本发明涉及自动化管控，尤其涉及一种基于视频监控的楼宇安全自动化管控系统及方法。
背景技术：
1、随着社会的发展，楼宇安全管理面临着越来越多的挑战，基于视频监控的系统可以实现全天候监控，不受时间和地点的限制，确保楼宇内外的安全性，无论是白天还是夜晚、无论是工作日还是节假日。然而，传统的楼宇安全管理方法存在反应慢，无法精确的识别潜在的风险的问题。
技术实现思路
1、基于此，有必要提供一种基于视频监控的楼宇安全自动化管控系统及方法，以解决至少一个上述技术问题。
2、为实现上述目的，一种基于视频监控的楼宇安全自动化管控方法，包括以下步骤：
3、步骤s1：通过视频监控对楼宇进行视频图像采集，得到楼宇图像数据集；对楼宇图像数据集进行风险行为预测，得到风险行为数据，其中风险行为数据包括入侵风险行为数据以及自身行为风险数据；
4、步骤s2：确定风险行为数据为入侵风险行为数据时，对楼宇图像数据集进行入侵轨迹路线生成，得到入侵轨迹路线数据；对楼宇图像数据集进行入侵行为心理分析，得到入侵行为心理数据；根据入侵行为心理数据进行肢体动作频率区域关联分析，得到可疑动作区域数据；
5、步骤s3：对区域电子监控器进行通信网络构建，得到监控器区域通信网络；根据可疑动作区域数据对区域电子监控器进行监控行为训练，得到监控行为记忆数据；将监控行为记忆数据输入至云平台进行记忆训练，以实现入侵行为自动化管控；
6、步骤s4：确定风险行为数据为自身行为风险数据时，对楼宇图像数据集进行楼宇结构数据收集，得到楼宇结构数据；根据楼宇结构数据进行意外风险策略制定，得到意外风险策略数据。
7、本发明通过视频监控对楼宇进行实时监控，并采集视频图像数据集，这使得系统能够获取楼宇的实时状态和活动信息，为后续的分析和预测提供数据基础，通过对楼宇图像数据集进行分析和处理，系统可以进行风险行为预测，预测结果能够帮助识别潜在的风险行为，包括入侵风险行为和自身行为风险，这有助于提前发现和预警潜在的安全威胁，通过对楼宇图像数据集的分析，系统可以增强对楼宇的感知能力，它能够捕捉到细微的活动和异常行为，帮助安全人员更全面地了解楼宇内的情况，准确判断风险和采取相应措施，通过对楼宇图像数据集的分析和风险行为预测，系统可以为安全管理人员提供数据支持，帮助他们做出基于事实和数据的决策，这有助于提高决策的准确性和效率，同时减少主观判断所带来的误差，通过实时监控和风险行为预测，系统可以及时发现和识别安全威胁，这有助于提高安全响应的速度，使安全人员能够迅速采取适当的措施应对风险和威胁，降低潜在的损失和风险；通过对楼宇图像数据集进行入侵轨迹路线生成，系统可以确定入侵者的移动路径和行为轨迹，这有助于安全人员追踪入侵者的活动，了解他们的行动范围和可能的目标区域，为采取适当的反制措施提供指导，通过对楼宇图像数据集进行入侵行为心理分析，系统可以获取入侵者的行为心理数据，这包括对入侵者的行为模式、意图和动机的分析，理解入侵者的心理状态有助于更好地评估风险程度，预测其可能的下一步行动，并采取相应的防范措施，通过根据入侵行为心理数据进行肢体动作频率区域关联分析，系统可以识别出可疑动作区域，这有助于将重点放在可能发生入侵的区域，提高监控和响应的效率，通过分析入侵者的肢体动作频率和其在楼宇中的位置关系，可以快速发现异常行为并采取相应的措施，通过入侵行为心理数据和肢体动作频率区域关联分析，系统可以识别出可疑的入侵者和潜在的安全威胁，这有助于提前发现和预警潜在的入侵行为，加强对安全风险的感知和管理；通过对区域电子监控器进行通信网络构建，可以建立监控器之间的通信链路，这有助于实