CN114565784A - 基于聚类算法的行人异常行为检测方法及装置、存储介质 - Google Patents
基于聚类算法的行人异常行为检测方法及装置、存储介质 Download PDFInfo
- Publication number
- CN114565784A CN114565784A CN202210255171.3A CN202210255171A CN114565784A CN 114565784 A CN114565784 A CN 114565784A CN 202210255171 A CN202210255171 A CN 202210255171A CN 114565784 A CN114565784 A CN 114565784A
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- attitude
- vector
- vectors
- image data
- 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
- 206010000117 Abnormal behaviour Diseases 0.000 title claims abstract description 96
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 60
- 238000001514 detection method Methods 0.000 title claims abstract description 33
- 239000013598 vector Substances 0.000 claims abstract description 340
- 238000000034 method Methods 0.000 claims abstract description 82
- 230000036544 posture Effects 0.000 claims abstract description 58
- 230000006399 behavior Effects 0.000 claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 48
- 230000002159 abnormal effect Effects 0.000 claims abstract description 36
- 238000000605 extraction Methods 0.000 claims abstract description 30
- 238000004364 calculation method Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 16
- 238000013473 artificial intelligence Methods 0.000 abstract description 13
- 230000009471 action Effects 0.000 abstract description 9
- 230000008569 process Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 12
- 230000006872 improvement Effects 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 6
- 230000002829 reductive effect Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000005055 memory storage Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/22—Social work or social welfare, e.g. community support activities or counselling services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Child & Adolescent Psychology (AREA)
- Marketing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及人工智能技术，提供了一种基于聚类算法的行人异常行为检测方法及装置、电子设备及存储介质，方法包括：获取包括多个行人图像数据的行人图像数据集；基于预训练的姿态提取网络模型对行人图像数据集进行姿态提取，得到各个行人图像数据对应的行人姿态向量；基于各个行人图像数据对应的行人姿态向量进行聚类迭代处理，直至满足迭代结束条件；将除第二行人姿态向量组之外的行人姿态向量对应的行人姿态行为确定为异常行为。本申请实施例中，无需标注哪些动作类型属于异常行为，通过聚类算法将没有聚类的相对孤立的行人姿态向量确定为异常行人姿态向量，能够有效检测出行人图像数据集中的异常行为，提高检测行人异常行为的准确率。
Description
技术领域
本申请实施例涉及但不限于图像处理技术领域，尤其涉及一种基于聚类算法的行人异常行为检测方法及装置、电子设备及计算机可读存储介质。
背景技术
异常行为检测是计算机视觉中具有重要应用价值的一个领域，在公共安全防护、家庭老人防护等方面均具有重要意义，通过监控设备检测异常行为并报警，能够有效地阻止异常事件的发生。当前对于人体的异常行为研究已经相对成熟，例如涉及到人脸识别、行人重识别等方面，异常行为检测不仅要求识别监控场景中的行人动作，还要求判断出什么动作是异常的，但对于不同的场景来说，异常行为的标准可能是不同的，且在相当多的应用场景中，所包含的正常行为多，异常行为少，不利于准确地检测出行人异常行为。
发明内容
以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
本申请实施例提供了一种基于聚类算法的行人异常行为检测方法及装置、电子设备及计算机可读存储介质，能够提高检测行人异常行为的准确率。
第一方面，本申请实施例提供了一种基于聚类算法的行人异常行为检测方法，包括：
获取行人图像数据集，所述行人图像数据集包括多个行人图像数据；
基于预训练的姿态提取网络模型对所述行人图像数据集进行姿态提取，得到各个所述行人图像数据对应的行人姿态向量，每个所述行人姿态向量对应于一个行人姿态行为；
基于各个所述行人图像数据对应的所述行人姿态向量进行聚类迭代处理，直至满足迭代结束条件，其中，所述聚类迭代处理包括：
随机生成聚类参考向量；
对于每个所述行人姿态向量，计算所述行人姿态向量与所述聚类参考向量之间的L2距离，根据各个所述行人姿态向量对应的所述L2距离，对各个所述行人姿态向量进行排序，得到经过排序的第一行人姿态向量组；
从所述第一行人姿态向量组中，选取一部分连续排序的所述行人姿态向量组成第二行人姿态向量组，并根据所述第二行人姿态向量组得到中心向量；
所述迭代结束条件为当前得到的所述中心向量与上一次得到的所述中心向量相同；
将除所述第二行人姿态向量组之外的所述行人姿态向量作为异常行人姿态向量，将所述异常行人姿态向量对应的所述行人姿态行为确定为异常行为。
根据本申请提供的实施例的基于聚类算法的行人异常行为检测方法，至少具有如下有益效果：通过对行人图像数据集进行姿态提取而得到行人姿态向量，进一步能够基于行人姿态向量进行聚类算法处理，并根据聚类算法结果确定哪些行人姿态向量为异常行为所对应的异常行人姿态向量，从而确定行人图像数据集中的异常行为，因此无需设置任意的行为检测标准，也无需标注哪些动作类型属于异常行为，只需输入行人图像数据就能够检测出其中的异常行为，具有良好的场景适用性，尤其是应用在正常行为多、异常行为少的场景下，通过聚类算法将没有聚类的相对孤立的行人姿态向量确定为异常行人姿态向量，能够更加便捷有效地检测出行人图像数据集中的异常行为，提高检测行人异常行为的准确率。
根据本申请的一些实施例，所述基于预训练的姿态提取网络模型对所述行人图像数据集进行姿态提取，得到各个所述行人图像数据对应的行人姿态向量，包括：
对于所述行人图像数据集中的每个所述行人图像数据，通过预训练的姿态提取网络模型从所述行人图像数据中提取多个关键点，并分别记录每个所述关键点的二维坐标；
对各个所述关键点的二维坐标进行映射处理，得到由所述姿态提取网络模型输出的行人姿态向量。
通过提取行人图像数据中的多个关键点，可以分别确定每个行人姿态行为所对应的身体部位、身体姿态等，并且将得到的关键点以二维坐标进行表示，以便于将多个关键点进行映射处理而得到相应的行人姿态向量，从而能够采用行人姿态向量表征行人姿态行为，以便于进一步基于行人姿态向量以确定行人的异常行为。
根据本申请的一些实施例，所述对各个所述关键点的二维坐标进行映射处理，得到由所述姿态提取网络模型输出的行人姿态向量，包括：
按照预设顺序将各个所述关键点的二维坐标进行组合，得到由所述姿态提取网络模型输出的N维行人姿态向量，其中，所述行人姿态向量的维数N为所述关键点的数量乘以二，所述N为大于2的偶数。
通过将多个关键点的二维坐标进行组合，可以得到拼接后的N维行人姿态向量，该N维行人姿态向量即包括对应的行人姿态行为中的每一个关键点的二维坐标，因此基于得到的N维行人姿态向量可以良好地表征行人姿态行为的各个细节，也可以证明对N维行人姿态向量进行处理即相当于对行人姿态行为进行进一步地确认。
根据本申请的一些实施例，所述随机生成聚类参考向量，包括：
随机生成N维聚类参考向量，并随机初始化所述聚类参考向量的值。
通过随机生成与行人姿态向量维数相同的聚类参考向量，可以确保行人姿态向量与聚类参考向量在计算处理时能够匹配，并且通过随机初始化聚类参考向量的值，可以确保所生成的聚类参考向量具有普适性且无差异，基于此得到的异常行为认定结果的真实性更好，有利于减少认定异常行为可能存在的误差。
根据本申请的一些实施例，所述根据各个所述行人姿态向量对应的所述L2距离，对各个所述行人姿态向量进行排序，包括：
按照各个所述L2距离由小到大的顺序，对各个所述行人姿态向量进行排序。
通过对L2距离进行由小到大的排序，可以将类似部分地行人姿态向量区分在相近的区域，即排序后的连续部分中的行人姿态向量被区分在相近的类别，以便于进一步确定异常行为所对应的行人姿态向量的序列。
根据本申请的一些实施例，所述从所述第一行人姿态向量组中，选取一部分连续排序的所述行人姿态向量组成第二行人姿态向量组，包括：
从所述第一行人姿态向量组的第一个所述行人姿态向量开始，按照预设比例选取一部分连续排序的所述行人姿态向量组成第二行人姿态向量组。
通过从第一行人姿态向量组的第一个行人姿态向量开始选取待排序的行人姿态向量，能够从头按顺序得到满足要求的第二行人姿态向量组。
根据本申请的一些实施例，所述根据所述第二行人姿态向量组得到中心向量，包括：
计算所述第二行人姿态向量组中的所有所述行人姿态向量的平均值；
根据所有所述行人姿态向量的平均值确定中心向量。
通过计算第二行人姿态向量组中的所有行人姿态向量的向量均值，可以确定所有行人姿态向量的平均中心点的位置和大小，进而基于此准确可靠地确定中心向量。
第二方面，本申请实施例还提供了一种基于聚类算法的行人异常行为检测装置，包括：
第一处理模块，用于获取行人图像数据集，所述行人图像数据集包括多个行人图像数据；
第二处理模块，用于基于预训练的姿态提取网络模型对所述行人图像数据集进行姿态提取，得到各个所述行人图像数据对应的行人姿态向量，每个所述行人姿态向量对应于一个行人姿态行为；
第三处理模块，用于基于各个所述行人图像数据对应的所述行人姿态向量进行聚类迭代处理，直至满足迭代结束条件，其中，所述聚类迭代处理包括：
随机生成聚类参考向量；
对于每个所述行人姿态向量，计算所述行人姿态向量与所述聚类参考向量之间的L2距离，根据各个所述行人姿态向量对应的所述L2距离，对各个所述行人姿态向量进行排序，得到经过排序的第一行人姿态向量组；
按照预设比例从所述第一行人姿态向量组中，选取一部分连续排序的所述行人姿态向量组成第二行人姿态向量组，并根据所述第二行人姿态向量组得到中心向量；
所述迭代结束条件为当前计算得到的所述中心向量与上一次计算得到的所述中心向量相同；
第四处理模块，用于将除所述第二行人姿态向量组之外的所述行人姿态向量作为异常行人姿态向量，将所述异常行人姿态向量各自对应的所述行人姿态行为确定为异常行为。
第三方面，本申请实施例还提供了一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上第一方面所述的基于聚类算法的行人异常行为检测方法。
第四方面，本申请实施例还提供了一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行如上第一方面所述的基于聚类算法的行人异常行为检测方法。
本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本申请技术方案的进一步理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本申请的技术方案，并不构成对本申请技术方案的限制。
图1是本申请一个实施例提供的基于聚类算法的行人异常行为检测方法的流程图；
图2是本申请一个实施例提供的基于聚类算法的行人异常行为检测方法中，对行人图像数据集进行姿态提取的流程图；
图3是本申请一个实施例提供的基于聚类算法的行人异常行为检测方法中，对各个关键点的二维坐标进行映射处理的流程图；
图4是本申请一个实施例提供的基于聚类算法的行人异常行为检测方法中，聚类迭代处理的流程图；
图5是本申请一个实施例提供的基于聚类算法的行人异常行为检测方法中，随机生成聚类参考向量的流程图；
图6是本申请一个实施例提供的基于聚类算法的行人异常行为检测方法中，对各个行人姿态向量进行排序的流程图；
图7是本申请一个实施例提供的基于聚类算法的行人异常行为检测方法中，组成第二行人姿态向量组的流程图；
图8是本申请一个实施例提供的基于聚类算法的行人异常行为检测方法中，根据第二行人姿态向量组得到中心向量的流程图；
图9是本申请一个实施例提供的基于聚类算法的行人异常行为检测方法的执行流程图；
图10是本申请一个实施例提供的基于聚类算法的行人异常行为检测装置的示意图；
图11是本申请一个实施例提供的电子设备的示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
需要注意的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
需要说明的是，除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能(artificial intelligence，AI)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
人工智能技术所涉及的服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
本申请提供了一种基于聚类算法的行人异常行为检测方法及装置、电子设备及计算机可读存储介质，通过对行人图像数据集进行姿态提取而得到行人姿态向量，进一步能够基于行人姿态向量进行聚类算法处理，并根据聚类算法结果确定哪些行人姿态向量为异常行为所对应的异常行人姿态向量，从而确定行人图像数据集中的异常行为，因此无需设置任意的行为检测标准，也无需标注哪些动作类型属于异常行为，只需输入行人图像数据就能够检测出其中的异常行为，具有良好的场景适用性，尤其是应用在正常行为多、异常行为少的场景下，通过聚类算法将没有聚类的相对孤立的行人姿态向量确定为异常行人姿态向量，能够更加便捷有效地检测出行人图像数据集中的异常行为，提高检测行人异常行为的准确率。
本申请实施例提供的基于聚类算法的行人异常行为检测方法，涉及人工智能技术领域。本申请实施例提供的基于聚类算法的行人异常行为检测方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现基于聚类算法的行人异常行为检测方法的应用等，但并不局限于以上形式。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
下面结合附图，对本申请实施例作进一步阐述。
如图1所示，图1是本申请一个实施例提供的基于聚类算法的行人异常行为检测方法的流程图，该基于聚类算法的行人异常行为检测方法包括但不限于步骤S100至S400。
步骤S100，获取行人图像数据集，行人图像数据集包括多个行人图像数据。
在一实施例中，行人图像数据集可以为在采集一部分行人图像数据进行汇总后得到，例如可以是一段时间内的十字路口监控影像，从该持续的监控影像中可以提取出不同段的图像数据，即可作为行人图像数据，进一步地，设定采集高峰期晚间6点至8点的行人图像数据，将这部分数据进行汇总即可得到行人图像数据集；可以理解地是，除了路口监控的场景之外，本领域技术人员可以根据实际应用场景来选择获取行人图像数据集的方式，例如可以是需要分析某些行为的固定场景等，这在本实施例中并未限制。
步骤S200，基于预训练的姿态提取网络模型对行人图像数据集进行姿态提取，得到各个行人图像数据对应的行人姿态向量，每个行人姿态向量对应于一个行人姿态行为。
在一实施例中，采用姿态提取网络模型对行人图像数据集进行姿态提取，可以得到与行人姿态行为对应的行人姿态向量，即可以将行人姿态行为进行可视化处理，以便于在后续步骤中通过对行人姿态向量的进一步处理以实现异常行人的认定，尤其是每个行人姿态向量对应于一个行人姿态行为，因此针对不同的行人姿态行为均能够分别进行可视化呈现，最终从中确定的异常行为不会出现遗漏的情况，能够符合异常行为检测要求；可以理解地是，将行人图像数据集提取姿态的目的在于：避免在后续的计算过程中，行人图像数据集的行人图像数据中的光照、角度、大小以及行人的衣着、外貌、脸部特征等无关信息对异常行为检测产生干扰，仅保留对于异常行为检测取决定性因素的行人姿态来进行后续计算，计算效果更好。
需要说明地是，姿态提取网络模型的类型可以为多种，在具体应用场景中可以适应性地进行选择设置，例如可以为基于OpenPose的开源项目的网络提取模型等，这在本实施例中并未限制。
在图2的示例中，步骤S200包括但不限于步骤S210至S220。
步骤S210，对于行人图像数据集中的每个行人图像数据，通过预训练的姿态提取网络模型从行人图像数据中提取多个关键点，并分别记录每个关键点的二维坐标；
步骤S220，对各个关键点的二维坐标进行映射处理，得到由姿态提取网络模型输出的行人姿态向量。
在一实施例中，通过提取行人图像数据中的多个关键点，可以分别确定每个行人姿态行为所对应的身体部位、身体姿态等，并且将得到的关键点以二维坐标进行表示，以便于将多个关键点进行映射处理而得到相应的行人姿态向量，从而能够采用行人姿态向量表征行人姿态行为，以便于进一步基于行人姿态向量以确定行人的异常行为。
在图3的示例中，步骤S220包括但不限于步骤S221。
步骤S221，按照预设顺序将各个关键点的二维坐标进行组合，得到由姿态提取网络模型输出的N维行人姿态向量，其中，行人姿态向量的维数N为关键点的数量乘以二，N为大于2的偶数。
在一实施例中，通过对各个关键点的二维坐标进行组合，能够将各个关键点相互联系起来而组成N维行人姿态向量，在这种情况下，仅通过一个N维行人姿态向量就能够表征所有关键点的内容信息，无需分别对关键点的内容信息进行计算或处理，有利于更方便地基于聚类算法对行人图像数据进行处理，降低整体计算难度，提高检测效率。
需要说明的是，预设顺序可以根据实际场景进行设置，且通常仅在顺序对于计算存在影响的情况下进行考虑，即若组合的顺序不作为主要影响，则可以根据情况自行设置顺序，这在本实施例中并未限制。
以下给出具体示例以说明上述实施例的工作原理及流程。
示例一：
若某行人姿态行为经提取有4个关键点，分别对应其手臂、脖子、背部和左脚的4个身体部位，二维坐标分别为(X1,Y1)、(X2,Y2)、(X3,Y3)和(X4,Y4)，设定按照脖子、左脚、手臂和背部的顺序依次进行组合，则最终由姿态提取网络模型输出组合得到的行人姿态向量为(X2,Y2,X4,Y4，X1,Y1，X3,Y3)，该行人姿态向量维数8＝关键点数量4*关键点维数2。
步骤S300，基于各个行人图像数据对应的行人姿态向量进行聚类迭代处理，直至满足迭代结束条件，其中，在图4的示例中，聚类迭代处理包括：
步骤S310，随机生成聚类参考向量；
步骤S320，对于每个行人姿态向量，计算行人姿态向量与聚类参考向量之间的L2距离，根据各个行人姿态向量对应的L2距离，对各个行人姿态向量进行排序，得到经过排序的第一行人姿态向量组；
步骤S330，从第一行人姿态向量组中，选取一部分连续排序的行人姿态向量组成第二行人姿态向量组，并根据第二行人姿态向量组得到中心向量；
其中，迭代结束条件为当前得到的中心向量与上一次得到的中心向量相同。
在一实施例中，通过聚类算法的迭代处理以得到符合迭代要求的计算结果，其中，采用随机生成聚类参考向量的方式进行迭代，可以最大化程度地降低计算结果的偶然性，并且通过L2距离的计算从第一行人姿态向量组中进一步确定第二行人姿态向量组，从而能够从各个行人姿态向量中区分出聚类向量和非聚类向量，有利于进一步基于此确认出异常行为。
可以理解地是，由于L2距离的计算方式为本领域技术人员所熟知，在此不作赘述，并且计算L2距离并非是唯一对各个行人姿态向量进行排序的方式，例如还可以通过比较各个行人姿态向量之间的大小等其他类型来进行排序，这在本实施例中并未限制。
可以理解地是，设置迭代结束条件为当前得到的中心向量与上一次得到的中心向量相同的目的在于：强化聚类效果的影响，弱化聚类参考向量的影响，即证明所选取得到的第一行人姿态向量组中的各个行人姿态向量的性质类似，所以才能够得到如迭代结束条件所示的结果。
在图5的示例中，步骤S310包括但不限于步骤S311。
步骤S311，随机生成N维聚类参考向量，并随机初始化聚类参考向量的值。
在一实施例中，通过随机生成与行人姿态向量维数相同的聚类参考向量，可以确保行人姿态向量与聚类参考向量在计算处理时能够匹配，并且通过随机初始化聚类参考向量的值，可以确保所生成的聚类参考向量具有普适性且无差异，基于此得到的异常行为认定结果的真实性更好，有利于减少认定异常行为可能存在的误差。
可以理解地是，由于聚类参考向量与行人姿态向量的维数相同，因此在聚类分析时两者能够无差别地配合进行相关计算，所获得的计算结果为直接真实有效的，无需进行转换，有利于提高聚类算法的准确性。
在图6的示例中，步骤S320中的“根据各个行人姿态向量对应的L2距离，对各个行人姿态向量进行排序”包括但不限于步骤S321。
步骤S321，按照各个L2距离由小到大的顺序，对各个行人姿态向量进行排序。
在一实施例中，通过对L2距离进行由小到大的排序，可以将类似部分地行人姿态向量区分在相近更小的区域，即排序后的连续部分中的行人姿态向量被区分在相近更小的类别，以便于进一步确定异常行为所对应的行人姿态向量的序列；可以理解地是，类似地可以对各个L2距离进行由大到小的排序，也可以将类似部分地行人姿态向量区分在相近更大的区域，即排序后的连续部分中的行人姿态向量被区分在相近更大的类别，以便于进一步确定异常行为所对应的行人姿态向量的序列。
在图7的示例中，步骤S330中的“从第一行人姿态向量组中，选取一部分连续排序的行人姿态向量组成第二行人姿态向量组”包括但不限于步骤S331。
步骤S331，从第一行人姿态向量组的第一个行人姿态向量开始，按照预设比例选取一部分连续排序的行人姿态向量组成第二行人姿态向量组。
在一实施例中，通过从第一行人姿态向量组的第一个行人姿态向量开始选取待排序的行人姿态向量，能够从头按顺序得到满足要求的第二行人姿态向量组，由于连续排序的行人姿态向量对应的L2距离也是连续排序的，因此这部分连续排序的行人姿态向量的类别特征显然是相似的，因此基于其组成的第二行人姿态向量组的性质是统一的，以便于基于其进行聚类算法运算得到准确计算结果。
在一实施例中，预设比例可以根据实际应用场景进行设置，这在本实施例中并未限制。
在图8的示例中，步骤S330中的“根据第二行人姿态向量组得到中心向量”包括但不限于步骤S332至S333。
步骤S332，计算第二行人姿态向量组中的所有行人姿态向量的平均值；
步骤S333，根据所有行人姿态向量的平均值确定中心向量。
在一实施例中，通过聚类算法的迭代处理以得到符合迭代要求的计算结果，其中，采用随机生成聚类参考向量的方式进行迭代，可以最大化程度地降低计算结果的偶然性，并且通过L2距离的计算从第一行人姿态向量组中进一步确定第二行人姿态向量组，从而能够从各个行人姿态向量中区分出聚类向量和非聚类向量，有利于进一步基于此确认出异常行为。
以下给出示例说明上述各实施例的工作原理及流程。
示例二：
若某行人图像数据集中最终提取出5个行人姿态向量(记为Q1、Q2、Q3、Q4、Q5)，分别计算每个行人姿态向量与预生成的聚类参考向量L之间的L2距离，对应得到A1、A2、A3、A4、A5这五个值，且A3大于A1且小于A2，A2小于A4，A4小于A5，则L2距离按照由小到大的排序为A3、A1、A2、A4、A5，则相应地按照此顺序将各个L2距离对应的行人姿态向量进行排序，即Q3、Q1、Q2、Q4、Q5，然后取其中的前三个连续排序的行人姿态向量Q3、Q1、Q2，组成第二行人姿态向量组，进而确定该第二行人姿态向量组对应的中心向量。
步骤S400，将除第二行人姿态向量组之外的行人姿态向量作为异常行人姿态向量，将异常行人姿态向量对应的行人姿态行为确定为异常行为。
在一实施例中，通过对行人图像数据集进行姿态提取而得到行人姿态向量，进一步能够基于行人姿态向量进行聚类算法处理，并根据聚类算法结果确定哪些行人姿态向量为异常行为所对应的异常行人姿态向量，从而确定行人图像数据集中的异常行为，因此无需设置任意的行为检测标准，也无需标注哪些动作类型属于异常行为，只需输入行人图像数据就能够检测出其中的异常行为，具有良好的场景适用性，尤其是应用在正常行为多、异常行为少的场景下，通过聚类算法将没有聚类的相对孤立的行人姿态向量确定为异常行人姿态向量，能够更加便捷有效地检测出行人图像数据集中的异常行为，提高检测行人异常行为的准确率。
以下给出具体示例以说明上述各实施例的工作原理及流程。
示例三：
如图9所示，图9是本申请一个实施例提供的基于聚类算法的行人异常行为检测方法的执行流程图。
在图9的示例中，执行如下流程：
首先，采集行人图像数据集，并将获取到的行人图像数据集输入到行人姿态提取网络中，由行人姿态提取网络输出行人姿态向量；
然后，采用聚类算法对多个行人姿态向量进行聚类迭代计算，输出计算结果，其中，聚类迭代计算包括：随机生成聚类参考向量；对于每个行人姿态向量，计算行人姿态向量与聚类参考向量之间的L2距离，根据各个行人姿态向量对应的L2距离，对各个行人姿态向量进行排序，得到经过排序的第一行人姿态向量组；按照预设比例从第一行人姿态向量组中，选取一部分连续排序的行人姿态向量组成第二行人姿态向量组，并根据第二行人姿态向量组得到中心向量；迭代结束条件为当前计算得到的中心向量与上一次计算得到的中心向量相同。
最后，对聚类结果进行分析，确定上述执行聚类迭代计算的相应行人姿态向量作为聚类点，被认定为正常行为对应的向量，其余部分的行人姿态向量作为孤立点，被认定为异常行为所对应的向量。
从上述示例可以看出，整个过程无需标注哪种行为为正常行为或异常行为，而通过聚类与孤立之间的区别差异以确定其中没有进行聚类的孤立点，或者说缺少相似动作的孤立点，这种无监督的行人异常行为检测方式正好可以利用相关技术中难以解决的“正常行为多，异常行为少”的情况，这也是本申请实施例所要实际解决的技术问题，使得所得到的检测结果更加有针对性，准确度更高。
另外，如图10所示，本申请的一个实施例还提供了一种基于聚类算法的行人异常行为检测装置，包括：
第一处理模块100，用于获取行人图像数据集，行人图像数据集包括多个行人图像数据；
第二处理模块200，用于基于预训练的姿态提取网络模型对行人图像数据集进行姿态提取，得到各个行人图像数据对应的行人姿态向量，每个行人姿态向量对应于一个行人姿态行为；
第三处理模块300，用于基于各个行人图像数据对应的行人姿态向量进行聚类迭代处理，直至满足迭代结束条件，其中，聚类迭代处理包括：
随机生成聚类参考向量；
对于每个行人姿态向量，计算行人姿态向量与聚类参考向量之间的L2距离，根据各个行人姿态向量对应的L2距离，对各个行人姿态向量进行排序，得到经过排序的第一行人姿态向量组；
按照预设比例从第一行人姿态向量组中，选取一部分连续排序的行人姿态向量组成第二行人姿态向量组，并根据第二行人姿态向量组得到中心向量；
迭代结束条件为当前计算得到的中心向量与上一次计算得到的中心向量相同；
第四处理模块400，用于将除第二行人姿态向量组之外的行人姿态向量作为异常行人姿态向量，将异常行人姿态向量各自对应的行人姿态行为确定为异常行为。
在一实施例中，通过第二处理模块200对行人图像数据集进行姿态提取而得到行人姿态向量，进一步能够基于第三处理模块300对行人姿态向量进行聚类算法处理，并通过第四处理模块400根据聚类算法结果确定哪些行人姿态向量为异常行为所对应的异常行人姿态向量，从而确定行人图像数据集中的异常行为，因此无需设置任意的行为检测标准，也无需标注哪些动作类型属于异常行为，只需输入行人图像数据就能够检测出其中的异常行为，具有良好的场景适用性，尤其是应用在正常行为多、异常行为少的场景下，通过聚类算法将没有聚类的相对孤立的行人姿态向量确定为异常行人姿态向量，能够更加便捷有效地检测出行人图像数据集中的异常行为，提高检测行人异常行为的准确率。
另外，如图11所示，本申请的一个实施例还提供了一种电子设备500，该设备包括：存储器510、处理器520及存储在存储器510上并可在处理器520上运行的计算机程序。
处理器520和存储器510可以通过总线或者其他方式连接。
实现上述实施例的基于聚类算法的行人异常行为检测方法所需的非暂态软件程序以及指令存储在存储器510中，当被处理器520执行时，执行上述各实施例的基于聚类算法的行人异常行为检测方法，例如，执行以上描述的图1中的方法步骤S100至S400、图2中的方法步骤S210至S220、图3中的方法步骤S221、图4中的方法步骤S310至S330、图5中的方法步骤S311、图6中的方法步骤S321、图7中的方法步骤S331或图8中的方法步骤S332至S333。
以上所描述的装置实施例仅仅是示意性的，其中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，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模块来实现本实施例方案的目的。
此外，本申请的一个实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个处理器520或控制器执行，例如，被上述设备实施例中的一个处理器520执行，可使得上述处理器520执行上述实施例中的基于聚类算法的行人异常行为检测方法，例如，执行以上描述的图1中的方法步骤S100至S400、图2中的方法步骤S210至S220、图3中的方法步骤S221、图4中的方法步骤S310至S330、图5中的方法步骤S311、图6中的方法步骤S321、图7中的方法步骤S331或图8中的方法步骤S332至S333。
上述各实施例可以结合使用，不同实施例之间名称相同的模块可相同可不同。
上述对本申请特定实施例进行了描述，其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，附图中描绘的过程不一定必须按照示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备、计算机可读存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本申请实施例提供的装置、设备、计算机可读存储介质与方法是对应的，因此，装置、设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述对应装置、设备、计算机存储介质的有益技术效果。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。
例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable Gate Array，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，例如:
ABEL(Advanced Boolean Expression Language)；AHDL(Altera HardwareDescription Language)；Confluence；CUPL(Cornell University ProgrammingLanguage)；HDCal；以及
JHDL(Java Hardware Description Language)；Lava、Lola、MyHDL、PALASM、RHDL(Ruby Hardware Description Language)等；
目前，在本领域技术之中，相比之下更加较为常用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)以及语言Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：
ARC 625D、Atmel AT91SAM、MicrochIP地址PIC18F26K20以及Silicone LabsC8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本申请实施例可提供为方法、系统、或计算机程序产品。因此，本申请实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本申请实施例中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，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的情况。其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项”及其类似表达，是指的这些项中的任意组合，包括单项或复数项的任意组合。例如，a，b和c中的至少一项可以表示：a，b，c，a和b，a和c，b和c或a和b和c，其中a，b，c可以是单个，也可以是多个。
本申请实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种基于聚类算法的行人异常行为检测方法，其特征在于，包括：
获取行人图像数据集，所述行人图像数据集包括多个行人图像数据；
基于预训练的姿态提取网络模型对所述行人图像数据集进行姿态提取，得到各个所述行人图像数据对应的行人姿态向量，每个所述行人姿态向量对应于一个行人姿态行为；
基于各个所述行人图像数据对应的所述行人姿态向量进行聚类迭代处理，直至满足迭代结束条件，其中，所述聚类迭代处理包括：
随机生成聚类参考向量；
对于每个所述行人姿态向量，计算所述行人姿态向量与所述聚类参考向量之间的L2距离，根据各个所述行人姿态向量对应的所述L2距离，对各个所述行人姿态向量进行排序，得到经过排序的第一行人姿态向量组；
从所述第一行人姿态向量组中，选取一部分连续排序的所述行人姿态向量组成第二行人姿态向量组，并根据所述第二行人姿态向量组得到中心向量；
所述迭代结束条件为当前得到的所述中心向量与上一次得到的所述中心向量相同；
将除所述第二行人姿态向量组之外的所述行人姿态向量作为异常行人姿态向量，将所述异常行人姿态向量对应的所述行人姿态行为确定为异常行为。
2.根据权利要求1所述的基于聚类算法的行人异常行为检测方法，其特征在于，所述基于预训练的姿态提取网络模型对所述行人图像数据集进行姿态提取，得到各个所述行人图像数据对应的行人姿态向量，包括：
对于所述行人图像数据集中的每个所述行人图像数据，通过预训练的姿态提取网络模型从所述行人图像数据中提取多个关键点，并分别记录每个所述关键点的二维坐标；
对各个所述关键点的二维坐标进行映射处理，得到由所述姿态提取网络模型输出的行人姿态向量。
3.根据权利要求2所述的基于聚类算法的行人异常行为检测方法，其特征在于，所述对各个所述关键点的二维坐标进行映射处理，得到由所述姿态提取网络模型输出的行人姿态向量，包括：
按照预设顺序将各个所述关键点的二维坐标进行组合，得到由所述姿态提取网络模型输出的N维行人姿态向量，其中，所述行人姿态向量的维数N为所述关键点的数量乘以二，所述N为大于2的偶数。
4.根据权利要求3所述的基于聚类算法的行人异常行为检测方法，其特征在于，所述随机生成聚类参考向量，包括：
随机生成N维聚类参考向量，并随机初始化所述聚类参考向量的值。
5.根据权利要求1所述的基于聚类算法的行人异常行为检测方法，其特征在于，所述根据各个所述行人姿态向量对应的所述L2距离，对各个所述行人姿态向量进行排序，包括：
按照各个所述L2距离由小到大的顺序，对各个所述行人姿态向量进行排序。
6.根据权利要求1或5所述的基于聚类算法的行人异常行为检测方法，其特征在于，所述从所述第一行人姿态向量组中，选取一部分连续排序的所述行人姿态向量组成第二行人姿态向量组，包括：
从所述第一行人姿态向量组的第一个所述行人姿态向量开始，按照预设比例选取一部分连续排序的所述行人姿态向量组成第二行人姿态向量组。
7.根据权利要求1所述的基于聚类算法的行人异常行为检测方法，其特征在于，所述根据所述第二行人姿态向量组得到中心向量，包括：
计算所述第二行人姿态向量组中的所有所述行人姿态向量的平均值；
根据所有所述行人姿态向量的平均值确定中心向量。
8.一种基于聚类算法的行人异常行为检测装置，其特征在于，包括：
第一处理模块，用于获取行人图像数据集，所述行人图像数据集包括多个行人图像数据；
第二处理模块，用于基于预训练的姿态提取网络模型对所述行人图像数据集进行姿态提取，得到各个所述行人图像数据对应的行人姿态向量，每个所述行人姿态向量对应于一个行人姿态行为；
第三处理模块，用于基于各个所述行人图像数据对应的所述行人姿态向量进行聚类迭代处理，直至满足迭代结束条件，其中，所述聚类迭代处理包括：
随机生成聚类参考向量；
对于每个所述行人姿态向量，计算所述行人姿态向量与所述聚类参考向量之间的L2距离，根据各个所述行人姿态向量对应的所述L2距离，对各个所述行人姿态向量进行排序，得到经过排序的第一行人姿态向量组；
按照预设比例从所述第一行人姿态向量组中，选取一部分连续排序的所述行人姿态向量组成第二行人姿态向量组，并根据所述第二行人姿态向量组得到中心向量；
所述迭代结束条件为当前计算得到的所述中心向量与上一次计算得到的所述中心向量相同；
第四处理模块，用于将除所述第二行人姿态向量组之外的所述行人姿态向量作为异常行人姿态向量，将所述异常行人姿态向量各自对应的所述行人姿态行为确定为异常行为。
9.一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，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中任意一项所述的基于聚类算法的行人异常行为检测方法。
10.一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行权利要求1至7中任意一项所述的基于聚类算法的行人异常行为检测方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210255171.3A CN114565784B (zh) | 2022-03-15 | 2022-03-15 | 基于聚类算法的行人异常行为检测方法及装置、存储介质 |
| PCT/CN2022/090716 WO2023173553A1 (zh) | 2022-03-15 | 2022-04-29 | 基于聚类算法的行人异常行为检测方法及装置、存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210255171.3A CN114565784B (zh) | 2022-03-15 | 2022-03-15 | 基于聚类算法的行人异常行为检测方法及装置、存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114565784A true CN114565784A (zh) | 2022-05-31 |
| CN114565784B CN114565784B (zh) | 2024-08-23 |
Family
ID=81719916
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210255171.3A Active CN114565784B (zh) | 2022-03-15 | 2022-03-15 | 基于聚类算法的行人异常行为检测方法及装置、存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN114565784B (zh) |
| WO (1) | WO2023173553A1 (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118152826B (zh) * | 2024-05-09 | 2024-08-02 | 深圳市翔飞科技股份有限公司 | 基于行为分析的摄像机智能报警系统 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080031491A1 (en) * | 2006-08-03 | 2008-02-07 | Honeywell International Inc. | Anomaly detection in a video system |
| CN109784253A (zh) * | 2019-01-04 | 2019-05-21 | 上海钧正网络科技有限公司 | 一种单车用户异常行为的检测方法 |
| CN111062356A (zh) * | 2019-12-26 | 2020-04-24 | 沈阳理工大学 | 一种从监控视频自动识别人体动作异常的方法 |
| CN112085003A (zh) * | 2020-09-24 | 2020-12-15 | 湖北科技学院 | 公共场所异常行为自动识别方法及装置、摄像机设备 |
| CN112200081A (zh) * | 2020-10-10 | 2021-01-08 | 平安国际智慧城市科技股份有限公司 | 异常行为识别方法、装置、电子设备及存储介质 |
| CN112307940A (zh) * | 2020-10-28 | 2021-02-02 | 有半岛(北京)信息科技有限公司 | 模型训练方法、人体姿态检测方法、装置、设备及介质 |
| CN112668549A (zh) * | 2021-01-15 | 2021-04-16 | 北京格灵深瞳信息技术股份有限公司 | 行人姿态分析方法、系统、及终端、存储介质 |
| CN113095196A (zh) * | 2021-04-02 | 2021-07-09 | 山东师范大学 | 基于图结构姿态聚类的人体异常行为检测方法及系统 |
| CN113392742A (zh) * | 2021-06-04 | 2021-09-14 | 北京格灵深瞳信息技术股份有限公司 | 异常动作确定方法、装置、电子设备及存储介质 |
| CN113392743A (zh) * | 2021-06-04 | 2021-09-14 | 北京格灵深瞳信息技术股份有限公司 | 异常动作检测方法、装置、电子设备和计算机存储介质 |
| CN113392741A (zh) * | 2021-06-04 | 2021-09-14 | 北京格灵深瞳信息技术股份有限公司 | 视频片段提取方法、装置、电子设备及存储介质 |
| CN113569766A (zh) * | 2021-07-30 | 2021-10-29 | 中国电子科技集团公司第五十四研究所 | 一种面向无人机巡逻的行人异常行为检测方法 |
| US20210365674A1 (en) * | 2020-03-30 | 2021-11-25 | Cherry Labs, Inc. | System and method for smart monitoring of human behavior and anomaly detection |
| CN114038011A (zh) * | 2021-11-08 | 2022-02-11 | 沈阳理工大学 | 一种室内场景下人体异常行为的检测方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101711028B1 (ko) * | 2012-05-04 | 2017-03-13 | 한국전자통신연구원 | 클러스터링 기법을 이용한 차량 이상상태 모니터링 장치 및 그 방법 |
| CN109861953B (zh) * | 2018-05-14 | 2020-08-21 | 新华三信息安全技术有限公司 | 一种异常用户识别方法及装置 |
| CN110084211B (zh) * | 2019-04-30 | 2020-12-18 | 苏州大学 | 一种动作识别方法 |
| US11386713B2 (en) * | 2020-05-06 | 2022-07-12 | Motorola Solutions, Inc. | Anomalous pose detection method and system |
-
2022
- 2022-03-15 CN CN202210255171.3A patent/CN114565784B/zh active Active
- 2022-04-29 WO PCT/CN2022/090716 patent/WO2023173553A1/zh unknown
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080031491A1 (en) * | 2006-08-03 | 2008-02-07 | Honeywell International Inc. | Anomaly detection in a video system |
| CN109784253A (zh) * | 2019-01-04 | 2019-05-21 | 上海钧正网络科技有限公司 | 一种单车用户异常行为的检测方法 |
| CN111062356A (zh) * | 2019-12-26 | 2020-04-24 | 沈阳理工大学 | 一种从监控视频自动识别人体动作异常的方法 |
| US20210365674A1 (en) * | 2020-03-30 | 2021-11-25 | Cherry Labs, Inc. | System and method for smart monitoring of human behavior and anomaly detection |
| CN112085003A (zh) * | 2020-09-24 | 2020-12-15 | 湖北科技学院 | 公共场所异常行为自动识别方法及装置、摄像机设备 |
| CN112200081A (zh) * | 2020-10-10 | 2021-01-08 | 平安国际智慧城市科技股份有限公司 | 异常行为识别方法、装置、电子设备及存储介质 |
| CN112307940A (zh) * | 2020-10-28 | 2021-02-02 | 有半岛(北京)信息科技有限公司 | 模型训练方法、人体姿态检测方法、装置、设备及介质 |
| CN112668549A (zh) * | 2021-01-15 | 2021-04-16 | 北京格灵深瞳信息技术股份有限公司 | 行人姿态分析方法、系统、及终端、存储介质 |
| CN113095196A (zh) * | 2021-04-02 | 2021-07-09 | 山东师范大学 | 基于图结构姿态聚类的人体异常行为检测方法及系统 |
| CN113392742A (zh) * | 2021-06-04 | 2021-09-14 | 北京格灵深瞳信息技术股份有限公司 | 异常动作确定方法、装置、电子设备及存储介质 |
| CN113392743A (zh) * | 2021-06-04 | 2021-09-14 | 北京格灵深瞳信息技术股份有限公司 | 异常动作检测方法、装置、电子设备和计算机存储介质 |
| CN113392741A (zh) * | 2021-06-04 | 2021-09-14 | 北京格灵深瞳信息技术股份有限公司 | 视频片段提取方法、装置、电子设备及存储介质 |
| CN113569766A (zh) * | 2021-07-30 | 2021-10-29 | 中国电子科技集团公司第五十四研究所 | 一种面向无人机巡逻的行人异常行为检测方法 |
| CN114038011A (zh) * | 2021-11-08 | 2022-02-11 | 沈阳理工大学 | 一种室内场景下人体异常行为的检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023173553A1 (zh) | 2023-09-21 |
| CN114565784B (zh) | 2024-08-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xing et al. | Identification and analysis of driver postures for in-vehicle driving activities and secondary tasks recognition | |
| CN109145766B (zh) | 模型训练方法、装置、识别方法、电子设备及存储介质 | |
| Zhou et al. | Deep supervised and convolutional generative stochastic network for protein secondary structure prediction | |
| JP7172472B2 (ja) | ルール生成装置、ルール生成方法及びルール生成プログラム | |
| US10762678B2 (en) | Representing an immersive content feed using extended reality based on relevancy | |
| JP2017513144A (ja) | 顔認証方法およびシステム | |
| KR20190056940A (ko) | 멀티모달 데이터 학습 방법 및 장치 | |
| EP3937076A1 (en) | Activity detection device, activity detection system, and activity detection method | |
| CN114049493B (zh) | 基于智能体图谱的图像识别方法、系统和可读存储介质 | |
| Del Rincón et al. | Common-sense reasoning for human action recognition | |
| CN107944381A (zh) | 人脸跟踪方法、装置、终端及存储介质 | |
| CN111796925A (zh) | 算法模型的筛选方法、装置、存储介质和电子设备 | |
| CN111126358B (zh) | 人脸检测方法、装置、存储介质及设备 | |
| CN114972774B (zh) | 特定区域的图像描述生成方法、装置、设备及存储介质 | |
| Heredia et al. | A multi-modal visual emotion recognition method to instantiate an ontology | |
| CN114565784B (zh) | 基于聚类算法的行人异常行为检测方法及装置、存储介质 | |
| Negin et al. | Human action recognition in videos: A survey | |
| Huang et al. | Analyzing group-level emotion with global alignment kernel based approach | |
| Garzón et al. | A fast action recognition strategy based on motion trajectory occurrences | |
| Palmeri et al. | Sign languages recognition based on neural network architecture | |
| Roh et al. | Selective temporal filtering and its application to hand gesture recognition | |
| Martínez et al. | Spatio‐temporal multi‐scale motion descriptor from a spatially‐constrained decomposition for online action recognition | |
| CN114924876A (zh) | 基于分布式异构运算的声纹识别方法、装置及存储介质 | |
| CN115240127A (zh) | 一种面向智能电视的儿童监控方法 | |
| CN111796663B (zh) | 场景识别模型更新方法、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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |