一种特定区域行人尾随及翻越检测方法和系统

1.本发明涉及一种监控场景下行人异常行为检测方法领域，具体地，涉及一种特定区域行人尾随及翻越检测方法和系统。


背景技术：

2.监控安防中，往往需要对重点区域进行布控，对区域内是否存在可疑目标行为进行检测。为了从区域的目标中定位真正的可疑目标行为，需要首先对目标进行检测，并以时空规则约束分析识别，判断其是否符合可疑目标行为的模式。
3.图像中的目标检测识别，在诸如智能视频监控等应用场合，具有广泛的实用需求，也是计算机视觉领域较为热门的研究方向。成熟的目标检测算法基本可以分为两类：(1)基于背景建模。该方法主要用于视频中检测运动目标：即将输入的静态图像进行场景分割，利用混合高斯模型(gmm)或运动检测等方法，分割出其前景与背景，再在前景中提取特定运动目标。这类方法需要连续的图像序列来实现建模，不适合于单幅图像中的目标检测。(2)基于统计学习。即将所有已知属于某一类目标的图像收集起来形成训练集，基于一个人工设计的算法(如hog、harr等)对训练集图像提取特征。提取的特征一般为目标的灰度、纹理、梯度直方图、边缘等信息。继而根据大量的训练样本的特征库来构建行人检测分类器。分类器一般可用svm，adaboost及神经网络等模型。
4.近年来，随着深度学习的发展，基于统计学习的目标检测算法取得了巨大的突破。总体上，基于统计学习的目标检测算法可以分为传统人工特征目标检测算法以及深度特征机器学习目标检测算法。
5.传统人工特征目标检测算法主要是指其利用人工设计的特征，来进行目标检测的建模。近年来表现优秀的人工设计的特征算法主要包括：2010年pedro f.felzenszwalb等提出的dpm(deformable part model)算法(object detection with discriminatively trained part-based models)。2014年shanshan zhang等提出的informed harr方法(informed haar-like features improve pedestrian detection)，致力于提取更加具有表征信息的harr特征来进行训练。这些人工设计的特征虽然取得了一定的效果，但因为人工特征表征能力不足，检测精度不高。由于深度卷积神经网络模型所具有的更强大的特征学习与表达能力，在图像目标分类检测方面得到越来越广泛的应用。基础的目标检测算子是r-cnn(region-convolutional neural network)模型。2014年,girshick等人提出rcnn用于通用目标的检测,之后又是提出了fast-rcnn和faster-rcnn,提高了基于深度学习目标检测算法的精度和速度.2016年提出的yolo和ssd等算法,则通过anchor等思想实现单一阶段的快速目标检测。
6.监控安防中的可疑目标检测识别，在诸如尾随检测等应用场合，具有广泛的实用需求，也是计算机视觉领域较为热门的研究方向。基于深度学习技术的目标检测，大都是专注于特定图像的目标检测，即从通过外观特征，从静止的图片中检测各种目标所属位置，并对其进行分类，缺乏对目标位置以及行为的分析建模，因此通常无法判断其是否为可疑目
标。


技术实现要素：

7.针对现有技术中的缺陷，本发明的目的是提供一种特定区域行人尾随及翻越检测方法和系统。
8.根据本发明的一个方面，提供一种特定区域行人尾随及翻越检测方法，包括：
9.获取图像序列；
10.所述图像序列进行目标检测并进行特定区域的多级后处理；
11.根据所述多级后处理结果进行报警推送。
12.优选地，所述目标检测，包括：
13.对视频监控设备解码得到的图像序列进行逐帧特征提取；
14.逐帧检测行人，得到行人目标的位置框序列。
15.优选地，所述多级后后处理，包括：
16.所述行人目标的位置框序列进行特定区域判别筛选目标，获得目标数量；
17.所述目标数量为多人时，进行轨迹序列判别分析目标的移动轨迹，并分析行人属性以筛除误检；