现监控器之间的数据共享和协同工作，提高整个系统的监控能力和效率，控器区域通信网络可以实现实时的数据传输，使各个监控器能够及时共享最新的监控信息和警报状态，加强整个系统的实时监控能力，监控器区域通信网络可以促进不同监控器之间的协同工作，例如，当一个监控器检测到可疑动作区域时，它可以通过通信网络将这一信息传递给其他监控器，以加强对潜在入侵者的监控和追踪，通过对可疑动作区域数据进行监控行为训练，可以获取监控行为记忆数据，这些数据包含了针对不同情况和场景的监控器行为模式和响应规则，这有助于提高监控器的智能化和自适应能力，使其能够更准确地识别入侵行为并发出相应的警报，将监控行为记忆数据输入至云平台进行记忆训练，可以实现入侵行为的自动化管控，通过在云平台上对监控行为进行训练和优化，可以提高系统的智能化水平和对入侵行为的识别准确性，云平台的强大计算和存储能力有助于处理大量的监控行为数据，并生成更精确的入侵行为管控策略；通过对楼宇图像数据集进行楼宇结构数据收集，可以获取关于楼宇内部结构、布局和物理特征的详细信息，这包括楼层分布、门窗位置、紧急出口、安全设备，楼宇结构数据的收集有助于全面了解楼宇的物理环境，为意外风险策略制定提供基础数据，通过收集楼宇结构数据，可以识别潜在的风险和安全隐患，例如，如果楼宇内部存在狭窄的通道、堆放杂物的区域或者紧急出口被阻挡，这些都可能增加火灾、人员拥堵等意外事件的风险，楼宇结构数据可以作为制定意外风险策略的基准参考。了解楼宇的结构特点可以帮助安全人员制定合理的安全规定和紧急应对计划，以应对各种意外情况，根据楼宇结构数据，可以制定意外风险策略，即针对楼宇内潜在的自身行为风险制定相应的防范和管理策略，根据楼宇的特点和风险识别结果，制定合适的措施，如设置紧急出口指示标识、安装防火门、加强对危险区域的管控，以减少意外事件的发生概率和减轻其造成的损害，意外风险策略数据可以被用于楼宇的安全管理和培训，这些数据提供了关于楼宇内部风险的详细信息，可以帮助安全人员和员工了解潜在风险，掌握相应的应对策略，并在紧急情况下迅速做出正确的决策和行动。因此本发明基于视频监控的楼宇安全自动化管控系统及方法是对传统的楼宇安全自动化管控方法做出的优化处理，解决了传统的楼宇安全管理方法存在反应慢，无法精确的识别潜在的风险的问题，提高了反应速度，提升了识别潜在风险的精确度。
8、优选地，步骤s1包括以下步骤：
9、步骤s11：通过视频监控对楼宇进行视频图像采集，得到图像连续数据帧；
10、步骤s12：对图像连续数据帧进行毗邻图像帧提取处理，得到毗邻图像数据；
11、步骤s13：对毗邻图像数据进行时间交错重叠处理，得到图像时间差数据；
12、步骤s14：根据图像时间差数据对毗邻图像数据进行图像分割处理，得到楼宇图像数据集；
13、步骤s15：利用风险预测识别模型对楼宇图像数据集进行风险行为预测，得到风险行为数据，其中风险行为数据包括入侵风险行为数据以及事故风险行为数据。
14、本发明通过视频图像采集，可以实时获取楼宇内部的视觉信息，这有助于及时掌握楼宇内的情况，发现潜在的风险和异常行为，通过提取毗邻图像帧，可以保留图像之间的连续性，确保在分析和处理过程中不会丢失重要的图像信息，通过时间交错重叠处理，可以获取图像之间的时间差信息，这有助于捕捉和分析图像之间的动态变化和运动信息，为后续的风险行为预测提供更多参考，通过图像分割处理，可以将楼宇图像数据集划分为不同的区域或目标，这有助于针对特定区域或目标进行更精细化的分析和识别，提高风险行为的检测准确性和可靠性，通过风险预测识别模型，可以对楼宇图像数据集进行分析和识别，预测可能存在的风险行为，如入侵行为和事故行为，这有助于及早发现潜在的安全威胁，采取相应的措施进行干预和防范，提高楼宇的安全性和保护水平。
15、优选地，其中风险预测识别模型的构建步骤包括以下步骤：
16、获取楼宇平面设计图以及人流量历史数据；
17、根据楼宇平面设计图对楼宇图像数据集进行楼宇盲点区域分析，得到初始风险区域数据；
18、根据人流量历史数据进行人流量热力区域计算，得到热力区域数据；
19、根据热力区域数据进行行为特征提取，得到行为特征数据；
20、利用平衡加权算法对初始风险区域数据以及热力区域数据进行区域风险加权处理，得到风险区域数据；
21、基于卷积神经网络将初始风险区域数据以及热力区域数据输入至卷积层中进行卷积计算，得到初始卷积风险数据；
22、根据初始卷积风险数据对风险区域数据进行混合池化计算，得到混合池化数据；
23、根据混合池化数据对行为特征数据进行模型构建，得到风险预测识别模型。
24、本发明通过获取楼宇平面设计图以及人流量历史数据，楼宇平面设计图提供了楼宇内部结构和布局的详细信息，有助于进行楼宇盲点区域分析和风险区域数据的确定，人流量历史数据提供了楼宇内不同区域的人员流动情况，可以用于计算热力区域和行为特征数据的提取，通过对楼宇平面设计图进行分析，可以识别楼宇内的盲点区域，即监控覆盖不到或者容易被忽视的区域，这有助于确定楼宇内的初始风险区域，提高风险行为的检测和预警能力，利用人流量历史数据进行热力区域计算，可以确定楼宇内人员流动最为密集和活跃的区域，这有助于了解人员集聚的位置和趋势，为风险预测和行为特征提取提供依据，基于热力区域数据的计算结果，可以提取楼宇内不同区域的行为特征，这些行为特征可以包括人员密度、运动轨迹、停留时间信息，有助于识别和分析潜在的风险行为，利用平衡加权算法对初始风险区域数据和热力区域数据进行加权处理，可以综合考虑两者的重要性和贡献度，得到更准确的风险区域数据，这有助于优化风险预测模型的性能和预测结果的可靠性，初始卷积风险数据通过卷积神经网络的计算，可以提取图像数据中的特征信息，有助于更准确地描述风险区域和行为特征，混合池化计算对风险区域数据进行进一步的处理和汇总，可以综合考虑多个区域的风险程度，为后续的风险预测模型构建提供更全面的输入数据，基于混合池化数据和行为特征数据，可以构建风险预测识别模型，该模型可以通过学习历史数据中的模式和规律，预测未来可能发生的风险行为，这有助于提前发现和应对潜在的安全威胁，保障楼宇和人员的安全。
25、优选地，平衡加权算法如下所示：
26、
27、其中，表示平衡加权结果值，表示加权次数，表示第个热力区域人流量值，表示第个初始风险区域的初始风险系数，表示热力区域数据的样本系数，表示人流量热力极大值，表示初始风险区域数据和热力区域数据的数据关联系数，表示热力区域数据的初始权重系数，表示平衡加权算法的误差修正值。
28、本发明构建了一个平衡加权算法，该算法充分考虑了加权次数，增加加权次数可以增加对数据的综合考虑程度，提高结果的稳定性和准确性；第个热力区域人流量值，考虑热力区域人流量值可以反映人员密度和活跃程度，提供了人员分布的重要信息；第个初始风险区域的初始风险系数，根据初始风险系数，可以对不同区域的风险程度进行量化和区分，提供了风险区域的基本评估；热力区域数据的样本系数，样本系数可以调整热力区域数据的权重，适应不同数据范围和分布的情况，提高结果的适应性和鲁棒性，人流量热力极大值，考虑人流量热力极大值可以捕捉到人员流动的高峰时刻，有助于确定人员密集的时间段和区域；初始风险区域数据和热力区域数据的数据关联系数，通过数据关联系数的设定，可以控制初始风险区域数据和热力区域数据在加权计算中的相对重要性，提供了对不同数据间关联关系的灵活处理能力；热力区域数据的初始权重系数，初始权重系数可以对热力区域数据的权重进行初始化，提供了对数据的初始估计和重要性的先验知识；平衡加权算法的误差修正值，该算法可以调整计算中带来的误差，平衡加权算法也可以通过常规的按照数据量进行加权，但是此方法没有该算法精确。
29、优选地，步骤s2包括以下步骤：
30、步骤s21：确定风险行为数据为入侵风险行为数据时，利用预设的高风险目标人群数据库对楼宇图像数据集进行可疑目标筛选处理，得到可疑目标图像数据；
31、步骤s22：对可疑目标图像数据进行移动坐标点标记，得到移动坐标点数据集；
32、步骤s23：对移动坐标点数据集进行时间戳标识处理，得到坐标点时间数据集；
33、步骤s24：根据坐标点时间数据集以及移动坐标点数据集进行时间位移差计算，得到时间位移差数据；
34、步骤s25：基于时间位移差数据进行入侵轨迹路线生成，得到入侵轨迹路线数据；
35、步骤s26：基于时间位移差数据以及入侵轨迹路线数据对可疑目标图像数据进行滞留热力区域分析，得到滞留热力区域数据；
36、步骤s27：对可疑目标图像数据进行肢体动作提取处理，得到肢体动作数据集；对肢体动作数据集进行肢体动作特征提取，得到动作特征数据集；对动作特征数据集进行关节红外成像标签处理，得到关节动作数据集；
37、步骤s28：对关节动作数据集进行动作幅度连贯分析，得到动作幅度连贯数据；
38、步骤s29：根据动作幅度连贯数据对可疑目标图像数据进行入侵行为心理评估，得到入侵行为心理数据；
39、步骤s210：根据入侵行为心理数据以及滞留热力区域数据进行肢体动作频率区域关联分析，得到可疑动作区域数据。
40、本发明通过高风险目标人群数据库的筛选，可以将与入侵风险行为相关的可疑目标从楼宇图像数据集中提取出来，这一步骤可以帮助过滤掉与特定入侵风险行为无关的目标，减少后续处理的数据量并聚焦于关注的高风险目标人群，提高数据处理的效率和准确性，通过移动坐标点标记，可以提取出高风险目标在图像中的位置信息，形成移动坐标点数据集，该步骤有助于进一步分析和追踪高风险目标的移动轨迹，为后续的时间相关性分析和行为评估提供基础数据，通过时间戳标识处理，将移动坐标点与对应的时间关联起来，形成坐标点时间数据集，该步骤为后续时间位移差计算和时间相关性分析提供了时间信息，使得可以对高风险目标的运动轨迹进行时间维度的分析和研究，通过时间位移差计算，可以得到高风险目标在不同时间段的位移情况，形成时间位移差数据，时间位移差数据可以用来量化高风险目标的运动速度和方向变化，为后续的入侵轨迹路线生成和滞留热力区域分析提供基础，通过入侵轨迹路线生成，可以根据时间位移差数据确定高风险目标的运动轨迹，形成入侵轨迹路线数据，入侵轨迹路线数据可以用来追踪和分析高风险目标的运动路径，有助于确定高风险目标的活动范围和可能的目标区域，通过滞留热力区域分析，可以确定高风险目标在特定区域停留的时间和频率，形成滞留热力区域数据，滞留热力区域数据可以用于识别和分析高风险目标的活动热点区域，帮助确定可能存在的潜在风险区域和行为模式，通过对可疑目标图像数据进行肢体动作处理和特征提取，得到关于高风险目标动作的数据集，这些数据集可以用于分析和识别高风险目标的肢体动作模式、行为特征和可能的意图，为后续的行为心理评估和动作频率区域关联分析提供基础，通过动作幅度连贯分析，可以评估和量化高风险目标的动