本技术涉及数据处理领域，具体涉及一种基于视频分析的社区异常行为识别方法及装置。
背景技术：
1、现有的社区异常行为识别方法存在明显不足。传统系统在视频处理和目标检测方面表现欠佳，未能有效实现行为的准确识别，影响监控效果。
2、此外，现有技术在事件规则和行为分类方面存在瓶颈。多数系统缺乏完善的规则构建机制和置信度融合策略，导致预警精度不够理想。
3、现有系统在模型优化方面存在技术短板。缺乏对异常事件的深入分析，难以通过自适应学习实现高效的模型更新，影响识别准确性。这些问题的解决对于提升社区安全监控能力具有重要意义。
技术实现思路
1、针对现有技术中的问题，本技术提供一种基于视频分析的社区异常行为识别方法及装置，能够有效解决传统技术在行为识别、预警策略和模型优化等方面的不足，为社区安全监控提供技术保障。
2、为了解决上述问题中的至少一个，本技术提供以下技术方案：
3、第一方面，本技术提供一种基于视频分析的社区异常行为识别方法，包括：
4、在获得社区用户授权后，通过社区监控摄像头采集实时视频流得到视频帧序列，对所述视频帧序列执行预处理生成处理帧组，基于前景检测算法对所述处理帧组提取运动目标得到目标包围盒，将所述目标包围盒输入目标分类器生成目标类型标签，根据所述目标类型标签筛选出人体目标得到候选目标集，对所述候选目标集执行人体姿态估计得到骨架关键点序列，将所述骨架关键点序列计算关节角度与相对位移得到特征向量组；
5、基于所述特征向量组构建多级事件规则库，其中规则由触发条件与持续条件构成，所述触发条件基于关键点坐标计算瞬时特征得到状态判定结果，所述持续条件在时间窗口内统计所述状态判定结果得到事件概率值，将所述特征向量组输入行为识别神经网络计算得到行为类别概率分布，对所述行为类别概率分布与所述事件概率值进行置信度融合生成预警信息；
6、将所述预警信息按照预设规则进行分级分发得到通知指令序列，基于所述通知指令序列执行多渠道推送得到执行结果集，从所述执行结果集提取异常事件数据得到训练样本集，基于所述训练样本集更新行为识别神经网络得到优化模型参数，将所述优化模型参数写入模型库完成自适应优化。
7、进一步地，还包括：依据接入协议获取监控摄像头图像数据流得到原始视频帧，对所述原始视频帧进行帧率转换与分辨率缩放生成标准帧序列，将所述标准帧序列按照预设采样周期进行抽帧处理得到采样帧组，对所述采样帧组执行高斯滤波与亮度归一化处理得到预处理帧集；
8、基于所述预处理帧集构建混合高斯背景模型得到背景特征图，将所述背景特征图与当前帧执行背景差分运算生成前景掩码图，对所述前景掩码图进行形态学处理与连通域分析得到运动区域集，根据所述运动区域集计算目标轮廓特征生成目标包围盒。
9、进一步地，还包括：对目标包围盒进行尺寸标准化与像素归一化处理得到规范图像块，将所述规范图像块输入预训练目标分类网络执行前向推理得到多类别置信度分布，对所述多类别置信度分布按照预设阈值进行筛选生成候选类别组，将所述候选类别组中置信度最高的类别标识作为目标类型标签，根据所述目标类型标签提取人体类目标得到目标图像集；
10、基于所述目标图像集构建关键点检测模型输入得到特征图组，对所述特征图组执行热图解码得到关键点坐标集，将所述关键点坐标集按照人体骨架拓扑结构生成关节连接图，基于所述关节连接图计算相邻关键点间的角度变化与位移向量得到特征向量组。
11、进一步地，还包括：将特征向量组按照预设时间窗口进行分段得到时序特征矩阵，对所述时序特征矩阵提取关键点垂直位移、水平速度、关节角度变化率生成特征描述符，基于所述特征描述符构建事件触发规则得到规则条件组，将所述规则条件组映射为布尔表达式生成瞬时状态判定逻辑，根据所述瞬时状态判定逻辑对特征描述符进行阈值比对得到状态判定结果；
12、对所述状态判定结果在滑动时间窗口内进行统计分析得到触发频率序列，将所述触发频率序列与预设持续时长阈值进行比对生成持续状态标识，根据所述持续状态标识计算事件发生概率得到事件概率值，对所述事件概率值基于风险等级划分规则进行分级映射得到事件等级标识。
13、进一步地，还包括：将特征向量组按照时序关系重组为时空特征张量，对所述时空特征张量通过时序卷积层提取动态特征得到特征序列图，将所述特征序列图输入双向长短时记忆网络进行时序建模得到上下文特征向量，基于所述上下文特征向量通过全连接层映射计算得到行为类别概率分布，根据所述行为类别概率分布提取异常行为类别的置信度值得到行为风险值；
