CN109784175A - 基于微表情识别的异常行为人识别方法、设备和存储介质 - Google Patents

Abstract

本公开涉及人工智能技术领域，具体地涉及基于微表情识别的异常行为人识别方法、设备和存储介质。所述方法包括：判断所接收的图像序列中的人是否具有可疑微表情；从所接收的图像序列中获取具有可疑微表情的人的行为特征；根据所述行为特征，确定所述具有可疑微表情的人是否为异常行为人。通过本公开的各实施例，可以将微表情与行为特征的分析判断相结合来识别异常行为人，使得能够在异常行为发生之前自动快速地识别出异常行为人。

Description

基于微表情识别的异常行为人识别方法、设备和存储介质

技术领域

本发明涉及人工智能技术领域，特别涉及一种基于微表情识别的异常行为人识别方法、装置、计算设备和计算机可读存储介质。

背景技术

在公共场合，如果出现诸如盗窃、抢劫、打人等的不良行为，甚至诸如恐怖袭击之类的恶性行为，会严重影响公共安全，扰乱公共秩序。目前，仅能根据公共场所的实时监控视频由人工进行观察，可疑人一旦实施了不良或恶性行为，即由人工锁定目标，前往制止和抓捕。人们期望能在可疑人进行这些不良行为或恶性行为之前制止他们。目前，虽然也可以由人工在可疑人实施不良行为或恶性行为前发现蛛丝马迹，但往往发现的时间较晚，来不及阻止行为的发生，并且人工执行的识别需要大量的人力和物力，且容易出错。因此，本申请的发明人意识到，需要一种自动识别异常行为人的技术，以在不良或恶性行为发生之前准确、高效地自动识别出可疑人。

