CN108734055B - 一种异常人员检测方法、装置及系统 - Google Patents

Abstract

本发明实施例提供了一种异常人员检测方法、装置及系统，所述方法包括：获取目标视频采集设备发送的监控视频，并根据所述监控视频，判断当前视频帧图像中是否包含人体；当所述当前视频帧图像中包含人体时，根据所述当前视频帧图像，确定包含所述人体的目标图像；将所述目标图像输入预先训练得到的神经网络中，得到所述当前视频帧图像对应的异常强度；其中，所述神经网络是根据各样本图像，以及各样本图像中的人体异常标定结果训练得到的；判断所述异常强度是否大于预设阈值；当所述异常强度大于预设阈值时，确定所述当前视频帧图像中存在异常人员。本发明实施例能够提高异常人员检测的适用性和准确性。

Description

一种异常人员检测方法、装置及系统

技术领域

本发明涉及图像处理技术领域，特别是涉及一种异常人员检测方法、装置及系统。

背景技术

在安保领域中，为了保证公共场所人员的安全，通常需要对公共场所进行异常人员检测。例如，在银行、海关、车站、地铁等人流量较大的场所，可以对携带危险品的人员，和/或意图偷窃的人员进行检测，以排除潜在的危险。

现有的异常人员检测方法，主要是针对ATM(Automatic Teller Machine，自动柜员机)，基于异常人脸进行检测。具体地，为了遮挡面部，通常情况下异常人员会佩戴口罩、墨镜等，因此，可以对佩戴口罩、墨镜等的人员进行检测，并将检测到的人员确定为异常人员。

但是，上述方法只能针对特殊场景(ATM机处)进行异常人员检测，而不能针对海关、车站、地铁等人流量较大的场所进行异常人员检测，适用性较低。并且，在实际应用中，对于不带墨镜、口罩的潜在异常人员，上述方法将失去效力；或者，在冬天、雾霾天等需要佩戴口罩的天气情况下，可能会出现较多的误报，也就是说，上述方法准确性较低。

发明内容

本发明实施例的目的在于提供一种异常人员检测方法、装置及系统，以提高异常人员检测的适用性和准确性。具体技术方案如下：

第一方面，本发明实施例提供了一种异常人员检测方法，应用于电子设备，所述方法包括：

获取目标视频采集设备发送的监控视频，并根据所述监控视频，判断当前视频帧图像中是否包含人体；

当所述当前视频帧图像中包含人体时，根据所述当前视频帧图像，确定包含所述人体的目标图像；

将所述目标图像输入预先训练得到的神经网络中，得到所述当前视频帧图像对应的异常强度；其中，所述神经网络是根据各样本图像，以及各样本图像中的人体异常标定结果训练得到的；

判断所述异常强度是否大于预设阈值；

当所述异常强度大于预设阈值时，确定所述当前视频帧图像中存在异常人员。

可选的，所述根据所述当前视频帧图像，确定包含所述人体的目标图像的步骤包括：

在所述当前视频帧图像中，确定包含所述人体的面部区域的目标图像；

所述将所述目标图像输入预先训练得到的神经网络中，得到所述当前视频帧图像对应的异常强度的步骤包括：

将所述目标图像输入预先训练得到的面部分析神经网络中，得到所述目标图像对应的各预定面部运动单元AU的强度；

根据所述各预定AU的强度，确定所述目标图像的面部异常强度，并将所述面部异常强度确定为所述当前视频帧图像对应的异常强度。

可选的，所述根据所述各预定AU的强度，确定所述目标图像的面部异常强度的步骤包括：

根据预设的各预定AU的权值，对所述各预定AU的强度进行加权计算，并将计算结果确定为所述目标图像的面部异常强度。

可选的，所述根据所述当前视频帧图像，确定包含所述人体的目标图像的步骤包括：

在所述当前视频帧图像中，确定包含所述人体的腿部区域的目标图像；

所述将所述目标图像输入预先训练得到的神经网络中，得到所述当前视频帧图像对应的异常强度的步骤包括：

将所述目标图像输入预先训练得到的腿部分析神经网络中，得到所述目标图像对应的异常行走置信度，并将所述异常行走置信度确定为所述当前视频帧图像对应的异常强度。

可选的，所述根据所述当前视频帧图像，确定包含所述人体的目标图像的步骤包括：

在所述当前视频帧图像中，确定包含所述人体的面部区域的第一图像，以及包含所述人体的腿部区域的第二图像；

所述将所述目标图像输入预先训练得到的神经网络中，得到所述当前视频帧图像对应的异常强度的步骤包括：

将所述第一图像输入预先训练得到的面部分析神经网络中，得到所述第一图像对应的各预定AU的强度；

将所述第二图像输入预先训练得到的腿部分析神经网络中，得到所述第二图像对应的异常行走置信度；

根据所述各预定AU的强度，以及所述第二图像对应的异常行走置信度，确定所述当前视频帧图像对应的异常强度。

可选的，所述根据所述各预定AU的强度，以及所述第二图像对应的异常行走置信度，确定所述当前视频帧图像对应的异常强度的步骤包括：

根据预设的各预定AU的权值，以及异常行走的权值，对所述各预定AU的强度、所述异常行走置信度进行加权计算，并将计算结果确定为所述当前视频帧图像对应的异常强度。

可选的，预先训练所述面部分析神经网络的过程包括：

获取包含人脸的各第一样本图像；

获取各第一样本图像对应的各预定AU的标定结果；

将各第一样本图像，以及各第一样本图像对应的各预定AU的标定结果作为训练样本，训练得到所述面部分析神经网络。

可选的，预先训练所述腿部分析神经网络的过程包括：

获取包含人体腿部的各第二样本图像；

获取各第二样本图像对应的行走类别，其中，所述行走类别包括正常行走或异常行走；

将各第二样本图像，以及各第二样本图像对应的行走类别作为训练样本，训练得到所述腿部分析神经网络。

可选的，当确定所述当前视频帧图像中存在异常人员后，所述方法还包括：

在本地保存的各视频采集设备的标识信息与关联移动终端的标识信息的对应关系中，查找与所述目标视频采集设备的标识信息对应的目标移动终端的标识信息；

向对应标识信息的目标移动终端发送报警信息。

第二方面，本发明实施例提供了一种异常人员检测装置，应用于电子设备，所述装置包括：

第一获取模块，用于获取目标视频采集设备发送的监控视频；

第一判断模块，用于根据所述监控视频，判断当前视频帧图像中是否包含人体；

第一确定模块，用于当所述第一判断模块判断出当前视频帧图像中包含人体时，根据所述当前视频帧图像，确定包含所述人体的目标图像；

执行模块，用于将所述目标图像输入预先训练得到的神经网络中，得到所述当前视频帧图像对应的异常强度；其中，所述神经网络是根据各样本图像，以及各样本图像中的人体异常标定结果训练得到的；

