一种基于区块链的计算机数据传输加密系统及方法与流程

1.本发明涉及计算机数据传输加密技术领域，具体为一种基于区块链的计算机数据传输加密系统及方法。


背景技术：

2.智慧校园主要对应三类数据：校园基础数据、视频数据(含音频、图像数据)、非视频数据，智慧校园建设过程中，这三类数据相互融合才能实现最大效益。
3.校园基础数据指学籍、教职、固定资产、设施设备等方面的登记信息，此类数据来自于智慧校园建设的各个子系统；视频数据指通过音视频监测获得的非结构化数据，此类数据来自于正在高速发展的视频监控系统，实践中最迫切的需求是让“行为和态势识别”功能普及化、融入智慧校园管理的真实业务流程；非视频数据指时间序列监测获得的结构化数据，此类数据来自于各类非视频时序监测的硬件系统。
4.一方面，智慧校园的视频数据包括教室区域的监控视频数据以及获取区域的监控视频区域，然而智慧校园中总存在一些监控盲区，在这些监控盲区内有时会伴随打架斗殴等暴力事件的发生，在现有技术中，没有能够监测监控盲区的相关技术和方法。
5.另一方面，智慧校园的视频数据涉及到学生的隐私，可能存在被窃取的风险。


技术实现要素：

6.本发明的目的在于提供一种基于区块链的计算机数据传输加密系统及方法，以解决上述背景技术中提出的问题。
7.为了解决上述技术问题，本发明提供如下技术方案：
8.一种基于区块链的计算机数据传输加密系统，所述系统包括数据采集模块、停留时间预测模型构建分析模块、学生仪态特征分析模块、暴力事件发生判断模型构建模块、数据加密模块、数据传输模块、数据解密模块；
9.所述数据采集模块用于获取教学区域监控盲区的位置，建立监控盲区区域s，获取学生到达监控盲区的时间；所述停留时间预测模型构建分析模块用于获取学生在监控盲区区域s内的停留时间，构建停留时间预测模型，预测学生在监控盲区区域s内的停留时间；所述学生仪态特征分析模块用于获取进入监控盲区区域s内的学生数量，提取学生仪态特征，构建学生仪态特征分析模型，分析学生从监控盲区走出的仪态特征；所述暴力事件发生判断模型构建模块用于基于学生从监控盲区走出的仪态特征，构建暴力事件发生判断模型，判断暴力事件发生的概率；所述数据加密模块用于对待传输至人工审核端口的视频片段数据进行加密；所述数据传输模块用于对待传输至人工审核端口的视频片段数据进行传输；所述数据解密模块用于在人工审核端口使用对称密钥对接收到的加密数据进行解密，得到数据发送端传输的视频片段数据；
10.所述数据采集模块的输出端与所述停留时间预测模型构建分析模块的输入端相连接；所述停留时间预测模型构建分析模块的输出端与所述学生仪态特征分析模块的输入
端相连接；所述学生仪态特征分析模块的输出端与所述暴力事件发生判断模型构建模块的输入端相连接；所述暴力事件发生判断模型构建模块的输出端与所述数据加密模块的输入端相连接；所述数据加密模块的输出端与所述数据传输模块的输入端相连接；所述数据传输模块的输出端与所述数据解密模块的输入端相连接。
11.进一步地，所述停留时间预测模型构建分析模块包括停留时间预测模型构建单元和停留时间预测模型构分析单元；
12.所述停留时间预测模型构建单元用于获取学生在监控盲区区域s内的停留时间，构建停留时间预测模型；所述停留时间预测模型构分析单元用于根据停留时间预测模型获取学生在监控盲区区域s内的停留时间；
13.所述停留时间预测模型构建单元的输出端与所述停留时间预测模型构分析单元的输入端相连接；所述停留时间预测模型构分析单元与所述学生仪态特征分析模块的输入端相连接。
14.进一步地，所述学生仪态特征分析模块包括学生移动速度分析单元、学生走路姿势分析单元和学生身体协调分析单元；
15.所述学生移动速度分析单元用于构建学生移动速度分析模型，分析学生从监控盲区区域s走出的移动速度；所述学生走路姿势分析单元用于构建学生走路姿势分析模型，分析学生从监控盲区区域s走出的走路姿势；所述学生身体协调分析单元用于构建学生身体协调分析模型，分析学生从监控盲区区域s走出的身体协调性；
