本發(fā)明涉及安防管理，更具體地說(shuō)，本發(fā)明涉及一種基于人工智能的安防決策平臺(tái)。

背景技術(shù)：

1、安防決策指的是在安全防護(hù)和監(jiān)控領(lǐng)域，通過(guò)數(shù)據(jù)分析、風(fēng)險(xiǎn)評(píng)估、預(yù)警和響應(yīng)措施的綜合判斷，確定最佳的安全處理方案或行動(dòng)。安防決策的目標(biāo)是及時(shí)、有效地應(yīng)對(duì)潛在的安全威脅或突發(fā)事件，確保人身、財(cái)產(chǎn)和信息的安全。

2、但是，大部分的安防決策往往都是相關(guān)人員人工對(duì)監(jiān)控視頻內(nèi)行人是否存在危險(xiǎn)行為進(jìn)行識(shí)別，當(dāng)監(jiān)控區(qū)域較大且監(jiān)控視頻較多時(shí)，相關(guān)人員不便及時(shí)監(jiān)測(cè)到危險(xiǎn)并給出相應(yīng)的安防決策，容易漏缺一些行人的危險(xiǎn)行為，當(dāng)然，也有一部分安防決策是通過(guò)人工智能對(duì)行人的行為姿態(tài)進(jìn)行識(shí)別并給出的，這些人工智能給出的安防決策很多時(shí)候并未考慮一些屬于安全類型的行為在特定的環(huán)境下可能會(huì)變成危險(xiǎn)行為，容易忽略這些危險(xiǎn)行為，從而導(dǎo)致危險(xiǎn)事故的發(fā)生。

3、鑒于此，本發(fā)明提出一種基于人工智能的安防決策平臺(tái)以解決上述問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、為了克服現(xiàn)有技術(shù)的上述缺陷，為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：一種基于人工智能的安防決策平臺(tái)，包括：

2、數(shù)據(jù)采集處理模塊，用于采集監(jiān)控區(qū)域內(nèi)行人的實(shí)時(shí)行為姿態(tài)數(shù)據(jù)，預(yù)處理實(shí)時(shí)行為姿態(tài)數(shù)據(jù)得到實(shí)時(shí)行為姿態(tài)特征數(shù)據(jù)；

3、數(shù)據(jù)識(shí)別模塊，用于將實(shí)時(shí)行為姿態(tài)特征數(shù)據(jù)輸入訓(xùn)練完成的識(shí)別模型內(nèi)，得到實(shí)時(shí)行為類別；

4、匹配模塊，用于預(yù)設(shè)安全類型集和危險(xiǎn)類型集，若實(shí)時(shí)行為類別屬于危險(xiǎn)類型集，則為實(shí)時(shí)行為類別匹配相應(yīng)的模擬場(chǎng)景，若實(shí)時(shí)行為類別屬于安全類型集，則為實(shí)時(shí)行為類別匹配相應(yīng)的組合特征路徑；

5、決策輸出模塊，用于通過(guò)模擬場(chǎng)景或組合特征路徑輸出相應(yīng)的安防決策，并將輸出的安防決策發(fā)送給相關(guān)人員。

6、進(jìn)一步地，所述采集監(jiān)控區(qū)域內(nèi)行人的實(shí)時(shí)行為姿態(tài)數(shù)據(jù)的方式，包括：

7、通過(guò)監(jiān)控設(shè)備對(duì)監(jiān)控區(qū)域進(jìn)行實(shí)時(shí)采集，得到監(jiān)控視頻；

8、通過(guò)目標(biāo)檢測(cè)算法從監(jiān)控視頻中識(shí)別并提取包含行人的視頻片段，生成相應(yīng)的視頻流；

9、按照時(shí)間順序?qū)⒁曨l流分解為連續(xù)v幀的幀圖像，應(yīng)用姿態(tài)估計(jì)算法對(duì)連續(xù)v幀的幀圖像中每一幀圖像的行人進(jìn)行關(guān)鍵點(diǎn)標(biāo)注并提??；

10、將提取到的每一幀圖像的關(guān)鍵點(diǎn)按照時(shí)間順序排列，得到行人的實(shí)時(shí)行為姿態(tài)數(shù)據(jù)。

11、進(jìn)一步地，所述預(yù)處理實(shí)時(shí)行為姿態(tài)數(shù)據(jù)得到實(shí)時(shí)行為姿態(tài)特征數(shù)據(jù)的方式，包括：

12、對(duì)于實(shí)時(shí)行為姿態(tài)數(shù)據(jù)中連續(xù)的幀圖像，選擇一個(gè)固定的參考點(diǎn)作為基準(zhǔn)中心點(diǎn)，計(jì)算每一幀圖像中的所有關(guān)鍵點(diǎn)相對(duì)于參考點(diǎn)的相對(duì)坐標(biāo)；

13、使用min-max標(biāo)準(zhǔn)化將連續(xù)的幀圖像中所有關(guān)鍵點(diǎn)的相對(duì)坐標(biāo)歸一化到[0，1]的范圍，得到連續(xù)的幀圖像的位置信息；

14、基于位置信息計(jì)算關(guān)鍵點(diǎn)在連續(xù)的幀圖像之間的速度和加速度，得到速度特征；

15、計(jì)算連續(xù)的幀圖像中關(guān)鍵點(diǎn)之間的角度變化，得到角度特征；

16、將連續(xù)的幀圖像中的速度特征和角度特征按照時(shí)間順序進(jìn)行對(duì)齊，進(jìn)而得到實(shí)時(shí)行為姿態(tài)特征數(shù)據(jù)。

17、進(jìn)一步地，所述識(shí)別模型的訓(xùn)練過(guò)程為；

18、收集若干個(gè)已標(biāo)注行為類別的視頻流及其對(duì)應(yīng)的實(shí)時(shí)行為姿態(tài)特征數(shù)據(jù)，構(gòu)建行為樣本集，將行為樣本集劃分訓(xùn)練集、驗(yàn)證集和測(cè)試集；

19、以長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)作為識(shí)別模型的基礎(chǔ)框架，基礎(chǔ)框架包括輸入層、lstm層、全連接層、隱藏層和輸出層；

20、其中，輸入層用于接收實(shí)時(shí)行為姿態(tài)特征數(shù)據(jù)，并將其轉(zhuǎn)換為特征向量p作為輸入，lstm層用于捕捉實(shí)時(shí)行為姿態(tài)特征數(shù)據(jù)的時(shí)間依賴性和動(dòng)態(tài)變化，隱藏層用于進(jìn)一步處理lstm層輸出的特征向量，全連接層用于將隱藏層輸出的特征向量映射到分類任務(wù)的特征空間，并連接輸入特征與分類輸出，輸出層通過(guò)softmax函數(shù)生成每個(gè)行為類別的預(yù)測(cè)概率，并最終輸出行為類別；

21、定義識(shí)別模型的損失函數(shù)為

22、式中，l為損失值，n為行為樣本數(shù)量，c為行為類別數(shù)量，yij為第i個(gè)行為樣本在第j個(gè)行為類別上的真實(shí)標(biāo)簽值，pij為識(shí)別模型預(yù)測(cè)第i個(gè)行為樣本屬于第j個(gè)行為類別的概率。

23、進(jìn)一步地，所述得到實(shí)時(shí)行為類別的過(guò)程，包括：

24、將實(shí)時(shí)行為姿態(tài)特征數(shù)據(jù)輸入訓(xùn)練完成的識(shí)別模型內(nèi)；

25、識(shí)別模型的輸出層輸出相應(yīng)的行為類別，輸出的行為類別即為實(shí)時(shí)行為類別。

26、進(jìn)一步地，所述預(yù)設(shè)安全類型集和危險(xiǎn)類型集，若實(shí)時(shí)行為類別屬于危險(xiǎn)類型集，則為實(shí)時(shí)行為類別匹配相應(yīng)的模擬場(chǎng)景的方式，包括：

27、預(yù)設(shè)一個(gè)包含d個(gè)行為類別的行為類別集，定義分類標(biāo)準(zhǔn)，按照分類標(biāo)準(zhǔn)將行為類別集中的行為類別劃分至安全類型集或危險(xiǎn)類型集內(nèi)；

28、預(yù)設(shè)k個(gè)模擬場(chǎng)景，每個(gè)模擬場(chǎng)景均對(duì)應(yīng)有危險(xiǎn)類型集內(nèi)的一個(gè)行為類別，其中，每個(gè)模擬場(chǎng)景內(nèi)均預(yù)設(shè)有若干個(gè)演變路徑，每個(gè)演變路徑均預(yù)設(shè)有一個(gè)決策，若干個(gè)演變路徑由同一行為類別對(duì)應(yīng)的不同歷史行為姿態(tài)特征數(shù)據(jù)構(gòu)成；

29、將實(shí)時(shí)行為類別分別與安全類型集、危險(xiǎn)類型集內(nèi)的行為類別進(jìn)行比對(duì)；

30、若實(shí)時(shí)行為類別屬于危險(xiǎn)類型集，則為實(shí)時(shí)行為類別匹配相應(yīng)的模擬場(chǎng)景。

31、進(jìn)一步地，所述若實(shí)時(shí)行為類別屬于安全類型集，則為實(shí)時(shí)行為類別匹配相應(yīng)的組合特征路徑的方式，包括：

32、預(yù)設(shè)一個(gè)組合特征路徑集，組合特征路徑集包含s個(gè)組合特征路徑；

33、提取連續(xù)的幀圖像中的實(shí)時(shí)環(huán)境元素，將提取的實(shí)時(shí)環(huán)境元素與屬于安全類型集的實(shí)時(shí)行為類別進(jìn)行排列組合，得到實(shí)時(shí)組合特征路徑：

34、獲取組合特征路徑集內(nèi)與實(shí)時(shí)組合特征路徑相同且包含最多環(huán)境元素的組合特征路徑，然后將相同且包含最多環(huán)境元素的組合特征路徑與實(shí)時(shí)行為類別進(jìn)行匹配；

35、其中，提取連續(xù)的幀圖像中的實(shí)時(shí)環(huán)境元素的方式，包括：

36、對(duì)連續(xù)的幀圖像進(jìn)行特征提取，得到每一幀圖像的特征向量；

37、預(yù)設(shè)相似度閾值，將每一幀圖像的特征向量與預(yù)先構(gòu)建的環(huán)境元素?cái)?shù)據(jù)庫(kù)中的特征向量進(jìn)行相似度比對(duì)，所述環(huán)境元素?cái)?shù)據(jù)庫(kù)包含q個(gè)環(huán)境元素以及q個(gè)環(huán)境元素對(duì)應(yīng)的特征向量；

38、篩選出環(huán)境元素?cái)?shù)據(jù)庫(kù)中大于等于相似度閾值的特征向量，并將其對(duì)應(yīng)的環(huán)境元素進(jìn)行輸出，即得到連續(xù)的幀圖像中所有的實(shí)時(shí)環(huán)境元素。

39、進(jìn)一步地，所述組合特征路徑的獲取方式，包括：

40、按照時(shí)間順序收集r個(gè)屬于安全類型集的行為類別對(duì)應(yīng)的歷史視頻流，將每個(gè)歷史視頻流分為低風(fēng)險(xiǎn)或潛在危險(xiǎn)；

41、將屬于潛在危險(xiǎn)的每個(gè)歷史視頻流中的行為類別和環(huán)境元素進(jìn)行提取，將提取到的行為類別和環(huán)境元素作為初始組合特征路徑；

42、獲取初始組合特征路徑在r個(gè)歷史視頻流中出現(xiàn)的概率，預(yù)設(shè)概率閾值，將大于等于概率閾值的初始組合特征路徑作為組合特征路徑：

