本发明专利技术涉及人员监控技术领域，具体涉及基于动作识别的异常行为监管方法、装置及存储介质。包括获取目标人员在目标场景下的监控视频流；将监控视频流逐帧输入异常行为检测神经网络模型，进行目标人员动作识别检测，输出检测结果；根据检测结果判定目标人员在目标场景下是否有异常行为；在判定目标人员在目标场景下有异常行为时，根据检测结果确定异常行为开始帧及异常行为结束帧，并截取从异常行为开始帧到异常行为结束帧的监控视频作为异常行为视频；生成异常行为预警指令，并将异常行为预警指令与异常行为视频同步发送至客户移动终端。本发明专利技术可以替代人工监测方式，高效监测到人员在目标场景下的异常行为，并及时发出相应预警提示信息。提示信息。提示信息。
【技术实现步骤摘要】
基于动作识别的异常行为监管方法、装置及存储介质
[0001]本专利技术涉及人员监控
，具体涉及基于动作识别的异常行为监管方法、装置及存储介质。
技术介绍
[0002]随着社会的发展和城市智能化的推进，视频监控的应用也越来越普及，逐渐被应用到家庭、商场、交通路口、银行、车站和学校等场所，以保障所监管区域中人员的人身与财产安全。
[0003]对监管区域进行视频监控的主要目的之一是利用相关视频对监管区域中发生的事件进行实时展现及事后的追溯查看，确定所监管区域中的人员是否存在异常行为。目前，对监管区域的监控视频大都还是通过人工值守的方式进行实时异常监管，并通过回溯查看来追溯异常，这样的方式监管效率极低，且非常容易出现监管不到位的情况。
[0004]随着机器视觉技术的发展，针对监控视频开始出现相应的异常行为智能检测技术，以在监控视频内发现异常行为时及时给出提示信息。但是目前常用的异常行为检测主要为越界、入侵禁区的行为检测，检测准确率较，且无法对人员异常动作进行检测。而在一些特定的场合需要对人员的行为动作进行异常检测，如搬家时，需要对搬家人员的动作进行检测，以判断是否有盗窃、破坏财务的行为。在这样的需求下，现有技术还无法满足要求。
技术实现思路
[0005]针对现有技术存在的不足，本专利技术提供了基于动作识别的异常行为监管方法、装置及存储介质，其应用时，可以替代人工监测方式，高效监测到人员在目标场景下的异常行为，并及时发出相应预警提示信息。
[0006]第一方面，本专利技术提供基于动作识别的异常行为监管方法，包括：
[0007]获取目标人员在目标场景下的监控视频流；
[0008]将监控视频流逐帧输入异常行为检测神经网络模型，通过异常行为检测神经网络模型对目标人员在目标场景下的动作进行识别检测，并输出检测结果；
[0009]根据检测结果判定目标人员在目标场景下是否有异常行为；
[0010]在判定目标人员在目标场景下有异常行为时，根据检测结果确定异常行为开始帧及异常行为结束帧，并截取从异常行为开始帧到异常行为结束帧的监控视频作为异常行为视频；
[0011]生成异常行为预警指令，并将异常行为预警指令与异常行为视频同步发送至客户移动终端。
[0012]基于上述
技术实现思路
，通过将目标人员在目标场景下的监控视频流输入相应的异常行为检测神经网络模型，然后通过异常行为检测神经网络模型来对监控视频进行动作识别检测，以智能、高效地检测出目标人员是否有异常行为，在检测到目标人员有异常行为时，截取异常行为从开始到结束的监控视频作为异常行为视频，通过生成异常行为预警指令来
与异常行为视频同步发送至客户移动终端，便于客户自行查看并做出应对。通过这样的方法可以替代人工监测方式，高效监测到人员在目标场景下的异常行为，并及时发出相应预警提示信息。
[0013]在一个可能的设计中，所述异常行为检测神经网络模型采用VGG深度神经网络模型，其损失函数采用交叉熵损失函数。
[0014]在一个可能的设计中，所述方法还包括对异常行为检测神经网络模型进行训练，训练过程包括：
[0015]获取目标场景下的人员异常行为动作训练样本；
[0016]对训练样本进行图像预处理，调整图像大小；
[0017]将预处理后的训练样本输入异常行为检测神经网络模型进行训练，直至异常行为检测神经网络模型对目标场景下的人员异常行为动作检测准确率达到第一设定阈值，召回率达到第二设定阈值。
[0018]在一个可能的设计中，所述将预处理后的训练样本输入异常行为检测神经网络模型进行训练，包括：采用批量梯度下降算法和反向传播算法训练异常行为检测神经网络模型。
[0019]在一个可能的设计中，所述异常行为检测神经网络模型对目标人员在目标场景下的动作进行识别检测过程包括：
[0020]对帧图像进行特征提取，获得目标人员的关节点及关节点对应的图像坐标；
[0021]根据关节点对应的图像坐标计算各关节点之间的距离；
[0022]计算相邻帧图像相同关节点之间的位移差，以及各关节点之间的距离变化值；
[0023]根据相邻帧图像相同关节点之间的位移差以及各关节点之间的距离变化值判定目标人员的动作是否为异常行为。