第二判断模块，用于判断所述异常强度是否大于预设阈值；

第二确定模块，用于当所述第二判断模块判断出所述异常强度大于预设阈值时，确定所述当前视频帧图像中存在异常人员。

可选的，所述第一确定模块，具体用于在所述当前视频帧图像中，确定包含所述人体的面部区域的目标图像；

所述执行模块，包括：

第一输入子模块，用于将所述目标图像输入预先训练得到的面部分析神经网络中，得到所述目标图像对应的各预定面部运动单元AU的强度；

第一确定子模块，用于根据所述各预定AU的强度，确定所述目标图像的面部异常强度，并将所述面部异常强度确定为所述当前视频帧图像对应的异常强度。

可选的，所述第一确定子模块，具体用于根据预设的各预定AU的权值，对所述各预定AU的强度进行加权计算，并将计算结果确定为所述目标图像的面部异常强度。

可选的，所述第一确定模块，具体用于在所述当前视频帧图像中，确定包含所述人体的腿部区域的目标图像；

所述执行模块，具体用于将所述目标图像输入预先训练得到的腿部分析神经网络中，得到所述目标图像对应的异常行走置信度，并将所述异常行走置信度确定为所述当前视频帧图像对应的异常强度。

可选的，所述第一确定模块，具体用于在所述当前视频帧图像中，确定包含所述人体的面部区域的第一图像，以及包含所述人体的腿部区域的第二图像；

所述执行模块，包括：

第二输入子模块，用于将所述第一图像输入预先训练得到的面部分析神经网络中，得到所述第一图像对应的各预定AU的强度；

第三输入子模块，用于将所述第二图像输入预先训练得到的腿部分析神经网络中，得到所述第二图像对应的异常行走置信度；

第二确定子模块，用于根据所述各预定AU的强度，以及所述第二图像对应的异常行走置信度，确定所述当前视频帧图像对应的异常强度。

可选的，所述第二确定子模块，具体用于根据预设的各预定AU的权值，以及异常行走的权值，对所述各预定AU的强度、所述异常行走置信度进行加权计算，并将计算结果确定为所述当前视频帧图像对应的异常强度。

可选的，所述装置还包括：

第二获取模块，用于获取包含人脸的各第一样本图像；

第三获取模块，用于获取各第一样本图像对应的各预定AU的标定结果；

第一训练模块，用于将各第一样本图像，以及各第一样本图像对应的各预定AU的标定结果作为训练样本，训练得到所述面部分析神经网络。

可选的，所述装置还包括：

第四获取模块，用于获取包含人体腿部的各第二样本图像；

第五获取模块，用于获取各第二样本图像对应的行走类别，其中，所述行走类别包括正常行走或异常行走；

第二训练模块，用于将各第二样本图像，以及各第二样本图像对应的行走类别作为训练样本，训练得到所述腿部分析神经网络。

可选的，所述装置还包括：

查找模块，用于在本地保存的各视频采集设备的标识信息与关联移动终端的标识信息的对应关系中，查找与所述目标视频采集设备的标识信息对应的目标移动终端的标识信息；

报警模块，用于向对应标识信息的目标移动终端发送报警信息。

第三方面，本发明实施例提供了一种异常人员检测系统，所述系统包括电子设备、以及目标视频采集设备；

所述目标视频采集设备，用于采集监控视频，并将所述监控视频发送给所述电子设备；

所述电子设备，用于获取所述目标视频采集设备发送的监控视频，并根据所述监控视频，判断当前视频帧图像中是否包含人体；当所述当前视频帧图像中包含人体时，根据所述当前视频帧图像，确定包含所述人体的目标图像；将所述目标图像输入预先训练得到的神经网络中，得到所述当前视频帧图像对应的异常强度；其中，所述神经网络是根据各样本图像，以及各样本图像中的人体异常标定结果训练得到的；判断所述异常强度是否大于预设阈值；当所述异常强度大于预设阈值时，确定所述当前视频帧图像中存在异常人员。

可选的，所述系统还包括：目标移动终端；

所述电子设备，还用于当确定所述当前视频帧图像中存在异常人员后，在本地保存的各视频采集设备的标识信息与关联移动终端的标识信息的对应关系中，查找与所述目标视频采集设备的标识信息对应的目标移动终端的标识信息；向对应标识信息的目标移动终端发送报警信息；

所述目标移动终端，用于接收所述电子设备发送的报警信息，并根据所述报警信息，输出报警信号。

本发明实施例提供了一种异常人员检测方法、装置及系统，所述方法包括：获取目标视频采集设备发送的监控视频，并根据所述监控视频，判断当前视频帧图像中是否包含人体；当所述当前视频帧图像中包含人体时，根据所述当前视频帧图像，确定包含所述人体的目标图像；将所述目标图像输入预先训练得到的神经网络中，得到所述当前视频帧图像对应的异常强度；其中，所述神经网络是根据各样本图像，以及各样本图像中的人体异常标定结果训练得到的；判断所述异常强度是否大于预设阈值；当所述异常强度大于预设阈值时，确定所述当前视频帧图像中存在异常人员。

本发明实施例中，可以预先根据各样本图像，以及各样本图像中的人体异常标定结果训练得到神经网络，进而在进行异常人员检测时，获取到包含当前视频帧图像中人体的目标图像后，将该目标图像输入神经网络中，可以快速且准确地得到当前视频帧图像对应的异常强度，从而可以根据异常强度确定当前视频帧图像中是否存在异常人员。与现有技术相比，本发明实施例能够对不同场景中的异常人员进行检测，并且不受环境条件的影响，从而可以提高异常人员检测的适用性和准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种异常人员检测方法的流程图；

图2为视频采集设备安装方式示意图；

图3为本发明实施例提供的一种异常人员检测方法的另一流程图；

图4为本发明实施例提供的一种异常人员检测方法的另一流程图；

图5为本发明实施例提供的一种异常人员检测方法的另一流程图；

图6为本发明实施例提供的一种异常人员检测方法的另一流程图；

图7为本发明实施例提供的一种异常人员检测方法的另一流程图；

图8为本发明实施例提供的一种异常人员检测装置的结构示意图；

图9为本发明实施例提供的一种异常人员检测系统的结构示意图。

具体实施方式

为了提高异常人员检测的适用性和准确性，本发明实施例提供了一种异常人员检测方法、装置及系统。

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。

如图1所示，本发明实施例提供了一种异常人员检测方法过程，该过程可以包括以下步骤：

S101，获取目标视频采集设备发送的监控视频，并根据所述监控视频，判断当前视频帧图像中是否包含人体，如果是，执行步骤S102；如果否，不执行操作。

本发明实施例提供的方法可以应用于电子设备。具体地，该电子设备可以为台式计算机、便携式计算机、智能移动终端等。

在本发明实施例中，可以在需要进行异常人员检测的场景中安装视频采集设备，如地铁、车站、海关等地方，以通过视频采集设备获取监控视频。其中，上述视频采集设备可以为球机、摄像机等，本发明实施例对此不进行限定。

其中，根据不同的场景，视频采集设备可以有不同的架设方式。例如，如图2所示，海关场景中，可以在通关的单向行走通道中工作人员210上方安装视频采集设备220，从而视频采集设备可以采集到通道中行走的人员230；车站场景中，可以在进入各个候车室的中间空地中安装视频采集设备。

并且，可以在视频采集设备与电子设备之间建立有线或无线连接，从而视频采集设备可以将其采集的监控视频发送给电子设备。例如，可以通过WIFI(Wireless Fidelity，无线保真)、NFC(Near Field Communication，近距离无线通讯技术)、蓝牙等无线连接方式在视频采集设备与电子设备之间建立无线连接，本发明实施例对此不进行限定。

需要说明的是，在本发明实施例中，电子设备可以针对多台视频采集设备采集的监控视频，来检测当前视频中是否存在异常人员。为了便于描述，以对任一视频采集设备采集的监控视频进行检测为例，来说明本发明实施例提供的异常人员检测方法。并且，可以将本发明实施例中针对的视频采集设备称为目标视频采集设备。

在本发明实施例中，目标视频采集设备可以采集监控视频。如，目标视频采集设备可以持续采集其监控场景中的监控视频。并且，视频采集设备可以将其采集的监控视频发送给电子设备，以使电子设备确定当前场景中是否存在异常人员。因此，在本发明实施例中，电子设备可以获取目标视频采集设备发送的监控视频。

电子设备接收到目标视频采集设备发送的监控视频后，可以以视频帧图像为单位进行分析，确定监控视频中是否存在异常人员。例如，电子设备可以对每一幅视频帧图像进行分析；或者，为了提高异常人员检测效率，电子设备可以在几幅连续的视频帧图像中，只对其中一幅视频帧图像进行检测，本发明实施例对此不进行限定。

电子设备确定待检测的当前视频帧图像后，其可以先确定当前视频帧图像中是否包含人体，以确定是否需要对当前视频帧图像进行进一步检测。例如，电子设备可以采用现有的任一种图像分析方法，来检测当前视频帧图像中是否包含人体，本发明实施例对此过程不进行赘述。

当电子设备确定当前视频帧图像中包含人体时，其可以对当前视频帧图像进行进一步检测；当电子设备确定当前视频帧图像中不包含人体时，表明当前视频帧图像中没有人体，也不会有异常人员，这种情况下，其可以结束本次检测，对下一视频帧图像进行检测。

S102，根据所述当前视频帧图像，确定包含所述人体的目标图像。

在本发明实施例中，当电子设备确定当前视频帧图像中包含人体时，其可以根据当前视频帧图像，确定包含人体的目标图像，以根据目标图像，确定当前视频帧图像中是否存在异常人员。例如，电子设备可以在当前视频帧图像中，针对检测到的每个人体，截取包含整个该人体所在区域的图像，作为目标图像。

需要说明的是，由于当前视频帧图像中可能包含一个人体或多个人体，因此，电子设备获取到的目标图像可以为一幅，也可以为多幅。

S103，将所述目标图像输入预先训练得到的神经网络中，得到所述当前视频帧图像对应的异常强度；其中，所述神经网络是根据各样本图像，以及各样本图像中的人体异常标定结果训练得到的。

在本发明实施例中，为了提高异常人员检测的适用性和准确性，电子设备可以预先根据一定数量的包含完整人体的样本图像，如100张、500张、1000张等，以及各样本图像中的人体异常标定结果训练得到神经网络。使用该神经网络，当输入包括人体的图像时，该神经网络可以输出该图像对应的异常强度。

因此，在本发明实施例中，在进行异常人员检测时，当电子设备获得包含人体的目标图像后，其可以将该目标图像输入预先训练的神经网络中，得到当前视频帧图像对应的异常强度。其中，当前视频帧图像对应的异常强度例如可以为60％、78％、85％、95％等。

S104，判断所述异常强度是否大于预设阈值；如果是，执行步骤S105；如果否，不执行操作。

在本发明实施例中，电子设备可以预先设定阈值并保存在本地。如，可以将该阈值设定为80％、90％、95％等。当电子设备确定当前视频帧图像对应的异常强度后，其可以判断该异常强度是否大于预设阈值，以确定当前视频帧图像中是否存在异常人员。

S105，确定所述当前视频帧图像中存在异常人员。

当电子设备确定异常强度大于预设阈值时，其可以确定当前视频帧图像中存在异常人员。

本发明实施例中，可以预先根据各样本图像，以及各样本图像中的人体异常标定结果训练得到神经网络，进而在进行异常人员检测时，获取到包含当前视频帧图像中人体的目标图像后，将该目标图像输入神经网络中，可以快速且准确地得到当前视频帧图像对应的异常强度，从而可以根据异常强度确定当前视频帧图像中是否存在异常人员。与现有技术相比，本发明实施例能够对不同场景中的异常人员进行检测，并且不受环境条件的影响，从而可以提高异常人员检测的适用性和准确性。

可以理解，通常情况下，异常人员的面部会表现出与正常人员不同的特征。如，异常人员通常会表现出紧张、警惕等特征。因此，作为本发明实施例的一种实施方式，电子设备可以根据人体面部图像，来进行异常人员的检测。

如图3所示，本发明实施例提供的异常人员检测方法，可以包括以下步骤：

S301，获取目标视频采集设备发送的监控视频，并根据所述监控视频，判断当前视频帧图像中是否包含人体。

本步骤与图1所示实施例中步骤S101基本相同，在此不再赘述。

S302，在所述当前视频帧图像中，确定包含所述人体的面部区域的目标图像。

在本发明实施例中，当电子设备确定当前视频帧图像中包含人体时，其可以在当前视频帧图像中，确定包含人体的面部区域的目标图像，以根据目标图像，确定当前视频帧图像中是否存在异常人员。例如，电子设备可以在当前视频帧图像中，针对检测到的每个人体，截取包含该人体面部区域的图像，作为目标图像。

需要说明的是，由于当前视频帧图像中可能包含一个人体或多个人体，因此，电子设备获取到的目标图像可以为一幅，也可以为多幅。

S303，将所述目标图像输入预先训练得到的面部分析神经网络中，得到所述目标图像对应的各预定面部运动单元AU的强度。

在本发明实施例中，电子设备可以预先根据一定数量的包含人脸的样本图像，如100张、500张、1000张等，以及各样本图像中各预定AU的标定结果训练得到面部分析神经网络。使用该面部分析神经网络，当输入包含人脸的图像时，其可以输出该图像对应的各预定AU的强度。

AU(facial action units，面部运动单元)为Paul Ekman提出的Facial ActionCoding System中的用于分析面部活动的基本单位，针对不同的面部器官给出了其运动的各种模式。

其中，通过AU0-AU66分别表示不同的面部表情。如，AU0表示无表情，AU1的运动状态为额腹(额肌)的内侧收缩上拉，AU1常见情绪有：惊讶、恐惧、悲伤；AU2的运动状态为额肌的外侧收缩，AU2常见情绪有：惊讶、恐惧；AU4的运动状态为降眉间肌和皱眉肌的组合肌肉群，AU4常见情绪有：当碰到生理上或心理上阻隔时启动AU4等。

在AU0-AU66中，有些是与异常人员相关的，有些是与异常人员无关的。因此，在本发明实施例中，在训练面部分析神经网络时，只对样本图像中与异常人员相关的AU进行标定，如AU01,AU02,AU04,AU05,AU06,AU07,AU09,AU10,AU12,AU14,AU15,AU17,AU20,AU23,AU25,AU26,AU45等。具体地，针对任一样本图像，可以将上述各AU标定为0或1。

在本发明实施例中，在进行异常人员检测时，当电子设备获得包含人体面部区域的目标图像后，其可以将该目标图像输入预先训练的面部分析神经网络中，得到目标图像对应的各预定AU的强度。

S304，根据所述各预定AU的强度，确定所述目标图像的面部异常强度，并将所述面部异常强度确定为所述当前视频帧图像对应的异常强度。

当电子设备获得各预定AU的强度后，其可以进一步地根据各预定AU的强度，确定目标图像的面部异常强度，并将计算得到的面部异常强度确定为当前视频帧图像对应的异常强度。

例如，电子设备可以预先设定并存储各预定AU的权值。进而，在计算目标图像的面部异常强度时，其可以获取到各预定AU的权值，根据各预定AU的权值，对各预定AU的强度进行加权计算，并将计算结果确定为目标图像的面部异常强度。

S305，判断所述异常强度是否大于预设阈值；如果是，执行步骤S306；如果否，不执行操作。

S306，确定所述当前视频帧图像中存在异常人员。

步骤S305、S306与图1所示实施例中步骤S104、S105基本相同，在此不再赘述。

本发明实施例中，能够根据当前视频帧图像中包括的人体的面部图像，来检测当前视频帧图像中是否存在异常人员，从而能够提高异常人员检测的适用性和准确性。

有些情况下，异常人员的腿部也会表现出与正常人员不同的特征。如，异常人员通常会表现出左顾右盼、小心翼翼的特征，携带危险品等物品的异常人员会表现出走路姿势异常等特征。因此，作为本发明实施例的一种实施方式，电子设备可以根据人体腿部图像，来进行异常人员的检测。

如图4所示，本发明实施例提供的异常人员检测方法，可以包括以下步骤：

S401，获取目标视频采集设备发送的监控视频，并根据所述监控视频，判断当前视频帧图像中是否包含人体。

本步骤与图1所示实施例中步骤S101基本相同，在此不再赘述。

S402，在所述当前视频帧图像中，确定包含所述人体的腿部区域的目标图像。

在本发明实施例中，当电子设备确定当前视频帧图像中包含人体时，其可以在当前视频帧图像中，确定包含人体的腿部区域的目标图像，以根据目标图像，确定当前视频帧图像中是否存在异常人员。例如，电子设备可以在当前视频帧图像中，针对检测到的每个人体，截取包含整个该人体腿部区域的图像，作为目标图像。

需要说明的是，由于当前视频帧图像中可能包含一个人体或多个人体，因此，电子设备获取到的目标图像可以为一幅，也可以为多幅。

S403，将所述目标图像输入预先训练得到的腿部分析神经网络中，得到所述目标图像对应的异常行走置信度，并将所述异常行走置信度确定为所述当前视频帧图像对应的异常强度。

在本发明实施例中，电子设备可以预先根据一定数量的包含人体腿部的样本图像，如100张、500张、1000张等，以及各样本图像对应的行走类别训练得到腿部分析神经网络。其中，上述行走类别包括正常行走或异常行走。使用该腿部分析神经网络，当输入包含人体腿部的图像时，其可以输出该图像对应的异常行走置信度。

在本发明实施例中，在进行异常人员检测时，当电子设备获得包含人体腿部区域的目标图像后，其可以将该目标图像输入预先训练的腿部分析神经网络中，得到目标图像对应的异常行走置信度，并将该异常行走置信度确定为当前视频帧图像对应的异常强度。

S404，判断所述异常强度是否大于预设阈值；如果是，执行步骤S405；如果否，不执行操作。

S405，确定所述当前视频帧图像中存在异常人员。

步骤S404、S405与图1所示实施例中步骤S104、S105基本相同，在此不再赘述。

本发明实施例中，能够根据当前视频帧图像中包括的人体的腿部图像，来检测当前视频帧图像中是否存在异常人员，从而能够提高异常人员检测的适用性和准确性。

作为本发明实施例的一种实施方式，为了进一步提高异常人员检测的准确性，电子设备可以同时根据人体面部图像和腿部图像，来进行异常人员的检测。

如图5所示，本发明实施例提供的异常人员检测方法，可以包括以下步骤：

S501，获取目标视频采集设备发送的监控视频，并根据所述监控视频，判断当前视频帧图像中是否包含人体。

本步骤与图1所示实施例中步骤S101基本相同，在此不再赘述。

S502，在所述当前视频帧图像中，确定包含所述人体的面部区域的第一图像，以及包含所述人体的腿部区域的第二图像。

在本发明实施例中，当电子设备确定当前视频帧图像中包含人体时，其可以在当前视频帧图像中，确定包含人体的面部区域的第一图像，以及包含人体的腿部区域的第二图像。

例如，电子设备可以针对检测到的每个人体，先截取包含该人体面部区域的第一图像，进而在当前视频帧图像中该人体面部区域以下的区域检测腿部，当检测到时，获取包含腿部区域的第二图像。

电子设备还可以将同一人体对应的第一图像和第二图像进行关联，以根据相关联的第一图像和第二图像，来进行异常人员的检测。例如，电子设备可以为同一人体对应的第一图像和第二图像设置相同的标识信息。

S503，将所述第一图像输入预先训练得到的面部分析神经网络中，得到所述第一图像对应的各预定AU的强度。

在本发明实施例中，电子设备可以预先根据一定数量的包含人脸的样本图像，如100张、500张、1000张等，以及各样本图像中各预定AU的标定结果训练得到面部分析神经网络。使用该面部分析神经网络，当输入包含人脸的图像时，其可以输出该图像对应的各预定AU的强度。

在进行异常人员检测时，当电子设备获得包含人体面部区域的第一图像后，其可以将该第一图像输入预先训练的面部分析神经网络中，得到第一图像对应的各预定AU的强度。

S504，将所述第二图像输入预先训练得到的腿部分析神经网络中，得到所述第二图像对应的异常行走置信度。

在本发明实施例中，电子设备可以预先根据一定数量的包含人体腿部的样本图像，如100张、500张、1000张等，以及各样本图像对应的行走类别训练得到腿部分析神经网络。其中，上述行走类别包括正常行走或异常行走。使用该腿部分析神经网络，当输入包含人体腿部的图像时，其可以输出该图像对应的异常行走置信度。

在本发明实施例中，在进行异常人员检测时，当电子设备获得包含人体腿部区域的第二图像后，其可以将该第二图像输入预先训练的腿部分析神经网络中，得到第二图像对应的异常行走置信度。

S505，根据所述各预定AU的强度，以及所述第二图像对应的异常行走置信度，确定所述当前视频帧图像对应的异常强度。

得到第一图像对应的各预定AU的强度，以及第二图像对应的异常行走置信度后，电子设备可以根据各预定AU的强度，以及第二图像对应的异常行走置信度，确定当前视频帧图像对应的异常强度。

例如，电子设备可以预先设定并存储各预定AU的权值，以及异常行走的权值。在进行异常人员检测时，获取到各预定AU的强度以及异常行走置信度后，其可以根据预设的各预定AU的权值，以及异常行走的权值，对各预定AU的强度、异常行走置信度进行加权计算，并将计算结果确定为当前视频帧图像对应的异常强度。

S506，判断所述异常强度是否大于预设阈值；如果是，执行步骤S507；如果否，不执行操作。

S507，确定所述当前视频帧图像中存在异常人员。

步骤S506、S507与图1所示实施例中步骤S104、S105基本相同，在此不再赘述。

本发明实施例中，能够同时根据当前视频帧图像中包括的人体的面部图像和腿部图像，来检测当前视频帧图像中是否存在异常人员，从而能够提高异常人员检测的准确性。

作为本发明实施例的一种实施方式，电子设备可以预先训练得到面部分析神经网络。具体地，如图6所示，本发明实施例提供的异常人员检测方法，还可以包括以下步骤：

S601，获取包含人脸的各第一样本图像。

在本发明实施例中，电子设备可以获取一定数量的包含人脸的第一样本图像，如100张、500张、1000张等，用于训练面部分析神经网络。例如，可以在视频采集设备采集的视频中，查找包含人脸的图像，作为第一样本图像。

并且，为了保证异常人员检测的准确性，可以获取包含不同面部表情的人脸的第一样本图像。如，可以获取正常人脸图像、以及“惊恐”人脸图像、“紧张”人脸图像等。

S602，获取各第一样本图像对应的各预定AU的标定结果。

在本发明实施例中，获取到第一样本图像后，电子设备还可以获取各第一样本图像对应的各预定AU的标定结果。

例如，可以由专家对各第一样本图像进行各预定AU的标定，并将标定结果输入电子设备中。如可以对各第一样本图像的AU01,AU02,AU04,AU05,AU06,AU07,AU09,AU10,AU12,AU14,AU15,AU17,AU20,AU23,AU25,AU26,AU45进行标定。具体地，针对任一第一样本图像，可以将上述各AU标定为0或1。

S603，将各第一样本图像，以及各第一样本图像对应的各预定AU的标定结果作为训练样本，训练得到所述面部分析神经网络。

获取到各第一样本图像，以及各第一样本图像对应的各预定AU的标定结果后，电子设备可以将各第一样本图像，以及各第一样本图像对应的各预定AU的标定结果作为训练样本，训练得到面部分析神经网络。

需要说明的是，在本发明实施例中，面部分析神经网络的训练过程可以采用现有的任一种技术，本发明实施例对此过程不进行赘述。

本发明实施例中，可以根据各第一样本图像，以及各第一样本图像对应的各预定AU的标定结果训练得到面部分析神经网络，进而在进行异常人员检测时，获取到包含人脸的图像后，将该图像输入面部分析神经网络中，可以得到该图像对应的各预定AU的强度，进而可以得到当前视频帧图像对应的异常强度，确定当前视频帧图像中是否存在异常人员。

作为本发明实施例的一种实施方式，电子设备可以预先训练得到腿部分析神经网络。具体地，如图7所示，本发明实施例提供的异常人员检测方法，还可以包括以下步骤：

S701，获取包含人体腿部的各第二样本图像。

在本发明实施例中，电子设备可以获取一定数量的包含人体腿部的第二样本图像，如100张、500张、1000张等，用于训练腿部分析神经网络。例如，可以在视频采集设备采集的视频中，查找包含人体腿部的图像，作为第二样本图像。

并且，为了保证异常人员检测的准确性，可以获取包含不同腿部姿势的第二样本图像。如，可以获取正常行走样本图像，以及异常行走样本图像。

S702，获取各第二样本图像对应的行走类别，其中，所述行走类别包括正常行走或异常行走。

在本发明实施例中，获取到第二样本图像后，电子设备还可以获取各第二样本图像对应的行走类别。例如，可以由专家对各第二样本图像进行行走类别的标定，并将标定结果输入电子设备中。

S703，将各第二样本图像，以及各第二样本图像对应的行走类别作为训练样本，训练得到所述腿部分析神经网络。

获取到各第二样本图像，以及各第二样本图像对应的行走类别后，电子设备可以将各第二样本图像，以及各第二样本图像对应的行走类别作为训练样本，训练得到腿部分析神经网络。

需要说明的是，在本发明实施例中，腿部分析神经网络的训练过程可以采用现有的任一种技术，本发明实施例对此过程不进行赘述。

本发明实施例中，可以根据各第二样本图像，以及各第二样本图像对应的行走类别训练得到腿部分析神经网络，进而在进行异常人员检测时，获取到包含人体腿部的图像后，将该图像输入腿部分析神经网络中，可以得到该图像对应的异常行走置信度，进而可以得到当前视频帧图像对应的异常强度，确定当前视频帧图像中是否存在异常人员。