43、其中，每個(gè)屬于潛在危險(xiǎn)的歷史視頻流均預(yù)設(shè)有一個(gè)決策，將決策與歷史視頻流對(duì)應(yīng)的組合特征路徑進(jìn)行關(guān)聯(lián)。

44、進(jìn)一步地，所述通過(guò)模擬場(chǎng)景或組合特征路徑輸出相應(yīng)的安防決策的方式，包括：

45、當(dāng)實(shí)時(shí)行為類別屬于危險(xiǎn)類型集，則按照時(shí)間順序?qū)⑿袨樽藨B(tài)數(shù)據(jù)的每一幀圖像的關(guān)鍵點(diǎn)作為演變路徑的節(jié)點(diǎn)，并將每個(gè)節(jié)點(diǎn)以演變路徑的序號(hào)-幀數(shù)的進(jìn)行名稱標(biāo)注；

46、按照時(shí)間順序?qū)?shí)時(shí)行為姿態(tài)數(shù)據(jù)對(duì)應(yīng)的每一幀圖像的關(guān)鍵點(diǎn)作為一個(gè)節(jié)點(diǎn)，即得到v個(gè)節(jié)點(diǎn)；

47、以v個(gè)節(jié)點(diǎn)構(gòu)建一個(gè)滑動(dòng)窗口，對(duì)于每個(gè)預(yù)設(shè)的演變路徑，逐個(gè)計(jì)算滑動(dòng)窗口中v個(gè)節(jié)點(diǎn)與若干個(gè)演變路徑中對(duì)應(yīng)節(jié)點(diǎn)的相似度，得到若干個(gè)相似度集；

48、將若干個(gè)相似度集中每個(gè)相似度集的所有相似度進(jìn)行求和，按照求和的結(jié)果對(duì)若干個(gè)相似度集進(jìn)行降序排序；

49、將排序第一位的相似度集對(duì)應(yīng)的演變路徑作為實(shí)時(shí)行為姿態(tài)數(shù)據(jù)的演變路徑，將這個(gè)演變路徑對(duì)應(yīng)的決策作為安防決策進(jìn)行輸出；

50、當(dāng)實(shí)時(shí)行為類別屬于安全類型集，則將組合特征路徑集內(nèi)與實(shí)時(shí)組合特征路徑相同的組合特征路徑所對(duì)應(yīng)的決策作為安防決策進(jìn)行輸出。

51、進(jìn)一步地，所述將輸出的安防決策發(fā)送給相關(guān)人員的方式，包括：

52、獲取監(jiān)控設(shè)備的坐標(biāo)，得到第一坐標(biāo)，獲取f個(gè)相關(guān)人員的坐標(biāo)，得到f個(gè)第二坐標(biāo)；

53、獲取第一坐標(biāo)與f個(gè)第二坐標(biāo)之間的距離，得到f個(gè)距離；

54、對(duì)f個(gè)距離進(jìn)行升序排序，將安防決策與第一坐標(biāo)發(fā)送給排序第一位距離對(duì)應(yīng)的相關(guān)人員，相關(guān)人員即在第一坐標(biāo)對(duì)應(yīng)的監(jiān)控區(qū)域內(nèi)執(zhí)行安防決策

55、本發(fā)明一種基于人工智能的安防決策平臺(tái)的技術(shù)效果和優(yōu)點(diǎn)：

56、通過(guò)將實(shí)時(shí)行為姿態(tài)特征數(shù)據(jù)輸入訓(xùn)練完成的識(shí)別模型內(nèi)，能夠識(shí)別出行人的行為類別，從而便于后續(xù)的安防決策平臺(tái)根據(jù)行人的行為類別輸出相應(yīng)的安防決策；能夠根據(jù)實(shí)時(shí)行為類別是否屬于安全類型集或危險(xiǎn)類型集以及實(shí)時(shí)環(huán)境元素及時(shí)地輸出相應(yīng)的安防決策，提升了監(jiān)控區(qū)域內(nèi)的安全性，能夠避免一些危險(xiǎn)事故的發(fā)生。