一种动态自适应异常姿态识别方法及装置制造方法及图纸

本申请公开了一种动态自适应异常姿态识别方法及装置，用以解决目前的行为识别技术难以与行人的动作变化相适应，识别率较低，鲁棒性较差的问题。该方法采集训练数据，训练时空图卷积分类模型；对待识别视频段的数据段长度进行调整，并分别输入所述时空图卷积分类模型中，确定不同数据段长度的待识别视频段对应的姿态识别分类结果；基于贝叶斯推论，确定各分类结果的置信度；根据各置信度，从所述不同数据段长度中，选择标准数据段长度对应的分类结果，作为待识别视频段对应的最终分类结果。通过时空图卷积与贝叶斯估计相融合，提高了识别效率，提高了识别的准确率，增强了识别的鲁棒性。性。性。

【技术实现步骤摘要】
一种动态自适应异常姿态识别方法及装置


[0001]本申请涉及姿态识别领域，尤其涉及一种动态自适应异常姿态识别方法及装置。

技术介绍

[0002]行为识别技术是计算机视觉方向的研究重点，主要应用于人员密集场所和其他重要场所，通过对监控画面等视频图像进行智能分析来识别行人的行为，以保障社会安全。
[0003]目前，行为识别技术的研究大多使用深度学习的框架，对视频图像中行人的骨骼动作进行识别，通过骨骼动作序列来判断其对应的动作分类。
[0004]但是，视频图像容易受到无关因素(如天气、光线、背景变化)的影响，并且，行人的动作千变万化，在使用深度学习的方法进行研究时，难以与其变化性相适应，识别率较低，鲁棒性较差。

技术实现思路

[0005]本申请实施例提供一种动态自适应异常姿态识别方法及装置，用以解决目前的行为识别技术难以与行人的动作变化相适应，识别率较低，鲁棒性较差的问题。
[0006]本申请实施例提供的一种动态自适应异常姿态识别方法，包括：
[0007]采集训练数据，训练时空图卷积分类模型；
[0008]对待识别视频段的数据段长度进行调整，并分别输入所述时空图卷积分类模型中，确定不同数据段长度的待识别视频段对应的姿态识别分类结果；
[0009]基于贝叶斯推论，确定各分类结果的置信度；
[0010]根据各置信度，从所述不同数据段长度中，选择标准数据段长度对应的分类结果，作为待识别视频段对应的最终分类结果
[0011]在一个示例中，所述时空图卷积分类模型包括softmax分类器；训练时空图卷积分类模型，包括：确定各训练样本经过softmax分类器得到的softmax值，并将各softmax值划分为正确预测组与错误预测组；基于高斯核密度估计方法，确定对应的正确预测似然概率密度函数与错误预测似然概率密度函数。
[0012]在一个示例中，对待识别视频段的数据段长度进行调整，并分别输入所述时空图卷积分类模型中，包括：确定待识别视频段的初始数据段长度，并基于逐次递增的方式，依次增加待识别视频段的数据段长度，分别输入所述时空图卷积分类模型中。
[0013]在一个示例中，所述方法还包括：确定所述待识别视频段的数据段长度不大于预设长度阈值。
[0014]在一个示例中，基于贝叶斯推论，确定各分类结果的置信度，包括：针对各不同数据段长度的待识别视频段的分类结果，根据相应的softmax值，以及所述正确预测似然概率密度函数与错误预测似然概率密度函数，通过贝叶斯推论确定该分类结果的正确预测后验概率，作为置信度。
[0015]在一个示例中，通过贝叶斯推论确定该分类结果的正确预测后验概率，包括：通过
确定该分类结果的正确预测后验概率；其中，x表示数据段长度，H0表示错误预测，H1表示正确预测，P(d
m
|H1,x)表示正确预测似然概率密度函数，P(d
m
|H0,x)表示错误预测似然概率密度函数，P(H1|x)表示正确预测先验概率，P(H0|x)表示错误预测先验概率。
[0016]在一个示例中，根据各置信度，从所述不同数据段长度中，选择标准数据段长度对应的分类结果，作为待识别视频段对应的最终分类结果，包括：根据预设置信度阈值，确定待识别视频段的分类结果的置信度高于所述预设置信度阈值时，将所述分类结果对应的数据段长度作为标准数据段长度，并将所述分类结果作为待识别视频段对应的最终分类结果。
[0017]在一个示例中，根据各置信度，从所述不同数据段长度中，选择标准数据段长度对应的分类结果，作为待识别视频段对应的最终分类结果，包括：从若干所述不同数据段长度中，确定对应的分类结果的置信度最高的数据段长度，作为标准数据段长度；选择标准数据段长度对应的分类结果，作为通过时空图卷积分类模型识别出的待识别视频段对应的最终分类结果。
[0018]在一个示例中，所述方法还包括：确定所述视频段中存在异常姿态时，发出报警信息。
[0019]本申请实施例提供的一种动态自适应异常姿态识别装置，包括：
[0020]训练模块，采集训练数据，训练时空图卷积分类模型；
[0021]输入模块，对待识别视频段的数据段长度进行调整，并分别输入所述时空图卷积分类模型中，确定不同数据段长度的待识别视频段对应的姿态识别分类结果；
[0022]确定模块，基于贝叶斯推论，确定各分类结果的置信度；
[0023]选择模块，根据各置信度，从所述不同数据段长度中，选择标准数据段长度对应的分类结果，作为待识别视频段对应的最终分类结果。
[0024]本申请实施例提供一种动态自适应异常姿态识别方法及装置，至少包括以下有益效果：通过时空图卷积与贝叶斯估计相融合，识别行人的骨骼动作，并对分类结果进行置信度评估，确保模型预测分类的准确性。并且，通过动态自适应的调整待识别视频段的长度，确保每个待识别视频段均能以最优的标准数据段长度，输出预测分类准确率较高的分类结果，缩短了分析时间，提高了识别效率，提高了识别的准确率，增强了识别的鲁棒性。
附图说明
[0025]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0026]图1为本申请实施例提供的一种动态自适应异常姿态识别方法流程图；
[0027]图2为本申请实施例提供的另一种动态自适应异常姿态识别方法流程图；
[0028]图3为本申请实施例提供的骨骼序列时空图；
[0029]图4为本申请实施例提供的空间结构划分示意图；
[0030]图5为本申请实施例提供的动态自适应异常姿态识别装置结构示意图。
具体实施方式
[0031]为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0032]图1为本申请实施例提供的一种动态自适应异常姿态识别方法流程图，具体包括以下步骤：
[0033]S101：采集训练数据，训练时空图卷积分类模型。
[0034]在本申请实施例中，服务器可通过园区、商场等场所中的监控摄像头等图像采集设备，采集大量包括行人动作画面的监控视频等图像数据，作为训练数据，并训练时空图卷积分类模型。
[0035]如图2所示，时空图卷积分类模型的训练主要包括以下步骤：
[0036]第一，选取训练数据段。
[0037]由于图像采集设备采集到的训练数据通常为大段的视频，时长较长，包含多种类型的行人动作。因此，服务器在获取到训练数据后，需要对训练数据进行处理，从训练数据中获取仅包含行人一种动作的部分，作为训练数据段，以便对模型进行训练。...