18.所述目标数量为单人时，分析行人属性以检测翻越。
19.优选地，所述行人目标的位置框序列进行特定区域判别筛选目标，获得目标数量，包括：
20.利用目标检测得到的行人目标位置框序列和针对每个视频监控设备的特定区域坐标信息进行逐帧的检验，依据特定区域空间约束条件，筛除所述特定区域之外的行人目标；
21.根据目标数量分为多人和单人两种情形，分别送入不同的检测流程。
22.优选地，所述目标数量为多人时，进行轨迹序列判别分析目标的移动轨迹，并分析行人属性以筛除误检，包括：
23.对经过特定区域判别检测出的图像序列进行位置信息的提取；
24.生成对应目标轨迹的坐标序列；
25.利用速度和方向约束对所述目标轨迹的坐标序列进行分析校验，判断是否属于尾随；
26.针对特定区域判别和轨迹序列判别都判断为尾随的小孩尾随事件，
27.通过对原始图像裁剪获取行人的图像进行行人属性判别，识别目标年龄属性并筛除小孩尾随。
28.优选地，所述目标数量为单人时，分析行人属性以检测翻越，包括：
29.对经过特定区域判别检测出的图像序列，进行裁剪得到目标图像；
30.识别所述目标图像的年龄及姿态属性；
31.若判别姿态为翻越则对应报警。
32.根据本发明的第二个方面，提供一种特定区域行人尾随及翻越检测系统，包括
33.所述目标检测模块，所述目标检测模块定位行人目标；
34.多级后处理模块，所述多级后处理模块对所述行人目标进行特定区域的处理；所
述多级后处理模块，包括：
35.特定区域判别模块，所述特定区域判别模块接收所述目标检测模块推送的图像序列，并删除所述图像序列中无关目标筛除；提取图像序列中目标位置，判断特定区域存在的目标数量；
36.轨迹序列判别模块，所述轨迹序列判别模块判断所述目标数量为多人时，是否为尾随；
37.行人属性判别模块，所述行人属性判断模块判断所述图像序列中目标的属性，进行误检筛除和翻越分析。
38.优选地，所述目标检测模块和特定区域判别模块，包括：
39.从监控视频中抽取图像序列，将各帧图像依次送入所述目标检测模块，对图像中存在的目标进行检测，得到目标框序列；
40.将所有目标框集合并进行遍历，将目标框的中心点与特定区域坐标进行比对；
41.若两个及以上行人中心点落入同一特定区域内，则需进行尾随的误检筛除；
42.若只有一个行人中心点落入特定区域内，则需进行翻越的检测判决。
43.优选地，所述轨迹序列判别模块，包括：
44.针对输入特定区域判别模块判定为尾随的图像序列，提取所述图像序列各帧图像目标位置信息，得到目标框中心点轨迹序列；
45.当轨迹序列满足单调性规律，即特定区域内两个或多个行人同时同向以一定速度移动，则判断为尾随。
46.优选地，所述行人属性判别模块，包括：
47.提取输入的图像序列各帧图像的目标位置信息，依据所述目标框坐标对原始图像进行裁剪获得行人目标图像；
48.对行人目标图像进行年龄和姿态属性识别，属性包括尾随误检筛除和翻越检测。
49.与现有技术相比，本发明具有如下的有益效果：
50.本发明提供的特定区域行人尾随及翻越检测方法，既可利用目标检测作为前级检测器，引入特定区域位置的约束，有效帮助模型直接关注重点行为发生区域，去除复杂的背景干扰，提升检测精度。
51.此外，还可通过对相邻帧目标坐标信息的挖掘与利用及对目标属性的识别弥补单帧图像目标检测的信息不足问题。
附图说明
52.通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
53.图1为本发明一实施例的一种特定区域行人尾随及翻越检测方法的流程示意图；
54.图2为本发明一实施例中特定区域判别模块流程图；
55.图3为本发明一实施例中轨迹序列判别模块流程图；
56.图4为本发明一实施例中行人属性判别模块流程图。
具体实施方式
57.下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
58.针对传统的目标检测孤立地分析静止图像，难以判断目标的动作行为的缺陷，需要将多帧图像信息融合后，同时利用时序和空间的特征及约束条件对目标的行为进行分析才能滤除正常目标的干扰，寻找真正的可疑目标。在实际应用中发现，利用目标检测作为前级检测器，再引入特定区域位置的约束，能够有效帮助模型直接关注重点行为发生区域，从而去除复杂的背景干扰，提升检测精度。此外，对相邻帧目标坐标信息的挖掘与利用和对目标属性的识别可以有效弥补单帧图像目标检测的不足。
59.基于上述构思，为本发明提供一个实施例，如图1所示，为一种特定区域行人尾随及翻越检测方法的流程图，包括：
60.s1、获取图像序列；
61.s2、所述图像序列进行目标检测并进行特定区域的多级后处理；
62.s3、根据所述多级后处理结果进行报警推送。
63.基于上述实施例，提供一个优选实施例。包括
64.s100，构造一个目标检测网络结合多级后处理的模型结构。
65.本实施例中，基于目标检测和多级后处理构造一个检测网络。目标检测为目标检测模型，输入图像，检测其目标位置。多级后处理包括特定区域判别处理、轨迹序列判别处理和行人属性判别处理。
66.s200，利用目标检测模型定位目标。
67.本实施例中，从输入设备解码得到的图像缓存序列中取出当前帧图像，依次送入目标检测网络中进行逐帧特征提取，在检测到目标的基础上基于行人类别信息进行目标框的筛选，最后得到行人目标的位置框序列用于后续处理过程。
68.具体的，将所述当前帧图像，依序送入yolov5目标检测模型进行逐帧特征提取，多尺度的深层特征经过融合后最终输出目标的框坐标、类别和置信度。利用目标检测模型预测的目标信息，在检测到目标的基础上，利用置信度阈值和非极大值抑制筛除多余的候选框，并且基于行人类别信息进行目标框的筛选，从而得到最终用于尾随行为判定的行人目标位置框序列。
69.s300，利用后处理特定区域判别模块筛选需关注的目标。
70.本步骤中，利用目标检测模块得到的行人目标区域和针对每个输入设备特定的特定监测区域坐标信息进行逐帧的检验，将关注的中心集中在尾随及翻越发生的核心区域，依据特定区域空间约束条件判断，若出现了多人同时位于特定区域内，当前图像序列则判定为可疑尾随，若出现了单人，则只进行翻越检测。
71.特定区域判别为第一步的过滤机制，多人在特定区域内则暂定为尾随事件并交由轨迹序列判别进一步筛选。此处的特定其余空间约束条件即目标位置框必须在特定监测区域之内，具体而言，行人目标必须出现在视频画面中指定的部分区域才会予以保留，否则判定为无关而进行筛除
72.具体的，利用特定区域判别模块筛选需关注的目标：首先针对不同的监控场景对应框选出特定区域位置，位置框选需与实际特定区域贴合。参照图2所示，从监控视频中以固定的帧率，抽取图像序列，将各帧图像依次送入目标检测器对图像中存在的目标进行检测，得到行人目标框序列。
73.将所有行人目标框放入集合，并对行人目标框进行遍历，先依据行人目标框的坐标信息取平均值得到目标框中心点位置，再将目标框中心点位置与特定区域进行比对，若行人目标框中心点落入特定区域内，则将该行人目标加入与特定对应的缓存队列，否则舍弃。
74.处理完所有的行人目标之后，从缓存队列中取出所有特定的行人目标信息。若同一特定区域中出现了两个及以上行人目标，则进行尾随误检筛除，若只出现了单人，则进行翻越检测。
75.s400,对多人情形利用轨迹序列判别模块分析目标移动轨迹。
76.本实施例中，参照图3所示，在特定区域判别模块检出的图像序列的基础上，轨迹序列判别模块首先对图像序列进行行人目标中心点位置信息的提取，并以此生成对应标记可疑行人目标轨迹的坐标序列，如果坐标轨迹表明特定区域内的多人向特定出口的方向，即出特定的方向，以较高速度移动，则可以判断属于尾随，否则记为误报并予以筛除。
77.s500,对多人情形利用行人属性判别模块筛除误检。
78.本实施例中，参照图4所示，针对多人情形利用行人属性判别模块筛除尾随误检：参照图4所示，针对所述检出的尾随图像序列，行人属性判别模块首先对图像序列特定区域内行人目标进行位置信息的提取，在位置信息的基础上实现行人目标的图像裁剪，将裁剪后的行人目标图像送入属性分类器中进行属性的识别，其中包含年龄和姿态信息，对于尾随检测支线逻辑，如果出现年龄过小则判定为小孩尾随予以筛除。
