本发明专利技术公开了一种遛狗行为监督方法、装置、设备及存储介质。其中，所述方法包括：连续获取视频流，利用一预训练的YOLO神经网络，识别该视频流中狗、人、牵狗绳的检测框；基于狗、人、牵狗绳，采用轨迹追踪方法，持续分别记录关于狗、人、牵狗绳的轨迹队列；其中，对于某一时刻图像帧，基于该YOLO神经网络模型，识别该图像帧中的狗、人、牵狗绳的检测框；采用ByteTrack多目标跟踪方法匹配狗、人、牵狗绳的检测框及轨迹，输出关于狗、人、牵狗绳的检测框的轨迹队列等。本发明专利技术能够提高遛狗行为监测的自动化水平、降低人工干预成本、提升城市管理效率具有重要意义。它不仅有助于促进文明养犬、保障公共安全，还为城市管理和社区治理提供了新的技术手段和思路。
【技术实现步骤摘要】
本专利技术涉及遛狗行为监督，尤其涉及一种遛狗行为监督方法、装置、设备及存储介质。
技术介绍
1、随着城市化步伐的加速和居民生活品质的提升，宠物犬已成为现代家庭不可或缺的一员，为人们的生活带来了无尽的欢乐与陪伴。然而，这一趋势也伴随着遛狗行为管理难题的日益严峻，特别是“遛狗不拴绳”的违规行为，不仅严重威胁到行人的安全，还可能导致宠物犬走失、交通事故频发等严重后果。因此，开发一种高效、准确的遛狗行为监测方法，对于提升城市管理和社区治理水平具有重要意义。
2、目前，针对遛狗行为的监测，传统方法主要依赖于人工巡逻和居民举报，这种方式不仅效率低下，且受限于人力资源的有限性和主观判断的差异性，容易出现漏报、误报等问题。
3、随着计算机视觉和人工智能技术的飞速发展，一些基于计算机视觉的遛狗行为检测方法应运而生。这些方法中，较为典型的是采用多模型融合和静态图片分析的策略。多模型融合方法通过集成多个深度学习模型，如目标检测模型用于识别图像中的宠物犬和人物，行为分析模型用于初步判断人物与犬只之间的相对位置关系。然而，这种方法虽然提高了检测的准确性，但计算复杂度较高，对硬件资源要求较高，难以在算力有限的终端设备上实现实时、高效的监测。另一方面，静态图片分析方法试图通过捕捉关键帧来识别和分析遛狗行为。然而，静态图片无法全面反映动态场景中的变化，特别是在宠物犬和主人快速移动的情况下，容易丢失关键信息，导致检测效果不佳。此外，静态图片分析还容易受到光照变化、遮挡物等环境因素的影响，进一步降低了检测的准确性和稳定性。
技术实现思路
1、有鉴于此，本专利技术的目的在于提出一种遛狗行为监督方法、装置、设备及存储介质，能够提高遛狗行为监测的自动化水平、降低人工干预成本、提升城市管理效率具有重要意义。它不仅有助于促进文明养犬、保障公共安全，还为城市管理和社区治理提供了新的技术手段和思路。
2、根据本专利技术的一个方面，提供一种遛狗行为监督方法，包括：
3、连续获取视频流，利用一预训练的yolo神经网络，识别该视频流中狗、人、牵狗绳的检测框；基于狗、人、牵狗绳，采用轨迹追踪方法，持续分别记录关于狗、人、牵狗绳的轨迹队列；其中，对于某一时刻图像帧，基于该yolo神经网络模型，识别该图像帧中的狗、人、牵狗绳的检测框；采用bytetrack多目标跟踪方法匹配狗、人、牵狗绳的检测框及轨迹，输出关于狗、人、牵狗绳的检测框的轨迹队列；
4、基于该轨迹队列，进行如下步骤：
5、步骤a、若狗轨迹队列为空，则判断“状态正常”，否则进入步骤b；
6、步骤b、若狗轨迹队列不为空，人轨迹队列为空，则判断为“不安全遛狗行为”并返回，否则进入步骤c；
7、步骤c、若狗轨迹队列不为空，人轨迹队列不为空，牵狗绳轨迹队列为空或者牵狗绳轨迹队列成员数小于狗轨迹队成员个数，则判断为“不安全遛狗行为”并返回，否则进入步骤d；
8、步骤d、将狗、人、牵狗绳轨迹队列里的位置坐标转换为目标框矩阵，并基于三个目标框矩阵构建交并比乘积矩阵，判断乘积矩阵是否有为0的元素，如果有0，则判断为“不安全遛狗行为”并返回。
9、在上述技术方案中，本专利技术针对遛狗行为监测的需求，训练了yolo模型，使其能够准确识别狗、牵引绳和人这三个关键目标，为后续的行为分析提供了可靠的数据基础。在轨迹追踪方面，本专利技术采用了bytetrack算法。该算法结合目标检测的结果和目标的运动特性，实现了对多个目标的连续追踪和轨迹绘制。bytetrack的实时性能强，且能有效应对遮挡、运动模糊等复杂场景，确保了轨迹追踪的准确性和稳定性。通过bytetrack算法，本专利技术能够捕捉到遛狗过程中狗、牵引绳和人的动态变化，为分析三者之间的关系提供了有力支持。
10、基于上述目标检测和轨迹追踪技术的融合，本专利技术构建了一种全新的遛狗行为检测方法。该方法通过yolo模型识别出狗、牵引绳和人，并利用bytetrack算法追踪它们的运动轨迹。随后，通过智能分析这三者之间的空间与时间关系，本专利技术能够自动判断安全遛狗或不安全遛狗。这种自动化的行为判断方式不仅提高了监测的准确性和效率，还降低了人工干预的成本。
11、综上所述，本专利技术通过创新性地结合yolov10目标检测算法和bytetrack轨迹追踪算法，提出了一种高效、准确的遛狗行为检测方法。该方法对于提高遛狗行为监测的自动化水平、降低人工干预成本、提升城市管理效率具有重要意义。它不仅有助于促进文明养犬、保障公共安全，还为城市管理和社区治理提供了新的技术手段和思路。
12、在一些实施例中，所述yolo神经网络为yolo v10神经网络。
13、在上述技术方案中，本专利技术选择了yolov10这一高效且准确的算法。yolov10通过引入无nms训练、双重分配策略、轻量化分类头等创新技术，不仅提升了检测速度，还保证了检测精度，使其在处理高速视频流中的目标检测任务时表现出色。特别地，本专利技术针对遛狗行为监测的需求，训练了yolov10模型，使其能够准确识别狗、牵引绳和人这三个关键目标，为后续的行为分析提供了可靠的数据基础。
14、在一些实施例中，采用bytetrack多目标跟踪方法匹配狗、人、牵狗绳的检测框及轨迹，输出关于狗、人、牵狗绳的检测框的轨迹队列；具体地：
15、将检测框分类为高分检测框及低分检测框；将已有轨迹队列标记分别标记为未确认轨迹队列及确认轨迹队列；采用高分检测框与确认轨迹队列匹配、低分检测框与未匹配成功的轨迹匹配、未成功匹配的检测框和未确认轨迹队列进行匹配的方式，进行逐级匹配，输出关于狗、人、牵狗绳的检测框的轨迹队列。
16、在上述技术方案中，本专利技术采用了改进的bytetrack多轨迹跟踪算法。在传统算法基础上进行了重要改进，通过有效利用低分检测框，解决了目标遮挡和轨迹碎片化的问题。这种改进不仅简化了跟踪流程，还显著提高了跟踪的稳定性和准确性。与现有技术相比，改进的bytetrack算法在应对复杂跟踪场景时展现出更强的鲁棒性。本专利技术方法在连续视频帧中精准地识别并追踪目标，有效解决了目标身份持续性问题。这一技术革新使得我们能够动态分析遛狗过程中的行为模式，而非仅仅依赖于静态图像的孤立判断，从而极大地降低了因检测误差导致的不安全行为误判率，提升了整体检测的可靠性。
17、在一些实施例中，采用高分检测框与确认轨迹队列匹配、低分检测框与未匹配成功的轨迹匹配、未成功匹配的检测框和未确认轨迹队列进行匹配的方式，具体地：
18、对确认轨迹队列，使用卡尔曼滤波器预测目标在当前帧中的位置；将高分检测框与确认轨迹队列进行匹配，通过计算两者轨迹框面积的交并比，使用匈牙利算法进行最优匹配；得到第一匹配成功的轨迹，及，第一未匹配成功的轨迹，第一未成功匹配的检测框；对第一匹配成功的轨迹进行检测信息更新；
19、将低分检测框和第一未匹配成功的轨迹进行匹配，通过计算两者轨迹框面积的交并比，并调整对比阈值，使用本文档来自技高网...
【技术保护点】
1.一种遛狗行为监督方法，其特征在于，
2.如权利要求1所述的一种遛狗行为监督方法，其特征在于，
3.如权利要求1所述的一种遛狗行为监督方法，其特征在于，
4.如权利要求1所述的一种遛狗行为监督方法，其特征在于，
5.如权利要求4所述的一种遛狗行为监督方法，其特征在于，
6.如权利要求1所述的一种遛狗行为监督方法，其特征在于，
7.如权利要求1或6所述的一种遛狗行为监督方法，其特征在于，
8.一种遛狗行为监督的装置，其特征在于，包括依序连接的以下模块：
9.一种遛狗行为监督的设备，其特征在于，包括：
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法。
【技术特征摘要】
1.一种遛狗行为监督方法，其特征在于，
2.如权利要求1所述的一种遛狗行为监督方法，其特征在于，
3.如权利要求1所述的一种遛狗行为监督方法，其特征在于，
4.如权利要求1所述的一种遛狗行为监督方法，其特征在于，
5.如权利要求4所述的一种遛狗行为监督方法，其特征在于，
6.如权利要求1所述的一种遛狗行为监督...
【专利技术属性】
技术研发人员：唐仕斌，彭府，黄进兴，王文荣，
申请(专利权)人：厦门四信通信科技有限公司，
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。