一种行李托运的入侵检测方法、装置及电子设备与流程

[0001]
本发明涉及航空运输领域，更具体的说，涉及一种行李托运的入侵检测方法、装置及电子设备。


背景技术：

[0002]
随着智能化的发展，自助行李托运逐渐变成了一种趋势，越来越多的机场选择使用自助行李托运设备来实现行李托运。
[0003]
在行李托运过程中，行李称重的准确性至关重要。但是在实际应用中，经常性会出现旅客无意识影响行李重量的测量结果的情况，如旅客手部搭在行李把手上造成行李增重或减重，此时即认为出现了行李托运入侵现象，行李托运入侵造成行李重量的称重错误，行李重量的测量准确度较低。


技术实现要素：

[0004]
有鉴于此，本发明提供一种行李托运的入侵检测方法、装置及电子设备，以解决行李托运入侵造成行李重量的称重错误，行李重量的测量准确度较低的问题。
[0005]
为解决上述技术问题，本发明采用了如下技术方案：
[0006]
一种行李托运的入侵检测方法，包括：
[0007]
获取行李称重图像；
[0008]
识别所述行李称重图像中包括目标人体关键部位的目标区域，并识别所述目标区域的关键节点；
[0009]
获取所述行李称重图像中依据所述多个关键节点确定的角度值集合；所述角度值集合包括依据所述多个关键节点中的目标数量的任意关键节点确定的多个角度值；
[0010]
调用预先构建的预设入侵检测模型对所述角度值集合进行处理，以得到所述角度值集合对应的入侵检测结果；
[0011]
所述预设入侵检测模型基于训练样本训练得到；所述训练样本包括角度值集合样本以及角度值集合样本对应的标签；所述标签包括入侵和未入侵。
[0012]
可选地，获取所述行李称重图像中依据所述多个关键节点确定的角度值集合，包括：
[0013]
从所述行李称重图像对应的关键节点中筛选出目标数量的目标关键节点；
[0014]
构建得到以所述目标关键节点的坐标为顶点的目标多边形，并依据所述目标关键节点的坐标值，计算所述目标多边形的角度值，返回所述从所述行李称重图像对应的关键节点中筛选出目标数量的目标关键节点这一步骤，直至计算得到所述行李称重图像对应的关键节点中的目标数量的任意关键节点对应的目标多边形的角度值；
[0015]
将所述行李称重图像对应的所有的角度值组成角度值集合。
[0016]
可选地，从所述行李称重图像对应的关键节点中筛选出目标数量的目标关键节点，包括：
[0017]
从所述行李称重图像对应的关键节点中随机筛选出目标数量的目标关键节点。
[0018]
可选地，所述预设入侵检测模型的生成过程包括：
[0019]
获取多个行李称重图像样本以及所述行李称重图像样本的标签；所述标签包括入侵和未入侵；
[0020]
识别所述行李称重图像样本中包括目标人体关键部位的目标区域样本，并识别所述目标区域样本的关键节点样本；
[0021]
依据所述关键节点样本，确定所述行李称重图像样本对应的角度值集合样本，并将所述行李称重图像样本的标签确定为对应的角度值集合样本的标签；
[0022]
使用所述角度值集合样本以及所述角度值集合样本对应的标签，对预设入侵检测模型进行训练，直至所述预设入侵检测模型的损失函数值小于预设阈值。
[0023]
可选地，使用所述角度值集合样本以及所述角度值集合样本对应的标签，对预设入侵检测模型进行训练，直至所述预设入侵检测模型的损失函数值小于预设阈值，包括：
[0024]
使用所述角度值集合样本以及所述角度值集合样本对应的标签，对预设随机森林模型进行训练，直至所述预设随机森林模型的损失函数值小于预设阈值。
[0025]
一种行李托运的入侵检测装置，包括：
[0026]
图像获取模块，用于获取行李称重图像；
[0027]
图像识别模块，用于识别所述行李称重图像中包括目标人体关键部位的目标区域，并识别所述目标区域的关键节点；
[0028]
集合获取模块，用于获取所述行李称重图像中依据所述多个关键节点确定的角度值集合；所述角度值集合包括依据所述多个关键节点中的目标数量的任意关键节点确定的多个角度值；
[0029]
入侵检测模块，用于调用预先构建的预设入侵检测模型对所述角度值集合进行处理，以得到所述角度值集合对应的入侵检测结果；
[0030]
