本发明涉及监控智能管理，具体为一种基于人工智能的监控视频智能巡检管理方法及系统。
背景技术：
1、传统的监控视频智能巡检主要依赖人工，巡检效率不高且巡检的准确度较低。随着智能化的发展，监控视频智能巡检也成为智能监测的一个难关，但由于对视频数据进行实时分析和处理的精度不足，在一些复杂场景中无法满足实际需求。
2、现有中国申请专利cn117575230a，该方法通过建设远程巡检智能感知终端，通过多频次的巡检信息的采集和智能识别感知，同时通过配置视频分析参数和区域以及在视频分析完成后完成对识别结果进行排序执行，并通过人工审核预警的方式，完成区域的远程巡检；但由于复杂场景的智能识别感知准确度较低，具有一定的局限性。
技术实现思路
1、（一）解决的技术问题
2、针对现有技术的不足，本发明提供了一种基于人工智能的监控视频智能巡检管理方法及系统，具备准确、高效、实时等优点，解决了由于对视频数据进行实时分析和处理的精度不足，在一些复杂场景中无法满足实际需求的问题。
3、 （二）技术方案
4、为解决上述由于对视频数据进行实时分析和处理的精度不足，在一些复杂场景中无法满足实际需求的技术问题，本发明提供如下技术方案：
5、本实施例公开一种基于人工智能的监控视频智能巡检管理方法，具体包括以下步骤：
6、s1、收集历史视频监控数据，并基于收集的历史视频监控数据建立样本集，同时对样本集中的历史视频监控数据进行预处理，得到预处理后的历史视频监控数据；
7、s2、基于得到预处理后的历史视频监控数据，通过机器学习方式提取历史视频监控数据中的异常行为特征和时空特征；
8、s3、基于提取历史视频监控数据中异常行为的时空特征设置监控摄像头提醒频率；
9、s4、设定一个视频监控事件，当管理员选取对应时间段的一帧视频监控数据后，自动放大该帧视频监控数据的视频画面，并基于机器学习方式和数据匹配方式对选取的视频画面进行识别，得到识别后的视频监控数据；
10、s5、基于识别后的视频监控数据生成巡检记录，并保存；
11、s6、设定巡检评估管理标准并对管理员生成的巡检记录进行评估和优化。
12、本发明通过收集历史视频监控数据，并建立样本集，同时对样本集中的历史视频监控数据进行预处理，同时基于得到预处理后的历史视频监控数据，通过机器学习方式提取历史视频监控数据中的异常行为特征和时空特征；同时基于提取历史视频监控数据中异常行为的时空特征设置监控摄像头提醒频率，并通过设定一个视频监控事件，当管理员选取对应时间段的一帧视频监控数据后，自动放大该帧视频监控数据的视频画面，并基于机器学习方式和数据匹配方式对选取的视频画面进行识别和生成巡检记录，最后通过设定巡检评估管理标准并对管理员生成的巡检记录进行评估和优化，提高了监控视频智能巡检的精度。
13、优选地，所述收集历史视频监控数据，并基于收集的历史视频监控数据建立样本集，同时对样本集中的历史视频监控数据进行预处理，得到预处理后的历史视频监控数据包括以下步骤：
14、s11、选取样本集中存在异常行为的历史视频监控数据；
15、s12、对选取的历史视频监控数据进行图像增强，得到增强后的历史视频监控数据；
16、s13、设定增强后的历史视频监控数据为预处理后的历史视频监控数据。
17、优选地，所述对选取的历史视频监控数据进行图像增强，得到增强后的历史视频监控数据包括以下步骤：
18、s121、基于选取的历史视频监控数据中的灰度值分布，计算选取的历史视频监控数据的像素概率分布，灰度值为像素点满足条件r=g=b的值；
19、选取的历史视频监控数据的像素概率分布公式如下：
20、；
21、其中，表示选取的历史视频监控数据的像素概率，表示灰度值为的像素点个数，为像素点总数；
22、s122、根据计算的选取的历史视频监控数据的像素概率分布构建图像累积分布函数；
23、构建图像累积分布函数公式如下所示：
24、；
25、其中，表示图像中灰度值总数，表示第个灰度值通过累积分布函数映射后的灰度值；
26、s123、基于构建的图像累积分布函数对选取的历史视频监控数据进行图像增强；
27、通过变换函数将累积分布函数映射后的灰度值乘（-1）；
28、变换函数公式如下：
29、；
30、其中，表示关于的变换函数，通过使用变换函数使得均衡化后图像的灰度级与归一化前的原始图像一致；
31、根据图像累积分布函数以及变换函数的映射关系，参照原始图像中的像素，输出直方图均衡化之后的图像。
32、本发明通过选取样本集中存在异常行为的历史视频监控数据，并对选取的历史视频监控数据进行图像增强的方式完成对历史视频监控数据的处理，保证了历史视频监控数据处理的准确性。
