[发明专利]基于语义模型的消防运维阶段人员异常检测装置和方法

说明书

本发明提供了一种基于语义模型的消防运维阶段人员异常检测装置，包括：视频处理模块，行为判定模块，领域模型抽取模块、运维语义模型构造模块、异常行为检查模块和用户界面模块，视频处理模块用于获取本地视频流或者RSTP格式的直播视频流信息；服务器定时从每个视频流截取视频帧，创建工作空间存储视频帧并记录视频帧时间戳以及视频来源；行为判定模块用于实现图像中人员行为判定，领域模型抽取模块用于实现消防运维领域的子模型抽取；运维语义模型构造模块用于构造消防运维语义模型；异常行为检查模块用于检查建筑物中存在异常行为的空间元素，用户界面模块用于向外提供功能接口。该装置和检测方法实现了人员行为判定，领域模型抽取、运维语义模型构造、异常行为检查等功能。

技术领域

本发明涉及消防运维阶段人员行为异常的检测，是自动检测运维阶段人员行为规范性的方法和手段，应用于建筑运维阶段，尤其涉及一种基于语义模型的消防运维阶段人员异常检测装置和方法。

背景技术

消防安全保障是社会安全的一个重要目标。随着城市体量的迅速增大，安全事故频频发生。近些年来，各地出现许多大型的火灾事故，造成大量人员和经济损失。消防运维阶段的安全保障主要由各地消防部门负责，依据消防检查相关规定，对建筑设施内物体、人员等进行合规性检查。我国已经出台了多部运维阶段的消防相关法律法规，如《住宅物业消防安全管理》(GA1283-2015)、《建筑消防设施的维护管理》(GB25201-2010)、《人员密集场所消防安全管理》(GA654-2006)、《重大火灾隐患判定方法》(GB35181-2017)、《中华人民共和国消防法》等。这些法律法规对建筑中物体的状态、位置以及工作人员的工作状态等提出了明确的要求。例如，《建筑消防设施的维护管理》(GB25201-2010)5.2规定消防控制室每班人员应不少于2人，消防控制室人员值班时间不允许睡觉等要求。

传统消防运维阶段的安全检查，主要依赖人工巡检的方式，每隔一段时间抽查一次，受限于人力，抽查的范围有限，时间间隔很长，难以做到实时性和全面性。目前针对运维阶段的机器监测主要有两种技术手段，一种是运用物联网技术，在关键位置安装传感器，比如烟雾报警器等。传感器检测的目标单一，只能通过数据层面监控建筑的状态。另一种是运用监控视频，但目前大多数监控视频仍然需要工作人员肉眼查看，无法自动发现异常的行为，因此迫切需要面向运维阶段的自动检测手段。

人工智能的发展，为视频信息检测提供了有效的手段，目标检测等方法可以快速检测出视频中各类物体的种类和位置。姿态识别可以识别出视频中的人员数量和姿态。在视频监控方面，近些年随着深度学习的快速发展，视频检测的效率越来越高，越来越多的研究人员将深度学习技术应用在建筑运维领域。Marek等人使用分类的方法实时从监控视频获取人的行为信息，可以获取步行、跑步等行为(参见Ko K E,Sim K B.Deepconvolutional framework for abnormal behavior detection in a smartsurveillance system[J].Engineering Applications of Artificial Intelligence,2018,67:226-234.)。

Kwang-Eun等人提出了一种基于深度卷积框架的统一框架，提高了检测的速度(参见Kulbacki M,Segen J,Wojciechowski S,et al.Intelligent Video MonitoringSystem with the Functionality of Online Recognition of People’s Behavior andInteractions Between People[C]//Asian Conference on Intelligent Informationand Database Systems.Springer,Cham,2018:492-501.)。