作为本发明实施例的一种实施方式，电子设备确定当前视频帧图像中存在异常人员后，其可以向现场的巡查人员发送报警信息，以提醒巡查人员对现场存在的异常人员进行排查。

具体地，电子设备可以预先在本地保存各视频采集设备的标识信息与关联移动终端的标识信息的对应关系。如，针对每个场景，可以将该场景中的视频采集设备的标识信息与该场景中巡查人员所用的移动终端的标识信息对应保存。

在进行异常人员检测时，当确定当前视频帧图像中存在异常人员时，电子设备可以在本地保存的各视频采集设备的标识信息与关联移动终端的标识信息的对应关系中，查找与目标视频采集设备的标识信息对应的目标移动终端的标识信息，然后可以向对应标识信息的目标移动终端发送报警信息。

相应的，目标移动终端接收到报警信息后，其可以发出报警声音，以提醒巡查人员对现场存在的异常人员进行排查。

相应于上面的方法实施例，本发明实施例还提供了相应的装置实施例。

如图8所示，其示出了本发明实施例提供的一种异常人员检测装置的结构示意图，所述装置包括：

第一获取模块810，用于获取目标视频采集设备发送的监控视频；

第一判断模块820，用于根据所述监控视频，判断当前视频帧图像中是否包含人体；

第一确定模块830，用于当所述第一判断模块820判断出当前视频帧图像中包含人体时，根据所述当前视频帧图像，确定包含所述人体的目标图像；

执行模块840，用于将所述目标图像输入预先训练得到的神经网络中，得到所述当前视频帧图像对应的异常强度；其中，所述神经网络是根据各样本图像，以及各样本图像中的人体异常标定结果训练得到的；

第二判断模块850，用于判断所述异常强度是否大于预设阈值；

第二确定模块860，用于当所述第二判断模块判断出所述异常强度大于预设阈值时，确定所述当前视频帧图像中存在异常人员。

本发明实施例中，可以预先根据各样本图像，以及各样本图像中的人体异常标定结果训练得到神经网络，进而在进行异常人员检测时，获取到包含当前视频帧图像中人体的目标图像后，将该目标图像输入神经网络中，可以快速且准确地得到当前视频帧图像对应的异常强度，从而可以根据异常强度确定当前视频帧图像中是否存在异常人员。与现有技术相比，本发明实施例能够对不同场景中的异常人员进行检测，并且不受环境条件的影响，从而可以提高异常人员检测的适用性和准确性。

作为本发明实施例的一种实施方式，所述第一确定模块，具体用于在所述当前视频帧图像中，确定包含所述人体的面部区域的目标图像；

所述执行模块，包括：

第一输入子模块(图中未示出)，用于将所述目标图像输入预先训练得到的面部分析神经网络中，得到所述目标图像对应的各预定面部运动单元AU的强度；

第一确定子模块(图中未示出)，用于根据所述各预定AU的强度，确定所述目标图像的面部异常强度，并将所述面部异常强度确定为所述当前视频帧图像对应的异常强度。

作为本发明实施例的一种实施方式，所述第一确定子模块，具体用于根据预设的各预定AU的权值，对所述各预定AU的强度进行加权计算，并将计算结果确定为所述目标图像的面部异常强度。

作为本发明实施例的一种实施方式，所述第一确定模块，具体用于在所述当前视频帧图像中，确定包含所述人体的腿部区域的目标图像；

所述执行模块，具体用于将所述目标图像输入预先训练得到的腿部分析神经网络中，得到所述目标图像对应的异常行走置信度，并将所述异常行走置信度确定为所述当前视频帧图像对应的异常强度。

作为本发明实施例的一种实施方式，所述第一确定模块，具体用于在所述当前视频帧图像中，确定包含所述人体的面部区域的第一图像，以及包含所述人体的腿部区域的第二图像；

所述执行模块，包括：

第二输入子模块(图中未示出)，用于将所述第一图像输入预先训练得到的面部分析神经网络中，得到所述第一图像对应的各预定AU的强度；

第三输入子模块(图中未示出)，用于将所述第二图像输入预先训练得到的腿部分析神经网络中，得到所述第二图像对应的异常行走置信度；

第二确定子模块(图中未示出)，用于根据所述各预定AU的强度，以及所述第二图像对应的异常行走置信度，确定所述当前视频帧图像对应的异常强度。

作为本发明实施例的一种实施方式，所述第二确定子模块，具体用于根据预设的各预定AU的权值，以及异常行走的权值，对所述各预定AU的强度、所述异常行走置信度进行加权计算，并将计算结果确定为所述当前视频帧图像对应的异常强度。

作为本发明实施例的一种实施方式，所述装置还包括：

第二获取模块(图中未示出)，用于获取包含人脸的各第一样本图像；

第三获取模块(图中未示出)，用于获取各第一样本图像对应的各预定AU的标定结果；

第一训练模块(图中未示出)，用于将各第一样本图像，以及各第一样本图像对应的各预定AU的标定结果作为训练样本，训练得到所述面部分析神经网络。

作为本发明实施例的一种实施方式，所述装置还包括：

第四获取模块(图中未示出)，用于获取包含人体腿部的各第二样本图像；

第五获取模块(图中未示出)，用于获取各第二样本图像对应的行走类别，其中，所述行走类别包括正常行走或异常行走；

第二训练模块(图中未示出)，用于将各第二样本图像，以及各第二样本图像对应的行走类别作为训练样本，训练得到所述腿部分析神经网络。

作为本发明实施例的一种实施方式，所述装置还包括：

查找模块(图中未示出)，用于在本地保存的各视频采集设备的标识信息与关联移动终端的标识信息的对应关系中，查找与所述目标视频采集设备的标识信息对应的目标移动终端的标识信息；

报警模块(图中未示出)，用于向对应标识信息的目标移动终端发送报警信息。

相应的，如图9所示，本发明实施例还提供了一种异常人员确定系统，所述系统包括电子设备910、以及目标视频采集设备920；

所述目标视频采集设备920，用于采集监控视频，并将所述监控视频发送给所述电子设备910；

所述电子设备910，用于获取所述目标视频采集设备920发送的监控视频，并根据所述监控视频，判断当前视频帧图像中是否包含人体；当所述当前视频帧图像中包含人体时，根据所述当前视频帧图像，确定包含所述人体的目标图像；将所述目标图像输入预先训练得到的神经网络中，得到所述当前视频帧图像对应的异常强度；其中，所述神经网络是根据各样本图像，以及各样本图像中的人体异常标定结果训练得到的；判断所述异常强度是否大于预设阈值；当所述异常强度大于预设阈值时，确定所述当前视频帧图像中存在异常人员。

本发明实施例中，可以预先根据各样本图像，以及各样本图像中的人体异常标定结果训练得到神经网络，进而在进行异常人员检测时，获取到包含当前视频帧图像中人体的目标图像后，将该目标图像输入神经网络中，可以快速且准确地得到当前视频帧图像对应的异常强度，从而可以根据异常强度确定当前视频帧图像中是否存在异常人员。与现有技术相比，本发明实施例能够对不同场景中的异常人员进行检测，并且不受环境条件的影响，从而可以提高异常人员检测的适用性和准确性。

作为本发明实施例的一种实施方式，所述系统还包括：目标移动终端930；

所述电子设备910，还用于当确定所述当前视频帧图像中存在异常人员后，在本地保存的各视频采集设备的标识信息与关联移动终端的标识信息的对应关系中，查找与所述目标视频采集设备的标识信息对应的目标移动终端的标识信息；向对应标识信息的目标移动终端930发送报警信息；

所述目标移动终端930，用于接收所述电子设备910发送的报警信息，并根据所述报警信息，输出报警信号。

对于装置/系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (16)

1.一种异常人员检测方法，其特征在于，应用于电子设备，所述方法包括：

获取目标视频采集设备发送的监控视频，并根据所述监控视频，判断当前视频帧图像中是否包含人体；

当所述当前视频帧图像中包含人体时，根据所述当前视频帧图像，确定包含所述人体的目标图像；其中，所述目标图像为包含面部区域的图像，和/或，包含腿部区域的图像；

将所述目标图像输入预先训练得到的神经网络中，得到所述当前视频帧图像对应的异常强度；其中，所述神经网络是根据各样本图像，以及各样本图像中的人体异常标定结果训练得到的；在所述目标图像为包含面部区域的图像时，所述异常强度为基于所述目标图像对应的各预定面部运动单元AU的强度所确定的强度；在所述目标图像为包含腿部区域的图像时，所述异常强度为基于异常行走置信度所确定的强度；在所述目标图像为面部区域的图像和包含腿部区域的图像时，所述异常强度为基于所述目标图像对应的各预定面部运动单元AU的强度，以及异常行走置信度所确定的强度；

判断所述异常强度是否大于预设阈值；

当所述异常强度大于预设阈值时，确定所述当前视频帧图像中存在异常人员；

其中，基于所述目标图像对应的各预定面部运动单元AU的强度确定异常强度的方式包括：

根据预设的各预定AU的权值，对所述各预定AU的强度进行加权计算，并将计算结果确定为异常强度；

基于异常行走置信度确定异常强度的方式包括：

将异常行走置信度确定为异常强度；

基于所述目标图像对应的各预定面部运动单元AU的强度，以及异常行走置信度确定异常强度的方式包括：

根据预设的各预定AU的权值，以及异常行走的权值，对所述目标图像对应的各预定AU的强度、所述异常行走置信度进行加权计算，并将计算结果确定为异常强度。

2.根据权利要求1所述的方法，其特征在于，所述根据所述当前视频帧图像，确定包含所述人体的目标图像的步骤包括：

在所述当前视频帧图像中，确定包含所述人体的面部区域的目标图像；

所述将所述目标图像输入预先训练得到的神经网络中，得到所述当前视频帧图像对应的异常强度的步骤包括：

将所述目标图像输入预先训练得到的面部分析神经网络中，得到所述目标图像对应的各预定面部运动单元AU的强度；

根据所述各预定AU的强度，确定所述目标图像的面部异常强度，并将所述面部异常强度确定为所述当前视频帧图像对应的异常强度。

3.根据权利要求1所述的方法，其特征在于，所述根据所述当前视频帧图像，确定包含所述人体的目标图像的步骤包括：

在所述当前视频帧图像中，确定包含所述人体的腿部区域的目标图像；

所述将所述目标图像输入预先训练得到的神经网络中，得到所述当前视频帧图像对应的异常强度的步骤包括：

将所述目标图像输入预先训练得到的腿部分析神经网络中，得到所述目标图像对应的异常行走置信度，并将所述异常行走置信度确定为所述当前视频帧图像对应的异常强度。

4.根据权利要求1所述的方法，其特征在于，所述根据所述当前视频帧图像，确定包含所述人体的目标图像的步骤包括：

在所述当前视频帧图像中，确定包含所述人体的面部区域的第一图像，以及包含所述人体的腿部区域的第二图像；

所述将所述目标图像输入预先训练得到的神经网络中，得到所述当前视频帧图像对应的异常强度的步骤包括：

将所述第一图像输入预先训练得到的面部分析神经网络中，得到所述第一图像对应的各预定AU的强度；

将所述第二图像输入预先训练得到的腿部分析神经网络中，得到所述第二图像对应的异常行走置信度；

根据所述各预定AU的强度，以及所述第二图像对应的异常行走置信度，确定所述当前视频帧图像对应的异常强度。

5.根据权利要求4所述的方法，其特征在于，预先训练所述面部分析神经网络的过程包括：

获取包含人脸的各第一样本图像；

获取各第一样本图像对应的各预定AU的标定结果；

将各第一样本图像，以及各第一样本图像对应的各预定AU的标定结果作为训练样本，训练得到所述面部分析神经网络。

6.根据权利要求4所述的方法，其特征在于，预先训练所述腿部分析神经网络的过程包括：

获取包含人体腿部的各第二样本图像；

获取各第二样本图像对应的行走类别，其中，所述行走类别包括正常行走或异常行走；

将各第二样本图像，以及各第二样本图像对应的行走类别作为训练样本，训练得到所述腿部分析神经网络。

7.根据权利要求1-6任一项所述的方法，其特征在于，当确定所述当前视频帧图像中存在异常人员后，所述方法还包括：

在本地保存的各视频采集设备的标识信息与关联移动终端的标识信息的对应关系中，查找与所述目标视频采集设备的标识信息对应的目标移动终端的标识信息；

向对应标识信息的目标移动终端发送报警信息。

8.一种异常人员检测装置，其特征在于，应用于电子设备，所述装置包括：

第一获取模块，用于获取目标视频采集设备发送的监控视频；

第一判断模块，用于根据所述监控视频，判断当前视频帧图像中是否包含人体；第一确定模块，用于当所述第一判断模块判断出当前视频帧图像中包含人体时，根据所述当前视频帧图像，确定包含所述人体的目标图像；其中，所述目标图像为包含面部区域的图像，和/或，包含腿部区域的图像；

执行模块，用于将所述目标图像输入预先训练得到的神经网络中，得到所述当前视频帧图像对应的异常强度；其中，所述神经网络是根据各样本图像，以及各样本图像中的人体异常标定结果训练得到的；在所述目标图像为包含面部区域的图像时，所述异常强度为基于所述目标图像对应的各预定面部运动单元AU的强度所确定的强度；在所述目标图像为包含腿部区域的图像时，所述异常强度为基于异常行走置信度所确定的强度；在所述目标图像为面部区域的图像和包含腿部区域的图像时，所述异常强度为基于所述目标图像对应的各预定面部运动单元AU的强度，以及异常行走置信度所确定的强度；

第二判断模块，用于判断所述异常强度是否大于预设阈值；

第二确定模块，用于当所述第二判断模块判断出所述异常强度大于预设阈值时，确定所述当前视频帧图像中存在异常人员；

其中，基于所述目标图像对应的各预定面部运动单元AU的强度确定异常强度的方式包括：

根据预设的各预定AU的权值，对所述各预定AU的强度进行加权计算，并将计算结果确定为异常强度；

基于异常行走置信度确定异常强度的方式包括：

将异常行走置信度确定为异常强度；

基于所述目标图像对应的各预定面部运动单元AU的强度，以及异常行走置信度确定异常强度的方式包括：

根据预设的各预定AU的权值，以及异常行走的权值，对所述目标图像对应的各预定AU的强度、所述异常行走置信度进行加权计算，并将计算结果确定为异常强度。

9.根据权利要求8所述的装置，其特征在于，所述第一确定模块，具体用于在所述当前视频帧图像中，确定包含所述人体的面部区域的目标图像；

所述执行模块，包括：

第一输入子模块，用于将所述目标图像输入预先训练得到的面部分析神经网络中，得到所述目标图像对应的各预定面部运动单元AU的强度；

第一确定子模块，用于根据所述各预定AU的强度，确定所述目标图像的面部异常强度，并将所述面部异常强度确定为所述当前视频帧图像对应的异常强度。

10.根据权利要求8所述的装置，其特征在于，所述第一确定模块，具体用于在所述当前视频帧图像中，确定包含所述人体的腿部区域的目标图像；

所述执行模块，具体用于将所述目标图像输入预先训练得到的腿部分析神经网络中，得到所述目标图像对应的异常行走置信度，并将所述异常行走置信度确定为所述当前视频帧图像对应的异常强度。

11.根据权利要求8所述的装置，其特征在于，所述第一确定模块，具体用于在所述当前视频帧图像中，确定包含所述人体的面部区域的第一图像，以及包含所述人体的腿部区域的第二图像；

所述执行模块，包括：

第二输入子模块，用于将所述第一图像输入预先训练得到的面部分析神经网络中，得到所述第一图像对应的各预定AU的强度；

第三输入子模块，用于将所述第二图像输入预先训练得到的腿部分析神经网络中，得到所述第二图像对应的异常行走置信度；

第二确定子模块，用于根据所述各预定AU的强度，以及所述第二图像对应的异常行走置信度，确定所述当前视频帧图像对应的异常强度。

12.根据权利要求11所述的装置，其特征在于，所述装置还包括：

第二获取模块，用于获取包含人脸的各第一样本图像；

第三获取模块，用于获取各第一样本图像对应的各预定AU的标定结果；

第一训练模块，用于将各第一样本图像，以及各第一样本图像对应的各预定AU的标定结果作为训练样本，训练得到所述面部分析神经网络。

13.根据权利要求11所述的装置，其特征在于，所述装置还包括：

第四获取模块，用于获取包含人体腿部的各第二样本图像；

第五获取模块，用于获取各第二样本图像对应的行走类别，其中，所述行走类别包括正常行走或异常行走；

第二训练模块，用于将各第二样本图像，以及各第二样本图像对应的行走类别作为训练样本，训练得到所述腿部分析神经网络。

14.根据权利要求8-13任一项所述的装置，其特征在于，所述装置还包括：

查找模块，用于在本地保存的各视频采集设备的标识信息与关联移动终端的标识信息的对应关系中，查找与所述目标视频采集设备的标识信息对应的目标移动终端的标识信息；

报警模块，用于向对应标识信息的目标移动终端发送报警信息。

15.一种异常人员检测系统，其特征在于，所述系统包括电子设备、以及目标视频采集设备；

所述目标视频采集设备，用于采集监控视频，并将所述监控视频发送给所述电子设备；

所述电子设备，用于获取所述目标视频采集设备发送的监控视频，并根据所述监控视频，判断当前视频帧图像中是否包含人体；当所述当前视频帧图像中包含人体时，根据所述当前视频帧图像，确定包含所述人体的目标图像；将所述目标图像输入预先训练得到的神经网络中，得到所述当前视频帧图像对应的异常强度；其中，所述神经网络是根据各样本图像，以及各样本图像中的人体异常标定结果训练得到的；判断所述异常强度是否大于预设阈值；当所述异常强度大于预设阈值时，确定所述当前视频帧图像中存在异常人员；

其中，所述目标图像为包含面部区域的图像，和/或，包含腿部区域的图像；在所述目标图像为包含面部区域的图像时，所述异常强度为基于所述目标图像对应的各预定面部运动单元AU的强度所确定的强度；在所述目标图像为包含腿部区域的图像时，所述异常强度为基于异常行走置信度所确定的强度；在所述目标图像为面部区域的图像和包含腿部区域的图像时，所述异常强度为基于所述目标图像对应的各预定面部运动单元AU的强度，以及异常行走置信度所确定的强度；

其中，基于所述目标图像对应的各预定面部运动单元AU的强度确定异常强度的方式包括：

根据预设的各预定AU的权值，对所述各预定AU的强度进行加权计算，并将计算结果确定为异常强度；

基于异常行走置信度确定异常强度的方式包括：

将异常行走置信度确定为异常强度；

基于所述目标图像对应的各预定面部运动单元AU的强度，以及异常行走置信度确定异常强度的方式包括：

根据预设的各预定AU的权值，以及异常行走的权值，对所述目标图像对应的各预定AU的强度、所述异常行走置信度进行加权计算，并将计算结果确定为异常强度。

16.根据权利要求15所述的系统，其特征在于，所述系统还包括：目标移动终端；

所述电子设备，还用于当确定所述当前视频帧图像中存在异常人员后，在本地保存的各视频采集设备的标识信息与关联移动终端的标识信息的对应关系中，查找与所述目标视频采集设备的标识信息对应的目标移动终端的标识信息；向对应标识信息的目标移动终端发送报警信息；

所述目标移动终端，用于接收所述电子设备发送的报警信息，并根据所述报警信息，输出报警信号。

Images