面向机房安全的行为识别方法研究与系统实现

作     者：吴佳怡 

作者单位：重庆大学 

学位级别：硕士

导师姓名：曾孝平;林英撑

授予年度：2022年

学科分类：08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：行为识别 神经网络 目标检测 边缘计算 机房安全 

摘      要：近年来,以2D卷积神经网络为典型的机器视觉处理算法模型凭借强大的特征学习和迁移学习能力在图像目标识别应用中取得了巨大成功。但这类算法模型仅适用于静态图像中的目标识别,无法满足安防监控、特定工种行为规范监督等应用下的复杂时序行为识别需求。通过2D卷积神经网络与循环神经网络的级联或采用3D卷积神经网络可以使得模型具有时序行为识别能力,但这些网络规模庞大、训练过程复杂,对接实际应用困难。论文对接国家电网中心机房管理需求,研究并设计结合行为图谱和2D卷积神经网络的高效复杂时序行为识别方法和系统,为现实场景的复杂时序行为识别应用需求提供一套行之有效的解决方案。论文深入调研了普遍存在于机房安全监管中的复杂时序行为识别需求,针对应用难点,分析了基于深度学习的行为识别方法的性能,提出了以行为图谱辅助的通用行为识别方法,并提供了一套信息化机房安全监管系统方案。在此基础上,设计了可在边缘端部署的轻量级行为要素采集算法架构,可精准识别复杂时序行为要素。论文基于边缘计算架构,结合服务器端、客户端管理平台,完成了信息化机房安全监管系统设计。论文的创新点包括:(1)针对复杂时序行为缺乏高效算法模型问题,提出了一种结合行为图谱和2D卷积神经网络的通用化高效识别方法;(2)针对云计算方案带宽需求大,时效性差,运营成本高等问题,设计基于轻量化行为要素采集算法架构的边缘计算方案,实现复杂时序行为的边缘实时识别。经测试,基于图谱辅助的行为识别方法设计的机房安全监管系统运行稳定,可对双人开启保险柜等的复杂时序行为进行准确识别,在模拟机房环境下对机房违规行为识别准确率达到了93.25%,较好地达到机房监控系统实时性要求,同时,系统功耗也满足边缘端运行要求,且具备良好的人机交互功能,系统各项性能指标均较好地满足了应用需求和设计要求。