CN113065515B - 基于相似度图神经网络的异常行为智能检测方法及*** - Google Patents
基于相似度图神经网络的异常行为智能检测方法及*** Download PDFInfo
- Publication number
- CN113065515B CN113065515B CN202110436144.1A CN202110436144A CN113065515B CN 113065515 B CN113065515 B CN 113065515B CN 202110436144 A CN202110436144 A CN 202110436144A CN 113065515 B CN113065515 B CN 113065515B
- Authority
- CN
- China
- Prior art keywords
- training
- skeleton
- abnormal
- similarity
- neural network
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于相似度图神经网络的异常行为智能检测方法及***,涉及行为检测技术领域,该方法包括:信息获取步骤:对监控视频中人员的异常行为进行拍摄得到训练视频序列;网络训练步骤:提取训练视频序列中人体骨骼点得到骨骼点序列,列构建图网络结构,使用相似度图神经网络对骨骼点序列进行学习并训练网络;异常检测步骤:对训练视频序列中人体骨骼点进行识别,构建图网络结构,再用相似度图神经网络对骨骼点序列进行特征提取,并进行异常行为识别;智能记录步骤:自动截取异常视频片段,标注异常行为类型,保存到数据库。本发明能够极大地提升异常行为识别的可信程度,也大大简化识别流程,降低识别时间,达到实时识别的效果。
Description
技术领域
本发明涉及行为检测技术领域,具体地,涉及一种基于相似度图神经网络的异常行为智能检测方法及***。
背景技术
自2006年深度学习算法这一概念被提出以来,人工智能技术取得了突破性发展,逐步与多种场景深度融合,被应用到越来越多的领域。将人工智能运用到检察工作中,也成为检察技术发展的必然趋势。
目前,视频监控***普遍只对视频进行记录和传输,但仍然侧重于监控人员对视频的人工监控和分析。当有突发的异常事件发生时,监控人员不能及时的做出响应,甚至会出现漏检漏报等情况。人工检测方法已不能满足视频监控的需求,需要计算机来协助人来完成异常行为和事件的检测。
过对现有的异常行为检测方法的检索发现,专利公开号为CN110135319A的专利于2019年8月16日公开了一种基于骨骼特征的异常行为检测方法。该异常行为检测方法使用神经网络人体骨架提取模型,通过相似度网络获得与骨骼相对应的更高级的行为特征图,实现处理多种人体行为与人体骨骼数据,识别监控视频中出现的异常行为。但其异常行为定义模糊,对于特定场景下的特定异常动作识别率不够高,缺乏专一性。
专利公开号为CN112364680A的专利于2021年2月12日公开了一种基于光流算法的异常行为检测方法。该技术通过光流算法提取光流信息,统计光流直方图,计算直方图的方向和幅值熵来判断是否发生异常行为。该方法依赖光流提取运动信息,然而光流的计算不仅耗时而且对硬件的内存要求较高,不能达到实时预警的效果。而从监管场所的监控环境出发,针对监管场所中人员的异常行为实时检测***尚未被提出。
发明内容
针对现有技术中的缺陷,本发明提供一种基于相似度图神经网络的异常行为智能检测方法及***。
根据本发明提供的一种基于相似度图神经网络的异常行为智能检测方法及***,所述方案如下:
第一方面,提供了一种基于相似度图神经网络的异常行为智能检测方法,所述方法包括:
信息获取步骤:对监控视频中人员的异常行为进行拍摄得到训练视频序列;
网络训练步骤:提取训练视频序列中人体骨骼点得到骨骼点序列,利用提取的骨骼点序列构建图网络结构,使用相似度图神经网络对骨骼点序列进行学习并训练网络;
异常检测步骤:对训练视频序列中人体骨骼点进行识别,利用提取的骨骼点序列构建图网络结构,再用相似度图神经网络对骨骼点序列进行特征提取,并进行异常行为识别;
智能记录步骤:自动截取异常视频片段,标注异常行为类型,保存到数据库。
优选的,所述信息获取步骤具体包括:
步骤1.1:在场所中利用监控设备拍摄人员的异常行为视频流;
步骤1.2:根据视频流抽取视频帧;
步骤1.3:对视频帧进行预处理;其中,所述预处理包括:裁剪和滤波。
优选的,所述异常行为类型包括:传递异常物品行为和异常使用通讯设备。
优选的,所述检测步骤包括:
步骤3.1:使用YOLO网络检测视频流中是否有人并进行定位;
步骤3.2:若视频流中判断为否,则继续获取检测视频流;
步骤3.3:若视频流中判断为是,使用Alphapose网络提取视频中人体的骨骼点信息;
步骤3.4:利用提取的骨骼点序列构建图网络结构;
步骤3.5:使用相似度图神经网络对骨骼点序列进行特征提取,并进行行为识别。
优选的,所述定位包括:使用Yolo目标识别深度网络进行模型训练,定位骨骼和人头的位置,确定人数,根据基于相似度图神经网络的异常行为智能检测算法检测网络,训练异常检测模型,确定异常行为。
优选的,所述相似度图神经网络检测行为过程包括:
步骤3.5.1:将待检测的骨骼图与训练骨骼库中的一个骨骼图输入三层带有RELU函数的图神经网络来获得节点级的嵌入;
步骤3.5.2:利用基于全局上下文向量的注意机制实现图级嵌入;
步骤3.5.3:利用神经张量网络对两种图嵌入之间的关系进行建模;
步骤3.5.4:用标准的全连通层对关系向量进行降维处理;
步骤3.5.5:输出两幅骨骼图的相似度分数;
待检测的骨骼图与训练骨骼库中的每一个骨骼图依次进行以上步骤3.5.1~步骤3.5.5,最后输出所有相似度的前三位加权平均分数,以进行异常行为识别。
优选的,所述构建骨骼点序列图网络结构包括:
提取每个帧中每个人体关节的二维坐标表示;
在每一帧内将每个人的所有关节点连接;
每个关节在连续的坐标系中连接到同一个关节;
对于结点集合:V={Vti∣t=1,...,T,i=1,...,N},由t帧的第i个关节点构成;t表示帧数,i表示关节点编号。
优选的,所述训练相似度图神经网络模型包括:
对监控拍摄的训练视频样本进行标注;
随机获取两个骨骼图及相似度,骨骼图输入三层带有RELU函数的图神经网络来获得节点级的嵌入;
利用基于全局上下文向量的注意机制实现图级嵌入;
利用神经张量网络对两种图嵌入之间的关系进行建模;
用标准的全连通层对关系向量进行降维处理;
图相似度计算模型中设置学习率0.001和dropout 0.5;相似度图神经网络训练完成后,所有的训练骨骼图都进入训练骨骼库。
优选的,对监控拍摄的训练视频样本进行标注:同一动作类别的两个视频提取的骨骼图相似度标注为1,不同动作类别的两个视频提取的骨骼图相似度标注为0。
第二方面,提供了一种基于相似度图神经网络的异常行为智能检测***,所述***包括:
信息获取模块:对监控视频中人员的异常行为进行拍摄得到训练视频序列;
网络训练模块:提取训练视频序列中人体骨骼点得到骨骼点序列,利用提取的骨骼点序列构建图网络结构,使用相似度图神经网络对骨骼点序列进行学习并训练网络;
异常检测模块:对训练视频序列中人体骨骼点进行识别,利用提取的骨骼点序列构建图网络结构,再用相似度图神经网络对骨骼点序列进行特征提取,并进行异常行为识别;
智能记录模块:自动截取异常视频片段,标注异常行为类型,保存到数据库。
与现有技术相比,本发明具有如下的有益效果:
1、本发明对社会的纪律管理提供了方便,更好地规范监管行为,维护社会秩序,保障人民的合法权益;
2、本发明采用了深度学习模型AlphaPose和相似度图神经网络对视频序列中人体骨骼点进行识别,利用提取的骨骼点序列构建图网络结构进行特征提取,极大地提升了异常行为识别的可信程度,也大大简化了识别流程,降低了识别时间,达到了实时识别的效果;
3、本发明填补了利用深度学习模型进行监管场所异常行为识别的相关的专利的空白,识别准确率高,且能实时输出、更新识别结果。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明的整体结构框架图;
图2为相似度图神经网络结构图;
图3为本发明中的数据库表单设计图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
本发明实施例提供了一种基于相似度图神经网络的异常行为智能检测方法,参照图1所示,具体步骤如下:
信息获取步骤:对监控视频中人员的异常行为进行拍摄得到训练视频序列;具体地,在场所中利用监控设备拍摄人员的异常行为视频流,根据视频流抽取视频帧,对视频帧进行预处理;其中,预处理包括:裁剪和滤波。
网络训练步骤:使用深度学习模型AlphaPose提取训练视频序列中人体骨骼点信息,利用提取的骨骼点序列构建图网络结构,使用相似度图神经网络对骨骼点序列进行学习并训练网络;本实施例中所提取的人体骨骼点有20个,分别为HIP_CENTER,SPINE,SHOULDER_CENTER,HEAD,SHOULDER_LEFT,ELBOW_LEFT,WRIST_LEFT,HAND_LEFT,SHOULDER_RIGHT,ELBOW_RIGHT,WRIST_RIGHT,HAND_RIGHT,HIP_LEFT,KNEE_LEFT,ANKLE_LEFT,FOOT_LEFT,HIP_RIGHT,KNEE_RIGHT,ANKLE_RIGHT,FOOT_RIGHT。
