CN110942028B - 异常行为检测方法、装置及电子设备 - Google Patents
异常行为检测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN110942028B CN110942028B CN201911176934.XA CN201911176934A CN110942028B CN 110942028 B CN110942028 B CN 110942028B CN 201911176934 A CN201911176934 A CN 201911176934A CN 110942028 B CN110942028 B CN 110942028B
- Authority
- CN
- China
- Prior art keywords
- motion
- abnormal behavior
- self
- foreground target
- organizing
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
- G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Psychiatry (AREA)
- General Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种异常行为检测方法、装置及电子设备，所述方法包括：在预设时间内，判断视频图像中的前景目标是否有动作；若无动作，则确定前景目标发生异常行为；若有动作，计算前景目标的运动历史图，通过图像矩对运动历史图进行特征提取，获得运动历史图的运动特征；将运动特征输入训练好的自组织映射网络，通过训练好的自组织映射网络对运动特征进行分类，若所述运动特征在对应的最小量化距离在设定阈值内，确定前景目标发生异常行为；若运动特征对应的最小量化距离不在设定阈值内，确定前景目标未发生异常行为。降低了异常行为检测对数据均衡性的要求，提高了异常行为检测的泛化能力，提高了异常行为检测的准确度、稳定性和适用性。
Description
技术领域
本发明电子信息处理领域，具体而言，涉及一种异常行为检测方法、装置及电子设备。
背景技术
如今随着科技的发展和城市化规模的加大，电梯越来越多地应用于高层建筑中，给人们带来了极大的便利。然而，电梯轿厢作为相对封闭的场所，存在着很多潜在的安全问题，例如乘客在电梯内晕倒或者在电梯内做一些损坏电梯的动作(跳跃、扒门等)，因此目前电梯轿厢内异常事故时有发生。为了提高电梯的安全性，一些危险情况需要及时发现并采取预防或解决措施，减少人员伤亡及财产损失。如今现实生活中大部分解决方案采用传统监控系统的人工协助方式，然而这种方式对电梯监控数据正负样本极均衡性要求高，异常行为检测结果不准确。
发明内容
本发明的目的在于提供一种异常行为检测方法、装置及电子设备，其旨在改善现有技术中存在的上述不足。
第一方面，本发明实施例提供了一种异常行为检测方法，包括：
在预设时间内，判断视频图像中的前景目标是否有动作；若无动作，则确定所述前景目标发生异常行为；
若有动作，则计算所述前景目标的运动历史图，通过图像矩对所述运动历史图进行特征提取，获得所述运动历史图的运动特征；所述运动历史图表征所述前景目标的运动情况；
将所述运动特征输入训练好的自组织映射网络，通过所述训练好的自组织映射网络对所述运动特征进行分类，若所述运动特征在所述训练好的自组织映射网络中对应的最小量化距离在设定阈值内，确定所述前景目标发生异常行为；若所述运动特征在所述训练好的自组织映射网络中对应的最小量化距离不在设定阈值内，确定所述前景目标未发生异常行为。
可选的，所述自组织映射网络的训练方法包括：
将训练样本输入所述自组织映射网络中，对所述自组织映射网络进行训练，获得可以对所述运动特征进行分类的自组织映射网络，所述训练样本包括多个样本运动特征。
可选的，训练好的自组织映射网络的测试方法包括：
将测试样本输入训练好的自组织映射网络中，根据所述训练好的自组织映射网络的输出结果判断所述训练好的自组织映射网络的有效性，所述测试样本包括多个预先标记好类别的样本运动特征。
可选的，在判断视频图像中的前景目标是否有动作之前，所述方法还包括：
通过背景差法在所述视频图像中识别出所述前景目标。
可选的，所述通过背景差法在所述视频图像中识别出所述前景目标包括：
当所述视频图像的场景发生变化时，更新背景图像，基于所述视频图像和更新后的背景图像获得所述前景目标。
第二方面，本发明实施例提供了一种异常行为检测装置，所述装置包括：
判断模块，用于在预设时间内，判断视频图像中的前景目标是否有动作；
检测模块，用于若无动作，则确定所述前景目标发生异常行为；若有动作，则计算所述前景目标的运动历史图，通过图像矩对所述运动历史图进行特征提取，获得所述运动历史图的运动特征；所述运动历史图表征所述前景目标的运动情况；将所述运动特征输入训练好的自组织映射网络，通过所述训练好的自组织映射网络对所述运动特征进行分类，若所述运动特征在所述训练好的自组织映射网络中对应的最小量化距离在设定阈值内，确定所述前景目标发生异常行为；若运动特征在训练好的自组织映射网络中对应的最小量化距离不在设定阈值内，确定前景目标未发生异常行为。可选的，所述装置还包括训练模块，用于训练所述自组织映射网络，具体用于将训练样本输入所述自组织映射网络中，对所述自组织映射网络进行训练，获得可以对所述运动特征进行分类的自组织映射网络，所述训练样本包括多个样本运动特征。
