CN111126257A - 行为检测方法及装置 - Google Patents
行为检测方法及装置 Download PDFInfo
- Publication number
- CN111126257A CN111126257A CN201911337432.0A CN201911337432A CN111126257A CN 111126257 A CN111126257 A CN 111126257A CN 201911337432 A CN201911337432 A CN 201911337432A CN 111126257 A CN111126257 A CN 111126257A
- Authority
- CN
- China
- Prior art keywords
- key point
- target object
- determining
- plane
- distance
- 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.)
- Granted
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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Social Psychology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Alarm Systems (AREA)
Abstract
本公开提供了一种行为检测方法及装置,本公开从包括目标对象的监控图像中提取目标对象的关键点,并基于提取的关键点在监控区域中位置信息检测目标对象是否存在预设行为,能够克服由于目标对象相互遮挡或其他物体的投影干扰造成的误检测,提高了行为检测的精度。并且,上述行为检测方法或装置能够结合发生预设行为的目标对象的图像实现对发生预设行为的目标对象的锁定。另外,本公开是基于监控图像中的有限的关键点进行行为检测,相比于直接利用图像信息进行行为检测,计算量得到有效降低,提高了行为检测的效率。
Description
技术领域
本公开涉及计算机视觉技术领域,具体而言,涉及一种行为检测方法及装置。
背景技术
随着人工智能技术的不断发展,给人们的日常生活带来了越来越多的便利,例如人工检票被逐渐替代,取而代之的是,乘客刷卡之后,闸机自动放行乘客。该方式能够有效提高乘客的通行效率,并且节省了大量的人力资源。再例如,利用图像识别技术进行尾随检测,能够检测出恶意的尾随行为,从而能够有效提高行人的人身安全。
发明内容
有鉴于此,本公开至少提供一种行为检测方法及装置。
第一方面,本公开提供了一种行为检测方法,包括:
获取监控区域内的监控图像;所述监控图像中包括至少一个通过监控区域的目标对象;
从所述监控图像中提取每个所述目标对象的关键点;
确定所述关键点在所述监控区域内的位置信息;
基于每个目标对象对应的关键点在所述监控区域内的位置信息,确定每个所述目标对象是否存在预设行为。
上述行为检测方法从包括目标对象的监控图像中提取目标对象的关键点,并基于提取的关键点在监控区域中的位置信息检测目标对象是否存在预设行为,例如逃票行为、尾随行为等,能够克服由于目标对象相互遮挡或其他物体的投影干扰造成的误检测,提高了行为检测的精度。并且,上述行为检测方法能够结合发生逃票等预设行为的目标对象的图像实现了对发生预设行为的目标对象的锁定,从而提高了人工智能应用场景中的安全性。另外,本公开是基于图像中的有限的关键点进行行为检测,相比于直接利用图像信息进行行为检测,计算量得到有效降低,提高了检测的效率。
在一种可能的实施方式中,所述
确定所述关键点在所述监控区域内的位置信息,包括:
确定所述监控区域所在的第一平面;
确定所述关键点所在的第二平面;
基于所述第一平面与所述第二平面之间的变换关系信息、以及所述监控区域在所述第一平面中的坐标信息,确定所述关键点在所述监控区域内的位置信息。
利用第一平面与第二平面之间的变换关系信息,能够将关键点所在的第二平面映射到监控区域所在的第一平面,或将监控区域所在的第一平面映射到关键点所在的第二平面,之后利用位于同一平面上的监控区域的坐标信息和关键点的坐标信息,能够准确的确定关键点在所述监控区域中的位置信息,进而有利于提高基于关键点在所述监控区域中的位置信息检测得到的目标对象是否存在预设行为的准确度。
在一种可能的实施方式中,所述基于所述第一平面与所述第二平面之间的变换关系信息、以及所述监控区域在所述第一平面中的坐标信息,确定所述关键点在所述监控区域内的位置信息,包括:
基于所述第一平面与所述第二平面之间的变换关系信息、所述监控区域在第一平面中的坐标信息,确定所述监控区域在所述第二平面中的坐标信息;
基于所述关键点在所述第二平面中的坐标信息和所述监控区域在所述第二平面中的坐标信息,确定所述关键点在所述监控区域内的位置信息。
结合第一平面与所述第二平面之间的变换关系信息,将监控区域映射到第二平面上,即确定监控区域在第二平面中的坐标信息,最后结合关键点在所述第二平面中的坐标信息,能够准确的确定关键点在所述监控区域中的位置信息。
在一种可能的实施方式中,所述基于所述第一平面与所述第二平面之间的变换关系信息、以及所述监控区域在所述第一平面中的坐标信息,确定所述关键点在所述监控区域内的位置信息,包括:
基于所述第一平面与所述第二平面之间的变换关系信息、所述关键点在所述第二平面中的坐标信息,确定所述关键点在所述第一平面中的坐标信息;
基于所述关键点在所述第一平面中的坐标信息和所述监控区域在第一平面中的坐标信息,确定所述关键点在所述监控区域内的位置信息。
基于第一平面与第二平面之间的变换关系信息、关键点在第二平面中的坐标信息,能够将关键点映射到第一平面上,即关键点在所述第一平面中的坐标信息,最后结合监控区域在第一平面中的坐标信息,能够准确的确定关键点在所述监控区域中的位置信息。
在一种可能的实施方式中,所述从所述监控图像中提取每个所述目标对象的关键点,包括:
针对每个目标对象,提取该目标对象的多个关键点集合;其中,每个关键点集合包括该目标对象的各个预设的部位的关键点;
确定每个关键点集合的置信度;
基于置信度最高的关键点集合与其他关键点集合之间的姿态相似度,确定每个所述目标对象的关键点。
基于置信度和关键点集合之间的姿态相似度,能够为每个目标对象筛选得到准确度最高的关键点。
在一种可能的实施方式中,所述基于置信度最高的关键点集合与其他关键点集合之间的姿态相似度,确定每个所述目标对象的关键点,包括:
将所述置信度最高的关键点集合中目标部位的关键点作为其中一个目标对象的关键点;
将所述置信度最高的关键点集合,以及,与所述置信度最高的关键点集合的姿态相似度大于预设阈值的关键点集合剔除;
基于剩余关键点集合中置信度最高的关键点集合,与剩余关键点集合中其他关键点集合之间的姿态相似度,确定其他目标对象的关键点。
上述实施例利用每个目标对象的置信度最高的关键点集合来确定每个目标对象的关键点,并在确定某个目标对象的关键点之后,剔除该目标对象的所有的关键点集合,以筛选筛选下一个目标对象的关键点,提高了确定的关键点的准确度,从而有利于提高目标对象的行为检测的准确度。
在一种可能的实施方式中,所述从所述监控图像中提取每个所述目标对象的关键点,包括:
针对每个目标对象,提取该目标对象的目标部位的轮廓;
确定所述轮廓的中心点;
将确定的所述中心点作为该目标对象的关键点。
