CN115909206A - 一种机柜防触摸行为的检测方法、装置、存储介质和终端 - Google Patents

Abstract

本发明提供一种机柜防触摸行为的检测方法、装置、存储介质和终端，方法包括：获取机房监控环境下的图像样本数据，对图像样本数据进行标注，建立人体检测模型，并对人体检测模型进行训练，将实时采集的监控图像数据，输入至训练后的人体检测模型，得到目标关键点；根据目标关键点中的手部关键点的位置、角度，以及手部关键点与机柜的机柜面区域的相对位置，对机柜触摸行为进行预测，以对机柜触摸行为进行检测和预警；本申请通过自动对机柜触摸行为进行检测和预警，可以有效的提高对该违规行为的召回率和准确率，具有且维护成本低，易部署的优点，可以有效减少人力成本投入。

Description

一种机柜防触摸行为的检测方法、装置、存储介质和终端

技术领域

本发明涉及计算机应用领域和安防领域，尤其涉及一种机柜防触摸行为的检测方法、装置、存储介质和终端。

背景技术

机房是存放计算机服务系统、计算设备、存储设备的核心区域。机房的安全监控对各个企业、政府等都尤为重要。机柜是用于容纳电气或电子设备的独立式或自支撑的机壳，机柜是电气设备中不可或缺的组成部分，是电气控制设备的载体。一般由冷轧钢板或合金制作而成，可以提供对存放设备的防水、防尘、防电磁干扰等防护作用。在一些安全涉密场景中，是不允许存在伸手触摸机柜的行为的。

但是，现有的监控方式，大多采用人工监控的方式，无法对伸手触摸机柜的行为进行24小时的不间断的监控。而人体动作识别方式还没有针对触摸机柜的专门处理方案，因此，亟需一种新的方式，可以减少人工监控的人工成本，并能有效保障对伸手触摸机柜行为的准确率和召回率，减少人工成本。

发明内容

鉴于以上所述现有技术的缺点，本发明提供一种机柜防触摸行为的检测方法、装置、存储介质和终端，以解决上述技术问题。

本发明提供的机柜防触摸行为的检测方法，包括：获取机房监控环境下的图像样本数据对所述图像样本数据进行标注，形成样本数据集；基于所述样本数据集，建立人体检测模型并对所述人体检测模型进行训练，得到训练后的人体检测模型；将实时采集的监控图像数据输入至所述训练后的人体检测模型，得到目标关键点；根据目标关键点中的手部关键点的位置、角度，以及手部关键点与机柜的机柜面区域的相对位置，对机柜触摸行为进行预测，以对机柜触摸行为进行检测和预警。

于本申请的一实施例中，对所述图像样本数据进行人体目标标注，以建立用于检测人体目标的第一检测模型；对所述图像样本数据进行局部图像处理，得到人体关键点训练数据集以建立用于检测人体目标关键点的第二检测模型，所述人体检测模型包括所述第一检测模型和第二检测模型；分别对所述第一检测模型和第二检测模型进行训练，以得到所述训练后的人体检测模型。

于本申请的一实施例中，根据预设的学习率对所述第一检测模型的随机初始化权重进行训练，所述预设的学习率包括不同数值，所述预设的学习率按数值升序与训练时间成正比配置；如果随机初始化权重训练的轮次小于预设的轮次阈值，则对所述第一检测模型的训练进行数据增强处理，如果训练轮次达到所述轮次阈值，则取消所述数据增强处理。

于本申请的一实施例中，增加随机比例的训练数据，以执行所述数据增强处理，所述训练数据包括混类增强数据、随机剪裁数据、随机亮度变化、随机噪声、随机旋转比例中的一种或几种的组合。

于本申请的一实施例中，将标注后的图像样本数据按预设比例划分为训练集、验证集和测试集；基于所述训练集对第二检测模型进行训练，如果在验证集上预设的连续轮次内未取得最小损失，则停止对第二检测模型的训练；根据训练过程中验证集和测试集上的最优结果确定所述第二检测模型。

于本申请的一实施例中，基于手部与小臂之间的长度比例，结合所述手部关键点的位置和角度，对目标对象的手部触摸位置进行预估，得到预估结果，所述角度包括手臂与躯干的角度；对防触摸机柜面区域进行实时监控，若预估结果与防触摸机柜面区域发生重合，则对触摸行为进行监控和告警；若预估结果与防触摸机柜面区域之间的距离超过预先设置的安全距离，则对触摸行为进行预警。

于本申请的一实施例中，若手臂与躯干的角度小于预设的角度阈值，则判定行为正常；若手臂与躯干的角度大于或等于预设的角度阈值，则判定行为异常，并根据手肘位置和手腕位置，对目标对象的手部触摸位置进行预估，所述手部关键点的位置包括手肘位置和手腕位置。

于本申请的一实施例中，根据手部关键点的位置，以躯干为中心将手部关键点分为左右两部分；同时对左右两部分的手部触摸位置进行独立计算，并将左右两部分的计算结果相结合，以对目标对象的手部触摸位置进行预估。

本申请还提供一种机柜防触摸行为的检测装置，包括：图像采集模块，用于获取机房监控环境下的图像样本数据，标注模块，用于对所述图像样本数据进行标注，形成样本数据集模型模块，用于基于所述样本数据集，建立人体检测模型，并对所述人体检测模型进行训练得到训练后的人体检测模型；输出模块，用于将实时采集的监控图像数据，输入至所述训练后的人体检测模型，得到目标关键点；根据目标关键点中的手部关键点的位置、角度，以及手部关键点与机柜的机柜面区域的相对位置，对机柜触摸行为进行预测，以对机柜触摸行为进行检测和预警。

本申请还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述方法。

本申请还提供一种电子终端，包括：处理器及存储器；所述存储器用于存储计算机程序所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如上述中任一项所述方法。

本发明的有益效果：本发明中的机柜防触摸行为的检测方法、装置、存储介质和终端，本申请通过建立人体检测模型，可以根据实时采集的监控图像数据，识别目标关键点中的手部关键点的位置、角度，并根据手部关键点与机柜的机柜面区域的相对位置，对机柜触摸行为进行预测，以对机柜触摸行为进行检测和预警，可以有效的提高对该违规行为的召回率和准确率，具有且维护成本低，易部署的优点，可以有效减少人力成本投入。

附图说明

图1是本发明实施例中示例性系统架构的示意图。

图2是本发明实施例中机柜防触摸行为的检测方法的流程示意图。

图3是本发明实施例中机柜防触摸行为的检测方法的主体流程示意图。

图4是本发明实施例中机柜防触摸行为的检测方法的第二流程的具体流程示意图。

图5是本发明实施例中机柜防触摸行为的检测装置的框图。

图6是本发明实施例中电子设备的计算机系统的结构示意图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂,附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

在下文描述中，探讨了大量细节，以提供对本发明实施例的更透彻的解释，然而，对本领域技术人员来说，可以在没有这些具体细节的情况下实施本发明的实施例是显而易见的，在其他实施例中，以方框图的形式而不是以细节的形式来示出公知的结构和设备，以避免使本发明的实施例难以理解。

首先需要说明的是，房监控主要是针对机房所有的设备及环境进行集中监控和管理的，其监控对象构成机房的各个子系统：动力系统、环境系统、消防系统、保安系统、网络系统等。机房监控系统基于网络综合布线系统，采用集散监控，在机房监视室放置监控主机，运行监控软件，以统一的界面对各个子系统集中监控。传统的维护模式是以人为基础，依靠人工轮流值班，人工巡回查看等手段维护设备存在的弊端，效率低下，不利于人才资源的充分利用而且缺乏科学性，重大事故有许多是由人为因素造成的，人工维护管理缺乏完整的管理系统不利于运营企业科学管理的形式。

深度学习(DL，Deep Learning)是机器学习(ML，Machine Learning)领域中一个研究方向，深度学习是学习样本数据的内在规律和表示层次，学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。深度学习的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。深度学习在搜索技术，数据挖掘，机器学习，机器翻译，自然语言处理，多媒体学习，语音，推荐和个性化技术，以及其他相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动，解决了很多复杂的模式识别难题，使得人工智能相关技术取得了很大进步。

图1是本申请的一示例性实施例示出的示例性系统架构的示意图。

参照图1所示，系统架构可以包括图像采集设备101和计算机设备102。其中，计算机设备102可以是台式图形处理器(Graphic Processing Unit，GPU)计算机、GPU计算集群、神经网络计算机等中的至少一种。相关技术人员可以使用该计算机设备102实现对产品图像的处理，找出对目标图像进行处理，后进行目标的检测和关键点的定位流程，以及具体的逻辑策略，从而有效保障对伸手触摸机柜行为的准确率和召回率，减少人工成本。图像采集设备101用于机房监控环境下的图像，在本实施例中图像采集设备101可以采用摄像头采集图像，并提供给计算机设备102进行处理。

示意性的，计算机设备102在获取到图像采集设备101目标图像之后，可以对目标图像进行检测识别，通过第一流程提取图像中疑似目标的关键点信息。通过第二流程根据疑似目标的关键点信息进行逻辑判定，达到确认疑似目标是否有伸手触摸机柜的行为。可见，本申请实施例的技术方案能够通过图像处理，实现自动实时判断目标是否有伸手触摸机柜的行为能有效保障对伸手触摸机柜行为的准确率和召回率。

需要说明的是，本申请实施例所提供的机柜防触摸行为的检测方法一般由计算机设备102执行，相应地，图像处理装置一般设置于计算机设备102中。

以下对本申请实施例的技术方案的实现细节进行详细阐述：

图2是本申请的一示例性实施例示出的机柜防触摸行为的检测方法的流程图，该机柜防触摸行为的检测方法可以计算处理设备来执行，该计算处理设备可以是图1中所示的计算机设备102。参照图2所示，该机柜防触摸行为的检测方法至少包括步骤S210至步骤S240，详细介绍如下：

在步骤S210中，获取机房监控环境下的图像样本数据，对图像样本数据进行标注，形成样本数据集。

在本申请的一个实施例中，目标图像可以由实时采集的图像经过处理后得到包括人体目标的图像。也可以由计算处理设备102通过与之相连其他的图像采集设备获取到目标图像，还可以由相关技术人员将目标图像输入到计算处理设备102中。

在本申请的一个实施例中，采集12万张不同机房的监控图片，标注出图片中所有的人体目标，可选的，本实施例中的样本数据集中包含目标的数据大于90％。

在步骤S220中，基于样本数据集，建立人体检测模型，并对人体检测模型进行训练，得到训练后的人体检测模型。

在本申请的一个实施例中，对图像样本数据进行人体目标标注，以建立用于检测人体目标的第一检测模型；对图像样本数据进行局部图像处理，得到人体关键点训练数据集，以建立用于检测人体目标关键点的第二检测模型，人体检测模型包括第一检测模型和第二检测模型；分别对第一检测模型和第二检测模型进行训练，以得到训练后的人体检测模型。

图3是本申请的一示例性实施例示出的机柜防触摸行为的检测方法的主体流程示意图。

如图3所示：

在本申请的一个实施例中，从图像采集设备获取机房监控视频图片流后，对数据流进行抽帧分析。第一流程是通过二级模型提取图像中疑似目标的关键点信息。第二流程是根据疑似目标的关键点信息进行逻辑判定，达到确认疑似目标是否有伸手触摸机柜的行为。

在本申请的一个实施例中，根据预设的学习率对第一检测模型的随机初始化权重进行训练，预设的学习率包括不同数值，预设的学习率按数值升序与训练时间成正比配置；如果随机初始化权重训练的轮次小于预设的轮次阈值，则对第一检测模型的训练进行数据增强处理如果训练轮次达到所述轮次阈值，则取消数据增强处理。数据增强主要指在计算机视觉领域中对图像进行数据增强，从而弥补训练图像数据集不足，达到对训练数据扩充的目的，数据增强是一种数据扩充方法，可分为同类增强(如：翻转、旋转、缩放、移位、模糊等)和混类增强(如mixup)两种方式。通过增加随机比例的训练数据，以执行数据增强处理，训练数据包括混类增强数据、随机剪裁数据、随机亮度变化、随机噪声、随机旋转比例等。在本实施例中，可以对训练阶段进行优化，采用warmup对随机初始化权重进行预训练，增加一定随机比例的mixup、随机crop、随机亮度变化、随机噪声、随机旋转比例等数据增强。本实施例中的warmup可以称为训练热身。由于神经网络在刚开始训练的时候是非常不稳定的，因此刚开始的学习率应当设置得很低很低，这样可以保证网络能够具有良好的收敛性。但是较低的学习率会使得训练过程变得非常缓慢，因此，本实施例中采用以较低学习率逐渐增大至较高学习率的方式实现网络训练的“热身”阶段，随着训练的进行学习率慢慢变大，到了一定程度，以设置的初始学习率进行训练，接着过了一些inter后，学习率再慢慢变小；学习率变化：上升——平稳——下降。

在本申请的一个实施例中，训练时，学习率设置1e-4，batch设置64，最大轮次设置150，训练轮次过半去掉mixup数据增强，一定程度上减少数据增强比例。设置提前停止条件，验证集上连续20轮未取得最小损失。找到验证集、测试集均最优的模型，即获得第一检测模型，即人体目标检测模型。

在本申请的一个实施例中，在第一流程中，可以先基于目标检测模型提取出监控抽帧图片流中，目标对象的相关信息，作为可能产生违规行为的疑似目标。将其依次送入人体关键检测模型进行确认目标对象的具体关键点位置坐标信息，主要包括头、肩部、手肘、手腕、胯部、膝盖、脚踝等。

在本申请的一个实施例中，在标注出图片中所有的人体目标后，可以将所有数据均匀的按10:1:1的比例划分成训练集、验证集和测试集，即10万训练集，1万张验证集，1万张测试集。在本实施例中，可以利用pytorch或其余深度学习框架构建yolox目标检测模型，并利用上述已标注的人体数据进行训练人体目标检测模型。

在步骤S230中，将实时采集的监控图像数据，输入至所述训练后的人体检测模型，得到目标关键点。

在本申请的一个实施例中，在第二流程中，基于疑似目标的关键点信息计算出需要进行逻辑判定的关键信息。左右两边需进行单独计算，以下均以单边的计算进行举例说明。根据左肘与左肩的连线和左肩和左胯的的连线计算出单边手臂与躯干的夹角，如果夹角未超过抬臂阈值则判定的正常行为目标，如果夹角超过抬臂阈值则判定为产生了伸手的动作，可能是产生疑似违规行为的目标进入一下部分的判定。根据左手肘和左手腕的坐标信息得到该连线的长度和方向，以该方向按手掌占小臂的比例进行预估左手关键点坐标位置。判断左手关键点坐标是否入侵了划定的机柜区域，如果未进入，则判定为未产生违规行为的正常目标，如果进入划定的机柜区域了，则判定为产生了伸手触摸机柜行为，保存该图像，并上传告警信息以上判定逻辑策略均以左边计算进行举例，每一步单边满足条件即可进入下一步逻辑判定。

在本申请的一个实施例中，将标注后的图像样本数据按预设比例划分为训练集、验证集和测试集；基于训练集对第二检测模型进行训练，如果在验证集上预设的连续轮次内未取得最小损失，则停止对第二检测模型的训练；根据训练过程中验证集和测试集上的最优结果，确定第二检测模型。在本申请中，可对训练阶段进行优化，采用warmup对随机初始化权重进行预训练，增加一定随机比例的mixup、随机crop、随机亮度变化、随机噪声、随机旋转比例等数据增强。训练时，学习率设置1e-4，batch设置64，最大轮次设置150，训练轮次过半去掉mixup数据增强，一定程度上减少数据增强比例。设置提前停止条件，验证集上连续20轮未取得最小损失。找到验证集、测试集均最优的模型，即获得人体目标检测模型。

在本申请的一个实施例中，可以在上述12万数据中提取所有包含人体目标的数据并进行抠图处理，得到人体关键点检测模型的训练数据集，例如提取到人体抠图数据24万张。需完成对人体关键点的标注，具体的包括：头、颈部、肩部、肘部、腕部、胯部、膝盖、脚踝，依次按固定顺序标注。将标注好的数据按10:1:1均匀的划分为训练集、验证集、测试集，即训练集20万张、验证集2万张、测试集2万张。利用pytorch或其他深度学习框架构建HRnet人体关键点检测模型，利用已标注的人体关键点数据集进行模型训练。可对训练阶段进行优化，采用原始权重作为预训练模型进行微调，增加一定随机比例的缩放、随机crop比例增加部分单独的半身数据、随机亮度变化、随机噪声、随机旋转比例等数据增强。训练时，学习率设置5e-5，batch设置64，最大轮次设置150。设置提前停止条件，验证集上连续20轮未取得最小损失。找到验证集、测试集均最优的模型，即获得人体目标检测模型。

在步骤S240中，根据目标关键点中的手部关键点的位置、角度，以及手部关键点与机柜的机柜面区域的相对位置，对机柜触摸行为进行预测，以对机柜触摸行为进行检测和预警。

在本申请的一个实施例中，可以对第一检测模型和第二检测模型做量化优化处理，例如可以利用TensorRT集成构建推理引擎，并按本实施例中的流程编码实现逻辑策略的判断。在本实施例中，基于手部与小臂之间的长度比例，结合手部关键点的位置和角度，对目标对象的手部触摸位置进行预估，得到预估结果，角度包括手臂与躯干的角度；对防触摸机柜面区域进行实时监控，若预估结果与防触摸机柜面区域发生重合，则对触摸行为进行监控和告警若预估结果与防触摸机柜面区域之间的距离超过预先设置的安全距离，则对触摸行为进行预警。若手臂与躯干的角度小于预设的角度阈值，则判定行为正常；若手臂与躯干的角度大于或等于预设的角度阈值，则判定行为异常，并根据手肘位置和手腕位置，对目标对象的手部触摸位置进行预估，手部关键点的位置包括手肘位置和手腕位置。

图4是本发明实施例中机柜防触摸行为的检测方法的第二流程的具体流程示意图。

具体的，如图4所示，可以设置疑似目标的抬手角度阈值为40度，手部关键点位置预估，按常规手部占比小臂长度比例约2/3，即按手腕处同方向延伸1/3的小臂长度。选定机柜的监控点为机柜的侧面方向，监控视角可从侧面完整观测到机柜面的全景为佳，并配置监控中的未经允许不能触摸的机柜面区域，将监控点的视频图片流接入伸手触摸机柜识别的模块即可实现对机房中出现违规伸手触摸机柜行为的监控和告警。

图5是本申请的一示例性实施例示出的机柜防触摸行为的检测装置的框图。该装置可以应用于图2所示的实施环境，并具体配置在计算机设备102中。该装置也可以适用于其它的示例性实施环境，并具体配置在其它设备中，本实施例不对该装置所适用的实施环境进行限制。

在本实施例中，机柜防触摸行为的检测装置，包括：

图像采集模块501，用于获取机房监控环境下的图像样本数据，

标注模块502，用于对所述图像样本数据进行标注，形成样本数据集；

模型模块503，用于基于所述样本数据集，建立人体检测模型，并对所述人体检测模型进行训练，得到训练后的人体检测模型；

输出模块504，用于将实时采集的监控图像数据，输入至所述训练后的人体检测模型，得到目标关键点；根据目标关键点中的手部关键点的位置、角度，以及手部关键点与机柜的机柜面区域的相对位置，对机柜触摸行为进行预测，以对机柜触摸行为进行检测和预警。

需要说明的是，上述实施例所提供的检测装置与上述实施例所提供的检测方法属于同一构思，其中各个模块和单元执行操作的具体方式已经在方法实施例中进行了详细描述，此处不再赘述。上述实施例所提供的检测装置在实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能，本处也不对此进行限制。

本说明书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。

本发明可用于众多通用或专用的计算系统环境或配置中。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。

本发明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发明，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。

本申请的实施例还提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述电子设备实现上述各个实施例中提供的图像处理方法。

图6示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。需要说明的是，图6示出的电子设备的计算机系统1200仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图6所示，计算机系统包括中央处理单元(Central Processing Unit，CPU)601，其可以根据存储在只读存储器(Read-Only Memory，ROM)602中的程序或者从储存部分608加载到随机访问存储器(Random Access Memory，RAM)603中的程序而执行各种适当的动作和处理，例如执行上述实施例中所述的方法。在RAM 603中，还存储有系统操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(Input/Output，I/O)接口605也连接至总线604。

以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(Cathode Ray Tube，CRT)、液晶显示器(Liquid Crystal Display，LCD)等以及扬声器等的输出部分607；包括硬盘等的储存部分608；以及包括诸如LAN(Local Area Network，局域网)卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入储存部分608。

特别地，根据本申请的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的系统中限定的各种功能。

需要说明的是，本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、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。其中，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码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。也应当注意，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，两个接连地表示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，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操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。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。

本申请的另一方面还提供了一种计算机可读存储介质，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如前所述的图像处理方法。该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的，也可以是单独存在，而未装配入该电子设备中。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

本申请的另一方面还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各个实施例中提供的图像处理方法。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本申请实施方式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)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本申请实施方式的方法。

本领域技术人员在考虑说明书及实践这里公开的实施方式后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。

应当理解的是，本上述内容，仅为本申请的较佳示例性实施例，并非用于限制本申请的实施方案，本领域普通技术人员根据本申请的主要构思和精神，可以十分方便地进行相应的变通或修改，故本申请的保护范围应以权利要求书所要求的保护范围为准。

Claims (11)

1.一种机柜防触摸行为的检测方法，其特征在于，包括：

获取机房监控环境下的图像样本数据，对所述图像样本数据进行标注，形成样本数据集；

基于所述样本数据集，建立人体检测模型，并对所述人体检测模型进行训练，得到训练后的人体检测模型；

将实时采集的监控图像数据，输入至所述训练后的人体检测模型，得到目标关键点；

根据目标关键点中的手部关键点的位置、角度，以及手部关键点与机柜的机柜面区域的相对位置，对机柜触摸行为进行预测，以对机柜触摸行为进行检测和预警。

2.根据权利要求1所述的机柜防触摸行为的检测方法，其特征在于，基于所述样本数据集，建立人体检测模型，并对所述人体检测模型进行训练，包括：

对所述图像样本数据进行人体目标标注，以建立用于检测人体目标的第一检测模型；

对所述图像样本数据进行局部图像处理，得到人体关键点训练数据集，以建立用于检测人体目标关键点的第二检测模型，所述人体检测模型包括所述第一检测模型和第二检测模型；

分别对所述第一检测模型和第二检测模型进行训练，以得到所述训练后的人体检测模型。

3.根据权利要求2所述的机柜防触摸行为的检测方法，其特征在于，分别对所述第一检测模型和第二检测模型进行训练，包括：

根据预设的学习率对所述第一检测模型的随机初始化权重进行训练，所述预设的学习率包括不同数值，所述预设的学习率按数值升序与训练时间成正比配置；

如果随机初始化权重训练的轮次小于预设的轮次阈值，则对所述第一检测模型的训练进行数据增强处理，如果训练轮次达到所述轮次阈值，则取消所述数据增强处理。

4.根据权利要求3所述的机柜防触摸行为的检测方法，其特征在于，对所述第一检测模型的训练进行数据增强处理，包括：

增加随机比例的训练数据，以执行所述数据增强处理，所述训练数据包括混类增强数据、随机剪裁数据、随机亮度变化、随机噪声、随机旋转比例中的一种或几种的组合。

5.根据权利要求2所述的机柜防触摸行为的检测方法，其特征在于，分别对所述第一检测模型和第二检测模型进行训练，还包括：

将标注后的图像样本数据按预设比例划分为训练集、验证集和测试集；

基于所述训练集对第二检测模型进行训练，如果在验证集上预设的连续轮次内未取得最小损失，则停止对第二检测模型的训练；

根据训练过程中验证集和测试集上的最优结果，确定所述第二检测模型。

6.根据权利要求1所述的机柜防触摸行为的检测方法，其特征在于，根据目标关键点中的手部关键点的位置、角度，以及手部关键点与机柜的机柜面区域的相对位置，对机柜触摸行为进行预测，包括：

基于手部与小臂之间的长度比例，结合所述手部关键点的位置和角度，对目标对象的手部触摸位置进行预估，得到预估结果，所述角度包括手臂与躯干的角度；

对防触摸机柜面区域进行实时监控，若预估结果与防触摸机柜面区域发生重合，则对触摸行为进行监控和告警；

若预估结果与防触摸机柜面区域之间的距离超过预先设置的安全距离，则对触摸行为进行预警。

7.根据权利要求6所述的机柜防触摸行为的检测方法，其特征在于，结合所述手部关键点的位置和角度，对目标对象的手部触摸位置进行预估，包括：

若手臂与躯干的角度小于预设的角度阈值，则判定行为正常；

若手臂与躯干的角度大于或等于预设的角度阈值，则判定行为异常，并根据手肘位置和手腕位置，对目标对象的手部触摸位置进行预估，所述手部关键点的位置包括手肘位置和手腕位置。

8.根据权利要求1-7任一所述的机柜防触摸行为的检测方法，其特征在于，结合所述手部关键点的位置和角度，对目标对象的手部触摸位置进行预估，还包括：

根据手部关键点的位置，以躯干为中心将手部关键点分为左右两部分；

同时对所述左右两部分的手部触摸位置进行独立计算，并将左右两部分的计算结果相结合，以对目标对象的手部触摸位置进行预估。

9.一种机柜防触摸行为的检测装置，其特征在于，包括：

图像采集模块，用于获取机房监控环境下的图像样本数据，

标注模块，用于对所述图像样本数据进行标注，形成样本数据集；

模型模块，用于基于所述样本数据集，建立人体检测模型，并对所述人体检测模型进行训练，得到训练后的人体检测模型；

输出模块，用于将实时采集的监控图像数据，输入至所述训练后的人体检测模型，得到目标关键点；根据目标关键点中的手部关键点的位置、角度，以及手部关键点与机柜的机柜面区域的相对位置，对机柜触摸行为进行预测，以对机柜触摸行为进行检测和预警。

10.一种计算机可读存储介质，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9中任一项所述方法。

11.一种电子终端，其特征在于，包括：处理器及存储器；

所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如权利要求1至9中任一项所述方法。

Images