本发明属于数据处理，具体涉及一种基于人工智能的远程自动化监控方法。
背景技术：
1、物流园是指在物流作业集中的地区，在几种运输方式衔接地，将多种物流设施和不同类型的物流企业在空间上集中布局的场所，也是一个有一定规模的和具有多种服务功能的物流企业的集结点。故对进入园区的人员筛选至关重要，部分园区安全事件的发生都是由于外部人员的混入而引起的，而目前的园区治安管理主要还是依靠人为执勤巡检来实现的，依然存在较大的监管漏洞和缺陷。
技术实现思路
1、本发明为了解决以上问题，提出了一种基于人工智能的远程自动化监控方法。
2、本发明的技术方案是：一种基于人工智能的远程自动化监控方法包括以下步骤：
3、s1、采集场景图像数据，并确定场景图像数据的场景矩阵；
4、s2、根据场景图像数据的场景矩阵，对场景图像数据进行更新，生成人脸图像数据；
5、s3、将人脸图像数据与数据库进行比对，确定监控结果。
6、进一步地，s1包括以下子步骤：
7、s11、采集场景图像数据，利用场景训练模型对场景图像数据进行训练，得到若干个场景训练值；
8、s12、为场景图像数据生成场景训练函数；
9、s13、利用场景训练函数和若干个场景训练值，生成场景矩阵。
10、上述进一步方案的有益效果是：在本发明中，场景图像数据中包含采集区域的场景区域，也包含人脸区域，所以本发明在进行人脸比对前，需要先将场景区域所处像素点剔除，只将人脸图像数据与数据库进行比对，从而提高比对效率。在生成人脸图像数据之前，本发明先为场景图像数据的每一行像素点构建场景训练模型，还为所有列的像素点生成场景训练函数，最后利用代表行特征的场景训练值和代表列特征的场景训练函数，为场景图像数据生成一个场景矩阵，利用场景矩阵进行图像更新，可以保证整个场景图像数据的所有像素点都被更新到。
11、进一步地，s11包括以下子步骤：
12、s111、采集场景图像数据；
13、s112、为场景图像数据的每一行构建场景训练模型，得到每一行的初始场景训练值；
14、s113、剔除所有初始场景训练值中的非正数，得到若干个场景训练值。
15、进一步地，s112中，场景图像数据中第i行的场景训练模型ti的表达式为：；式中，σi表示第i行的场景训练模型的学习率，ti-1表示场景图像数据中第i-1行的场景训练模型，xg表示场景图像数据中第i行中第g个像素点的像素值，t1表示场景图像数据中第1行的场景训练模型，g表示场景图像数据中第i行的像素点数量，max(·)表示最大值函数。
16、进一步地，s12中，场景训练函数q的表达式为：；式中，k表示场景图像数据的列数，n表示场景图像数据中每一列的像素点数量，xk_n表示场景图像数据中第k列中第n个像素点的像素值，xk+1_n表示场景图像数据中第k+1列中第n个像素点的像素值，xk-1_n表示场景图像数据中第k-1列中第n个像素点的像素值。
17、进一步地，s13中，场景矩阵的表达式为：：式中，q表示场景训练函数，t1表示第1个场景训练值，tm表示第m个场景训练值，tm表示第m个场景训练值，m表示场景训练值的数量。
18、进一步地，s2包括以下子步骤：
19、s21、提取场景矩阵的若干个特征值；
20、s22、将场景图像数据中所有像素值的均值作为波动标准系数；
21、s23、根据波动标准系数以及场景矩阵的若干个特征值，确定场景图像数据中各个像素点的波动系数；
22、s24、将场景图像数据中非负波动系数对应的像素点作为人脸图像数据。
23、上述进一步方案的有益效果是：在本发明中，对场景图像数据的整体像素进行筛选，得到每个像素点的波动系数，将波动系数为0或正数的像素点所在位置作为人脸图像区域，方便s3与数据库进行比对。
24、进一步地，s23中，场景图像数据中第i个像素点的波动系数fi的计算公式为：；式中，u表示场景矩阵的特征值数量，zu表示场景矩阵的第u个特征值，sign(·)表示符号函数，xi表示场景图像数据中第i个像素点的像素值，c表示常数。
25、若zu·xi＞0，则sign(zu·xi)=1；若zu·xi＜0，则sign(zu·xi)=-1；若zu·xi=0，则sign(zu·xi)=0。
26、本发明的有益效果是：本发明公开了一种基于人工智能的远程自动化监控方法，对园区所处位置进行场景图像数据采集，并对场景图像数据的行和列进行不同形式的处理，提取出表征行和列像素点特征的场景矩阵；利用场景矩阵来生成人脸图像数据，利用人脸图像数据完成最终的数据库比对，确定是否存在无关人员进入园区，以上过程可以尽可能地缩短算法流程，减少人员比对时间，精准识别无关人员，保证园区安全正常运行。
1.一种基于人工智能的远程自动化监控方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于人工智能的远程自动化监控方法，其特征在于，所述s1包括以下子步骤：
3.根据权利要求2所述的基于人工智能的远程自动化监控方法，其特征在于，所述s11包括以下子步骤：
4.根据权利要求3所述的基于人工智能的远程自动化监控方法，其特征在于，所述s112中，场景图像数据中第i行的场景训练模型ti的表达式为：；式中，σi表示第i行的场景训练模型的学习率，ti-1表示场景图像数据中第i-1行的场景训练模型，xg表示场景图像数据中第i行中第g个像素点的像素值，t1表示场景图像数据中第1行的场景训练模型，g表示场景图像数据中第i行的像素点数量，max(·)表示最大值函数。
5.根据权利要求2所述的基于人工智能的远程自动化监控方法，其特征在于，所述s12中，场景训练函数q的表达式为：；式中，k表示场景图像数据的列数，n表示场景图像数据中每一列的像素点数量，xk_n表示场景图像数据中第k列中第n个像素点的像素值，xk+1_n表示场景图像数据中第k+1列中第n个像素点的像素值，xk-1_n表示场景图像数据中第k-1列中第n个像素点的像素值。
6.根据权利要求2所述的基于人工智能的远程自动化监控方法，其特征在于，所述s13中，场景矩阵的表达式为：：式中，q表示场景训练函数，t1表示第1个场景训练值，tm表示第m个场景训练值，tm表示第m个场景训练值，m表示场景训练值的数量。
7.根据权利要求1所述的基于人工智能的远程自动化监控方法，其特征在于，所述s2包括以下子步骤：
8.根据权利要求7所述的基于人工智能的远程自动化监控方法，其特征在于，所述s23中，场景图像数据中第i个像素点的波动系数fi的计算公式为：；式中，u表示场景矩阵的特征值数量，zu表示场景矩阵的第u个特征值，sign(·)表示符号函数，xi表示场景图像数据中第i个像素点的像素值，c表示常数。
