当前位置: 首页 > 专利查询>强宇琛专利>正文

一种基于浅层神经网络的视觉路口行人高危行为预测方法技术

技术编号:33893045 阅读:52 留言:0更新日期:2022-06-22 17:28
本发明专利技术涉及行为预测技术领域,且公开了一种基于浅层神经网络的视觉路口行人高危行为预测方法,包括以下步骤:S1,通过摄像头获取待检测行人的行为记录视频,行为记录视频为行人抵达路口范围10米内的视频影像,并将此视频传导至计算机,通过计算机的存储器内部,然后通过计算机的处理器对视频进行处理加工以及预测,本发明专利技术方案能够通过浅层神经网络建立行人高危行为检测算法,以行为识别作为第一要务,通过截取单个人物,背景去除,人物识别,关键点识别,最后通过关键点之间的动态关系来进行危险行为识别,提高检测的速度与质量。提高检测的速度与质量。提高检测的速度与质量。

【技术实现步骤摘要】
一种基于浅层神经网络的视觉路口行人高危行为预测方法


[0001]本专利技术属于行为预测
,具体为一种基于浅层神经网络的视觉路口行人高危行为预测方法。

技术介绍

[0002]人体异常行为识别和检测的技术已经为社会生活提供多种用途,当车辆驶过路口时,与行人的主动或非主动交互在所难免,多数情况下行人作为交通参与者的弱势方,更易受到伤害,再加之,行人大多未接收到系统的交通安全教育,且行为具有一定自发性,其行为的随机性和不可预见性更增加了驾驶员对于与行人交互时遇到突发情况的处理难度。
[0003]人车混行的交通路口场景中,交通安全主要依赖于驾驶员自身对行人的通行速度及轨迹等信息的合理预判,并基于此控制车辆的安全性,然而,行人的轨迹具有高度自由性的特点,诸如加速、折返、摔倒等异常状态往往具有难以预估,不易察觉的特点,为此,我们提出一种基于浅层神经网络的视觉路口行人高危行为预测方法。

技术实现思路

[0004]针对上述情况,为克服现有技术的缺陷,本专利技术提供一种基于浅层神经网络的视觉路口行人高危行为预测方法,有效的解决了人车混行的交通路口场景中,交通安全主要依赖于驾驶员自身对行人的通行速度及轨迹等信息的合理预判,并基于此控制车辆的安全性,然而,行人的轨迹具有高度自由性的特点,诸如加速、折返、摔倒等异常状态往往具有难以预估,不易察觉的特点的问题。
[0005]为实现上述目的,本专利技术提供如下技术方案:一种基于浅层神经网络的视觉路口行人高危行为预测方法,包括以下步骤:
[0006]S1,通过摄像头获取待检测行人的行为记录视频,所述行为记录视频为行人抵达路口范围10米内的视频影像,并将此视频传导至计算机,通过计算机的存储器内部,然后通过计算机的处理器对视频进行处理加工以及预测;
[0007]S2,将S1中的记录视频传输至计算机后通过计算机的处理器进行处理,处理器连接有视频获取模块、关键帧获取模块、关键点检测模块以及高危行为分类模块,通过视频获取模块用于提取存储器内的行人的行为记录视频,通过关键帧获取模块对所述高危行为记录视频进行预处理,使行为记录视频中行人的背景去除、对行人进行任务识别预处理,获取所述记录视频中的关键帧图像;
[0008]S3,通过关键点检测模块对S2得到的键帧图像进行人体关键点检测,将关键点连接,并对检测到的人体关键点图像;
[0009]S4,将S3得到的人体关键点图像导入高危行为分类模块,通过高危行为分类模块预先训练好的浅层四分神经网络模型,通过关键点之间的动态关系来进行危险行为识别,得到行人的高危行为分类结果,通过所述高危行为预测模块对高危行为分类结果预测所述待检测行人的行为,生成行人的行为预测结果。
[0010]优选的,所述关键帧获取模块用于对所述高危行为记录视频进行预处理:通过计算所述行为记录视频中相邻两个视频帧的直方图数据和灰度图数据,基于所述直方图数据和所述灰度图数据,计算相邻两个视频帧的加权欧式距离,基于所述加权欧式距离确定所述行为记录视频的镜头转换边界,基于所述镜头转换边界确定所述行为记录视频中的关键帧图像。
[0011]优选的,所述关键点检测模块通过关键帧图像得到人体区域的方法为:将所述关键帧图像转化为红外图像,从所述红外图像中获取人体轮廓特征,对所述红外图像进行去噪处理,去除所述红外图像的椒盐噪点,得到去噪图像,然后基于所述去噪图像和所述人体轮廓特征,确定所述关键帧图像中的人体区域。
[0012]优选的,所述关键点检测模块人体关键点获得的方法:基于预设的多阶段网络对所述关键帧图像中的人体区域进行关节点识别,得到人体关键点,计算所述人体关键点之间的亲和力值,基于所述亲和力值对所述人体关键点进行连接,得到人体关键点图像。
[0013]优选的,通过所述亲和力值对所述人体关键点进行连接,得到人体关键点图像的方法:判断所述亲和力值是否大于或等于预设阈值,当所述亲和力值大于或等于预设阈值时,对所述人体关键点进行匹配连接,得到人体关键点图像。
[0014]优选的,所述高危行为分类模块内部存储有多种分类模板,通过将检测到的人体关键点图像与分类模板进行对比,快速对行人的人体分类模板进行对比,提高检测的速度。
[0015]优选的,所述高危行为分类模块内部存储有多种分类模板,通过将检测到的人体关键点图像与分类模板进行对比,快速对行人的人体分类模板进行对比,提高检测的速度。
[0016]与现有技术相比,本专利技术的有益效果是:
[0017]1、通过浅层神经网络建立行人高危行为检测算法,以行为识别作为第一要务,通过截取单个人物,背景去除,人物识别,关键点识别,最后通过关键点之间的动态关系来进行危险行为识别,提高检测的速度与质量;
[0018]2、通过浅层神经网络建立行人高危行为检测算法,以行为识别作为第一要务,通过截取单个人物,背景去除,人物识别,关键点识别,最后通过关键点之间的动态关系来进行危险行为识别,基于以上存在的问题,本专利技术提供一种路口行人高危行为的预测方法、装置、电子设备及存储介质,以使司机对路口行人危险行为进行预测,并发出预警,避免交通事故的发生,提高行驶安全性。
附图说明
[0019]附图用来提供对本专利技术的进一步理解,并且构成说明书的一部分,与本专利技术的实施例一起用于解释本专利技术,并不构成对本专利技术的限制。
[0020]在附图中:
[0021]图1为本专利技术浅层神经网络框图;
[0022]图2为本专利技术预测方法流程图;
[0023]图3为本专利技术关键帧获取系统图。
具体实施方式
[0024]下面将结合本专利技术实施例中的附图,对本专利技术实施例中的技术方案进行清楚、完
整地描述,显然,所描述的实施例仅仅是本专利技术一部分实施例,而不是全部的实施例;基于本专利技术中的实施例,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,都属于本专利技术保护的范围。
[0025]请参阅图1

3:一种基于浅层神经网络的视觉路口行人高危行为预测方法,包括以下步骤:
[0026]S1,通过摄像头获取待检测行人的行为记录视频,行为记录视频为行人抵达路口范围10米内的视频影像,并将此视频传导至计算机,通过计算机的存储器内部,然后通过计算机的处理器对视频进行处理加工以及预测;
[0027]S2,将S1中的记录视频传输至计算机后通过计算机的处理器进行处理,处理器连接有视频获取模块、关键帧获取模块、关键点检测模块以及高危行为分类模块,通过视频获取模块用于提取存储器内的行人的行为记录视频,通过关键帧获取模块对高危行为记录视频进行预处理,使行为记录视频中行人的背景去除、对行人进行任务识别预处理,获取记录视频中的关键帧图像;
[0028]S3,通过关键点检测模块对S2得到的键帧图像进行人体关键点检测,将关键点连接,并对检测到的人体关键点图像;
[0029]S4,将S3得到的人体关键点图像导入高危行为分类模块,通过高危行为分类模块预先训练本文档来自技高网
...

【技术保护点】

【技术特征摘要】
1.一种基于浅层神经网络的视觉路口行人高危行为预测方法,其特征在于,包括以下步骤:S1,通过摄像头获取待检测行人的行为记录视频,所述行为记录视频为行人抵达路口范围10米内的视频影像,并将此视频传导至计算机,通过计算机的存储器内部,然后通过计算机的处理器对视频进行处理加工以及预测;S2,将S1中的记录视频传输至计算机后通过计算机的处理器进行处理,处理器连接有视频获取模块、关键帧获取模块、关键点检测模块以及高危行为分类模块,通过视频获取模块用于提取存储器内的行人的行为记录视频,通过关键帧获取模块对所述高危行为记录视频进行预处理,使行为记录视频中行人的背景去除、对行人进行任务识别预处理,获取所述记录视频中的关键帧图像;S3,通过关键点检测模块对S2得到的键帧图像进行人体关键点检测,将关键点连接,并对检测到的人体关键点图像;S4,将S3得到的人体关键点图像导入高危行为分类模块,通过高危行为分类模块预先训练好的浅层四分神经网络模型,通过关键点之间的动态关系来进行危险行为识别,得到行人的高危行为分类结果,通过所述高危行为预测模块对高危行为分类结果预测所述待检测行人的行为,生成行人的行为预测结果。2.根据权利要求1所述的一种基于浅层神经网络的视觉路口行人高危行为预测方法,其特征在于:所述关键帧获取模块用于对所述高危行为记录视频进行预处理:通过计算所述行为记录视频中相邻两个视频帧的直方图数据和灰度图数据,基于所述直方图数据和所述灰度图数据,计算相邻两个视频帧的加权欧式距离,基于所述加权欧式距离确定所述行为记录视频的镜头转换边界,基于所述镜头转换边界确定所述行为记录视频中的关键帧图像。3.根据权利要求1所述的一...

【专利技术属性】
技术研发人员:强宇琛余商文荣烨烁王昌杰
申请(专利权)人:强宇琛
类型:发明
国别省市:

相关技术
    暂无相关专利
网友询问留言 已有0条评论
  • 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。

1