【技术实现步骤摘要】
本申请涉及人员行为检测，尤其是涉及一种人员行为类型的检测方法、检测装置、设备及介质。
技术介绍
1、会议室是人们在开展日常工作的重要场合，人们对会议室的安全性给予了越来越多的关注。在一些重要的会议场合中，监管者往往需要及时了解所有参会人员的活动情况，包括是否有肢体冲突、人员摔倒，是否存在录制、拍摄等违规行为，会场是否被非法入侵等，以提示安保人员及时采取措施。
2、考虑到上述异常主要来源于人员的行为异常，因此会议室人员行为异常的检测可以为会议室监控降本增效，让会议室更安全、更高效和更保密。然而，现有的室内监控系统仍然需要大量的人工参与才能实现各种行为的识别，而且会因监控人力有限而无法同时兼顾多个会议室的监控工作。
技术实现思路
1、有鉴于此，本申请的目的在于提供一种人员行为类型的检测方法、检测装置、设备及介质，解决现有技术中会议室监控成本高的问题，提高了会议室场景下人员行为检测的效率。
2、第一方面，本申请实施例提供了一种人员行为类型的检测方法，所述检测方法包括：
3、从目标监控场景的监控视频中提取出目标时间窗口内的多帧场景监控图像；
4、从多帧场景监控图像中提取出每个人员在所述目标时间窗口内的人体姿态向量；
5、针对于每个人员，基于预先构建好的概率知识图谱以及该人员的人体姿态向量进行场景解析，确定出该人员在所述目标时间窗口内的表现行为对应的信息量；其中，所述概率知识图谱中包括所述目标监控场景的场景监控图像所划分出的多个区域
6、根据该人员的信息量以及人体姿态向量确定出该人员在所述目标时间窗口内的特征向量；
7、将所述特征向量输入到预先训练好的行为分类模型中，确定出该人员在所述目标时间窗口内的行为类型。
8、进一步的，所述从多帧场景监控图像中提取出每个人员在所述目标时间窗口内的人体姿态向量，包括：
9、对多帧场景监控图像进行人体监测，确定出每帧场景监控图像中存在的每个人员，并在每帧场景监控图像中标注每个人员对应的人体跟踪框；
10、基于每帧场景监控图像中每个人员对应的人体跟踪框进行目标跟踪，确定每个人员在多帧场景监控图像中的运动轨迹；
11、对每帧场景监控图像中的人体跟踪框对应的人体图像进行姿态数据提取，得到每个人员在每帧场景监控图像中的多个骨骼点的姿态特征，以形成每个人员的人体姿态向量。
12、进一步的，通过下述步骤构建所述概率知识图谱：
13、获取所述目标监控场景的历史监控视频，并从所述历史监控视频的多帧样本场景监控图像中提取出每个人员的样本人体姿态向量；
14、基于所述目标监控场景的特征定义所述概率知识图谱的原始结构；
15、利用所述概率知识图谱的原始结构，对每帧样本场景监控图像中每个人员的样本人体姿态向量进行统计，得到每种先验概率分布的概率模型。
16、进一步的，所述先验概率分布的概率类型包括以下各项中的至少一项：人体姿态向量取值的先验概率分布、人体姿态向量跳转的先验概率分布以及人员出现在所述目标监控场景中每个区域内的先验概率分布。
17、进一步的，通过下述步骤构建每种先验概率分布的概率模型：
18、基于多帧样本场景监控图像中每个人员的样本人体姿态向量和高斯混合概率模型对人体姿态向量取值进行建模，得到人体姿态向量取值的先验概率分布模型；
19、对多帧样本场景监控图像中任意连续两帧样本场景监控图像中每个人员的样本人体姿态向量跳转情况进行统计，得到人体姿态向量跳转的先验概率分布模型；
20、统计每帧样本场景监控图像中每个人员的所属区域，生成人员出现在所述目标监控场景中每个区域内的先验概率分布模型。
21、进一步的，通过下述步骤计算该人员在所述目标时间窗口内的表现行为对应的信息量：
22、将该人员在所述目标时间窗口内的人体姿态向量代入所述人体姿态向量取值的先验概率分布模型中，得到该人员在每帧场景监控图像内的第一概率值；
23、针对于多帧场景监控图像中存在上一相邻场景监控图像的任一场景监控图像，将该人员在该场景监控图像内的人体姿态向量和与该场景监控图像相邻的上一帧场景监控图像内的人体姿态向量输入到所述人体姿态向量跳转的先验概率分布模型中，得到该人员在该场景监控图像内的第二概率值；
24、将该人员在所述目标时间窗口内的人体姿态向量代入所述人员出现在所述目标监控场景中每个区域内的先验概率分布模型中，得到该人员在每帧场景监控图像内的第三概率值；
25、基于多个第一概率值、多个第二概率值以及多个第三概率值计算该人员在所述目标时间窗口内的表现行为对应的信息量。
26、进一步的，通过下述步骤训练所述行为分类模型：
27、对所述历史监控视频中存在人员正常行为的正常样本场景监控图像和存在人员异常行为的异常样本场景监控图像进行行为类型标注，得到训练数据；
28、将每个训练数据中每个人员的样本人体姿态向量输入到所述概率知识图谱中，得到该训练数据对应的样本信息量；
29、针对于每个训练数据，根据该训练数据对应的样本信息量以及该训练数据每个人员的样本人体姿态向量确定出该训练数据对应的样本特征向量，并将所述样本特征向量输入到原始分类模型中，确定出该训练数据中每个人员的行为类型预测结果；
30、将每个训练数据中每个人员的行为类型预测结果与每个人员行为类型标注结果进行对比，对所述原始分类模型进行迭代训练，以得到所述行为分类模型。
31、第二方面，本申请实施例还提供了一种人员行为类型的检测装置，所述检测装置包括：
32、监控图像获取模块，用于从目标监控场景的监控视频中提取出目标时间窗口内的多帧场景监控图像；
33、人体姿态向量提取模块，用于从多帧场景监控图像中提取出每个人员在所述目标时间窗口内的人体姿态向量；
34、信息量计算模块，用于针对于每个人员，基于预先构建好的概率知识图谱以及该人员的人体姿态向量进行场景解析，确定出该人员在所述目标时间窗口内的表现行为对应的信息量；其中，所述概率知识图谱中包括所述目标监控场景的场景监控图像所划分出的多个区域节点、每个区域节点下的人员节点以及每个人员节点下的多个骨骼节点，用来描述人员在所述目标监控场景中空间变化的先验概率分布；
35、特征向量生成模块，用于根据该人员的信息量以及人体姿态向量确定出该人员在所述目标时间窗口内的特征向量；
36、行为类型检测模块，用于将所述特征向量输入到预先训练好的行为分类模型中，确定出该人员在所述目标时间窗口内的行为类型。
37、第三方面，本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理本文档来自技高网...
【技术保护点】
1.一种人员行为类型的检测方法，其特征在于，所述检测方法包括：
2.根据权利要求1所述的检测方法，其特征在于，所述从多帧场景监控图像中提取出每个人员在所述目标时间窗口内的人体姿态向量，包括：
3.根据权利要求1所述的检测方法，其特征在于，通过下述步骤构建所述概率知识图谱：
4.根据权利要求3所述的检测方法，其特征在于，所述先验概率分布的概率类型包括以下各项中的至少一项：人体姿态向量取值的先验概率分布、人体姿态向量跳转的先验概率分布以及人员出现在所述目标监控场景中每个区域内的先验概率分布。
5.根据权利要求4所述的检测方法，其特征在于，通过下述步骤构建每种先验概率分布的概率模型：
6.根据权利要求5所述的检测方法，其特征在于，通过下述步骤计算该人员在所述目标时间窗口内的表现行为对应的信息量，包括：
7.根据权利要求3所述的检测方法，其特征在于，通过下述步骤训练所述行为分类模型：
8.一种人员行为类型的检测装置，其特征在于，所述检测装置包括：
9.一种电子设备，其特征在于，包括：处理器、存
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至7任一所述的人员行为类型的检测方法的步骤。
...【技术特征摘要】
1.一种人员行为类型的检测方法，其特征在于，所述检测方法包括：
2.根据权利要求1所述的检测方法，其特征在于，所述从多帧场景监控图像中提取出每个人员在所述目标时间窗口内的人体姿态向量，包括：
3.根据权利要求1所述的检测方法，其特征在于，通过下述步骤构建所述概率知识图谱：
4.根据权利要求3所述的检测方法，其特征在于，所述先验概率分布的概率类型包括以下各项中的至少一项：人体姿态向量取值的先验概率分布、人体姿态向量跳转的先验概率分布以及人员出现在所述目标监控场景中每个区域内的先验概率分布。
5.根据权利要求4所述的检测方法，其特征在于，通过下述步骤构建每种先验概率分布的概率模型：
6.根据权利要求5所述的检测方法，其特征在于，通过下述...
【专利技术属性】
技术研发人员：陈崇雨，曾翔钰，
申请(专利权)人：暗物质北京智能科技有限公司，
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。