[发明专利]基于深度学习判断异常行为的监控方法、装置、计算机设备和存储介质

权利要求书

1.一种基于深度学习判断异常行为的监控方法，其特征在于，所述方法包括：

从第一终端获取目标用户的待检测的视频数据，所述待检测视频数据至少包含两个图像帧，所述图像帧是在判断时间点之前预设时间段内与所述目标用户动作相关的图像；

从关键子区域图像中提取特征数据；

将所述特征数据输入判断模型中，根据所述特征数据生成多个不同时间尺度的特征数据，并根据所述多个不同时间尺度的特征数据得到所述目标用户的行为的类别，所述行为的类别包括正常行为以及至少一种异常行为。

2.根据权利要求1所述的基于深度学习判断异常行为的监控方法，其特征在于，所述判断模型包括第一判断单元和第二判断单元；

所述将所述特征数据输入判断模型中，根据所述特征数据生成多个不同时间尺度的特征数据，并根据所述多个不同时间尺度的特征数据得到所述目标用户的行为判断结果，包括：

将所述特征数据输入第一判断单元中，对所述特征数据进行多个时间尺度的离散小波变换，得到各个时间尺度的第一特征矩阵，并所述第一判断单元根据所述第一特征矩阵得到所述目标用户的第一判断结果；

将所述特征数据输入第二判断单元中，所述第二判断单元对所述特征数据进行多个不同时间尺度的下采样，得到各个时间尺度的第二特征矩阵，并所述第二模型根据所述第二特征矩阵得到所述目标用户的第二判断结果；

聚合所述第一判断结果和所述第二判断结果，得到所述目标用户的行为判断结果。

3.根据权利要求2所述的基于深度学习判断异常行为的监控方法，其特征在于，所述第一判断单元包括小波变换模块和XGBoost模块，所述第二判断单元包括CNN模型和GRU模型；

所述第一判断单元根据所述第一特征矩阵得到所述目标用户的第一判断结果，包括：

将所述第一特征矩阵输入所述XGBoost模块，得到所述目标用户行为类别的第一判断结果；

所述所述第二模型根据所述第二特征矩阵得到所述目标用户的第二判断结果，包括：

将所述第二特征矩阵输入所述CNN模型进行卷积和池化操作，得到多个时间尺度的第一特征向量；

对所述多个时间尺度的第一特征向量进行序列长度的补充，使得所述第一特征向量具有相同维数；

将所述第一特征向量输入所述GRU模型，采用所述GRU模型对所述第一特征向量进行时序分析，生成第二特征向量；

采用预设长度的全连接层及softmax分类器对所述第二特征向量进行分类评分，得到得到所述目标用户行为类别的第二判断结果。

4.根据权利要求2所述的基于深度学习判断异常行为的监控方法，其特征在于，所述聚合所述第一判断结果和所述第二判断结果，得到所述目标用户的行为判断结果，包括：

通过预设长度的全连接层聚合所述第一判断结果和所述第二判断结果，输出层输出最终的目标用户的行为的类别判断结果。

5.根据权利要求1所述的基于深度学习判断异常行为的监控方法，其特征在于，所述第二判断单元还包括Dropout层，所述Dropout层设置在GRU模型与全连接层之间。

6.根据权利要求1所述的基于深度学习判断异常行为的监控方法，其特征在于，所述方法还包括：

响应于所述行为的类别，基于预先设置的行为的类别与报警类别信息之间的对应关系，确定所述行为的类别对应的报警类别信息；

基于所确定的报警类别信息，确定所述第一终端是否处于报警状态；

响应于确定所述第一终端处于报警状态，向至少一个第二终端发送报警信息，所述报警信息包括报警类别信息、所述第一终端的位置信息。

7.根据权利要求1所述的基于深度学习判断异常行为的监控方法，其特征在于，所述待检测图像为红外摄像头采集的灰度图像。