一种基于复杂理论的校园异常行为检测方法与流程

本发明属于校园安全和网络，具体涉及一种基于复杂理论的校园异常行为检测方法。

背景技术：

1、在现代教育环境中，确保校园安全和促进学生健康成长是教育工作者和管理人员的首要任务。近年来，随着技术的发展，特别是视频监控、传感器技术以及数据分析和机器学习的进步，校园内部的安全监控和学生行为分析变得更加可行和有效。然而，尽管现有技术在某些方面取得了进展，但在学生行为模式识别和异常行为检测方面仍面临一些重大挑战。

2、现有技术主要依赖于简单的运动检测、规则基础的行为识别或者是传统的机器学习方法来分析视频监控数据。这些方法虽然能够识别某些明显的异常行为，如跑动、打斗等，但它们通常无法有效理解和分析学生行为的复杂性和动态性。学生在校园环境中的行为受到多种因素的影响，包括个体心理状态、社交互动和环境条件等。现有方法往往忽略了这些因素的相互作用，导致无法准确地识别和预测学生的行为模式，尤其是那些微妙但可能表明潜在问题的行为模式。

3、此外，现有技术在个性化识别和实时响应方面也存在限制。由于缺乏有效的数据分析框架和算法，现有系统很难对每个学生的行为进行个性化监测和分析，无法考虑到每个学生独特的行为特征和背景。这不仅增加了误报的风险，也使得系统无法及时准确地识别和响应可能的安全问题。此外，由于缺乏有效的实时数据处理和分析能力，现有的系统往往无法做到即时反应，错过了预防和干预的最佳时机。

技术实现思路

1、针对现有校园监控系统无法准确地识别和预测学生的行为模式、无法及时准确地识别和响应可能的安全问题以及缺乏有效的实时数据处理和分析能力的问题，本发明提供一种基于复杂理论的校园异常行为检测方法，本方法能够全面分析和理解儿童行为的动态变化及其背后的复杂相互作用，通过引入先进的数据分析和机器学习算法，该系统能够深入理解学生行为的复杂性和动态性，考虑个体心理状态、社交互动和环境条件等多种因素的相互作用，从而更准确地识别和预测学生的行为模式；采用个性化识别和实时响应技术，利用有效的数据分析框架和算法，实现对每个学生行为的个性化监测和分析，及时准确地识别和响应可能的安全问题，减少误报的同时，确保在预防和干预的关键时机采取适当的行动。

2、本发明的技术方案如下：

3、一种基于复杂理论的校园异常行为检测方法，包括以下步骤：

4、s1、通过集成有高级算法的视频监控系统和传感器在校园内收集学生活动数据，包括三维运动轨迹、群体密度变化、个体间距离的动态变化以及通过微表情识别技术捕获的情绪反应；并将收集到的活动数据实时传输至校园的数据处理中心；选择校园内人流量大且学生活动频繁的关键区域，包括图书馆入口、课室和食堂，作为数据收集的目标区域，在每个目标区域安装具有高分辨率和宽视角的视频监控设备，使得设备能够覆盖整个区域无死角地捕获学生活动；

5、s2、将收集到的学生活动数据转化为可分析的行为模式数据集；

6、s3、对行为模式数据集进行噪声过滤和数据归一化处理；

7、s4、建立复杂系统模型，模拟学生个体间的相互作用及其与环境之间的交互关系，采用图论分析和动态系统理论反映学生群体行为的演化过程；

8、s5、利用深度神经网络模型对行为模式数据集进行训练，通过复杂系统模型提供的理论基础和行为动态分析指导深度神经网络模型识别出行为模式数据集中常见行为模式和异常行为模式；

9、s6、设定异常行为阈值，基于步骤s5中训练出的深度神经网络模型，实时监测学生行为数据，一旦检测到的行为数据超过异常行为阈值，系统即判定为异常行为；

10、s7、当系统检测到异常行为时，自动向校园管理人员发送警报，并提供相关行为数据和建议的干预措施。

11、对本发明的进一步说明，所述步骤s1包括以下步骤：

12、s11、所述视频监控系统通过图像识别算法实时从视频流中提取学生的三维运动轨迹；所述图像识别算法使用帧间差分法提取移动对象，应用光流法追踪对象运动并结合立体视觉技术重建学生的三维运动轨迹txyz；

