[发明专利]电力机房内异常行为识别方法、装置、设备及存储介质

说明书

本发明公开了电力机房内异常行为识别方法、装置、设备及存储介质，用于解决电力机房内异常行为检测准确性低的技术问题。本发明包括：采集电力机房内工作人员的异常动作视频；所述异常动作视频包括多帧视频帧图像；从所述视频帧图像中提取人体骨骼关键点坐标；对所述人体骨骼关键点坐标进行归一化处理，得到归一化关键点坐标；采用所述归一化关键点坐标建立3D姿态关键点；采用所述3D姿态关键点训练得到双输入异常行为分类卷积神经网络；获取待分析视频图像；从所述待分析视频图像中提取运动区域；从所述运动区域中提取骨骼特征；将所述骨骼特征输入所述双输入异常行为分类卷积神经网络，输出异常行为检测结果。

技术领域

本发明涉及异常识别技术领域，尤其涉及一种电力机房内异常行为识别方法、装置、设备及存储介质。

背景技术

异常行为可以定义为在当前场景下，人员做出的一切不适宜的行为和操作，在机房环境下，常见的异常行为有违规、偷窃、斗殴等。目前，对电力机房的监控往往依赖于视频监控技术。由于传统的视频监控技术只能对视频进行监控和存储，当电力机房出现不当行为或异常操作时，视频监控只能根据时间段进行检索和查询。在复杂场景中引入实时视频多人行为识别方法和装置，可以监控复杂场景中人员的行为并给出预警，使电力机房管理人员能够及时处理异常情况，从而保证电力机房的安全，具有深远的现实意义和应用价值。

目前对人员行为进行识别的方法可以分为三类：基于运动特征的方法，基于外观特征的方法和基于时空特征的方法。基于运动特征的方法主要通过光流场、运动历史图等方法进行运动的表征；基于外观特征的方法主要提取图像的运动轨迹，并与行为形状模型进行对比；基于时空特征的方法在时空域中提取行为相关特征。在行为识别当中，识别效果很大程度取决于对目标跟踪的准确性，当光线和背景变化较大时，这些基于图像的人体行为识别方法的准确率会大大降低。相比于图像特征，骨骼特征更为凝练，结构性更强，对人体运动的描述更为准确。

传统的基于二维人体骨骼特征进行人体异常行为检测的方法，易受到人体外形差异的影响，特别是在光线变化、出现阴影等情况下。基于三维骨骼信息的特征可提高智能视频监控系统的识别能力和检测精度，在背景复杂、噪声较多时同样具有较好的鲁棒性，可以有效解决遮挡带来的问题，但人员身体自遮挡和深度模糊问题会影响到检测的准确性。

发明内容

本发明提供了一种电力机房内异常行为识别方法、装置、设备及存储介质，用于解决电力机房内异常行为检测准确性低的技术问题。

本发明提供了1、一种电力机房内异常行为识别方法，其特征在于，包括：

采集电力机房内工作人员的异常动作视频；所述异常动作视频包括多帧视频帧图像；

从所述视频帧图像中提取人体骨骼关键点坐标；

对所述人体骨骼关键点坐标进行归一化处理，得到归一化关键点坐标；

采用所述归一化关键点坐标建立3D姿态关键点；

采用所述3D姿态关键点训练得到双输入异常行为分类卷积神经网络；

获取待分析视频图像；

从所述待分析视频图像中提取运动区域；

从所述运动区域中提取骨骼特征；

将所述骨骼特征输入所述双输入异常行为分类卷积神经网络，输出异常行为检测结果。

可选地，所述采用所述归一化关键点坐标建立3D姿态关键点的步骤，包括：

对所述归一化关键点坐标进行空间位置编码，得到编码特征；

将所述编码特征输入预设第一编码器，输出第一姿态假设，并对所述第一姿态假设进行时间位置编码，得到第一时间位置姿态假设；