一种基于安防机器人对异常行为智能识别方法及系统

技术领域

本发明涉及异常行为智能识别的技术领域，尤其涉及一种基于安防机器人对异常行为智能识别方法和系统。

背景技术

随着社会的发展和科技的进步，安防领域的需求日益增长。安防机器人作为一种集成了先进感知、智能分析和实时响应能力的新型设备，受到了广泛关注和应用。其在监控、巡逻、安全预警等方面具有巨大的潜力，为保障公共安全、保护财产等方面提供了有力支持。然而，随着安防机器人的应用场景变得越来越复杂多样，对于异常行为的智能识别成为了一项迫切需求。传统的方法往往受到诸如图像质量、光照条件等因素的限制，导致其在复杂环境下的准确性和鲁棒性不尽如人意。同时，传统的异常行为识别方法在对动态场景的处理上，由于缺乏对运动特征的深度挖掘，容易受到背景干扰，从而影响了识别的准确性。另外，现有的识别方法在网络结构和参数优化方面也存在一定的局限性。传统的网络结构可能难以捕捉到复杂场景下的异常行为特征，导致识别性能有限。而在参数优化方面，传统的算法可能会陷入局部最优解，无法充分发挥网络的性能。

发明内容

有鉴于此，本发明提供一种基于安防机器人对异常行为智能识别方法，目的在于提升异常行为识别的精准性和鲁棒性，从而为安全防范提供更为可靠的解决方案。

实现上述目的，本发明提供的一种基于安防机器人对异常行为智能识别方法，包括以下步骤：

S1：收集安防机器人的视频数据，并对采集到的视频数据进行预处理，获得预处理后的视频图像序列；

S2：基于帧差法从预处理后的图像序列中提取运动特征；

S3：使用循环神经网络构建异常行为识别网络，并设定异常行为识别网络的优化目标；

S4：基于改进的随机梯度下降算法优化异常行为识别网络的参数；

S5：使用差分进化算法对异常行为识别网络参数进行微调；

作为本发明的进一步改进方法：

可选地，所述S1步骤中收集安防机器人的视频数据，并对采集到的视频数据进行预处理，获得预处理后的视频图像序列，包括：

收集安防机器人的视频数据，并对采集到的视频数据进行预处理，获得预处理后的图像序列，所述预处理过程中使用基于视频数据的三维去噪算法，计算方式为：

其中，V

其中，V(x.y，t)为视频第t帧图像位于(x，y)处的像素值；e表示自然常数；σ表示控制权重衰减的参数；

(i，j，k)为集合N(x.y，t)中的元素，N(x.y，t)表示以(x.y，t)为中心的邻域位置，表达式为：

N(x.y，t)＝{(i，j，k)|i∈[-r，r]，j∈[-r，r]，k∈[-r，r]}

其中，r表示邻域半径；i，j和k均为整数；

可选地，所述S2步骤中基于帧差法从预处理后的图像序列中提取运动特征，包括：

S21：帧差图像计算：

对于预处理后的图像序列，提取相邻两帧的帧差图像；对于预处理后的图像序列中的第t帧和第t+1帧，帧差图像像素值的计算方式为：

其中，I

S22：梯度运算：

使用Sobel算子计算帧差图像的梯度信息G

其中，G

S23：运动特征提取：

计算帧差图像的运动能量密度E：

E(x，y，t)＝G

其中，E(x，y，t)表示在位置(x.y，t)处的运动能量密度值；

计算帧差图像的平均运动强度Mean

其中，Mean

计算帧差图像的最大运动强度Max

Max

其中，maximum函数计算最大值；

可选地，所述S3步骤中使用循环神经网络构建异常行为识别网络，并设定异常行为识别网络的优化目标，包括：

S31：提取帧差图像的深度特征：

在时间帧序号t，将帧差图像转化为一个特征向量F(t)，特征向量通过使用VGG-16网络提取：

F(t)＝VGG16(I

其中，I

S32：构建异常行为识别网络外部输入：

将深度特征与运动特征合并作为每一个时间步异常行为识别网络的外部输入：

input(t)＝[F(t)，Mean

S33：异常行为识别网络隐藏状态更新：

异常行为识别网络在时间帧序号t的隐藏状态h(t)的更新公式如下：

