异常行为检测方法、装置、计算机设备和存储介质与流程

本技术涉及人工智能，特别是涉及一种异常行为检测方法、装置、计算机设备、存储介质和计算机程序产品。

背景技术：

1、相关技术中，对于银行网点中的异常行为检测，通常是基于审查人员对银行网点内的监控视频的监控和分析实现的。

2、由于相关技术依赖于审查人员的监控和分析，因此检测结果容易受到审查人员的工作经验和注意力的影响，进而导致误判或漏判的发生。

3、因此，基于相关技术的异常行为检测的检测结果的准确性较低。

技术实现思路

1、基于此，有必要针对上述异常行为检测的检测结果的准确性较低的技术问题，提供一种能够提高异常行为检测的检测结果的准确性的异常行为检测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

2、第一方面，本技术提供了一种异常行为检测方法，包括：

3、获取银行网点中的待检测区域的区域图像；

4、通过异常行为检测模型中的主干特征提取网络对所述区域图像进行特征提取处理，得到所述区域图像的图像特征；

5、通过所述异常行为检测模型中的多尺度特征提取网络中的各个空洞卷积层，对所述区域图像的图像特征进行卷积处理，得到所述区域图像的多尺度特征；所述各个空洞卷积层对应的空洞大小不同；

6、通过所述异常行为检测模型中的特征增强网络对所述区域图像的所述图像特征和所述多尺度特征进行特征增强处理，得到所述区域图像的增强特征；

7、基于所述异常行为检测模型中的目标检测网络和所述区域图像的增强特征，对所述区域图像进行目标检测处理，得到所述待检测区域对应的异常行为检测结果。

8、在其中一个实施例中，所述特征增强网络包括多个注意力层；

9、所述通过所述异常行为检测模型中的特征增强网络对所述区域图像的所述图像特征和所述多尺度特征进行特征增强处理，得到所述区域图像的增强特征，包括：

10、对所述区域图像的图像特征和多尺度特征进行组合处理，得到所述区域图像的组合特征；

11、基于所述特征增强网络中的多个注意力层，对所述组合特征进行特征增强处理，得到所述区域图像的增强特征。

12、在其中一个实施例中，所述多个注意力层包括通道注意力层和空间注意力层；

13、所述基于所述特征增强网络中的多个注意力层，对所述组合特征进行特征增强处理，得到所述区域图像的增强特征，包括：

14、将所述区域图像的组合特征输入所述通道注意力层，得到所述区域图像在所述各个通道下的通道注意力权重；

15、基于所述区域图像在所述各个通道下的通道注意力权重，对所述区域图像在所述各个通道下的通道特征进行融合处理，得到所述区域图像的通道注意力特征；

16、将所述区域图像的通道注意力特征输入所述空间注意力层，得到所述区域图像在所述各个空间位置下的空间注意力权重；

17、基于所述区域图像在所述各个空间位置下的空间注意力权重，对所述区域图像在所述各个空间位置下的空间特征进行融合处理，得到所述区域图像的空间注意力特征，将所述空间注意力特征作为所述区域图像的增强特征。

18、在其中一个实施例中，所述主干特征提取网络包括多个特征提取子网络；

19、所述通过异常行为检测模型中的主干特征提取网络对所述区域图像进行特征提取处理，得到所述区域图像的图像特征，包括：

20、获取所述区域图像的基础特征；

21、基于所述主干特征提取网络中的多个特征提取子网络对所述基础特征进行特征提取处理，得到所述区域图像的图像特征。

22、在其中一个实施例中，所述多个特征提取子网络依次连接；

23、所述基于所述主干特征提取网络中的多个特征提取子网络对所述基础特征进行特征提取处理，得到所述区域图像的图像特征，包括：

24、在每个特征提取子网络中，将输入所述特征提取子网络的输入特征分为第一特征和第二特征；

25、对所述第二特征进行卷积处理，得到所述区域图像在所述特征提取子网络下的卷积特征；

26、对所述第一特征和所述区域图像在所述特征提取子网络下的卷积特征进行融合处理，得到所述特征提取子网络输出的融合特征；

27、将所述多个特征提取子网络中的最后一个特征提取子网络输出的融合特征，作为所述区域图像的图像特征；

28、其中，所述多个特征提取子网络中的第一个特征提取子网络的输入特征为所述区域图像的基础特征，所述多个特征提取子网络中的其他特征提取子网络的输入特征为相邻的前一个特征提取子网络输出的融合特征。

29、在其中一个实施例中，所述通过所述异常行为检测模型中的多尺度特征提取网络中的各个空洞卷积层，对所述区域图像的图像特征进行卷积处理，得到所述区域图像的多尺度特征，包括：

30、分别将所述区域图像的图像特征输入对应的空洞大小不同的各个空洞卷积层，通过每个空洞卷积层对所述区域图像的图像特征的卷积处理，得到所述区域图像在所述每个空洞卷积层下的卷积特征；

31、对所述区域图像在所述各个空洞卷积层下的卷积特征进行融合处理，得到所述区域图像的多尺度特征。

32、在其中一个实施例中，所述基于所述异常行为检测模型中的目标检测网络和所述区域图像的增强特征，对所述区域图像进行目标检测处理，得到所述待检测区域对应的异常行为检测结果，包括：

33、将所述区域图像的增强特征输入所述异常行为检测模型中的目标检测网络，通过所述目标检测网络对所述区域图像的目标检测处理，在所述区域图像中标识出多个候选区域；每个候选区域具有对应的位置标签、行为类型标签和置信度标签；

34、基于每个候选区域对应的行为类型标签和置信度标签中的至少一个信息，从所述多个候选区域中确定出存在异常行为的目标区域；

35、将所述目标区域与所述目标区域对应的位置标签和行为类型标签，确定为所述待检测区域对应的异常行为检测结果。

36、第二方面，本技术还提供了一种异常行为检测装置，包括：

37、区域图像的获取模块，用于获取银行网点中的待检测区域的区域图像；

38、图像特征的获取模块，用于通过异常行为检测模型中的主干特征提取网络对所述区域图像的特征提取处理，得到所述区域图像的图像特征；

39、多尺度特征获取模块，用于通过所述异常行为检测模型中的多尺度特征提取网络中的各个空洞卷积层，对所述区域图像的图像特征进行卷积处理，得到所述区域图像的多尺度特征；所述各个空洞卷积层对应的空洞大小不同；

40、增强特征的获取模块，用于通过所述异常行为检测模型中的特征增强网络对所述区域图像的所述图像特征和所述多尺度特征进行特征增强处理，得到所述区域图像的增强特征；

41、异常行为的检测模块，用于基于所述异常行为检测模型中的目标检测网络和所述区域图像的增强特征，对所述区域图像进行目标检测处理，得到所述待检测区域对应的异常行为检测结果。

42、第三方面，本技术还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

43、获取银行网点中的待检测区域的区域图像；

44、通过异常行为检测模型中的主干特征提取网络对所述区域图像进行特征提取处理，得到所述区域图像的图像特征；

45、通过所述异常行为检测模型中的多尺度特征提取网络中的各个空洞卷积层，对所述区域图像的图像特征进行卷积处理，得到所述区域图像的多尺度特征；所述各个空洞卷积层对应的空洞大小不同；

46、通过所述异常行为检测模型中的特征增强网络对所述区域图像的所述图像特征和所述多尺度特征进行特征增强处理，得到所述区域图像的增强特征；

47、基于所述异常行为检测模型中的目标检测网络和所述区域图像的增强特征，对所述区域图像进行目标检测处理，得到所述待检测区域对应的异常行为检测结果。

48、第四方面，本技术还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

49、获取银行网点中的待检测区域的区域图像；

50、通过异常行为检测模型中的主干特征提取网络对所述区域图像进行特征提取处理，得到所述区域图像的图像特征；

51、通过所述异常行为检测模型中的多尺度特征提取网络中的各个空洞卷积层，对所述区域图像的图像特征进行卷积处理，得到所述区域图像的多尺度特征；所述各个空洞卷积层对应的空洞大小不同；

52、通过所述异常行为检测模型中的特征增强网络对所述区域图像的所述图像特征和所述多尺度特征进行特征增强处理，得到所述区域图像的增强特征；

53、基于所述异常行为检测模型中的目标检测网络和所述区域图像的增强特征，对所述区域图像进行目标检测处理，得到所述待检测区域对应的异常行为检测结果。

54、第五方面，本技术还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

55、获取银行网点中的待检测区域的区域图像；

56、通过异常行为检测模型中的主干特征提取网络对所述区域图像进行特征提取处理，得到所述区域图像的图像特征；

57、通过所述异常行为检测模型中的多尺度特征提取网络中的各个空洞卷积层，对所述区域图像的图像特征进行卷积处理，得到所述区域图像的多尺度特征；所述各个空洞卷积层对应的空洞大小不同；

58、通过所述异常行为检测模型中的特征增强网络对所述区域图像的所述图像特征和所述多尺度特征进行特征增强处理，得到所述区域图像的增强特征；

59、基于所述异常行为检测模型中的目标检测网络和所述区域图像的增强特征，对所述区域图像进行目标检测处理，得到所述待检测区域对应的异常行为检测结果。

60、上述异常行为检测方法、装置、计算机设备、存储介质和计算机程序产品，首先获取银行网点中的待检测区域的区域图像；然后通过异常行为检测模型中的主干特征提取网络对区域图像进行特征提取处理，得到区域图像的图像特征；接着通过异常行为检测模型中的多尺度特征提取网络中的各个空洞卷积层，对区域图像的图像特征进行卷积处理，得到区域图像的多尺度特征；各个空洞卷积层对应的空洞大小不同；再然后通过异常行为检测模型中的特征增强网络对区域图像的图像特征和多尺度特征进行特征增强处理，得到区域图像的增强特征；最后基于异常行为检测模型中的目标检测网络和区域图像的增强特征，对区域图像进行目标检测处理，得到待检测区域对应的异常行为检测结果。这样，基于异常行为检测模型的主干特征提取网络，能够对区域图像进行特征提取，得到区域图像的图像特征，基于异常行为检测模型的多尺度特征提取网络中的空洞卷积层，能够增大感受野，从而得到区域图像的多尺度特征，基于异常行为检测模型的特征增强网络，能够对图像特征和多尺度特征进行特征增强，得到能够表征更多细节的增强特征，基于异常行为检测模型的目标检测网络和区域图像的增强特征，能够对区域图像进行目标检测处理，得到待检测区域对应的异常行为检测结果；基于上述过程的异常行为检测方法，并不受审查人员的工作经验和注意力的限制，因此提高了异常行为检测的检测结果的准确性。