本发明属于智能视频监控安防，具体涉及一种施工园区内工人异常行为识别与预警方法及系统。
背景技术：
1、据统计，房屋建筑与市政工程生产安全事故发生起数呈现逐年递增趋势，总体事故数据仍然维持较高水平。通过分析多份事故调查报告发现，建筑业安全事故中人的不安全行为造成的事故占比达80％～90％，建筑工人受个人安全行为习惯、员工安全意识等影响；不良作业环境会对建筑工人心理和生理状态造成影响,诱发不安全行为的发生；制度约束、监督检查不到位等相关的个体因素、作业因素、环境因素等因素的影响做出的不安全行为是目前亟须解决的问题，这将对改善我国建筑行业的安全生产形势有重要意义。
2、如何降低事故发生的概率以及减少人员的伤亡是目前必须考虑的，目前大多数园区在建设过程中还处于一种被动管理的方式，即依赖于手工观察记录，视频监控主要用于对突发事件的视频溯源回放。预防事故的一个重要对策是监控和管理这些不安全行为，由于园区环境复杂，并且存在较大遮挡，如果能够当施工过程出现工人高空坠落、摔倒、机械伤害、翻越障碍物等危险行为时，及时提供报警信号以起到警示作用，那么将在很大程度上保证工人在施工过程中的伤亡最小化，事故发生概率最小化。
3、随着计算机视觉的发展进步，人体行为识别的方法有很多，主要可以分为三个类别，即基于视频的方法、基于深度图的方法和基于骨架的方法。基于骨架的行为识别方法不易受光照、背景等因素的干扰，具有较强的鲁棒性，计算效率更高。但同时，由于骨架数据缺乏图像内容上下文信息，这项任务也变得极具有挑战性。基于骨架序列的人体行为识别研究主要分为基于手工设计特征的方法和基于深度学习的方法，基于手工特征往往只能反映人体行为某个方面的运动特性，不能完全地表征运动整体状态，同时特征的组合方式也需要耗费大量时间和精力，主观性较强，不易推广，即手工特征的泛化能力较弱。在基于深度学习使用循环神经网络(rnn)、图卷积网络(gcn)和卷积神经网络(cnn)的人体骨架行为识别的深度学习方法也应运而生，卷积神经网络(cnn)凭借其参数共享、局部感知、分层抽取与并行计算等方面的出色表现，使得其在处理骨骼关键点信息时，能够较好地获取骨骼关键点之间的局部特征，在空间上提取特征的能力较强，因此越来越多的研究人员开始将其应用于人体骨架的行为识别。
4、由于cnn在处理局部特征方面表现出色，但是在处理全局信息时表现较弱，对于园区这一特殊场景，异常行为中存在交互行为较多，而注意力机制能够实现工人骨骼关节点之间不同程度的关注，同时我们数据的输入形式为3d heatmap volumes，它作为动作识别的中级特征，空间分辨率不需要那么大，一个更浅(更少的层)和更薄(更少的通道)的网络足以建模人类骨骼序列的时空动态。并且基于3d-cnn的骨骼动作的识别计算复杂度高，参数量大，无法获取更加丰富、抽象的特征，存在实时性差的缺点；为此，本发明设计了一种施工园区内工人异常行为识别与预警方法及系统。
技术实现思路
1、本发明的目的在于提供一种施工园区内工人异常行为识别与预警方法及系统，以解决上述背景技术中提出的问题。
2、为实现上述目的，本发明提供如下技术方案：一种施工园区内工人异常行为识别与预警系统，包括视频采集模块，包括对施工园区内工人实时监控的网络摄像头；
3、人体骨骼数据获取模块，用于对采集到的视频数据，将其转化为图片帧，通过自上而下的姿态提取器获取到人体骨骼数据；
4、潜在危险行为识别模块，用于建立改进的3d cnn模型得到工人潜在危险行为识别模型；
5、前端显示预警界面，用于展示工人潜在危险行为的前端界面以及预警部分，通过训练完成的模型识别得出工人行为实时上传前端展示，当有潜在危险行为发生时自动发出预警，以更好的避免更多伤亡。
6、一种施工园区内工人异常行为识别与预警方法，采用所述的系统，具体步骤包括：s1：调查多起园区施工过程中的事故起因，列出较为典型的潜在危险行为，采集视频数据，建立潜在危险行为数据集；
7、s2：对构建的视频数据集，将其转化为图片帧，通过hrnet为主干网络的top-down姿态估计模型作为姿态提取器进行人体姿态提取，并将2d关键点存储为坐标；
