本技術涉及數據處理技術，尤其涉及一種智能托育視頻監測處理方法及系統。

背景技術：

1、隨著社會對兒童托育服務需求的日益增長，托育機構的安全與管理問題日益受到重視。為了確保兒童在托育環境中的安全與健康，實時監控成為了一項不可或缺的管理手段。傳統的視頻監控系統通常采用固定分辨率進行連續錄制，這種方式雖然能夠提供不間斷的視頻記錄，但也存在明顯的局限性。

2、一方面，高分辨率的視頻數據雖然能夠提供更清晰、更細致的畫面，但連續錄制會消耗大量的存儲空間，并且對計算資源的需求也極高。這對于托育機構而言，不僅增加了運營成本，還可能因為存儲空間和計算能力的限制，導致系統無法長時間穩定運行。

3、另一方面，低分辨率的視頻數據雖然能夠減少存儲空間的占用和計算負擔，但在監測過程中，當出現異常行為或緊急情況時，低分辨率的視頻往往無法提供足夠清晰、準確的畫面信息，給后續的行為分析、事件記錄及證據留存帶來困難。

4、因此，如何在保證監控實時性和數據存儲經濟性的同時，又能夠在異常行為發生時迅速獲取高質量的視頻數據，成為了托育監測領域亟待解決的技術問題。

技術實現思路

1、本技術提供一種智能托育視頻監測處理方法及系統，通過僅在檢測到異常行為時才提升視頻分辨率，避免了不必要的數據存儲資源浪費。

2、第一方面，本技術提供一種智能托育視頻監測處理方法，包括：

3、以第一分辨率獲取待監測托育區域的第一視頻監測數據；

4、若確定所述第一視頻監測數據中存在目標異常行為，則切換至第二分辨率獲取所述待監測托育區域的第二視頻監測數據，其中，所述第二分辨率高于所述第一分辨率。

5、在上述方案中，通過智能調控視頻監測數據的分辨率，實現了高效監測與精準識別目標異常行為的雙重目標。首先，以第一分辨率獲取待監測托育區域的第一視頻監測數據，該一步驟充分考慮到了連續視頻監測對存儲空間及計算資源的需求。第一分辨率的選擇，旨在平衡監測的實時性與數據存儲的經濟性。通過采用相對較低的分辨率進行初步監測，可以有效減少視頻數據的生成量，進而降低存儲空間的占用，并減輕后續處理步驟的計算負擔。當模型檢測到異常行為的存在時，會立即切換至第二分辨率獲取待監測托育區域的第二視頻監測數據。第二分辨率相較于第一分辨率更高，能夠提供更清晰、更細致的視頻畫面，這一切換機制的設計，確保了當異常行為發生時，系統能夠迅速獲取高質量的視頻數據，為后續的行為分析、事件記錄及證據留存提供了有力支持。可見，上述方案一方面，通過僅在檢測到異常行為時才提升視頻分辨率，避免了不必要的資源浪費，提高了監測系統的整體效率。另一方面，高分辨率視頻數據的精準捕獲，為后續的異常行為分析提供了更為豐富、準確的信息源，有助于提升分析的準確性和可靠性。

6、可選的，在所述切換至第二分辨率獲取所述待監測托育區域的第二視頻監測數據之后，還包括：

7、若確定所述第二視頻監測數據中未存在所述目標異常行為的時長超過預設時長閾值，則切換至所述第一分辨率獲取所述待監測托育區域的第三視頻監測數據。

8、在上述方案中，在長時間未檢測到目標異常行為的情況下，繼續以高分辨率（第二分辨率）進行視頻監測將造成不必要的存儲空間和計算資源的浪費。通過切換回第一分辨率獲取第三視頻監測數據，可以顯著減少數據生成量，從而降低存儲成本，并減輕系統的計算負擔，提高整體運行效率。盡管切換回第一分辨率，但系統仍然保持對托育區域的持續監測能力。這確保了即使在資源消耗較低的情況下，系統也能及時發現并響應可能發生的異常事件。

9、其中，托育區域在不同時間段內可能發生異常行為的風險不同。例如，在嬰幼兒午休或安靜活動期間，異常行為發生的概率較低。通過動態調整分辨率，系統可以根據實際監測情況靈活調整資源分配，以適應不同時間段的需求。

10、盡管預設時長閾值用于判斷何時切換回第一分辨率，但系統仍然保持對異常行為的實時監測能力。一旦在預設時長閾值內再次檢測到異常行為，系統可以立即切換回第二分辨率進行高精度監測，確保對突發情況的快速響應。

11、并且，由于環境干擾或傳感器誤差等因素，系統可能會在短時間內誤判為存在異常行為。通過引入預設時長閾值，系統可以在一段時間內持續觀察監測數據，以減少因短暫干擾而導致的誤報。

12、可選的，用于從所述第一視頻監測數據中監測所述目標異常行為的為第一異常行為監測模型，用于從所述第二視頻監測數據中監測所述目標異常行為的為第二異常行為監測模型，其中，所述第一異常行為監測模型的識別準確率高于所述第二異常行為監測模型的識別準確率。

13、在上述的方案中，在第一視頻監測階段，采用識別準確率較高的第一異常行為監測模型進行篩查。該模型能夠更準確地識別出潛在的目標異常行為，減少誤判和漏判的情況。這不僅為后續的高分辨率監測提供了更為精準的目標區域，也提高了整個監測系統的準確性。值得說明的，當切換到第二視頻監測階段時，雖然采用識別速度較快的第二異常行為監測模型，但是，由于第二異常行為監測模型的識別過程存在預設時長閾值作為緩沖時長，且本方案旨在記錄并保存下存在目標異常行為的監測視頻片段，以及第二異常行為監測模型是用于確定高分辨率記錄的時間終點，并且，可以通過該緩存時長來對第二異常行為監測模型的識別準確率進行補償，因此，可以將第二異常行為監測模型的識別準確率設置為低于第一異常行為監測模型的識別準確率。從而既能保證了監測的效率，又能保證對于異常行為起點的監測準確率以及對于異常行為終點的監測可靠性。

14、可選的，所述第一異常行為監測模型為基于卷積神經網絡模型所確定的異常動作檢測模型，所述第二異常行為監測模型為基于輕量級卷積神經網絡模型所確定的異常動作檢測模型。

15、在上述方案中，在智能托育監測中，第一異常行為監測模型采用cnn模型，能夠準確識別出目標異常行為的初步跡象，第二異常行為監測模型采用lightweight?cnn模型，該模型在保證一定識別準確率的同時，具有更低的計算復雜度和更快的處理速度，在切換到第二視頻監測階段（較高分辨率）后，lightweight?cnn模型能夠保證一定準確性的同時，降低計算資源的消耗，該過程旨在對存在目標異常行為的視頻片段進行高分辨率的保存。通過采用不同復雜度的卷積神經網絡模型，系統可以根據實際需求靈活調整計算資源的分配，從而保證存儲數據量與識別計算量之間的平衡。

16、可選的，所述第一異常行為監測模型為基于多模態行為數據融合所確定的異常動作檢測模型，所述第二異常行為監測模型為基于單模態行為數據所確定的異常動作檢測模型。

17、在上述方案中，第一異常行為監測模型通過融合多種模態的行為數據，能夠更全面地捕捉托育對象的行為信息。多模態數據的互補性使得模型能夠更準確地識別復雜和微妙的異常動作，減少了單一模態數據可能帶來的信息缺失和誤判情況。盡管第二異常行為監測模型僅基于單模態行為數據，但其主要目的是確定高分辨率視頻記錄的時間終點，由于存在預設時長閾值作為識別緩存時段，因此，通過單模態行為數據就能實現時間終點的確定。

18、可選的，所述第一異常行為監測模型為基于肢體動作特征與音頻聲音特征所確定的異常動作檢測模型，所述第二異常行為監測模型為僅基于所述肢體動作特征的異常動作檢測模型。

19、在上述方案中，第一異常行為監測模型通過融合肢體動作特征和音頻聲音特征，能夠更全面地捕捉托育對象的行為信息。肢體動作特征提供了行為的空間維度信息，而音頻聲音特征則提供了行為的時間維度信息（如聲音的節奏、強度等），兩者結合可以更準確地識別出復雜和微妙的異常動作。例如，當嬰幼兒出現跌倒或突發疾病時，不僅會有肢體動作的異常，往往還會伴隨異常的哭喊或呻吟聲，這種多特征融合的方式能夠顯著提高識別的準確性。在監測階段，通過第一異常行為監測模型的多特征融合識別出潛在異常行為后，第二異常行為監測模型僅基于肢體動作特征進行結束時間節點的快速確認。

20、可選的，所述預設時長閾值通過預設行為時長標定列表進行確定，所述預設行為時長標定列表用于建立所述預設時長閾值與所述目標異常行為之間的映射關系。

21、在上述方案中，預設行為時長標定列表通過詳細記錄和分析各類目標異常行為的時間特征，為系統提供了精確的時長閾值參考。這一機制能夠確保系統在判定異常行為時，不僅考慮行為的類型和特征，還充分考慮行為持續的時間因素，從而提高了判定的準確性。例如，對于嬰幼兒的某些特定異常行為（如持續的抽搐、長時間的哭泣等），系統可以根據預設的時長閾值進行準確判定，避免誤判或漏判。不同的異常行為往往具有不同的時長特征。通過預設行為時長標定列表，系統可以針對不同類型的異常行為設置不同的時長閾值，從而更準確地適應不同行為的時長差異。這種靈活性使得系統在面對多樣化的異常行為時，能夠做出更為精準和合理的判定。

22、第二方面，本技術提供一種智能托育視頻監測處理系統，包括：

23、獲取模塊，用于以第一分辨率獲取待監測托育區域的第一視頻監測數據；

24、處理模塊，用于確定所述第一視頻監測數據中存在目標異常行為時，切換至第二分辨率獲取所述待監測托育區域的第二視頻監測數據，其中，所述第二分辨率高于所述第一分辨率。

25、可選的，所述處理模塊，還用于確定所述第二視頻監測數據中未存在所述目標異常行為的時長超過預設時長閾值，則切換至所述第一分辨率獲取所述待監測托育區域的第三視頻監測數據。

26、可選的，用于從所述第一視頻監測數據中監測所述目標異常行為的為第一異常行為監測模型，用于從所述第二視頻監測數據中監測所述目標異常行為的為第二異常行為監測模型，其中，所述第一異常行為監測模型的識別準確率高于所述第二異常行為監測模型的識別準確率。

27、可選的，所述第一異常行為監測模型為基于卷積神經網絡模型所確定的異常動作檢測模型，所述第二異常行為監測模型為基于輕量級卷積神經網絡模型所確定的異常動作檢測模型。

28、可選的，所述第一異常行為監測模型為基于多模態行為數據融合所確定的異常動作檢測模型，所述第二異常行為監測模型為基于單模態行為數據所確定的異常動作檢測模型。

29、可選的，所述第一異常行為監測模型為基于肢體動作特征與音頻聲音特征所確定的異常動作檢測模型，所述第二異常行為監測模型為僅基于所述肢體動作特征的異常動作檢測模型。

30、可選的，所述預設時長閾值通過預設行為時長標定列表進行確定，所述預設行為時長標定列表用于建立所述預設時長閾值與所述目標異常行為之間的映射關系。

31、第三方面，本技術提供一種電子設備，包括：

32、處理器；以及，

33、存儲器，用于存儲所述處理器的可執行指令；

34、其中，所述處理器配置為經由執行所述可執行指令來執行第一方面中所述的任一種可能的方法。

35、第四方面，本技術提供一種計算機可讀存儲介質，所述計算機可讀存儲介質中存儲有計算機執行指令，所述計算機執行指令被處理器執行時用于實現第一方面中所述的任一種可能的方法。

36、本技術提供的智能托育視頻監測處理方法及系統，通過以第一分辨率獲取待監測托育區域的第一視頻監測數據，若確定第一視頻監測數據中存在目標異常行為，則切換至更高清晰度的第二分辨率獲取待監測托育區域的第二視頻監測數據，從而通過僅在檢測到異常行為時才提升視頻分辨率，避免了不必要的數據存儲資源浪費。