可选的，所述装置还包括测试模块，用于测试训练好的自组织映射网络，具体用于将测试样本输入训练好的自组织映射网络中，根据所述训练好的自组织映射网络的输出结果判断所述训练好的自组织映射网络的有效性，所述测试样本包括多个预先标记好类别的样本运动特征。
第三方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述方法的步骤。
第四方面，本发明实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一项所述方法的步骤。
相对现有技术，本发明具有以下有益效果：
本发明实施例提供了一种异常行为检测方法、装置及电子设备，所述方法包括：在预设时间内，判断视频图像中的前景目标是否有动作；若无动作，则确定前景目标发生异常行为；若有动作，则计算前景目标的运动历史图，通过图像矩对运动历史图进行特征提取，获得运动历史图的运动特征；运动历史图表征前景目标的运动情况；将运动特征输入训练好的自组织映射网络，通过训练好的自组织映射网络对运动特征进行分类，若所述运动特征在训练好的自组织映射网络中对应的最小量化距离在设定阈值内，确定前景目标发生异常行为；若运动特征在训练好的自组织映射网络中对应的最小量化距离不在设定阈值内，确定前景目标未发生异常行为。通过在预设时间内，判断视频图像中的前景目标是否有动作，以区分在预设时间内静止的前景目标和运动的前景目标，确定静止的前景目标发生异常行为，通过计算前景目标(运动目标)的运动历史图，通过图像矩对运动历史图进行特征提取，获得运动历史图的运动特征，将运动特征输入训练好的自组织映射网络，通过训练好的自组织映射网络对运动特征进行分类，根据运动特征在训练好的自组织映射网络中对应的最小量化距离，获得前景目标是否发生异常行为的检测结果。分别对静止目标和运动目标进行异常行为检测，降低了异常行为检测对数据均衡性的要求，提高了异常行为检测的准确度；同时通过训练好的自组织映射网络对运动特征进行分类，获得前景目标是否发生异常行为的结果，采用这种半监督学习的方式进行异常行为检测提高了异常行为检测的泛化能力，提高了异常行为检测的准确度、稳定性和适用性。解决了对电梯监控数据正负样本极均衡性要求高，异常行为检测结果不准确的技术问题，达到了降低了异常行为检测对数据均衡性的要求，提高了异常行为检测的准确度的技术效果。
本发明实施例的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1示出了本发明实施例提供的一种异常行为检测方法的流程图。
图2示出了本发明实施例提供的另一种异常行为检测方法的流程图。
图3示出了本发明实施例提供的一种识别前景目标方法的流程图。
图4示出了本发明实施例提供的另一种识别前景目标方法的流程图。
图5示出了本发明实施例提供的一种异常行为检测装置200的方框结构示意图。
图6示出了本发明实施例提供的一种电子设备的方框结构示意图。
图标：200-异常行为检测装置；210-判断模块；220-检测模块；500-总线；501-接收器；502-处理器；503-发送器；504-存储器；505-总线接口。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
现有的电梯监控视频数据集存在正负样本极不均衡的问题，即异常行为数据比例很小，通过有监督学习的方式存在局限，而使用传统方式中的人工设定特征阈值判断的方法也存在泛化能力不足的问题。
一般的，电梯异常主要分为2类，一类为过长的静止状态，比如物品遗留、人员晕倒等情况，另一类则为超量运动的状态，如暴力行为、电梯内跳跃等情况。本发明实施例提供了本发明实施例提供了一种异常行为检测方法、装置及电子设备，对上述两种情况的异常行为都同步进行检测，对电梯的视频数据进行背景建模，使用减背景法提取电梯视频中的前景目标(包括人体目标和物体目标)。对于静止存在的前景目标，当存在超过一定时长的阈值，则判断为发生异常行为。对于运动的前景目标，通过计算运动历史图(MotionHistory Image，MHI)来计算视频内动量。通过计算运动历史图，对运动历史图使用Hu矩进行特征提取，得到对应的特征，通过自组织映射(Self Organizing Maps，SOM)对当前时刻的视频数据的特征根据相似度进行分类，得到异常行为检测结果。可以解决现有技术中存在的对电梯监控数据正负样本极均衡性要求高，异常行为检测结果不准确的技术问题。
实施例
本发明实施例提供的一种异常行为检测方法，包括如图1所示的S101～S104，以下结合图1对S101～S104进行阐述。
S101：在预设时间内，判断视频图像中的前景目标是否有动作。
S102：若无动作，则确定前景目标发生异常行为。
S103：若有动作，则计算前景目标的运动历史图，通过图像矩对运动历史图进行特征提取，获得运动历史图的运动特征。
其中，运动历史图表征前景目标的运动情况。
S104：将运动特征输入训练好的自组织映射网络，通过训练好的自组织映射网络对运动特征进行分类，若运动特征在训练好的自组织映射网络中对应的最小量化距离在设定阈值内，确定前景目标发生异常行为；若运动特征在训练好的自组织映射网络中对应的最小量化距离不在设定阈值内，确定前景目标未发生异常行为。
其中，S102和S103可以同时执行，也可以择一执行，不限定S102和S103的先后顺序，如图2所示的一种异常行为检测方法的流程图。S101～S104分别对应S201～S204。
通过采用以上方案，通过在预设时间内，判断视频图像中的前景目标是否有动作，以区分在预设时间内静止的前景目标和运动的前景目标，确定静止的前景目标发生异常行为，通过计算前景目标(运动目标)的运动历史图，通过图像矩对运动历史图进行特征提取，获得运动历史图的运动特征，将运动特征输入训练好的自组织映射网络，通过训练好的自组织映射网络对运动特征进行分类，获得前景目标是否发生异常行为的结果，即若所述运动特征在训练好的自组织映射网络中对应的最小量化距离在设定阈值内，确定前景目标发生异常行为；若运动特征在训练好的自组织映射网络中对应的最小量化距离不在设定阈值内，确定前景目标未发生异常行为。分别对静止目标和运动目标进行异常行为检测，降低了异常行为检测对数据均衡的要求，提高了异常行为检测的准确度；同时通过训练好的自组织映射网络对运动特征进行分类，获得前景目标是否发生异常行为的结果，采用这种半监督学习的方式进行异常行为检测提高了异常行为检测的泛化能力，提高了异常行为检测的准确度、稳定性和适用性。
在本发明实施例中，为了获得训练好的自组织映射网络，在S400之前，所述方法还包括：训练自组织映射网络和测试训练好的自组织映射网络。其中，自组织映射网络的训练方法包括：将测试样本输入训练好的自组织映射网络中，测试训练好的自组织映射网络，根据训练好的自组织映射网络的输出结果判断训练好的自组织映射网络的有效性，测试样本包括多个预先标记好类别的样本运动特征。自组织映射网络的测试方法包括：将测试样本输入训练好的自组织映射网络中，根据训练好的自组织映射网络的输出结果判断训练好的自组织映射网络的有效性，测试样本包括多个预先标记好类别的样本运动特征。在训练SOM网络时，通过计算训练运动特征在SOM网络中的最佳匹配单元(Best Matching Unit，BMU)和最小量化距离(Minimum Quantization Error，MQE)，核对BMU和MQE，以保证训练后的SOM网络对运动特征进行分类的准确性。在测试训练好的SOM网络时，通过计算测试运动特征在训练好的SOM网络中的BMU和MQE，将MQE值转化为异常分数，基于异常分数判定视频图像中的前景目标是否发生异常行为。
为了获得前景目标，在S101之前，所述方法还包括：通过背景差法在视频图像中识别出前景目标。通过背景差法在视频图像中识别出前景目标的具体实施方式可以如图3所示的S301～S304。
S301：确定前景图像。
S302：以视频中的当前帧视频图像减去背景图像，获得差分图像。
S303：对差分图像进行二值化处理。
S304：在二值化处理后的差分图像中提取特征，根据特征识别得到前景目标。
为了提高获得前景目标的准确性，优选的，背景图像选择与视频图像差异较大的图像。
为了能够适应于各个场景的异常行为检测，提高异常行为检测的准确性，所述异常行为检测方法还包括：当视频图像的场景发生变化时，更新背景图像，基于视频图像和更新后的背景图像获得前景目标，基于视频图像和更新后的背景图像获得前景目标具体方式可以如上述的S302～S304所述的方式，在此不再赘述，具体的，请参阅如图4所示的一种识别出前景目标的方法流程图所示的S401～S406。
在更新背景图像之前，所述方法还包括:提取视频图像的前景目标，当前景目标所占的区域面积不在设定范围内时，确定视频图像的场景发生变化。确定视频图像的场景发生变化的方式可以是：当前景目标的亮度值或颜色值变化不在设定范围内时，确定视频图像的场景发生变化。
为了保证训练得到适用于检测电梯异常行为的SOM网络，训练样本中的训练运动特征的获取方式为：计算训练样本图像的前景目标的训练运动历史图，通过图像矩对训练运动历史图进行特征提取，获得训练运动历史图的训练运动特征，其中，训练样本图像可以来自于视频图集。
测试样本中的测试运动特征的获取方式为：计算测试样本图像的前景目标的测试运动历史图，通过图像矩对测试运动历史图进行特征提取，对提出出来的特征进行标记，获得测试运动历史图的样本运动特征，而其中，测试样本图像可以来自于视频图集，测试样本图像中的前景目标的运动特征是预选标注好的，测试样本图像的运动类型是雨点标注好的。
针对S104，将运动特征输入训练好的自组织映射网络，通过训练好的自组织映射网络对运动特征根据相似度进行分类，获得所述前景目标是否发生异常行为的结果。
针对上述实施例提供一种异常行为检测方法，本申请实施例还对应提供一种用于执行上述的步骤的执行主体，该执行主体可以为图5中异常行为检测装置200。请参考图5，该装置包括：
判断模块210，用于在预设时间内，判断视频图像中的前景目标是否有动作；
检测模块220，用于若无动作，则确定所述前景目标发生异常行为；若有动作，则计算所述前景目标的运动历史图，通过图像矩对所述运动历史图进行特征提取，获得所述运动历史图的运动特征；所述运动历史图表征所述前景目标的运动情况；将所述运动特征输入训练好的自组织映射网络，通过所述训练好的自组织映射网络对所述运动特征进行分类，若所述运动特征在所述训练好的自组织映射网络中对应的最小量化距离在设定阈值内，确定所述前景目标发生异常行为；若运动特征在训练好的自组织映射网络中对应的最小量化距离不在设定阈值内，确定前景目标未发生异常行为。可选的，所述装置还包括训练模块，用于训练所述自组织映射网络，具体用于将训练样本输入所述自组织映射网络中，对所述自组织映射网络进行训练，获得可以对所述运动特征进行分类的自组织映射网络，所述训练样本包括多个样本运动特征。
可选的，所述装置还包括测试模块，用于测试训练好的自组织映射网络，具体用于将测试样本输入训练好的自组织映射网络中，根据所述训练好的自组织映射网络的输出结果判断所述训练好的自组织映射网络的有效性，所述测试样本包括多个预先标记好类别的样本运动特征。
可选的，所述装置还包括：识别模块，用于通过背景差法在所述视频图像中识别出所述前景目标。
可选的，识别模块还用于，当所述视频图像的场景发生变化时，更新背景图像，基于所述视频图像和更新后的背景图像获得所述前景目标。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本发明实施例还提供了一种电子设备，如图6所示，包括存储器504、处理器502及存储在存储器504上并可在处理器502上运行的计算机程序，所述处理器502执行所述程序时实现前文所述异常行为检测方法的任一方法的步骤。
其中，在图6中，总线架构(用总线500来代表)，总线500可以包括任意数量的互联的总线和桥，总线500将包括由处理器502代表的一个或多个处理器和存储器504代表的存储器的各种电路链接在一起。总线500还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口505在总线500和接收器501和发送器503之间提供接口。接收器501和发送器503可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。处理器502负责管理总线500和通常的处理，而存储器504可以被用于存储处理器502在执行操作时所使用的数据。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前文所述异常行为检测方法的任一方法的步骤。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (10)
1.一种异常行为检测方法，其特征在于，包括：
在预设时间内，判断视频图像中的前景目标是否有动作；若无动作，则确定所述前景目标发生异常行为；
若有动作，则计算所述前景目标的运动历史图，通过图像矩对所述运动历史图进行特征提取，获得所述运动历史图的运动特征；所述运动历史图表征所述前景目标的运动情况；
将所述运动特征输入训练好的自组织映射网络，通过所述训练好的自组织映射网络对所述运动特征进行分类，若所述运动特征在所述训练好的自组织映射网络中对应的最小量化距离在设定阈值内，确定所述前景目标发生异常行为；若所述运动特征在所述训练好的自组织映射网络中对应的最小量化距离不在设定阈值内，确定所述前景目标未发生异常行为。
2.根据权利要求1所述的方法，其特征在于，所述自组织映射网络的训练方法包括：
将训练样本输入所述自组织映射网络中，对所述自组织映射网络进行训练，获得可以对所述运动特征进行分类的自组织映射网络，所述训练样本包括多个样本运动特征。
3.根据权利要求1所述的方法，其特征在于，训练好的自组织映射网络的测试方法包括：
将测试样本输入训练好的自组织映射网络中，根据所述训练好的自组织映射网络的输出结果判断所述训练好的自组织映射网络的有效性，所述测试样本包括多个预先标记好类别的样本运动特征。
4.根据权利要求1所述的方法，其特征在于，在判断视频图像中的前景目标是否有动作之前，所述方法还包括：
通过背景差法在所述视频图像中识别出所述前景目标。
5.根据权利要求1所述的方法，其特征在于，所述通过背景差法在所述视频图像中识别出所述前景目标包括：
当所述视频图像的场景发生变化时，更新背景图像，基于所述视频图像和更新后的背景图像获得所述前景目标。
6.一种异常行为检测装置，其特征在于，所述装置包括：
判断模块，用于在预设时间内，判断视频图像中的前景目标是否有动作；
检测模块，用于若无动作，则确定所述前景目标发生异常行为；若有动作，则计算所述前景目标的运动历史图，通过图像矩对所述运动历史图进行特征提取，获得所述运动历史图的运动特征；所述运动历史图表征所述前景目标的运动情况；将所述运动特征输入训练好的自组织映射网络，通过所述训练好的自组织映射网络对所述运动特征进行分类，若所述运动特征在所述训练好的自组织映射网络中对应的最小量化距离在设定阈值内，确定所述前景目标发生异常行为；若所述运动特征在所述训练好的自组织映射网络中对应的最小量化距离不在设定阈值内，确定所述前景目标未发生异常行为。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括训练模块，用于训练所述自组织映射网络，具体用于将训练样本输入所述自组织映射网络中，对所述自组织映射网络进行训练，获得可以对所述运动特征进行分类的自组织映射网络，所述训练样本包括多个样本运动特征。
8.根据权利要求6所述的装置，其特征在于，所述装置还包括测试模块，用于测试训练好的自组织映射网络，具体用于将测试样本输入训练好的自组织映射网络中，根据所述训练好的自组织映射网络的输出结果判断所述训练好的自组织映射网络的有效性，所述测试样本包括多个预先标记好类别的样本运动特征。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-5任一项所述方法的步骤。
10.一种电子设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现权利要求1-5任一项所述方法的步骤。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910747394X | 2019-08-13 | ||
| CN201910747394 | 2019-08-13 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110942028A CN110942028A (zh) | 2020-03-31 |
| CN110942028B true CN110942028B (zh) | 2023-01-03 |
Family
ID=69908933
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911176934.XA Active CN110942028B (zh) | 2019-08-13 | 2019-11-26 | 异常行为检测方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110942028B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112381066B (zh) * | 2020-12-10 | 2023-04-18 | 杭州西奥电梯有限公司 | 乘梯异常行为识别方法、监测系统、计算机设备和存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101344966A (zh) * | 2008-08-18 | 2009-01-14 | 浙江大学 | 一种智能视觉监控中检测异常目标行为的方法 |
| CN105300528A (zh) * | 2015-10-12 | 2016-02-03 | 国家电网公司 | 变电站设备红外图像诊断方法及系统 |
| CN105975749A (zh) * | 2016-04-28 | 2016-09-28 | 上海交通大学 | 一种轴承健康评估与预测的方法及系统 |
| CN106006266A (zh) * | 2016-06-28 | 2016-10-12 | 西安特种设备检验检测院 | 一种应用于电梯安全监控的机器视觉建立方法 |
| CN106241534A (zh) * | 2016-06-28 | 2016-12-21 | 西安特种设备检验检测院 | 多人乘梯异常活动智能监控方法 |
| CN108133188A (zh) * | 2017-12-22 | 2018-06-08 | 武汉理工大学 | 一种基于运动历史图像与卷积神经网络的行为识别方法 |
| CN108178037A (zh) * | 2017-12-30 | 2018-06-19 | 武汉大学 | 一种基于卷积神经网络的电梯故障识别方法 |
| CN109292567A (zh) * | 2018-02-28 | 2019-02-01 | 武汉大学 | 一种基于bp神经网络的电梯故障预测方法 |
| CN109867186A (zh) * | 2019-03-18 | 2019-06-11 | 浙江新再灵科技股份有限公司 | 一种基于智能视频分析技术的电梯困人检测方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107662872B (zh) * | 2016-07-29 | 2021-03-12 | 奥的斯电梯公司 | 乘客运输机的监测系统及其监测方法 |
-
2019
- 2019-11-26 CN CN201911176934.XA patent/CN110942028B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101344966A (zh) * | 2008-08-18 | 2009-01-14 | 浙江大学 | 一种智能视觉监控中检测异常目标行为的方法 |
| CN105300528A (zh) * | 2015-10-12 | 2016-02-03 | 国家电网公司 | 变电站设备红外图像诊断方法及系统 |
| CN105975749A (zh) * | 2016-04-28 | 2016-09-28 | 上海交通大学 | 一种轴承健康评估与预测的方法及系统 |
| CN106006266A (zh) * | 2016-06-28 | 2016-10-12 | 西安特种设备检验检测院 | 一种应用于电梯安全监控的机器视觉建立方法 |
| CN106241534A (zh) * | 2016-06-28 | 2016-12-21 | 西安特种设备检验检测院 | 多人乘梯异常活动智能监控方法 |
| CN108133188A (zh) * | 2017-12-22 | 2018-06-08 | 武汉理工大学 | 一种基于运动历史图像与卷积神经网络的行为识别方法 |
| CN108178037A (zh) * | 2017-12-30 | 2018-06-19 | 武汉大学 | 一种基于卷积神经网络的电梯故障识别方法 |
| CN109292567A (zh) * | 2018-02-28 | 2019-02-01 | 武汉大学 | 一种基于bp神经网络的电梯故障预测方法 |
| CN109867186A (zh) * | 2019-03-18 | 2019-06-11 | 浙江新再灵科技股份有限公司 | 一种基于智能视频分析技术的电梯困人检测方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| "Detecting Motion Patterns in Dynamic Crowd Scenes";Chongjing Wang等;《2011 Sixth International Conference on Image and Graphics》;20110829;全文 * |
| "Independent Viewpoint Silhouette-based Human Action Modelling and Recognition";Carlos Orrite等;《The 1st International Workshop on Machine Learning for Vision-based Motion Analysis-MLVMA’08》;20100604;全文 * |
| "基于视频分析的电梯轿厢内异常行为检测研究";靳海燕;《中国优秀硕士学位论文全文数据库 信息科技辑》;20130315;全文 * |
| "基于计算机视觉的人体动作识别技术研究";李拟珺;《中国博士学位论文全文数据库 信息科技辑》;20160815;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110942028A (zh) | 2020-03-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108229489B (zh) | 关键点预测、网络训练、图像处理方法、装置及电子设备 | |
| CN108229673B (zh) | 卷积神经网络的处理方法、装置和电子设备 | |
| CN113837596B (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
| CN108229522A (zh) | 神经网络的训练方法、属性检测方法、装置及电子设备 | |
| CN113947571A (zh) | 车辆损伤检测模型的训练方法及车辆损伤识别方法 | |
| CN113177497B (zh) | 视觉模型的训练方法、车辆识别方法及装置 | |
| CN112206541B (zh) | 游戏外挂识别方法、装置、存储介质及计算机设备 | |
| CN110942028B (zh) | 异常行为检测方法、装置及电子设备 | |
| CN111815576B (zh) | 金属部件腐蚀状况检测方法、装置、设备和存储介质 | |
| US20230245429A1 (en) | Method and apparatus for training lane line detection model, electronic device and storage medium | |
| CN113743543B (zh) | 一种图像分类训练方法、装置、服务器及存储介质 | |
| CN115147353A (zh) | 缺陷检测模型的训练方法、装置、设备、介质及程序产品 | |
| CN114037052A (zh) | 检测模型的训练方法、装置、电子设备及存储介质 | |
| CN113919432A (zh) | 一种分类模型构建方法、数据分类方法及装置 | |
| CN112607542A (zh) | 电梯控制方法、装置、计算机设备和存储介质 | |
| CN116758373A (zh) | 深度学习模型的训练方法、图像处理方法、装置和设备 | |
| CN114155589B (zh) | 一种图像处理方法、装置、设备以及存储介质 | |
| CN114140751B (zh) | 一种考场监控方法及系统 | |
| CN112567343A (zh) | 电子设备及其控制方法 | |
| CN113269433B (zh) | 税收风险预测方法、设备、介质及计算机程序产品 | |
| CN112149698A (zh) | 一种困难样本数据的筛选方法及装置 | |
| CN114445711A (zh) | 图像检测方法、装置、电子设备和存储介质 | |
| CN113627284A (zh) | 基于改进CenterNet的实时火焰检测方法及检测装置 | |
| CN113177077B (zh) | 用于自动驾驶的异常事件确定方法、装置及电子设备 | |
| CN113963322B (zh) | 一种检测模型训练方法、装置及电子设备 |
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 | ||
| CB02 | Change of applicant information |
Address after: Room 303-309, No.3, Pazhou Avenue East Road, Haizhu District, Guangzhou City, Guangdong Province 510000 Applicant after: Shugen Internet Co.,Ltd. Applicant after: SHANGHAI ROOTCLOUD TECHNOLOGY Co.,Ltd. Applicant after: JIANSU ROOTCLOUD TECHNOLOGY Co.,Ltd. Applicant after: GUANGZHOU ROOTCLOUD TECHNOLOGY Co.,Ltd. Applicant after: BEIJING ROOTCLOUD TECHNOLOGY Co.,Ltd. Applicant after: CHANGSHA ROOTCLOUD TECHNOLOGY Co.,Ltd. Address before: 510000 Unit 12-30, Floor 4, West Port, Guangzhou International Media Port Office Building, 218 and 220 Yuanjiangxi Road, Haizhu District, Guangzhou City, Guangdong Province (Office only) Applicant before: IROOTECH TECHNOLOGY Co.,Ltd. Applicant before: SHANGHAI ROOTCLOUD TECHNOLOGY Co.,Ltd. Applicant before: JIANSU ROOTCLOUD TECHNOLOGY Co.,Ltd. Applicant before: GUANGZHOU ROOTCLOUD TECHNOLOGY Co.,Ltd. Applicant before: BEIJING ROOTCLOUD TECHNOLOGY Co.,Ltd. Applicant before: CHANGSHA ROOTCLOUD TECHNOLOGY Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210513 Address after: Room 303-309, 3 Pazhou Avenue East Road, Haizhu District, Guangzhou, Guangdong 510000 Applicant after: Shugen Internet Co.,Ltd. Applicant after: SHANGHAI ROOTCLOUD TECHNOLOGY Co.,Ltd. Applicant after: JIANSU ROOTCLOUD TECHNOLOGY Co.,Ltd. Applicant after: BEIJING ROOTCLOUD TECHNOLOGY Co.,Ltd. Applicant after: CHANGSHA ROOTCLOUD TECHNOLOGY Co.,Ltd. Address before: Room 303-309, 3 Pazhou Avenue East Road, Haizhu District, Guangzhou, Guangdong 510000 Applicant before: Shugen Internet Co.,Ltd. Applicant before: SHANGHAI ROOTCLOUD TECHNOLOGY Co.,Ltd. Applicant before: JIANSU ROOTCLOUD TECHNOLOGY Co.,Ltd. Applicant before: GUANGZHOU ROOTCLOUD TECHNOLOGY Co.,Ltd. Applicant before: BEIJING ROOTCLOUD TECHNOLOGY Co.,Ltd. Applicant before: CHANGSHA ROOTCLOUD TECHNOLOGY Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |