[发明专利]基于深度学习的遛狗违规行为检测方法、装置及设备

权利要求书

1.一种基于深度学习的遛狗违规行为检测方法，其特征在于，包括：

获取监控视频数据，并进行抽帧处理得到待检测图像；

根据第一目标检测算法对所述待检测图像进行犬只和行人检测，分别得到所述犬只的检测框和所述行人的检测框；

利用所述犬只的检测框和所述行人的检测框，计算得到所述犬只与所述行人之间的欧式距离；通过所述欧式距离计算得到所述犬只附近的感兴趣区域；

根据第二目标检测算法对所述感兴趣区域进行绳类连接物检测，得到所述感兴趣区域内的所述绳类连接物的信息；

根据所述绳类连接物的信息确认是否检测到绳类连接物，当检测到所述绳类连接物时，判断所述犬只是否存在历史追踪信息；若是，则更新所述犬只的牵绳状态历史数值；若否，则对所述犬只的牵绳状态进行初始化；

判断k帧区间内所述犬只的牵绳状态历史数值是否大于等于阈值；若是，则判断为正常遛狗；若否，则判断为违规遛狗；其中，当所述犬只周围未检测到所述行人时，则判断为流浪犬。

2.根据权利要去1所述的基于深度学习的遛狗违规行为检测方法，其特征在于，所述获取监控视频数据，并进行抽帧处理得到待检测图像，包括：

获取监控视频数据，并进行抽帧处理得到获得原始图像；

对所述原始图像的色彩及空间域调整，完成所述原始图像的色差校正并按如下公式计算得到空域重构图像：

其中，I(g)代表所述原始图像中g点的像素值；I(h)代表所述原始图像中h点的像素值；(I(g)-I(h))代表g，h两点的像素差；||g-h||代表距离度量；Ω代表所述原始图像中所有像素点集合；S_α(t)代表坡度函数；R(g)代表所述空域重构图像；

对校正后的所述空域重构图像进行动态扩展，并按如下公式将所述空域重构图像归一化到[0,1]之间，得到所述待检测图像：

其中，L(g)代表所述待检测图像；max R代表R(g)的最大值；min R代表R(g)的最小值。

3.根据权利要去1所述的基于深度学习的遛狗违规行为检测方法，其特征在于，在所述根据第一目标检测算法对所述待检测图像进行犬只和行人检测，分别得到所述犬只的检测框和所述行人的检测框之前，包括：

对所述第一目标检测算法进行训练，并按如下损失函数进行优化：

L_loss＝λ₁L_conf+λ₂L_cla+λ₃L_loc

其中，L_conf代表是否为目标的置信度损失，L_cla代表类别损失，L_loc代表定位损失，λ₁、λ₂和λ₃均代表对应的平衡系数；L_loss代表总损失。

4.根据权利要去1所述的基于深度学习的遛狗违规行为检测方法，其特征在于，所述利用所述犬只的检测框和所述行人的检测框，计算得到所述犬只与所述行人之间的欧式距离，包括：

按如下公式计算得到所述犬只与所述行人之间的欧式距离：

其中，D_ij代表第i个犬只与第j个行人的欧式距离；和分别代表第i个犬只的中心点横坐标和第i个犬只的中心点纵坐标；和分别代表第j个行人的中心点横坐标和第j个行人的中心点纵坐标。