一种基于机器视觉的智能海滩安全防护方法及系统

1.本发明涉及海滩安全防护领域，特别是涉及一种基于机器视觉的智能海滩安全防护方法及系统。


背景技术：

2.传统的海滩安全系统，主要依靠人工不间断地把守在监控摄像头画面前，通过人眼扫视画面监视游客风险行为，如逗留于危险礁石、未戴泳圈下海、深海区域漂浮等。与陆上意外事故不同，海上急救黄金时间仅有几分钟，快速机动变得尤为重要。而长时间人工监视极易使工作人员出现视觉疲劳，很难在意外情况发生时第一时间做出反应，进而造成安全防护效率低下的问题。另一方面，人工监视由于人眼限制很容易忽略一些具有风险行为的游客，导致风险行为识别准确率低下。


技术实现要素：

3.有鉴于现有技术的上述的一部分缺陷，本发明所要解决的技术问题是提供一种基于机器视觉的智能海滩安全防护方法及系统，旨在取代人工监视，提高风险行为识别准确率和安全防护效率，保障游客生命安全。
4.为实现上述目的，本发明第一方面提供了一种基于机器视觉的智能海滩安全防护方法，所述方法包括：
5.步骤s1、控制摄像机按照预设的时间间隔对海滩进行图片采集，获得海滩图片；
6.步骤s2、将获得的所述海滩图片输入潮汐分析模型，获得所述海滩的潮汐情况；其中，所述潮汐分析模型基于接收到的当前海滩图片和所述当前海滩图片之前预设张数的过往海滩图片对海滩的所述潮汐情况进行判断，所述潮汐情况包括涨潮、退潮以及海潮到达沙滩的位置；
7.步骤s3、根据所述海滩的所述潮汐情况和所述当前海滩图片，将所述海滩划分为风险区和非风险区；
8.步骤s4、将所述摄像机的监控资源按照预设比例分配给所述风险区和所述非风险区；其中，所述风险区获得的监控资源大于所述非风险区获得的监控资源；
9.步骤s5、在监控资源分配后，对所述摄像机采集到的所述海滩图片进行游客识别，获得游客行为；
10.步骤s6、将所述游客行为输入风险行为识别模型以判断所述游客行为是否属于风险行为；响应于所述游客行为属于所述风险行为，则发出告警提示；响应于所述游客行为不属于所述风险行为，则正常工作。
11.可选的，所述潮汐分析模型的训练步骤包括：
12.向所述潮汐分析模型输入第一训练海滩图片和所述第一训练海滩图片对应的海潮抵达沙滩的位置，以使所述潮汐分析模型获得所述第一训练海滩图片和所述第一训练海滩图片对应的海潮抵达沙滩的位置之间的第一关系；
13.向所述潮汐分析模型输入第二训练海滩图片，以使所述潮汐分析模型根据所述第一关系获得所述第二训练海滩图片对应的海潮抵达沙滩的训练位置；
14.判断所述第二训练海滩图片对应的海潮抵达沙滩的所述训练位置是否与准确；
15.响应于所述潮汐分析模型的准确率达到预设值，完成对所述潮汐分析模型的训练。
16.可选的，所述步骤s2包括：
17.向所述潮汐分析模型输入所述当前海滩图片和所述当前海滩图片之前预设张数的过往海滩图片，获得所述当前海滩图片和所述过往海滩图片对应的海潮抵达沙滩的位置；
18.根据所述当前海滩图片和所述过往海滩图片对应的海潮抵达沙滩的位置，判断所述海滩处于涨潮或退潮。
19.可选的，所述步骤s3包括：
20.响应于所述潮汐情况为退潮，将所述当前海滩图片中的深海区划分为风险区，其它区域划分为非风险区域；
21.或响应于所述潮汐情况为涨潮，将所述当前海滩图片中的礁石区划分为风险区，其它区域划分为非风险区域。
22.可选的，所述步骤s4包括：
23.将所述风险区定义为敏感区，将所述非风险区定义为非敏感区；
24.将所述摄像机的码率资源和像素资源分配给所述敏感区大于所述非敏感区。
25.可选的，所述对所述摄像机采集到的所述海滩图片进行游客识别，获得游客行为，包括：
26.对所述摄像机采集到的所述海滩图片进行人物轮廓识别，获得游客轮廓；
27.将图像识别资源集中与所述游客轮廓上，获得所述游客轮廓的人体关节点位置；
