一种基于深度学习的人物行为监控分析报警系统的制作方法

本发明涉及的一种基于深度学习的人物行为监控分析报警系统，特别是涉及应用于报警领域的一种基于深度学习的人物行为监控分析报警系统。

背景技术：

1、监控系统又称之为闭路电视监控系统，典型的监控系统主要由前端音视频采集设备、音视频传输设备、后端存储、控制及显示设备这五大部分组成，其中后端设备可进一步分为中心控制设备和分控制设备。前、后端设备有多种构成方式，它们之间的联系(也可称作传输系统)可通过同轴电缆、双绞线、光纤、微波、无线等多种方式来实现。

2、常规监控大多是在目标监控区域采用少量摄像头进行监控，其仅仅具备一些监控功能，不具备对目标人物进行行为分析的能力，难以在目标人物发生异常行为后进行预警，由于是对于一些特殊场合，例如留置室、医院、学校看守所等，不仅需要监控目标人物的一般行为，还需要通过行为分析来避免一些不必要的安全隐患，现有的监控方式难以达到该要求。

技术实现思路

1、针对上述现有技术，本发明要解决的技术问题是现有的监控技术仅具备简单的监控功能，不具备对行为分析的能力，难以适应一些特殊场合的需求。

2、为解决上述问题，本发明提供了一种基于深度学习的人物行为监控分析报警系统，包括目标监控目标人物所在的被监控区域以及安装有控制中心的监控室，被监控区域与监控室之间固定连接有隔墙，控制中心信号连接有图像采集模块、图像分析模块、计时模块以及双报警模块，图像采集模块包括采集单元矩阵；

3、双报警模块包括安装在被监控区域内墙体上的报警器以及安装在监控室内的隐形预警组件，且报警器以及隐形预警组件均与控制中心信号连接，隐形预警组件包括多个分别安装在隔墙朝向监控室一端的透明外壳，透明外壳内电连接有多个呈线形阵列分布的led灯条，多个透明外壳分别与多行微型摄像头对应，且多个led灯条均与控制中心信号连接。

4、在上述基于深度学习的人物行为监控分析报警系统中，可以实现对目标人物行为进行分析，通过双报警模块可对目标人物的异常进行第一次的涉及异常的预警以及第二次的确定异常的报警，相较于现有技术，在一些特殊场合，可及时对目标人物出现的一些异常行为进行制止，进而有效避免一些不必要的安全隐患。

5、作为本技术的进一步改进，采集单元矩阵采用微型摄像头矩阵，微型摄像头矩阵包括多个呈矩形阵列分布的微型摄像头，且多个微型摄像头均安装在被监控区域的内顶部并嵌设在顶部墙体内；

6、作为本技术的进一步改进，多个微型摄像头的拍摄角度均固定不变，且垂直向下。

7、一种基于深度学习的人物行为监控分析报警系统，其报警方法包括以下步骤：

8、s1、根据微型摄像头矩阵对被监控区域的底面进行网格化划分，然后将被监控区域中左下方的边缘拐点定为原点，根据原点以及网格建立坐标系，然后将被监控空间进行安全活动区域以及异常活动区域的划分，基于被监控空间的网格确定异常活动区域以及安全活动区域交界处多点在坐标系中的坐标；

9、s2、通过微型摄像头矩形阵对目标人物进行监控获取画面信息，通过图像分析模块判断目标人物与异常活动区域重合是否重合，当重合时，比对多个微型摄像头获取的画面中任务与异常活动区域的重合度，将与异常活动区域重合度最小的微型摄像头拍摄的画面定为最接近真实情况的画面；

10、s3、将最接近真实情况的画面投射到坐标系中，形成不规则曲线图形，然后对不规则曲线图形进行直线转化，形成不规则多边形，并在坐标系里确定不规则多边形各个顶点的坐标，并确定不规则多边形与安全活动区域以及异常活动区域交界处多个交点的坐标；

11、s4、根据高斯不规则多边形面积计算公式以及坐标，计算不规则多边形、以及不规则多边形与异常活动区域重合部分的面积，然后计算异常活动区域重合部分的面积在不规则多边形整体面积中的占比，当占比大于预设的占比阈值时，判定目标人物涉及异常行为，触发隐形预警组件进行第一次预警；

12、s5、在触发隐性预警组件被触发的同时，计时模块开始对目标人物异常的行为进行计时，当计时时间达到预设的时间阈值后，异常活动区域重合部分的面积在不规则多边形整体面积中的占比仍然大于占比阈值时，则判定目标人物行为异常，触发报警器进行第二次报警。

13、作为本技术的进一步改进，在微型摄像头矩阵中，横向相邻、以及纵向相邻的两个微型摄像头之间的距离保持一致，且在进行步骤s1的网格化划分时，划分步骤具体为：

14、s11、先将每相邻两个微型摄像头之间的距离划分为10个网格线，网格线纵横交错使每四个微型摄像头之间形成一个网格组，且每个网格的长、宽均记为为一个单位长度；

15、s12、多个网格组同时垂直投射到被监控区域的底面，形成网格矩阵，从而实现对被监控区域的网格化划分，且多个网格组在被监控区域底面投射形成的网格矩阵以及原点组成二轴坐标系。

16、作为本技术的进一步改进，步骤s3中进行直线转化时，控制直线与曲线交叉，使不规则曲线图形的部分点位于多个直线形成的不规则多边形内，另外一部分点位于多个直线形成的不规则多边形外，且控制位于不规则多边形内外的点数量比为(4.5-5.5)：(5.5-4.5)，且不规则多边形的多个顶点均位于不规则曲线图形上。

17、作为本技术的进一步改进，将多边形任意一个顶点作为多边形的第一个点，沿着逆时针方向，多边形第一个顶点到最后一个顶点的坐标依次记为(xl，y1)、(x2，y2)......(xn，yn)，则步骤s4中高斯不规则多边形面积的计算公式为：

18、s＝1/2*|(xly2-x2y1)+(x2y3-x3y2)+...+(xny1-x1yn)|

19、其中，s为多边形面积，n表示多边形顶点的个数，xly2-x2y1为多边形中沿着逆时针方向的第一个三角形的面积，x2y3-x3y2为多边形中第二个三角形的面积，以此类推，xnyl-xlyn为多边形最后一个三角形的面积，|...|表示绝对值。

20、作为本技术的进一步改进，步骤s4中，当判定目标人物涉及异常行为时，与拍摄出最接近真实情况画面的微型摄像头所在行对应的透明外壳被触发。

21、作为本技术的进一步改进，当透明外壳被触发后，控制中心控制对应透明外壳内的多个led灯条从下到上或者从上到下依次点亮，当全部被点亮后，控制中心控制多个led灯条反向依次熄灭，当全部熄灭后再重复依次点亮--依次熄灭--依次点亮......依次熄灭的过程，且随着计时模块计时时间延长，相邻两个led灯条之间点亮或熄灭的时间间隔越来越小。

22、作为本技术的又一种改进，采集单元矩阵采用镶嵌在被监控区域顶部墙体内的红外热成像传感器矩阵，且红外热成像传感器的检测端与顶部墙体的下表面平齐并竖直向下。

23、综上所述，根据特殊场合人群的需求，将被监控区域划分成安全活动区域以及异常活动区域，并在整个被监控区域内建立坐标系的方式，并配合图像采集模块，可获取目标人物从俯视角度投射到坐标系内并形成不规则曲线图像，而后将其转化成不规则多变形，通过测算不规则多边形与异常活动区域重合度的占比，可有效判断目标人物可能存在异常行为，并在目标人物你不会发觉的情况下进行第一次隐藏式的预警，此时监控人员可进行一定的准备措施，在一定时间内，该重合度的占比仍然未降低或消除时，可确定存在异常行为，此时监控人员可实施相应措施，进而达到及时对目标人物出现的一些异常行为进行制止的效果，大幅度降低一些不必要的安全隐患。