[發明專利]一種復雜動態環境下目標行為識別與預測方法在審
| 申請號： | 201810354010.3 | 申請日： | 2018-04-19 |
| 公開（公告）號： | CN108647582A | 公開（公告）日： | 2018-10-12 |
| 發明（設計）人： | 蔡磊;李岳峻;周廣福;李國厚;徐濤;劉艷昌;王建平 | 申請（專利權）人： | 河南科技學院 |
| 主分類號： | G06K9/00 | 分類號： | G06K9/00;G06K9/46;G06K9/62 |
| 代理公司： | 鄭州優盾知識產權代理有限公司 41125 | 代理人： | 孫詩雨;謝萍 |
| 地址： | 453000 *** | 國省代碼： | 河南;41 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 目標人體 巡視機器人 動態環境 目標行為 人體行為 安防 預測 語音識別數據庫 視頻圖像信息 聲音傳感器 視覺傳感器 數據庫數據 最大程度地 動作數據 個體識別 可疑行為 目標識別 區域鎖定 實時采集 實時匹配 危險級別 危險事件 行為動作 語音信息 預警通知 機器人 巡視 數據庫 鎖定 視覺 預警 監控 融合 安全 發現 | ||
1.一種復雜動態環境下目標行為識別與預測方法，其特征在于，步驟如下：
S1，建立數據庫；
所述數據庫包括人體行為數據庫和語音識別數據庫；
S2，安防巡視機器人進行巡視采集周圍環境信息處理并鎖定目標；
S3，從鎖定區域內提取目標人體，識別目標人體的行為危險等級并進行行為預測和報警。
2.根據權利要求1所述的復雜動態環境下目標行為識別與預測方法，其特征在于，在步驟S1中，具體步驟為：
S1.1，建立人體行為數據庫；
S1.2，語音識別數據庫采用科大訊飛語音識別數據庫。
3.根據權利要求1所述的復雜動態環境下目標行為識別與預測方法，其特征在于，在步驟S1.1中，具體步驟為：S1.1.1，獲得訓練樣本視頻；
S1.1.2，對訓練樣本視頻采用HOG3D描述子方法得到描述時空興趣點的特征向量；
S1.1.3，對得到的特征向量采用K-means聚類方法進行聚類，構建視覺詞袋模型；
S1.1.4，利用基于概率潛在語義模型PLSA分類的方法，對視覺詞袋模型進行語義危險級別分類，建立視覺行為詞典，完成人體行為數據庫的構建；
視覺詞袋模型將訓練視頻的特征向量表示為詞頻表的形式之后，利用主題模型來挖掘特征向量與訓練視頻之間所隱含的主題，也就是訓練視頻中人體的動作行為，并將潛在語義主題進行危險等級分類，建立危險級別臨界閾值A，完成人體危險行為的識別和預測功能的前期準備工作。
4.根據權利要求1所述的復雜動態環境下目標行為識別與預測方法，其特征在于，在步驟S1.1.2中，具體步驟為：S1.1.2.1，首先進行Harris3D興趣點檢測，建立視頻序列f(x,y,t)的時空結構，并將訓練視頻與時空高斯核函數進行卷積運算：
S1.1.2.2，給定空間和時間尺度因子，并使用由時間和空間求導構成的三階方陣和一個3D時空高斯窗口構造觀測矩陣μ：
S1.1.2.3，定義興趣點響應函數H：
其中，為觀測矩陣μ的特征值；
表示分別對應視頻序列f(x,y,t)在x、y、t、3個方向上的變化，取較大值時表示檢測到了時空興趣點，
S1.1.2.4，根據步驟S1.1.2.3計算訓練視頻所有像素點的H值；
S1.1.2.5，從得到的所有H值中選擇正局部最大值對應的像素點為時空興趣點；
S1.1.2.6，對時空興趣點周圍局部區域內的時空特征分別采用梯度計算、梯度方向量化、直方圖計算和描述符計算的方法以獲得HOG3D描述子梯度方向直方圖特征向量。
5.根據權利要求1所述的復雜動態環境下目標行為識別與預測方法，其特征在于，在步驟S1.1.3中，具體步驟為：
S1.1.3.1，采用K-means聚類算法對從提取到的特征向量進行聚類，得到的各聚類中心構成視覺詞庫C＝{c1,c2,…,ci,…,cN},其中每個聚類中心ci則被認為是構成視覺詞庫的一個視覺單詞；
S1.1.3.2，視覺詞庫建好后，對應給定的訓練視頻，并計算每一個特征向量與視覺詞庫中各視覺單詞ci的歐式距離；
S1.1.3.3，將從訓練視頻中提取的特征向量歸類到與其歐式距離最短的視覺單詞中，并通過統計各視頻單詞在訓練視頻中出現的頻率構建詞頻表來表示給定的訓練視頻。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于河南科技學院，未經河南科技學院許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201810354010.3/1.html，轉載請聲明來源鉆瓜專利網。