16.所述学生移动速度分析单元的输出端与所述学生走路姿势分析单元的输入端相连接；所述学生走路姿势分析单元的输出端与所述学生身体协调分析单元的输入端相连接；所述学生身体协调分析单元的输出端与暴力事件发生判断模型的输入端相连接。
17.进一步地，所述数据加密模块包括数据加密单元和密钥加密单元；
18.所述数据加密单元用于对待传输至人工审核端口的视频片段数据进行加密，得到加密数据；所述密钥加密单元用于使用非对称算法对对称密钥进行加密，得到加密对称密钥；
19.所述数据加密单元的输出端与所述密钥加密单元的输入端相连接；所述密钥加密单元的输出端与所述数据传输模块的输入端相连接。
20.一种基于区块链的计算机数据传输加密方法，所述方法包括以下步骤：
21.s1:获取教学区域监控盲区的位置，以监控盲区位置为圆心，以r为半径，建立监控盲区区域s，获取学生到达监控盲区的时间；
22.s2:获取学生在监控盲区区域s内的停留时间，构建停留时间预测模型，预测学生在监控盲区区域s内的停留时间；
23.s3:获取进入监控盲区区域s内的学生数量，提取学生仪态特征，构建学生仪态特征分析模型，分析学生从监控盲区走出的仪态特征；
24.s4:构建暴力事件发生判断模型，基于学生从监控盲区走出的仪态特征，判断暴力事件发生的概率；
25.s5:设置暴力事件发生的概率阈值，对超出概率阈值的视频片段数据进行传输加密，将加密后的视频片段数据传输至人工审核端口，人工审核端口利用密钥对视频片段数据进行解密。
26.进一步地，在步骤s2中，所述构建停留时间预测模型包括：
27.获取时间差值，建立生长曲线函数：
[0028][0029]
其中，z表示学生停留时间生长概率；k1、a、b均为参数值，且k1》0，a》0，b≠1；
[0030]
获取生长曲线函数拐点p(t
p
，z
p
)，拐点为生长曲线函数增长速度饱和点；
[0031]
获取监控盲区区域s内所有学生的停留时间，选取众数作为预测停留时间，记为tm；
[0032]
构建判断函数τ：
[0033][0034]
其中，τ＝0表示学生的停留时间短，τ＝1表示学生的停留时间长。
[0035]
在上述技术方案中，通过停留时间预测模型预测绝大多数学生在监控盲区内的停留时间，可以预测出正常情况下学生在监控盲区内的停留时间，当学生在监控盲区内的停留时间过长时，意味着可能会发生一些异常事件，此时需要引起重视。
[0036]
进一步地，在步骤s3中，构建学生仪态特征分析模型步骤包括：
[0037]
s301:对学生移动速度进行分析；
[0038]
s302:对学生走路姿势进行分析；
[0039]
s303:对学生身体协调进行分析；
[0040]
在步骤s301中，构建学生移动速度分析模型包括：
[0041]
将人体按照骨架节点设置出n个关键点位置；选择k个关键点，采集k个关键点在监控图像中对应的坐标，设置人体质心点的坐标为k个坐标的平均值，计算每次质心点纵坐标的移动速度v；
[0042][0043]
其中，表示第一帧时第j个关键点的纵坐标值；表示第m帧时第j个关键点的纵坐标值；t表示时间；k表示关键点的个数；t1表示第一帧的时间；tm表示第m帧的时间；
[0044]
在上述技术方案中，通过构建学生移动速度分析模型对学生从监控盲区走出时的移动速度进行分析，当学生的移动速度过慢时，说明该学生身体不舒服或者身体的某个部位可能出现受伤情况。
[0045]
设置计算时间间隔为t帧，质心点纵坐标的移动速度阈值v0，当质心点纵坐标的移动速度超出阈值，对学生走路姿势进行分析；
[0046]
在步骤s302中，构建学生走路姿势分析模型包括：
[0047]
设置学生正常行走的步幅距离为h，设置学生腿部疼痛时行走的步幅距离阈值为h0；
[0048]
设置关键点n9表示左膝盖，关键点n
10
表示右膝盖，关键点n9和关键点n
10
之间的欧式距离l0的表达式为：
[0049][0050]
其中，x9表示关键点m9的横坐标值；x
10
表示关键点n
10
的横坐标值；y9表示关键点n9的纵坐标值；y
10
表示关键点n
10
的纵坐标值；
[0051]
设置学生与监控摄像机的距离为l，基于h0、l0和l三者建立线性回归模型；
[0052]
l0和l满足的关系式为：
[0053]
l(li)＝cli+d
[0054]
其中，li表示第i次关键点n9和关键点n
10
之间的欧式距离；c和d均表示参数值；
[0055]
利用最小二乘估值法，获取c和d的最优解估计值；
[0056]
在上述技术方案中，通过构建学生走路姿势分析模型对学生从监控盲区走出时的走路姿势进行分析，当学生行走的步幅距离过小时，说明该学生身体不舒服或者身体的某个部位可能出现受伤情况。
[0057]
在步骤s303中，构建学生身体协调分析模型：
[0058]
设置关键点n3表示左肩膀，关键点n4表示右肩膀，关键点n7表示左腰，关键点n8表示右腰；
[0059]
设置关键点n3和关键点n7之间的夹角，记为θ1；设置关键点n4和关键点n8之间的夹角，记为θ2；
[0060][0061][0062]
设置肩膀与腰之间的夹角阈值为θ0；
[0063]
当θ1》θ0时，判断学生身体协调；
[0064]
当θ1≤θ0时，判断学生身体不协调，存在受伤部位。
[0065]
在上述技术方案中，通过构建学生身体协调分析模型对学生从监控盲区走出时的身体协调性进行分析，当学生的身体不协调时，说明该学生身体不舒服或者身体的某个部位可能出现受伤情况。
[0066]
进一步地，在步骤s4中，构建暴力事件发生判断模型包括：
[0067]
分析学生从监控盲区走出的仪态特征；获取当学生移动速度异常时判断暴力事件发生的概率p(a)；获取当学生走路姿势异常时判断暴力事件发生的概率p(b)；获取当学生身体协调异常时判断暴力事件发生的概率p(c)；
[0068]
暴力事件发生判断模型为：
[0069]
p(a∪b∪c)＝p(a)+p(b)+p(c)-p(ab)-p(bc)-p(ac)+p(abc)
[0070]
其中，p(a∪b∪c)表示当学生移动速度、学生走路姿势和学生身体协调至少一种异常时判断暴力事件发生的概率；p(ab)表示当学生移动速度和学生走路姿势同时异常时判断暴力事件发生的概率；p(bc)表示当学生走路姿势和学生身体协调同时异常时判断暴力事件发生的概率；p(ab)表示当学生移动速度和学生身体协调同时异常时判断暴力事件发生的概率；p(abc)表示当学生移动速度、学上走路姿势和学生身体协调同时异常时判断暴力事件发生的概率；
[0071]
设置暴力事件发生的概率阈值，记为p0；当学生移动速度、学生走路姿势和学生身
体协调至少一种异常时判断暴力事件发生的概率超出阈值p0，表示暴力事件发生。
[0072]
在上述技术方案中，通过构建暴力事件发生判断模型，当学生从监控盲区走出时，仪态特征出现移动速度、走路姿势和身体协调性至少一种异常情况时，需要对所述监控盲区进行关注。
[0073]
进一步地，所述数据传输加密方法包括：
[0074]
数据发送端启动后，在内存中生成在本次数据传输过程的一个对称密钥；
[0075]
数据发送端通过所述对称密钥对待传输至人工审核端口的视频片段数据进行加密，得到加密数据；
[0076]
数据发送端对所述对称密钥使用非对称算法进行加密，得到加密对称密钥；
[0077]
数据发送端将加密数据和加密对称密钥传输至人工审核端口；
[0078]
人工审核端口对接收到的加密对称密钥进行解密，得到对称密钥；
[0079]
人工审核端口使用对称密钥对接收到的加密数据进行解密，得到数据发送端传输的视频片段数据。
[0080]
与现有技术相比，本发明所达到的有益效果是：
[0081]
本发明能够提供一种暴力事件发生判断模型，基于学生在监控盲区区域s内的停留时间，进入监控盲区区域s内的学生数量，提取学生仪态特征，构建学生仪态特征分析模型，分析学生从监控盲区走出的仪态特征并基于学生从监控盲区走出的仪态特征，判断暴力事件发生的概率，当暴力事件发生的概率超出阈值，对超出概率阈值的视频片段数据进行传输加密，将加密后的视频片段数据传输至人工审核端口，人工审核端口利用密钥对视频片段数据进行解密，能够有效解决在监控盲区暴力事件发生的异常情况，保护学生的身心健康安全，促进建设和谐安全的智慧校园。
附图说明
[0082]
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
[0083]
图1是本发明一种基于区块链的计算机数据传输加密系统及方法的流程示意图；
[0084]
图2是本发明一种基于区块链的计算机数据传输加密系统及方法的人体骨架关键点位置示意图；
[0085]
图中，n1：左手掌；n2：左手肘；n3：左肩膀；n4：右肩膀；n5：右手肘；n6：右手掌；n7：左腰；n8：右腰；n9：左膝盖；n
10
：右膝盖；n
11
：左脚；n
12
：右脚。
具体实施方式
[0086]
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，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术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。
[0087]
请参阅图1-图2，本发明提供技术方案：
[0088]
一种基于区块链的计算机数据传输加密系统，所述系统包括数据采集模块、停留时间预测模型构建分析模块、学生仪态特征分析模块、暴力事件发生判断模型构建模块、数
据加密模块、数据传输模块、数据解密模块；
[0089]
所述数据采集模块用于获取教学区域监控盲区的位置，建立监控盲区区域s，获取学生到达监控盲区的时间；所述停留时间预测模型构建分析模块用于获取学生在监控盲区区域s内的停留时间，构建停留时间预测模型，预测学生在监控盲区区域s内的停留时间；所述学生仪态特征分析模块用于获取进入监控盲区区域s内的学生数量，提取学生仪态特征，构建学生仪态特征分析模型，分析学生从监控盲区走出的仪态特征；所述暴力事件发生判断模型构建模块用于基于学生从监控盲区走出的仪态特征，构建暴力事件发生判断模型，判断暴力事件发生的概率；所述数据加密模块用于对待传输至人工审核端口的视频片段数据进行加密；所述数据传输模块用于对待传输至人工审核端口的视频片段数据进行传输；所述数据解密模块用于在人工审核端口使用对称密钥对接收到的加密数据进行解密，得到数据发送端传输的视频片段数据；
[0090]
所述数据采集模块的输出端与所述停留时间预测模型构建分析模块的输入端相连接；所述停留时间预测模型构建分析模块的输出端与所述学生仪态特征分析模块的输入端相连接；所述学生仪态特征分析模块的输出端与所述暴力事件发生判断模型构建模块的输入端相连接；所述暴力事件发生判断模型构建模块的输出端与所述数据加密模块的输入端相连接；所述数据加密模块的输出端与所述数据传输模块的输入端相连接；所述数据传输模块的输出端与所述数据解密模块的输入端相连接。
[0091]
进一步地，所述停留时间预测模型构建分析模块包括停留时间预测模型构建单元和停留时间预测模型构分析单元；
[0092]
所述停留时间预测模型构建单元用于获取学生在监控盲区区域s内的停留时间，构建停留时间预测模型；所述停留时间预测模型构分析单元用于根据停留时间预测模型获取学生在监控盲区区域s内的停留时间；
[0093]
所述停留时间预测模型构建单元的输出端与所述停留时间预测模型构分析单元的输入端相连接；所述停留时间预测模型构分析单元与所述学生仪态特征分析模块的输入端相连接。
[0094]
进一步地，所述学生仪态特征分析模块包括学生移动速度分析单元、学生走路姿势分析单元和学生身体协调分析单元；
