公开(公告)号：CN114202803A

公开(公告)日：2022-03-18

申请号：CN202111553555.5

申请日：2021-12-17

Applicant: 北方工业大学

Inventor： 张凤全 ,  程健 ,  周锋 ,  王桂玲

IPC: G06V40/20 ,  G06V20/40 ,  G06N3/04 ,  G06K9/62 ,  G06V10/44 ,  G06V10/774

Abstract: 本发明涉及一种基于残差网络的多阶段人体异常动作检测方法，步骤为：将待检测视频片段，切分为等长度的视频实例；使用目标检测网络模型得到每个监控视频实例中出现的人体目标边界框和位置和尺寸大小；根据人体边界框信息，使用动作识别网络模型在每个监控视频实例中计算边界框中人体动作的类别与置信度；使用异常分数学习模型给出每个监控视频实例的异常得分并进行加权融合。本发明能够快速获得监控视频中的异常动作信息，并设计了检测人体边界框所需的目标检测网络模型、分析人体动作的动作识别网络模型以及预测异常得分的异常分数学习模型。本发明实现常见监控视频场景下的人体异常动作检测，方法简洁、误报率低，具有一定的实用价值。

公开(公告)号：CN114202803B

公开(公告)日：2025-04-18

申请号：CN202111553555.5

申请日：2021-12-17

Applicant: 北方工业大学

Inventor： 张凤全 ,  程健 ,  周锋 ,  王桂玲

IPC: G06V40/20 ,  G06V20/40 ,  G06V20/52 ,  G06V10/25 ,  G06V10/82 ,  G06N3/0464 ,  G06V10/52 ,  G06V10/62 ,  G06V10/774 ,  G06V10/764

Abstract: 本发明涉及一种基于残差网络的多阶段人体异常动作检测方法，步骤为：将待检测视频片段，切分为等长度的视频实例；使用目标检测网络模型得到每个监控视频实例中出现的人体目标边界框和位置和尺寸大小；根据人体边界框信息，使用动作识别网络模型在每个监控视频实例中计算边界框中人体动作的类别与置信度；使用异常分数学习模型给出每个监控视频实例的异常得分并进行加权融合。本发明能够快速获得监控视频中的异常动作信息，并设计了检测人体边界框所需的目标检测网络模型、分析人体动作的动作识别网络模型以及预测异常得分的异常分数学习模型。本发明实现常见监控视频场景下的人体异常动作检测，方法简洁、误报率低，具有一定的实用价值。