CN115063729A - 一种躲避行为的检测方法、装置、计算机设备及存储介质 - Google Patents

Abstract

本申请涉及人工智能技术领域，公开了一种躲避行为的检测方法、装置、计算机设备及存储介质，该方法包括：获取采集到的连续多帧图像，确定每帧目标图像对应的目标光流矢量，所述目标图像为所述连续多帧图像中除首帧图像之外的图像；对每帧所述目标图像对应的所述目标光流矢量进行叠加，得到目标行为的运动轨迹；基于所述运动轨迹，判断所述目标行为中是否存在躲避行为。本申请通过用户采集到的连续多帧图像得到用户目标行为的运动轨迹，进而根据运动轨迹判断用户是否存在躲避行为，判断过程更加简单方便，同时可以快速准确地得到判定结果。

Description

一种躲避行为的检测方法、装置、计算机设备及存储介质

技术领域

本申请涉及人工智能技术领域，尤其是涉及到一种躲避行为的检测方法、装置、计算机设备及存储介质。

背景技术

随着线上业务的不断增加，智能客服的使用变得越来越普遍。当前很多线上业务的办理需要智能客服进行面审，例如金融业务面审等。某些线上业务在对用户进行面审时，要求用户拿着手机环绕一周，以观察周围环境中是否有第三人或者其他可疑的物体存在。对于想要违规的用户，其会在环绕一周时故意抬起手机而避免不合规的人或物出现在手机镜头中，即存在故意躲避行为。可以说，准确检测出用户的故意躲避行为，对于降低面审风险具有重要意义。

现有技术中在面审环节检测用户是否存在故意躲避行为时，通常使用分类器对用户的行为进行分类，以确定用户的行为中是否存在故意躲避行为，然而这种方法在训练分类器时需要大量的标注数据，且判断准确性受模型准确性影响较大。

发明内容

有鉴于此，本申请提供了一种躲避行为的检测方法、装置、计算机设备及存储介质，躲避行为的判断过程更加简单方便，同时可以快速准确地得到判定结果。

根据本申请的一个方面，提供了一种躲避行为的检测方法，包括：

获取采集到的连续多帧图像，确定每帧目标图像对应的目标光流矢量，所述目标图像为所述连续多帧图像中除首帧图像之外的图像；

对每帧所述目标图像对应的所述目标光流矢量进行叠加，得到目标行为的运动轨迹；

基于所述运动轨迹，判断所述目标行为中是否存在躲避行为。

根据本申请的另一方面，提供了一种躲避行为的检测装置，包括：

图像获取模块，用于获取采集到的连续多帧图像，确定每帧目标图像对应的目标光流矢量，所述目标图像为所述连续多帧图像中除首帧图像之外的图像；

轨迹确定模块，用于对每帧所述目标图像对应的所述目标光流矢量进行叠加，得到目标行为的运动轨迹；

行为判断模块，用于基于所述运动轨迹，判断所述目标行为中是否存在躲避行为。

依据本申请又一个方面，提供了一种存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述躲避行为的检测方法。

依据本申请再一个方面，提供了一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述躲避行为的检测方法。

借由上述技术方案，本申请提供的一种躲避行为的检测方法、装置、计算机设备及存储介质，首先，可以获取用户通过客户端采集到的多帧连续图像。接着，分别确定多帧连续图像中每个目标图像对应的目标光流矢量。在这里，目标图像可以是连续多帧图像中除了首帧图像之外的其它图像。分别确定每帧目标图像对应的目标光流矢量之后，可以对这些目标光流矢量进行叠加，最终得到用户的目标行为对应的运动轨迹。确定目标行为对应的运动轨迹之后，可以进一步根据该运动轨迹，判断目标行为中有没有故意躲避行为存在。本申请实施例通过用户采集到的连续多帧图像得到用户目标行为的运动轨迹，进而根据运动轨迹判断用户是否存在躲避行为，判断过程更加简单方便，同时可以快速准确地得到判定结果。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1示出了本申请实施例提供的一种躲避行为的检测方法的流程示意图；

