(19)國(guó)家知識(shí)產(chǎn)權(quán)局(22)申請(qǐng)日2025.05.27地址102206北京市昌平區(qū)高新四街6號(hào)院1號(hào)樓3層319、320室所(特殊普通合伙)11542GO6VGO6VGO6VGO6V一種基于AI的行為管控方法及系統(tǒng)識(shí)別，確定主體區(qū)域，同步提取主體特征；將主體務(wù)量，與此同時(shí)，根據(jù)識(shí)別結(jié)果蒸餾出一個(gè)本地模型，進(jìn)2在區(qū)域入口處獲取主體圖像，對(duì)主體圖像進(jìn)行識(shí)別，確定主體區(qū)域，同步提取主體特將主體特征插入?yún)^(qū)域特征庫(kù)，基于區(qū)域特征庫(kù)實(shí)時(shí)對(duì)區(qū)域視頻進(jìn)行追蹤，確定主體運(yùn)動(dòng)軌跡；所述區(qū)域視頻的獲取精度為預(yù)設(shè)的第一精度；根據(jù)所述主體運(yùn)動(dòng)軌跡定位異常主體，基于第二精度采集異常主體的近景視頻，基于AI對(duì)近景視頻進(jìn)行識(shí)別；所述第一精度為常量，所述第二精度為變量，第二精度與定位結(jié)果及識(shí)別結(jié)果相關(guān)；記錄經(jīng)過(guò)AI識(shí)別的近景視頻及其識(shí)別結(jié)果，訓(xùn)練本地識(shí)別模型；所述本地識(shí)別模型為神經(jīng)網(wǎng)絡(luò)模型。2.根據(jù)權(quán)利要求1所述的基于AI的行為管控方法，其特征在于，所述在區(qū)域入口處獲取在區(qū)域入口處安裝含有測(cè)溫模塊的攝像頭，由攝像頭實(shí)時(shí)獲取含有溫度信息的入口圖基于溫度信息在入口圖像中定位主體區(qū)域；遍歷主體區(qū)域，計(jì)算主體區(qū)域中各像素點(diǎn)的水平梯度和垂直梯度，當(dāng)某一像素點(diǎn)的水平梯度和垂直梯度滿足預(yù)設(shè)的梯度條件時(shí)，標(biāo)記像素點(diǎn)；統(tǒng)計(jì)標(biāo)記的像素點(diǎn)，得到主體輪廓，根據(jù)主體輪廓構(gòu)建主體特征。3.根據(jù)權(quán)利要求2所述的基于AI的行為管控方法，其特征在于，所述統(tǒng)計(jì)標(biāo)記的像素點(diǎn)，得到主體輪廓，根據(jù)主體輪廓構(gòu)建主體特征提取主體輪廓的內(nèi)部區(qū)域在不同通道下的圖層，遍歷每個(gè)圖層中的像素點(diǎn)，記錄像素對(duì)每個(gè)數(shù)組，按順序計(jì)算各個(gè)數(shù)值的獨(dú)立值；所述獨(dú)立值用于表示每個(gè)數(shù)值與數(shù)組中其他數(shù)值的差異化程度；對(duì)所述序號(hào)進(jìn)行篩選，將篩選后的序號(hào)作為主體特征。4.根據(jù)權(quán)利要求1所述的基于AI的行為管控方法，其特征在于，所述將主體特征插入?yún)^(qū)域特征庫(kù)，基于區(qū)域特征庫(kù)實(shí)時(shí)對(duì)區(qū)域視頻進(jìn)行追蹤，確定主體運(yùn)動(dòng)軌跡的步驟包括：將主體特征插入?yún)^(qū)域特征庫(kù)；讀取區(qū)域視頻，根據(jù)預(yù)設(shè)的時(shí)間步長(zhǎng)在區(qū)域視頻中選取視頻幀；依次在區(qū)域特征庫(kù)中讀取主體特征，遍歷選取到的視頻幀，確定該主體特征對(duì)應(yīng)的主根據(jù)視頻幀的時(shí)間順序統(tǒng)計(jì)同一主體特征的所有主體位置，計(jì)算主體位置的中心點(diǎn)；獲取區(qū)域地圖，基于中心點(diǎn)在區(qū)域地圖中選取映射點(diǎn)，同步確定色值，擬合所有映射點(diǎn)，得到該主體特征對(duì)應(yīng)的主體運(yùn)動(dòng)軌跡；其中，當(dāng)區(qū)域特征庫(kù)中的主體特征遍歷到的主體位置為空時(shí)，縮小時(shí)間步長(zhǎng)，當(dāng)縮小的時(shí)間步長(zhǎng)小于預(yù)設(shè)的步長(zhǎng)閾值且遍歷到的主體位置為空的時(shí)長(zhǎng)大于預(yù)設(shè)的時(shí)長(zhǎng)閾值時(shí)，在區(qū)域特征庫(kù)中刪除該主體特征。35.根據(jù)權(quán)利要求1所述的基于AI的行為管控方法，其特征在于，所述根據(jù)所述主體運(yùn)動(dòng)軌跡定位異常主體，基于第二精度采集異常主體的近景視頻，基于AI對(duì)近景視頻進(jìn)行識(shí)別的步驟包括：接收工作人員確定的回溯時(shí)間；基于區(qū)域地圖獲取回溯時(shí)間內(nèi)的所有主體運(yùn)動(dòng)軌跡；對(duì)含有主體運(yùn)動(dòng)軌跡的區(qū)域地圖進(jìn)行像素點(diǎn)聚類，得到子區(qū)域；計(jì)算每個(gè)子區(qū)域內(nèi)的像素色值均值，根據(jù)像素色值均值確定待分析區(qū)域；根據(jù)像素色值均值確定放大倍數(shù)，基于放大倍數(shù)獲取待分析區(qū)域內(nèi)的近景視頻，基于AI對(duì)近景視頻進(jìn)行識(shí)別；根據(jù)AI識(shí)別結(jié)果遞歸調(diào)節(jié)放大倍數(shù)。6.根據(jù)權(quán)利要求5所述的基于AI的行為管控方法，其特征在于，所述記錄經(jīng)過(guò)AI識(shí)別的近景視頻及其識(shí)別結(jié)果，訓(xùn)練本地識(shí)別模型的步驟包括：記錄經(jīng)過(guò)AI識(shí)別的近景視頻及其識(shí)別結(jié)果；對(duì)近景視頻進(jìn)行特征提取，得到視頻特征；構(gòu)建視頻特征至識(shí)別結(jié)果的樣本集，訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型；當(dāng)神經(jīng)網(wǎng)絡(luò)模型的誤差率小于預(yù)設(shè)的誤差率閾值時(shí)，輸出神經(jīng)網(wǎng)絡(luò)模型，作為本地識(shí)別模型。主體特征提取模塊，用于在區(qū)域入口處獲取主體圖像，對(duì)主體圖像進(jìn)行識(shí)別，確定主體主體追蹤模塊，用于將主體特征插入?yún)^(qū)域特征庫(kù)，基于區(qū)域特征庫(kù)實(shí)時(shí)對(duì)區(qū)域視頻進(jìn)行追蹤，確定主體運(yùn)動(dòng)軌跡；所述區(qū)域視頻的獲取精度為預(yù)設(shè)的第一精度；AI目標(biāo)識(shí)別模塊，用于根據(jù)所述主體運(yùn)動(dòng)軌跡定位異常主體，基于第二精度采集異常主體的近景視頻，基于AI對(duì)近景視頻進(jìn)行識(shí)別；所述第一精度為常量，所述第二精度為變量，第二精度與定位結(jié)果及識(shí)別結(jié)果相關(guān)；本地模型訓(xùn)練模塊，用于記錄經(jīng)過(guò)AI識(shí)別的近景視頻及其識(shí)別結(jié)果，訓(xùn)練本地識(shí)別模型；所述本地識(shí)別模型為神經(jīng)網(wǎng)絡(luò)模型。8.根據(jù)權(quán)利要求7所述的基于AI的行為管控系統(tǒng)，其特征在于，所述主體特征提取模塊入口圖像獲取單元，用于在區(qū)域入口處安裝含有測(cè)溫模塊的攝像頭，由攝像頭實(shí)時(shí)獲取含有溫度信息的入口圖像；區(qū)域定位單元，用于基于溫度信息在入口圖像中定位主體區(qū)域；像素點(diǎn)標(biāo)記單元，用于遍歷主體區(qū)域，計(jì)算主體區(qū)域中各像素點(diǎn)的水平梯度和垂直梯度，當(dāng)某一像素點(diǎn)的水平梯度和垂直梯度滿足預(yù)設(shè)的梯度條件時(shí)，標(biāo)記像素點(diǎn)；輪廓構(gòu)建單元，用于統(tǒng)計(jì)標(biāo)記的像素點(diǎn)，得到主體9.根據(jù)權(quán)利要求8所述的基于AI的行為管控系統(tǒng)，其特征在于，所述主體追蹤模塊包特征插入單元，用于將主體特征插入?yún)^(qū)域特征庫(kù)；視頻幀選取單元，用于讀取區(qū)域視頻，根據(jù)預(yù)設(shè)的時(shí)間步長(zhǎng)在區(qū)域視頻中選取視頻幀；4位置確定單元，用于依次在區(qū)域特征庫(kù)中讀取主體特征，遍歷選取到的視頻幀，確定該主體特征對(duì)應(yīng)的主體位置；中心點(diǎn)計(jì)算單元，用于根據(jù)視頻幀的時(shí)間順序統(tǒng)計(jì)同一主體特征的所有主體位置，計(jì)算主體位置的中心點(diǎn)；擬合單元，用于獲取區(qū)域地圖，基于中心點(diǎn)在區(qū)域地圖中選取映射點(diǎn)，同步確定色值，擬合所有映射點(diǎn)，得到該主體特征對(duì)應(yīng)的主體運(yùn)動(dòng)軌跡；其中，當(dāng)區(qū)域特征庫(kù)中的主體特征遍歷到的主體位置為空時(shí)，縮小時(shí)間步長(zhǎng)，當(dāng)縮小的時(shí)間步長(zhǎng)小于預(yù)設(shè)的步長(zhǎng)閾值且遍歷到的主體位置為空的時(shí)長(zhǎng)大于預(yù)設(shè)的時(shí)長(zhǎng)閾值時(shí)，在區(qū)域特征庫(kù)中刪除該主體特征。10.根據(jù)權(quán)利要求9所述的基于AI的行為管控系統(tǒng)，其特征在于，所述AI目標(biāo)識(shí)別模塊回溯時(shí)間接收單元，用于接收工作人員確定的回溯時(shí)間；軌跡獲取單元，用于基于區(qū)域地圖獲取回溯時(shí)間內(nèi)的所有主體運(yùn)動(dòng)軌跡；像素點(diǎn)聚類單元，用于對(duì)含有主體運(yùn)動(dòng)軌跡的區(qū)域地圖進(jìn)行像素點(diǎn)聚類，得到子區(qū)域；均值計(jì)算單元，用于計(jì)算每個(gè)子區(qū)域內(nèi)的像素色值均值，根據(jù)像素色值均值確定待分析區(qū)域；均值應(yīng)用單元，用于根據(jù)像素色值均值確定放大倍數(shù)，基于放大倍數(shù)獲取待分析區(qū)域內(nèi)的近景視頻，基于AI對(duì)近景視頻進(jìn)行識(shí)別；遞歸調(diào)節(jié)單元，用于根據(jù)AI識(shí)別結(jié)果遞歸調(diào)節(jié)放大倍數(shù)。