本发明涉及智能监控
技术领域：
：，具体涉及一种目标对象行为监测方法、装置、设备、系统及存储介质。
背景技术：
：：目前，视频监控系统在功能与性能等方面取得了长足进步，但在使用中也暴露了一些不足。现有的视频监控系统常用于入侵告警、移动侦测等目的，在针对视频中的打架斗殴等异常行为进行监测时，常采用人工分析判断的方式，需要安保人员时刻关注监控视频画面。技术实现要素：有鉴于此，本发明实施例提供了一种目标对象行为监测方法、装置、设备、系统及存储介质，以解决现有技术中当需要对异常行为监测时，需要人工分析判读的问题。结合第一方面，本发明实施例提供了一种目标对象行为监测方法，包括以下步骤：获取包含目标对象的图像，提取所述图像中的特征参数；根据所述特征参数确定所述图像中各关键点的位置及关键点之间的连接关系，并根据所述关键点之间的连接关系将所述各关键点连接起来，形成所述目标对象的姿势骨架；其中，所述关键点为所述目标对象上具有自由度的关节；对所述目标对象的姿势骨架进行识别，确定所述目标对象的行为。本发明实施例提供的目标对象行为监测方法，可以在包含目标对象的图像中提取出特征参数，根据特征参数得到图像中各关键点的位置及关键点之间的连接关系，进一步形成目标对象的姿势骨架，并通过对目标对象姿势骨架的识别，得到目标对象的行为，解决了现有技术中当需要对异常行为监测时，需要人工分析判读的问题。结合第一方面，在第一方面第一实施方式中，所述提取所述图像中的特征参数包括：将所述图像输入到预设的第一卷积神经网络中，利用所述第一卷积神经网络提取所述图像中的特征参数。结合第一方面，在第一方面第二实施方式中，所述根据所述特征参数确定所述图像中各关键点的位置及关键点之间的连接关系包括：将所述特征参数输入到预设的第二卷积神经网络中，得到所述图像中各关键点的位置及关键点之间的连接关系；其中，所述第二卷积神经网络包括连续的多个阶段，且每个阶段包括多个分支。结合第一方面，在第一方面第三实施方式中，所述对所述目标对象的姿势骨架进行识别，确定所述目标对象的行为包括：将所述目标对象的姿势骨架输入到预设的时空图卷积网络模型中进行识别，得到所述目标对象的行为；其中，所述时空图卷积网络模型包括至少两层时空图卷积网络，相邻两层的时空图卷积网络使用残差链接。结合第一方面及第一方面第一实施方式至第三实施方式，在第一方面第四实施方式中，在确定所述目标对象的行为之后，还包括：判断所述目标对象的行为是否异常，当异常时，发出报警信号。结合第一方面及第一方面第一实施方式至第三实施方式，在第一方面第五实施方式中，在提取所述图像中的特征参数之前，还包括：对所述图像进行预处理，其中预处理包括以下中的一种或几种：数据标记、双线性插值、图像翻转、亮度调整、对比度调整、色相调整、饱和度调整、图像标准归一化。结合第一方面第一实施方式至第三实施方式，在第一方面第六实施方式中，在提取所述图像中的特征参数之前，还包括：利用目标对象行为数据库对所述第一卷积神经网络、第二卷积神经网络及所述时空图卷积网络模型进行训练。根据第二方面，本发明实施例提供了一种目标对象行为监测装置，包括：提取模块，用于获取包含目标对象的图像，提取所述图像中的特征参数；姿势骨架形成模块，用于根据所述特征参数确定所述图像中各关键点的位置及关键点之间的连接关系，并根据所述关键点之间的连接关系将所述各关键点连接起来，形成所述目标对象的姿势骨架；其中，所述关键点为所述目标对象上具有自由度的关节；行为识别模块，用于对所述目标对象的姿势骨架进行识别，确定所述目标对象的行为。结合第二方面，在第二方面第一实施方式中，目标对象行为监测装置还包括报警模块，用于判断所述目标对象的行为是否异常，当异常时，发出报警信号。根据第三方面，本发明实施例提供了一种目标对象行为监测服务器，包括：图像采集器器、存储器和处理器，所述图像采集器、所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行第一方面或者第一方面的任意一种实施方式中所述的目标对象行为监测方法。根据第四方面，本发明实施例提供了一种目标对象行为监测系统，包括：摄像头、第三方面所述的目标对象行为监测服务器及安防终端，所述摄像头和所述安防终端均与所述目标对象行为监测服务器连接；所述摄像头，用于捕获包含目标对象的图像，并发送至所述目标对象行为监测服务器；所述安防终端，用于在所述目标对象行为监测服务器中获取目标对象的行为/报警信号。结合第四方面，在第四方面第一实施方式中，还包括负载均衡设备；所述负载均衡设备，用于接收所述摄像头发送的图像信息，对所述图像信息进行负载均衡处理后，发送至目标对象行为监测装置。结合第四方面第一实施方式，在第四方面第二实施方式中，所述负载均衡设备包括主nginxrtsp负载均衡器和副nginxrtsp负载均衡器。结合第四方面，在第四方面第三实施方式中，还包括存储设备，所述存储设备，用于接收所述摄像头发送的图像信息并保存。结合第四方面第三实施方式中，在第四方面第四实施方式中，所述存储设备采用分布式文件系统。根据第五方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行第一方面或者第一方面的任意一种实施方式中所述的目标对象行为监测方法。附图说明通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，在附图中：图1为本发明实施例1中目标对象行为监测方法的流程示意图；图2为本发明实施例1中第二卷积神经网络的结构示意图；图3为本发明实施例1中两层gcn生成的每个节点的二维表征；图4为本发明实施例2中目标对象行为监测方法的流程示意图；图5为本发明实施例3中目标对象行为监测装置的结构示意图；图6为本发明实施例4中目标对象行为监测服务器的结构示意图；图7为本发明实施例5的目标对象行为监测系统的结构示意图；图8为本发明实施例6基于深度神经网络的行为检测报警系统的结构示意图；图9为本发明实施例6中hdfs架构图；图10为本发明实施例6中hbase表结构示意图。具体实施方式为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。实施例1本发明实施例1提供了一种目标对象行为监测方法，图1为本发明实施例1中目标对象行为监测方法的流程示意图，如图1所示，本发明实施例1的目标对象行为监测方法包括以下步骤：s101：获取包含目标对象的图像，提取所述图像中的特征参数。作为一个具体的实施方式，提取所述图像中的特征参数可以采用如下技术方案：将所述图像输入到预设的第一卷积神经网络中，利用所述第一卷积神经网络提取所述图像中的特征参数。进一步的，在提取所述图像中的特征参数之前，还包括：利用目标对象行为数据库对所述第一卷积神经网络进行训练。优选的，可以利用19层卷积神经网络的前10层对图片进行处理，得到特征参数。s102：根据所述特征参数确定所述图像中各关键点的位置及关键点之间的连接关系，并根据所述关键点之间的连接关系将所述各关键点连接起来，形成所述目标对象的姿势骨架；其中，所述关键点为所述目标对象上具有自由度的关节，比如颈、肩、肘、腕、腰、膝、踝等，通过对人体关键点在三维空间相对位置的计算，来估计人体当前的姿态。作为一个具体的实施方式，根据所述特征参数确定所述图像中各关键点的位置及关键点之间的连接关系可以采用如下的技术方案：将所述特征参数输入到预设的第二卷积神经网络中，得到所述图像中各关键点的位置及关键点之间的连接关系；其中，所述第二卷积神经网络包括连续的多个阶段，且每个阶段包括多个分支。图2为本发明实施例1中第二卷积神经网络的结构示意图，如图2所示，该第二卷积神经网络包括连续的2个阶段，且每个阶段包括2个分支。进一步的，在提取所述图像中的特征参数之前，还包括：利用目标对象行为数据库对所述第二卷积神经网络进行训练。s103：对所述目标对象的姿势骨架进行识别，确定所述目标对象的行为。作为一个具体的实施方式，对所述目标对象的姿势骨架进行识别，确定所述目标对象的行为可以采用以下的技术方案：将所述目标对象的姿势骨架输入到预设的时空图卷积网络模型中进行识别，得到所述目标对象的行为；其中，所述时空图卷积网络模型包括至少两层时空图卷积网络，相邻两层的时空图卷积网络使用残差链接。时空图卷积网络模型gcn是一类非常强大的用于图数据的神经网络架构，即使是随机初始化的两层gcn也可以生成图网络中节点的有用特征表征。图3中展示了这种两层gcn生成的每个节点的二维表征，即使没有经过任何训练，这些二维表征也能够保存图中节点的相对邻近性。优选的，在提取所述图像中的特征参数之前，还包括：利用目标对象行为数据库对时空图卷积网络模型gcn进行训练。本发明实施例1提供的目标对象行为监测方法，可以在包含目标对象的图像中提取出特征参数，根据特征参数得到图像中各关键点的位置及关键点之间的连接关系，进一步形成目标对象的姿势骨架，并通过对目标对象姿势骨架的识别，得到目标对象的行为，解决了现有技术中当需要对异常行为监测时，需要人工分析判读的问题。实施例2本发明实施例2提供了一种目标对象行为监测方法，图4为本发明实施例2中目标对象行为监测方法的流程示意图，如图4所示，本发明实施例2的目标对象行为监测方法包括以下步骤：s401：获取包含目标对象的图像，对所述图像进行预处理。在本发明实施例4中，预处理包括以下中的一种或几种：数据标记、双线性插值、图像翻转、亮度调整、对比度调整、色相调整、饱和度调整、图像标准归一化。s402：提取所述图像中的特征参数。s403：根据所述特征参数确定所述图像中各关键点的位置及关键点之间的连接关系，并根据所述关键点之间的连接关系将所述各关键点连接起来，形成所述目标对象的姿势骨架；其中，所述关键点为所述目标对象上具有自由度的关节。s404：对所述目标对象的姿势骨架进行识别，确定所述目标对象的行为。s405：判断所述目标对象的行为是否异常，当异常时，发出报警信号。本发明实施例2提供的目标对象行为监测方法，在得到目标对象的行为之后，进一步判断目标对象的行为是否异常，当异常时，发出报警信号，实现了自动监测、自动报警。实施例3本发明实施例3提供了一种目标对象行为监测装置，图5为本发明实施例3中目标对象行为监测装置的结构示意图，如图5所示，本发明实施例3的目标对象行为监测装置包括提取模块50、姿势骨架形成模52及行为识别模块54。其中提取模块50，用于获取包含目标对象的图像，提取所述图像中的特征参数。姿势骨架形成模块52，用于根据所述特征参数确定所述图像中各关键点的位置及关键点之间的连接关系，并根据所述关键点之间的连接关系将所述各关键点连接起来，形成所述目标对象的姿势骨架；其中，所述关键点为所述目标对象上具有自由度的关节；行为识别模块54，用于对所述目标对象的姿势骨架进行识别，确定所述目标对象的行为。进一步的，目标对象行为监测装置还包括报警模块，所述报警模块用于判断所述目标对象的行为是否异常，当异常时，发出报警信号。实施例4本发明实施例还提供了一种目标对象行为监测服务器，图6为本发明实施例4中目标对象行为监测服务器的结构示意图，如图6所示，该车辆终端可以包括图像采集器60、处理器61和存储器62，其中处理器61和存储器62可以通过总线或者其他方式连接，图5中以通过总线连接为例。处理器61可以为中央处理器(centralprocessingunit，cpu)。处理器61还可以为其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现场可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。存储器62作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的目标对象行为监测方法对应的程序指令/模块(例如，图5所示的提取模块50、姿势骨架形成模52及行为识别模块54。处理器61通过运行存储在存储器62中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的xx方法。存储器62可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器61所创建的数据等。此外，存储器62可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器62可选包括相对于处理器61远程设置的存储器，这些远程存储器可以通过网络连接至处理器61。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。所述一个或者多个模块存储在所述存储器62中，当被所述处理器61执行时，执行如图1-4所示实施例中的目标对象行为监测方法。上述车辆终端具体细节可以对应参阅图1至图4所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory，rom)、随机存储记忆体(randomaccessmemory，ram)、快闪存储器(flashmemory)、硬盘(harddiskdrive，缩写：hdd)或固态硬盘(solid-statedrive，ssd)等；所述存储介质还可以包括上述种类的存储器的组合。实施例5本发明实施例5提供了一种目标对象行为监测系统，图7为本发明实施例5的目标对象行为监测系统的结构示意图，如图7所示，本发明实施例5的目标对象行为监测系统包括摄像头70、目标对象行为监测服务器71及安防终端72，所述摄像头70和所述安防终端72均与所述目标对象行为监测服务器71连接；所述摄像头70，用于捕获包含目标对象的图像，并发送至所述目标对象行为监测服务器71；所述安防终端72，用于在所述目标对象行为监测服务器71中获取目标对象的行为/报警信号。进一步的，在所述目标对象行为监测系统中还包括负载均衡设备；所述负载均衡设备，用于接收所述摄像头发送的图像信息，对所述图像信息进行负载均衡处理后，发送至目标对象行为监测装置。优选的，所述负载均衡设备包括主nginxrtsp负载均衡器和副nginxrtsp负载均衡器。进一步的，在所述目标对象行为监测系统中，还包括存储设备，所述存储设备，用于接收所述摄像头发送的图像信息并保存。优选的，所述存储设备采用分布式文件系统。实施例6为了更加详细的说明本发明的目标对象行为监测系统，给出一个具体的示例。图8为本发明实施例6基于深度神经网络的行为检测报警系统的结构示意图，如图8所示，包括网络摄像机、负载均衡流媒体服务器、人工智能服务器集群、安防终端及分布式数据库。其中，具体的，网络摄像头将捕获到的图像经编码压缩后符合onvif(opennetworkvideointerfaceforum)标准，依据rtsp(realtimestreamingprotocol)/rtmp(realtimemessagingprotocol)协议向分人工智能服务器集群推送视频流。人工智能服务器集群对接收到的图像数据进行图像预处理和深度神经网络的训练学习，从而能从视频图像中检测到目标对象的行为，并发送至安防终端。安防终端当判断目标行为异常时，会触发报警，并向管理人员分发报警信息和对应视频图像，辅助人员决策，为保存证据，采用分布式数据库和分布式文件系统提供海量视频文件存储和查询。其中，rtsp(realtimestreamingprotocol)，rfc2326，实时流传输协议，是tcp/ip协议体系中的一个应用层协议，该协议定义了一对多应用程序如何有效地通过ip网络传送多媒体数据。rtsp在体系结构上位于rtp和rtcp之上，它使用tcp或udp完成数据传输。具体的，人工智能服务器集群采用nginx实现负载均衡并保持热备，提供rtsp/rtmp视频流分发和点播等功能。nginxrtsp与keepalive实现高可用负载均衡包括以下步骤：1.ip配置，主nginxrtsp负载均衡器：ip1(通过keepalived配置了vip：ip0供外使用)，副nginxrtsp负载均衡器：ip2(通过keepalived配置了vip：ip0供外使用)；2.在主备服务器上需要安装nginxrtsp和keepalived；3.对主、备nginxrtsp服务进行配置；4.在主备服务器上配置keepalived运行参数；5.检验keepalived和nginxrtsp的高可用性、负载均衡。