数据中心人员异常行为识别方法及装置与流程

1.本发明涉及数据中心安全技术领域，具体而言，涉及一种数据中心人员异常行为识别方法及装置。


背景技术：

2.数据中心安全问题至关重要，数据中心中的人员的异常行为将对园区生产及数据安全产生重大影响，实时监控园区内人员的异常行为可以有效保障园区安全及数据生产安全。在现有行为监控多为人工监控，人工监控浪费人力资源且容易出现错误判断。由此可见，现有技术缺少一种更为准确的对数据中心中的人员的异常行为进行检测识别的方案。


技术实现要素：

3.本发明为了解决上述背景技术中的至少一个技术问题，提出了一种数据中心人员异常行为识别方法及装置。
4.为了实现上述目的，根据本发明的一个方面，提供了一种数据中心人员异常行为识别方法，该方法包括：
5.获取通过每个场景中各自设置的毫米波雷达采集的每个所述场景各自对应的人员行为信息；
6.将时域的所述人员行为信息转化为时域-频域信息，得到每个所述场景各自对应的时频域人员行为信息；
7.根据所述时频域人员行为信息以及预设的异常行为识别模型，得到异常行为识别结果。
8.可选的，所述异常行为识别模型包括：行为人数规模识别模型、单人异常行为识别模型以及多人异常行为识别模型；
9.所述根据所述时频域人员行为信息以及预设的异常行为识别模型，得到异常行为识别结果，具体包括：
10.将所述时频域人员行为信息输入到所述行为人数规模识别模型中，得到所述行为人数规模识别模型输出的每个所述时频域人员行为信息各自对应的行为人数规模类型，其中，所述行为人数规模类型包括：单人行为和多人行为；
11.将行为人数规模类型为单人行为的时频域人员行为信息输入到所述单人异常行为识别模型中，以及将行为人数规模类型为多人行为的时频域人员行为信息输入到所述多人异常行为识别模型中，得到异常行为识别结果。
12.可选的，所述异常行为识别结果包含：每个存在异常行为的场景各自对应的异常行为类型。
13.可选的，所述数据中心人员异常行为识别方法，还包括：
14.获取预设的白名单信息，其中，所述白名单信息中包含每种异常行为类型各自对应的非异常判定条件，所述非异常判定条件包括：时间条件和/或地点条件；
15.根据所述白名单信息对所述异常行为识别结果进行筛选，得到最终的异常行为识别结果。
16.可选的，根据所述白名单信息对所述异常行为识别结果进行筛选，得到最终的异常行为识别结果，具体包括：
17.根据每个存在异常行为的场景各自对应的异常行为类型确定每个存在异常行为的场景各自对应的非异常判定条件；
18.将满足对应的非异常判定条件的所述存在异常行为的场景确定为正常场景；
19.将所述异常行为识别结果中的所述正常场景对应的数据记录删除，得到所述最终的异常行为识别结果。
20.可选的，所述将时域的所述人员行为信息转化为时域-频域信息，具体包括：
21.通过快速傅里叶变换将时域的所述人员行为信息转化为时域-频域信息。
22.可选的，所述将时域的所述人员行为信息转化为时域-频域信息，具体包括：
23.通过小波变换将时域的所述人员行为信息转化为时域-频域信息。
24.为了实现上述目的，根据本发明的另一方面，提供了一种数据中心人员异常行为识别装置，该装置包括：
25.人员行为信息获取单元，用于获取通过每个场景中各自设置的毫米波雷达采集的每个所述场景各自对应的人员行为信息；
26.时频域人员行为信息生成单元，用于将时域的所述人员行为信息转化为时域-频域信息，得到每个所述场景各自对应的时频域人员行为信息；
27.异常行为识别单元，用于根据所述时频域人员行为信息以及预设的异常行为识别模型，得到异常行为识别结果。
28.为了实现上述目的，根据本发明的另一方面，还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述数据中心人员异常行为识别方法的步骤。
29.为了实现上述目的，根据本发明的另一方面，还提供了一种计算机可读存储介质，其上存储有计算机程序/指令，该计算机程序/指令被处理器执行时实现上述数据中心人员异常行为识别方法的步骤。
30.为了实现上述目的，根据本发明的另一方面，还提供了一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现上述数据中心人员异常行为识别方法的步骤。
31.本发明的有益效果为：
32.本发明实施例通过获取通过每个场景中各自设置的毫米波雷达采集的每个所述场景各自对应的人员行为信息，然后将时域的所述人员行为信息转化为时域-频域信息，得到每个所述场景各自对应的时频域人员行为信息，最后根据所述时频域人员行为信息以及预设的异常行为识别模型，得到异常行为识别结果。本发明通过毫米波雷达采集人员的行为信息，将传统图片三维信息降低为一维雷达信号，降低了后续数据处理的难度，且毫米波雷达采集的是动态行为信息，数据表现更丰富，利于机器学习算法进一步分析，由此实现了准确、快捷的对数据中心中的人员异常行为进行识别的有益效果。
