本发明涉及人工智能，尤其涉及一种基于深度学习的员工行为监测方法及系统。
背景技术：
1、随着社会的进步，信息技术的不断发展，企业之间的竞争越来越激烈。企业员工的工作安全状态对企业发展的影响越来越大，目前，企业已不再单纯从员工的出勤情况和工作时长上来对员工的工作状态进行评定，而是安排专人了解员工的工作安全状态，使用专人对员工的实时行为信息进行监控和评估来确定员工是否在正常安全的工作，上述技术存在以下问题：由于需要人工进行监控所以造成人力成本的极大损耗，同时人工评估存在严重的主观问题导致最终的员工行为评估结果与实际不符，降低了实用性。
技术实现思路
1、针对上述所显示出来的问题，本发明提供了一种基于深度学习的员工行为监测方法及系统用以解决背景技术提到的由于需要人工进行监控所以造成人力成本的极大损耗，同时人工评估存在严重的主观问题导致最终的员工行为评估结果与实际不符，降低了实用性问题。
2、一种基于深度学习的员工行为监测方法，包括以下步骤：
3、通过监控设备对目标员工进行实时行为信息采集，得到当前行为信息视频流；
4、获取并根据若干个历史员工的历史行为信息视频流构建员工行为监测模型；
5、基于所述当前行为信息视频流，通过所述员工行为监测模型进行监测，得到对目标员工的行为监测结果；
6、对所述行为监测结果进行分析，当分析结果为目标员工行为异常时进行报警。
7、优选的，通过监控设备对目标员工进行实时行为信息采集，得到当前行为信息视频流，包括：
8、检测所述监控设备是否能够按照目标需求覆盖目标员工的工作区域，若不能，则对所述监控设备进行调整，以使其能够按照目标需求覆盖目标员工的工作区域。
9、对所述目标员工进行行为视频采集，得到原始行为信息视频流。
10、对所述原始行为信息视频流进行分帧处理，并提取与行为信息相关的预设数目帧的原始连续图像；
11、对所述预设数目帧的原始连续图像分别进行第一预处理，并根据预设数目帧的第一预处理后的连续图像生成所述当前行为信息视频流。
12、优选的，检测所述监控设备是否能够按照目标需求覆盖目标员工的工作区域，若不能，则对所述监控设备进行调整，以使其能够按照目标需求覆盖目标员工的工作区域，包括：
13、根据所述目标员工的工作职责、工作范围及工作环境分析目标员工的工作区域；
14、确定所述监控设备安装在目标位置，且能够捕获所述目标员工的工作区域；
15、基于所述目标需求，通过监控软件对所述监控设备进行不同角度和位置的监控模拟测试，得到模拟测试结果；
16、根据所述模拟测试结果，确定所述监控设备的调整位置和角度，以根据所述调整位置和角度对所述监控设备进行自动化调整，使其能够按照目标需求覆盖所述目标员工的工作区域。
17、优选的，对所述预设数目帧的原始连续图像分别进行第一预处理，并根据预设数目帧的第一预处理后的连续图像生成所述当前行为信息视频流，包括：
18、获取模型输入要求，以根据所述输入要求对预设数目帧的原始连续图像的每一帧分别进行尺寸调整；得到预设数目帧的尺寸调整后的连续图像；
19、对所述预设数目帧的尺寸调整后的连续图像分别进行颜色格式的转换，得到预设数目帧的颜色格式转换后的连续图像；
20、对所述预设数目帧的颜色格式转换后的连续图像进行图像数据增强处理，得到预设数目帧的图像增强后的连续图像，并确定为预设数目帧的第一预处理后的连续图像；
21、按照时间关系对所述预设数目帧的预处理后的连续图像进行视频合成，得到所述当前行为信息视频流。
22、优选的，获取并根据若干个历史员工的历史行为信息视频流构建员工行为监测模型，包括：
23、从已存储的监控记录中获取若干个历史员工的历史行为信息视频流；
24、对若干个历史员工的历史行为信息视频流进行第二预处理，得到第二预处理后的历史行为信息视频流；
25、对所述第二预处理后的历史行为信息视频流进行运行轨迹及姿态特征信息提取，得到若干个历史员工分别对应的行为特征信息；
26、对所述若干个历史员工的历史行为信息视频流进行标注，得到若干个标注信息；
27、根据监控任务需求选择原始深度学习模型，并通过若干个历史员工分别对应的行为特征信息及若干个标注信息对所述原始深度学习模型进行训练，得到所述员工行为监测模型。
28、优选的，对所述第二预处理后的历史行为信息视频流进行运行轨迹及姿态特征信息提取，得到若干个历史员工分别对应的行为特征信息，包括：
29、通过光流法或卡尔曼滤波器对所述第二预处理后的历史行为信息视频流进行运动跟踪，得到运动跟踪结果；
30、根据所述运动跟踪结果确定所述第二预处理后的历史行为信息视频流中的每一帧的历史员工的位置坐标，并将每一帧的历史员工的位置坐标进行连接，得到行为轨迹线信息；
31、通过目标检测算法对所述第二预处理后的历史行为信息流中的每一帧进行检测，得到历史员工的位置和尺寸信息；
32、根据所述历史员工的位置和尺寸信息确定所述历史员工的姿态信息；
33、对所述行为轨迹线信息和姿态信息进行结合，得到若干个历史员工分别对应的行为特征信息。
34、优选的，对所述行为监测结果进行分析，当分析结果异常时进行报警，包括：
35、设置三级报警决策，其中所述三级报警决策包括：不进行报警、将报警信息发送至目标员工及将报警信息发送至管理者；
36、对所述行为监测结果进行分析，得到所述分析结果；
37、判断所述分析结果是否具有报警信息，当具有报警信息时，确定所述报警信息执行的报警决策；
38、根据所述报警决策，将所述报警信息发送至所述目标员工或管理者；
39、当所述目标员工或管理者接收到所述报警信息时，确定所述报警信息是否解释合理，并记录结果。
40、在一个实施例中，若不能对目标员工的某些和异常行为相似的正常行为进行准确识别而对其进行报警，会对公司和员工来说都会来的较大的负面影响。因此为了避免上述情况的发生，所述对所述行为监测结果进行分析，当分析结果为目标员工行为异常时进行报警，可具体实施为：
41、首先，对所述行为监测结果进行分析，当初步分析结果为目标员工行为异常时，按照如下步骤一至三对目标员工是否是异常行为进行最终判定：
42、步骤一：设目标员工异常行为的当前行为判定区域面积为s（如图5所示，监控画面10中的黑色区域是目标员工的正常工作区域，如果目标员工处于虚线区域了，那么虚线区域就是当前行为判定区域），历史真实的员工异常行为数据共有n个，其第i个真实的员工异常行为的判定区域面积为si，则该当前行为判定区域面积s的可信度为：
43、
44、其中，表示取1和的最小值，i为大于等于1且小于等于n的整数；
45、步骤二：设目标员工的当前被初步识别为员工异常行为的持续时间为t，历史第i个真实的员工异常行为的持续时间为ti，则该当前被初步识别为员工异常行为的持续时间t的持续时间可信度为：
46、
47、其中，表示取1和的最小值，i为大于等于1且小于等于n的整数；
48、步骤三：根据步骤一和步骤二的计算结果，计算初步分析结果为目标员工行为异常是真实异常行为的可信度p，其计算公式如下：
49、
50、其中，当p大于0.8时，表明该被初步识别为员工异常行为是真实异常行为，进行告警，否则为非真实异常行为，禁止告警。
51、本算法根据初步识别为员工异常行为的持续时间特征和行为面积特征和历史真实的相关异常行为进行比较计算，从而对初步识别为员工异常行为是否为真实异常行为进行准确判定，避免出现错误判定告警的发生。
52、一种基于深度学习的员工行为监测系统，该系统包括：
53、采集模块，用于通过监控设备对目标员工进行实时行为信息采集，得到当前行为信息视频流；
54、构建模块，用于获取并根据若干个历史员工的历史行为信息视频流构建员工行为监测模型；
55、监测模块，用于基于所述当前行为信息视频流，通过所述员工行为监测模型进行监测，得到行为监测结果；
56、报警模块，用于对所述行为监测结果进行分析，当分析结果异常时进行报警。
57、通过上述技术手段，本发明取得如下有益效果：
58、通过构建员工行为监测模型可以基于标准的行为准则来利用模型客观地对每个员工进行行为是否安全的监测，保证了监测结果的可靠性和客观性以及与实际行为的吻合性，提高了实用性。
59、通过对监控设备进行调整可以全面完整地实现对于员工的区域监测，提高了监测效率和监测稳定性，进一步地，通过对原始行为信息视频流进行分帧处理然后提取行为相关帧来生成信息视频流可以去除无关紧要的视频流，保留具有参考意义的行为视频流，保证了参考样本的高质量性。
60、通过对原始连续图像进行多重处理既保证了原始连续图像的图像质量同时还保证了其清晰度，在进行视频合成时可以更加顺畅，保证了兼容性和合成效率。
61、本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
62、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
1.一种基于深度学习的员工行为监测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述基于深度学习的员工行为监测方法，其特征在于，通过监控设备对目标员工进行实时行为信息采集，得到当前行为信息视频流，包括：
3.根据权利要求2所述基于深度学习的员工行为监测方法，其特征在于，检测所述监控设备是否能够按照目标需求覆盖目标员工的工作区域，若不能，则对所述监控设备进行调整，以使其能够按照目标需求覆盖目标员工的工作区域，包括：
4.根据权利要求2所述基于深度学习的员工行为监测方法，其特征在于，对所述预设数目帧的原始连续图像分别进行第一预处理，并根据预设数目帧的第一预处理后的连续图像生成所述当前行为信息视频流，包括：
5.根据权利要求1所述基于深度学习的员工行为监测方法，其特征在于，获取并根据若干个历史员工的历史行为信息视频流构建员工行为监测模型，包括：
6.根据权利要求5所述基于深度学习的员工行为监测方法，其特征在于，对所述第二预处理后的历史行为信息视频流进行运行轨迹及姿态特征信息提取，得到若干个历史员工分别对应的行为特征信息，包括：
7.根据权利要求1所述基于深度学习的员工行为监测方法，其特征在于，对所述行为监测结果进行分析，当分析结果异常时进行报警，包括：
8.一种基于深度学习的员工行为监测系统，其特征在于，该系统包括：
9.根据权利要求8所述的员工行为监测系统，其特征在于，
10.根据权利要求9所述员工行为监测系统，其特征在于，
