散程度和煙霧擴散面積都大于常數(shù)0，且所述任一目標圖像的煙霧擴散系數(shù)大于預設的煙霧擴散系數(shù)閾值，確定所述任一目標圖像存在煙霧擴散特征，篩選所述目標圖像集合中存在煙霧擴散特征的目標圖像，得到所述目標圖像集合中存在煙霧擴散特征的目標圖像的數(shù)量。

32、優(yōu)選的，所述根據(jù)所述目標場所內(nèi)的煙霧濃度數(shù)據(jù)以及所述目標圖像集合中的每幀目標圖像中像素點的像素值差異，確定所述任一人物的異常行為檢測結果之后，還包括：

33、實時獲取所述目標圖像集合之后連續(xù)的第二預設數(shù)量幀的新人物視頻圖像，若所述第二預設數(shù)量幀的新人物視頻圖像都為目標圖像，則將所述第二預設數(shù)量幀的新人物視頻圖像加入所述目標圖像集合，將所述目標圖像集合中前第二預設數(shù)量幀的目標圖像去除，得到新目標圖像集合。

34、本發(fā)明實施例與現(xiàn)有技術相比存在的有益效果是：

35、本發(fā)明針對目標場所內(nèi)的監(jiān)控視頻中出現(xiàn)的任一人物，實時獲取所述任一人物的人物視頻圖像，并對所述人物視頻圖像中的人物正面位置信息進行檢測，當檢測不到人物正面位置信息時，將所述人物視頻圖像標記為目標圖像，獲取連續(xù)多幀所述目標圖像，直至目標圖像的數(shù)量達到預設數(shù)量閾值，得到目標圖像集合；獲取所述目標圖像集合中的每幀目標圖像中所述任一人物的頭部位置信息和手部位置信息，根據(jù)所述目標圖像集合中的每幀目標圖像中所述任一人物的頭部位置信息和手部位置信息，獲取用于表征所述任一人物的頭部和手部的整體運動狀態(tài)的運動系數(shù)，根據(jù)所述運動系數(shù)，識別所述任一人物在所述目標圖像集合中是否存在疑似異常行為；若所述任一人物在所述目標圖像集合中存在疑似異常行為，則獲取所述目標場所內(nèi)的煙霧濃度數(shù)據(jù)以及所述目標圖像集合中的每幀目標圖像中像素點的像素值，根據(jù)所述目標場所內(nèi)的煙霧濃度數(shù)據(jù)以及所述目標圖像集合中的每幀目標圖像中像素點的像素值差異，確定所述任一人物的異常行為檢測結果。其中，在檢測不到人物正面位置信息時，通過每幀目標圖像中任一人物的頭部位置信息和手部位置信息，獲取用于表征任一人物的頭部和手部的整體運動狀態(tài)的運動系數(shù)，進行初步識別，使得人物在遮擋狀態(tài)或特定角度進行異常行為時也能準確進行識別；在識別到任一人物存在疑似異常行為時，則根據(jù)目標場所內(nèi)的煙霧濃度數(shù)據(jù)和每幀目標圖像中像素點的像素值差異，對任一人物的異常行為進行檢測，減少了高溫蒸汽等對異常行為識別的干擾，使得對目標場所內(nèi)人物的包括但不限于抽煙的異常行為的監(jiān)測更加準確。