[發明專利]一種基于深度學習的行人奔跑行為檢測方法及相關組件

有效

• 申請號: 202011256786.5
• 申請日: 2020-11-11
• 公開（公告）號: CN112329671B
• 公開（公告）日: 2022-06-17
• 發明（設計）人: 張興;王國勛;王鶴;石強;黃勇其;熊嬌;劉雨桐
• 申請（專利權）人: 潤聯軟件系統（深圳）有限公司
• 主分類號: G06V40/10
• 分類號: G06V40/10;G06V20/40;G06V10/22;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08;G06T7/246
• 代理公司: 深圳市精英專利事務所 44242
• 代理人: 武志峰

1.一種基于深度學習的行人奔跑行為檢測方法，其特征在于，包括：

建立頭肩數據集，并采用深度學習目標檢測算法進行模型訓練，得到頭肩檢測模型；

利用所述頭肩檢測模型對監控視頻畫面進行檢測，得到監控視頻畫面中的行人頭肩框；

基于目標跟蹤算法對所述監控視頻畫面中的行人頭肩框進行跟蹤，得到行人的運動軌跡；

建立監控視頻畫面中每個像素點尺寸與實際場景尺寸之間的映射關系；

基于所述行人的運動軌跡以及所述映射關系，計算所述行人在指定時間段內的運動距離；

根據所述行人在指定時間段內的運動距離計算所述行人在所述指定時間段內的平均速度，并將所述平均速度與預設的速度閾值進行比較，若所述平均速度大于所述速度閾值，則判定所述行人處于奔跑狀態，若所述平均速度小于所述速度閾值，則判定所述行人處于非奔跑狀態；

所述建立監控視頻畫面中每個像素點尺寸與實際場景尺寸之間的映射關系，包括：

將監控視頻分成n個區域，使相近的位置構成一個區域，分別測量實際場景中所述n個區域對應的水平方向和垂直方向的實際尺寸；對于一個區域，其中的像素點所代表的實際尺寸則是相同的；

根據所述實際場景中所述n個區域對應的水平方向和垂直方向的實際尺寸與監控視頻畫面的像素分辨率，計算每個像素點在水平方向和垂直方向上所代表的實際尺寸；

所述基于所述行人的運動軌跡以及所述映射關系，計算所述行人在指定時間段內的運動距離，包括：

將所述運動軌跡的起點和終點連成一條直線，求出所述運動軌跡上所有點與直線的距離，獲取其中的最大距離；

若所述最大距離小于預設的距離閾值，則將所述直線的長度近似為運動軌跡的長度，并根據所述運動軌跡的長度以及所述映射關系，計算所述行人在指定時間段內的運動距離；

該運動軌跡的起點A坐標為(X₀，Y₀)，終點B坐標為(X₁，Y₁)，計算出兩點間的實際水平距離S_x，實際垂直距離S_y為：

其中，W/A₁為像素點在水平方向所代表的實際尺寸，H/A₂為像素點在垂直方向所代表的實際尺寸；

根據S_x，S_y計算出每條折線的實際距離S_xy為：

若所述最大距離大于或等于所述距離閾值，則將所述運動軌跡進行切分，然后根據切分后得到的子運動軌跡計算出所述運動軌跡的長度，并根據所述運動軌跡的長度以及所述映射關系，計算所述行人在指定時間段內的運動距離；

所述若所述最大距離大于或等于所述距離閾值，則將所述運動軌跡進行切分，然后根據切分后得到的子運動軌跡計算出所述運動軌跡的長度，并根據所述運動軌跡的長度以及所述映射關系，計算所述行人在指定時間段內的運動距離，包括：

若所述最大距離大于或等于所述距離閾值，則將所述運動軌跡進行切分得到多個子運動軌跡；

將所述子運動軌跡的起點和終點連成一條新的直線，求出所述子運動軌跡上所有點與新的直線的距離，獲取新的最大距離；若所述新的最大距離小于所述距離閾值，則將新的直線的長度近似為子運動軌跡的長度；

若所述新的最大距離大于或等于所述距離閾值，則繼續對所述子運動軌跡進行切分，直至計算出所有所述子運動軌跡的長度，將計算出的所有子運動軌跡進行相加得到所述運動軌跡的長度。

2.根據權利要求1所述基于深度學習的行人奔跑行為檢測方法，其特征在于，所述建立頭肩數據集，并采用深度學習目標檢測算法進行模型訓練，得到頭肩檢測模型，包括：

通過截取監控視頻畫面和/或通過爬蟲技術爬取行人圖片得到圖片樣本，對所述圖片樣本中行人的頭肩進行標注和清洗，并建立頭肩數據集；

根據建立的頭肩數據集，采用Yolo-V4目標檢測算法進行模型訓練，并進行網絡結構調整、參數優化和迭代更新，得到最優的頭肩檢測模型。