79.s600，对单人情形利用行人属性判别模块检测翻越。
80.针对单人情形利用行人属性判别模块检测翻越：获取特定区域判别模块提供的缓存图像序列，行人属性判别模块首先对图像序列特定区域内行人目标进行位置信息的提取，基于位置坐标对所述特定区域内行人目标的图像裁剪，将裁剪后的行人目标图像送入属性分类器中进行属性的识别，其中包含年龄和姿态信息，对于翻越检测支线逻辑，如果出现姿态异常，即分类为翻越姿态，则判定为翻越。
81.上述实施例的目标检测主要需要解决以下几个问题：
82.角度不同。由于实际场景地形和环境等约束，不同的监控设备必然有着不一样的视角，例如高低差异和俯角大小差异，不同的角度视野意味着输入图像存在着较高的差异，实际监测的关键区域可能位于图像序列中的不同位置。
83.缺乏后续分析。目标检测利用目标的外观特征判断目标的位置及类别，单凭目标框的坐标信息无法对特定的行为进行判定，需要引入额外的时空条件及特征约束来对可疑目标行为进行定义，以此判断属于可疑目标还是正常目标。
84.基于现实中存在的目标检测困难，上述实施例的特定区域行人尾随及翻越检测方法，先将原始图像送入目标检测模块检出行人目标，随后利用特定区域坐标位置对检出目标进行空间判定，分多人和单人两种情形处理。如果有多个行人目标同时出现在特定区域内，即判断为可疑尾随样本图像序列；接着提取可疑样本中行人位置信息，存入轨迹序列后
送入轨迹判别模块，根据轨迹数据判断是否为尾随；若判定为可疑，再提取可疑样本中的行人属性信息，依据行人的年龄筛除小孩尾随事件，并将可疑尾随事件图像序列推送到后台报警。如果只有单个行人目标出现在特定区域内，则只提取行人的属性信息，利用姿态属性判别是否属于翻越。本发明上述实施例提出的特定区域行人尾随及翻越检测方法，从上述问题出发，通过多级后处理时空多重约束的方式，能较好地解决尾随目标在不同视角差异下的检测问题，并能够有效分析目标行为，借此判定行为是否可疑。
85.本发明上述实施例中提出的方法包括搭建目标检测器、基于特定区域限定的目标筛选、误检筛除策略、行人属性识别；整个检测过程包括五个环节，以铁路入站闸机尾随及翻越行为检测为例进行介绍。在本实施例中，特定区域是指视频画面中的部分区域。特定区域就是指包含闸机的那部分区域，这是相对于整个监控画面来说的。
86.s10,利用铁路进站入口处安装的监控摄像头对进站的行人进行监控，为了保证目标检测只检测当前时间的图像，维护一个输入图像的缓存队列，目标检测器只需要从缓存队列中获取摄像头拍摄的图像。利用yolov5模型对输入图像进行处理，其中包括图像的预处理和卷积网络提取图像特征的推理过程，基于特征回归出目标框具体位置及目标类别。根据目标的置信度和类别筛选出高置信度的行人目标。
87.s20,利用特定区域判别模块检出尾随。首先需针对不同的摄像头对应框选出特定区域位置，位置框选需与实际特定区域的内侧边界相贴合，特定入口标注位置可以适当加深。从监控视频中以一定的帧率，例如每秒8帧或者12帧，抽取图像序列，将各帧图像依次送入目标检测器对图像中存在的目标进行检测，得到行人目标框序列。将所有由yolov5目标检测模型检出的行人目标框放入集合当中，并对行人目标框进行遍历，先依据行人目标框的坐标信息取平均值得到目标框中心点位置，再将目标框中心点位置与特定区域进行比对，若行人目标框中心点落入特定区域内，则将该行人目标加入与特定对应的缓存队列，否则舍弃。处理完所有的行人目标之后，从缓存队列中取出所有特定的行人目标信息。若同一特定区域中出现了两个及以上行人目标，则判定为在该特定处存在可疑尾随事件进行后续的误检筛除，若同一特定区域中只出现了单个行人目标，则进行翻越判别。
