一种基于AI识别的用户异常行为识别方法及装置制造方法及图纸

本发明专利技术涉及一种基于AI识别的用户异常行为识别方法及装置，包括：根据用户实时行为关节点向量计算用户实时行为关节点结构向量夹角与用户实时行为关节点模比值后，获取用户人体姿态描述向量集合；利用用户人体姿态描述向量识别用户异常行为，针对用户实时行为数据进行分析，对用户实时状态进行判断，提取关键行为特征，提升识别的速度与准确性。提升识别的速度与准确性。提升识别的速度与准确性。

【技术实现步骤摘要】
一种基于AI识别的用户异常行为识别方法及装置


[0001]本专利技术涉及智能零售
，具体涉及一种基于AI识别的用户异常行为识别方法及装置。

技术介绍

[0002]在无人值守的智能零售领域，减少货损、防盗是商家考虑的一个很重要的问题。无人值守的场景下，因为有商品检测通道，不消费将商品拿出店铺不容易，在店内直接吃喝店内的物品，之后再走出就容易的多了，无人值守的店铺内，一般都是禁烟禁明火的，因此也需要判定用户是否有吸烟行为，另外，店铺内由于是无人值守。用户使用时多数情况下只有一个人，当用户因病摔倒时，商家也需要能得到告警，迅速处理，防止出事，所以有了识别用户吃喝、吸烟、摔倒的需求。

技术实现思路

[0003]针对现有技术的不足，本专利技术的目的是一种基于AI识别的用户异常行为识别方法，包括：
[0004]根据用户实时行为关节点向量获取用户人体姿态描述向量集合；
[0005]利用所述用户人体姿态描述向量集合识别用户异常行为。
[0006]优选的，所述根据用户实时行为关节点向量获取用户人体姿态描述向量集合包括：
[0007]根据用户实时行为关节点向量获取用户实时行为关节点结构向量；
[0008]根据所述用户实时行为关节点结构向量计算用户实时行为关节点结构向量夹角；
[0009]利用所述用户实时行为关节点向量计算用户实时行为关节点模比值；
[0010]根据所述用户实时行为关节点结构向量夹角与用户实时行为关节点模比值获取用户人体姿态描述向量集合。
>[0011]进一步的，所述根据用户实时行为关节点结构向量计算用户实时行为关节点结构向量夹角的计算式如下：
[0012]|a|≠0且|b|≠0
[0013]其中，p为用户实时行为关节点结构向量夹角，a为用户实时行为关节点结构向量，b为与a对应的用户实时行为关节点结构向量。
[0014]进一步的，所述利用用户实时行为关节点向量计算用户实时行为关节点模比值的计算式如下：
[0015][0016]其中，r为用户实时行为关节点模比值，a为用户实时行为关节点结构向量，b为与a
对应的用户实时行为关节点结构向量。
[0017]进一步的，所述根据用户实时行为关节点结构向量夹角与用户实时行为关节点模比值获取用户人体姿态描述向量集合包括：
[0018]G＝(p1，p2…
p
n
，r1，r2…
r
m
)
[0019]其中，G为用户人体姿态描述向量，p为用户实时行为关节点结构向量夹角，r为用户实时行为关节点模比值。
[0020]优选的，所述利用用户人体姿态描述向量集合识别用户异常行为包括：
[0021]根据所述用户人体姿态描述向量集合基于DTW算法识别用户异常行为。
[0022]进一步的，所述根据用户人体姿态描述向量集合基于DTW算法识别用户异常行为包括：
[0023]利用所述用户人体姿态描述向量集合与预先设置的异常行为用户人体姿态描述向量参照集合，基于DTW算法计算用户人体姿态描述向量失真量；
[0024]利用所述用户人体姿态描述向量失真量计算用户人体姿态描述向量累计失真量；
[0025]根据所述用户人体姿态描述向量累计失真量识别用户异常行为。
[0026]进一步的，所述利用用户人体姿态描述向量集合与预先设置的异常行为用户人体姿态描述向量参照集合，基于DTW算法计算用户人体姿态描述向量失真量的计算式如下：
[0027]且1≤n
j
≤N，1≤m
j
≤M
[0028]其中，D为用户人体姿态描述向量失真量，T为用户人体姿态描述向量集合，R为预先设置的异常行为用户人体姿态描述向量参照集合，n为用户人体姿态描述向量集合中的数据，i为用户人体姿态描述向量集合中数据的数量，m为预先设置的异常行为用户人体姿态描述向量参照集合中的数据，j为预先设置的异常行为用户人体姿态描述向量参照集合中数据的数量。
[0029]进一步的，所述利用用户人体姿态描述向量失真量计算用户人体姿态描述向量累计失真量的计算式如下：
[0030]H[T(n
i
)，R(m
i
)]＝d[T(n
i
)，R(m
i
)]+D[T(n
i
‑1)，R(m
i
‑1)][0031]其中，H为用户人体姿态描述向量累计失真量，D为用户人体姿态描述向量失真量，T为用户人体姿态描述向量集合，R为预先设置的异常行为用户人体姿态描述向量参照集合，n为用户人体姿态描述向量集合中的数据，i为用户人体姿态描述向量集合中数据的数量，m为预先设置的异常行为用户人体姿态描述向量参照集合中的数据。
[0032]基于同一专利技术构思，本专利技术还提供了一种基于AI识别的用户异常行为识别装置，其特征在于，包括：
[0033]获取模块，用于根据用户实时行为关节点向量获取用户人体姿态描述向量集合；
[0034]识别模块，用于利用所述用户人体姿态描述向量集合识别用户异常行为。
[0035]与最接近的现有技术相比，本专利技术具有的有益效果：
[0036]根据用户实时行为关节点向量获取用户人体姿态描述向量；利用所述用户人体姿态描述向量识别用户异常行为，本专利技术针无人值守店铺内用户行为准确识别的难题，提出了基于AI的识别方法，可以有效地解决店内人体异常行为识别问题，通过对人体行为特点的分析，提出了一种新的人体行为表示特征量，该特征量对于识别用户异常行为，具有较好
的聚集性，从而有望得到良好的识别效果。
附图说明
[0037]图1是本专利技术提供的一种基于AI识别的用户异常行为识别方法流程图；
[0038]图2是本专利技术涉及的Kinect V2示意图；
[0039]图3是本专利技术涉及的Kinect三维空间坐标系示意图；
[0040]图4是本专利技术提供的一种人体关节点分布示意图；
[0041]图5是本专利技术提供的一种行为表示特征量提取流程图；
[0042]图6是本专利技术提供的一种上肢部分人体结构向量示意图；
[0043]图7是本专利技术提供的一种下肢部分角度信息示意图；
[0044]图8是本专利技术提供的一种中间连接处角度信息示意图；
[0045]图9是本专利技术提供的一种求取模比值信息的向量分布示意图；
[0046]图10是本专利技术提供的一种基于AI识别的用户异常行为识别装置示意图。
具体实施方式
[0047]下面结合附图对本专利技术的具体实施方式作进一步的详细说明。
[0048]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于AI识别的用户异常行为识别方法，其特征在于，包括：根据用户实时行为关节点向量获取用户人体姿态描述向量集合；利用所述用户人体姿态描述向量集合识别用户异常行为。2.如权利要求1所述方法，其特征在于，所述根据用户实时行为关节点向量获取用户人体姿态描述向量集合包括：根据用户实时行为关节点向量获取用户实时行为关节点结构向量；根据所述用户实时行为关节点结构向量计算用户实时行为关节点结构向量夹角；利用所述用户实时行为关节点向量计算用户实时行为关节点模比值；根据所述用户实时行为关节点结构向量夹角与用户实时行为关节点模比值获取用户人体姿态描述向量集合。3.如权利要求2所述方法，其特征在于，所述根据用户实时行为关节点结构向量计算用户实时行为关节点结构向量夹角的计算式如下：其中，p为用户实时行为关节点结构向量夹角，a为用户实时行为关节点结构向量，b为与a对应的用户实时行为关节点结构向量。4.如权利要求2所述方法，其特征在于，所述利用用户实时行为关节点向量计算用户实时行为关节点模比值的计算式如下：其中，r为用户实时行为关节点模比值，a为用户实时行为关节点结构向量，b为与a对应的用户实时行为关节点结构向量。5.如权利要求2所述方法，其特征在于，所述根据用户实时行为关节点结构向量夹角与用户实时行为关节点模比值获取用户人体姿态描述向量集合包括：G＝(p1，p2…
p
n
，r1，r2…
r
m
)其中，G为用户人体姿态描述向量，p为用户实时行为关节点结构向量夹角，r为用户实时行为关节点模比值。6.如权利要求1所述方法，其特征在于，所述利用用户人体姿态描述向量集合识别用户异常行为包括：根据用户人体姿态描述向量集合基于DTW算法识别用户异常行为。7.如权利要求6所述方法，其特征在于，所述根据用户人体姿态描述向量集合基于DTW算法识别用户异常行为包括：利用所述用户人体姿态描述向量集合与预先设置的异常行为用户人体姿态描...

【专利技术属性】
技术研发人员：刘竹禹，张智贤，杨玙宁，
申请(专利权)人：天津市府易科技股份有限公司，
类型：发明
国别省市：