针对肢体冲突行为的告警方法、装置、存储介质及服务器与流程

本发明涉及视频信息处理技术领域，尤其涉及针对肢体冲突行为的告警方法、装置、存储介质及服务器。

背景技术：

随着车载行业向着数字化和智能化方向的迈进，以及行车中存在一些类似殴打司机等肢体冲突事件，人们渴望能有一套可以对与司机相关的肢体冲突行为进行实时监控和报警的装置，以便社会向着更加和谐安全的方向发展，减少司机出行忧虑、财产忧虑和生命威胁。

目前市面上针对司机肢体冲突的报警处理没有完善的管理机制，通常是对殴打司机的行为人做出推挡或者电击，这种方法容易对一些因自身身体原因不能承受大力推挡及电击的行为人造成严重的身体伤害，甚至有生命威胁，使得这种方法不适用于社会的推广和应用。

可见，如何在针对司机发生肢体冲突的情况下实现安全有效的及时告警成为本领域技术人员亟需解决的问题。

技术实现要素：

本发明实施例提供了一种针对肢体冲突行为的告警方法、装置、存储介质及服务器，能够实现肢体冲突行为的自动识别判断并发出告警信息，无需司机主动做出任何动作，减少司机出行忧虑、财产忧虑和生命威胁；同时，无需对行为人实施过渡行为以免造成伤害，适于全社会的推广和应用。

第一方面，提供了一种针对肢体冲突行为的告警方法，包括：

实时采集车辆上司机所处位置的视频图像，所述视频图像包括司机上半身的场景实况；

将所述视频图像转换成指定数据格式；

将转换格式后的所述视频图像作为输入投入至预训练完成的卷积神经网络，得到所述卷积神经网络的输出结果，所述输出结果为存在肢体冲突行为或者不存在肢体冲突行为；

若所述输出结果为存在肢体冲突行为，则发出告警信息。

可选地，所述卷积神经网络通过以下步骤预先训练得到：

预先收集训练组样本，所述训练组样本包括用于训练的多个第一视频图像；

预先标记所述训练组样本中各个第一视频图像对应的标准识别结果，所述标准识别结果包括表征肢体冲突行为程度的冲突数值，其中，当冲突数值为最小值时，代表所述标准识别结果为不存在肢体冲突行为；

将所述第一视频图像转换成指定数据格式；

将转换格式后的所述第一视频图像作为输入投入至卷积神经网络，得到所述卷积神经网络的训练输出结果；

将所述训练输出结果作为目标，调整所述卷积神经网络的隐层参数，以最小化得到的所述训练输出结果与所述训练组样本对应的标准识别结果之间的误差；

若所述误差满足预设条件，则确定所述卷积神经网络训练完成。

可选地，还包括：

预先收集测试组样本，所述测试组样本包括用于测试的多个第二视频图像；

预先标记所述测试组样本中各个第二视频图像对应的标准识别结果；

在确定所述卷积神经网络训练完成之前，所述针对肢体冲突行为的告警方法还包括：

将所述第二视频图像转换成指定数据格式；

将转换格式后的所述第二视频图像作为输入投入至所述卷积神经网络，得到所述卷积神经网络的测试输出结果；

计算所述测试输出结果与所述测试组样本对应的标准识别结果之间的测试误差；

若所述测试误差大于或等于预设的误差阈值，则确定所述卷积神经网络未训练完成，开始下一次训练；

若所述测试误差小于预设的误差阈值，则执行所述确定所述卷积神经网络训练完成的步骤。

可选地，所述发出告警信息包括：

判断所述输出结果的冲突数值是否超过预设的冲突阈值；

若所述输出结果的冲突数值超过预设的冲突阈值，则向公安执法部门报警；

若所述输出结果的冲突数值未超过预设的冲突阈值，则向所述车辆现场发出警告信息。

可选地，所述发出告警信息包括：

获取所述车辆的实时定位信息；

将预设的报警信息、所述实时定位信息和实时采集的所述视频图像发送至指定的告警终端。

第二方面，提供了一种针对肢体冲突行为的告警装置，包括：

视频图像采集模块，用于实时采集车辆上司机所处位置的视频图像，所述视频图像包括司机上半身的场景实况；

格式转换模块，用于将所述视频图像转换成指定数据格式；

神经网络模块，用于将转换格式后的所述视频图像作为输入投入至预训练完成的卷积神经网络，得到所述卷积神经网络的输出结果，所述输出结果为存在肢体冲突行为或者不存在肢体冲突行为；

告警模块，用于若所述输出结果为存在肢体冲突行为，则发出告警信息。

可选地，所述卷积神经网络通过以下模块预先训练得到：

训练样本收集模块，用于预先收集训练组样本，所述训练组样本包括用于训练的多个第一视频图像；

训练样本标记模块，用于预先标记所述训练组样本中各个第一视频图像对应的标准识别结果，所述标准识别结果包括表征肢体冲突行为程度的冲突数值，其中，当冲突数值为最小值时，代表所述标准识别结果为不存在肢体冲突行为；

第一格式转换模块，用于将所述第一视频图像转换成指定数据格式；

网络训练模块，用于将转换格式后的所述第一视频图像作为输入投入至卷积神经网络，得到所述卷积神经网络的训练输出结果；

参数调整模块，用于将所述训练输出结果作为目标，调整所述卷积神经网络的隐层参数，以最小化得到的所述训练输出结果与所述训练组样本对应的标准识别结果之间的误差；

训练完成模块，用于若所述误差满足预设条件，则确定所述卷积神经网络训练完成。

可选地，还包括：

测试样本收集模块，用于预先收集测试组样本，所述测试组样本包括用于测试的多个第二视频图像；

测试样本标记模块，用于预先标记所述测试组样本中各个第二视频图像对应的标准识别结果；

在所述训练完成模块确定所述卷积神经网络训练完成之前，还触发以下模块：

第二格式转换模块，用于将所述第二视频图像转换成指定数据格式；

网络测试模块，用于将转换格式后的所述第二视频图像作为输入投入至所述卷积神经网络，得到所述卷积神经网络的测试输出结果；

测试误差计算模块，用于计算所述测试输出结果与所述测试组样本对应的标准识别结果之间的测试误差；

再次训练模块，用于若所述测试误差大于或等于预设的误差阈值，则确定所述卷积神经网络未训练完成，开始下一次训练；

训练完成确定模块，用于若所述测试误差小于预设的误差阈值，则触发所述训练完成模块确定所述卷积神经网络训练完成。

第三方面，提供了一种针对肢体冲突行为的告警服务器，包括存储器、处理器以及存储在所述存储器中并可在所述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的针对肢体冲突行为的告警方法的步骤。

第四方面，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，所述计算机程序被处理器执行时实现上述的针对肢体冲突行为的告警方法的步骤。

从以上技术方案可以看出，本发明实施例具有以下优点：

本发明实施例中，首先，实时采集车辆上司机所处位置的视频图像，所述视频图像包括司机上半身的场景实况；然后，将所述视频图像转换成指定数据格式；接着，将转换格式后的所述视频图像作为输入投入至预训练完成的卷积神经网络，得到所述卷积神经网络的输出结果，所述输出结果为存在肢体冲突行为或者不存在肢体冲突行为；若所述输出结果为存在肢体冲突行为，则发出告警信息。在本发明实施例中，当发生针对司机的肢体冲突时，通过采集车辆上司机所处位置的视频图像，获取司机上半身的场景实况，将这些视频图像投入到卷积神经网络中进行识别，实现肢体冲突行为的自动识别判断并发出告警信息，无需司机主动做出任何动作，减少司机出行忧虑、财产忧虑和生命威胁；同时，无需对行为人实施过渡行为以免造成伤害，适于全社会的推广和应用。

附图说明

为了更清楚地说明本发明实施例中的技术方案，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，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例中一种针对肢体冲突行为的告警方法一个实施例流程图；

图2为本发明实施例中一种针对肢体冲突行为的告警方法在一个应用场景下预先训练卷积神经网络的流程示意图；

图3为本发明实施例中一种针对肢体冲突行为的告警方法在一个应用场景下测试卷积神经网络的流程示意图；

图4为本发明实施例中一种针对肢体冲突行为的告警方法在标记冲突数值的应用场景下发送告警信息的流程示意图；

图5为本发明实施例中一种针对肢体冲突行为的告警装置一个实施例结构图；

图6为本发明一实施例提供的针对肢体冲突行为的告警服务器的示意图。

具体实施方式

本发明实施例提供了一种针对肢体冲突行为的告警方法、装置、存储介质及服务器，用于解决如何在针对司机发生肢体冲突的情况下实现安全有效的及时告警的问题。

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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它实施例，都属于本发明保护的范围。

请参阅图1，本发明实施例中一种针对肢体冲突行为的告警方法一个实施例包括：

101、实时采集车辆上司机所处位置的视频图像，所述视频图像包括司机上半身的场景实况；

在本实施例中，可以在车辆上司机所处位置的前方或者侧面方向安装摄像头，摄像头对准司机位置进行视频拍摄，可以实时采集到司机上半身的场景实况的视频流信息，对这些视频流信息进行帧分割和采样，即可得到视频图像。

在摄像头采集到视频图像之后，将视频图像传输到本方案的执行主体中，使得执行主体可以实时获取到这些采集的视频图像和音频信息。

需要说明的是，本方案的执行主体具体可以是安装在车辆上的终端、系统或者远程服务器，为便于描述，下面统一表述为执行主体。

102、将所述视频图像转换成指定数据格式；

可以理解的是，在将视频图像投入到卷积神经网络之前，需要为这些视频图像数据选定一个合适的数据输入模式，以提高卷积神经网络的识别效率和效果。一般来说，在训练卷积神经网络之前，就已经选定好视频图像的指定数据格式了，并以选定的指定数据格式来调整训练样本的数据格式，从而对卷积神经网络进行训练。因此，在使用训练好的卷积神经网络进行识别时，也同样需要将待识别的视频图像转换成这种指定的数据格式。

具体地，上述的指定数据格式具体可以是n*n的数据矩阵，数据矩阵的大小可以根据实际情况需要进行适当调整，此处不作具体限定。可选择的，该指定数据格式还可以是图像、特征图、向量等。

103、将转换格式后的所述视频图像作为输入投入至预训练完成的卷积神经网络，得到所述卷积神经网络的输出结果；

在将视频图像转换格式后，将视频图像作为输入投入至预训练完成的卷积神经网络，得到所述卷积神经网络的输出结果，其中，所述输出结果为存在肢体冲突行为或者不存在肢体冲突行为。

可以理解的是，所述卷积神经网络是预先经过大量的训练样本训练完成得到的，可以对视频图像中的行为动作进行分类识别，对当前视频图像中是否存在肢体冲突行为作出实时判断，并输出结果。比如，该卷积神经网络通过不断的学习，可以辨别一些典型的关于司机肢体冲突的情景，例如，司机正在与行为人手臂拉扯、行为人正在用手或手持物体打司机等。

其中，上述卷积神经网络的预训练过程将在下述内容中进行详细描述。

104、若所述输出结果为存在肢体冲突行为，则发出告警信息。

在本实施例中，若所述输出结果为存在肢体冲突行为，则可以认为车辆中司机所在位置正发生肢体冲突，此时应当及时发出告警信息。具体地，发出告警信息的形式可以有多种，比如，向行为人发出提示语音“请立即停止你的行为”；或者，不向行为人作出任何提示，以避免刺激行为人导致行为升级，执行主体悄然向最近的公安系统进行报警，等待警察前来处理；等等。

优选地，车辆上可以安装有GPS定位模块，从而执行主体可以实时获取到车辆的实时定位信息；然后，在需要发出告警信息时，将预设的报警信息、所述实时定位信息和实时采集的所述视频图像发送至指定的告警终端。这里说的告警终端可以是公安局的报警服务器。其中，与报警信息一并发送的视频图像可以用作证明肢体冲突行为的证据，以便于执法人员对行为人进行处罚。

下面，将对上述卷积神经网络的预训练过程进行详细介绍。如图2所示，所述卷积神经网络可以通过以下步骤预先训练得到：

201、预先收集训练组样本，所述训练组样本包括用于训练的多个第一视频图像；

202、预先标记所述训练组样本中各个第一视频图像对应的标准识别结果，所述标准识别结果包括表征肢体冲突行为程度的冲突数值，其中，当冲突数值为最小值时，代表所述标准识别结果为不存在肢体冲突行为；

203、将所述第一视频图像转换成指定数据格式；

204、将转换格式后的所述第一视频图像作为输入投入至卷积神经网络，得到所述卷积神经网络的训练输出结果；

205、将所述训练输出结果作为目标，调整所述卷积神经网络的隐层参数，以最小化得到的所述训练输出结果与所述训练组样本对应的标准识别结果之间的误差；

206、若所述误差满足预设条件，则确定所述卷积神经网络训练完成。

对于上述步骤201和步骤202，在训练卷积神经网络之前，需要预先收集用于训练的多个视频图像，即上述的第一视频图像。这些第一视频图像的数据量越大，对卷积神经网络的训练效果就越好。

在收集到这些训练组样本之后，还需要标记这些训练组样本中各个第一视频图像对应的标准识别结果，即哪些视频图像是采集自存在肢体冲突行为的现场，哪些视频图像是采集自不存在肢体冲突行为的现场。

需要说明的是，本实施例中，为了进一步增强卷积神经网络对肢体冲突行为识别的准确性，在标记样本时，对各个第一视频图像的肢体冲突行为标记了不同的冲突数值，这些冲突数值代表了视频图像中肢体冲突行为的程度。比如，可以设定冲突数值的区间为[0,10]，其中0代表没有肢体冲突行为，冲突数值最小；1-10代表存在肢体冲突行为，且1-10分别代表肢体冲突行为的不同程度，数值越大，则肢体冲突越严重。例如，具体可以将“挥动拳头攻击司机”的行为的冲突数值标记为4，将“持刀攻击司机”的行为的冲突数值标记为9，将“持枪攻击司机”的行为的冲突数值标记为10。

上述步骤203与上述步骤102的内容相似，原理基本相同，此处不再赘述。

对于上述步骤204，在本次训练中，将转换格式后的第一视频图像输入至卷积神经网络，由于该卷积神经网络此时尚未训练完成，因此其输出的训练输出结果与预先标记的标准识别结果会存在一定的偏差、误差。

对于上述步骤205，在得到训练输出结果之后，可以计算所述训练输出结果与所述训练组样本对应的标准识别结果之间的误差，并根据计算出来的误差调整该卷积神经网络的隐层参数，尽量使得后续训练输出的训练输出结果与标准识别结果之间的误差最小化。其中，该卷积神经网络可以设有多个层级，包括卷积层、池化层、全连接层等，该卷积神经网络具体设有多少个层级可以根据实际情况确定，此处不作限定。假设本实施例中的卷积神经网络设有x个层级，则调整隐层参数时，可以调整x层级上的各个参数。

关于误差的计算，举例说明为：假设其中3个样本的标准识别结果的冲突数值分别为0、4、9；而这3个样本输入该卷积神经网络后输出的训练输出结果的冲突数值分别为0、5、9，对比可知，在3个样本的本次训练中，误差为33.3％。

对于上述步骤206，在反复调整卷积神经网络的隐层参数，进行多次训练之后，对比每次的训练输出结果与训练组样本对应的标准识别结果之间的误差，如果该误差满足预设条件，比如误差小于5％，则可以确定所述卷积神经网络训练完成。其中，所述预设条件可以在训练具体的卷积神经网络时确定，比如设定误差小于特定阈值，该特定阈值可以是一个百分比数值，特定阈值越小，则最后训练完成得到的卷积神经网络越稳定，识别精度越高。

对于上述步骤206，为了更进一步验证该卷积神经网络的训练完成程度，还可以准备一套不同于训练组样本的测试组样本对该卷积神经网络进行测试、检验。在测试之前，可以预先收集测试组样本，所述测试组样本包括用于测试的多个第二视频图像；然后，预先标记所述测试组样本中各个第二视频图像对应的标准识别结果。如图3所示，在确定所述卷积神经网络训练完成之前，所述针对肢体冲突行为的告警方法还可以包括：

301、将所述第二视频图像转换成指定数据格式；

302、将转换格式后的所述第二视频图像作为输入投入至所述卷积神经网络，得到所述卷积神经网络的测试输出结果；

303、计算所述测试输出结果与所述测试组样本对应的标准识别结果之间的测试误差；

304、判断所述测试误差是否小于预设的误差阈值，若否，则执行步骤305，若是，则执行步骤206；

305、确定所述卷积神经网络未训练完成，开始下一次训练。

上述步骤301～302与上述步骤203～204的内容相似，原理基本相同，此处不再赘述。

对于上述步骤303，在得到测试输出结果之后，计算其与测试组样本对应的标准识别结果之间的测试误差，通过测试误差来评估该卷积神经网络的训练完成程度。由于测试用的测试组样本有别于训练组样本，其对于该卷积神经网络来说更为陌生，因此评估的效果也会好于训练阶段的评估效果。

对于上述步骤304～305，若本次测试的测试误差不小于预设的误差阈值，则说明该卷积神经网络仍未满足实际使用的需求，训练仍未完成，从而可以确定所述卷积神经网络未训练完成，开始下一次训练；反之，若所述测试误差小于预设的误差阈值，则说明该卷积神经网络已满足实际使用的需求，训练完成，执行步骤206确定所述卷积神经网络训练完成。

进一步地，在训练该卷积神经网络时采用标记了冲突数值的样本的应用场景下，相应地，上述步骤103得到的输出结果也包括表征肢体冲突程度的冲突数值，从而，如图4所示，上述步骤104可以包括：

401、判断所述输出结果的冲突数值是否超过预设的冲突阈值，若是，则执行步骤402，若否，则执行步骤403；

402、向公安执法部门报警；

403、向所述车辆现场发出警告信息。

可以理解的是，上述步骤401～403，通过判断输出结果的冲突数值是否超过预设的冲突阈值来判断实时采集的视频图像中当前司机是否正面临严重的肢体冲突的威胁，若超过该冲突阈值，则说明视频图像中的肢体冲突行为程度严重，需要报警处理；若未超过该冲突阈值，则说明视频图像中的肢体冲突行为程度尚在一般范围之内，无需浪费警力处理，留待司机个人进行处理即可。可见，通过对冲突数值的判定来区分肢体冲突的严重程度，在保护司机安全的同时，充分考虑了节省社会警力资源，有利于社会的和谐稳定。

优选地，本实施例中，还可以在车辆上设有显示器，该显示器用于对车辆的行车信息进行实时显示，显示内容可以根据不同车辆具体设定，比如，当司机遭受肢体冲突时，可以将采集的视频图像在显示器上显示公告，发动车辆上群众的力量帮助司机解围。另外，在发出告警信息时，可以通过车辆上安装的提示模块播出报警声音以及画面闪动等方式来警示行为人停止冲突行为。

本实施例中，首先，实时采集车辆上司机所处位置的视频图像，所述视频图像包括司机上半身的场景实况；然后，将所述视频图像转换成指定数据格式；接着，将转换格式后的所述视频图像作为输入投入至预训练完成的卷积神经网络，得到所述卷积神经网络的输出结果，所述输出结果为存在肢体冲突行为或者不存在肢体冲突行为；若所述输出结果为存在肢体冲突行为，则发出告警信息。在本实施例中，当发生针对司机的肢体冲突时，通过采集车辆上司机所处位置的视频图像，获取司机上半身的场景实况，将这些视频图像投入到卷积神经网络中进行识别，实现肢体冲突行为的自动识别判断并发出告警信息，无需司机主动做出任何动作，减少司机出行忧虑、财产忧虑和生命威胁；同时，无需对行为人实施过渡行为以免造成伤害，适于全社会的推广和应用。

可见，本实施例提供的针对肢体冲突行为的告警方法可以对与司机相关的肢体冲突行为进行实时监控和报警的装置，以便及时发现此类事件，通过报警警示减少因殴打司机带来的人身伤害及行车中断为其他乘客带来的不便，不用对行为人进行带有危险性的物理攻击，并保留视频、图片等证据，对案发现场作真相还原，形成完整的管理闭环。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

上面主要描述了一种针对肢体冲突行为的告警方法，下面将对一种针对肢体冲突行为的告警装置进行详细描述。

图5示出了本发明实施例中一种针对肢体冲突行为的告警装置一个实施例结构图。

本实施例中，一种针对肢体冲突行为的告警装置包括：

视频图像采集模块501，用于实时采集车辆上司机所处位置的视频图像，所述视频图像包括司机上半身的场景实况；

格式转换模块502，用于将所述视频图像转换成指定数据格式；

神经网络模块503，用于将转换格式后的所述视频图像作为输入投入至预训练完成的卷积神经网络，得到所述卷积神经网络的输出结果，所述输出结果为存在肢体冲突行为或者不存在肢体冲突行为；

告警模块504，用于若所述输出结果为存在肢体冲突行为，则发出告警信息。

进一步地，所述卷积神经网络可以通过以下模块预先训练得到：

训练样本收集模块，用于预先收集训练组样本，所述训练组样本包括用于训练的多个第一视频图像；

训练样本标记模块，用于预先标记所述训练组样本中各个第一视频图像对应的标准识别结果，所述标准识别结果包括表征肢体冲突行为程度的冲突数值，其中，当冲突数值为最小值时，代表所述标准识别结果为不存在肢体冲突行为；

第一格式转换模块，用于将所述第一视频图像转换成指定数据格式；

网络训练模块，用于将转换格式后的所述第一视频图像作为输入投入至卷积神经网络，得到所述卷积神经网络的训练输出结果；

参数调整模块，用于将所述训练输出结果作为目标，调整所述卷积神经网络的隐层参数，以最小化得到的所述训练输出结果与所述训练组样本对应的标准识别结果之间的误差；

训练完成模块，用于若所述误差满足预设条件，则确定所述卷积神经网络训练完成。

进一步地，所述针对肢体冲突行为的告警装置还可以包括：

测试样本收集模块，用于预先收集测试组样本，所述测试组样本包括用于测试的多个第二视频图像；

测试样本标记模块，用于预先标记所述测试组样本中各个第二视频图像对应的标准识别结果；

在所述训练完成模块确定所述卷积神经网络训练完成之前，还可以触发以下模块：

第二格式转换模块，用于将所述第二视频图像转换成指定数据格式；

网络测试模块，用于将转换格式后的所述第二视频图像作为输入投入至所述卷积神经网络，得到所述卷积神经网络的测试输出结果；

测试误差计算模块，用于计算所述测试输出结果与所述测试组样本对应的标准识别结果之间的测试误差；

再次训练模块，用于若所述测试误差大于或等于预设的误差阈值，则确定所述卷积神经网络未训练完成，开始下一次训练；

训练完成确定模块，用于若所述测试误差小于预设的误差阈值，则触发所述训练完成模块确定所述卷积神经网络训练完成。

进一步地，所述告警模块可以包括：

冲突判断单元，用于判断所述输出结果的冲突数值是否超过预设的冲突阈值；

报警单元，用于若所述冲突判断单元的判断结果为是，则向公安执法部门报警；

现场告警单元，用于若所述冲突判断单元的判断结果为否，则向所述车辆现场发出警告信息。

进一步地，所述告警模块可以包括：

定位信息获取单元，用于获取所述车辆的实时定位信息；

信息发送单元，用于将预设的报警信息、所述实时定位信息和实时采集的所述视频图像发送至指定的告警终端。

图6是本发明一实施例提供的针对肢体冲突行为的告警服务器的示意图。如图6所示，该实施例的针对肢体冲突行为的告警服务器6包括：处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62，例如执行上述针对肢体冲突行为的告警方法的程序。所述处理器60执行所述计算机程序62时实现上述各个针对肢体冲突行为的告警方法实施例中的步骤，例如图1所示的步骤101至104。或者，所述处理器60执行所述计算机程序62时实现上述各装置实施例中各模块/单元的功能，例如图5所示模块501至504的功能。

示例性的，所述计算机程序62可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器61中，并由所述处理器60执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序62在所述针对肢体冲突行为的告警服务器6中的执行过程。

所述针对肢体冲突行为的告警服务器6可以是本地服务器、云端服务器等计算设备。所述针对肢体冲突行为的告警服务器可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图6仅仅是针对肢体冲突行为的告警服务器6的示例，并不构成对针对肢体冲突行为的告警服务器6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述针对肢体冲突行为的告警服务器还可以包括输入输出设备、网络接入设备、总线等。

所述处理器60可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器61可以是所述针对肢体冲突行为的告警服务器6的内部存储单元，例如针对肢体冲突行为的告警服务器6的硬盘或内存。所述存储器61也可以是所述针对肢体冲突行为的告警服务器6的外部存储设备，例如所述针对肢体冲突行为的告警服务器6上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器61还可以既包括所述针对肢体冲突行为的告警服务器6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机程序以及所述针对肢体冲突行为的告警服务器所需的其他程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各实施例的模块、单元和/或方法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。