[0095]
所述学生移动速度分析单元用于构建学生移动速度分析模型，分析学生从监控盲区区域s走出的移动速度；所述学生走路姿势分析单元用于构建学生走路姿势分析模型，分析学生从监控盲区区域s走出的走路姿势；所述学生身体协调分析单元用于构建学生身体协调分析模型，分析学生从监控盲区区域s走出的身体协调性；
[0096]
所述学生移动速度分析单元的输出端与所述学生走路姿势分析单元的输入端相连接；所述学生走路姿势分析单元的输出端与所述学生身体协调分析单元的输入端相连接；所述学生身体协调分析单元的输出端与暴力事件发生判断模型的输入端相连接。
[0097]
进一步地，所述数据加密模块包括数据加密单元和密钥加密单元；
[0098]
所述数据加密单元用于对待传输至人工审核端口的视频片段数据进行加密，得到加密数据；所述密钥加密单元用于使用非对称算法对对称密钥进行加密，得到加密对称密钥；
[0099]
所述数据加密单元的输出端与所述密钥加密单元的输入端相连接；所述密钥加密
单元的输出端与所述数据传输模块的输入端相连接。
[0100]
一种基于区块链的计算机数据传输加密方法，所述方法包括以下步骤：
[0101]
s1:获取教学区域监控盲区的位置，以监控盲区位置为圆心，以r为半径，建立监控盲区区域s，获取学生到达监控盲区的时间；
[0102]
s2:获取学生在监控盲区区域s内的停留时间，构建停留时间预测模型，预测学生在监控盲区区域s内的停留时间；
[0103]
s3:获取进入监控盲区区域s内的学生数量，提取学生仪态特征，构建学生仪态特征分析模型，分析学生从监控盲区走出的仪态特征；
[0104]
s4:构建暴力事件发生判断模型，基于学生从监控盲区走出的仪态特征，判断暴力事件发生的概率；
[0105]
s5:设置暴力事件发生的概率阈值，对超出概率阈值的视频片段数据进行传输加密，将加密后的视频片段数据传输至人工审核端口，人工审核端口利用密钥对视频片段数据进行解密。
[0106]
进一步地，在步骤s2中，所述构建停留时间预测模型包括：
[0107]
获取时间差值，建立生长曲线函数：
[0108][0109]
其中，y表示学生停留时间生长概率；k1、a、b均为参数值，且k1》0，a》0，b≠1；
[0110]
获取生长曲线函数拐点p(t
p
，z
p
)，拐点为生长曲线函数增长速度饱和点；
[0111]
获取监控盲区区域s内所有学生的停留时间，选取众数作为预测停留时间，记为tm；
[0112]
构建判断函数τ：
[0113][0114]
其中，τ＝0表示学生的停留时间正常，τ＝1表示学生的停留时间异常。
[0115]
进一步地，在步骤s3中，构建学生仪态特征分析模型步骤包括：
[0116]
s301:对学生移动速度进行分析；
[0117]
s302:对学生走路姿势进行分析；
[0118]
s303:对学生身体协调进行分析；
[0119]
在步骤s301中，构建学生移动速度分析模型包括：
[0120]
将人体按照骨架节点设置出n个关键点位置；选择k个关键点，采集k个关键点在监控图像中对应的坐标，设置人体质心点的坐标为k个坐标的平均值，计算每次质心点纵坐标的移动速度v；
[0121][0122]
其中，表示第一帧时第j个关键点的纵坐标值；表示第m帧时第j个关键点的纵坐标值；t表示时间；k表示关键点的个数；t1表示第一帧的时间；tm表示第m帧的时间；
[0123]
设置计算时间间隔为t帧，质心点纵坐标的移动速度阈值v0，当质心点纵坐标的移
动速度超出阈值，对学生走路姿势进行分析；
[0124]
在步骤s302中，构建学生走路姿势分析模型包括：
[0125]
设置学生正常行走的步幅距离为h，设置学生腿部疼痛时行走的步幅距离阈值为h0；
[0126]
设置关键点n9表示左膝盖，关键点n
10
表示右膝盖，关键点n9和关键点n
10
之间的欧式距离l0的表达式为：
[0127][0128]
