[发明专利]基于用户行为分析模型的环境动态管控方法及系统

说明书

本申请提供一种基于用户行为分析模型的环境动态管控方法及系统，该方法包括如下步骤：根据历史积累数据，建立违规行为模型；根据通用模型识别用户行为视频中的关键事件，并截取关键事件图像资料；通过违规行为模型对关键事件进行甄别。通过本申请的基于用户行为分析模型的环境动态管控方法，甄别出关键事件中的用户行为是否存在违规，从而实现站房内用户行为以及采样口处(同时对用户动作行为进行远程监控，例如监控更换试剂盒行为)等智能图像识别处理，同时实现站房内、采样口处重要区域智能管控，并且具有较低的计算量，较高的检测效率以及检测准确性。

技术领域

本发明涉及用户行为分析技术领域，具体而言，涉及一种基于用户行为分析模型的环境动态管控方法及系统。

背景技术

随着科技的不断进步，视频监控技术被广泛应用于各个行业，尤其对于公共场所的安全性需求提供了极大的帮助。

现有的视频监控技术仅能用于视频的捕获、存储和回放，功能性较为单一，对于视频图像中的异常行为，还是通过安保人员的监测方式获取。

然而，人工监测的方式容易出现人员疲惫现象，尤其面对不同通道传来的监控视频时，往往会目不暇接、反应迟缓，很难及时观察到一些潜在的异常行为，无法对突发的异常行为做出迅速、高效、合理、准确的反应。

用户行为分析方法是根据每一个合法用户基本行为具有一定规则的特点提出的。现有的用户行为异常检测大多是基于数据挖掘方法和机器学习的方法，方法主要集中在关联分析、聚类分析、序列模式分析上，需要进行海量的数据源审计，导致系统运行速度慢，系统的响应时间长，常出现假死现象。同时，现有的数据挖掘方法和机器学习方法过程设计较为复杂，而要很长的运行时间才能得到结果，比如，基干隐马东尔可夫模型(Hidden MarkovModel，HMMD的用户行为检测方法，该方法利用HMM在用户界面层建立合法用户的正常行为轮廓，并采用Baum-Welch算法对HMM进行训练，在检测阶段利用近似的前向后向算法和贝叶斯准则判断用户当前行为是否出现异常，虽然该方法可以对用户行为进行检测，但所需要的计算量很大，检测效率和实时性较差；基于神经网络的用户行为检测方法，检测过程中运行效率低，而且过程需要人为的干预，实用性差。

发明内容

本发明的目的在于提供一种基于用户行为分析模型的环境动态管控方法及系统，以解决上述的问题。

为了实现本发明的上述目的，采用以下技术方案：

第一方面，本申请提供了一种基于用户行为分析模型的环境动态管控方法，包括如下步骤：

步骤100：根据历史积累数据，建立违规行为模型；

步骤200：根据通用模型识别用户行为视频中的关键事件，并截取关键事件图像资料；

步骤300：通过违规行为模型对关键事件进行甄别。

具体地，步骤100：根据历史积累数据，建立违规行为模型，具体包括如下步骤：

步骤110：提取所述历史数据中的工况数据、可信环境数据、异常数据及其对应的时间数据；

步骤120：根据所述的工况数据、可信环境数据、异常数据及其对应的时间数据训练得到所述违规行为模型。

具体地，步骤200：根据通用模型识别用户行为视频中的关键事件，并截取关键事件图像资料，具体包括如下步骤：

步骤210：获取包含用户行为的视频图像，将包含用户行为的视频图像处理成视频图像序列，并对所述视频图像序列进行处理；

步骤220：获取处理后的视频图像序列，并根据获取的经过处理后的所述视频图像序列，建立视频图像数据库；

步骤230：根据建立的所述视频图像数据库，从获取的所述视频图像序列中提取出目标行为图像；