13、设连续视频帧为ft和ft+1，其中t表示时间，学生的三维位置在帧ft和ft+1中分别为pt(xt，yt，zt)和pt+1(xt+1，yt+1，zt+1)；

14、运动向量vt→t+1通过帧间差分和光流估计计算得出：

15、vt→t+1＝pt+1-pt＝(xt+1-xt，yt+1-yt，zt+1-zt)；

16、结合立体视觉，三维运动轨迹txyz的计算为：

17、

18、其中，n是视频帧总数；

19、通过帧间差分法、光流法和立体视觉技术实现了高精度的三维运动轨迹重建。具体来说，通过帧间差分法提取移动对象，应用光流法追踪对象运动，结合立体视觉技术重建儿童的三维运动轨迹，即定通过这种方式实现了对儿童活动的高精度和实时监控，提升数据收集的准确性，增强了系统在复杂环境下的鲁棒性，解决了传统监控系统在误识别率高数据收集不全维度不够等问题。

20、s12、在视频监控系统中集成群体密度分析算法，通过图像分割技术将画面中的人群区域分割出来，再计算各分割区域内的像素点数量，通过像素点数量与预设的人体平均像素点比例估算出每个区域的人数，结合每个视频帧ft内的人群分割区域am，m代表第m个区域，每个区域的人数估算通过该区域的像素点数pam与预设的每人平均像素点数pavg的比例计算得出，群体密度变化表示为各个时间点t的所有区域人数之和：

21、

22、群体密度变化dt表示为各个时间点t的所有区域人数之和：

23、

24、s13、在校园各目标区域布置超声波或红外线距离传感器，用于收集个体间距离的动态变化，利用超声波或红外线传感器测量得到的时间t时刻两个学生i和j之间的距离dij(t)可以用信号的往返时间tij和信号传播速度c计算得出：

25、

26、s14、利用高清摄像头捕获学生的面部表情，并通过微表情识别技术分析学生的情绪反应，包括眉毛上扬、嘴角下拉，以分类学生的基本情绪状态ef。

27、对本发明的进一步说明，所述步骤s2包括以下步骤：

28、s21、从步骤s1收集的数据中，提取三维运动轨迹txyz、群体密度变化dt、个体间距离的动态变化dij(t)和情绪状态ef作为原始数据输入；

29、s22、为每个学生创建一个包含观测期内的所有活动数据的数据记录，对于每个学生i的数据记录，考虑其时间序列数据xi的多维性：

30、xi＝{txyz，i(t)，dt，i，dij，i(t)，ef，i(t)}；

31、其中，t为时间变量，表示在不同时间点t的观测值；

32、s23、对每个数据记录xi进行结构化，使其能够反映出特定时间段内学生的行为模式，通过将连续的时间点数据聚类为离散的行为事件，每个行为事件由学生的位置、所在群体的密度、与其他学生的相对位置以及情绪状态四个维度定义，使用动态时间弯曲识别和分类行为模式，对于任意两个时间序列xi和xj表示为：

33、

34、其中，t是时间序列的长度，xit和xjt分别是时间序列xi和xj在时间t的值；

35、s24、将所有学生的行为模式数据集合成一个综合的行为模式数据集b，用于后续的行为模式识别和异常行为检测：

36、

37、其中，n是参与的学生数量，确保数据集b覆盖了校园内所有观测到的学生行为，∪表示合并操作，使得数据集覆盖了校园内所有观测到的学生行为；

38、s25、为数据集b定义元数据描述，包括数据收集的时间范围、地点、参与学生的数量以及每个行为事件的时间戳和持续时间，元数据的目的是为数据集提供背景信息，方便后续分析时能够快速定位和理解数据内容：

39、metadata(b)＝{″collection period″：p，″locations"：l，″participa nts″：n，″event timestamps″：te，″duration″：de}；

40、其中，p表示数据收集的时间范围，l代表数据收集的地点，n是参与学生的数量，te和de分别表示每个行为事件的时间戳和持续时间。

41、通过利用多种传感器和数据处理技术，构建了一个综合的行为模式数据集，即定这种方法克服传统单一模态数据的局限性，实现了对复杂行为模式的准确识别，提升了系统的适应性和准确性。

42、对本发明的进一步说明，所述步骤s4包括以下步骤：

43、s41、定义学生个体和环境的模型参数，学生个体i在时间t的状态由位置pi(t)＝(xi(t)，yi(t)，zi(t))、速度向量vi(t)＝(vx，1(t)，vy，i(t)，vz，i(t))、情绪状态ef，i(t)和与学生j的社交互动参数sij(t)组成，环境参数由群体密度dt和特定地点的特征lk表示，其中k指定地点类型；

