非机动车盗窃行为检测方法、装置、设备及存储介质制造方法及图纸

本申请公开了一种非机动车盗窃行为检测方法、装置、设备及存储介质，属于视频监控技术领域。该方法包括：对存在骑行非机动车行为的抓拍图像中的驾驶人员，以及非机动车分别进行建模，得到驾驶人员生物特征库和非机动车特征库；基于驾驶人员生物特征库和非机动车特征库，将归属于同一驾驶人员的驾驶人员生物特征和其对应的非机动车特征进行归档，得到驾驶人员各自对应的非机动车档案；对非机动车档案进行聚类，得到非机动车档案的聚类簇数量；若聚类簇数量大于预设阈值，则确定非机动车档案对应的驾驶人员存在非机动车盗窃行为。本申请旨在提升非机动车盗窃行为判断准确率，解决现有非机动车盗窃行为判断准确率低的技术问题。非机动车盗窃行为判断准确率低的技术问题。非机动车盗窃行为判断准确率低的技术问题。

【技术实现步骤摘要】
非机动车盗窃行为检测方法、装置、设备及存储介质


[0001]本申请涉及视频监控
，尤其涉及一种非机动车盗窃行为检测方法、装置、设备及存储介质。

技术介绍

[0002]非机动车由于节能环保、出行便捷，小巧灵活等优点而被广泛应用在大家的日常出行中。非机动车在极大方便大家生产生活的同时，也给有关部门的管理带来非常大的压力。主要表现在三方面，一是难以防范，由于非机动车主自我防范意识不强，非机动车小巧容易被盗窃，造成非机动车被盗防不胜防；二是范围广；三是破案难。
[0003]目前通过将非机动车与非机动车主进行一对一的绑定，如果非机动车当前的使用者与其绑定的非机动车主不对等，则确定非机动车当前的使用者存在盗窃行为。但是在实际使用过程中，经常会存在一车多骑、互换骑车的行为，上述情况下，基于非机动车与非机动车主一对一绑定来判断是否存在盗窃行为，则会出现误判的情况，导致非机动车盗窃行为判断准确率低。

技术实现思路

[0004]有鉴于此，本申请提供一种非机动车盗窃行为检测方法、装置、设备及存储介质，旨在提升非机动车盗窃行为判断准确率，解决现有非机动车盗窃行为判断准确率低的技术问题。
[0005]为实现上述目的，本申请提供一种非机动车盗窃行为检测方法，包括以下步骤：
[0006]对存在骑行非机动车行为的抓拍图像中的驾驶人员，以及非机动车分别进行建模，得到驾驶人员生物特征库和非机动车特征库，其中，所述驾驶人员生物特征库中的驾驶人员生物特征与所述非机动车特征库中的非机动车特征一一对应；
[0007]基于所述驾驶人员生物特征库和所述非机动车特征库，将归属于同一驾驶人员的驾驶人员生物特征和其对应的非机动车特征进行归档，得到驾驶人员各自对应的非机动车档案；
[0008]对所述非机动车档案进行聚类，得到所述非机动车档案的聚类簇数量；
[0009]若所述聚类簇数量大于预设阈值，则确定所述非机动车档案对应的驾驶人员存在非机动车盗窃行为。
[0010]可选地，所述对所述非机动车档案进行聚类，得到所述非机动车档案的聚类簇数量的步骤，包括：
[0011]对所述非机动车档案中的非机动车特征进行相似度计算，得到邻接矩阵；
[0012]基于所述邻接矩阵和所述非机动车档案中的非机动车特征进行聚类，得到所述非机动车档案的聚类簇数量。
[0013]可选地，所述对所述邻接矩阵和所述非机动车档案中的非机动车特征进行聚类，得到所述非机动车档案的聚类簇数量的步骤，包括：
[0014]将所述邻接矩阵和所述非机动车档案中的非机动车特征作为GCN模型的第一层神经网络的输入，生成所述非机动车档案对应的非机动车聚合特征；
[0015]将当前层神经网络与下一层神经网络进行残差连接，从当前层神经网络的输入特征中提取部分输入特征作为残差特征，其中，当所述当前层神经网络为所述GCN模型的第一层神经网络时，所述输入特征为所述非机动车档案中的非机动车特征，当所述当前层神经网络非所述GCN模型的第一层神经网络时，所述输入特征包括所述残差特征和所述非机动车聚合特征；
[0016]分别将所述残差特征、所述非机动车聚合特征和所述邻接矩阵作为所述 GCN模型的下一层神经网络的输入，重新生成所述非机动车档案对应的非机动车聚合特征；
[0017]返回执行步骤：将当前层神经网络与下一层神经网络进行残差连接，从当前层神经网络的输入特征中提取部分输入特征作为残差特征，直至得到所述GCN模型的最后一层神经网络输出的所述非机动车档案的聚类簇数量。
[0018]可选地，所述GCN模型中的激活函数为SeLU。
[0019]可选地，所述对所述邻接矩阵和所述非机动车档案中的非机动车特征进行聚类，得到所述非机动车档案的聚类簇数量的步骤，包括：
[0020]将所述非机动车档案中的非机动车特征放至所述邻接矩阵的各节点处；
[0021]对所述邻接矩阵的各节点进行随机游走操作，直至平均编码长度最短，得到所述非机动车档案的聚类簇数量。
[0022]可选地，所述对所述非机动车档案进行聚类，得到所述非机动车档案的聚类簇数量的步骤之前，还包括：
[0023]基于非机动车属性模型，对存在骑行非机动车行为的抓拍图像中的非机动车属性进行识别，得到非机动车属性库，其中，所述非机动车属性库中的非机动车属性与所述非机动车特征库中的非机动车特征相关联；
[0024]所述对所述非机动车档案进行聚类，得到所述非机动车档案的聚类簇数量的步骤，包括：
[0025]对所述非对机动车特征库中的非机动车特征及其相关联的非机动车属性进行聚类，得到所述非机动车档案的聚类簇数量。
[0026]可选地，当所述非机动车属性为非机动车朝向时，所述非对机动车特征库中的非机动车特征及其相关联的非机动车属性进行聚类，得到所述非机动车档案的聚类簇数量的步骤，包括：
[0027]对所述非机动车档案中的非机动车特征进行相似度计算，得到邻接矩阵；
[0028]基于所述非机动车朝向，确定对所述非机动车档案进行聚类的步骤中所使用的非机动车之间的聚类阈值；
[0029]基于所述聚类阈值、所述邻接矩阵和所述非机动车档案中的非机动车特征进行聚类，得到所述非机动车档案的聚类簇数量。
[0030]此外，为实现上述目的，本申请还提供一种非机动车盗窃行为检测装置，包括：
[0031]建模模块，用于对存在骑行非机动车行为的抓拍图像中的驾驶人员以及非机动车分别进行建模，得到驾驶人员生物特征库和非机动车特征库，其中，所述驾驶人员生物特征库中的驾驶人员生物特征与所述非机动车特征库中的非机动车特征一一对应；
[0032]归档模块，用于基于所述驾驶人员生物特征库和所述非机动车特征库，将归属于同一驾驶人员的驾驶人员生物特征和其对应的非机动车特征进行归档，得到驾驶人员各自对应的非机动车档案；
[0033]聚类模块，用于对所述非机动车档案进行聚类，得到所述非机动车档案的聚类簇数量；
[0034]判断模块，用于若所述聚类簇数量大于预设阈值，则确定所述非机动车档案对应的驾驶人员存在非机动车盗窃行为。
[0035]可选地，所述聚类模块包括：
[0036]第一计算单元，用于对所述非机动车档案中的非机动车特征进行相似度计算，得到邻接矩阵；第一聚类单元，用于基于所述邻接矩阵和所述非机动车档案中的非机动车特征进行聚类，得到所述非机动车档案的聚类簇数量；
[0037]和/或者所述第一聚类单元具体用于将所述邻接矩阵和所述非机动车档案中的非机动车特征作为GCN模型的第一层神经网络的输入，生成所述非机动车档案对应的非机动车聚合特征；将当前层神经网络与下一层神经网络进行残差连接，从当前层神经网络的输入特征中提取部分输入特征作为残差特征，其中，当所述当前层神经网络为所述GCN模型的第一层神经网络时，所述输入特征为所述非机动车档案中的非机动车特征，当所述当前层神经网络非所述GCN模型的第一层神经网络时，所述输本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种非机动车盗窃行为检测方法，其特征在于，所述非机动车盗窃行为检测方法包括以下步骤：对存在骑行非机动车行为的抓拍图像中的驾驶人员，以及非机动车分别进行建模，得到驾驶人员生物特征库和非机动车特征库，其中，所述驾驶人员生物特征库中的驾驶人员生物特征与所述非机动车特征库中的非机动车特征一一对应；基于所述驾驶人员生物特征库和所述非机动车特征库，将归属于同一驾驶人员的驾驶人员生物特征和其对应的非机动车特征进行归档，得到驾驶人员各自对应的非机动车档案；对所述非机动车档案进行聚类，得到所述非机动车档案的聚类簇数量；若所述聚类簇数量大于预设阈值，则确定所述非机动车档案对应的驾驶人员存在非机动车盗窃行为。2.如权利要求1所述的非机动车盗窃行为检测方法，其特征在于，所述对所述非机动车档案进行聚类，得到所述非机动车档案的聚类簇数量的步骤，包括：对所述非机动车档案中的非机动车特征进行相似度计算，得到邻接矩阵；基于所述邻接矩阵和所述非机动车档案中的非机动车特征进行聚类，得到所述非机动车档案的聚类簇数量。3.如权利要求2所述的非机动车盗窃行为检测方法，其特征在于，所述对所述邻接矩阵和所述非机动车档案中的非机动车特征进行聚类，得到所述非机动车档案的聚类簇数量的步骤，包括：将所述邻接矩阵和所述非机动车档案中的非机动车特征作为GCN模型的第一层神经网络的输入，生成所述非机动车档案对应的非机动车聚合特征；将当前层神经网络与下一层神经网络进行残差连接，从当前层神经网络的输入特征中提取部分输入特征作为残差特征，其中，当所述当前层神经网络为所述GCN模型的第一层神经网络时，所述输入特征为所述非机动车档案中的非机动车特征，当所述当前层神经网络非所述GCN模型的第一层神经网络时，所述输入特征包括所述残差特征和所述非机动车聚合特征；分别将所述残差特征、所述非机动车聚合特征和所述邻接矩阵作为所述GCN模型的下一层神经网络的输入，重新生成所述非机动车档案对应的非机动车聚合特征；返回执行步骤：将当前层神经网络与下一层神经网络进行残差连接，从当前层神经网络的输入特征中提取部分输入特征作为残差特征，直至得到所述GCN模型的最后一层神经网络输出的所述非机动车档案的聚类簇数量。4.如权利要求3所述的非机动车盗窃行为检测方法，其特征在于，所述GCN模型中的激活函数为SeLU。5.如权利要求2所述的非机动车盗窃行为检测方法，其特征在于，所述对所述邻接矩阵和所述非机动车档案中的非机动车特征进行聚类，得到所述非机动车档案的聚类簇数量的步骤，包括：将所述非机动车档案中的非机动车特征放至所述邻接矩阵的各节点处；对所述邻接矩阵的各节点进行随机游走操作，直至平均编码长度最短，得到所述非机动车档案的聚类簇数量。
6.如权利要求1所述的非机动车盗窃行为检测方法，其特征在于，所述对所述非机动车档案进行聚类，得到所述非机动车档案的聚类簇数量的步骤之前，还包括：基于非机动车属性模型，对存在骑行非机动车行为的抓拍图像中的非机动车属性进行识别，得到非机动车属性库，其中，所述非机动车属性库中的非机动车属性与所述非机动车特征库中的非机动车特征相关联；所述对所述非机动车档案进行聚类，得到所述非机动车档案的聚类簇数量的步骤，包括：对所述非对机动车特征库中的非机动车特征及其相关联的非机动车属性进行聚类，得到所述非机动车档案的聚类簇数量。7.如权利要求6所述的非机动车盗窃行为检测方法，其特征在于，当所述非机动车属性为非机动车朝向时，所述非对机动车特征库中的非机动车特征及其相关联的非机动车属性进行聚类，得到所述非机动车档案的聚类簇数量的步骤，包括：对所述非机动车档案中的非机动车特征进行相似度计算，得到邻接矩阵；基于所述非机动车朝向，确定对所述非机动车档案进行聚类的步骤中所使用的非机动车之间的聚类阈值；基于所述聚类阈值、所述邻接...

【专利技术属性】
技术研发人员：侯冠群，
申请(专利权)人：杭州海康威视数字技术股份有限公司，
类型：发明
国别省市：