本發(fā)明涉及行為檢測的，更具體的，涉及一種基于改進(jìn)yolov8的異常行為檢測方法、設(shè)備及存儲介質(zhì)。

背景技術(shù)：

1、隨著智能監(jiān)控和行為識別技術(shù)的迅速發(fā)展，在各種復(fù)雜場景下監(jiān)測個(gè)體行為對提高系統(tǒng)效率和質(zhì)量至關(guān)重要。在現(xiàn)代社會，隨著遠(yuǎn)程工作和虛擬互動(dòng)的普及，確保個(gè)體的參與度和行為的規(guī)范性變得尤為重要。通過使用ai技術(shù)，系統(tǒng)可以實(shí)時(shí)監(jiān)測個(gè)體行為，對異常行為進(jìn)行智能識別與監(jiān)控。這種技術(shù)不僅可以幫助管理者更好地理解動(dòng)態(tài)，還能優(yōu)化環(huán)境，提升用戶的整體體驗(yàn)。

2、yolo(you?only?look?once)系列模型作為一種高效的目標(biāo)檢測方法，因其實(shí)時(shí)性和高準(zhǔn)確率被廣泛應(yīng)用。yolov8作為yolo系列的較新版本，通過引入更深層次的特征提取網(wǎng)絡(luò)和優(yōu)化的損失函數(shù)，顯著提升了目標(biāo)檢測的精度和速度。然而，在實(shí)際應(yīng)用中，特別是在復(fù)雜的環(huán)境下，yolov8仍然面臨一些挑戰(zhàn)。在這些復(fù)雜場景中，目標(biāo)通常較小且分布密集，這使得模型在特征提取和目標(biāo)定位時(shí)難以充分區(qū)分個(gè)體。此外，個(gè)體之間容易相互遮擋，進(jìn)一步增加了檢測任務(wù)的復(fù)雜性。這些因素導(dǎo)致模型在處理密集人群和遮擋問題時(shí)的性能有所下降，限制了其在實(shí)際行為識別和監(jiān)控場景中的應(yīng)用效果。因此，針對這一類場景，進(jìn)一步改進(jìn)yolov8的特征提取能力及處理遮擋問題的魯棒性，顯得尤為重要。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明為克服上述現(xiàn)有技術(shù)中存在的技術(shù)問題，而提供一種基于改進(jìn)yolov8的異常行為檢測方法、設(shè)備及存儲介質(zhì)。

2、為解決上述技術(shù)問題，本發(fā)明的技術(shù)方案如下：

3、一種基于改進(jìn)yolov8的異常行為檢測方法，其包括以下步驟：

4、s1、構(gòu)建基于改進(jìn)yolov8的異常行為檢測模型；

5、引入rcsosa模塊替換原yolov8模型的neck網(wǎng)絡(luò)中的c2f模塊，以提高對密集群體的檢測精度與識別效果；

6、s2、對基于改進(jìn)yolov8的異常行為檢測模型進(jìn)行迭代訓(xùn)練，得到訓(xùn)練后的基于改進(jìn)yolov8的異常行為檢測模型；

7、s3、將待檢測的異常行為圖像輸入訓(xùn)練后的基于改進(jìn)yolov8的異常行為檢測模型，輸出異常行為的檢測結(jié)果；

8、其中，步驟s1中的rcsosa模塊的工作過程包括：

9、將待檢測的異常行為圖像作為輸入特征圖，通過repvgg模塊對輸入特征圖進(jìn)行處理，提取和增強(qiáng)多樣化特征；

10、將處理后的特征圖按1:1的比例均分為兩部分，得到第一部分、第二部分；其中，第一部分直接傳遞，第二部分通過多個(gè)rcs模塊進(jìn)行優(yōu)化特征選擇和通道混洗，增強(qiáng)通道間的特征融合；

11、將兩部分特征圖在通道維度上進(jìn)行拼接，拼接后的特征圖再次通過repvgg模塊進(jìn)行處理，進(jìn)一步優(yōu)化特征表示。

12、進(jìn)一步，步驟s1中，對原yolov8模型的改進(jìn)還包括：

13、構(gòu)建特征聚焦擴(kuò)散金字塔網(wǎng)絡(luò)替換原yolov8模型的neck網(wǎng)絡(luò)架構(gòu)，以增強(qiáng)小目標(biāo)的特征表示和檢測精度。

14、進(jìn)一步，所述特征聚焦擴(kuò)散金字塔網(wǎng)絡(luò)包括focusfeature模塊，所述focusfeature模塊用于接收輸入的特征圖并生成處理后的特征圖；

15、經(jīng)所述focusfeature模塊處理后的特征圖被分配到兩個(gè)分支，兩個(gè)分支分別為第一分支和第二分支；

16、所述第一分支包括unsample模塊，所述unsample模塊將經(jīng)所述focusfeature模塊處理后的特征圖進(jìn)行上采樣處理，以調(diào)整特征圖的分辨率，使其能夠與較低級別的特征圖進(jìn)行空間對齊，為后續(xù)的特征融合奠定基礎(chǔ)；

17、所述第二分支包括conv模塊，所述conv模塊通過細(xì)化特征表示進(jìn)一步優(yōu)化經(jīng)所述focusfeature模塊處理后的特征圖的質(zhì)量；

