本發(fā)明屬于安全生產(chǎn)，尤其涉及一種基于物聯(lián)網(wǎng)的人員不安全行為識(shí)別方法及系統(tǒng)。

背景技術(shù)：

1、港口的主要作業(yè)任務(wù)是貨物的裝卸作業(yè)，裝卸作業(yè)分為陸運(yùn)裝卸、航運(yùn)裝卸，不同貨類使用的裝卸方式、設(shè)備設(shè)施、工藝流程也不相同。由于裝卸作業(yè)流動(dòng)分散、操作復(fù)雜、勞動(dòng)密集、露天作業(yè)、人機(jī)交叉、晝夜連續(xù)作業(yè)等港口作業(yè)性質(zhì)，容易導(dǎo)致生產(chǎn)事故的發(fā)生，而保障生產(chǎn)人員的安全就成為首要任務(wù)。傳統(tǒng)的人員不安全行為識(shí)別，大多是人工現(xiàn)場巡視或在監(jiān)控室瀏覽視頻的方式進(jìn)行。該方式雖然識(shí)別準(zhǔn)確率非常高，但效率極低、覆蓋面小，難以全面、實(shí)時(shí)識(shí)別所有不安全行為，因此碼頭生產(chǎn)現(xiàn)場不安全行為仍時(shí)有發(fā)生。

2、隨著人工智能等數(shù)據(jù)處理方法的發(fā)展，現(xiàn)有技術(shù)中已經(jīng)改變了傳統(tǒng)的人員不安全行為識(shí)別方式。專利號(hào)為us17747946的技術(shù)中利用yolo模型提取港口環(huán)境圖像的特征，引入特征金字塔結(jié)構(gòu)，以異步交互的方式識(shí)別作業(yè)人員的不安全行為；專利號(hào)為cn202210862343的技術(shù)中對去噪后的歷史工作圖像進(jìn)行分割后作為訓(xùn)練樣本，輸入到卷積神經(jīng)網(wǎng)絡(luò)中得到不安全行為識(shí)別模型，最后基于該不安全行為識(shí)別模型識(shí)別施工工人的工作狀態(tài)并進(jìn)行異常預(yù)警；專利號(hào)為cn202410947636的技術(shù)中利用深度強(qiáng)化學(xué)習(xí)算法構(gòu)建行為預(yù)測模型，預(yù)測井下人員未來的不安全行為趨勢從而實(shí)現(xiàn)預(yù)警。然而上述方法大多需要以智能算法為基礎(chǔ)的模型構(gòu)建，模型構(gòu)建所需的訓(xùn)練時(shí)間長，當(dāng)存在大量待識(shí)別對象時(shí)識(shí)別效能低；并且不適用于以顏色為特征的港口作業(yè)人員特征信息提取，無法滿足港口人員不安全行為的識(shí)別。

技術(shù)實(shí)現(xiàn)思路

1、為了解決現(xiàn)有技術(shù)中存在的上述問題，本發(fā)明提出一種基于物聯(lián)網(wǎng)的人員不安全行為識(shí)別方法及系統(tǒng)，以解決現(xiàn)有技術(shù)中人員不安全行為識(shí)別效能低，無法滿足港口作業(yè)人員不安全行為識(shí)別的技術(shù)問題。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明采用了如下技術(shù)方案：一種基于物聯(lián)網(wǎng)的人員不安全行為識(shí)別方法，其特征在于，具體包括如下步驟：s1：實(shí)時(shí)采集物聯(lián)網(wǎng)攝像頭的初始視頻數(shù)據(jù)；s2：基于實(shí)時(shí)采集的初始視頻數(shù)據(jù)，進(jìn)行人員特征提??；s3：對s2提取的人員特征進(jìn)行分析和判定，識(shí)別人員不安全行為；s4：當(dāng)識(shí)別出人員存在不安全行為時(shí)進(jìn)行即時(shí)預(yù)警。

3、進(jìn)一步地，所述s2中，利用改進(jìn)的粒子濾波算法對人員特征進(jìn)行提取，具體包括如下子步驟：s21：讀取初始視頻數(shù)據(jù)，初始化粒子集合和粒子狀態(tài)預(yù)測矩陣，并定義目標(biāo)顏色；s22：對初始化的粒子集合進(jìn)行狀態(tài)預(yù)測，得到預(yù)測后粒子集合；s23：對預(yù)測后粒子集合添加噪聲，并根據(jù)初始視頻數(shù)據(jù)計(jì)算自適應(yīng)權(quán)重；s24：根據(jù)s23的自適應(yīng)權(quán)重，對添加噪聲的預(yù)測后粒子集合進(jìn)行二次采樣；s25：根據(jù)二次采樣后的數(shù)據(jù)繪制目標(biāo)顏色移動(dòng)點(diǎn)圖，根據(jù)目標(biāo)顏色移動(dòng)點(diǎn)圖對人員特征進(jìn)行提取。

4、進(jìn)一步地，所述s21中初始化粒子集合，具體包括：

5、；

6、其中inp表示初始化粒子集合，w表示視頻數(shù)據(jù)中第一幀的寬度，h表示視頻數(shù)據(jù)中第一幀的高度，nop表示初始粒子數(shù)量，nop=1000，k1表示第一隨機(jī)數(shù)，k2表示第二隨機(jī)數(shù)；

7、初始化粒子狀態(tài)預(yù)測矩陣，具體包括：

8、；

9、其中psp表示初始化粒子狀態(tài)預(yù)測矩陣，k3表示第一衰減系數(shù)，k4表示第二衰減系數(shù)。

10、進(jìn)一步地，所述s22中對初始化的粒子集合進(jìn)行狀態(tài)預(yù)測，包括updinp=inp×psp，其中updinp表示預(yù)測后粒子集合。