所述预设入侵检测模型基于训练样本训练得到；所述训练样本包括角度值集合样本以及角度值集合样本对应的标签；所述标签包括入侵和未入侵。
[0031]
可选地，所述集合获取模块包括：
[0032]
节点筛选子模块，用于从所述行李称重图像对应的关键节点中筛选出目标数量的目标关键节点；
[0033]
角度计算子模块，用于构建得到以所述目标关键节点的坐标为顶点的目标多边形，并依据所述目标关键节点的坐标值，计算所述目标多边形的角度值；
[0034]
判断子模块，用于判断是否计算得到所述行李称重图像对应的关键节点中的目标数量的任意关键节点对应的目标多边形的角度值；
[0035]
所述节点筛选子模块，还用于若所述判断子模块未计算得到所述行李称重图像对应的关键节点中的目标数量的任意关键节点对应的目标多边形的角度值，从所述行李称重图像对应的关键节点中筛选出目标数量的目标关键节点；
[0036]
集合确定子模块，用于若所述判断子模块计算得到所述行李称重图像对应的关键节点中的目标数量的任意关键节点对应的目标多边形的角度值，将所述行李称重图像对应的所有的角度值组成角度值集合。
[0037]
可选地，还包括模型生成模块，所述模型生成模块包括：
[0038]
样本获取子模块，用于获取多个行李称重图像样本以及所述行李称重图像样本的标签；所述标签包括入侵和未入侵；
[0039]
样本识别子模块，用于识别所述行李称重图像样本中包括目标人体关键部位的目标区域样本，并识别所述目标区域样本的关键节点样本；
[0040]
数据确定子模块，用于依据所述关键节点样本，确定所述行李称重图像样本对应的角度值集合样本，并将所述行李称重图像样本的标签确定为对应的角度值集合样本的标签；
[0041]
训练子模块，用于使用所述角度值集合样本以及所述角度值集合样本对应的标签，对预设入侵检测模型进行训练，直至所述预设入侵检测模型的损失函数值小于预设阈值。
[0042]
可选地，所述训练子模块具体用于：
[0043]
使用所述角度值集合样本以及所述角度值集合样本对应的标签，对预设随机森林模型进行训练，直至所述预设随机森林模型的损失函数值小于预设阈值。
[0044]
一种电子设备，包括：存储器和处理器；
[0045]
其中，所述存储器用于存储程序；
[0046]
处理器调用程序并用于：
[0047]
获取行李称重图像；
[0048]
识别所述行李称重图像中包括目标人体关键部位的目标区域，并识别所述目标区域的关键节点；
[0049]
获取所述行李称重图像中依据所述多个关键节点确定的角度值集合；所述角度值集合包括依据所述多个关键节点中的目标数量的任意关键节点确定的多个角度值；
[0050]
调用预先构建的预设入侵检测模型对所述角度值集合进行处理，以得到所述角度值集合对应的入侵检测结果；
[0051]
所述预设入侵检测模型基于训练样本训练得到；所述训练样本包括角度值集合样本以及角度值集合样本对应的标签；所述标签包括入侵和未入侵。
[0052]
相较于现有技术，本发明具有以下有益效果：
[0053]
本发明提供了一种行李托运的入侵检测方法、装置及电子设备，在获取行李称重图像之后，识别所述行李称重图像中的关键部位的多个关键节点，并获取所述行李称重图像中依据所述多个关键节点确定的角度值集合，然后调用预先构建的预设入侵检测模型对所述角度值集合进行处理，能够确定出当前的行李称重图像是否存在行李托运入侵的检测结果。由于本发明中的预设入侵检测模型基于大量的角度值集合样本以及角度值集合样本对应的入侵或未入侵标签训练得到，使得预设入侵检测模型识别入侵的准确度较高，进而能够避免行李托运入侵造成行李重量的称重错误的情况，行李重量测量的准确度较高。
附图说明
[0054]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0055]
图1为本发明实施例提供的一种行李托运的入侵检测方法的方法流程图；
[0056]
图2为本发明实施例提供的一种关键节点的检测场景示意图；
[0057]
图3为本发明实施例提供的另一种行李托运的入侵检测方法的方法流程图；
[0058]
图4为本发明实施例提供的再一种行李托运的入侵检测方法的方法流程图；