[0024]在一个可能的设计中，所述获取目标人员在目标场景下的监控视频流，包括：
[0025]接收客户移动终端发送的目标人员在目标场景下的原始监控视频；
[0026]对原始监控视频进行关键帧提取；
[0027]将提取出的关键帧按时间顺序整合成监控视频流。
[0028]在一个可能的设计中，所述将异常行为预警指令与异常行为视频同步发送至客户移动终端，包括：
[0029]将异常行为视频进行密钥加密，生成加密视频包；
[0030]将预警指令转换成二进制代码，并以转换后的二进制代码命名加密视频包；
[0031]将命名后的加密视频包通过加密通道传输至客户移动终端。
[0032]第二方面，本专利技术提供基于动作识别的异常行为监管装置，包括：
[0033]获取单元，用于获取目标人员在目标场景下的监控视频流；
[0034]检测单元，用于将监控视频流逐帧输入异常行为检测神经网络模型，通过异常行为检测神经网络模型对目标人员在目标场景下的动作进行识别检测，并输出检测结果；
[0035]判定单元，根据检测结果判定目标人员在目标场景下是否有异常行为；
[0036]截取单元，用于在判定目标人员在目标场景下有异常行为时，根据检测结果确定异常行为开始帧及异常行为结束帧，并截取从异常行为开始帧到异常行为结束帧的监控视频作为异常行为视频；
[0037]发送单元，用于生成异常行为预警指令，并将异常行为预警指令与异常行为视频同步发送至客户移动终端。
[0038]第三方面，本专利技术提供基于动作识别的异常行为监管装置，所述装置包括：
[0039]存储器，用于存储指令；
[0040]处理器，用于读取所述存储器中存储的指令，并根据指令执行上述第一方面中任意一种所述的方法。
[0041]第四方面，本专利技术提供一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，使得所述计算机执行上述第一方面中任意一种所述的方法。
[0042]第五方面，本专利技术提供一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行上述第一方面中任意一种所述的方法。
[0043]本专利技术的有益效果为：
[0044]本专利技术通过将目标人员在目标场景下的监控视频流输入相应的异常行为检测神经网络模型，然后通过异常行为检测神经网络模型来对监控视频进行动作识别检测，以智能、高效地检测出目标人员是否有异常行为，在检测到目标人员有异常行为时，截取异常行为从开始到结束的监控视频作为异常行为视频，通过生成异常行为预警指令来与异常行为视频同步发送至客户移动终端，便于客户自行本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.基于动作识别的异常行为监管方法，其特征在于，包括：获取目标人员在目标场景下的监控视频流；将监控视频流逐帧输入异常行为检测神经网络模型，通过异常行为检测神经网络模型对目标人员在目标场景下的动作进行识别检测，并输出检测结果；根据检测结果判定目标人员在目标场景下是否有异常行为；在判定目标人员在目标场景下有异常行为时，根据检测结果确定异常行为开始帧及异常行为结束帧，并截取从异常行为开始帧到异常行为结束帧的监控视频作为异常行为视频；生成异常行为预警指令，并将异常行为预警指令与异常行为视频同步发送至客户移动终端。2.根据权利要求1所述的基于动作识别的异常行为监管方法，其特征在于，所述异常行为检测神经网络模型采用VGG深度神经网络模型，其损失函数采用交叉熵损失函数。3.根据权利要求2所述的基于动作识别的异常行为监管方法，其特征在于，所述方法还包括对异常行为检测神经网络模型进行训练，训练过程包括：获取目标场景下的人员异常行为动作训练样本；对训练样本进行图像预处理，调整图像大小；将预处理后的训练样本输入异常行为检测神经网络模型进行训练，直至异常行为检测神经网络模型对目标场景下的人员异常行为动作检测准确率达到第一设定阈值，召回率达到第二设定阈值。4.根据权利要求3所述的基于动作识别的异常行为监管方法，其特征在于，所述将预处理后的训练样本输入异常行为检测神经网络模型进行训练，包括：采用批量梯度下降算法和反向传播算法训练异常行为检测神经网络模型。5.根据权利要求2所述的基于动作识别的异常行为监管方法，其特征在于，所述异常行为检测神经网络模型对目标人员在目标场景下的动作进行识别检测过程包括：对帧图像进行特征提取，获得目标人员的关节点及关节点对应的图像坐标；根据关节点对应的图像坐标计算各关节点之间的距离；计算相邻帧图像相同关节点之间的位移差，以及各关节点之间的距离变化值；根据相邻帧图像相同关节点之间...
【专利技术属性】
技术研发人员：焦雨桐，
申请(专利权)人：天天惠民北京智能物流科技有限公司，
类型：发明
国别省市：
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。