人体异常姿态检测方法技术

本发明专利技术公开了一种人体异常姿态检测方法，包括以下步骤：S11、获取目标图像；S12、检测所述目标图像中人体在所述目标图像中的区域位置以及人体姿态；S13、判断所述人体姿态是否处于异常姿态；S15、若存在异常姿态，判断该异常姿态是否为同一人体首次出现的异常姿态；若该异常姿态为同一人体首次出现的异常姿态，进入S16步骤，否则转入S17步骤；S16、存储该人体的异常姿态对应的异常姿态类别、异常次数、所述人体在所述目标图像中的区域位置以及存储时间以作为异常目标数据；S17、找出与该异常姿态对应的区域位置交并比最大的区域，并比较它们的相似度；S18、判断所述相似度是否超过第一预设阈值；S19、若超过第一预设阈值，生成异常姿态预警。态预警。态预警。

【技术实现步骤摘要】
人体异常姿态检测方法


[0001]本专利技术涉及一种人体异常姿态检测方法。

技术介绍

[0002]目前在异常姿态检测领域如跌倒检测，主要有三个研究方向：1.基于可穿戴式设备传 感器的检测2.基于物联网环境信息的检测3.基于智能监控技术的检测。基于可穿戴设备 方法可能由于设备磨损或损坏或者忘记佩戴，将无法检测到异常状态；基于环境传感器方 法(如压力、声音、振动等)由于部署成本或者检测准确性的问题，目前也无法很好的应用. 智能监控技术通过摄像头采集图像，再对图像进行识别，不仅实时性强，准确率高，成本 也相对低廉。因此，通过智能监控技术来实现异常姿态检测是一个比较好的选择。
[0003]但目前大多数基于智能监控技术的异常姿态检测存在以下两方面的问题：1)适用场 景局限，以单人室内场景为主，无法利旧现有监控设备；2)算法准确率和速度没有达到 一个平衡。一部分专利技术基于传统算法，手工构造特征，虽然运算速度快，但不够鲁棒，受 场景复杂度、光照、摄像头安装位置影响较大；一部分专利技术以人体关键点检测为基础，准 确率高，但计算量太大，且数据标注成本过高，实用性不强。

技术实现思路

[0004]针对上述现有技术的不足，本专利技术所要解决的技术问题是：提供一种人体异常姿态检 测方法，解决适用场景局限，识别率低、易受环境影响、计算量大等缺陷，提供一种基于 深度学习的轻量级异常姿态检测和跟踪方法及其系统。
[0005]为解决上述技术问题，本专利技术采用的一个技术方案是：提供一种人体异常姿态检测方 法，包括以下步骤：
[0006]S11、获取目标图像；
[0007]S12、检测所述目标图像中人体在所述目标图像中的区域位置以及人体姿态；
[0008]S13、判断所述人体姿态是否处于异常姿态；
[0009]S15、若存在异常姿态，判断该异常姿态是否为同一人体首次出现的异常姿态；若该 异常姿态为同一人体首次出现的异常姿态，进入S16步骤，否则转入S17步骤；
[0010]S16、存储该人体的异常姿态对应的异常姿态类别、异常次数、所述人体在所述目标 图像中的区域位置以及存储时间以作为异常目标数据；
[0011]S17、自所述异常目标数据中找出与该异常姿态对应的区域位置交并比最大的区域， 并比较它们的相似度；
[0012]S18、判断所述相似度是否超过第一预设阈值；
[0013]S19、若超过第一预设阈值，生成异常姿态预警。
[0014]进一步的，所述S10步骤包括以下子步骤：
[0015]S111、获取来自于目标区域的数个摄像装置的视频流；
[0016]S112、对所述图像视频流抽帧处理从而得到单帧的目标图像。
[0017]进一步的，所述S12步骤中，通过异常姿态检测网络检测所述目标图像中人体在所述 目标图像中的区域位置以及人体姿态，所述异常姿态检测网络包括特征提取网络以及检测 头网络，所述特征提取网络包含若干层次的卷积层；所述检测头网络包括定位器及分类器； 所述S12步骤包括以下子步骤：
[0018]S121、将所述目标图像作为所述特征提取网络的检测图像输入，并提取所述检测图像 的特征；
[0019]S122、选取所述特征提取网络中倒数N个特征响应图；
[0020]S123、获取每个特征响应图对应的锚框区域的特征；
[0021]S124、所述定位器根据输入的特征生成检测框偏移量，并根据预设的锚框位置和尺寸， 对检测框偏移量进行坐标校正，从而得到中心点坐标、长和宽，所述分类器根据所述输入 的特征生成人体姿态标签；其中，所述人体姿态标签包括站立、蹲下、躺下、截断；
[0022]S125、剔除标签为背景的检测框，从而获得人体区域检测框；其中，采用极大值抑制 消除重复的检测框；
[0023]S126、输出所述人体区域检测框以及人体姿态标签；
[0024]所述S13步骤中，通过输出的人体区域检测框以及人体姿态标签判断所述目标图像中 人体是否存在异常姿态。
[0025]进一步的，在S13步骤之后，还包括：
[0026]S14、将所述人体区域检测框送入行人重识别模块提取Reid特征,所述行人重识别模 块包括全局特征提取模块以及局部特征提取模块，本步骤包括以下子步骤；
[0027]S141、计算所述人体区域检测框的长宽比；
[0028]S142、判断计算得到的长宽比是否在预定阈值区间；若在预定阈值区间，则进入S143 步骤，若不在所述预定阈值区间，则转入S144步骤；
[0029]S143、则将所述人体区域检测框顺时针旋转90度；
[0030]S144、所述全局特征提取模块将所述人体区域检测框进行全局特征提取以得到全局特 征，所述局部特征提取模块将所述人体区域检测框进行局部特征提取以得到局部特征；
[0031]S445、将所述全局特征和局部特征向量拼接从而得到当前的异常姿态对应的Reid特 征；
[0032]S16步骤中，存储该人体的异常姿态对应的Reid特征、异常姿态类别、异常次数、所 述人体在所述目标图像中的区域位置以及存储时间以作为异常目标数据；
[0033]S17步骤中，自所述异常目标数据中找出与该异常姿态对应的区域位置交并比最大的 区域，并比较它们的Reid特征相似度。
[0034]进一步的，在所述S144步骤中，包括以下子步骤：
[0035]S1441、对所述人体区域检测框进行处理以得到对应的特征图；
[0036]S1442、将所述特征图水平切分成多块，以得到多个特征向量为f＝[f1,f2,
…
,f
n
]T
；
[0037]S1443、将所述多个特征向量进行广义平均池化操作得到经广义池化操作后的特征向 量
[0038]S1445、将所述多个特征向量垂直拼接成一单独的特征向量作为所述局部特征f_local。
[0039]进一步的，在所述S1442步骤中，通过以下公式得到所述经过广义平均池化操作：
[0040][0041]其中，p
i
为广义平均池化包含可学习的参数，pi初始值设为1.0，x表示输入特征， 即特征向量f。
[0042]进一步的，在所述S144步骤中，所述全局特征提取包括以下子步骤：
[0043]S1440
’
、对所述人体区域检测框进行处理以得到对应的特征图；
[0044]S1441
’
、对所述特征图进行广义平均池化操作得到经广义池化操作后的全局特征 f_global。
[0045]进一步的，在所述S18步骤中，若未超过所述第一预设阈值，则转入S16步骤。
[0046]进一步的，在所述S18步骤之后，还包括：
[0047]S18a、若超过第一预设阈值，判断该异常姿态出现的异常次数是否超过第二预设阈值； 若超过则进入S19步骤，否则转入S11步骤本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人体异常姿态检测方法，包括以下步骤：S11、获取目标图像；S12、检测所述目标图像中人体在所述目标图像中的区域位置以及人体姿态；S13、判断所述人体姿态是否处于异常姿态；S15、若存在异常姿态，判断该异常姿态是否为同一人体首次出现的异常姿态；若该异常姿态为同一人体首次出现的异常姿态，进入S16步骤，否则转入S17步骤；S16、存储该人体的异常姿态对应的异常姿态类别、异常次数、所述人体在所述目标图像中的区域位置以及存储时间以作为异常目标数据；S17、自所述异常目标数据中找出与该异常姿态对应的区域位置交并比最大的区域，并比较它们的相似度；S18、判断所述相似度是否超过第一预设阈值；S19、若超过第一预设阈值，生成异常姿态预警。2.如权利要求1所述的人体异常姿态检测方法，其特征在于，所述S10步骤包括以下子步骤：S111、获取来自于目标区域的数个摄像装置的视频流；S112、对所述图像视频流抽帧处理从而得到单帧的目标图像。3.如权利要求1所述的人体异常姿态检测方法，其特征在于：所述S12步骤中，通过异常姿态检测网络检测所述目标图像中人体在所述目标图像中的区域位置以及人体姿态，所述异常姿态检测网络包括特征提取网络以及检测头网络，所述特征提取网络包含若干层次的卷积层；所述检测头网络包括定位器及分类器；所述S12步骤包括以下子步骤：S121、将所述目标图像作为所述特征提取网络的检测图像输入，并提取所述检测图像的特征；S122、选取所述特征提取网络中倒数N个特征响应图；S123、获取每个特征响应图对应的锚框区域的特征；S124、所述定位器根据输入的特征生成检测框偏移量，并根据预设的锚框位置和尺寸，对检测框偏移量进行坐标校正，从而得到中心点坐标、长和宽，所述分类器根据所述输入的特征生成人体姿态标签；其中，所述人体姿态标签包括站立、蹲下、躺下、截断；S125、剔除标签为背景的检测框，从而获得人体区域检测框；其中，采用极大值抑制消除重复的检测框；S126、输出所述人体区域检测框以及人体姿态标签；所述S13步骤中，通过输出的人体区域检测框以及人体姿态标签判断所述目标图像中人体是否存在异常姿态。4.如权利要求3所述的人体异常姿态检测方法，其特征在于，在S13步骤之后，还包括：S14、将所述人体区域检测框送入行人重识别模块提取Reid特征,所述行人重识别模块包括全局特征提取模块以及局部特征提取模块，本步骤包括以下子步骤；S141、计算所述人体区域检测框的长宽比；S142、判断计算得到的长宽比是否在预定阈值区间；若在预定阈值区间，则进入S143步骤，若不在所述预定阈值区间，则转入S144步骤；S143、则将所述人体区域检测框顺时针旋转90度；
S144、所述全局特征提取模块将所述人体区域检测框进行全局特征提取以得到全局特征，所述局部特征提取模块将所述人体区域检测框进行局部特征提取以得到局部特征；S445、将所述全局特征和局部特征向量拼接从而得到当前的异常姿态对应的Reid特征；S16步骤中，存储该人体的异常姿态对应的Reid特征、异常姿态类别、异常次数、所述人体在所述目标图...

【专利技术属性】
技术研发人员：张琴，
申请(专利权)人：重庆市通信产业服务有限公司，
类型：发明
国别省市：