[发明专利]一种基于边缘计算的暴力行为检测方法及系统

权利要求书

1.一种基于边缘计算的暴力行为检测方法，其特征在于，包括如下步骤：

步骤1：在云端服务器上构造和训练用于暴力行为检测的深度学习模型，并构造和训练强化学习方法；所述深度学习模型单次输入为一组视频帧，输出为存在暴力行为的概率；所述强化学习方法输入为逐帧视频数据，选定出一组视频帧后输入到深度学习模型中，根据预设的奖励规则迭代更新强化学习方法中的参数；

步骤2：监控设备端接收视频数据，实时读取视频数据中的视频帧；

步骤3：监控设备端利用前景检测算法对视频画面进行前景检测，根据前景区域特征进行判断，如果符合预设条件，进一步计算出感兴趣区域并进行画面裁切得到感兴趣区域画面，进入步骤4；不符合则重复步骤3；

步骤4：将感兴趣区域画面上传至边缘端服务器，边缘端服务器利用目标检测算法进行目标检测，得到画面中存在有人区域的结果反馈至监控设备端；

步骤5：监控设备端利用有人区域结果修正前景检测算法相关参数，判断有人区域的人数是否超过阈值，如超过则进入步骤6，否则返回步骤3；

步骤6：在监控设备端建立最大容量为固定帧数的视频帧缓冲区并调用强化学习方法对视频帧进行关键帧筛选，将关键帧存入缓冲区；

步骤7：判断缓冲区中视频帧的滞后性，如果滞后性大于设定阈值，则丢弃最早进入缓冲区的视频帧，如果缓冲区中视频帧数量等于缓冲区最大容量即缓冲区满，将缓冲区中的视频帧作为一组上传至边缘服务器执行步骤8；而后，按存入缓冲区的时间先后顺序丢弃设定比例数量的视频帧；在缓冲区未满状态下重复执行步骤6和步骤7；当缓冲区非满状态持续时间达到阈值，则返回步骤3，每次出现缓冲区满将重新开始记录持续时间；

步骤8：边缘服务器调用深度学习模型对该组视频帧进行端到端的推理，得到该组视频帧中暴力行为存在的概率；

步骤9：根据概率值发出预警等级和所涉及视频画面及监控设备位置。

2.根据权利要求1所述基于边缘计算的暴力行为检测方法及系统，其特征在于，所述深度学习模型为长短期记忆卷积神经网络。

3.根据权利要求1所述基于边缘计算的暴力行为检测方法及系统，其特征在于，所述强化学习方法为Q学习方法。

4.根据权利要求1所述基于边缘计算的暴力行为检测方法及系统，其特征在于，所述步骤3，前景检测算法为Vibe算法；所述预设条件指画面的前景中有面积大于预设阈值的连通区域，阈值选取监控设备所处环境中可正常识别人类的画面区域面积的最小值。

5.根据权利要求1所述基于边缘计算的暴力行为检测方法及系统，其特征在于，所述步骤4，目标检测算法为Yolo算法。

6.根据权利要求1所述基于边缘计算的暴力行为检测方法及系统，其特征在于，所述步骤5，利用有人区域的结果，与前景检测算法结果进行对比，将前景检测算法中出现的误检测前景更新为背景，同时将各区域面积中的最小值，利用互补滤波算法更新前景连通面积阈值。

7.根据权利要求1所述基于边缘计算的暴力行为检测方法及系统，其特征在于，所述步骤6，通过强化学习方法对视频帧进行关键帧筛选的方法如下：

步骤61：计算待筛选帧和最后进入缓冲区的帧的帧间差异，作为强化学习方法的状态输入；

步骤62：利用状态，通过查询Q值表，得到期望收益值最大的动作，即获得最大收益的动作值，动作值为1或0，1代表选定当前待选帧为关键帧，0代表丢弃当前待选帧，Q值表由强化学习训练得到；

步骤63：按动作值执行筛选动作，保留关键帧。

8.根据权利要求1所述基于边缘计算的暴力行为检测方法及系统，其特征在于，所述步骤7，计算缓冲区中各视频帧产生时间与当前时间的平均距离，当该距离大于滞后性阈值时，认为数据过于滞后。