[0059]
图5为本发明实施例提供的一种预设随机森林模型的训练场景示意图；
[0060]
图6为本发明实施例提供的一种行李托运的入侵检测装置的结构示意图。
具体实施方式
[0061]
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，所描述的实施例仅仅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，本领域普通技术人员在没有做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。
[0062]
随着智能化的发展，自助行李托运变成了一种趋势。越来越多的机场会选择自助行李托运设备进行行李托运。在行李托运的过程中，确保行李称重的准确性是非常必要的。如果因为旅客对行李称重的入侵行为，导致行李的称重重量比实际重量重或轻，使得称重重量的准确度较低，进而使得托运费用的准确度较低。为了避免行李称重的入侵行为，可以使用人工在旅客使用自助行李托运设备时进行旅客入侵行为的检测，但是这种方案会增加人工的工作量，自动化程度较低。
[0063]
为了解决上述的技术问题，本发明中将自动智能入侵方法集成到自助行李托运设备中，使设备在称重方面完全脱离人工操作。
[0064]
具体的，本发明实施例提供了一种行李托运的入侵检测方法，参照图1，可以包括：
[0065]
s11、获取行李称重图像。
[0066]
在实际应用中，在自助行李托运设备上安装一个可拍照摄像头，该摄像头对准行李放置区域，旅客将行李放置到行李放置区域时抓拍图片。
[0067]
需要说明的是，本实施例中，后续会对采集的图片进行关键节点识别等操作，将关键节点对应的角度值集合作为入侵检测的分析数据，即本方案中不直接对图片进行分析，而是对图片的处理结果进行入侵检测，所以本实施例对图片的质量要求不高，进而对使用的摄像头的要求不高，使用的摄像头可以是普通的摄像头，不需要额外使用特殊的摄像头，如可以使用普通摄像头，而不是用红外摄像头，也能够节省使用特殊摄像头产生的费用，成本较低。
[0068]
s12、识别所述行李称重图像中包括目标人体关键部位的目标区域，并识别所述目标区域的关键节点。
[0069]
本实施例中，目标人体关键部位为手部，采用开源的图片识别方法识别出行李称重图像中的手部区域，然后对该区域进行图像识别，识别出手部区域的关键节点，本实施例中采集的关键节点的数量用n表示，n为正整数。其中，识别到的关键节点的检测结果可以参照图2。
[0070]
其中，获取到的手部的关键节点坐标可以如下：
[0071]
{"0":{"y":229,"x":379},
[0072]
"1":{"y":384,"x":325},
[0073]
"2":{"y":529,"x":270},
[0074]
"3":{"y":593,"x":252},
[0075]
"4":{"y":529,"x":325},
[0076]
"5":{"y":566,"x":525},
[0077]
"6":{"y":638,"x":461},
[0078]
"7":{"y":620,"x":397},
[0079]
"8":{"y":584,"x":361},
[0080]
"9":{"y":548,"x":543},
[0081]
"10":{"y":557,"x":443},
[0082]
"11":{"y":511,"x":397},
[0083]
"12":{"y":457,"x":297},
[0084]
"13":{"y":429,"x":525},
[0085]
"14":{"y":538,"x":479},
[0086]
"15":{"y":475,"x":416},
[0087]
"16":{"y":402,"x":297},
[0088]
"17":{"y":384,"x":497},
[0089]
"18":{"y":393,"x":488},
[0090]
"19":{"y":402,"x":452},
[0091]
"20":{"y":384,"x":388}
[0092]
s13、获取所述行李称重图像中依据所述多个关键节点确定的角度值集合。
[0093]
所述角度值集合包括依据所述多个关键节点中的目标数量的任意关键节点确定的多个角度值。
[0094]
在实际应用中，人体手部在抓握行李，如行李包或者是行李箱时，一般手部呈现的形状是三角形，这是由于在抓握物品时，三角形是最稳定的角度结构，抓握较稳当，物品不易掉落，所以一般手部的形状为三角形，若是用户未抓握物品，手部是放松状态，不呈现出三角形形状，所以可以通过分析图片中的人体手部的三角形结构，来分析是否存在入侵。
[0095]
具体的，本实施例中，会从多个关键节点中筛选出三个节点，构建得到三角形，然后确定出三角形的各个内角的角度值，通过这种方式，可以得到多个关键节点中任意三个节点对应的三角形的内角的角度值，将所有的角度值作为入侵检测的数据，输入到模型中，就可以输出入侵检测结果。
[0096]
在本实施例的基础上，参照图3，步骤s13可以包括：
[0097]
s21、从所述行李称重图像对应的关键节点中筛选出目标数量的目标关键节点。
[0098]
在实际应用中，从所述行李称重图像对应的关键节点中筛选出目标数量的目标关键节点时，可以采用随机选取的方式，也可以是按照预设选取规则进行选取，预设选取规则可以按照节点的坐标值由大到小、或由小到大的顺序进行选取。
[0099]
本实施例中的目标数量可以是三个，是为了后续构建具有稳定结构的三角形。
[0100]
s22、构建得到以所述目标关键节点的坐标为顶点的目标多边形，并依据所述目标关键节点的坐标值，计算所述目标多边形的角度值。
[0101]
具体的，在选取出三个目标关键节点之后，每个目标关键节点的坐标值是已知的，
将三个目标关键节点构建得到三角形，即本实施例中的目标多边形为三角形，将三个目标关键节点分别作为三角形的三个顶点。
[0102]
然后通过三个顶点的坐标计算每个三角形的三个内角的角度，计算方法如下：
[0103]
假设三个顶点坐标为a1(x1,y1)，a2(x2,y2)，a3(x3,y3)
[0104][0105][0106][0107]
根据余弦定理：
[0108]
所以
[0109]
同理可得∠a1a2a3，∠a1a3a2的角度。
[0110]
s23、判断是否计算得到所述行李称重图像对应的关键节点中的目标数量的任意关键节点对应的目标多边形的角度值；若是，则执行步骤s24；若否，则返回执行步骤s21。
[0111]
在实际应用中，计算得到一个三角形的内角的角度值后，会重新选取三个未选取过的关键节点继续构建三角形，并计算三角形的内角的角度值，直至任意三个关键节点都被选取过，并且得到任意三个关键节点构建得到的三角形的内角的角度值，否则，则返回执行步骤s21，直至得到任意三个关键节点构建得到的三角形的内角的角度值时停止，这样每张图片可以获得个角度数据，作为一个待分析数据。
[0112]
s24、将所述行李称重图像对应的所有的角度值组成角度值集合。
[0113]
对所有的角度值进行汇总，得到角度值集合，并将角度值集合作为预设入侵检测模型的输入。
[0114]
s14、调用预先构建的预设入侵检测模型对所述角度值集合进行处理，以得到所述角度值集合对应的入侵检测结果。
[0115]
在实际应用中，所述预设入侵检测模型基于训练样本训练得到；所述训练样本包括角度值集合样本以及角度值集合样本对应的标签；所述标签包括入侵和未入侵。进而直接将角度值集合输入到预设入侵检测模型，预设入侵检测模型就可以输出入侵或未入侵的检测结果。
[0116]
若存在入侵，则说明此时用户的动作导致行李的称重重量比实际重量重或轻，使得称重重量的准确度较低，此时可以输出警示信息，如发出警示声音，在处理器的显示界面显示入侵的结果，或者发送警示信息至相关管理人员的手机、电脑等终端。
[0117]
本实施例中的预设入侵检测模型是需要预先构建的，参照图4，给出了预设入侵检测模型的构建或生成过程，具体的，包括：
[0118]
s31、获取多个行李称重图像样本以及所述行李称重图像样本的标签。
[0119]
在实际应用中，为了训练得到预设入侵检测模型，会预先获取多个行李称重图像样本，行李称重图像样本可以是拍摄的用户手持行李或者手未持行李的照片，本实施例中
