申请/专利权人：淮阴工学院

申请日：2023-12-28

公开（公告）日：2024-06-21

公开（公告）号：CN117789301B

主分类号：G06V40/20

分类号：G06V40/20;G06V40/10;G06V20/40;G06V20/54;G06V10/82;G06N3/006;G06N3/045;G06N3/0464;G06N3/049;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.06.21#授权;2024.04.16#实质审查的生效;2024.03.29#公开

摘要：本发明公开了一种应用于车站乘客的危险动作识别方法及系统，所述方法包括针对车站乘客的危险动作特点，采集在车站站台危险动作视频数据，建立危险动作数据集；对采集到的视频数据，将其转化为图片帧，采用AlphaPose模型对人体关节骨架特征值进行提取；对斑马优化算法进行改进，即在斑马优化算法中引入透镜成像反向学习策略，提高种群多样性，并采用改进后的斑马优化算法优化AlphaPose模型；将提取的人体关节骨架特征数据送入构建的TCN‑transformer网络模型进行训练，利用训练好的模型对车站乘客的危险动作进行识别；对于获取的乘客的危险动作识别结果进行前端界面展示，以便于车站监管人员处理。本发明可以有效的对高铁站乘客危险动作进行识别，及时发现隐患，降低风险发生。

主权项：1.一种应用于车站乘客的危险动作识别方法，其特征在于，包括如下步骤：1针对车站乘客的危险动作特点，采集在车站站台危险动作视频数据，建立危险动作数据集；2对采集到的视频数据，将其转化为图片帧，采用AlphaPose模型对人体关节骨架特征值进行提取；3对斑马优化算法进行改进，即在斑马优化算法中引入透镜成像反向学习策略，提高种群多样性，并采用改进后的斑马优化算法优化AlphaPose模型；4将步骤2提取的人体关节骨架特征数据送入构建的TCN-transformer网络模型进行训练，利用训练好的模型对车站乘客的危险动作进行识别；5对于步骤4获取的乘客的危险动作识别结果进行前端界面展示，以便于车站监管人员处理；所述步骤3实现过程如下：31设置ZOA算法的目标函数为危险动作识别准确率并初始化相关参数，包括：种群规模、迭代次数、维度大小；32根据目标函数计算适应度值，根据计算适应度得出最优解；33ZOA算法在优化过程中分为二个阶段，第一阶段觅食行为和第二阶段针对掠食者的防御行为；34提出一种自适应权重因子，对个体位置进行自适应扰动： 其中，w为一种自适应权重因子，wt为当前迭代次数的权重因子值，wt+1为迭代后的权重因子值，对做出危险动作成员的位置进行更新；35引入透镜成像反向学习策略利用凸透镜成像原理在搜索空间中生成透镜反向解，引入该策略有利于提升整体种群多样性，即利用透镜反向解丰富的搜索信息来提高种群跳出局部极值能力，加速算法收敛： 其中，UB和LB代表搜索空间上下界，k＝hh*，PZ为在一维空间[LB,UB]内做出危险动作的最优成员，h为其危险动作，在透镜的作用下形成一个危险动作为h*，反向个体PZ*的透镜成像；36每个ZOA迭代都是通过基于第一阶段和第二阶段更新种群成员来完成的，在连续迭代期间更新和保存当前解，并同步更新全局最优解；37通过给定的最大迭代次数判断是否达到算法终止条件，若未达到则转到步骤32，在规定迭代次数内输出最优结果；所述步骤33包括以下步骤：331第一阶段中更新斑马在觅食阶段的位置： 其中,Xi表示第i个人在第1阶段的危险动作状态，xi,j是它的第j维值,Fi是它的目标函数值,表示第i个人在第1阶段的新的危险动作状态，是它的第j维值,Finew,P1是它的目标函数值，PZ为做出危险动作的最优成员,PZj为其第j维,r是[0,1]的随机数，I＝round1+rand；332第二阶段通过斑马对捕食者攻击的防御策略，来更新种群成员在搜索空间中的位置；斑马的防御策略有两种，S1逃跑策略和S2进攻策略： 其中，表示第i个人在第2阶段的新的危险动作状态，是它的第j维值,Finew,P2是它的目标函数值；t，T分别表示当前迭代次数和最大迭代次数,R是常数，PS是在区间[0,1]内随机产生的两种策略中选择一种策略的概率,AZ为被识别人员的状态，AZj为被识别人员的第j维值。

全文数据：

权利要求：

百度查询： 淮阴工学院 一种应用于车站乘客的危险动作识别方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD