[發(fā)明專利]一種復雜環(huán)境的個體行為識別的方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202111460232.1
• 申請日: 2021-12-02
• 公開（公告）號: CN114120240B
• 公開（公告）日: 2023-04-18
• 發(fā)明（設計）人: 侍宇飛;李新賢
• 申請（專利權(quán)）人: 廣州辰創(chuàng)科技發(fā)展有限公司
• 主分類號: G06V20/52
• 分類號: G06V20/52;G06V20/40;G06V10/774;G06V10/764;G06V10/54;G06V10/62
• 代理公司: 廣州新諾專利商標事務所有限公司 44100
• 代理人: 吳澤燊

1.一種復雜環(huán)境的個體行為識別的方法，其特征在于，所述識別的方法包括：

步驟1，獲取復雜環(huán)境的圖像信息，設置圖像信息分類器，用于根據(jù)獲取的圖像信息的紋理信息對選取的圖像進行分類，確定復雜環(huán)境的圖像的個體的密集度等級，其中，圖像信息包括視頻信息及視頻信息的固定幀圖像，將紋理信息與個體密集度的對應關(guān)系進行映射，所述圖像信息分類器根據(jù)訓練圖像的紋理信息與訓練圖像的已知個體密集度得到當前復雜環(huán)境的圖像的個體的密集度；

步驟2，可以將所述圖像信息按照時間順序和/或相關(guān)性順序分為n段，其中，對每段視頻信息提取像素點的移動軌跡，根據(jù)所述復雜環(huán)境的圖像的個體的密集度等級對視頻信息進行選段，若所述密集度等級越高則選段內(nèi)容越小，若所述密集度等級越小，則選擇分段的內(nèi)容越多，其中，所述選段內(nèi)容包括時間間隔和/或復雜環(huán)境變化率，根據(jù)相關(guān)性順序分為n段包括對視頻幀進行檢測，預先定義一個目標幀，利用領(lǐng)域窗口以預設步長對所述視頻信息中的多幀圖像中的每幀圖像進行遍歷，對包含目標幀的多幀圖像分別進行檢測，以得到一個或多個候選目標及相似度，將相似度大于閾值的多幀圖像進行合并，生成高相關(guān)性圖像分段；

步驟3，對復雜環(huán)境中的個體運動軌跡進行分解，得到復雜環(huán)境的個體運動的數(shù)據(jù)點集合，構(gòu)建個體行為分析模型并進行訓練，將檢測運動模式分解為軌跡點集的形式，作為測試集輸入到所述分析模型；

步驟4，對于相同的分類標記的像素點，具有相同分析模型返回測試集與預設特定行為動作的匹配結(jié)果，若匹配成功則認定為完成了特定行為動作的識別，其中，損失函數(shù)如下：

式中，y∈{1，…，K}，p(y)＝[p(1)，…，p(K)]表示每個像素空間中分類的分類標記，pT為預測概率，λ為權(quán)值系數(shù)，T為相關(guān)度等級，DKL(qT||pT)為相關(guān)散度。

2.如權(quán)利要求1所述的一種復雜環(huán)境的個體行為識別的方法，其特征在于，所述步驟3進一步包括：所述對復雜環(huán)境中的個體運動軌跡進行分解包括使用圖像分割算法在多個像素空間對圖像進行像素圖像分割，得到多個圖像分割結(jié)果，每個圖像分割結(jié)果中包含待分割圖像所有像素在每個像素空間中分類的分類標記。

3.一種復雜環(huán)境的個體行為識別的系統(tǒng)，其特征在于，所述識別的系統(tǒng)包括：

圖像獲取及分類單元，通過所述圖像獲取及分類單元獲取復雜環(huán)境的圖像信息，設置圖像信息分類器，用于根據(jù)獲取的圖像信息的紋理信息對選取的圖像進行分類，確定復雜環(huán)境的圖像的個體的密集度等級，其中，圖像信息包括視頻信息及視頻信息的固定幀圖像，所述圖像獲取及分類單元進一步包括：將紋理信息與個體密集度的對應關(guān)系進行映射，所述圖像信息分類器根據(jù)訓練圖像的紋理信息與訓練圖像的已知個體密集度得到當前復雜環(huán)境的圖像的個體的密集度；

圖像信息處理單元，通過所述圖像信息處理單元將所述圖像信息按照時間順序和/或相關(guān)性順序分為n段，其中，對每段視頻信息提取像素點的移動軌跡，根據(jù)所述復雜環(huán)境的圖像的個體的密集度等級對視頻信息進行選段，若所述密集度等級越高則選段內(nèi)容越小，若所述密集度等級越小，則選擇分段的內(nèi)容越多，其中，所述選段內(nèi)容包括時間間隔和/或復雜環(huán)境變化率，所述圖像信息處理單元進一步包括：根據(jù)相關(guān)性順序分為n段包括對視頻幀進行檢測，預先定義一個目標幀，利用領(lǐng)域窗口以預設步長對所述視頻信息中的多幀圖像中的每幀圖像進行遍歷，對包含目標幀的多幀圖像分別進行檢測，以得到一個或多個候選目標及相似度，將相似度大于閾值的多幀圖像進行合并，生成高相關(guān)性圖像分段；

圖像運動分解單元，通過所述圖像運動分解單元對復雜環(huán)境中的個體運動軌跡進行分解，得到復雜環(huán)境的個體運動的數(shù)據(jù)點集合，構(gòu)建個體行為分析模型并進行訓練，將檢測運動模式分解為軌跡點集的形式，作為測試集輸入到所述分析模型；

匹配與識別單元，通過所述匹配與識別單元對于相同的分類標記的像素點，具有相同分析模型返回測試集與預設特定行為動作的匹配結(jié)果，若匹配成功則認定完成特定行為動作的識別，其中，所述匹配與識別單元進一步包括：損失函數(shù)如下：

其中，y∈{1，…，K}，p(y)＝[p(1)，…，p(K)]表示每個像素空間中分類的分類標記，pT為預測概率，λ為權(quán)值系數(shù)，T為相關(guān)度等級，DKL(qT||pT)為相關(guān)散度。

4.如權(quán)利要求3所述的一種復雜環(huán)境的個體行為識別的系統(tǒng)，其特征在于，所述圖像運動分解單元進一步包括：所述對復雜環(huán)境中的個體運動軌跡進行分解包括使用圖像分割算法在多個像素空間對圖像進行像素圖像分割，得到多個圖像分割結(jié)果，每個圖像分割結(jié)果中包含待分割圖像所有像素在每個像素空間中分類的分類標記。