行为检测监控方法、智能摄像头及智能监控系统与流程

1.本技术涉及行为检测的领域，尤其是涉及一种行为检测监控方法、智能摄像头及智能监控系统。


背景技术：

2.近年来随着网络监控普及，越来越多有关校园事件的视频和图片曝光，该现象常出现部分学生的不当行为导致其他学生受伤，很多老师和家长忙于工作，较难发现观察到学生受不当行为的影响。因此，如何及时发现不当行为、及时保护学生，并为不当行为事项的后续做出的处罚和教育提供证据，是我们需要解决的问题。


技术实现要素：

3.本技术目的一是提供一种行为检测监控方法，具有能够及时检测人员不当行为的特点。
4.本技术的上述发明目的一是通过以下技术方案得以实现的：行为检测监控方法，包括：获取检测序列；其中，所述检测序列包括多帧关联于能够产生不当行为的人员的检测图像；基于检测图像，确定目标集合；其中，所述目标集合包括至少两个目标特征区域，所述目标特征区域一一对应于所述检测图像中的其中一个人员；基于目标特征区域，确定攻击关键点和受力关键点；其中，所述攻击关键点用于反映人员发出攻击动作的人体部位，所述受力关键点用于反映人员受到攻击动作的人体部位；基于目标集合中其中一目标特征区域的攻击关键点和目标集合中另外一目标特征区域的受力关键点进行距离比对，并基于执行报警步骤。
5.通过采用上述技术方案，从检测图像中提取出多个目标特征区域，来反映出多个人员的分布情况，通过分析目标特征区域中的攻击关键点，可以确定人员能够发起攻击行为的人体部位如手部的位置，通过分析目标特征区域中的受力关键点，可以确定人员被攻击的人体部位如脸部的位置。利用攻击关键点和受力关键点之间的距离检测，可以估算其中一个人员是否有使用攻击关键点对应的人体部位接触另外一个人员受力关键点对应的人体部位，进而估算是否有发生不当行为，若有则输出预警信号触发报警步骤。利用图像分析的方式，可以及时对人员的行为进行评估，及时发现校园内的不当行为，以方便监管员对不当行为进行及时制止，及时保护相关人员，并留下图像，为对不当行为后续做出的处罚和教育提供证据。
6.可选的，在获取检测序列的具体方法中，包括：获取监控序列；其中，所述监控序列包括多帧连续的监控图像；基于监控图像，确定原始特征区域；其中，所述原始特征区域用于指示所述监控图
像中的人员；基于监控图像中的各个原始特征区域进行潜在危险判断，根据判断结果确定预备图像；其中，所述潜在危险判断的判断条件包括任意两个所述原始特征区域之间的距离是否小于第一安全距离；确定监控序列中连续的n帧预备图像为检测序列，n为正整数。
7.通过采用上述技术方案，利用不同原始特征区域之间的距离，来反映监控图像中不同的人员之间的距离，当有任意两个人员之间的距离在n帧的时间内过近时，则可以认为该两个人员之间具有满足发生不当行为的条件；反之，可以认为该两个人员之间由于距离较远，难以满足发生动作互动，可以不进行后续的计算和分析，减少误判的几率。
8.可选的，在基于监控图像，确定原始特征区域的具体方法中，包括：基于监控图像进行目标检测，确定原始特征区域；其中，所述目标检测的主干网络包括mobilenetv2，所述主干网络的分支为step={8，16，24}。
9.通过采用上述技术方案，设定多个分支，可以兼顾由于距离近在图像中面积较大的目标和由于距离远在图像中面积较小的目标，提高分析准确性。
10.可选的，所述目标检测的宽高比为aspect ratios ={1，0.5，0.33，0.25}。
11.通过采用上述技术方案，设置多个宽高比，适用于处于多种不同的姿态如站着、端着、坐着的人员，提高分析准确性。
12.可选的，在目标检测的损失函数确定方法中，包括：确定模拟关键点，通过高斯分布转化为矩阵中的最大激活点；其中，所述模拟关键点为用于指示人体的特征部位的关键点；基于主干网络输出的矩阵进行l2 loss计算，确定损失函数。
13.通过采用上述技术方案，利用模拟关键点转化为最大激活点，组成能够反映人体的多个局部特征的特征图，由于人体的多个局部特征之间能够具有互相关联的关系，因此训练模型能够学习到图像中的上下文语义信息，能够有效降低过拟合的概率，在后续的分析中能够预测出更加准确的关键点。
14.可选的，还包括：报警步骤：将检测图像发送至监控后台，以使检测图像通过短信或网络方式发送至监管员进行确定。
