基于人体关键点的变电站场景下人员行为异常检测方法技术

本发明专利技术公开基于人体关键点的变电站场景下人员行为异常检测方法，依时间顺序获取待测人员行为异常的一张视频图像；使用多人姿态识别框架进行骨骼关键点检测；在检测到骨骼关键点后对指定关键点每三个计算得到多个角度，多个角度形成特征向量使用多目标跟踪算法sort方法进行跟踪；计算同一特征向量的跟踪累计时长，直到跟踪累计时长达到设定时长；将累计时长内的视频图像的特征向量拼接形成异常行为特征向量；将异常行为特征向量输入经训练好的GBDT模型进行异常行为判断，以获取异常行为判定结果。本发明专利技术降低异常动作处于边缘时候特征不全导致训练存在偏差而影响测试时候的识别精度，从而降低误报。从而降低误报。从而降低误报。

【技术实现步骤摘要】
基于人体关键点的变电站场景下人员行为异常检测方法


[0001]本专利技术涉及变电站
，尤其涉及基于人体关键点的变电站场景下人员行为异常检测方法。

技术介绍

[0002]电站场景中有着大量的危险因素，工作人员施工过程中部分动作不规范或者发生突发情况，利用视频图像可以实时对工作人员的行为进行检测，当工作人员行为不合规时候及时给予警告提示或者工作人员出现生命危险时候及时予以提示，可以极大程度的降低危险情况的发生和对人员生命的拯救。如跨越护栏进入危险地带予以警告提示，人员挥手呼救或者人员躺下可以及时予以帮助和拯救。
[0003]现有技术基于传统的目标跟踪或者提取的光流的方法主要是非常容易受到光照的影响，从而导致人员检测失败和光流特征提取错误；基于此，部分方法将人员检测跟踪的方法替换为基于yolo系列的检测和基于deep sort的跟踪可以很大程度上解决检测跟踪的问题，但光流的提取又不能兼容。
[0004]部分方法又提出了基于3D网络的方法，主要是利用深度学习网络实时提取图像的光流特征，然后在全连接层直接实现对异常行为的分类，此方法本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于人体关键点的变电站场景下人员行为异常检测方法，其特征在于：其包括以下步骤：步骤1，依时间顺序获取待测人员行为异常的一张视频图像；步骤2，使用多人姿态识别框架对视频图像中的人员进行骨骼关键点检测；步骤3，判断是否检测到骨骼关键点；是则，执行步骤4；否则，执行步骤1；步骤4，基于骨骼关键点计算得到若干个角度值共同形成对应的单人特征向量，每个角度值为从所有骨骼关键点任意选取的三个骨骼关键点之间夹角的角度值；然后使用多目标跟踪算法sort对单人特征向量进行跟踪；步骤5，判断缓存中是否存储有视频图像；是则，执行步骤6；否则，将当前视频图像存储至缓存同时记录视频图像对应的时间并执行步骤1；步骤6，比较当前视频图像的单人特征向量与缓存中的视频图像的单人特征向量是否相似；是则，基于当前视频图像对应的时间计算跟踪累计时长并执行步骤7；否则，清除缓存后将当前视频图像存储至缓存，记录视频图像对应的时间并执行步骤1；步骤7，判断跟踪累计时长是否达到设定时长；是则，执行步骤8；否则，执行步骤1；步骤8，将累计时长内的所有视频图像的单人特征向量拼接形成异常行为特征向量；步骤9，将异常行为特征向量输入经训练好的GBDT模型进行异常行为判断，并输出异常行为判定结果。2.根据权利要求1所述的基于人体关键点的变电站场景下人员行为异常检测方法，其特征在于：步骤2骨骼关键点为17个，分别为口鼻（0）、左眼（1）、右眼（2）、左耳（3）、右耳（4）、左肩（5）、右肩（6）、左肘（7）、右肘（8）、左掌（9）、右掌（10）、左胯（11）、右挎（12）、左膝（13）、右膝（14）、左脚（15）和右脚（16）。3.根据权利要求2所述的基于人体关键点的变电站场景下人员行为异常检测方法，其特征在于：步骤4中每个角度值对应的三个骨骼关键点的选择以手臂和腿部的关键点为主，并遵循对称原则，即选取人体最左边部位的关键点，则对应的选取人体右边部位的关键点；每个角度值对应的三个骨骼关键点为随机选择并组合。4.根据权利要求3所述的基于人体关键点的变电站场景下人员行为异常检测方法，其特征在于：单个人的特征向量取法为：[jiaodu(9,5...

【专利技术属性】
技术研发人员：杨乐超，王青梅，梁李凡，陈太，
申请(专利权)人：福建和盛高科技产业有限公司，
类型：发明
国别省市：