本发明专利技术公开了电力机房内异常行为识别方法、装置、设备及存储介质，用于解决电力机房内异常行为检测准确性低的技术问题。本发明专利技术包括：采集电力机房内工作人员的异常动作视频；所述异常动作视频包括多帧视频帧图像；从所述视频帧图像中提取人体骨骼关键点坐标；对所述人体骨骼关键点坐标进行归一化处理，得到归一化关键点坐标；采用所述归一化关键点坐标建立3D姿态关键点；采用所述3D姿态关键点训练得到双输入异常行为分类卷积神经网络；获取待分析视频图像；从所述待分析视频图像中提取运动区域；从所述运动区域中提取骨骼特征；将所述骨骼特征输入所述双输入异常行为分类卷积神经网络，输出异常行为检测结果。输出异常行为检测结果。输出异常行为检测结果。
【技术实现步骤摘要】
电力机房内异常行为识别方法、装置、设备及存储介质
[0001]本专利技术涉及异常识别
，尤其涉及一种电力机房内异常行为识别方法、装置、设备及存储介质。
技术介绍
[0002]异常行为可以定义为在当前场景下，人员做出的一切不适宜的行为和操作，在机房环境下，常见的异常行为有违规、偷窃、斗殴等。目前，对电力机房的监控往往依赖于视频监控技术。由于传统的视频监控技术只能对视频进行监控和存储，当电力机房出现不当行为或异常操作时，视频监控只能根据时间段进行检索和查询。在复杂场景中引入实时视频多人行为识别方法和装置，可以监控复杂场景中人员的行为并给出预警，使电力机房管理人员能够及时处理异常情况，从而保证电力机房的安全，具有深远的现实意义和应用价值。
[0003]目前对人员行为进行识别的方法可以分为三类：基于运动特征的方法，基于外观特征的方法和基于时空特征的方法。基于运动特征的方法主要通过光流场、运动历史图等方法进行运动的表征；基于外观特征的方法主要提取图像的运动轨迹，并与行为形状模型进行对比；基于时空特征的方法在时空域中提取行为相关特征。在行为识别当中，识别效果很大程度取决于对目标跟踪的准确性，当光线和背景变化较大时，这些基于图像的人体行为识别方法的准确率会大大降低。相比于图像特征，骨骼特征更为凝练，结构性更强，对人体运动的描述更为准确。
[0004]传统的基于二维人体骨骼特征进行人体异常行为检测的方法，易受到人体外形差异的影响，特别是在光线变化、出现阴影等情况下。基于三维骨骼信息的特征可提高智能视频监控系统的识别能力和检测精度，在背景复杂、噪声较多时同样具有较好的鲁棒性，可以有效解决遮挡带来的问题，但人员身体自遮挡和深度模糊问题会影响到检测的准确性。
技术实现思路
[0005]本专利技术提供了一种电力机房内异常行为识别方法、装置、设备及存储介质，用于解决电力机房内异常行为检测准确性低的技术问题。
[0006]本专利技术提供了1、一种电力机房内异常行为识别方法，其特征在于，包括：
[0007]采集电力机房内工作人员的异常动作视频；所述异常动作视频包括多帧视频帧图像；
[0008]从所述视频帧图像中提取人体骨骼关键点坐标；
[0009]对所述人体骨骼关键点坐标进行归一化处理，得到归一化关键点坐标；
[0010]采用所述归一化关键点坐标建立3D姿态关键点；
[0011]采用所述3D姿态关键点训练得到双输入异常行为分类卷积神经网络；
[0012]获取待分析视频图像；
[0013]从所述待分析视频图像中提取运动区域；
[0014]从所述运动区域中提取骨骼特征；
[0015]将所述骨骼特征输入所述双输入异常行为分类卷积神经网络，输出异常行为检测结果。
[0016]可选地，所述采用所述归一化关键点坐标建立3D姿态关键点的步骤，包括：
[0017]对所述归一化关键点坐标进行空间位置编码，得到编码特征；
[0018]将所述编码特征输入预设第一编码器，输出第一姿态假设，并对所述第一姿态假设进行时间位置编码，得到第一时间位置姿态假设；
[0019]将所述第一姿态假设输入预设第二编码器，输出第二姿态假设，并对所述第二姿态假设进行时间位置编码，得到第二时间位置姿态假设；
[0020]将所述第二姿态假设输入预设第三编码器，输出第三姿态假设，并对所述第三姿态假设进行时间位置编码，得到第三时间位置姿态假设；
[0021]采用所述第一时间位置姿态假设、所述第二时间位置姿态假设、所述第三时间位置姿态假设进行多姿态互优化，得到多姿态互优化结果；
[0022]对所述多姿态互优化结果进行自优化，得到多姿态自优化结果；
[0023]采用所述多姿态自优化结果生成所述3D姿态关键点。
[0024]可选地，所述采用所述3D姿态关键点训练得到双输入异常行为分类卷积神经网络的步骤，包括：
[0025]在多帧所述视频帧图像中选择若干帧样本帧；
[0026]采用所述样本帧的3D姿态关键点生成样本数据；
[0027]采用所述样本数据训练预设初始双输入异常行为分类卷积神经网络，得到已训练的双输入异常行为分类卷积神经网络。
[0028]可选地，所述从所述待分析视频图像中提取运动区域的步骤，包括：
[0029]对所述待分析视频图像进行灰度转换，得到灰度视频图像；
[0030]建立所述灰度视频图像的背景建模，得到背景图像；
[0031]对所述灰度视频图像和所述背景图像进行差分处理，得到差分结果；
[0032]对所述差分结果进行阈值化处理，得到阈值结果；
