CN109784253A - 一种单车用户异常行为的检测方法 - Google Patents
一种单车用户异常行为的检测方法 Download PDFInfo
- Publication number
- CN109784253A CN109784253A CN201910010698.8A CN201910010698A CN109784253A CN 109784253 A CN109784253 A CN 109784253A CN 201910010698 A CN201910010698 A CN 201910010698A CN 109784253 A CN109784253 A CN 109784253A
- Authority
- CN
- China
- Prior art keywords
- human body
- key point
- model
- behavior
- abnormal behaviour
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 206010000117 Abnormal behaviour Diseases 0.000 title claims abstract description 55
- 238000001514 detection method Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 24
- 230000002159 abnormal effect Effects 0.000 claims abstract description 9
- 230000006399 behavior Effects 0.000 claims description 60
- 238000012549 training Methods 0.000 claims description 45
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims description 3
- 210000003127 knee Anatomy 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 238000012423 maintenance Methods 0.000 abstract description 4
- 230000003542 behavioural effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供一种单车用户异常行为的检测方法，该方法包括以下步骤：(1)获取停车区域的图像；(2)将所述图像输入至人体关键点检测模型中，得到所述图像中行为人的人体关键点信息；(3)将所述行为人的人体关键点信息输入至异常行为检测模型中，判断所述行为人的行为是否异常。本方法可利用摄像头在停车区域拍摄图像，并根据图像自动检测行为人的异常行为，实现了停车区域的自动监控，可以实时发现行为人的异常行为，便于运维人员及时响应。
Description
技术领域
本发明涉及一种行为检测方法，特别涉及一种单车用户异常行为的检测方法。
背景技术
随着共享单车、助力车、电动车的诞生，人们的出行变得更为便利。共享单车+公共交通的出行方式低碳，绿色，环保，经济。随着共享单车用户数量的急剧增长，以及共享单车所带来的巨大便利性，不可避免的会出现不少异常行为。共享单车上私锁私占、损坏单车零部件、偷盗共享单车、偷盗电瓶等行为屡见不鲜。这些行为不仅损害共享单车企业的利益，同时正常使用的用户也会受到影响。目前应对这个问题的解决方法有两种。一种是通过热心用户的主动上报。但这样的用户毕竟是极少的。另一种是依靠单车运维分区域的人工扫街，效率极其低下。并且目前的两种方案无法做到实时性，只能在异常行为造成结果后进行处理，且无法定位到异常用户。
发明内容
本发明的目的是根据上述现有技术的不足，提供了一种单车用户异常行为的检测方法。
本发明目的实现由以下技术方案完成：
一种单车用户异常行为的检测方法，其包括以下步骤：
(1)获取停车区域的图像；
(2)将所述图像输入至人体关键点检测模型中，得到所述图像中行为人的人体关键点信息；
(3)将所述行为人的人体关键点信息输入至异常行为检测模型中，判断所述行为人的行为是否异常。
本发明的进一步改进在于，所述人体关键点信息包括人体关键点的位置信息；所述人体关键点包括头、颈、肩、肘、手、跨、膝、脚。
本发明的进一步改进在于，所述人体关键点检测模型的训练过程包括以下步骤：
(1)选取若干人体图片作为训练数据集；
(2)在所述训练数据集的各所述人体图片中标注各所述人体关键点的位置以及人体关键点名称；
(3)使用所述训练数据集对基于深度学习的卷积神经网络模型进行训练，得到所述人体关键点检测模型。