其中，

S34：输出层计算：

其中，cls表示异常行为识别网络预测出的不同异常行为的概率，cls＝[cls

S35：设定异常行为识别网络的优化目标：

使用改进的交叉熵损失作为网络的优化目标，表达式为：

其中，m＝1，2，...，M；对于当前输入至异常行为识别网络的帧差图像数据，

可选地，所述S4步骤中基于改进的随机梯度下降算法优化异常行为识别网络的参数，包括：

计算更新动量项：

其中，θ

对异常行为识别网络的参数进行更新：

θ

其中，α是学习率；

改进的随机梯度下降算法改进了异常识别网络参数的更新方式，引入了历史梯度的累积，使得更新方向更加平滑一致；

可选地，所述S5步骤中使用差分进化算法对异常行为识别网络参数进行微调，包括：

S51：初始化种群：

对S4中完成更新的异常行为识别网络参数θ

S52：变异操作：

对于每个个体δ

δ′

S53：交叉操作：

对于每个个体δ

其中random表示0到1内的随机数；

S54：选择操作：

将

S55：重复迭代；

重复S52-S54直到迭代20次；

本发明还公开了一种基于安防机器人对异常行为智能识别系统，包括：

预处理模块：收集安防机器人的视频数据，并对采集到的视频数据进行预处理；

运动特征提取模块：基于帧差法从预处理后的图像序列中提取运动特征；

异常行为识别模块：使用循环神经网络构建异常行为识别网络，并设定异常行为识别网络的优化目标；

参数优化模块：基于改进的随机梯度下降算法优化异常行为识别网络的参数；

微调模块：使用差分进化算法对异常行为识别网络参数进行微调；

有益效果：

通过对安防机器人采集到的视频数据进行预处理，获得预处理后的视频图像序列。相较于传统的方法，这种预处理方式能够有效地降低图像中的噪声和干扰，提升后续特征提取的准确性和可靠性。

本发明采用帧差法从预处理后的图像序列中提取运动特征。相较于传统的图像处理方法，帧差法能够更精准地捕捉到视频中的运动信息，从而为后续的异常行为识别提供了更可靠的特征。

通过引入循环神经网络，本发明构建了异常行为识别网络。相较于传统的机器学习方法，深度学习能够自动地学习到复杂的特征和模式，从而提升了识别的准确性和鲁棒性。本发明在网络优化过程中引入了改进的随机梯度下降算法和自适应优化算法。相较于传统的优化算法，这些算法能够更有效地调整网络参数，提高了系统的整体性能。

综合上述优化措施，本发明从数据预处理到特征提取、网络构建和参数优化，全面提升了异常行为识别的准确性、鲁棒性和适应性。

附图说明

图1为本发明一实施例的一种基于安防机器人对异常行为智能识别方法的流程示意图。

具体实施方式

下面结合附图对本发明作进一步的说明，但不以任何方式对本发明加以限制，基于本发明教导所作的任何变换或替换，均属于本发明的保护范围。

实施例1：一种基于安防机器人对异常行为智能识别方法，如图1所示，包括以下步骤：

S1：收集安防机器人的视频数据，并对采集到的视频数据进行预处理，获得预处理后的视频图像序列：

收集安防机器人的视频数据，并对采集到的视频数据进行预处理，获得预处理后的图像序列，所述预处理使用基于视频数据的三维去噪算法，计算方式为：

其中，V

其中，V(x.y，t)为视频第t帧图像位于(x，y)处的像素值；e表示自然常数；σ表示控制权重衰减的参数，本实施例中为10；

(i，j，k)为集合N(x.y，t)中的元素，N(x.y，t)表示以(x.y，t)为中心的邻域位置，表达式为：

N(x.y，t)＝{(i，j，k)|i∈[-r，r]，j∈[-r，r]，k∈[-r，r]}

其中，r表示邻域半径，本实施例中为3；i，j和k均为整数；

通过对采集到的视频数据进行预处理，可以有效地降低视频图像中的噪声，使得后续的特征提取和分析更加可靠和准确。预处理可以使得视频图像序列中的关键信息更加突出，从而有助于后续特征提取的准确性。