33、优选地，所述基于得到预处理后的历史视频监控数据，通过机器学习方式提取历史视频监控数据中的异常行为特征和时空特征包括以下步骤：
34、s21、将得到的预处理后的历史视频监控数据作为输入，输入至三维卷积神经网络；
35、s22、通过三维卷积神经网络对输入的历史视频监控数据进行特征提取。
36、优选地，所述通过三维卷积神经网络对输入的历史视频监控数据进行特征提取包括以下步骤：
37、s221、设定输入的历史视频监控数据尺寸为；
38、其中，表示信道数量，表示历史视频监控数据的帧长度，表示帧的高度，表示帧的宽度；
39、设定三维卷积神经网络的卷积核尺寸为；
40、其中，表示卷积核时间深度，表示卷积核空间大小；
41、s222、接收到输入历史视频监控数据后卷积层通过设定的卷积核按照设置的步长在输入的历史视频监控数据上移动，并在每一步的相应区域上与该区域的特征值进行卷积计算，以此实现对每个历史视频监控数据的特征提取；
42、卷积计算公式如下所示：
43、；
44、其中，表示输入的历史视频监控数据，表示对应卷积核的权值， b表示偏置值， f表示输出特征；
45、s223、在三维卷积神经网络不断卷积过程中，上一层三维卷积神经网络的输出会作为下一层三维卷积神经网络的输入，并在将数据输入到下层三维卷积神经网络的过程中经过激活函数和残差函数的处理；
46、s224、在不断堆叠的卷积和池化过程中对历史视频监控数据的特征进行提取；
47、s225、将提取后的历史视频监控数据的特征传入全连接层；
48、s226、通过全连接层将数据进行展开组合，得到一组特征数据，并保存；
49、根据设定的卷积核，得到的一组特征数据，前三分之一表示时空特征，后三分之二表示异常行为特征。
50、优选地，所述在将数据输入到下层三维卷积神经网络的过程中经过激活函数和残差函数的处理包括以下步骤：
51、激活函数的处理包括以下步骤：
52、设定输入值为(λ=1,2,……,l)，每个输出值相对应的输入权值为，b为偏移量，将输入值输入到该三维卷积神经网络后得到的输出结果为：
53、；
54、其中，为对应的激活函数，为激活函数的输出结果；
55、残差函数的处理包括以下步骤：
56、；
57、其中，表示残差模块的输出，表示残差函数。
58、本发明通过将得到的预处理后的历史视频监控数据输入至三维卷积神经网络，同时通过三维卷积神经网络对输入的历史视频监控数据进行异常行为特征提取和时空特征提取方式保证了数据特征提取的可靠性。
59、优选地，所述基于机器学习方式和数据匹配方式对选取的视频画面进行识别，得到识别后的视频监控数据包括以下步骤：
60、s41、通过机器学习方式，实时提取选取视频画面的异常行为特征；
61、s42、通过数据匹配方式将实时提取选取视频画面的异常行为特征与保存的历史视频监控数据中的异常行为特征进行匹配。
62、优选地，所述通过数据匹配方式将实时提取选取视频画面的异常行为特征与保存的历史视频监控数据中的异常行为特征进行匹配包括以下步骤：
63、相似度计算方式如下所示：
64、；
65、其中，为向量和向量之间的相似度，表示第i点的坐标，表示总像素点的个数；
66、设定相似度阈值，当选取视频画面的异常行为特征与保存的历史视频监控数据中的异常行为特征之间的相似度大于等于设定的相似度阈值时表示选取视频画面存在异常行为，当选取视频画面的异常行为特征与保存的历史视频监控数据中的异常行为特征之间的相似度小于设定的相似度阈值时表示选取视频画面不存在异常行为。
67、本发明通过机器学习方式，实时提取选取视频画面的异常行为特征，同时通过数据匹配方式将实时提取选取视频画面的异常行为特征与保存的历史视频监控数据中的异常行为特征进行匹配，并根据匹配结果实时分析选取的视频画面，提高了对选取的视频画面识别的实时性。
68、优选地，所述设定巡检评估管理标准并对管理员生成的巡检记录进行评估和优化包括以下步骤：
69、计算当前监控摄像头提醒频率下的识别的准确率；
70、；
71、其中，tp表示识别与实际结果一致的数量；fn表示漏检数量；r为准确率；
72、设定准确率为巡检评估管理标准并设定准确率阈值，当管理员生成的巡检记录中的准确率小于设定准确率阈值，增加监控摄像头提醒频率；当管理员生成的巡检记录中的准确率大于等于设定准确率阈值，表示巡检记录合格。
73、本发明通过计算当前监控摄像头提醒频率下的识别的准确率，通过设定准确率阈值并判断当前生成的巡检记录中的准确率是否满足设定阈值的方式完成对管理员生成的巡检记录进行评估和优化，提高了巡检记录评估的效率。