本发明的进一步改进在于，选取所述人体图片的过程中，选取多种视角及环境条件下的人体图片作为所述训练数据集。
本发明的进一步改进在于，所述异常行为检测模型采用监督学习的方式训练获得，所述异常行为检测模型的训练过程包括以下步骤：
(1)选取停车区域的图像，对所述图像中的行为人的行为进行标注，标注信息包括所述行为人的行为类型；
(2)将标注后的各所述图像依次输入至所述人体关键点检测模型中，得到各所述图像的人体关键点信息；
(3)将各所述图像的所述标注信息以及所述人体关键点信息作为训练数据对逻辑回归模型进行训练，得到异常行为检测模型。
本发明的进一步改进在于，对逻辑回归模型进行训练的过程中，增加所述人体关键点信息中异常行为强相关的人体关键点的权重值。
本发明的进一步改进在于，所述异常行为检测模型采用无监督学习的方式训练获得，所述异常行为检测模型的训练过程包括以下步骤：
(1)选取停车区域的图像，将各所述图像依次输入至所述人体关键点检测模型中，得到各所述图像的人体关键点信息；
(2)将各所述图像的人体关键点信息作为训练数据对基于k-means的聚类模型进行训练，得到异常行为检测模型。
本发明的进一步改进在于，对基于k-means的聚类模型进行训练之前，确定所述行为类型的数量，并将所述行为类型的数量作为所述聚类模型的聚类中心的数量；并选择每种行为类型对应的典型人体关键点信息作为初始聚类中心；训练过程中根据训练数据对初始聚类中心进行调整，得到所述异常行为检测模型的聚类中心。
本发明的进一步改进在于，将所述行为人的人体关键点信息输入到异常行为检测模型后，依次将人体关键点信息与各所述聚类中心进行对比，并将与所述人体关键点信息最接近的所述聚类中心对应的行为类型作为所述行为人的行为类型进行输出。
本发明的进一步改进在于，所述行为类型包括正常行为类型以及异常行为类型；将所述行为人的人体关键点信息输入到所述异常行为检测模型后，若所述异常行为检测模型输出的行为类型为异常行为类型，则判断行为人的行为异常。
本发明的进一步改进在于，若所述行为人的行为异常，从所述行为人对应的所述图像中获取该行为人的面部图像，并根据面部图像识别并标记该所述行为人。
本发明的进一步改进在于，将行为异常的所述行为人的面部图像与数据库中的用户人脸数据进行搜寻匹配，如果发现匹配结果，则向该所述行为人的账户添加异常记录；如果没有发现匹配结果，则将该行为人的面部图像暂时存储于异常行为人数据库，当再次在停车区域检测到该行为人时，则向运维终端发出预警信息。该停车区域包括但不限于发现标记该异常行为人的停车区域。
本发明的有益效果是：本方法可利用摄像头在停车区域拍摄图像，并根据图像自动检测行为人的异常行为，实现了停车区域的自动监控，可以实时发现行为人的异常行为，便于运维人员及时响应。
附图说明
图1是本发明中单车用户异常行为的检测方法的流程图；
图2是本发明实施例1中异常行为检测模型的训练过程的流程图；
图3是本发明实施例2中异常行为检测模型的训练过程的流程图。
具体实施方式
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。
实施例1：如图1所示，本实施例公开了一种单车用户异常行为的检测方法，该方法用于根据停车区域周边的摄像头拍摄的图像信息判定停车区域内的行为人的行为是否异常。本实施例的检测方法具体包括以下步骤：
(步骤1)获取停车区域的图像。
在停车区域内或者停车区域周边架设广角摄像头。通过广角摄像头可以获得停车区域内的监控视频流，用于检测异常行为的图像从广角摄像头的监控视频流中截取的图片。
(步骤2)将停车区域的图像输入至人体关键点检测模型中，得到图像中行为人的人体关键点信息。
人体关键点信息包括人体关键点的位置信息；人体关键点包括头、颈、肩、肘、手、跨、膝、脚。行为正常的行为人与行为异常的行为人的人体关键点相对位置是有明显差异的，通过分析行为人的人体关键点信息可以判断出行为人的行为是否异常。本实施例中，采用人体关键点检测模型从停车区域的图像中获取行为人的人体关键点信息，人体关键点检测模型在使用前需要进行训练，人体关键点检测模型的训练过程包括以下步骤：
(步骤2.1)选取若干人体图片作为训练数据集；选取人体图片的过程中，选取多种视角及环境条件下的人体图片作为所述训练数据集，以便提升人体关键点检测模型的泛化能力，使之可以适应各种室外环境；人体图片的环境条件包括天气、时间段；人体图片是在停车区域内或停车区域周边拍摄的包含若干行为人的图片；
(步骤2.2)在训练数据集的各人体图片中标注各人体关键点的位置以及人体关键点名称；
(步骤2.3)使用训练数据集对基于深度学习的卷积神经网络模型(OpenPose)进行训练，得到人体关键点检测模型。
在使用过程中，人体关键点检测模型可以从输入的图像中获取图像中的行为人的人体关键点信息。人体关键点信息为一个14行1列的矩阵，矩阵的行数可根据行为人的人体关键点的数目进行调整，本实施例中每个行为人具有14个人体关键点。
