危险识别方法、装置及系统与流程

本发明涉及图像处理领域，尤其涉及危险识别方法、装置及系统。

背景技术：

实际应用中，很多目标对象可能存在危险。例如，圈养的动物可能发生互相攻击或攻击人类的情况，又如探险员在丛林探险时存在被野兽攻击的可能。如果采用录像设备拍摄周围环境，输出可供人类视觉分辨的视频，用户通过观察视频来判断当前环境中所存在动物是否具有危险性，人工成本高，容易出现漏判。

技术实现要素：

为克服相关技术中存在的问题，本发明提供了危险识别方法、装置及系统。

根据本发明实施例的第一方面，提供一种危险识别方法，所述方法包括：

识别获取的图像中是否存在满足危险性条件的目标对象；

获取至少一张包含目标对象的目标图像；

利用目标图像中目标对象的姿态特征，判断所述目标对象是否存在危险行为。

根据本发明实施例的第二方面，提供一种危险识别装置，所述装置包括：

对象识别模块，用于识别获取的图像中是否存在满足危险性条件的目标对象；

图像获取模块，用于获取至少一张包含目标对象的目标图像；

危险识别模块，用于利用目标图像中目标对象的姿态特征，判断所述目标对象是否存在危险行为。

根据本发明实施例的第三方面，提供一种危险预警系统，所述系统包括处理装置，以及与处理装置连接的图像采集装置和报警装置；

所述处理装置识别图像采集装置采集的图像中是否存在满足危险性条件的目标对象；获取至少一张包含目标对象的目标图像；利用目标图像中目标对象的姿态特征，判断所述目标对象是否存在危险行为；

所述报警装置在目标对象存在危险行为时进行危险预警；或，依据目标对象是否存在危险行为、以及目标对象是否在预设监控范围内，确定是否进行危险预警。

本发明的实施例提供的技术方案可以包括以下有益效果：

本申请实施例识别获取的图像中是否存在满足危险性条件的目标对象，并获取至少一张包含目标对象的目标图像，利用目标图像中目标对象的姿态特征，判断目标对象是否存在危险行为，从而实现判断具有危险性的目标对象是否存在危险行为，以便根据危险行为进行相应的应急处理，避免危险动物的危险行为造成不可挽回的损失。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

此处的附图被并入发明中并构成本发明的一部分，示出了符合本发明的实施例，并与发明一起用于解释本发明的原理。

图1是本发明根据一示例性实施例示出的一种危险识别方法的流程图。

图2是本发明根据一示例性实施例示出的一种视频一体机结构示意图。

图3是本发明根据一示例性实施例示出的一种模型训练方法的流程图。

图4是本发明根据一示例性实施例示出的另一种危险识别方法的流程图。

图5是本发明危险识别装置所在计算机设备的一种硬件结构图。

图6是本发明根据一示例性实施例示出的一种危险识别装置的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本发明可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本发明范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

实际应用中，可以通过录像设备拍摄周围环境，然而设备并不能识别动物的危险性，只能输出可供人类视觉分辨的视频，而需用户通过观察视频来判断当前环境中所存在动物是否具有危险性，人工成本高。又如，在丛林探险中，由于具有移动性，所以只能采用人工观察的方式判断动物的行为是否有危险性，进而执行相应的操作。然而，在前进过程中往往会忽略来自身后的威胁，出现威胁漏判的情况，造成不可避免的损失。

本发明实施例提供一种危险识别方案，通过识别获取的图像中是否存在满足危险性条件的目标对象，并获取至少一张包含目标对象的目标图像，利用目标图像中目标对象的姿态特征，判断目标对象是否存在危险行为，从而实现判断具有危险性的目标对象是否存在危险行为，以便根据危险行为进行相应的应急处理，避免危险动物的危险行为造成不可挽回的损失。

