[发明专利]基于目标位置信息推理的跨店经营行为检测方法

说明书

本发明公开了一种基于目标位置信息推理的跨店经营行为检测方法，包括：利用数据集训练目标检测网络，获得行人与店外物品检测模型、店面检测模型；截取监控视频获得帧图像，将帧图像输入至行人与店外物品检测模型、店面检测模型中，获得两个模型对应的检测结果；当检测结果中同时出现行人、店面以及店外物品时，根据目标位置信息判断行人与店外物品的关联关系，认为存在关联关系的行人与店外物品为关联目标；针对关联目标行人，计算关联目标行人的时间权重，在关联目标行人的时间权重满足跨店经营行为判断条件时，则存在跨店经营行为。该方法能够实现对跨店经营行为的实时准确检测。

技术领域

本发明属于目标识别领域，具体涉及一种基于目标位置信息推理的跨店经营行为检测方法。

背景技术

目标检测一直是计算机视觉领域的一个研究热点。快速准确地检测期望目标是很多学者努力的方向。一个好的识别模型要求快速实时的检测目标，并且对目标的定位与分类准确。近年来，随着神经网络模型的发展以及它在目标检测领域的优秀表现，使得其在该领域获得极大的关注并且大量的应用模型也随之诞生。目前每年计算机视觉会议上依然会有很多目标检测改进模型论文的提交与发表。Mask R-CNN便是在众多识别模型中表现优秀的两个目标检测模型。

Mask R-CNN来自Faster R-CNN的改进。Faster R-CNN是相关作者于2015年提出的快速目标检测模型。该模型起源与R-CNN，R-CNN虽然相比较传统的目标检测方法有了很大的提升，但是效率不尽人意。在其之后的Fast R-CNN虽然效率有了一定的提升，但是还是难以达到实时性的要求，Faster R-CNN在Fast R-CNN的基础上运行效率和识别准确率又有了提升，基本达到了实时检测的效果。而Mask R-CNN的主要作者何凯明在Faster R-CNN的基础上提出了新的卷积网络，在完成目标检测的同时完成语义分割。并且检测分割效果表现与效率表现依然优秀。

随着目标检测模型的发展，目标检测技术的相关应用也飞速发展，利用预先布置的监控摄像头，目前已经实现了很多有趣且实用的应用，包括高速路上的自动抓拍，手机相机的场景识别，场景文本识别，智慧城市建设都依靠摄像头的数据采集，依赖目标检测技术的支持。这些应用项目的落地提高了生产工作效率，推动社会进步。包括华为，海康威视，大华等很多公司都参与到目标检测及相关技术的应用项目，相关产品也日臻完善。

跨店经营，又称店外经营，指商家将待售物品摆放到店外经营，占用人行道或者其他非合法经营区域范围的行为，该现象主要集中在小城镇人员流动密集，店铺分布密集的街区。跨店经营是城管人员需要经常管理整治的一个情景之一，该场景下店家用商品占用人行道，影响市容，造成一定的不良影响。因此，在智慧城市领域，对店外跨店经营进行自动识别和干预是十分必要的事情。

目前，目标检测模型具有检测快的特性，得到广泛应用，但是现实场景中，店外跨店经营行人是流动的，且较复杂，单独的目标检测模型不足以满足跨店经营行为的检测判断，因此，迫切地需要一种检测方法能够快速准确地识别跨店经营行为。

发明内容

本发明的目的是提供一种基于目标位置信息推理的跨店经营行为检测方法，该检测方法通过控制行人与店面检测模型、店外物品检测模型以及目标位置信息推理的检测准确性，以实现对跨店经营行为的实时准确检测。

为了实现上述发明目的，本发明提供以下技术方案:

一种基于目标位置信息推理的跨店经营行为检测方法，包括以下步骤：

利用构建的数据集对Faster R-CNN进行训练获得店面检测模型，利用构建的数据集对改进的Mask R-CNN进行训练获得行人与店外物品检测模型；

截取监控视频获得帧图像，将帧图像输入至行人与店面检测模型、店外物品检测模型中，获得两个模型对应的检测结果；