除了骨骼的空间信息,时间序列信息对于行为的判别也有至关重要的作用,故同时引入图数据的时间序列信息,构建骨骼点时空间序列图,对构建图类型数据利用相似度进行特征提取和判别。具体地,构建骨骼点序列图网络结构包括:首先提取每个帧中每个人体关节的二维坐标表示;利用时空图来形成骨架序列的层次表示,构造一个无向时空图G=(V;E),具有N个关节和T个框架的骨架序列,具有身体内部和框架之间的连接。将每一帧内每个人的所有关节点连接,最后把每个关节在连续的坐标系中连接到同一个关节。
对于结点集合:V={Vti∣t=1,...,T,i=1,...,N},由t帧的第i个关节点构成;t表示帧数,i表示关节点编号。
其中,训练相似度图神经网络模型包括:
对监控拍摄的训练视频样本进行标注,其中,同一动作类别的两个视频提取的骨骼图相似度标注为1,不同动作类别的两个视频提取的骨骼图相似度标注为0;
随机获取两个骨骼图及他们的相似度,骨骼图输入三层带有RELU函数的图神经网络来获得节点级的嵌入;
利用基于全局上下文向量的注意机制实现图级嵌入;
利用神经张量网络对两种图嵌入之间的关系进行建模;
用标准的全连通层对关系向量进行降维处理;
图相似度计算模型中设置学习率0.001和dropout 0.5,相似度图神经网络训练完成后,所有的训练骨骼图都进入训练骨骼库。
异常检测步骤:使用深度学习模型AlphaPose对检测视频序列中人体骨骼点进行识别,利用提取的骨骼点序列构建图网络结构,再用相似度图神经网络对骨骼点序列数据进行特征提取,并进行异常行为识别;
其中,异常检测步骤包括:
使用YOLO网络检测视频流中是否有人;若判断为否,则继续获取检测视频流;若判断为是,使用Alphapose网络提取视频中人体的骨骼点信息;利用提取的骨骼点序列构建图网络结构;使用相似度图神经网络对骨骼点序列数据进行特征提取,并进行行为识别。
如图2所示,相似度图神经网络检测异常行为过程包括:
步骤1:将待检测的骨骼图与训练骨骼库中的一个骨骼图输入三层带有RELU函数的图神经网络来获得节点级的嵌入;
步骤2:利用基于全局上下文向量的注意机制实现图级嵌入;
步骤3:利用神经张量网络对两种图嵌入之间的关系进行建模;
步骤4:用标准的全连通层对关系向量进行降维处理;
步骤5:输出两幅骨骼图的相似度分数。
待检测的骨骼图与训练骨骼库中的每一个骨骼图依次进行以上步骤1~步骤5,最后输出所有相似度的前三位加权平均分数,以进行异常行为识别。
智能记录步骤:自动截取异常视频片段,标注异常行为类型,保存到数据库;如图3所示,保存的异常行为信息包括:异常行为类型、起始时间、结束时间、视频段ID、监控设备ID、监控设备名称视频路径、骨骼位置。
异常行为类型,包括:传递异常物品行为和异常使用通讯设备两种异常行为类别。
本发明实施例提供了一种基于相似度图神经网络的异常行为智能检测方法,采用了深度学习模型AlphaPose和相似度图神经网络对视频序列中人体骨骼点进行识别,利用提取的骨骼点序列构建图网络结构进行特征提取,极大地提升了异常行为识别的可信程度,也大大简化了识别流程,降低了识别时间,达到了实时识别的效果;利用深度学习模型进行监管场所异常行为识别的相关专利的空白,识别准确率高,且能实时输出、更新识别结果。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的***及其各个装置、模块、单元以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的***及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以,本发明提供的***及其各项装置、模块、单元可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构;也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (7)
1.一种基于相似度图神经网络的异常行为智能检测方法,其特征在于,包括:
信息获取步骤:对监控视频中人员的异常行为进行拍摄得到训练视频序列;
网络训练步骤:提取训练视频序列中人体骨骼点得到骨骼点序列,利用提取的骨骼点序列构建图网络结构,使用相似度图神经网络对骨骼点序列进行学习并训练网络;
异常检测步骤:对训练视频序列中人体骨骼点进行识别,利用提取的骨骼点序列构建图网络结构,再用相似度图神经网络对骨骼点序列进行特征提取,并进行异常行为识别;
智能记录步骤:自动截取异常视频片段,标注异常行为类型,保存到数据库;
所述信息获取步骤具体包括:
步骤1.1:在场所中利用监控设备拍摄人员的异常行为视频流;
步骤1.2:根据视频流抽取视频帧;
步骤1.3:对视频帧进行预处理;其中,所述预处理包括:裁剪和滤波;
所述构建骨骼点序列图网络结构包括:
提取每个帧中每个人体关节的二维坐标表示;
在每一帧内将每个人的所有关节点连接;
每个关节在连续的坐标系中连接到同一个关节;
同时引入图数据的时间序列信息,构建骨骼点时空间序列图,对构建图类型数据采用相似度进行特征提取和判别;构建骨骼点序列图网络结构包括:首先提取每个帧中每个人体关节的二维坐标表示;利用时空图形成骨架序列的层次表示,构造一个无向时空图G=(V;E),将每一帧内每个人的所有关节点连接,最后把每个关节在连续的坐标系中连接到同一个关节;
对于顶点集合:V={Vti∣t=1,...,T,i=1,...,N},由t帧的第i个关节点构成;t表示帧数,i表示关节点编号;
所述训练相似度图神经网络模型包括:
对监控拍摄的训练视频样本进行标注;
随机获取两个骨骼图及相似度,骨骼图输入三层带有RELU函数的图神经网络来获得节点级的嵌入;
利用基于全局上下文向量的注意机制实现图级嵌入;
利用神经张量网络对两种图嵌入之间的关系进行建模;
用标准的全连通层对关系向量进行降维处理;
图相似度计算模型中设置学习率0.001和dropout 0.5;相似度图神经网络训练完成后,所有的训练骨骼图都进入训练骨骼库。
2.根据权利要求1所述的基于相似度图神经网络的异常行为智能检测方法,其特征在于,所述异常行为类型包括:传递异常物品行为和异常使用通讯设备。
3.根据权利要求1所述的基于相似度图神经网络的异常行为智能检测方法,其特征在于,所述检测步骤包括:
步骤3.1:使用YOLO网络检测视频流中是否有人并进行定位;
步骤3.2:若视频流中判断为否,则继续获取检测视频流;
步骤3.3:若视频流中判断为是,使用Alphapose网络提取视频中人体的骨骼点信息;
步骤3.4:利用提取的骨骼点序列构建图网络结构;
步骤3.5:使用相似度图神经网络对骨骼点序列进行特征提取,并进行行为识别。
4.根据权利要求3所述的基于相似度图神经网络的异常行为智能检测方法,其特征在于,所述定位包括:使用Yolo目标识别深度网络进行模型训练,定位骨骼和人头的位置,确定人数,根据基于相似度图神经网络的异常行为智能检测算法检测网络,训练异常检测模型,确定异常行为。
5.根据权利要求3所述的基于相似度图神经网络的异常行为智能检测方法,其特征在于,所述相似度图神经网络检测行为过程包括:
步骤3.5.1:将待检测的骨骼图与训练骨骼库中的一个骨骼图输入三层带有RELU函数的图神经网络来获得节点级的嵌入;
步骤3.5.2:利用基于全局上下文向量的注意机制实现图级嵌入;
步骤3.5.3:利用神经张量网络对两种图嵌入之间的关系进行建模;
步骤3.5.4:用标准的全连通层对关系向量进行降维处理;
步骤3.5.5:输出两幅骨骼图的相似度分数;
待检测的骨骼图与训练骨骼库中的每一个骨骼图依次进行以上步骤3.5.1~步骤3.5.5,最后输出所有相似度的前三位加权平均分数,以进行异常行为识别。
6.根据权利要求1所述的基于相似度图神经网络的异常行为智能检测方法,其特征在于,对监控拍摄的训练视频样本进行标注:同一动作类别的两个视频提取的骨骼图相似度标注为1,不同动作类别的两个视频提取的骨骼图相似度标注为0。
7.一种实现权利要求1所述的基于相似度图神经网络的异常行为智能检测方法的***,其特征在于,包括:
信息获取模块:对监控视频中人员的异常行为进行拍摄得到训练视频序列;
网络训练模块:提取训练视频序列中人体骨骼点得到骨骼点序列,利用提取的骨骼点序列构建图网络结构,使用相似度图神经网络对骨骼点序列进行学习并训练网络;
异常检测模块:对训练视频序列中人体骨骼点进行识别,利用提取的骨骼点序列构建图网络结构,再用相似度图神经网络对骨骼点序列进行特征提取,并进行异常行为识别;
智能记录模块:自动截取异常视频片段,标注异常行为类型,保存到数据库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110436144.1A CN113065515B (zh) | 2021-04-22 | 2021-04-22 | 基于相似度图神经网络的异常行为智能检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110436144.1A CN113065515B (zh) | 2021-04-22 | 2021-04-22 | 基于相似度图神经网络的异常行为智能检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113065515A CN113065515A (zh) | 2021-07-02 |
CN113065515B true CN113065515B (zh) | 2023-02-03 |
Family
ID=76567549
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110436144.1A Active CN113065515B (zh) | 2021-04-22 | 2021-04-22 | 基于相似度图神经网络的异常行为智能检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113065515B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7459679B2 (ja) * | 2020-06-23 | 2024-04-02 | 富士通株式会社 | 行動認識方法、行動認識プログラム及び行動認識装置 |
CN113792595A (zh) * | 2021-08-10 | 2021-12-14 | 北京爱笔科技有限公司 | 目标行为检测方法、装置、计算机设备和存储介质 |
CN113642525A (zh) * | 2021-09-02 | 2021-11-12 | 浙江大学 | 一种基于骨骼点的婴儿神经发育评估方法和*** |
CN113850562A (zh) * | 2021-09-03 | 2021-12-28 | 北京兴油工程项目管理有限公司 | 一种智能旁站监理方法及*** |
CN116229560B (zh) * | 2022-09-08 | 2024-03-19 | 广东省泰维思信息科技有限公司 | 一种基于人体姿态的异常行为识别方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363131A (zh) * | 2019-07-08 | 2019-10-22 | 上海交通大学 | 基于人体骨架的异常行为检测方法、***及介质 |
CN112163537A (zh) * | 2020-09-30 | 2021-01-01 | 中国科学院深圳先进技术研究院 | 一种行人异常行为检测方法、***、终端以及存储介质 |
CN112668531A (zh) * | 2021-01-05 | 2021-04-16 | 重庆大学 | 一种基于动作识别的运动姿态矫正方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108960078A (zh) * | 2018-06-12 | 2018-12-07 | 温州大学 | 一种基于单目视觉、从动作识别身份的方法 |
CN109522793B (zh) * | 2018-10-10 | 2021-07-23 | 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 |
CN110135319B (zh) * | 2019-05-09 | 2022-09-16 | 广州大学 | 一种异常行为检测方法及其*** |
CN111310707B (zh) * | 2020-02-28 | 2023-06-20 | 山东大学 | 基于骨骼的图注意力网络动作识别方法及*** |
CN112016435A (zh) * | 2020-08-25 | 2020-12-01 | 中移(杭州)信息技术有限公司 | 异常行为的检测方法、装置、电子设备和存储介质 |
-
2021
- 2021-04-22 CN CN202110436144.1A patent/CN113065515B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363131A (zh) * | 2019-07-08 | 2019-10-22 | 上海交通大学 | 基于人体骨架的异常行为检测方法、***及介质 |
CN112163537A (zh) * | 2020-09-30 | 2021-01-01 | 中国科学院深圳先进技术研究院 | 一种行人异常行为检测方法、***、终端以及存储介质 |
CN112668531A (zh) * | 2021-01-05 | 2021-04-16 | 重庆大学 | 一种基于动作识别的运动姿态矫正方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113065515A (zh) | 2021-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113065515B (zh) | 基于相似度图神经网络的异常行为智能检测方法及*** | |