28.根据所述人体关节点位置及所述人体关节点的连线，获得所述游客行为。
29.可选的，所述将所述游客行为输入风险行为识别模型以判断所述游客行为是否属于风险行为，包括：
30.将所述游客行为输入风险行为识别模型以判断所述游客行为是否属于风险行为；其中，所述风险行为识别模型进行单个行为判断，判断当前游客行为是否属于风险行为，所述当前游客行为为所述风险行为识别模型最新接收到的所述游客行为。
31.可选的，所述将所述游客行为输入风险行为识别模型以判断所述游客行为是否属于风险行为，包括：
32.将所述游客行为输入风险行为识别模型以判断所述游客行为是否属于风险行为；其中，所述风险行为识别模型进行系列行为判断，所述风险行为识别模型判断当前游客行为和所述当前游客行为之前预设个数的过往游客行为组成的系列游客行为是否属于风险行为，所述当前游客行为为所述风险行为识别模型最新接收到的所述游客行为。
33.本发明第二方面公开了一种基于机器视觉的智能海滩安全防护系统，所述系统包括：摄像机、潮汐分析模型、风险行为识别模型以及mcu控制器；
34.所述摄像机，用于采集海滩图片；
35.所述潮汐分析模型，用于对潮汐情况进行判断；
36.所述风险行为识别模型，用于判断所述游客行为是否属于风险行为；
37.所述mcu控制器包括：图片采集单元、潮汐分析单元、风险划分单元、监控资源分配单元、行为识别单元、风险行为判断单元、告警单元；
38.所述图片采集单元，用于控制所述摄像机按照预设的时间间隔对海滩进行图片采集，获得海滩图片；
39.所述潮汐分析单元，用于将获得的所述海滩图片输入潮汐分析模型，获得所述海滩的潮汐情况；其中，所述潮汐分析模型基于接收到的当前海滩图片和所述当前海滩图片之前预设张数的过往海滩图片对海滩的所述潮汐情况进行判断，所述潮汐情况包括涨潮、退潮以及海潮到达沙滩的位置；
40.所述风险划分单元，用于根据所述海滩的所述潮汐情况和所述当前海滩图片，将所述海滩划分为风险区和非风险区；
41.所述监控资源分配单元，用于将所述摄像机的监控资源按照预设比例分配给所述风险区和所述非风险区；其中，所述风险区获得的监控资源大于所述非风险区获得的监控资源；
42.所述行为识别单元，用于在监控资源分配后，对所述摄像机采集到的所述海滩图片进行游客识别，获得游客行为；
43.所述风险行为判断单元，用于将所述游客行为输入风险行为识别模型以判断所述游客行为是否属于风险行为；
44.所述告警单元，用于响应于所述游客行为属于所述风险行为，则发出告警提示；响应于所述游客行为不属于所述风险行为，则正常工作。
45.可选的，所述潮汐分析模型包括训练模块，所述训练模块包括：第一训练单元、第二训练单元、训练准确判断单元、训练完成单元；
46.所述第一训练单元，用于向所述潮汐分析模型输入第一训练海滩图片和所述第一训练海滩图片对应的海潮抵达沙滩的位置，以使所述潮汐分析模型获得所述第一训练海滩图片和所述第一训练海滩图片对应的海潮抵达沙滩的位置之间的第一关系；
47.所述第二训练单元，用于向所述潮汐分析模型输入第二训练海滩图片，以使所述潮汐分析模型根据所述第一关系获得所述第二训练海滩图片对应的海潮抵达沙滩的训练位置；
48.所述训练准确判断单元，用于判断所述第二训练海滩图片对应的海潮抵达沙滩的所述训练位置是否与准确；
49.所述训练完成单元，用于响应于所述潮汐分析模型的准确率达到预设值，完成对所述潮汐分析模型的训练。
50.可选的，所述潮汐分析单元具体包括：图片输入子单元和潮汐判断子单元；
51.所述图片输入子单元，用于向所述潮汐分析模型输入所述当前海滩图片和所述当前海滩图片之前预设张数的过往海滩图片，获得所述当前海滩图片和所述过往海滩图片对应的海潮抵达沙滩的位置；
52.所述潮汐判断子单元，用于根据所述当前海滩图片和所述过往海滩图片对应的海潮抵达沙滩的位置，判断所述海滩处于涨潮或退潮。
53.可选的，所述风险划分单元具体包括：退潮划分子单元和涨潮划分子单元；
54.所述退潮划分子单元，用于响应于所述潮汐情况为退潮，将所述当前海滩图片中的深海区划分为风险区，其它区域划分为非风险区域；
55.所述涨潮划分子单元，用于响应于所述潮汐情况为涨潮，将所述当前海滩图片中的礁石区划分为风险区，其它区域划分为非风险区域。
56.可选的，所述监控资源分配单元具体包括：敏感区定义子单元和资源分配子单元；
57.所述敏感区定义子单元，用于将所述风险区定义为敏感区，将所述非风险区定义为非敏感区；
58.所述资源分配子单元，用于将所述摄像机的码率资源和像素资源分配给所述敏感区大于所述非敏感区。
59.可选的，所述行为识别单元具体包括：轮廓识别子单元、关节点获得子单元以及游客行为获得子单元；
60.所述轮廓识别子单元，用于对所述摄像机采集到的所述海滩图片进行人物轮廓识别，获得游客轮廓；
61.所述人体关节点获得子单元，用于将图像识别资源集中与所述游客轮廓上，获得所述游客轮廓的人体关节点位置；
62.所述游客行为获得子单元，用于根据所述人体关节点位置及所述人体关节点的连线，获得所述游客行为。
63.可选的，所述风险行为识别模型具体用于：
64.进行单个行为判断，判断当前游客行为是否属于风险行为，所述当前游客行为为所述风险行为识别模型最新接收到的所述游客行为。
65.可选的，所述风险行为识别模型具体用于：
66.进行系列行为判断，所述风险行为识别模型判断当前游客行为和所述当前游客行为之前预设个数的过往游客行为组成的系列游客行为是否属于风险行为，所述当前游客行为为所述风险行为识别模型最新接收到的所述游客行为。
67.本发明的有益效果：1、本发明控制摄像机按照预设的时间间隔对海滩进行图片采集，获得海滩图片；将获得的海滩图片输入潮汐分析模型，获得海滩的潮汐情况；根据海滩的潮汐情况和当前海滩图片，将海滩划分为风险区和非风险区；将摄像机的监控资源按照预设比例分配给风险区和非风险区；在监控资源分配后，对摄像机采集到的海滩图片进行游客识别，获得游客行为；将游客行为输入风险行为识别模型以判断游客行为是否属于风险行为；响应于游客行为属于风险行为，则发出告警提示。首先，本发明通过潮汐分析模型将海滩分为风险区和非风险区，将摄像机的监控资源着重分配给风险区，使得风险频发的风险区可以得到更多的监控资源，提高了风险行为识别的准确率；其次，本发明通过风险行为识别模型实现了对游客行为的监控，取代了人工监控，提高了安全防护的效率；最后本发明通过监控资源分配使得需要更加被注意的区域获得更多监控资源，注意等级低的分配更少监控资源，实现了资源的合理分配，减少了资源的浪费。2、本发明还对潮汐分析训练模型进行训练，包括：向潮汐分析模型输入第一训练海滩图片和第一训练海滩图片对应的海潮抵达沙滩的位置，以使潮汐分析模型获得第一训练海滩图片和第一训练海滩图片对应的海潮抵达沙滩的位置之间的第一关系；向潮汐分析模型输入第二训练海滩图片，以使潮汐分析模型根据第一关系获得第二训练海滩图片对应的海潮抵达沙滩的训练位置；判断第二训
练海滩图片对应的海潮抵达沙滩的训练位置是否与准确；响应于潮汐分析模型的准确率达到预设值，完成对潮汐分析模型的训练。本发明对潮汐分析模型输入训练海滩图片和训练海滩图片对应的海潮抵达沙滩的位置进行训练，保证了潮汐情况判断的准确率，进而保证风险区的可信度，使风险区获得更多监控资源，提高了风险行为识别的准确率。3、本发明对摄像机采集到的海滩图片进行人物轮廓识别，获得游客轮廓；将图像识别资源集中与游客轮廓上，获得游客轮廓的人体关节点位置；根据人体关节点位置及关节点的连线，获得游客行为。本发明通过人体关节点及其连线，可以有效确定游客行为，从而提高风险行为识别准确率。4、本发明可以通过对单个游客行为和多个连续游客行为对风险行为进行判断，避免了出现误判的情况。综上，本发明通过机器视觉技术代替人工监视，有效提高了风险行为识别准确率和安全防护效率，保障游客生命安全。
附图说明
68.图1是本发明一具体实施例提供的一种基于机器视觉的智能海滩安全防护方法的流程示意图；
69.图2是本发明一具体实施例提供的一种基于机器视觉的智能海滩安全防护系统的mcu控制器的结构示意图。
具体实施方式
70.本发明公开了一种基于机器视觉的智能海滩安全防护方法及系统，本领域技术人员可以借鉴本文内容，适当改进技术细节实现。特别需要指出的是，所有类似的替换和改动对本领域技术人员来说是显而易见的，它们都被视为包括在本发明。本发明的方法及应用已经通过较佳实施例进行了描述，相关人员明显能在不脱离本发明内容、精神和范围内对本文所述的方法和应用进行改动或适当变更与组合，来实现和应用本发明技术。
71.经申请人研究发现：现有的海滩安全系统一般都是对全海滩实现同等力度的监控，无法根据不同区域的风险不同实现力度不同的监控。如果对全海滩实现清晰度高，码率高的高等级监控，会导致本来就很少出现风险的地区得到过多的监控资源，出现资源浪费。如果对全海滩实现清晰度低，码率低的低等级监控，会导致风险识别成功率大大下降。现有技术无法很好平衡二者。
72.因此，本发明实施例提供了一种基于机器视觉的智能海滩安全防护方法，如图1所示，该方法包括：
73.步骤s1、控制摄像机按照预设的时间间隔对海滩进行图片采集，获得海滩图片。
74.其中，摄像机为一台或者多台，摄像机的拍摄范围覆盖整个海滩，避免出现拍摄死角。
75.在一具体实施例中，多台摄像机从不太角度对海滩进行图片采集，避免礁石等掩体遮挡游客。
76.步骤s2、将获得的海滩图片输入潮汐分析模型，获得海滩的潮汐情况。
77.其中，潮汐分析模型基于接收到的当前海滩图片和当前海滩图片之前预设张数的过往海滩图片对海滩的潮汐情况进行判断，潮汐情况包括涨潮、退潮以及海潮到达沙滩的位置。
78.可选的，，潮汐分析模型的训练步骤包括：
79.向潮汐分析模型输入第一训练海滩图片和第一训练海滩图片对应的海潮抵达沙滩的位置，以使潮汐分析模型获得第一训练海滩图片和第一训练海滩图片对应的海潮抵达沙滩的位置之间的第一关系；
80.向潮汐分析模型输入第二训练海滩图片，以使潮汐分析模型根据第一关系获得第二训练海滩图片对应的海潮抵达沙滩的训练位置；
81.判断第二训练海滩图片对应的海潮抵达沙滩的训练位置是否与准确；其中，是否准确是与第二训练海滩图片对应的海潮抵达沙滩的实际位置进行对比，如果在误差范围内认为是准确的。
82.响应于潮汐分析模型的准确率达到预设值，完成对潮汐分析模型的训练。准确率是第二序列海滩图片的准确率。
83.在一具体实施例中，向潮汐分析模型输入第一训练海滩图片和第一训练海滩图片对应的海潮抵达沙滩的位置时，潮汐分析模型的具体工作步骤为：
84.提取第一训练海滩图片中的各个海潮波峰高度，获得海潮波峰高度与第一训练海滩图片对应的海潮抵达沙滩的位置的关系。
85.需要说明的是，海潮的波峰高度代表了海潮的推动力，波峰越高海潮推动力越大，抵达沙滩的位置也越远，即在沙滩上行进的距离越大。
86.可选的，步骤s2包括：
87.向潮汐分析模型输入当前海滩图片和当前海滩图片之前预设张数的过往海滩图片，获得当前海滩图片和过往海滩图片对应的海潮抵达沙滩的位置；
88.根据当前海滩图片和过往海滩图片对应的海潮抵达沙滩的位置，判断海滩处于涨潮或退潮。
89.在一具体实施例中，潮汐分析模型获得两张或更多张拥有时序关系的海滩图片对应的海潮到达沙滩的位置。若时间在前的海滩图片对应的海潮到达沙滩的位置比时间在后的海滩图片对应的海潮到达沙滩的位置远，即在沙滩上的行进距离更长，则判断当前海滩处于退潮。若时间在前的海滩图片对应的海潮到达沙滩的位置比时间在后的海滩图片对应的海潮到达沙滩的位置近，即在沙滩上的行进距离更端，则判断当前海滩处于涨潮。
90.步骤s3、根据海滩的潮汐情况和当前海滩图片，将海滩划分为风险区和非风险区。
91.可选的，步骤s3包括：
92.响应于潮汐情况为退潮，将当前海滩图片中的深海区划分为风险区，其它区域划分为非风险区域；
93.或响应于潮汐情况为涨潮，将当前海滩图片中的礁石区划分为风险区，其它区域划分为非风险区域。
94.需要说明的是，在退潮时，游客容易被海水推离至岸边较远的地方，进入深海区，因此退潮时深海区是事故频发的区域，将其划分为风险区。在涨潮时，由于海水的上涨，很容易将游客困在礁石上，淹没礁石，因此涨潮时礁石区时事故频发的区域，将其划分为风险区。
95.步骤s4、将摄像机的监控资源按照预设比例分配给风险区和非风险区；
96.其中，风险区获得的监控资源大于非风险区获得的监控资源。
97.需要说明的是，在风险区中，游客出现事故的概率更加大，因此需要更多的监控资源以保证该区域的图像清晰完整，使风险行为识别准确高。非风险区中，游客出现事故的概率低，且环境也较为安全，因此不需要过多的监控资源，避免资源的浪费，但也不是说完全不监控，而是在保证风险行为识别准确率达到要求的情况下减少监控资源的投入。其中，监控资源可以包括像素资源和码率资源。像素资源保证拍摄时的清晰度，码率资源进行高质量无损编码保证传输后图像的清晰度。
98.在一具体实施例中，步骤s4包括：
99.将风险区定义为敏感区，将非风险区定义为非敏感区；
100.将摄像机的码率资源和像素资源分配给敏感区大于非敏感区。
101.在该实施例中，采用roi(region of interest)，感兴趣区域技术，将风险区勾勒为敏感区以获得更多的监控资源，可以减少风险行为的识别时间，增加精度。
102.步骤s5、在监控资源分配后，对摄像机采集到的海滩图片进行游客识别，获得游客行为。
103.可选的，对摄像机采集到的海滩图片进行游客识别，获得游客行为，包括：
104.对摄像机采集到的海滩图片进行人物轮廓识别，获得游客轮廓；
105.将图像识别资源集中与游客轮廓上，获得游客轮廓的人体关节点位置；
106.根据人体关节点位置及人体关节点的连线，获得游客行为。
107.需要说明的是，本发明实施例通过人体关节点连线的呈现的姿态，获得游客行为。在实际过程中，因为海水或者其他物体的遮挡往往无法呈现出每一个人体关节点，本发明实施例可以通过部分人体关节点的连线，获得游客行为，且本发明识别人体关节点由上至下，避免下方人体被海水遮挡出现识别错误。
108.步骤s6、将游客行为输入风险行为识别模型以判断游客行为是否属于风险行为；响应于游客行为属于风险行为，则发出告警提示；响应于游客行为不属于风险行为，则正常工作。
109.可选的，将游客行为输入风险行为识别模型以判断游客行为是否属于风险行为，包括：
110.将游客行为输入风险行为识别模型以判断游客行为是否属于风险行为；其中，风险行为识别模型进行单个行为判断，判断当前游客行为是否属于风险行为，当前游客行为为风险行为识别模型最新接收到的游客行为。
111.需要说明的是，单个行为判断只需要一张对应的海滩图片即可，判断风险行为较为快速。
112.可选的，将游客行为输入风险行为识别模型以判断游客行为是否属于风险行为，包括：
113.将游客行为输入风险行为识别模型以判断游客行为是否属于风险行为；其中，风险行为识别模型进行系列行为判断，风险行为识别模型判断当前游客行为和当前游客行为之前预设个数的过往游客行为组成的系列游客行为是否属于风险行为，当前游客行为为风险行为识别模型最新接收到的游客行为。
114.需要说明的是，系列行为判断需要多张连续的海滩图片，可以通过多个的游客行为互相印证和矫正，从而使风险行为识别准确率高。
115.在一具体实施例中，风险行为识别模型同时采用单个行为判断和系列行为判断进行判断。同时保证风险行为识别的效率的精度。
116.可选的，风险行为识别模型的训练步骤包括：
117.向风险行为识别模型输入训练游客行为和训练游客行为是否属于风险行为的结果，以此对风险行为识别模型进行训练；
118.在训练达到预设量后，对风险行为识别模型进行测试，输入游客行为进行判断；
119.当风险行为识别模型识别准确率达到要求，则可以进行实际应用；当风险行为识别模型识别准确率达到要求，则需要继续训练。
120.通过这样的训练方法，保证风险行为识别的正确率。
121.基于上述公开的基于机器视觉的智能海滩安全防护方法，本发明实施例还公开了一种基于机器视觉的智能海滩安全防护系统，该系统包括：摄像机、潮汐分析模型、风险行为识别模型以及mcu控制器；
122.摄像机，用于采集海滩图片；
123.潮汐分析模型，用于对潮汐情况进行判断；
124.风险行为识别模型，用于判断游客行为是否属于风险行为；
125.mcu控制器如图2所示包括：图片采集单元201、潮汐分析单元202、风险划分单元203、监控资源分配单元204、行为识别单元205、风险行为判断单元206、告警单元207；
126.图片采集单元201，用于控制摄像机按照预设的时间间隔对海滩进行图片采集，获得海滩图片；
127.潮汐分析单元202，用于将获得的海滩图片输入潮汐分析模型，获得海滩的潮汐情况；其中，潮汐分析模型基于接收到的当前海滩图片和当前海滩图片之前预设张数的过往海滩图片对海滩的潮汐情况进行判断，潮汐情况包括涨潮、退潮以及海潮到达沙滩的位置；
128.风险划分单元203，用于根据海滩的潮汐情况和当前海滩图片，将海滩划分为风险区和非风险区；
129.监控资源分配单元204，用于将摄像机的监控资源按照预设比例分配给风险区和非风险区；其中，风险区获得的监控资源大于非风险区获得的监控资源；
130.行为识别单元205，用于在监控资源分配后，对摄像机采集到的海滩图片进行游客识别，获得游客行为；
131.风险行为判断单元206，用于将游客行为输入风险行为识别模型以判断游客行为是否属于风险行为；
132.告警单元207，用于响应于游客行为属于风险行为，则发出告警提示；响应于游客行为不属于风险行为，则正常工作。
133.可选的，潮汐分析模型包括训练模块，训练模块包括：第一训练单元、第二训练单元、训练准确判断单元、训练完成单元；
134.第一训练单元，用于向潮汐分析模型输入第一训练海滩图片和第一训练海滩图片对应的海潮抵达沙滩的位置，以使潮汐分析模型获得第一训练海滩图片和第一训练海滩图片对应的海潮抵达沙滩的位置之间的第一关系；
135.第二训练单元，用于向潮汐分析模型输入第二训练海滩图片，以使潮汐分析模型根据第一关系获得第二训练海滩图片对应的海潮抵达沙滩的训练位置；
136.训练准确判断单元，用于判断第二训练海滩图片对应的海潮抵达沙滩的训练位置是否与准确；
137.训练完成单元，用于响应于潮汐分析模型的准确率达到预设值，完成对潮汐分析模型的训练。
138.可选的，潮汐分析单元202具体包括：图片输入子单元和潮汐判断子单元；
139.图片输入子单元，用于向潮汐分析模型输入当前海滩图片和当前海滩图片之前预设张数的过往海滩图片，获得当前海滩图片和过往海滩图片对应的海潮抵达沙滩的位置；
140.潮汐判断子单元，用于根据当前海滩图片和过往海滩图片对应的海潮抵达沙滩的位置，判断海滩处于涨潮或退潮。
141.可选的，风险划分单元203具体包括：退潮划分子单元和涨潮划分子单元；
142.退潮划分子单元，用于响应于潮汐情况为退潮，将当前海滩图片中的深海区划分为风险区，其它区域划分为非风险区域；
143.涨潮划分子单元，用于响应于潮汐情况为涨潮，将当前海滩图片中的礁石区划分为风险区，其它区域划分为非风险区域。
144.可选的，监控资源分配单元204具体包括：敏感区定义子单元和资源分配子单元；
145.敏感区定义子单元，用于将风险区定义为敏感区，将非风险区定义为非敏感区；
146.资源分配子单元，用于将摄像机的码率资源和像素资源分配给敏感区大于非敏感区。
147.可选的，行为识别单元205具体包括：轮廓识别子单元、关节点获得子单元以及游客行为获得子单元；
148.轮廓识别子单元，用于对摄像机采集到的海滩图片进行人物轮廓识别，获得游客轮廓；
149.人体关节点获得子单元，用于将图像识别资源集中与游客轮廓上，获得游客轮廓的人体关节点位置；
150.游客行为获得子单元，用于根据人体关节点位置及人体关节点的连线，获得游客行为。
151.可选的，风险行为识别模型具体用于：
152.进行单个行为判断，判断当前游客行为是否属于风险行为，当前游客行为为风险行为识别模型最新接收到的游客行为。
153.可选的，风险行为识别模型具体用于：
154.进行系列行为判断，风险行为识别模型判断当前游客行为和当前游客行为之前预设个数的过往游客行为组成的系列游客行为是否属于风险行为，当前游客行为为风险行为识别模型最新接收到的游客行为。
155.本发明实施例控制摄像机按照预设的时间间隔对海滩进行图片采集，获得海滩图片；将获得的海滩图片输入潮汐分析模型，获得海滩的潮汐情况；根据海滩的潮汐情况和当前海滩图片，将海滩划分为风险区和非风险区；将摄像机的监控资源按照预设比例分配给风险区和非风险区；在监控资源分配后，对摄像机采集到的海滩图片进行游客识别，获得游客行为；将游客行为输入风险行为识别模型以判断游客行为是否属于风险行为；响应于游客行为属于风险行为，则发出告警提示。首先，本发明实施例通过潮汐分析模型将海滩分为
风险区和非风险区，将摄像机的监控资源着重分配给风险区，使得风险频发的风险区可以得到更多的监控资源，提高了风险行为识别的准确率；其次，本发明实施例通过风险行为识别模型实现了对游客行为的监控，取代了人工监控，提高了安全防护的效率；最后本发明实施例通过监控资源分配使得需要更加被注意的区域获得更多监控资源，注意等级低的分配更少监控资源，实现了资源的合理分配，减少了资源的浪费。本发明实施例还对潮汐分析训练模型进行训练，包括：向潮汐分析模型输入第一训练海滩图片和第一训练海滩图片对应的海潮抵达沙滩的位置，以使潮汐分析模型获得第一训练海滩图片和第一训练海滩图片对应的海潮抵达沙滩的位置之间的第一关系；向潮汐分析模型输入第二训练海滩图片，以使潮汐分析模型根据第一关系获得第二训练海滩图片对应的海潮抵达沙滩的训练位置；判断第二训练海滩图片对应的海潮抵达沙滩的训练位置是否与准确；响应于潮汐分析模型的准确率达到预设值，完成对潮汐分析模型的训练。本发明实施例对潮汐分析模型输入训练海滩图片和训练海滩图片对应的海潮抵达沙滩的位置进行训练，保证了潮汐情况判断的准确率，进而保证风险区的可信度，使风险区获得更多监控资源，提高了风险行为识别的准确率。本发明实施例对摄像机采集到的海滩图片进行人物轮廓识别，获得游客轮廓；将图像识别资源集中与游客轮廓上，获得游客轮廓的人体关节点位置；根据人体关节点位置及关节点的连线，获得游客行为。本发明实施例通过人体关节点及其连线，可以有效确定游客行为，从而提高风险行为识别准确率。本发明实施例可以通过对单个游客行为和多个连续游客行为对风险行为进行判断，避免了出现误判的情况。综上，本发明实施例通过机器视觉技术代替人工监视，有效提高了风险行为识别准确率和安全防护效率，保障游客生命安全。
156.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
157.本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
158.以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。