其中，x9表示关键点n9的横坐标值；x
10
表示关键点n
10
的横坐标值；y9表示关键点n9的纵坐标值；y
10
表示关键点n
10
的纵坐标值；
[0129]
设置学生与监控摄像机的距离为l，基于h0、l0和l三者建立线性回归模型；
[0130]
l0和l满足的关系式为：
[0131]
l(li)＝cli+d
[0132]
其中，li表示第i次关键点n9和关键点n
10
之间的欧式距离；c和d均表示参数值；
[0133]
利用最小二乘估值法，获取c和d的最优解估计值；
[0134]
在步骤s303中，构建学生身体协调分析模型：
[0135]
设置关键点n3表示左肩膀，关键点n4表示右肩膀，关键点n7表示左腰，关键点n8表示右腰；
[0136]
设置关键点n3和关键点n7之间的夹角，记为θ1；设置关键点n4和关键点n8之间的夹角，记为θ2；
[0137][0138][0139]
设置肩膀与腰之间的夹角阈值为θ0；
[0140]
当θ1》θ0时，判断学生身体协调；
[0141]
当θ1≤θ0时，判断学生身体不协调，存在受伤部位。
[0142]
进一步地，在步骤s4中，构建暴力事件发生判断模型包括：
[0143]
分析学生从监控盲区走出的仪态特征；获取当学生移动速度异常时判断暴力事件发生的概率p(a)；获取当学生走路姿势异常时判断暴力事件发生的概率p(b)；获取当学生身体协调异常时判断暴力事件发生的概率p(c)；
[0144]
暴力事件发生判断模型为：
[0145]
p(a∪b∪c)＝p(a)+p(b)+p(c)-p(ab)-p(bc)-p(ac)+p(abc)
[0146]
其中，p(a∪b∪c)表示当学生移动速度、学生走路姿势和学生身体协调至少一种异常时判断暴力事件发生的概率；p(ab)表示当学生移动速度和学生走路姿势同时异常时判断暴力事件发生的概率；p(bc)表示当学生走路姿势和学生身体协调同时异常时判断暴力事件发生的概率；p(ab)表示当学生移动速度和学生身体协调同时异常时判断暴力事件发生的概率；p(abc)表示当学生移动速度、学上走路姿势和学生身体协调同时异常时判断暴力事件发生的概率；
[0147]
设置暴力事件发生的概率阈值，记为p0；当学生移动速度、学生走路姿势和学生身
体协调至少一种异常时判断暴力事件发生的概率超出阈值p0，表示暴力事件发生。
[0148]
进一步地，所述数据传输加密方法包括：
[0149]
数据发送端启动后，在内存中生成在本次数据传输过程的一个对称密钥；
[0150]
数据发送端通过所述对称密钥对待传输至人工审核端口的视频片段数据进行加密，得到加密数据；
[0151]
数据发送端对所述对称密钥使用非对称算法进行加密，得到加密对称密钥；
[0152]
数据发送端将加密数据和加密对称密钥传输至人工审核端口；
[0153]
人工审核端口对接收到的加密对称密钥进行解密，得到对称密钥；
[0154]
人工审核端口使用对称密钥对接收到的加密数据进行解密，得到数据发送端传输的视频片段数据。
[0155]
在本实施例中：
[0156]
获取教学区域监控盲区的位置，以监控盲区位置为圆心，以r＝1.5m为半径，建立监控盲区区域s＝7.065m2，获取学生到达监控盲区的时间；
[0157]
获取学生在监控盲区区域s内的停留时间，构建停留时间预测模型包括：
[0158]
获取时间差值，建立生长曲线函数：
[0159][0160]
其中，z表示学生停留时间生长概率；k1、a、b均为参数值，且k1》0，a》0，b≠1；
[0161]
获取生长曲线函数拐点p(t
p
，z
p
)，拐点为生长曲线函数增长速度饱和点；
[0162]
获取监控盲区区域s内所有学生的停留时间，选取众数作为预测停留时间，记为tm；
[0163]
构建判断函数τ：
[0164][0165]
其中，τ＝0表示学生的停留时间正常，τ＝1表示学生的停留时间异常。
[0166]
