[发明专利]基于图结构姿态聚类的人体异常行为检测方法及系统

说明书

本发明公开了基于图结构姿态聚类的人体异常行为检测方法及系统，获取待检测视频；对待检测视频的每一帧图像进行骨骼跟踪，得到包含k个骨骼节点的骨骼序列；获取骨骼节点的时空关系示意图；对时空关系示意图中的每一帧图像骨骼节点的坐标位置进行处理，得到待检测视频的最终学习向量；将最终学习向量，输入到训练后的编码器中，输出待分类的动作向量；将待分类的动作向量和已知分类标签的动作向量进行聚类，得到当前待分类动作向量属于每个已知分类标签的概率值；判断所述概率值是否超过设定阈值，如果超过设定阈值，则表示当前待检测视频存在人体异常行为；否则，表示不存在人体异常行为。能够针对不同的场景需求，有效的检测出异常行为。

技术领域

本发明涉及计算机视觉技术领域，特别是涉及基于图结构姿态聚类的人体异常行为检测方法及系统。

背景技术

本部分的陈述仅仅是提到了与本发明相关的背景技术，并不必然构成现有技术。

随着高清视频监控的逐步推广和普及，监控视频数据也越来越多。在安防领域，尤其在公共场所，需要对人们的异常行为做出及时的处理。利用传统的人工方法检测人体异常行为不仅耗费大量的人力物力，而且会出现一些异常行为被漏检的情况。随着计算机视觉技术的快速发展，人们开始采用基于视频的异常行为检测。这类方法主要利用正异常行为特征表示之间的差异性来自动的检测及定位异常行为。当下，异常行为检测已经成为计算机视觉领域较为活跃的一个研究方向。

基于视频的异常行为检测方法可分为有监督、弱监督、无监督三类。无监督方法无需任何标签信息，基于“非正即异”思想，假设异常行为是罕见且无规律的。由于这种方法缺少人工标记，泛化能力极弱，如何增强无监督方法的泛化能力也是近几年学术研究的热点。弱监督方法通过学习大量的正例样本进的特征表示，将那些不符合正常特征分布的样本检测为异常，目前大多数弱监督方法都是采用基于重构判断的方法进行判定。但是由于神经网络强大的学习能力，异常行为也有可能被很好的重构，因此基于重构的方法容易造成异常的漏检。同时，新的正常行为也在不断地出现，新出现的正常行为容易被误检。有监督方法，将异常行为检测视为二分类或多分类问题，用详细标记的正异常行为样本训练神经网络，提取正异常之间更具区分性的特征。有监督方法的识别和定位精度普遍较高，在现实生活中被广泛使用。

在检测过程中的特征提取环节也存在大量的特征提取方法，其中基于人体骨骼信息的特征提取方法由于其具有较好的鲁棒性和适应性，目前得到了广泛的使用。相比于图像特征，骨骼特征更加紧凑，对人体的运动描述也更加的具体，且不易受光照和背景变化的影响。

在实现本公开的过程中，发明人发现现有技术存在以下问题：

(1)在不同的场景下，对异常行为的定义不同，哪些行为属于正常行为，哪些行为属于异常行为有一定的差别。利用现有的方法进行异常行为检测，很难实现方法的泛化。

(2)行为的发生都具有一定的时间信息，间隔的提取视频帧会损失时间信息，在一定程度上会影响最终检测的精确度。

发明内容

为了解决现有技术的不足，本发明提供了基于图结构姿态聚类的人体异常行为检测方法及系统；

第一方面，本发明提供了基于图结构姿态聚类的人体异常行为检测方法；

基于图结构姿态聚类的人体异常行为检测方法，包括：

获取待检测视频；

对待检测视频的每一帧图像进行骨骼跟踪，得到包含k个骨骼节点的骨骼序列；其中，k为正整数；获取骨骼节点的时空关系示意图；

对时空关系示意图中的每一帧图像骨骼节点的坐标位置进行处理，得到待检测视频的最终学习向量；

将最终学习向量，输入到训练后的编码器encoder中，输出待分类的动作向量；