图片简介:
本技术介绍了一种异常行为的识别方法及装置，该方法包括：将多个摄像头采集的客户行为数据分别输入异常行为识别模型，在识别出异常行为时，确定采集到该异常行为的至少两个摄像头及其中每个摄像头对应的异常行为置信度；根据采集到该异常行为的至少两个摄像头中每两个摄像头之间的夹角参数，确定每两个摄像头的识别准确率；根据每两个摄像头的识别准确率，以及每个摄像头对应的异常行为置信度，确定每两个摄像头的异常行为置信度；根据每两个摄像头的异常行为置信度，确定该异常行为的置信度；在该异常行为的置信度大于或等于预设置信度阈值时，将该异常行为确定为识别结果，本技术可以提高异常行为识别的准确性。 技术要求
1.一种异常行为的识别方法，其特征在于，包括：
将多个摄像头采集的客户行为数据分别输入异常行为识别模型，在识别出异常行为时，
确定采集到该异常行为的至少两个摄像头及其中每个摄像头对应的异常行为置信度，其中，所述多个摄像头设置在银行网点的不同位置，所述异常行为识别模型根据历史异常
行为数据训练得到；
获得采集到该异常行为的至少两个摄像头的角度参数，确定每两个摄像头之间的夹角参数；分布式kvm
根据每两个摄像头之间的夹角参数，确定每两个摄像头的识别准确率；
根据每两个摄像头的识别准确率，以及每个摄像头对应的异常行为置信度，确定每两个摄像头的异常行为置信度；
根据每两个摄像头的异常行为置信度，确定该异常行为的置信度；
在该异常行为的置信度大于或等于预设置信度阈值时，将该异常行为确定为识别结果。
2.如权利要求1所述的方法，其特征在于，还包括：
对识别结果进行异常行为告警。
3.如权利要求1所述的方法，其特征在于，在获得采集到该异常行为的至少两个摄像头的角度参数之前，该方法还包括：
以客户为圆心，以任意摄像头的角度为基准角度，基于0度至359度配置多个摄像头的角度参数；
根据每个摄像头的角度参数，建立每个摄像头的角度参数配置表；
获得采集到该异常行为的至少两个摄像头的角度参数，包括：
从采集到该异常行为的至少两个摄像头对应的角度参数配置表中获得该至少两个摄像头的角度参数。
4.如权利要求1所述的方法，其特征在于，在根据每两个摄像头之间的夹角参数，确定每两个摄像头的识别准确率之前，该方法还包括：
根据多个摄像头的历史异常行为数据，确定两个摄像头之间的夹角参数与识别准确率之间的关联关系；
根据每两个摄像头之间的夹角参数，确定每两个摄像头的识别准确率，包括：
根据每两个摄像头之间的夹角参数，以及两个摄像头之间的夹角参数与识别准确率之间的关联关系，确定每两个摄像头的识别准确率。
5.如权利要求4所述的方法，其特征在于，两个摄像头之间的夹角参数与识别准确率之间的关联关系为正弦关系。
6.如权利要求1所述的方法，其特征在于，按照如下方式确定每两个摄像头的异常行为置信度，包括：
Y＝|sin(θ1-θ2)×(X1+X2)|；
其中，Y为两个摄像头的异常行为置信度，θ1和θ2分别为每个摄像头的角度参数，X1和X2分别为每个摄像头对应的异常行为置信度。
7.如权利要求1所述的方法，其特征在于，根据每两个摄像头的异常行为置信度，确定该异常行为的置信度，包括：
在采集到该异常行为的摄像头的个数为两个时，将该两个摄像头的异常行为置信度确定为该异常行为的置信度；220v稳压器
在采集到该异常行为的摄像头的个数大于两个时，将每两个摄像头的异常行为置信度中的最大置信度确定为该异常行为的置信度。
8.一种异常行为的识别装置，其特征在于，包括：
参数获得模块，用于将多个摄像头采集的客户行为数据分别输入异常行为识别模型，在识别出异常行为时，确定采集到该异常行为的至少两个摄像头及其中每个摄像头对应的异常行为置信度，其中，所述多个摄像头设置在银行网点的不同位置，所述异常行为识别模型根据历史异常行为数据训练得到；
夹角确定模块，用于获得采集到该异常行为的至少两个摄像头的角度参数，确定每两个摄像头之间的夹角参数；
准确率确定模块，用于根据每两个摄像头之间的夹角参数，确定每两个摄像头的识别准确率；
置信度确定模块，用于根据每两个摄像头的识别准确率，以及每个摄像头对应的异常行为置信度，确定每两个摄像头的异常行为置信度；
异常行为置信度确定模块，用于根据每两个摄像头的异常行为置信度，确定该异常行为的置信度；
识别结果确定模块，用于在该异常行为的置信度大于或等于预设置信度阈值时，将该异常行为确定为识别结果。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一所述方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行权利要求1至7任一所述方法的计算机程序。
技术说明书
异常行为的识别方法及装置
技术领域
监控界面
本技术涉及数据处理技术领域，特别涉及一种异常行为的识别方法及装置。
背景技术烧录ic
银行网点属于金融交易场所，对安保要求较高，对现场发生的人推搡、打斗等行为非常敏感。随着人工智能技术盛行，银行采用了打斗行为识别模型，基于图像中肢体互动和叠加的原理，对银行网点进行视频监控，能够快速发现并识别银行网点内的斗殴、推搡等异常行为，提醒工作人员及时处理。
但是，由于网点人密集度较高，在单一角度拍摄视频时，因直线视觉问题，图像中的纵深无法识别，会出现局部遮挡，人员交叉行走时会造成目标视觉重叠，往往使得实际上有一定距离的人在发生位置交换或者交叉移动时，被误判为异常行为，特别是在人排队的时候，异常行为的错误识别经常发生。
现有技术大多是基于深度学习，收集打斗行为的图像数据，优化打斗行为识别模型，但是，因为单一朝向的摄像头的二维图像物理局限性，使得模型优化进展困难，异常行为识别的准确性较低。
针对上述问题，目前尚未提出有效的解决方案。
技术内容
本技术实施例提供一种异常行为的识别方法，用以提高异常行为识别的准确性，该方法包括：
宝石饰品
印花胶浆
将多个摄像头采集的客户行为数据分别输入异常行为识别模型，在识别出异常行为时，确定采集到该异常行为的至少两个摄像头及其中每个摄像头对应的异常行为置信度，其中，多个摄像头设置在银行网点的不同位置，异常行为识别模型根据历史异常行为数据训练得到；
获得采集到该异常行为的至少两个摄像头的角度参数，确定每两个摄像头之间的夹角参数；
根据每两个摄像头之间的夹角参数，确定每两个摄像头的识别准确率；
根据每两个摄像头的识别准确率，以及每个摄像头对应的异常行为置信度，确定每两个摄像头的异常行为置信度；
根据每两个摄像头的异常行为置信度，确定该异常行为的置信度；
在该异常行为的置信度大于或等于预设置信度阈值时，将该异常行为确定为识别结果。
本技术实施例提供一种异常行为的识别装置，用以提高异常行为识别的准确性，该装置包括：
参数获得模块，用于将多个摄像头采集的客户行为数据分别输入异常行为识别模型，在识别出异常行为时，确定采集到该异常行为的至少两个摄像头及其中每个摄像头对应的异常行为置信度，其中，多个摄像头设置在银行网点的不同位置，异常行为识别模型根据历史异常行为数据训练得到；
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议