【技术实现步骤摘要】
一种异常行为检测方法及其系统
本专利技术涉及智能识别领域,特别涉及一种异常行为检测方法及其系统。
技术介绍
人工智能时代已悄然到来,基于此背景下,智能识别更是当今世界的主题,人脸识别作为模式识别领域的热点研究问题受到了广泛的关注,异常行为的智能识别更是顺应了现在对公共安全的需求,均旨在提升生活实用领域的人工智能水平,建立具有适应性、资源效率的智能识别算法。目前监控系统往往只是对视频信号进行简单录制与传输,尚停留在监控人员对视频信号的人工监视和事后录像分析上,存在工作量巨大、异常事件响应速度慢或漏检漏报等不足。特别是对突发性异常事件的检测,由于异常行为发生的随机性大且无特定规律可寻,显然,这种依靠人工检测异常事件的方式已远远不能满足目前视频监控的需要,寻求一种能直接处理并识别的监控方法,迫在眉睫。市面上常用的危险人物检测只能够通过X光人工对刀具进行识别,或者使用传统算法对刀具进行检测,再由人工进行判断,非常繁琐且不方便。
技术实现思路
本专利技术的目的在于克服现有技术的缺点与不足,提供一种异常行为检测方法及其系统,此方法及其系统可实现准确高效地处理多种人体行为与大量人体骨骼数据,自动识别视频监控中出现的异常行为。本专利技术的目的通过以下的技术方案实现:一种异常行为检测方法,包括步骤:使用神经网络人体骨架提取模型,提取视频中的动态的人体骨骼关节点,形成骨骼数据集;通过ST-GCN(空间-时间图卷积)网络获得与骨骼相对应的更高级的行为特征图,即表面行为特征;将行为特征图输入到异常行为分类器模型中,匹配以识别行为类型;其中,所述人体骨架提取模型的建立步骤如下:提取训练 ...
【技术保护点】
1.一种异常行为检测方法,其特征在于,包括步骤:使用神经网络人体骨架提取模型,提取视频中的动态的人体骨骼关节点,形成骨骼数据集;通过ST‑GCN网络获得与骨骼相对应的更高级的行为特征图,即表面行为特征;将行为特征图输入到异常行为分类器模型中,匹配以识别行为类型;其中,所述人体骨架提取模型的建立步骤如下:提取训练集中的人体骨骼关节点,生成关节序列;堆叠RNN网络以提供每个时间步长的所有关节的级联坐标,分层RNN以模拟不同部位以及整个身体的动作,对关节点提取识别人物动作;通过视图自适应子网络确定观察视点,得到骨架数据;迭代训练以最小化损失函数,最终得到人体骨架提取模型;所述ST‑GCN网络是基于使用双流递归时间动态和空间配置的神经网络人体骨架提取模型,进一步提取了动态的人体骨骼;所述异常行为分类器模型的建立步骤如下:针对想要识别的各种异常行为,提取人体骨骼关节点形成骨骼数据集作为训练集;用训练集训练Softmax分类器并最小化损失函数,得到区分不同异常行为的分类器模型。
【技术特征摘要】
1.一种异常行为检测方法,其特征在于,包括步骤:使用神经网络人体骨架提取模型,提取视频中的动态的人体骨骼关节点,形成骨骼数据集;通过ST-GCN网络获得与骨骼相对应的更高级的行为特征图,即表面行为特征;将行为特征图输入到异常行为分类器模型中,匹配以识别行为类型;其中,所述人体骨架提取模型的建立步骤如下:提取训练集中的人体骨骼关节点,生成关节序列;堆叠RNN网络以提供每个时间步长的所有关节的级联坐标,分层RNN以模拟不同部位以及整个身体的动作,对关节点提取识别人物动作;通过视图自适应子网络确定观察视点,得到骨架数据;迭代训练以最小化损失函数,最终得到人体骨架提取模型;所述ST-GCN网络是基于使用双流递归时间动态和空间配置的神经网络人体骨架提取模型,进一步提取了动态的人体骨骼;所述异常行为分类器模型的建立步骤如下:针对想要识别的各种异常行为,提取人体骨骼关节点形成骨骼数据集作为训练集;用训练集训练Softmax分类器并最小化损失函数,得到区分不同异常行为的分类器模型。2.根据权利要求1所述的异常行为检测方法,其特征在于,所述提取训练集中的人体骨骼关节点的具体步骤为:利用3D转换技术选取关节物理结构并获取人体在运动中的骨骼3D坐标;使用遍历方法将坐标关节图转换成矩阵参数,矩阵参数的顺序与访问顺序相同,从而提取视频人体骨骼关节点。3.根据权利要求1所述的异常行为检测方法,其特征在于,所述堆叠RNN网络堆叠两层RNN,对所有层采用LSTM神经元。4.根据权利要求1所述的异常行为检测方法,其特征在于,将人体骨骼分成五个部位,即两个手臂、两个腿和一个躯干;所述分层RNN将分层结构垂直分为两层:在第一层使用第一RNN,根据每个时间步关节的连接坐标来模拟每个骨骼部位的时间运动;在第二层,将不同部位的RNN输出连接起来,并采用第二RNN来模拟整个身体的运动。5.根据权利要求1所述的异常行为检测方法,其特征在于,所述通过视图自适应子网络确定观察视点,得到骨架数据的步骤具体为:在对应于第t帧的时隙处,利用skeletonVtas输入,利用LSTM子网的旋转分支子网和转换分支子网,学习旋转参数αt,βt,γt和转换参数dt以获得旋转矩阵Rt,以及对应于全局坐标系的转化矢量;具体计算公式为:(1)旋转参数:其中,是LSTM层的隐藏输出向量,其中包含LSTM中子数;Wr∈R3×N和br∈R3×1分别表示FC层的权重矩阵和偏移矢量;(2)转换参数:其中是其LSTM的隐藏输出向量,Wr∈R3×N和br∈R3×1表示FC层的权重矩阵和偏移向量;在第t帧的观察视角下,通过视图自适应递归图得到骨架的表示。6.根据权利要求5所述的异常行为检测方法,其特征在于所述视图自适应子网络结构为分离的两个LSTM层,并对分离的两层使用相同的骨架输入;其中的主LSTM网络从视图调节的骨架数据中从头到尾学习时间动态并执行特征映射以进行动作识别。7.根据权利要求1所述的异常行为检测方法,其特征在于,所述异常行为分类器模型的建立步骤具体为:行为类别标签y>2时,给定m个训练样本:...
【专利技术属性】
技术研发人员:伍冯洁,潘伟旋,詹逸,李锦韬,林佳翰,郑振勤,黄成浩,
申请(专利权)人:广州大学,
类型:发明
国别省市:广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。