5一種基于AI的行為管控方法及系統(tǒng)技術(shù)領(lǐng)域[0001]本發(fā)明涉及智能監(jiān)管技術(shù)領(lǐng)域，具體是一種基于AI的行為管控方法及系統(tǒng)。背景技術(shù)[0002]隨著AI技術(shù)的進(jìn)步，AI的應(yīng)用場(chǎng)景越來(lái)越多，比如用于區(qū)域的行為管控，在一些公共場(chǎng)所或者人員流動(dòng)較為頻繁的場(chǎng)所中，應(yīng)用AI可以極大地緩解管理人員的工作壓力，但是，AI雖然識(shí)別能力強(qiáng)且識(shí)別范圍廣，但是其識(shí)別速度很慢，是以秒為單位的，當(dāng)人員數(shù)量較多時(shí)，識(shí)別過(guò)程的耗時(shí)極長(zhǎng)，影響識(shí)別效率，如何優(yōu)化AI識(shí)別過(guò)程，提高面對(duì)多人員識(shí)別任務(wù)的識(shí)別效率是本發(fā)明技術(shù)方案想要解決的技術(shù)問(wèn)題。發(fā)明內(nèi)容[0003]本發(fā)明的目的在于提供一種基于AI的行為管控方法及系統(tǒng)，以解決上述背景技術(shù)中提出的問(wèn)題。一種基于AI的行為管控方法及系統(tǒng)，所述方法包括：在區(qū)域入口處獲取主體圖像，對(duì)主體圖像進(jìn)行識(shí)別，確定主體區(qū)域，同步提取主體將主體特征插入?yún)^(qū)域特征庫(kù)，基于區(qū)域特征庫(kù)實(shí)時(shí)對(duì)區(qū)域視頻進(jìn)行追蹤，確定主體運(yùn)動(dòng)軌跡；所述區(qū)域視頻的獲取精度為預(yù)設(shè)的第一精度；根據(jù)所述主體運(yùn)動(dòng)軌跡定位異常主體，基于第二精度采集異常主體的近景視頻，基于AI對(duì)近景視頻進(jìn)行識(shí)別；所述第一精度為常量，所述第二精度為變量，第二精度與定位結(jié)果及識(shí)別結(jié)果相關(guān)；記錄經(jīng)過(guò)AI識(shí)別的近景視頻及其識(shí)別結(jié)果，訓(xùn)練本地識(shí)別模型；所述本地識(shí)別模型為神經(jīng)網(wǎng)絡(luò)模型。[0005]作為本發(fā)明進(jìn)一步的方案：所述在區(qū)域入口處獲取主體圖像，對(duì)主體圖像進(jìn)行識(shí)在區(qū)域入口處安裝含有測(cè)溫模塊的攝像頭，由攝像頭實(shí)時(shí)獲取含有溫度信息的入基于溫度信息在入口圖像中定位主體區(qū)域；遍歷主體區(qū)域，計(jì)算主體區(qū)域中各像素點(diǎn)的水平梯度和垂直梯度，當(dāng)某一像素點(diǎn)的水平梯度和垂直梯度滿足預(yù)設(shè)的梯度條件時(shí)，標(biāo)記像素點(diǎn)；統(tǒng)計(jì)標(biāo)記的像素點(diǎn)，得到主體輪廓，根據(jù)主體輪廓構(gòu)建主體特征。[0006]作為本發(fā)明進(jìn)一步的方案：所述統(tǒng)計(jì)標(biāo)記的像素點(diǎn)，得到主體輪廓，根據(jù)主體輪廓構(gòu)建主體特征的步驟包括：提取主體輪廓的內(nèi)部區(qū)域在不同通道下的圖層，遍歷每個(gè)圖層中的像素點(diǎn)，記錄6像素點(diǎn)的值，構(gòu)建數(shù)組；所有圖層中像素點(diǎn)的遍對(duì)每個(gè)數(shù)組，按順序計(jì)算各個(gè)數(shù)值的獨(dú)立值；所述獨(dú)立值用于表示每個(gè)數(shù)值與數(shù)組中其他數(shù)值的差異化程度；對(duì)所述序號(hào)進(jìn)行篩選，將篩選后的序號(hào)作為主體特征。[0007]作為本發(fā)明進(jìn)一步的方案：所述將主體特征插入?yún)^(qū)域特征庫(kù)，基于區(qū)域特征庫(kù)實(shí)時(shí)對(duì)區(qū)域視頻進(jìn)行追蹤，確定主體運(yùn)動(dòng)軌跡的步驟包括：將主體特征插入?yún)^(qū)域特征庫(kù)；讀取區(qū)域視頻，根據(jù)預(yù)設(shè)的時(shí)間步長(zhǎng)在區(qū)域視頻中選取視頻幀；依次在區(qū)域特征庫(kù)中讀取主體特征，遍歷選取到的視頻幀，確定該主體特征對(duì)應(yīng)的主體位置；根據(jù)視頻幀的時(shí)間順序統(tǒng)計(jì)同一主體特征的所有主體位置，計(jì)算主體位置的中心獲取區(qū)域地圖，基于中心點(diǎn)在區(qū)域地圖中選取映射點(diǎn)，同步確定色值，擬合所有映射點(diǎn)，得到該主體特征對(duì)應(yīng)的主體運(yùn)動(dòng)軌跡；其中，當(dāng)區(qū)域特征庫(kù)中的主體特征遍歷到的主體位置為空時(shí)，縮小時(shí)間步長(zhǎng)，當(dāng)縮小的時(shí)間步長(zhǎng)小于預(yù)設(shè)的步長(zhǎng)閾值且遍歷到的主體位置為空的時(shí)長(zhǎng)大于預(yù)設(shè)的時(shí)長(zhǎng)閾值時(shí)，在區(qū)域特征庫(kù)中刪除該主體特征。