CN114038011B 一种室内场景下人体异常行为的检测方法 （沈阳理工大学）

本发明公开了一种室内场景下人体异常行为的检测方法，涉及人体异常行为检测技术领态识别算法AlphaPose与SVM(SupportVector2步骤2：利用人体姿态识别算法AlphaPose对步骤1跟踪检测到的人物进行人体姿态估个窗口的人体特征信息序列；步骤7：根据步骤6的特征转换结果，利用K-means聚类算法识别出具有异常行为的人步骤10：利用训练好的SVM模型对步骤7获得的异常行为人物所述步骤5中所述的根据每个窗口中各人物的关节点坐标信息提取各人物的人体特征信息的方法为：首先利用人物的髋关节坐标信息与肩部关节坐标信息计算出人体中心点C以及右大臂的中点与人体中心点C之间的连线作为角A3的两条边，计算出角A3的余弦值zas；最后以这两个余弦值zn和zas作为人体特征信息代表人物在一段时间内的动作变化情况。多目标跟踪算法FairMOT对视频中出现的人物进行跟踪检测获得的输出信息包括视频中出36中所述的利用EM算法将每个窗口中各人物的人体特征信息转换为相应的均值和方差的方4[0003]而现有的人体异常行为检测方法一般都是对前期直接从图像中提取到的人体特[0008]步骤2：利用人体姿态识别算法AlphaPose对步骤1跟踪检测到的人物进行人体姿[0010]步骤4：判断每个窗口包含具有同一人物的视频帧数是否小于等于预设的缺帧数5得每个窗口的人体特征信息序列；踪算法FairMOT对视频中出现的人物进行跟踪检测获得的输出信息包括视频中出现的人物人物的髋关节坐标信息与肩部关节坐标信息计算出人体中心点C的坐标；然后再以左大臂zn作为人体特征信息代表人物在一段时间内的动作变化情况。[0022]2)对高斯混合模型的参数以及隐变量进行初始化，通过EM算法中的E步更新隐变[0023]3)在EM算法中的M步中通过得到的隐变量来更新高斯混合模型的参数均值和方6体姿态识别算法AlphaPose对检测到的目标人员进行姿态估计，通过姿态估计得到人体关[0036]图1是本实施方式的室内场景下人体异常行为的检测方法的具体流程示意图，如7[0039]1)首先对原始监控视频以帧为单位使用多目标跟踪算法FairMOT中的目标检测网[0041]3)再利用得到的新的代价距离矩阵通过匈牙利算法对轨迹池和检测结果进行匹[0043]最终通过多目标跟踪检测算法FairMOT输出视频中出现的人物的ID、每个视频帧[0044]步骤2：利用人体姿态识别算法AlphaPose对步骤1跟踪检测到的人物进行人体姿顺序序号以及预测框的左上角和右下角的坐标，利用人体姿态识别算法AlphaPose先对预过姿态估计结果获得人物各关节点的坐标信息并存储为.json文件，json文件中包括人物得若干个等长度的单位视频帧序列；[0047]由于后续步骤处理数据时总是以固定的f帧数据为一个单位进行，每次只处理固[0048]步骤4：判断每个窗口包含具有同一人物的视频帧数是否小于等于预设的缺帧数[0050]本步骤的处理结束后，将具有相同人物ID的各关节点坐标数据以表1所示的队列8得每个窗口的人体特征信息序列；征信息的方法为：首先利用人物的髋关节坐标信息与肩部关节坐标信息按照公式(1)计算小臂的中点之间的连线以及左大臂的中点与人体中心点C之间的连线作为角A2的两条边，右大臂的中点与右小臂的中点之间的连线以及右大臂的中点与人体中心点C之间的连线作转换，具体是将每个人物的两个余弦值输入9个人体特征信息序列都会对应一个高斯混合模型，借此通过EM(Expectation[0065]3)在EM算法中的M步(Maximization-Step，M步)中通过得到的隐变量来更新高斯分别对六个结果进行测试，然后采取投票的形式得到分类结果，最后得到一组测试结果，[0073]步骤10：利用训练好的SVM模型对异常行为人物的ID序列中每一ID所对应的人体[0074]在本实施方式中，是通过使