本发明专利技术公开了一种基于无监督异常检测的溺水检测方法及装置，其中方法包括：获取水下视频流，并对水下视频流进行图像增强；将图像增强后的水下视频流输入到预先训练好的轻量级目标检测模型，以通过轻量级目标检测模型判断水下视频流中游泳者的人体姿态是否为垂直状态；如果判断结果为是，则采用深度高斯异常分类法计算该水下视频流对应的游泳者特征向量与正常高斯模型的马氏距离，并将该马氏距离作为异常得分；判断异常得分是否大于预设得分阈值；如果是，则认为该水下视频流对应的游泳者发生溺水，并生成报警信息；能够有效提高溺水检测的精准度和实时性，并在发现溺水现象之后进行报警，进而保障游泳者的生命安全。进而保障游泳者的生命安全。进而保障游泳者的生命安全。
【技术实现步骤摘要】
基于无监督异常检测的溺水检测方法及装置
[0001]本专利技术涉及水下图像检测
，特别涉及一种基于无监督异常检测的溺水检测方法和一种基于无监督异常检测的溺水检测装置。
技术介绍
[0002]随着社会的不断发展，游泳在人们的生活中也越来越普及。尤其是在夏天，游泳池是人们消暑纳凉、锻炼身体的好去处。然而，溺水事件也是频频发生。
[0003]相关技术中，在进行溺水检测时，多存在精确度地、实时性差的问题，无法在短时间内发现溺水现象并发出报警信号，从而无法保障游泳者的生命安全。
技术实现思路
[0004]本专利技术旨在至少在一定程度上解决上述技术中的技术问题之一。为此，本专利技术的一个目的在于提出一种基于无监督异常检测的溺水检测方法，能够有效提高溺水检测的精准度和实时性，并在发现溺水现象之后进行报警，进而保障游泳者的生命安全。
[0005]本专利技术的第二个目的在于提出一种基于无监督异常检测的溺水检测装置。
[0006]为达到上述目的，本专利技术第一方面实施例提出了一种基于无监督异常检测的溺水检测方法，包括以下步骤：获取水下视频流，并对所述水下视频流进行图像增强；将图像增强后的水下视频流输入到预先训练好的轻量级目标检测模型，以通过所述轻量级目标检测模型判断所述水下视频流中游泳者的人体姿态是否为垂直状态；如果判断结果为是，则采用深度高斯异常分类法计算该水下视频流对应的游泳者特征向量与正常高斯模型的马氏距离，并将该马氏距离作为异常得分；判断所述异常得分是否大于预设得分阈值；如果是，则认为该水下视频流对应的游泳者发生溺水，并生成报警信息。
[0007]根据本专利技术实施例的基于无监督异常检测的溺水检测方法，首先，获取水下视频流，并对所述水下视频流进行图像增强；接着，将图像增强后的水下视频流输入到预先训练好的轻量级目标检测模型，以通过所述轻量级目标检测模型判断所述水下视频流中游泳者的人体姿态是否为垂直状态；然后，如果判断结果为是，则采用深度高斯异常分类法计算该水下视频流对应的游泳者特征向量与正常高斯模型的马氏距离，并将该马氏距离作为异常得分；接着，判断所述异常得分是否大于预设得分阈值；然后，如果是，则认为该水下视频流对应的游泳者发生溺水，并生成报警信息；从而实现有效提高溺水检测的精准度和实时性，并在发现溺水现象之后进行报警，进而保障游泳者的生命安全。
[0008]另外，根据本专利技术上述实施例提出的基于无监督异常检测的溺水检测方法还可以具有如下附加的技术特征：
[0009]可选地，对所述水下视频流进行图像增强，包括：通过限制对比度自适应直方图均衡化算法对所述水下视频流的RGB三通道分别进行增强，以输出图像增强后的水下视频流。
[0010]可选地，采用深度高斯异常分类法计算该水下视频流对应的游泳者特征向量与正常高斯模型的马氏距离之前，还包括：获取第一正常游泳者图像数据集，并根据所述第一正
常游泳者图像数据集进行训练，以得到第一卷积自编码器，只保留第一卷积自编码器的编码器部分的网络，得到第一编码器网络；获取第二正常游泳者图像数据集，并将所述第二正常游泳者图像数据集输入到所述第一编码器网络，以通过所述第一编码器网络提取所述第二正常游泳者图像数据集中人体正常样本的特征向量；根据所述人体正常样本的特征向量构建多元高斯模型，并将所述多元高斯模型作为正常高斯模型；对所述第一编码器网络进行再次训练，以得到第二编码器网络，以便在将水下视频流输入到所述第二编码器网络中时，通过所述第二编码器网络输出对应的游泳者特征向量。
[0011]可选地，所述第一卷积自编码器的损失函数通过以下公式表述：
[0012][0013]其中，Loss1表示损失函数，x
i
表示输入图像，表示输出的重构图像，λ表示正则化的超参数，W表示第一卷积自编码器的权重参数。
[0014]可选地，所述正常高斯模型的均值、协方差矩阵和概率密度函数通过以下公式表述：
[0015][0016]其中，μ表示正常高斯模型的均值，φ(x
i
)表示所述第一编码器网络的输出，m表示人体正常样本的总数量；
[0017][0018]其中，Σ表示协方差矩阵，T表示对该向量进行转置；
[0019][0020]其中，p(x)表示概率密度函数，n表示特征向量的维度。
[0021]可选地，还包括：采用模型裁剪和量化策略对正常高斯模型进行压缩加速，以提高人体目标检测与无监督异常检测效率。
[0022]为达到上述目的，本专利技术第二方面实施例提出了一种基于无监督异常检测的溺水检测装置，包括：采集模块，所述采集模块用于获取水下视频流；图像增强模块，所述图像增强模块用于对所述水下视频流进行图像增强；目标检测模块，所述目标检测模块用于将图像增强后的水下视频流输入到预先训练好的轻量级目标检测模型，以通过所述轻量级目标检测模型判断所述水下视频流中游泳者的人体姿态是否为垂直状态；无监督异常检测模块，所述无监督异常检测模块用于在判断结果为是时，采用深度高斯异常分类法计算该水下视频流对应的游泳者特征向量与正常高斯模型的马氏距离，并将该马氏距离作为异常得分；判断模块，所述判断模块用于判断所述异常得分是否大于预设得分阈值，并在判断结果为是时，认为该水下视频流对应的游泳者发生溺水，并生成报警信息；通信模块，所述通信模块用于将所述报警信息发送给相关管理人员。
[0023]根据本专利技术实施例的基于无监督异常检测的溺水检测装置，通过设置采集模块用于获取水下视频流；图像增强模块用于对所述水下视频流进行图像增强；目标检测模块用于将图像增强后的水下视频流输入到预先训练好的轻量级目标检测模型，以通过所述轻量
级目标检测模型判断所述水下视频流中游泳者的人体姿态是否为垂直状态；无监督异常检测模块用于在判断结果为是时，采用深度高斯异常分类法计算该水下视频流对应的游泳者特征向量与正常高斯模型的马氏距离，并将该马氏距离作为异常得分；判断模块用于判断所述异常得分是否大于预设得分阈值，并在判断结果为是时，认为该水下视频流对应的游泳者发生溺水，并生成报警信息；通信模块用于将所述报警信息发送给相关管理人员；从而实现有效提高溺水检测的精准度和实时性，并在发现溺水现象之后进行报警，进而保障游泳者的生命安全。
[0024]另外，根据本专利技术上述实施例提出的基于无监督异常检测的溺水检测装置还可以具有如下附加的技术特征：
[0025]可选地，对所述水下视频流进行图像增强，包括：通过限制对比度自适应直方图均衡化算法对所述水下视频流的RGB三通道分别进行增强，以输出图像增强后的水下视频流。
[0026]可选地，采用深度高斯异常分类法计算该水下视频流对应的游泳者特征向量与正常高斯模型的马氏距离之前，还包括：获取第一正常游泳者图像数据集，并根据所述第一正常游泳者图像数据集进行训练，以得到第一卷积自编码器，只保留第一卷积自编码器的编码器部分的网络，得到第一编码器网络；获取第二正常游泳者图像数据集，并将所述第二正常游泳者图像数据集输入到所述第一编本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于无监督异常检测的溺水检测方法，其特征在于，包括以下步骤：获取水下视频流，并对所述水下视频流进行图像增强；将图像增强后的水下视频流输入到预先训练好的轻量级目标检测模型，以通过所述轻量级目标检测模型判断所述水下视频流中游泳者的人体姿态是否为垂直状态；如果判断结果为是，则采用深度高斯异常分类法计算该水下视频流对应的游泳者特征向量与正常高斯模型的马氏距离，并将该马氏距离作为异常得分；判断所述异常得分是否大于预设得分阈值；如果是，则认为该水下视频流对应的游泳者发生溺水，并生成报警信息。2.如权利要求1所述的基于无监督异常检测的溺水检测方法，其特征在于，对所述水下视频流进行图像增强，包括：通过限制对比度自适应直方图均衡化算法对所述水下视频流的RGB三通道分别进行增强，以输出图像增强后的水下视频流。3.如权利要求1所述的基于无监督异常检测的溺水检测方法，其特征在于，采用深度高斯异常分类法计算该水下视频流对应的游泳者特征向量与正常高斯模型的马氏距离之前，还包括：获取第一正常游泳者图像数据集，并根据所述第一正常游泳者图像数据集进行训练，以得到第一卷积自编码器，只保留第一卷积自编码器的编码器部分的网络，得到第一编码器网络；获取第二正常游泳者图像数据集，并将所述第二正常游泳者图像数据集输入到所述第一编码器网络，以通过所述第一编码器网络提取所述第二正常游泳者图像数据集中人体正常样本的特征向量；根据所述人体正常样本的特征向量构建多元高斯模型，并将所述多元高斯模型作为正常高斯模型；对所述第一编码器网络进行再次训练，以得到第二编码器网络，以便在将水下视频流输入到所述第二编码器网络中时，通过所述第二编码器网络输出对应的游泳者特征向量。4.如权利要求3所述的基于无监督异常检测的溺水检测方法，其特征在于，所述第一卷积自编码器的损失函数通过以下公式表述：其中，Loss1表示损失函数，x
i
表示输入图像，表示输出的重构图像，λ表示正则化的超参数，W表示第一卷积自编码器的权重参数。5.如权利要求3所述的基于无监督异常检测的溺水检测方法，其特征在于，所述正常高斯模型的均值、协方差矩阵和概率密度函数通过以下公式表述：其中，μ表示正常高斯模型的均值，φ(x
i
)表示所述第一编码器网络的输出，m表示人体正常样本的总数量；
其中，Σ表示协方差矩阵，T表示对该向量进行转置；其中，p(x)表示概率密度函数，n表示特征向量的维度。6.如权利要求1所述...
【专利技术属性】
技术研发人员：袁飞，刘庭壮，何心宇，刘佳惠，
申请(专利权)人：厦门大学，
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。