[0008]作為本發(fā)明進(jìn)一步的方案：所述根據(jù)所述主體運(yùn)動(dòng)軌跡定位異常主體，基于第二精度采集異常主體的近景視頻，基于AI對(duì)近景視頻進(jìn)行識(shí)別的步驟包括：接收工作人員確定的回溯時(shí)間；基于區(qū)域地圖獲取回溯時(shí)間內(nèi)的所有主體運(yùn)動(dòng)軌跡；對(duì)含有主體運(yùn)動(dòng)軌跡的區(qū)域地圖進(jìn)行像素點(diǎn)聚類，得到子區(qū)域；計(jì)算每個(gè)子區(qū)域內(nèi)的像素色值均值，根據(jù)像素色值均值確定待分析區(qū)域；根據(jù)像素色值均值確定放大倍數(shù)，基于放大倍數(shù)獲取待分析區(qū)域內(nèi)的近景視頻，基于AI對(duì)近景視頻進(jìn)行識(shí)別；根據(jù)AI識(shí)別結(jié)果遞歸調(diào)節(jié)放大倍數(shù)。[0009]作為本發(fā)明進(jìn)一步的方案：所述記錄經(jīng)過(guò)AI識(shí)別的近景視頻及其識(shí)別結(jié)果，訓(xùn)練本地識(shí)別模型的步驟包括：記錄經(jīng)過(guò)AI識(shí)別的近景視頻及其識(shí)別結(jié)果；對(duì)近景視頻進(jìn)行特征提取，得到視頻特征；構(gòu)建視頻特征至識(shí)別結(jié)果的樣本集，訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型；當(dāng)神經(jīng)網(wǎng)絡(luò)模型的誤差率小于預(yù)設(shè)的誤差率閾值時(shí)，輸出神經(jīng)網(wǎng)絡(luò)模型，作為本地識(shí)別模型。[0010]本發(fā)明技術(shù)方案還提供了一種基于AI的行為管控系統(tǒng)，所述系統(tǒng)包括：主體特征提取模塊，用于在區(qū)域入口處獲取主體圖像，對(duì)主體圖像進(jìn)行識(shí)別，確定主體追蹤模塊，用于將主體特征插入?yún)^(qū)域特征庫(kù)，基于區(qū)域特征庫(kù)實(shí)時(shí)對(duì)區(qū)域視頻進(jìn)行追蹤，確定主體運(yùn)動(dòng)軌跡；所述區(qū)域視頻的獲取精度為預(yù)設(shè)的第一精度；7AI目標(biāo)識(shí)別模塊，用于根據(jù)所述主體運(yùn)動(dòng)軌跡定位異常主體，基于第二精度采集異常主體的近景視頻，基于AI對(duì)近景視頻進(jìn)行識(shí)別；所述第一精度為常量，所述第二精度為變量，第二精度與定位結(jié)果及識(shí)別結(jié)果相關(guān)；本地模型訓(xùn)練模塊，用于記錄經(jīng)過(guò)AI識(shí)別的近景視頻及其識(shí)別結(jié)果，訓(xùn)練本地識(shí)別模型；所述本地識(shí)別模型為神經(jīng)網(wǎng)絡(luò)模型。[0011]作為本發(fā)明進(jìn)一步的方案：所述主體特征提取模塊包括：入口圖像獲取單元，用于在區(qū)域入口處安裝含有測(cè)溫模塊的攝像頭，由攝像頭實(shí)時(shí)獲取含有溫度信息的入口圖像；區(qū)域定位單元，用于基于溫度信息在入口圖像中定位主體區(qū)域；像素點(diǎn)標(biāo)記單元，用于遍歷主體區(qū)域，計(jì)算主體區(qū)域中各像素點(diǎn)的水平梯度和垂直梯度，當(dāng)某一像素點(diǎn)的水平梯度和垂直梯度滿足預(yù)設(shè)的梯度條件時(shí)，標(biāo)記像素點(diǎn)；輪廓構(gòu)建單元，用于統(tǒng)計(jì)標(biāo)記的像素點(diǎn)，得到主體輪廓，根據(jù)主體輪廓構(gòu)建主體特特征插入單元，用于將主體特征插入?yún)^(qū)域特征庫(kù)；視頻幀選取單元，用于讀取區(qū)域視頻，根據(jù)預(yù)設(shè)的時(shí)間步長(zhǎng)在區(qū)域視頻中選取視位置確定單元，用于依次在區(qū)域特征庫(kù)中讀取主體特征，遍歷選取到的視頻幀，確定該主體特征對(duì)應(yīng)的主體位置；中心點(diǎn)計(jì)算單元，用于根據(jù)視頻幀的時(shí)間順序統(tǒng)計(jì)同一主體特征的所有主體位擬合單元，用于獲取區(qū)域地圖，基于中心點(diǎn)在區(qū)域地圖中選取映射點(diǎn)，同步確定色值，擬合所有映射點(diǎn)，得到該主體特征對(duì)應(yīng)的主其中，當(dāng)區(qū)域特征庫(kù)中的主體特征遍歷到的主體位置為空時(shí)，縮小時(shí)間步長(zhǎng)，當(dāng)縮小的時(shí)間步長(zhǎng)小于預(yù)設(shè)的步長(zhǎng)閾值且遍歷到的主體位置為空的時(shí)長(zhǎng)大于預(yù)設(shè)的時(shí)長(zhǎng)閾值時(shí)，在區(qū)域特征庫(kù)中刪除該主體特征。[0013]作為本發(fā)明進(jìn)一步的方案：所述AI目標(biāo)識(shí)別模塊包括：回溯時(shí)間接收單元，用于接收工作人員確定的回溯時(shí)間；軌跡獲取單元，用于基于區(qū)域地圖獲取回溯時(shí)間內(nèi)的所有主體運(yùn)動(dòng)軌跡；像素點(diǎn)聚類單元，用于對(duì)含有主體運(yùn)動(dòng)軌跡的區(qū)域地圖進(jìn)行像素點(diǎn)聚類，得到子均值計(jì)算單元，用于計(jì)算每個(gè)子區(qū)域內(nèi)的像素色值均值，根據(jù)像素色值均值確定待分析區(qū)域；均值應(yīng)用單元，用于根據(jù)像素色值均值確定放大倍數(shù)，基于放大倍數(shù)獲取待分析區(qū)域內(nèi)的近景視頻，基于AI對(duì)近景視頻進(jìn)行識(shí)別；遞歸調(diào)節(jié)單元，用于根據(jù)AI識(shí)別結(jié)果遞歸調(diào)節(jié)放大倍數(shù)。本發(fā)明對(duì)獲取到的視頻進(jìn)行主體識(shí)別，確定主體的運(yùn)動(dòng)軌跡，根據(jù)運(yùn)動(dòng)軌跡選取8根據(jù)識(shí)別結(jié)果蒸餾出一個(gè)本地模型，進(jìn)一步地提高了識(shí)別效率。附圖說(shuō)明[0015]為了更清楚地說(shuō)明本發(fā)明實(shí)施例中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例。[0016]圖1示出了基于AI的行為管控方法的總流程框圖。[0017]圖2示出了基于AI的行為管控系統(tǒng)的結(jié)構(gòu)圖。具體實(shí)施方式[0018]為了使本發(fā)明所要解決的技術(shù)問(wèn)題、技術(shù)方案及有益效果更加清楚明白，以下結(jié)合附圖及實(shí)施例，對(duì)本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說(shuō)明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。[0019]圖1為基于AI的行為管控方法及系統(tǒng)的總步驟S100:在區(qū)域入口處獲取主體圖像，對(duì)主體圖像進(jìn)行識(shí)別，確定主體區(qū)域，同步提取主體特征；本發(fā)明技術(shù)方案應(yīng)用于區(qū)域的人員監(jiān)控場(chǎng)景，尤其是人員無(wú)法預(yù)先備案的場(chǎng)景，比如現(xiàn)有的大部分公共場(chǎng)所或者一些人員調(diào)動(dòng)頻繁的生產(chǎn)區(qū)域，這些場(chǎng)景的管理方會(huì)預(yù)先安裝攝像頭，用于獲取區(qū)域內(nèi)的圖像；對(duì)于本發(fā)明技術(shù)方案涉及到的區(qū)域，其入口會(huì)預(yù)先設(shè)置，在區(qū)域入口處安裝的攝像頭的清晰度一般都比較高，工作頻率也比較高，實(shí)時(shí)獲取圖進(jìn)行分析，可以在主體區(qū)域中提取主體特征。[0020]步驟S200:將主體特征插入?yún)^(qū)域特征庫(kù)，基于區(qū)域特征庫(kù)實(shí)時(shí)對(duì)區(qū)域視頻進(jìn)行追蹤，確定主體運(yùn)動(dòng)軌跡；所述區(qū)域視頻的獲取精度為預(yù)設(shè)的第一精度；檢測(cè)到主體特征后，就將主體特征插入?yún)^(qū)域特征庫(kù)，在檢測(cè)階段，基于區(qū)域特征庫(kù)中的每個(gè)主體特征對(duì)區(qū)域視頻進(jìn)行遍功，可以追蹤到相應(yīng)的主體，提取所有追蹤到的位置，得到每個(gè)主體的軌跡，稱為主體運(yùn)動(dòng)軌跡；另外，區(qū)域視頻由安裝在區(qū)域內(nèi)的攝像頭獲取得到，區(qū)域視頻的精度可以低一些，就是上述內(nèi)容中的第一精度，同一攝像頭可以檢測(cè)更大的[0021]步驟S300:根據(jù)所述主體運(yùn)動(dòng)軌跡定位異常主體，基于第二精度采集異常主體的近景視頻，基于AI對(duì)近景視頻進(jìn)行識(shí)別；所述第一精度為常量，所述第二精度為變量，第二精度與定位結(jié)果及識(shí)別結(jié)果相關(guān)；對(duì)提取到的所有主體運(yùn)動(dòng)軌跡進(jìn)行分析，可以選取出一些可能存在異常的主體，此時(shí)，由安裝在區(qū)域內(nèi)的攝像頭獲取異常主體的近景視頻，此時(shí)，精度更高，就是上述內(nèi)容中的第二精度，獲取到近景視頻后，基于AI對(duì)近景視頻進(jìn)行識(shí)別，可以得到較為準(zhǔn)確的識(shí)別[0022]其中，關(guān)于第一精度和第二精度的關(guān)系，可行的一種調(diào)節(jié)方式是將精度與放大倍9精度對(duì)應(yīng)更大的放大倍數(shù)，此時(shí)，攝像頭僅獲取某一個(gè)小區(qū)域的視頻，監(jiān)[0023]步驟S400:記錄經(jīng)過(guò)AI識(shí)別的近景視頻及其識(shí)別結(jié)果，訓(xùn)練本地識(shí)別模型；所述本地識(shí)別模型為神經(jīng)網(wǎng)絡(luò)模型；現(xiàn)有的AI識(shí)別能力極強(qiáng)，識(shí)別準(zhǔn)度高，但是其消耗的資源很多，并且識(shí)別速度不是那么快，因此，本發(fā)明技術(shù)方案記錄經(jīng)過(guò)AI識(shí)別的近景視頻及其識(shí)別結(jié)果，進(jìn)而訓(xùn)練出一個(gè)本地識(shí)別模型，由于一個(gè)區(qū)域內(nèi)的行為類型具有高度的重復(fù)性，因此，本地識(shí)別模型的數(shù)據(jù)[0024]關(guān)于步驟S100,所述在區(qū)域入口處獲取主體圖像，對(duì)主體圖像進(jìn)行識(shí)別，確定主體在區(qū)域入口處安裝含有測(cè)溫模塊的攝像頭，由攝像頭實(shí)時(shí)獲取含有溫度信息的入基于溫度信息在入口圖像中定位主體區(qū)域；遍歷主體區(qū)域，計(jì)算主體區(qū)域中各像素點(diǎn)的水平梯度和垂直梯度，當(dāng)某一像素點(diǎn)的水平梯度和垂直梯度滿足預(yù)設(shè)的梯度條件時(shí)，標(biāo)記像素點(diǎn)；統(tǒng)計(jì)標(biāo)記的像素點(diǎn)，得到主體輪廓，根據(jù)主體輪廓構(gòu)建主體特征。[0025]在本發(fā)明技術(shù)方案的一個(gè)實(shí)例中，對(duì)區(qū)域入口處的特征提取過(guò)程進(jìn)行了說(shuō)明，在區(qū)域入口處安裝含有測(cè)溫模塊的攝像頭，由攝像頭實(shí)時(shí)獲取含有溫度信息的入口圖像，溫度信息用于簡(jiǎn)化目標(biāo)定位過(guò)程，基于溫度信息在入口圖像中定位主體區(qū)域，遍歷主體區(qū)域，計(jì)算主體區(qū)域中各像素點(diǎn)的水平梯度和垂直梯度，水平梯度表示的是像素點(diǎn)的橫向差異，垂直梯度表示的是像素點(diǎn)的豎向差異，當(dāng)某一像素點(diǎn)的水平梯度和垂直梯度滿足預(yù)設(shè)的梯度條件時(shí)，標(biāo)記像素點(diǎn)；此時(shí)，標(biāo)記的像素點(diǎn)就是輪廓點(diǎn)，統(tǒng)計(jì)標(biāo)記的像素點(diǎn)，得到主體輪[0026]進(jìn)一步的，所述統(tǒng)計(jì)標(biāo)記的像素點(diǎn)，得到主體輪廓，根據(jù)主體輪廓構(gòu)建主體特征的步驟包括：提取主體輪廓的內(nèi)部區(qū)域在不同通道下的圖層，遍歷每個(gè)圖層中的像素點(diǎn)，記錄像素點(diǎn)的值，構(gòu)建數(shù)組；所有圖層中像素點(diǎn)的遍對(duì)每個(gè)數(shù)組，按順序計(jì)算各個(gè)數(shù)值的獨(dú)立值；所述獨(dú)立值用于表示每個(gè)數(shù)值與數(shù)組中其他數(shù)值的差異化程度；對(duì)所述序號(hào)進(jìn)行篩選，將篩選后的序號(hào)作為主體特征。[0027]得到主體輪廓之后，提取主體輪廓的內(nèi)部區(qū)域在不同通道下的圖層，按照預(yù)設(shè)的順序，將圖層中的像素點(diǎn)轉(zhuǎn)換為一個(gè)數(shù)組，比如按照從左至右，從上至下的順序讀取每個(gè)像素點(diǎn)的值，這一過(guò)程是降維過(guò)程，圖層中的信息將被轉(zhuǎn)換為數(shù)組；對(duì)每個(gè)數(shù)組，依次計(jì)算各個(gè)數(shù)值與其它數(shù)值的差異情況，如果差異較小，就可以認(rèn)為它與周圍的像素點(diǎn)組成了一個(gè)[0028]關(guān)于獨(dú)立值的計(jì)算過(guò)程，對(duì)每個(gè)元素，計(jì)算它的與其他元素的值的差值，然后累計(jì)即可，考慮到距離因素，本申請(qǐng)引入了一個(gè)權(quán)重系數(shù)，使得距離當(dāng)前元素越近的元素對(duì)當(dāng)前元素的影響越大。