本实施例提供的危险识别方法可以通过软件执行，也可以通过软件和硬件相结合或者硬件执行的方式实现，所涉及的硬件可以由两个或多个物理实体构成，也可以由一个物理实体构成。本实施例方法可以应用于具有危险识别需求的电子设备或客户端。其中，电子设备可以是智能手机、平板电脑、pda(personaldigitalassistant，个人数字助理)等便携式设备，或者可以是智能手环等可穿戴设备，还可以是个人计算机(personalcomputer，pc)等设备。本实施例方法也可以应用于危险识别系统中。危险识别系统可以包括行为分析模块，进一步的，还可以包括拍摄模块。危险识别系统可以是视频一体机化设备，即在一个设备上集成有分析模块和拍摄模块。危险识别系统也可以是由多个设备组合而成的系统，例如，拍摄模块为视频采集设备，行为分析模块为处理设备。处理设备可以是智能手机、平板电脑、pda(personaldigitalassistant，个人数字助理)等便携式设备，或者可以是个人计算机(personalcomputer，pc)等设备。拍摄模块可以是大型球机摄像设备或小型球机摄像设备等。具体可以根据待监控的场景而选择，例如，在非移动的待监控场景中可以选择大型球机摄像设备，而在移动的待监控场景中可以选择小型球机摄像设备，以便于用户携带。

以下结合附图对本发明实施例进行示例说明。

如图1所示，是本发明根据一示例性实施例示出的一种危险识别方法的流程图，所述方法包括：

在步骤102中，识别获取的图像中是否存在满足危险性条件的目标对象；

在步骤104中，获取至少一张包含目标对象的目标图像；

在步骤106中，利用目标图像中目标对象的姿态特征，判断所述目标对象是否存在危险行为。

本实施例方案可以应用在各种需要对某对象行为进行危险分析的场景中。例如，圈养的动物可能会发生互相攻击的行为或者攻击饲养员的行为(例如猪和狗互相攻击，或者动物园的老虎攻击饲养员)，又如野生动物可能攻击饲养的牲畜(如黄鼠狼攻击鸡、鸭)，丛林探险中探险者可能被野兽攻击的场景等。因此，危险可以是由待识别对象给其他对象带来的危险。本实施例中，不仅判断待识别对象是否是满足危险性条件的目标对象，还判断该目标对象是否存在危险行为，例如，有危险的对象的攻击行为会给其他对象带来危险。其他对象可以是人类，也可以是其他指定的动物等。待识别对象可以是动物、机器人等对象。目标对象可以是存在危险性的动物。

用来判断是否存在满足危险性条件的目标对象的图像，可以是一张图像，也可以是多张图像。如，可以是拍照获得的照片，也可以是连续视频帧，或从视频中获取的部分视频帧等。

在一个实施例中，图像可以直接从拍摄模块中获取，如获取拍摄模块当前采集的待识别图像，则直接利用识别拍摄模块当前采集的图像中是否存在满足危险性条件的目标对象。而某些应用中，拍摄模块所采集的图像中可能有大部分图像没有待识别对象，鉴于此，在另一个实施例中，图像可以是包含待识别对象的图像。例如，将从拍摄模块中获取的图像进行预检测，在预检测条件满足时才将该图像作为待识别的图像，并识别包含待识别对象的图像中是否存在满足危险性条件的目标对象。预检测条件可以是采用物体检测方法对图像进行识别，判定当前场景中存在待识别对象。由此可见，该实施例可以先检测是否存在待识别对象，再识别出待识别对象是否为满足危险性条件的目标对象，可以节约处理资源。

在一示例性中，危险性条件可以用于判断待识别对象是否是存在引起危险的目标对象，是否是危险对象。例如，所述危险性条件可以包括以下一种或多种：

目标对象所属类别为预设的危险对象类别；

目标对象各指定部位占整体部位的比例在第一预设比例范围内，或各指定部位间的比例在第二预设比例范围内；

目标对象存在用于表征危险的指定部位特征。

第一预设比例范围可以是可能存在引起危险的对象的指定部位占整体部位的比例范围；第二预设比例范围可以是可能存在引起危险的对象的指定部位间的比例范围。例如，指定部位为头部、躯干和四肢，可以通过大数据分析已知的危险对象的这三部位占整体部位的比例，进而获得第一预设比例范围；可以通过大数据分析已知的危险对象的这三部位间的比例，进而获得第二预设比例范围。当然，确定第一预设比例范围和第二预设比例范围的方式包括但不限于上述方式，只要获得第一预设比例范围或和第二预设比例能用于判断待识别对象是否为危险对象即可。

关于表征危险的指定部位特征，可以是利爪、獠牙、尖角等有危险性的部位的特征。

在一个示例中，所述识别获取的图像中是否存在满足危险性条件的目标对象，包括：

提取图像中对象的外貌特征；

根据所提取的外貌特征识别图像中对象所属类别；

依据所述类别判断所述对象是否为存在危险的目标对象。

其中，以对象为动物为例，类别可以是动物的科属。外貌特征可以是用于表征对象所属类别的特征。所谓存在危险的目标对象，可以是存在引起危险的目标对象。关于依据类别判断所述对象是否为存在危险的目标对象，在一例子中，可以是预先建立类别划分为危险类或非危险类，则可以根据类别是属于危险类还是非危险类来判断对象是否为存在危险的目标对象。在另一例子中，可以从对象所属的类别中，根据食性和领地意识来判断对象的危险性。

在一个示例中，所述识别获取的图像中是否存在满足危险性条件的目标对象包括：将获取的图像输入至已训练的目标识别模型中，以利用所述目标识别模型识别出所述图像中是否存在满足危险性条件的目标对象。

关于目标识别模型，目标识别模型可以是预先训练的好的用于识别出图像中是否存在满足危险性条件的目标对象的模型。在一个例子中，所述目标识别模型通过以下方式训练：

获取目标识别模型训练文件，所述目标识别模型训练文件包括不同类别的训练对象的图片；

使用神经网络训练识别所述目标识别模型训练文件中各图片中是否存在满足危险性条件的训练对象，将训练后的神经网络确定为所述目标识别模型。

其中，目标识别模型训练文件所涉及类别，可以依据应用场景来定。例如，在家畜监控场景中，目标识别模型训练文件所涉及类别可以是家畜可能出现的类别，例如，鸡、鸭、狗等。通过收集多种训练对象的图片，作为目标识别模型训练文件。

神经网络是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点间相互连接的关系，从而达到处理信息的目的。在训练模型时，可选择各种类型的神经网络，神经网络的类型基于场景而定。在一个例子，场景可以基于拍摄设备是否移动进行划分。

在移动场景中，由于所采集的图像中，图像与图像间的变化比较大，鉴于此，可以选择yolo(youonlylookonce)作为待训练的网络。针对于two-stage目标检测算法存在的运算速度慢的缺点，yolo提出了one-stage。也就是将物体分类和物体定位在一个步骤中完成。yolo直接在输出层回归boundingbox的位置和boundingbox所属类别，从而实现one-stage。通过这种方式，yolo可实现很快的运算速度，完全能满足实时性要求。可见，通过将yolo作为待训练的网络，可以提升识别速度。

在非移动场景中，特别是非移动的大型场景中，由于所采集的图像中，图像与图像间背景是不变的，鉴于此，可以选择fasterr-cnn作为待训练的网络。fasterr-cnn提出了rpn网络来进行候选框的获取，从而摆脱了选择性搜索算法，只需要一次卷积层操作，从而也提高了识别速度，并可以通过训练获得识别准确率高的模型。

可以理解的是，还可以采用其他网络作为待训练网络，以训练获得类别识别模型，在此不一一赘述。

某应用场景中，可能出现无法识别出类别，或无法根据类别判断是否存在危险的目标对象的情况，鉴于此，本实施例还提供一种辅助判断方法。所述识别获取的图像中是否存在满足危险性条件的目标对象，还包括：

当依据所述类别识别不出所述对象是否为存在危险的目标对象时，根据所述对象各指定部位占整体部位的比例，和/或，根据所述对象各指定部位间的比例，和/或，是否存在用于表征危险的指定部位特征，判断所述对象为存在危险的目标对象。

其中，指定部位可以为头部、躯干和四肢等，可以由已知的危险对象的部位比例确定指定部位。

在一个实施例中，所述使用神经网络训练识别所述目标识别模型训练文件中各图片中是否存在满足危险性条件的训练对象，包括：将目标识别模型训练文件中的各图片输入至神经网络，由神经网络根据输入的各图片中训练对象的外貌特征识别训练对象所属的类别，根据各图片中训练对象所属的类别识别各图片中是否存在危险性的训练对象，当根据图片中训练对象所属的类别识别不出图片中是否存在危险性的训练对象时，则继续根据图片中训练对象各指定部位占整体部位的比例、和/或根据图片中训练对象各指定部位间的比例、和/或是否存在用于表征危险的指定部位特征，识别图片中是否存在危险性的训练对象。

当根据图片中训练对象所属的类别识别不出图片中是否存在危险性的训练对象时，则继续根据图片中训练对象各指定部位的比例、以及是否存在用于表征危险的指定部位特征识别图片中是否存在危险性的训练对象。例如，指定部位的比例可以是头部、躯干、四肢的比例等。指定部位特征可以是利爪、獠牙、尖角等具有危险性的特征。

可见，先通过类别判断图片中是否存在危险性的训练对象，可以提高判断效率，在根据图片中训练对象所属的类别识别不出图片中是否存在危险性的训练对象时，再继续根据图片中训练对象各指定部位的比例、以及是否存在用于表征危险的指定部位特征识别图片中是否存在危险性的训练对象，可以提高判断的全面性。

在应用阶段，针对确定图像中待识别对象所属类别，在一个实施例中，直接将图像输入至已训练的目标识别模型中，将类别识别结果中概率最大、且概率大于预设概率阈值的类别作为待识别对象所属类别，若没有满足要求的类别，则再获取新的图像，并进行类别识别，直到获得图像中对象所属类别，再根据图像中对象所属的类别识别图像中是否存在危险性的目标对象。

然而，实际应用中，可能由于待识别的图像模糊、对象数量多等原因，导致未能识别出满足要求的类别，然而，虽然没有识别出图像中对象的类别，但危险仍然可能存在，待识别到类别后才进行对象是否危险的判断，可能会导致延迟识别到危险行为，继而导致预警提醒延迟，相较于因为类别识别有误而导致预警可能不准，预警提醒延迟带来的损害更大，鉴于此，在另一个实施例中，将采集的图像输入至已训练的目标识别模型中，将识别结果中概率最大、且概率大于预设概率阈值的类别作为待识别对象所属类别；若识别结果中所有类别的概率小于或等于预设概率阈值，则将识别结果中最大概率对应的类别作为待识别对象所属类别，从而实现不管是否识别到大于预设概率阈值的类别，均可以进行对象是否危险的判断，进而进行后续判断，从而提高预警的及时性。

进一步的，由于将识别结果中小于预设概率阈值的最大概率对应的类别作为待识别对象所属类别，可能会出现所判定类别不准确的情况，鉴于此，针对这种情况，还启动类别重识别机制，即继续识别新采集的图像中对象的类别。该实施例通过类别重识别机制，可以提高识别准确性。

在判定图像中不存在满足危险性条件的目标对象时，可以不进行处理。或者，直接输出目标对象所属类别的提醒信息等。如果目标识别模型识别出图像中存在满足危险性条件的目标对象，则可以继续采集图像，并识别采集的图像中目标对象的行为，以便判断目标对象是否存在危险行为。

进一步的，若发现存在满足危险性条件的目标对象，可以输出提醒信息。提醒信息目的在于提醒，属于相对较低程度的预警方式。在一个实施例中，不仅提醒被提醒者当前环境中存在危险对象，还可以给出一些建议信息。例如，目标对象的方位、预存攻击方式、预存攻击原因、建议处理方式等中的一种或多种信息。预存攻击方式和预存攻击原因可以是基于大数据分析获得的目标对象可能存在的攻击方式以及可能存在的攻击原因。建议处理方式可以是预防措施，例如，针对不同攻击方式进行预防处理。

在发现有危险性的目标对象时，可以持续采集目标对象的图像，如录制目标对象的视频。本实施例可以获取至少一张包含目标对象的目标图像。目标图像可以是连续拍摄的照片，或者录制的源视频中的视频帧，也可以是按预设间隔抽取视频获得的图像集合。

获取到目标图像后，利用目标图像中目标对象的姿态特征，判断目标对象是否存在危险行为。

其中，姿态特征可以是用于识别目标对象行为的特征。例如，可以是头部的俯/仰角、上/下半躯干相对于地面的倾斜角、躯干与肢体部分连接处的夹角、肢体的关节夹角等中的一种或多种特征。

在一个示例中，所述利用目标图像中目标对象的姿态特征，判断所述目标对象是否存在危险行为，包括：

提取目标图像中目标对象的姿态特征；

通过判断所提取的姿态特征是否为目标对象发动攻击前、发动攻击时、或未发生攻击行为时的姿态特征，以判断目标对象是否存在危险行为。

可见，通过姿态特征可以识别出各图像中的目标对象的行为为准备或者已经发起攻击的攻击行为，或者非攻击行为，提高识别准确率。

在一个示例中，可以通过预训练的行为识别模型识别目标对象的行为。如，所述利用目标图像中目标对象的姿态特征，判断所述目标对象是否存在危险行为，包括：将获取的目标图像输入至已训练的行为识别模型，以利用所述行为识别模型识别出所述目标对象是否存在危险行为。

其中，行为识别模型是预先训练好的用来识别出目标对象的行为的模型。在一个实施例中，所述行为识别模型通过以下方式训练：

获取行为识别模型训练文件，所述行为识别模型训练文件包括不同类别的训练对象发生攻击行为时的视频、以及未发生攻击行为时的视频；

使用神经网络训练识别所述行为识别模型训练文件中各视频中的训练对象的攻击行为或非攻击行为，将训练后的神经网络确定为所述行为识别模型。

其中，训练文件中所涵盖的类别可以依据应用场景而定。视频可以是源视频，也可以是按预设间隔抽取图像获得的图像集合。本实施例将训练对象未发生攻击行为时的视频、发起攻击前的视频以及发生攻击行为时的视频均作为训练文件，以训练获得能识别出图像中对象的行为为攻击行为或非攻击行为的模型。

例如，所述使用神经网络训练识别所述行为识别模型训练文件中各视频中的训练对象的攻击行为和非攻击行为，包括：

将行为识别模型训练文件中的各视频输入至神经网络，由神经网络识别各视频中的训练对象发动攻击前、发动攻击时、和未发生攻击行为时的姿态特征，根据所述姿态特征识别各视频中的训练对象的行为为准备或者已经发起攻击的攻击行为，或者非攻击行为。

其中，姿态特征可以是：头部的俯/仰角、上/下半躯干相对于地面的倾斜角、躯干与肢体部分连接处的夹角、肢体的关节夹角等中的一种或多种特征。可见，通过姿态特征可以识别出各视频中的训练对象的行为为准备或者已经发起攻击的攻击行为，或者非攻击行为，提高识别准确率。

另外，摄像设备可以采集视频，而视频是由图像构成。在一个实施例中，可以将拍摄设备采集的图像逐帧输入行为识别模型，以便根据逐帧输入的图像，识别获得目标对象的行为。然而，实际应用中，相邻图像帧往往区别比较小，为了减少计算量，可以按指定帧间隔将拍摄采集的图像输入行为识别模型。其中，指定帧间隔可以根据目标对象运动速度而定，或者预先设定。该实施例不需要将每帧图像都输入行为识别模型进行识别，而是将间隔的几张图像输入行为识别模型进行识别，在保证识别准确率的情况下，还能减少计算量。

在另一个实施例中，所述行为识别模型可以由姿态识别模型和行为推导模型构成，以所述姿态识别模型的输出作为所述行为推导模型的输入。

所述姿态识别模型基于利用第一预设视频样本集对神经网络进行训练获得，第一预设视频样本集中每个样本包括标注有第一样本标签的样本图像集，第一样本标签包括：样本图像集的每张图像中目标对象的姿态特征信息、以及图像与图像间目标对象的姿态特征变化信息；

所述行为推导模型基于利用第二预设视频样本集对神经网络进行训练获得，第二预设视频样本集中每个样本包括样本特征集和第二样本标签，所述样本特征集包括：样本图像集的每张图像中目标对象的姿态特征信息、以及图像与图像间目标对象的姿态特征变化信息；所述第二样本标签包括：样本图像集中目标对象的行为。

在一个例子中，所述样本图像集可以是包含目标对象的视频源，在另一个例子中，所述样本图像集可以基于从包含目标对象的视频源中按预设帧间隔抽取图像获得。这里的预设帧间隔可与前述的指定帧间隔相同，也可以不同。相应的，还提供一种行为识别模型生成方法，包括：

利用第一预设视频样本集对神经网络进行训练，生成姿态识别模型。

其中，第一预设视频样本集中每个样本包括标注有第一样本标签的样本图像集，所述样本图像集基于从包含目标对象的视频源中按预设帧间隔抽取图像获得，第一样本标签包括：样本图像集的每张图像中目标对象的姿态特征信息、以及图像与图像间目标对象的姿态特征变化信息。

利用第二预设视频样本集对神经网络进行训练，生成行为推导模型。

其中，第二预设视频样本集中每个样本包括样本特征集和第二样本标签，所述样本特征集包括：样本图像集的每张图像中目标对象的姿态特征信息、以及图像与图像间目标对象的姿态特征变化信息；所述样本图像集基于从包含目标对象的视频源中按预设帧间隔抽取图像获得；所述第二样本标签包括：样本图像集中目标对象的行为信息。

以所述姿态识别模型的输出作为所述行为推导模型的输入，生成行为识别模型。

该实施例中行为识别模型由姿态识别模型和行为推导模型构成，从而可以提高行为识别模型的识别准确率。

作为一示例性例子，还可以利用预设的视频样本集对行为识别模型进行更新和优化，所述预设的视频样本集中每个样本包括标注有视频样本标签的样本图像集，所述视频样本标签包括：样本图像集中目标对象的行为。

作为一示例性例子，还可以基于目标对象的关键点确定姿态特征。例如，在一个例子中，姿态特征包括：头部的俯/仰角、上/下半躯干相对于地面的倾斜角、躯干与肢体部分连接处的夹角、肢体的关节夹角等中的一种或多种特征。通过多种姿态特征来辅助判断目标对象的行为，从而提高行为识别的准确性。

在生成姿态识别模型时，可选择的神经网络有很多，在一个实施例中，神经网络的类型基于场景而定。作为其中一个例子，场景可以基于拍摄设备是否移动进行划分。在移动场景中，由于所采集的视频中，图像与图像间的变化比较大，鉴于此，可以选择yolo作为待训练的网络。通过将yolo作为待训练的网络，可以提高训练速度。在非移动场景中，特别是非移动的大型场景中，由于所采集的视频中，图像与图像间背景是不变的，鉴于此，可以选择fasterr-cnn作为待训练的网络，从而提高识别速度，并且可以通过训练获得识别准确率高的模型。

可以理解的是，还可以采用其他网络作为待训练网络，以训练获得类别识别模型，在此不一一赘述。而在生成行为推导模型过程中，在一个实施例中，可以选择卷积神经网络(convolutionalneuralnetworks,cnn)作为待训练的网络。

在识别到目标对象的危险行为后有多种应用，作为一示例性例子，可以依据所述目标对象的行为判断是否进行危险预警。例如，在目标对象存在危险行为时进行危险预警；又如，依据目标对象是否存在危险行为、以及目标对象是否在预设监控范围内，确定是否进行危险预警。危险预警目的在于警告，属于高程度的预警。由于危险的目标对象的行为为攻击行为，表示对被攻击者发起敌意，被攻击者处于非常危险的状态，所以可以采用高程度的预警方式。危险行为还可以包括即将进行攻击行为和正在进行攻击行为，根据不同行为进行不同程度的报警。例如，可以发出报警音，还可以给出具体的对抗攻击的处理方式等。

该实施例针对具有危险的目标对象的攻击行为和非攻击行为进行不同层级的提醒，可以便于被提醒者进行区分和预防。

以进行危险预警为例，本实施例危险预警方案，能够依据具有危险性的目标对象的行为，来判断是否进行危险预警，以便用户能够及时采取应对措施，将损伤降到最低。该方案可以应用在危险预警系统中，危险预警系统可以包括行为分析模块和预警提醒模块，进一步的，还可以包括视频采集模块。危险预警系统可以是视频一体机化设备，即在一个设备上集成有分析模块、预警提醒模块和视频采集模块。危险预警系统也可以是由多个设备组合而成的系统，例如，视频采集模块为视频采集设备，行为分析模块和预警提醒模块可以配置在同一个设备，也可以配置在不同设备。例如，行为分析模块和预警提醒模块可以配置在终端设备中，终端设备可以是智能手机、平板电脑、pda(personaldigitalassistant，个人数字助理)等便携式设备，或者可以是智能手环等可穿戴设备，还可以是个人计算机(personalcomputer，pc)等设备。视频采集模块可以是大型球机摄像设备或小型球机摄像设备等。具体可以根据待监控的场景而选择，例如，在非移动的待监控场景中可以选择大型球机摄像设备，而在移动的待监控场景中可以选择小型球机摄像设备，以便于用户携带。

应当理解的是，识别出目标对象存在危险行为后，还可以有其他应用，例如，待识别的图像可以不是实时图像，可以对一部分历史的视频进行分析，输出分析结果等，在此不一一列举。

以上实施方式中的各种技术特征可以任意进行组合，只要特征之间的组合不存在冲突或矛盾，但是限于篇幅，未进行一一描述，因此上述实施方式中的各种技术特征的任意进行组合也属于本发明公开的范围。

以下以其中一种组合为例进行示例说明。以目标对象为动物为例进行示例说明。

本实施例方案可以应用在视频采集和分析一体机中，如图2所示，是本发明根据一示例性实施例示出的一种视频一体机结构示意图，该一体机包括：视频采集模块22、分析模块24和语音模块26。视频采集模块用于采集视频数据。分析模块用于识别动物类型和动物姿态。语音模块用于提示或报警。根据实际应用场景，一体机分可以为全能型和便携型，全能型主要针对拍摄范围较大的非移动场景，便携型主要针对移动场景。两者的区别体现在视频采集模块上，全能型使用大型球机作为视频采集模块，便携型使用小型球机作为视频采集模块。全能型主要安装在所需监控环境的顶部，能够负责一个相对较大的环境监控，而便携型则小型轻便，能够随身携带外出。

在模型训练阶段，如图3所示，是本发明根据一示例性实施例示出的一种模型训练方法的流程图，包括：

根据科属对人类有攻击性的动物进行类别划分。

通过收集动物图像资源，如，采集不同科/属动物的图片，构建目标识别模型训练文件。

将目标识别模型训练文件中的各图片输入至神经网络，由神经网络根据输入的各图片中训练对象的外貌特征识别训练对象所属的类别，根据各图片中训练对象所属的类别识别各图片中是否存在危险性的训练对象，当根据图片中训练对象所属的类别识别不出图片中是否存在危险性的训练对象时，则继续根据图片中训练对象各指定部位的比例、以及是否存在用于表征危险的指定部位特征识别图片中是否存在危险性的训练对象，将训练后的神经网络确定为所述目标识别模型。例如，类别可以是种属关系，从所属的种属关系中，根据食性和领地意识来判断危险性。若识别不到或识别率过低，则根据目标的大小，头部、躯干、四肢的比例，可能所属的种属关系和是否存在利爪、獠牙、尖角等特征，从而判别动物的危险性。继而划分到危险类别或非危险类别。

通过视频采集模块采集动物视频资源，如，采集不同科/属动物的生活视频和攻击目标(被攻击者)时的视频，尤其是目标视角的视频，构建行为识别模型训练文件。

将行为识别模型训练文件中的各视频输入至神经网络，由神经网络识别各视频中的训练对象发动攻击前和发动攻击时的姿态特征，根据所述姿态特征识别各视频中的训练对象的行为为准备或者已经发起攻击的攻击行为，或者非攻击行为。例如，根据识别动物发动攻击前和发动攻击时，头部的俯仰角、上下半躯干相对地面的倾斜角、躯干与其他部位连接处的夹角、肢体(如果有的话)的关节夹角的变化，判断动物是否准备或者已经发起攻击。

将训练好的模型和相应程序放入分析模块。

在模型应用阶段，如图4所示，是本发明根据一示例性实施例示出的另一种危险预警方法的流程图，包括：

通过一体机实时采集周围环境视频，利用目标识别模型识别图像里是否存在有危险性动物。若无，则继续采集视频。若有，则提醒用户，例如，危险性动物的方位，一般攻击人类的原因，攻击方式，建议处理方式。若存在危险性动物，将持续采集的视频输入到行为识别模型，识别动物姿态，并根据目前动物头部的俯仰角、上下半躯干相对地面的倾斜角、躯干与其他部位连接处的夹角、肢体(如果有的话)的关节夹角的变化，分析动物是否在准备或者打算发起攻击，若可能性超过了设定阈值，则发出报警音。

本实施例通过神经网络学习不同科/属动物做出攻击行为整个过程的姿态变化，能够及早准确发现和识别动物将要进行的攻击行为，不再需要依靠经验来做包含不确定性的判断。并且，实时发现和分析动物的姿态，发现可能存在的危险，预先做好应对措施，减少此类动物伤人事件的发生。

与前述危险识别方法的实施例相对应，本发明还提供了危险识别装置、危险预警系统及其所应用的电子设备的实施例。

本发明危险识别装置的实施例可以应用在计算机设备。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在计算机设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图5所示，是本发明危险识别装置所在计算机设备的一种硬件结构图，除了图5所示的处理器510、网络接口520、内存530、以及非易失性存储器540之外，实施例中危险识别装置431所在的计算机设备通常根据该设备的实际功能，还可以包括其他硬件，对此不再赘述。

如图6所示，是本发明根据一示例性实施例示出的一种危险识别装置的框图，所述装置包括：

对象识别模块62，用于识别获取的图像中是否存在满足危险性条件的目标对象；

图像获取模块64，用于获取至少一张包含目标对象的目标图像；

危险识别模块66，用于利用目标图像中目标对象的姿态特征，判断所述目标对象是否存在危险行为。

在一个实施例中，所述危险性条件包括以下一种或多种：

目标对象所属类别为预设的危险对象类别；

目标对象各指定部位占整体部位的比例在第一预设比例范围内，或各指定部位间的比例在第二预设比例范围内；

目标对象存在用于表征危险的指定部位特征。

在一个实施例中，所述对象识别模块62用于：

提取图像中对象的外貌特征；

根据所提取的外貌特征识别图像中对象所属类别；

依据所述类别判断所述对象是否为存在危险的目标对象；

当依据所述类别识别不出所述对象是否为存在危险的目标对象时，根据所述对象各指定部位占整体部位的比例，和/或，根据所述对象各指定部位间的比例，和/或，是否存在用于表征危险的指定部位特征，判断所述对象为存在危险的目标对象。

在一个实施例中，所述对象识别模块62用于将获取的图像输入至已训练的目标识别模型中，以利用所述目标识别模型识别出所述图像中是否存在满足危险性条件的目标对象；

所述装置还包括模型训练模块(图6未示出)，用于：

获取目标识别模型训练文件，所述目标识别模型训练文件包括不同类别的训练对象的图片；

使用神经网络训练识别所述目标识别模型训练文件中各图片中是否存在满足危险性条件的训练对象，将训练后的神经网络确定为所述目标识别模型。

在一个实施例中，所述模型训练模块还用于：

将目标识别模型训练文件中的各图片输入至神经网络，由神经网络根据输入的各图片中训练对象的外貌特征识别训练对象所属的类别，根据各图片中训练对象所属的类别识别各图片中是否存在危险性的训练对象，当根据图片中训练对象所属的类别识别不出图片中是否存在危险性的训练对象时，则继续根据图片中训练对象各指定部位占整体部位的比例、和/或根据图片中训练对象各指定部位间的比例、和/或是否存在用于表征危险的指定部位特征，识别图片中是否存在危险性的训练对象。

在一个实施例中，所述危险识别模块66，用于：

提取目标图像中目标对象的姿态特征；

通过判断所提取的姿态特征是否为目标对象发动攻击前、发动攻击时、或未发生攻击行为时的姿态特征，以判断目标对象是否存在危险行为。

在一个实施例中，所述危险识别模块66，用于：将获取的目标图像输入至已训练的行为识别模型，以利用所述行为识别模型识别出所述目标对象是否存在危险行为；

所述装置还包括模型训练模块，用于：

获取行为识别模型训练文件，所述行为识别模型训练文件包括不同类别的训练对象发生攻击行为时的视频、以及未发生攻击行为时的视频；

使用神经网络训练识别所述行为识别模型训练文件中各视频中的训练对象的攻击行为或非攻击行为，将训练后的神经网络确定为所述行为识别模型。

在一个实施例中，所述模型训练模块还用于使用神经网络训练识别所述行为识别模型训练文件中各视频中的训练对象的攻击行为和非攻击行为，包括：

将行为识别模型训练文件中的各视频输入至神经网络，由神经网络识别各视频中的训练对象发动攻击前、发动攻击时、和未发生攻击行为时的姿态特征，根据所述姿态特征识别各视频中的训练对象的行为为准备或者已经发起攻击的攻击行为，或者非攻击行为。

在一个实施例中，所述装置还包括危险预警模块(图6未示出)，用于：

在目标对象存在危险行为时进行危险预警；或，

依据目标对象是否存在危险行为、以及目标对象是否在预设监控范围内，确定是否进行危险预警。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

相应的，本发明实施例还提供一种计算机设备，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，所述处理器执行所述程序时实现上述任一项危险识别方法。

相应的，本发明实施例还提供一种危险预警系统，所述系统包括处理装置，以及与处理装置连接的图像采集装置和报警装置；

所述处理装置识别图像采集装置采集的图像中是否存在满足危险性条件的目标对象；获取至少一张包含目标对象的目标图像；利用目标图像中目标对象的姿态特征，判断所述目标对象是否存在危险行为；

所述报警装置在目标对象存在危险行为时进行危险预警；或，依据目标对象是否存在危险行为、以及目标对象是否在预设监控范围内，确定是否进行危险预警。

本发明中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

相应的，本发明实施例还提供一种计算机存储介质，所述存储介质中存储有程序指令，所述程序指令用于实现上述任一项危险识别方法。

本发明实施例可采用在一个或多个其中包含有程序代码的存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。计算机可用存储介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括但不限于：相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。

本领域技术人员在考虑发明及实践这里申请的发明后，将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未申请的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。