[发明专利]基于人体关键点的异常行为识别方法

说明书

一种基于人体关键点的异常行为识别方法，包括：110、样本数据提取；120、将样本数据输入全连接神经网络模型进行训练输入全连接神经网络模型进行训练；130、异常行为识别。本发明识别精度高、速度快，漏检率低，在快速接近、持枪瞄准、攀爬、投掷和持械攻击5种危险行为的验证识别中取得了良好的效果。

技术领域

本发明属于人体行为识别技术领域，尤其涉及一种基于人体关键点的异常行为识别方法。

背景技术

在动荡不安的国际局势下，中国当前所面临的恐怖主义形势也越来越严峻。恐怖犯罪如今已成为世界范围内的毒瘤，快速识别犯罪行为并先发制人实时打击成为遏制恐怖犯罪行为的有效手段。随着深度学习及计算机视觉的发展，行为识别已经取得了重大的进展，并广泛应用于公共安全领域。

目前人体行为识别领域大多从原始视频帧中直接提取相关特征，并利用深度学习网络模型进行识别。该方法存在大量的信息冗余，从而给神经网络模型带来较大的噪声，不仅影响行为识别的精度和速度，同时也存在大量的漏检。

发明内容

基于此，针对上述技术问题，提供一种基于人体关键点的异常行为识别方法。

为解决上述技术问题，本发明采用如下技术方案：

一种基于人体关键点的异常行为识别方法，包括：

110、样本数据提取：

(111)对单目标样本视频的每一帧进行人体目标识别，框选出人体目标，并截取框选部分的图片进行保存；

(112)在保存的图片中，若连续N帧图片组成一个完整的异常行为动作，则提取所述连续N帧图片作为目标动作样本图片，并对所述目标动作样本图片标注相应的动作类别；

(113)从每帧目标动作样本图片中识别18个关键点，并提取每个关键点的像素坐标，转化为归一化坐标，将N张目标动作样本图片的归一化坐标以及动作类别作为样本数据；

120、将所述样本数据输入全连接神经网络模型进行训练；

130、异常行为识别：

(131)实时对视频中的每一帧进行人体目标识别，并进行多目标跟踪；

(132)对每一个目标，从当前帧开始，提取N帧图片，从每一帧图片中识别18个关键点，并提取每个关键点的像素坐标，转化为归一化坐标；

(133)将N帧图片的归一化坐标输入训练好的全连接神经网络模型，识别出异常行为动作；

其中，N为5-15，所述异常行为动作包括快速接近、持械攻击、投掷、攀爬以及持枪瞄准，所述18个关键点包括鼻、颈、右肩、右肘、右腕、左肩、左肘、左腕、右臀、右膝、右踝、左臀、左膝、左踝、右眼、左眼、右耳以及左耳，归一化x坐标为像素x坐标除以图片宽度，归一化y坐标为像素y坐标除以图片高度。

所述人体目标识别采用Yolo V3网络模型、Faster R-CNN模型或者SSD模型。

所述识别18个关键点采用卷积姿态机CPM网络模型、堆叠沙漏网络模型以及SHN模型。

所述全连接神经网络模型包含1层输入层、1层输出层、3层隐藏层的全连接神经网络模型，每层的节点数分别为360、200、100、50以及5，所述模型的输出层采用softmax激活函数，其损失函数采用交叉熵模型，并结合梯度下降以及滑动平均方法对模型进行训练。

所述N为10。

本发明识别精度高、速度快，漏检率低，在快速接近、持枪瞄准、攀爬、投掷和持械攻击5种危险行为的验证识别中取得了良好的效果。

附图说明