[发明专利]一种基于视频监控下的行人违规翻越护栏分析方法

权利要求书

1.一种基于视频监控下的行人违规行为分析方法，其特征在于，包括：

采集并标注预设的人体样本图片中的关键点，基于预设的FPN网络，训练标注后的关键点，构建关键点检测模型；

实时读取并分析控制区域内的行人视频，对行人视频中的行人进行检测，并构建行人检测模型；

部署并拟合关键点检测模型和行人检测模型，生成对应的检测模型；

将所述行人视频导入检测模型进行违规行为检测，并抓取对应的违规操作，将所述违规操作反馈至控制终端进行预警。

2.如权利要求1所述的一种基于视频监控下的行人违规行为分析方法，其特征在于，所述采集并标注预设的人体样本图片中的关键点，基于预设的FPN网络，训练标注后的关键点，构建关键点检测模型，包括：

采集人体样本图片，并确定人体样本图片对应的人体序列；

基于预设的回归方程，归一化人体样本中密集的关键点的密集关键点坐标；通过所述密集关键点坐标，对人体序列图片中的关键点进行位置读取和标注，确定关键点检测数据集合；

将标注好关键点的人体样本图像统一缩放到预设尺寸，确定统一尺寸图像；

对所述统一尺寸图像进行归一化处理，确定处理图像；

采集关键点检测数据集合和处理图像的对应关系，并基于所述对应关系，将所述关键点检测数据集合和处理图像进行数据打包；

将打包后的数据分批次传输至预设的FPN网络进行卷积训练，并生成对应的人体关键点检测模型；所述FPN网络是一种基于特征提取网络的特征金字塔网络。

3.如权利要求2所述的一种基于视频监控下的行人违规行为分析方法，其特征在于，所述将打包后的数据分批次传输至预设的FPN网络进行卷积训练，并生成对应的人体关键点检测模型，包括：

将打包后的数据分批次传输至预设的神经网络中，并生成图像特征；

划分所述图像特征，并将划分后的图像特征传输至FPN网络中预设的Neck架构不同的分支中进行自适应卷积学习，确定对应的关键点特征；

计算关键点特征的二维偏移值向量，通过所述二维偏移值向量，构建关键点检测模型。

4.如权利要求3所述的一种基于视频监控下的行人违规翻越护栏分析方法，其特征在于，所述计算关键点特征的二维偏移值向量，通过所述二维偏移值向量，构建关键点检测模型，包括：

计算关键点特征的二维偏移值向量，通过所述二维偏移值向量，生成对应的关键点偏移值向量图；

获取关键点偏移值向量图的平滑损失函数，通过所述平滑损失函数，计算关键点偏移值向量图的损失参数；

其中，l_p代表关键点偏移值向量图的损失参数，p代表关于人体样本，i代表第i个人体样本，C代表人体样本集合，Z_i代表第i个人体样本的面积，smooth代表平滑损失函数，L1代表关于人体样本的正则参数，O_i代表网络预测的第i个人体样本的关键点偏移值向量图，代表网络预测的第i个人体样本的关键点偏移值向量图所对应的标签；

通过所述损失函数，对关键点偏移值向量图进行校正，并通过校正后的关键点偏移值向量图，构建关键点检测模型。

5.如权利要求1所述的一种基于视频监控下的行人违规翻越护栏分析方法，其特征在于，所述实时读取并分析控制区域内的行人视频，对行人视频中的行人进行检测，并构建行人检测模型，包括：

对控制区域内的行人视频实时读取，并当所述行人视频中的行人出现在预设的感兴趣区域时，截取行人视频的图像，确定截取图像；所述感兴趣区域用于对控制区域内的将出现违规行为的敏感区域进行兴趣标记；

标注所述截取图像，生成标注图像集合，分批次将所述标注图像集合导入预设的图像处理中心进行预处理，确定预处理图像；其中，

所述预处理至少包括统一格式处理、降噪处理和图像增强处理；

获取预处理图像的标注序列，并通过对所述预处理图像和对应标注序列打包成数据集，确定行人图像数据集；

基于预设的Space-to-Depth Chain网络，对所述行人图像数据集中的行人行为进行分析，构建行人检测模型。