S2：基于帧差法从预处理后的图像序列中提取运动特征：

S21：帧差图像计算：

对于预处理后的图像序列，提取相邻两帧的帧差图像；对于预处理后的图像序列中的第t帧和第t+1帧，帧差图像像素值的计算方式为：

其中，I

S22：梯度运算：

使用Sobel算子计算帧差图像的梯度信息G

其中，G

S23：运动特征提取：

计算帧差图像的运动能量密度E：

E(x，y，t)＝G

其中，E(x，y，t)表示在位置(x.y，t)处的运动能量密度值；

计算帧差图像的平均运动强度Mean

其中，Mean

计算帧差图像的最大运动强度Max

Max

其中，maximum函数计算最大值；

帧差法是一种简单但有效的方法，能够快速地捕捉图像序列中的运动信息。通过对相邻帧之间的差异进行计算，可以准确地定位运动物体的位置和轨迹。通过基于帧差法提取运动特征，可以有效地减少背景的影响，使得异常行为识别更加精准。相对于静态图像处理，运动特征更能够突出异常行为的动态特性。相较于其他复杂的运动特征提取方法，帧差法具有较低的计算成本。这使得在实时性要求较高的场景下，能够更加高效地进行异常行为的识别。

S3：使用循环神经网络构建异常行为识别网络，并设定异常行为识别网络的优化目标：

S31：提取帧差图像的深度特征：

在时间帧序号t，将帧差图像转化为一个特征向量F(t)，特征向量通过使用VGG-16网络提取：

F(t)＝VGG16(I

其中，I

S32：构建异常行为识别网络外部输入：

将深度特征与运动特征合并作为每一个时间步异常行为识别网络的外部输入：

input(t)＝[F(t)，Mean

S33：异常行为识别网络隐藏状态更新：

异常行为识别网络在时间帧序号t的隐藏状态h(t)的更新公式如下：

其中，

S34：输出层计算：

其中，cls表示异常行为识别网络预测出的不同异常行为的概率，cls＝[cls

其中，m＝1，2，...，M；(W

S35：设定异常行为识别网络的优化目标：

使用改进的交叉熵损失作为网络的优化目标，表达式为：

其中，对于当前输入至异常行为识别网络的帧差图像数据，

循环神经网络适用于处理具有时序关联性的数据，可以有效地捕捉视频序列中的时间信息，使得系统能够更好地理解和分析视频数据中的动态变化。循环神经网络具有强大的特征学习能力，能够自动从数据中学习到合适的特征表示，无需人工提前指定特征。这使得系统更具适应性和泛化能力。循环神经网络通过多次迭代，可以综合考虑视频序列中各个时刻的信息，从而全面理解异常行为的动态演变过程，提升了异常行为识别的准确性。

S4：基于改进的随机梯度下降算法优化异常行为识别网络的参数：

计算更新动量项：

其中，θ

对异常行为识别网络的参数进行更新：

θ

其中，α是学习率，本实施例中为5×10

改进的随机梯度下降算法改进了异常识别网络参数的更新方式，引入了历史梯度的累积，使得更新方向更加平滑一致；

改进的随机梯度下降算法能够帮助系统寻找到全局最优解，避免了陷入局部最优解的困境。这使得网络参数能够得到更好的优化，提升了系统的性能。相对于传统的梯度下降算法，改进的随机梯度下降算法在收敛速度上更加快速，能够在更短的时间内获得较好的优化结果。该优化算法可以避免参数在训练过程中出现剧烈的震荡，从而保证了优化过程的稳定性。

S5：使用差分进化算法对异常行为识别网络参数进行微调：

S51：初始化种群：

对S4中完成更新的异常行为识别网络参数θ

S52：变异操作：

对于每个个体δ

δ′

S53：交叉操作：

对于每个个体δ

其中random表示0到1内的随机数；

S54：选择操作：

将

S55：重复迭代；

重复S52-S54直到迭代20次；

差分进化算法能够在参数空间中进行全局搜索，有助于找到全局最优解，避免了陷入局部最优解的困境，提升了系统的性能。由于差分进化算法采用了随机的搜索策略，可以有效地避免在训练过程中收敛到次优解，保证了网络参数的优化质量。差分进化算法可以灵活地调整每个参数的微调幅度，使得微调的过程更加精准和有效。

实施例2：本发明还公开了一种基于安防机器人对异常行为智能识别系统，包括以下五个模块：

预处理模块：收集安防机器人的视频数据，并对采集到的视频数据进行预处理；

运动特征提取模块：基于帧差法从预处理后的图像序列中提取运动特征；

异常行为识别模块：使用循环神经网络构建异常行为识别网络，并设定异常行为识别网络的优化目标；

参数优化模块：基于改进的随机梯度下降算法优化异常行为识别网络的参数；

微调模块：使用差分进化算法对异常行为识别网络参数进行微调。

需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“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、装置、物品或者方法不仅包括那些要素，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、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。