程彤 侯開虎

摘 ?要： 近年來(lái)國(guó)內(nèi)生產(chǎn)事故頻發(fā)，尤其是冶金等高危行業(yè)的生產(chǎn)安全事故總是伴隨著嚴(yán)重的人員傷亡和財(cái)產(chǎn)損失，而很多事故都是因工作人員的不規(guī)范行為所致。本文針對(duì)銅冶煉行業(yè)在生產(chǎn)過(guò)程中存在的不規(guī)范行為，例如違規(guī)越界、未佩戴防毒面具、違規(guī)吸煙等，采用計(jì)算機(jī)視覺(jué)中的行為識(shí)別技術(shù)和入侵偵測(cè)技術(shù)開發(fā)了一款基于行為識(shí)別的銅冶煉智能安全監(jiān)控系統(tǒng)。該系統(tǒng)通過(guò)目標(biāo)檢測(cè)、特征提取、行為分類、行為識(shí)別等技術(shù)對(duì)不規(guī)范行為進(jìn)行識(shí)別，并在系統(tǒng)中實(shí)現(xiàn)及時(shí)警報(bào)提醒的功能。該系統(tǒng)的應(yīng)用能有效的提高對(duì)不規(guī)范行為的識(shí)別和警示，從而實(shí)現(xiàn)減少該類事故的發(fā)生。

關(guān)鍵詞： 行為識(shí)別;目標(biāo)檢測(cè);LSTM;入侵偵測(cè)

中圖分類號(hào)： TP391 ? ?文獻(xiàn)標(biāo)識(shí)碼： A ? ?DOI：10.3969/j.issn.1003-6970.2019.08.023

本文著錄格式：程彤，侯開虎. 基于行為識(shí)別的銅冶煉智能安全監(jiān)控系統(tǒng)[J]. 軟件，2019，40（8）：98101

【Abstract】： In recent years， domestic production accidents have occurred frequently， especially in production safety accidents in high-risk industries such as metallurgy， which are always accompanied by serious casualties and property losses， and many accidents are caused by irregular behavior of workers. In this paper， the irregular behavior of the copper smelting industry in the production process， such as violation of regulations across the border， no wearing gas masks， illegal smoking， etc.， using behavior recognition technology and intrusion detection technology in computer vision to develop a behavior-based copper Smelting intelligent safety monitoring system. The system identifies non-standard behaviors through target detection， feature extraction， behavior classification， behavior recognition and other technologies， and realizes the function of timely alarm reminding in the system. The application of the system can effectively improve the identification and warning of irregular behaviors， thereby reducing the occurrence of such accidents.

【Key words】： Behavior rcognition; Target dtection; LSTM; Intrusion dtection

0 ?引言

近年來(lái)國(guó)內(nèi)安全生產(chǎn)領(lǐng)域事故頻發(fā)，尤其是冶金、化工等行業(yè)的生產(chǎn)安全事故總是伴隨著大量的人員傷亡，給生產(chǎn)人員的人身安全造成極大威脅，而且也必然會(huì)給企業(yè)或者政府造成嚴(yán)重經(jīng)濟(jì)損失。調(diào)查發(fā)現(xiàn)，很多事故的主要原因之一便是操作人員的不規(guī)范行為而導(dǎo)致的，如果對(duì)不規(guī)范行為進(jìn)行識(shí)別并及時(shí)提醒制止可有效降低事故的發(fā)生率。但傳統(tǒng)監(jiān)控技術(shù)的主要功能是用于人工值守監(jiān)視或者在事故之后提供一定的證據(jù)。由于人類存在視覺(jué)疲勞的生理現(xiàn)象，無(wú)法保持長(zhǎng)時(shí)間注意力集中，所以僅通過(guò)人工監(jiān)視對(duì)規(guī)避安全生產(chǎn)事故的作用非常有限。

