CN113963371B 人体异常姿态检测方法 （重庆市通信产业服务有限公司）

述目标图像中人体在所述目标图像中的区域位人体在所述目标图像中的区域位置以及存储时2过异常姿态检测网络检测所述目标图像中人体在所述目标图像中的区域位置以及人体姿S121、将所述目标图像作为所述特征提取网2.如权利要求1所述的人体异常姿态检测方法，其特S144、所述全局特征提取模块将所述人体区3S145、将所述全局特征和局部特征向量拼接从而得到当前的异常姿态对应的Reid特体在所述目标图像中的区域位置以及存储时间以S17步骤中，自所述异常目标数据中找出与该异常姿态对应的区域位置交并比最大的S1443、将所述多个特征向量进行广义平均池化操作得到经广义平均池化操作后的多S1444、将所述多个特征向量垂直拼接成一单独的特征向量作为所述局部特征f_S1441,、对所述特征图进行广义平均池化操作在S17步骤中，自所述异常目标列表的各异常目标数据中找出与该异常姿态对应的区表中上一次更新存储对应的异常目标数据的时间是否超过第判断所述异常目标列表是否为空或者该异常目标列表中找不到相似的异常目标特征数据4标图像中的区域位置以及存储时间以作为异常目[0011]S17、自所述异常目标数据中找出与该异常姿态对应的区域位置交并比最大的区5[0024]所述S13步骤中，通过输出的人体区域检测框以及人体姿态标签判断所述目标图局特征，所述局部特征提取模块将所述人体区域检测框进行局部特征提取以得到局部特述人体在所述目标图像中的区域位置以及存储时间以作为异常[0033]S17步骤中，自所述异常目标数据中找出与该异常姿态对应的区域位置交并比最[0037]S1443、将所述多个特征向量进行广义平均池化操作得到经广义池化操作后的特[0038]S1445、将所述多个特征向量垂直拼接成一单独的特征向量作为所述局部特征f_6[0052]在S17步骤中，自所述异常目标列表的各异常目标数据中找出与该异常姿态对应标列表中上一次更新存储对应的异常目标数据的时间是否超过第三预[0055]S13b、若超过所述第三预设阈值，则移除所述对应的异常目标数据并返回S11步78[0085]S17、自所述异常目标数据中找出与该异常姿态对应的区域位置交并比最大的区的该目标图像中检测甲某在该目标图像中的区域位置(x,y，width,height)以及甲某躺下前检测到的图像并不是甲某第一次出现躺下这一异常姿态的图像)，则从存储的异常目标数据中找出与当前的异常姿态对应的甲某所在区域(x,y，width,height)交并比最大的历[0096]S27、自所述异常目标数据中找出与该异常姿态对应的区域位置交并比最大的区9更新原有异常目标数据包中的异常目标数据)，并判断该异常姿态出现的异常次数是否超[0108]33a9并判断所述异常目标列表中上一次更新存储对应的异常目标数据的时间是[0109]S33b、若超过所述第三预设阈值，则移除所述对应的异常目标数据并返回S31步[0112]S37、自所述异常目标列表的各异常目标数据中找出与该异常姿态对应的区域位更新原有异常目标数据包中的异常目标数据)，并判断该异常姿态出现的异常次数是否超2速度提升了4倍。借助英伟达提供的加速框架，能在JestonNano设备上实现25fpsN；将图像集合P中的图片进行人工位置标注及类别标注，每张图片的标注结果记为，其中记为第k张图像中第j个目标[0135]D2、将训练集Pr1和测试集Pr2转换成标准coco数据集格式，并将图片大小变换为征响应图分别生成多个大小和宽高比不同的锚框集合。每个锚框由中心点坐标cx,cy及长[0170]将步骤D4得到的训练真值g与步骤D5得到的网络预测值l送入损失函数进行损失根据网络预测值l中每个负样本预测框的分类损失进行在线难样本挖掘，最终保持正负样本比例不超过1:3.将筛选后的正负样本参与网络反向传播[0186]请参见图9及图10，图9中的人体区域检测框表示正常姿[0191]S43b、若超过所述第三预设阈值，则移除所述对应的异常目标数据并返回S41步述行人重识别模块包括全局特征提取模块以及局部特征[0193]所述行人重识别模块以OSNet行人重识别网络为基础，结合人体位置特征来对处有图片为训练集，测试ID集合下面的所有图片为测试集。对集合中的图片的大小变换为特征为和分类特征分别为f_global和f_gcls.[0204]其中局部分支和全局分支各定义了两个损失函数，分别为分类损失和三元组损[0211]对损失函数Lsum进行反向传播，得到网络参数的更新值，利用更新值更新网络参局特征，所述局部特征提取模块将所述人体区域检测框进行局部特征提取以得到局部特[0220]S4443、将所述多个特征向量进行广义平均池化操作得到经广义池化操作后的特征向量通过以下广义平均池化公式得到所述经过广义平均池化操作的[0223]S4445、将所述多个特征向量垂直拼接成一单独的特征向量作为所述局部特征f_的特征并对特征通道数进行升维，得到与输入尺寸一致的局部特征向量，即局部特征f_[0229]S45、通过判断所述异常目标列表是否为空以判断该异常姿态是否为同一人体首[0231]S47、自所述异常目标数据中找出与该异常姿态对应的区域位置交并比最大的区更新原有异常目标数据包中的异常目标数据)，并判断该异常姿态出现的异常次数是否超