技術(shù)特征：

1.一種基于改進(jìn)yolov8的異常行為檢測方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的基于改進(jìn)yolov8的異常行為檢測方法，其特征在于，步驟s1中，對原yolov8模型的改進(jìn)還包括：

3.根據(jù)權(quán)利要求2所述的基于改進(jìn)yolov8的異常行為檢測方法，其特征在于，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；

4.根據(jù)權(quán)利要求3所述的基于改進(jìn)yolov8的異常行為檢測方法，其特征在于，所述focusfeature模塊的工作過程包括：

5.根據(jù)權(quán)利要求1所述的基于改進(jìn)yolov8的異常行為檢測方法，其特征在于，步驟s1中，對原yolov8模型的改進(jìn)還包括：

6.根據(jù)權(quán)利要求5所述的基于改進(jìn)yolov8的異常行為檢測方法，其特征在于，所述dyhead動態(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；

7.根據(jù)權(quán)利要求6所述的基于改進(jìn)yolov8的異常行為檢測方法，其特征在于，所述dyhead動態(tài)預(yù)測頭的多層感知融合公式為：

8.根據(jù)權(quán)利要求1所述的基于改進(jìn)yolov8的異常行為檢測方法，其特征在于，步驟s2具體包括：

9.一種計(jì)算機(jī)設(shè)備，其特征在于，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)程序時實(shí)現(xiàn)權(quán)利要求1-8中任一項(xiàng)所述的基于改進(jìn)yolov8的異常行為檢測方法的步驟。

10.一種計(jì)算機(jī)可讀存儲介質(zhì)，其特征在于，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)行時實(shí)現(xiàn)權(quán)利要求1-8中任一項(xiàng)所述的基于改進(jìn)yolov8的異常行為檢測方法的步驟。

技術(shù)總結(jié)
本發(fā)明公開了一種基于改進(jìn)YOLOv8的異常行為檢測方法、設(shè)備及存儲介質(zhì)；該方法提出了一種新的FDPN結(jié)構(gòu)，替代原YOLOv8模型的頸部網(wǎng)絡(luò)架構(gòu)；FDPN的優(yōu)勢在于特征聚焦模塊和特征擴(kuò)散機(jī)制，特征聚焦模塊通過并行的深度卷積操作有效捕捉并整合跨尺度特征信息，擴(kuò)散機(jī)制則促進(jìn)上下文信息在各尺度間流動，使每個特征圖都包含詳盡的語義信息，從而提升小目標(biāo)檢測精度，并增強(qiáng)網(wǎng)絡(luò)對遮擋和復(fù)雜背景的適應(yīng)能力。此外，本發(fā)明還引入RCSOSA模塊和DyHead動態(tài)預(yù)測頭；RCSOSA模塊通過RepVGG模塊提取和增強(qiáng)多樣化特征，并通過多個RCS模塊優(yōu)化特征選擇和通道混洗，增強(qiáng)通道間的特征融合；使用DyHead動態(tài)預(yù)測頭能提高對被遮擋人群的識別能力。本發(fā)明顯著提高了復(fù)雜場景下的異常行為檢測的魯棒性和精度。

技術(shù)研發(fā)人員：曹燚,曹倩,錢承山,張永宏,王泉,邱顧湘,李富,闞希,朱靈龍,吳昊,楊飏,朱雪金,盛麗娜
受保護(hù)的技術(shù)使用者：無錫學(xué)院
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19