[发明专利]一种基于深度学习的行人徘徊滞留检测方法、系统及介质

说明书

本申请提供了一种基于深度学习的行人徘徊滞留检测方法、系统及介质，属于图像识别技术领域，其中方法主要包括三个部分，即行人检测预处理、行人重识别及重识别校验。通过上述三个步骤极大的提高了行人检测的准确性，进而可以保证行人滞留时长检测的准确性，降低了行人徘徊滞留预警的虚警率。

技术领域

本申请涉及图像识别技术领域，具体而言，涉及一种基于深度学习的行人徘徊滞留检测方法、系统及介质。

背景技术

随着科学技术的快速发展，智能视频监控中的视频分析技术以其无需人为干预的情况下能够自动对监控场景的视频序列进行实时分析、定位、跟踪和识别目标等优势，引起了人们越来越多的关注，并成为智能视觉系统中的一个研究热点。徘徊行为检测是视频监控的一项重要内容，它反映行人目标彷徨、矛盾的心理过程，是一种常见的视频分析技术。徘徊行为表现为目标在某区域内反复的往返或无规则的运动，是一种复杂的行为模式。

在传统方法中，徘徊滞留常常作为行人异常行为识别的一部分，这类方法往往存在以下几点缺陷：（1）将徘徊滞留常常作为行人异常行为识别的一部分， 这类做法并没有对徘徊滞留这一问题的特异性做专业处理；（2）传统的行人异常行为识别方法往往使用前背景建模的方法提取来获得人体，这种方法会因为各种嘈杂物体的运动造成过多错误检测；（3）传统行人识别方法的分类器较为简单（类似SVM，决策树），这种分类器对异常行为分析的置信度较低。例如，专利文献（CN105608479A）结合深度数据的异常行为检测方法及系统该专利使用前背景提取的方法获取人体目标，这种方法的准确率不高，会有很多无关的物体被识别为人体，而且异常行为检测部分做的过于简单，就针对行人徘徊滞留这一部分，该方法没有考虑现实情况，对于行人跟踪丢失、行人二次进入摄像机画面、行人被遮挡后再次出现等情况进行相关处理；况且该方案需要使用至少一个深度摄像头和一个常规摄像头，部署成本偏高。专利文献（CN103150579A）使用前背景提取的方法获取人体目标，同上，这类方法的准确率不高，且该方法使用SVM作为分类器，该分类器对异常行为分析的置信度较低， 相比于神经网络方法较为无力。

综上可见，现有技术虽然进行了行人徘徊检测的尝试，但仍存在例如上述的许多技术问题。

发明内容

为了解决上述背景技术中存在的技术问题，本申请提供了一种基于深度学习的行人徘徊滞留检测方法、系统及介质，以提高行人徘徊滞留检测的精度。

本申请的第一方面提供了一种基于深度学习的行人徘徊滞留检测方法，所述方法包括：

行人检测模块接收从摄像头传输的检测视频流，采用深度学习模型对所述视频流中的初始图片帧计算出包含人体的最小矩形窗口，并记录该初始图片帧的时刻一；

行人质量评估及处理模块采用评估模型对所述矩形窗口的行人图像进行评分，以评估所述矩形窗口中行人模糊程度和完整程度，并将所述评分低于评分阈值的行人对象筛除；

跟踪模块采用跟踪算法区分图像帧中不同的行人目标；

重识别模块采用卷积网络融合图网络的方法对后续图像帧中的行人进行重识别，基于重识别得出的行人特征查询特征库，以计算该行人之前出现过的置信阈值；

重识别校验模块基于步态模型对所述置信阈值高于预设值的所述行人之前出现过的结论进行校验，在校验结果为真时，记录检测该后续图像帧的时刻二；

徘徊滞留判断模块基于所述时刻一和时刻二计算每个行人的存在时长，并据此决定是否做出徘徊滞留预警。

可选地，所述行人检测模块所采用的深度学习模型为YOLOv5。

可选地，所述跟踪模块采用跟踪算法为匈牙利匹配算法。

可选地，所述重识别模块采用卷积网络融合图网络的方法对后续图像帧中的行人进行重识别，包括：