11、進(jìn)一步地，所述s23中對預(yù)測后粒子集合添加噪聲，并根據(jù)初始視頻數(shù)據(jù)計(jì)算自適應(yīng)權(quán)重，包括：s231：對預(yù)測后粒子集合添加噪聲，具體為updinpnew=updinp+k5；其中updinpnew表示添加噪聲的預(yù)測后粒子集合，k5表示添加的噪聲；

12、s232：計(jì)算目標(biāo)顏色的亮度l、飽和度s和色調(diào)h，包括：

13、；

14、其中，delta表示調(diào)色極值，targetcolor表示目標(biāo)顏色，max()表示取最大值函數(shù)，min()表示取最小值函數(shù)，l表示亮度，s表示飽和度，h表示色調(diào)，mod()表示取余函數(shù)；

15、s233：計(jì)算添加噪聲的預(yù)測后粒子集合updinpnew的維度，并提取與上述維度相同的初始視頻數(shù)據(jù)；基于s232相同的方法，計(jì)算提取后的初始視頻中第i個(gè)粒子的亮度pl(i)、飽和度ps(i)和色調(diào)ph(i)；

16、s234：基于上述目標(biāo)顏色的亮度l、飽和度s和色調(diào)h，以及粒子的亮度pl(i)、飽和度ps(i)和色調(diào)ph(i)，計(jì)算自適應(yīng)權(quán)重：

17、；

18、其中hd(i)表示第i個(gè)粒子的色調(diào)偏差，sd(i)表示第i個(gè)粒子的飽和度偏差，ld(i)表示第i個(gè)粒子的亮度偏差，e表示自然常數(shù)，k6表示第一比例系數(shù)，weights(i)表示第i個(gè)粒子的自適應(yīng)權(quán)重。

19、進(jìn)一步地，s24中根據(jù)s23的自適應(yīng)權(quán)重，對添加噪聲的預(yù)測后粒子集合進(jìn)行二次采樣，具體為：s241：獲取添加噪聲的預(yù)測后粒子集合updinpnew的列數(shù)nre；s242：基于列數(shù)nre生成采樣點(diǎn)矩陣ure：

20、；

21、其中[0：nre-1]表示[0，1，2……]的n維數(shù)組，k7表示大于零小于1的隨機(jī)偏差；

22、s243：計(jì)算自適應(yīng)權(quán)重矩陣的不同維數(shù)累加和矩陣：wcsum=sum(weights)；其中weights表示所有粒子的自適應(yīng)權(quán)重構(gòu)造的自適應(yīng)權(quán)重矩陣，wcsum表示自適應(yīng)權(quán)重矩陣的不同維數(shù)累加和矩陣；

23、s244：為采樣點(diǎn)矩陣ure中的每個(gè)采樣點(diǎn)建立索引jre，為不同維數(shù)累加和矩陣wcsum中的每個(gè)數(shù)據(jù)建立索引ire，找到滿足ure(jre)≤wcsum(ire)的最小ire，并將該最小ire存入新的索引irenew，其中ure(jre)表示第jre個(gè)索引代表的采樣點(diǎn)矩陣元素，wcsum(ire)表示第ire個(gè)索引代表的不同維數(shù)累加和矩陣的元素；

24、s245：基于上述新的索引irenew，從添加噪聲的預(yù)測后粒子集合updinpnew中復(fù)制對應(yīng)粒子，形成二次采樣后的粒子集合np。

25、進(jìn)一步地，所述s25具體為：根據(jù)二次采樣后的粒子集合，按照初始視頻數(shù)據(jù)的幀數(shù)繪制目標(biāo)顏色移動(dòng)點(diǎn)圖，并根據(jù)該目標(biāo)顏色移動(dòng)點(diǎn)圖對人員特征進(jìn)行分析和判定。

26、另一方面，本發(fā)明還提供一種基于物聯(lián)網(wǎng)的人員不安全行為識(shí)別系統(tǒng)，用于實(shí)現(xiàn)上述人員不安全行為識(shí)別方法，所述識(shí)別系統(tǒng)包括物聯(lián)網(wǎng)攝像頭、人員特征提取模塊、不安全行為判定模塊和預(yù)警模塊，所述人員特征提取模塊連接所述物聯(lián)網(wǎng)攝像頭，用于采集物聯(lián)網(wǎng)攝像頭的視頻數(shù)據(jù)；所述不安全行為判定模塊與所述人員特征提取模塊相連，用于分析人員特征信息并判定是否存在不安全行為，并當(dāng)判定為存在不安全行為時(shí)發(fā)出預(yù)警指令；所述預(yù)警模塊與所述不安全行為判定模塊相連，用于根據(jù)不安全行為判定模塊發(fā)出的預(yù)警指令進(jìn)行預(yù)警。

27、本發(fā)明與現(xiàn)有技術(shù)相比的有益技術(shù)效果在于：利用改進(jìn)的粒子濾波算法對人員特征進(jìn)行提取，在粒子狀態(tài)預(yù)測中增加兩個(gè)衰減系數(shù)，限制粒子狀態(tài)預(yù)測速度變化率，有利于釋放計(jì)算資源；在計(jì)算粒子自適應(yīng)權(quán)重時(shí)引入亮度、飽和度和色調(diào)，提升港口環(huán)境下的顏色匹配魯棒性；同時(shí)通過二次采樣降低粒子濾波中的退化概率，提高顏色識(shí)別的準(zhǔn)確度。