图2示出了本申请实施例提供的另一种躲避行为的检测方法的流程示意图；

图3示出了本申请实施例提供的一种目标图像的光流矢量的示意图；

图4示出了本申请实施例提供的一种目标行为运动轨迹的示意图；

图5示出了本申请实施例提供的另一种目标行为运动轨迹的示意图；

图6示出了本申请实施例提供的一种主角度确定过程的示意图；

图7示出了本申请实施例提供的一种过滤后的光流矢量的示意图；

图8示出了本申请实施例提供的一种躲避行为的检测装置的结构示意图。

具体实施方式

下文中将参考附图并结合实施例来详细说明本申请。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

在本实施例中提供了一种躲避行为的检测方法，如图1所示，该方法包括：

步骤101，获取采集到的连续多帧图像，确定每帧目标图像对应的目标光流矢量，所述目标图像为所述连续多帧图像中除首帧图像之外的图像；

本申请实施例提供的躲避行为检测方法，可以应用于线上业务面审的场景中，可以有效根据用户通过客户端采集到的图像检测出用户行为中是否存在躲避行为。用户在进行面审时，可以利用客户端采集到多帧连续图像。在进行图像采集时，可以利用客户端的摄像头进行采集。首先，可以获取用户通过客户端采集到的多帧连续图像。接着，分别确定多帧连续图像中每个目标图像对应的目标光流矢量。在这里，目标图像可以是连续多帧图像中除了首帧图像之外的其它图像。例如，连续多帧图像中有10帧图像，那么目标图像有9帧，即除了首帧图像之外的其他图像。光流是空间运动物体在观测成像平面上的像素运动的“瞬时速度”，目标光流矢量可以是用于指示目标运动信息的一种矢量。

步骤102，对每帧所述目标图像对应的所述目标光流矢量进行叠加，得到目标行为的运动轨迹；

在该实施例中，分别确定每帧目标图像对应的目标光流矢量之后，可以对这些目标光流矢量进行叠加，最终得到用户的目标行为对应的运动轨迹。由于目标光流矢量为矢量，即既有大小又有方向的量，所以可以对目标光流矢量进行叠加。在这里，目标行为可以是用户利用客户端进行面审的行为，例如客户端是手机，那么目标行为可以是用户拿着手机环绕一周进行面审的行为，运动轨迹可以是用户拿着手机环绕一周时手机对应的运动轨迹。

步骤103，基于所述运动轨迹，判断所述目标行为中是否存在躲避行为。

在该实施例中，确定目标行为对应的运动轨迹之后，可以进一步根据该运动轨迹，判断目标行为中有没有故意躲避行为存在。例如，在线上业务面审场景中，用户可以拿着手机环绕一周进行面审，正常情况下，用户拿着手机环绕一周时，对应的运动轨迹是平缓的。因此，如果轨迹中存在变化较大的部分运动轨迹，那么可以说明用户的目标行为中存在故意躲避的行为，否则，可以说明用户的目标行为中不存在故意躲避的行为。

通过应用本实施例的技术方案，首先，可以获取用户通过客户端采集到的多帧连续图像。接着，分别确定多帧连续图像中每个目标图像对应的目标光流矢量。在这里，目标图像可以是连续多帧图像中除了首帧图像之外的其它图像。分别确定每帧目标图像对应的目标光流矢量之后，可以对这些目标光流矢量进行叠加，最终得到用户的目标行为对应的运动轨迹。确定目标行为对应的运动轨迹之后，可以进一步根据该运动轨迹，判断目标行为中有没有故意躲避行为存在。本申请实施例通过用户采集到的连续多帧图像得到用户目标行为的运动轨迹，进而根据运动轨迹判断用户是否存在躲避行为，判断过程更加简单方便，同时可以快速准确地得到判定结果。

进一步的，作为上述实施例具体实施方式的细化和扩展，为了完整说明本实施例的具体实施过程，提供了另一种躲避行为的检测方法，如图2所示，该方法包括：

步骤201，获取采集到的连续多帧图像，基于任一所述目标图像对应的前一帧图像，确定所述前一帧图像对应的目标角点以及每个所述目标角点对应的第一角点位置；确定每个所述目标角点在所述任一所述目标图像上的第二角点位置；依据所述第一角点位置以及所述第二角点位置，确定所述任一所述目标图像对应的所述光流矢量，所述目标图像为所述连续多帧图像中除首帧图像之外的图像；

在该实施例中，首先可以获取用户通过客户端采集到的连续多帧图像。通过任意连续的两帧图像可以确定后一帧图像的光流矢量，在这里，任意连续的两帧图像中的后一帧图像可以称作目标图像，因此，对于连续多帧图像，目标图像可以是除首帧图像之外的图像。接着，可以通过连续多帧图像中的任意一个目标图像对应的前一帧图像，从前一帧图像中确定各个目标角点，以及每个目标角点对应的第一角点位置。在这里，目标角点可以是极值点，即在某方面属性特别突出的点。目标角点的属性可以由用户自行定义。目标角点可以是两条线的交叉处，也可以是位于相邻的两个主要方向不同的事物上的点。之后，可以确定与前一帧图像对应的目标图像中，同样的目标角点在目标图像上对应的第二角点位置。确定每个目标角点在连续两帧图像上的第一角点位置和第二角点位置后，可以连接第一角点位置与第二角点位置，形成该目标角点对应的光流矢量。每一帧目标图像中可以包括多个光流矢量。重复上述操作，即可得到每帧目标图像对应的光流矢量。

此外，在根据连续两帧图像确定目标图像对应的光流矢量之前，可以对连续两帧图像进行灰度化处理，并使用预设核大小的高斯滤波对图像进行降噪。利用降噪后的图像进行光流矢量的确定，可以提升光流矢量确定的准确度。在确定目标角点时，可以使用OpenCV中的goodFeaturesToTrack函数，在前一帧图像中计算特征比较明显的角点位置，计算时可以预先设置邻域大小，以及目标角点之间的最小欧氏距离。例如，邻域大小可以设置为7，目标角点间的最小欧式距离可以为7。之后，可以通过Lucas-Kanade光流算法，计算前一帧图像中的目标角点在目标图像(也即后一帧图像)中的位置。如图3所示，由前一帧图像的目标角点对应的第一角点位置指向后一帧图像中该目标角点对应的第二角点位置，即为光流矢量，每根短线中的圆点位置可以为目标角点的第二角点位置，而另一端可以为第一角点位置。

步骤202，分别确定每帧所述目标图像中各个光流矢量的起始角点平均值以及终止角点平均值；依据所述起始角点平均值以及所述终止角点平均值，得到与每帧所述目标图像对应的所述目标光流矢量；

在该实施例中，每一帧目标图像中可以包括多个光流矢量，每个光流矢量可以包括起始角点以及终止角点，由起始角点连接终止角点可以组成一个光流矢量。接着，可以分别确定每帧目标图像中各个光流矢量的起始角点平均值、终止角点平均值，通过起始角点平均值以及终止角点平均值，可以确定每帧目标图像对应的目标光流矢量，这样，每帧目标图像可以对应一个目标光流矢量。

步骤203，对每帧所述目标图像对应的所述目标光流矢量进行叠加，得到目标行为的运动轨迹；

在该实施例中，分别确定每帧目标图像对应的目标光流矢量之后，可以对这些目标光流矢量进行叠加，最终得到用户的目标行为对应的运动轨迹。由于目标光流矢量为矢量，所以可以对目标光流矢量进行叠加。在这里，运动轨迹可以是用户拿着手机环绕一周时手机对应的运动轨迹，如图4以及图5所示，黑色的粗线即为目标行为对应的运动轨迹。

步骤204，基于所述运动轨迹对应的轨迹点，对所述运动轨迹进行直线拟合，得到所述运动轨迹对应的目标拟合直线；

在该实施例中，目标行为的运动轨迹中可以包括组成运动轨迹的多个轨迹点，接着，可以以这些轨迹点为基础，拟合出该运动轨迹对应的目标拟合直线。具体可以利用RANSAC算法进行直线拟合。如图4以及图5所示，三条直线中的中间直线即为得到的目标拟合直线。

步骤205，依据预设容忍度阈值，确定所述目标拟合直线的双侧容忍度直线；

在该实施例中，可以预先设置一个容忍度阈值，之后可以根据目标拟合直线以及预设容忍度阈值，确定目标拟合直线的双侧容忍度直线。例如，预设容忍度阈值可以是10，那么可以在目标拟合直线两侧，距离目标拟合直线为5的位置分别确定一条容忍度直线，这两条容忍度直线可以称作双侧容忍度直线。如图4以及图5所示，三条细直线中的上下两侧的细直线即为双侧容忍度直线。

步骤206，基于所述运动轨迹以及所述双侧容忍度直线，判断所述目标行为中是否存在所述躲避行为。

在该实施例中，确定目标拟合直线对应的双侧容忍度直线后，可以进一步根据双侧容忍度直线确定目标行为中是否有故意躲避行为存在。本申请实施例在结果判断环节，摆脱了对数据有大量需求的分类器模式，而是采用直线拟合判定的方法，计算简单，运行速度快，对于需要实时运行的面审场景，是十分适合线上部署的。

可选地，在本申请实施例中，步骤206包括：基于所述双侧容忍度直线，从所述运动轨迹对应的轨迹点中识别出内点和外点，并计算外点数量与轨迹点数量的比值，所述内点为位于所述双侧容忍度直线之内的所述轨迹点，所述外点为位于所述双侧容忍度直线之外的所述轨迹点；当所述比值大于预设比例阈值时，判定所述目标行为中存在所述躲避行为；当所述比值小于或等于所述预设比例阈值时，判定所述目标行为中不存在所述躲避行为。

在该实施例中，双侧容忍度直线可以将运动轨迹对应的轨迹点划分成两部分，一部分位于双侧容忍度直线之外，一部分位于双侧容忍度直线之内，其中，位于双侧容忍度直线之外的轨迹点可以称作外点，位于双侧容忍度直线之内的轨迹点可以称作内点。位于双侧容忍度直线上的轨迹点要么可以忽略不计，要么可以算作内点或者外点。首先，可以从运动轨迹对应的轨迹点中识别出内点和外点，接着，可以计算外点数量与轨迹点总数量之间的比值。如果计算得到的比值大于预设比例阈值，那么说明外点数量较多，用户的运动轨迹中存在突然的大幅度变化，即用户的目标行为中有躲避行为存在，对应的运动轨迹可以如图4中黑色粗线所示；如果计算得到的比值小于或者等于预设比例阈值，那么用户的运动轨迹中不存在突然的大幅度变化，说明用户的目标行为中没有躲避行为存在，对应的运动轨迹可以如图5中黑色粗线所示。

可选地，步骤201之后，所述方法还包括：计算所述任一所述目标图像中每个所述光流矢量对应的目标角度，所述目标角度为所述光流矢量与预设方向之间的角度；将所述任一所述目标图像中的所述光流矢量按照所述目标角度进行分类，确定主角度，并基于所述主角度过滤所述任一所述目标图像中的所述光流矢量。

在该实施例中，在线上业务面审时，用户利用客户端环绕一周时，镜头中的物体大多沿着相同的方向前进或后退，但是实际情况下可能如图3所示，目标图像中的光流矢量各种方向都有，十分混乱，主要原因可能为环绕速度过快、视频帧率过低、视频质量过低等，这种情况下前后两帧图像中的目标角点位置容易出现误匹配。而这些错误的光流矢量将直接影响最后的结果判断，因此滤除这些错误矢量是十分重要且必要的。因此，在利用每帧目标图像中的光流矢量确定目标光流矢量之前，还可以对每帧目标图像中的光流矢量进行滤波降噪。首先，可以分别确定每帧目标图像中各个光流矢量对应的目标角度，在这里，目标角度可以是每个光流矢量和预设方向之间的角度。例如，预设方向可以是正右方方向。通过光流矢量的方向和预设方向之间的夹角，可以确定每个光流矢量对应的目标角度。接着，可以将每帧目标图像中的不同光流矢量按照目标角度进行划分，划分在不同的类别中。例如，可以将360度划分成预设数量的角度区间，将光流矢量数量最多的角度区间作为主角度。确定主角度之后，可以将主角度之外的光流矢量全部过滤掉，或者将主角度与相邻角度区间之外的光流矢量全部过滤掉，最后可以根据过滤后的光流矢量确定目标光流矢量。本申请实施例通过主角度对每帧目标图像中的光流矢量进行过滤，可以有效去除错误的光流矢量，针对复杂环境带来的大量噪声，是一种极其简单却又十分有效的噪声去除方法。

