CN111680646A - 动作检测方法及装置、电子设备和存储介质 - Google Patents

动作检测方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN111680646A
CN111680646A CN202010531453.2A CN202010531453A CN111680646A CN 111680646 A CN111680646 A CN 111680646A CN 202010531453 A CN202010531453 A CN 202010531453A CN 111680646 A CN111680646 A CN 111680646A
Authority
CN
China
Prior art keywords
video
processed
target object
target
target objects
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
Application number
CN202010531453.2A
Other languages
English (en)
Other versions
CN111680646B (zh
Inventor
潘俊廷
陈思禹
邵婧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Sensetime Technology Development Co Ltd
Original Assignee
Beijing Sensetime Technology Development Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Sensetime Technology Development Co Ltd filed Critical Beijing Sensetime Technology Development Co Ltd
Priority to CN202010531453.2A priority Critical patent/CN111680646B/zh
Publication of CN111680646A publication Critical patent/CN111680646A/zh
Application granted granted Critical
Publication of CN111680646B publication Critical patent/CN111680646B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本公开涉及一种动作检测方法及装置、电子设备和存储介质。所述方法包括：根据待处理视频的时空特征和所述待处理视频中的任一目标对象的时空特征，得到所述目标对象对应的场景关联特征，其中，所述目标对象对应的场景关联特征表示所述目标对象与所述待处理视频的场景之间的关系信息；根据所述待处理视频中的多个目标对象对应的场景关联特征，确定所述多个目标对象中的任一目标对象对应的对象关联特征，其中，所述目标对象对应的对象关联特征表示所述目标对象与所述多个目标对象中的其他目标对象之间的关系信息；根据所述多个目标对象对应的对象关联特征，确定所述多个目标对象中的至少一个目标对象对应的动作检测结果。

Description

动作检测方法及装置、电子设备和存储介质
技术领域
本公开涉及计算机视觉技术领域，尤其涉及一种动作检测方法及装置、电子设备和存储介质。
背景技术
对视频中的目标对象(例如人)进行动作检测是计算机视觉以及智能安防等领域的重要问题。动作检测可以应用于行为预测、视频数据结构化、异常行为检测等应用场景中。如何提高对视频中的目标对象进行动作检测的准确性，是亟待解决的技术问题。
发明内容
本公开提供了一种动作检测技术方案。
根据本公开的一方面，提供了一种动作检测方法，包括：
根据待处理视频的时空特征和所述待处理视频中的任一目标对象的时空特征，得到所述目标对象对应的场景关联特征，其中，所述目标对象对应的场景关联特征表示所述目标对象与所述待处理视频的场景之间的关系信息；
根据所述待处理视频中的多个目标对象对应的场景关联特征，确定所述多个目标对象中的任一目标对象对应的对象关联特征，其中，所述目标对象对应的对象关联特征表示所述目标对象与所述多个目标对象中的其他目标对象之间的关系信息；
根据所述多个目标对象对应的对象关联特征，确定所述多个目标对象中的至少一个目标对象对应的动作检测结果。
在本公开实施例中，通过根据待处理视频的时空特征和所述待处理视频中的任一目标对象的时空特征，得到所述目标对象对应的场景关联特征，根据所述待处理视频中的多个目标对象对应的场景关联特征，确定所述多个目标对象中的任一目标对象对应的对象关联特征，并根据所述多个目标对象对应的对象关联特征，确定所述多个目标对象中的至少一个目标对象对应的动作检测结果，由此利用待处理视频中目标对象与场景之间的直接关系信息以及目标对象之间的间接关系信息进行动作检测，充分挖掘待处理视频中的有效信息，从而能够提高对待处理视频中的目标对象进行动作检测的准确性。采用本公开实施例，能够对更复杂的场景实现更准确的动作检测。
在一种可能的实现方式中，所述根据所述待处理视频中的多个目标对象对应的场景关联特征，确定所述多个目标对象中的任一目标对象对应的对象关联特征，包括：
对于所述待处理视频中的多个目标对象中的任一目标对象，根据所述目标对象对应的场景关联特征和所述多个目标对象中的其他目标对象对应的场景关联特征在场景中的相同位置的特征信息，确定所述目标对象对应的对象关联特征。
根据该实现方式，能够基于图注意力机制对不同目标对象对应的场景关联特征进行处理，抓取不同目标对象之间的关系信息，得到目标对象对应的对象关联特征。即，在该实现方式中，通过所述场景中相同的位置建立不同目标对象之间的关联，以帮助进行目标对象的动作检测，从而能够在大幅度降低计算量的前提下，提高动作检测的准确性。
在一种可能的实现方式中，所述根据所述待处理视频中的多个目标对象对应的场景关联特征，确定所述多个目标对象中的任一目标对象对应的对象关联特征，包括：
根据所述待处理视频中的多个目标对象的时空特征和所述待处理视频的时空特征中的至少之一，以及所述多个目标对象对应的场景关联特征，确定所述多个目标对象中的任一目标对象对应的对象关联特征。
在该实现方式中，通过结合所述待处理视频中的多个目标对象的时空特征和所述待处理视频的时空特征中的至少之一，与所述多个目标对象对应的场景关联特征，确定目标对象对应的对象关联特征，由此确定的目标对象对应的对象关联特征具有更丰富的信息，基于由此确定的目标对象对应的对象关联特征进行动作检测，能够提高动作检测的准确性。
在一种可能的实现方式中，所述根据所述待处理视频中的多个目标对象对应的场景关联特征，确定所述多个目标对象中的任一目标对象对应的对象关联特征，包括：
根据所述待处理视频中的多个目标对象对应的场景关联特征，以及所述待处理视频的关联视频片段中目标对象对应的场景关联特征，确定所述多个目标对象中的任一目标对象对应的对象关联特征，其中，所述待处理视频的关联视频片段表示与所待处理视频的时间连续的视频片段。
在该实现方式中，通过利用待处理视频的关联视频片段中目标对象对应的场景关联特征，对待处理视频中的目标对象进行动作检测，从而利用更长时间的目标对象与场景之间的关系信息作为辅助信息进行动作检测，有助于提高对待处理视频中的目标对象进行动作检测的准确性，获得更好的检测效果。
在一种可能的实现方式中，所述根据待处理视频的时空特征和所述待处理视频中的任一目标对象的时空特征，得到所述目标对象对应的场景关联特征，包括：
对所述待处理视频的时空特征和所述待处理视频中的任一目标对象的时空特征进行融合处理，得到所述目标对象对应的场景关联特征。
在该实现方式中，通过对所述待处理视频的时空特征和所述待处理视频中的任一目标对象的时空特征进行融合处理，得到所述目标对象对应的场景关联特征，由此得到的目标对象对应的场景关联特征能够更准确地表示目标对象与场景之间的关系信息，从而有助于提高动作检测准确性。
在一种可能的实现方式中，所述根据所述多个目标对象对应的对象关联特征，确定所述多个目标对象中的至少一个目标对象对应的动作检测结果，包括：
根据所述多个目标对象对应的场景关联特征、所述多个目标对象的时空特征和所述待处理视频的时空特征中的至少之一，以及所述多个目标对象对应的对象关联特征，确定所述多个目标对象中的至少一个目标对象对应的动作检测结果。
在该实现方式中，通过结合所述多个目标对象对应的场景关联特征、所述多个目标对象的时空特征和所述待处理视频的时空特征中的至少之一进行动作检测，由此能够充分利用待处理视频中丰富的视觉信息对待处理视频中的目标对象进行动作，从而有利于提高动作检测的准确性。
在一种可能的实现方式中，在所述根据待处理视频的时空特征和所述待处理视频中的任一目标对象的时空特征，得到所述目标对象对应的场景关联特征之前，所述方法还包括：
检测所述待处理视频中的任一目标对象的位置信息；
根据所述待处理视频的时空特征和所述目标对象的位置信息，得到所述目标对象的时空特征。
在该实现方式中，通过根据所述待处理视频的时空特征和所述目标对象的位置信息，得到所述目标对象的时空特征，由此得到的目标对象的时空特征能够更准确地表示目标对象在时间维度和空间维度的特征信息，从而有利于提高对所述待处理视频中的目标对象进行动作检测的准确性。
根据本公开的一方面，提供了一种对行人进行动作检测的方法，包括：
将行人作为目标对象，执行所述动作检测方法，得到所述待处理视频中的至少一个行人对应的动作检测结果。
根据本公开的一方面，提供了一种动作检测装置，包括：
第一确定模块，用于根据待处理视频的时空特征和所述待处理视频中的任一目标对象的时空特征，得到所述目标对象对应的场景关联特征，其中，所述目标对象对应的场景关联特征表示所述目标对象与所述待处理视频的场景之间的关系信息；
第二确定模块，用于根据所述待处理视频中的多个目标对象对应的场景关联特征，确定所述多个目标对象中的任一目标对象对应的对象关联特征，其中，所述目标对象对应的对象关联特征表示所述目标对象与所述多个目标对象中的其他目标对象之间的关系信息；
第三确定模块，用于根据所述多个目标对象对应的对象关联特征，确定所述多个目标对象中的至少一个目标对象对应的动作检测结果。
在一种可能的实现方式中，所述第二确定模块用于：
对于所述待处理视频中的多个目标对象中的任一目标对象，根据所述目标对象对应的场景关联特征和所述多个目标对象中的其他目标对象对应的场景关联特征在场景中的相同位置的特征信息，确定所述目标对象对应的对象关联特征。
在一种可能的实现方式中，所述第二确定模块用于：
根据所述待处理视频中的多个目标对象的时空特征和所述待处理视频的时空特征中的至少之一，以及所述多个目标对象对应的场景关联特征，确定所述多个目标对象中的任一目标对象对应的对象关联特征。
在一种可能的实现方式中，所述第二确定模块用于：
根据所述待处理视频中的多个目标对象对应的场景关联特征，以及所述待处理视频的关联视频片段中目标对象对应的场景关联特征，确定所述多个目标对象中的任一目标对象对应的对象关联特征，其中，所述待处理视频的关联视频片段表示与所待处理视频的时间连续的视频片段。
在一种可能的实现方式中，所述第一确定模块用于：
对所述待处理视频的时空特征和所述待处理视频中的任一目标对象的时空特征进行融合处理，得到所述目标对象对应的场景关联特征。
在一种可能的实现方式中，所述第三确定模块用于：
根据所述多个目标对象对应的场景关联特征、所述多个目标对象的时空特征和所述待处理视频的时空特征中的至少之一，以及所述多个目标对象对应的对象关联特征，确定所述多个目标对象中的至少一个目标对象对应的动作检测结果。
在一种可能的实现方式中，所述装置还包括：
检测模块，用于检测所述待处理视频中的任一目标对象的位置信息；
第四确定模块，用于根据所述待处理视频的时空特征和所述目标对象的位置信息，得到所述目标对象的时空特征。
根据本公开的一方面，提供了一种电子设备，包括：一个或多个处理器；用于存储可执行指令的存储器；其中，所述一个或多个处理器被配置为调用所述存储器存储的可执行指令，以执行上述方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中，通过根据待处理视频的时空特征和所述待处理视频中的任一目标对象的时空特征，得到所述目标对象对应的场景关联特征，根据所述待处理视频中的多个目标对象对应的场景关联特征，确定所述多个目标对象中的任一目标对象对应的对象关联特征，并根据所述多个目标对象对应的对象关联特征，确定所述多个目标对象中的至少一个目标对象对应的动作检测结果，由此利用待处理视频中目标对象与场景之间的直接关系信息以及目标对象之间的间接关系信息进行动作检测，充分挖掘待处理视频中的有效信息，从而能够提高对待处理视频中的目标对象进行动作检测的准确性。采用本公开实施例，能够对更复杂的场景实现更准确的动作检测。
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和解释性的，而非限制本公开。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出本公开实施例提供的动作检测方法的流程图。
图2示出采用骨干网络对待处理视频进行时空特征提取，得到待处理视频的时空特征的示意图。
图3示出目标对象的检测框的示意图。
图4示出通过RoI Align的特征聚集方式对所述待处理视频的时空特征和所述目标对象的位置信息进行处理，得到所述目标对象的时空特征的示意图。
图5示出根据待处理视频的时空特征和待处理视频中的目标对象的时空特征，得到目标对象对应的场景关联特征的示意图。
图6示出根据所述待处理视频中的多个目标对象对应的场景关联特征，得到目标对象对应的对象关联特征的示意图。
图7示出根据所述待处理视频中的多个目标对象对应的场景关联特征，得到目标对象对应的对象关联特征的另一示意图。
图8示出将关联视频片段中目标对象对应的场景关联特征存储在长期特征库中的示意图。
图9示出本公开实施例提供的动作检测装置的框图。
图10示出本公开实施例提供的一种电子设备800的框图。
图11示出本公开实施例提供的一种电子设备1900的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
为了解决类似上文所述的技术问题，本公开实施例提出了一种动作检测方法及装置、电子设备和存储介质。本公开实施例可以应用于安防、计算机视觉、智能视频分析等技术领域。
图1示出本公开实施例提供的动作检测方法的流程图。所述动作检测方法的执行主体可以是动作检测装置。例如，所述动作检测方法可以由终端设备或服务器或其它处理设备执行。其中，终端设备可以是用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备或者可穿戴设备等。在一些可能的实现方式中，所述动作检测方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图1所示，所述动作检测方法包括步骤S11至步骤S13。
在步骤S11中，根据待处理视频的时空特征和所述待处理视频中的任一目标对象的时空特征，得到所述目标对象对应的场景关联特征，其中，所述目标对象对应的场景关联特征表示所述目标对象与所述待处理视频的场景之间的关系信息。
在本公开实施例中，待处理视频可以表示需要进行动作检测的视频。待处理视频的时长可以为任意时长。待处理视频的时空特征可以表示待处理视频在时间维度和空间维度的特征信息。待处理视频中可以包括一个或多个目标对象。其中，目标对象可以表示需要进行动作检测的对象。例如，目标对象可以是人。又如，目标对象还可以是动物、车辆等。所述待处理视频的场景可以表示所述待处理视频中除所述目标对象之外的部分，例如，若目标对象是人，则所述待处理视频的场景可以包括所述待处理视频中的背景、物体等。
在一种可能的实现方式中，若待处理视频的时长大于预设时长，则可以将待处理视频划分为多个视频片段，使每个视频片段的时长小于或等于预设时长。示例性的，预设时长可以为2秒，待处理视频时长为10秒，则可划分为5个2秒的视频片段。当然，本领域技术人员也可以根据实际应用场景需求和/或个人喜好设置，在此不作限定。在将待处理视频划分为多个视频片段后，可以分别对每个视频片段进行动作检测。在另一种可能的实现方式中，可以不对待处理视频进行划分，直接对整个待处理视频进行动作检测。
在本公开实施例中，根据待处理视频的时空特征和所述待处理视频中的任一目标对象的时空特征，得到表示所述目标对象与所述待处理视频的场景之间的关系信息的场景关联特征，并利用所述目标对象对应的场景关联特征进行动作检测。由于目标对象的动作可能被场景所影响，因此，本公开实施例在动作检测中考虑了目标对象与场景之间的关系信息，有助于提高动作检测的准确性。
在一种可能的实现方式中，可以采用骨干网络(backbone network)对待处理视频进行时空特征提取，得到待处理视频的时空特征。图2示出采用骨干网络对待处理视频进行时空特征提取，得到待处理视频的时空特征的示意图。在该实现方式中，所述骨干网络可以采用I3D、SlowFast、R(2+1)D、CSN、ResNet3D、TSM、C3D等网络来实现，在此不作限定。作为该实现方式的一个示例，可以在时间维度上，对骨干网络提取的特征图进行平均池化处理，得到待处理视频的时空特征，以降低计算量，提高运动检测速度。
在一种可能的实现方式中，待处理视频的时空特征可以包括待处理视频的时空特征图。例如，待处理视频的时空特征图可以记为V，待处理视频的时空特征图的通道数可以记为C，高度可以记为H，宽度可以记为W。在其他可能的实现方式中，所述待处理视频的时空特征可以采用其他数据形式来表示，例如可以采用向量、矩阵、表格等数据形式来表示，本公开实施例对此不作限定。
在本公开实施例中，对于待处理视频中的每个目标对象，可以分别执行步骤S11，由此得到待处理视频中的每个目标对象对应的场景关联特征。例如，对于所述多个目标对象中的每个目标对象，可以分别执行步骤S11，得到所述多个目标对象中的每个目标对象对应的场景关联特征。当然，在一些应用场景中，也可以仅确定待处理视频中的部分目标对象对应的场景关联特征，而无需确定待处理视频中的所有目标对象对应的场景关联特征。
在一种可能的实现方式中，在所述根据待处理视频的时空特征和所述待处理视频中的任一目标对象的时空特征，得到所述目标对象对应的场景关联特征之前，所述方法还包括：检测所述待处理视频中的任一目标对象的位置信息；根据所述待处理视频的时空特征和所述目标对象的位置信息，得到所述目标对象的时空特征。
在该实现方式中，对于所述待处理视频中的每个目标对象，可以分别检测该目标对象的位置信息，根据所述待处理视频的时空特征和该目标对象的位置信息，得到该目标对象的时空特征。例如，对于所述多个目标对象中的每个目标对象，可以分别检测该目标对象的位置信息，根据所述待处理视频的时空特征和该目标对象的位置信息，得到该目标对象的时空特征。当然，在一些应用场景中，也可以仅确定待处理视频中的部分目标对象的时空特征，而无需确定待处理视频中的所有目标对象的时空特征。
在该实现方式中，通过根据所述待处理视频的时空特征和所述目标对象的位置信息，得到所述目标对象的时空特征，由此得到的目标对象的时空特征能够更准确地表示目标对象在时间维度和空间维度的特征信息，从而有利于提高对所述待处理视频中的目标对象进行动作检测的准确性。
作为该实现方式的一个示例，可以检测待处理视频中的关键帧中目标对象的位置信息；对于任一非关键帧，将该非关键帧对应的关键帧中目标对象的位置信息，作为该非关键帧中目标对象的位置信息。其中，任一非关键帧对应的关键帧，可以是与该非关键帧最近的关键帧；或者，任一非关键帧对应的关键帧，可以是在该非关键帧之前、且与该非关键帧最近的关键帧。
作为该实现方式的另一个示例，可以分别检测待处理视频中的各个视频帧中目标对象的位置信息。
在该实现方式中，目标对象的位置信息可以根据目标对象的检测框的位置信息来确定，例如，可以将目标对象的检测框的位置信息，作为目标对象的位置信息。例如，目标对象的检测框的位置信息，可以包括目标对象的检测框的4个顶点的坐标；又如，目标对象的检测框的位置信息，可以包括目标对象的检测框的左上角顶点的坐标以及检测框的宽度和高度。当然，目标对象的检测框的位置信息也可以采用其他方式来表示，只要能够唯一确定检测框的位置即可。图3示出目标对象的检测框的示意图。在图3所示的示例中，包括3个目标对象的检测框。
在该实现方式中，可以采用用于检测目标对象的检测器，检测待处理视频中目标对象的位置信息。例如，若目标对象是人，则可以采用用于检测人的检测器，检测待处理视频中人的位置信息。其中，所述检测器可以采用Faster R-CNN(Faster RecurrentConvolutional Neural Network，更快速的递归卷积神经网络)、Fast R-CNN(FastRecurrent Convolutional Neural Network，快速的递归卷积神经网络)等来实现。
作为该实现方式的一个示例，可以采用RoI Align(Region of Interest Align，感兴趣区域对准)的特征聚集方式对所述待处理视频的时空特征和所述目标对象的位置信息进行处理，得到所述目标对象的时空特征。图4示出通过RoI Align的特征聚集方式对所述待处理视频的时空特征和所述目标对象的位置信息进行处理，得到所述目标对象的时空特征的示意图。在图4所示的示例中，目标对象的位置信息包括3个目标对象的检测框的位置信息，目标对象的时空特征包括3个目标对象的时空特征。在一个例子中，在通过RoIAlign的特征聚集方式进行目标对象的时空特征提取之后，还可以在空间维度上对所提取的时空特征进行最大池化处理，得到目标对象的时空特征。
在一种可能的实现方式中，所述目标对象的时空特征可以包括所述目标对象的时空特征图。在其他可能的实现方式中，所述目标对象的时空特征可以采用其他数据形式来表示，例如可以采用向量、矩阵、表格等数据形式来表示，本公开实施例对此不作限定。
在一种可能的实现方式中，第i个目标对象(即目标对象i)的时空特征可以记为Ai，1≤i≤N，即，所述待处理视频中包括N个目标对象，这N个目标对象的时空特征可以分别记为A1，A2，……，AN。
在一种可能的实现方式中，目标对象i对应的场景关联特征可以记为Fi。
在一种可能的实现方式中，所述目标对象对应的场景关联特征包括所述目标对象对应的场景关联特征图。在其他可能的实现方式中，所述目标对象对应的场景关联特征可以采用其他数据形式来表示，例如可以采用向量、矩阵、表格等数据形式来表示，本公开实施例对此不作限定。
在一种可能的实现方式中，所述根据待处理视频的时空特征和所述待处理视频中的任一目标对象的时空特征，得到所述目标对象对应的场景关联特征，包括：对所述待处理视频的时空特征和所述待处理视频中的任一目标对象的时空特征进行融合处理，得到所述目标对象对应的场景关联特征。在该实现方式中，所述融合处理可以是concatenate(数组拼接)处理和/或Tile(数组复制)处理。作为该实现方式的一个示例，可以对所述待处理视频的时空特征和所述待处理视频中的任一目标对象的时空特征进行融合处理，得到所述目标对象对应的融合时空特征，并对所述目标对象对应的融合时空特征进行卷积处理，得到所述目标对象对应的场景关联特征。图5示出根据待处理视频的时空特征和待处理视频中的目标对象的时空特征，得到目标对象对应的场景关联特征的示意图。如图5所示，可以对待处理视频的时空特征和目标对象的时空特征进行Tile处理和Concatenate处理，得到目标对象对应的融合时空特征，再对目标对象对应的融合时空特征进行1×1卷积处理，得到目标对象对应的场景关联特征。
在该实现方式中，通过对所述待处理视频的时空特征和所述待处理视频中的任一目标对象的时空特征进行融合处理，得到所述目标对象对应的场景关联特征，由此得到的目标对象对应的场景关联特征能够更准确地表示目标对象与场景之间的关系信息，从而有助于提高动作检测准确性。
在步骤S12中，根据所述待处理视频中的多个目标对象对应的场景关联特征，确定所述多个目标对象中的任一目标对象对应的对象关联特征，其中，所述目标对象对应的对象关联特征表示所述目标对象与所述多个目标对象中的其他目标对象之间的关系信息。
由于任一目标对象的动作可能被其他目标对象所影响，而其他目标对象的动作可能被场景所影响，因此，本公开实施例在动作检测中利用不同目标对象对应的场景关联特征确定目标对象对应的对象关联特征，基于目标对象与场景之间的关系考虑不同目标对象之间的关系，利用基于目标对象与场景之间的关系信息得到的不同目标对象之间的关系信息进行动作检测，即，利用目标对象与场景之间的直接关系信息，推理出有利于动作行为分析的目标对象之间的间接关系信息，从而有助于提高动作检测的准确性。
在一种可能的实现方式中，目标对象i对应的对象关联特征可以记为Hi。
在一种可能的实现方式中，所述目标对象对应的对象关联特征包括所述目标对象对应的对象关联特征图。在其他可能的实现方式中，所述目标对象对应的对象关联特征可以采用其他数据形式来表示，例如可以采用向量、矩阵、表格等数据形式来表示，本公开实施例对此不作限定。
在一种可能的实现方式中，所述根据所述待处理视频中的多个目标对象对应的场景关联特征，确定所述多个目标对象中的任一目标对象对应的对象关联特征，包括：对所述待处理视频中的多个目标对象对应的场景关联特征进行空间维度的最大池化操作，根据最大池化操作后的特征图，确定所述多个目标对象中的任一目标对象对应的对象关联特征。根据该实现方式，能够降低确定目标对象对应的对象关联特征的计算复杂度，从而能够提高动作检测的速度。
图6示出根据所述待处理视频中的多个目标对象对应的场景关联特征，得到目标对象对应的对象关联特征的示意图。如图6所述，可以对目标对象对应的场景关联特征进行3×3卷积处理，得到第一组特征图；基于注意力机制对第一组特征图中相同像素位置的特征信息进行处理，得到第二组特征图；对第二组特征图进行全局平均池化处理(GlobalAverage Pooling，GAP)，得到目标对象对应的对象关联特征。
在一种可能的实现方式中，可以采用非局部块(non-local block)对所述待处理视频中的多个目标对象对应的场景关联特征进行处理，得到目标对象对应的对象关联特征。作为该实现方式的一个示例，可以采用多个非局部块对所述待处理视频中的多个目标对象对应的场景关联特征进行处理，得到目标对象对应的对象关联特征。例如，非局部块的数量可以是3个或者2个。当然，在其他示例中，也可以采用一个非局部块对所述待处理视频中的多个目标对象对应的场景关联特征进行处理，得到目标对象对应的对象关联特征。作为该实现方式的一个示例，非局部块中的全连接层可以用卷积层代替。
图7示出根据所述待处理视频中的多个目标对象对应的场景关联特征，得到目标对象对应的对象关联特征的另一示意图。其中，q、k和v可以分别表示3×3卷积操作，经过q、k和v处理得到的特征图的数量可以分别是N(对应于N个目标对象)，特征图的高度可以是H，宽度可以是W，通道数可以是C。
Figure BDA0002535396310000121
可以表示逐像素求点积后求和，在图7所示的示例中，对q和k输出的特征图进行逐像素求点积后求和，得到第一组基于注意力机制的特征图，其中，第一组基于注意力机制的特征图可以包括N×N个特征图，特征图的高度可以是H，宽度可以是W。可以对第一组基于注意力机制的特征图进行尺度缩放，再采用softmax对尺度缩放后的第一组基于注意力机制的特征图进行处理，并将处理结果与v输出的特征图进行逐像素求点积后求和，得到第二组基于注意力机制的特征图。f可以表示1×1卷积操作，通过f对第二组基于注意力机制的特征图进行卷积，可以得到N个特征图，这N个特征图的高度可以是H，宽度可以是W，通道数可以是C。
Figure BDA0002535396310000122
表示逐像素相加，对f输出的N个特征图进行归一化处理后，可以与目标对象对应的场景关联特征图逐像素相加，可以得到目标对象对应的对象关联特征。
在一种可能的实现方式中，所述根据所述待处理视频中的多个目标对象对应的场景关联特征，确定所述多个目标对象中的任一目标对象对应的对象关联特征，包括：对于所述待处理视频中的多个目标对象中的任一目标对象，根据所述目标对象对应的场景关联特征和所述多个目标对象中的其他目标对象对应的场景关联特征在场景中的相同位置的特征信息，确定所述目标对象对应的对象关联特征。
例如，目标对象i对应的场景关联特征Fi在所述场景的坐标(x,y)处的特征信息可以记为
Figure BDA0002535396310000123
目标对象j对应的场景关联特征Fj在所述场景的坐标(x,y)处的特征信息可以记为
Figure BDA0002535396310000124
其中，i∈{1,…,N}，j∈{1,…,N}，i≠j，x∈[1,H]，y∈[1,W]。可以根据目标对象i与目标对象j在所述场景中相同坐标的特征信息，确定目标对象i与目标对象j之间的关系信息。根据N个目标对象中除目标对象i以外的各个目标对象与目标对象i之间的关系信息，可以得到目标对象i对应的对象关联信息。
根据该实现方式，能够基于图注意力机制对不同目标对象对应的场景关联特征进行处理，抓取不同目标对象之间的关系信息，得到目标对象对应的对象关联特征。即，在该实现方式中，通过所述场景中相同的位置建立不同目标对象之间的关联，以帮助进行目标对象的动作检测，从而能够在大幅度降低计算量的前提下，提高动作检测的准确性。
在一种可能的实现方式中，所述根据所述待处理视频中的多个目标对象对应的场景关联特征，确定所述多个目标对象中的任一目标对象对应的对象关联特征，包括：根据所述待处理视频中的多个目标对象的时空特征和所述待处理视频的时空特征中的至少之一，以及所述多个目标对象对应的场景关联特征，确定所述多个目标对象中的任一目标对象对应的对象关联特征。
作为该实现方式的一个示例，可以根据所述待处理视频中的多个目标对象的时空特征、所述待处理视频的时空特征和所述多个目标对象对应的场景关联特征，确定所述多个目标对象中的各个目标对象对应的对象关联特征。
作为该实现方式的另一个示例，可以根据所述待处理视频中的多个目标对象的时空特征和所述多个目标对象对应的场景关联特征，确定所述多个目标对象中的各个目标对象对应的对象关联特征。
作为该实现方式的另一个示例，可以根据所述待处理视频的时空特征和所述多个目标对象对应的场景关联特征，确定所述多个目标对象中的各个目标对象对应的对象关联特征。
在该实现方式中，通过结合所述待处理视频中的多个目标对象的时空特征和所述待处理视频的时空特征中的至少之一，与所述多个目标对象对应的场景关联特征，确定目标对象对应的对象关联特征，由此确定的目标对象对应的对象关联特征具有更丰富的信息，基于由此确定的目标对象对应的对象关联特征进行动作检测，能够提高动作检测的准确性。
在一种可能的实现方式中，所述根据所述待处理视频中的多个目标对象对应的场景关联特征，确定所述多个目标对象中的任一目标对象对应的对象关联特征，包括：根据所述待处理视频中的多个目标对象对应的场景关联特征，以及所述待处理视频的关联视频片段中目标对象对应的场景关联特征，确定所述多个目标对象中的任一目标对象对应的对象关联特征，其中，所述待处理视频的关联视频片段表示与所述待处理视频的时间连续的视频片段。
在该实现方式中，可以采用非实时的方式，提取所述待处理视频的关联视频片段中目标对象对应的场景关联特征。
作为该实现方式的一个示例，所述待处理视频的关联视频片段可以包括在所述待处理视频之前、且与所述待处理视频时间连续的视频片段。例如，所述待处理视频的关联视频片段的数量为19个，这19个关联视频片段的总时长为21秒。作为该实现方式的另一个示例，所述待处理视频的关联视频片段还可以包括在所述待处理视频之后、且与所述待处理视频时间连续的视频片段。
在该实现方式中，通过利用待处理视频的关联视频片段中目标对象对应的场景关联特征，对待处理视频中的目标对象进行动作检测，从而利用更长时间的目标对象与场景之间的关系信息作为辅助信息进行动作检测，有助于提高对待处理视频中的目标对象进行动作检测的准确性，获得更好的检测效果。
作为该实现方式的一个示例，可以在长期特征库中存储预设时长的关联视频片段中目标对象对应的场景关联特征，以根据长期特征库中存储的场景关联特征辅助生成待处理视频中目标对象对应的对象关联特征。例如，长期特征库可以记为Fbank＝[F0,F1,…,FT-1]。其中，Ft可以表示从关联视频片段中提取的目标对象对应的场景关联特征，0≤t≤T-1。例如，关联视频片段的时间长度可以是2秒左右。图8示出将关联视频片段中目标对象对应的场景关联特征存储在长期特征库中的示意图。在图8所示的示例中，待处理视频是视频片段t，关联视频片段包括视频片段t-1和视频片段t+1，通过上文所述的方法对关联视频片段进行处理，可以得到关联视频片段中目标对象对应的场景关联特征，并可以将关联视频片段中目标对象对应的场景关联特征存储在长期特征库中。如图8所示，还可以将待处理视频中目标对象对应的场景关联特征存储在长期特征库中，以供后续视频分析使用。
在一种可能的实现方式中，所述根据所述待处理视频中的多个目标对象对应的场景关联特征，确定所述多个目标对象中的任一目标对象对应的对象关联特征，包括：根据所述待处理视频中的多个目标对象对应的场景关联特征，所述待处理视频的关联视频片段中目标对象对应的场景关联特征，以及所述待处理视频的关联视频片段中目标对象的时空特征和/或目标对象对应的对象关联特征，确定所述多个目标对象中的任一目标对象对应的对象关联特征，其中，所述待处理视频的关联视频片段表示与所待处理视频的时间连续的视频片段。
在步骤S13中，根据所述多个目标对象对应的对象关联特征，确定所述多个目标对象中的至少一个目标对象对应的动作检测结果。
在本公开实施例中，所述多个目标对象中的至少一个目标对象对应的动作检测结果可以包括所述多个目标对象中的每个目标对象对应的动作检测结果，或者，所述多个目标对象中的至少一个目标对象对应的动作检测结果可以包括所述多个目标对象中的部分目标对象对应的动作检测结果。其中，任一目标对象对应的动作检测结果可以包括所述目标对象所属的动作类别(即所述目标对象执行的动作的类别)。对于任一目标对象，在所述待处理视频中可以仅属于一个动作类别，也可以属于多个动作类别，换言之，所述目标对象在所述待处理视频对应的时间范围内，可能仅执行一个动作，也可能执行多个动作。例如，所述目标对象在所述待处理视频中的不同时间段可以属于相同的动作类别，也可以属于不同的动作类别。又如，所述目标对象在所述待处理视频中的同一时间段可以仅属于一个动作类别，也可以同时属于多个动作类别。例如，待处理视频中的目标对象在乘车的同时打电话等。
在一种可能的实现方式中，任一目标对象对应的动作检测结果还可以包括所述目标对象在所述待处理视频中的位置信息，例如，可以包括所述目标对象在所述待处理视频中的检测框的位置信息。其中，所述目标对象在所述待处理视频中的位置信息，可以包括所述目标对象在所述待处理视频的所有视频帧中的位置信息，或者可以包括所述目标对象在所述待处理视频的部分视频帧中的位置信息，例如，可以包括所述目标对象在所述待处理视频的关键帧中的位置信息。
在一种可能的实现方式中，任一目标对象对应的动作检测结果还可以包括所述目标对象执行的动作所属的时间范围，例如可以包括所述目标对象执行的动作对应的开始时间和结束时间，或者可以包括所述目标对象执行的动作对应的开始时间和时间长度。
在一种可能的实现方式中，可以将所述多个目标对象对应的对象关联特征输入用于识别动作类别的分类器中，经由所述分类器输出所述多个目标对象中的至少一个目标对象对应的动作检测结果。
在本公开实施例中，通过根据待处理视频的时空特征和所述待处理视频中的任一目标对象的时空特征，得到所述目标对象对应的场景关联特征，根据所述待处理视频中的多个目标对象对应的场景关联特征，确定所述多个目标对象中的任一目标对象对应的对象关联特征，并根据所述多个目标对象对应的对象关联特征，确定所述多个目标对象中的至少一个目标对象对应的动作检测结果，由此利用待处理视频中目标对象与场景之间的直接关系信息以及目标对象之间的间接关系信息进行动作检测，充分挖掘待处理视频中的有效信息，从而能够提高对待处理视频中的目标对象进行动作检测的准确性。采用本公开实施例，能够对更复杂的场景实现更准确的动作检测。
在一种可能的实现方式中，所述根据所述多个目标对象对应的对象关联特征，确定所述多个目标对象中的至少一个目标对象对应的动作检测结果，包括：根据所述多个目标对象对应的场景关联特征、所述多个目标对象的时空特征和所述待处理视频的时空特征中的至少之一，以及所述多个目标对象对应的对象关联特征，确定所述多个目标对象中的至少一个目标对象对应的动作检测结果。
作为该实现方式的一个示例，可以根据所述多个目标对象对应的场景关联特征、所述多个目标对象的时空特征、所述待处理视频的时空特征和所述多个目标对象对应的对象关联特征，确定所述多个目标对象中的至少一个目标对象对应的动作检测结果。
作为该实现方式的另一个示例，可以根据所述多个目标对象对应的场景关联特征和所述多个目标对象对应的对象关联特征，确定所述多个目标对象中的至少一个目标对象对应的动作检测结果。
作为该实现方式的另一个示例，可以根据所述多个目标对象的时空特征和所述多个目标对象对应的对象关联特征，确定所述多个目标对象中的至少一个目标对象对应的动作检测结果。
作为该实现方式的另一个示例，可以根据所述待处理视频的时空特征和所述多个目标对象对应的对象关联特征，确定所述多个目标对象中的至少一个目标对象对应的动作检测结果。
作为该实现方式的另一个示例，可以根据所述多个目标对象对应的场景关联特征、所述多个目标对象的时空特征和所述多个目标对象对应的对象关联特征，确定所述多个目标对象中的至少一个目标对象对应的动作检测结果。
作为该实现方式的另一个示例，可以根据所述多个目标对象对应的场景关联特征、所述待处理视频的时空特征和所述多个目标对象对应的对象关联特征，确定所述多个目标对象中的至少一个目标对象对应的动作检测结果。
作为该实现方式的另一个示例，可以根据所述多个目标对象的时空特征、所述待处理视频的时空特征和所述多个目标对象对应的对象关联特征，确定所述多个目标对象中的至少一个目标对象对应的动作检测结果。
在该实现方式中，通过结合所述多个目标对象对应的场景关联特征、所述多个目标对象的时空特征和所述待处理视频的时空特征中的至少之一进行动作检测，由此能够充分利用待处理视频中丰富的视觉信息对待处理视频中的目标对象进行动作，从而有利于提高动作检测的准确性。
本公开实施例可以应用于行为预测、视频数据结构化、异常行为检测等应用场景中。例如，在对行人进行检测的应用场景中，可以采用本公开实施例检测出视频中所有行人的动作。又如，在异常行为检测的应用场景中，可以采用本公开实施例检测出视频中动作异常(例如动作类别属于预设的异常动作类别)的目标对象。又如，采用本公开实施例提供的动作检测方法可以对输入视频中所有目标对象的动作进行检测，从而能够进行群体行为分析。又如，在视频数据结构化的应用场景中，可以采用本公开实施例提供的动作检测方法对视频中的目标对象进行动作检测，得到目标对象对应的动作检测结果，并将动作检测结果对应的文字信息(例如能够表示动作类别的文字信息)以及目标对象的截图和/或目标对象的标识信息(例如目标对象的ID)作为结构化数据保存。
本公开实施例还提供了一种对行人进行动作检测的方法，包括：将行人作为目标对象，执行所述动作检测方法，得到所述待处理视频中的至少一个行人对应的动作检测结果。
通过将行人作为目标对象，将对道路进行拍摄得到的视频作为待处理视频，执行上文所述的动作检测方法，由此能够得到道路中的行人的动作检测结果，从而能够确定道路中动作异常(例如动作类别属于预设的异常动作类别)的行人。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了动作检测装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种动作检测方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图9示出本公开实施例提供的动作检测装置的框图。如图9所示，所述动作检测装置包括：第一确定模块21，用于根据待处理视频的时空特征和所述待处理视频中的任一目标对象的时空特征，得到所述目标对象对应的场景关联特征，其中，所述目标对象对应的场景关联特征表示所述目标对象与所述待处理视频的场景之间的关系信息；第二确定模块22，用于根据所述待处理视频中的多个目标对象对应的场景关联特征，确定所述多个目标对象中的任一目标对象对应的对象关联特征，其中，所述目标对象对应的对象关联特征表示所述目标对象与所述多个目标对象中的其他目标对象之间的关系信息；第三确定模块23，用于根据所述多个目标对象对应的对象关联特征，确定所述多个目标对象中的至少一个目标对象对应的动作检测结果。
在一种可能的实现方式中，所述第二确定模块22用于：对于所述待处理视频中的多个目标对象中的任一目标对象，根据所述目标对象对应的场景关联特征和所述多个目标对象中的其他目标对象对应的场景关联特征在场景中的相同位置的特征信息，确定所述目标对象对应的对象关联特征。
在一种可能的实现方式中，所述第二确定模块22用于：根据所述待处理视频中的多个目标对象的时空特征和所述待处理视频的时空特征中的至少之一，以及所述多个目标对象对应的场景关联特征，确定所述多个目标对象中的任一目标对象对应的对象关联特征。
在一种可能的实现方式中，所述第二确定模块22用于：根据所述待处理视频中的多个目标对象对应的场景关联特征，以及所述待处理视频的关联视频片段中目标对象对应的场景关联特征，确定所述多个目标对象中的任一目标对象对应的对象关联特征，其中，所述待处理视频的关联视频片段表示与所待处理视频的时间连续的视频片段。
在一种可能的实现方式中，所述第一确定模块21用于：对所述待处理视频的时空特征和所述待处理视频中的任一目标对象的时空特征进行融合处理，得到所述目标对象对应的场景关联特征。
在一种可能的实现方式中，所述第三确定模块23用于：根据所述多个目标对象对应的场景关联特征、所述多个目标对象的时空特征和所述待处理视频的时空特征中的至少之一，以及所述多个目标对象对应的对象关联特征，确定所述多个目标对象中的至少一个目标对象对应的动作检测结果。
在一种可能的实现方式中，所述装置还包括：检测模块，用于检测所述待处理视频中的任一目标对象的位置信息；第四确定模块，用于根据所述待处理视频的时空特征和所述目标对象的位置信息，得到所述目标对象的时空特征。
在本公开实施例中，通过根据待处理视频的时空特征和所述待处理视频中的任一目标对象的时空特征，得到所述目标对象对应的场景关联特征，根据所述待处理视频中的多个目标对象对应的场景关联特征，确定所述多个目标对象中的任一目标对象对应的对象关联特征，并根据所述多个目标对象对应的对象关联特征，确定所述多个目标对象中的至少一个目标对象对应的动作检测结果，由此利用待处理视频中目标对象与场景之间的直接关系信息以及目标对象之间的间接关系信息进行动作检测，充分挖掘待处理视频中的有效信息，从而能够提高对待处理视频中的目标对象进行动作检测的准确性。采用本公开实施例，能够对更复杂的场景实现更准确的动作检测。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。其中，所述计算机可读存储介质可以是非易失性计算机可读存储介质，或者可以是易失性计算机可读存储介质。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的动作检测方法的指令。
本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的动作检测方法的操作。
本公开实施例还提供一种电子设备，包括：一个或多个处理器；用于存储可执行指令的存储器；其中，所述一个或多个处理器被配置为调用所述存储器存储的可执行指令，以执行上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图10示出本公开实施例提供的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图10，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如Wi-Fi、2G、3G、4G/LTE、5G或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图11示出本公开实施例提供的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图11，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows
Figure BDA0002535396310000211
Mac OS
Figure BDA0002535396310000212
或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――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。计算机可读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、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序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。
用于执行本公开操作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，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/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公开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。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (11)

1.一种动作检测方法，其特征在于，包括：
根据待处理视频的时空特征和所述待处理视频中的任一目标对象的时空特征，得到所述目标对象对应的场景关联特征，其中，所述目标对象对应的场景关联特征表示所述目标对象与所述待处理视频的场景之间的关系信息；
根据所述待处理视频中的多个目标对象对应的场景关联特征，确定所述多个目标对象中的任一目标对象对应的对象关联特征，其中，所述目标对象对应的对象关联特征表示所述目标对象与所述多个目标对象中的其他目标对象之间的关系信息；
根据所述多个目标对象对应的对象关联特征，确定所述多个目标对象中的至少一个目标对象对应的动作检测结果。
2.根据权利要求1所述的方法，其特征在于，所述根据所述待处理视频中的多个目标对象对应的场景关联特征，确定所述多个目标对象中的任一目标对象对应的对象关联特征，包括：
对于所述待处理视频中的多个目标对象中的任一目标对象，根据所述目标对象对应的场景关联特征和所述多个目标对象中的其他目标对象对应的场景关联特征在场景中的相同位置的特征信息，确定所述目标对象对应的对象关联特征。
3.根据权利要求1或2所述的方法，其特征在于，所述根据所述待处理视频中的多个目标对象对应的场景关联特征，确定所述多个目标对象中的任一目标对象对应的对象关联特征，包括：
根据所述待处理视频中的多个目标对象的时空特征和所述待处理视频的时空特征中的至少之一，以及所述多个目标对象对应的场景关联特征，确定所述多个目标对象中的任一目标对象对应的对象关联特征。
4.根据权利要求1至3中任意一项所述的方法，其特征在于，所述根据所述待处理视频中的多个目标对象对应的场景关联特征，确定所述多个目标对象中的任一目标对象对应的对象关联特征，包括：
根据所述待处理视频中的多个目标对象对应的场景关联特征，以及所述待处理视频的关联视频片段中目标对象对应的场景关联特征，确定所述多个目标对象中的任一目标对象对应的对象关联特征，其中，所述待处理视频的关联视频片段表示与所待处理视频的时间连续的视频片段。
5.根据权利要求1至4中任意一项所述的方法，其特征在于，所述根据待处理视频的时空特征和所述待处理视频中的任一目标对象的时空特征，得到所述目标对象对应的场景关联特征，包括：
对所述待处理视频的时空特征和所述待处理视频中的任一目标对象的时空特征进行融合处理，得到所述目标对象对应的场景关联特征。
6.根据权利要求1至5中任意一项所述的方法，其特征在于，所述根据所述多个目标对象对应的对象关联特征，确定所述多个目标对象中的至少一个目标对象对应的动作检测结果，包括：
根据所述多个目标对象对应的场景关联特征、所述多个目标对象的时空特征和所述待处理视频的时空特征中的至少之一，以及所述多个目标对象对应的对象关联特征，确定所述多个目标对象中的至少一个目标对象对应的动作检测结果。
7.根据权利要求1至6中任意一项所述的方法，其特征在于，在所述根据待处理视频的时空特征和所述待处理视频中的任一目标对象的时空特征，得到所述目标对象对应的场景关联特征之前，所述方法还包括：
检测所述待处理视频中的任一目标对象的位置信息；
根据所述待处理视频的时空特征和所述目标对象的位置信息，得到所述目标对象的时空特征。
8.一种对行人进行动作检测的方法，其特征在于，包括：
将行人作为目标对象，执行权利要求1至7中任意一项所述的方法，得到所述待处理视频中的至少一个行人对应的动作检测结果。
9.一种动作检测装置，其特征在于，包括：
第一确定模块，用于根据待处理视频的时空特征和所述待处理视频中的任一目标对象的时空特征，得到所述目标对象对应的场景关联特征，其中，所述目标对象对应的场景关联特征表示所述目标对象与所述待处理视频的场景之间的关系信息；
第二确定模块，用于根据所述待处理视频中的多个目标对象对应的场景关联特征，确定所述多个目标对象中的任一目标对象对应的对象关联特征，其中，所述目标对象对应的对象关联特征表示所述目标对象与所述多个目标对象中的其他目标对象之间的关系信息；
第三确定模块，用于根据所述多个目标对象对应的对象关联特征，确定所述多个目标对象中的至少一个目标对象对应的动作检测结果。
10.一种电子设备，其特征在于，包括：
一个或多个处理器；
用于存储可执行指令的存储器；
其中，所述一个或多个处理器被配置为调用所述存储器存储的可执行指令，以执行权利要求1至8中任意一项所述的方法。
11.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至8中任意一项所述的方法。
CN202010531453.2A 2020-06-11 2020-06-11 动作检测方法及装置、电子设备和存储介质 Active CN111680646B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010531453.2A CN111680646B (zh) 2020-06-11 2020-06-11 动作检测方法及装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010531453.2A CN111680646B (zh) 2020-06-11 2020-06-11 动作检测方法及装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN111680646A true CN111680646A (zh) 2020-09-18
CN111680646B CN111680646B (zh) 2023-09-22

Family

ID=72435442

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010531453.2A Active CN111680646B (zh) 2020-06-11 2020-06-11 动作检测方法及装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN111680646B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112183313A (zh) * 2020-09-27 2021-01-05 武汉大学 一种基于SlowFast的电力作业现场动作识别方法
CN112785561A (zh) * 2021-01-07 2021-05-11 天津狮拓信息技术有限公司 一种基于改进Faster RCNN预测模型的二手商用车车况检测方法
CN113450125A (zh) * 2021-07-06 2021-09-28 北京市商汤科技开发有限公司 可溯源生产数据的生成方法、装置、电子设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109241835A (zh) * 2018-07-27 2019-01-18 上海商汤智能科技有限公司 图像处理方法及装置、电子设备和存储介质
CN109784269A (zh) * 2019-01-11 2019-05-21 中国石油大学(华东) 一种基于时空联合的人体动作检测和定位方法
CN109815844A (zh) * 2018-12-29 2019-05-28 西安天和防务技术股份有限公司 目标检测方法及装置、电子设备和存储介质
CN109872297A (zh) * 2019-03-15 2019-06-11 北京市商汤科技开发有限公司 图像处理方法及装置、电子设备和存储介质
CN109886951A (zh) * 2019-02-22 2019-06-14 北京旷视科技有限公司 视频处理方法、装置及电子设备
CN109939442A (zh) * 2019-03-15 2019-06-28 深圳市腾讯信息技术有限公司 应用角色位置异常识别方法、装置、电子设备及存储介质
CN110418112A (zh) * 2019-08-09 2019-11-05 上海商汤智能科技有限公司 一种视频处理方法及装置、电子设备和存储介质
CN110674719A (zh) * 2019-09-18 2020-01-10 北京市商汤科技开发有限公司 目标对象匹配方法及装置、电子设备和存储介质
US20200175326A1 (en) * 2018-12-04 2020-06-04 Tesla, Inc. Enhanced object detection for autonomous vehicles based on field view

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109241835A (zh) * 2018-07-27 2019-01-18 上海商汤智能科技有限公司 图像处理方法及装置、电子设备和存储介质
US20200175326A1 (en) * 2018-12-04 2020-06-04 Tesla, Inc. Enhanced object detection for autonomous vehicles based on field view
CN109815844A (zh) * 2018-12-29 2019-05-28 西安天和防务技术股份有限公司 目标检测方法及装置、电子设备和存储介质
CN109784269A (zh) * 2019-01-11 2019-05-21 中国石油大学(华东) 一种基于时空联合的人体动作检测和定位方法
CN109886951A (zh) * 2019-02-22 2019-06-14 北京旷视科技有限公司 视频处理方法、装置及电子设备
CN109872297A (zh) * 2019-03-15 2019-06-11 北京市商汤科技开发有限公司 图像处理方法及装置、电子设备和存储介质
CN109939442A (zh) * 2019-03-15 2019-06-28 深圳市腾讯信息技术有限公司 应用角色位置异常识别方法、装置、电子设备及存储介质
CN110418112A (zh) * 2019-08-09 2019-11-05 上海商汤智能科技有限公司 一种视频处理方法及装置、电子设备和存储介质
CN110674719A (zh) * 2019-09-18 2020-01-10 北京市商汤科技开发有限公司 目标对象匹配方法及装置、电子设备和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
于宗泽;方勇;李兆元;: "基于压缩稀疏融合的动作识别方法" *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112183313A (zh) * 2020-09-27 2021-01-05 武汉大学 一种基于SlowFast的电力作业现场动作识别方法
CN112785561A (zh) * 2021-01-07 2021-05-11 天津狮拓信息技术有限公司 一种基于改进Faster RCNN预测模型的二手商用车车况检测方法
CN113450125A (zh) * 2021-07-06 2021-09-28 北京市商汤科技开发有限公司 可溯源生产数据的生成方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN111680646B (zh) 2023-09-22

Similar Documents

Publication Publication Date Title
CN110348537B (zh) 图像处理方法及装置、电子设备和存储介质
CN110287874B (zh) 目标追踪方法及装置、电子设备和存储介质
CN111310616B (zh) 图像处理方法及装置、电子设备和存储介质
CN109801270B (zh) 锚点确定方法及装置、电子设备和存储介质
CN109948494B (zh) 图像处理方法及装置、电子设备和存储介质
WO2022134382A1 (zh) 图像分割方法及装置、电子设备和存储介质、计算机程序
CN109257645B (zh) 视频封面生成方法及装置
CN111680646B (zh) 动作检测方法及装置、电子设备和存储介质
CN111553864A (zh) 图像修复方法及装置、电子设备和存储介质
CN111104920A (zh) 视频处理方法及装置、电子设备和存储介质
CN112991381B (zh) 图像处理方法及装置、电子设备和存储介质
CN109344703B (zh) 对象检测方法及装置、电子设备和存储介质
CN108171222B (zh) 一种基于多流神经网络的实时视频分类方法及装置
US20220383517A1 (en) Method and device for target tracking, and storage medium
CN107886515B (zh) 利用光流场的图像分割方法及装置
CN111523346A (zh) 图像识别方法及装置、电子设备和存储介质
CN113261011A (zh) 图像处理方法及装置、电子设备和存储介质
CN112330717B (zh) 目标跟踪方法及装置、电子设备和存储介质
WO2022141969A1 (zh) 图像分割方法及装置、电子设备、存储介质和程序
CN113283343A (zh) 人群定位方法及装置、电子设备和存储介质
CN111311588B (zh) 重定位方法及装置、电子设备和存储介质
CN109889693B (zh) 视频处理方法及装置、电子设备和存储介质
CN113506324B (zh) 图像处理方法及装置、电子设备和存储介质
CN112330721B (zh) 三维坐标的恢复方法及装置、电子设备和存储介质
CN114445753A (zh) 人脸跟踪识别方法及装置、电子设备和存储介质

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