本技術(shù)涉及人工智能，特別是涉及一種異常行為檢測(cè)方法、裝置、計(jì)算機(jī)設(shè)備、存儲(chǔ)介質(zhì)和計(jì)算機(jī)程序產(chǎn)品。

背景技術(shù)：

1、相關(guān)技術(shù)中，對(duì)于銀行網(wǎng)點(diǎn)中的異常行為檢測(cè)，通常是基于審查人員對(duì)銀行網(wǎng)點(diǎn)內(nèi)的監(jiān)控視頻的監(jiān)控和分析實(shí)現(xiàn)的。

2、由于相關(guān)技術(shù)依賴(lài)于審查人員的監(jiān)控和分析，因此檢測(cè)結(jié)果容易受到審查人員的工作經(jīng)驗(yàn)和注意力的影響，進(jìn)而導(dǎo)致誤判或漏判的發(fā)生。

3、因此，基于相關(guān)技術(shù)的異常行為檢測(cè)的檢測(cè)結(jié)果的準(zhǔn)確性較低。

技術(shù)實(shí)現(xiàn)思路

1、基于此，有必要針對(duì)上述異常行為檢測(cè)的檢測(cè)結(jié)果的準(zhǔn)確性較低的技術(shù)問(wèn)題，提供一種能夠提高異常行為檢測(cè)的檢測(cè)結(jié)果的準(zhǔn)確性的異常行為檢測(cè)方法、裝置、計(jì)算機(jī)設(shè)備、計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)和計(jì)算機(jī)程序產(chǎn)品。

2、第一方面，本技術(shù)提供了一種異常行為檢測(cè)方法，包括：

3、獲取銀行網(wǎng)點(diǎn)中的待檢測(cè)區(qū)域的區(qū)域圖像；

4、通過(guò)異常行為檢測(cè)模型中的主干特征提取網(wǎng)絡(luò)對(duì)所述區(qū)域圖像進(jìn)行特征提取處理，得到所述區(qū)域圖像的圖像特征；

5、通過(guò)所述異常行為檢測(cè)模型中的多尺度特征提取網(wǎng)絡(luò)中的各個(gè)空洞卷積層，對(duì)所述區(qū)域圖像的圖像特征進(jìn)行卷積處理，得到所述區(qū)域圖像的多尺度特征；所述各個(gè)空洞卷積層對(duì)應(yīng)的空洞大小不同；

6、通過(guò)所述異常行為檢測(cè)模型中的特征增強(qiáng)網(wǎng)絡(luò)對(duì)所述區(qū)域圖像的所述圖像特征和所述多尺度特征進(jìn)行特征增強(qiáng)處理，得到所述區(qū)域圖像的增強(qiáng)特征；

7、基于所述異常行為檢測(cè)模型中的目標(biāo)檢測(cè)網(wǎng)絡(luò)和所述區(qū)域圖像的增強(qiáng)特征，對(duì)所述區(qū)域圖像進(jìn)行目標(biāo)檢測(cè)處理，得到所述待檢測(cè)區(qū)域?qū)?yīng)的異常行為檢測(cè)結(jié)果。

8、在其中一個(gè)實(shí)施例中，所述特征增強(qiáng)網(wǎng)絡(luò)包括多個(gè)注意力層；

9、所述通過(guò)所述異常行為檢測(cè)模型中的特征增強(qiáng)網(wǎng)絡(luò)對(duì)所述區(qū)域圖像的所述圖像特征和所述多尺度特征進(jìn)行特征增強(qiáng)處理，得到所述區(qū)域圖像的增強(qiáng)特征，包括：

10、對(duì)所述區(qū)域圖像的圖像特征和多尺度特征進(jìn)行組合處理，得到所述區(qū)域圖像的組合特征；

11、基于所述特征增強(qiáng)網(wǎng)絡(luò)中的多個(gè)注意力層，對(duì)所述組合特征進(jìn)行特征增強(qiáng)處理，得到所述區(qū)域圖像的增強(qiáng)特征。

12、在其中一個(gè)實(shí)施例中，所述多個(gè)注意力層包括通道注意力層和空間注意力層；

13、所述基于所述特征增強(qiáng)網(wǎng)絡(luò)中的多個(gè)注意力層，對(duì)所述組合特征進(jìn)行特征增強(qiáng)處理，得到所述區(qū)域圖像的增強(qiáng)特征，包括：

14、將所述區(qū)域圖像的組合特征輸入所述通道注意力層，得到所述區(qū)域圖像在所述各個(gè)通道下的通道注意力權(quán)重；

15、基于所述區(qū)域圖像在所述各個(gè)通道下的通道注意力權(quán)重，對(duì)所述區(qū)域圖像在所述各個(gè)通道下的通道特征進(jìn)行融合處理，得到所述區(qū)域圖像的通道注意力特征；

16、將所述區(qū)域圖像的通道注意力特征輸入所述空間注意力層，得到所述區(qū)域圖像在所述各個(gè)空間位置下的空間注意力權(quán)重；

17、基于所述區(qū)域圖像在所述各個(gè)空間位置下的空間注意力權(quán)重，對(duì)所述區(qū)域圖像在所述各個(gè)空間位置下的空間特征進(jìn)行融合處理，得到所述區(qū)域圖像的空間注意力特征，將所述空間注意力特征作為所述區(qū)域圖像的增強(qiáng)特征。

18、在其中一個(gè)實(shí)施例中，所述主干特征提取網(wǎng)絡(luò)包括多個(gè)特征提取子網(wǎng)絡(luò)；

19、所述通過(guò)異常行為檢測(cè)模型中的主干特征提取網(wǎng)絡(luò)對(duì)所述區(qū)域圖像進(jìn)行特征提取處理，得到所述區(qū)域圖像的圖像特征，包括：

20、獲取所述區(qū)域圖像的基礎(chǔ)特征；

21、基于所述主干特征提取網(wǎng)絡(luò)中的多個(gè)特征提取子網(wǎng)絡(luò)對(duì)所述基礎(chǔ)特征進(jìn)行特征提取處理，得到所述區(qū)域圖像的圖像特征。

22、在其中一個(gè)實(shí)施例中，所述多個(gè)特征提取子網(wǎng)絡(luò)依次連接；

23、所述基于所述主干特征提取網(wǎng)絡(luò)中的多個(gè)特征提取子網(wǎng)絡(luò)對(duì)所述基礎(chǔ)特征進(jìn)行特征提取處理，得到所述區(qū)域圖像的圖像特征，包括：

24、在每個(gè)特征提取子網(wǎng)絡(luò)中，將輸入所述特征提取子網(wǎng)絡(luò)的輸入特征分為第一特征和第二特征；

25、對(duì)所述第二特征進(jìn)行卷積處理，得到所述區(qū)域圖像在所述特征提取子網(wǎng)絡(luò)下的卷積特征；

26、對(duì)所述第一特征和所述區(qū)域圖像在所述特征提取子網(wǎng)絡(luò)下的卷積特征進(jìn)行融合處理，得到所述特征提取子網(wǎng)絡(luò)輸出的融合特征；

27、將所述多個(gè)特征提取子網(wǎng)絡(luò)中的最后一個(gè)特征提取子網(wǎng)絡(luò)輸出的融合特征，作為所述區(qū)域圖像的圖像特征；

28、其中，所述多個(gè)特征提取子網(wǎng)絡(luò)中的第一個(gè)特征提取子網(wǎng)絡(luò)的輸入特征為所述區(qū)域圖像的基礎(chǔ)特征，所述多個(gè)特征提取子網(wǎng)絡(luò)中的其他特征提取子網(wǎng)絡(luò)的輸入特征為相鄰的前一個(gè)特征提取子網(wǎng)絡(luò)輸出的融合特征。

29、在其中一個(gè)實(shí)施例中，所述通過(guò)所述異常行為檢測(cè)模型中的多尺度特征提取網(wǎng)絡(luò)中的各個(gè)空洞卷積層，對(duì)所述區(qū)域圖像的圖像特征進(jìn)行卷積處理，得到所述區(qū)域圖像的多尺度特征，包括：

30、分別將所述區(qū)域圖像的圖像特征輸入對(duì)應(yīng)的空洞大小不同的各個(gè)空洞卷積層，通過(guò)每個(gè)空洞卷積層對(duì)所述區(qū)域圖像的圖像特征的卷積處理，得到所述區(qū)域圖像在所述每個(gè)空洞卷積層下的卷積特征；

31、對(duì)所述區(qū)域圖像在所述各個(gè)空洞卷積層下的卷積特征進(jìn)行融合處理，得到所述區(qū)域圖像的多尺度特征。

32、在其中一個(gè)實(shí)施例中，所述基于所述異常行為檢測(cè)模型中的目標(biāo)檢測(cè)網(wǎng)絡(luò)和所述區(qū)域圖像的增強(qiáng)特征，對(duì)所述區(qū)域圖像進(jìn)行目標(biāo)檢測(cè)處理，得到所述待檢測(cè)區(qū)域?qū)?yīng)的異常行為檢測(cè)結(jié)果，包括：

33、將所述區(qū)域圖像的增強(qiáng)特征輸入所述異常行為檢測(cè)模型中的目標(biāo)檢測(cè)網(wǎng)絡(luò)，通過(guò)所述目標(biāo)檢測(cè)網(wǎng)絡(luò)對(duì)所述區(qū)域圖像的目標(biāo)檢測(cè)處理，在所述區(qū)域圖像中標(biāo)識(shí)出多個(gè)候選區(qū)域；每個(gè)候選區(qū)域具有對(duì)應(yīng)的位置標(biāo)簽、行為類(lèi)型標(biāo)簽和置信度標(biāo)簽；

34、基于每個(gè)候選區(qū)域?qū)?yīng)的行為類(lèi)型標(biāo)簽和置信度標(biāo)簽中的至少一個(gè)信息，從所述多個(gè)候選區(qū)域中確定出存在異常行為的目標(biāo)區(qū)域；

35、將所述目標(biāo)區(qū)域與所述目標(biāo)區(qū)域?qū)?yīng)的位置標(biāo)簽和行為類(lèi)型標(biāo)簽，確定為所述待檢測(cè)區(qū)域?qū)?yīng)的異常行為檢測(cè)結(jié)果。

36、第二方面，本技術(shù)還提供了一種異常行為檢測(cè)裝置，包括：

37、區(qū)域圖像的獲取模塊，用于獲取銀行網(wǎng)點(diǎn)中的待檢測(cè)區(qū)域的區(qū)域圖像；

38、圖像特征的獲取模塊，用于通過(guò)異常行為檢測(cè)模型中的主干特征提取網(wǎng)絡(luò)對(duì)所述區(qū)域圖像的特征提取處理，得到所述區(qū)域圖像的圖像特征；

39、多尺度特征獲取模塊，用于通過(guò)所述異常行為檢測(cè)模型中的多尺度特征提取網(wǎng)絡(luò)中的各個(gè)空洞卷積層，對(duì)所述區(qū)域圖像的圖像特征進(jìn)行卷積處理，得到所述區(qū)域圖像的多尺度特征；所述各個(gè)空洞卷積層對(duì)應(yīng)的空洞大小不同；

40、增強(qiáng)特征的獲取模塊，用于通過(guò)所述異常行為檢測(cè)模型中的特征增強(qiáng)網(wǎng)絡(luò)對(duì)所述區(qū)域圖像的所述圖像特征和所述多尺度特征進(jìn)行特征增強(qiáng)處理，得到所述區(qū)域圖像的增強(qiáng)特征；

