[發明專利]一種基于聯想記憶神經網絡的違規操作行為預測方法

在審

• 申請號: 201810826420.3
• 申請日: 2018-07-25
• 公開（公告）號: CN108985246A
• 公開（公告）日: 2018-12-11
• 發明（設計）人: 翟穎敏;張永賓;楊迎霞
• 申請（專利權）人: 黃佳敏
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/40;G06K9/46
• 代理公司: 北京東方盛凡知識產權代理事務所(普通合伙) 11562
• 代理人: 牟炳彥

1.一種基于聯想記憶神經網絡的違規操作行為預測方法，其特征在于：所述方法包括以下步驟：

A.建立聯想記憶神經網絡模型，并輸入崗位的操作行為圖像或視頻作為待學習樣本模板，供神經網絡進行學習；

B.尋找圖像滑動窗口的中心像素，通過圖像矢量中值濾波器對圖像進行降噪處理；

C.構造圖像的高斯混合模型，對高斯分布的權值進行歸一化處理，去除背景和陰影，提取人體輪廓；

D.通過聯想記憶神經網絡對行為軌跡進行識別，綜合最近行為狀態、行為的進階浮動對工人的操作行為進行預測，提前防范工人的違規操作行為。

2.如權利要求1所述的基于聯想記憶神經網絡的違規操作行為預測方法，其特征在于：

所述步驟A的具體實現方式為：

(1)建立聯想記憶神經網絡模型，輸入為待學習的樣本S＝{s₁,s₂,…,s_n}，是一個歐幾里德n維矢量，通過m條規則映射到l維模糊矢量V＝{v₁,v₂,…,v_n}上，聯想記憶神經網絡系統通過學習可存儲空間模式對(S,V)；設立目標函數：

F＝S^TV＝min{m_S(s_i),m_V(v_i)}

其中，m_S(s_i)是S中第i個元素的隸屬度，m_V(v_i)是V中第i個元素的隸屬度，F是一個模糊矩陣；

(2)對目標函數進行二次規劃：

其中，c、a、b是實數向量，x是規劃問題的解，即待識別模式，則聯想記憶神經網絡模型為：

其中，s₀是投影算子，x(0)＝0，y(0)＝0；通過對人體檢測和運動軌跡的識別、分析進行預測。

3.如權利要求2所述的基于聯想記憶神經網絡的違規操作行為預測方法，其特征在于：

所述步驟B的具體實現方式為：

(1)圖像窗口中N個矢量的集合為A＝{a₁,a₂,…,a_N}，將其通過矢量中值濾波器后得到的輸出中值矢量A_M，計算濾波器窗口內的每一個矢量到其他矢量的Hamming距離和將所有矢量進行升序排序，選擇a_k＝min{sum_d}的矢量，若：

則a_k是輸出的中值矢量，用a_k作為濾波器窗口的中心像素；

(2)通過矢量中值濾波器對圖像進行濾波，降低噪音，另外，圖像中亮度不均勻會影響圖像的分割效果，通過數字化處理得到背景的亮度變換差值，然后進行亮度補償，從而消除背景亮度的不均勻造成的影響。

4.如權利要求3所述的基于聯想記憶神經網絡的違規操作行為預測方法，其特征在于：

所述步驟C的具體實現方式為：

(1)構造圖像f(x,y)的高斯混合模型：

其中，μ(x,y)是圖像每一像素的平均亮度，σ²(x,y)是像素亮度的方差，T是圖像差分二值化的閾值；高斯分布的權值為：

ω_t＝(1-σ)ω_t-1

其中，t是時間；

(2)將所有高斯分布的權值進行歸一化處理，并按時間順序排列，若前S個分布滿足：

其中，ε是閾值，則這S個分布是陰影分布，計算陰影分布的均值μ_t，若其與μ(x,y)之差的絕對值大于標準差，則μ_t是運動目標，否則是陰影，并進行刪除，從而提取人體輪廓。

5.如權利要求4所述的基于聯想記憶神經網絡的違規操作行為預測方法，其特征在于：

所述步驟D的具體實現方式為：

(1)將目標函數轉換為求線性函數的極值問題：

G(x,y)＝k₁||x-x’||+k₂||y-y’||

其中，k₁、k₂是系數，G(x,y)是能量函數；則常數a，使得：

其中，R是最大不變集，即規劃問題的解集；

當時，通過可得投影算子與樣本之間的漢明距離，若投影算子與樣本的最小漢明距離不唯一，則取能使能量函數G(x,y)＝k₁||x-x'||+k₂||y-y'||達到極小值的解；

(2)對于任意的一個初始輸入樣本s_i，其在N維空間的吸引域為D(s_i)，且k個初始輸入樣本的吸引域在N維空間中滿足：

使得樣本吸引域盡可能的大，記憶樣本根據漢明距離選擇樣本對圖像進行識別，從網絡的運動軌跡來預估識別的結果，對于不能識別的模式，通過聯想記憶輸出可能的樣本，綜合最近行為狀態、最近行為的進階浮動對工人的操作行為進行預測，提前防范工人的違規操作行為。