发明内容

为解决以上问题中的一个或多个，本发明实施例提供了一种基于微表情识别的异常行为人识别方法、设备和存储介质。

根据本申请的第一方面，提供一种异常行为人识别方法，其包括：

判断所接收的图像序列中的人是否具有可疑微表情；

从所接收的图像序列中获取具有可疑微表情的人的行为特征；

根据所述行为特征，确定所述具有可疑微表情的人是否为异常行为人。

根据一示例性实施例，所述判断所接收的图像序列中的人是否具有可疑微表情包括：

从所接收的图像序列中识别出人脸；

获取每个人脸的微表情特征；

根据每个人脸的微表情特征，判断该人脸的微表情是否为可疑微表情。

根据一示例性实施例，所述根据每个人脸的微表情特征，判断该人脸的微表情是否为可疑微表情包括：

根据每个人脸的微表情特征，确定该人脸的微表情类型；

判断该人脸的微表情类型是否属于预定微表情类型；

在该人脸的微表情类型属于预定微表情类型的情况下，确定该人脸的微表情为可疑微表情。

根据一示例性实施例，所述根据每个人脸的微表情特征，判断该人脸的微表情是否为可疑微表情包括：

将每个人脸的微表情特征分别输入训练好的微表情机器学习模型，以得到作为微表情机器学习模型的输出的与每个人脸的微表情特征相对应的微表情可疑度得分；

根据每个人脸的微表情可疑度得分确定该人脸的微表情是否为可疑微表情。

根据一示例性实施例，所述根据所述行为特征，确定所述具有可疑微表情的人是否为异常行为人包括：

将所述行为特征输入训练好的异常行为机器学习模型，以得到作为异常行为学习模型的输出的异常行为可疑度得分；

根据所述异常行为可疑度得分，确定所述具有可疑微表情的人是否为异常行为人。

根据一示例性实施例，所述从所接收的图像序列中获取具有可疑微表情的人的行为特征包括：

从所接收的图像序列中识别出包含所述具有可疑微表情的人的一个或多个图像帧；

从所述一个或多个图像帧中，提取所述具有可疑微表情的人的肢体运动轨迹特征，作为行为特征。

根据一示例性实施例，所述将所述行为特征输入训练好的异常行为机器学习模型，以得到作为异常行为学习模型的输出的异常行为可疑度得分包括：

将所述行为特征输入训练好的异常行为机器学习模型，以得到所述具有可疑微表情的人将进行每种异常行为的概率；

根据与每种异常行为相对应的概率，确定所述具有可疑微表情的人的异常行为可疑度得分。

根据本申请的第二方面，提供一种异常行为人识别装置，其包括：

可疑微表情判断模块，其被配置为：判断所接收的图像序列中的人是否具有可疑微表情；

行为特征获取模块，其被配置为：从所接收的图像序列中获取具有可疑微表情的人的行为特征；

异常行为人确定模块，其被配置为：根据所述行为特征，确定所述具有可疑微表情的人是否为异常行为人。

根据本申请的第三方面，提供一种计算设备，所述计算设备包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序在被所述处理器执行时，使得所述计算设备执行如上所述的方法实施例中的任一个。

根据本申请的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在被一个或多个处理器执行时实现如上所述的方法实施例中的任一个。

本申请的实施例提供的技术方案可以包括以下有益效果：

在本申请如上所述以及如下所述的各实施例中，将微表情与行为特征的分析判断相结合来识别异常行为人，使得能够在异常行为发生之前自动快速地识别出异常行为人。在一些实施例中，先通过面部微表情识别技术筛选出具有可疑微表情的可疑人，提高了异常行为人识别的精度和效率。在一些实施例中，根据可疑人的行为特征，确定出可疑人会进行各种异常行为的概率，由此得出行为可疑度得分，提高了异常行为人识别的准确度，并指引了防范措施的方向。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。

附图说明

图1是根据本申请一示例性实施例示出的异常行为识别方法的示意流程图。

图2是图1所示的方法实施例中步骤S110的示例具体实现方式的示意流程图。

图3是图2所示的方法实施例中步骤S230的一示例具体实现方式的示意流程图。

图4是图2所示的方法实施例中步骤S230的另一示例具体实现方式的示意流程图。

图5是图1所示的方法实施例中步骤S120的示例具体实现方式的示意流程图。

图6是图1所示的方法实施例中步骤S130的示例具体实现方式的示意流程图。

图7是图6所示的方法实施例中步骤S610的示例具体实现方式的示意流程图。

图8是根据本申请一示例性实施例示出的异常行为识别装置的示意组成框图。

图9是根据本申请一示例性实施例示出的计算设备的示意组成框图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明的示例性实施例进行进一步详细说明。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。

本公开所提供的异常行为人识别系统、方法、装置、机器设备和计算机可读存储介质可以应用于各种公共场合、私有场所的监控图像序列，也可以应用于其他的任何图像序列。本公开中所述的“图像序列”是指由一个或多个图像或图像帧组成的静态图像序列或动态视频。在下面的实施例中，以对公共场合的监控视频图像应用异常行为人识别技术为例来进行说明，但这种示例性应用场合并不意图限制本公开的范围。

图1示出了根据本申请一示例性实施例的异常行为人识别方法的示意流程图。该方法可以由作为异常行为人识别系统或其组成部分的任何合适的机器设备来执行。如图1的示例性实施例所示，该方法可以包括步骤：

S110，判断所接收的图像序列中的人是否具有可疑微表情。

在一个示例中，所接收的图像序列为公共场合的监控视频图像。该监控视频图像由公共场合中所安装的摄像装置拍摄。公共场合中安装的摄像装置可以是固定角度的摄像头，即对准某一区域以固定的角度进行拍摄，也可以是可旋转摄像头，即可以在一定角度范围内旋转，改变拍摄区域，以自动地或受控地追踪拍摄特定人。摄像头拍摄的视频图像数据被传送到异常行为人识别系统，由其根据视频图像数据对异常行为人进行识别。

在步骤S110中，对于图像序列中的一个或多个人，利用微表情识别技术判断每个人是否具有可疑微表情。图2示出了判断所接收的图像序列中的人是否具有可疑微表情(即步骤S110)的一示例性具体实施方式。如图2所示，在该具体实施方式中，步骤S110可以包括步骤：

S210，从所接收的图像序列中识别出人脸。

图像序列通常由一个或多个图像帧组成。在步骤S210中，利用人脸识别技术，识别出每个图像帧中的人脸。

S220，获取每个人脸的微表情特征。

微表情是一个人试图隐藏内心真实情感却又不由自主流露出的不易被觉察的面部表情。微表情最显著的特点是持续时间短、强度弱，往往难以有效识别。在步骤S220中，对于所识别出的每个人脸，从图像序列中提取其微表情特征数据，例如，面部五官的形状和位置、相关脸部肌肉的形状和位置，等等。

S230，根据每个人脸的微表情特征，判断该人脸的微表情是否为可疑微表情。

在步骤S230中，利用微表情识别技术，根据在步骤S220中所获取的微表情特征，识别每个人脸的微表情。微表情识别有多种可行的实施方式。在图3和4中分别示出了不同的微表情识别具体实施方式。下面分别参考图3和4来说明根据微表情特征判断微表情是否为可疑微表情(步骤S230)的两个示例性具体实施方式。

图3示出了根据微表情类型来确定可疑微表情的示例性实施方式。如图3所示，在该示例性实施例中，步骤S230可以包括步骤：

S310，根据每个人脸的微表情特征，确定该人脸的微表情类型。

微表情的类型可以包括：高兴、愤怒、紧张、悲伤、惊恐、惊讶、平淡、生气、恐惧、烦躁、沮丧、厌恶等。

在一个示例中，可以在数据库中预先存储各种类型的微表情所对应的标准微表情特征数据。将所获取的微表情特征数据与数据库中各种类型的标准微表情特征数据进行对比，将匹配的(例如，最相似的)标准微表情特征数据所对应的微表情类型视为该微表情特征数据所代表的微表情类型。

在另一示例中，可以将所获取的微表情特征输入训练好的微表情识别机器学习模型，以得到作为输出的各微表情类型的概率。之后，可以将概率最大的微表情类型确定为所获取的微表情特征的对应微表情类型。其中，微表情识别机器学习模型是使用大量已确定其微表情类型的各种微表情特征样本数据训练好的、具有稳定的已知参数的机器学习模型。当将微表情特征输入已训练好的微表情识别机器学习模型时，能得到该微表情特征会是每种微表情类型的概率，一般地可以将最大的概率所对应的微表情类型确定为所输入的微表情特征所对应的微表情类型。

S320，判断该人脸的微表情类型是否属于预定微表情类型。

在一个示例中，可以将一个或多个微表情类型预先设置为预定微表情类型，即可疑微表情类型集合。例如，可以将愤怒、紧张、惊讶、恐惧、生气、烦躁、厌恶等类型的微表情设置为可疑微表情类型集合，并将该集合的成员预先保存为列表，以供在步骤S320中执行判断时进行查询。在步骤S320中，将在步骤S310中所确定出的人脸的微表情类型与预先保存的预定微表情类型的列表相比较，看所确定出的人脸的微表情类型是否是列表中的一种。

S330，在该人脸的微表情类型属于预定微表情类型的情况下，确定该人脸的微表情为可疑微表情。

在一个示例中，如果在步骤S320中确定人脸的微表情类型属于预定微表情类型之一，则判断为是可疑微表情。在另一示例中，对于每张人脸，以预定时间间隔(例如每隔2分钟)提取该人脸的微表情特征，根据每次提取的微表情特征确定微表情类型并判断该微表情类型是否属于预定微表情类型。如果在预定时间内(例如10分钟内)某人的微表情类型被识别为是预定微表情类型的次数超过预定次数(例如3次)，则判断为该人具有可疑微表情。

通过步骤S310-S330，可以快速地根据微表情类型确定是否是可疑微表情。

图4示出了基于机器学习模型的微表情可疑度得分来确定可疑微表情的示例性实施方式。如图4所示，在该示例性实施例中，步骤S230可以包括步骤：

S410，将每个人脸的微表情特征分别输入训练好的微表情机器学习模型，以得到作为微表情机器学习模型的输出的与每个人脸的微表情特征相对应的微表情可疑度得分。

微表情研究引起了很多研究者的关注，其识别工具和训练工具也在逐渐发展，构造出了能够识别微表情的自动识别系统。在一个示例中，可以使用已被确定为是异常行为人的一个或多个人的监控图像，获取每个人在发生异常行为前后一段时间内的一系列图像序列，从中提取出每个人的微表情特征，使用局部线性嵌入算法对提取出的微表情特征进行降维，得到降维后的微表情特征数据，作为微表情机器学习模型的输入训练样本，通过调整机器学习模型的参数，使得所输出的微表情可疑度得分接近或等于最高分(例如，100％)。另外，还使用已被确定为不是异常行为人的一个或多个人的监控图像，获取每个人在一段时间内的一系列图像序列，从中提取出每个人的微表情特征，使用局部线性嵌入算法对提取出的微表情特征进行降维，得到降维后的微表情特征数据，作为微表情机器学习模型的输入训练样本，通过调整机器学习模型的参数，使得所输出的微表情可疑度得分接近或等于最低分(例如，0％)。

对机器学习模型(例如神经网络)使用如上所述的大量降维后的微表情特征与是否发生异常行为的数据进行训练，可得到异常行为与微表情特征的对应模型。以此模型为基础，对于所识别的某个人脸，提取出其微表情特征输入机器学习模型，能够得出该微表情特征具有异常行为倾向的概率(即微表情可疑度得分)。

S420，根据每个人脸的微表情可疑度得分确定该人脸的微表情是否为可疑微表情。

在一个示例中，如果针对某人脸提取的一次微表情特征的可疑度得分超过预定阈值(预定阈值例如为70％)，则可以判断为该人脸具有可疑微表情，否则判断为不具有可疑微表情。

或者，在另一示例中，在预定时间内(例如30分钟内)，多次提取某人的微表情特征数据分别输入该机器学习模型，当其可疑度得分超过预定阈值(预定阈值例如为70％)的次数超过预定次数(预定次数例如为5次)时，可以判断为该人具有可疑微表情，否则判断为不具有可疑微表情。例如，在30分钟的时间内，对某个人脸提取了10次微表情特征，分别将它们输入了训练好的机器学习模型，得到相应的微表情可疑度得分，其中，有7次的微表情可疑度得分超过了70％(假设预定阈值为70％，预定次数为5)，则可以判断为该人脸具有可疑微表情。

通过如上步骤S110(或其具体实施方式)，可以确定出具有可疑微表情的人，之后，示例方法进入步骤S120。

S120，从所接收的图像序列中获取具有可疑微表情的人的行为特征。

对于在步骤S110中被判断为具有可疑微表情的人，可以对该可疑人进行视频追踪，从包含该人图像的一个或多个图像源中一次或多次提取其行为特征数据。图5示出了如何从图像序列中获取可疑人的行为特征(即步骤S120)的一示例性具体实施方式的示意流程图。如图5所示，在该示例中，步骤S120可以包括步骤：

S510，从所接收的图像序列中识别出包含所述具有可疑微表情的人的一个或多个图像帧。

在一个示例中，可以根据在步骤S110中被判断为具有可疑微表情的可疑人的人脸，通过人脸识别技术从图像源中识别出该可疑人，并对其进行人体目标的跟踪，获取包含该可疑人的一系列图像帧。这里的“图像源(所接收的图像序列)”可以是步骤S110中的同一图像源，也可以是在步骤S110之前或之后从相同或不同摄像装置接收的其他图像源，这些图像源的拍摄地点可以相同或不同。

之后，示例方法进入步骤S520。

S520，从所述一个或多个图像帧中，提取所述具有可疑微表情的人的肢体运动轨迹特征，作为行为特征。

可疑人在实施不良或恶性的异常行为之前或尝试实施这些行为时通常具有显著的肢体动作特征，通过这些肢体动作特征，通常可以预判出可疑人将要实施异常行为。在步骤S520中，从一个或多个图像帧中根据可疑人的肢体随时间变化的位置提取出肢体运动轨迹，作为该可疑人的行为特征，以便在步骤S130中根据该行为特征自动判别出该可疑人是否为异常行为人，即可能将要实施异常行为的人。

S130，根据所述行为特征，确定所述具有可疑微表情的人是否为异常行为人。

在一个示例中，可以将常见异常行为类型(例如，偷窃、打架、抢劫等)所对应的标准行为特征数据预先存储在数据库中。对于所获取的行为特征，可以将其与数据库中的各标准行为特征数据相比较，判断其是否与哪个标准行为特征数据相匹配。如果发现所获取的行为特征与某个标准行为特征数据相匹配，则判定该可疑人是异常行为人，并且还可以将与所匹配的标准行为特征数据相对应的异常行为类型作为该行为特征对应的异常行为类型。如果未发现与其相匹配的标准行为特征数据，则判定该可疑人不是异常行为人。

在另一示例中，可以基于机器学习来判定可疑人是否为异常行为人。图6示出了这样的一个示例性具体实施方式的示意流程图。如图6所示，在该示例中，步骤S130可以包括步骤：

S610，将所述行为特征输入训练好的异常行为机器学习模型，以得到作为异常行为学习模型的输出的异常行为可疑度得分。

通过采用异常行为机器学习模型，可以智能化地自动识别出监控画面中的异常行为人。将所获取的行为特征输入异常行为机器学习模型中，可以得到异常行为可疑度得分。

在一个示例中，将所获取的行为特征输入训练好的机器学习模型后，得到的输出直接就是异常行为可疑度得分。在该示例中，可以使用已确定进行了诸如偷窃、抢劫、打架等异常行为的人的行为特征作为样本输入机器学习模型，通过调节机器学习模型的参数，使得机器学习模型输出的异常行为可疑度得分等于或接近最高分(例如100％)。还可以使用已确定未进行异常行为的人的行为特征作为反向样本输入机器学习模型，通过调节机器学习模型的参数，使得机器学习模型输出的异常行为可疑度得分等于或接近最低分(例如0％)。通过使用大量的正反向样本对异常行为机器学习模型进行训练，可以获得具有稳定参数的异常行为机器学习模型，将所获取的行为特征输入这样训练好的异常行为机器学习模型，可以得到该行为特征的异常行为可疑度得分，即该行为特征的实施人可能会实施异常行为的概率。

在另一示例中，将所获取的行为特征输入训练好的机器学习模型后，得到的输出是异常行为分类，即该行为特征所预示的各异常行为类型(诸如偷窃、抢劫、打架等)的概率。图7示出了这样的一个示例性具体实施方式(步骤S610)的示意流程图。如图7所示，在该示例中，步骤S610可以包括步骤：

S710，将所述行为特征输入训练好的异常行为机器学习模型，以得到所述具有可疑微表情的人将进行每种异常行为的概率。

在该示例中，输入行为特征后，异常行为机器学习模型的输出为各类异常行为概率，也就是说，具有该行为特征的可疑人接下来可能会实施各类异常行为的概率。在该示例中，可以使用进行了诸如偷窃、抢劫、打架等确定异常行为类型的人的行为特征作为样本输入机器学习模型，通过调节机器学习模型的参数，使得机器学习模型输出的各类异常行为概率中真实进行的异常行为类型的概率等于或接近最高分(例如100％)，其他类型的异常行为概率等于或接近最低分(例如0％)。可以从历史监控图像中提取出已确定实施了或未实施异常行为的人的肢体运动轨迹特征，作为行为特征，与其所实施的有害行为的类型一起通过使用机器学习算法(SVM、HMM等)对机器学习模型进行训练。训练完成后的模型对于输入的行为特征(例如肢体运动轨迹特征)可以输出其实施各类异常行为的概率。

S720，根据与每种异常行为相对应的概率，确定所述具有可疑微表情的人的异常行为可疑度得分。

在一个示例中，可以从异常行为机器学习模型输出的各类异常行为概率中取最大的一个作为与所输入的行为特征相对应的异常行为可疑度得分，并将该类异常行为作为与所输入的行为特征相对应的异常行为类型。

通过步骤S610或步骤S710-720得到可疑人的异常行为可疑度得分后，示例方法进入步骤S620。

S620，根据所述异常行为可疑度得分，确定所述具有可疑微表情的人是否为异常行为人。

异常行为可疑度得分越高，说明该可疑人将要实施异常行为的可能性越高。在一个示例中，可以预先设置一个预定阈值(例如，可以将预定阈值定为60％)，当可疑人的异常行为可疑度得分超过该预定阈值时，可以将该可疑人确定为异常行为人，另外，还可以将得到的相应异常行为类型一起输出。

在一个示例中，为便于治安管理机构对异常行为人进行重点观察、监控和定位，可以将确定出的异常行为人的相关信息发送给治安管理机构。异常行为人的相关信息可以包括人物图像信息、异常行为分析结果等，例如该异常行为人的面部图像、全身图像、异常行为可疑度得分、异常行为类型等。治安管理机构可以根据异常行为人的相关信息采取相应的行动。

通过上述实施例，可以根据监控图像利用微表情识别技术确定出可疑人，并通过对可疑人的行为进行追踪分析，提取其行为特征，根据行为特征确定其是否为异常行为人，从而在可疑人实施有害行为之前就将其识别出来。

根据本申请的另一方面，还公开了一种异常行为人识别装置。图8是根据本申请一示例性实施例示出的异常行为识别装置的示意组成框图。该装置801用于执行如上所述的各方法实施例。如图8所示，该示例装置801包括：

可疑微表情判断模块810，其被配置为：判断所接收的图像序列中的人是否具有可疑微表情；

行为特征获取模块820，其被配置为：从所接收的图像序列中获取具有可疑微表情的人的行为特征；

异常行为人确定模块830，其被配置为：根据所述行为特征，确定所述具有可疑微表情的人是否为异常行为人。

根据图8所示的实施例，所述可疑微表情判断模块810可以包括：

人脸识别单元811，其被配置为：从所接收的图像序列中识别出人脸；

微表情特征获取单元812，其被配置为：获取每个人脸的微表情特征；

可疑微表情判断单元813，其被配置为：根据每个人脸的微表情特征，判断该人脸的微表情是否为可疑微表情。

根据图8所示的实施例，所述可疑微表情判断单元813可以包括：

微表情类型确定单元8131，其被配置为：根据每个人脸的微表情特征，确定该人脸的微表情类型；

预定微表情确定单元8132，其被配置为：判断该人脸的微表情类型是否属于预定微表情类型；

可疑微表情第一确定单元8133，其被配置为：在该人脸的微表情类型属于预定微表情类型的情况下，确定该人脸的微表情为可疑微表情。

根据图8所示的实施例，所述可疑微表情判断单元813还可以包括：

微表情机器学习模型8134，其被配置为：根据每个人脸的微表情特征，输出与每个人脸的微表情特征相对应的微表情可疑度得分；

可疑微表情第二确定单元8135，其被配置为：根据每个人脸的微表情可疑度得分确定该人脸的微表情是否为可疑微表情。

根据图8所示的实施例，所述异常行为人确定模块830可以包括：

异常行为机器学习模型831，其被配置为：根据所述行为特征，输出异常行为可疑度得分；

异常行为人确定单元832，其被配置为：根据所述异常行为可疑度得分，确定所述具有可疑微表情的人是否为异常行为人。

根据图8所示的实施例，所述行为特征获取模块820可以包括：

图像帧识别单元821，其被配置为：从所接收的图像序列中识别出包含所述具有可疑微表情的人的一个或多个图像帧；

运动轨迹获取单元822，其被配置为：从所述一个或多个图像帧中，提取所述具有可疑微表情的人的肢体运动轨迹特征，作为行为特征。

根据图8所示的实施例，所述异常行为机器学习模型831可以包括：

异常行为分类单元8311，其被配置为：将所述行为特征输入训练好的异常行为机器学习模型，以得到所述具有可疑微表情的人将进行每种异常行为的概率；

行为可疑度确定单元8312，其被配置为：根据与每种异常行为相对应的概率，确定所述具有可疑微表情的人的异常行为可疑度得分。

上述装置中各个单元/模块的功能和作用的实现过程以及相关细节具体详见上述方法实施例中对应步骤的实现过程，在此不再赘述。

以上各实施例中的装置实施例可以通过硬件、软件、固件或其组合的方式来实现，并且其可以被实现为一个单独的装置，也可以被实现为各组成单元/模块分散在一个或多个计算设备中并分别执行相应功能的逻辑集成系统。

以上各实施例中组成该装置的各单元/模块是根据逻辑功能而划分的，它们可以根据逻辑功能被重新划分，例如可以通过更多或更少的单元/模块来实现该装置。这些组成单元/模块分别可以通过硬件、软件、固件或其组合的方式来实现，它们可以是分别的独立部件，也可以是多个组件组合起来执行相应的逻辑功能的集成单元/模块。所述硬件、软件、固件或其组合的方式可以包括：分离的硬件组件，通过编程方式实现的功能模块、通过可编程逻辑器件实现的功能模块，等等，或者以上方式的组合。

根据一个示例性实施例，该装置可被实现为一种计算设备，该计算设备包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序在被所述处理器执行时，使得所述计算设备执行如上所述的各方法实施例中的任一个，或者，所述计算机程序在被所述处理器执行时使得该计算设备实现如上所述的用于多级缓存系统的访问控制装置各实施例的组成单元/模块所实现的功能。

上面的实施例中所述的处理器可以指单个的处理单元，如中央处理单元CPU，也可以是包括多个分散的处理单元或处理器的分布式处理器系统。

上面的实施例中所述的存储器可以包括一个或多个存储器，其可以是计算设备的内部存储器，例如暂态或非暂态的各种存储器，也可以是通过存储器接口连接到计算设备的外部存储装置。

图9示出了这样的计算设备901的一个示例性实施例的示意组成框图。如图9所示，计算设备901可以包括：处理器910、通信接口920、存储器930和总线940。存储器930内存储有可被处理器910执行的计算机程序。处理器910执行所述计算机程序时实现上述实施例中的方法及装置的功能。存储器930和处理器910的数量分别可以为一个或多个。通信接口920用于处理器910与外部设备之间的通信。

其中，处理器910可以是中央处理单元、通用处理器、数字信号处理器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本发明公开内容所描述的各种示例性的流程步骤、功能单元/模块和/或电路。所述处理器也可以是实现计算功能的组合，例如包含一个或多个微处理器组合、数字信号处理器等等。

存储器930可以包括易失性存储器和/或非易失性存储器，例如非易失性动态随机存取存储器、相变随机存取存储器、磁阻式随机存取存储器、磁盘存储器、电子可擦除可编程只读存储器、闪存器件、半导体器件(例如固态硬盘)等。存储器930可选地还可以是外部远程存储装置。

总线940可以是工业标准体系结构(ISA，Industry Standard Architecture)总线、外部设备互连(PCI，Peripheral Component)总线或扩展工业标准体系结构(EISA，Extended Industry Standard Component)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图9中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。可选地，如果存储器930、处理器910及通信接口920集成在一块芯片上，则存储器930、处理器910及通信接口920可以通过内部接口完成相互间的通信。

以上各方法和装置实施例还可以被实现为计算机程序的形式，被存储在存储介质上，并且可被分发。因此，根据本公开的另一方面，还提供一种计算机程序产品，该计算机程序产品被存储在计算机可读存储介质上，并且在被处理器执行时实现如上所述的各方法和装置实施例中的任一个。根据本公开的又一方面，还提供一种计算机可读存储介质，其上存储有可供处理器执行的计算机程序，所述计算机程序在被处理器执行时实现如上所述的各方法和装置实施例中的任一个。

该计算机可读存储介质可以是任何可以保持和存储可由指令执行设备使用的指令的有形设备。例如，其可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述各项的任意组合。

这里所描述的计算机程序/计算机指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

本公开中所述的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。

这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解，流程图和/或框图的每个框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人员来说公知的是，通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。但本领域技术人员应当清楚的是，上述各实施例可以根据需要单独使用或者相互结合使用。另外，对于装置实施例而言，由于其是与方法实施例相对应，所以描述得比较简单，相关之处参见方法实施例的对应部分的说明即可。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种异常行为人识别方法，其特征在于，包括：

判断所接收的图像序列中的人是否具有可疑微表情；

从所接收的图像序列中获取具有可疑微表情的人的行为特征；

根据所述行为特征，确定所述具有可疑微表情的人是否为异常行为人。

2.根据权利要求1所述的方法，其特征在于，所述判断所接收的图像序列中的人是否具有可疑微表情包括：

从所接收的图像序列中识别出人脸；

获取每个人脸的微表情特征；

根据每个人脸的微表情特征，判断该人脸的微表情是否为可疑微表情。

3.根据权利要求2所述的方法，其特征在于，所述根据每个人脸的微表情特征，判断该人脸的微表情是否为可疑微表情包括：

根据每个人脸的微表情特征，确定该人脸的微表情类型；

判断该人脸的微表情类型是否属于预定微表情类型；

在该人脸的微表情类型属于预定微表情类型的情况下，确定该人脸的微表情为可疑微表情。

4.根据权利要求2所述的方法，其特征在于，所述根据每个人脸的微表情特征，判断该人脸的微表情是否为可疑微表情包括：

将每个人脸的微表情特征分别输入训练好的微表情机器学习模型，以得到作为微表情机器学习模型的输出的与每个人脸的微表情特征相对应的微表情可疑度得分；

根据每个人脸的微表情可疑度得分确定该人脸的微表情是否为可疑微表情。

5.根据权利要求1所述的方法，其特征在于，所述根据所述行为特征，确定所述具有可疑微表情的人是否为异常行为人包括：

将所述行为特征输入训练好的异常行为机器学习模型，以得到作为异常行为学习模型的输出的异常行为可疑度得分；

根据所述异常行为可疑度得分，确定所述具有可疑微表情的人是否为异常行为人。

6.根据权利要求1所述的方法，其特征在于，所述从所接收的图像序列中获取具有可疑微表情的人的行为特征包括：

从所接收的图像序列中识别出包含所述具有可疑微表情的人的一个或多个图像帧；

从所述一个或多个图像帧中，提取所述具有可疑微表情的人的肢体运动轨迹特征，作为行为特征。

7.根据权利要求5所述的方法，其特征在于，所述将所述行为特征输入训练好的异常行为机器学习模型，以得到作为异常行为学习模型的输出的异常行为可疑度得分包括：

将所述行为特征输入训练好的异常行为机器学习模型，以得到所述具有可疑微表情的人将进行每种异常行为的概率；

根据与每种异常行为相对应的概率，确定所述具有可疑微表情的人的异常行为可疑度得分。

8.一种异常行为人识别装置，其特征在于，包括：

可疑微表情判断模块，其被配置为：判断所接收的图像序列中的人是否具有可疑微表情；

行为特征获取模块，其被配置为：从所接收的图像序列中获取具有可疑微表情的人的行为特征；

异常行为人确定模块，其被配置为：根据所述行为特征，确定所述具有可疑微表情的人是否为异常行为人。

9.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在被一个或多个处理器执行时实现如权利要求1至7中任一项所述方法。

10.一种计算设备，其包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序在被所述处理器执行时，使得所述计算设备执行如权利要求1至7中任一项所述的方法。