分布式数据库通过负载均衡流媒体服务器接收摄像头发送的图像信息并保存，具体的，在分布式数据库中进行信息保存可采用如下的技术方案：将大文件切片转码，使用hdfs存储切片文件，hbase存储路径，每一片做md5值为key，hbasevalue为hdfs的路径，可以保证文件很好的散列在集群里，通过hadoop提供的api结构，实现将接收到的视频流文件从本地上传到hdfs中，在这一过程中，把接收到的视频文件不断地存储到一个指定的本地文件夹中，将这个动态变化的文件夹当成是一个“缓冲区”，把“缓冲区”中的文件以流的形式与hdfs进行对接，接下来通过调用写方法来实现以流的方式将缓冲区中的文件上传到hdfs中。当文件上传成功后，再调用delete方法批量删除本地缓冲区中已经上传的文件。这一过程不断地循环，直到在缓冲区中的所有文件上传到hdfs，并且缓冲区文件全部清空为止。图9为本发明实施例6中hdfs架构图，如图6所示，hdfs采用master/slave的架构来存储数据，架构主要由四个部分组成，分别为hdfsclient、namenode、datanode和secondarynamenode。client就是客户端，实现文件切分与hdfs交互；namenode主要是管理功能，处理客户端请求；datanode就是slave，namenode下达命令，datanode执行实际的操作；secondarynamenode辅助namenode，分担其工作量，在紧急情况下，可辅助恢复namenode。图10为本发明实施例6中hbase表结构示意图，与nosql数据库一样,rowkey是用来检索记录的主键，访问hbasetable中的行，只有三种方式：通过单个rowkey访问，通过rowkey的range全表扫描，列族columnfamily；hbase表中的每个列，都归属与某个列族，列名都以列族作为前缀，访问控制、磁盘和内存的使用统计都是在列族层面进行的；hbase中通过row和columns确定一个存贮单元称为cell，cell中的数据是没有类型的，全部是字节码形式存贮；每个cell都保存着同一份数据的多个版本。版本通过时间戳来索引。本发明实施例6的基于深度神经网络的行为检测报警系统通过前端网络摄像头将捕获到的图像经编码压缩后推送至人工智能服务器集群，负载均衡、人工智能服务器集群为高并发、高可用性提供保障，对接收到的图像数据进行图像预处理和深度神经网络的训练学习，从而能从视频图像中检测到目标对象的行为特征，当判断目标行为异常时，会触发报警，并向管理人员分发报警信息和对应视频图像，辅助人员决策，为保存证据，采用分布式数据库和分布式文件系统提供海量视频文件存储和查询。虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。当前第1页1 2 3 当前第1页1 2 3
技术特征：1.一种目标对象行为监测方法，其特征在于，包括：
获取包含目标对象的图像，提取所述图像中的特征参数；
根据所述特征参数确定所述图像中各关键点的位置及关键点之间的连接关系，并根据所述关键点之间的连接关系将所述各关键点连接起来，形成所述目标对象的姿势骨架；其中，所述关键点为所述目标对象上具有自由度的关节；
对所述目标对象的姿势骨架进行识别，确定所述目标对象的行为。
2.根据权利要求1所述的目标对象行为监测方法，其特征在于，所述提取所述图像中的特征参数包括：
将所述图像输入到预设的第一卷积神经网络中，利用所述第一卷积神经网络提取所述图像中的特征参数。
3.根据权利要求1所述的目标对象行为监测方法，其特征在于，所述根据所述特征参数确定所述图像中各关键点的位置及关键点之间的连接关系包括：
将所述特征参数输入到预设的第二卷积神经网络中，得到所述图像中各关键点的位置及关键点之间的连接关系；其中，所述第二卷积神经网络包括连续的多个阶段，且每个阶段包括多个分支。
4.根据权利要求1所述的目标对象行为监测方法，其特征在于，所述对所述目标对象的姿势骨架进行识别，确定所述目标对象的行为包括：
将所述目标对象的姿势骨架输入到预设的时空图卷积网络模型中进行识别，得到所述目标对象的行为；其中，所述时空图卷积网络模型包括至少两层时空图卷积网络，相邻两层的时空图卷积网络使用残差链接。
5.根据权利要求1～4任一项所述的目标对象行为监测方法，其特征在于，在确定所述目标对象的行为之后，还包括：
判断所述目标对象的行为是否异常，当异常时，发出报警信号。
6.根据权利要求1-4任一项所述的目标对象行为监测方法，其特征在于，在提取所述图像中的特征参数之前，还包括：
对所述图像进行预处理，其中预处理包括以下中的一种或几种：数据标记、双线性插值、图像翻转、亮度调整、对比度调整、色相调整、饱和度调整、图像标准归一化。
7.根据权利要求2或3或4所述的目标对象行为监测方法，其特征在于，在提取所述图像中的特征参数之前，还包括：
利用目标对象行为数据库对所述第一卷积神经网络、第二卷积神经网络及所述时空图卷积网络模型进行训练。
8.一种目标对象行为监测装置，其特征在于，包括：
提取模块，用于获取包含目标对象的图像，提取所述图像中的特征参数；
姿势骨架形成模块，用于根据所述特征参数确定所述图像中各关键点的位置及关键点之间的连接关系，并根据所述关键点之间的连接关系将所述各关键点连接起来，形成所述目标对象的姿势骨架；其中，所述关键点为所述目标对象上具有自由度的关节；
行为识别模块，用于对所述目标对象的姿势骨架进行识别，确定所述目标对象的行为。
9.根据权利要求8所述的目标对象行为监测装置，其特征在于，还包括：
报警模块，用于判断所述目标对象的行为是否异常，当异常时，发出报警信号。
10.一种目标对象行为监测服务器，其特征在于，包括：
图像采集器器、存储器和处理器，所述图像采集器、所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1-8中任一项所述的目标对象行为监测方法。
11.一种目标对象行为监测系统，其特征在于，包括：摄像头、权利要求10所述的目标对象行为监测服务器及安防终端，所述摄像头和所述安防终端均与所述目标对象行为监测服务器连接；
所述摄像头，用于捕获包含目标对象的图像，并发送至所述目标对象行为监测服务器；
所述安防终端，用于在所述目标对象行为监测服务器中获取目标对象的行为/报警信号。
12.根据权利要求11所述目标对象行为监测系统，其特征在于，还包括负载均衡设备；
所述负载均衡设备，用于接收所述摄像头发送的图像信息，对所述图像信息进行负载均衡处理后，发送至目标对象行为监测装置。
13.根据权利要求12所述目标对象行为监测系统，其特征在于，所述负载均衡设备包括主nginxrtsp负载均衡器和副nginxrtsp负载均衡器。
14.根据权利要求11所述目标对象行为监测系统，其特征在于，还包括存储设备；
所述存储设备，用于接收所述摄像头发送的图像信息并保存。
15.根据权利要求14所述目标对象行为监测系统，其特征在于，所述存储设备采用分布式文件系统。
16.一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计算机指令，所述计算机指令用于使所述计算机执行权利要求1-8中任一项所述的目标对象行为监测方法。
技术总结本发明公开了一种目标对象行为监测方法、装置、设备、系统及存储介质，其中目标对象行为监测方法包括：获取包含目标对象的图像，提取所述图像中的特征参数；根据特征参数确定图像中各关键点的位置及关键点之间的连接关系，并根据关键点之间的连接关系将各关键点连接起来，形成目标对象的姿势骨架；对目标对象的姿势骨架进行识别，确定目标对象的行为。本发明可以在包含目标对象的图像中提取出特征参数，根据特征参数得到图像中各关键点的位置及关键点之间的连接关系，进一步形成目标对象的姿势骨架，并通过对目标对象姿势骨架的识别，得到目标对象的行为，解决了现有技术中当需要对异常行为监测时，需要人工分析判读的问题。
技术研发人员：邓立保
受保护的技术使用者：芯梯众和科技服务有限公司
技术研发日：2020.01.20
技术公布日：2020.06.09