作连贯性，动作幅度连贯数据可以用来判断高风险目标的动作是否自然、协调和连贯，有助于识别异常行为或潜在的入侵行为，通过入侵行为心理评估，可以分析和推断高风险目标的意图、心理状态和可能的行为动机，入侵行为心理数据可以提供有关高风险目标内在思想和情绪的线索，有助于更全面地理解和解释其行为背后的动机和目的，通过肢体动作频率区域关联分析，可以将入侵行为心理数据与滞留热力区域数据结合，进一步确定高风险目标的活动区域和行为特征，可疑动作区域数据可以用来识别和定位可能存在的异常动作或潜在的入侵行为区域，提供更具体和详细的信息供安全分析和决策参考。
41、优选地，步骤s29包括以下步骤：
42、步骤s291：根据动作幅度连贯数据对可疑目标图像数据进行呼吸频率映射分析，得到呼吸频率映射数据；
43、步骤s292：根据呼吸频率映射数据进行呼吸急缓频率分析，得到呼吸急缓频率数据；
44、步骤s293：对呼吸急缓频率数据进行聚类计算，得到呼吸急缓聚类数据；
45、步骤s294：利用马尔科夫链对呼吸急缓聚类数据进行状态分布矩阵转换，得到呼吸状态分布数据；
46、步骤s295：对呼吸状态分布数据进行最大似然估计处理，得到标准呼吸状态数据；
47、步骤s296：对标准呼吸状态数据进行入侵行为心理评估，得到入侵行为心理数据。
48、本发明通过呼吸频率映射分析，可以从可疑目标图像数据中提取出呼吸频率的信息，形成呼吸频率映射数据，呼吸频率映射数据可以用于分析高风险目标的呼吸模式和呼吸频率的变化，为后续的呼吸急缓频率分析提供基础；通过呼吸急缓频率分析，可以对呼吸频率的急缓程度进行评估和分析，得到呼吸急缓频率数据，呼吸急缓频率数据可以提供高风险目标呼吸的节奏和速率信息，有助于判断呼吸的异常性和入侵行为的可能性，通过聚类计算，可以对呼吸急缓频率数据进行分类和聚类，得到呼吸急缓聚类数据，呼吸急缓聚类数据可以将相似的呼吸急缓频率数据聚合在一起，帮助识别和分析不同的呼吸模式和呼吸行为类型，通过马尔科夫链的状态分布矩阵转换，可以对呼吸急缓聚类数据进行转换，得到呼吸状态分布数据，呼吸状态分布数据可以反映高风险目标在不同呼吸状态下的分布情况，有助于了解呼吸状态的变化和可能的异常行为，通过最大似然估计处理，可以对呼吸状态分布数据进行分析和估计，得到标准呼吸状态数据，标准呼吸状态数据可以提供关于高风险目标呼吸状态的准确估计，为后续的入侵行为心理评估提供基础，通过对标准呼吸状态数据进行入侵行为心理评估，可以分析和推断高风险目标的入侵行为心理，入侵行为心理数据可以提供有关高风险目标的行为心理状态，如焦虑、紧张或冷静，有助于更深入地理解和解释其入侵行为的动机和意图。
49、优选地，步骤s210包括以下步骤：
50、步骤s2101：根据入侵行为心理数据进行异常肢体动作提取处理，得到异常动作数据集；
51、步骤s2102：对异常动作数据集进行动作轨迹重复增量计算，得到轨迹重复频率数据；
52、步骤s2103：对轨迹重复频率数据进行量化处理，得到重复频率量化数据；
53、步骤s2104：根据重复频率量化数据以及滞留热力区域数据进行肢体动作频率区域关联分析，得到可疑动作区域数据。
54、本发明通过对入侵行为心理数据进行异常肢体动作提取处理，可以从中提取出异常的肢体动作，并形成异常动作数据集，异常动作数据集可以提供有关高风险目标肢体动作的异常性和特征，为后续的动作轨迹重复增量计算提供基础；通过对异常动作数据集进行动作轨迹重复增量计算，可以计算出动作轨迹的重复频率数据，轨迹重复频率数据可以反映高风险目标动作轨迹的重复性和频率，有助于识别和分析重复出现的异常动作模式；通过对轨迹重复频率数据进行量化处理，可以将重复频率数据进行数值化和标准化，得到重复频率量化数据，重复频率量化数据可以提供对重复频率的定量度量，方便后续的数据分析和比较，通过根据重复频率量化数据和滞留热力区域数据进行肢体动作频率区域关联分析，可以得到可疑动作区域数据，可疑动作区域数据可以确定高风险目标在特定区域内频繁出现异常动作的情况，有助于识别和定位潜在的入侵行为。
55、优选地，步骤s3包括以下步骤：
56、步骤s31：对区域电子监控器进行通信协议约定，得到监控器区域通信协议数据；
57、步骤s32：根据监控器区域通信协议数据对区域电子监控器进行通信网络构建，得到监控器区域通信网络；
58、步骤s33：根据可疑动作区域数据以及监控器区域通信网络对区域电子监控器进行入侵衔接监控处理，得到入侵衔接监控指令；
59、步骤s34：根据入侵衔接监控指令对区域电子监控器进行监控行为训练，得到监控行为记忆数据；
60、步骤s35：将监控行为记忆数据输入至云平台进行记忆训练，以实现入侵行为自动化管控。
61、本发明通过对区域电子监控器进行通信协议约定，可以获得监控器区域通信协议数据，监控器区域通信协议数据可以确保区域电子监控器之间的有效通信，并为后续步骤提供准确的通信规范和约束；根据监控器区域通信协议数据对区域电子监控器进行通信网络构建，得到监控器区域通信网络，监控器区域通信网络可以建立起区域内电子监控器之间的联通性，实现数据的传输和共享，为后续步骤提供可靠的数据交换基础，通过使用可疑动作区域数据和监控器区域通信网络，对区域电子监控器进行入侵衔接监控处理，得到入侵衔接监控指令，入侵衔接监控指令可以根据可疑动作区域数据和监控器通信网络，对电子监控器进行实时监控和入侵判定，确保及时发现和应对潜在入侵行为，根据入侵衔接监控指令对区域电子监控器进行监控行为训练，得到监控行为记忆数据，监控行为记忆数据可以记录区域电子监控器对入侵衔接监控指令的响应和执行情况，提供对入侵行为的行为模式和历史数据的参考，将监控行为记忆数据输入云平台进行记忆训练，以实现入侵行为的自动化管控，通过将监控行为记忆数据输入云平台进行训练，可以实现对入侵行为的自动化分析和管控，提高入侵检测的准确性和效率。
1.一种基于视频监控的楼宇安全自动化管控方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于视频监控的楼宇安全自动化管控方法，其特征在于，步骤s1包括以下步骤：
3.根据权利要求2所述的基于视频监控的楼宇安全自动化管控方法，其特征在于，其中风险预测识别模型的构建步骤包括以下步骤：
4.根据权利要求3所述的基于视频监控的楼宇安全自动化管控方法，其特征在于，平衡加权算法如下所示：
5.根据权利要求4所述的基于视频监控的楼宇安全自动化管控方法，其特征在于，步骤s2包括以下步骤：
6.根据权利要求5所述的基于视频监控的楼宇安全自动化管控方法，其特征在于，步骤s29包括以下步骤：
7.根据权利要求5所述的基于视频监控的楼宇安全自动化管控方法，其特征在于，步骤s210包括以下步骤：
8.根据权利要求7所述的基于视频监控的楼宇安全自动化管控方法，其特征在于，步骤s3包括以下步骤：
9.根据权利要求7所述的基于视频监控的楼宇安全自动化管控方法，其特征在于，步骤s4包括以下步骤：
10.基于视频监控的楼宇安全自动化管控系统及方法，其特征在于，用于执行如权利要求1所述的基于视频监控的楼宇安全自动化管控方法，该基于视频监控的楼宇安全自动化管控系统：