15.通过采用上述技术方案，利用短信或网络方式推送给监管员，以及时提醒监管员进行对不当行为进行确定或阻止干涉。
16.本技术目的二是提供一种行为检测监控装置，具有能够及时检测人员不当行为的特点。
17.本技术的上述发明目的二是通过以下技术方案得以实现的：图像获取模块，用于获取检测序列；其中，所述检测序列包括多帧关联于能够产生不当行为的人员的检测图像；目标选取模块，用于基于检测图像，确定目标集合；其中，所述目标集合包括至少两个目标特征区域，所述目标特征区域一一对应于所述检测图像中的其中一个人员；特征提取模块，用于基于目标特征区域，确定攻击关键点和受力关键点；其中，所述攻击关键点用于反映人员发出攻击动作的人体部位，所述受力关键点用于反映人员受到
攻击动作的人体部位；报警触发模块，用于基于目标集合中其中一目标特征区域的攻击关键点和目标集合中另外一目标特征区域的受力关键点进行距离比对，并基于执行报警步骤。
18.本技术目的三是提供一种智能摄像头，具有能够及时检测人员不当行为的特点。
19.本技术的上述发明目的三是通过以下技术方案得以实现的：一种智能摄像头，包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行上述一种行为检测监控方法的计算机程序。
20.本技术目的四是提供一种智能监控系统，具有能够及时检测人员不当行为的特点。
21.本技术的上述发明目的四是通过以下技术方案得以实现的：一种智能监控系统，上述一种智能摄像头，还包括：后台主机，用于接收处理所述智能摄像头发送的检测图像，并向远程终端发送报警信息；通讯装置，用于为所述后台主机和所述智能摄像头提供网络通讯；训练装置，用于进行模型训练，以为所述智能摄像头提供目标检测模型。
附图说明
22.图1是本技术的行为检测监控方法的流程示意图。
23.图2是图像获取模块处于拍摄状态的示意图。
24.图3是本技术的行为检测监控方法的获取检测图像的子流程示意图。
25.图4是本技术的行为检测监控方法的生成检测序列的子流程示意图。
26.图5是本技术的行为检测监控装置的模块示意图。
27.图6是本技术的智能监控系统的模块示意图。
28.图中，1、图像获取模块；2、目标选取模块；3、特征提取模块；4、报警触发模块；5、预警模块；6、后台主机；7、通讯装置；8、训练装置。
具体实施方式
29.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
30.另外，本实施例中各步骤的标号仅为方便说明，不代表对各步骤执行顺序的限定，在实际应用时，可以根据需要各步骤执行顺序进行调整，或同时进行，这些调整或者替换均属于本发明的保护范围。
31.下面结合说明书附图1-图6对本技术实施例作进一步详细描述。
32.实施例一：本技术实施例提供一种行为检测监控方法，所述方法的主要流程描述如下。
33.参照图1，s1、获取检测序列。
34.其中，检测序列包括多帧检测图像，每一张检测图像中均拍摄有可能会发生不当
行为、肢体冲突的至少两名人员。各个检测图像按照拍摄时间增长的顺序依次排列。
35.参照图2和图3，在步骤s1中，包括：s11、实时获取监控序列。
36.其中，监控序列包括多帧连续的监控图像，监控图像为图像获取模块1通过对预设的监控区域进行实时连续拍摄而获得的图像。
37.s12、基于监控图像，确定原始特征区域。
38.其中，原始特征区域指的是监控图像中用于指示人体的区域。在本实施例中，系统通过目标检测算法从监控图像中提取出包含人体的预选框，从而确定原始特征区域，目标检测算法优选为ssd目标检测算法。目标检测算法可以基于输入的图像，根据预设的步长以及宽高比，来从图像中生成预选框，然后主干网络会输出固定的向量，来学习目标的边框和类别，在推理阶段，一次性输出目标的位置和类别。
39.在本实施例中，ssd目标检测算法采用mobilenetv2的网络结构作为主干网络，来学习特征向量。mobilenetv2的网络结构设置有3个分支，分支为step={8，16，24}。在图像获取模块1拍摄图像的过程中，人体与图像获取模块1之间的距离越小，则人体在图像中成像的面积越大，原始特征区域更大，检测识别的目标越大；人体与图像获取模块1之间的距离越大，则人体在图像中成像的面积越小，原始特征区域更小，检测识别的目标越小。设置3个等级的分支，可以兼顾到距离近的大目标以及稍远点的小目标，提高目标检测的准确率。
40.ssd目标检测的预选框设置为长方形，且宽高比设置为aspect ratios ={1，0.5，0.33，0.25}。在图像获取模块1拍摄图像的过程中，人员会具有多种行为姿态，如站立、蹲立、端坐、行走等，设置多个不同的宽高比，可适用于多种姿态的人体，提高目标检测的准确率。
41.具体的，ssd目标检测算法的训练模型的损失函数如公式（1）所示：（1）其中，lconf为分类损失误差，lloc为定位损失误差，a为调整分类损失误差和定位损失误差之间比例的比例系数，比例系数预设为1。
42.定位损失误差的计算过程如公式（2）所示，（2）其中，i表示第i个样本，m代表包含有cx、cy、w，h，cx为预选框的中心点的x坐标，cy为预选框的中心点的y坐标，代表训练模型对第i个样本的预测值，代表第i个样本的标注值。
43.定位误差的计算过程通过和之间的绝对值来计算，如公式（3）所示，（3）其中，xi代表第i个正样本的输出值，p（xi）代表经过softmax处理之后的输出概
率。对正样本的模型输出概率计算损失，可以优化模型的的分类误差。
44.在目标检测的损失函数确定方法中，包括：确定模拟关键点，通过高斯分布转化为矩阵中的最大激活点，然后基于主干网络输出的矩阵进行l2 loss计算，根据计算结果确定损失函数。
45.其中，模拟关键点为用于指示人体的特征部位的关键点，在本实施例中模拟关键点一共有21个，21个关键点分布于人体的多个部位。通过高斯分布，可以将各个模拟关键点转化为64*64的矩阵中的最大激活点，并通过网络输出的21*64*64的矩阵，在对应之前，由标签转化的21*64*64的gt heatmap，计算l2 loss作为损失函数而进行优化。
46.利用模拟关键点转化为最大激活点，组成能够反映人体的多个局部特征的特征图，由于人体的多个局部特征之间能够具有互相关联的关系，因此训练模型能够学习到图像中的上下文语义信息，能够有效降低过拟合的概率，在后续的分析中能够预测出更加准确的关键点。s13、基于监控图像中的各个原始特征区域进行潜在危险判断，根据判断结果确定预备图像。
47.其中，潜在危险判断用于估算监控图像将要发生或者可能会发生不当行为的风险。
48.潜在危险判断的条件包括第一危险判断条件，第一危险判断条件为：任意两个原始特征区域之间的距离是否小于预设的第一安全距离；若监控图像中存在有至少两个原始特征区域之间的距离小于第一安全距离，则说明监控区域中有两个人体之间的距离较近，满足发生不当行为的基础条件，确定该监控图像满足第一危险判断条件。
49.在本实施例中，潜在危险判断的条件还包括第二危险判断条件，第二危险判断条件为：在任意一个原始特征区域中的人体是否存在潜在危险行为，潜在危险行为包括有握拳、挥手、抬腿、扑倒、手持木工、手持刀具等。对原始特征区域中的人体进行姿态识别，若任意一帧监控图像中存在潜在危险行为，则确定该监控图像满足第二危险判断条件。
50.若监控图像至少满足第一危险判断条件和第二危险判断条件中的其中一项，则监控图像满足潜在危险判断的条件，确定该监控图像为预备图像；若监控图像不满足第一危险判断条件和第二危险判断条件中的任意一项，则监控图像不满足潜在危险判断的条件。
51.按照监控序列中的图像顺序，依次对各个监控图像进行潜在危险判断检测，可以依次确定预备图像。
52.s14、确定监控序列中连续的n帧预备图像为检测序列。
53.其中，n为正整数，当存在n帧连续的预备图像时，则说明潜在危险条件成立的时间较长，存在不当行为的风险较大，可以将该n帧预备图像作为检测图像，并组成检测序列；若不存在n帧连续的预备图像，则说明潜在危险条件成立的时间较短，存在不当行为的风险较小。在本实施例中，n的数值设定为5。
54.参照图3和图4，在步骤s14中，包括：s141、判断数据库中是否存在预备图像，若是，则执行s142；若否，则执行s145。
55.其中，数据库用于存储预备图像。在步骤s13中，系统会依次获得多帧预备图像并依次执行s141步骤，若数据库中不存在预备图像，则需要将预备图像加入数据库中，反之则执行s142。