目前計(jì)算機(jī)視覺(jué)技術(shù)得到了廣泛地應(yīng)用與發(fā)展，具有智能識(shí)別功能的智能視頻監(jiān)控系統(tǒng)已經(jīng)逐步應(yīng)用在在交通和公共安全等領(lǐng)域，在很大程度上解決了人工值守效率低下的問(wèn)題。智能視頻監(jiān)控系統(tǒng)技術(shù)能夠基本實(shí)現(xiàn)人臉檢測(cè)、危險(xiǎn)區(qū)域檢測(cè)、行為識(shí)別等功能，并實(shí)現(xiàn)了在多個(gè)領(lǐng)域中的初步應(yīng)用。Messing等[2]人把關(guān)鍵點(diǎn)運(yùn)動(dòng)歷史的特征用于動(dòng)作識(shí)別，該特征在包含復(fù)雜動(dòng)作的高精度視頻上發(fā)揮出較大的優(yōu)勢(shì)。Liu等[3]人用菲德勒嵌入的方法將旋轉(zhuǎn)圖像和局部時(shí)空立方體嵌套到同一空間中。近期，微軟劍橋研究院的Shotton等人提出從一幅深度圖像中快速準(zhǔn)確地預(yù)測(cè)人體關(guān)節(jié)3D時(shí)空位置的方法，具有姿態(tài)、形體以及衣著不變性等優(yōu)勢(shì)。Laptev等[3]將圖像處理領(lǐng)域廣泛使用的2D Harris檢測(cè)算子擴(kuò)展到三維時(shí)空域，提出適合視頻數(shù)據(jù)的3D Harris時(shí)空興趣點(diǎn)探測(cè)算子。Ji等[4]將神經(jīng)網(wǎng)絡(luò)（CNN）擴(kuò)展到三維，提出3D CNN用于行為識(shí)別，通過(guò)三維（3D）卷積在三維視頻數(shù)據(jù)中同時(shí)編碼空間信息和時(shí)間信息。Tran等[5]對(duì)三維卷積神經(jīng)網(wǎng)絡(luò)做了進(jìn)一步的加深和改進(jìn)，促進(jìn)了其在行為識(shí)別領(lǐng)域的發(fā)展。IBM公司還另外獨(dú)立自主的開發(fā)了一個(gè)智能視頻監(jiān)控系統(tǒng)，并成功投放到市場(chǎng)中開始使用，這個(gè)系統(tǒng)很好的利用了便捷的網(wǎng)絡(luò)資源，它能通過(guò)網(wǎng)絡(luò)將前端監(jiān)控設(shè)備拍攝到的視頻實(shí)時(shí)傳遞到監(jiān)控終端進(jìn)行處理和分析，一旦發(fā)現(xiàn)了場(chǎng)景中有異常情況就會(huì)自動(dòng)發(fā)出警報(bào)提醒。中科院自動(dòng)化研究所已經(jīng)在相關(guān)研究領(lǐng)域取得了非常大的進(jìn)展，自動(dòng)化研究所的生物識(shí)別與安全技術(shù)研究中心已研究開發(fā)了智能視頻監(jiān)控系統(tǒng)。該系統(tǒng)的主要功能包括人和車輛的多目標(biāo)檢測(cè)、跟蹤和分類;運(yùn)動(dòng)目標(biāo)異常行為的識(shí)別;人體異常動(dòng)作識(shí)別;監(jiān)控視頻中的人臉跟蹤與識(shí)別;異常的物體遺留與丟失檢測(cè);人群和交通的流量評(píng)估、車輛計(jì)數(shù)和擁堵的報(bào)警等等。

當(dāng)前研究中關(guān)于目標(biāo)檢測(cè)以及跟蹤的方法有很多種，即使攻克了視頻監(jiān)控系統(tǒng)中的部分難點(diǎn)，但是更多更具深度的困難問(wèn)題依然等待著我們?nèi)ヌ剿鹘鉀Q，例如特殊天氣狀態(tài)下（如下雨天、霧霾天）的系統(tǒng)適用性問(wèn)題、光照強(qiáng)度自適應(yīng)問(wèn)題等等。國(guó)內(nèi)的大部分視頻監(jiān)控的探討要落后于國(guó)外，還做不到把理論應(yīng)用到實(shí)際中，大都滯留在對(duì)理論的分析階段，在應(yīng)用這一層次上還不夠完善，已有并且完善的大數(shù)量的視頻系統(tǒng)還不多見。此外，目前智能監(jiān)控系統(tǒng)的研究和應(yīng)用主要是針對(duì)于公共安防領(lǐng)域，但生產(chǎn)安全領(lǐng)域應(yīng)用的較少，因此在這一領(lǐng)域的研究及應(yīng)用前景比較廣闊。

1 ?系統(tǒng)實(shí)現(xiàn)關(guān)鍵技術(shù)

1.1 ?運(yùn)動(dòng)目標(biāo)檢測(cè)技術(shù)

本系統(tǒng)的開發(fā)采用OpenCV中提供的混合高斯模型來(lái)完成運(yùn)動(dòng)目標(biāo)的檢測(cè)與跟蹤。高斯模型就是用高斯概率密度函數(shù)（正態(tài)分布曲線）精確地量化事物，將一個(gè)事物分解為若干的基于高斯概率密度函數(shù)（正態(tài)分布曲線）形成的模型。對(duì)圖像背景建立高斯模型的原理及過(guò)程：圖像灰度直方圖反映的是圖像中某個(gè)灰度值出現(xiàn)的頻次，也可以認(rèn)為是圖像灰度概率密度的估計(jì)。因此其能夠在銅冶煉廠的復(fù)雜背景條件中檢測(cè)運(yùn)動(dòng)目標(biāo)。GMM對(duì)視頻中圖像序列每個(gè)像素點(diǎn)構(gòu)建K個(gè)高斯分布。K的值一般取3～5。經(jīng)過(guò)驗(yàn)證在銅冶煉廠條件與環(huán)境中取K的值等于3為宜。用K個(gè)高斯分布值加權(quán)求和描述視頻場(chǎng)景。高斯模型主要是由方差和均值這兩個(gè)參數(shù)確定，對(duì)均值和方差的學(xué)習(xí)采取不同的學(xué)習(xí)機(jī)制，將直接影響到模型的穩(wěn)定性、精確性和收斂性。由于此處是對(duì)運(yùn)動(dòng)目標(biāo)的背景提取建模，因此需要對(duì)高斯模型中方差和均值兩個(gè)參數(shù)實(shí)時(shí)更新。 用于表示每個(gè)點(diǎn)的像素值，此外K個(gè)高斯函數(shù)用于代表其概率密度函數(shù)，具體如公式（1）所示。

1.2 ?LSTM技術(shù)

LSTM技術(shù)的基本思想是用LSTM對(duì)幀的卷積最后一層的激活在時(shí)間軸上進(jìn)行整合。因?yàn)槿B接層后的高層特征進(jìn)行池化已經(jīng)丟失了空間特征在時(shí)間軸上的信息，所以沒(méi)有用CNN全連接層后的最后特征進(jìn)行融合。相對(duì)于基于CNN擴(kuò)展網(wǎng)絡(luò)的識(shí)別方法，其可以對(duì)CNN特征進(jìn)行更長(zhǎng)時(shí)間的融合，不對(duì)處理的幀數(shù)加以上限，從而能對(duì)更長(zhǎng)時(shí)長(zhǎng)的視頻進(jìn)行表達(dá)。此外，基于CNN擴(kuò)展網(wǎng)絡(luò)的識(shí)別方法沒(méi)有考慮同一次進(jìn)網(wǎng)絡(luò)的幀的前后順序，而基于LSTM的識(shí)別技術(shù)通過(guò)引入記憶單元，可以有效地表達(dá)幀的先后順序。

1.3 ?入侵偵測(cè)技術(shù)

在銅冶煉廠的復(fù)雜生產(chǎn)環(huán)境中，在某些環(huán)節(jié)或工藝進(jìn)程中部分區(qū)域存在較大安全隱患，因此進(jìn)行相應(yīng)生產(chǎn)時(shí)禁止有人員進(jìn)入限定區(qū)域。如果工作人員違規(guī)進(jìn)入該區(qū)域需要進(jìn)行及時(shí)警報(bào)，及時(shí)提醒工作人員退出限定區(qū)域。在此需要用到入侵偵測(cè)技術(shù)，將安全警示線作為X軸建立一個(gè)坐標(biāo)系，利用坐標(biāo)投影的方式將運(yùn)動(dòng)檢測(cè)點(diǎn)在原始圖像中的坐標(biāo)投影到該坐標(biāo)系鐘中，圖1為坐標(biāo)投影示意圖。

由公式（3）中計(jì)算出來(lái)的 的正負(fù)號(hào)即可判斷運(yùn)動(dòng)檢測(cè)點(diǎn)即工作人員是否越過(guò)了安全警示線，如果越過(guò)即代表違規(guī)進(jìn)入了限定區(qū)域，系統(tǒng)需要及時(shí)發(fā)出警報(bào)，并提醒違規(guī)工作人員盡快退出。

2 ?系統(tǒng)需求分析

通過(guò)對(duì)銅冶煉生產(chǎn)的整體流程及各主要生產(chǎn)車間的調(diào)研了解，基于文獻(xiàn)資料對(duì)該系統(tǒng)進(jìn)行需求分析，該系統(tǒng)主要實(shí)現(xiàn)的功能包括行為識(shí)別的功能、監(jiān)控視頻管理的功能、系統(tǒng)設(shè)置的功能。

2.1 ?行為識(shí)別功能

冶金行業(yè)的生產(chǎn)流程較長(zhǎng)且復(fù)雜，包括眾多關(guān)鍵環(huán)節(jié)，涉及煉鐵、煉鋼、軋鋼、焦化、燒結(jié)、煤氣[1]等。許多生產(chǎn)環(huán)節(jié)都具有高危風(fēng)險(xiǎn)，其中涉及人員、設(shè)備故障、操作異常等眾多原因。因此，在整個(gè)生產(chǎn)過(guò)程中都一直伴隨著不同程度的危險(xiǎn)。參考《冶金行業(yè)較大危險(xiǎn)因素辨識(shí)與防范指導(dǎo)手冊(cè)》中常見的若干危險(xiǎn)因素，其中可以通過(guò)視頻對(duì)工作人員操作進(jìn)行監(jiān)控的方面包括：

（1）進(jìn)入有毒有害氣體容易聚集的場(chǎng)所時(shí)需要佩戴防毒面具;

（2）某些生產(chǎn)環(huán)節(jié)開始時(shí)，嚴(yán)禁人員出現(xiàn)在具有潛在危險(xiǎn)的限定區(qū)域。例如燒結(jié)環(huán)節(jié)中，嚴(yán)禁人員在取料機(jī)的行進(jìn)軌道上行走或停留;

（3）工作人員可能因中毒等因素導(dǎo)致意外倒地，如果未被及時(shí)發(fā)現(xiàn)會(huì)致使錯(cuò)失搶救。

（4）在易燃易爆氣體濃度較高的區(qū)域嚴(yán)禁吸煙，否則容易導(dǎo)致爆炸。

本文所研究的系統(tǒng)需要針對(duì)以上易導(dǎo)致事故發(fā)生的因素進(jìn)行智能監(jiān)控，對(duì)生產(chǎn)過(guò)程中所出現(xiàn)的不規(guī)范行為或者危險(xiǎn)事件進(jìn)行及時(shí)識(shí)別，并做出相應(yīng)的提醒和警報(bào)，以避免不必要的人員傷亡和經(jīng)濟(jì)損失。系統(tǒng)除了實(shí)現(xiàn)行為識(shí)別的功能外，還需滿足監(jiān)控信息管理的功能、系統(tǒng)設(shè)置的功能。

2.2 ?監(jiān)控視頻管理的功能

監(jiān)控視頻管理是對(duì)生產(chǎn)過(guò)程中采集到的視頻信息進(jìn)行統(tǒng)一管理，涉及實(shí)時(shí)監(jiān)控信息、歷史監(jiān)控信息、監(jiān)控設(shè)備管理等。實(shí)現(xiàn)對(duì)實(shí)時(shí)監(jiān)控信息的儲(chǔ)存和查看，對(duì)歷史監(jiān)控信息的查詢和調(diào)閱，同時(shí)可對(duì)多個(gè)生產(chǎn)區(qū)域的監(jiān)控設(shè)備進(jìn)行管理，包括對(duì)每臺(tái)設(shè)備實(shí)現(xiàn)參數(shù)設(shè)置的功能。

2.3 ?系統(tǒng)設(shè)置的功能

系統(tǒng)設(shè)置功能包括對(duì)車間、人員、設(shè)備的信息及權(quán)限進(jìn)行管理，其中最主要的部分是實(shí)現(xiàn)對(duì)每臺(tái)監(jiān)控設(shè)備的參數(shù)進(jìn)行設(shè)置，以適應(yīng)不同的生產(chǎn)環(huán)境和應(yīng)用場(chǎng)景。此外，預(yù)警等級(jí)設(shè)置功能需實(shí)現(xiàn)對(duì)預(yù)警類型、預(yù)警的時(shí)間段、預(yù)警的靈敏度準(zhǔn)確設(shè)置的功能。

3 ?系統(tǒng)架構(gòu)設(shè)計(jì)

因?yàn)橐睙拸S生產(chǎn)環(huán)境復(fù)雜，且監(jiān)視頻視野較為廣闊，需要檢測(cè)的運(yùn)動(dòng)人體目標(biāo)較小，因此大大增加了目標(biāo)檢測(cè)的難度。此外還應(yīng)考慮運(yùn)動(dòng)目標(biāo)被其他物體遮擋或者干擾的因素，所以在選取目標(biāo)檢測(cè)的方法時(shí)需要考慮多個(gè)方面。本文選用開源的OpenCV進(jìn)行行為識(shí)別，這是一款完全免費(fèi)的計(jì)算機(jī)視覺(jué)庫(kù)，其在運(yùn)動(dòng)目標(biāo)檢測(cè)及跟蹤方面提供了很多函數(shù)。