具体地，对于每一个光流矢量，由圆点指向另一端，可以计算出一个目标角度，单位为度(°)，整个角度区间为0-360°，可以规定指向正右方为0°，角度沿着逆时针方向增加。以10°为一个角度区间，总共36个角度区间，对每一帧目标图像中所有光流矢量的方向进行直方图统计，如图6所示，为图3中光流矢量的方向直方图统计结果，柱值最高的即为主角度，图6中是350°-360°。找到主角度后，可以仅保留主角度对应角度区间内的光流矢量，也可以保留主角度和相邻两个角度区间的所有光流矢量，剔除其他光流矢量等。在保留主角度和相邻两个角度区间的所有光流矢量时，如果主角度为0°-10°，则保留0°-20°以及350°-360°，如果主角度为350°-360°，则保留0°-10°以及340°-360°。如对图3所示的光流矢量进行过滤，可以得到如图7所示的过滤后的光流矢量。

可选地，步骤203包括：确定所述运动轨迹的起始点，按照所述目标图像的先后顺序，依次将所述目标图像对应的所述目标光流矢量进行叠加，得到所述目标行为的所述运动轨迹。

在该实施例中，首先确定运动轨迹的一个起始点，接着，可以将第一帧目标图像对应的目标光流矢量从该起始点开始叠加，具体可以将目标光流矢量的起点与该起始点重合，之后，可以将第二帧目标图像对应的目标光流矢量的起点与第一帧目标图像对应的目标光流矢量的终点重合，以此类推进行叠加，得到目标行为的运动轨迹。

可选地，所述“判定所述目标行为中存在所述躲避行为”之后，所述方法还包括：输出躲避行为告警信息，并对所述连续多帧图像进行标记。

在该实施例中，如果经过判断发现用户的目标行为中存在躲避行为，那么可以对应输出躲避行为告警信息。在这里，躲避行为告警信息可以是语音输出，还可以是文字输出等，在此不作限定。通过躲避行为告警信息，可以及时提醒工作人员加强对该用户的面审力度，避免存在面审风险。此外，还可以对该用户采集到的连续多帧图像进行标记。通过对连续多帧图像进行标记，提醒工作人员该用户采集的图像是存在躲避行为的图像。

进一步的，作为图1方法的具体实现，本申请实施例提供了一种躲避行为的检测装置，如图8所示，该装置包括：

图像获取模块，用于获取采集到的连续多帧图像，确定每帧目标图像对应的目标光流矢量，所述目标图像为所述连续多帧图像中除首帧图像之外的图像；

轨迹确定模块，用于对每帧所述目标图像对应的所述目标光流矢量进行叠加，得到目标行为的运动轨迹；

行为判断模块，用于基于所述运动轨迹，判断所述目标行为中是否存在躲避行为。

可选地，所述行为判断模块，包括：

直线拟合单元，用于基于所述运动轨迹对应的轨迹点，对所述运动轨迹进行直线拟合，得到所述运动轨迹对应的目标拟合直线；

直线确定单元，用于依据预设容忍度阈值，确定所述目标拟合直线的双侧容忍度直线；

行为判断单元，用于基于所述运动轨迹以及所述双侧容忍度直线，判断所述目标行为中是否存在所述躲避行为。

可选地，所述行为判断单元，用于：基于所述双侧容忍度直线，从所述运动轨迹对应的轨迹点中识别出内点和外点，并计算外点数量与轨迹点数量的比值，所述内点为位于所述双侧容忍度直线之内的所述轨迹点，所述外点为位于所述双侧容忍度直线之外的所述轨迹点；当所述比值大于预设比例阈值时，判定所述目标行为中存在所述躲避行为；当所述比值小于或等于所述预设比例阈值时，判定所述目标行为中不存在所述躲避行为。

可选地，所述图像获取模块，包括：

平均值确定单元，用于分别确定每帧所述目标图像中各个光流矢量的起始角点平均值以及终止角点平均值；

矢量确定单元，用于依据所述起始角点平均值以及所述终止角点平均值，得到与每帧所述目标图像对应的所述目标光流矢量。

可选地，所述装置还包括：

第一位置确定模块，用于所述分别确定每帧所述目标图像中各个光流矢量的起始角点平均值以及终止角点平均值之前，基于任一所述目标图像对应的前一帧图像，确定所述前一帧图像对应的目标角点以及每个所述目标角点对应的第一角点位置；

第二位置确定模块，用于确定每个所述目标角点在所述任一所述目标图像上的第二角点位置；

光流矢量确定模块，用于依据所述第一角点位置以及所述第二角点位置，确定所述任一所述目标图像对应的所述光流矢量。

可选地，所述装置还包括：

目标角度确定模块，用于所述确定所述任一所述目标图像对应的所述光流矢量之后，计算所述任一所述目标图像中每个所述光流矢量对应的目标角度，所述目标角度为所述光流矢量与预设方向之间的角度；

过滤模块，用于将所述任一所述目标图像中的所述光流矢量按照所述目标角度进行分类，确定主角度，并基于所述主角度过滤所述任一所述目标图像中的所述光流矢量。

可选地，所述轨迹确定模块，用于：确定所述运动轨迹的起始点，按照所述目标图像的先后顺序，依次将所述目标图像对应的所述目标光流矢量进行叠加，得到所述目标行为的所述运动轨迹。

需要说明的是，本申请实施例提供的一种躲避行为的检测装置所涉及各功能单元的其他相应描述，可以参考图1至图7方法中的对应描述，在此不再赘述。

基于上述如图1至图7所示方法，相应的，本申请实施例还提供了一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述如图1至图7所示的躲避行为的检测方法。

基于这样的理解，本申请的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施场景所述的方法。

基于上述如图1至图7所示的方法，以及图8所示的虚拟装置实施例，为了实现上述目的，本申请实施例还提供了一种计算机设备，具体可以为个人计算机、服务器、网络设备等，该计算机设备包括存储介质和处理器；存储介质，用于存储计算机程序；处理器，用于执行计算机程序以实现上述如图1至图7所示的躲避行为的检测方法。

可选地，该计算机设备还可以包括用户接口、网络接口、摄像头、射频(RadioFrequency，RF)电路，传感器、音频电路、WI-FI模块等等。用户接口可以包括显示屏(Display)、输入单元比如键盘(Keyboard)等，可选用户接口还可以包括USB接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如蓝牙接口、WI-FI接口)等。

本领域技术人员可以理解，本实施例提供的一种计算机设备结构并不构成对该计算机设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。

存储介质中还可以包括操作系统、网络通信模块。操作系统是管理和保存计算机设备硬件和软件资源的程序，支持信息处理程序以及其它软件和/或程序的运行。网络通信模块用于实现存储介质内部各组件之间的通信，以及与该实体设备中其它硬件和软件之间通信。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本申请可以借助软件加必要的通用硬件平台的方式来实现，也可以通过硬件实现。首先，可以获取用户通过客户端采集到的多帧连续图像。接着，分别确定多帧连续图像中每个目标图像对应的目标光流矢量。在这里，目标图像可以是连续多帧图像中除了首帧图像之外的其它图像。分别确定每帧目标图像对应的目标光流矢量之后，可以对这些目标光流矢量进行叠加，最终得到用户的目标行为对应的运动轨迹。确定目标行为对应的运动轨迹之后，可以进一步根据该运动轨迹，判断目标行为中有没有故意躲避行为存在。本申请实施例通过用户采集到的连续多帧图像得到用户目标行为的运动轨迹，进而根据运动轨迹判断用户是否存在躲避行为，判断过程更加简单方便，同时可以快速准确地得到判定结果。

本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本申请所必须的。本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

上述本申请序号仅仅为了描述，不代表实施场景的优劣。以上公开的仅为本申请的几个具体实施场景，但是，本申请并非局限于此，任何本领域的技术人员能思之的变化都应落入本申请的保护范围。

Claims (10)

1.一种躲避行为的检测方法，其特征在于，包括：

获取采集到的连续多帧图像，确定每帧目标图像对应的目标光流矢量，所述目标图像为所述连续多帧图像中除首帧图像之外的图像；

对每帧所述目标图像对应的所述目标光流矢量进行叠加，得到目标行为的运动轨迹；

基于所述运动轨迹，判断所述目标行为中是否存在躲避行为。

2.根据权利要求1所述的方法，其特征在于，所述基于所述运动轨迹，判断所述目标行为中是否存在躲避行为，包括：

基于所述运动轨迹对应的轨迹点，对所述运动轨迹进行直线拟合，得到所述运动轨迹对应的目标拟合直线；

依据预设容忍度阈值，确定所述目标拟合直线的双侧容忍度直线；

基于所述运动轨迹以及所述双侧容忍度直线，判断所述目标行为中是否存在所述躲避行为。

3.根据权利要求2所述的方法，其特征在于，所述基于所述运动轨迹以及所述双侧容忍度直线，判断所述目标行为中是否存在所述躲避行为，包括：

基于所述双侧容忍度直线，从所述运动轨迹对应的轨迹点中识别出内点和外点，并计算外点数量与轨迹点数量的比值，所述内点为位于所述双侧容忍度直线之内的所述轨迹点，所述外点为位于所述双侧容忍度直线之外的所述轨迹点；

当所述比值大于预设比例阈值时，判定所述目标行为中存在所述躲避行为；

当所述比值小于或等于所述预设比例阈值时，判定所述目标行为中不存在所述躲避行为。

4.根据权利要求1所述的方法，其特征在于，所述确定每帧目标图像对应的目标光流矢量，包括：

分别确定每帧所述目标图像中各个光流矢量的起始角点平均值以及终止角点平均值；

依据所述起始角点平均值以及所述终止角点平均值，得到与每帧所述目标图像对应的所述目标光流矢量。

5.根据权利要求4所述的方法，其特征在于，所述分别确定每帧所述目标图像中各个光流矢量的起始角点平均值以及终止角点平均值之前，所述方法还包括：

基于任一所述目标图像对应的前一帧图像，确定所述前一帧图像对应的目标角点以及每个所述目标角点对应的第一角点位置；

确定每个所述目标角点在所述任一所述目标图像上的第二角点位置；

依据所述第一角点位置以及所述第二角点位置，确定所述任一所述目标图像对应的所述光流矢量。

6.根据权利要求5所述的方法，其特征在于，所述确定所述任一所述目标图像对应的所述光流矢量之后，所述方法还包括：

计算所述任一所述目标图像中每个所述光流矢量对应的目标角度，所述目标角度为所述光流矢量与预设方向之间的角度；

将所述任一所述目标图像中的所述光流矢量按照所述目标角度进行分类，确定主角度，并基于所述主角度过滤所述任一所述目标图像中的所述光流矢量。

7.根据权利要求1所述的方法，其特征在于，所述对每帧所述目标图像对应的所述目标光流矢量进行叠加，得到目标行为的运动轨迹，包括：

确定所述运动轨迹的起始点，按照所述目标图像的先后顺序，依次将所述目标图像对应的所述目标光流矢量进行叠加，得到所述目标行为的所述运动轨迹。

8.一种躲避行为的检测装置，其特征在于，包括：

图像获取模块，用于获取采集到的连续多帧图像，确定每帧目标图像对应的目标光流矢量，所述目标图像为所述连续多帧图像中除首帧图像之外的图像；

轨迹确定模块，用于对每帧所述目标图像对应的所述目标光流矢量进行叠加，得到目标行为的运动轨迹；

行为判断模块，用于基于所述运动轨迹，判断所述目标行为中是否存在躲避行为。

9.一种计算机设备，包括存储介质、处理器及存储在存储介质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权利要求1至7中任一项所述的方法。

10.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法。

Images