8、s3：将坐标形式的关键点转化为2d关键点热图，并将其堆叠成紧凑的3d热图形式；
9、s4：建立改进的3d cnn模型，所述改进的3d cnn模型为在slow-only模型中使用condconv替换掉标准卷积，并加入simam attention机制；
10、s5：将s3获得的3d热图输入改进后的3d cnn模型进行训练，得到施工园区内工人潜在危险行为识别模型，进而得到工人潜在危险行为识别结果，如果检测到异常行为，模型将获取异常行为种类并进行前端界面展示，通过发出预警从而有效减少不安全行为，进而降低安全事故的发生概率，提高安全防范的效果。
11、优选的，所述s4中建立改进的3d cnn模型，具体步骤如下：
12、s41：使用condconv替换掉标准卷积，基于输入来动态计算卷积核，将卷积核参数化为n个卷积核的线性组合，具体公式如下：
13、output(x)＝σ((α1·w1+…+αn·wn)*x)
14、αi＝ri(x)
15、r(x)＝sigmoid(globalaveragepool(x)r)
16、其中，i卷积核数量，wi是卷积核，αi是通过反向传播学习的参数，σ为激活函数；
17、s42：采用无参数simam注意力机制实现工人骨骼关节点之间不同程度的关注，通过在一层中推断特征图的3d关注权重，通过定义能量函数度量神经元之间的线性可分性，具体实现公式如下：
18、
19、
20、
21、其中，
22、
23、
24、最小能量获得公式：
25、
26、s43：通过以上能量函数对神经元的重要性进行挖掘以后，利用sigmoid函数特征进行增强处理，具体公式如下：
27、
28、s44：接着将提取的输入特征依次通过3个layer层，提取高层特征信息；
29、s45：将步骤s44中最后得出的高层特征信息通过全局平均池化层和全连接层送入softmax进行分类输出；
30、s46：如果检测到潜在危险行为，模型将获取潜在危险行为种类并发出预警。
31、优选的，采用condconv用于有效推理的条件参数化卷积替换掉标准卷积模块，根据输入数据的特征来生成或调整参数，在保持有效推理的同时增加网络的大小和容量，减少参数量，提高计算速度。
32、优选的，引入无参数的simam attention，在不加深网络深度和参数的情况下，更好的完成潜在危险动作，提高模型识别准确率。
33、与现有技术相比，本发明的有益效果是：建立改进的3d cnn的施工园区内工人潜在危险行为识别模型，使用condconv替换标准卷积，动态计算卷积核，在保持有效推理的同时增加网络的大小和容量，并在很大程度上较少参数量，提高模型识别实时性。
34、建立改进的3d cnn的施工园区内工人潜在危险行为识别模型，加入simamattention机制，使得模型对工人骨骼信息有用的部分进行重点关注，提高模型准确度。
35、通过开发前端界面，实现模型识别结果的展示与预警，进行实时上传前端展示，当有潜在危险行为发生时自动发出预警，以更好的避免更多伤亡。
1.一种施工园区内工人异常行为识别与预警系统，其特征在于：包括视频采集模块，包括对施工园区内工人实时监控的网络摄像头；
2.一种施工园区内工人异常行为识别与预警方法，其特征在于：采用权利要求1所述的系统，具体步骤包括：s1：调查多起园区施工过程中的工人发生事故的起因，列出较为典型的潜在危险行为，采集视频数据，建立潜在危险行为数据集；
3.根据权利要求2所述的一种施工园区内工人异常行为识别与预警方法，其特征在于：所述s4中建立改进的3d cnn模型，具体步骤如下：
4.根据权利要求3所述的一种施工园区内工人异常行为识别与预警方法，其特征在于：采用condconv用于有效推理的条件参数化卷积替换掉标准卷积模块，根据输入数据的特征来生成或调整参数，在保持有效推理的同时增加网络的大小和容量，减少参数量，提高计算速度。
5.根据权利要求3所述的一种施工园区内工人异常行为识别与预警方法及系统，其特征在于：引入无参数的simam attention，在不加深网络深度和参数的情况下，更好的完成潜在危险动作，提高模型识别准确率。
