CN111626199B - 面向大型多人车厢场景的异常行为分析方法 - Google Patents
面向大型多人车厢场景的异常行为分析方法 Download PDFInfo
- Publication number
- CN111626199B CN111626199B CN202010458362.0A CN202010458362A CN111626199B CN 111626199 B CN111626199 B CN 111626199B CN 202010458362 A CN202010458362 A CN 202010458362A CN 111626199 B CN111626199 B CN 111626199B
- Authority
- CN
- China
- Prior art keywords
- person
- network
- human body
- abnormal
- behavior
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/257—Belief theory, e.g. Dempster-Shafer
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种面向大型多人车厢场景的异常行为分析方法,包括步骤如下:利用人体姿态估计算法对车厢内监控视频进行数据提取,得到单人或多人空间骨架节点序列;训练单人行为识别网络,该网络对输入的单人空间骨架节点序列进行识别,判断该人是否存在跌倒的异常行为;训练多人行为识别网络,该网络通过对输入的多人空间骨架节点序列进行识别,进而判断是否存在异常行为;4)对多人行为识别网络的输出结果进行信息融合以对多人行为做进一步判断,根据单人和多人行为识别结果。本发明有效的解决了以卷积神经网络和循环神经网络等模型为代表的深度学习方法不能将视频中的空间和时序信息有效结合起来的问题,提高了异常行为识别的准确度。
Description
技术领域
本发明涉及一种面向大型多人车厢场景的异常行为分析方法,属于智能车联网技术领域。
背景技术
随着科技的发展、人们环保意识的提升,有越来越多的人选择高铁、公交等大型公共交通工具出行,出行的安全问题也因此受到社会的关注。对于跌倒、打斗、偷盗等损害出行者生命和财产安全的行为往往通过监控视频进行分析,然而,传统的视频监控存在以下缺陷:1、只具备一些简单的监控、视频存储、视频回放等功能,监控的过程中往往需要工作人员在旁边进行全天实时连续看守。由于人的注意力集中时间具有间断性,并且会因为长时间大脑的高度集中而造成疲劳,这样就不可避免的会出现漏检、误检的情况;2、由于监控室的监控屏幕越来越多,需要更多的工作人员进行实时的看守,导致人力资源成本的骤增。
综上所述,如何在现有技术的基础上提出实时与准确兼顾的异常行为识别方法成为了目前业内人士所亟待解决的问题。
发明内容
为了克服现有技术中存在的不足,本发明提供一种面向大型多人车厢场景的异常行为分析方法,以解决现有技术中实际场景中因光照变化、目标相互遮挡等干扰因素使得车厢场景的异常行为识别方法的鲁棒性不高,准确性受限的问题。
为实现上述目的,本发明的一种面向大型多人车厢场景的异常行为分析方法,包括步骤如下:
1)利用人体姿态估计算法对车厢内监控视频进行数据提取,得到单人或多人空间骨架节点序列;
2)训练单人行为识别网络,该网络对输入的单人空间骨架节点序列进行识别,判断该人是否存在异常行为;
3)训练多人行为识别网络,该网络通过对输入的多人空间骨架节点序列进行识别,进而判断是否存在异常行为;
4)对多人行为识别网络的输出结果进行信息融合以对多人行为做进一步判断,根据单人和多人行为识别结果,发出提示通知。
优选地,所述步骤1)中采用热成像摄像机进行车辆内视频数据的采集。
优选地,所述步骤1)具体包括:
11)对车厢内监控视频进行预处理,即对视频按一定的跳帧的方式提取得到图片集;
12)利用人体姿态估计算法对上述11)中提取的图片集进行人体姿态检测,即通过人体结构关系优化算法连人体关键关节坐标点实现对人体姿态的检测;通过卷积神经网络CNN1(VGG网络模型)对图像进行特征提取生成图像特征图,该神经网络输入的图片为经过预处理的热成像图片;再分别用卷积神经网络CNN2_1和卷积神经网络CNN2_2(全连接网络模型)对图像特征图进行分布式处理,CNN2_1用来检测人体关节坐标区域并通过非极大值抑制算法进行优化得到最优的人体关节坐标点,CNN2_2用来检测人体结构关系区域并通过人体结构关系向量优化算法得到人体结构区域;根据人体关节坐标点和人体结构区域得到目标抽象姿态。
优选地,所述步骤2)中的单人行为识别网络采用长短期记忆网络(LSTM,LongShort-Term Memory),以上述步骤1)中得到的单人空间骨架节点序列以每五帧做为一个帧序列训练样本,并作为作为长短期记忆网络的基本处理单元,正常运动情况下人体的姿态与跌倒过程中人体的姿态是完全不同,因此,该网络将通过提取输入的人体空间骨架信息运动特征、姿态特征等来判断是否有跌倒的异常行为。
优选地,所述步骤3)中的多人行为识别网络采用卷积神经网络与长短期记忆网络混合模型,首先,将每5帧的人体空间骨架节点序列划分为一组输入到网络中,利用卷积神经网络提取各帧人体空间骨架序列的空间特征,然后将卷积神经网络的输出调整规模依次输入到长短期记忆网络来获取序列的时序特征,并计算各个时刻长短期记忆网络输出的平均值,预测最后的分类结果。
优选地,所述步骤3)中的异常行为具体为打架、斗殴、偷盗、跟踪等行为。
优选地,所述步骤4)中所述的信息的融合步骤是为了解决在多人识别的实际场景中,由于多人的相互交叠所造成的异常行为识别准确性不高的问题。本方法将采用的融合方法是基于D-S证据理论的融合。首先,根据多人异常行为识别网络输出出现异常行为的概率得到异常行为、非异常行为的基础概率分配以及预估方法判别结果的不确定性;然后根据上述得到的三个结果计算融合后所得结果的不确定性;最后根据融合结果,采用一定的判别准则,确定获得最大支持度的可能性,并得出是否出现异常行为。
本发明的有益效果:
本发明的方法结合了红外热成像监控、深度神经网络与信息融合算法,通过在车厢前后放置两个红外热成像摄像头来提取视频信息,以此为基础实现对神经网络输出的信息融合、增加深度神经网络的红外特征,从而解决实际场景中因光照变化、目标相互遮挡等干扰因素使得这类行为识别方法的鲁棒性不高,准确性受限的问题。此外,本发明采用的CNN和LSTM混合模型的深度神经网络模型,有效的解决了以卷积神经网络和循环神经网络等模型为代表的深度学习方法不能将视频中的空间和时序信息有效结合起来的问题,大大提高了异常行为识别的准确度。
附图说明
图1为人体姿态估计算法原理图。
图2为LSTM结构图。
图3为CNN和LSTM混合模型。
图4为基于D-S证据理论知识融合流程图。
图5为异常行为识别流程图。
具体实施方式
为了便于本领域技术人员的理解,下面结合实施例与附图对本发明作进一步的说明,实施方式提及的内容并非对本发明的限定。
如图5所示,本发明的一种面向大型多人车厢场景的异常行为分析方法,主要包括如下:
采用人体姿态估计算法对人体空间骨架节点序列进行获取,并且该步骤增加了热成像图片输入;
单人和多人异常行为识别网络,所述两个神经网络均采用LSTM对异常行为进行判断;
信息的融合,根据多人行为识别的结果进行信息融合,进而提高异常行为识别的准确性。
示例中:
1、提取人体空间骨架节点序列;
对经过预处理后的连续图片利用人体姿态估计算法对进行人体姿态检测,得到人体空间骨架节点序列,即通过人体结构关系优化算法连人体关键关节坐标点实现对人体姿态的检测。如图1所示,人体姿态检测是由三个卷积神经网络组成的。卷积神经网络CNN1(VGG网络模型)对图像进行特征提取生成特征图;再分别用卷积神经网络CNN2_1和卷积神经网络CNN2_2(全连接网络模型)对图像特征图进行分布式处理,CNN2_1用来检测人体关节坐标区域并通过非极大值抑制算法进行优化得到最优的人体关节坐标点,CNN2_2用来检测人体结构关系区域并通过人体结构关系向量优化算法得到人体结构区域;根据人体关节坐标点和人体结构区域得到目标抽象姿态。
2、单人异常行为识别网络;
该识别网络采用LSTM,该神经网络属于一种特殊的循环神经网络(RNN),由于RNN具有记忆功能,因此其经常用于处理序列数据。但是传统的RNN模型在采用BPTT算法对网络各层权重进行更新时,RNN在各个时刻均会有两个输入,在输入样本的同时,每个时刻均会把前一个时刻的输出作为输入。这就类似于卷积神经网络的参数共享,等于加入多层卷积神经网络,时间越长等同的卷积神经网络层数越深,内存消耗越大,最终引发梯度消失和帝都***,因此,本发明中的单人异常行为识别网络采用具有遗忘功能的LSTM。RNN只有单个tan层模块链,但LSTM具有四个模块链。这四个模块链的组合构成LSTM的记忆单元和门结构,并通过这种结构来控制信息的添加或删除,进而实现记忆、遗忘的功能。LSTM的结构如图2所示。该网络采用LSTM作为分类器对人体空间骨架节点序列进行异常行为识别;判断该人是否存在跌倒的异常行为;
3、多人异常行为识别网络;
该识别网络采用CNN和LSTM混合模型,以卷积神经网络和循环神经网络等模型为代表的深度学习方法可以解决传统的模式识别依赖于人工选取特征、智能化程度不高的问题,但目前深度学习模型不能较好的把视频监控中异常行为的空间和时序信息有效的结合起来,因此,本文提出采用CNN和LSTM混合模型来识别多人异常行为,其模型结构如图3所示。该模型采用两层结构,将每5帧的人体空间骨架节点序列划分为一组输入到网络中,CNN提取序列的空间特征,LSTM提取序列时间维度上的特征,最后使用softmax分类器进行识别;多人异常行为具体为打架、斗殴、偷盗、跟踪等行为。
4、信息融合;
信息融合是在多层次上完成多源信息处理的过程,每一层次反映对原始观测数据不同级别的抽象,可划分为数据级融合、特征级融合和决策级融合3个级别。决策级融合是一种高层次的融合,是三级融合的最终结果,直接影响决策水平。决策级融合不仅通信量小,抗干扰能力也很强。常见算法有Bayes推断、专家***、D-S证据推理、模糊集理论等。本示例中采用的算法是D-S证据推理算法;
基于D-S证据理论的信息融合方法主要包括:
