【技術實現步驟摘要】
本專利技術屬于圖像處理，具體涉及一種多目標行人安全隱患行為綜合識別方法。
技術介紹
1、隨著城市交通的快速發展，自動扶梯作為重要的通行工具之一，其安全運營備受關注。行人的危險行為（如逆行、駐留、探出、下蹲、摔倒）、物品堵塞可能導致安全事故的發生。因此，實時監控并及時識別這些危險行為對于保障乘客安全至關重要。
2、傳統的視頻監控系統依賴人工監控，不僅效率低下，而且容易因監控人員疲勞而漏掉關鍵信息。隨著人工智能技術的發展，利用計算機視覺和深度學習的方法自動檢測行人的危險行為成為一種趨勢。
3、目前的行為識別方法大部分基于二維圖像處理或三維時空特征分析，但依然存在準確性與實時性難以兼顧的問題。
技術實現思路
1、本專利技術針對復雜的自動扶梯場景下，現有的行為識別方法依然存在準確性與實時性難以兼顧的技術問題，目的在于提供一種多目標行人安全隱患行為綜合識別方法。
2、為了解決前述技術問題，本專利技術的第一方面提供一種多目標行人安全隱患行為綜合識別方法，所述多目標行人安全隱患行為綜合識別方法包括：
3、s1，獲取待識別圖像，對所述待識別圖像中預設的目標區域進行圖像分類識別，判斷所述目標區域是否存在待檢測物體，若存在待檢測物體，則進入下一步，否則獲取下一張待識別圖像并進行本步驟中的圖像分類識別及判斷步驟；
4、s2，對所述待識別圖像中所有的待檢測物體進行識別，判斷所述待檢測物體是否為目標行人，若是目標行人，則進入下一步，否則返回步驟s1
5、s3，對各所述目標行人進行人體運動軌跡跟蹤，判斷所述目標行人是否存在若干異常行為，若存在任意一種異常行為，則所述目標行人對應的異常行為次數加一后進入下一步，否則進入下一步；
6、s4，對各所述目標行人進行人體姿態分類，判斷所述目標行人是否存在若干異常姿態，若存在任意一種異常姿態，則所述目標行人對應的異常姿態次數加一后進入下一步，否則進入下一步；
7、s5，對所述目標行人的異常行為數量和異常姿態數量進行統計，若任意一種異常行為數量或任意一種異常姿態數量大于對應的預設閾值時，認為檢測到風險活動，觸發錄制算法，記錄對應數據，并進行報警，否則返回步驟s1進行下一張待識別圖像的圖像分類識別及判斷步驟。
8、可選地，在如前所述的多目標行人安全隱患行為綜合識別方法中，所述待識別圖像來自原始視頻流，對所述原始視頻流逐幀提取圖像或定時截圖得到所述待識別圖像，所述原始視頻流為預設于自動扶梯目標位置處的攝像機攝制的視頻流。
9、可選地，在如前所述的多目標行人安全隱患行為綜合識別方法中，在進行步驟s1之前，還包括：
10、s0，展示初始圖像，獲取用戶劃分的目標區域，所述目標區域包括需要檢測的扶梯區域、扶梯鋁板區域和探出警示區域，還獲取用戶輸入的扶梯運行方向信息。
11、可選地，在如前所述的多目標行人安全隱患行為綜合識別方法中，對所述待識別圖像中預設的目標區域進行圖像分類識別，包括：
12、采用預設的圖像分類識別算法，對所述待識別圖像中預設的目標區域進行圖像分類識別，得到二分類結果，所述二分類結果為存在待檢測物體或不存在待檢測物體。
13、可選地，在如前所述的多目標行人安全隱患行為綜合識別方法中，所述圖像分類識別算法采用基于yolov8-cls（you?only?look?once-v8，cls是classification的縮寫）的圖像分類框架。
14、可選地，在如前所述的多目標行人安全隱患行為綜合識別方法中，對所述待識別圖像中所有的待檢測物體進行識別，包括：
15、采用預設的人體關鍵點檢測識別模型，對所述待檢測物體進行識別，得到的人體關鍵點識別結果為人體的目標框信息時，認為所述待檢測物體是目標行人，記錄人體關鍵點坐標信息。
16、可選地，在如前所述的多目標行人安全隱患行為綜合識別方法中，所述人體關鍵點檢測識別模型采用基于yolov8-pose（you?only?look?once-v8）的關鍵點檢測模型。
17、可選地，在如前所述的多目標行人安全隱患行為綜合識別方法中，采用預設的人體關鍵點檢測識別模型，對所述待檢測物體進行識別，得到的人體關鍵點識別結果為不存在人體信息時，判斷為存在人體以外的其他物體，對其他物體進行分類識別，得到識別結果為異物時，物品滯留計數器加一并跳轉至步驟s5；
18、步驟s5還包括：
19、判斷物品滯留計數器是否大于對應的預設閾值，若大于，認為檢測到風險活動，觸發錄制算法，記錄對應數據，否則返回步驟s1進行下一張待識別圖像的圖像分類識別及判斷步驟。
20、可選地，在如前所述的多目標行人安全隱患行為綜合識別方法中，采用預設的人體關鍵點檢測識別模型，對所述待檢測物體進行識別，得到的人體關鍵點識別結果為人體的目標框信息之后，還包括：
21、對人體進行分類識別，得到識別結果，識別結果為清潔人員、維修人員或目標行人，對所述目標行人記錄人體關鍵點坐標信息；
22、步驟s2中，還判斷待檢測物體是否為清潔人員、維修人員，若待檢測物體是清潔人員或維修人員，則把識別結果進行記錄并返回步驟s1進行下一張待識別圖像的圖像分類識別及判斷步驟。
23、可選地，在如前所述的多目標行人安全隱患行為綜合識別方法中，對所述待識別圖像中所有的待檢測物體進行識別，包括：
24、采用預設的語義分割模型，對所述待檢測物體進行識別，得到識別結果，所述識別結果為清潔人員、維修人員、目標行人或異物。
25、可選地，在如前所述的多目標行人安全隱患行為綜合識別方法中，步驟s2中，還判斷所述待檢測物體是否為清潔人員、維修人員或異物，若所述待檢測物體是清潔人員或維修人員，則把識別結果進行記錄并返回步驟s1進行下一張待識別圖像的圖像分類識別及判斷步驟，若所述待檢測物體是異物，則物品滯留計數器加一并跳轉至步驟s5；
26、步驟s5還包括：
27、判斷物品滯留計數器是否大于對應的預設閾值，若大于，認為檢測到風險活動，觸發錄制算法，記錄對應數據，否則返回步驟s1進行下一張待識別圖像的圖像分類識別及判斷步驟。
28、可選地，在如前所述的多目標行人安全隱患行為綜合識別方法中，所述語義分割模型采用基于yolov8-seg（you?only?look?once-v8，seg是segmentation的縮寫）的語義分割模型。
29、可選地，在如前所述的多目標行人安全隱患行為綜合識別方法中，步驟s3中，采用預設的多目標跟蹤算法對各所述目標行人進行人體運動軌跡跟蹤；
30、在步驟s3之前還包括采用預設的人體關鍵點檢測識別模型，對各所述目標行人記錄人體關鍵點坐標信息。
31、可選地，在如前所述的多目標行人安全隱患行為綜合識別方法中，所述異常行為包括逆行行為本文檔來自技高網...
【技術保護點】
1.一種多目標行人安全隱患行為綜合識別方法，其特征在于，所述多目標行人安全隱患行為綜合識別方法包括：
2.如權利要求1所述的多目標行人安全隱患行為綜合識別方法，其特征在于，步驟S1中，所述待識別圖像來自原始視頻流，對所述原始視頻流逐幀提取圖像或定時截圖得到所述待識別圖像，所述原始視頻流為預設于自動扶梯目標位置處的攝像機攝制的視頻流；
3.如權利要求1所述的多目標行人安全隱患行為綜合識別方法，其特征在于，在進行步驟S1之前，還包括：
4.如權利要求1所述的多目標行人安全隱患行為綜合識別方法，其特征在于，步驟S2中，對所述待識別圖像中所有的待檢測物體進行識別，包括：
5.如權利要求4所述的多目標行人安全隱患行為綜合識別方法，其特征在于，所述人體關鍵點檢測識別模型采用基于YOLOV8-pose的關鍵點檢測模型；
6.如權利要求1所述的多目標行人安全隱患行為綜合識別方法，其特征在于，步驟S2中，對所述待識別圖像中所有的待檢測物體進行識別，包括：
7.如權利要求6所述的多目標行人安全隱患行為綜合識別方法，其特征在于，步
8.如權利要求1至7中任意一項所述的多目標行人安全隱患行為綜合識別方法，其特征在于，步驟S3中，采用預設的多目標跟蹤算法對各所述目標行人進行人體運動軌跡跟蹤；
9.如權利要求1至7中任意一項所述的多目標行人安全隱患行為綜合識別方法，其特征在于，步驟S4中，采用預設的BP神經網絡模型對各所述目標行人進行人體姿態分類，得到三分類結果，所述三分類結果為正常、下蹲或摔倒；
10.如權利要求1至7中任意一項所述的多目標行人安全隱患行為綜合識別方法，其特征在于，步驟S5中，對所述目標行人的異常行為數量和異常姿態數量進行統計后，按照預設的報警優先級進行排序后，逐個進行是否大于對應的預設閾值的判斷。
...【技術特征摘要】
1.一種多目標行人安全隱患行為綜合識別方法，其特征在于，所述多目標行人安全隱患行為綜合識別方法包括：
2.如權利要求1所述的多目標行人安全隱患行為綜合識別方法，其特征在于，步驟s1中，所述待識別圖像來自原始視頻流，對所述原始視頻流逐幀提取圖像或定時截圖得到所述待識別圖像，所述原始視頻流為預設于自動扶梯目標位置處的攝像機攝制的視頻流；
3.如權利要求1所述的多目標行人安全隱患行為綜合識別方法，其特征在于，在進行步驟s1之前，還包括：
4.如權利要求1所述的多目標行人安全隱患行為綜合識別方法，其特征在于，步驟s2中，對所述待識別圖像中所有的待檢測物體進行識別，包括：
5.如權利要求4所述的多目標行人安全隱患行為綜合識別方法，其特征在于，所述人體關鍵點檢測識別模型采用基于yolov8-pose的關鍵點檢測模型；
6.如權利要求1所述的多目標行人安全隱患行為綜合識別方法，其特征在于，步驟s2中，對所述待識別圖像中所有的待檢測物體進行識別，包括：
7.如權利要求6所...
【專利技術屬性】
技術研發人員：杜玉甫，嚴華兵，王豪博，陳戈，
申請(專利權)人：廣州邦訊信息系統有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。