具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

如图1所示，本发明公开一种通过大数据进行智慧工地的安全行为分析方法，包括如下步骤：

通过图像采集模块进行建筑工地图像采集，同步在区块链节点进行图像筛选准备；建筑工地图像采集人体动态行为数据，对存在人体动态行为数据的图像进行抓取；抓取过程中，通过人体特征图像权值向量C_i＝M·F(ab·η)×(a+b)对建筑工地图像进行人员提取，通过相似度判别对工地人员数量进行估计，其中，M为工地人员的基础特征a的条件概率，F为工地人员特征集，b为工地人员行为特征，η为行为限定因子，其中F∈{helmet,bodyspeed,vest,article,antidirection}，对安全帽佩戴、行走速度、反光马甲、手持物品、违规逆行等行为进行特征收集；

形成预期估计关系式

其中，u_i表示工地人员行为结果；i表示发生行为的数量，该行为包括安全行为和危险行为；v_i表示工地人员危险行为发生的概率；L(u_i)是工地人员数量权重函数，其与危险行为发生的概率相关；Q(v_i)是工地人员危险行为增益函数，是对危险行为偏离参照点的总体评价，w_i建筑工地图像中初步筛选工地人员区域框架的条件概率值，β为工地人员行为校正参数；

工地人员数量权重函数代表建筑工地图像获取的工地人员数量的概率度量，通过预期估计关系的变化影响设计工地人员安全行为决策，

其中，S为安全行为期望，ΔP_i ^δ为建筑工地图像中提取安全行为图像的偏离值，δ为安全行为偏差校正值，上标W_i为安全行为拟合参数，上标Z_i为危险行为拟合参数，ε为危险行为偏差校正值，

建筑工地图像安全行为发生概率受到工人对工作环境判断评估以及其他工人安全行为习惯影响，所以通过危险行为偏差校正值进行行为目标实现的校正从而能够拟合更加准确的权重函数。

获取的区域框架图像，通过建筑工地图像划分为连续的窗口，每个窗口包含工地人员图像进行放大操作，计算建筑工地图像窗口对(N_k,N_k+1)里的颜色空间各通道的平均值；形成U∈(N_k,N_k+1)；

等比例放大权重函数为

其中，label(N_k)为建筑工地图像当前帧获取函数，label(N_k+1)为建筑工地图像下一帧获取函数，m大于1，μ为图像帧约束因子，ω₁为建筑工地图像当前帧调节参数，ω₂为建筑工地图像下一帧调节参数，

其中，q₁为安全行为偏好系数，q₂为危险行为偏好系数；

将当前建筑工地图像窗口对里获得工地人员累加数进行比较，当变化大于一个阈值T时，则放大建筑工地图像窗口对，否则，移动到下一个建筑工地图像窗口对，继续搜寻工地人员；

S1，通过建筑工地图像的等比例放大图中获取工地人员图像数据，构建空间直方图数组Q(I_j)为工地人员提取特征图像，I_j为放大的工地人员图像，通过三分法进行逐份提取，符号∪和[]均表示直方图合并，

对直方图数组H进行累积求和，形成增强图像；在增强图像的灰度级的直方图基础上提取直方图数组中的纹理特征，

H_feature＝125[f(I_X/X_n)-f(I_Y/Y_n)]·116[f(I_X/X_n)+f(I_Y/Y_n)]

统计增强图像纹理特征的灰度级，设置X_n为35.879，Y_n为113.245，通过计算X轴的通道图像函数f(I_X/X_n)从而对X轴纹理进行刻画，以及计算Y轴的通道图像函数f(I_Y/Y_n)从而对Y轴纹理进行刻画；

S2，对纹理刻画完成的工地人员图像转化成灰度图Grey，公式如下：

对RGB进行行为监测模型定义为：

E_i,j(σ₁,θ)表示给定(σ₁,θ)对的工地人员安全行为窗口内的行为数量i和灰度级j的获取值，其中；σ₁为获取安全行为像素点的调整距离值，F_i,j(σ₂,θ)表示给定(σ₂,θ)对的工地人员危险行为窗口内的行为数量i和灰度级j的获取值，其中；σ₁为获取危险行为像素点的调整距离值，为了提高运算效率，将灰度级进行降级处理；距离调整值根据灰度级清晰度进行等分跳转；θ选取0度、90度、180度、270度；

S3，建立行为限制函数D_i逐渐提取安全行为和危险行为，

k_i为安全行为图像帧特征集合，p_i+1为危险行为下一图像帧特征集合，通过工地人员安全行为探测指数Φ_i分别与X轴灰度特征点L_x和Y轴灰度特征点M_y相乘之后通过工地人员特征集F进行比较，获取安全行为的时间向量t₁与安全行为特征因子u₁求得安全行为卷积向量的平方，以及危险行为的时间向量t₂与危险行为特征因子u₂求得安全行为卷积向量的平方，其中O_t表示工地人员行为的密度均值，

S4，经过安全行为识别过程中，对于建筑工地安全行为图像的特征集F进行聚类，初步筛选之后，对于不同的工地人员特征集合C的图像数据进行模型判断；提取特定特征图像的属性值，构造纹理信息，

头盔属性值其中ψ_i为某一时刻工地人员安全帽佩戴行为属性值，为安全行为中佩戴安全帽控制因子，为危险行为中未佩戴安全帽控制因子，

行走速度属性值其中r_i为某一时刻工地人员行走速度行为属性值，为安全行为中正常行走速度控制因子，为危险行为中非正常行走速度控制因子，

反光马甲属性值其中γ_i为某一时刻工地人员穿着反光马甲行为属性值，为安全行为中穿着反光马甲控制因子，为危险行为中未穿着反光马甲控制因子，

手持物品属性值其中η_i为某一时刻工地人员手持物品行为属性值，为安全行为中手持物品控制因子，为危险行为中未手持物品控制因子，由于工地人员手持物品长度和宽度影响，也要考虑相应的活动半径，如果是手持砖块，则其他工地人员的活动半径相对较大，如果是肩挑钢筋，则其他工地人员的活动半径相对较小，而且通过该属性值判断的行为控制因子收敛快速，防止危险行为发生；

违规逆行属性值其中为某一时刻工地人员违规逆行行为属性值，为安全行为中未违规逆行控制因子，为危险行为中违规逆行控制因子，

由于不同的建筑工地现场情况不同，通过调整不同的属性值，适应不同的工地行为识别，例如有些工地不需要穿着发光马甲，有些工地并没有安全行走导引线所以不存在违规逆行；根据实际情况调节实际产生的属性值；

S5，对头盔属性值、行走速度属性值、反光马甲属性值、手持物品属性值和违规逆行属性值进行纹理特征提取后，通过相应的控制因子进行筛选，

在最优获取工地人员安全行为图像距离属性中

通过工地人员安全行为权重向量J和安全行为向量转置J^T与安全行为提取样本u_i相乘后的卷积计算获得安全行为图像的距离属性，通过工地人员危险行为权重向量K和危险行为向量转置K^T与危险行为提取样本c_i相乘后的卷积计算获得危险行为图像的距离属性，

由于S4中已经对相应行为属性进行了判断，通过S5步骤对行为进行属性判断，该距离属性用于判断安全行为图像的临界值，也就是说相应的图片属性能否达到安全行为判定的程度，所以称为距离属性；

最优化安全行为收敛函数

和最优化危险行为收敛函数

S6，通过安全行为估计值进行评判

其中，τ为结果控制算子；

如果高于安全行为估计值则列为安全行为，如果低于安全行为估计值则列为危险行为，同时将安全行为估计值实时同步在区块链节点。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。