44、s42、构建图模型g(v，e)来表示学生个体间的相互作用，其中节点v代表学生个体，边e代表学生间的社交互动，边的权重wij(t)由社交互动参数\(s_{ij}(t)\)决定，反映个体间社交互动的强度和频率：

45、wij(t)＝α·exp(-β·dij(t))·ef，i(t)·ef，j(t)；

46、其中，α和β是调节参数，dij(t)是学生之间的距离，反映社交互动的强度与情绪状态的相互作用；

47、s43、采用动态系统理论，为图模型中的每个学生个体定义一个动态行为方程，用以模拟学生行为的时间演化，动态方程基于个体的位置参数、速度向量、情绪状态以及与其他个体的互动，形式化表示为：

48、

49、

50、其中，u(pi(t)是一个潜在的能量场，反映环境对个体移动的影响，finter是个体间互动的影响函数，依赖于社交互动参数、情绪状态和地点特征；代表向量微积分中的一个向量算子，称为梯度算子；d表示微分算子，用来表示一个函数随某个变量的微小改变量；

51、s44、利用图论分析方法，分析图模型g(v，e)的连通性、集群系数和路径长度，揭示学生群体行为的网络特征和社交结构，其中平均路径长度l(g)和集群系数c(g)：

52、

53、

54、其中，δij是节点i和j之间的最短路径距离，eijk是连接节点i、j和k的三角形的数量，ki是节点i的度；

55、s45、综合动态系统理论和图论分析结果，预测学生群体行为的演化趋势和可能出现的异常行为模式，通过模拟不同的社交互动和环境变化情景，评估因素对学生群体行为演化的影响：

56、

57、其中，ψ是一个综合分析函数，考虑了时间序列中图模型的演化、行为模式数据集b、学生情绪状态的时间序列和群体密度的变化，用以预测未来的行为模式和潜在的异常行为。

58、通过对儿童群体行为的网络特征和演化趋势的深度分析，并且提出一种图序方程通过分析图模型的连通性、集群系数和路径长度，揭示了儿童群体行为的社交结构和演化规律；通过有效解决传统静态模型无法准确描述动态行为的问题，实现了对群体行为演化趋势和异常行为的精准预测。

59、对本发明的进一步说明，所述步骤s5包括以下步骤：

60、s51、构建深度神经网络模型以处理和分析从步骤s1至s4获得的行为模式数据集b，深度神经网络模型设计为多层架构，包括输入层、多个隐藏层和输出层，以识别学生行为的复杂模式，深度神经网络具有l层，每一层具有nl个神经元，针对学生行为模式的多维数据，网络的输入层接收从行为模式数据集b提取的特征向量x＝[txyz，dt，dij，ef]，第1层的输出表示为：

61、o(l)＝σ(w(l)o(l-1)+b(l))；

62、其中，o(0)＝x和w(l)是第\(l\)层的权重矩阵，\b(l)是偏置向量，σ是激活函数；

63、s52、将行为模式数据集b划分为训练集和测试集，训练集用于模型的训练，测试集用于评估模型的性能和准确性；

64、s53、对深度神经网络进行训练，输入包括学生个体的位置参数pi(t)、速度向量vi(t)、情绪状态ef，i(t)和社交互动参数sij(t)以及环境参数如群体密度dt和地点特征lk，训练过程中，模型通过调整网络权重，最小化预测结果和实际行为模式之间的差异，训练过程中采用交叉熵损失函数优化模型，结合学生行为的分类问题，加入图模型特性的正则化项以促进模型学习社交结构特征，损失函数定义为：

65、

66、其中，c(g)和l(g)分别表示从模型预测的学生行为模式数据集中计算得出的图模型的集群系数和平均路径长度，λ1和λ2是正则化系数，用于平衡损失函数的不同部分；yo，c表示观测值属于类别c的真实情况，是一个指示函数，当观测值确实属于类别c时为1，否则为0，log(po，c)是对概率(po，c)取对数，这里(po，c)指的是模型预测观测值属于类别c的概率；

67、s54、应用复杂系统理论提供的理论基础和行为动态分析，指导深度神经网络模型的结构设计和训练过程，引入环境影响函数e(pi，lk)和个体间互动影响函数i(sij，ef，i，ef，j)，动态行为方程表示为：

68、

69、其中，表示环境对个体行为的影响，表示个体间互动的综合影响。

70、对本发明的进一步说明，所述s6包括以下步骤：

71、s61、在深度神经网络模型训练完成后，基于从步骤s5获得的模型性能指标，设定一个异常行为阈值tab，阈值用于区分正常行为模式和异常行为模式，通过计算模型对于异常行为识别的f1分数和接收者操作特征曲线下面积来确定最优阈值：

