[发明专利]一种用于对风险行为进行识别的方法及系统

权利要求书

1.一种用于对风险行为进行识别的方法，所述方法包括：

选择目标对象在进行目标行为时的连续时间段内的加速度信号，通过深度神经网络模型获取连续时间段内的加速度信号的加速度特征向量；

选择目标对象在目标行为结束时刻的深度图像，通过深度神经网络模型获取所述深度图像中的目标对象的目标对象特征向量；

选择目标对象在目标行为结束时刻的二维图像，通过深度神经网络模型获取所述二维图像中的目标对象的背景元素特征；

将所述加速度特征向量、所述目标对象特征向量输入所述神经网络判别模型，获取所述目标对象的行为动作；

确定所述目标对象的位置；

获取预先设置的超宽带基站与所述目标对象的超宽带标签之间的数据传输消耗的时间，基于数据传输消耗的时间通过双向时间飞行法测量所述超宽带基站与所述标签的距离；

基于所述超宽带基站与所述标签的距离，确定所述目标对象与所述超宽带基站的相对位置；

对所述超宽带基站进行定位，确定所述超宽带基站的绝对位置；

基于所述超宽带基站的绝对位置和所述目标对象与所述超宽带基站的相对位置，确定所述目标对象的绝对位置；

基于所述背景元素特征，判断所述目标对象的行为动作是否符合预设的安全行为标准，包括：

基于所述目标对象的绝对位置和所述背景元素特征，判断所述目标对象的行为动作是否符合预设的安全行为标准。

2.根据权利要求1所述的方法，还包括，确定所述深度神经网络模型的深度和宽度：

所述深度神经网络模型的深度为：

所述深度神经网络模型的宽度为：

其中和为通过搜索最优值方法求出的常数，为人工调节的参数；

当满足约束条件时，自适应得到深度神经网络模型的参数，其中为设定的参数。

3.根据权利要求1所述的方法，还包括：确定所述深度神经网络模型的注意力权重：

确定注意力特征金字塔结构，所述注意力特征金字塔结构的每一层设置不同的注意力权重，分别对应不同分辨率的所述二维图像的特征贡献比；

所述注意力权重计算公式为：，其中为特征的标量或二维图像通道的向量。

4.一种用于对风险行为进行识别的系统，所述系统包括：

第一获取单元，用于选择目标对象在进行目标行为时的连续时间段内的加速度信号，通过深度神经网络模型获取连续时间段内的加速度信号的加速度特征向量；

第二获取单元，用于选择目标对象在目标行为结束时刻的深度图像，通过深度神经网络模型获取所述深度图像中的目标对象的目标对象特征向量；

第三获取单元，用于选择目标对象在目标行为结束时刻的二维图像，通过深度神经网络模型获取所述二维图像中的目标对象的背景元素特征；

第四获取单元，用于将所述加速度特征向量、所述目标对象特征向量输入所述神经网络判别模型，获取所述目标对象的行为动作；

第六获取单元，用于确定所述目标对象的位置：

获取预先设置的超宽带基站与所述目标对象的超宽带标签之间的数据传输消耗的时间，基于数据传输消耗的时间通过双向时间飞行法测量所述超宽带基站与所述标签的距离；

基于所述超宽带基站与所述标签的距离，确定所述目标对象与所述超宽带基站的相对位置；

对所述超宽带基站进行定位，确定所述超宽带基站的绝对位置；

基于所述超宽带基站的绝对位置和所述目标对象与所述超宽带基站的相对位置，确定所述目标对象的绝对位置；

结果单元，用于基于所述目标对象的绝对位置和所述背景元素特征，判断所述目标对象的行为动作是否符合预设的安全行为标准。

5.根据权利要求4所述的系统，还包括第五获取单元，用于确定所述深度神经网络模型的深度和宽度；

所述深度神经网络模型的深度为：

所述深度神经网络模型的宽度为：

其中和为通过搜索最优值方法求出的常数，为人工调节的参数；

当满足约束条件时，自适应得到深度神经网络模型的参数，其中为设定的参数。