[0033]根据所述阈值结果，从所述待分析视频图像中提取运动区域。
[0034]可选地，所述将所述骨骼特征输入所述双输入异常行为分类卷积神经网络，输出异常行为检测结果的步骤之后，还包括：
[0035]当异常行为检测结果为存在异常行为时，发出报警信息并生成报警日志；所述报警日志包含异常行为发生时间、异常行为类型和人员截图。
[0036]本专利技术还提供了一种电力机房内异常行为识别装置，包括：
[0037]异常动作视频采集模块，用于采集电力机房内工作人员的异常动作视频；所述异常动作视频包括多帧视频帧图像；
[0038]人体骨骼关键点坐标提取模块，用于从所述视频帧图像中提取人体骨骼关键点坐标；
[0039]归一化模块，用于对所述人体骨骼关键点坐标进行归一化处理，得到归一化关键点坐标；
[0040]3D姿态关键点建立模块，用于采用所述归一化关键点坐标建立3D姿态关键点；
[0041]训练模块，用于采用所述3D姿态关键点训练得到双输入异常行为分类卷积神经网
络；
[0042]待分析视频图像获取模块，用于获取待分析视频图像；
[0043]运动区域提取模块，用于从所述待分析视频图像中提取运动区域；
[0044]骨骼特征提取模块，用于从所述运动区域中提取骨骼特征；
[0045]检测模块，用于将所述骨骼特征输入所述双输入异常行为分类卷积神经网络，输出异常行为检测结果。
[0046]可选地，所述3D姿态关键点建立模块，包括：
[0047]空间位置编码子模块，用于对所述归一化关键点坐标进行空间位置编码，得到编码特征；
[0048]第一时间位置姿态假设生成子模块，用于将所述编码特征输入预设第一编码器，输出第一姿态假设，并对所述第一姿态假设进行时间位置编码，得到第一时间位置姿态假设；
[0049]第二时间位置姿态假设生成子模块，用于将所述第一姿态假设输入预设第二编码器，输出第二姿态假设，并对所述第二姿态假设进行时间位置编码，得到第二时间位置姿态假设；
[0050]第三时间位置姿态假设生成子模块，用于将所述第二姿态假设输入预设第三编码器，输出第三姿态假设，并对所述第三姿态假设进行时间位置编码，得到第三时间位置姿态假设；...
【技术保护点】
【技术特征摘要】
1.一种电力机房内异常行为识别方法，其特征在于，包括：采集电力机房内工作人员的异常动作视频；所述异常动作视频包括多帧视频帧图像；从所述视频帧图像中提取人体骨骼关键点坐标；对所述人体骨骼关键点坐标进行归一化处理，得到归一化关键点坐标；采用所述归一化关键点坐标建立3D姿态关键点；采用所述3D姿态关键点训练得到双输入异常行为分类卷积神经网络；获取待分析视频图像；从所述待分析视频图像中提取运动区域；从所述运动区域中提取骨骼特征；将所述骨骼特征输入所述双输入异常行为分类卷积神经网络，输出异常行为检测结果。2.根据权利要求1所述的方法，其特征在于，所述采用所述归一化关键点坐标建立3D姿态关键点的步骤，包括：对所述归一化关键点坐标进行空间位置编码，得到编码特征；将所述编码特征输入预设第一编码器，输出第一姿态假设，并对所述第一姿态假设进行时间位置编码，得到第一时间位置姿态假设；将所述第一姿态假设输入预设第二编码器，输出第二姿态假设，并对所述第二姿态假设进行时间位置编码，得到第二时间位置姿态假设；将所述第二姿态假设输入预设第三编码器，输出第三姿态假设，并对所述第三姿态假设进行时间位置编码，得到第三时间位置姿态假设；采用所述第一时间位置姿态假设、所述第二时间位置姿态假设、所述第三时间位置姿态假设进行多姿态互优化，得到多姿态互优化结果；对所述多姿态互优化结果进行自优化，得到多姿态自优化结果；采用所述多姿态自优化结果生成所述3D姿态关键点。3.根据权利要求2所述的方法，其特征在于，所述采用所述3D姿态关键点训练得到双输入异常行为分类卷积神经网络的步骤，包括：在多帧所述视频帧图像中选择若干帧样本帧；采用所述样本帧的3D姿态关键点生成样本数据；采用所述样本数据训练预设初始双输入异常行为分类卷积神经网络，得到已训练的双输入异常行为分类卷积神经网络。4.根据权利要求1所述的方法，其特征在于，所述从所述待分析视频图像中提取运动区域的步骤，包括：对所述待分析视频图像进行灰度转换，得到灰度视频图像；建立所述灰度视频图像的背景建模，得到背景图像；对所述灰度视频图像和所述背景图像进行差分处理，得到差分结果；对所述差分结果进行阈值化处理，得到阈值结果；根据所述阈值结果，从所述待分析视频图像中提取运动区域。5.根据权利要求1所述的方法，其特征在于，所述将所述骨骼特征输入所述双输入异常行为分类卷积神经网络，输出异常行为检测结果的步骤之后，还包括：
当异常行为检测结果为存在异常行为时，发出报警信息并生成报警日志；所述报警日志包含异常行为发生时间、异常行为类型和人员截图。6.一种电力机房内异常行为识别装置，其特征在于，包括：异常动作视频采集模块，用于采集电力机房内工作人员的异常动作视频；...
【专利技术属性】
技术研发人员：张杰明，陈显超，刘洋，梁妍陟，陈展尘，高宜凡，李波，陈金成，陈忠颖，陈益哲，
申请(专利权)人：广东电网有限责任公司肇庆供电局，
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。