[发明专利]一种用于对风险行为进行识别的方法及系统

说明书

本发明公开了一种用于对风险行为进行识别的方法及系统，其中方法包括：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；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。

技术领域

本发明涉及人体行为识别技术领域，更具体地，涉及一种用于对风险行为进行识别的方法及系统。

背景技术

现场作业安全风险智能辨识技术，是由机器视觉、行为识别、模式识别等组成的综合型技术，是安防领域人身风险辅助管控手段，目前在公共安全、智慧城市、医疗康复等领域都有涉及，也是我国新基建背景下的热点发展领域。其核心人体行为识别技术，是利用计算机来分析采集到的人的行为信息判断人在干什么，从实现方式来分类，可以把人体行为识别分为基于传感器的识别方式和基于视觉的识别方式，当然也包含这两者的结合。基于视觉的人体行为识别方法，通过视频处理、运动检测与跟踪、特征提取、模式分类与识别等关键技术步骤，实现基于视觉信息的人体异常行为辨识；基于可穿戴式传感信息的人体行为识别技术，则是通过捆绑或穿戴在身上的多个传感器节点获取身体活动的惯性运动信号数据，在对数据进行去噪等预处理基础上，进行特征提取、特征选择等操作，选择合理的分类器进行训练，最后通过实际采集的动作信号对识别算法进行验证。多传感器联合监测方式风险行为监测与分析领域的必然趋势，通过在电力现场布控多种视觉传感器、可穿戴运动传感器等，研究者可以同时得到包括彩色视频、深度图像序列和三维人体骨架序列在内的多源数据；在丰富信息来源与高效智能算法的驱动下，作业人员的异常行为识别算法的现场应用更具可行性。

近年，电力行业大力推进信息技术与安全生产融合，并且积极采用智能安全工器具、视频监控、图像分析等先进技术，提升现场安全技防水平。

现有技术1（公开号：CN112149761A）提供一种基于YOLOv4改进算法的电力智慧工地违规行为检测方法。现有技术1公开了：采集用于训练模型的电力施工现场的图像；对采集到的电力施工现场的图像进行图像增强；将图像及数据增强后的得到的目标区域用矩形框进行标注，获取矩形框的坐标与所包含的种类；根据采集到的施工现场的图像及数据增强后得到的图像，及获取的所述矩形框的坐标与包含的种类对基于YOLOv4改进的模型进行训练；实时采集电力施工现场的图像，根据训练好的模型和实时采集到待检测的电力施工现场图像，并输出违规图像。现有技术1适用于施工现场的人员违规行为与施工车辆违规操作的检测，实现电力智慧工地可视、智能管理，能有效提升工程现场管理水平并降低安全风险。

然而，现有技术1公开的一种基于YOLOv4改进算法的电力智慧工地违规行为检测方法过于单一，可检测的类别有限，算法的识别效率，只能对静态特征的类别进行检测，例如安全帽佩戴、车辆装载等，而对于工作人员的动态行为无法进行判断，违规行为检测种类、准确率存在比较大的局限性。

现有技术2，（公开号：CN111814601A）提出了一种将目标检测与人体姿态估计相结合的视频分析方法，通过流媒体服务器，获取现场摄像头视频流，从中截取视频帧，获得解码出来的图片；采用深度学习算法对获得的每一张图片进行快速目标检测，找到所有能识别的类别的目标对象；判断是否有人员存在，对图片依次进行危险行为分析和危险场景分析；在进行危险行为分析和危险场景分析中，若发现危险事件，则将告警及时上报推送给展示平台；持续进行视频流实时分析。本专利方法将目标检测和人体姿态估计算法结合起来，引入到基建视频的智能监控识别领域，能够识别危险行为或场景，可以解放传统监控中人工盯屏的劳动力，有效提升基建安全管理的效率。