附图说明
33.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
34.图1是本发明实施例数据中心人员异常行为识别方法的第一流程图；
35.图2是本发明实施例数据中心人员异常行为识别方法的第二流程图；
36.图3是本发明实施例数据中心人员异常行为识别方法的第三流程图；
37.图4是本发明实施例数据中心人员异常行为识别方法的第四流程图；
38.图5是本发明行为人数规模聚类的示意图；
39.图6是本发明针对单人行为和多人行为各自进行聚类的示意图；
40.图7是本发明实施例数据中心人员异常行为识别装置的结构框图；
41.图8是本发明实施例计算机设备示意图。
具体实施方式
42.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
43.本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
44.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
45.需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
46.需要说明的是，本技术技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
47.需要说明的是，本发明数据中心人员异常行为识别方法和装置可用于金融领域，也可用于除金融领域之外的任意领域，本发明数据中心人员异常行为识别方法和装置的应用领域不做限定。
48.本发明提供一种人员异常行为检测识别方案。实时检测数据中心人员在园区内多种异常行为，以降低数据泄漏风险，保障园区生产安全。
49.图1是本发明实施例数据中心人员异常行为识别方法的第一流程图，如图1所示，
在本发明一个实施例中，本发明的数据中心人员异常行为识别方法包括步骤s101至步骤s103。
50.步骤s101，获取通过每个场景中各自设置的毫米波雷达采集的每个所述场景各自对应的人员行为信息。
51.本发明预先在数据中心园区的各个场景中设置了对应的毫米波雷达，用于采集场景中人员的行为信息，本发明通过毫米波雷达采集人员行为信息，将传统图片三维信息降低为一维雷达信号，降低了后续数据处理的难度，且毫米波雷达采集的是动态行为信息，数据表现更丰富，利于机器学习算法进一步分析。
52.步骤s102，将时域的所述人员行为信息转化为时域-频域信息，得到每个所述场景各自对应的时频域人员行为信息。
53.在本发明一个实施例中，本发明可以通过快速傅里叶变换将时域的所述人员行为信息转化为时域-频域信息。
54.在本发明另一个实施例中，本发明可以通过小波变换将时域的所述人员行为信息转化为时域-频域信息。
55.在本发明另一个实施例中，本发明的时域-频域信息具体为横坐标为时域信息纵坐标为频域信息，当然，也可以为纵坐标为时域信息横坐标为频域信息。
56.步骤s103，根据所述时频域人员行为信息以及预设的异常行为识别模型，得到异常行为识别结果。
57.本发明预先采用聚类模型训练出异常行为识别模型，进而根据训练出的异常行为识别模型对各场景进行异常行为识别。具体的，本步骤可以将每个所述场景各自对应的时频域人员行为信息输入到训练出异常行为识别模型，得到异常行为识别结果。
58.在本发明一个实施例中，异常行为识别模型可以基于k-means聚类算法训练得出。
59.在本发明一个实施例中，所述异常行为识别结果包含：每个存在异常行为的场景各自对应的异常行为类型。
60.在本发明一个实施例中，异常行为类型可以包括：抽烟、打架、拍摄、打砸设备等。
61.在本发明一个实施例中，所述异常行为识别模型包括：行为人数规模识别模型、单人异常行为识别模型以及多人异常行为识别模型。
62.如图5和图6所示，本发明异常行为识别的思路是，先根据不同异常行为类型的参与人数的不同，将异常行为分为单人行为和多人行为，例如，抽烟为单人行为、打架为多人行为。本发明先通过训练出行为人数规模识别模型来根据场景的时频域人员行为信息，识别出场景中的异常行为属于单人行为还是多人行为。本发明针对单人行为还是多人行为训练出各自对应的异常行为识别模型，即单人异常行为识别模型以及多人异常行为识别模型。若场景中的异常行为属于单人行为，则通过单人异常行为识别模型来识别出具体的异常行为类型，同理若场景中的异常行为属于多人行为，则通过多人异常行为识别模型来识别出具体的异常行为类型，由此提高了异常行为识别的准确性。
63.如图2所示，在本发明一个实施例中，上述步骤s103的根据所述时频域人员行为信息以及预设的异常行为识别模型，得到异常行为识别结果，具体包括步骤s201和步骤s202。
64.步骤s201，将所述时频域人员行为信息输入到所述行为人数规模识别模型中，得到所述行为人数规模识别模型输出的每个所述时频域人员行为信息各自对应的行为人数
规模类型，其中，所述行为人数规模类型包括：单人行为和多人行为。
65.在本发明一个实施例中，所述行为人数规模识别模型具体通过训练样本对预设的机器学习模型进行训练得到的，训练样本具体为标注出行为人数规模类型的用于模型训练的时频域人员行为信息。
66.步骤s202，将行为人数规模类型为单人行为的时频域人员行为信息输入到所述单人异常行为识别模型中，以及将行为人数规模类型为多人行为的时频域人员行为信息输入到所述多人异常行为识别模型中，得到异常行为识别结果。
67.在本发明一个实施例中，所述单人异常行为识别模型具体通过训练样本对预设的机器学习模型进行训练得到的，训练样本具体为标注出单人参与的异常行为类型的用于模型训练的时频域人员行为信息。
68.在本发明一个实施例中，所述多人异常行为识别模型具体通过训练样本对预设的机器学习模型进行训练得到的，训练样本具体为标注出多人参与的异常行为类型的用于模型训练的时频域人员行为信息。
69.图3是本发明实施例数据中心人员异常行为识别方法的第三流程图，如图3所示，在本发明一个实施例中，本发明的数据中心人员异常行为识别方法包括步骤s301和步骤s302。
70.步骤s301，获取预设的白名单信息，其中，所述白名单信息中包含每种异常行为类型各自对应的非异常判定条件，所述非异常判定条件包括：时间条件和/或地点条件。
71.本发明考虑到，某些异常行为在特定的时间或地点是被允许的，可以认定为正常行为，因此设置的白名单信息，来对识别到的异常行为进行筛选。例如，在抽烟区域中抽烟为正常行为、在非关键区域进行拍照也属于正常行为。
72.步骤s302，根据所述白名单信息对所述异常行为识别结果进行筛选，得到最终的异常行为识别结果。
73.如图4所示，在本发明一个实施例中，上述步骤s302的根据所述白名单信息对所述异常行为识别结果进行筛选，得到最终的异常行为识别结果，具体包括步骤s401至步骤s403。
74.步骤s401，根据每个存在异常行为的场景各自对应的异常行为类型确定每个存在异常行为的场景各自对应的非异常判定条件。
75.步骤s402，将满足对应的非异常判定条件的所述存在异常行为的场景确定为正常场景。
76.在本发明中，在于对应的非异常判定条件进行对比时，会需要时间信息以及位置信息，本发明的时间信息具体为毫米波雷达采集场景中人员行为信息的时间，位置信息具体由场景来确定，每个场景有对应的位置信息。
77.步骤s403，将所述异常行为识别结果中的所述正常场景对应的数据记录删除，得到所述最终的异常行为识别结果。
78.在本发明一个实施例中，本发明的异常行为识别模型的训练流程如下：
79.1、调研数据中心园区内常见人员异常行为。
80.2、采集足量的各类异常行为及非异常因为样本，其中90％作为训练行为，10％作为测试行为。
81.3、利用2中的训练行为搭建训练模型，采用k-means聚类方法分类算法对训练行为进行分类，并用质心实时迭代的方法代替传统一次循环结束后更新聚类中心的方法。先根据行为人数对动作人数进行分类，如图1所示，再在相同人数下，对不同行为进行分类。
82.4、利用2中的测试集测试3中的模型。
83.5、模型投入使用后，随机抽取捕获的行为并随机替换同类行为，定期重新训练模型，保障模型的灵活度。
84.由以上实施例可见，本发明通过毫米波雷达在园区各个点位捕获人员实时姿态，通过快速傅里叶变换(fft)捕获其姿态的时域及频域信息，并使用聚类(k-means)算法对快速傅里叶变换后的数据进行分类，先根据行为人数对行为进行分类，在人数相同的行为下，在对不同行为进行聚类，同时质心实时迭代法对模型进行优化，并不断吸纳同一分类新的数据定期对分类模型进行训练，以实现人员异常行为的快速识别及判定，并及时对异常行为进行干预和通报。
85.本发明至少实现了以下有益效果：
86.1、本发明通过毫米波雷达采集人员行为信息，将传统图片三维信息降低为一维雷达信号，降低了后续数据处理的难度，且毫米波雷达采集的是动态行为信息，数据表现更丰富，利于机器学习算法进一步分析。
87.2、本发明采用快速傅里叶变换(fft)技术处理人员行为信息，缩减了原始人员行为数据的长度并解读了人员行为的频域变化。
88.3、本发明定期更新人员行为库并定期重复训练，提升了机器学习模型的灵活度。
89.4、本发明可监控数据中心人员异常行为，并实时推送，保障了数据中心的生产安全，降低了人力监控的成本。
90.需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
91.基于同一发明构思，本发明实施例还提供了一种数据中心人员异常行为识别装置，可以用于实现上述实施例所描述的数据中心人员异常行为识别方法，如下面的实施例所述。由于数据中心人员异常行为识别装置解决问题的原理与数据中心人员异常行为识别方法相似，因此数据中心人员异常行为识别装置的实施例可以参见数据中心人员异常行为识别方法的实施例，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
92.图7是本发明实施例数据中心人员异常行为识别装置的结构框图，如图7所示，在本发明一个实施例中，本发明的数据中心人员异常行为识别装置包括：
93.人员行为信息获取单元1，用于获取通过每个场景中各自设置的毫米波雷达采集的每个所述场景各自对应的人员行为信息；
94.时频域人员行为信息生成单元2，用于将时域的所述人员行为信息转化为时域-频域信息，得到每个所述场景各自对应的时频域人员行为信息；
95.异常行为识别单元3，用于根据所述时频域人员行为信息以及预设的异常行为识别模型，得到异常行为识别结果。
96.在本发明一个实施例中，所述异常行为识别模型包括：行为人数规模识别模型、单人异常行为识别模型以及多人异常行为识别模型；
97.在本发明一个实施例中，异常行为识别单元3，具体包括：
98.行为人数规模类型识别模块，用于将所述时频域人员行为信息输入到所述行为人数规模识别模型中，得到所述行为人数规模识别模型输出的每个所述时频域人员行为信息各自对应的行为人数规模类型，其中，所述行为人数规模类型包括：单人行为和多人行为；
99.识别结果确定模块，用于将行为人数规模类型为单人行为的时频域人员行为信息输入到所述单人异常行为识别模型中，以及将行为人数规模类型为多人行为的时频域人员行为信息输入到所述多人异常行为识别模型中，得到异常行为识别结果。
100.在本发明一个实施例中，所述异常行为识别结果包含：每个存在异常行为的场景各自对应的异常行为类型。
101.在本发明一个实施例中，所述数据中心人员异常行为识别装置，还包括：
102.白名单信息获取单元，用于获取预设的白名单信息，其中，所述白名单信息中包含每种异常行为类型各自对应的非异常判定条件，所述非异常判定条件包括：时间条件和/或地点条件；
103.异常行为识别结果筛选单元，用于根据所述白名单信息对所述异常行为识别结果进行筛选，得到最终的异常行为识别结果。
104.在本发明一个实施例中，异常行为识别结果筛选单元，具体包括：
105.对应非异常判定条件确定模块，用于根据每个存在异常行为的场景各自对应的异常行为类型确定每个存在异常行为的场景各自对应的非异常判定条件；
106.正常场景确定模块，用于将满足对应的非异常判定条件的所述存在异常行为的场景确定为正常场景；
107.结果筛选模块，用于将所述异常行为识别结果中的所述正常场景对应的数据记录删除，得到所述最终的异常行为识别结果。
108.在本发明一个实施例中，时频域人员行为信息生成单元2具体通过快速傅里叶变换将时域的所述人员行为信息转化为时域-频域信息。
109.在本发明另一个实施例中，时频域人员行为信息生成单元2具体通过小波变换将时域的所述人员行为信息转化为时域-频域信息。
110.为了实现上述目的，根据本技术的另一方面，还提供了一种计算机设备。如图8所示，该计算机设备包括存储器、处理器、通信接口以及通信总线，在存储器上存储有可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述实施例方法中的步骤。
111.处理器可以为中央处理器(central processing unit，cpu)。处理器还可以为其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
112.存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及单元，如本发明上述方法实施例中对应的程序单元。处理器通过
运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及作品数据处理，即实现上述方法实施例中的方法。
113.存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
114.所述一个或者多个单元存储在所述存储器中，当被所述处理器执行时，执行上述实施例中的方法。
115.上述计算机设备具体细节可以对应参阅上述实施例中对应的相关描述和效果进行理解，此处不再赘述。
116.为了实现上述目的，根据本技术的另一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序在计算机处理器中执行时实现上述数据中心人员异常行为识别方法中的步骤。本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)、随机存储记忆体(randomaccessmemory，ram)、快闪存储器(flash memory)、硬盘(hard disk drive，缩写：hdd)或固态硬盘(solid-state drive，ssd)等；所述存储介质还可以包括上述种类的存储器的组合。
117.为了实现上述目的，根据本技术的另一方面，还提供了一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现上述数据中心人员异常行为识别方法的步骤。
118.显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
119.以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种数据中心人员异常行为识别方法，其特征在于，包括：获取通过每个场景中各自设置的毫米波雷达采集的每个所述场景各自对应的人员行为信息；将时域的所述人员行为信息转化为时域-频域信息，得到每个所述场景各自对应的时频域人员行为信息；根据所述时频域人员行为信息以及预设的异常行为识别模型，得到异常行为识别结果。2.根据权利要求1所述的数据中心人员异常行为识别方法，其特征在于，所述异常行为识别模型包括：行为人数规模识别模型、单人异常行为识别模型以及多人异常行为识别模型；所述根据所述时频域人员行为信息以及预设的异常行为识别模型，得到异常行为识别结果，具体包括：将所述时频域人员行为信息输入到所述行为人数规模识别模型中，得到所述行为人数规模识别模型输出的每个所述时频域人员行为信息各自对应的行为人数规模类型，其中，所述行为人数规模类型包括：单人行为和多人行为；将行为人数规模类型为单人行为的时频域人员行为信息输入到所述单人异常行为识别模型中，以及将行为人数规模类型为多人行为的时频域人员行为信息输入到所述多人异常行为识别模型中，得到异常行为识别结果。3.根据权利要求1或2所述的数据中心人员异常行为识别方法，其特征在于，所述异常行为识别结果包含：每个存在异常行为的场景各自对应的异常行为类型。4.根据权利要求3所述的数据中心人员异常行为识别方法，其特征在于，还包括：获取预设的白名单信息，其中，所述白名单信息中包含每种异常行为类型各自对应的非异常判定条件，所述非异常判定条件包括：时间条件和/或地点条件；根据所述白名单信息对所述异常行为识别结果进行筛选，得到最终的异常行为识别结果。5.根据权利要求4所述的数据中心人员异常行为识别方法，其特征在于，根据所述白名单信息对所述异常行为识别结果进行筛选，得到最终的异常行为识别结果，具体包括：根据每个存在异常行为的场景各自对应的异常行为类型确定每个存在异常行为的场景各自对应的非异常判定条件；将满足对应的非异常判定条件的所述存在异常行为的场景确定为正常场景；将所述异常行为识别结果中的所述正常场景对应的数据记录删除，得到所述最终的异常行为识别结果。6.根据权利要求1所述的数据中心人员异常行为识别方法，其特征在于，所述将时域的所述人员行为信息转化为时域-频域信息，具体包括：通过快速傅里叶变换将时域的所述人员行为信息转化为时域-频域信息。7.根据权利要求1所述的数据中心人员异常行为识别方法，其特征在于，所述将时域的所述人员行为信息转化为时域-频域信息，具体包括：通过小波变换将时域的所述人员行为信息转化为时域-频域信息。8.一种数据中心人员异常行为识别装置，其特征在于，包括：
人员行为信息获取单元，用于获取通过每个场景中各自设置的毫米波雷达采集的每个所述场景各自对应的人员行为信息；时频域人员行为信息生成单元，用于将时域的所述人员行为信息转化为时域-频域信息，得到每个所述场景各自对应的时频域人员行为信息；异常行为识别单元，用于根据所述时频域人员行为信息以及预设的异常行为识别模型，得到异常行为识别结果。9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任意一项所述方法的步骤。10.一种计算机可读存储介质，其上存储有计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1至7任意一项所述方法的步骤。11.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1至7任意一项所述方法的步骤。

技术总结
本发明实施例公开了一种数据中心人员异常行为识别方法及装置，可用于金融领域或其他技术领域，该方法包括：获取通过每个场景中各自设置的毫米波雷达采集的每个所述场景各自对应的人员行为信息；将时域的所述人员行为信息转化为时域-频域信息，得到每个所述场景各自对应的时频域人员行为信息；根据所述时频域人员行为信息以及预设的异常行为识别模型，得到异常行为识别结果。本发明实现了准确、快捷的对数据中心中的人员异常行为进行识别的有益效果。益效果。益效果。


技术研发人员：刘钊 洪伟 胡继强 徐斌
受保护的技术使用者：中国工商银行股份有限公司
技术研发日：2023.05.08
技术公布日：2023/9/22