(步骤3)将行为人的人体关键点信息输入至异常行为检测模型中，以判断行为人的行为的是否异常。本实施例中，异常行为检测模型采用监督学习的方式训练获得。如图2所示，异常行为检测模型的训练过程包括以下步骤：
(步骤3.1)选取若干停车区域的图像，对所选取的图像中的行为人的行为进行标注，标注信息包括行为人的行为类型；行为类型包括正常行为类型以及异常行为类型；异常行为类型包括上私锁、破坏车辆、偷盗车辆、偷盗电瓶等共享单车运营过程中常见的异常行为；
(步骤3.2)将标注后的各图像依次输入至步骤(2.3)中得到的人体关键点检测模型中，得到各图像的人体关键点信息；
(步骤3.3)将各图像的标注信息以及人体关键点信息作为训练数据对逻辑回归模型进行训练，得到异常行为检测模型。
人体关键点信息包含对应行为人的各人体关键点的位置信息，正常行为人与异常行为人的人体关键点的相对位置是有明显差异的，特别是异常行为强相关的人体关键点(手、肩)的位置。为了提高异常行为检测模型的准确性，对逻辑回归模型进行训练的过程中，增加人体关键点信息中异常行为强相关的人体关键点(手、肩)的权重值。
在使用过程中，将行为人的人体关键点信息输入到异常行为检测模型之后，异常行为检测模型会根据输入的人体关键点信息输判断行为人的行为类型。若输出的行为人的行为类型为异常行为类型，则表示该行为人的行为异常。
确定行为人的行为异常后，系统将立即通知后台终端，后台终端通知运维，以便运维人员进行实时的异常行为处理。上报时，选取2s左右的动态图。确定行为人的行为异常后，从包含该行为人的图像中获取该行为人的面部图像，并根据面部图像识别并标记该行为人，并将该行为人的面部图像与数据库中的用户人脸数据进行搜寻匹配，如果发现匹配结果，则向该行为人的账户添加异常记录，并降低该用户的信用值；如果没有发现匹配结果，则将该行为人的面部图像暂时存储于异常行为人数据库。当再次在监控的停车区域检测到该行为人时，则向运维终端发出预警信息，以提示运维人员关注该区域的视频监控，以便运维人员对该行为人可能做出的异常行为进行及时处理。
实施例2：如图1、3所示，本实施例与实施例1的主要区别在于异常行为检测模型的训练方法。如图3所示，本实施例中，异常行为检测模型采用无监督学习的方式训练获得，异常行为检测模型的训练过程包括以下步骤：
(步骤3.1a)选取若干停车区域的图像；
(步骤3.2a)将各图像依次输入至人体关键点检测模型中，得到各图像的人体关键点信息；通过采用无监督学习方式，避免了对大量图像进行标注，不仅可以节省人力成本，还可避免数据标注人员的失误对模型造成的不利影响；
(步骤.3a)将各图像的人体关键点信息作为训练数据对基于k-means的聚类模型进行训练，得到异常行为检测模型。
对基于k-means的聚类模型进行训练之前，确定需要行为类型的数量，并将行为类型的数量作为聚类模型的聚类中心的数量。行为类型包括各种异常行为以及正常行为的种类总和。同时，在进进行训练之前，需要选择每种行为类型对应的典型人体关键点信息作为初始聚类中心。训练过程中，聚类模型会根据输入的训练数据对各聚类中心进行微调，最终得到所述异常行为检测模型的聚类中心。训练得到的异常行为检测模型包括多个聚类中心，各聚类中心分别对应一种异常行为的人体关键点信息。本实施例中，各聚类中心以及人体关键点信息均采用向量的形式进行表示。采用向量形式进行表示可以方便的借助各种数学工具计算聚类中心与人体关键点信息之间的相似度。
在本实施例的异常行为检测模型的应用过程中，将行为人的人体关键点信息输入到异常行为检测模型后，异常行为检测模型会依次将人体关键点信息与各聚类中心进行对比，并将与人体关键点信息最接近的聚类中心对应的行为类型作为输入的人体关键点信息对应的行为人的行为类型。根据输出的行为类型可以判断行为人的行为是否异常。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (12)
1.一种单车用户异常行为的检测方法，其包括以下步骤：
(1)获取停车区域的图像；
(2)将所述图像输入至人体关键点检测模型中，得到所述图像中行为人的人体关键点信息；
(3)将所述行为人的人体关键点信息输入至异常行为检测模型中，判断所述行为人的行为是否异常。
2.根据权利要求1所述的一种单车用户异常行为的检测方法，其特征在于，所述人体关键点信息包括人体关键点的位置信息；所述人体关键点包括头、颈、肩、肘、手、跨、膝、脚。
3.根据权利要求1所述的一种单车用户异常行为的检测方法，其特征在于，所述人体关键点检测模型的训练过程包括以下步骤：
(1)选取若干人体图片作为训练数据集；
(2)在所述训练数据集的各所述人体图片中标注各所述人体关键点的位置以及人体关键点名称；
(3)使用所述训练数据集对基于深度学习的卷积神经网络模型进行训练，得到所述人体关键点检测模型。
4.根据权利要求3所述的一种单车用户异常行为的检测方法，其特征在于，选取所述人体图片的过程中，选取多种视角及环境条件下的人体图片作为所述训练数据集。
5.根据权利要求1所述的一种单车用户异常行为的检测方法，其特征在于，所述异常行为检测模型采用监督学习的方式训练获得，所述异常行为检测模型的训练过程包括以下步骤：
(1)选取停车区域的图像，对所述图像中的行为人的行为进行标注，标注信息包括所述行为人的行为类型；
(2)将标注后的各所述图像依次输入至所述人体关键点检测模型中，得到各所述图像的人体关键点信息；
(3)将各所述图像的所述标注信息以及所述人体关键点信息作为训练数据对逻辑回归模型进行训练，得到异常行为检测模型。
6.根据权利要求5所述的一种单车用户异常行为的检测方法，其特征在于，对逻辑回归模型进行训练的过程中，增加所述人体关键点信息中异常行为强相关的人体关键点的权重值。
7.根据权利要求1所述的一种单车用户异常行为的检测方法，其特征在于，所述异常行为检测模型采用无监督学习的方式训练获得，所述异常行为检测模型的训练过程包括以下步骤：
(1)选取停车区域的图像，将各所述图像依次输入至所述人体关键点检测模型中，得到各所述图像的人体关键点信息；
(2)将各所述图像的人体关键点信息作为训练数据对基于k-means的聚类模型进行训练，得到异常行为检测模型。
8.根据权利要求7所述的一种单车用户异常行为的检测方法，其特征在于，对基于k-means的聚类模型进行训练之前，确定所述行为类型的数量，并将所述行为类型的数量作为所述聚类模型的聚类中心的数量；并选择每种行为类型对应的典型人体关键点信息作为初始聚类中心；训练过程中根据训练数据对初始聚类中心进行调整，得到所述异常行为检测模型的聚类中心。
9.根据权利要求8所述的一种单车用户异常行为的检测方法，其特征在于，将所述行为人的人体关键点信息输入到异常行为检测模型后，依次将人体关键点信息与各所述聚类中心进行对比，并将与所述人体关键点信息最接近的所述聚类中心对应的行为类型作为所述行为人的行为类型进行输出。
10.根据权利要求5-9中任一所述的一种单车用户异常行为的检测方法，其特征在于，所述行为类型包括正常行为类型以及异常行为类型；将所述行为人的人体关键点信息输入到所述异常行为检测模型后，若所述异常行为检测模型输出的行为类型为异常行为类型，则判断行为人的行为异常。
11.根据权利要求10所述的一种单车用户异常行为的检测方法，其特征在于，若所述行为人的行为异常，从所述行为人对应的所述图像中获取该行为人的面部图像，并根据面部图像识别并标记该所述行为人。
12.根据权利要求10所述的一种单车用户异常行为的检测方法，其特征在于，将行为异常的所述行为人的面部图像与数据库中的用户人脸数据进行搜寻匹配，如果发现匹配结果，则向该所述行为人的账户添加异常记录；如果没有发现匹配结果，则将该行为人的面部图像暂时存储于异常行为人数据库，当再次在停车区域检测到该行为人时，则向运维终端发出预警信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910010698.8A CN109784253A (zh) | 2019-01-04 | 2019-01-04 | 一种单车用户异常行为的检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910010698.8A CN109784253A (zh) | 2019-01-04 | 2019-01-04 | 一种单车用户异常行为的检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109784253A true CN109784253A (zh) | 2019-05-21 |
Family
ID=66499880
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910010698.8A Pending CN109784253A (zh) | 2019-01-04 | 2019-01-04 | 一种单车用户异常行为的检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109784253A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021073213A1 (zh) * | 2019-10-14 | 2021-04-22 | 支付宝(杭州)信息技术有限公司 | 为受损车辆生成定损文件的方法及装置 |
| CN112802306A (zh) * | 2021-01-14 | 2021-05-14 | 淮阴工学院 | 一种电力调度自动化系统的安全检测系统 |
| WO2022067606A1 (zh) * | 2020-09-30 | 2022-04-07 | 中国科学院深圳先进技术研究院 | 一种行人异常行为检测方法、系统、终端以及存储介质 |
