[发明专利]一种基于骨架提取的异常行为识别方法及系统

说明书

本发明涉及一种基于骨架提取的异常行为识别方法及系统。本发明包括：获取具有人体图像的视频；对视频中的人体图像进行目标人员检测，并对检测到的目标人员进行跟踪；对跟踪到的目标人员提取人体关节置信度图和骨骼漂移场图，构建人体骨架；将视频的每帧图像中目标人员的人体骨架按时间顺序组合得到骨架序列，根据骨架序列构建时空图，对时空图采用时空图卷积操作进行行为特征提取，并对行为特征进行分类，识别目标人员是否存在异常行为。通过对视频进行目标人员检测及跟踪、进行骨架提取、运用时空图卷积网络识别目标人员是否存在异常行为，实现了对异常行为的准确检测，解决了现有技术中不能准确地对异常行为进行识别的问题。

技术领域

本发明涉及图像处理及行为识别的技术领域，尤其涉及一种基于骨架提取的异常行为识别方法及系统。

背景技术

电力工程施工点多、面广、任务重，普遍存在高空交叉作业、野外施工环境恶劣、大件起重吊装、人员触电等高风险因素，且工程分包、转包形式多，企业施工能力、安全管理能力不足，发生人身事故的风险大。目前，随着电网规模的不断增大、设备的迅速增加和现代城市化进程的提速，电力基建、技改、迁改、大修等施工现场的规模数量也随之剧增，因此，电力施工现场安全管控的需求也越来越大。

而传统的安全管控基本依靠人工的现场监护和稽查，安全监督人员数量有限、管控效果高度依赖人员责任心，已远远无法满足全过程、立体式、智能化的安全管控要求。因此，迫切需要提出一种解决方案，在施工现场安全事故发生之前就发现施工过程的异常行为，并提供预警，从根本上遏制、减少事故发生的问题。

对施工人员的异常行为进行识别主要涉及3个方面的算法：人员检测、人员跟踪及行为识别。

常用的人员检测算法大致可以分为基于图像空间、基于特征空间两种，前者主要利用图像中目标的轮廓边缘、区域大小、灰度及形状与纹理等特征进行目标检测；后者则是将识别图像经过空间变换后，利用特征空间提取图像的特征来实现目标检测，但是这两种算法都容易受光照等因素干扰。

实现人员跟踪可以有许多算法，如均值漂移、卡尔曼滤波等。均值漂移本质是局部检测，在局部区域内寻找密度最大的点，计算简单，但当背景较为复杂或目标纹理较为丰富时，会有很大的噪声。卡尔曼滤波用于跟踪有一个很大的问题，即在跟踪的过程中只用到了位置信息，丰富色彩的信息没有被利用到，这是一种对信息的浪费。

行为识别大致可分为基于低级视觉物征和基于粒子流两个方面。基于低级视觉物征提取的方法先提取目标图像的低级特征，再利用分类器进行异常检测，能从数据上直观地反映目标的运动状态，但提取的信息单一，实时性和准确性不高；基于粒子流的方法假定目标受长期外作用力进行运动，再计算相互作用力，设定阈值来检测异常，其中的典型是社会力模型，但模型建立复杂，计算量大导致实时性差。

综上所述，亟需一种准确性高、抗干扰能力强的施工现场异常行为识别方法以及时避免安全事故的发生。

发明内容

鉴于上述分析，本发明旨在提供一种基于骨架提取的异常行为识别方法，用以解决现有技术不能准确地对施工现场作业人员的异常行为进行识别的问题。

为解决上述问题，本发明提供了一种基于骨架提取的异常行为识别方法，包括如下步骤：

步骤S1：获取具有人体图像的视频；

步骤S2：对视频中的人体图像进行目标人员检测，并对检测到的目标人员进行跟踪；

步骤S3：提取跟踪到的目标人员的人体关节置信度图和骨骼漂移场图，对人体关节置信度图采取非极大值抑制，得到一系列候选关节点，将候选关节点之间相互连接构成二分图，将骨骼漂移场图作为二分图中边的权值，并对二分图进行优化构建人体骨架；