System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及视频数据处理,尤其涉及一种基于视频录像中的异常行为检测方法。
技术介绍
1、24小时无人店铺是一种不需要人工值守、能够24小时不间断营业的零售店铺。它主要依赖自动化设备和智能技术来完成商品的选购、支付以及出货等过程,为消费者提供无需排队、无需营业员介入的购物体验。这种店铺形式因其便捷性和新颖性,在市场上具有较高的关注度和实用性。
2、但是采用上述方式,由于无人监管,因此容易存在盗窃和破坏行为,现有的采用视频监控的方式无法及时发现相应行为,从而没有办法及时通知相关人员进行处理。
技术实现思路
1、本专利技术的目的在于提供一种基于视频录像中的异常行为检测方法,旨在可以自动对监控数据中的人员行为进行检测以及时通知相关人员进行处理。
2、为实现上述目的,本专利技术提供了一种基于视频录像中的异常行为检测方法,包括获取零售店铺内的视频监控数据;
3、对视频监控数据进行处理,得到人员视频数据;
4、使用卷积神经网络模型对人员视频数据进行识别以得到异常行为;
5、对异常行为进行时间序列分析以确定异常行为的持续时间;
6、对视频帧中的异常行为进行标记,并生成异常行为警报;
7、获取异常行为人员信息,并持续跟踪相应人员行为。
8、其中,所述对视频监控数据进行处理,得到人员视频数据的具体步骤包括:
9、对视频数据进行预处理,得到处理数据;
10、使用视频分析算法识别和跟踪
11、将包含人员的视频数据截取并生成人员视频数据。
12、其中,所述使用卷积神经网络模型对人员视频数据进行识别以得到异常行为的具体步骤包括:
13、从视频中提取异常行为识别特征;
14、基于行为特征与之对应的行为对数据集进行标注,得到标注数据集;
15、使用标记好的训练数据来训练卷积神经网络模型;
16、将训练好的模型应用于新的视频数据,以识别异常行为。
17、其中,所述识别特征包括移动速度、路径、停留区域、手部动作。
18、其中,所述使用标记好的训练数据来训练卷积神经网络模型的具体步骤包括:
19、将标注数据集分为训练集、验证集和测试集;
20、设置卷积神经网络参数,包括卷积层、池化层、全连接层;
21、采用训练集训练卷积神经网络模型;
22、使用验证集来评估卷积神经网络模型的性能。
23、其中,所述对异常行为进行时间序列分析以确定异常行为的持续时间的具体步骤包括:
24、每隔预设时间段对目标的异常行为进行检测,并得到检测时间序列;
25、基于异常行为判定的时间戳和最近的正常行为的时间戳计算异常行为持续时间。
26、其中,所述对视频帧中的异常行为进行标记,并生成异常行为警报的具体步骤包括:
27、当模型检测到视频帧中的行为与正常模式有显著偏差时,将其标记为异常行为;
28、根据异常行为的严重程度和系统设置,生成相应的警报;
29、将检测到的异常行为反馈给监控人员。
30、其中,所述获取异常行为人员信息,并持续跟踪相应人员行为的具体步骤包括:
31、对进店人员的身份基于存储库进行验证;
32、验证通过后,摄像单元持续跟踪获取监控数据。
33、本专利技术的一种基于视频录像中的异常行为检测方法,包括:获取零售店铺内的视频监控数据;对视频监控数据进行处理,得到人员视频数据;使用卷积神经网络模型对人员视频数据进行识别以得到异常行为;对异常行为进行时间序列分析以确定异常行为的持续时间;对视频帧中的异常行为进行标记,并生成异常行为警报;获取异常行为人员信息,并持续跟踪相应人员行为。为了实时掌握店铺内的活动情况,首先需要布设足够数量的摄像头,确保店铺的各个区域都能被覆盖。在获取到视频监控数据后,需要对原始数据进行预处理,以便提取出人员相关的视频数据。将cnn应用于人员视频数据,可以有效地识别出异常行为。在训练cnn模型时,需要收集大量的正常行为和异常行为样本,以实现模型的精准识别。然后对异常行为进行时间序列分析以确定异常行为的持续时间。根据时间序列分析的结果,对视频帧中的异常行为进行标记,并在监控画面或相关设备上展示异常行为警报。这样可以让店铺管理者或安保人员及时发现问题,采取相应的措施。在检测到异常行为后,可以通过识别技术(如人脸识别、衣物识别等)获取涉事人员的信息,并实时跟踪他们的行为。将这些信息与店铺内的其他数据相结合,可以为店铺管理者提供更全面的决策支持。这种基于视频录像的异常行为检测方法可以有效地识别和防范零售店铺内的潜在风险。通过对视频数据的处理和分析,实时监控异常行为,并采取相应的措施,有助于维护店铺的安全和稳定。在未来,随着人工智能技术的不断发展,这种方法有望在更多领域得到应用,为人们的生产生活提供更多安全保障。
本文档来自技高网...【技术保护点】
1.一种基于视频录像中的异常行为检测方法,其特征在于,
2.如权利要求1所述的一种基于视频录像中的异常行为检测方法,其特征在于,
3.如权利要求2所述的一种基于视频录像中的异常行为检测方法,其特征在于,
4.如权利要求3所述的一种基于视频录像中的异常行为检测方法,其特征在于,
5.如权利要求4所述的一种基于视频录像中的异常行为检测方法,其特征在于,
6.如权利要求5所述的一种基于视频录像中的异常行为检测方法,其特征在于,
7.如权利要求6所述的一种基于视频录像中的异常行为检测方法,其特征在于,
8.如权利要求7所述的一种基于视频录像中的异常行为检测方法,其特征在于,
【技术特征摘要】
1.一种基于视频录像中的异常行为检测方法,其特征在于,
2.如权利要求1所述的一种基于视频录像中的异常行为检测方法,其特征在于,
3.如权利要求2所述的一种基于视频录像中的异常行为检测方法,其特征在于,
4.如权利要求3所述的一种基于视频录像中的异常行为检测方法,其特征在于,
5...
【专利技术属性】
技术研发人员:杜鑫,李晓晨,温爽,丁辰,谢博维,
申请(专利权)人:容城县墒竹科技有限公司,
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。