在获取到目标对象的轮廓信息之后,基于获取的信息确定中心点,并将中心点作为目标对象的关键点来检测目标对象是否存在预设行为,能够有效降低行为检测中需要处理的数据量,有利于提高行为检测的效率。
在一种可能的实施方式中,所述基于每个目标对象对应的关键点在所述监控区域内的位置信息,确定每个所述目标对象是否存在预设行为,包括:
针对每个目标对象,基于该目标对象对应的关键点在所述监控区域内的位置信息,确定该目标对象与监控区域的入口的第一距离,以及该目标对象与监控区域的出口的第二距离;
若所述第一距离或所述第二距离小于第一预设距离阈值,则,确定该目标对象不存在预设行为。
在目标对象与监控区域的入口或出口的距离小于预设第一距离阈值时,认定目标对象在监控区域的入口实施预设操作,例如在闸机通道的入口进行刷卡或在监控区域的出口位置停留,此时目标对象不存在预设行为。
在一种可能的实施方式中,所述基于每个目标对象对应的关键点在所述监控区域内的位置信息,确定每个所述目标对象是否存在预设行为,包括:
若所述目标对象为多个,针对任意相邻的两个目标对象,则基于每个目标对象对应的关键点在所述监控区域内的位置信息,确定该相邻的两个目标对象之间的第三距离;
确定所述第三距离在预设方向上的距离分量;所述预设方向与所述监控区域的入口连线的垂线相平行;
若所述距离分量大于第二预设距离阈值,则,确定该相邻的两个目标对象均不存在所述预设行为。
在闸机通道中的两个目标对象之间的距离比较大时,认定一个目标对象刚进入监控区域,另一个目标对象马上走出监控区域,两个目标对象均不存在逃票、尾随等预设行为。
在一种可能的实施方式中,所述基于每个目标对象对应的关键点在所述监控区域内的位置信息,确定每个所述目标对象是否存在预设行为,包括:
若所述目标对象为多个,针对任意相邻的两个目标对象,则基于每个目标对象对应的关键点在所述监控区域内的位置信息,确定每个所述目标对象与监控区域的入口的第四距离、每个所述目标对象与监控区域的出口的第五距离、以及该相邻的两个目标对象之间的第六距离;
若所述第四距离和所述第五距离均大于第三预设距离阈值,并且所述第六距离在预设方向上的距离分量小于第四预设距离阈值,则,确定该相邻的两个目标对象均存在所述预设行为;其中,所述预设方向与所述监控区域的入口连线的垂线相平行。
在监控区域内同时存在多个目标对象,并且相邻两个目标对象之间的距离较小时,确定该相邻的两个目标对象均存在逃票、尾随等预设行为。
第二方面,本公开提供了一种行为检测装置,包括:
图像获取模块,用于获取监控区域内的监控图像;所述监控图像中包括至少一个通过监控区域的目标对象;
关键点提取模块,用于从所述监控图像中提取每个所述目标对象的关键点;
位置确定模块,用确定所述关键点在所述监控区域内的位置信息;
信息处理模块,用于基于每个目标对象对应的关键点在所述监控区域内的位置信息,确定每个所述目标对象是否存在预设行为。
在一种可能的实施方式中,所述位置确定模块具体用于:
确定所述监控区域所在的第一平面;
确定所述关键点所在的第二平面;
基于所述第一平面与所述第二平面之间的变换关系信息、以及所述监控区域在所述第一平面中的坐标信息,确定所述关键点在所述监控区域内的位置信息。
在一种可能的实施方式中,所述位置确定模块在基于所述第一平面与所述第二平面之间的变换关系信息、以及所述监控区域在所述第一平面中的坐标信息,确定所述关键点在所述监控区域内的位置信息时,具体用于:
基于所述第一平面与所述第二平面之间的变换关系信息、所述监控区域在第一平面中的坐标信息,确定所述监控区域在所述第二平面中的坐标信息;
基于所述关键点在所述第二平面中的坐标信息和所述监控区域在所述第二平面中的坐标信息,确定所述关键点在所述监控区域内的位置信息。
在一种可能的实施方式中,所述关键点提取模块具体用于:
针对每个目标对象,提取该目标对象的多个关键点集合;其中,每个关键点集合包括该目标对象的各个预设的部位的关键点;
确定每个关键点集合的置信度;
基于置信度最高的关键点集合与其他关键点集合之间的姿态相似度,确定每个所述目标对象的关键点。
在一种可能的实施方式中,所述关键点提取模块在基于置信度最高的关键点集合与其他关键点集合之间的姿态相似度,确定每个所述目标对象的关键点时,具体用于:
将所述置信度最高的关键点集合中目标部位的关键点作为其中一个目标对象的关键点;
将所述置信度最高的关键点集合,以及,与所述置信度最高的关键点集合的姿态相似度大于预设阈值的关键点集合剔除;
基于剩余关键点集合中置信度最高的关键点集合,与剩余关键点集合中其他关键点集合之间的姿态相似度,确定其他目标对象的关键点。
在一种可能的实施方式中,所述信息处理模块具体用于:
针对每个目标对象,基于该目标对象对应的关键点在所述监控区域内的位置信息,确定该目标对象与监控区域的入口的第一距离,以及该目标对象与监控区域的出口的第二距离;
若所述第一距离或所述第二距离小于第一预设距离阈值,则,确定该目标对象不存在预设行为。
在一种可能的实施方式中,所述信息处理模块具体用于:
若所述目标对象为多个,针对任意相邻的两个目标对象,则基于每个目标对象对应的关键点在所述监控区域内的位置信息,确定该相邻的两个目标对象之间的第三距离;
确定所述第三距离在预设方向上的距离分量;所述预设方向与所述监控区域的入口连线的垂线相平行;
若所述距离分量大于第二预设距离阈值,则,确定该相邻的两个目标对象均不存在所述预设行为。
在一种可能的实施方式中,所述信息处理模块具体用于:
若所述目标对象为多个,针对任意相邻的两个目标对象,则基于每个目标对象对应的关键点在所述监控区域内的位置信息,确定每个所述目标对象与监控区域的入口的第四距离、每个所述目标对象与监控区域的出口的第五距离、以及该相邻的两个目标对象之间的第六距离;
若所述第四距离和所述第五距离均大于第三预设距离阈值,并且所述第六距离在预设方向上的距离分量小于第四预设距离阈值,则,确定该相邻的两个目标对象均存在所述预设行为;其中,所述预设方向与所述监控区域的入口连线的垂线相平行。
第三方面,本公开提供了一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如上述行为检测方法的步骤。
第四方面,本公开还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如上述行为检测方法的步骤。
本公开上述装置、电子设备、和计算机可读存储介质,至少包含与本公开上述方法的任一方面或任一方面的任一实施方式的技术特征实质相同或相似的技术特征,因此关于上述装置、电子设备、和计算机可读存储介质的效果描述,可以参见上述方法内容的效果描述,这里不再赘述。
附图说明
为了更清楚地说明本公开实施例的技术方案,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公开的某些实施例,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示出了本公开实施例提供的一种行为检测方法的流程图;
图2示出了本公开实施例提供的另一种行为检测方法中确定关键点在监控区域中的位置信息的流程图;
图3A、3B、3C示出了本公开实施例提供的再一种行为检测方法中将监控区域映射到第二平面上的示意图;
图4A、4B、4C示出了本公开实施例提供的再一种行为检测方法中基于关键点在监控区域中的位置信息确定对应的目标对象是否存在预设行为的示意图;
图5示出了本公开实施例提供的一种行为检测的装置的结构示意图;
图6示出了本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,应当理解,本公开中附图仅起到说明和描述的目的,并不用于限定本公开的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本公开中使用的流程图示出了根据本公开的一些实施例实现的操作。应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本公开内容的指引下,可以向流程图添加一个或多个其他操作,也可以从流程图中移除一个或多个操作。
另外,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本公开实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本公开的实施例的详细描述并非旨在限制要求保护的本公开的范围,而是仅仅表示本公开的选定实施例。基于本公开的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本公开保护的范围。
为了使得本领域技术人员能够使用本公开内容,结合特定应用场景“地铁刷卡进站中乘客的尾随逃票的检测”,给出以下实施方式。对于本领域技术人员来说,在不脱离本公开的精神和范围的情况下,可以将这里定义的一般原理应用于其他需要进行尾随、逃票等预设行为检测的实施例和应用场景。虽然本公开主要围绕地铁刷卡进站中乘客的尾随逃票的检测进行描述,但是应该理解,这仅是一个示例性实施例。
需要说明的是,本公开实施例中将会用到术语“包括”,用于指出其后所声明的特征的存在,但并不排除增加其它的特征。
针对如何检测目标对象是否具有预设行为,例如检测乘客在通过自助检票的闸机通道时,是否存在逃票行为,本公开提供了一种行为检测方法及装置,该方法及装置基于从监控图像中提取的目标对象的关键点检测目标对象是否存在逃票、尾随等预设行为,能够克服由于目标对象之间相互遮挡或其他物体的投影干扰造成的误检测,提高了行为检测的精度。并且,上述行为检测方法能够结合发生预设行为的目标对象的图像实现精确锁定发生预设行为的目标对象。
如图1所示,本公开实施例提供了一种行为检测方法,该方法应用于检测目标对象在通过监控区域的时候是否存在逃票、尾随等预设行为的终端设备,具体的,可以包括如下步骤:
S110、获取监控区域内的监控图像;所述监控图像中包括至少一个通过监控区域的目标对象。
这里,在监测地铁进展过程中的逃票行为的应用场景中,监控区域可以是闸机通道,目标对象为地铁站中的各个乘客。
可以利用安装在监控区域上方的摄像头拍摄闸机通道等监控区域周边的图像,拍摄的监控图像中包括尚未进入监控区域内的目标对象、在监控区域中行走的目标对象和已经走出监控区域的目标对象。应当说明的是,本公开的行为检测方法只能对处于监控区域内的目标对象进行逃票、尾随等预设行为的检测,对于尚未进入监控区域以及已经走出监控区域的目标对象是否存在预设行为,不作具体限定。因此本公开中进行行为检测的目标对象均是指监控区域内的目标对象。
在摄像头拍摄到监控区域周边的监控图像之后,会将拍摄到的监控图像传送给进行行为检测的终端设备,以使该终端设备对监控区域中的每个目标对象进行预设行为的检测。
S120、从所述监控图像中提取每个所述目标对象的关键点。
这里的关键点可以是目标对象的头部区域的关键点,也可以是目标对象的肩部区域的关键点或目标对象的腿部区域的关键点,也可以是上述至少一个区域的关键点集合,本公开对此不进行限定。
为了避免目标对象之间相互遮挡或其他物体的遮挡造成的检测精度受到影响的缺陷,可以选用目标对象的头部区域的关键点。
本步骤中在提取目标对象的关键点时,可以提取目标对象的某一预设区域的一个关键点,也可以提取目标对象的某一预设区域的轮廓。但是确定关键点在所述监控区域内的位置信息时,确定的是一个关键点在监控区域内的位置信息,因此,在提取到轮廓之后,可以进一步确定提取的轮廓的中心点,并将确定的中心点作为用于判定目标对象是否存在预设行为的关键点。
利用确定的一个关键点来检测目标对象是否存在预设行为,能够有效降低行为检测中需要处理的数据量,有利于提高行为检测的效率。
S130、确定所述关键点在所述监控区域内的位置信息。
在确定上述位置信息时,可以将关键点映射到监控区域所在的平面,或者将监控区域映射到关键点所在的平面,之后,基于位于同一个平面上的关键点的坐标信息和监控区域的坐标信息,确定关键点在监控区域内的位置信息。
S140、基于每个目标对象对应的关键点在所述监控区域内的位置信息,确定每个所述目标对象是否存在预设行为。
这里,基于目标对象对应的关键点在监控区域内的位置信息,确定每个目标对象与监控区域的入口或出口的距离,以及确定任意相邻两个目标对象之间的距离。之后,根据确定的上述距离,确定对应的目标对象是否存在预设行为。具体地,若基于目标对象对应的关键点在监控区域内的位置信息,确定该目标对象与所述监控区域的入口或出口的距离小于某一设定的距离阈值,此时,表示该目标对象刚刚进入监控区域,或在监控区域的出口处停留,此时认为该目标对象不存在逃票行为。若基于目标对象对应的关键点在监控区域内的位置信息,确定两个相邻的目标对象之间的距离大于某一设定的距离阈值,此时,表示该两个目标对象之间的距离较远,该两个目标对象均不存在逃票或者尾随的行为。
上述实施例从包括目标对象的监控图像中提取目标对象的关键点,并基于提取的关键点检测目标对象是否存在逃票、尾随等预设行为,能够克服由于目标对象相互遮挡或其他物体的投影干扰造成的误检测,提高了行为检测的精度。并且,上述行为检测方法能够结合拍摄的包括目标对象的图像实现对发生预设行为的目标对象的锁定。另外,本公开是基于图像中的有限的关键点进行预设行为检测,相比于直接利用图像信息进行预设行为检测,计算量得到有效降低,提高了行为检测的效率。
在一些实施例中,如图2所示,上述确定所述关键点在所述监控区域内的位置信息,可以利用如下步骤实现:
S210、确定所述监控区域所在的第一平面;
在具体实施时,可以通过在监控区域的预设位置设置标志物的方式来确定监控区域所在的第一平面。例如,在监控区域为闸机通道时,预先在闸机通道上设置多个等高的标志物,利用标志物确定闸机通道所在的第一平面和闸机通道在第一平面上的坐标信息。如图3B所示,基于每个闸机通道上设置的多个标志物能够分别确定各个闸机通道31在第一平面上的坐标。
S220、确定所述关键点所在的第二平面。
这里,以闸机通道为例,如图3A所示,在对目标对象进行行为检测之前,需要预先在位于两侧的闸机通道的通道入口的外侧和通道出口的外侧,分别设置一个标志物32,并且设置的四个标志物需要等高设置。标志物的具体高度与关键点所属的乘客的预设区域相对应。例如,若关键点为乘客头部区域的关键点,则,这里设置的标志物的高度可以为乘客的身高的平均值,比如,将标志物的高度设置为1.65米。上述4个标志物用于确定第二平面。
由于并不是提取的所有乘客的关键点都位于第二平面上,因此在提取到乘客的关键点之后,需要将关键点映射到第二平面上,以确定关键点在第二平面中的坐标信息。
S230、基于所述第一平面与所述第二平面之间的变换关系信息、以及所述监控区域在所述第一平面中的坐标信息,确定所述关键点在所述监控区域内的位置信息。
由于第一平面和第二平面没有在同一个高度,即关键点所在的平面和监控区域所在的平面不在同一个高度,因此需要将监控区域映射到关键点所在的平面或将关键点映射到监控区域所在的平面,以确定关键点在所述监控区域中的位置信息。
在具体实施时,第一平面和第二平面可以通过一个变换矩阵,即上述变换关系信息实现平面之间的映射,即实现将监控区域映射到关键点所在的平面上或将关键点映射到监控区域所在的平面上。
利用第一平面与第二平面之间的变换关系信息,能够将关键点映射到监控区域所在的第一平面,或将监控区域映射到关键点所在的第二平面,之后利用位于同一平面上的监控区域的坐标信息和关键点的坐标信息,能够准确的确定关键点在所述监控区域内的位置信息,进而有利于提高目标对象是否存在预设行为的准确度。
应当说明的是,上述关键点所在的第二平面与监控区域所在的第一平面的高度不同,因此需要利用上述变换关系信息来进行映射,以确定关键点在监控区域内的位置信息。如果关键点所在的第二平面与监控区域所在的第一平面的高度相同,即如果关键点和监控区域位于同一个平面,则不要利用上述变换关系信息进行映射来确定关键点在监控区域内位置信息,直接利用关键点和监控区域在所在平面上的坐标即可确定关键点在监控区域中的位置信息。例如,在逃票检测的应用场景中,上述关键点为乘客的脚部区域的关键点,则可以在闸机通道的与地面的连接处设置标志物,并利用设置的标志物确定闸机通道在地面对应的平面上的坐标,此时,提取的关键点也位于地面对应的平面上,因此直接利用关键点在地面对应的平面上的坐标和闸机通道在地面对应的平面上的坐标,就能够确定关键点在闸机通道中的位置信息,而不必进行平面之间的映射变换。
在确定关键点在监控区域中的位置信息的过程中,既可以将关键点映射到第一平面上,也可以将监控区域映射到第二平面上,下面对这两种方式分别进行说明。
对于将监控区域映射到第二平面上的情况,可利用如下步骤确定关键点在所述监控区域内的位置信息:
基于所述第一平面与所述第二平面之间的变换关系信息、所述监控区域在第一平面中的坐标信息,确定所述监控区域在所述第二平面中的坐标信息;基于所述关键点在所述第二平面中的坐标信息和所述监控区域在所述第二平面中的坐标信息,确定所述关键点在所述监控区域内的位置信息。
如图3B、3C所示,利用多个标志物在所述第一平面中的坐标信息,能够确定闸机通道在所述第一平面中的坐标信息,即能够确定第一平面中的闸机通道31。之后,基于所述第一平面与所述第二平面之间的变换关系信息,能够将闸机通道在第一平面中的坐标信息转换为闸机通道在所述第二平面中的坐标信息,即能够确定第二平面中的闸机通道33。最后基于关键点在第二平面中的坐标信息和闸机通道在第二平面中的坐标信息,能够确定关键点在闸机通道中的位置信息。
结合第一平面与所述第二平面之间的变换关系信息,将监控区域映射到第二平面上,即确定监控区域在第二平面中的坐标信息,最后结合关键点在所述第二平面中的坐标信息,能够准确的确定关键点在所述监控区域中的位置信息,进而有利于提高行为检测的准确度。
对于将关键点映射到第一平面上的情况,可利用如下步骤确定关键点在所述监控区域内的位置信息:
基于所述第一平面与所述第二平面之间的变换关系信息、所述关键点在所述第二平面中的坐标信息,确定所述关键点在所述第一平面中的坐标信息;基于所述关键点在所述第一平面中的坐标信息和所述监控区域在第一平面中的坐标信息,确定所述关键点在所述监控区域内的位置信息。
基于第一平面与第二平面之间的变换关系信息、关键点在第二平面中的坐标信息,能够将关键点映射到第一平面上,即关键点在所述第一平面中的坐标信息,最后结合监控区域在第一平面中的坐标信息,能够准确的确定关键点在所述监控区域中的位置信息,进而有利于提高行为检测的准确度。
在一些实施例中,上述从所述监控图像中提取每个所述目标对象的关键点,具体可以利用如下步骤实现:
步骤一、针对每个目标对象,提取该目标对象的多个关键点集合;其中,每个关键点集合包括该目标对象的各个预设的部位的关键点。
这里,各个预设的部位可以包括目标对象的头部、肩部、脚部、腿部等。
步骤二、确定每个关键点集合的置信度。
在提取到每个预设的部位的关键点之后,可以确定各个关键点的置信度,之后将关键点集合中的各个关键点的置信度的和作为该关键点集合的置信度。
步骤三、基于置信度最高的关键点集合与其他关键点集合之间的姿态相似度,确定每个所述目标对象的关键点。
这里,在确定了每个关键点集合的置信度之后,可以筛选出置信度最高的关键点集合,并计算该关键点集合与其他关键点集合之间的姿态相似度。
在计算两个关键点集合的姿态相似度的时候,可以首先确定两个关键点集合中的对应部位的两个关键点的距离,之后,基于确定该两个关键点集合中的所有距离,以及每个关键点的置信度,确定两个关键点集合的姿态相似度。
这里,步骤三具体可以利用如下步骤确定每个目标对象的关键点:
子步骤一、将所述置信度最高的关键点集合中目标部位的关键点作为其中一个目标对象的关键点。
筛选出的置信度最高的关键点集合用来确定其中一个目标对象的关键点,具体地,是将该关键点集合中的目标部位,例如头部的关键点作为其中一个目标对象的关键点。
子步骤二、将所述置信度最高的关键点集合,以及,与所述置信度最高的关键点集合的姿态相似度大于预设阈值的关键点集合剔除。
在确定了其中一个目标对象的关键点之后,可以将该目标对象对应的所有关键点集合剔除。具体地,将姿态相似度大于预设阈值的关键点集合作为同一个目标对象的关键点集合,因此,这里将置信度最高的关键点集合,以及与所述置信度最高的关键点集合的姿态相似度大于预设阈值的关键点集合均剔除。剩余的关键点集合为其他目标对象的关键点集合。
子步骤三、基于剩余关键点集合中置信度最高的关键点集合,与剩余关键点集合中其他关键点集合之间的姿态相似度,确定其他目标对象的关键点。
在剩余的关键点集合中继续筛选置信度最高的关键点集合,并将该关键点集合中的目标部位的关键点作为另外一个目标对象的关键点。
之后,利用与子步骤二相同的方法,剔除当前目标对象的所有关键点集合,并重复子步骤三,利用剩余的关键点集合确定其他目标对象的关键点,直到确定完所有目标对象的关键点。
上述实施例利用每个目标对象的置信度最高的关键点集合来确定每个目标对象的关键点,能够为每个目标对象筛选得到准确度最高的关键点。并且在确定某个目标对象的关键点之后,剔除该目标对象的所有的关键点集合,以利于筛选下一个目标对象的关键点,避免了对其他目标对象关键点的确定造成不良影响。上述实施例有效提高了确定关键点的准确度,有利于提高对目标对象的行为检测的准确度。
在一种实施例中,所述基于每个目标对象对应的关键点在所述监控区域内的位置信息,确定每个所述目标对象是否存在预设行为,可以利用如下步骤实现:
针对每个目标对象,基于该目标对象对应的关键点在所述监控区域内的位置信息,确定该目标对象与监控区域的入口的第一距离,以及该目标对象与监控区域的出口的第二距离;若所述第一距离或所述第二距离小于第一预设距离阈值,则,确定该目标对象不存在预设行为。
上述预设第一距离阈值可以设置为监控区域在预设方向上的距离分量的5%~10%对应的长度。如图4A、4B所示,所述预设方向41与闸机通道的入口连线的垂线相平行。
如图4A所示,在乘客42与闸机通道的入口43或闸机通道的出口44的距离小于预设第一距离阈值时,认定乘客在刷卡或在闸机通道的出口位置停留,此时认定乘客不存在逃票行为。
上述实施例,利用第一预设距离阈值能够较为准确的筛选出正在进入监控区域或正在走出监控区域的目标对象,并判定该目标对象不存在预设行为,从而提高了行为检测的准确度。
在一些实施例中,上述基于每个目标对象对应的关键点在所述监控区域内的位置信息,确定每个所述目标对象是否存在预设行为,可以利用如下步骤实现:
若所述目标对象为多个,针对任意相邻的两个目标对象,则基于每个目标对象对应的关键点在所述监控区域内的位置信息,确定该相邻的两个目标对象之间的第三距离;确定所述第三距离在预设方向上的距离分量;所述预设方向与所述监控区域的入口连线的垂线相平行;若所述距离分量大于第二预设距离阈值,则,确定该相邻的两个目标对象均不存在所述预设行为。
上述预设第二距离阈值可以设置为监控区域在预设方向上的距离分量的90%~95%对应的长度。在上述距离分量大于第二预设距离阈值时,认为该相邻的两个目标对象均不存在所述逃票或尾随行为。
如图4B所示,在闸机通道中的两个乘客42之间的距离比较大时,认定一个乘客刚进入闸机通道,另一个乘客马上走出闸机通道,两个乘客均不存在逃票行为。
上述实施例,利用第二预设距离阈值能够较为准确的筛选出距离远的目标对象,并判定该目标对象不存在预设行为,从而提高了行为检测的准确度。
在监控区域内同时有两个以上的目标对象,并且不满足上述实施例的判定条件时,认定对应的目标对象存在预设行为。例如,如图4C所示,闸机通道内的两个乘客42与闸机通道的入口或闸机通道的出口的距离,均不小于预设第一距离阈值,并且两个乘客42之间的距离在预设方向上的距离分量不大于预设第二距离阈值,则,认定闸机通道内的两个乘客42均存在逃票行为。
该情况具体可以利用如下步骤实现:
步骤一、若所述目标对象为多个,针对任意相邻的两个目标对象,则基于每个目标对象对应的关键点在所述监控区域内的位置信息,确定每个所述目标对象与监控区域的入口的第四距离、每个所述目标对象与监控区域的出口的第五距离、以及该相邻的两个目标对象之间的第六距离。
步骤二、若所述第四距离和所述第五距离均大于第三预设距离阈值,并且所述第六距离在预设方向上的距离分量小于第四预设距离阈值,则,确定该相邻的两个目标对象均存在所述预设行为;其中,所述预设方向与所述监控区域的入口连线的垂线相平行。
上述实施例基于第三预设距离阈值和第四预设距离阈值能够较为准确的筛选出不存在预设行为的目标对象,提高了行为检测的准确度。
在确定了发生预设行为的目标对象之后,可以重新拍摄该目标对象的图像,或利用行为检测使用的图像对该目标对象进行锁定,以便进行后续的身份认证、加入黑名单等操作。
在一些实施例中,可以利用如下步骤提取目标对象的关键点集合:
首先使用行人检测算法将包括目标对象的监控图像中的目标对象检测出来,获取矩形单人检测框。之后,按矩形中心扩大检测框,将框中图像传入关键点检测网络中,获取目标对象的关键点集合。最后,使用非极大值抑制的方法消除冗余的关键点集合,进而得到监控图像中每个目标对象的关键点的位置。
在具体实施时,可以利用深度神经网络检测矩形单人检测框,例如采用YOLO V3、RetinaNet、Faster-RCNN或CornerNet等深度神经网络检测矩形单人检测框。在获取到矩形单人检测框之后,将矩形单人检测框的长宽分别扩大30%,之后将扩大后的矩形单人检测框传递给下一步的关键点检测网络,以提取目标对象的关键点集合。关键点检测网络可以采用Stacked Hourglass Networks等网络。
上述实施例利用多个神经网络能够有效提高提取的关键点集合的准确度。
在逃票检测的应用场景中,上述实施例中的行为检测方法不需要对闸机进行升级,不需要取得闸机检票系统的刷卡信息,就可以进行逃票检测。
对应于上述行为检测方法,本公开实施例还提供了一种行为检测装置,该装置应用于需要检测目标对象是否存在预设行为的终端设备上,并且该装置及其各个模块能够执行与上述行为方法相同的方法步骤,并且能够达到相同或相似的有益效果,因此对于重复的部分不再赘述。
如图5所示,本公开提供的行为检测装置,包括:
图像获取模块510,用于获取监控区域内的监控图像;所述监控图像中包括至少一个通过监控区域的目标对象。
关键点提取模块520,用于从所述监控图像中提取每个所述目标对象的关键点。
位置确定模块530,用确定所述关键点在所述监控区域内的位置信息;
信息处理模块540,用于基于每个目标对象对应的关键点在所述监控区域内的位置信息,确定每个所述目标对象是否存在预设行为。
上述实施例从包括目标对象的监控图像中提取目标对象的关键点,并基于提取的关键点检测目标对象是否存在逃票、尾随等预设行为,能够克服由于目标对象相互遮挡或其他物体的投影干扰造成的误检测,提高了行为检测的精度。并且,上述行为检测方法能够结合拍摄的包括目标对象的图像实现对发生预设行为的目标对象的锁定。另外,本公开是基于图像中的有限的关键点进行预设行为检测,相比于直接利用图像信息进行预设行为检测,计算量得到有效降低,提高了行为检测的效率。
在一些实施例中,所述位置确定模块530具体用于:
确定所述监控区域所在的第一平面;
确定所述关键点所在的第二平面;
基于所述第一平面与所述第二平面之间的变换关系信息、以及所述监控区域在所述第一平面中的坐标信息,确定所述关键点在所述监控区域内的位置信息。
利用第一平面与第二平面之间的变换关系信息,能够将关键点映射到监控区域所在的第一平面,或将监控区域映射到关键点所在的第二平面,之后利用位于同一平面上的监控区域的坐标信息和关键点的坐标信息,能够准确的确定关键点在所述监控区域内的位置信息,进而有利于提高目标对象是否存在预设行为的准确度。
在一些实施例中,所述位置确定模块530在基于所述第一平面与所述第二平面之间的变换关系信息、以及所述监控区域在所述第一平面中的坐标信息,确定所述关键点在所述监控区域内的位置信息时,具体用于:
基于所述第一平面与所述第二平面之间的变换关系信息、所述监控区域在第一平面中的坐标信息,确定所述监控区域在所述第二平面中的坐标信息;
基于所述关键点在所述第二平面中的坐标信息和所述监控区域在所述第二平面中的坐标信息,确定所述关键点在所述监控区域内的位置信息。
结合第一平面与所述第二平面之间的变换关系信息,将监控区域映射到第二平面上,即确定监控区域在第二平面中的坐标信息,最后结合关键点在所述第二平面中的坐标信息,能够准确的确定关键点在所述监控区域中的位置信息,进而有利于提高行为检测的准确度。
在一些实施例中,所述关键点提取模块520具体用于:
针对每个目标对象,提取该目标对象的多个关键点集合;其中,每个关键点集合包括该目标对象的各个预设的部位的关键点;
确定每个关键点集合的置信度;
基于置信度最高的关键点集合与其他关键点集合之间的姿态相似度,确定每个所述目标对象的关键点。
在一些实施例中,所述关键点提取模块520在基于置信度最高的关键点集合与其他关键点集合之间的姿态相似度,确定每个所述目标对象的关键点时,具体用于:
将所述置信度最高的关键点集合中目标部位的关键点作为其中一个目标对象的关键点;
将所述置信度最高的关键点集合,以及,与所述置信度最高的关键点集合的姿态相似度大于预设阈值的关键点集合剔除;
基于剩余关键点集合中置信度最高的关键点集合,与剩余关键点集合中其他关键点集合之间的姿态相似度,确定其他目标对象的关键点。
上述实施例利用每个目标对象的置信度最高的关键点集合来确定每个目标对象的关键点,能够为每个目标对象筛选得到准确度最高的关键点。并且在确定某个目标对象的关键点之后,剔除该目标对象的所有的关键点集合,以利于筛选下一个目标对象的关键点,避免了对其他目标对象关键点的确定造成不良影响。上述实施例有效提高了确定关键点的准确度,有利于提高对目标对象的行为检测的准确度。
在一些实施例中,所述信息处理模块540具体用于:
针对每个目标对象,基于该目标对象对应的关键点在所述监控区域内的位置信息,确定该目标对象与监控区域的入口的第一距离,以及该目标对象与监控区域的出口的第二距离;
若所述第一距离或所述第二距离小于第一预设距离阈值,则,确定该目标对象不存在预设行为。
上述实施例,利用第一预设距离阈值能够较为准确的筛选出正在进入监控区域或正在走出监控区域的目标对象,并判定该目标对象不存在预设行为,从而提高了行为检测的准确度。
在一些实施例中,所述信息处理模块540具体用于:
若所述目标对象为多个,针对任意相邻的两个目标对象,则基于每个目标对象对应的关键点在所述监控区域内的位置信息,确定该相邻的两个目标对象之间的第三距离;
确定所述第三距离在预设方向上的距离分量;所述预设方向与所述监控区域的入口连线的垂线相平行;
若所述距离分量大于第二预设距离阈值,则,确定该相邻的两个目标对象均不存在所述预设行为。
上述实施例,利用第二预设距离阈值能够较为准确的筛选出距离远的目标对象,并判定该目标对象不存在预设行为,从而提高了行为检测的准确度。
在一些实施例中,所述信息处理模块540具体用于:
若所述目标对象为多个,针对任意相邻的两个目标对象,则基于每个目标对象对应的关键点在所述监控区域内的位置信息,确定每个所述目标对象与监控区域的入口的第四距离、每个所述目标对象与监控区域的出口的第五距离、以及该相邻的两个目标对象之间的第六距离;
若所述第四距离和所述第五距离均大于第三预设距离阈值,并且所述第六距离在预设方向上的距离分量小于第四预设距离阈值,则,确定该相邻的两个目标对象均存在所述预设行为;其中,所述预设方向与所述监控区域的入口连线的垂线相平行。
上述实施例基于第三预设距离阈值和第四预设距离阈值能够较为准确的筛选出不存在预设行为的目标对象,提高了行为检测的准确度。
本公开实施例公开了一种电子设备,如图6所示,包括:处理器601、存储器602和总线603,所述存储器602存储有所述处理器601可执行的机器可读指令,当电子设备运行时,所述处理器601与所述存储器602之间通过总线603通信。
所述机器可读指令被所述处理器601执行时执行以下行为检测方法的步骤:
获取监控区域内的监控图像;所述监控图像中包括至少一个通过监控区域的目标对象;
从所述监控图像中提取每个所述目标对象的关键点;
确定所述关键点在所述监控区域内的位置信息;
基于每个目标对象对应的关键点在所述监控区域内的位置信息,确定每个所述目标对象是否存在预设行为。
除此之外,机器可读指令被处理器601执行时,还可以执行上述方法部分描述的任一实施方式中的方法内容,这里不再赘述。
本公开实施例还提供的一种对应于上述方法及装置的计算机程序产品,包括存储了程序代码的计算机可读存储介质,程序代码包括的指令可用于执行前面方法实施例中的方法,具体实现可参见方法实施例,在此不再赘述。
上文对各个实施例的描述倾向于强调各个实施例之间的不同之处,其相同或相似之处可以相互参考,为了简洁,本文不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考方法实施例中的对应过程,本公开中不再赘述。在本公开所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本公开各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本公开各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以权利要求的保护范围为准。
Claims (20)
1.一种行为检测方法,其特征在于,包括:
获取监控区域内的监控图像;所述监控图像中包括至少一个通过监控区域的目标对象;
从所述监控图像中提取每个所述目标对象的关键点;
确定所述关键点在所述监控区域内的位置信息;
基于每个目标对象对应的关键点在所述监控区域内的位置信息,确定每个所述目标对象是否存在预设行为。
2.根据权利要求1所述的行为检测方法,其特征在于,所述确定所述关键点在所述监控区域内的位置信息,包括:
确定所述监控区域所在的第一平面;
确定所述关键点所在的第二平面;
基于所述第一平面与所述第二平面之间的变换关系信息、以及所述监控区域在所述第一平面中的坐标信息,确定所述关键点在所述监控区域内的位置信息。
3.根据权利要求2所述的行为检测方法,其特征在于,所述基于所述第一平面与所述第二平面之间的变换关系信息、以及所述监控区域在所述第一平面中的坐标信息,确定所述关键点在所述监控区域内的位置信息,包括:
基于所述第一平面与所述第二平面之间的变换关系信息、所述监控区域在第一平面中的坐标信息,确定所述监控区域在所述第二平面中的坐标信息;
基于所述关键点在所述第二平面中的坐标信息和所述监控区域在所述第二平面中的坐标信息,确定所述关键点在所述监控区域内的位置信息。
4.根据权利要求2所述的行为检测方法,其特征在于,所述基于所述第一平面与所述第二平面之间的变换关系信息、以及所述监控区域在所述第一平面中的坐标信息,确定所述关键点在所述监控区域内的位置信息,包括:
基于所述第一平面与所述第二平面之间的变换关系信息、所述关键点在所述第二平面中的坐标信息,确定所述关键点在所述第一平面中的坐标信息;
基于所述关键点在所述第一平面中的坐标信息和所述监控区域在第一平面中的坐标信息,确定所述关键点在所述监控区域内的位置信息。
5.根据权利要求1至4任一项所述的行为检测方法,其特征在于,所述从所述监控图像中提取每个所述目标对象的关键点,包括:
针对每个目标对象,提取该目标对象的多个关键点集合;其中,每个关键点集合包括该目标对象的各个预设的部位的关键点;
确定每个关键点集合的置信度;
基于置信度最高的关键点集合与其他关键点集合之间的姿态相似度,确定每个所述目标对象的关键点。
6.根据权利要求5所述的行为检测方法,其特征在于,所述基于置信度最高的关键点集合与其他关键点集合之间的姿态相似度,确定每个所述目标对象的关键点,包括:
将所述置信度最高的关键点集合中目标部位的关键点作为其中一个目标对象的关键点;
将所述置信度最高的关键点集合,以及,与所述置信度最高的关键点集合的姿态相似度大于预设阈值的关键点集合剔除;
基于剩余关键点集合中置信度最高的关键点集合,与剩余关键点集合中其他关键点集合之间的姿态相似度,确定其他目标对象的关键点。
7.根据权利要求1至4任一项所述的行为检测方法,其特征在于,所述从所述监控图像中提取每个所述目标对象的关键点,包括:
针对每个目标对象,提取该目标对象的目标部位的轮廓;
确定所述轮廓的中心点;
将确定的所述中心点作为该目标对象的关键点。
8.根据权利要求1所述的行为检测方法,其特征在于,所述基于每个目标对象对应的关键点在所述监控区域内的位置信息,确定每个所述目标对象是否存在预设行为,包括:
针对每个目标对象,基于该目标对象对应的关键点在所述监控区域内的位置信息,确定该目标对象与监控区域的入口的第一距离,以及该目标对象与监控区域的出口的第二距离;
若所述第一距离或所述第二距离小于第一预设距离阈值,则,确定该目标对象不存在预设行为。
9.根据权利要求1所述的行为检测方法,其特征在于,所述基于每个目标对象对应的关键点在所述监控区域内的位置信息,确定每个所述目标对象是否存在预设行为,包括:
若所述目标对象为多个,针对任意相邻的两个目标对象,则基于每个目标对象对应的关键点在所述监控区域内的位置信息,确定该相邻的两个目标对象之间的第三距离;
确定所述第三距离在预设方向上的距离分量;所述预设方向与所述监控区域的入口连线的垂线相平行;
若所述距离分量大于第二预设距离阈值,则确定该相邻的两个目标对象均不存在所述预设行为。
10.根据权利要求1所述的行为检测方法,其特征在于,所述基于每个目标对象对应的关键点在所述监控区域内的位置信息,确定每个所述目标对象是否存在预设行为,包括:
若所述目标对象为多个,针对任意相邻的两个目标对象,则基于每个目标对象对应的关键点在所述监控区域内的位置信息,确定每个所述目标对象与监控区域的入口的第四距离、每个所述目标对象与监控区域的出口的第五距离、以及该相邻的两个目标对象之间的第六距离;
若所述第四距离和所述第五距离均大于第三预设距离阈值,并且所述第六距离在预设方向上的距离分量小于第四预设距离阈值,则,确定该相邻的两个目标对象均存在所述预设行为;其中,所述预设方向与所述监控区域的入口连线的垂线相平行。
11.一种行为检测装置,其特征在于,包括:
图像获取模块,用于获取监控区域内的监控图像;所述监控图像中包括至少一个通过监控区域的目标对象;
关键点提取模块,用于从所述监控图像中提取每个所述目标对象的关键点;
位置确定模块,用确定所述关键点在所述监控区域内的位置信息;
信息处理模块,用于基于每个目标对象对应的关键点在所述监控区域内的位置信息,确定每个所述目标对象是否存在预设行为。
12.根据权利要求11所述的行为检测装置,其特征在于,所述位置确定模块用于:
确定所述监控区域所在的第一平面;
确定所述关键点所在的第二平面;
基于所述第一平面与所述第二平面之间的变换关系信息、以及所述监控区域在所述第一平面中的坐标信息,确定所述关键点在所述监控区域内的位置信息。
13.根据权利要求12所述的行为检测装置,其特征在于,所述位置确定模块在基于所述第一平面与所述第二平面之间的变换关系信息、以及所述监控区域在所述第一平面中的坐标信息,确定所述关键点在所述监控区域内的位置信息时,用于:
基于所述第一平面与所述第二平面之间的变换关系信息、所述监控区域在第一平面中的坐标信息,确定所述监控区域在所述第二平面中的坐标信息;
基于所述关键点在所述第二平面中的坐标信息和所述监控区域在所述第二平面中的坐标信息,确定所述关键点在所述监控区域内的位置信息。
14.根据权利要求11至13任一项所述的行为检测装置,其特征在于,所述关键点提取模块用于:
针对每个目标对象,提取该目标对象的多个关键点集合;其中,每个关键点集合包括该目标对象的各个预设的部位的关键点;
确定每个关键点集合的置信度;
基于置信度最高的关键点集合与其他关键点集合之间的姿态相似度,确定每个所述目标对象的关键点。
15.根据权利要求14所述的行为检测装置,其特征在于,所述关键点提取模块在基于置信度最高的关键点集合与其他关键点集合之间的姿态相似度,确定每个所述目标对象的关键点时,用于:
将所述置信度最高的关键点集合中目标部位的关键点作为其中一个目标对象的关键点;
将所述置信度最高的关键点集合,以及,与所述置信度最高的关键点集合的姿态相似度大于预设阈值的关键点集合剔除;
基于剩余关键点集合中置信度最高的关键点集合,与剩余关键点集合中其他关键点集合之间的姿态相似度,确定其他目标对象的关键点。
16.根据权利要求11所述的行为检测装置,其特征在于,所述信息处理模块用于:
针对每个目标对象,基于该目标对象对应的关键点在所述监控区域内的位置信息,确定该目标对象与监控区域的入口的第一距离,以及该目标对象与监控区域的出口的第二距离;
若所述第一距离或所述第二距离小于第一预设距离阈值,则,确定该目标对象不存在预设行为。
17.根据权利要求11所述的行为检测装置,其特征在于,所述信息处理模块用于:
若所述目标对象为多个,针对任意相邻的两个目标对象,则基于每个目标对象对应的关键点在所述监控区域内的位置信息,确定该相邻的两个目标对象之间的第三距离;
确定所述第三距离在预设方向上的距离分量;所述预设方向与所述监控区域的入口连线的垂线相平行;
若所述距离分量大于第二预设距离阈值,则,确定该相邻的两个目标对象均不存在所述预设行为。
18.根据权利要求11所述的行为检测装置,其特征在于,所述信息处理模块用于:
若所述目标对象为多个,针对任意相邻的两个目标对象,则基于每个目标对象对应的关键点在所述监控区域内的位置信息,确定每个所述目标对象与监控区域的入口的第四距离、每个所述目标对象与监控区域的出口的第五距离、以及该相邻的两个目标对象之间的第六距离;
若所述第四距离和所述第五距离均大于第三预设距离阈值,并且所述第六距离在预设方向上的距离分量小于第四预设距离阈值,则,确定该相邻的两个目标对象均存在所述预设行为;其中,所述预设方向与所述监控区域的入口连线的垂线相平行。
19.一种电子设备,其特征在于,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行如权利要求1~10任一所述的行为检测方法。
20.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1~10任一所述的行为检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911337432.0A CN111126257B (zh) | 2019-12-23 | 2019-12-23 | 行为检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911337432.0A CN111126257B (zh) | 2019-12-23 | 2019-12-23 | 行为检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111126257A true CN111126257A (zh) | 2020-05-08 |
CN111126257B CN111126257B (zh) | 2023-08-11 |
Family
ID=70501244
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911337432.0A Active CN111126257B (zh) | 2019-12-23 | 2019-12-23 | 行为检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111126257B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112200828A (zh) * | 2020-09-03 | 2021-01-08 | 浙江大华技术股份有限公司 | 一种逃票行为的检测方法、装置及可读存储介质 |
CN112613382A (zh) * | 2020-12-17 | 2021-04-06 | 浙江大华技术股份有限公司 | 对象完整性的确定方法及装置、存储介质、电子装置 |
CN113159009A (zh) * | 2021-06-25 | 2021-07-23 | 华东交通大学 | 一种车站预防逃票的智能监控识别方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102747919A (zh) * | 2012-06-18 | 2012-10-24 | 浙江工业大学 | 基于全方位计算机视觉的人行自动门安全和节能控制装置 |
US20130164722A1 (en) * | 2010-08-31 | 2013-06-27 | The University Of Tokyo | Behavior analysis device |
CN109034124A (zh) * | 2018-08-30 | 2018-12-18 | 成都考拉悠然科技有限公司 | 一种智能监控方法及系统 |
CN110246241A (zh) * | 2018-09-27 | 2019-09-17 | 浙江大华技术股份有限公司 | 一种闸机控制方法及装置 |
CN110363703A (zh) * | 2019-07-17 | 2019-10-22 | 帷幄匠心科技(杭州)有限公司 | 基于深度摄像头的货架监控方法 |
CN110378179A (zh) * | 2018-05-02 | 2019-10-25 | 上海大学 | 基于红外热成像的地铁逃票行为检测方法及系统 |
CN110458895A (zh) * | 2019-07-31 | 2019-11-15 | 腾讯科技(深圳)有限公司 | 图像坐标系的转换方法、装置、设备及存储介质 |
-
2019
- 2019-12-23 CN CN201911337432.0A patent/CN111126257B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130164722A1 (en) * | 2010-08-31 | 2013-06-27 | The University Of Tokyo | Behavior analysis device |
CN102747919A (zh) * | 2012-06-18 | 2012-10-24 | 浙江工业大学 | 基于全方位计算机视觉的人行自动门安全和节能控制装置 |
CN110378179A (zh) * | 2018-05-02 | 2019-10-25 | 上海大学 | 基于红外热成像的地铁逃票行为检测方法及系统 |
CN109034124A (zh) * | 2018-08-30 | 2018-12-18 | 成都考拉悠然科技有限公司 | 一种智能监控方法及系统 |
CN110246241A (zh) * | 2018-09-27 | 2019-09-17 | 浙江大华技术股份有限公司 | 一种闸机控制方法及装置 |
CN110363703A (zh) * | 2019-07-17 | 2019-10-22 | 帷幄匠心科技(杭州)有限公司 | 基于深度摄像头的货架监控方法 |
CN110458895A (zh) * | 2019-07-31 | 2019-11-15 | 腾讯科技(深圳)有限公司 | 图像坐标系的转换方法、装置、设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
BRUNO MEUNIER等: "Image analysis to refine measurements of dairy cow behaviour from a real-time location system" * |
刘臻: "扇门闸机控制系统及其设计" * |
杨伟清等: "门禁系统中的异常行为检测" * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112200828A (zh) * | 2020-09-03 | 2021-01-08 | 浙江大华技术股份有限公司 | 一种逃票行为的检测方法、装置及可读存储介质 |
CN112613382A (zh) * | 2020-12-17 | 2021-04-06 | 浙江大华技术股份有限公司 | 对象完整性的确定方法及装置、存储介质、电子装置 |
CN112613382B (zh) * | 2020-12-17 | 2024-04-30 | 浙江大华技术股份有限公司 | 对象完整性的确定方法及装置、存储介质、电子装置 |
CN113159009A (zh) * | 2021-06-25 | 2021-07-23 | 华东交通大学 | 一种车站预防逃票的智能监控识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111126257B (zh) | 2023-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107292287B (zh) | 人脸识别方法、装置、电子设备及存储介质 | |
CN107644204B (zh) | 一种用于安防系统的人体识别与跟踪方法 | |
US10262190B2 (en) | Method, system, and computer program product for recognizing face | |
CN110569731B (zh) | 一种人脸识别方法、装置及电子设备 | |
CN111126257A (zh) | 行为检测方法及装置 | |
CN112016353B (zh) | 一种基于视频的人脸图像进行身份识别方法及装置 | |
CN110175553B (zh) | 基于步态识别与人脸识别建立特征库的方法及装置 | |
CN111612104B (zh) | 车辆定损图像获取方法、装置、介质和电子设备 | |
CN111429483A (zh) | 高速跨摄像机多目标跟踪方法、系统、装置及存储介质 | |
CN111275040A (zh) | 定位方法及装置、电子设备、计算机可读存储介质 | |
CN109635625B (zh) | 智能身份核验方法、设备、存储介质及装置 | |
US9183440B2 (en) | Identification by iris recognition | |
CN110717428A (zh) | 一种融合多个特征的身份识别方法、装置、系统、介质及设备 | |
CN114155488A (zh) | 获取客流数据的方法、装置、电子设备以及存储介质 | |
CN111488798B (zh) | 指纹识别方法、装置、电子设备及存储介质 | |
CN111079626B (zh) | 一种活体指纹识别方法、电子设备及计算机可读存储介质 | |
CN104318216A (zh) | 视频监控中跨盲区行人目标的识别匹配方法 | |
CN110348386B (zh) | 一种基于模糊理论的人脸图像识别方法、装置及设备 | |
CN111860512B (zh) | 一种车辆识别方法、装置、电子设备及计算机可读存储介质 | |
CN112861742A (zh) | 人脸识别方法、装置、电子设备及存储介质 | |
CN111027510A (zh) | 行为检测方法及装置、存储介质 | |
JPH0883341A (ja) | 物体領域抽出方法とその装置及び物体認識装置 | |
CN111046876B (zh) | 基于纹理检测技术的车牌字符快速识别方法及其系统 | |
CN107180244B (zh) | 一种基于级联分类器的图像检测方法及装置 | |
CN114220142A (zh) | 一种深度学习算法的人脸特征识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |