【技术实现步骤摘要】
异常行为识别方法、装置、电子设备及存储介质
本专利技术涉及人工智能
，尤其涉及一种异常行为识别方法、装置、电子设备及存储介质。
技术介绍
随着人口的密集程度越来越高，在社区以及园区经常会出现很多聚集性的异常事件，比如打架斗殴等行为，这给社会安全带来了极大威胁。目前，在对异常行为进行识别时，通常采取的算法是基于姿态估计，根据提取的关键点再训练分类器，这种方法强烈依赖于人体关键点的识别准确度，但打架行为发生时，会产生很多遮挡的情况，特别是人群聚集的时候，造成识别不准。因此，如何提高异常行为的识别率是一个亟待解决的技术问题。
技术实现思路
鉴于以上内容，有必要提供一种异常行为识别方法、装置、电子设备及存储介质，能够提高异常行为的识别率。本专利技术的第一方面提供一种异常行为识别方法，所述异常行为识别方法包括：获取图像数据集；基于预先训练好的行人目标检测器，对所述图像数据集中的每张图像进行行人检测，获得行人坐标框；根据设定的类间距离，对所述行人坐标框进行聚类，以及对聚类后的行人...
【技术保护点】
1.一种异常行为识别方法，其特征在于，所述异常行为识别方法包括：/n获取图像数据集；/n基于预先训练好的行人目标检测器，对所述图像数据集中的每张图像进行行人检测，获得行人坐标框；/n根据设定的类间距离，对所述行人坐标框进行聚类，以及对聚类后的行人坐标框进行合并，获得新坐标框；/n根据所述新坐标框，对所述图像进行截取，获得多个截图样本；/n基于所述多个截图样本，训练卷积神经网络，获得异常行为分类器模型；/n根据所述行人目标检测器和所述异常行为分类器模型，对待检测图像进行识别，获得异常行为概率；/n根据所述异常行为概率，确定异常行为识别结果。/n
【技术特征摘要】
1.一种异常行为识别方法，其特征在于，所述异常行为识别方法包括：
获取图像数据集；
基于预先训练好的行人目标检测器，对所述图像数据集中的每张图像进行行人检测，获得行人坐标框；
根据设定的类间距离，对所述行人坐标框进行聚类，以及对聚类后的行人坐标框进行合并，获得新坐标框；
根据所述新坐标框，对所述图像进行截取，获得多个截图样本；
基于所述多个截图样本，训练卷积神经网络，获得异常行为分类器模型；
根据所述行人目标检测器和所述异常行为分类器模型，对待检测图像进行识别，获得异常行为概率；
根据所述异常行为概率，确定异常行为识别结果。
2.根据权利要求1所述的异常行为识别方法，其特征在于，所述获取图像数据集之前，所述异常行为识别方法还包括：
获取训练集和验证集；
设置初始学习率以及调整学习率，其中，所述初始学习率大于所述调整学习率；
基于所述初始学习率以及Adam优化算法，使用所述训练集对YOLOv3框架进行训练，获得中间模型；
将所述验证集输入至所述中间模型，当所述验证集的损失函数达到收敛时，基于所述调整学习率以及随机梯度下降SGD算法，对所述中间模型进行训练；
当所述验证集的损失函数达到收敛时，确定当前收敛时的模型为行人目标检测器。
3.根据权利要求1所述的异常行为识别方法，其特征在于，所述根据设定的类间距离，对所述行人坐标框进行聚类包括：
按照每个行人坐标框的概率从高到低的顺序，对所述行人坐标框进行排序，获得排序框；
将概率最高的行人坐标框确定为基准框；
依次遍历所述排序框中排序在所述基准框之后的剩余框，并计算所述基准框与每个所述剩余框的欧式距离；
根据设定的类间距离以及所述欧式距离，对所述行人坐标框进行聚类。
4.根据权利要求1所述的异常行为识别方法，其特征在于，所述对聚类后的行人坐标框进行合并，获得新坐标框包括：
对聚类后的行人坐标框进行合并，获得第一坐标框；
判断所述第一坐标框的宽是否小于第一阈值，以及判断所述第一坐标框的高是否小于第二阈值；
若所述第一坐标框的宽小于第一阈值，且所述第一坐标框的高小于第二阈值，获取所述第一坐标框的中心点，以及获取预先设置的预设宽和预设高；
判断基于所述中心点、所述预设宽以及所述预设高的第二坐标框是否超过所述图像的边界坐标；
若基于所述中心点、所述预设宽以及所述预设高的第二坐标框未超过所述图像的边界坐标，确定所述第二坐标框为新坐标框。
5.根据权利要求4所述的异常行为识别方法，其特征在于，所述异常行为识...
【专利技术属性】
技术研发人员：侯冰基，
申请(专利权)人：平安国际智慧城市科技股份有限公司，
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。