72、

73、其中，precision(τ)和recall(τ)分别为在阈值τ时模型的精确率和召回率，阈值τ从0到1变化；

74、s62、实时监测学生行为数据，通过在校园内部署的传感器和视频监控系统，连续收集学生的位置、速度、情绪状态和社交互动数据，实时数据构成实时行为特征向量：

75、xrealtime＝concat([txyz(t)，dt，dij(t)，ef(t)])；

76、其中，concat表示将各维度数据拼接成一个高维特征向量的操作，每个维度通过特定的函数从实时监测数据中计算得出；

77、s63、将实时行为特征向量xrealtime输入到步骤s5中训练好的深度神经网络模型中，模型输出每一实时观测的行为模式分类概率\(p_{ab}(x_{realtime})\)，即该观测被判定为异常行为的概率；

78、s64、对于每个实时观测，比较其行为模式分类概率pab(xrealtime)与异常行为阈值tab，结合模型不确定性和分类概率：

79、

80、其中，uncertainty(xrealtime)表示模型对于给定实时特征向量的预测不确定性，可以通过模型的输出概率分布的熵来估计，λ是一个调节参数，用于平衡预测概率和不确定性的影响。

81、通过部署模型并对行为模式数据集进行训练，通过上述儿童群体行为的复杂系统模型提供的理论和行为动态分析指导深度神经网络模型识别出行为模式数据中的常见行为和异常行为，其中提出一种儿童行为特征向量xrealtime＝concat([txyz(t)，dt，dij(t)，ef(t)])进行数据构建，以及提出一种不确定行判别公式isabnormal(xrealtime)对熵进行计算，平衡对儿童异常行为预测概率和不确定性的影响。

82、对本发明的进一步说明，所述s7包括以下步骤：

83、s71、对于检测到的异常行为，系统自动触发警报机制，通过校园内的通信网络向相关校园管理人员发送警报信息，包括异常行为的类型、时间、地点以及相关学生的匿名标识符，同时，系统提供初步的响应建议，根据异常行为的性质和紧急程度进行分类；

84、s72、建立异常行为日志数据库，用于记录所有检测到的异常行为事件，包括事件的详细描述、时间、地点和系统响应。

85、本发明的有益效果：

86、本发明通过引入复杂系统理论，能够全面分析和理解儿童行为的动态变化及其背后的复杂相互作用，如个体间的社交互动和个体与环境之间的交互。同时，通过利用深度神经网络模型，不仅提高了行为模式识别的准确性，还实现了对儿童行为数据的实时监测和分析。

87、本发明通过对每个儿童的行为数据进行个性化分析，能够考虑到每个儿童独特的行为特征和背景，从而更精确地识别和预测个体的行为模式。这种个性化分析不仅减少了误报的风险，还为提供针对性的干预措施提供了可能。

技术特征：

1.一种基于复杂理论的校园异常行为检测方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种基于复杂理论的校园异常行为检测方法，其特征在于：所述步骤s1包括以下步骤：

3.根据权利要求1所述的一种基于复杂理论的校园异常行为检测方法，其特征在于：所述步骤s2包括以下步骤：

4.根据权利要求1所述的一种基于复杂理论的校园异常行为检测方法，其特征在于：所述步骤s4包括以下步骤：

5.根据权利要求1所述的一种基于复杂理论的校园异常行为检测方法，其特征在于：所述步骤s5包括以下步骤：

6.根据权利要求1所述的一种基于复杂理论的校园异常行为检测方法，其特征在于：所述s6包括以下步骤：

7.根据权利要求1所述的一种基于复杂理论的校园异常行为检测方法，其特征在于：所述s7包括以下步骤：

技术总结
本发明公开了一种基于复杂理论的校园异常行为检测方法，通过收集学生活动数据、转化为可分析的行为模式数据集、数据归一化处理、采用图论分析和动态系统理论反映学生群体行为的演化过程、识别出行为模式数据集中常见行为模式和异常行为模式、判定异常行为、发送警报等步骤，能够全面分析和理解学生行为的动态变化及其背后的复杂相互作用，如个体间的社交互动和个体与环境之间的交互。同时，通过利用深度神经网络模型，不仅提高了行为模式识别的准确性，还实现了对学生行为数据的实时监测和分析。

技术研发人员：黄家亮,陈之鸿,胡冬兰,刘银霞
受保护的技术使用者：广西壮族自治区公众信息产业有限公司
技术研发日：
技术公布日：2024/12/5