[发明专利]一种基于神经网络的燃气现场异常行为识别预警方法、系统、终端及存储介质

说明书

本申请所提供的一种基于神经网络的燃气现场异常行为识别预警方法、系统、终端及存储介质，所述方法包括：构建异常行为数据集，并将异常行为数据集按预设比例随机分成训练集及测试集；构建增加注意力机制时空分离3D卷积层及3D空间金字塔池化层，得到3D卷积神经网络；将训练集输入至构建的3D卷积神经网络不断迭代训练得到训练后的3D卷积神经网络模型；实时监测并获取人员进入视频流，并将视频流输入至训练后的3D卷积神经网络模型中，完成燃气现场的视频监控异常行为识别；通过增加注意力机制时空分离处理的3D卷积层加快模型拟合，让模型更加关注关键区域或关键帧，通过增加3D空间金字塔池化层使得模型可以接受任意长度的视频序列输入，实现模型精度的提升。

技术领域

本申请涉及视频监控技术领域，尤其是涉及一种基于神经网络的燃气现场异常行为识别预警方法、系统、终端及存储介质。

背景技术

在一些需要视频实时监控的场所，需要监控集中注意力查看视频，观察监控视频中的人员是否有异常行为。但由于监控人员数量有限且需负责多路视频监控，监控人员的工作效率及有效性大大降低。为了提高监控人员的工作效率及时获取监控视频中的异常行为，便于安检观察人员及时处理监控区域危险行为活动，通常采用人工智能技术对监控视频进行处理，实时分析监控视频中是否存在异常行为。

在传统的方法中，视频行为识别基本思路为利用光流场来获得视频序列中的一些轨迹，再沿着轨迹提取HOF，HOG，MBH等特征，其中HOF基于灰度图计算，另外几个均基于稠密光流计算，最后对特征进行编码，再基于编码结果训练SVM分类器或者KNN分类器，但存在提取有效特征较为困难、识别的精度低的问题。

随着深度学习神经网络的发展，通过神经网络的方法进行行为识别已经成为主流方向，目前主要进行行为识别的网络结构有双流网络结构、3D卷积网络结构、循环神经网络结合卷积神经网络结构。专利CN201510293654《一种基于深度神经网络的人体行为识别方法及识别系统》，提出一种基于深度神经网络的人体行为识别方法，包括：获取行为人数据流，提取人体的骨架关节点数据；利用提取到的人体骨架关节点数据所对应的三维坐标，来对整个人体建模；通过对整个人体建模来进行特征提取，将特征数据送入限制波尔兹曼机网络进行预处理，将得到的权值初始化BP神经网络参数，训练出深度神经网络模型，并据此对特征提取的结果进行行为识别。但受限于复杂背景，人物可能被遮挡，如果需要在移动端部署，对设备要求较高，难以实现监控视频实时性检测。

专利CN110163133A《一种基于深度残差网络的人体行为识别方法》公开了一种基于深度残差网络的人体行为识别方法,将人体关节数据和深度图像数据同时输入进ResNet进行识别,识别精度虽然提高了,但需要人体关节数据和深度图作为输入,不能端到端的学习,且在日常生活中缺乏这种数据。

专利CN110688986A《注意力分支引导的3D卷积行为识别网络方法》，本发明公开了一种注意力分支引导的3D卷积行为识别网络方法,该网络设计了不同分辨率的3D注意力机制,以便网络关注更加感兴趣的时空信息。与此同时,通过卷积的方式学习注意力特征中时空基元的变化,以辅助3D分支提取更加鲁棒的时空特征。该模型从端对端开始训练学习的难度较大，精度提升效果不是特别明显。

因此，亟需一种基于神经网络的燃气现场异常行为识别预警方法、系统、终端及存储介质，以解决现有技术中数据集缺乏充分运用、模型缺乏端到端的训练影响模型学习的问题，实现模型精度的提升，保证监控视频异常行为的准确检测识别及反馈预警。

发明内容

针对现有技术的不足，本申请提供一种基于神经网络的燃气现场异常行为识别预警方法、系统、终端及存储介质，解决了现有技术中数据集缺乏充分运用、模型缺乏端到端的训练影响模型学习的技术问题，实现模型精度的提升，保证监控视频异常行为的准确检测识别及反馈预警。

为解决上述技术问题，第一方面，本申请提供一种基于神经网络的燃气现场异常行为识别预警方法，包括：