[發明專利]異常行為識別方法、裝置、電子設備及存儲介質

在審

• 申請號: 202011077906.5
• 申請日: 2020-10-10
• 公開（公告）號: CN112200081A
• 公開（公告）日: 2021-01-08
• 發明（設計）人: 侯冰基
• 申請（專利權）人: 平安國際智慧城市科技股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 深圳市賽恩倍吉知識產權代理有限公司 44334
• 代理人: 遲珊珊

1.一種異常行為識別方法，其特征在于，所述異常行為識別方法包括：

獲取圖像數據集；

基于預先訓練好的行人目標檢測器，對所述圖像數據集中的每張圖像進行行人檢測，獲得行人坐標框；

根據設定的類間距離，對所述行人坐標框進行聚類，以及對聚類后的行人坐標框進行合并，獲得新坐標框；

根據所述新坐標框，對所述圖像進行截取，獲得多個截圖樣本；

基于所述多個截圖樣本，訓練卷積神經網絡，獲得異常行為分類器模型；

根據所述行人目標檢測器和所述異常行為分類器模型，對待檢測圖像進行識別，獲得異常行為概率；

根據所述異常行為概率，確定異常行為識別結果。

2.根據權利要求1所述的異常行為識別方法，其特征在于，所述獲取圖像數據集之前，所述異常行為識別方法還包括：

獲取訓練集和驗證集；

設置初始學習率以及調整學習率，其中，所述初始學習率大于所述調整學習率；

基于所述初始學習率以及Adam優化算法，使用所述訓練集對YOLOv3框架進行訓練，獲得中間模型；

將所述驗證集輸入至所述中間模型，當所述驗證集的損失函數達到收斂時，基于所述調整學習率以及隨機梯度下降SGD算法，對所述中間模型進行訓練；

當所述驗證集的損失函數達到收斂時，確定當前收斂時的模型為行人目標檢測器。

3.根據權利要求1所述的異常行為識別方法，其特征在于，所述根據設定的類間距離，對所述行人坐標框進行聚類包括：

按照每個行人坐標框的概率從高到低的順序，對所述行人坐標框進行排序，獲得排序框；

將概率最高的行人坐標框確定為基準框；

依次遍歷所述排序框中排序在所述基準框之后的剩余框，并計算所述基準框與每個所述剩余框的歐式距離；

根據設定的類間距離以及所述歐式距離，對所述行人坐標框進行聚類。

4.根據權利要求1所述的異常行為識別方法，其特征在于，所述對聚類后的行人坐標框進行合并，獲得新坐標框包括：

對聚類后的行人坐標框進行合并，獲得第一坐標框；

判斷所述第一坐標框的寬是否小于第一閾值，以及判斷所述第一坐標框的高是否小于第二閾值；

若所述第一坐標框的寬小于第一閾值，且所述第一坐標框的高小于第二閾值，獲取所述第一坐標框的中心點，以及獲取預先設置的預設寬和預設高；

判斷基于所述中心點、所述預設寬以及所述預設高的第二坐標框是否超過所述圖像的邊界坐標；

若基于所述中心點、所述預設寬以及所述預設高的第二坐標框未超過所述圖像的邊界坐標，確定所述第二坐標框為新坐標框。

5.根據權利要求4所述的異常行為識別方法，其特征在于，所述異常行為識別方法還包括：

若基于所述中心點、所述預設寬以及所述預設高的第二坐標框超過所述圖像的邊界坐標，基于所述中心點以及所述邊界坐標，確定新坐標框。

6.根據權利要求1所述的異常行為識別方法，其特征在于，所述基于所述多個截圖樣本，訓練卷積神經網絡，獲得異常行為分類器模型包括：

接收針對所述多個截圖樣本進行人工標注的正樣本和負樣本，其中，所述正樣本為存在異常行為的樣本，所述負樣本為不存在異常行為的樣本；

設置學習率、隨機梯度下降SGD算法以及訓練次數閾值；

使用所述正樣本和所述負樣本，基于所述學習率、所述SGD算法對ResNet18框架進行訓練；

當訓練次數達到所述訓練次數閾值時，確定訓練結束，并將結束時的模型確定為異常行為分類器模型。