本发明公开了基于图结构姿态聚类的人体异常行为检测方法及系统，获取待检测视频；对待检测视频的每一帧图像进行骨骼跟踪，得到包含k个骨骼节点的骨骼序列；获取骨骼节点的时空关系示意图；对时空关系示意图中的每一帧图像骨骼节点的坐标位置进行处理，得到待检测视频的最终学习向量；将最终学习向量，输入到训练后的编码器中，输出待分类的动作向量；将待分类的动作向量和已知分类标签的动作向量进行聚类，得到当前待分类动作向量属于每个已知分类标签的概率值；判断所述概率值是否超过设定阈值，如果超过设定阈值，则表示当前待检测视频存在人体异常行为；否则，表示不存在人体异常行为。能够针对不同的场景需求，有效的检测出异常行为。

基于视频的异常行为检测方法可分为有监督、弱监督、无监督三类。无监督方法无需任何标签信息，基于“非正即异”思想，假设异常行为是罕见且无规律的。由于这种方法缺少人工标记，泛化能力极弱，如何增强无监督方法的泛化能力也是近几年学术研究的热点。弱监督方法通过学习大量的正例样本进的特征表示，将那些不符合正常特征分布的样本检测为异常，目前大多数弱监督方法都是采用基于重构判断的方法进行判定。但是由于神经网络强大的学习能力，异常行为也有可能被很好的重构，因此基于重构的方法容易造成异常的漏检。同时，新的正常行为也在不断地出现，新出现的正常行为容易被误检。有监督方法，将异常行为检测视为二分类或多分类问题，用详细标记的正异常行为样本训练神经网络，提取正异常之间更具区分性的特征。有监督方法的识别和定位精度普遍较高，在现实生活中被广泛使用。

本部分的陈述仅仅是提到了与本发明相关的背景技术，并不必然构成现有技术。随着高清视频监控的逐步推广和普及，监控视频数据也越来越多。在安防领域，尤其在公共场所，需要对人们的异常行为做出及时的处理。利用传统的人工方法检测人体异常行为不仅耗费大量的人力物力，而且会出现一些异常行为被漏检的情况。随着计算机视觉技术的快速发展，人们开始采用基于视频的异常行为检测。这类方法主要利用正异常行为特征表示之间的差异性来自动的检测及定位异常行为。当下，异常行为检测已经成为计算机视觉领域较为活跃的一个研究方向。

基于视频的异常行为检测方法可分为有监督、弱监督、无监督三类。无监督方法无需任何标签信息，基于“非正即异”思想，假设异常行为是罕见且无规律的。由于这种方法缺少人工标记，泛化能力极弱，如何增强无监督方法的泛化能力也是近几年学术研究的热点。弱监督方法通过学习大量的正例样本进的特征表示，将那些不符合正常特征分布的样本检测为异常，目前大多数弱监督方法都是采用基于重构判断的方法进行判定。但是由于神经网络强大的学习能力，异常行为也有可能被很好的重构，因此基于重构的方法容易造成异常的漏检。同时，新的正常行为也在不断地出现，新出现的正常行为容易被误检。有监督方法，将异常行为检测视为二分类或多分类问题，用详细标记的正异常行为样本训练神经网络，提取正异常之间更具区分性的特征。有监督方法的识别和定位精度普遍较高，在现实生活中被广泛使用。

在检测过程中的特征提取环节也存在大量的特征提取方法，其中基于人体骨骼信息的特征提取方法由于其具有较好的鲁棒性和适应性，目前得到了广泛的使用。相比于图像特征，骨骼特征更加紧凑，对人体的运动描述也更加的具体，且不易受光照和背景变化的影响。

此技术是山东师范大学吕蕾研发，山东师范大学，位于山东省济南市，宗旨和业务范围是“面向社会培养高等学历师资人才，进行成人教育，促进教育事业发展”。

与现有技术相比，本发明的有益效果是：

本公开为了解决上述问题，同时考虑到提取人体骨骼信息可以减少视点，背景的等不必要的因素带来的影响，而且有监督的方式能够将动作标签提供给网络，进而能够使网络更加方便的建立行为字典，最终使网络得到好的聚类效果。因此提供了一种有监督异常行为检测方法，该方法是基于图结构姿态聚类的人体异常行为检测方法，其能够针对不同的场景需求，有效的检测出异常行为，同时充分利用行为发生的时序关系，更加精确的对监控中拍摄到的行为进行识别。增强方法的泛化能力和精确度。

本公开提供的有监督的基于图结构姿态聚类的人体异常行为检测方法，针对视点，照明等不必要的参数，采用了从输入视频帧中提取人体姿势图的方法。同时由于不同的场景下对异常的定义不尽相同，我们的方法就考虑用有监督的方式对模型进行训练，然后利用软分配聚类的方式去对行为进行聚类和判别，通过对不同的场景设置不同的阈值，就可以实现在特定场景下的异常检测。

本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

技术转让，许可，合作所需资金需双方协商，此项技术想尽快落地保定，希望具备此项技术研发的技术方，能够尽快承接此项目。