88.s30,对多人情形利用轨迹序列判别模块分析目标移动轨迹。针对特定区域判别模块检出的尾随图像序列，首先对对应摄像头采集的图像序列进行有可疑尾随行为的行人目标中心点位置信息的提取，并以此生成对应标记可疑行人目标轨迹的坐标序列，每一个序列需要对应当前监控输入下的一个特定编号，如果坐标轨迹表明特定区域内的两人向特定出口的方向，即出特定的方向，以超出一定阈值的速度移动，则可以判断属于尾随，否则记为误报并予以筛除。实际的出特定方向可能会因为摄像头视角和算法速度的不同而变化，需要根据实际情况调整速度的方向和阈值参数，速度阈值以像素点为单位，在合适摄像头角度和每秒8帧图像的处理速度下，参考值为10px。
89.s40,对多人情形利用行人属性判别模块筛除小孩误检。对所述检出的含有可疑尾随图像序列，首先进行有可疑尾随行为的行人目标进行位置信息的提取，在位置信息的基础上裁剪原始图像得到行人图像，行人目标图像作为属性提取分类器的输入，经过识别分类得到目标的年龄属性，若年龄属性判别为小孩，则对所述可疑尾随图像序列予以筛除。
90.s50，对单人情形利用行人属性判别模块检出翻越。对特定区域判别模块提供的缓存图像序列，首先进行行人目标位置信息的提取，在位置信息的基础上裁剪原始图像得到
行人图像，行人目标图像作为属性提取分类器的输入，经过识别分类得到目标的姿态属性，如果出现姿态异常，即分类为翻越姿态，则判定为翻越并对应报警。
91.在本发明实施例中，尾随及翻越行为是指在监控特定区域内非法尾随他人或者翻越以通行的行为，例如在铁路站入口特定处，尾随他人或翻越闸机口以实现逃票或避免身份验证的非法目的。
92.本发明通过设计一个目标检测配合多重后处理的方法，先利用目标检测模型检测行人目标区域，再利用预定义的特定区域坐标进行行人目标的筛选，对于多人情形图像序列送入轨迹判别和属性识别模块进行误检筛除，对于单人情形图像序列则送入属性识别模块进行翻越检测，从而有效避免摄像头角度和特定区域位置的干扰，并对目标的可疑行为进行分析，借此实现视频中尾随及翻越行为的检测。
93.基于上述实施例的相同构思，在本发明的其他实施例中，还提供一种特定区域行人尾随及翻越检测系统，包括目标检测模块和多级后处理模块，所述目标检测模块定位行人目标；所述多级后处理模块对所述行人目标进行特定区域的处理；所述多级后处理模块，包括：所述特定区域判别模块接收所述目标检测模块推送的图像序列，并删除所述图像序列中无关目标筛除；提取图像序列中目标位置，判断特定区域存在的目标数量；所述轨迹序列判别模块判断所述目标数量为多人时，是否为尾随；行人属性判断模块判断所述图像序列中目标的属性，进行误检筛除和翻越分析。
94.进一步的，目标检测模块和特定区域判别模块，包括：
95.从监控视频中抽取图像序列，将各帧图像依次送入所述目标检测模块，对图像中存在的目标进行检测，得到目标框序列；
96.将所有目标框集合并进行遍历，将目标框的中心点与特定区域坐标进行比对；
97.若两个及以上行人中心点落入同一特定区域内，则需进行尾随的误检筛除；
98.若只有一个行人中心点落入特定区域内，则需进行翻越的检测判决。
99.进一步的，所述轨迹序列判别模块，包括：
100.针对输入特定区域判别模块判定为尾随的图像序列，提取所述图像序列各帧图像目标位置信息，得到目标框中心点轨迹序列；
101.当轨迹序列满足单调性规律，即特定区域内两个或多个行人同时同向以一定速度移动，则判断为尾随。
102.进一步的，行人属性判别模块，包括：
103.提取输入的图像序列各帧图像的目标位置信息，依据所述目标框坐标对原始图像进行裁剪获得行人目标图像；
104.对行人目标图像进行年龄和姿态属性识别，属性包括尾随误检筛除和翻越检测。
105.以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。上述各优选特征在互不冲突的情况下，可以任意组合使用。

技术特征：
