(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210699341.7 (22)申请日 2022.06.20 (71)申请人 北京吉利学院 地址 641423 四川省成 都市东部新区成简 大道二段123号 (72)发明人 邹倩颖　 (74)专利代理 机构 北京正华智诚专利代理事务 所(普通合伙) 11870 专利代理师 陈航 (51)Int.Cl. G06V 40/20(2022.01) G06N 3/04(2006.01) G06V 10/82(2022.01) G06V 10/40(2022.01) G06V 10/74(2022.01)G06V 10/764(2022.01) (54)发明名称 一种基于卷积神经网络的人体异常动作检 测方法 (57)摘要 本发明公开了一种基于卷积神经网络的人 体异常动作检测方法， 所述基于卷积神经网络的 人体异常动作检测方法包括： S1： 获取本地资源 库中的部分原始图片， 并将所述部分原始图片作 为样本集， 其中， 所述样本集中所有的原始图片 均包括人体； S2： 对所述样本集进行初步处理， 得 到人体动作背景分类结果； S3： 获取所述人体动 作背景分类结果中的各种异常动作背景； S4： 获 取目标图片； S5： 提取目标图片中的人体动作； S6： 对所述目标图片中的人体动作和各所述异常 动作背景进行相似度对比， 得到对比结果； S7： 将 所述对比结果作为异常动作检测结果输出。 权利要求书2页 说明书5页 附图3页 CN 114926909 A 2022.08.19 CN 114926909 A 1.一种基于卷积神经网络的人体异常动作检测方法， 其特征在于， 所述基于卷积神经 网络的人体异常动作检测方法包括： S1： 获取本地资源库中的部分原始图片， 并将所述部分原始图片作为样本集， 其中， 所 述样本集中所有的原 始图片均包括人体； S2： 对所述样本集进行初步处 理， 得到人体动作背景分类结果； S3： 获取所述人体动作背景分类结果中的各种异常动作背景； S4： 获取目标图片； S5： 提取目标图片中的人体动作； S6： 对所述目标图片中的人体动作和各所述异常动作背景进行相似度对比， 得到对比 结果； S7： 将所述对比结果作为异常动作检测结果输出。 2.根据权利要求1所述的基于卷积神经网络的人体异常动作检测方法， 其特征在于， 在 所述步骤S1之前， 所述基于卷积神经网络的人体异常动作检测方法还 包括： 获取公共场所的各种图片， 并将所述各种图片的总成作为所述本地资源库。 3.根据权利要求1所述的基于卷积神经网络的人体异常动作检测方法， 其特征在于， 所 述步骤S5包括： S51： 通过 卷积网络提取目标图片中的所有特 征， 得到特 征图组； S52： 判断所述目标图片中的人体数量是否为1， 若是， 进入步骤S53； 否则， 进入步骤 S57； S53： 将所述特 征图组分为第一子特 征图组和第二子特 征图组； S54： 利用卷积神经网络获取所述第一子特征图组的置信度； 和/或利用卷积神经网络 获取所述第二子特 征图的关联度； S55： 根据所述置信度和所述关联度， 利用二分图匹配法， 得到所述目标图片中的各个 关节点； S56： 连接各 所述关节点， 得到所述目标图片中的人体动作， 进入步骤S6； S57： 获取所述特征图组中的关键点， 并将所述关键点作为图的顶点， 得到以各关键点 为顶点的多个关键点图； S58： 利用所述卷积神经网络和匈 牙利算法获取多个所述关键点图之间的关联度； S59： 根据所述关联度， 利用二分图匹配法， 分别得到不同人体的各个关节点； S510： 根据不同人体的各个关节点， 得到所述目标图片中的多个人体动作， 进入步骤 S6。 4.根据权利要求3所述的基于卷积神经网络的人体异常动作检测方法， 其特征在于， 所 述步骤S51中， 所述卷积网络为VG G19卷积网络 。 5.根据权利要求3所述的基于卷积神经网络的人体异常动作检测方法， 其特征在于， 所 述步骤S54中， 所述卷积神经网络为CN N网络。 6.根据权利要求5所述的基于卷积神经网络的人体异常动作检测方法， 其特征在于， 所 述CNN网络包括依次连接的输入层、 卷积计算层、 激励 层、 池化层、 全连接层和输出层。 7.根据权利要求1 ‑6中任意一项所述的基于卷积神经网络的人体异常动作检测方法， 其特征在于， 所述步骤S6中， 利用长短记忆人工神经网络对所述目标图片中的人体动作和权　利　要　求　书 1/2 页 2 CN 114926909 A 2各所述异常动作背景进行相似度对比。权　利　要　求　书 2/2 页 3 CN 114926909 A 3