本发明涉及安全监控，尤其涉及一种智能视频监控方法及系统。
背景技术：
1、安全监控技术领域涵盖了使用各种传感器和监控设备来实现对公共安全、私人财产和敏感区域的实时监控与管理。该技术通常包括摄像头、传感器、报警系统以及网络化的监控中心。这些系统能够捕捉视频图像并通过高级算法分析图像内容，从而检测和响应异常行为或安全威胁。随着人工智能和机器学习的发展，安全监控系统已经能够实现更加智能化的功能，如自动面部识别、异常行为检测和自动报警等。此外，这些系统还能够集成数据分析功能，帮助安全人员更有效地进行风险评估和安全管理。
2、其中，智能视频监控方法是指使用视频摄像机捕捉画面并利用软件算法对画面进行实时分析的技术。这种方法的主要用途包括防范犯罪、交通监控、人群管理和事故预防等。通过智能视频监控，系统可以自动识别可疑行为、跟踪目标或者检测特定事件，从而在不需要人工干预的情况下提供实时响应。这大大提高了监控效率和安全级别，尤其在大规模或高风险的环境中显得尤为重要。
3、现有技术虽广泛应用于多个场合，但在处理大规模或复杂场景时，如大型活动或交通繁忙区域，常常因基础的内容分析功能限制而无法准确识别和追踪小范围内的异常行为。这种局限性导致在密集人群中的行为分析不足，可能导致关键行为的识别和响应不及时，增加了安全管理的难度和风险。另外，现有系统多依赖后期人工干预，对于实时反应和预测未来场景变化的能力不足，限制了其在预防和控制潜在安全问题方面的潜力。如在未及时识别潜在危险行为时，可能导致无法有效预防事故发生，从而影响整体的安全防控效果。
技术实现思路
1、本发明的目的是解决现有技术中存在的缺点，而提出的一种智能视频监控方法及系统。
2、为了实现上述目的，本发明采用了如下技术方案：一种智能视频监控方法，包括以下步骤：
3、s1：从实时视频流中提取每帧的像素强度变化和颜色直方图，计算每帧的信息熵值，分析像素变化与颜色分布，生成信息熵数据；
4、s2：基于所述信息熵数据，识别信息熵值超过设定阈值的帧，计算每帧中的动态对象数量和运动强度，筛选出异常行为模式和非常规活动的帧，整合为关键帧集；
5、s3：从所述关键帧集中提取人物和车辆的位置坐标及运动轨迹，计算多对象的移动速度和方向，比较连续帧中的位置变化，连接移动速度、方向与位置变化信息，形成空间和时间上的关联，构建动态时空图；
6、s4：对所述动态时空图进行多尺度分析，计算短期内的人物行为模式和车辆流动密度，评估异常行为的出现频率和位置变化，预测场景变化，生成场景预测结果。
7、作为本发明的进一步方案，所述信息熵数据的获取步骤具体为：
8、s111：从实时视频流中逐帧抽取图像，对每帧的像素进行颜色值和强度值的抽取，生成像素强度变化矩阵和颜色直方图，得到初始帧数据；
9、s112：基于所述初始帧数据，计算每个像素与前一帧的颜色差异，同时统计当前帧中多颜色的出现频率，生成颜色差异数据和颜色频率数据；
10、s113：从所述颜色差异数据和颜色频率数据出发，采用公式：
11、
12、计算每帧的信息熵，生成信息熵数据；
13、其中，代表每帧的信息熵值，代表每帧中某一颜色的出现概率，代表颜色与前一帧的差异概率，和是颜色频率和差异的权重。
14、作为本发明的进一步方案，所述关键帧集的获取步骤具体为：
15、s211：基于所述信息熵数据，通过比较每帧的信息熵值与设定阈值，识别信息熵值超过阈值的帧，生成超阈值帧列表；
16、s212：对所述超阈值帧列表中的每一帧，采用公式：
17、
18、计算帧内动态对象的数量与运动强度，生成每帧的动态数据分析结果；
19、其中，代表第i帧的动态数据强度，是帧的信息熵值，是设定的阈值，、、是调节计算敏感度的权重参数；
20、s213：利用所述每帧的动态数据分析结果，筛选包括异常行为模式和非常规活动的帧，整合为关键帧集。
21、作为本发明的进一步方案，所述动态时空图的获取步骤具体为：