的照片的数量一般来说比较多，使得预设入侵检测模型训练的准确度就越高。
[0120]
对于采集的行李称重图像样本，会人工标注行李称重图像样本的标签，本实施例中的所述标签包括入侵和未入侵，对于用户手持行李的样本，标签为入侵，对于手未持行李的样本，标签为未入侵。
[0121]
此外，为了实现样本标注标签的效率，可以采用自动标注的方式，具体的，采用图像识别算法识别出样本中是否手持行李的检测结果，若检测结果为用户手持行李，则标注入侵，若检测结果为用户未手持行李，则标注未入侵。
[0122]
需要说明的是，为了提高模型检测结果的准确性，可以从多角度采集样本，使得模型能够识别出不同角度的入侵检测。
[0123]
s32、识别所述行李称重图像样本中包括目标人体关键部位的目标区域样本，并识别所述目标区域样本的关键节点样本。
[0124]
s33、依据所述关键节点样本，确定所述行李称重图像样本对应的角度值集合样本，并将所述行李称重图像样本的标签确定为对应的角度值集合样本的标签。
[0125]
需要说明的是，行李称重图像样本得到角度值集合样本的过程，同上述行李称重图像得到角度值集合的过程，请参照上述相应内容，在此不再赘述。本实施例中，一张图片样本可提供上千的角度数据，这样就使得高准确度的同时，可以降低图片的需求数量。
[0126]
另外，角度值集合的标签与对应的行李称重图像样本的标签相同。
[0127]
s34、使用所述角度值集合样本以及所述角度值集合样本对应的标签，对预设入侵检测模型进行训练，直至所述预设入侵检测模型的损失函数值小于预设阈值。
[0128]
本实施例中，预设入侵检测模型可以是预设随机森林模型，即使用所述角度值集合样本以及所述角度值集合样本对应的标签，对预设随机森林模型进行训练，直至所述预设随机森林模型的损失函数值小于预设阈值。其中，预设阈值是技术人员根据实际使用场景设定的。
[0129]
在实际应用中，随机森林模型的训练过程为，从角度值集合样本d中通过重采样的方式产生m个样本。建设样本特征数目为对m个样本选择中的k个特征，用建立决策树的方式获得最佳分割点。重复t次，产生t棵决策树。最后由多数投票机制进行分析，得出分类结论，将该分类结论与实际的标签进行对比，并对模型进行修正，直至所述预设随机森林模型的损失函数值小于预设阈值。
[0130]
参照图5，随机森林算法步骤为：
[0131]
输入为角度值集合样本d，弱分类器迭代次数t。
[0132]
(1)对于t＝1,2,3,...,t；
[0133]
对训练集进行第t次采样，共采集m次，得到包含m个样本的采样集d
t
[0134]
用采样集d
t
训练第t个决策树模型gt(x)，在训练决策树模型的节点的时候，在节点上所有的样本特征中选择一部分样本特征，在这些随机选择的部分样本特征中选择一个最优的特征来做决策树的左右子树划分。
[0135]
建立决策树方法如下：
[0136]
对于当前节点的数据集为d，如果样本个数小于阈值或没有特征，则返回决策子树，当前节点停止递归。
[0137]
计算样本集d的基尼系数，如果基尼系数小于阈值，则返回决策树子树，当前节点停止递归。
[0138]
计算当前节点现有的各个特征的各个特征值对数据集d的基尼系数。
[0139]
在计算出来的各个特征的各个特征值对数据集d的基尼系数中，选择基尼系数最小的特征a和对应的特征值a。根据这个最优特征和最优特征值，把数据集划分成两部分d1和d2，同时建立当前节点的左右节点，做节点的数据集d为d1，右节点的数据集d为d2。
[0140]
对左右的子节点递归的调用1-4步，生成决策树t。
[0141]
采用交叉验证策略对决策树进行优化。输入是原始决策树t，输出是最优决策树t
α
。最终会生成t个弱分类器模型
[0142]
(2)利用这些弱分类器最终输入一个强分类器f(x)。分类算法预测，则是由t个弱分类器模型投出最多票数的类别或者类别之一为最终类别。
[0143]
本实施例中，在获取行李称重图像之后，识别所述行李称重图像中的关键部位的多个关键节点，并获取所述行李称重图像中依据所述多个关键节点确定的角度值集合，然后调用预先构建的预设入侵检测模型对所述角度值集合进行处理，能够确定出当前的行李称重图像是否存在行李托运入侵的检测结果。由于本发明中的预设入侵检测模型基于大量的角度值集合样本以及角度值集合样本对应的入侵或未入侵标签训练得到，使得预设入侵检测模型识别入侵的准确度较高，进而能够避免行李托运入侵造成行李重量的称重错误的情况，行李重量测量的准确度较高。
[0144]
另外，本发明实施例通过大量手部节点角度数据比对得到入侵检测结果，检测结果准确可靠。且本发明实现全流程智能化，无需任何人工干预，智能化程度较高，且解放了人力。
[0145]
可选地，在上述行李托运的入侵检测方法的实施例的基础上，本发明的另一实施例提供了一种行李托运的入侵检测装置，参照图6，可以包括：
[0146]
图像获取模块11，用于获取行李称重图像；
[0147]
图像识别模块12，用于识别所述行李称重图像中包括目标人体关键部位的目标区域，并识别所述目标区域的关键节点；
[0148]
集合获取模块13，用于获取所述行李称重图像中依据所述多个关键节点确定的角度值集合；所述角度值集合包括依据所述多个关键节点中的目标数量的任意关键节点确定的多个角度值；
[0149]
入侵检测模块14，用于调用预先构建的预设入侵检测模型对所述角度值集合进行处理，以得到所述角度值集合对应的入侵检测结果；
[0150]
所述预设入侵检测模型基于训练样本训练得到；所述训练样本包括角度值集合样本以及角度值集合样本对应的标签；所述标签包括入侵和未入侵。
[0151]
进一步，所述集合获取模块包括：
[0152]
节点筛选子模块，用于从所述行李称重图像对应的关键节点中筛选出目标数量的目标关键节点；
[0153]
角度计算子模块，用于构建得到以所述目标关键节点的坐标为顶点的目标多边形，并依据所述目标关键节点的坐标值，计算所述目标多边形的角度值；
[0154]
判断子模块，用于判断是否计算得到所述行李称重图像对应的关键节点中的目标
数量的任意关键节点对应的目标多边形的角度值；
[0155]
所述节点筛选子模块，还用于若所述判断子模块未计算得到所述行李称重图像对应的关键节点中的目标数量的任意关键节点对应的目标多边形的角度值，从所述行李称重图像对应的关键节点中筛选出目标数量的目标关键节点；
[0156]
集合确定子模块，用于若所述判断子模块计算得到所述行李称重图像对应的关键节点中的目标数量的任意关键节点对应的目标多边形的角度值，将所述行李称重图像对应的所有的角度值组成角度值集合。
[0157]
进一步，节点筛选子模块具体用于：
[0158]
从所述行李称重图像对应的关键节点中随机筛选出目标数量的目标关键节点。
[0159]
进一步，还包括模型生成模块，所述模型生成模块包括：
[0160]
样本获取子模块，用于获取多个行李称重图像样本以及所述行李称重图像样本的标签；所述标签包括入侵和未入侵；
[0161]
样本识别子模块，用于识别所述行李称重图像样本中包括目标人体关键部位的目标区域样本，并识别所述目标区域样本的关键节点样本；
[0162]
数据确定子模块，用于依据所述关键节点样本，确定所述行李称重图像样本对应的角度值集合样本，并将所述行李称重图像样本的标签确定为对应的角度值集合样本的标签；
[0163]
训练子模块，用于使用所述角度值集合样本以及所述角度值集合样本对应的标签，对预设入侵检测模型进行训练，直至所述预设入侵检测模型的损失函数值小于预设阈值。
[0164]
进一步，所述训练子模块具体用于：
[0165]
使用所述角度值集合样本以及所述角度值集合样本对应的标签，对预设随机森林模型进行训练，直至所述预设随机森林模型的损失函数值小于预设阈值。
[0166]
本实施例中，在获取行李称重图像之后，识别所述行李称重图像中的关键部位的多个关键节点，并获取所述行李称重图像中依据所述多个关键节点确定的角度值集合，然后调用预先构建的预设入侵检测模型对所述角度值集合进行处理，能够确定出当前的行李称重图像是否存在行李托运入侵的检测结果。由于本发明中的预设入侵检测模型基于大量的角度值集合样本以及角度值集合样本对应的入侵或未入侵标签训练得到，使得预设入侵检测模型识别入侵的准确度较高，进而能够避免行李托运入侵造成行李重量的称重错误的情况，行李重量测量的准确度较高。
[0167]
另外，本发明实施例通过大量手部节点角度数据比对得到入侵检测结果，检测结果准确可靠。且本发明实现全流程智能化，无需任何人工干预，智能化程度较高，且解放了人力。
[0168]
需要说明的是，本实施例中的各个模块、子模块的工作过程，请参照上述实施例中的相应说明，在此不再赘述。
[0169]
可选地，在上述行李托运的入侵检测方法及装置的实施例的基础上，本发明的另一实施例提供了一种电子设备，包括：存储器和处理器；
[0170]
其中，所述存储器用于存储程序；
[0171]
处理器调用程序并用于：
[0172]
获取行李称重图像；
[0173]
识别所述行李称重图像中包括目标人体关键部位的目标区域，并识别所述目标区域的关键节点；
[0174]
获取所述行李称重图像中依据所述多个关键节点确定的角度值集合；所述角度值集合包括依据所述多个关键节点中的目标数量的任意关键节点确定的多个角度值；
[0175]
调用预先构建的预设入侵检测模型对所述角度值集合进行处理，以得到所述角度值集合对应的入侵检测结果；
[0176]
所述预设入侵检测模型基于训练样本训练得到；所述训练样本包括角度值集合样本以及角度值集合样本对应的标签；所述标签包括入侵和未入侵。
[0177]
进一步，获取所述行李称重图像中依据所述多个关键节点确定的角度值集合，包括：
[0178]
从所述行李称重图像对应的关键节点中筛选出目标数量的目标关键节点；
[0179]
构建得到以所述目标关键节点的坐标为顶点的目标多边形，并依据所述目标关键节点的坐标值，计算所述目标多边形的角度值，返回所述从所述行李称重图像对应的关键节点中筛选出目标数量的目标关键节点这一步骤，直至计算得到所述行李称重图像对应的关键节点中的目标数量的任意关键节点对应的目标多边形的角度值；
[0180]
将所述行李称重图像对应的所有的角度值组成角度值集合。
[0181]
进一步，从所述行李称重图像对应的关键节点中筛选出目标数量的目标关键节点，包括：
[0182]
从所述行李称重图像对应的关键节点中随机筛选出目标数量的目标关键节点。
[0183]
进一步，所述预设入侵检测模型的生成过程包括：
[0184]
获取多个行李称重图像样本以及所述行李称重图像样本的标签；所述标签包括入侵和未入侵；
[0185]
识别所述行李称重图像样本中包括目标人体关键部位的目标区域样本，并识别所述目标区域样本的关键节点样本；
[0186]
依据所述关键节点样本，确定所述行李称重图像样本对应的角度值集合样本，并将所述行李称重图像样本的标签确定为对应的角度值集合样本的标签；
[0187]
使用所述角度值集合样本以及所述角度值集合样本对应的标签，对预设入侵检测模型进行训练，直至所述预设入侵检测模型的损失函数值小于预设阈值。
[0188]
进一步，使用所述角度值集合样本以及所述角度值集合样本对应的标签，对预设入侵检测模型进行训练，直至所述预设入侵检测模型的损失函数值小于预设阈值，包括：
[0189]
使用所述角度值集合样本以及所述角度值集合样本对应的标签，对预设随机森林模型进行训练，直至所述预设随机森林模型的损失函数值小于预设阈值。
[0190]
本实施例中，在获取行李称重图像之后，识别所述行李称重图像中的关键部位的多个关键节点，并获取所述行李称重图像中依据所述多个关键节点确定的角度值集合，然后调用预先构建的预设入侵检测模型对所述角度值集合进行处理，能够确定出当前的行李称重图像是否存在行李托运入侵的检测结果。由于本发明中的预设入侵检测模型基于大量的角度值集合样本以及角度值集合样本对应的入侵或未入侵标签训练得到，使得预设入侵检测模型识别入侵的准确度较高，进而能够避免行李托运入侵造成行李重量的称重错误的
情况，行李重量测量的准确度较高。
[0191]
另外，本发明实施例通过大量手部节点角度数据比对得到入侵检测结果，检测结果准确可靠。且本发明实现全流程智能化，无需任何人工干预，智能化程度较高，且解放了人力。
[0192]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。