一种基于深度学习图像处理的多模式安保监测方法

本发明属于计算机图像处理监测技术领域，具体地说，涉及一种基于深度学习图像处理的多模式安保监测方法。

背景技术：

随着计算机技术的高速发展，基于机器学习的图像处理技术也愈发成熟，并应用在各行各业中。如人脸识别的快捷支付、人脸识别的密码锁、图像识别的快速智能识别等等。但其主要还是应用在图像的识别层面。因为图像的数据库是相当丰富的，在庞大的图像数据资源做支撑的情况下，图像识别的精度是相当高的；而当今世界上关于视频的数据库，其数据量是远远低于图像的数据量的，故对视频直接开展的识别受限于数据库资源，在技术成熟度和精度上都是远远低于对于图像的识别的。故一般对于视频的识别，通常都是将视频转换为一帧帧的图像，然后对图像进行识别，最终实现对视频的识别。在此种情况下，因为一秒视频一般就包含了几十帧的图像，常规对视频进行识别分析的开销是巨大的。在此基础上，现有技术通常都是采用稀疏帧的方式，从完整的视频帧图像中采样进行图像识别，在尽可能保证不损失图像内容的情况下进行图像识别，但其开销仍然是巨大的。同时这种方式也常见用于离线进行视频的识别，而在多场景的监控场景中，监控的识别本身就是在线实时进行的，同时需要采用图像处理来辅助监控的场景，一般也是存在于单人无法胜任的多摄像头对多区域进行查看的场景。在这种情形下，如果对多个摄像头都同时进行在线监控，那么其开销是巨大的，对设备的要求相当之高，在应用性上来说也会差很多，同时针对监控的多元化来说，监控的算法内容上的丰富，还会增加成本和开销，算法增加的开销若叠加在多个摄像头的监控上，其开销是呈指数型的增长的。

技术实现要素：

本发明针对现有技术的上述缺陷，提出了一种基于深度学习图像处理的多模式安保监测方法，将需要监控的场景按照重要程度进行划分，并根据后续的机器学习结果定期调整，实现将有限的监控资源应用在最需要监控的地方，同时对需要监控的内容也进行重点关注，通过设定危险id和次危险id，将最可能出现需要监控的人物给筛选出来，两个操作的结合，实现对最需要监控的地方出现的最需要监控的人进行重点监测，同时通过采集实际的需要监控的场景，粘贴外来的大量训练数据，实现符合待监测场景的预训练集数据的丰富，进而提高最终识别的精度。同时通过训练后的结果，还可以对最可能发送异常行为的区域进行调整监督。实现以较低的设备成本和开销达成最大效率的视频在线监控。

本发明具体实现内容如下：

本发明提出了一种基于深度学习图像处理的多模式安保监测方法，包括以下步骤：

步骤1：构建被监测场地的全局地图模型；

步骤2：在构建的全局地图模型下划分多个不同的安保监测子区域；将不同安保监测子区域划分不同的监测力度等级，并对每个安保监测子区域安装相应的监控摄像头，并运行监控一段时间；

步骤3：选取图像数据库作为预训练集进行预训练，得到预训练模型；并调取安保监测子区域的监控摄像头历史监控的所有监控图像，用于丰富预训练集；

步骤4：在实际监测的时候，首先设定监测展示队列，将所有安保监测子区域的监控摄像头根据监测力度等级的高低间隔排序在监测展示队列中；然后按照设定的监测力度等级设定相对应的初始监测时间，同一监测力度等级的监控摄像头对应的初始监测时间相同，且监测力度等级越高的监控摄像头对应的初始监测时间越多；接着按照监测展示队列中的顺序抽取n个监控摄像头实时采集的图像在安保室内的监控屏幕上进行展示；

步骤5：对于在监控屏幕上进行展示的实时采集的图像，结合人脸识别算法和人体识别算法进行人脸识别以及人体识别，并使用人体行为识别算法判断是否发生异常行为，并采用人体追踪算法进行人体追踪；对于在初始监测时间结束时，在监控屏幕上展示且并未出现行人的实时采集的图像，从监控屏幕上移除，并从监测展示队列中调取后序的监控摄像头实时采集的图像在监控屏幕上进行展示并监测，周而复始在监测展示队列中进行循环；对于在初始监控时间结束前，在监控屏幕上出现行人的，增加在监控屏幕上的展示时间；当在监控屏幕上展示并监测到有行人发生异常行为时，以标识框的形式报警推送给工作人员，由工作人员核实是否存在异常行为，并进行处理；对于核实为发生了异常行为的图像，再次增加对应的监控摄像头的展示时间；

