【技术实现步骤摘要】
一种异常行为识别方法及装置
本专利技术涉及图像处理领域，具体而言，涉及一种异常行为识别方法及装置。
技术介绍
近年来，出于安防的需要，智能监控技术越来越受到研究人员以及应用人员的关注。在公众场合，通过安装视频监控系统监控现场，方便对特殊事件发生进行及时处理，同时也对现场所发生的事进行记录，方便回看，为事件的调查和取证提供客观有力的证据。目前，监控摄像头得到的视频监控数据只能通过人工解读，不仅耗时耗力，而且效率不高，不能保证不会错过每一个重要的细节，无法高效率、高质量的运用这些视频资源。网络监控摄像头布局广，可以在监控摄像头上部署打架检测识别算法，在公共场合安装能够检测出是否打架的摄像头并做出警报能大大减少人力和财力，并且能帮助快速定位地点，处理打架斗殴事件，对维护社会稳定和保护群众安全起到了非常重要的作用。随着深度学习的发展，越来越多领域结合深度学习取得了不错的效果，比如人脸识别，人体检测，行人重识别等。其中深度卷积神经网络能自动学习图像的特征，消去了人工选取特征的局限性，且卷积拥有权值共享的特点，减少了参数。长短时记忆网络...
【技术保护点】
1.一种异常行为识别方法，其特征在于，包括：/n获取待处理视频图像的RGB图，分别对所述RGB图进行处理得到光流图与视差图；/n分别确定所述RGB图、所述光流图以及所述视差图的图像特征；/n分别根据所述RGB图、所述光流图以及所述视差图的图像特征确定所述视频图像中存在异常行为的第一概率、第二概率以及第三概率；/n根据所述第一概率、所述第二概率、所述第三概率以及预先设置的所述RGB图的权重、所述光流图的权重、所述视差图的权重确定所述视频图像存在所述异常行为的目标概率；/n在所述目标概率大于或等于预设阈值的情况下，确定所述视频图像中存在所述异常行为。/n
【技术特征摘要】
1.一种异常行为识别方法，其特征在于，包括：
获取待处理视频图像的RGB图，分别对所述RGB图进行处理得到光流图与视差图；
分别确定所述RGB图、所述光流图以及所述视差图的图像特征；
分别根据所述RGB图、所述光流图以及所述视差图的图像特征确定所述视频图像中存在异常行为的第一概率、第二概率以及第三概率；
根据所述第一概率、所述第二概率、所述第三概率以及预先设置的所述RGB图的权重、所述光流图的权重、所述视差图的权重确定所述视频图像存在所述异常行为的目标概率；
在所述目标概率大于或等于预设阈值的情况下，确定所述视频图像中存在所述异常行为。
2.根据权利要求1所述的方法，其特征在于，在分别对所述RGB图进行处理得到光流图与视差图之前，所述方法还包括：
检测所述视频图像中目标对象的数量以及所述目标对象之间的距离；
确定所述目标对象的数量大于1且所述目标对象之间的距离小于预设阈值。
3.根据权利要求1所述的方法，其特征在于，分别确定所述RGB图、所述光流图以及所述视差图的图像特征包括：
分别将所述RGB图、所述光流图以及所述视差图输入到预先训练好的第一目标神经网络模型中，得到所述第一目标神经网络模型输出的所述RGB图、所述光流图以及所述视差图的图像特征。
4.根据权利要求1所述的方法，其特征在于，分别根据所述RGB图、所述光流图以及所述视差图的图像特征确定所述视频图像中存在异常行为的第一概率、第二概率以及第三概率包括：
分别将所述RGB图、所述光流图以及所述视差图的图像特征输入到预先训练好的第二目标神经网络模型中，得到所述第二目标神经网络模型输出的所述第一概率、所述第二概率以及所述第三概率。
5.根据权利要求4所述的方法，其特征在于，分别将所述RGB图、所述光流图以及所述视差图的图像特征输入到预先训练好的第二目标神经网络模型中，得到所述第二目标神经网络模型输出的所述第一概率、所述第二概率以及所述第三概率包括：
分别将所述RGB图、所述光流图以及所述视差图的图像特征输入到所述第二目标神经网络模型的至少一层LSTM，得到所述至少一层LSTM输出的图像特征；
分别将所述光流图、所述RGB图以及所述视差图的所述至少一层LSTM输出的图像特征输入到所述第二目标神经网络模型的softmax层，得到所述softmax层输出的所述第一概率、所述第二概率以及所述第三概率。
6.根据权利要求1所述的方法，其特征在于，在分别确定所述RGB图、所述光流图以及所述视差图的图像特征之前，所述方法还包括：
获取第一预定数量的双目图像采集装置采集的视频图像对应的RGB图、光流图以及视差图；
分别通过所述第...
【专利技术属性】
技术研发人员：李中振，潘华东，殷俊，张兴明，彭志蓉，高美，
申请(专利权)人：浙江大华技术股份有限公司，
类型：发明
国别省市：浙江;33
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。