本申请提供一种区域入侵异常行为检测方法、装置及计算机设备，方法包括：获取包含目标区域的待检测图像；对待检测图像进行人员检测，获取包含目标人员的目标图像；将目标图像输入至已训练的异常行为检测模型，输出异常行为检测结果；其中，异常行为检测结果是通过分析目标人员与目标区域之间的深度特征关系得到的。采用本方法，能够通过分析目标人员与目标区域之间的深度特征关系，提高区域入侵的异常行为检测准确率。常行为检测准确率。常行为检测准确率。
【技术实现步骤摘要】
区域入侵异常行为检测方法、装置及计算机设备
[0001]本申请涉及图像处理
，具体涉及一种区域入侵异常行为检测方法、装置及计算机设备。
技术介绍
[0002]区域入侵是在监控区域绘制一个或多个侦测区域，当有物体进入侦测区域，并达到所设置的占比大小和入侵时长时，就会触发摄像机联动报警。区域入侵功能可以主动防御能够降低异常的发生。
[0003]现有的区域入侵检测方法，主要通过对环境进行长时间的录制，检测变化的区域来实现报警；又或是通过目标检测的方式，获取目标物或人员在画面中的位置，然后检测是否有目标出现在给定的敏感区域，从而实现报警。
[0004]然而，现有的区域入侵检测方法虽然可以通过长时间录制视频并比较视频中发生的变化实现报警，但缺点是视频中有任何风吹草动都会造成误报，同时也需要很大的存储资源，造成了资源的浪费。对于大部分基于深度学习的区域入侵检测方法，其需要用户提供画面中的敏感区域，但是当摄像头角度发生变化的时候，区域也会发生变化而造成误检，并且在方法大规模部署阶段会需要非常大的人工标注成本。对于当前大部分基于深度学习的区域入侵检测方法，所给定的区域形状都是比较规范的，所以对于用户没有给定区域以及区域形状不规则的情况仍显得较为无力。因此，现有的区域入侵检测方法存在检测准确率不高的技术问题。
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区域入侵异常行为检测方法、装置及计算机设备，用以提高区域入侵的异常行为检测准确率。
[0006]第一方面，本申请提供一种区域入侵异常行为检测方法，包括：
[0007]获取包含目标区域的待检测图像；
[0008]对待检测图像进行人员检测，获取包含目标人员的目标图像；
[0009]将目标图像输入至已训练的异常行为检测模型，输出异常行为检测结果；其中，异常行为检测结果是通过分析目标人员与目标区域之间的深度特征关系得到的。
[0010]在本申请一些实施例中，已训练的异常行为检测模型包括特征提取模块、特征融合模块、下采样模块以及特征分析模块；其中，将目标图像输入至已训练的异常行为检测模型，输出异常行为检测结果，包括：将目标图像输入至已训练的异常行为检测模型，通过特征提取模块对目标图像进行特征提取，得到目标图像的末尾两层特征；通过特征融合模块拼接末尾两层特征，并对拼接后的末尾两层特征进行特征增强，融合得到目标图像的融合特征；通过下采样模块对融合特征进行下采样处理，得到包含置信度的融合特征；通过特征分析模块处理融合特征，以分析目标人员与目标区域之间的深度特征关系，输出异常行为检测结果。
[0011]在本申请一些实施例中，通过特征分析模块处理融合特征，以分析目标人员与目标区域之间的深度特征关系，输出异常行为检测结果，包括：通过特征分析模块分析融合特征的置信度，筛选出大于或等于预设置信度阈值的融合特征，作为目标融合特征；采用空间注意力方法，将目标融合特征的特征图映射到概率空间上，得到目标融合特征的概率分布信息，概率分布信息包含目标人员与目标区域之间的深度特征关系；根据概率分布信息和预设概率阈值，输出异常行为检测结果。
[0012]在本申请一些实施例中，特征融合模块包括由跨阶段局部网络和残差网络组成的特征增强单元和特征拼接单元；其中，通过特征融合模块拼接末尾两层特征，并对拼接后的末尾两层特征进行特征增强，融合得到目标图像的融合特征，包括：通过特征拼接单元拼接末尾两层特征，得到拼接后的末尾两层特征；通过特征增强单元中的跨阶段局部网络，对拼接后的末尾两层特征进行特征增强，得到增强后的末尾两层特征，增强后的末尾两层特征包括第一分支特征和第二分支特征；通过特征增强单元中的残差网络，对第一分支特征进行注意力加权，得到加权后的第一分支特征；通过特征拼接单元，融合第二分支特征和加权后的第一分支特征，得到目标图像的融合特征。
[0013]在本申请一些实施例中，对待检测图像进行人员检测，获取包含目标人员的目标图像，包括：将待检测图像输入至已训练的人员检测模型，获取包含人员检测框的待检测图像；对人员检测框进行适应性调整，确定人员检测框的尺寸调整信息；其中，尺寸调整信息是根据人员检测框的检测框尺寸，以及待检测图像的图像尺寸确定的；根据尺寸调整信息裁剪待检测图像，得到包含目标人员的目标图像。
[0014]在本申请一些实施例中，对人员检测框进行适应性调整，确定人员检测框的尺寸调整信息，包括：确定人员检测框的宽度信息和第一高度信息，以及，确定待检测图像的第二高度信息；根据第一高度信息与第二高度信息之间的比值，确定人员检测框的高度调整信息；根据高度调整信息、第一高度信息以及宽度信息，确定人员检测框的宽度调整信息；根据高度调整信息与第一高度信息之间的第一积值，宽度调整信息与宽度信息之间的第二积值，对人员检测框进行适应性调整，确定尺寸调整信息。
[0015]在本申请一些实施例中，获取包含目标区域的待检测图像，包括：获取待检测图像；将待检测图像输入至已训练的区域检测模型，获取包含目标区域的待检测图像；其中，已训练的区域检测模型是由EfficientNetb0网络构成的，和/或已训练的异常行为检测模型是由EfficientNetb3网络构成的，和/或已训练的人员检测模型是由Center Net网络构成的。
[0016]第二方面，本申请提供一种区域入侵异常行为检测装置，包括：
[0017]图像获取模块，用于获取包含目标区域的待检测图像；
[0018]人员检测模块，用于对待检测图像进行人员检测，获取包含目标人员的目标图像；
[0019]行为检测模块，用于将目标图像输入至已训练的异常行为检测模型，输出异常行为检测结果；其中，异常行为检测结果是通过分析目标人员与目标区域之间的深度特征关系得到的。
[0020]第三方面，本申请还提供一种计算机设备，包括：
[0021]一个或多个处理器；
[0022]存储器；以及一个或多个应用程序，其中的一个或多个应用程序被存储于存储器
中，并配置为由处理器执行以实现区域入侵异常行为检测方法。
[0023]第四方面，本申请还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器进行加载，以执行区域入侵异常行为检测方法中的步骤。
[0024]第五方面，本申请实施例提供一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述第一方面提供的方法。
[0025]上述区域入侵异常行为检测方法、装置和计算机设备，服务器通过获取包含目标区域的待检测图像，并对待检测图像进行人员检测，获取包含目标人员的目标图像，以将目标图像输入至已训练的异常行为检测模型，使得已训练的异常行为检测模型能够分析目标人员与目标区域之间的深度特征关系，最终输出异常行为检测结果。由于本申请提出通过分本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种区域入侵异常行为检测方法，其特征在于，包括：获取包含目标区域的待检测图像；对所述待检测图像进行人员检测，获取包含目标人员的目标图像；将所述目标图像输入至已训练的异常行为检测模型，输出异常行为检测结果；其中，所述异常行为检测结果是通过分析所述目标人员与所述目标区域之间的深度特征关系得到的。2.如权利要求1所述的方法，其特征在于，所述已训练的异常行为检测模型包括特征提取模块、特征融合模块、下采样模块以及特征分析模块；其中，所述将所述目标图像输入至已训练的异常行为检测模型，输出异常行为检测结果，包括：将所述目标图像输入至已训练的异常行为检测模型，通过所述特征提取模块对所述目标图像进行特征提取，得到所述目标图像的末尾两层特征；通过所述特征融合模块拼接所述末尾两层特征，并对拼接后的末尾两层特征进行特征增强，融合得到所述目标图像的融合特征；通过所述下采样模块对所述融合特征进行下采样处理，得到包含置信度的融合特征；通过所述特征分析模块处理所述融合特征，以分析所述目标人员与所述目标区域之间的深度特征关系，输出所述异常行为检测结果。3.如权利要求2所述的方法，其特征在于，所述通过所述特征分析模块处理所述融合特征，以分析所述目标人员与所述目标区域之间的深度特征关系，输出所述异常行为检测结果，包括：通过所述特征分析模块分析所述融合特征的置信度，筛选出大于或等于预设置信度阈值的融合特征，作为目标融合特征；采用空间注意力方法，将所述目标融合特征的特征图映射到概率空间上，得到目标融合特征的概率分布信息，所述概率分布信息包含所述目标人员与所述目标区域之间的深度特征关系；根据所述概率分布信息和预设概率阈值，输出所述异常行为检测结果。4.如权利要求2所述的方法，其特征在于，所述特征融合模块包括由跨阶段局部网络和残差网络组成的特征增强单元和特征拼接单元；其中，所述通过所述特征融合模块拼接所述末尾两层特征，并对拼接后的末尾两层特征进行特征增强，融合得到所述目标图像的融合特征，包括：通过所述特征拼接单元拼接所述末尾两层特征，得到所述拼接后的末尾两层特征；通过所述特征增强单元中的跨阶段局部网络，对所述拼接后的末尾两层特征进行特征增强，得到增强后的末尾两层特征，所述增强后的末尾两层特征包括第一分支特征和第二分支特征；通过所述特征增强单元中的残差网络，对所述第一分支特征进行注意力加权，得到加权后的第一分支特征；通过所述特征拼接单元，融合所述第二分支特征和所述加权后的第一分支特征，得到所述目标图像的融合特征。5....
【专利技术属性】
技术研发人员：姚奕轩，赵梦雨，潘昊康，
申请(专利权)人：顺丰科技有限公司，
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。