步骤6：对于核实为发生了异常行为的人体，将识别出的相对应的人脸信息提取出来，设定唯一的危险人物id，并将人脸信息存储到对应的危险人物id中；对于人脸信息被存储到危险人物id中的行人，执行以下处理原则：

在后续的监测中，当在监控屏幕上存储的图像中识别到有人脸信息被存储在危险人物id中的行人出现时，增加对应的监控摄像头在监控屏幕上的展示和监测时间；

对于人脸信息被存储在危险人物id中的行人，使用人体行为识别算法监测行为时，还要识别其与处于同一监控摄像头下的其他行人之间是否存在亲密互动行为，对于其他行人中存在互动行为的人脸信息进行存储，设定互动行为阈值b和次危险人物id，对其他行人的互动行为进行累计加分，将累计加分超过互动行为阈值b的其他行人的人脸信息存储到次危险人物id中；当人脸信息存储到次危险人物id中的行人出现在监控摄像头上时，同样增加对应的监控摄像头的展示和监测时间；所述阈值b为根据实际情况自定义值；

步骤7：在进行步骤4-步骤6操作达到时间a后，汇总时间a内每个安保监测子区域内发生异常行为的次数，并按照次数的多少重新划分监测力度等级；所述时间a为根据实际情况自定义时间量；

步骤8：在进行步骤4-步骤6操作达到时间c后，对于单个监控摄像头所识别出异常行为的图像进行汇总，计算单个图像中异常行为的标识框在图像中位置于图像中心的偏移值，根据计算出的偏移值对对应的监控摄像头进行位姿调整。

为了更好地实现本发明，进一步地，在所述步骤3中，丰富预训练集的具体操作为：调取每个安保监测子区域的监控摄像头历史的所有监控图像，且在预训练过程中，将预训练集中的行人从预训练集的图像中抠出，进行缩放、形变拉伸、色彩变换，并以不同的角度粘贴到调取出的监控图像中得到丰富后的训练图像，将丰富后的训练图像同样加入到预训练集中用于预训练。

为了更好地实现本发明，进一步地，所述步骤4中根据监测力度等级的高低间隔排序在监测展示队列中的具体操作为：设置第一队列和第二队列，首先将监测力度等级最高的两个监控摄像头分别加入到第一队列和第二队列的首位，然后将监测力度等级最低的两个监控摄像头分别加入到第一队列和第二队列的次位，接着再将尚未排序的监控摄像头中监测力度等级最高的两个监控摄像头分别加入第一队列和第二队列的第三位，然后将尚未排序的监控摄像头中监测力度等级最低的两个监控摄像头分别加入第一队列和第二队列的第四位，依次类推，直到所有的监控摄像头都排序到了第一队列或者第二队列中，然后将第二队列的首位和第一队列的末尾拼接得到监测展示队列。

为了更好地实现本发明，进一步地，所述步骤4中，设置预加载的时间d，当某一监控摄像头在监控屏幕上的展示时长还剩时间d时，将在监测排序队列中排序在后的监控摄像头采集的图像进行预加载，当某一监控摄像头在监控屏幕上的展示时长用尽时，使用预加载的图像进行替换展示。

为了更好地实现本发明，进一步地，所述人体追踪算法采用基于边界框回归和孪生神经网络的全局优化多目标跟踪方法，在进行跟踪的过程中，当目标人体被遮挡或者离开监控摄像头监测的区域从而导致目标跟踪丢失时，将目标跟踪丢失前最后一帧图像进行保存，当在后续监测中监测出多余监测结果时，使用孪生神经网络多保存的目标跟踪丢失前最后一帧图像核多余监测结果进行相似性度量，将通过相似性度量判定为真的目标人体认定为同一目标人体并建立回归标识框继续进行追踪，将通过相似性度量判定为假的目标人体认定为不同目标人体并建立新的标识框进行人体追踪。

为了更好地实现本发明，进一步地，采用mes损失函数、交叉熵损失函数和对比损失函数的结合作为联合损失函数用于边界框回归和孪生神经网络在全局优化多目标跟踪方法中的联合训练。

