：本發(fā)明涉及防溺水預警，具體涉及一種用于湖庫的防溺水預警方法。

背景技術

0、
背景技術：

1、湖庫防溺水預警是指通過監(jiān)測和分析水域內(nèi)人類活動的行為，及時識別潛在的溺水危險，并向有關人員發(fā)出警示，以減少溺水事故的發(fā)生。

2、現(xiàn)有技術中，湖庫防溺水預警主要依賴于人工巡邏、簡單的水域監(jiān)測以及有限的報警設備，這些方法多為定時巡查或依賴水域旁的救生員監(jiān)控，缺乏系統(tǒng)化的技術手段，雖然一些地區(qū)已開始使用基本的視頻監(jiān)控系統(tǒng)，但其識別能力通常受到環(huán)境條件的限制，無法有效區(qū)分正常活動與危險行為。

3、并且湖泊和水庫等水域具有開放性強、岸線長和活動范圍廣的特點，導致對人員行為的全面管控變得困難，增加了溺水風險，在人員接近危險水域時，缺乏及時和有效的預警機制，無法對潛在溺水事故進行提前預防，影響了安全保障能力，傳統(tǒng)的監(jiān)控系統(tǒng)往往無法準確識別水域內(nèi)的活動對象，導致誤報和漏報現(xiàn)象頻繁發(fā)生，依賴人工監(jiān)控的方式，往往無法及時對突發(fā)的危險行為進行反應，可能延誤救援時機，現(xiàn)有系統(tǒng)缺乏深度學習或智能分析技術的應用，導致無法實現(xiàn)對行為的實時分析和智能判斷，也缺乏對行為數(shù)據(jù)的有效分析機制，現(xiàn)有的視頻分析方法多基于入侵檢測原理，受外界環(huán)境因素影響顯著，尤其在復雜環(huán)境中，導致預警系統(tǒng)的準確度大幅下降，增加了誤報的風險，無法提供科學的預警依據(jù)。

4、鑒于現(xiàn)有湖庫防溺水預警技術的不足，亟需一種更高效、智能化的解決方案，因此有必要研制一種用于湖庫的防溺水預警方法，引入視頻監(jiān)測與深度學習技術，能夠顯著提高監(jiān)測的準確性和實時性，通過構建數(shù)據(jù)驅(qū)動的行為模型，可以實現(xiàn)對復雜行為的精準識別和預警，有效減少溺水事故的發(fā)生。

技術實現(xiàn)思路

0、
技術實現(xiàn)要素：

1、針對上述存在的缺陷和問題，本發(fā)明提供一種用于湖庫的防溺水預警方法，其目的旨在通過視頻監(jiān)測與深度學習技術，實時識別和分析湖庫區(qū)域內(nèi)人體行為，提供精確的溺水預警及危險等級判定，增強安全防護措施，降低溺水事故發(fā)生率，保障公眾安全。

2、本發(fā)明解決其技術問題所采用的方案是：一種用于湖庫的防溺水預警方法，其特征在于，包括以下步驟：

3、s1：布設視頻監(jiān)測系統(tǒng)進行管控區(qū)域的視頻記錄及人體識別；

4、s1.1：視頻監(jiān)測系統(tǒng)對湖庫管控區(qū)域進行監(jiān)控記錄，采用視頻活動檢測模型捕捉進入視頻畫面的活物，通過深度學習模型對視頻畫面中的活物進行判斷識別，當識別出活物為人體時，則對人體進行行為檢測，并持續(xù)記錄視頻，否則僅持續(xù)記錄視頻；

5、s1.2：深度學習模型自動從標注數(shù)據(jù)中學習人體特征，通過卷積神經(jīng)網(wǎng)絡提取圖像特征，在視頻畫面幀中檢測人體的位置和大小，同時在檢測過程中，深度學習模型提取人體的形狀和輪廓特征，區(qū)分人體與其他活物，并結(jié)合姿態(tài)估計算法，識別人體關鍵點；

