[發明專利]基于人工智能的景區危險區域管控方法

在審

• 申請號: 202011570349.0
• 申請日: 2020-12-26
• 公開（公告）號: CN112613668A
• 公開（公告）日: 2021-04-06
• 發明（設計）人: 劉瑜
• 申請（專利權）人: 西安科銳盛創新科技有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/14;G06Q50/26;G06K9/00;G06K9/62;G06N3/04
• 代理公司: 西安嘉思特知識產權代理事務所(普通合伙) 61230
• 代理人: 王海棟

本發明公開了一種基于人工智能的景區危險區域管控方法，包括：采集景區危險區域的視頻，景區危險區域的視頻中的目標包括游客和危險區域標識；基于區危險區域的視頻生成關于游客和危險區域標識的空間位置關系的空間與或圖模型；從空間與或圖模型中提取表征游客的活動狀態的子活動標簽集；將子活動標簽集輸入預先得到的時間與或圖模型，得到游客未來活動的預測結果；其中，時間與或圖模型是利用預先建立的景區危險區域的目標的活動語料庫得到的；基于預測結果對景區危險區域進行管控。本發明實施例利用時空與或圖模型能夠對危險區域游客的活動進行準確、快速預測，從而實現及時有效的危險提醒和防范。

技術領域

本發明屬于監控技術領域，具體涉及一種基于人工智能的景區危險區域管控方法。

背景技術

旅游景區通常都會存在一些危險區域，比如懸崖邊、深湖邊等危險區域，游客冒然進入會造成身體傷害甚至生命危險；目前常用的對游客的提醒手段有危險標識牌或柵欄；但只有危險標識牌的話，游客很可能因為沒有及時看到而發生意外；更為保險的做法是即設置危險標識牌又設置柵欄；但直接設置柵欄雖然更安全，卻對會影響游客拍照的美觀度。

發明內容

為了解決上述技術問題，本發明實施例提供了一種基于人工智能的景區危險區域管控方法。具體技術方案如下：

采集景區危險區域的視頻，所述景區危險區域的視頻中的目標包括游客和危險區域標識；

基于所述區危險區域的視頻生成關于所述游客和所述危險區域標識的空間位置關系的空間與或圖模型；

從所述空間與或圖模型中提取表征所述游客的活動狀態的子活動標簽集；

將所述子活動標簽集輸入預先得到的時間與或圖模型，得到所述游客未來活動的預測結果；其中，所述時間與或圖模型是利用預先建立的所述景區危險區域的目標的活動語料庫得到的；

基于所述預測結果對所述景區危險區域進行管控。

在本發明的一個實施例中，所述危險區域標識包括第一標識和第二標識，且所述第一標識與所述危險邊緣之間的距離大于所述第二標識與所述危險邊緣之間的距離。

在本發明的一個實施例中，所述危險區域標識包括豎立于地面的警告牌和鋪設于地面的警示線。

在本發明的一個實施例中，所述基于所述所述區危險區域的視頻生成關于所述游客和所述危險區域標識的空間位置關系的空間與或圖模型，包括：

利用預先訓練得到的目標檢測網絡對所述景區危險區域的視頻中的目標進行檢測，得到所述視頻的每一幀圖像中各目標分別對應的屬性信息；其中，所述屬性信息包括包含所述目標的邊界框的位置信息；

基于所述每一幀圖像中各目標分別對應的屬性信息，利用預設的多目標跟蹤算法對所述景區危險區域的視頻的各幀圖像中的相同目標進行匹配；

確定每一幀圖像中所述游客和所述危險區域標識之間的實際空間距離；

利用匹配后各幀圖像對應的目標的所述屬性信息以及所述實際空間距離，生成所述景區危險區域的空間與或圖模型。

在本發明的一個實施例中，所述目標檢測網絡是基于YOLO_v3網絡的主干網絡中，殘差模塊更換為密集連接模塊得到的。

在本發明的一個實施例中，所述目標檢測網絡包括多個間隔串接的密集連接模塊和過渡模塊；所述密集連接模塊的數量至少為三個；所述密集連接模塊包括串行連接的卷積網絡模塊和密集連接單元組；所述卷積網絡模塊包括串行連接的卷積層、BN層、Leakyrelu層；所述密集連接單元組包括m個密集連接單元；每個密集連接單元包括多個采用密集連接形式連接的所述卷積網絡模塊，并采用級聯方式融合多個卷積網絡模塊輸出的特征圖；其中，m為大于等于4的自然數。