获取进入监控盲区区域s内的学生数量，提取学生仪态特征，构建学生仪态特征分析模型包括：
[0167]
s301:对学生移动速度进行分析；
[0168]
s302:对学生走路姿势进行分析；
[0169]
s303:对学生身体协调进行分析；
[0170]
在步骤s301中，构建学生移动速度分析模型包括：
[0171]
将人体按照骨架节点设置出12个关键点位置；选择4个关键点，采集4个关键点在监控图像中对应的坐标，设置人体质心点的坐标为4个坐标的平均值，计算每次质心点纵坐标的移动速度v；
[0172][0173]
设置计算时间间隔为10帧，质心点纵坐标的移动速度阈值v0，当质心点纵坐标的移动速度超出阈值，对学生走路姿势进行分析；
[0174]
在步骤s302中，构建学生走路姿势分析模型包括：
[0175]
设置学生正常行走的步幅距离为h＝0.5m，设置学生腿部疼痛时行走的步幅距离阈值为h0＝0.3；
[0176]
设置关键点n9表示左膝盖，关键点n
10
表示右膝盖，关键点n9和关键点n
10
之间的欧式距离l0的表达式为：
[0177][0178]
其中，x9表示关键点n9的横坐标值；x
10
表示关键点n
10
的横坐标值；y9表示关键点n9的纵坐标值；y
10
表示关键点n
10
的纵坐标值；
[0179]
设置学生与监控摄像机的距离为l，基于h0、l0和l三者建立线性回归模型；
[0180]
l0和l满足的关系式为：
[0181]
l(li)＝cli+d
[0182]
其中，li表示第i次关键点n9和关键点n
10
之间的欧式距离；c和d均表示参数值；
[0183]
利用最小二乘估值法，可获取c和d的最优解估计值；
[0184]
在步骤s303中，构建学生身体协调分析模型：
[0185]
设置关键点n3表示左肩膀，关键点n4表示右肩膀，关键点n7表示左腰，关键点n8表示右腰；
[0186]
设置关键点n3和关键点n7之间的夹角，记为θ1；设置关键点n4和关键点n8之间的夹角，记为θ2；
[0187][0188][0189]
设置肩膀与腰之间的夹角阈值为θ0＝10
°
；
[0190]
当θ1》θ0时，判断学生身体协调；
[0191]
当θ1≤θ0时，判断学生身体不协调，可能存在受伤部位。
[0192]
基于学生从监控盲区走出的仪态特征，构建暴力事件发生判断模型包括：
[0193]
分析学生从监控盲区走出的仪态特征；获取当学生移动速度异常时判断暴力事件发生的概率p(a)＝0.3；获取当学生走路姿势异常时判断暴力事件发生的概率p(b)＝0.3；获取当学生身体协调异常时判断暴力事件发生的概率p(c)＝0.4；获取当学生移动速度和学生走路姿势同时异常时判断暴力事件发生的概率p(ab)＝0.15；获取当学生走路姿势和学生身体协调同时异常时判断暴力事件发生的概率p(bc)＝0.2；获取当学生移动速度和学生身体协调同时异常时判断暴力事件发生的概率p(ab)＝0.25；获取当学生移动速度、学上走路姿势和学生身体协调同时异常时判断暴力事件发生的概率p(abc)＝0.2；
[0194]
暴力事件发生判断模型为：
[0195]
p(a∪b∪c)＝p(a)+p(b)+p(c)-p(ab)-p(bc)-p(ac)+p(abc)＝0.3+0.3+0.4-0.15-0.2-0.25+0.2＝0.6
[0196]
设置暴力事件发生的概率阈值，记为p0＝0.55；
[0197]
由于p(a∪b∪c)》p0；故表示暴力事件发生。
[0198]
对超出概率阈值的视频片段数据进行传输加密，将加密后的视频片段数据传输至
人工审核端口，人工审核端口利用密钥对视频片段数据进行解密。
[0199]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
[0200]
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。