6、s2：人體行為檢測及危險程度判定；

7、s2.1：管控區(qū)域區(qū)分，區(qū)別視頻畫面中的岸邊區(qū)域和水面區(qū)域，對視頻幀圖像采用區(qū)域生長算法，計算岸邊區(qū)域和水面區(qū)域，手動或自動選擇岸邊區(qū)域和水面區(qū)域的種子點，根據(jù)像素之間灰度值、顏色和紋理的相似度，將相鄰像素加入到相應的區(qū)域中，生長出完整的區(qū)域劃分，標記出圖像中的岸邊區(qū)域和水面區(qū)域；

8、s2.2：標識人體運動軌跡以及識別其行為特征，行為特征包括行走、游泳和溺水；對人體頭部、上肢、軀干以及下肢部位進行五個關鍵點位置標記，分別為頭部a點，上肢b、c兩點，下肢d、e兩點，軀干f點；

9、(1)當人體出現(xiàn)行走、游泳和溺水三種行為時，視頻監(jiān)測系統(tǒng)對人體姿態(tài)及6個人體關鍵點的位置信息進行數(shù)據(jù)收集；

10、視頻監(jiān)測系統(tǒng)獲取人體行走時的姿態(tài)特征以及6個人體關鍵點的空間位置關系，記錄6個人體關鍵點相對于水面的距離變化，構建行走狀態(tài)下人體關鍵點距離變化的數(shù)據(jù)集模型；

11、視頻監(jiān)測系統(tǒng)獲取人體游泳時的姿態(tài)特征以及6個人體關鍵點的空間位置關系，記錄6個人體關鍵點相對于水面的距離變化，構建游泳狀態(tài)下人體關鍵點距離變化的數(shù)據(jù)集模型；

12、視頻監(jiān)測系統(tǒng)獲取人體溺水時的姿態(tài)特征以及6個人體關鍵點的空間位置關系，記錄6個人體關鍵點相對于水面的距離變化，構建溺水狀態(tài)下人體關鍵點距離變化的數(shù)據(jù)集模型；

13、(2)在構建的行走狀態(tài)數(shù)據(jù)集模型、游泳狀態(tài)數(shù)據(jù)集模型和溺水狀態(tài)數(shù)據(jù)集模型中，當人體出現(xiàn)行走、游泳和溺水三種行為時，視頻監(jiān)測系統(tǒng)對人體6個關鍵點與水面的距離變化進行識別；

14、人體行走時，視頻監(jiān)測系統(tǒng)識別人體6個關鍵點遠離水面區(qū)域，且6個人體關鍵點與水面上的點斜交于水面，兩者沒有位于同一垂直空間，6個人體關鍵點的相對位置從上至下依次a、b、c、f、d、e，且a、b、c、f、d、e這6個人體關鍵點離水面的距離依次減小，但始終為正值；

15、人體游泳時，視頻監(jiān)測系統(tǒng)識別人體在水中有規(guī)律活動，人體6個關鍵點和水面位于同一垂直空間，6個人體關鍵點離水面的距離變化為：a點與水面的距離有規(guī)律的在正負間來回變化或長時間為正值；b、c點與水面的距離有規(guī)律的在正負間來回變化；f點與水面的距離有規(guī)律的在正負間來回變化或長時間為正值或長時間為負值；

16、人體溺水時，視頻監(jiān)測系統(tǒng)識別人體在水中無規(guī)律活動，人體6個關鍵點和水面位于同一垂直空間，且6個人體關鍵點離水面的距離變化為：a點與水面的距離為正值，同時b、c、d、e、f點與水面的距離為正值；或a點與水面的距離長時間為正值，同時b、c、d、e、f點與水面的距離為0；

17、(3)在構建的行走狀態(tài)數(shù)據(jù)集模型、游泳狀態(tài)數(shù)據(jù)集模型和溺水狀態(tài)數(shù)據(jù)集模型中，當人體出現(xiàn)行走、游泳和溺水三種行為時，視頻監(jiān)測系統(tǒng)對人體下肢運動幅度進行識別判定；

18、人體行走時，步態(tài)參數(shù)、步行周期、時間參數(shù)和距離參數(shù)作為人體步行時身體下肢的擺動幅度定量，當步速、步頻超過了1.2m/s、110steps/min，判定目標人體處于行走狀態(tài)；