14、基于所述行为风险值与事件概率值构建加权融合函数得到融合权重矩阵，将所述融合权重矩阵与行为类别概率分布执行加权组合得到综合风险评分，根据所述综合风险评分生成预警等级标识与告警描述信息，将所述预警等级标识与告警描述信息组合打包生成预警信息。
15、进一步地，还包括：将预警信息解析为预警等级、事件类型、场景位置、目标特征得到预警要素组，基于所述预警要素组查询预警分发规则库得到通知级别映射表，根据所述通知级别映射表确定不同岗位人员的通知优先级得到接收者清单，对所述接收者清单按照职责范围与响应时限进行分组得到通知指令序列，将所述通知指令序列写入消息分发队列得到待推送任务组；
16、基于所述待推送任务组构建多渠道推送策略得到推送配置表，根据所述推送配置表选择短信、语音、移动终端应用进行并行推送得到推送状态集，对所述推送状态集进行送达确认与超时重试得到反馈数据组，将所述反馈数据组汇总生成执行结果集。
17、进一步地，还包括：将执行结果集中的异常事件记录解析为视频片段、事件类型、时间戳得到事件数据组，对所述事件数据组进行人工确认与标注得到标注数据集，基于所述标注数据集提取目标轨迹与姿态特征得到训练特征组，将所述训练特征组按照时序关系重组为标准训练样本得到训练样本集，根据所述训练样本集构建数据增强策略得到数据增强矩阵；
18、基于所述数据增强矩阵生成扩充训练集得到迭代训练数据，将所述迭代训练数据输入行为识别神经网络进行增量训练得到模型参数梯度，根据所述模型参数梯度更新神经网络权重得到优化模型参数，对所述优化模型参数进行模型评估得到性能指标集，将通过验证的所述优化模型参数更新至模型库完成自适应优化。
19、第二方面，本技术提供一种基于视频分析的社区异常行为识别装置，包括：
20、信息采集模块，用于在获得社区用户授权后，通过社区监控摄像头采集实时视频流得到视频帧序列，对所述视频帧序列执行预处理生成处理帧组，基于前景检测算法对所述处理帧组提取运动目标得到目标包围盒，将所述目标包围盒输入目标分类器生成目标类型标签，根据所述目标类型标签筛选出人体目标得到候选目标集，对所述候选目标集执行人体姿态估计得到骨架关键点序列，将所述骨架关键点序列计算关节角度与相对位移得到特征向量组；
21、模型构建模块，用于基于所述特征向量组构建多级事件规则库，其中规则由触发条件与持续条件构成，所述触发条件基于关键点坐标计算瞬时特征得到状态判定结果，所述持续条件在时间窗口内统计所述状态判定结果得到事件概率值，将所述特征向量组输入行为识别神经网络计算得到行为类别概率分布，对所述行为类别概率分布与所述事件概率值进行置信度融合生成预警信息；
22、异常识别模块，用于将所述预警信息按照预设规则进行分级分发得到通知指令序列，基于所述通知指令序列执行多渠道推送得到执行结果集，从所述执行结果集提取异常事件数据得到训练样本集，基于所述训练样本集更新行为识别神经网络得到优化模型参数，将所述优化模型参数写入模型库完成自适应优化。
23、第三方面，本技术提供一种电子设备，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，所述处理器执行所述程序时实现所述的基于视频分析的社区异常行为识别方法的步骤。
24、第四方面，本技术提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的基于视频分析的社区异常行为识别方法的步骤。
25、第五方面，本技术提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现所述的基于视频分析的社区异常行为识别方法的步骤。
26、由上述技术方案可知，本技术提供一种基于视频分析的社区异常行为识别方法及装置，通过目标检测和姿态估计，实现行为的精确分析。构建识别机制，结合事件规则和神经网络，建立可靠的预警策略。引入自适应优化，通过样本学习和模型更新，确保识别的持续改进。该方法有效解决传统技术在行为识别、预警策略和模型优化等方面的不足，为社区安全监控提供技术保障。