CN112084882A - 一种行为检测方法、装置及计算机可读存储介质 - Google Patents

一种行为检测方法、装置及计算机可读存储介质 Download PDF

Info

Publication number
CN112084882A
CN112084882A CN202010833023.6A CN202010833023A CN112084882A CN 112084882 A CN112084882 A CN 112084882A CN 202010833023 A CN202010833023 A CN 202010833023A CN 112084882 A CN112084882 A CN 112084882A
Authority
CN
China
Prior art keywords
human body
behavior
preset
target
body image
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
Application number
CN202010833023.6A
Other languages
English (en)
Inventor
王维治
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.)
Shenzhen Infineon Information Co.,Ltd.
Original Assignee
Shenzhen Infinova 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 Shenzhen Infinova Ltd filed Critical Shenzhen Infinova Ltd
Priority to CN202010833023.6A priority Critical patent/CN112084882A/zh
Publication of CN112084882A publication Critical patent/CN112084882A/zh
Pending legal-status Critical Current

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
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • 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
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
    • 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
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Alarm Systems (AREA)

Abstract

本申请适用于人工智能技术领域，提供了一种行为检测方法及装置，其中，行为检测方法包括：获取可见光摄像装置采集到的目标人体图像；将目标人体图像输入预先构建的行为检测模型进行处理，得到目标人体图像对应的行为概率矩阵；其中，行为概率矩阵中的每个元素的值用于表示目标人体图像中的目标人体存在该元素对应的预设违规行为的概率，行为检测模型为基于第一预设样本集对预先构建的第一深度学习模型进行训练所得；第一预设样本集中的每条样本数据均包括样本人体图像和样本人体图像对应的行为概率矩阵；若行为概率矩阵中某个元素的值大于该元素对应的预设概率阈值，则确定目标人体存在该元素对应的预设违规行为。上述行为检测方法能够提高行为检测的效率。

Description

一种行为检测方法、装置及计算机可读存储介质
技术领域
本申请属于人工智能技术领域，尤其涉及一种行为检测方法、装置及计算机可读存储介质。
背景技术
随着人们生活水平的不断提高，人们越来越重视食品的质量和安全问题，为了从食品的源头抓起，通常可以在食品加工间安装摄像机来监测食品加工者是否存在不利于食品安全的违规行为，例如，未戴口罩、手套或帽子等。传统的违规行为检测方法是将摄像机拍摄到的人体图像与预先存储的大量人体存在违规行为的人体图像进行一一对比，来判断食品加工者是否存在违规行为以及违规行为的类型。然而，上述检测方法耗时较长，违规行为的检测效率较低。
发明内容
本申请实施例提供了一种行为检测方法、装置及计算机可读存储介质，可以解决现有的违规行为检测方法存在的耗时较长、违规行为的检测效率较低的问题。
第一方面，本申请实施例提供了一种行为检测方法，包括：
获取可见光摄像装置采集到的目标人体图像；
将所述目标人体图像输入预先构建的行为检测模型进行处理，得到所述目标人体图像对应的行为概率矩阵；其中，所述行为概率矩阵中的每个元素的值用于表示所述目标人体图像中的目标人体存在所述元素对应的预设违规行为的概率，所述行为检测模型为基于第一预设样本集对预先构建的第一深度学习模型进行训练所得；所述第一预设样本集中的每条样本数据均包括样本人体图像和所述样本人体图像对应的行为概率矩阵；
若所述行为概率矩阵中的第一元素的值大于所述第一元素对应的预设概率阈值，则确定所述目标人体存在所述第一元素对应的预设违规行为。
进一步的，所述获取可见光摄像装置采集到的目标人体图像，包括：
获取所述可见光摄像装置采集到的多帧人体图像；
将所述多帧人体图像输入预设的人脸检测模型，得到所述多帧人体图像各自对应的人脸得分值；其中，所述人脸得分值用于表示所述人体图像中的人脸的完整性；
将人脸得分值最大的所述人体图像确定为所述目标人体图像。
进一步的，所述获取可见光摄像装置采集到的目标人体图像之前，所述行为检测方法还包括：
获取所述可见光摄像装置采集到的多帧视频图像；
将所述多帧视频图像输入预设的目标检测模型进行目标识别，得到所述多帧视频图像各自对应的目标识别结果；
将所述目标识别结果中包括人体的所述视频图像确定为所述人体图像。
进一步的，所述确定所述目标人体存在所述第一元素对应的预设违规行为之后，所述行为检测方法还包括：
获取所述目标人体图像中包含的人脸的特征信息；
根据所述目标人体图像中包含的人脸的特征信息以及预先存储的各个预设人脸的特征信息与身份信息之间的对应关系，确定所述目标人体的身份信息。
进一步的，所述行为检测方法还包括：
获取热成像摄像装置采集到的第一热图像；
若所述第一热图像中存在温度值大于第一预设温度阈值的第一区域，则确定所述第一热图像所检测的第一人体存在第一预设违规行为，并确定所述第一区域的坐标信息；
获取与所述热成像摄像装置关联的目标可见光摄像装置采集到的第一人体图像；其中，所述目标可见光摄像装置与所述热成像摄像装置设置在相同位置，所述第一人体图像的采集时间与所述第一热图像的采集时间相同；
根据所述第一区域的坐标信息，确定所述第一人体图像中与所述第一区域对应的第二区域的坐标信息；
对所述第一人体图像进行人脸检测，并确定所述第一人体图像中包含的各个候选人脸的坐标信息；
根据各个所述候选人脸的坐标信息以及所述第二区域的坐标信息，确定各个所述候选人脸与所述第二区域之间的距离值；
根据与所述第二区域之间的距离值最小的所述候选人脸的特征信息，确定所述第一人体的身份信息。
进一步的，所述行为检测方法还包括：
获取热成像摄像装置在预设时段内采集到的第二热图像；
若所述第二热图像中存在温度大于第二预设温度阈值且小于第一预设温度阈值的第三区域，则确定所述第二热图像所检测的目标对象中存在预设目标对象。
进一步的，所述确定所述目标人体存在所述第一元素对应的预设违规行为之后，所述行为检测方法还包括：
输出报警控制指令至预设报警装置，所述报警控制指令用于指示所述报警装置进行报警。
第二方面，本申请实施例提供了一种行为检测装置，包括：
第一获取单元，用于获取可见光摄像装置采集到的目标人体图像；
行为检测单元，用于将所述目标人体图像输入预先构建的行为检测模型进行处理，得到所述目标人体图像对应的行为概率矩阵；其中，所述行为概率矩阵中的每个元素的值用于表示所述目标人体图像中的目标人体存在所述元素对应的预设违规行为的概率，所述行为检测模型为基于第一预设样本集对预先构建的第一深度学习模型进行训练所得；所述第一预设样本集中的每条样本数据均包括样本人体图像和所述样本人体图像对应的行为概率矩阵；
行为确定单元，用于若所述行为概率矩阵中的第一元素的值大于所述第一元素对应的预设概率阈值，则确定所述目标人体存在所述第一元素对应的预设违规行为。
第三方面，本申请实施例提供了一种行为检测装置，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上述第一方面中任一项所述的行为检测方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面中任一项所述的行为检测方法的步骤。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在行为检测装置上运行时，使得行为检测装置执行上述第一方面中任一项所述的行为检测方法的步骤。
本申请实施例与现有技术相比存在的有益效果是：
本申请提供的一种行为检测方法，通过获取可见光摄像装置采集到的目标人体图像；将目标人体图像输入预先构建的行为检测模型进行处理，得到目标人体图像对应的行为概率矩阵；其中，行为概率矩阵中的每个元素的值用于表示目标人体图像中的目标人体存在该元素对应的预设违规行为的概率，行为检测模型为基于第一预设样本集对预先构建的第一深度学习模型进行训练所得；第一预设样本集中的每条样本数据均包括样本人体图像和样本人体图像对应的行为概率矩阵；若行为概率矩阵中的第一元素的值大于第一元素对应的预设概率阈值，则确定所述目标人体存在所述第一元素对应的预设违规行为。上述行为检测方法只需将可见光摄像装置采集到的目标人体图像输入预先构建的行为检测模型便可得到目标人体图像对应的行为概率矩阵，进而可以根据行为概率矩阵中各个元素的值以及各个元素对应的预设概率阈值确定目标人体是否存在违规行为或违规行为的类型，与现有技术相比，本申请无需将目标人体图像与大量的人体存在违规行为的人体图像进行对比，从而缩短了行为检测的时间，提高了行为检测的效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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的附图。
图1是本申请实施例提供的一种行为检测系统的系统示意图；
图2是本申请实施例提供的一种行为检测模型的结构示意图；
图3是本申请实施例提供的一种行为检测方法的实现流程图；
图4是本申请实施例提供的一种行为检测方法中S101的具体实现流程图；
图5是本申请另一实施例提供的一种行为检测方法的实现流程图；
图6是本申请再一实施例提供的一种行为检测方法的实现流程图；
图7是本申请又一实施例提供的一种行为检测方法的实现流程图；
图8是本申请实施例提供的第一区域和第二区域的坐标范围示意图；
图9是本申请又一实施例提供的一种行为检测方法的实现流程图；
图10是本申请实施例提供的行为检测装置的结构示意图；
图11是本申请另一实施例提供的行为检测装置的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
图1是本申请实施例提供的一种行为检测方法所适用的行为检测系统的结构示意图，如图1所示，该行为检测系统可以包括行为检测装置10以及与行为检测装置10通信连接的热成像摄像装置11和至少一个可见光摄像装置12。
其中，可见光摄像装置12用于对其摄像范围内的物体进行拍摄，得到相应的红绿蓝(redgreenblue，RGB)图像。
热成像摄像装置11通过对其拍摄范围内的被测物体进行红外辐射探测，并加以信号处理、光电转换等手段，将该被测物体发出的不可见红外能量转变为可见的热图像。热图像中的不同颜色代表被测物体的不同温度。
行为检测装置10可以获取可见光摄像装置12采集到的RGB图像和/或热成像摄像装置11采集到的热图像，并基于RGB图像和/或热图像对被拍者的行为进行检测。因此，可见光摄像装置和热成像摄像装置可以被安装在任何需要进行行为检测的场所，例如，各种商场、超市或食品加工间等。
示例性的，以行为检测系统应用于食品安全领域为例，为了保证食品加工的安全性，可以将热成像摄像装置11和多个可见光摄像装置12安装在食品加工间。其中，不同的可见光摄像装置12可以安装在食品加工间的不同位置，热成像摄像装置11可以与其中一个可见光摄像装置12安装在相同位置。行为检测装置10可以将安装在相同位置的可见光摄像装置12和热成像摄像装置11进行关联。
在实际应用中，作为示例而非限定，行为检测装置10可以是桌上型计算机、笔记本、掌上电脑等。热成像摄像装置11可以是红外热成像测温仪。可见光摄像装置12可以是监控摄像装置。
需要说明的是，本申请实施例中，行为检测装置10中预先存储有多个检测模型，包括但不限于：行为检测模型、目标检测模型及人脸检测模型等。
行为检测模型用于检测人体图像中的目标人体存在预设违规行为的概率。其中，人体图像指包含人体(至少包括人体的上半身)的图像。预设违规行为可以根据实际需要设置，此处不作限制，例如，当行为检测模型应用于食品安全领域，用于检测食品加工间的食品加工者是否有不利于食品安全的预设违规操作时，预设违规行为可以包括但不限于未戴口罩、未戴帽子、未戴手套、未穿工作服及吸烟等。行为检测模型可以是基于第一预设样本集对预先构建的第一深度学习模型进行训练所得的。其中，第一预设样本集中的每条样本数据均包括样本人体图像和样本人体图像对应的行为概率矩阵。行为概率矩阵中的每个元素的值用于表示样本人体图像中的目标人体存在该元素对应的预设违规行为的概率。在对预先构建的第一深度学习模型进行训练时，将每条样本中的样本人体图像作为第一深度学习模型的输入，将每条样本中的样本人体图像对应的行为概率矩阵作为第一深度学习模型的输出，通过训练，第一深度学习模型可以学习到所有可能的人体图像与行为概率矩阵之间的对应关系，将训练好的第一深度学习模型作为行为检测模型。
示例性的，假设行为概率矩阵为[A,B,C]，元素A、元素B及元素C分别对应预设违规行为1、预设违规行为2及预设违规行为3，那么，元素A的取值用于表示目标人体图像中的目标人体存在预设违规行为1的概率，元素B的取值用于表示目标人体图像中的目标人体存在预设违规行为2的概率，元素C的取值用于表示目标人体图像中的目标人体存在预设违规行为3的概率。
本申请实施例中，行为检测模型可以由多个用于检测不同违规行为的子行为检测模型构成。其中，预设违规行为可以根据实际需要设置，此处不作限制。
基于此，如图2所示，行为检测模型20可以包括用于检测没有戴口罩的第一子行为检测模型21、用于检测没有穿工作服的第二子行为检测模型22及用于检测没有戴工作帽的第三子行为检测模型23。
目标检测模型用于对图像中的目标物体进行检测，并识别出目标物体的类型。目标检测模型可以是现有的基于卷积神经网络的目标检测模型。
人脸检测模型用于检测人体图像中包含的人脸的完整性。人脸检测模型可以基于第二预设样本集对预先构建的第二深度学习模型进行训练所得。其中，第二预设样本集中的每条样本数据均包括样本人体图像和样本人体图像对应的人脸得分值。人脸得分值用于表示样本人体图像中的目标人体的人脸中的五官的完整度和清晰度，得分值越高表示人脸五官越完整，五官的清晰度越高。在对预先构建的第二深度学习模型进行训练时，将每条样本中的样本人体图像作为第二深度学习模型的输入，将每条样本中的样本人体图像对应的人脸得分值作为第二深度学习模型的输出，通过训练，第二深度学习模型可以学习到所有可能的人体图像与人脸得分值之间的对应关系，将训练好的第二深度学习模型作为人脸检测模型。
以下以可见光摄像装置12和热成像摄像装置11安装在食品加工间为例，对本申请实施例提供的行为检测方法进行示例性说明。
请参阅图3，图3是本申请实施例提供的一种行为检测方法的实现流程图，本申请实施例提供的行为检测方法的执行主体为行为检测装置。如图3所示，行为检测方法可以包括S101～S103，详述如下：
在S101中，获取可见光摄像装置采集到的目标人体图像。
本申请实施例中，可见光摄像装置可以对其拍摄范围内的场景进行录像，得到相应的视频。或者，可见光摄像装置可以基于预设拍摄时间间隔对其拍摄范围内的场景进行拍照，得到多帧视频图像。
行为检测装置可以获取可见光摄像装置拍摄到的视频，并对该视频进行分帧处理，得到多帧视频图像。或者，可见光摄像装置可以直接获取可见光摄像装置拍摄到的多帧视频图像。
可见光摄像装置获取到可见光摄像装置拍摄到的多帧视频图像后，从该多帧视频图像中获取目标人体图像。
具体的，行为检测装置可以通过如图4所示的S401～S403获取目标人体图像，详述如下：
在S401中，获取所述可见光摄像装置采集到的多帧人体图像。
本实施例中，由于可见光摄像装置的拍摄范围内可能存在人体或非人体，因此，可见光摄像装置采集到的多帧视频图像中可能包括人体或者非人体。其中，非人体可以是除人以外的生命体或无生命的物体等。
基于此，行为检测装置可以通过如图5所示的S01～S03确定可见光摄像装置采集到的人体图像，详述如下：
在S01中，获取所述可见光摄像装置采集到的多帧视频图像。
在S02中，将所述多帧视频图像输入预设的目标检测模型进行目标识别，得到所述多帧视频图像各自对应的目标识别结果。
目标识别结果用于描述视频图像中包含的目标对象的类型。
目标对象的类型可以包括但不限于人体或非人体。示例性的，非人体可以包括但不限于猫、狗、老鼠或餐具等。
行为检测装置若检测到某帧视频图像对应的目标识别结果中包括人体，则执行S03。
行为检测装置若检测到某帧视频图像对应的目标识别结果中包括除人以外的生命体，则可以输出第一报警控制指令至与行为检测装置连接的预设报警装置，以控制预设报警装置以第一报警方式进行报警。其中，第一报警方式用于提示食品加工间存在除人以外的生命体。作为示例而非限定，报警装置可以是报警器或指示灯。
在S03中，将所述目标识别结果中包括人体的所述视频图像确定为所述人体图像。
当某帧视频图像对应的目标识别结果中包括人体时，说明该视频图像中包括人体，因此，行为检测装置可以将目标识别结果中包括人体的视频图像确定为人体图像。
在S402中，将所述多帧人体图像输入预设的人脸检测模型，得到所述多帧人体图像各自对应的人脸得分值；其中，所述人脸得分值用于表示所述人体图像中的人脸的完整性。
在S403中，将人脸得分值最大的所述人体图像确定为所述目标人体图像。
本实施例中，行为检测装置可以将人脸得分值最大的人体图像确定为目标人体图像。
在本申请的另一个实施例中，行为检测装置还可以将人脸得分值大于预设人脸得分值阈值的人体图像确定为目标人体图像。其中，人脸得分值大于预设人脸得分值阈值的人体图像可以是一帧，也可以是多帧。
在S102中，将所述目标人体图像输入预先构建的行为检测模型进行处理，得到所述目标人体图像对应的行为概率矩阵；其中，所述行为概率矩阵中的每个元素的值用于表示所述目标人体图像中的目标人体存在所述元素对应的预设违规行为的概率，所述行为检测模型为基于第一预设样本集对预先构建的第一深度学习模型进行训练所得；所述第一预设样本集中的每条样本数据均包括样本人体图像和所述样本人体图像对应的行为概率矩阵。
行为检测装置在得到目标人体图像对应的行为概率矩阵后，可以将行为概率矩阵中每个元素的值与该元素对应的预设概率阈值进行比较。行为检测装置若检测到行为概率矩阵中的至少一个元素的值大于该元素对应的预设概率阈值，则执行S103；行为检测装置若检测到行为概率矩阵中的每个元素的值均小于或等于该元素对应的预设概率阈值，则确定目标人体图像中的目标人体不存在违规行为。
需要说明的是，每个元素对应的预设概率阈值可以相同，也可以不同，且预设概率阈值可以根据实际需要设置，此处不作限制。
行为检测装置将目标人体图像输入预先构建的行为检测模型进行处理具体可以包括：将目标人体图像分别输入多个用于检测不同违规行为的子行为检测模型中，每个子行为检测模型均会输出一个概率值，进而得到由每个概率值构成的行为概率矩阵。其中，每个概率值用于表示目标人体图像存在某个预设违规行为的几率。
在S103中，若所述行为概率矩阵中的第一元素的值大于所述第一元素对应的预设概率阈值，则确定所述目标人体存在所述第一元素对应的预设违规行为。
示例性的，假设行为概率矩阵[A,B,C]的取值为[0.9,0.7,0.95]，每个元素对应的预设概率阈值均为0.9，由于元素C的概率值大于0.9，因此，行为检测装置可以确定目标人体图像中的目标人体存在元素C对应的预设违规行为3。
在本申请的一个实施例中，行为检测装置在检测到目标人体存在预设违规行为后，可以输出第二报警控制指令至与行为检测装置连接的预设报警装置，以控制预设报警装置以第二报警方式进行报警。其中，第二报警方式用于提示目标人体存在预设违规行为。
以上可以看出，本申请实施例提供的一种行为检测方法，通过获取可见光摄像装置采集到的目标人体图像；将目标人体图像输入预先构建的行为检测模型进行处理，得到目标人体图像对应的行为概率矩阵；其中，行为概率矩阵中的每个元素的值用于表示目标人体图像中的目标人体存在该元素对应的预设违规行为的概率，行为检测模型为基于第一预设样本集对预先构建的第一深度学习模型进行训练所得；第一预设样本集中的每条样本数据均包括样本人体图像和样本人体图像对应的行为概率矩阵；若行为概率矩阵中的第一元素的值大于第一元素对应的预设概率阈值，则确定所述目标人体存在所述第一元素对应的预设违规行为。上述行为检测方法只需将可见光摄像装置采集到的目标人体图像输入预先构建的行为检测模型便可得到目标人体图像对应的行为概率矩阵，进而可以根据行为概率矩阵中各个元素的值以及各个元素对应的预设概率阈值确定目标人体是否存在违规行为或违规行为的类型，与现有技术相比，本申请无需将目标人体图像与大量的人体存在违规行为的人体图像进行对比，从而缩短了行为检测的时间，提高了行为检测的效率。
在本申请的另一个实施例中，为了确定存在违规行为的目标人体图像中的目标人体的身份信息，行为检测装置可以预先获取各个食品加工者的人脸图像和身份信息，并从每个食品加工者的人脸图像中提取人脸特征信息作为该食品加工者的人脸的特征信息。行为检测装置可以将每个食品加工者的人脸的特征信息与其身份信息建立对应关系，得到各个预设人脸的特征信息与身份信息之间的对应关系。其中，每个预设人脸分别对应每个食品加工者的人脸。身份信息可以包括但不限于：姓名和职位等。行为检测装置可以将各个预设人脸的特征信息与身份信息之间的对应关系进行存储。
基于此，图6是本申请再一实施例提供的一种行为检测方法的实现流程图。相对于图3对应的实施例，本实施例提供的行为检测方法在S103之后，还可以包括如图6所示的S601～S602，详述如下：
在S601中，获取所述目标人体图像中包含的人脸的特征信息。
本实施例中，在确定目标人体存在第一元素对应的预设违规行为后，从目标人体图像中提取包含目标人体的人脸的特征信息。作为示例而非限定，人脸的特征信息可以是人脸中的预设关键区域的特征信息，作为示例而非限定，预设关键区域可以是鼻子、眼睛、嘴巴等区域。可以理解的是，本实施例中，预设关键区域可以是一个或多个。
在S602中，根据所述目标人体图像中包含的人脸的特征信息以及预先存储的各个预设人脸的特征信息与身份信息之间的对应关系，确定所述目标人体的身份信息。
本实施例中，行为检测装置可以将目标人体图像中包含的人脸的特征信息与预先存储的各个预设人脸的特征信息进行一一对比，若检测到目标人体图像中包含的人脸的特征信息与预先存储的第一预设人脸的特征信息之间的相似度大于或等于预设相似度阈值，则将第一预设人脸的特征信息对应的身份信息确定为目标人体图像中包含的人脸的特征信息对应的身份信息，目标人体图像中包含的人脸的特征信息即为目标人体的身份信息。其中，预设相似度阈值可以根据实际需要设置，此处不作限制。
需要说明的是，本实施例中，目标人体图像中包含的人脸的特征信息与预先存储的某个预设人脸的特征信息之间的相似度大于或等于预设相似度阈值，具体指目标人体图像中包含的人脸的每个预设关键区域的特征信息与预先存储的某个预设人脸中包含的对应的预设关键区域的特征信息之间的相似度均大于或等于预设相似度阈值。
在本申请的再一个实施例中，行为检测装置在检测到目标人体图像中包含的人脸的特征信息与预先存储的某个预设人脸的特征信息之间的相似度小于预设相似度阈值后，确定目标人体为非食品加工者。
基于此，在本申请的又一个实施例中，行为检测装置若检测到存在违规行为的目标人体为非食品加工者，则可以输出第三报警控制指令至与行为检测装置连接的预设报警装置，以控制预设报警装置以第三报警方式进行报警。其中，第三报警方式用于提示食品加工间存在违规行为的目标人体为非食品加工者。
以上可以看出，本实施例提供的一种行为检测方法，通过获取目标人体图像中包含的人脸的特征信息；根据目标人体图像中包含的人脸的特征信息以及预先存储的各个预设人脸的特征信息与身份信息之间的对应关系，确定目标人体的身份信息，使得该行为检测方法不仅可以确定食品加工间是否存储违规行为，还可以确定做出违规行为的目标人体的身份信息。
请参阅图7，图7是本申请又一实施例提供的一种行为检测方法的实现流程图。相对于图3对应的实施例，本实施例中的一种行为检测方法还可以包括S701～S707，详述如下：
在S701中，获取热成像摄像装置采集到的第一热图像。
本实施例中，热成像摄像装置开启后，可以实时获取食品加工间对应的热图像。其中，热图像用于描述热成像摄像装的拍摄范围内的物体的热量或温度。
需要说明的是，由于烟头的温度一般高于人体温度，因此，行为检测装置可以根据热图像中的不同温度值确定食品加工间是否存在吸烟行为。
基于此，行为检测装置可以获取热成像摄像装置采集到的第一热图像。其中，第一热图像可以是热成像摄像装置采集到的热图像的任意一张或多张热图像。
行为检测装置在获取到第一热图像后，可以将第一热图像中所有像素点的温度值与第一预设温度阈值进行比较。行为检测装置若检测到第一热图像中存在温度值大于第一预设温度阈值的第一区域，则执行S702～S707；行为检测装置若检测到第一热图像中不存在温度值大于第一预设温度阈值的第一区域，则确定第一热图像所检测的第一人体不存在第一预设违规行为。
其中，第一预设温度阈值可以根据实际需要设置，此处不作限制，示例性的，第一预设温度阈值可以是烟草点燃之后的温度值。第一预设违规行为可以是吸烟行为。
在S702中，若所述第一热图像中存在温度值大于第一预设温度阈值的第一区域，则确定所述第一热图像所检测的第一人体存在第一预设违规行为，并确定所述第一区域的坐标信息。
需要说明的是，第一区域的坐标信息指第一区域的坐标范围，作为示例而非限定，第一区域可以是矩形区域，则第一区域的坐标范围可以通过该矩形区域的任一对角线的两个端点的坐标表示。
本实施例中，第一区域的坐标信息是以第一热图像对应的第一坐标系为基准的。示例性的，如图8中的(a)所示，行为检测装置可以以第一热图像30的端点A为原点，以第一热图像30的左竖边31所在的直线为X轴，以第一热图像30的下横边32所在的直线为Y轴建立第一坐标系。基于此，第一区域的坐标信息指第一区域在第一坐标系中的坐标范围。
例如，若第一区域34的第一端点C1的坐标为(x1,y1)，与第一端点C1在同一条对角线上的第二端点C2的坐标为(x2,y2)，则第一区域34的坐标范围可以表示为：[(x1,y1),(x2,y2)]，即第一区域34的坐标信息为：[(x1,y1),(x2,y2)]。
在S703中，获取与所述热成像摄像装置关联的目标可见光摄像装置采集到的第一人体图像；其中，所述目标可见光摄像装置与所述热成像摄像装置设置在相同位置，所述第一人体图像的采集时间与所述第一热图像的采集时间相同。
本实施例中，由于热成像摄像装置仅能获取热图像，无法获取到对应的RGB图像，因此，为了确定存在第一预设违规行为的人体的身份信息，行为检测装置可以获取与该热成像摄像装置关联的目标可见光摄像装采集到的第一人体图像。其中，第一人体图像的采集时间应与第一热图像的采集时间相同。
在S704中，根据所述第一区域的坐标信息，确定所述第一人体图像中与所述第一区域对应的第二区域的坐标信息。
在本实施例的一种实现方式中，当热成像摄像装置与目标可见光摄像装置的视场角相同，即热成像摄像装置与目标可见光摄像装置的拍摄范围相同时，热成像摄像装置拍摄的第一热图像与目标可见光摄像装置拍摄的第一人体图像中的场景完全一致，因此，第一区域在第一热图像中的位置与第一区域对应的第二区域在第一人体图像中的位置是完全相同的。
其中，第二区域在第一人体图像中的位置可以通过第二区域相对于第二坐标系的坐标信息表示，其中，第二坐标系与第一坐标系的建立方式相同。
如图8中的(b)所示，行为检测装置可以以第一人体图像40的端点B为原点，以第一人体图像40的左竖边41所在的直线为X轴，以第一人体图像40的下横边42所在的直线为Y轴建立第二坐标系。由于，第二区域相对于第二坐标系的坐标信息与第一区域相对于第一坐标系的坐标信息相同，因此，结合S702，若第一区域的坐标信息为：[(x1,y1),(x2,y2)]，则第二区域44的坐标信息也为：[(x1,y1),(x2,y2)]。
在本实施例的另一种实现方式中，当热成像摄像装置与目标可见光摄像装置的视场角不同，即热成像摄像装置与目标可见光摄像装置的拍摄范围并不完全相同时，食品加工间的同一个物体在热成像摄像装置和目标可见光摄像装置拍摄的图像中的位置是不同的，因此，行为检测装置可以以热成像摄像装置和目标可见光摄像装置均可以拍摄到的两个参考物为基准，分别确定两个参考物形成的参考区域相对于第一坐标系和第二坐标系的坐标信息。其中，参考区域可以是以两个参考物的连线为对角线矩形区域。
基于此，由于第一区域相对于参考区域的坐标信息和第二区域相对于参考区域的坐标信息是相同的，因此，行为检测装置可以先确定出参考区域在不同坐标系中的坐标信息，然后根据第一区域在第一坐标系中的坐标信息和参考区域在第一坐标系中的坐标信息确定第一区域相对于参考区域的位置，最后根据第一区域相对于参考区域的位置以及参考区域在第二坐标系中的坐标信息，确定第二区域相对于第二坐标系的坐标信息，即确定了第二区域在第一人体图像中的坐标信息。
示例性的，如图8中的(c)所示，假设在热成像摄像装置的第一热图像30中参考区域为33，第一区域34在第一坐标系中的坐标信息为：[(x1,y1),(x2,y2)]，参考区域33在第一坐标系中的坐标信息为：[(x3,y3),(x4,y4)]，则第一区域34相对于参考区域33的位置可以通过第一区域34的中点O1(中点O1坐标信息为：((x2-x1)/2,(y1-y2)/2))和参考区域33的中点O3(中点O3坐标信息为：((x4-x3)/2,(y3-y4)/2))表示，即第一区域34位于参考区域33向左平移(x4-x3)/2-(x2-x1)/2，再向下平移(y3-y4)/2-(y1-y2)/2的位置。
基于此，如图8中的(d)所示，假设目标可见光摄像装置的第一人体图像为40，参考区域33在第二坐标系中的坐标信息为：[(x5,y5),(x6,y6)]，行为检测装置可以根据参考区域33在第二坐标系中的坐标信息和第一区域在第一坐标系相对于参考区域的位置确定出第二区域44相对于第二坐标系的坐标信息。
在S705中，对所述第一人体图像进行人脸检测，并确定所述第一人体图像中包含的各个候选人脸的坐标信息。
本实施例中，行为检测装置在确定出第一人体图像中第二区域的坐标信息后，可以根据目标检测模型检测出第一人体图像中的各个候选人脸，并确定各个候选人脸的坐标信息。其中，候选人脸的坐标信息可以通过候选人脸所占的矩形区域的坐标信息表示，候选人脸所占的矩形区域的坐标信息指候选人脸所占的矩形区域相对于第二坐标系的坐标范围。
在S706中，根据各个所述候选人脸的坐标信息以及所述第二区域的坐标信息，确定各个所述候选人脸与所述第二区域之间的距离值。
在一个实施例中，候选人脸与第二区域之间的距离值可以是候选人脸所占的矩形区域的中点与第二区域的中点之间的直线距离值。
示例性的，如图8所示，若第二区域44的中点为O2，候选人脸所占区域为45的中点为O4，则行为检测装置可以将中点O2与中点O4之间的距离值a1确定为候选人脸所占区域45与第二区域44之间的距离值。
行为检测装置确定了各个候选人脸与第二区域之间的距离值后，可以将各个候选人脸中与第二区域之间的距离值最小的候选人脸确定为第一人体的人脸。
在S707中，根据与所述第二区域之间的距离值最小的所述候选人脸的特征信息，确定所述第一人体的身份信息。
本实施例中，行为检测装置获取与第二区域之间的距离值最小的候选人脸的特征信息，并将该候选人脸的特征信息与预先存储的各个预设人脸的特征信息进行一一对比，若检测到该候选人脸的特征信息与预先存储的第二预设人脸的特征信息之间的相似度大于或等于预设相似度阈值，则将第二预设人脸的特征信息对应的身份信息确定为该候选人脸的特征信息对应的身份信息，该候选人脸的特征信息对应的身份信息即为第一人体的身份信息。
以上可以看出，本实施例提供的一种行为检测方法，通过获取热成像摄像装置采集到的第一热图像；若第一热图像中存在温度值大于第一预设温度阈值的第一区域，则确定第一热图像所检测的第一人体存在第一预设违规行为，并确定第一区域的坐标信息；获取与热成像摄像装置关联的目标可见光摄像装置采集到的第一人体图像；第一人体图像的采集时间与第一热图像的采集时间相同；对第一人体图像进行人脸检测，并确定第一人体图像中包含的各个候选人脸的坐标信息；根据第一区域的坐标信息，确定第一人体图像中与第一区域对应的第二区域的坐标信息；根据各个候选人脸的坐标信息以及第二区域的坐标信息，确定各个候选人脸与第二区域之间的距离值；根据与第二区域之间的距离值最小的候选人脸的特征信息，确定第一人体的身份信息。上述行为检测方法可以根据热成像摄像装置确定第一人体是否存在第一预设违规行为，并可以根据与该热成像摄像装置关联的目标可见光摄像装置确定第一人体的身份信息，提高了检测第一预设违规行为的检测效率和准确率。
在本申请的又一个实施例中，由于在预设时段内食品加工间通常无人，且可能会有老鼠等动物出现，造成食品损坏或遗失，因此，为了检测预设时段内食品加工间是否存在老鼠等动物，本申请实施例提供了又一种行为检测方法。其中，预设时段可以是22:00～6:00。