19、人體游泳時，動作周期、動作節(jié)奏、動作頻率(f)、劃水次數(shù)以及劃水效果作為身體下肢做出劃水動作的擺動幅度定量，動作頻率＝動作次數(shù)/時間；劃水效果＝游進距離/動作次數(shù)，單位為米/次；視頻監(jiān)測系統(tǒng)識別人體手臂每分鐘劃水次數(shù)，計算動作頻率，當動作頻率超過60次/1分鐘，判定目標人體處于游泳狀態(tài)；

20、人體上肢b、c兩點與水面的距離出現(xiàn)負-正-負的變化，記為一次劃水動作，視頻監(jiān)測系統(tǒng)將人體b、c兩點與水面的距離變化總次數(shù)記為n次，視頻記錄的時間為t，通過視頻監(jiān)測系統(tǒng)對人體監(jiān)測的特征數(shù)值能夠判定其是否溺水，判定過程為：

21、人體游泳時的動作頻率計算公式為：

22、

23、其中，n為人體上肢b、c兩個關鍵點與水面的距離變化總次數(shù)，t為視頻記錄的時間；

24、人體游泳時的劃水速度計算公式為：

25、

26、其中，xi為第i幀圖像中人體關鍵點f點的位置坐標，為連續(xù)m幀人體關鍵點f點位置均值，t＝at,其中a為整數(shù),a＝0,1,2,3···,t為采樣時間,t為視頻播放的時間；

27、當人體發(fā)生溺水時，動作頻率和劃水速度變慢并最終為零，人體在水中的動作頻率在50次/分到70次/分之間，判定目標人體在水中游泳；人體在水中的動作頻率小于50次/分，判定目標人體溺水；同時，人體的劃水速度在0.42m/s到0.6m/s之間，判定目標人體在水中游泳；人體的劃水速度小于0.42m/s，判定目標人體溺水；

28、視頻監(jiān)測系統(tǒng)識別檢測圖像中的6個人體關鍵點的位置信息，記錄其位置信息，并提取相應的人體姿態(tài)特征，并計算檢測圖像中6個人體關鍵點與水面的距離值，判斷這些距離值與零的關系，以確定關鍵點的位置狀態(tài)，將記錄的位置信息和提取的姿態(tài)特征與之前構建的人體關鍵點距離變化數(shù)據(jù)集模型進行匹配和對比，并根據(jù)匹配和對比的結(jié)果，輸出人體運動軌跡標識結(jié)果，以及行為特征識別結(jié)果，從而判斷并識別目標個體的行為狀態(tài)；

29、s2.3：根據(jù)人體行為特征判定危險程度，并對管控區(qū)域進行危險程度劃分，在水域的岸邊設置安全警戒線，使岸邊區(qū)域和水面區(qū)域通過安全警戒線劃分，且危險程度包括黃色預警、橙色預警和紅色預警，視頻監(jiān)測系統(tǒng)識別到人體越過安全警戒線進入到水面區(qū)域，系統(tǒng)進行橙色以及紅色預警，視頻監(jiān)測系統(tǒng)識別到人體沒有越過安全警戒線，始終位于岸邊區(qū)域，系統(tǒng)進行黃色預警；

30、人體在岸邊處于行走狀態(tài)，并符合行走時的姿態(tài)特征，系統(tǒng)將危險程度判定為黃色預警；人體在水中處于游泳狀態(tài)，并符合游泳時的姿態(tài)特征，系統(tǒng)將危險程度判定為橙色預警；人體在水中溺水，并符合溺水時的姿態(tài)特征，系統(tǒng)將危險程度判定為紅色預警；

31、s3：語音警示及預警響應，根據(jù)不同危險程度級別，匹配語音庫中的對應語音，并在管控區(qū)域循環(huán)播放，并且按照不同的危險程度級別，向后臺發(fā)送不同的預警信息，并且視頻監(jiān)測系統(tǒng)進行實時跟蹤，記錄視頻。

32、進一步的，在s2.2的(1)步驟中，人體行走時的姿態(tài)特征為頭部筆直，身體自然，手臂自然垂放在身體兩側(cè)，步伐有節(jié)奏，人體行走時其6個關鍵點在空間位置的位置信息特征為：a點(頭部)相對穩(wěn)定或前后移動，b、c點(上肢)在f點(軀干)上方兩側(cè)交替移動，f點相對穩(wěn)定或前后移動，d、e點(下肢)在f點下方兩側(cè)交替移動；

