[发明专利]一种基于LSTM的实时异常行为监测方法

权利要求书

1.一种基于LSTM的实时异常行为监测方法，其特征在于，

利用opencv视频处理库将监控视频转为帧，基于Apache Spark构建在采集端的视频流收集器，使用Gson库将数据转换为JSON消息，将这些消息发送至Kafka的Topic分区上，使用Kafka Producer客户端将JSON消息发送至Kafka broker，最终由服务器端的视频收集器消费和处理来自kafka的数据；利用spark集群调用karas训练好的openpose模型，特征图数据送入模型后送入lstm神经网络模型来判读行为的异常性。

2.根据权利要求1所述的方法，其特征在于，

包括以下步骤：

(1)视频获取：使用视频获取单元获取实时视频，

(2)视频处理：利用OpenCV库转换视频，并将转换后信息推送至kafka服务器，由基于Spark的视频流处理器消费缓存中的视频帧数据；

(3)姿态识别：通过OpenPose构建姿态识别模型，以所述特征图作为输入，对人体姿态进行识别，得到OpenPose姿态的评估信息；

(4)行为判断：以人体姿态的识别的评估信息作为输入，构建lstm网络模型判断该连续动作是否为异常行为并判断异常行为的类型。

3.根据权利要求2所述的方法，其特征在于，

所述的视频获取单元包括辅助安保的监控系统。

4.根据权利要求3所述的方法，其特征在于，

还包括实时采集监控视频的摄像机、以及将所述的监控视频传入采集端的传输设备。

5.根据权利要求2所述的方法，其特征在于，

步骤(2)视频处理的详细步骤为：

(1)利用OpenCV库转换视频,将每帧图像存储为Mat对象，从Mat对象中提取视频帧的完整信息，使用JSON数据格式保字；

(2)将视频帧的完整信息发送至Kafka服务器缓存；

(3)基于Spark的视频流处理器消费缓存中的视频帧数据,使用OpenCV库中的算法分析视频采集模块是供的实时视频帧数据,进行特征提取后得到特征图。

6.根据权利要求2所述的方法，其特征在于，

所述的人体姿态识别模型通过OpenPose基于MPII数据库数据训练得到。

7.根据权利要求2所述的方法，其特征在于，

步骤(4)行为判读中构建的LSTM网络模型是基于UMN数据库训练的。

8.根据权利要求7所述的方法，其特征在于，

步骤(4)行为判读中构建的LSTM内部主要有三个阶段：

忘记阶段、选择记忆阶段和输出阶段。