3.1 ?基于ASP.NET MVC的系統(tǒng)框架

ASP.NET MVC 是Windows系統(tǒng)下面的Web研發(fā)框架，其通過(guò)把項(xiàng)目分成Model、View和Controller，使得復(fù)雜項(xiàng)目更加容易維護(hù)，減少項(xiàng)目之間的耦合。ASP.NET MVC的特色優(yōu)勢(shì)就是把輸入邏輯，業(yè)務(wù)邏輯和顯示邏輯這三個(gè)任務(wù)分離，易于測(cè)試和默認(rèn)支持測(cè)試驅(qū)動(dòng)開發(fā)。銅冶煉智能安全監(jiān)控系統(tǒng)采用B/S架構(gòu)進(jìn)行開發(fā)，便于多車間、多人員進(jìn)行監(jiān)控管理。

3.2 ?系統(tǒng)的功能架構(gòu)

基于行為識(shí)別的銅冶煉智能安全監(jiān)控系統(tǒng)包含監(jiān)控視頻管理、異常行為識(shí)別、系統(tǒng)設(shè)置三大模塊，其中異常行為識(shí)別是系統(tǒng)的核心模塊，其涉及入侵（越界）偵測(cè)、佩戴防毒面具識(shí)別、違規(guī)吸煙識(shí)別等功能，具體的系統(tǒng)功能架構(gòu)如圖2所示。

4 ?系統(tǒng)實(shí)現(xiàn)

銅冶煉廠的生產(chǎn)流程較長(zhǎng)、工藝復(fù)雜，涉及多個(gè)車間及部門，因此具有需要多部門、多人員同時(shí)進(jìn)行監(jiān)控管理的特點(diǎn)。為了便于管理此系統(tǒng)采用B/S模式，并基于ASP.NET MVC的web框架進(jìn)行開發(fā)。系統(tǒng)前端是在Visual Studio 2017的環(huán)境下編寫實(shí)現(xiàn)，用戶登錄后即可訪問(wèn)主界面，主界面涵蓋了監(jiān)控視頻管理、異常行為識(shí)別、系統(tǒng)設(shè)置等模塊。對(duì)于異常行為的識(shí)別是基于開源的計(jì)算機(jī)視覺(jué)庫(kù)OpenCV進(jìn)行實(shí)現(xiàn)，由于OpenCV提供了Python語(yǔ)言的接口，故后端的入侵偵測(cè)、佩戴防毒面具檢測(cè)、違規(guī)吸煙等行為識(shí)別算法采用Python語(yǔ)言編寫實(shí)現(xiàn)。此外系統(tǒng)還實(shí)現(xiàn)了對(duì)歷史監(jiān)控視頻的管理，包括對(duì)歷史監(jiān)控視頻信息的查詢和瀏覽等功能。

4.1 ?運(yùn)動(dòng)目標(biāo)檢測(cè)

運(yùn)動(dòng)目標(biāo)檢測(cè)是行為識(shí)別的基礎(chǔ)，利用OpenCV提供的BackgroundSubtractor做視頻圖像的背景分割，并且完成對(duì)運(yùn)動(dòng)目標(biāo)的檢測(cè)。系統(tǒng)實(shí)現(xiàn)過(guò)程中采用K-Nearest（KNN）背景分割器，其中用BackgroundSubtractorKNN來(lái)實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)檢測(cè)核心代碼如下：

fgmask = bs.apply（frame）

th = cv2.threshold（fgmask.copy（）， 244， 255， cv2.THRESH_BINARY）[1]

dilated = cv2.dilate（th， cv2.getStructuring-Element（cv2.MORPH_ELLIPSE， （3，3））， iterations = 2）

image， contours， hier = cv2.findContours （dilated， cv2.RETR_EXTERNAL， cv2.CHAIN_APPROX_ SIMPLE）

for c in contours：

if cv2.contourArea（c） > 1600：

continue

（x，y，w，h） = cv2.boundingRect（c）

cv2.rectangle（frame， （x，y）， （x+w， y+h）， （255， 255， 0）， 2）

用BackgroundSubtractorKNN來(lái)實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)檢測(cè)的具體效果如圖3所示。

