1、           深度学习算法

综合运用识别、检测、追踪和视频结构化分析，将视频内容转化成可供计算机和用户理解的文本信息；进而实现对场景、人、物的综合感知；通过视频分析也可实现行为检测和预测，利用深度学习技术对目标进行姿态估计，与数据库行为模板进行匹配，完成识别并生成结果。

主要通过如下几个阶段

（1）       大规模模型训练

（2）       模型自动识别

（3）       任务并发处理

2、图像与视频识别分析

利用摄像头采集视频图像信息，计算人员行为模式，识别人员行为，识别员工出勤行为、正常行走行为、随意走动行为、监控区域聚集行为、人员拥挤行为、人脸识别和语音识别，将出入通勤区域的场景智能识别为可管理的实时的过程性数据。

图像与视频识别分析以视频为核心，结合人工智能技术，拓展多维感知手段，对进入周界的人员和物体进行识别，此算法主要达到如下几个识别效果：

（1）       行走轨迹

（2）       行走方向

（3）       摆臂幅度

（4）       人头检测

（5）       人脸识别

3、       大数据管理与分析

    采用大规模并行处理框架，超级计算能力，对多个复杂异构的数据集，做进一步集成处理或整合处理，将来自不同数据集的数据收集、整理、清洗、转换后，生成到一个新的数据集，为后续查询和分析处理提供统一的数据视图，根据大数据的不同数据特征和计算特征，从多样性的大数据计算问题和需求中提炼并建立计算模式。

    在大数据分析的应用过程中，可视化与可视分析通过交互式视觉表现的方式帮助人们探索和理解复杂的数据，帮助用户交互筛选大量的数据，有助于使用者更快更好地从复杂数据中得到新的发现。目前荟诚大数据分析技术已应用于全国中等职业院校人才培养工作状态大数据决策分析系统中。

    对于很多动作，本身就具有很大的差异性，例如不同人不同时刻的行走动作在速度或步长上就具有差异性。不同动作之间又可能具有很大的相似性

场景和视频的采集条件的差异性。背景是动态变化的或者光照、摄像头晃动等会影响结果。

收集如下三类常规行为特征：

（1）10种种常规动作：走路、快跑、向前跳、测试跳、弯腰、挥单手、原地跳、全身跳、单腿跳，每个动作由10个人来演示，背景固定并且前景轮廓已经包含在数据库中，视角固定。

（2）6种动作：走、跳、跑、击拳、挥手、拍手，由25个人执行，分别在四个场景下，共599段视频，除了镜头的拉近拉远、摄像机的轻微运动外，背景相对静止。

（3）包含10类体育动作：跳水、打高尔夫、踢腿、举重、骑马、跑步、滑板、摇摆、侧摆、走路，涵盖很广的场景类型和视角区域。