为了更好地实现本发明，进一步地，在使用人脸识别算法和人体识别算法进行人脸识别和人体识别时，首先进行抗干扰逐类别kmeans聚类，对人脸和人体都进行kmeans聚类，获得初始锚点，将初始锚点平分，人脸识别和人体识别各分一半初始锚点，然后采用yolo-tiny框架的两层监测层分别对人脸识别结果和人体识别结果进行输出。

为了更好地实现本发明，进一步地，当对人脸和人体的识别监测次数达到1000次后，加入遗传算法，对初始锚点进行微调。

为了更好地实现本发明，进一步地，使用所述人体行为识别算法进行人体行为识别的具体步骤为：

步骤s1：然后收集发生异常行为的图片作为正样本集，选取未发生异常行为的图片作为负样本集；

步骤s2：基于人体识别算法识别出的人体目标，使用openpose识别技术对正样本集合负样本集进行人体目标的人体骨架特征提取，然后将提取的人体骨架特征向量化为人体骨架特征向量；

步骤s3：将向量化的人体骨架特征向量作为人体行为识别的训练数据集通过resnet-56动作分类识别模型进行异常行为的识别；并输出识别的结果。

为了更好地实现本发明，进一步地，对于存储在次危险人物id中的人脸信息：

若在存储后的时间e内并未识别出发生过异常行为，且存储后的重新计算的互动行为的累计加分并未超过阈值b，则将对应的人脸信息从次危险人物id中删除；

若在存储后的时间e内并未识别出发生过异常行为，但存储后的重新计算的互动行为的累计加分超过了阈值b，则将对应的人脸信息从次危险人物id中继续保留并刷新时间e的计时；

若在存储后的时间e内识别出发生了异常行为，则进行报警并将对应的人脸信息从次危险人物id转移存储到危险人物id中。

本发明与现有技术相比具有以下优点及有益效果：

（1）本发明采用划区域的方式，并对区域设定不同的重要等级，从而实现不同程度的监督，并按照排序循环在监控屏幕上进行展示，实现了以较低的成本对最重要的区域进行监测，同时又兼顾了其他非重要区域的监测；在此基础上，还结合了对最需要监测的人的监测；两两结合之下，突出了对潜在风险的监督，又大大减少了开销和成本；

（2）采用提取待监测场景的背景，并将其他数据库中的行人数据粘贴的方式，大大丰富了与待检测场景相关的数据量，且对于行人数据进行了缩放、形变拉伸、色彩变换等操作，进一步地再次丰富了训练数据，基于丰富的预训练数据，从而提高了检测的精度；

（3）通过根据监测力度等级的高低间隔排序来设置监测展示队列的方式，实现了重要区域与不重要区域的均衡划分，避免在同一时间段内，多个重要区域的队列线程拥挤，从而增大对重要区域的重要人物的检测盲区；

（4）采用基于边界框回归和孪生神经网络的全局优化多目标跟踪方法对人体进行追踪，不需要在时域上对检测结果进行关联即可实现在线跟踪检测信息并保留在跟踪信息中十分关键的特定目标身份信息，实现更稳定精度更高的追踪监测；同时采用mes损失函数、交叉熵损失函数和对比损失函数的结合作为联合损失函数用于边界框回归和孪生神经网络在全局优化多目标跟踪方法中的联合训练可以提高端对端的训练；

（5）采用抗干扰逐类别kmeans聚类进行优化，因为人脸与人体是一对一的关系，所以采用平分可以实现均衡化处理，而又因为在实际处理过程中总会有人体和人脸的遮挡，故在数量上并不是完全一对一的对应的，在经过多次的训练后，加入遗传算法进行微调，可以增加训练精度。

附图说明

图1为本发明流程示意图；

图2为本发明进行互动打分累计的流程示意图；

图3为本发明进行第一队列和第二队列排序划分的示例图；

图4为图3所示的第一队列和第二队列进行划分后拼接得到的监测展示队列示例图；

图5为对检测展示队列进行监控展示的排序示意图；

图6为在某小区进行试验后部分监控摄像头的展示时间占比示意图。

具体实施方式

为了更清楚地说明本发明实施例的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，应当理解，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例，因此不应被看作是对保护范围的限定。基于本发明中的实施例，本领域普通技术工作人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“设置”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；也可以是直接相连，也可以是通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1：