33、人體游泳時的姿態(tài)特征為頭部和軀干間歇浮出水面，手臂彎曲，保持穩(wěn)定頻率和節(jié)奏在水面上下擺動，人體游泳時其6個關鍵點在空間位置的位置信息特征為：a(頭部)點規(guī)律性在水面上交替出現(xiàn)，b、c點(上肢)也規(guī)律性在水面上交替出現(xiàn)，f點(軀干)有規(guī)律地在水面上方出現(xiàn)或長時間在水面上方；

34、人體溺水時的姿態(tài)特征為身體姿勢不自然，頭部、手臂和下肢部位在水面上無規(guī)律移動，身體長時間在水面以下或身體長時間漂浮在水面，人體溺水時其6個關鍵點在空間位置的位置信息特征為：a點(頭部)無規(guī)律在水面上出現(xiàn)，同時b、c(上肢)，d、e(下肢)和f點(軀干)也無規(guī)律水面上出現(xiàn)；或a點(頭部)長時間在水面以下；或a點(頭部)長時間在水面以上，同時b、c(上肢)，d、e(下肢)和f點(軀干)無擺動。

35、進一步的，在s2.2的(3)步驟中，時間參數(shù)包括單步時間、跨步時間、步速、步頻，距離參數(shù)包括步長、跨步長、步寬、足夾角。

36、進一步的，在s1.1中，對于視頻監(jiān)測系統(tǒng)捕獲到的視頻流圖像，采用r-c3d(regionconvolutional?3d?network)視頻活動監(jiān)測模型，先進行3d全卷積網(wǎng)絡對視頻幀進行編碼處理，生成可能包含行為的時序片段，然后在分類子網(wǎng)絡并對結(jié)果進行分類和細化，從而將選定區(qū)域分類為特定的活動，快速捕捉到視頻中存在的活物。

37、進一步的，在s1.2中，深度學習模型可以采用faster?r-cnn、yolo(you?only?lookonce)系列、ssd(single?shot?multibox?detector)。

38、本發(fā)明的有益效果：本發(fā)明通過布設視頻監(jiān)測系統(tǒng)并結(jié)合深度學習模型，精準識別進入監(jiān)控區(qū)域的活物，能夠有效區(qū)分人體與其他活物，減少誤報率，從而實現(xiàn)對溺水風險的精準監(jiān)測；并能夠?qū)崟r監(jiān)測并識別行走、游泳和溺水三種基本行為，及時判斷個體的行為狀態(tài)，并區(qū)分正?；顒优c潛在危險行為，提供動態(tài)監(jiān)控能力，有助于及時采取干預措施，降低溺水事故的發(fā)生概率；并采用區(qū)域生長算法進行岸邊區(qū)域和水面區(qū)域的劃分，結(jié)合圖像預處理，提升圖像解析度和目標識別的精確度；在行為檢測中，系統(tǒng)可以標識并監(jiān)測人體的六個關鍵點(頭部、上肢、下肢和軀干)，并通過這些關鍵點的空間關系和運動軌跡，實現(xiàn)對行為的精確分析；并通過對行走、游泳和溺水狀態(tài)下的關鍵點位置及其與水面之間距離的變化進行數(shù)據(jù)采集，構建不同狀態(tài)下的行為模型，系統(tǒng)能夠根據(jù)不同狀態(tài)下的關鍵點運動特征，進行精確匹配與對比，提高了行為識別的靈活性和準確性；立黃色、橙色和紅色三級危險預警機制，使得系統(tǒng)能夠根據(jù)識別的人體行為狀態(tài)快速響應，從而在不同危險程度下采取相應的保護措施，提高了公共安全防護能力；在識別到危險狀態(tài)時，系統(tǒng)能根據(jù)不同危險程度觸發(fā)相應的語音警示，實時通知周圍人員；通過對人體下肢運動幅度、游泳動作頻率等參數(shù)的量化分析，系統(tǒng)能夠更加精確地判斷個體的行為狀態(tài)及其安全性。