1)融合问题的数学建模,即确定融合问题的识别框架,并给出各种知识在识别框架上的基础概率分配;
被融合信息源为多人识别网络的输出的异常行为预估结果,利用D-S证据理论进行信息融合,令F表示出现异常行为,表示没有出现异常行为,其识别框架为/> 为多人异常行为识别网络的输出结果,其中,/>按照一定的规则,
来确定异常行为基础概率分配mj(F)、非异常行为的基础概率分配以及预估方法判别结果的不确定性mj(θ);
借鉴信息理论中熵的概念,提出预估方法的不确定性的计算公式为:
mj(θ)=-k[PF log2 PF+(1-PF)log2(1-PF)] (1)
其中,k∈(0,1)为调节因子;在给出预估方法不确定性的定量描述之后,mj(F)和可以代入下列公式计算得出;
mj(F)=PF(1-mj(θ)) (2)
2)信息的融合过程;
设有M个证据在θ上提供的基础概率分配分别为m1,m2,…,mM,D-S证据组合规则给出,这M个证据组合后得到的是被框架θ上的基础概率分配m的计算公式(4)为:
其中,Xi,Xji均为θ中的焦点元素,i=1,2,…,N,N为θ中焦点元素的数目,j=1,2,…,M,M为证据数;本文采用两个摄像头进行采集数据,因此,有两个多人异常行为识别网络的输出结果,故M=2。
带入上述公式(4)可得F的基础概率分配和的基础概率分配分别为:
融合后所得结果的不确定性为:
其中,Xji=F,或j=1,2,i=1,2。
3)根据融合结果,采用一定的判别准则,确定获得最大支持度的可能性,并得出是否出现异常行为;其D-S证据理论知识融合流程图如图3所示。
根据信息融合得到的mj(F)、及mj(θ),采用一定的判决准则,能够得到精确度更高的异常行为识别的预估结果,由基于信任函数和似然函数给出的判决准则可计算出F与/>的信任函数Bel(F),/>和似然函数PI(F),/>为:
Bel(F)=m(F) (8)
直接根据信任函数进行决策,信任函数的物理含义为证据对F与的支持程度,因此得到下述判决准则:
本发明的具体的流程图如图4所示,实现过程如下:
第一步:对热成像监控视频进行预处理,即对监控视频进行按一定跳帧的方式获取热成像图片序列。
第二步:利用人体姿态估计算法从第一步获取到的图片序列中提取人体空间骨架节点序列。
第三步:将第二步中单人空间骨架节点序列和多人空间骨架节点序列分别输入到单人异常行为识别网络和多人异常行为识别网络进行判断,并对多人异常行为识别网络的输出结果进行信息融合。
第四步:根据行为的识别结果判断该行为是否为异常行为,从而对列车员进行语音提示。
尽管以上本发明的实施方案进行了描述,但本发明并不局限于上述的具体实施方案和应用领域,上述的具体实施方案仅仅是示意性的、指导性的,而不是限制性的。本领域的普通技术人员在本说明书的启示下,在不脱离本发明权利要求所保护的范围的情况下,还可以做出很多种的形式,这些均属于本发明保护之列。
Claims (5)
1.一种面向大型多人车厢场景的异常行为分析方法,其特征在于,包括步骤如下:
1)利用人体姿态估计算法对车厢内监控视频进行数据提取,得到单人或多人空间骨架节点序列;
2)训练单人行为识别网络,该网络对输入的单人空间骨架节点序列进行识别,判断该人是否存在异常行为;
3)训练多人行为识别网络,该网络通过对输入的多人空间骨架节点序列进行识别,进而判断是否存在异常行为;
4)对多人行为识别网络的输出结果进行信息融合以对多人行为做进一步判断,根据单人和多人行为识别结果,发出提示通知;
所述步骤4)中采用的融合方法是基于D-S证据理论的融合,根据多人异常行为识别网络输出出现异常行为的概率得到异常行为、非异常行为的基础概率分配以及预估方法判别结果的不确定性;然后根据上述得到的三个结果计算融合后所得结果的不确定性;最后根据融合结果,采用一定的判别准则,确定获得最大支持度的可能性,并得出是否出现异常行为。
2.根据权利要求1所述的面向大型多人车厢场景的异常行为分析方法,其特征在于,所述步骤1)中采用热成像摄像机进行车辆内视频数据的采集。
3.根据权利要求1所述的面向大型多人车厢场景的异常行为分析方法,其特征在于,所述步骤1)具体包括:
11)对车厢内监控视频进行预处理,即对视频按一定的跳帧的方式提取得到图片集;
12)利用人体姿态估计算法对上述11)中提取的图片集进行人体姿态检测,即通过人体结构关系优化算法连人体关键关节坐标点实现对人体姿态的检测;通过卷积神经网络CNN1对图像进行特征提取生成图像特征图,该神经网络输入的图片为经过预处理的热成像图片;再分别用卷积神经网络CNN2_1和卷积神经网络CNN2_2对图像特征图进行分布式处理,CNN2_1用来检测人体关节坐标区域并通过非极大值抑制算法进行优化得到最优的人体关节坐标点,CNN2_2用来检测人体结构关系区域并通过人体结构关系向量优化算法得到人体结构区域;根据人体关节坐标点和人体结构区域得到目标抽象姿态。
4.根据权利要求1所述的面向大型多人车厢场景的异常行为分析方法,其特征在于,所述步骤2)中的单人行为识别网络采用长短期记忆网络,以上述步骤1)中得到的单人空间骨架节点序列以每五帧做为一个帧序列训练样本,并作为作为长短期记忆网络的基本处理单元,该网络将通过提取输入的人体空间骨架信息运动特征、姿态特征来判断是否有跌倒的异常行为。
5.根据权利要求1所述的面向大型多人车厢场景的异常行为分析方法,其特征在于,所述步骤3)中的多人行为识别网络采用卷积神经网络与长短期记忆网络混合模型,首先,将每5帧的人体空间骨架节点序列划分为一组输入到网络中,利用卷积神经网络提取各帧人体空间骨架序列的空间特征,然后将卷积神经网络的输出调整规模依次输入到长短期记忆网络来获取序列的时序特征,并计算各个时刻长短期记忆网络输出的平均值,预测最后的分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010458362.0A CN111626199B (zh) | 2020-05-27 | 2020-05-27 | 面向大型多人车厢场景的异常行为分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010458362.0A CN111626199B (zh) | 2020-05-27 | 2020-05-27 | 面向大型多人车厢场景的异常行为分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111626199A CN111626199A (zh) | 2020-09-04 |
CN111626199B true CN111626199B (zh) | 2023-08-08 |
Family
ID=72273132
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010458362.0A Active CN111626199B (zh) | 2020-05-27 | 2020-05-27 | 面向大型多人车厢场景的异常行为分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111626199B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232190B (zh) * | 2020-10-15 | 2023-04-18 | 南京邮电大学 | 面向居家场景的老人异常行为检测方法 |
CN113111838A (zh) * | 2021-04-25 | 2021-07-13 | 上海商汤智能科技有限公司 | 行为识别方法及装置、设备和存储介质 |
CN112990153A (zh) * | 2021-05-11 | 2021-06-18 | 创新奇智(成都)科技有限公司 | 一种多目标行为识别方法、装置、存储介质以及电子设备 |
CN114095753A (zh) * | 2021-11-17 | 2022-02-25 | 中国建设银行股份有限公司 | 视频流处理方法、装置、设备、介质和程序产品 |
CN114091601B (zh) * | 2021-11-18 | 2023-05-05 | 业成科技(成都)有限公司 | 人员状况侦测的传感器融合方法 |
CN114220165B (zh) * | 2021-11-25 | 2022-07-08 | 慧之安信息技术股份有限公司 | 一种基于动作识别的自动报警方法和*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017206005A1 (zh) * | 2016-05-30 | 2017-12-07 | 中国石油大学(华东) | 一种基于光流检测和身体部分模型的多人姿态识别*** |
CN108960079A (zh) * | 2018-06-14 | 2018-12-07 | 多伦科技股份有限公司 | 一种图像识别方法及装置 |
CN109522793A (zh) * | 2018-10-10 | 2019-03-26 | 华南理工大学 | 基于机器视觉的多人异常行为检测与识别方法 |
CN110135319A (zh) * | 2019-05-09 | 2019-08-16 | 广州大学 | 一种异常行为检测方法及其*** |
-
2020
- 2020-05-27 CN CN202010458362.0A patent/CN111626199B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017206005A1 (zh) * | 2016-05-30 | 2017-12-07 | 中国石油大学(华东) | 一种基于光流检测和身体部分模型的多人姿态识别*** |
CN108960079A (zh) * | 2018-06-14 | 2018-12-07 | 多伦科技股份有限公司 | 一种图像识别方法及装置 |
CN109522793A (zh) * | 2018-10-10 | 2019-03-26 | 华南理工大学 | 基于机器视觉的多人异常行为检测与识别方法 |
CN110135319A (zh) * | 2019-05-09 | 2019-08-16 | 广州大学 | 一种异常行为检测方法及其*** |
Non-Patent Citations (1)
Title |
---|
田联房 等.基于人体骨架序列的手扶电梯乘客异常行为识别.《华南理工大学学报》.2019,第10-19页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111626199A (zh) | 2020-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111626199B (zh) | 面向大型多人车厢场景的异常行为分析方法 | |
Chackravarthy et al. | Intelligent crime anomaly detection in smart cities using deep learning | |
CN113569766B (zh) | 一种面向无人机巡逻的行人异常行为检测方法 | |
CN110717389A (zh) | 基于生成对抗和长短期记忆网络的驾驶员疲劳检测方法 | |
KR102309111B1 (ko) | 딥러닝 기반 비정상 행동을 탐지하여 인식하는 비정상 행동 탐지 시스템 및 탐지 방법 | |
CN115761537B (zh) | 一种面向动态特征补充机制的输电线路异物入侵识别方法 | |
CN113642403B (zh) | 基于边缘计算的人群异动智能安全检测*** | |
Khosravi et al. | Crowd emotion prediction for human-vehicle interaction through modified transfer learning and fuzzy logic ranking | |
CN116758475A (zh) | 基于多源图像识别和深度学习的能源站异常行为预警方法 | |
CN114202803A (zh) | 一种基于残差网络的多阶段人体异常动作检测方法 | |
CN110059675A (zh) | 一种机器人识别道路交通执法行为并提供规范化辅助的方法 | |
CN116645563A (zh) | 一种基于深度学习的典型交通事件检测*** | |
Miao et al. | Abnormal behavior learning based on edge computing toward a crowd monitoring system | |
Hong et al. | Evidential event inference in transport video surveillance | |
CN117612249A (zh) | 一种基于改进OpenPose算法的井下矿工危险行为识别方法和装置 | |
CN110909607B (zh) | 一种智慧地铁运营中客流感知的装置*** | |
CN116229347A (zh) | 一种人群安全异常事件识别方法 | |
CN115393927A (zh) | 基于多级长短期记忆网络的多模态情感应急决策*** | |
Liu et al. | Intelligent image recognition system for detecting abnormal features of scenic spots based on deep learning | |
CN116052035A (zh) | 一种基于卷积神经网络的电厂人员周界入侵检测方法 | |
CN114463844A (zh) | 一种基于自注意力双流网络的跌倒检测方法 | |
Arsic et al. | Video based online behavior detection using probabilistic multi stream fusion | |
Yu et al. | Fine-grained accident detection: database and algorithm | |
CN112016403A (zh) | 一种视频异常事件检测方法 | |
CN113326740B (zh) | 一种改进的双流交通事故检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB03 | Change of inventor or designer information |
Inventor after: Ye Jian Inventor after: Zhang Tiejian Inventor after: Zhang Hui Inventor after: Li Kexin Inventor after: Song Zhijun Inventor before: Song Zhijun Inventor before: Zhang Hui Inventor before: Li Kexin Inventor before: Ye Jian Inventor before: Zhang Tiejian |
|
CB03 | Change of inventor or designer information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |