[发明专利]一种群体人员行为识别方法、装置和计算机存储介质

说明书

本申请公开一种群体人员行为识别方法、装置和计算机存储介质，获取一定时间段的视频流的所有视频帧，确定人体图像数量大于等于第一阈值且连续的预定数量的视频帧；将连续的预定数量的视频帧的每个视频帧所包括的人体图像进行人群行为分类；确定连续的预定数量的视频帧的每个视频帧所包括人体图像最多的类别的人体图像数量是否大于等于第二阈值；如果大于等于第二阈值，确定发生群体人员行为；如果连续的预定数量的视频帧的每个视频帧所包括人体图像最多的类别的人体图像数量小于第二阈值，确定没有发生群体人员行为。本申请的群体人员行为识别方法和装置，能高敏感性地识别群体非常规行为，不需要考虑背景稳定性，准确性高。

技术领域

本申请涉及人工智能（Artificial Intelligence，AI）技术领域，特别涉及一种群体人员行为识别方法、装置和计算机存储介质。

背景技术

随着计算机学科与人工智能的发展和应用，视频分析技术迅速兴起并得到了广泛关注。视频分析中的一个核心就是人体行为识别，人体行为识别在科技、生活中有着广泛的应用，如视频监控、人机交互、智能机器人、虚拟现实和视频检索等，因此智能的人体识别技术具有很高的研究价值和应用前景。

人体识别技术主要是采集人体的主要关键点，包括：左右手肘、左右手腕、左右肩膀、头顶、五官、颈部、左右脚踝、左右膝盖和左右臀等，能够在多个场景形式下，对站立、坐姿、运动多个姿态进行估计，从而实现对动作姿态的检测识别，行为识别的准确性和快速性将直接影响视频分析系统后续工作的结果。

因此，如何提高视频中人体行为识别的准确性和快速性，已成为视频分析系统研究中的重点问题。

目前，典型的视频人体行为识别方法主要有：时空兴趣点、密集轨迹等。

时空兴趣点，是通过检测视频中的角点、提取角点的特征进行人体行为识别，但是一部分角点是由背景噪声产生，不但会影响最后的结果，还会降低识别的运行速度。

密集轨迹，是先对视频每一帧进行多个尺度上的密集采样，然后对采样的点进行跟踪得到轨迹，再提取轨迹的特征进行行为识别。但是该方法的计算复杂度高，并且产生的特征维度高，会占用大量的内存，很难做到实时识别。

现有技术主要基于传统图像处理和概率机器学习方法，把与已知的正常行为在概率密度上不匹配的行为定义为非常规行为。主要是通过Gabor小波变换提取视频中时空特征点；计算特征点的Harr特征生成输入向量；使用常规行为和非常规行为的输入向量训练SVM分类器；使用训练得到的分类器判断输入向量对应的输入视频是否为非常规行为。

但是，现有技术对于人群之外的背景的稳定的要求很高。

发明内容

针对现有技术的上述问题，本申请的多个方面提供一种群体人员行为识别方法、装置和计算机存储介质，能高敏感性地识别群体非常规行为，不需要考虑背景稳定性，准确性高。

本申请的第一方面提供一种群体人员行为识别方法，包括：

获取一定时间段的视频流的所有视频帧，确定包含的人体图像数量大于等于第一阈值且连续的预定数量的视频帧；

将所述连续的预定数量的视频帧的每个视频帧所包括的人体图像进行人群行为分类；

确定所述连续的预定数量的视频帧的每个视频帧所包括人体图像最多的类别的人体图像数量是否大于等于第二阈值；

如果所述连续的预定数量的视频帧的每个视频帧所包括人体图像最多的类别的人体图像数量大于等于所述第二阈值，确定发生群体人员行为；

如果所述连续的预定数量的视频帧的每个视频帧所包括人体图像最多的类别的人体图像数量小于所述第二阈值，确定没有发生群体人员行为。