【技术保护点】

【技术特征摘要】
1.一种动态自适应异常姿态识别方法，其特征在于，包括：采集训练数据，训练时空图卷积分类模型；对待识别视频段的数据段长度进行调整，并分别输入所述时空图卷积分类模型中，确定不同数据段长度的待识别视频段对应的姿态识别分类结果；基于贝叶斯推论，确定各分类结果的置信度；根据各置信度，从所述不同数据段长度中，选择标准数据段长度对应的分类结果，作为待识别视频段对应的最终分类结果。2.根据权利要求1所述的方法，其特征在于，所述时空图卷积分类模型包括softmax分类器；训练时空图卷积分类模型，包括：确定各训练样本经过softmax分类器得到的softmax值，并将各softmax值划分为正确预测组与错误预测组；基于高斯核密度估计方法，确定对应的正确预测似然概率密度函数与错误预测似然概率密度函数。3.根据权利要求1所述的方法，其特征在于，对待识别视频段的数据段长度进行调整，并分别输入所述时空图卷积分类模型中，包括：确定待识别视频段的初始数据段长度，并基于逐次递增的方式，依次增加待识别视频段的数据段长度，分别输入所述时空图卷积分类模型中。4.根据权利要求3所述的方法，其特征在于，所述方法还包括：确定所述待识别视频段的数据段长度不大于预设长度阈值。5.根据权利要求2所述的方法，其特征在于，基于贝叶斯推论，确定各分类结果的置信度，包括：针对各不同数据段长度的待识别视频段的分类结果，根据相应的softmax值，以及所述正确预测似然概率密度函数与错误预测似然概率密度函数，通过贝叶斯推论确定该分类结果的正确预测后验概率，作为置信度。6.根据权利要求5所述的方法，其特征在于，通过贝叶斯推论确定该分类结果的正确预测后验概率，包括：通过确定该分类结果的正确预测后验概率；其中，x表示数据段长度，H0...

【专利技术属性】
技术研发人员：孙鸿昌，翟文文，黄广国，陶庆举，张卫芳，贾卫，王亚冬，
申请(专利权)人：山东大卫国际建筑设计有限公司，
类型：发明
国别省市：