本申请涉及一种行为分类方法、装置、计算机设备、存储介质和程序产品。所述方法包括：获取电力监控图像，电力监控图像中包括目标人像；根据电力监控图像，获取目标人像对应的关键点特征数据；将关键点特征数据和至少一个行为查询数据输入至行为分类网络中，得到行为分类网络输出的目标人像对应的行为分类结果，行为分类网络是基于多头交叉注意机制训练得到的，至少一个行为查询数据是根据行为分类需求确定的，各行为查询数据与不同的行为类别对应。采用本方法能够提高对电力监控图像中目标人像的行为分类的准确度。人像的行为分类的准确度。人像的行为分类的准确度。
【技术实现步骤摘要】
行为分类方法、装置、计算机设备、存储介质和程序产品
[0001]本申请涉及电力
，特别是涉及一种行为分类方法、装置、计算机设备、存储介质和程序产品。
技术介绍
[0002]在电力行业中，为了保证作业人员以及电力设备的安全，需要对作业人员的行为进行实时监控。
[0003]目前对电力作业人员的行为进行实时监控的方式为，通过监控摄像头等监控设备获取包括作业人员人体的目标图像，先对目标图像进行人体关键点检测，再对检测到的关键点数据进行分类识别，得到分类结果，其中分类结果用于表征目标图像中作业人员的行为类别，比如打电话、倒地、攀爬等。
[0004]然而上述行为分类方法准确性较低。
技术实现思路
[0005]基于此，有必要针对上述技术问题，提供一种能够提高分类准确度的行为分类方法、装置、计算机设备、存储介质和程序产品。
[0006]第一方面，本申请提供了一种行为分类方法。所述方法包括：
[0007]获取电力监控图像，电力监控图像中包括目标人像；
[0008]根据电力监控图像，获取目标人像对应的关键点特征数据；
[0009]将关键点特征数据和至少一个行为查询数据输入至行为分类网络中，得到行为分类网络输出的目标人像对应的行为分类结果，行为分类网络是基于多头交叉注意机制训练得到的，至少一个行为查询数据是根据行为分类需求确定的，各行为查询数据与不同的行为类别对应。
[0010]在其中一个实施例中，行为分类网络包括相互连接的多头自注意力网络和多头交叉注意力预测网络；将关键点特征数据和至少一个行为查询数据输入至行为分类网络中，得到行为分类网络输出的目标人像对应的行为分类结果，包括：
[0011]将各行为查询数据输入至多头自注意力网络中，得到各行为查询数据对应的自注意查询数据，多头自注意力网络的空间嵌入张量是按照关键点特征数据的维度进行位置编码得到的；
[0012]根据各自注意查询数据、关键点特征数据和多头交叉注意力预测网络，获取行为分类结果。
[0013]在其中一个实施例中，多头交叉注意力预测网络包括与多头自注意力网络依次连接的多头交叉注意力网络和预测网络；根据各自注意查询数据、关键点特征数据和多头交叉注意力预测网络，获取行为分类结果，包括：
[0014]将各自注意查询数据和关键点特征数据输入至多头交叉注意力网络中，得到多头交叉注意力网络输出的各自注意查询数据对应的交叉查询数据；
[0015]将各交叉查询数据输入至预测网络中，得到预测网络输出的行为分类结果。
[0016]在其中一个实施例中，预测网络包括依次连接的前馈子网络和池化子网络；将各交叉查询数据输入至预测网络中，得到预测网络输出的行为分类结果，包括：
[0017]将各交叉查询数据输入至前馈子网络中，得到前馈子网络输出的各交叉查询数据对应的交叉增强数据；
[0018]根据各交叉增强数据和池化子网络，获取行为分类结果。
[0019]在其中一个实施例中，预测网络还包括连接在前馈子网络和池化子网络之间的仿射变换子网络；根据各交叉增强数据和池化子网络，获取行为分类结果，包括：
[0020]将各交叉增强数据输入至仿射变换子网络中，得到仿射变换子网络输出的各交叉增强数据对应的至少一个交叉变换数据；
[0021]将各交叉变换数据输入至池化子网络中，得到行为分类结果。
[0022]在其中一个实施例中，根据电力监控图像，获取目标人像对应的关键点特征数据，包括：
[0023]将电力监控图像输入至人像关键点特征提取网络中，得到人像关键点特征提取网络输出的关键点特征数据，人像关键点特征提取网络是基于多分辨率并行机制训练得到的。
[0024]第二方面，本申请还提供了一种行为分类装置。所述装置包括：
[0025]图像获取模块，用于获取电力监控图像，电力监控图像中包括目标人像；
[0026]特征获取模块，用于根据电力监控图像，获取目标人像对应的关键点特征数据；
[0027]行为分类模块，用于将关键点特征数据和至少一个行为查询数据输入至行为分类网络中，得到行为分类网络输出的目标人像对应的行为分类结果，行为分类网络是基于多头交叉注意机制训练得到的，至少一个行为查询数据指根据行为分类需求确定的，各行为查询数据与不同的行为类别对应。
[0028]第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述方法的步骤。
[0029]第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述方法的步骤。
[0030]第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如上述第一方面所述方法的步骤。
[0031]上述行为分类方法、装置、计算机设备、存储介质和程序产品，获取电力监控图像，电力监控图像中包括目标人像；根据电力监控图像，获取目标人像对应的关键点特征数据；将关键点特征数据和至少一个行为查询数据输入至行为分类网络中，得到行为分类网络输出的目标人像对应的行为分类结果，行为分类网络是基于多头交叉注意机制训练得到的，至少一个行为查询数据是根据行为分类需求确定的，各行为查询数据与不同的行为类别对应；利用基于多头交叉注意机制训练得到的行为分类网络，对根据行为分类需求确定的行为查询数据和目标人像对应的关键点特征数据进行多头交叉注意学习，利用多头交叉注意力机制在处理数据时关注重要信息部分，忽略不重要信息的特点，使各行为查询数据学习
关键点特征数据中各关键点之间的空间特征关系，同时，行为分类网络基于多头交叉注意机制可以关注目标人像中不同关键点之间的相关关系，以提高分类精度；避免了传统技术中采用支持向量机的行为分类方法，只能对关键点特征数据中各关键点的位置关系进行数据分析，不能将关键点特征数据与依据行为分类需求确定的行为类别对应的空间特征关系进行交叉学习，导致分类准确率低的问题；本申请实施例通过利用行为分类网络对关键点特征数据和各行为查询数据进行多头交叉注意力学习，得到的行为分类结果的准确性高。
附图说明
[0032]图1为一个实施例中行为分类方法的应用环境图；
[0033]图2为一个实施例中行为分类方法的流程示意图；
[0034]图3为一个实施例中行为分类网络的结构示意图；
[0035]图4为一个实施例中获取行为分类结果的流程示意图；
[0036]图5为另一个实施例中行为分类网络的结构示意图；
[0037]图6为另一个实施例中获取行为分类结果的流程示意图；
[0038]图7为另一个实施例中行为分类方法的流程示意图；
[0039]图8为一个实施例中行为分类装置的结构框图；
[0040]图9为一个实施例中计算机设本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种行为分类方法，其特征在于，所述方法包括：获取电力监控图像，所述电力监控图像中包括目标人像；根据所述电力监控图像，获取所述目标人像对应的关键点特征数据；将所述关键点特征数据和至少一个行为查询数据输入至行为分类网络中，得到所述行为分类网络输出的所述目标人像对应的行为分类结果，所述行为分类网络是基于多头交叉注意机制训练得到的，所述至少一个行为查询数据是根据行为分类需求确定的，各所述行为查询数据与不同的行为类别对应。2.根据权利要求1所述的方法，其特征在于，所述行为分类网络包括相互连接的多头自注意力网络和多头交叉注意力预测网络；所述将所述关键点特征数据和至少一个行为查询数据输入至行为分类网络中，得到所述行为分类网络输出的所述目标人像对应的行为分类结果，包括：将各所述行为查询数据输入至所述多头自注意力网络中，得到各所述行为查询数据对应的自注意查询数据，所述多头自注意力网络的空间嵌入张量是按照所述关键点特征数据的维度进行位置编码得到的；根据各所述自注意查询数据、所述关键点特征数据和所述多头交叉注意力预测网络，获取所述行为分类结果。3.根据权利要求2所述的方法，其特征在于，所述多头交叉注意力预测网络包括与所述多头自注意力网络依次连接的多头交叉注意力网络和预测网络；所述根据各所述自注意查询数据、所述关键点特征数据和所述多头交叉注意力预测网络，获取所述行为分类结果，包括：将各所述自注意查询数据和所述关键点特征数据输入至所述多头交叉注意力网络中，得到所述多头交叉注意力网络输出的各所述自注意查询数据对应的交叉查询数据；将各所述交叉查询数据输入至所述预测网络中，得到所述预测网络输出的所述行为分类结果。4.根据权利要求3所述的方法，其特征在于，所述预测网络包括依次连接的前馈子网络和池化子网络；所述将各所述交叉查询数据输入至所述预测网络中，得到所述预测网络输出的所述行为分类结果，包括：将各所述交叉查询数据输入至所述前馈子网络中，得到所述前馈子网络输出的各所述...
【专利技术属性】
技术研发人员：何宇浩，宋云海，周震震，黄和燕，王奇，何森，王黎伟，肖耀辉，李为明，黄怀霖，余俊松，陈伟，
申请(专利权)人：中国南方电网有限责任公司超高压输电公司电力科研院，
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。