本实施例提出了一种基于深度学习图像处理的多模式安保监测方法，如图1、图2所示，包括以下步骤。

步骤1：构建全局地图模型；具体是指：构建被监测场地的全局地图模型。

步骤2：划分子区域并安装监控摄像头；具体是指：在构建的全局地图模型下划分多个不同的安保监测子区域，将不同安保监测子区域划分不同的监测力度等级，并对每个安保监测子区域安装相应的监控摄像头，并运行监控一段时间。

步骤3：准备预训练集；具体是指：选取图像数据库作为预训练集进行预训练，得到预训练模型，并调取安保监测子区域的监控摄像头历史监控的所有监控图像，用于丰富预训练集。

丰富预训练集的具体操作为：调取每个安保监测子区域的监控摄像头历史的所有监控图像，且在预训练过程中，将预训练集中的行人从预训练集的图像中抠出，进行缩放、形变拉伸、色彩变换，并以不同的角度粘贴到调取出的监控图像中得到丰富后的训练图像，将丰富后的训练图像同样加入到预训练集中用于预训练。

步骤4：设定检测力度等级及初始监测时间；具体是指：在实际监测的时候，首先设定监测展示队列，将所有安保监测子区域的监控摄像头根据监测力度等级的高低间隔排序在监测展示队列中；然后按照设定的监测力度等级设定相对应的初始监测时间，同一监测力度等级的监控摄像头对应的初始监测时间相同，且监测力度等级越高的监控摄像头对应的初始监测时间越多；接着按照监测展示队列中的顺序抽取n个监控摄像头实时采集的图像在安保室内的监控屏幕上进行展示。

步骤5：进行人脸、人体和异常行为的识别；具体是指：对于在监控屏幕上进行展示的实时采集的图像，结合人脸识别算法和人体识别算法进行人脸识别以及人体识别，并使用人体行为识别算法判断是否发生异常行为，并采用人体追踪算法进行人体追踪；对于在初始监测时间结束时，在监控屏幕上展示且并未出现行人的实时采集的图像，从监控屏幕上移除，并从监测展示队列中调取后序的监控摄像头实时采集的图像在监控屏幕上进行展示并监测，周而复始在监测展示队列中进行循环；对于在初始监控时间结束前，在监控屏幕上出现行人的，增加在监控屏幕上的展示时间；当在监控屏幕上展示并监测到有行人发生异常行为时，以标识框的形式报警推送给工作人员，由工作人员核实是否存在异常行为，并进行处理；对于核实为发生了异常行为的图像，再次增加对应的监控摄像头的展示时间。

步骤6：存储重点监控的危险人物和次危险人物；具体是指：对于核实为发生了异常行为的人体，将识别出的相对应的人脸信息提取出来，设定唯一的危险人物id，并将人脸信息存储到对应的危险人物id中；对于人脸信息被存储到危险人物id中的行人，执行以下处理原则。

在后续的监测中，当在监控屏幕上存储的图像中识别到有人脸信息被存储在危险人物id中的行人出现时，增加对应的监控摄像头在监控屏幕上的展示和监测时间。

如图2所示，视频流输入后稀疏截取图像帧，进行人脸识别并基于人脸识别进行人体行为识别和相对位置识别，对于人脸信息被存储在危险人物id中的行人，使用人体行为识别算法监测行为时，还要识别其与处于同一监控摄像头下的其他行人之间是否存在亲密互动行为，对于其他行人中存在互动行为的人脸信息进行存储，设定互动行为阈值b和次危险人物id，对其他行人的互动行为进行累计加分，将累计加分超过互动行为阈值b的其他行人的人脸信息存储到次危险人物id中；当人脸信息存储到次危险人物id中的行人出现在监控摄像头上时，同样增加对应的监控摄像头的展示和监测时间。所述阈值b为根据实际情况自定义值。

步骤7：更新监测力度等级和初始监测时间；具体是指：在进行步骤4-步骤6操作达到时间a后，汇总时间a内每个安保监测子区域内发生异常行为的次数，并按照次数的多少重新划分监测力度等级；所述时间a为根据实际情况自定义时间量。

步骤8：调整子区域和监控摄像头；具体是指：在进行步骤4-步骤6操作达到时间c后，对于单个监控摄像头所识别出异常行为的图像进行汇总，计算单个图像中异常行为的标识框在图像中位置于图像中心的偏移值，根据计算出的偏移值对对应的监控摄像头进行位姿调整。

