国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

行為識(shí)別技術(shù)在福利機(jī)構(gòu)的安防監(jiān)控中的探討

2024-09-12 00:00:00張嘉銘
科技資訊 2024年15期

摘要:針對(duì)以大量人工為主,智能化不高的安防監(jiān)控系統(tǒng)缺點(diǎn),對(duì)智能行為識(shí)別技術(shù)在福利救助領(lǐng)域安防監(jiān)控中的應(yīng)用進(jìn)行了研究,闡述了現(xiàn)階段智能行為識(shí)別技術(shù)及發(fā)展,概述了智能行為識(shí)別技術(shù)的不足。通過(guò)對(duì)人工智能參與安防監(jiān)控行為識(shí)別與檢測(cè)的探討、對(duì)現(xiàn)有研究的綜述和分析,探討了人工智能技術(shù)在安防視頻監(jiān)控領(lǐng)域?qū)Ξ惓P袨樽R(shí)別的應(yīng)用前景和挑戰(zhàn)。介紹人工智能下安防監(jiān)控中的異常行為識(shí)別概念、方法和技術(shù),并討論了它們?cè)诟@麢C(jī)構(gòu)的安防監(jiān)控中的重要性。

關(guān)鍵詞:人工智能安防監(jiān)控行為識(shí)別深度學(xué)習(xí)

中圖分類號(hào):TP391

ExplorationofBehaviorRecognitionTechnologyinSecurityMonitoringforWelfareInstitutions

ZHANGJiaming

GuangzhouBeneficiaryResettlementCenter,Guangzhou,GuangdongProvince,510430China

Abstract:Inresponsetothedrawbacksofsecuritymonitoringsystemsthatrelyheavilyonmanualinterventionandlackhighintelligence,researchhasbeenconductedtosummarizetheapplicationofIntelligentBehaviorRecognitiontechnologyinsecuritymonitoringforwelfareassistance.ThispaperelucidatesthecurrentstageanddevelopmentofIntelligentBehaviorRecognitiontechnology,aswellasitsshortcomings.ByexploringtheparticipationofArtificialIntelligence(AI)inthebehaviorrecognitionanddetectionofsecuritymonitoring,reviewingandanalyzingexistingresearch,thispaperexplorestheprospectsandchallengesofapplyingAItechnologytoidentifyabnormalbehaviorsinthefieldofsecurityvideosurveillance.Theconcept,methods,andtechnologyofabnormalbehaviorrecognitioninsecuritymonitoringunderAIareintroduced,alongwithadiscussionoftheirimportanceinsecuritymonitoringwithinwelfareinstitutions.

KeyWords:AI;Securitymonitoring;Behaviorrecognition;Deeplearning

福利機(jī)構(gòu)中的服務(wù)對(duì)象多數(shù)是弱勢(shì)群體,如殘疾人、患病老年人或兒童和精神病患者,而且存在接受服務(wù)群體數(shù)量基數(shù)大、自我照顧能力弱、人均所屬工作人員少等特點(diǎn),進(jìn)而導(dǎo)致管理風(fēng)險(xiǎn)和被服務(wù)群體的人身安全風(fēng)險(xiǎn)同步上升。安防監(jiān)控的應(yīng)用對(duì)于福利機(jī)構(gòu)有著舉足輕重的地位。首先,安防監(jiān)控可以確保被服務(wù)群體得到充分的保護(hù),預(yù)防潛在的不法行為。其次,在發(fā)生爭(zhēng)議時(shí),安防監(jiān)控可以作為關(guān)鍵的證據(jù),有助于調(diào)查事件、澄清責(zé)任。最后,安防監(jiān)控系統(tǒng)的智能功能可以幫助福利機(jī)構(gòu)高效地管理受助群體,有效及時(shí)地預(yù)防事故的發(fā)生。隨著20世紀(jì)后信息化技術(shù)的快速發(fā)展與迭代,結(jié)合鄭燁[1]對(duì)人工智能應(yīng)用前景和社會(huì)影響等研究,發(fā)現(xiàn)人工智能未來(lái)在安防監(jiān)控領(lǐng)域扮演著越來(lái)越重要的角色。然而,現(xiàn)有的行為識(shí)別技術(shù)在現(xiàn)實(shí)應(yīng)用中與理想預(yù)期仍存在較大的差距,需輔以大量人力緊盯屏幕監(jiān)測(cè)實(shí)時(shí)畫面,以避免智能系統(tǒng)無(wú)法檢測(cè)或者遺漏的異常事件或突發(fā)事件;并且,安防監(jiān)控系統(tǒng)具有初期投入建設(shè)成本高、進(jìn)入門檻高、監(jiān)控存儲(chǔ)設(shè)備多、維護(hù)成本過(guò)高等情況。因此,如何利用更加智能的人工智能技術(shù)來(lái)有效解決這一問(wèn)題成為一個(gè)重要的研究方向。本文旨在系統(tǒng)地研究和總結(jié)在人工智能技術(shù)支撐下的安防監(jiān)控中的行為識(shí)別技術(shù),為相關(guān)領(lǐng)域的研究者和從業(yè)人員提供參考和借鑒。

1 行為識(shí)別技術(shù)的定義及應(yīng)用場(chǎng)景

行為識(shí)別是指利用技術(shù)手段(如傳感器、攝像頭等)對(duì)特定環(huán)境中發(fā)生的活動(dòng)或行為進(jìn)行分析和識(shí)別的過(guò)程,通過(guò)收集數(shù)據(jù)并利用算法分析,系統(tǒng)可以識(shí)別出不同的行為模式,從而幫助監(jiān)控者或系統(tǒng)自動(dòng)檢測(cè)異常或特定的行為,有助于提高安全性、效率或者提供更好的服務(wù)?;谌斯ぶ悄艿陌卜辣O(jiān)控行為識(shí)別技術(shù)具有廣闊的應(yīng)用前景。不僅可以應(yīng)用于傳統(tǒng)的視頻監(jiān)控領(lǐng)域,還可以擴(kuò)展到智慧救助、智慧城市等多個(gè)領(lǐng)域。通過(guò)結(jié)合各類傳感器和監(jiān)控設(shè)備,實(shí)現(xiàn)對(duì)多種行為的識(shí)別和預(yù)警,提升安全管理的智能化水平。綜上所述,基于人工智能的安防監(jiān)控行為識(shí)別技術(shù)在提升安全防范能力、降低人工成本、提高監(jiān)控效率等方面具有重要意義。隨著技術(shù)的不斷發(fā)展和應(yīng)用場(chǎng)景的擴(kuò)展,這一技術(shù)必將在安防領(lǐng)域發(fā)揮更加重要和廣泛的作用。異常行為識(shí)別是指通過(guò)監(jiān)控設(shè)備(如各類攝像頭)對(duì)特定場(chǎng)所進(jìn)行長(zhǎng)時(shí)間監(jiān)控,對(duì)監(jiān)控畫面中的人物、對(duì)象的姿態(tài)、動(dòng)作或某些特定的運(yùn)動(dòng)軌跡進(jìn)行分析與識(shí)別,判斷當(dāng)前人的行為特征,如持械斗毆、跌倒、攀爬、突發(fā)疾病等,從而實(shí)現(xiàn)對(duì)異常、危險(xiǎn)行為的識(shí)別和報(bào)警。

  • 現(xiàn)階段行為識(shí)別技術(shù)的不足

現(xiàn)在的各類監(jiān)控中多數(shù)已經(jīng)有一定智能性的行為識(shí)別功能,但是它們?cè)趯?shí)際應(yīng)用中仍然與人們的期望有較大的出入,主要有以下幾方面。

2.1 誤報(bào)率高

多數(shù)監(jiān)控因?yàn)楸旧碛布蓿湫袨樽R(shí)別功能只能基于簡(jiǎn)單規(guī)則與靜態(tài)閾值,因此在實(shí)際應(yīng)用中十分容易受到環(huán)境因素的干擾(如光線的明暗變化、場(chǎng)景的多樣性、場(chǎng)景的動(dòng)態(tài)性等)造成誤報(bào),從而大幅度降低了該能原設(shè)定的可靠性。

2.2 智能有限性

傳統(tǒng)的行為識(shí)別主要依賴人工操作和各類預(yù)設(shè)定的規(guī)則,缺乏自主學(xué)習(xí)和適應(yīng)性,不能有效地分析復(fù)雜場(chǎng)景,整體的反應(yīng)能力相對(duì)較低。

2.3 實(shí)用性偏低

在實(shí)際使用中多數(shù)基于簡(jiǎn)單的場(chǎng)景,無(wú)法對(duì)復(fù)雜的場(chǎng)景進(jìn)行深層次分析與推理,無(wú)法有效處理多模態(tài)信息,進(jìn)而無(wú)法進(jìn)一步滿足用戶的復(fù)雜多變需求。

2.4 投入人工成本高

在一些服務(wù)群體多的應(yīng)用領(lǐng)域中,傳統(tǒng)的行為識(shí)別功能因誤報(bào)高、智能性有限等先天因素限制,為保證業(yè)務(wù)精準(zhǔn),需要投入大量的人員進(jìn)入對(duì)應(yīng)的監(jiān)控崗位對(duì)系統(tǒng)的漏報(bào)、誤報(bào)等情況進(jìn)行識(shí)別處理。

2.5 缺乏實(shí)時(shí)響應(yīng)

傳統(tǒng)系統(tǒng)因硬件或算法負(fù)責(zé)度等因素從事件的發(fā)生到檢測(cè)最后到反饋至監(jiān)控中心(用戶)存在一定的延遲,導(dǎo)致無(wú)法及時(shí)采取有效措施應(yīng)對(duì)緊急事件。

  • 行為識(shí)別技術(shù)的意義

行為識(shí)別在許多領(lǐng)域具有重要的應(yīng)用價(jià)值,主要體現(xiàn)在以下幾個(gè)方面:(1)行為識(shí)別可以幫助識(shí)別異常行為,如入侵、盜竊等,提供實(shí)時(shí)的監(jiān)測(cè)和預(yù)警,保護(hù)人員和財(cái)產(chǎn)安全,從而幫助用戶提升生活安全感;(2)通過(guò)及時(shí)發(fā)現(xiàn)各類意外事故,如意外跌倒、滑倒或某類疾病導(dǎo)致的異常行為,幫助用戶快速地發(fā)現(xiàn)和定位異常行為,從而能夠及時(shí)快速地做出反應(yīng)和采取措施保障人員的生命和財(cái)產(chǎn)安全;(3)節(jié)省投入,提高整體識(shí)別率,行為識(shí)別功能在人工智能技術(shù)的加持下將變得更加智能、高效,可以大大地減少各個(gè)監(jiān)控崗位的人力投入,更加及時(shí)、高效檢測(cè)出異常行為。

  • 發(fā)展歷程和發(fā)展趨勢(shì)

安防監(jiān)控系統(tǒng)歷經(jīng)人工監(jiān)控時(shí)代、閉路電視CCTV時(shí)代、數(shù)字化和網(wǎng)絡(luò)化時(shí)代到現(xiàn)階段的智能監(jiān)控時(shí)代,而其中的行為識(shí)別技術(shù)也隨著安防監(jiān)控系統(tǒng)在數(shù)字化和網(wǎng)絡(luò)化時(shí)代應(yīng)運(yùn)而生并與之一起發(fā)展演變。早期探索階段,行為識(shí)別技術(shù)處于萌芽階段,依賴基礎(chǔ)的圖像和特定的簡(jiǎn)單算法集中研究簡(jiǎn)單的動(dòng)作識(shí)別并且十分依賴受限的環(huán)境和簡(jiǎn)單的背景;20世紀(jì)90年代,行為識(shí)別技術(shù)進(jìn)入了特征工程和模式識(shí)別階段,行為識(shí)別技術(shù)由研究單一動(dòng)作開(kāi)始轉(zhuǎn)向更加復(fù)雜的場(chǎng)景和交互動(dòng),這階段產(chǎn)生了隱馬爾可夫等模型;21世紀(jì)初,行為識(shí)別技術(shù)開(kāi)始使用統(tǒng)計(jì)學(xué)習(xí)的方法(如向量機(jī))開(kāi)始關(guān)注多人交互行為;現(xiàn)階段,隨著智能人工領(lǐng)域的快速發(fā)展,行為識(shí)別技術(shù)也隨之使用深度學(xué)習(xí)、多模態(tài)學(xué)習(xí)等最新技術(shù)去綜合識(shí)別更復(fù)雜、更抽象的行為。在福利機(jī)構(gòu)中因其服務(wù)人群的特殊性,在日常照料中安防監(jiān)控的作用日益凸顯,而行為識(shí)別功能作為安防監(jiān)控系統(tǒng)的重要功能在福利機(jī)構(gòu)中也將有廣闊的應(yīng)用前景,大致發(fā)展趨勢(shì)如下。

(1)早期預(yù)警和干預(yù)。利用行為識(shí)別技術(shù)來(lái)及早識(shí)別患者的異常行為模式,如焦慮、抑郁或攻擊性行為,可以幫助護(hù)理人員及時(shí)介入,提供必要的支持和干預(yù)。

(2)非侵入性監(jiān)測(cè)。發(fā)展更加非侵入性的監(jiān)測(cè)方法,例如使用攝像頭監(jiān)控來(lái)分析患者的行為而不干擾他們的日常生活。這有助于維護(hù)患者的尊嚴(yán)和隱私。

(3)個(gè)性化護(hù)理和康復(fù)計(jì)劃。利用行為數(shù)據(jù)來(lái)制訂個(gè)性化的護(hù)理計(jì)劃,通過(guò)分析患者的行為模式,可以更好地理解他們的需要,并制訂針對(duì)性的治療康復(fù)和護(hù)理計(jì)劃。

(4)數(shù)據(jù)驅(qū)動(dòng)的決策制定。使用行為識(shí)別技術(shù)收集的數(shù)據(jù)支持決策制定,如調(diào)整治療方案、改進(jìn)護(hù)理方法等。

(5)持續(xù)監(jiān)測(cè)變化。持續(xù)監(jiān)測(cè)患者的行為變化,并定期評(píng)估技術(shù)的有效性和對(duì)患者的影響,以確保提供最適合的護(hù)理。

5 識(shí)別過(guò)程

從現(xiàn)實(shí)場(chǎng)景映射到計(jì)算機(jī)系統(tǒng),行為識(shí)別技術(shù)大致需經(jīng)過(guò)數(shù)據(jù)的采集、清洗等步驟(如圖1所示)讓機(jī)器理解現(xiàn)實(shí)世界,理解人類的特定行為。在多數(shù)的福利機(jī)構(gòu)中因?yàn)槠浞?wù)的群體多數(shù)為老人、身體存在缺陷或者精神上存在一定問(wèn)題的人群,數(shù)據(jù)源的采集渠道相對(duì)單一,多基于場(chǎng)所攝像頭所錄制的實(shí)時(shí)視頻和圖片。在自行采集的數(shù)據(jù)基礎(chǔ)上,經(jīng)過(guò)清洗步驟把不相關(guān)的、無(wú)意義、畫面質(zhì)量較差的數(shù)據(jù)剔除,然后進(jìn)一步對(duì)得到的優(yōu)質(zhì)特征數(shù)據(jù),再通過(guò)使用速度快、準(zhǔn)確率高且魯棒性強(qiáng)的行為識(shí)別模型進(jìn)行分類歸集并識(shí)別,最后將用戶關(guān)注的特定行為及時(shí)在系統(tǒng)上呈現(xiàn)給用戶。

6 模型的討論及分析

6.1 基于手工特征的方法

基于手工特征的方法配合傳統(tǒng)的機(jī)器學(xué)習(xí)是行為識(shí)別中常用的一種方法。該方法利用圖像學(xué)和數(shù)學(xué)(如Bobick和Davis提出的MEI和MHI理論、Klaser提出的3DHOG等)來(lái)提取識(shí)別特征,建立特征庫(kù)并結(jié)合向量機(jī)SVM、K近鄰法等進(jìn)而表達(dá)不同的行為模型和場(chǎng)景模型,使用較簡(jiǎn)單的算法(如Chakraborty提出的Harris-Laplace算法、Schimid提出的iDT算法等)來(lái)判斷輸入視頻的特征是否符合模型的分布情況。如果特征與模型分布相差較大,則判定為異常。該方法在實(shí)現(xiàn)上相對(duì)簡(jiǎn)單,能在有限的投入下,使用有限的設(shè)備即可使用,但是它十分依賴特征數(shù)據(jù)集要求數(shù)據(jù)的分布假設(shè)較為嚴(yán)格,同時(shí)需要識(shí)別目標(biāo)須精準(zhǔn)地出現(xiàn)在視頻中的特定位置,適用于背景單一并不復(fù)雜、光線良好且識(shí)別目標(biāo)數(shù)量較少的場(chǎng)景,而對(duì)于一些背景復(fù)雜、畫面外觀頻繁變化或者識(shí)別目標(biāo)與背景具有高相識(shí)度等復(fù)雜場(chǎng)景,而識(shí)別準(zhǔn)確性則大打折扣不如人意。在運(yùn)行響應(yīng)方面,該方法需要大量的人工提取的特征數(shù)據(jù)進(jìn)行訓(xùn)練,運(yùn)行計(jì)算量大,造成整體運(yùn)行速度較慢,識(shí)別響應(yīng)慢。而在特征庫(kù)數(shù)據(jù)方面也同樣存在瑕疵,該手工提出生成特征的行為識(shí)別技術(shù)需大量依賴特征提取人員的提取經(jīng)驗(yàn)和知識(shí)、同時(shí)因需人工參與造成特征數(shù)據(jù)更新較慢、數(shù)據(jù)組成較單一,無(wú)法識(shí)別某些罕見(jiàn)行為,具有天然的局限性。

6.2 基于深度學(xué)習(xí)的方法

基于深度學(xué)習(xí)的方法是行為識(shí)別中的一種較新的技術(shù)。該方法將視頻逐幀分解,通過(guò)翻轉(zhuǎn)、裁剪等手段增加數(shù)據(jù)多樣性,然后調(diào)整圖像大小、規(guī)格規(guī)范數(shù)據(jù);接著通過(guò)利用特征提取算法(如卷積神經(jīng)網(wǎng)絡(luò)CNN(ConvolutionalNeuralNetworks)、循環(huán)神經(jīng)網(wǎng)絡(luò)RNN(RecurrentNeuralNetwork)、雙流長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)LSTM[2](LongShort-TermMemory)或門控循環(huán)單元GRU(GatedRecurrentUnit)等)構(gòu)建特征數(shù)據(jù)集,使用構(gòu)建并標(biāo)記好的行為特征數(shù)據(jù)集訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)模型,配合利用各種正則化技術(shù)(如dropout)和優(yōu)化算法-如適應(yīng)性矩估計(jì)Adam(adaptivemomentestimation)或隨機(jī)梯度下降SGD(StochasticGradientDescent)來(lái)優(yōu)化模型,防止模型過(guò)擬合;然后使用三維卷積神經(jīng)網(wǎng)絡(luò)3DCNN(3DConvolutionalNeuralNetworks),或雙流卷積神經(jīng)網(wǎng)絡(luò)(Two-StreamNetworks)進(jìn)行模型融合;最后將提取到的行為特征輸入分類器(如Softmax)以自動(dòng)學(xué)習(xí)和識(shí)別視頻中的正常行為和異常行為[3]。深度學(xué)習(xí)模型可以通過(guò)多層網(wǎng)絡(luò)結(jié)構(gòu)和大量的訓(xùn)練數(shù)據(jù),提取視頻中的復(fù)雜特征實(shí)現(xiàn)高精度的行為檢測(cè)。使用深度學(xué)習(xí)方法的行為識(shí)別能技術(shù)能提取分析背景中的三維結(jié)構(gòu)信息和時(shí)空順序信息并能較精準(zhǔn)地獲取關(guān)鍵區(qū)域信息,對(duì)背景光照具有很好的魯棒性,具有更快、更高速地實(shí)時(shí)處理和分析大量數(shù)據(jù)的能力,因此對(duì)近距離無(wú)遮擋的明暗復(fù)雜場(chǎng)景有較好的適用性。同時(shí),該技術(shù)能在不斷增加訓(xùn)練數(shù)據(jù)的情況下自我學(xué)習(xí),不斷提高識(shí)別準(zhǔn)確率,對(duì)新出現(xiàn)的各種環(huán)境、背景和行為具有較高的適用性。使用基于深度學(xué)習(xí)的方法的行為識(shí)別技術(shù)依舊不可避免地存在一定的局限性,在前端的信息采集工具方面需使用專業(yè)的成本較高的視頻采集傳感器,而后端硬件方面因需實(shí)時(shí)處理海量的數(shù)據(jù),對(duì)計(jì)算量有很高的要求,需要大量的專業(yè)硬件作為支撐。在技術(shù)層面,該技術(shù)雖然能提取三維和時(shí)空信息,但是無(wú)法提取分析顏色、紋理等特征信息,無(wú)法對(duì)遠(yuǎn)距離或受遮擋的識(shí)別物進(jìn)行精準(zhǔn)識(shí)別,造成識(shí)別精度仍需解決的問(wèn)題。陳煜平等人[4]指出,對(duì)較好的深度學(xué)習(xí)方法結(jié)果識(shí)別精度也只能達(dá)到74.53%。同時(shí)鄔開(kāi)俊等人[5]提出,現(xiàn)有模型存在模型遷移性差、無(wú)法適應(yīng)更換應(yīng)用場(chǎng)景等缺陷。

6.3 基于數(shù)據(jù)融合多模態(tài)的方法

基于數(shù)據(jù)融合多模態(tài)的方法是行為識(shí)別中的一種現(xiàn)有研究方向的技術(shù)。因?yàn)閱我荒B(tài)因自身的局限性或多或少存在一些問(wèn)題,無(wú)法很好高效地對(duì)各種行為進(jìn)行分析識(shí)別,因此為解決上述問(wèn)題提出數(shù)據(jù)融合多模態(tài)的方法,以取長(zhǎng)補(bǔ)短彌補(bǔ)缺點(diǎn),以便對(duì)行為有更精準(zhǔn)的描述。數(shù)據(jù)融合多模態(tài)方法需經(jīng)過(guò)多模態(tài)數(shù)據(jù)輸入、數(shù)據(jù)同步和對(duì)齊、特征提取和融合、多模態(tài)特征融合、模型訓(xùn)練、遷移學(xué)習(xí)、時(shí)序建模、模型壓縮等步驟以實(shí)現(xiàn)行為識(shí)別功能。其中數(shù)據(jù)來(lái)源于多模態(tài)(如在福利機(jī)構(gòu)的安防監(jiān)控應(yīng)用中數(shù)據(jù)多來(lái)源于監(jiān)控?cái)z像頭的視頻、音頻和紅外序列等),特征融合則有使用卷積神經(jīng)網(wǎng)絡(luò)(CNN)等算法提取視覺(jué)RGB圖像特征與深度學(xué)習(xí)互補(bǔ)融合、紅外序列與深度學(xué)習(xí)融合等,方便后續(xù)使用類似He等人[6]提出的技術(shù)對(duì)堆疊的視頻幀構(gòu)建完整的全局時(shí)序依賴或TPN網(wǎng)絡(luò)空間語(yǔ)義[7]。數(shù)據(jù)融合多模態(tài)的方法和上述兩種方法相比較,擁有以下的優(yōu)點(diǎn)。

(1)不同模態(tài)提供了不同類型的信息,進(jìn)而得到更加豐富和全面的場(chǎng)景描述有助于更準(zhǔn)確地捕捉到各種行為。

(2)對(duì)不同環(huán)境和數(shù)據(jù)變化具有更強(qiáng)的適應(yīng)性并擁有很好的魯棒性。

(3)人類活動(dòng)往往發(fā)生在復(fù)雜多變的環(huán)境中,數(shù)據(jù)融合多模態(tài)方法可以更好地處理這種復(fù)雜性,較大幅度減輕外在因素(如部分遮擋、光線變化、動(dòng)態(tài)背景等)的影響。

(4)不同模態(tài)的組合融合給行為識(shí)別技術(shù)創(chuàng)造了擁有場(chǎng)景上下文的條件,從而進(jìn)一步更加全面地理解行為的語(yǔ)境,提高識(shí)別的準(zhǔn)確性。

  • 在福利機(jī)構(gòu)行為識(shí)別的解決方案
    • 系統(tǒng)架構(gòu)

為解決前文所述目前安防監(jiān)控中行為識(shí)別功能所存在的難點(diǎn),依托福利機(jī)構(gòu)中的安防系統(tǒng),提出對(duì)行為識(shí)別功能采用分布式-集中供給調(diào)度模式的全智能化開(kāi)放體系架構(gòu)(如圖2)。該系統(tǒng)體系大致分為展示層、前端層、預(yù)處理層、網(wǎng)關(guān)層和服務(wù)層。其中展示層表示的是行為識(shí)別后的結(jié)果給哪些服務(wù)群體進(jìn)行展示,輔助他們及時(shí)并正確地處理和應(yīng)對(duì)各種突發(fā)事件。前端層則分為數(shù)據(jù)展示和數(shù)據(jù)采集兩部分。數(shù)據(jù)展示是把行為識(shí)別后的詳細(xì)結(jié)果在各類的顯示終端上進(jìn)行展示(如視頻展示終端、預(yù)警終端等),其中行為識(shí)別后的詳細(xì)結(jié)果應(yīng)顯示具體的事件發(fā)生因素、詳細(xì)的用戶信息和處置建議,輔助工作人員第一時(shí)間快速了解現(xiàn)場(chǎng)情況并及時(shí)做出正確的決策處理突發(fā)事件。數(shù)據(jù)采集則是由部署在機(jī)構(gòu)場(chǎng)所內(nèi)的視頻監(jiān)控設(shè)備(如3D深度攝像頭、紅外攝像頭等)實(shí)時(shí)拍攝把數(shù)據(jù)數(shù)字化后傳回機(jī)房后端設(shè)備,再經(jīng)由本地高性能感知和理解智能化設(shè)備即預(yù)處理層完成特征提取、特征標(biāo)識(shí)、時(shí)序分析等初步工作。然后經(jīng)網(wǎng)關(guān)層把預(yù)處理數(shù)據(jù)快速傳遞到遠(yuǎn)端服務(wù)層。上述的預(yù)處理數(shù)據(jù)數(shù)量龐大且實(shí)時(shí)性有一定的高要求,網(wǎng)關(guān)層需由萬(wàn)兆以上交換機(jī)、光纜專線等高速設(shè)備或通路組成。其次,服務(wù)層則是依托遠(yuǎn)端的算力中心集群和模型訓(xùn)練中心集群,調(diào)用合適的模型對(duì)上傳特征數(shù)據(jù)進(jìn)行快速實(shí)時(shí)識(shí)別,最后把識(shí)別結(jié)果通過(guò)網(wǎng)絡(luò)反饋至前端層的數(shù)據(jù)顯示。

7.2 系統(tǒng)優(yōu)勢(shì)探討

本系統(tǒng)采用類似分布式SOA架構(gòu),把整個(gè)系統(tǒng)分為本地部署和遠(yuǎn)程服務(wù)兩部分,整體具有以下優(yōu)勢(shì)。

7.2.1 準(zhǔn)入門檻低,整體維護(hù)難度低

系統(tǒng)的本地部署主要基于安防監(jiān)控的常規(guī)設(shè)備(如攝像頭、EVS存儲(chǔ)等)外輔以少量的高性能感知和理解智能化設(shè)備對(duì)實(shí)時(shí)視頻數(shù)據(jù)進(jìn)行預(yù)處理,不需要額外投入巨額成本建設(shè)和維護(hù)大量人工智能硬件設(shè)備,投入最低限度的硬件設(shè)備就可以建成并應(yīng)用。

7.2.2 行業(yè)共享性強(qiáng),利于提升識(shí)別率

行為識(shí)別的基礎(chǔ)是訓(xùn)練數(shù)據(jù)集,使用集群中心的方式利于同行業(yè)的數(shù)據(jù)分享以便集中多個(gè)機(jī)構(gòu)的數(shù)據(jù),增加訓(xùn)練數(shù)據(jù)的量級(jí),提高模型的智能性,使得模型對(duì)不同場(chǎng)景、不同行為有更優(yōu)秀的適應(yīng)性。

7.2.3 資源擴(kuò)展性強(qiáng),響應(yīng)速度高

本系統(tǒng)架構(gòu)具有良好的資源擴(kuò)展性,可根據(jù)機(jī)構(gòu)具體運(yùn)作需求靈活動(dòng)態(tài)地?cái)U(kuò)展計(jì)算資源或者調(diào)度相應(yīng)的識(shí)別模型,當(dāng)需要使用更優(yōu)秀的識(shí)別模型或者更強(qiáng)的算力時(shí),可以簡(jiǎn)單地切換集群節(jié)點(diǎn),無(wú)須變動(dòng)系統(tǒng)架構(gòu)。在識(shí)別復(fù)雜場(chǎng)景需要大量的算力時(shí)可靈活使用分布式計(jì)算的方式,靈活調(diào)配算力資源,加快計(jì)算響應(yīng)時(shí)間,保證識(shí)別速度無(wú)感化。

7.2.4 可靈活定制,具有良好的容錯(cuò)性和可用性

可以根據(jù)機(jī)構(gòu)自身業(yè)務(wù)需求和場(chǎng)景類型進(jìn)行定制化配置,選用實(shí)用度高的識(shí)別模型與算力規(guī)模,同時(shí)具有本地部署不可比擬的高容錯(cuò)性和高可用性,即便某些節(jié)點(diǎn)出現(xiàn)故障,也不會(huì)影響整體識(shí)別過(guò)程,可以保障識(shí)別功能實(shí)時(shí)正常運(yùn)行。

7.3 挑戰(zhàn)與問(wèn)題

主要是指隱私與安全問(wèn)題。行為識(shí)別在安防監(jiān)控中的應(yīng)用涉及用戶的隱私和安全問(wèn)題。安防監(jiān)控涉及個(gè)人和機(jī)構(gòu)的隱私,如何保護(hù)隱私不被濫用和侵犯是行為識(shí)別技術(shù)在福利機(jī)構(gòu)安防監(jiān)控中需要解決的問(wèn)題之一。此外,安防監(jiān)控系統(tǒng)因行為識(shí)別功能需與互聯(lián)網(wǎng)互聯(lián),本身也面臨著被黑客攻擊和篡改的風(fēng)險(xiǎn),如何保障系統(tǒng)的安全性也是一個(gè)挑戰(zhàn)。

8 結(jié)語(yǔ)

通過(guò)對(duì)福利機(jī)構(gòu)安防監(jiān)控中的行為識(shí)別技術(shù)的全面分析,本文指出了現(xiàn)有行為識(shí)別功能在該領(lǐng)域的不足、分析當(dāng)前常用模型的實(shí)用性和提出了對(duì)應(yīng)的未來(lái)架構(gòu)設(shè)想。未來(lái)的研究應(yīng)重點(diǎn)關(guān)注數(shù)據(jù)融合多模態(tài)的探索、隱私與安全問(wèn)題以及技術(shù)復(fù)雜性與可靠性問(wèn)題。

參考文獻(xiàn)

[1]鄭燁,任牡丹,F(xiàn)OUNTAINJE.基于文獻(xiàn)計(jì)量的中外人工智能政策研究現(xiàn)狀及啟示[J].情報(bào)雜志,2021,40(1):48-55.

[2]揭志浩,曾明如,周鑫恒,等.結(jié)合Attentiom-ConvL-STM的雙流卷積行為識(shí)別[J].小型微型計(jì)算機(jī)系統(tǒng),2021,42(2):405-408.

[3]陸衛(wèi)忠,宋正偉,吳宏杰,等.基于深度學(xué)習(xí)的人體行為檢測(cè)方法研究綜述[J].計(jì)算機(jī)工程與科學(xué),2021(12):2206-2215.

[4]陳煜平,邱衛(wèi)根.基于CNN/LSTM和稀疏下采樣的人體行為識(shí)別[J].計(jì)算機(jī)工程與設(shè)計(jì),2019,40(5):1445-1450.

[5]鄔開(kāi)俊,黃濤,王迪聰,等.視頻異常檢測(cè)技術(shù)研究進(jìn)展[J].計(jì)算機(jī)科學(xué)與探索,2022,16(3):529-540.

[6]HEDL,ZHOUZC,GANCA,etal.StNet:LocalandGlobalSpatial-TemporalModelingforActionRecognition[J].ProceedingsoftheAAAIConferenceonArtificialIntelligence,2019,33(1):8401-8408.

[7]YANGCY,XUYH,SHIJP,etal.TemporalPyramidNetworkforActionRecognition[C]//2020IEEE/CVFConferenceonComputerVisionandPatternRecognition.2020:588-597.

克什克腾旗| 施甸县| 翼城县| 都匀市| 独山县| 沈丘县| 分宜县| 隆回县| 通许县| 汉中市| 正镶白旗| 武冈市| 岳普湖县| 健康| 邢台县| 永吉县| 开封市| 治县。| 松溪县| 都昌县| 兴业县| 邛崃市| 铜梁县| 卢氏县| 铜山县| 江西省| 库尔勒市| 万年县| 阜康市| 平塘县| 神池县| 曲松县| 沽源县| 临沧市| 闵行区| 四川省| 三穗县| 囊谦县| 河北区| 博乐市| 深水埗区|