(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 202210255171.3 (22)申请日 2022.03.15 (71)申请人 平安科技 （深圳） 有限公司 地址 518000 广东省深圳市福田区福田街 道福安社区益田路5033号平 安金融中 心23楼 (72)发明人 郑喜民　翟尤　周成昊　舒畅　 陈又新　 (74)专利代理 机构 广州嘉权专利商标事务所有 限公司 4 4205 专利代理师 谭晓欣 (51)Int.Cl. G06V 10/762(2022.01) G06K 9/62(2022.01) G06N 20/00(2019.01)G06Q 50/22(2018.01) (54)发明名称 基于聚类算法的行人异常行为检测方法及 装置、 存储介质 (57)摘要 本申请涉及人工智能技术， 提供了一种基于 聚类算法的行人异常行为检测方法及装置、 电子 设备及存储介质， 方法包括： 获取包括多个行人 图像数据的行人图像数据集； 基于预训练的姿态 提取网络模 型对行人图像数据集进行姿态提取， 得到各个行人图像数据对应的行人姿态向量； 基 于各个行人图像数据对应的行人姿态向量进行 聚类迭代处理， 直至满足迭代结束条件； 将除第 二行人姿态向量组之外的行人姿态向量对应的 行人姿态行为确定为异常行为。 本申请实施例 中， 无需标注哪些动作类型属于异常行为， 通过 聚类算法将没有聚类的相对孤立的行人姿态向 量确定为异常行人姿态向量， 能够有效检测出行 人图像数据集中的异常行为， 提高检测行人异常 行为的准确率。 权利要求书2页 说明书13页 附图7页 CN 114565784 A 2022.05.31 CN 114565784 A 1.一种基于聚类算法的行 人异常行为检测方法， 其特 征在于， 包括： 获取行人图像数据集， 所述行 人图像数据集包括多个行 人图像数据； 基于预训练的姿态提取网络模型对所述行人图像数据集进行姿态提取， 得到各个所述 行人图像数据对应的行 人姿态向量， 每 个所述行 人姿态向量对应于一个行 人姿态行为； 基于各个所述行人图像数据对应的所述行人姿态向量进行聚类迭代 处理， 直至满足迭 代结束条件， 其中， 所述聚类迭代处 理包括： 随机生成聚类参 考向量； 对于每个所述行人姿态向量， 计算所述行人姿态向量与所述聚类参考向量之间的L2距 离， 根据各个所述行人姿态向量对应的所述L2距离， 对各个所述行人姿态向量进 行排序， 得 到经过排序的第一行 人姿态向量组； 从所述第一行人姿态向量组中， 选取一部分连续排序的所述行人姿态向量组成第 二行 人姿态向量组， 并根据所述第二行 人姿态向量组得到中心向量； 所述迭代结束条件为当前 得到的所述中心向量与上一次得到的所述中心向量相同； 将除所述第 二行人姿态向量组之外的所述行人姿态向量作为异常行人姿态向量， 将所 述异常行 人姿态向量对应的所述行 人姿态行为确定为异常行为。 2.根据权利要求1所述的基于聚类算法的行人异常行为检测方法， 其特征在于， 所述基 于预训练的姿态提取网络模型对所述行人图像数据集进行姿态提取， 得到各个所述行人图 像数据对应的行 人姿态向量， 包括： 对于所述行人图像数据集中的每个所述行人图像数据， 通过预训练的姿态提取网络模 型从所述行 人图像数据中提取多个关键点， 并分别记录每 个所述关键点的二维坐标； 对各个所述关键点的二维坐标进行映射处理， 得到由所述姿态提取网络模型输出的行 人姿态向量。 3.根据权利要求2所述的基于聚类算法的行人异常行为检测方法， 其特征在于， 所述对 各个所述关键点的二 维坐标进 行映射处理， 得到由所述姿态提取网络模型输出的行人姿态 向量， 包括： 按照预设顺序将各个所述关键点的二维坐标进行组合， 得到由所述姿态提取网络模型 输出的N维行人姿态向量， 其中， 所述行人姿态向量的维数N为所述关键点的数量乘以二， 所 述N为大于2的偶数。 4.根据权利要求3所述的基于聚类算法的行人异常行为检测方法， 其特征在于， 所述随 机生成聚类参 考向量， 包括： 随机生成N维聚类参 考向量， 并随机初始化所述聚类参 考向量的值。 5.根据权利要求1所述的基于聚类算法的行人异常行为检测方法， 其特征在于， 所述根 据各个所述行 人姿态向量对应的所述 L2距离， 对各个所述行 人姿态向量进行排序， 包括： 按照各个所述 L2距离由小到大的顺序， 对各个所述行 人姿态向量进行排序。 6.根据权利要求1或5所述的基于聚类算法的行人异常行为检测方法， 其特征在于， 所 述从所述第一行人姿态向量组中， 选取一部分连续排序的所述行人姿态向量组成第二行人 姿态向量组， 包括： 从所述第一行人姿态向量组 的第一个所述行人姿态向量开始， 按照预设比例选取一部 分连续排序的所述行 人姿态向量组成第二行 人姿态向量组。权　利　要　求　书 1/2 页 2 CN 114565784 A 27.根据权利要求1所述的基于聚类算法的行人异常行为检测方法， 其特征在于， 所述根 据所述第二行 人姿态向量组得到中心向量， 包括： 计算所述第二行 人姿态向量组中的所有所述行 人姿态向量的平均值； 根据所有所述行 人姿态向量的平均值确定中心向量。 8.一种基于聚类算法的行 人异常行为检测装置， 其特 征在于， 包括： 第一处理模块， 用于获取行人图像数据集， 所述行人图像数据集包括多个行人图像数 据； 第二处理模块， 用于基于预训练的姿态提取网络模型对所述行人图像数据集进行姿态 提取， 得到各个所述行人图像数据对应的行人姿态向量， 每个所述行人姿态向量对应于一 个行人姿态行为； 第三处理模块， 用于基于各个所述行人图像数据对应的所述行人姿态向量进行聚类迭 代处理， 直至满足迭代结束条件， 其中， 所述聚类迭代处 理包括： 随机生成聚类参 考向量； 对于每个所述行人姿态向量， 计算所述行人姿态向量与所述聚类参考向量之间的L2距 离， 根据各个所述行人姿态向量对应的所述L2距离， 对各个所述行人姿态向量进 行排序， 得 到经过排序的第一行 人姿态向量组； 按照预设比例从所述第 一行人姿态向量组中， 选取一部分连续排序的所述行人姿态向 量组成第二行 人姿态向量组， 并根据所述第二行 人姿态向量组得到中心向量； 所述迭代结束条件为当前计算得到的所述中心向量与上一次计算得到的所述中心向 量相同； 第四处理模块， 用于将除所述第 二行人姿态向量组之外的所述行人姿态向量作为异常 行人姿态向量， 将所述异常行 人姿态向量各自对应的所述行 人姿态行为确定为异常行为。 9.一种电子设备， 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如权利要求1至7中任意一项 所述的基于聚类算法的行 人异常行为检测方法。 10.一种计算机可读存储介质， 存储有计算机可执行指令， 所述计算机可执行指令用于 执行权利要求1至7中任意 一项所述的基于聚类算法的行 人异常行为检测方法。权　利　要　求　书 2/2 页 3 CN 114565784 A 3