56.s142、判断是否满足连续性要求，若是，则执行s143；若否，则s146。
57.其中，连续性要求用于判断数据库中的多张预备图像是否连续，基于当前的预备图像在监控序列中的位置，以及数据库中最新加入的预备图像在监控序列中的位置，确定当前的预备图像是否为数据库中最新加入的预备图像在时间线上是否连续获得，若是则执行s143；反之，则说明当前的预备图像加入数据库后，数据库中不存在连续的n帧图像，则执行s146。
58.s143、判断数据库中是否存在m帧预备图像，若是，则执行s144；若否，则清空数据库，并执行s146。
59.其中，m=n-1。若数据库中存在m帧预备图像，则在新加入当前的预备图像后，数据库中存在n帧图像。
60.s144、将数据库中的所有预备图像确定为检测图像，基于所有检测图像生成检测序列，执行s2。
61.其中，数据库中的预备图像的数量达到n，且数据库中所有预备图像均连续，因此，可以获取预备图像为检测图像，并生成检测序列。
62.s145、将当前的预备图像加入数据库中，并返回s13。
63.其中，若数据库中不存在预备图像，则需要将预备图像加入数据库中；若数据库仅依靠当前的预备图像不能满足连续性要求，则需要重置数据库，选择下一帧的预备图像；若数据库中已经提取过检测序列，则需要重置数据库，选择下一帧的预备图像。
64.s146、清空数据库，并返回s145。
65.s2、基于检测图像，确定目标集合。
66.其中，目标集合包括有至少两个目标特征区域，目标特征区域一一对应于检测图像中的其中一个人员，目标特征区域用于指示检测图像中的人体区域。因此，目标集合可以指示在同一个检测图像中所有的人体区域。
67.在本实施例中，系统通过ssd目标检测算法从检测图像中提取出包含人体的预选框，从而确定目标特征区域，ssd目标检测算法的具体内容与步骤s12中所述的ssd目标检测算法内容一致，具体分析可参见前述方法步骤的相关描述，在此不再累述。
68.s3、基于目标特征区域，确定攻击关键点和受力关键点。
69.其中，攻击关键点为位于人体的个别特征部位的模拟关键点，用于反映人员发出攻击动作的人体部位，在本实施例中，攻击关键点为位于人体的手部的模拟关键点。受力关键点为位于人体的个别特征部位的模拟关键点，用于反映人员受到攻击动作的人体部位，在本实施例中，受力关键点为位于人体的头部的模拟关键点。
70.s4、判断检测序列中是否存在满足肢体接触条件的检测图像，若是则执行s5；反之则结束。
71.其中，肢体接触条件为：目标集合中的其中一目标特征区域的攻击关键点和目标集合中的另外一目标特征区域的受力关键点之间的最小距离小于第二安全距离，若攻击关键点和受力关键点的最小距离小于第二安全距离，则说明攻击关键点所对应的人体部位与受力关键点所对应的人体部位相接触，发生不当行为的风险较大；若攻击关键点和受力关键点的最小距离大于或等于第二安全距离，则发生不当行为的风险较小。
72.当检测序列中的任意一帧检测图像满足肢体接触条件时，则触发报警步骤。
73.s5、报警步骤：将检测图像发送至监控后台。
74.其中，监控后台基于检测图像生成报警信息，并将报警信息和检测图像，通过短信或网络方式发送至监管员进行确定。
75.监管员可以通过远程终端如智能手机查看报警信息和检测图像，监管员可以通过音响广播，或者直接前往现场制止不当行为的发生。
76.本技术实施例的实施原理为：从检测图像中提取出多个目标特征区域，来反映出多个人员的分布情况，通过分析目标特征区域中的攻击关键点，可以确定人员能够发起攻击行为的人体部位如手部的位置，通过分析目标特征区域中的受力关键点，可以确定人员被攻击的人体部位如脸部的位置。利用攻击关键点和受力关键点之间的距离检测，可以估算其中一个人员是否有使用攻击关键点对应的人体部位接触另外一个人员受力关键点对应的人体部位，进而估算是否有发生不当行为，若有则输出预警信号触发报警步骤。利用图像分析的方式，可以及时对人员的行为进行评估，及时发现校园内的不当行为，以方便监管员对不当行为进行及时制止，及时保护相关人员，并留下图像，为不当行为后续做出的处罚和教育提供证据。
77.系统可以获取多帧检测图像上传至监控后台，并由短信或网络方式发送至监管员进一步确认，如判定为不当行为的发生，情节轻微可通过语音通讯劝阻，如情节严重可通过图像获取模块1锁定报警区域及时赶往现场阻止。
78.实施例二：参照图5，在一个实施例中，提供一种行为检测监控装置，与上述实施例一中的行为检测监控方法一一对应，该系统包括图像获取模块1、目标选取模块2、特征提取模块3、报警触发模块4以及预警模块5。各功能模块详细说明如下：图像获取模块1，用于获取检测序列。其中，检测序列包括多帧关联于能够产生不当行为的人员的检测图像。
79.目标选取模块2，用于基于检测图像，确定目标集合。其中，目标集合包括至少两个目标特征区域，目标特征区域一一对应于检测图像中的其中一个人员。
80.特征提取模块3，用于基于目标特征区域，确定攻击关键点和受力关键点。其中，攻击关键点用于反映人员发出攻击动作的人体部位，受力关键点用于反映人员受到攻击动作的人体部位。
81.报警触发模块4，用于基于目标集合中其中一目标特征区域的攻击关键点和目标集合中另外一目标特征区域的受力关键点进行距离比对，并基于执行报警步骤。
82.预警模块5，用于将检测图像发送至监控后台。
83.本实施例提供的行为检测监控装置，由于其各模块本身的功能及彼此之间的逻辑连接，能实现前述实施例的各个步骤，因此能够达到与前述实施例相同的技术效果，原理分析可参见前述方法步骤的相关描述，在此不再累述。
84.实施例三：在一个实施例中，提供了一种智能摄像头，其包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中存储器存储训练模型中的训练数据、算法公式以及滤波机制等。处理器用于提供计算和控制能力，处理器执行计算机程序时实现以下步骤：
s1、获取检测序列。
85.在步骤s1中，包括：s11、实时获取监控序列。
86.s12、基于监控图像，确定原始特征区域。
87.s13、基于监控图像中的各个原始特征区域进行潜在危险判断，根据判断结果确定预备图像。
88.s14、确定监控序列中连续的n帧预备图像为检测序列。
89.在步骤s14中，包括：s141、判断数据库中是否存在预备图像，若是，则执行s142；若否，则执行s145。
90.s142、判断是否满足连续性要求，若是，则执行s143；若否，则s146。
91.s143、判断数据库中是否存在m帧预备图像，若是，则执行s144；若否，则清空数据库，并执行s146。
92.s144、将数据库中的所有预备图像确定为检测图像，基于所有检测图像生成检测序列，执行s2。
93.s145、将当前的预备图像加入数据库中，并返回s13。
94.s146、清空数据库，并返回s145。
95.s2、基于检测图像，确定目标集合。
96.s3、基于目标特征区域，确定攻击关键点和受力关键点。
97.s4、判断检测序列中是否存在满足肢体接触条件的检测图像，若是则执行s5；反之则结束。
98.s5、报警步骤：将检测图像发送至监控后台。
99.监管者可在学校、青少年培育基地以及主要街道公园等环境部署智能摄像头，具有部署简单、效率高、效果良好等优点。另一方面，智能摄像头可以全天24小时监控，受天气环境干扰较小，且报警信息传送及时，识别范围广，使用者可根据智能摄像头的硬件参数对不同距离的范围内进行有效监控，同时可扩展人脸抓拍，黑名单识别报警等功能。
100.本实施例提供的智能摄像头，由于其存储器中的计算机程序在处理器上运行后，会实现前述实施例的各个步骤，因此能够达到与前述实施例相同的技术效果，原理分析可参见前述方法步骤的相关描述，在此不再累述。
101.实施例四：在一个实施例中，参照图6，提供了一种智能监控系统，其包括有上述一种智能摄像头，还包括：后台主机6，用于接收处理智能摄像头发送的检测图像，并向远程终端发送报警信息。其中，远程终端包括有智能手机、平板电脑等移动智能设备。
102.通讯装置7，用于为后台主机6和智能摄像头提供网络通讯。
103.训练装置8，用于进行模型训练，以为智能摄像头提供目标检测模型。
104.具体实施方式的实施例均为本技术的较佳实施例，并非依此限制本技术的保护范围，故：凡依本技术的方法、原理所做的等效变化，均应涵盖于本技术的保护范围之内。

技术特征：
1.行为检测监控方法，其特征在于，包括：获取检测序列；其中，所述检测序列包括多帧关联于能够产生不当行为的人员的检测图像；基于检测图像，确定目标集合；其中，所述目标集合包括至少两个目标特征区域，所述目标特征区域一一对应于所述检测图像中的其中一个人员；基于目标特征区域，确定攻击关键点和受力关键点；其中，所述攻击关键点用于反映人员发出攻击动作的人体部位，所述受力关键点用于反映人员受到攻击动作的人体部位；基于目标集合中其中一目标特征区域的攻击关键点和目标集合中另外一目标特征区域的受力关键点进行距离比对，并基于执行报警步骤。2.根据权利要求1所述的行为检测监控方法，其特征在于，在获取检测序列的具体方法中，包括：获取监控序列；其中，所述监控序列包括多帧连续的监控图像；基于监控图像，确定原始特征区域；其中，所述原始特征区域用于指示所述监控图像中的人员；基于监控图像中的各个原始特征区域进行潜在危险判断，根据判断结果确定预备图像；其中，所述潜在危险判断的判断条件包括任意两个所述原始特征区域之间的距离是否小于第一安全距离；确定监控序列中连续的n帧预备图像为检测序列，n为正整数。3.根据权利要求2所述的行为检测监控方法，其特征在于，在基于监控图像，确定原始特征区域的具体方法中，包括：基于监控图像进行目标检测，确定原始特征区域；其中，所述目标检测的主干网络包括mobilenetv2，所述主干网络的分支为step={8，16，24}。4.根据权利要求3所述的行为检测监控方法，其特征在于：所述目标检测的宽高比为aspect ratios ={1，0.5，0.33，0.25}。5.根据权利要求4所述的行为检测监控方法，其特征在于，在目标检测的损失函数确定方法中，包括：确定模拟关键点，通过高斯分布转化为矩阵中的最大激活点；其中，所述模拟关键点为用于指示人体的特征部位的关键点；基于主干网络输出的矩阵进行l2 loss计算，确定损失函数。6.根据权利要求1所述的行为检测监控方法，其特征在于，还包括：报警步骤：将检测图像发送至监控后台，以使检测图像通过短信或网络方式发送至监管员进行确定。7.行为检测监控装置，其特征在于，包括：图像获取模块（1），用于获取检测序列；其中，所述检测序列包括多帧关联于能够产生不当行为的人员的检测图像；目标选取模块（2），用于基于检测图像，确定目标集合；其中，所述目标集合包括至少两个目标特征区域，所述目标特征区域一一对应于所述检测图像中的其中一个人员；特征提取模块（3），用于基于目标特征区域，确定攻击关键点和受力关键点；其中，所述攻击关键点用于反映人员发出攻击动作的人体部位，所述受力关键点用于反映人员受到攻
击动作的人体部位；报警触发模块（4），用于基于目标集合中其中一目标特征区域的攻击关键点和目标集合中另外一目标特征区域的受力关键点进行距离比对，并基于执行报警步骤。8.智能摄像头，其特征在于，包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行如权利要求1至6中任一种方法的计算机程序。9.智能监控系统，其特征在于，包括如权利要求9所述的智能摄像头，还包括：后台主机（6），用于接收处理所述智能摄像头发送的检测图像，并向远程终端发送报警信息；通讯装置（7），用于为所述后台主机（6）和所述智能摄像头提供网络通讯；训练装置（8），用于进行模型训练，以为所述智能摄像头提供目标检测模型。

技术总结
本申请涉及行为检测监控方法、智能摄像头及智能监控系统，其包括获取检测序列；基于检测图像，确定目标集合；基于目标特征区域，确定攻击关键点和受力关键点；基于目标集合中其中一目标特征区域的攻击关键点和目标集合中另外一目标特征区域的受力关键点进行距离比对，并基于执行报警步骤。利用攻击关键点和受力关键点之间的距离检测，可以估算其中两个人员之间是否发生肢体接触，进而估算是否有发生不当行为，若有则输出预警信号触发报警步骤。利用图像分析的方式，可以及时对人员的行为进行评估，及时发现校园不当行为，以方便对不当行为进行及时制止，及时保护相关对象，并留下图像，为对不当行为后续做出的处罚提供证据。为对不当行为后续做出的处罚提供证据。为对不当行为后续做出的处罚提供证据。


技术研发人员：张意通 乔国坤
受保护的技术使用者：深圳市爱深盈通信息技术有限公司
技术研发日：2021.09.30
技术公布日：2022/3/8