工作原理：本发明采用划区域的方式，并对区域设定不同的重要等级，从而实现不同程度的监督，并按照排序循环在监控屏幕上进行展示，实现了以较低的成本对最重要的区域进行监测，同时又兼顾了其他非重要区域的监测；在此基础上，还结合了对最需要监测的人的监测；两两结合之下，突出了对潜在风险的监督，又大大减少了开销和成本。

通过设置危险人物id和次危险人物id，对重点人物进行监控，如危险人物id中存储的都是发生过异常行为的人，对其进行重点监控是很有必要的，而次危险人物id中存储的都是一些与危险人物相关的人物，如危险人物中有人对他人发起打击等行为，那么被打击者将被存储到次危险人物id中，因为被打击者很可能会后续再与之发生纠葛等。又如团伙作案中，主犯或行动犯可能只是一人，但其是需要多人在后配合的，那么这个配合动作虽然可能不是会被直接识别出来的异常行为，但将其展示在监控屏幕上，可以对后续发生异常行为时候的情况进行提前监督，或者当安保人员看监控屏幕时，可以通过人类的经验识别出一些机器无法识别的异常行为，从而进行处理。

如图6所示，以某小区的部分监控摄像头进行一周的试验，其中选取的摄像头包括小区大门的摄像头、一栋一单元的摄像头、二栋一单元的摄像头、三栋三单元的摄像头、活动广场一号摄像头、活动广场二号摄像头、活动广场三号摄像头、凉亭及健身器材区的摄像头和小区后门的摄像头；经过一周试验后，得到数据如图6所示，小区大门的摄像头、一栋一单元的摄像头、二栋一单元的摄像头、三栋三单元的摄像头、活动广场一号摄像头、活动广场二号摄像头、活动广场三号摄像头、凉亭及健身器材区的摄像头和小区后门的摄像头在屏幕上展示的时间占比分别为36%、7%、8%、9%、6%、6%、5%、8%、15%。可以看出在人流量大的区域，监控时间最长，而在人相对少活动的地方，监控力度降低，但也保有一定的监控力度在。

实施例2：

本实施例在上述实施例1的基础上，为了更好地实现本发明，进一步地，所述步骤4中根据监测力度等级的高低间隔排序在监测展示队列中的具体操作为：设置第一队列和第二队列，首先将监测力度等级最高的两个监控摄像头分别加入到第一队列和第二队列的首位，然后将监测力度等级最低的两个监控摄像头分别加入到第一队列和第二队列的次位，接着再将尚未排序的监控摄像头中监测力度等级最高的两个监控摄像头分别加入第一队列和第二队列的第三位，然后将尚未排序的监控摄像头中监测力度等级最低的两个监控摄像头分别加入第一队列和第二队列的第四位，依次类推，直到所有的监控摄像头都排序到了第一队列或者第二队列中，然后将第二队列的首位和第一队列的末尾拼接得到监测展示队列。

工作原理：如图3、图4所示，假设设定了十二个从1-12检测力度等级从高递减的监控摄像头，那么将1和2分别作为第一队列和第二队列的首位，将11和12作为两个队列的次位，将3和4分别作为两个队列的三位，依次类推就得到了第一队列和第二队列，然后将两个队列拼接得到图4所示的检测展示队列。

本实施例的其他部分与上述实施例1相同，故不再赘述。

实施例3：

本实施例在上述实施例1-2任一项的基础上，为了更好地实现本发明，进一步地，所述步骤4中，设置预加载的时间d，当某一监控摄像头在监控屏幕上的展示时长还剩时间d时，将在监测排序队列中排序在后的监控摄像头采集的图像进行预加载，当某一监控摄像头在监控屏幕上的展示时长用尽时，使用预加载的图像进行替换展示。

工作原理：如图5所示，假设一次使用检测展示队列中的三个监控摄像头进行展示，在图5中首先以图4的检测展示队列中的1号、11号和3号监控摄像头进行展示，然后当1号、11号和3号监控摄像头中某一个监控摄像头的展示时间还剩时间d时，开始对9号监控摄像头的图像进行预加载，等到前面的监控摄像头展示时间用尽后，直接将9号监控摄像头的图像进行切换展示，避免出现直接切换时出现加载阶段的黑屏现象。