22、s311：从所述关键帧集中提取每一帧内的人物和车辆位置坐标，记录坐标为初始位置数据，得到初始坐标列表；
23、s312：基于所述初始坐标列表，采用公式：
24、
25、计算从第i帧到第i+1帧的直线距离，得到每帧间距离的结果；
26、其中，代表从第i帧到第i+1帧的直线移动距离，通过计算两帧之间对象位置的欧氏距离得到的，是第i帧中对象的坐标位置，代表帧中对象在二维空间中的横坐标和纵坐标，是第i+1帧中对象的坐标位置，代表在下一帧中对象在二维空间中的横坐标和纵坐标；
27、s313：将所述每帧间距离的结果与时间戳数据结合，分析对象的移动速度和方向，连接速度和方向信息，形成时间和空间上的关联，构建动态时空图。
28、作为本发明的进一步方案，所述场景预测结果的获取步骤具体为：
29、s411：从所述动态时空图中抽取多尺度数据，基于时间窗口对人物行为和车辆流动进行初步筛选，采用时间序列分析方法提取短期行为模式和流动密度数据，得到初步行为和流动模式数据集；
30、s412：对所述初步行为和流动模式数据集进行分析，采用公式：
31、
32、计算多模式的出现频率，生成频率分析结果；
33、其中，表示目标行为或流动模式在样本中的出现次数，是总样本数，代表第i模式的出现频率；
34、s413：综合所述频率分析结果和动态时空数据，评估异常行为的出现频率和关联位置变化，通过聚类分析识别异常模式，连接数据点形成预测模型，生成场景预测结果。
35、一种智能视频监控系统，所述智能视频监控系统用于执行上述智能视频监控方法，所述系统包括：
36、信息熵分析模块从实时视频流中提取像素强度变化与颜色直方图，计算帧的信息熵值，分析像素变化与颜色分布，得到信息熵数据集；
37、动态对象筛选模块基于所述信息熵数据集，筛选信息熵值超过设定阈值的帧，计算动态对象数量和运动强度，筛选异常行为模式和非常规活动的帧，生成关键帧集；
38、轨迹分析模块从所述关键帧集中提取人物和车辆的位置坐标及运动轨迹，计算多对象的移动速度和方向，比较连续帧中的位置变化，连接移动速度、方向与位置变化信息，构建动态时空关联图；
39、行为模式分析模块对所述动态时空关联图进行多尺度分析，计算短期内的人物行为模式和车辆流动密度，评估异常行为的出现频率和位置变化，预测场景变化，生成行为与流动密度分析结果；
40、预测结果输出模块基于所述行为与流动密度分析结果，分析行为模式与流动密度数据的相关性，识别异常行为数据点，整合行为与流动数据构建模拟场景，生成场景预测结果。
41、与现有技术相比，本发明的优点和积极效果在于：
42、本发明中，通过实时分析视频帧的像素强度变化和颜色直方图生成的信息熵数据，自动筛选出信息熵值高的帧，这些通常代表场景中有显著活动，从而能更快地定位到异常行为或非常规活动。这种处理逻辑减少了对连续监控的依赖，降低了人力资源的消耗，并显著提高了响应速度和精确度。通过从关键帧集中提取动态对象的具体运动轨迹和多对象间的相互关系，进一步构建了动态时空图。这不仅增加了监控系统对复杂场景的适应能力，也为事件的前期预警提供了数据支持，使得安全管理人员能够在问题发生前采取措施，从而提升了整体的安全管理效率和预防性。
1.一种智能视频监控方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的智能视频监控方法，其特征在于，所述信息熵数据的获取步骤具体为：
3.根据权利要求2所述的智能视频监控方法，其特征在于，所述关键帧集的获取步骤具体为：
4.根据权利要求3所述的智能视频监控方法，其特征在于，所述动态时空图的获取步骤具体为：
5.根据权利要求4所述的智能视频监控方法，其特征在于，所述场景预测结果的获取步骤具体为：
6.一种智能视频监控系统，其特征在于，根据权利要求1-5任一项所述的智能视频监控方法，所述系统包括：