| CN114565784A (zh) * | 2022-03-15 | 2022-05-31 | 平安科技（深圳）有限公司 | 基于聚类算法的行人异常行为检测方法及装置、存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103870751A (zh) * | 2012-12-18 | 2014-06-18 | 中国移动通信集团山东有限公司 | 入侵检测方法及系统 |
| CN104680557A (zh) * | 2015-03-10 | 2015-06-03 | 重庆邮电大学 | 视频序列图像中的异常行为智能检测方法 |
| CN105590099A (zh) * | 2015-12-22 | 2016-05-18 | 中国石油大学(华东) | 一种基于改进卷积神经网络的多人行为识别方法 |
| CN105913559A (zh) * | 2016-04-06 | 2016-08-31 | 南京华捷艾米软件科技有限公司 | 一种基于体感技术的银行atm机智能监控方法 |
| CN107169909A (zh) * | 2017-07-17 | 2017-09-15 | 北京途歌科技有限公司 | 基于用户行为分析的共享汽车用户管理方法 |
| CN107528823A (zh) * | 2017-07-03 | 2017-12-29 | 中山大学 | 一种基于改进的K‑Means聚类算法的网络异常检测方法 |
| CN108875712A (zh) * | 2018-08-01 | 2018-11-23 | 四川电科维云信息技术有限公司 | 一种基于ViF描述符的暴力行为检测系统及方法 |
| CN108985259A (zh) * | 2018-08-03 | 2018-12-11 | 百度在线网络技术（北京）有限公司 | 人体动作识别方法和装置 |
-
2019
- 2019-01-04 CN CN201910010698.8A patent/CN109784253A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103870751A (zh) * | 2012-12-18 | 2014-06-18 | 中国移动通信集团山东有限公司 | 入侵检测方法及系统 |
| CN104680557A (zh) * | 2015-03-10 | 2015-06-03 | 重庆邮电大学 | 视频序列图像中的异常行为智能检测方法 |
| CN105590099A (zh) * | 2015-12-22 | 2016-05-18 | 中国石油大学(华东) | 一种基于改进卷积神经网络的多人行为识别方法 |
| CN105913559A (zh) * | 2016-04-06 | 2016-08-31 | 南京华捷艾米软件科技有限公司 | 一种基于体感技术的银行atm机智能监控方法 |
| CN107528823A (zh) * | 2017-07-03 | 2017-12-29 | 中山大学 | 一种基于改进的K‑Means聚类算法的网络异常检测方法 |
| CN107169909A (zh) * | 2017-07-17 | 2017-09-15 | 北京途歌科技有限公司 | 基于用户行为分析的共享汽车用户管理方法 |
| CN108875712A (zh) * | 2018-08-01 | 2018-11-23 | 四川电科维云信息技术有限公司 | 一种基于ViF描述符的暴力行为检测系统及方法 |
| CN108985259A (zh) * | 2018-08-03 | 2018-12-11 | 百度在线网络技术（北京）有限公司 | 人体动作识别方法和装置 |
Non-Patent Citations (4)
| Title |
|---|
| DARIO DOTTI 等: "Unsupervised Discovery of Normal and Abnormal Activity Patterns in Indoor and Outdoor Environments", 《VISIGRAPP 2017》, pages 210 - 217 * |
| 李梅 等主编: "《物联网科技导论》", vol. 1, 31 August 2015, 北京：北京邮电大学出版社, pages: 44 - 45 * |
| 王丝丝 等: "基于改进群智能 K-means 优化算法的侵犯性驾驶行为异常点检测", 《科学技术与工程》, vol. 18, no. 34, pages 208 - 214 * |
| 王燕妮 等: "模糊ISODATA聚类结合直方图熵值算法的异常行为检测", 《现代电子技术》, no. 12, pages 128 - 131 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021073213A1 (zh) * | 2019-10-14 | 2021-04-22 | 支付宝(杭州)信息技术有限公司 | 为受损车辆生成定损文件的方法及装置 |
| WO2022067606A1 (zh) * | 2020-09-30 | 2022-04-07 | 中国科学院深圳先进技术研究院 | 一种行人异常行为检测方法、系统、终端以及存储介质 |
| CN112802306A (zh) * | 2021-01-14 | 2021-05-14 | 淮阴工学院 | 一种电力调度自动化系统的安全检测系统 |
| CN112802306B (zh) * | 2021-01-14 | 2022-03-22 | 淮阴工学院 | 一种电力调度自动化系统的安全检测系统 |
| CN114565784A (zh) * | 2022-03-15 | 2022-05-31 | 平安科技（深圳）有限公司 | 基于聚类算法的行人异常行为检测方法及装置、存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109784253A (zh) | 一种单车用户异常行为的检测方法 | |
| US11669979B2 (en) | Method of searching data to identify images of an object captured by a camera system | |
| WO2021114892A1 (zh) | 基于环境语义理解的人体行为识别方法、装置、设备及存储介质 | |
| Ribeiro et al. | Human activity recognition from video: modeling, feature selection and classification architecture | |
| CN108830145B (zh) | 一种基于深度神经网络的人数统计方法及存储介质 | |
| Feris et al. | Large-scale vehicle detection, indexing, and search in urban surveillance videos | |
| CN109977921B (zh) | 一种输电线路隐患检测方法 | |
| CN103119607B (zh) | 根据视频的人的活动确定的优化 | |
| CN107730905A (zh) | 基于深度卷积神经网络的多任务套牌车辆视觉检测系统及方法 | |
| WO2018180588A1 (ja) | 顔画像照合システムおよび顔画像検索システム | |
| CN112614187B (zh) | 回环检测方法、装置、终端设备和可读存储介质 | |
| CN113469253A (zh) | 一种基于三元组孪生网络的窃电检测方法 | |
| CN102176208A (zh) | 基于三维空时特征的鲁棒视频指纹方法 | |
| CN107103615A (zh) | 一种监控视频目标锁定追踪系统及锁定追踪方法 | |
| CN110309702A (zh) | 一种门店货柜视频监控管理系统 | |
| Zheng et al. | Anomaly detection of metro station tracks based on sequential updatable anomaly detection framework | |
| CN113011359B (zh) | 一种基于图像的同时检测平面结构和生成平面描述的方法及应用 | |
| CN111598158B (zh) | 一种基于ai分析技术的仓储库存状态感知方法 | |
| CN111860097B (zh) | 一种基于模糊理论的异常行为检测方法 | |
| CN116662866A (zh) | 基于数据插补和表征学习的端到端不完整时间序列分类方法 | |
| Beiji et al. | Crime hotspot detection and monitoring using video based event modeling and mapping techniques | |
| Biswas et al. | Short local trajectory based moving anomaly detection | |
| CN113469816A (zh) | 基于多组学技术的数字货币识别方法、系统和存储介质 | |
| Yang et al. | Uncertainty estimation for monocular 3D object detectors in autonomous driving | |
| Palazzo et al. | Event detection in underwater domain by exploiting fish trajectory clustering |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |