PDF《文件编号：[TEAMNAME]-SWC2018-[》

图表, 如确定存在异常行为, 则安卓端都会收到警报, 做到快速传输, 实时反馈. b) 中央集控设计 本系统会在两个服务器间进行互相调用, 但是所有反馈都会在在 pc 端进行显示, 其起到中央集控的作用,极大地模拟了真实情况. c) 弱化外部影响 该系统有很强的适应性, 对特殊天气 (如雨、 雾) 、 遮挡相机的行为等特殊情况, 可以作出正确的判断或反应. d) 行为环境双重保障 该系统不仅可以通过动作异常来发出异常警报, 也可以通过视频中的环境识别此 人出并不是自定义的安全环境下. e) 快速捕捉关键帧 将整段视频截成图片处理, 进行行为识别.本系统所用技术可以快速获取所有图 片中特征最明显的一张,如果特征非常明显,可以直接得出结论,提高了系统的 计算速度. f) 多种异常行为识别反馈 该系统不仅可以判断出人体攻击、挟持恐吓等明显的攻击性行为,对高空坠落, 等不明显的行为也可以进行较好的识别. 2.2.3 模式创新 现有的安全监控模式为监护人人工监控,监控的时间覆盖率很小,存在很大 的安全隐患. 而我们通过人工智能模型对被监护人的安全状况进行监控,大大增 加了影像监控的时间覆盖率. 本系统旨在运用深度学习的知识建立安全可靠的弱 势群体的智能视频监控系统,对老人、婴幼儿等特殊人群进行实时监控,并且利 用大量的影响数据进行监督训练,完成监控内容中人物的动作跟踪、情绪判断, 从而给出目标人群的活动内容与安全状态, 在目标人群面临危险的时候及时的发 出警报并通知其监护人.最终达到对特殊人群的实时监控和保护. 2.2.4 商业创新 ①Watchmen 移动端 APP 可实现监护人对弱势群体的监护,如果弱势群体 受到额外打击或者不在经常所在的环境中, 监护人可以立刻收到危险预警以及实 时定位和鹰眼追踪的记录. ②人体行为识别技术是计算机视觉领域的一个研究热点,在虚拟现实、医 疗保健、 安全监控、 人机交互等方面都有着广泛的应用, 潜藏着巨大的经济价值. 2.3 可行性分析 2.3.1 主要技术路线可行性 人体动作识别: 在传统的基于双流的动作识别模型的基础上, 使用运动矢量 (MV) 来代替 OF. 场景异常识别:需构建一个由特征提取,编码,合并和分类组成的端到端场景识 别流水线. 异常警报: unity3D 对数据进行综合处理,建立基于 Ubuntu Intel caffe,基于 unity 的PC 端与基于 Android studio 的移动端和 FFmpeg 的协同工作关系,实现了跨平 台传输. 定位系统:利用百度地图 SDK 实现定位以及鹰眼追踪服务. 2.3.2 开发条件 编程语言:Python、Java、C# 软件: Intel? Deep Learning SDK、 Intel Caffe、 visual studio、 unity、 Android studio 硬件:一台 PC 电脑、一台服务器、两台安卓机 2.3.3 资源可行性 本作品中训练深度学习模型使用的是 HMDB51 行为识别数据集,HMDB51 数据 集由 Brown university 大学于

2011 年发布,视频多数来源于电影,还有一部分 来自公共数据库以及 YouTube 等网络视频库.数据库包含有

6849 段样本,分为

51 类, 包含了生活中常见的跑步, 谈论以及危险性的斗殴等动作, 每类至少包含 有101 段样本,可以为深度学习模型提供有力的数据支持. 本作品中训练深度学习模型还使用了 UCF-101 行为识别数据集, 它是人类行 为识别典型代表数据库.UCF-101(2012)包含 13,320 个视频(共27 个小时) ,