【技术实现步骤摘要】
本专利技术涉及计算机视觉和深度学习，具体是涉及一种基于目标检测的人体小目标行为检测方法。
技术介绍
1、随着计算机视觉和深度学习技术的快速发展，图像识别和行为检测已经取得了显著的进步。这些进步主要体现在对高分辨率图像的处理上，例如面部识别、物体检测和行为分析等。然而，对于低分辨率图像的处理，特别是基于目标检测的一些人体行为检测，比如吸烟、打电话、吃零食等，需要检测的物体往往在画面中较小，导致了检测难度增加给后续的工作增加了很多困难。
2、低分辨率图像的质量较差，这使得从图像中提取有用的特征变得困难。例如，吸烟行为的检测通常需要识别烟雾、烟头和人的面部等细节信息，打电话行为检测通常需要识别手机，人的手部等细节信息，以及一些其他的行为检测往往需要识别的物体都非常的小。这些信息在低分辨率图像中可能无法清晰地呈现。
3、现有的深度学习模型，如卷积神经网络(cnn)和递归神经网络(rnn)，通常需要大量的高质量训练数据才能达到良好的性能。然而，获取大量的低分辨率吸烟行为图像数据是一项挑战，这限制了这些模型在低分辨率图像吸烟行为检测上的应用。
4、现有的小目标行为检测方法通常面临着诸多挑战。这些行为，如打电话、吃零食、吸烟等，往往在图像中占据很小的区域，且动作细微，难以准确识别。传统的检测方法通常需要高分辨率图像才能准确捕捉这些细节。然而，在许多实际应用中，如公共场所的监控摄像头、交通监控系统等，由于摄像头的分辨率限制或拍摄距离过远，获取的图像通常是低分辨率的。
5、此外，这些小目标行为的表现
6、因此，开发一种能够在低分辨率图像中准确检测各种小目标行为的方法变得尤为重要。
技术实现思路
1、本专利技术的目的就是为了克服上述现有技术存在的问题，而提供一种基于目标检测的人体小目标行为检测方法，能有效地在监控摄像头下，对一些小目标为主的行为进行实时检测，对保障公共卫生和安全产生有重要意义。
2、为了实现上述目的，本专利技术提供一种基于目标检测的人体小目标行为检测方法，包括以下步骤：
3、s1、数据收集和预处理；
4、s2、使用监督学习训练头手检测模型mh；
5、s3、数据增强和标注；
6、s4、训练吸烟检测模型ms；
7、s5、将所述头手检测模型mh和训练吸烟检测模型ms融合并对吸烟行为检测。
8、优选的，步骤s1具体包括以下步骤：
9、s101、利用监控摄像头拍摄批量符合现实抽烟场景的抽烟视频，每隔5帧保留1帧为抽烟数据集；
10、s102、消除所述数据集模糊、遮挡影响模型训练的数据；
11、s103、利用labelimg标注手、头两个类别，作为所述头手检测模型mh的数据集sh，并按8：2的比例分为训练数据和测试样本。
12、优选的，所述头手检测模型mh基本框架为yolov9目标检测模型。
13、优选的，步骤s2具体的训练过程表示为：
14、mh＝fdet1(i,d)
15、其中，mh表示训练得到的头手检测模型，fdet1(·)表示yolov9目标检测模型训练。
16、优选的，步骤s3具体为：将所述数据集sh进行截取并对其中包含烟的部分进行标注作为数据集ss，然后利用hat超分辨率模型对数据进行增强，用公式表示为：
17、
18、
19、其中，表示裁剪后的图像，用表示对应的标注数据，cut(·)表示裁剪函数，sr(·)表示超分辨率模型，表示超分辨率后的图像，用表示对应的标注数据。
20、优选的，步骤s4具体为：将超分辨率后的数据和超分辨率之前的数据联合起来对所述吸烟检测模型ms进行训练，整个训练过程为：
21、
22、其中，ms表示训练得到的吸烟检测模型，fdet2(·)表示结合超分辨率后的数据与超分辨率之前的数据的yolov9目标检测模型训练。
23、优先的，所述头手检测模型mh和训练吸烟检测模型ms融合具体为将所述头手检测模型mh的输出作为吸烟检测模型ms的输入，所述吸烟检测模型ms的输出包含置信度信号和距离信息。
24、优先的，所述吸烟行为检测结合距离判定和多帧判定来实现。
25、优选的，所述距离判定具体为：计算烟的识别框bs与头和手的识别框bh的距离，将这个距离与一个预设的距离阈值λ进行比较，如果距离小于λ，就认为的识别框bs与头和手的识别框bh的距离足够接近，判定有可能是在吸烟，所述计算烟的识别框bs与头和手的识别框bh的距离函数为：
26、dis(bs,bh)<λ
27、其中，bs表示烟的识别框，bh表示头和手的识别框，dis(·)表示距离函数，λ表示距离阈值是超参数。
28、优选的，所述多帧判定具体为：计算连续x帧内吸烟行为的判断得分，并将其与一个预设的得分阈值α进行比较，如果在x帧内，得分大于α的帧数超过多帧判定阈值δ，就认为目标在吸烟，用公式表示为：
29、count((n1,n2,…nx),α)>δ
30、其中，n1,n2,…nx表示x帧内吸烟行为的判断得分，α表示判断得分阈值，count(·)表示大于得分阈值的数量，δ表示多帧评判的阈值。
31、与现有技术相比，本专利技术的有益效果是：
32、1.本专利技术提出了一种能够有效应用于低分辨率视频中的小目标行为检测算法，以吸烟行为检测为例，该算法采用了两个目标检测模型的联合框架。在整个训练过程中，头手检测模型mh的输出作为吸烟检测模型ms的输入，实现了模型间的有效交互。此外，还引入了烟的识别框与头和手的识别框的距离判定，以及多帧判定吸烟行为的评分机制，从而提高了吸烟行为检测的准确性。
33、2.本专利技术在数据预处理阶段，对低分辨率图像中人物的头和手进行了标注，并利用超分模型对数据进行了增强。在模型训练阶段，将超分后的和超分之前的数据联合对目标检测模型进行了训练。这种方法促进了模型之间的深度融合和交互，提高了模型捕捉视觉信息的能力，并有效地减少了域差异，显著提高了低分辨率图像和视频中吸烟行为检测的性能。
本文档来自技高网...【技术保护点】
1.一种基于目标检测的人体小目标行为检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于目标检测的人体小目标行为检测方法，其特征在于，步骤S1具体包括以下步骤：
3.根据权利要求2所述的一种基于目标检测的人体小目标行为检测方法，其特征在于，所述头手检测模型Mh基本框架为YOLOv9目标检测模型。
4.根据权利要求3所述的一种基于目标检测的人体小目标行为检测方法，其特征在于，步骤S2具体的训练过程表示为：
5.根据权利要求4所述的一种基于目标检测的人体小目标行为检测方法，其特征在于，步骤S3具体为：将所述数据集Sh进行截取并对其中包含烟的部分进行标注作为数据集Ss，然后利用HAT超分辨率模型对数据进行增强，用公式表示为：
6.根据权利要求5所述的一种基于目标检测的人体小目标行为检测方法，其特征在于，步骤S4具体为：将超分辨率后的数据和超分辨率之前的数据联合起来对所述吸烟检测模型Ms进行训练，整个训练过程为：
7.根据权利要求6所述的一种基于目标检测的人体小目标行为检测方法，其特征在于，所述头手
8.根据权利要求6所述的一种基于目标检测的人体小目标行为检测方法，其特征在于，所述吸烟行为检测结合距离判定和多帧判定来实现。
9.根据权利要求8所述的一种基于目标检测的人体小目标行为检测方法，其特征在于，所述距离判定具体为：计算烟的识别框Bs与头和手的识别框Bh的距离，将这个距离与一个预设的距离阈值λ进行比较，如果距离小于λ，就认为的识别框Bs与头和手的识别框Bh的距离足够接近，判定有可能是在吸烟，所述计算烟的识别框Bs与头和手的识别框Bh的距离函数为：
10.根据权利要求9所述的一种基于目标检测的人体小目标行为检测方法，其特征在于，所述多帧判定具体为：计算连续x帧内吸烟行为的判断得分，并将其与一个预设的得分阈值α进行比较，如果在x帧内，得分大于α的帧数超过多帧判定阈值δ，就认为目标在吸烟，用公式表示为：
...【技术特征摘要】
1.一种基于目标检测的人体小目标行为检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于目标检测的人体小目标行为检测方法，其特征在于，步骤s1具体包括以下步骤：
3.根据权利要求2所述的一种基于目标检测的人体小目标行为检测方法，其特征在于，所述头手检测模型mh基本框架为yolov9目标检测模型。
4.根据权利要求3所述的一种基于目标检测的人体小目标行为检测方法，其特征在于，步骤s2具体的训练过程表示为：
5.根据权利要求4所述的一种基于目标检测的人体小目标行为检测方法，其特征在于，步骤s3具体为：将所述数据集sh进行截取并对其中包含烟的部分进行标注作为数据集ss，然后利用hat超分辨率模型对数据进行增强，用公式表示为：
6.根据权利要求5所述的一种基于目标检测的人体小目标行为检测方法，其特征在于，步骤s4具体为：将超分辨率后的数据和超分辨率之前的数据联合起来对所述吸烟检测模型ms进行训练，整个训练过程为：
7.根据权利要求6所述的一种基于目标检测的...
【专利技术属性】
技术研发人员：杨建党，李求健，臧影，张剑琦，曹润龙，白羚，韩益栋，
申请(专利权)人：杭州大数云智科技有限公司，
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。