请参阅图9，图9是本申请又一实施例提供的一种行为检测方法的实现流程图。相对于图3对应的实施例，本实施例提供的行为检测方法还可以包括如图9所示的S901～S902，详述如下：
在S901中，获取热成像摄像装置在预设时段内采集到的第二热图像。
第二热图像可以是热成像摄像装置在预设时段内采集到任意一张或多张热图像。
行为检测装置获取到第二热图像后，若检测到第二热图像中存在温度大于第二预设温度阈值且小于第一预设温度阈值的第三区域，则执行S802；行为检测装置若检测到第二热图像中不存在温度大于第二预设温度阈值且小于第一预设温度阈值的第三区域，则确定食品加工间在预设时段内不存在预设目标对象。其中，第二预设温度阈值小于第一预设温度阈值，第二预设温度阈值可以根据实际需要设置，此处不作限制，示例性的，第二预设温度阈值可以是老鼠的体温值。预设目标对象可以是老鼠。
在S902中，若所述第二热图像中存在温度大于第二预设温度阈值且小于第一预设温度阈值的第三区域，则确定所述第二热图像所检测的目标对象中存在预设目标对象。
在本申请的一个实施例中，行为检测装置若检测到第二热图像所检测的目标对象中存在预设目标对象，则可以输出第四报警控制指令至与行为检测装置连接的预设报警装置，以控制预设报警装置以第四报警方式进行报警。其中，第四报警方式用于提示食品加工间在预设时段内存在预设目标对象。
以上可以看出，本实施例提供的一种行为检测方法，通过获取热成像摄像装置在预设时段内采集到的第二热图像；若第二热图像中存在温度大于第二预设温度阈值且小于第一预设温度阈值的第三区域，则确定第二热图像所检测的目标对象中存在预设目标对象，并发出警报。上述行为检测方法在预设时间段内保证了食品加工间中的食品不会被损坏和遗失。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的一种实时时钟的切换方法，图10示出了本申请实施例提供的一种行为检测装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。参照图10，该行为检测装置600包括：第一获取单元61、行为检测单元62及行为确定单元63。其中：
第一获取单元61用于获取可见光摄像装置采集到的目标人体图像。
行为检测单元62用于将所述目标人体图像输入预先构建的行为检测模型进行处理，得到所述目标人体图像对应的行为概率矩阵；其中，所述行为概率矩阵中的每个元素的值用于表示所述目标人体图像中的目标人体存在所述元素对应的预设违规行为的概率，所述行为检测模型为基于第一预设样本集对预先构建的第一深度学习模型进行训练所得；所述第一预设样本集中的每条样本数据均包括样本人体图像和所述样本人体图像对应的行为概率矩阵。
行为确定单元63用于若所述行为概率矩阵中的第一元素的值大于所述第一元素对应的预设概率阈值，则确定所述目标人体存在所述第一元素对应的预设违规行为。
在本申请的一个实施例中，第一获取单元具体包括：第二获取单元、人脸检测单元及目标图像确定单元。其中：
第二获取单元用于获取所述可见光摄像装置采集到的多帧人体图像。
人脸检测单元用于将所述多帧人体图像输入预设的人脸检测模型，得到所述多帧人体图像各自对应的人脸得分值；其中，所述人脸得分值用于表示所述人体图像中的人脸的完整性。
目标图像确定单元用于将人脸得分值最大的所述人体图像确定为所述目标人体图像。
基于此，在本申请的一个实施例中，行为检测装置还包括：第三获取单元、目标识别单元及人体图像确定单元。其中：
第三获取单元用于获取所述可见光摄像装置采集到的多帧视频图像。
目标识别单元用于将所述多帧视频图像输入预设的目标检测模型进行目标识别，得到所述多帧视频图像各自对应的目标识别结果。
人体图像确定单元用于将所述目标识别结果中包括人体的所述视频图像确定为所述人体图像。
在本申请的一个实施例中，行为检测装置还包括：第四获取单元和目标人体身份信息确定单元。其中：
第四获取单元用于获取所述目标人体图像中包含的人脸的特征信息。
目标人体身份信息确定单元用于根据所述目标人体图像中包含的人脸的特征信息以及预先存储的各个预设人脸的特征信息与身份信息之间的对应关系，确定所述目标人体的身份信息。
在本申请的一个实施例中，行为检测装置还包括：第五获取单元、违规行为确定单元、第六获取单元、第一坐标信息确定单元、第二坐标信息确定单元、距离值确定单元及第一人体身份信息确定单元。其中：
第五获取单元用于获取热成像摄像装置采集到的第一热图像。
违规行为确定单元用于若所述第一热图像中存在温度值大于第一预设温度阈值的第一区域，则确定所述第一热图像所检测的第一人体存在第一预设违规行为，并确定所述第一区域的坐标信息。
第六获取单元用于获取与所述热成像摄像装置关联的目标可见光摄像装置采集到的第一人体图像；其中，所述目标可见光摄像装置与所述热成像摄像装置设置在相同位置，所述第一人体图像的采集时间与所述第一热图像的采集时间相同。
第一坐标信息确定单元用于根据所述第一区域的坐标信息，确定所述第一人体图像中与所述第一区域对应的第二区域的坐标信息。
第二坐标信息确定单元用于对所述第一人体图像进行人脸检测，并确定所述第一人体图像中包含的各个候选人脸的坐标信息。
距离值确定单元用于根据各个所述候选人脸的坐标信息以及所述第二区域的坐标信息，确定各个所述候选人脸与所述第二区域之间的距离值。
第一人体身份信息确定单元用于根据与所述第二区域之间的距离值最小的所述候选人脸的特征信息，确定所述第一人体的身份信息。
在本申请的一个实施例中，行为检测装置还包括：第七获取单元和目标对象确定单元。其中：
第七获取单元用于获取热成像摄像装置在预设时段内采集到的第二热图像。
目标对象确定单元用于若所述第二热图像中存在温度大于第二预设温度阈值且小于第一预设温度阈值的第三区域，则确定所述第二热图像所检测的目标对象中存在预设目标对象。
在本申请的一个实施例中，行为检测装置还包括：报警单元。
报警单元用于输出报警控制指令至预设报警装置，所述报警控制指令用于指示所述报警装置进行报警。
以上可以看出，本申请提供的一种行为检测装置，通过获取可见光摄像装置采集到的目标人体图像；将目标人体图像输入预先构建的行为检测模型进行处理，得到目标人体图像对应的行为概率矩阵；其中，行为概率矩阵中的每个元素的值用于表示目标人体图像中的目标人体存在该元素对应的预设违规行为的概率，行为检测模型为基于第一预设样本集对预先构建的第一深度学习模型进行训练所得；第一预设样本集中的每条样本数据均包括样本人体图像和样本人体图像对应的行为概率矩阵；若行为概率矩阵中的第一元素的值大于第一元素对应的预设概率阈值，则确定所述目标人体存在所述第一元素对应的预设违规行为。上述行为检测方法只需将可见光摄像装置采集到的目标人体图像输入预先构建的行为检测模型便可得到目标人体图像对应的行为概率矩阵，进而可以根据行为概率矩阵中各个元素的值以及各个元素对应的预设概率阈值确定目标人体是否存在违规行为或违规行为的类型，与现有技术相比，本申请无需将目标人体图像与大量的人体存在违规行为的人体图像进行对比，从而缩短了行为检测的时间，提高了行为检测的效率。
需要说明的是，上述各单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见上述方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
图11为本申请一实施例提供的行为检测装置的结构示意图。如图11所示，该实施例的行为检测装置7包括：至少一个处理器70(图11中仅示出一个)处理器、存储器71以及存储在所述存储器71中并可在所述至少一个处理器70上运行的计算机程序72，所述处理器70执行所述计算机程序72时实现上述任意一种行为检测方法实施例中的步骤。
所述行为检测装置7可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该行为检测装置7可包括，但不仅限于，处理器70、存储器71。本领域技术人员可以理解，图7仅仅是行为检测装置7的举例，并不构成对行为检测装置7的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
所称处理器70可以是中央处理单元(Central Processing Unit，CPU)，该处理器70还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器71在一些实施例中可以是所述行为检测装置7的内部存储单元，例如行为检测装置7的硬盘或内存。所述存储器71在另一些实施例中也可以是所述行为检测装置7的外部存储设备，例如所述行为检测装置7上配备的插接式硬盘，智能存储卡(SmartMedia Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器71还可以既包括所述行为检测装置7的内部存储单元也包括外部存储设备。所述存储器71用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述任意一种行为检测方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述任意一种行为检测方法实施例中的步骤。
所述集成的单元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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到行为检测装置的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的行为检测装置实施例仅仅是示意性的，例如，所述模块或单元的划分，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，例如多个单元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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种行为检测方法，其特征在于，包括：
获取可见光摄像装置采集到的目标人体图像；
将所述目标人体图像输入预先构建的行为检测模型进行处理，得到所述目标人体图像对应的行为概率矩阵；其中，所述行为概率矩阵中的每个元素的值用于表示所述目标人体图像中的目标人体存在所述元素对应的预设违规行为的概率，所述行为检测模型为基于第一预设样本集对预先构建的第一深度学习模型进行训练所得；所述第一预设样本集中的每条样本数据均包括样本人体图像和所述样本人体图像对应的行为概率矩阵；
若所述行为概率矩阵中的第一元素的值大于所述第一元素对应的预设概率阈值，则确定所述目标人体存在所述第一元素对应的预设违规行为。
2.如权利要求1所述的行为检测方法，其特征在于，所述获取可见光摄像装置采集到的目标人体图像，包括：
获取所述可见光摄像装置采集到的多帧人体图像；
将所述多帧人体图像输入预设的人脸检测模型，得到所述多帧人体图像各自对应的人脸得分值；其中，所述人脸得分值用于表示所述人体图像中的人脸的完整性；
将人脸得分值最大的所述人体图像确定为所述目标人体图像。
3.如权利要求2所述的行为检测方法，其特征在于，所述获取可见光摄像装置采集到的目标人体图像之前，所述行为检测方法还包括：
获取所述可见光摄像装置采集到的多帧视频图像；
将所述多帧视频图像输入预设的目标检测模型进行目标识别，得到所述多帧视频图像各自对应的目标识别结果；
将所述目标识别结果中包括人体的所述视频图像确定为所述人体图像。
4.如权利要求1所述的行为检测方法，其特征在于，所述确定所述目标人体存在所述第一元素对应的预设违规行为之后，所述行为检测方法还包括：
获取所述目标人体图像中包含的人脸的特征信息；
根据所述目标人体图像中包含的人脸的特征信息以及预先存储的各个预设人脸的特征信息与身份信息之间的对应关系，确定所述目标人体的身份信息。
5.如权利要求1所述的行为检测方法，其特征在于，还包括：
获取热成像摄像装置采集到的第一热图像；
若所述第一热图像中存在温度值大于第一预设温度阈值的第一区域，则确定所述第一热图像所检测的第一人体存在第一预设违规行为，并确定所述第一区域的坐标信息；
获取与所述热成像摄像装置关联的目标可见光摄像装置采集到的第一人体图像；其中，所述目标可见光摄像装置与所述热成像摄像装置设置在相同位置，所述第一人体图像的采集时间与所述第一热图像的采集时间相同；
根据所述第一区域的坐标信息，确定所述第一人体图像中与所述第一区域对应的第二区域的坐标信息；
对所述第一人体图像进行人脸检测，并确定所述第一人体图像中包含的各个候选人脸的坐标信息；
根据各个所述候选人脸的坐标信息以及所述第二区域的坐标信息，确定各个所述候选人脸与所述第二区域之间的距离值；
根据与所述第二区域之间的距离值最小的所述候选人脸的特征信息，确定所述第一人体的身份信息。
6.如权利要求1所述的行为检测方法，其特征在于，还包括：
获取热成像摄像装置在预设时段内采集到的第二热图像；
若所述第二热图像中存在温度大于第二预设温度阈值且小于第一预设温度阈值的第三区域，则确定所述第二热图像所检测的目标对象中存在预设目标对象。
7.如权利要求1至6任一项所述的行为检测方法，其特征在于，所述确定所述目标人体存在所述第一元素对应的预设违规行为之后，所述行为检测方法还包括：
输出报警控制指令至预设报警装置，所述报警控制指令用于指示所述报警装置进行报警。
8.一种行为检测装置，其特征在于，包括：
第一获取单元，用于获取可见光摄像装置采集到的目标人体图像；
行为检测单元，用于将所述目标人体图像输入预先构建的行为检测模型进行处理，得到所述目标人体图像对应的行为概率矩阵；其中，所述行为概率矩阵中的每个元素的值用于表示所述目标人体图像中的目标人体存在所述元素对应的预设违规行为的概率，所述行为检测模型为基于第一预设样本集对预先构建的第一深度学习模型进行训练所得；所述第一预设样本集中的每条样本数据均包括样本人体图像和所述样本人体图像对应的行为概率矩阵；
行为确定单元，用于若所述行为概率矩阵中的第一元素的值大于所述第一元素对应的预设概率阈值，则确定所述目标人体存在所述第一元素对应的预设违规行为。
9.一种行为检测装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
CN202010833023.6A 2020-08-18 2020-08-18 一种行为检测方法、装置及计算机可读存储介质 Pending CN112084882A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010833023.6A CN112084882A (zh) 2020-08-18 2020-08-18 一种行为检测方法、装置及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010833023.6A CN112084882A (zh) 2020-08-18 2020-08-18 一种行为检测方法、装置及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN112084882A true CN112084882A (zh) 2020-12-15

Family

ID=73727937

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010833023.6A Pending CN112084882A (zh) 2020-08-18 2020-08-18 一种行为检测方法、装置及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN112084882A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112733730A (zh) * 2021-01-12 2021-04-30 中国石油大学(华东) 采油作业现场吸烟人员识别处理方法及系统
CN113155292A (zh) * 2021-03-30 2021-07-23 新疆爱华盈通信息技术有限公司 人脸测温方法、人脸测温仪及存储介质
CN113469132A (zh) * 2021-07-26 2021-10-01 浙江大华技术股份有限公司 一种违规行为检测方法、装置、电子设备及存储介质
CN114565814A (zh) * 2022-02-25 2022-05-31 平安国际智慧城市科技股份有限公司 一种特征检测方法、装置及终端设备

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107247946A (zh) * 2017-07-06 2017-10-13 北京安宁威尔科技发展有限公司 行为识别方法及装置
CN109657737A (zh) * 2019-02-27 2019-04-19 福州大学 一种基于低成本红外热视技术的机柜内小动物入侵检测方法及系统
CN109670388A (zh) * 2017-10-17 2019-04-23 杭州萤石网络有限公司 一种目标行为检测方法、装置、电子设备及存储介质
CN111080672A (zh) * 2019-11-06 2020-04-28 深圳大学 安全预警方法、装置、计算设备及存储介质
CN111310665A (zh) * 2020-02-18 2020-06-19 深圳市商汤科技有限公司 违规事件检测方法及装置、电子设备和存储介质
WO2020125406A1 (zh) * 2018-12-20 2020-06-25 Oppo广东移动通信有限公司 安全监护方法、装置、终端及计算机可读存储介质
CN111339889A (zh) * 2020-02-20 2020-06-26 浙江大华技术股份有限公司 人脸优选方法、装置及存储介质
CN111507268A (zh) * 2020-04-17 2020-08-07 浙江大华技术股份有限公司 报警方法及装置、存储介质和电子装置
CN111539253A (zh) * 2020-03-24 2020-08-14 深圳英飞拓科技股份有限公司 一种人脸检测方法、装置、终端及存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107247946A (zh) * 2017-07-06 2017-10-13 北京安宁威尔科技发展有限公司 行为识别方法及装置
CN109670388A (zh) * 2017-10-17 2019-04-23 杭州萤石网络有限公司 一种目标行为检测方法、装置、电子设备及存储介质
WO2020125406A1 (zh) * 2018-12-20 2020-06-25 Oppo广东移动通信有限公司 安全监护方法、装置、终端及计算机可读存储介质
CN109657737A (zh) * 2019-02-27 2019-04-19 福州大学 一种基于低成本红外热视技术的机柜内小动物入侵检测方法及系统
CN111080672A (zh) * 2019-11-06 2020-04-28 深圳大学 安全预警方法、装置、计算设备及存储介质
CN111310665A (zh) * 2020-02-18 2020-06-19 深圳市商汤科技有限公司 违规事件检测方法及装置、电子设备和存储介质
CN111339889A (zh) * 2020-02-20 2020-06-26 浙江大华技术股份有限公司 人脸优选方法、装置及存储介质
CN111539253A (zh) * 2020-03-24 2020-08-14 深圳英飞拓科技股份有限公司 一种人脸检测方法、装置、终端及存储介质
CN111507268A (zh) * 2020-04-17 2020-08-07 浙江大华技术股份有限公司 报警方法及装置、存储介质和电子装置

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112733730A (zh) * 2021-01-12 2021-04-30 中国石油大学(华东) 采油作业现场吸烟人员识别处理方法及系统
CN112733730B (zh) * 2021-01-12 2022-11-18 中国石油大学(华东) 采油作业现场吸烟人员识别处理方法及系统
CN113155292A (zh) * 2021-03-30 2021-07-23 新疆爱华盈通信息技术有限公司 人脸测温方法、人脸测温仪及存储介质
CN113469132A (zh) * 2021-07-26 2021-10-01 浙江大华技术股份有限公司 一种违规行为检测方法、装置、电子设备及存储介质
CN114565814A (zh) * 2022-02-25 2022-05-31 平安国际智慧城市科技股份有限公司 一种特征检测方法、装置及终端设备
CN114565814B (zh) * 2022-02-25 2024-07-09 深圳平安智慧医健科技有限公司 一种特征检测方法、装置及终端设备

Similar Documents

Publication Publication Date Title
CN112084882A (zh) 一种行为检测方法、装置及计算机可读存储介质
JP6427973B2 (ja) 画像認識装置及び画像認識装置への特徴量データ登録方法
CN107194361B (zh) 二维姿势检测方法及装置
CN109886697A (zh) 基于表情组别的操作确定方法、装置及电子设备
CN107808115A (zh) 一种活体检测方法、装置及存储介质
CN111626125A (zh) 人脸温度检测的方法、系统、装置和计算机设备
CN107609544A (zh) 一种检测方法以及装置
CN111814646B (zh) 基于ai视觉的监控方法、装置、设备及介质
CN109801412B (zh) 门禁解锁方法及相关装置
CN111724496A (zh) 一种考勤方法、考勤装置及计算机可读存储介质
CN111144169A (zh) 人脸识别方法、装置和电子设备
CN112001886A (zh) 一种温度检测方法、装置、终端及可读存储介质
CN111666920A (zh) 目标物品佩戴检测方法、装置、存储介质及电子装置
JP7151875B2 (ja) 画像処理装置、画像処理方法、およびプログラム
JP2018156408A (ja) 画像認識撮像装置
CN112525355A (zh) 图像处理方法、装置及设备
CN112001953A (zh) 温度检测的方法、装置、设备和计算机设备
KR20230051848A (ko) 위험 영역의 안전사고 예방을 위한 시스템 및 시스템의 동작 방법
CN113837006B (zh) 一种人脸识别方法、装置、存储介质及电子设备
JP4840978B2 (ja) 撮像装置及びその制御方法及びプログラム及び記憶媒体
CN110175522A (zh) 考勤方法、系统及相关产品
CN116703157A (zh) 施工现场远程可视化显示方法、装置、电子设备和介质
CN116152932A (zh) 活体检测方法以及相关设备
CN111860100B (zh) 行人数量的确定方法、装置、电子设备及可读存储介质
CN111797656B (zh) 人脸关键点检测方法、装置、存储介质及电子设备

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
TA01 Transfer of patent application right

Effective date of registration: 20221222

Address after: 518000 Yingfei Haocheng Science Park, Guansheng 5th Road, Luhu Community, Guanhu Street, Longhua District, Shenzhen, Guangdong 1515

Applicant after: Shenzhen Infineon Information Co.,Ltd.

Address before: 3 / F, building H-3, East Industrial Zone, Huaqiaocheng, Nanshan District, Shenzhen, Guangdong 518000

Applicant before: SHENZHEN INFINOVA Ltd.

TA01 Transfer of patent application right