[发明专利]视频图像的监控方法和装置

说明书

本发明提供了视频图像的监控方法和装置，包括：采集工作环境下的视频图像；创建人体姿态检测模型；将视频图像输入到人体姿态检测模型中，得到多个预测关键点；将多个预测关键点输入到支持向量机SVM中，得到分类结果；根据分类结果确定目标对象的姿态；根据目标对象的姿态确定目标对象为正常或异常，采用AI处理器对视频图像进行监控，确定工作人员姿态是否异常，识别精度高，成本低。

技术领域

本发明涉及视频处理技术领域，尤其是涉及视频图像的监控方法和装置。

背景技术

目前，当工作人员在值班室内工作时，通常采用视频监控方式或视频分析方法实现对工作人员的监控。视频监控方式需要人工在24小时内实时查看，占用大量人力资源；视频分析方法，需要人工智能服务器进行视频分析，成本高。

发明内容

有鉴于此，本发明的目的在于提供视频图像的监控方法和装置，采用AI处理器对视频图像进行监控，确定工作人员姿态是否异常，识别精度高，成本低。

第一方面，本发明实施例提供了视频图像的监控方法，所述方法包括：

采集工作环境下的视频图像；

创建人体姿态检测模型；

将所述视频图像输入到所述人体姿态检测模型中，得到多个预测关键点；

将所述多个预测关键点输入到支持向量机SVM中，得到分类结果；

根据所述分类结果确定目标对象的姿态；

根据所述目标对象的姿态确定所述目标对象为正常或异常。

进一步的，所述创建人体姿态检测模型包括：

对所述视频图像进行标注，得到标注关键点；

将所述视频图像输入到深度学习神经网络算法中，得到关键点热力图；

将所述标注关键点以下采样的方式进行计算，得到训练图像的关键点；

在所述训练图像中，将所述标注关键点以下采样的方式，通过高斯滤波算法将所述训练图像的关键点分布到所述关键点热力图上；

通过损失函数对所述训练图像的关键点和所述预测关键点进行修正，得到第一修正差值；

设定初始化的偏置值，将所述初始化的偏置值通过L1损失函数进行训练，得到偏置值；

当所述偏置值达到第一预设条件时，通过所述偏置值对所述预测关键点进行修正，得到修正后的预测关键点；

当所述第一修正差值满足第二预设条件时，所述训练图像的关键点和所述预测关键点的修正完成，并且根据所述修正后的预测关键点得到所述人体姿态检测模型。

进一步的，所述方法还包括：

根据所述视频图像确定所述目标对象的形体；

根据所述目标对象的形体，得到多个中心点；

根据所述多个中心点的姿态，对每个预测关键点进行参数化，得到所述每个预测关键点相对于所述中心点的偏移；

将所述每个预测关键点相对于所述中心点的偏移，通过所述L1损失函数计算得到所述每个预测关键点的偏移。

进一步的，所述方法还包括：

从所述多个中心点中选取满足第三预设条件的多个样本点，其中，每个样本点对应所述多个预测关键点；

根据所述每个样本点和所述每个样本点对应的所述多个预测关键点构建多个组合；

计算每个组合对应的置信度；