一般情況下，差值越大，說(shuō)明當(dāng)前元素與其他元素的差異越大，獨(dú)立性就個(gè)元素與當(dāng)前元素在圖像中的距離，N為元素總數(shù)，△i為第個(gè)元素的值與當(dāng)前元素的值的[0029]值得一提的是，關(guān)于上述求和過(guò)程，涉及到的是數(shù)組中所有元素，實(shí)際上，可以由工作人員設(shè)定一個(gè)范圍，比如數(shù)組元素的20%,判斷某一元素相對(duì)于周圍有限幾個(gè)元素的獨(dú)立值。[0030]關(guān)于步驟S200,所述將主體特征插入?yún)^(qū)域特征庫(kù)，基于區(qū)域特征庫(kù)實(shí)時(shí)對(duì)區(qū)域視頻進(jìn)行追蹤，確定主體運(yùn)動(dòng)軌跡的步驟包括：將主體特征插入?yún)^(qū)域特征庫(kù)；讀取區(qū)域視頻，根據(jù)預(yù)設(shè)的時(shí)間步長(zhǎng)在區(qū)域視頻中選取視頻幀；依次在區(qū)域特征庫(kù)中讀取主體特征，遍歷選取到的視頻幀，確定該主體特征對(duì)應(yīng)的主體位置；根據(jù)視頻幀的時(shí)間順序統(tǒng)計(jì)同一主體特征的所有主體位置，計(jì)算主體位置的中心獲取區(qū)域地圖，基于中心點(diǎn)在區(qū)域地圖中選取映射點(diǎn)，同步確定色值，擬合所有映射點(diǎn)，得到該主體特征對(duì)應(yīng)的主體運(yùn)動(dòng)軌跡。[0031]區(qū)域特征庫(kù)中含有多個(gè)主體特征，這些主體特征都要進(jìn)行應(yīng)用，讀取區(qū)域視頻，區(qū)域視頻的獲取頻率很高，可能一秒鐘有24幀，圖像數(shù)量很多，如果對(duì)每個(gè)圖像進(jìn)行分析，需要消耗的計(jì)算資源會(huì)很多，因此，本發(fā)明限定了一個(gè)時(shí)間步長(zhǎng)，比如一秒鐘，根據(jù)預(yù)設(shè)的時(shí)間步長(zhǎng)在區(qū)域視頻中選取視頻幀的含義是，每隔一秒鐘選取一張圖像，這極大地簡(jiǎn)化了數(shù)據(jù)處理過(guò)程，并且在軌跡識(shí)別過(guò)程中，由于空間具有連續(xù)性，人不會(huì)瞬移，這種簡(jiǎn)化后的數(shù)據(jù)處理過(guò)程依舊能夠得到很準(zhǔn)確的軌跡。[0032]具體的，關(guān)于數(shù)據(jù)處理過(guò)程，依次在區(qū)域特征庫(kù)中讀取主體特征，遍歷選取到的視頻幀，確定該主體特征對(duì)應(yīng)的主體位置，根據(jù)視頻幀的時(shí)間順序統(tǒng)計(jì)同一主體特征的所有主體位置，計(jì)算主體位置的中心點(diǎn)(中心點(diǎn)計(jì)算過(guò)程屬于常規(guī)的圖像處理技術(shù)),獲取區(qū)域地圖，基于中心點(diǎn)在區(qū)域地圖中選取映射點(diǎn)，同步確定色值，擬合所有映射點(diǎn)，得到該主體特征對(duì)應(yīng)的主體運(yùn)動(dòng)軌跡。[0033]其中，在區(qū)域地圖中插入色值的方式為：以中心點(diǎn)對(duì)應(yīng)映射點(diǎn)為圓心，預(yù)設(shè)的數(shù)值為半徑構(gòu)建圓形區(qū)域，在圓形區(qū)域中疊加一次預(yù)設(shè)的單位色值；軌跡生成過(guò)程采用累似于主體，其對(duì)應(yīng)的軌跡都含有唯一標(biāo)簽，用于表示軌跡與主體的對(duì)應(yīng)關(guān)系。此外，上述內(nèi)容中圓形區(qū)域的半徑，它的功能是調(diào)節(jié)軌跡的寬度。[0034]作為本發(fā)明技術(shù)方案的一個(gè)優(yōu)選實(shí)施例，引入了針對(duì)區(qū)域特征庫(kù)的更新方案，具體如下：當(dāng)區(qū)域特征庫(kù)中的主體特征遍歷到的主體位置為空時(shí)，縮小時(shí)間步長(zhǎng)，當(dāng)縮小的時(shí)間步長(zhǎng)小于預(yù)設(shè)的步長(zhǎng)閾值且遍歷到的主體位置為空的時(shí)長(zhǎng)大于預(yù)設(shè)的時(shí)長(zhǎng)閾值時(shí)，在區(qū)11域特征庫(kù)中刪除該主體特征。[0035]這一過(guò)程的含義是，如果某個(gè)主體特征在區(qū)域視頻中沒(méi)有出現(xiàn)，就減小時(shí)間步長(zhǎng)，獲取更多的圖像，進(jìn)行遍歷，如果還是沒(méi)有，就繼續(xù)縮小，直至沒(méi)有，就查詢一下該主體特征應(yīng)用了多長(zhǎng)時(shí)間，也即，持續(xù)多長(zhǎng)時(shí)間沒(méi)檢測(cè)到主體特征，如果時(shí)間足夠長(zhǎng)(時(shí)長(zhǎng)閾值),就在區(qū)域特征庫(kù)中刪除該主體特征。[0036]值得一提的是，這種刪除方式的實(shí)際意義在于，如果一個(gè)主體特征在足夠高的頻率下長(zhǎng)時(shí)間沒(méi)有檢測(cè)到，就說(shuō)明對(duì)應(yīng)的主體在區(qū)域內(nèi)消失了，就不再進(jìn)行檢測(cè)，此時(shí)，如果有出口(一般會(huì)有多個(gè)出口),在出口視頻中檢測(cè)該主體，獲取主體的去向，根據(jù)主體的去向可以判定主體是離開了還是仍在區(qū)域內(nèi)，如果仍在區(qū)域內(nèi)，那就意味著該主體在區(qū)域內(nèi)消失了很長(zhǎng)時(shí)間，此時(shí)，生成警示信息；傳統(tǒng)的區(qū)域特征庫(kù)的更新邏輯為，在出口處設(shè)置與入口處對(duì)應(yīng)的攝像頭以及檢測(cè)邏輯，一旦檢測(cè)到有主體離開區(qū)域，就刪除對(duì)應(yīng)的主體特征，記錄每個(gè)主體的停留時(shí)長(zhǎng)，如果足夠長(zhǎng)，就生成警示信息，這種方式也是可行的，與上述方案是不同的邏輯，區(qū)別在于，本發(fā)明技術(shù)方案的架構(gòu)有一步時(shí)間步長(zhǎng)的調(diào)節(jié)過(guò)程，換而言之，對(duì)于不易發(fā)現(xiàn)的主體，采用更高的頻率進(jìn)行追蹤。[0037]值得一提的是，本發(fā)明中沒(méi)有匹配到的情形可能有很多，比如，主體的姿勢(shì)改變或者被遮擋，其在圖像中的狀態(tài)都會(huì)與主體特征存在差異，可能出現(xiàn)匹配失敗的現(xiàn)象。[0038]關(guān)于步驟S300,所述根據(jù)所述主體運(yùn)動(dòng)軌跡定位異常主體，基于第二精度采集異常主體的近景視頻，基于AI對(duì)近景視頻進(jìn)行識(shí)別的步驟包括：接收工作人員確定的回溯時(shí)間；基于區(qū)域地圖獲取回溯時(shí)間內(nèi)的所有主體運(yùn)動(dòng)軌跡；對(duì)含有主體運(yùn)動(dòng)軌跡的區(qū)域地圖進(jìn)行像素點(diǎn)聚類，得到子區(qū)域；計(jì)算每個(gè)子區(qū)域內(nèi)的像素色值均值，根據(jù)像素色值均值確定待分析區(qū)域；根據(jù)像素色值均值確定放大倍數(shù)，基于放大倍數(shù)獲取待分析區(qū)域內(nèi)的近景視頻，基于AI對(duì)近景視頻進(jìn)行識(shí)別；根據(jù)AI識(shí)別結(jié)果遞歸調(diào)節(jié)放大倍數(shù)。[0039]在本發(fā)明技術(shù)方案的一個(gè)實(shí)例中，接收工作人員確定的回溯時(shí)間，以當(dāng)前時(shí)刻為時(shí)間起點(diǎn)，向前獲取回溯時(shí)間內(nèi)的所有主體運(yùn)動(dòng)軌跡，將這些主體運(yùn)動(dòng)軌跡插入同一個(gè)區(qū)域地圖，然后，對(duì)含有主體運(yùn)動(dòng)軌跡的區(qū)域地圖進(jìn)行像素點(diǎn)聚類，得到子區(qū)域，聚類過(guò)程采用的像素點(diǎn)差異的計(jì)算過(guò)程包括位置差異和色值差異兩種，聚類方案采用常規(guī)聚類方案即可，比如K-means聚類方案或其他不限定類數(shù)的聚類方案；計(jì)算每個(gè)子區(qū)域內(nèi)的像素色值均值，像素色值均值越大，表示停留時(shí)間越長(zhǎng)，對(duì)應(yīng)的區(qū)域的重要程度越高，選取像素色值均值大于預(yù)設(shè)的均值閾值的一類像素點(diǎn)，作為待分析區(qū)域，關(guān)于步驟S400,所述記錄經(jīng)過(guò)AI識(shí)別的近景視頻及其識(shí)別結(jié)果，訓(xùn)練本地識(shí)別模型的步驟包括：記錄經(jīng)過(guò)AI識(shí)別的近景視頻及其識(shí)別結(jié)果；對(duì)近景視頻進(jìn)行特征提取，得到視頻特征；構(gòu)建視頻特征至識(shí)別結(jié)果的樣本集，訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型；當(dāng)神經(jīng)網(wǎng)絡(luò)模型的誤差率小于預(yù)設(shè)的誤差率閾值時(shí)，輸出神經(jīng)網(wǎng)絡(luò)模型，作為本地識(shí)別模型。[0040]在本發(fā)明技術(shù)方案的一個(gè)實(shí)例中，對(duì)本地識(shí)別模型的訓(xùn)練過(guò)程進(jìn)行了說(shuō)明，記錄經(jīng)過(guò)AI識(shí)別的近景視頻及其識(shí)別結(jié)果，對(duì)近景視頻進(jìn)行特征提取，得到視頻特征，構(gòu)建視頻特征至識(shí)別結(jié)果的樣本集，訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型；當(dāng)神經(jīng)網(wǎng)絡(luò)模型的誤差率小于預(yù)設(shè)的誤差[0041]圖2示出了基于AI的行為管控系統(tǒng)的結(jié)構(gòu)圖，在本發(fā)明技術(shù)方案的一個(gè)優(yōu)選實(shí)施例中，還提供了一種基于AI的行為管控系