[发明专利]一种人体行为识别方法、系统及存储介质

说明书

本发明公开了一种人体行为识别方法、系统及存储介质，方法包括：基于SSD目标检测模型，对采集到的人体图像进行身体部位检测，得到身体部位的定位信息；根据身体部位的定位信息，通过深度学习多分类算法对各个身体部位进行分类识别；其中，所述分类识别的结果包括但不限于头部的安全帽佩戴识别结果、身体的工作服穿着识别结果、人数识别结果以及行为的安全性识别结果。本发明能够对人体行为进行实时识别，且通过SSD目标检测模型提高了识别结果的准确性和可靠性，可广泛应用于深度学习技术领域。

技术领域

本发明涉及深度学习技术领域，尤其是一种人体行为识别方法、系统及存储介质。

背景技术

当前市面上使用的人体部位识别技术以及行为识别技术大致分为以下几种：

光流场：光流场是空间运动物体在观测成像面上像素运动的瞬时速度。它利用图像序列中的像素强度数据的时域变化和相关性来研究图像的灰度在时间上的变化与场景物体结构及其运动的关系。光流法通常假设相邻帧的图像差异非常小，从而获取对真实运动场的近似估计。它不用预知任何先验知识，即能提供有关运动速度及图像中运动区域的简洁描述，适用于摄像机运动的情形。但光流法易受噪声及光照变化的影响，且计算较为复杂，很难用于实时的视频监控系统。

点轨迹：目标的运动轨迹也可以作为特征，从而大致推断出目标运动所属的行为类别。但图像平面上的轨迹对平移、旋转和缩放等变换比较敏感，因此在大多情形下，此特征显得不够可靠。常用的替代特征表达有轨迹速度、时空曲率等。运动轨迹的获取比较依赖于精确的跟踪算法。从原始视频中提取点轨迹特征同样容易受到噪声、遮挡及混乱背景等的影响。

人体形状表达：在摄像机固定的情形下，假设背景已知，通过背景剪除法可以很容易得到运动人体形状。基于全局、边界及骨架等的描绘子都可以用来表达人体形状。全局方法如剪影、矩等是在整体形状区域内计算描绘子，而边界方法仅考虑形状轮廓，骨架方法则是用一组骨架曲线代表一个复杂的人体形状，比如中轴变换等。但该方法识别的行为特征同样存在不可靠的缺点。

滤波器响应：空时滤波器响应是一个广义上的分类。等存时间轴上计算高斯导数，将滤波器响应较高的区域作为运动区域。利用一组空时高斯导数滤波器将Harris(哈里斯)角点检测扩展应用于三维的视频数据从而检测出空时兴趣点。这类方法大都基于简单的卷积操作，运算快速而简便。当视频分辨率较低的情形下，提取光流或剪影特征较为困难，利用滤波器响应特性可以从视频数据中提取有效的底层特征。但如果应用于高清实时视频流的条件下，还需进行一系列复杂的处理才能真正做到行为识别检测。

发明内容

为解决上述技术问题，本发明的目的在于：提供一种实时性高且准确可靠的人体行为识别方法、系统及存储介质。

本发明一方面所采取的技术方案为：

一种人体行为识别方法，包括以下步骤：

基于SSD目标检测模型，对采集到的人体图像进行身体部位检测，得到身体部位的定位信息；

根据身体部位的定位信息，通过深度学习多分类算法对各个身体部位进行分类识别；

其中，所述分类识别的结果包括但不限于头部的安全帽佩戴识别结果、身体的工作服穿着识别结果、人数识别结果以及行为的安全性识别结果。

进一步，所述基于SSD目标检测模型，对采集到的人体图像进行身体部位检测，得到身体部位的定位信息这一步骤，包括以下步骤：

通过图像采集模块采集图像，所述图像采集模块包括摄像机；

根据采集到的图像，确认图像中的人体图像；

根据确认到的人体图像，通过SSD目标检测模型对人体的头肩部位、躯干部位以及大腿部位进行定位，得到各个身体部位的定位信息。