【技术实现步骤摘要】
基于深度学习的遛狗违规行为检测方法、装置及设备
[0001]本专利技术涉及计算机视觉领域，特别涉及基于深度学习的遛狗违规行为检测方法、装置及设备。
技术介绍
[0002]宠物犬的主人都会定期遛狗，而遛狗不牵绳的不文明行为则会给社区带来严重的安全隐患。
[0003]目前随着相关制度的完善，有关部门对不规范养犬行为已加强约束及管控，新修订的《动物防疫法》明确规定，出户遛狗应当佩戴犬牌并采取系犬绳等措施；公共场合对于宠物犬的管理主要依靠人工监督；而人工监督时常出现疏忽遗漏并且也不能做到第一时间通知相关人员，因此，对于遛狗违规行为的管理方式有待提高。
技术实现思路
[0004]本专利技术实施例提供了基于深度学习的遛狗违规行为检测方法、装置及设备，旨在解决当前人工监督遛狗违规行为效率低下的问题。
[0005]第一方面，本专利技术实施例提供了一种基于深度学习的遛狗违规行为检测方法，包括：
[0006]获取监控视频数据，并进行抽帧处理得到待检测图像；
[0007]根据第一目标检测算法对所述待...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的遛狗违规行为检测方法，其特征在于，包括：获取监控视频数据，并进行抽帧处理得到待检测图像；根据第一目标检测算法对所述待检测图像进行犬只和行人检测，分别得到所述犬只的检测框和所述行人的检测框；利用所述犬只的检测框和所述行人的检测框，计算得到所述犬只与所述行人之间的欧式距离；通过所述欧式距离计算得到所述犬只附近的感兴趣区域；根据第二目标检测算法对所述感兴趣区域进行绳类连接物检测，得到所述感兴趣区域内的所述绳类连接物的信息；根据所述绳类连接物的信息确认是否检测到绳类连接物，当检测到所述绳类连接物时，判断所述犬只是否存在历史追踪信息；若是，则更新所述犬只的牵绳状态历史数值；若否，则对所述犬只的牵绳状态进行初始化；判断k帧区间内所述犬只的牵绳状态历史数值是否大于等于阈值；若是，则判断为正常遛狗；若否，则判断为违规遛狗；其中，当所述犬只周围未检测到所述行人时，则判断为流浪犬。2.根据权利要去1所述的基于深度学习的遛狗违规行为检测方法，其特征在于，所述获取监控视频数据，并进行抽帧处理得到待检测图像，包括：获取监控视频数据，并进行抽帧处理得到获得原始图像；对所述原始图像的色彩及空间域调整，完成所述原始图像的色差校正并按如下公式计算得到空域重构图像：其中，I(g)代表所述原始图像中g点的像素值；I(h)代表所述原始图像中h点的像素值；(I(g)
‑
I(h))代表g，h两点的像素差；||g
‑
h||代表距离度量；Ω代表所述原始图像中所有像素点集合；S
α
(t)代表坡度函数；R(g)代表所述空域重构图像；对校正后的所述空域重构图像进行动态扩展，并按如下公式将所述空域重构图像归一化到[0,1]之间，得到所述待检测图像：其中，L(g)代表所述待检测图像；max R代表R(g)的最大值；min R代表R(g)的最小值。3.根据权利要去1所述的基于深度学习的遛狗违规行为检测方法，其特征在于，在所述根据第一目标检测算法对所述待检测图像进行犬只和行人检测，分别得到所述犬只的检测框和所述行人的检测框之前，包括：对所述第一目标检测算法进行训练，并按如下损失函数进行优化：L
loss
＝λ1L
conf
+λ2L
cla
+λ3L
loc
其中，L
conf
代表是否为目标的置信度损失，L
cla
代表类别损失，L
loc
代表定位损失，λ1、λ2和λ3均代表对应的平衡系数；L
loss
代表总损失。4.根据权利要去1所述的基于深度学习的遛狗违规行为检测方法，其特征在于，所述利用所述犬只的检测框和所述行人的检测框，计算得到所述犬只与所述行人之间的欧式距
离，包括：按如下公式计算得到所述犬只与所述行人之间的欧式距离：其中，D
ij
代表第i个犬只与第j个行人的欧式距离；和分别代表第i个犬只的中心点横坐标和第i个犬只的中心点纵坐标；和分别代表第j个行人的中心点横坐标和第j个行人的中心点纵坐标。5.根据权利要去1所述的基于深度学习的遛狗违规行为检测方法，其特征在于，所述通过所述欧式距离计算得到所述犬只附近的感兴趣区域，包括：通过所述欧式距离计算得到距离所述犬只最近的行人，作为目标行人；按如下公式计算得到所述犬只附近的感兴趣区域：I
R
＝[min(x1,m1),min(y1,n1),max(x2,m2),max(y2,n2)]其中，I
R
代表所述犬只附近的感兴趣区域；min(x1,m1)代表取所述犬只的检测框左上角横...
【专利技术属性】
技术研发人员：刘子伟，王语嫣，袁戟，
申请(专利权)人：深圳市万物云科技有限公司，
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。