4.2 ?對(duì)佩戴防毒面具的識(shí)別

在部分生產(chǎn)環(huán)節(jié)進(jìn)程中會(huì)產(chǎn)生有毒有害氣體，而有些區(qū)域極易導(dǎo)致有毒有害氣體聚集造成人員中毒事件，因此工作人員進(jìn)入有毒有害氣體容易聚集的場(chǎng)所時(shí)必須要佩戴防毒面具。對(duì)于是否按要求佩戴了防毒面具需要在進(jìn)入該區(qū)域之前就完成識(shí)別，因此可以將識(shí)別系統(tǒng)與門禁系統(tǒng)集成，只有工作人員身份信息的權(quán)限符合并且系統(tǒng)識(shí)別到該人員已經(jīng)佩戴防毒面具，門禁系統(tǒng)方可允許工作人員進(jìn)入該區(qū)域。

5 ?結(jié)語(yǔ)

基于行為識(shí)別的銅冶煉智能安全監(jiān)控系統(tǒng)的開發(fā)是企業(yè)實(shí)現(xiàn)安全生產(chǎn)監(jiān)控信息化、智能化的一個(gè)重要環(huán)節(jié)，本文研究實(shí)現(xiàn)了對(duì)多個(gè)違規(guī)行為的識(shí)別，包括佩戴防毒面具的識(shí)別、違規(guī)進(jìn)入限定區(qū)域的識(shí)別、意外倒地的識(shí)別、違規(guī)吸煙的識(shí)別等。從效果來(lái)看系統(tǒng)基本實(shí)現(xiàn)了設(shè)計(jì)預(yù)期，同時(shí)也存在一定的不足。例如在燒結(jié)布料過(guò)程中，工作人員需要用鐵鍬接落下的混合料時(shí)必須側(cè)身站立，否則會(huì)面臨較多隱患，對(duì)此行為的監(jiān)控識(shí)別目前還未能實(shí)現(xiàn)。此外對(duì)于物體違規(guī)放置的識(shí)別本文也為涉及到，這些領(lǐng)域有待進(jìn)一步研究?？傮w而言，本系統(tǒng)的研究為銅冶煉廠實(shí)現(xiàn)安全生產(chǎn)監(jiān)控智能化提供了一種思路，具有一定的借鑒意義。

參考文獻(xiàn)

[1] 張孟豪. 鋼鐵企業(yè)綠色生產(chǎn)行為的影響因素及其作用機(jī)理研究[D]. 中國(guó)礦業(yè)大學(xué)， 2016.

[2] 李波. 視頻序列中運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤算法的研究[D]. 北京交通大學(xué)， 2012.

[3] 毛志強(qiáng)， 馬翠紅， 崔金龍， 王毅. 基于時(shí)空雙流卷積與LSTM的人體動(dòng)作識(shí)別[J]. 軟件， 2018， （09）： 9-12.

[4] 邢曉紅. 基于視頻的人的異常行為識(shí)別方法研究[D]. 沈陽(yáng)航空航天大學(xué)， 2017.

[5] 讓智能交通系統(tǒng)更智慧， 計(jì)算機(jī)視覺(jué)在交通領(lǐng)域五大應(yīng)用方向[J]. 軟件， 2018， （07）： 224-225.

[6] Mark T.Hoske， 辛磊夫. 基于機(jī)器視覺(jué)的檢測(cè)系統(tǒng)[J]. 軟件， 2007， （01）： 31-34.

[7] 韓敏捷. 基于深度學(xué)習(xí)的動(dòng)作識(shí)別方法研究[D]. 南京理工大學(xué)， 2017.

[8] 徐海燕. 復(fù)雜環(huán)境下行為識(shí)別特征提取方法研究[D]. 東南大學(xué)， 2016.

[9] 顧菘. 視頻目標(biāo)的跟蹤與分割的理論和方法研究[D]. 電子科技大學(xué)， 2016.

[10] 裴利沈. 視頻中人體行為識(shí)別若干問(wèn)題研究[D]. 電子科技大學(xué)， 2016.

[11] 張明杰. 基于視覺(jué)的目標(biāo)跟蹤與行為識(shí)別方法研究[D]. 西北大學(xué)， 2015.

[12] 黃凱奇， 陳曉棠， 康運(yùn)鋒， 譚鐵牛. 智能視頻監(jiān)控技術(shù)綜述[J]. 計(jì)算機(jī)學(xué)報(bào)， 2015， （06）： 1093-1118.

[13] 劉高文. 基于隱馬爾可夫模型的視覺(jué)行為分析和異常檢測(cè)研究[D]. 南京理工大學(xué)， 2008.