System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及逃票行为检测,具体涉及一种基于视频行为分析的地铁逃票行为检测方法及系统。
技术介绍
1、近年来,图像模式识别、机器计算机视觉等技术有了长足的发展,各种智能算法的提出为解决实际工程问题提供了理论保障。而随着上海地铁客流量的暴涨,地铁逃票人数也在与日俱增,地铁运营方深受困扰。据上海地铁统计,2018年单程客票损失率约为1.6%,全年仅逃票造成运营损失估计为4000万元以上。公共信用平台规定地铁逃票执法指标,定时上传逃票乘客记录。上海共有467个在运营站点,若在每个出入闸机处配置安保人力,则每年需额外人力成本上亿元。某些逃票乘客面对处罚态度恶劣,部分有恐吓、打击报复车站人员的行为,导致部分现场安保怯于执法。
2、由于目前地铁逃票现象严重,且缺乏准确有效的逃票行为检测方法、成熟完善的逃票行为处罚系统,给地铁运营方造成较大的损失。传统的目标检测存下如下问题:
3、1、传统的目标检测采用机器学习方法,一般使用滑动窗口的框架,但是手工设计的特征对于多样性的变化并没有很好的鲁棒性。
4、2、传统算法检测仅对某一单帧进行分析。由于许多动作在某一时刻是很相似的,单凭一帧无法判断出是否为需要检出的特定动作,例如下蹲捡物品和钻杆逃票下蹲的瞬间,伸懒腰和伸手打招呼的瞬间等。
5、因此,亟需一种方法完善地铁监控系统,维护国家财产。保持人们有序乘坐地铁,减少或杜绝逃票事件迫在眉睫。
技术实现思路
1、本专利技术的目的是提供一种基于视频行为分析的地铁逃
2、本专利技术提供一种基于视频行为分析的地铁逃票行为检测方法,包括:
3、人体检测,持续获取闸机附近的图像,基于深度学习算法对人体进行检测,检测是否有乘客进入闸机图像行人检测范围;
4、乘客信息及行为采集,其中乘客信息采集包括人脸识别,基于深度学习算法对乘客的人脸进行抓取并识别,乘客行为采集包括逃票行为检测,获取包含乘客行为的视频流,基于视频行为分析技术进行逃票行为检测,分析视频流中的连续帧序列,判断是否存在逃票行为,所述逃票行为包括:下钻逃票行为和跳跃逃票行为;
5、获取并收集逃票人员数据,基于乘客信息及行为采集结果,获取逃票人员数据,建立并维护逃票人员数据库;
6、乘客信息及行为处理,其中乘客信息处理包括,基于采集到的乘客信息判断乘客是否是逃票人员数据库中的人员,如果乘客是逃票人员数据库中的人员则发出人员提示信号,乘客行为处理包括,若检测到乘客有逃票行为,则发出行为提示信号;
7、处理逃票人员数据,根据人员提示信号和行为提示信号,处理逃票人员数据,并持续更新逃票人员数据库,所述处理逃票人员数据包括添加和删除逃票人员数据。
8、在一个实施例中,所述人体检测包括:
9、步骤101,输入一张图像或视频帧;
10、步骤102,根据输入的图像或视频帧进行目标定位,确定输入图像或视频帧中目标物体的位置和范围并输出物体信息,所述物体信息包括:物体的包围盒、物体中心或物体的闭合边界;
11、步骤103,根据物体信息进行目标分类,判断输入图像中是否有目标物体出现,输出一系列带分数的标签,表明目标物体出现在输入图像的可能性。
12、在一个实施例中,所述人脸识别包括:
13、步骤201,人脸图像采集,通过摄像镜头采集,所述图像包括:静态图像、动态图像、不同位置和不同表情的图像,当检测到乘客在闸机抓拍机的拍摄范围内时,人脸抓拍机会自动搜索并抓拍乘客的人脸图像;
14、步骤202,人脸检测,采用深度学习算法,在图像中标定出人脸的位置和大小;
15、步骤203,人脸图像特征提取,进行特征点的定位并将人脸特征建模;
16、步骤204,人脸图像匹配及识别。
17、在一个实施例中,所述步骤204中,人脸图像匹配及识别,还包括:
18、步骤2041,人脸图像匹配,提取的人脸图像的特征数据与逃票人员数据库中存储的特征模板进行搜索匹配;
19、步骤2042,人脸图像识别,设定一个阈值,当相似度>所述阈值,则输出匹配得到的结果。
20、在一个实施例中,所述逃票行为检测包括:
21、步骤301,视频流输入;
22、步骤302,目标检测、跟踪,是对进站乘客进行人体检测及跟踪,当检测到其出现在闸机图像行人检测范围内时,进行逃票行为检测;
23、步骤303,目标行为时空截取,是对当前视频中跟踪出的所有目标,在时间和空间上进行聚合,获得每个目标的时空立方体,作为刻画目标行为的原始数据;
24、步骤304,行为时序定位,是从每个目标的时空立方体数据中定位出动作发生的起止时间点作为动作时序区间,所述动作时序区间与动作类别无关;
25、步骤305,行为特征建模,是对每个目标提名的动作时序区间,使用神经网络抽取时空行为特征;
26、步骤306,逃票行为识别,是基于每个目标建模的行为特征,识别出每个动作时序区间所属的动作类别,所述动作类别包括:下钻和跳跃。
27、在一个实施例中,建立逃票人员数据库,包括:
28、步骤401,检测到有乘客进入闸机图像行人检测范围;
29、步骤402,检测到乘客逃票行为;
30、步骤403,抓拍逃票人员人脸图片;
31、步骤404,获取逃票人员数据,建立逃票人员数据库。
32、在一个实施例中,所述乘客信息及行为处理,包括:
33、步骤501,检测到有乘客进入闸机图像行人检测范围;
34、步骤502,对乘客人脸进行抓拍;
35、步骤503,将人脸抓拍信息与逃票人员数据库中的逃票人员数据进行比对;
36、步骤504,判断是否为逃票人员数据库内人员,如果人脸抓拍信息与逃票人员数据库中的匹配,则发出人员提示信号,如果人脸抓拍信息与逃票人员数据库中的不匹配,则进入步骤505;
37、步骤505,检测到有乘客进入闸机图像行人检测范围;
38、步骤506,在闸机处进行逃票行为检测;
39、步骤507,判断是否发生逃票行为,若发生逃票行为,则发出行为提示信号,若没有发生逃票行为,则结束。
40、在一个实施例中,所述步骤504中,根据发出的人员提示信号进行处理,再次判断是否为逃票人员数据库内人员,若是,则处理逃票人员数据并更新逃票人员数据库,若不是,则进入步骤505。
41、在一个实施例中,所述步骤507中,发出行为提示信号后,根据发出的行为提示信号进行处理,若未处理,则将逃票人员数据更新至数据库,若已处理,则结束。
42、本专利技术还提供一种基于视频行为分析的地铁逃票行为检测系统,包括:
...
【技术保护点】
1.一种基于视频行为分析的地铁逃票行为检测方法,其特征在于,包括:
2.根据权利要求1所述的基于视频行为分析的地铁逃票行为检测方法,其特征在于,所述人体检测包括:
3.根据权利要求1所述的基于视频行为分析的地铁逃票行为检测方法,其特征在于,所述人脸识别包括:
4.根据权利要求3所述的基于视频行为分析的地铁逃票行为检测方法,其特征在于,所述步骤204中,人脸图像匹配及识别,还包括:
5.根据权利要求1所述的基于视频行为分析的地铁逃票行为检测方法,其特征在于,所述逃票行为检测包括:
6.根据权利要求1所述的基于视频行为分析的地铁逃票行为检测方法,其特征在于,建立逃票人员数据库包括:
7.根据权利要求1所述的基于视频行为分析的地铁逃票行为检测方法,其特征在于,所述乘客信息及行为处理,包括:
8.根据权利要求7所述的基于视频行为分析的地铁逃票行为检测方法,其特征在于,所述步骤504中,根据发出的人员提示信号进行处理,再次判断是否为逃票人员数据库内人员,若是,则处理逃票人员数据并更新逃票人员数据库,若不是,
9.根据权利要求7所述的基于视频行为分析的地铁逃票行为检测方法,其特征在于,所述步骤507中,发出行为提示信号后,判断是否根据发出的行为提示信号进行处理,若未处理,则将逃票人员数据更新至数据库,若已处理,则结束。
10.一种基于视频行为分析的地铁逃票行为检测系统,执行权利要求1-9任一项所述的基于视频行为分析的地铁逃票行为检测方法,其特征在于,包括:
...【技术特征摘要】
1.一种基于视频行为分析的地铁逃票行为检测方法,其特征在于,包括:
2.根据权利要求1所述的基于视频行为分析的地铁逃票行为检测方法,其特征在于,所述人体检测包括:
3.根据权利要求1所述的基于视频行为分析的地铁逃票行为检测方法,其特征在于,所述人脸识别包括:
4.根据权利要求3所述的基于视频行为分析的地铁逃票行为检测方法,其特征在于,所述步骤204中,人脸图像匹配及识别,还包括:
5.根据权利要求1所述的基于视频行为分析的地铁逃票行为检测方法,其特征在于,所述逃票行为检测包括:
6.根据权利要求1所述的基于视频行为分析的地铁逃票行为检测方法,其特征在于,建立逃票人员数据库包括:
7.根据权利要求1所述的基于视频行为分...
【专利技术属性】
技术研发人员:张立东,周明,程明硕,温彤,王森,姜臻琪,马建民,于宁,杨湛莹,祁迪,杨敬鹏,杜树樱,芦振超,
申请(专利权)人:上海申通地铁集团有限公司,
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。