[发明专利]一种异常行为识别方法、装置、电子设备及存储介质

说明书

本申请提供一种异常行为识别方法、装置、电子设备及存储介质，该方法包括：获得针对人体采集的视频流，并从视频流中提取出人体关键点；对人体关键点进行降维处理，获得降维后的特征值；使用训练后的单类支持向量机对降维后的特征值进行分类，获得分类结果。在上述的实现过程中，从视频流中提取出人体关键点，并使用单类支持向量机对人体关键点降维处理后的特征值进行分类，由于单类支持向量机是使用超球面对特征值进行分类的，更容易找到特征空间数据的球面边界，从而降低了正负样本不均衡所带来的影响，有效地提高了异常行为识别的正确率。

技术领域

本申请涉及机器学习、视频处理和图像识别的技术领域，具体而言，涉及一种异常行为识别方法、装置、电子设备及存储介质。

背景技术

异常行为识别，是指从监控的视频流中识别出在高层语义理解中超出正常范围的人的行为活动，具体例如：老人在房间里是躺着休息、吃饭、睡觉和看电视等等行为活动，这些行为活动都是正常范围的行为活动；若老人在房间里跌倒，那么老人的行为就被认为是超出正常范围的异常行为，此时需要发出预警信息以便及时救治；若老人躺着睡觉或者休息，那么老人的行为就被认为是没有超出正常范围的正常行为，则无需预警。

目前，针对异常行为识别的方法大都是使用基于深度学习原理的网络模型来进行异常行为识别，此处的基于深度学习原理的网络模型包括：基于卷积神经网络(Convolutional Neural Networks，CNN)或者长短期记忆(Long Short Term Memory，LSTM)网络的行为检测网络模型等等。

在具体的实践过程中发现，上述的网络模型通常需要各个分类样本比较均衡，然而在数据的采集过程中，难以采集到与正样本数量相当的负样本，此处的负样本例如：老人摔倒的高清视频样本。在负样本占训练数据的比例过少的情况下，使用网络模型难以识别出异常行为，换句话说，在正负样本不均衡时，使用网络模型进行异常行为识别的正确率较低。

发明内容

本申请实施例的目的在于提供一种异常行为识别方法、装置、电子设备及存储介质，用于改善异常行为识别的正确率较低的问题。

本申请实施例提供了一种异常行为识别方法，包括：获得针对人体采集的视频流，并从视频流中提取出人体关键点，人体关键点表征人体的骨骼和关节；对人体关键点进行降维处理，获得降维后的特征值，特征值表征人体的动态特征；使用训练后的单类支持向量机对降维后的特征值进行分类，获得分类结果，分类结果表征视频流中的人体是否存在异常行为。在上述的实现过程中，从视频流中提取出人体关键点，并使用单类支持向量机对人体关键点降维处理后的特征值进行分类，由于单类支持向量机是使用超球面对特征值进行分类的，更容易找到特征空间数据的球面边界，从而降低了正负样本不均衡所带来的影响，有效地提高了异常行为识别的正确率。

可选地，在本申请实施例中，对人体关键点进行降维处理，包括：使用主成分分析算法或者动态模型分解算法对人体关键点进行降维处理。在上述的实现过程中，通过使用主成分分析算法或者动态模型分解算法对人体关键点进行降维处理，从而减少了获取特征值和特征向量的计算量，有效地提高了异常行为识别的速度。

可选地，在本申请实施例中，对人体关键点进行降维处理，包括：判断人体关键点的矩阵维度是否大于预设维度；若是，则使用奇异值分解对人体关键点进行降维处理。在上述的实现过程中，通过在人体关键点的矩阵维度是否大于预设维度时，才使用奇异值分解对人体关键点进行降维处理，从而减少获取特征值和特征向量的计算量的同时，增加了灵活性，针对矩阵维度较小的关键点数据可以直接计算，保证了对矩阵维度较小的关键点数据进行异常行为识别的准确率，同时也有效地提高了异常行为识别的速度。

可选地，在本申请实施例中，从视频流中提取出人体关键点，包括：从视频流中提取出视频图像；使用神经网络模型从视频图像提取出人体关键点。