[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

说明书

本发明提供一种基于视频监控下的行人违规行为分析方法，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。

技术领域

本发明涉及视频监控技术领域，特别涉及一种基于视频监控下的行人违规翻越护栏分析方法。

背景技术

目前，深度学习技术快速发展，深度学习技术在图像分类、自然语言处理、人脸识别领域得到了快速发展和广泛应用，通过卷积神经网络可以提取深层的图像信息，学习到更为复杂的高层语义信息，目前往往在事故发生时或者事故发生后，会对视频进行分析，从而得到违规人员的违规现状，但目前深度卷积CNN往往骨干过大，分析成本不仅大、时间反应也不够迅速，所以目前，亟需一种能够在一定时间和空间范围内对人员的行为做出预测并快速反应的图像分析方法，减少图像的分析成本，提高图像分析效率，给工作人员留出充足的反应时间。

发明内容

本发明提供一种基于视频监控下的行人违规行为分析方法，使用轻量骨干网络进行提取图像的特征，最后应用于图像识别任务。针对马路上视频监控下的行人图像，如果行人在马上上翻越护栏进行横穿马路，那么在来往的车辆当中，容易发生交通事故，因此，为了解决这个问题，本文采用深度学习的方法，对视频下的行人进行检测，对检测到的行人进行识别出是否存在翻越护栏的情况。

本发明提供一种基于视频监控下的行人违规行为分析方法，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。

作为本技术方案的一种实施例，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。

作为本技术方案的一种实施例，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。