18、所述第一分支和所述第二分支輸出的特征圖通過concat模塊與其他特征圖進(jìn)行融合。

19、進(jìn)一步，所述focusfeature模塊的工作過程包括：

20、所述focusfeature模塊接收三個(gè)不同尺度的特征圖，三個(gè)特征圖分別為特征圖p3、特征圖p4、特征圖p5；

21、對所述特征圖p3、所述特征圖p4、所述特征圖p5分別進(jìn)行不同的預(yù)處理；特征圖p3通過adown降采樣模塊調(diào)整空間尺寸與通道數(shù)；特征圖p4經(jīng)過1×1卷積層調(diào)整通道數(shù)；特征圖p5通過上采樣調(diào)整空間尺寸，再通過1×1卷積層調(diào)整通道數(shù)；

22、將預(yù)處理后的所述特征圖p3、所述特征圖p4、所述特征圖p5在通道維度上進(jìn)行拼接，形成一個(gè)包含多尺度信息的綜合特征圖；

23、通過一組并行的深度可分離卷積分別處理綜合特征圖，該組深度可分離卷積采用不同尺寸的卷積核處理綜合特征圖，每個(gè)深度可分離卷積用于捕獲不同尺度的特征；

24、將所有深度可分離卷積的輸出與所述綜合特征圖進(jìn)行疊加，得到融合后的特征；

25、通過1×1卷積進(jìn)一步壓縮和精煉融合后的特征，輸出最終的特征圖。

26、進(jìn)一步，步驟s1中，對原yolov8模型的改進(jìn)還包括：

27、使用dyhead動(dòng)態(tài)預(yù)測頭替換原yolov8模型的檢測頭，以提高對被遮擋人群的識別能力。

28、進(jìn)一步，所述dyhead動(dòng)態(tài)預(yù)測頭包括空間尺度感知模塊、空間位置感知模塊和任務(wù)感知模塊；

29、所述空間尺度感知模塊通過全局池化和1×1卷積生成注意力權(quán)重，增強(qiáng)對多尺度目標(biāo)的感知；

30、所述空間位置感知模塊通過卷積、offset操作和sigmoid操作強(qiáng)化目標(biāo)關(guān)鍵部位的特征表達(dá)，抑制背景干擾；

31、所述任務(wù)感知模塊通過全局池化和全連接層，動(dòng)態(tài)選擇并強(qiáng)化任務(wù)相關(guān)特征。

32、進(jìn)一步，所述dyhead動(dòng)態(tài)預(yù)測頭的多層感知融合公式為：

33、w(f)＝πc(πs(πl(wèi)(f)·f)·f)·f

34、其中，f為一個(gè)l×s×c的三維特征張量，l代表特征圖的層級，s代表特征圖的寬高乘積，c代表特征圖的通道數(shù)；

35、πl(wèi)(·)、πs(·)和πc(·)分別表示空間尺度感知模塊、空間位置感知模塊以及任務(wù)感知注意力模塊，所述空間尺度感知模塊、所述空間位置感知模塊、所述任務(wù)感知注意力模塊分別在l、s、c三個(gè)維度上執(zhí)行；

36、上式中，

37、

38、πc(f)·f＝max(α1(f)·fc+β1(f),α2(f)·fc+β2(f))

39、其中，f(·)是一個(gè)由近似于1×1卷積運(yùn)算所組成的線性函數(shù)，以實(shí)現(xiàn)特征降維；σ(x)為hard-sigmoid激活函數(shù)；k為稀疏采樣位置數(shù)量；pk+δpk是一個(gè)由自學(xué)習(xí)空間位移量δpk所決定的可移動(dòng)位置，以用來聚焦于一些判別位置；δmk是位置pk處的自學(xué)習(xí)重要性標(biāo)量；fc為第c個(gè)通道的特征切片；θ(·)＝[α1,β1,α2,β2]為學(xué)習(xí)控制激活閾值的超函數(shù)。

40、進(jìn)一步，步驟s2具體包括：

41、獲取待檢測的異常行為圖像數(shù)據(jù)集，將待檢測的異常行為圖像數(shù)據(jù)集劃分為訓(xùn)練集和測試集；

42、將所述訓(xùn)練集輸入基于改進(jìn)yolov8的異常行為檢測模型中，并通過sgd優(yōu)化器對所述基于改進(jìn)yolov8的異常行為檢測模型進(jìn)行多輪迭代訓(xùn)練，直至所述基于改進(jìn)yolov8的異常行為檢測模型收斂，得到訓(xùn)練好的基于改進(jìn)yolov8的異常行為檢測模型。

43、一種計(jì)算機(jī)設(shè)備，其包括存儲器和處理器，所述存儲器存儲有計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)前述的基于改進(jìn)yolov8的異常行為檢測方法的步驟。

44、一種計(jì)算機(jī)可讀存儲介質(zhì)，所述計(jì)算機(jī)可讀存儲介質(zhì)存儲有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)前述的基于改進(jìn)yolov8的異常行為檢測方法的步驟。

45、與現(xiàn)有技術(shù)相比，本發(fā)明技術(shù)方案的有益效果是：

46、本發(fā)明提供了一種基于改進(jìn)yolov8的異常行為檢測方法、設(shè)備及存儲介質(zhì)，通過改進(jìn)yolov8模型，本發(fā)明增強(qiáng)了小目標(biāo)的特征表示和檢測精度，提高了對復(fù)雜場景內(nèi)的群體的檢測精度與識別效果，同時(shí)提高了對被遮擋參與者的識別能力，有效減少誤檢和漏檢。