74、本实施例还公开一种基于人工智能的监控视频智能巡检管理系统，包括：数据采集模块、数据处理模块、特征提取模块、监控调整模块、识别匹配模块以及巡检评估管理模块；
75、所述数据采集模块用于实时收集视频监控数据，并将收集到的视频监控数据传输至数据处理模块；
76、所述数据处理模块用于对接收到的视频监控数据进行处理；
77、所述特征提取模块用于对处理后的视频监控数据进行异常行为特征提取和时空特征提取；
78、所述监控调整模块用于根据提取到的时空特征进行监控调整；
79、所述识别匹配模块用于根据提取到的异常行为特征进行识别匹配；
80、所述巡检评估管理模块用于对识别匹配结果的准确率进行评估。
81、（三）有益效果
82、与现有技术相比，本发明提供了一种基于人工智能的监控视频智能巡检管理方法及系统，具备以下有益效果：
83、1、该发明通过收集历史视频监控数据，并建立样本集，同时对样本集中的历史视频监控数据进行预处理，同时基于得到预处理后的历史视频监控数据，通过机器学习方式提取历史视频监控数据中的异常行为特征和时空特征；同时基于提取历史视频监控数据中异常行为的时空特征设置监控摄像头提醒频率，并通过设定一个视频监控事件，当管理员选取对应时间段的一帧视频监控数据后，自动放大该帧视频监控数据的视频画面，并基于机器学习方式和数据匹配方式对选取的视频画面进行识别和生成巡检记录，最后通过设定巡检评估管理标准并对管理员生成的巡检记录进行评估和优化，提高了监控视频智能巡检的精度。
84、2、该发明通过选取样本集中存在异常行为的历史视频监控数据，并对选取的历史视频监控数据进行图像增强的方式完成对历史视频监控数据的处理，保证了历史视频监控数据处理的准确性。
85、3、该发明通过将得到的预处理后的历史视频监控数据输入至三维卷积神经网络，同时通过三维卷积神经网络对输入的历史视频监控数据进行异常行为特征提取和时空特征提取方式保证了数据特征提取的可靠性。
86、4、该发明通过机器学习方式，实时提取选取视频画面的异常行为特征，同时通过数据匹配方式将实时提取选取视频画面的异常行为特征与保存的历史视频监控数据中的异常行为特征进行匹配，并根据匹配结果实时分析选取的视频画面，提高了对选取的视频画面识别的实时性。
87、5、该发明通过计算当前监控摄像头提醒频率下的识别的准确率，通过设定准确率阈值并判断当前生成的巡检记录中的准确率是否满足设定阈值的方式完成对管理员生成的巡检记录进行评估和优化，提高了巡检记录评估的效率。
1.一种基于人工智能的监控视频智能巡检管理方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于人工智能的监控视频智能巡检管理方法，其特征在于，所述收集历史视频监控数据，并基于收集的历史视频监控数据建立样本集，同时对样本集中的历史视频监控数据进行预处理，得到预处理后的历史视频监控数据包括以下步骤：
3.根据权利要求2所述的一种基于人工智能的监控视频智能巡检管理方法，其特征在于，所述对选取的历史视频监控数据进行图像增强，得到增强后的历史视频监控数据包括以下步骤：
4.根据权利要求1所述的一种基于人工智能的监控视频智能巡检管理方法，其特征在于，所述基于得到预处理后的历史视频监控数据，通过机器学习方式提取历史视频监控数据中的异常行为特征和时空特征包括以下步骤：
5.根据权利要求4所述的一种基于人工智能的监控视频智能巡检管理方法，其特征在于，所述通过三维卷积神经网络对输入的历史视频监控数据进行特征提取包括以下步骤：
6.根据权利要求5所述的一种基于人工智能的监控视频智能巡检管理方法，其特征在于，所述在将数据输入到下层三维卷积神经网络的过程中经过激活函数和残差函数的处理包括以下步骤：
7.根据权利要求1所述的一种基于人工智能的监控视频智能巡检管理方法，其特征在于，所述基于机器学习方式和数据匹配方式对选取的视频画面进行识别，得到识别后的视频监控数据包括以下步骤：
8.根据权利要求7所述的一种基于人工智能的监控视频智能巡检管理方法，其特征在于，所述通过数据匹配方式将实时提取选取视频画面的异常行为特征与保存的历史视频监控数据中的异常行为特征进行匹配包括以下步骤：
9.根据权利要求1所述的一种基于人工智能的监控视频智能巡检管理方法，其特征在于，所述设定巡检评估管理标准并对管理员生成的巡检记录进行评估和优化包括以下步骤：
10.一种实现如权利要求1-9中任一项所述的基于人工智能的监控视频智能巡检管理方法的系统，其特征在于，包括：数据采集模块、数据处理模块、特征提取模块、监控调整模块、识别匹配模块以及巡检评估管理模块；
