[发明专利]一种异常行为识别方法及装置

说明书

本发明提供了一种异常行为识别方法及装置，其中，该方法包括：获取待处理视频图像的RGB图、光流图以及视差图的图像特征；分别根据该RGB图、该光流图以及该视差图的图像特征确定该视频图像中存在异常行为的第一概率、第二概率以及第三概率；根据第一概率、第二概率、第三概率以及预先设置的RGB图的权重、光流图的权重、视差图的权重确定视频图像存在异常行为的目标概率；在该目标概率大于或等于预设阈值的情况下，确定该视频图像中存在该异常行为，可以解决相关技术中行人异常行为的识别存在误识别率高的问题，能够全方面的提供异常行为的空间和时间还有运动速度信息，能够更准确的判断视频图像中是否存在异常行为。

技术领域

本发明涉及图像处理领域，具体而言，涉及一种异常行为识别方法及装置。

背景技术

近年来，出于安防的需要，智能监控技术越来越受到研究人员以及应用人员的关注。在公众场合，通过安装视频监控系统监控现场，方便对特殊事件发生进行及时处理，同时也对现场所发生的事进行记录，方便回看，为事件的调查和取证提供客观有力的证据。目前，监控摄像头得到的视频监控数据只能通过人工解读，不仅耗时耗力，而且效率不高，不能保证不会错过每一个重要的细节，无法高效率、高质量的运用这些视频资源。网络监控摄像头布局广，可以在监控摄像头上部署打架检测识别算法，在公共场合安装能够检测出是否打架的摄像头并做出警报能大大减少人力和财力，并且能帮助快速定位地点，处理打架斗殴事件，对维护社会稳定和保护群众安全起到了非常重要的作用。随着深度学习的发展，越来越多领域结合深度学习取得了不错的效果，比如人脸识别，人体检测，行人重识别等。其中深度卷积神经网络能自动学习图像的特征，消去了人工选取特征的局限性，且卷积拥有权值共享的特点，减少了参数。长短时记忆网络(LSTM)是序列学习中常用的神经网络，LSTM中通过输入门，输出门，遗忘门来控制传输状态，记住需要长时间记忆的，忘记不重要的信息，由于这个特性它能学到图片序列的时空特征，常用于连续图片序列学习。

相关技术中提出基于3D卷积的行人异常行为的识别方法，将轻量级的2D卷积网络MobileNet思想迁移到3D网络中，可以在保持识别性能的基础上降低计算成本；同时采用自适应层与稀疏时间采样策略，可以减少连续帧中包含大量的冗余的信息和模糊噪声。由于所选取的数据格式仅采用RGB格式，导致容易产生误报。

针对相关技术中行人异常行为的识别存在误识别率高的问题，尚未提出解决方案。

发明内容

本发明实施例提供了一种异常行为识别方法及装置，以至少解决相关技术中行人异常行为的识别存在误识别率高的问题。

根据本发明的一个实施例，提供了一种异常行为识别方法，包括：

获取待处理视频图像的RGB图，分别对所述RGB图进行处理得到光流图与视差图；

分别确定所述RGB图、所述光流图以及所述视差图的图像特征；

分别根据所述RGB图、所述光流图以及所述视差图的图像特征确定所述视频图像中存在异常行为的第一概率、第二概率以及第三概率；

根据所述第一概率、所述第二概率、所述第三概率以及预先设置的所述RGB图的权重、所述光流图的权重、所述视差图的权重确定所述视频图像存在所述异常行为的目标概率；

在所述目标概率大于或等于预设阈值的情况下，确定所述视频图像中存在所述异常行为。

可选地，在分别对所述RGB图进行处理得到光流图与视差图之前，所述方法还包括：

检测所述视频图像中目标对象的数量以及所述目标对象之间的距离；

确定所述目标对象的数量大于1且所述目标对象之间的距离小于预设阈值。

可选地，分别确定所述RGB图、所述光流图以及所述视差图的图像特征包括：