[发明专利]一种基于姿态估计的园区异常行为识别方法及装置

说明书

本申请公开了一种基于姿态估计的园区异常行为识别方法及装置，用以解决传统的公共安全保障手段往往存在保障延迟、反应过慢、安全保障不及时等问题，无法实现对公共安全的有力保护的问题。该方法采集园区的视频图像；根据卷积姿态机器算法，确定所述视频图像中各用户的骨骼关键点信息；根据确定出的各用户的骨骼关键点信息，以及预先训练好的长短期记忆网络模型，判断各用户的行为是否存在异常行为。本方法可通过通过CPMs算法与长短期记忆网络模型的结合，由机器进行自动识别与监督，及时发现用户的异常行为，并对其进行处理，还能够节省人力成本、时间成本。

技术领域

本申请涉及行为识别技术领域，尤其涉及一种基于姿态估计的园区异常行为识别方法及装置。

背景技术

在银行、学校、居民住宅小区等各个园区，公共安全问题一直是备受关注的关键问题，对公共安全保障的要求也越来越高。

目前，常用的传统公共安全保障手段包括：手动登记、身份证读取鉴别、摄像头监督、无线射频跟踪定位等。

但是，这些传统公共安全保障手段往往存在保障延迟、反应过慢、安全保障不及时等问题，无法实现对公共安全的有力保护。

发明内容

本申请实施例提供一种基于姿态估计的园区异常行为识别方法及装置，用以解决传统的公共安全保障手段往往存在保障延迟、反应过慢、安全保障不及时等问题，无法实现对公共安全的有力保护的问题。

本申请实施例提供的一种基于姿态估计的园区异常行为识别方法，包括：

采集园区的视频图像；

根据卷积姿态机器算法，确定所述视频图像中各用户的骨骼关键点信息；

根据确定出的各用户的骨骼关键点信息，以及预先训练好的长短期记忆网络模型，判断各用户的行为是否存在异常行为。

在一个示例中，所述方法还包括：采集各用户的人脸特征，进行人脸识别；根据存在异常行为的用户的人脸识别结果，确定用户的身份。

在一个示例中，根据卷积姿态机器算法，确定所述视频图像中各用户的骨骼关键点信息，包括：将采集到的视频图像输入到卷积姿态机器算法的卷积网络中；采用所述卷积网络，提取所述视频图像的特征；确定所述特征对应的骨骼关键点热力图，作为骨骼关键点信息。

在一个示例中，所述卷积姿态机器算法对应的网络包括7层卷积层，3层池化层，其中，前6层卷积层的卷积核大小为3*3，步长为1，最后一层卷积层的卷积核大小为1*1，池化核大小为2*2，步长为2，采用的池化方法为最大池化方法。

在一个示例中，所述长短期记忆网络模型通过以下方式训练得到：根据预设的异常行为类别，对训练数据集进行标注；按照时间序列，将所述训练数据集输入长短期记忆网络模型中，进行训练，得到训练完成的长短期记忆网络模型。

在一个示例中，所述长短期记忆网络模型包括1层门控循环单元层和3层全连接层，所述3层全连接层分别包括128个、128个、2个神经元。

在一个示例中，所述方法还包括：确定用户存在异常行为时，对所述用户进行警告。

在一个示例中，所述方法还包括：获取所述存在异常行为的用户的位置信息，并将所述位置信息通知管理人员。

在一个示例中，所述方法还包括：对所述存在异常行为的用户的身份信息进行存储记录，并在记录次数超过预设阈值时，将所述用户列入黑名单。

本申请实施例提供的一种基于姿态估计的园区异常行为识别装置，包括：

采集模块，采集园区的视频图像；

确定模块，根据卷积姿态机器算法，确定所述视频图像中各用户的骨骼关键点信息；