本实施例的其他部分与上述实施例1-2任一项相同，故不再赘述。

实施例4：

本实施例在上述实施例1-3任一项的基础上，为了更好地实现本发明，进一步地，所述人体追踪算法采用基于边界框回归和孪生神经网络的全局优化多目标跟踪方法，在进行跟踪的过程中，当目标人体被遮挡或者离开监控摄像头监测的区域从而导致目标跟踪丢失时，将目标跟踪丢失前最后一帧图像进行保存，当在后续监测中监测出多余监测结果时，使用孪生神经网络多保存的目标跟踪丢失前最后一帧图像核多余监测结果进行相似性度量，将通过相似性度量判定为真的目标人体认定为同一目标人体并建立回归标识框继续进行追踪，将通过相似性度量判定为假的目标人体认定为不同目标人体并建立新的标识框进行人体追踪。

为了更好地实现本发明，进一步地，采用mes损失函数、交叉熵损失函数和对比损失函数的结合作为联合损失函数用于边界框回归和孪生神经网络在全局优化多目标跟踪方法中的联合训练。

工作原理：采用基于边界框回归和孪生神经网络的全局优化多目标跟踪方法对人体进行追踪，不需要在时域上对检测结果进行关联即可实现在线跟踪检测信息并保留在跟踪信息中十分关键的特定目标身份信息，实现更稳定精度更高的追踪监测；同时采用mes损失函数、交叉熵损失函数和对比损失函数的结合作为联合损失函数用于边界框回归和孪生神经网络在全局优化多目标跟踪方法中的联合训练可以提高端对端的训练。

本实施例的其他部分与上述实施例1-3任一项相同，故不再赘述。

实施例5：

本实施例在上述实施例1-4任一项的基础上，为了更好地实现本发明，进一步地，在使用人脸识别算法和人体识别算法进行人脸识别和人体识别时，首先进行抗干扰逐类别kmeans聚类，对人脸和人体都进行kmeans聚类，获得初始锚点，将初始锚点平分，人脸识别和人体识别各分一半初始锚点，然后采用yolo-tiny框架的两层监测层分别对人脸识别结果和人体识别结果进行输出。

为了更好地实现本发明，进一步地，当对人脸和人体的识别监测次数达到1000次后，加入遗传算法，对初始锚点进行微调。

工作原理：采用抗干扰逐类别kmeans聚类进行优化，因为人脸与人体是一对一的关系，所以采用平分可以实现均衡化处理，而又因为在实际处理过程中总会有人体和人脸的遮挡，故在数量上并不是完全一对一的对应的，在经过多次的训练后，加入遗传算法进行微调，可以增加训练精度。

本实施例的其他部分与上述实施例1-4任一项相同，故不再赘述。

实施例6：

本实施例在上述实施例1-5任一项的基础上，为了更好地实现本发明，进一步地，使用所述人体行为识别算法进行人体行为识别的具体步骤为：

步骤s1：然后收集发生异常行为的图片作为正样本集，选取未发生异常行为的图片作为负样本集；

步骤s2：基于人体识别算法识别出的人体目标，使用openpose识别技术对正样本集合负样本集进行人体目标的人体骨架特征提取，然后将提取的人体骨架特征向量化为人体骨架特征向量；

步骤s3：将向量化的人体骨架特征向量作为人体行为识别的训练数据集通过resnet-56动作分类识别模型进行异常行为的识别；并输出识别的结果。

本实施例的其他部分与上述实施例1-5任一项相同，故不再赘述。

实施例7：

本实施例在上述实施例1-6任一项的基础上，对于存储在次危险人物id中的人脸信息：

若在存储后的时间e内并未识别出发生过异常行为，且存储后的重新计算的互动行为的累计加分并未超过阈值b，则将对应的人脸信息从次危险人物id中删除；

若在存储后的时间e内并未识别出发生过异常行为，但存储后的重新计算的互动行为的累计加分超过了阈值b，则将对应的人脸信息从次危险人物id中继续保留并刷新时间e的计时；

若在存储后的时间e内识别出发生了异常行为，则进行报警并将对应的人脸信息从次危险人物id转移存储到危险人物id中。

工作原理：长时间无异常行为发生的行人，证明其行为是具有稳定性的，则将其从次危险人物id中删除，将监控力度留给其他重点监控对象。

本实施例的其他部分与上述实施例1-6任一项相同，故不再赘述。

以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化，均落入本发明的保护范围之内。