CN109919031B (zh) | 一种基于深度神经网络的人体行为识别方法 | |
Zhang et al. | Empowering things with intelligence: a survey of the progress, challenges, and opportunities in artificial intelligence of things | |
Shehzed et al. | Multi-person tracking in smart surveillance system for crowd counting and normal/abnormal events detection | |
CN106909938B (zh) | 基于深度学习网络的视角无关性行为识别方法 | |
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 | |
CN112507859B (zh) | 一种用于移动机器人的视觉跟踪方法 | |
CN113569766B (zh) | 一种面向无人机巡逻的行人异常行为检测方法 | |
CN114373225A (zh) | 一种基于人体骨架的行为识别方法及*** | |
CN114359976A (zh) | 一种基于人物识别的智能安防方法与装置 | |
Zheng et al. | Anomaly detection of metro station tracks based on sequential updatable anomaly detection framework | |
Ali et al. | Deep Learning Algorithms for Human Fighting Action Recognition. | |
Hdioud et al. | Facial expression recognition of masked faces using deep learning | |
CN116824641B (zh) | 姿态分类方法、装置、设备和计算机存储介质 | |
CN115966025A (zh) | 一种基于人体骨骼关键点的电力作业异常行为识别方法 | |
CN116152745A (zh) | 一种抽烟行为检测方法、装置、设备及存储介质 | |
CN115798055A (zh) | 一种基于cornersort跟踪算法的暴力行为检测方法 | |
AU2021100892A4 (en) | Deeply learned intelligent system for end to end tracking and detection in videos | |
CN114677765A (zh) | 一种交互式视频动作综合识别评价***与方法 | |
Halim | Intelligent Human Anomaly Identification and Classification in Crowded Scenes via Multi-fused Features and Restricted Boltzmann Machines | |
Esan et al. | Surveillance detection of anomalous activities with optimized deep learning technique in crowded scenes | |
Akhter et al. | Human body 3D reconstruction and gait analysis via features mining framework | |
Akhter et al. | Pedestrian behavior recognition via a smart graph-based optimization | |
Ingale et al. | Deep Learning for Crowd Image Classification for Images Captured Under Varying Climatic and Lighting Condition | |
CN112926492B (zh) | 一种基于单帧监督的时序行为检测方法及*** |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |