[发明专利]一种单车用户异常行为的检测方法

权利要求书

1.一种单车用户异常行为的检测方法，其包括以下步骤：

(1)获取停车区域的图像；

(2)将所述图像输入至人体关键点检测模型中，得到所述图像中行为人的人体关键点信息；

(3)将所述行为人的人体关键点信息输入至异常行为检测模型中，判断所述行为人的行为是否异常。

2.根据权利要求1所述的一种单车用户异常行为的检测方法，其特征在于，所述人体关键点信息包括人体关键点的位置信息；所述人体关键点包括头、颈、肩、肘、手、跨、膝、脚。

3.根据权利要求1所述的一种单车用户异常行为的检测方法，其特征在于，所述人体关键点检测模型的训练过程包括以下步骤：

(1)选取若干人体图片作为训练数据集；

(2)在所述训练数据集的各所述人体图片中标注各所述人体关键点的位置以及人体关键点名称；

(3)使用所述训练数据集对基于深度学习的卷积神经网络模型进行训练，得到所述人体关键点检测模型。

4.根据权利要求3所述的一种单车用户异常行为的检测方法，其特征在于，选取所述人体图片的过程中，选取多种视角及环境条件下的人体图片作为所述训练数据集。

5.根据权利要求1所述的一种单车用户异常行为的检测方法，其特征在于，所述异常行为检测模型采用监督学习的方式训练获得，所述异常行为检测模型的训练过程包括以下步骤：

(1)选取停车区域的图像，对所述图像中的行为人的行为进行标注，标注信息包括所述行为人的行为类型；

(2)将标注后的各所述图像依次输入至所述人体关键点检测模型中，得到各所述图像的人体关键点信息；

(3)将各所述图像的所述标注信息以及所述人体关键点信息作为训练数据对逻辑回归模型进行训练，得到异常行为检测模型。

6.根据权利要求5所述的一种单车用户异常行为的检测方法，其特征在于，对逻辑回归模型进行训练的过程中，增加所述人体关键点信息中异常行为强相关的人体关键点的权重值。

7.根据权利要求1所述的一种单车用户异常行为的检测方法，其特征在于，所述异常行为检测模型采用无监督学习的方式训练获得，所述异常行为检测模型的训练过程包括以下步骤：

(1)选取停车区域的图像，将各所述图像依次输入至所述人体关键点检测模型中，得到各所述图像的人体关键点信息；

(2)将各所述图像的人体关键点信息作为训练数据对基于k-means的聚类模型进行训练，得到异常行为检测模型。

8.根据权利要求7所述的一种单车用户异常行为的检测方法，其特征在于，对基于k-means的聚类模型进行训练之前，确定所述行为类型的数量，并将所述行为类型的数量作为所述聚类模型的聚类中心的数量；并选择每种行为类型对应的典型人体关键点信息作为初始聚类中心；训练过程中根据训练数据对初始聚类中心进行调整，得到所述异常行为检测模型的聚类中心。

9.根据权利要求8所述的一种单车用户异常行为的检测方法，其特征在于，将所述行为人的人体关键点信息输入到异常行为检测模型后，依次将人体关键点信息与各所述聚类中心进行对比，并将与所述人体关键点信息最接近的所述聚类中心对应的行为类型作为所述行为人的行为类型进行输出。

10.根据权利要求5-9中任一所述的一种单车用户异常行为的检测方法，其特征在于，所述行为类型包括正常行为类型以及异常行为类型；将所述行为人的人体关键点信息输入到所述异常行为检测模型后，若所述异常行为检测模型输出的行为类型为异常行为类型，则判断行为人的行为异常。

11.根据权利要求10所述的一种单车用户异常行为的检测方法，其特征在于，若所述行为人的行为异常，从所述行为人对应的所述图像中获取该行为人的面部图像，并根据面部图像识别并标记该所述行为人。

12.根据权利要求10所述的一种单车用户异常行为的检测方法，其特征在于，将行为异常的所述行为人的面部图像与数据库中的用户人脸数据进行搜寻匹配，如果发现匹配结果，则向该所述行为人的账户添加异常记录；如果没有发现匹配结果，则将该行为人的面部图像暂时存储于异常行为人数据库，当再次在停车区域检测到该行为人时，则向运维终端发出预警信息。