41、異常行為的檢測(cè)模塊，用于基于所述異常行為檢測(cè)模型中的目標(biāo)檢測(cè)網(wǎng)絡(luò)和所述區(qū)域圖像的增強(qiáng)特征，對(duì)所述區(qū)域圖像進(jìn)行目標(biāo)檢測(cè)處理，得到所述待檢測(cè)區(qū)域?qū)?yīng)的異常行為檢測(cè)結(jié)果。

42、第三方面，本技術(shù)還提供了一種計(jì)算機(jī)設(shè)備，包括存儲(chǔ)器和處理器，所述存儲(chǔ)器存儲(chǔ)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)以下步驟：

43、獲取銀行網(wǎng)點(diǎn)中的待檢測(cè)區(qū)域的區(qū)域圖像；

44、通過(guò)異常行為檢測(cè)模型中的主干特征提取網(wǎng)絡(luò)對(duì)所述區(qū)域圖像進(jìn)行特征提取處理，得到所述區(qū)域圖像的圖像特征；

45、通過(guò)所述異常行為檢測(cè)模型中的多尺度特征提取網(wǎng)絡(luò)中的各個(gè)空洞卷積層，對(duì)所述區(qū)域圖像的圖像特征進(jìn)行卷積處理，得到所述區(qū)域圖像的多尺度特征；所述各個(gè)空洞卷積層對(duì)應(yīng)的空洞大小不同；

46、通過(guò)所述異常行為檢測(cè)模型中的特征增強(qiáng)網(wǎng)絡(luò)對(duì)所述區(qū)域圖像的所述圖像特征和所述多尺度特征進(jìn)行特征增強(qiáng)處理，得到所述區(qū)域圖像的增強(qiáng)特征；

47、基于所述異常行為檢測(cè)模型中的目標(biāo)檢測(cè)網(wǎng)絡(luò)和所述區(qū)域圖像的增強(qiáng)特征，對(duì)所述區(qū)域圖像進(jìn)行目標(biāo)檢測(cè)處理，得到所述待檢測(cè)區(qū)域?qū)?yīng)的異常行為檢測(cè)結(jié)果。

48、第四方面，本技術(shù)還提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)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)以下步驟：

49、獲取銀行網(wǎng)點(diǎn)中的待檢測(cè)區(qū)域的區(qū)域圖像；

50、通過(guò)異常行為檢測(cè)模型中的主干特征提取網(wǎng)絡(luò)對(duì)所述區(qū)域圖像進(jìn)行特征提取處理，得到所述區(qū)域圖像的圖像特征；

51、通過(guò)所述異常行為檢測(cè)模型中的多尺度特征提取網(wǎng)絡(luò)中的各個(gè)空洞卷積層，對(duì)所述區(qū)域圖像的圖像特征進(jìn)行卷積處理，得到所述區(qū)域圖像的多尺度特征；所述各個(gè)空洞卷積層對(duì)應(yīng)的空洞大小不同；

52、通過(guò)所述異常行為檢測(cè)模型中的特征增強(qiáng)網(wǎng)絡(luò)對(duì)所述區(qū)域圖像的所述圖像特征和所述多尺度特征進(jìn)行特征增強(qiáng)處理，得到所述區(qū)域圖像的增強(qiáng)特征；

53、基于所述異常行為檢測(cè)模型中的目標(biāo)檢測(cè)網(wǎng)絡(luò)和所述區(qū)域圖像的增強(qiáng)特征，對(duì)所述區(qū)域圖像進(jìn)行目標(biāo)檢測(cè)處理，得到所述待檢測(cè)區(qū)域?qū)?yīng)的異常行為檢測(cè)結(jié)果。

54、第五方面，本技術(shù)還提供了一種計(jì)算機(jī)程序產(chǎn)品，包括計(jì)算機(jī)程序，該計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)以下步驟：

55、獲取銀行網(wǎng)點(diǎn)中的待檢測(cè)區(qū)域的區(qū)域圖像；

56、通過(guò)異常行為檢測(cè)模型中的主干特征提取網(wǎng)絡(luò)對(duì)所述區(qū)域圖像進(jìn)行特征提取處理，得到所述區(qū)域圖像的圖像特征；

57、通過(guò)所述異常行為檢測(cè)模型中的多尺度特征提取網(wǎng)絡(luò)中的各個(gè)空洞卷積層，對(duì)所述區(qū)域圖像的圖像特征進(jìn)行卷積處理，得到所述區(qū)域圖像的多尺度特征；所述各個(gè)空洞卷積層對(duì)應(yīng)的空洞大小不同；

58、通過(guò)所述異常行為檢測(cè)模型中的特征增強(qiáng)網(wǎng)絡(luò)對(duì)所述區(qū)域圖像的所述圖像特征和所述多尺度特征進(jìn)行特征增強(qiáng)處理，得到所述區(qū)域圖像的增強(qiáng)特征；

59、基于所述異常行為檢測(cè)模型中的目標(biāo)檢測(cè)網(wǎng)絡(luò)和所述區(qū)域圖像的增強(qiáng)特征，對(duì)所述區(qū)域圖像進(jìn)行目標(biāo)檢測(cè)處理，得到所述待檢測(cè)區(qū)域?qū)?yīng)的異常行為檢測(cè)結(jié)果。

60、上述異常行為檢測(cè)方法、裝置、計(jì)算機(jī)設(shè)備、存儲(chǔ)介質(zhì)和計(jì)算機(jī)程序產(chǎn)品，首先獲取銀行網(wǎng)點(diǎn)中的待檢測(cè)區(qū)域的區(qū)域圖像；然后通過(guò)異常行為檢測(cè)模型中的主干特征提取網(wǎng)絡(luò)對(duì)區(qū)域圖像進(jìn)行特征提取處理，得到區(qū)域圖像的圖像特征；接著通過(guò)異常行為檢測(cè)模型中的多尺度特征提取網(wǎng)絡(luò)中的各個(gè)空洞卷積層，對(duì)區(qū)域圖像的圖像特征進(jìn)行卷積處理，得到區(qū)域圖像的多尺度特征；各個(gè)空洞卷積層對(duì)應(yīng)的空洞大小不同；再然后通過(guò)異常行為檢測(cè)模型中的特征增強(qiáng)網(wǎng)絡(luò)對(duì)區(qū)域圖像的圖像特征和多尺度特征進(jìn)行特征增強(qiáng)處理，得到區(qū)域圖像的增強(qiáng)特征；最后基于異常行為檢測(cè)模型中的目標(biāo)檢測(cè)網(wǎng)絡(luò)和區(qū)域圖像的增強(qiáng)特征，對(duì)區(qū)域圖像進(jìn)行目標(biāo)檢測(cè)處理，得到待檢測(cè)區(qū)域?qū)?yīng)的異常行為檢測(cè)結(jié)果。這樣，基于異常行為檢測(cè)模型的主干特征提取網(wǎng)絡(luò)，能夠?qū)^(qū)域圖像進(jìn)行特征提取，得到區(qū)域圖像的圖像特征，基于異常行為檢測(cè)模型的多尺度特征提取網(wǎng)絡(luò)中的空洞卷積層，能夠增大感受野，從而得到區(qū)域圖像的多尺度特征，基于異常行為檢測(cè)模型的特征增強(qiáng)網(wǎng)絡(luò)，能夠?qū)D像特征和多尺度特征進(jìn)行特征增強(qiáng)，得到能夠表征更多細(xì)節(jié)的增強(qiáng)特征，基于異常行為檢測(cè)模型的目標(biāo)檢測(cè)網(wǎng)絡(luò)和區(qū)域圖像的增強(qiáng)特征，能夠?qū)^(qū)域圖像進(jìn)行目標(biāo)檢測(cè)處理，得到待檢測(cè)區(qū)域?qū)?yīng)的異常行為檢測(cè)結(jié)果；基于上述過(guò)程的異常行為檢測(cè)方法，并不受審查人員的工作經(jīng)驗(yàn)和注意力的限制，因此提高了異常行為檢測(cè)的檢測(cè)結(jié)果的準(zhǔn)確性。