1.一种特定区域行人尾随及翻越检测方法，其特征在于，包括：获取图像序列；所述图像序列进行目标检测并进行特定区域的多级后处理；根据所述多级后处理结果进行报警推送。2.根据权利要求1所述的特定区域行人尾随及翻越检测方法，其特征在于，所述目标检测，包括：对视频监控设备解码得到的图像序列进行逐帧特征提取；逐帧检测行人，得到行人目标的位置框序列。3.根据权利要求2所述的特定区域行人尾随及翻越检测方法，其特征在于，所述多级后后处理，包括：所述行人目标的位置框序列进行特定区域判别筛选目标，获得目标数量；所述目标数量为多人时，进行轨迹序列判别目标的移动轨迹，并分析行人属性以筛除误检；所述目标数量为单人时，分析行人属性以检测翻越。4.根据权利要求3所述的特定区域行人尾随及翻越检测方法，其特征在于，所述行人目标的位置框序列进行特定区域判别筛选目标，获得目标数量，包括：利用目标检测得到的行人目标的位置框序列和针对每个视频监控设备特定区域坐标信息进行逐帧的检验，依据特定区域的空间约束条件，筛除所述特定区域之外的行人目标，得到特定区域内的行人目标数量；根据目标数量分为多人和单人两种情形，分别送入不同的检测流程。5.根据权利要求4所述的特定区域行人尾随及翻越检测方法，其特征在于，所述目标数量为多人时，进行轨迹序列判别分析目标的移动轨迹，并分析行人属性以筛除误检，包括：对经过特定区域判别检测出的图像序列进行位置信息的提取，生成对应目标轨迹的坐标序列；利用速度和方向约束对所述目标轨迹的坐标序列进行分析校验，判断是否属于尾随；针对特定区域判别和轨迹序列判别都判断为尾随的小孩尾随事件，通过对原始图像裁剪，获取其中行人的图像进行行人属性判别，识别目标年龄属性并筛除儿童尾随。6.根据权利要求4所述的特定区域行人尾随及翻越检测方法，其特征在于，所述目标数量为单人时，分析行人属性以检测翻越，包括：对经过特定区域判别检测出的图像序列，进行裁剪得到目标图像；识别所述目标图像的年龄及姿态属性；若判别姿态为翻越，则报警。7.一种特定区域行人尾随及翻越检测系统，其特征在于，包括所述目标检测模块，所述目标检测模块定位行人目标；多级后处理模块，所述多级后处理模块对所述行人目标进行特定区域的处理；所述多级后处理模块，包括：特定区域判别模块，所述特定区域判别模块接收所述目标检测模块推送的图像序列，并删除所述图像序列中无关目标筛除；提取图像序列中目标位置，判断特定区域存在的目标数量；
轨迹序列判别模块，所述轨迹序列判别模块判断所述目标数量为多人时，是否为尾随；行人属性判别模块，所述行人属性判断模块判断所述图像序列中目标的属性，进行误检筛除和翻越分析。8.根据权利要求7所述的一种特定区域行人尾随及翻越检测系统，其特征在于，所述目标检测模块和特定区域判别模块，包括：从监控视频中抽取图像序列，将各帧图像依次送入所述目标检测模块，对图像中存在的目标进行检测，得到目标框序列；将所有目标框集合后进行遍历，将所述目标框的中心点与特定区域坐标进行比对；若两个及以上行人中心点落入同一特定区域内，则需进行尾随的误检筛除；若只有一个行人中心点落入特定区域内，则需进行翻越的检测判决。9.根据权利要求7所述的一种特定区域行人尾随及翻越检测系统，其特征在于，所述轨迹序列判别模块，包括：针对输入特定区域判别模块判定为尾随的图像序列，提取所述图像序列各帧图像目标位置信息，得到目标框中心点轨迹序列；当轨迹序列满足单调性规律，即特定区域内两个或多个行人同时同向以一定速度移动，则判断为尾随。10.根据权利要求7所述的一种特定区域行人尾随及翻越检测系统，其特征在于，所述行人属性判别模块，包括：提取输入的图像序列各帧图像的目标位置信息，依据所述目标框坐标对原始图像进行裁剪获得行人目标图像；对行人目标图像进行年龄和姿态属性识别，属性包括尾随误检筛除和翻越检测。

技术总结
本发明提供一种特定区域行人尾随及翻越检测方法，包括，获取图像序列；所述图像序列进行目标检测并进行特定区域的多级后处理；根据所述多级后处理结果进行报警推送。本发明提供的特定区域行人尾随及翻越检测方法，既可利用目标检测作为前级检测器，引入特定区域位置的约束，有效帮助模型直接关注重点行为发生区域，去除复杂的背景干扰，提升检测精度。提升检测精度。提升检测精度。


技术研发人员：张重阳 张思飞 罗艳
受保护的技术使用者：上海交通大学
技术研发日：2021.12.29
技术公布日：2023/7/13