CN109614854B - 视频数据处理方法及装置、计算机装置及可读存储介质 - Google Patents
视频数据处理方法及装置、计算机装置及可读存储介质 Download PDFInfo
- Publication number
- CN109614854B CN109614854B CN201811280104.7A CN201811280104A CN109614854B CN 109614854 B CN109614854 B CN 109614854B CN 201811280104 A CN201811280104 A CN 201811280104A CN 109614854 B CN109614854 B CN 109614854B
- Authority
- CN
- China
- Prior art keywords
- behavior
- video
- normal distribution
- features
- optimized
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/23—Recognition of whole body movements, e.g. for sport training
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
一种视频数据处理方法,包括:提取多段动作视频中的行为特征;统计每段动作视频中提取出的行为特征数目,并计算该行为特征数目的分布律;将该特征数目的分布律标准化得到标准正态分布;对该标准正态分布应用3σ准则并选取预设置信区间,再将该标准正态分布进行逆标准化,得到优化后的行为特征数目;及判断该每段动作视频中提取出的行为特征数目是否大于该优化后的行为特征数目,若大于,则由该提取出的行为特征中筛选出该优化后的行为特征数目的特征;若小于,则将该取出的行为特征作为该动作视频的最终特征。本发明还提供一种视频数据处理装置、计算机装置及存储介质。本发明优化了动作视频数据,滤除冗余特征,提高了动作特征识别正确率。
Description
技术领域
本发明涉及机器视觉技术领域,具体涉及一种视频数据处理方法及装置、计算机装置及计算机可读存储介质。
背景技术
随着摄像技术和设备的普及,视频数据的应用越来越广泛。基于机器视觉的人体行为识别成为机器人研究的热点技术,在诸如智能视频监控、视频数据分类、人机交互、人体行为分析等领域都有广泛的应用前景。现有的行为识别过程可以利用光流提取的算法提取人体行为过程的原始光流轨迹,再利用密集轨迹算法、时空兴趣点算法或卷积神经网络来从光流轨迹中提取动作行为特征;或者利用角点检测的算法提取人体行为过程中变化剧烈的角点,再利用密集轨迹算法、时空兴趣点算法或卷积神经网络来从变化剧烈的角点中提取行为特征。然而通过上述方法提取的用来描述行为特征的特征点或特征轨迹数目庞大且存在大量冗余,使得视频数据处理量巨大,影响动作识别的效率及正确率。
发明内容
鉴于以上内容,有必要提出一种视频数据处理方法及装置、计算机装置及计算机可读存储介质,能够将由视频片段中提取出的行为特征数据中的冗余特征滤除,使得数据处理量降低,提高动作识别的效率及正确率。
本申请的第一方面提供一种视频数据处理方法,所述方法包括:
提取多段动作视频中的行为特征;
执行分布律计算操作,统计每段动作视频中提取出的行为特征数目,并对所述多段动作视频的行为特征数目进行概率统计得到所述行为特征数目的分布律;
执行分布律标准化操作,将所述特征数目的分布律进行标准化得到标准正态分布;
执行逆标准化操作,对所述标准正态分布应用3σ准则并选取预设置信区间,再将所述标准正态分布进行逆标准化,得到优化后的行为特征数目;及
判断所述每段动作视频中提取出的行为特征数目是否大于所述优化后的行为特征数目,若大于,则根据预设规则由所述动作视频提取出的行为特征中筛选出所述优化后的行为特征数目的特征作为所述动作视频的最终特征;若小于,则将由所述动作视频提取出的行为特征作为所述动作视频的最终特征。
进一步地,所述多段动作视频为具有相同或相似场景的相关联的动作视频。
进一步地,将所述特征数目的分布律进行标准化得到标准正态分布包括:
a.将每段动作视频中提取出的的特征数目取对数,由此得到随机变量lgN服从数学期望为μ,方差为σ2的正态分布,记为:
lgN~N(μ,σ2)
其中,变量N的取值为每段动作视频中提取出的特征数目;
数学期望μ是变量N每个取值的概率乘以所述取值结果的总和;
方差σ2用来度量变量N和其数学期望μ之间的偏离程度,所述方差为:
其中,ni为每段动作视频中的行为特征数目,μ为数学期望,m为动作视频片段的总数;
进一步地,所述“执行逆标准化操作,对所述标准正态分布应用3σ准则并选取预设置信区间,再将所述标准正态分布进行逆标准化,得到优化后的行为特征数目”包括:
1)对所述标准正态分布X应用3σ准则,得到结果为:X取值在(-1,1)区间的概率为68.3%,X取值在(-2,2)区间的概率为95.4%,X取值在(-3,3)区间的概率为99.7%,用公式表达如下,其中P代表概率:
2)选取预设置信区间,根据所述选取的置信区间确定X的取值;
进一步地,所述预设规则是由所述动作视频提取出的行为特征中随机选取所述优化后的行为特征数目的行为特征。
本申请的第二方面提供一种视频数据处理装置,所述系统包括:
行为特征提取模块,用于提取多段动作视频中的行为特征;
分布律计算模块,用于统计每段动作视频中提取出的行为特征数目,并对所述多段动作视频的行为特征数目进行概率统计得到所述行为特征数目的分布律;
标准化模块,用于将所述特征数目的分布律进行标准化得到标准正态分布;
确定模块,用于对所述标准正态分布应用3σ准则并选取预设置信区间,再将所述标准正态分布进行逆标准化,得到优化后的行为特征数目;及
优化模块,用于判断所述每段动作视频中提取出的行为特征数目是否大于所述优化后的行为特征数目,若动作视频中提取出的行为特征数目大于所述优化后的行为特征数目,则根据预设规则由所述动作视频提取出的行为特征中筛选出所述优化后的行为特征数目的特征作为所述动作视频的最终特征;若动作视频中提取出的行为特征数目小于所述优化后的行为特征数目,则将由所述动作视频提取出的行为特征作为所述动作视频的最终特征。
本申请的第三方面提供一种计算机装置,所述计算机装置包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现所述视频数据处理方法。
本申请的第四方面提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现所述视频数据处理方法。
本发明通过提取多段动作视频中的行为特征,对所述提取出的行为特征进行概率统计得到分布律,再对分布律进行标准化,然后根据3σ准则对标准化的分布律逆标准化,确定优化后的行为特征数目,实现了对动作视频中特征模型的优化,滤除了冗余特征,提高了后续动作特征学习和识别正确率。
附图说明
图1是本发明实施例一提供的视频数据处理方法的流程图。
图2是本发明实施例二提供的视频数据处理装置的结构图。
图3是本发明实施例三提供的计算机装置的示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施例对本发明进行详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。
优选地,本发明的视频数据处理方法应用在一个或者多个计算机装置中。所述计算机装置是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于处理器、外部存储介质、内存等。
所述计算机装置可以是,但不限于,台式计算机、笔记本电脑、云端服务器、智能手机等设备。所述计算机装置可以与用户通过键盘、鼠标、遥控器、触摸板、手势识别设备、声控设备等方式进行人机交互。
实施例一
图1是本发明实施例一提供的视频数据处理的流程图。根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。为了便于说明,仅示出了与本发明实施例相关的部分。
如图1所示,所述视频数据处理方法具体包括以下步骤:
步骤S1:提取多段动作视频中的行为特征。
所述多段动作视频中均包括目标物体的运动行为过程。所述目标物体可以是但不限于人或动物等。所述多段动作视频可以是储存在视频数据库中的动作视频,也可以是录像设备或视频监控设备输出的动作视频。
本发明实施例中,所述多段动作视频为具有相同或相似场景的相关联的动作视频。在一种实现方式中,所述多段相关联的动作视频可以是在同一背景下拍摄的多段动作视频,例如可以是同一监控摄像头在同一地点拍摄的不同时间段的动作视频,也可以是不同摄像头在相同时间或不同时间拍摄的同一地点的动作视频。在另一种实现方式中,所述多段动作视频可以是包含有相似动作的多段视频,例如,所述多段动作视频是多段包含人走路动作的视频,或多段包含体操运动员做体操动作的动作视频。所述多段动作视频可以根据用户的操作指令被存储在同一存储位置以便提取所述多段动作视频中的行为特征。在可以理解的是,以上所列举的内容仅是为了更好的说明本发明,但并不作为对本发明的限定。
本发明实施例中,提取多段动作视频中行为特征的方法可以是利用光流提取的算法提取所述多段动作视频中动作过程的原始光流轨迹,再利用密集轨迹算法、时空兴趣点算法或卷积神经网络来从所述原始光流轨迹中提取所述行为特征。所述提取多段动作视频中提取行为特征的方法还可以是利用角点检测的算法提取所述多段动作视频中动作过程中变化剧烈的角点,然后再利用密集轨迹算法、时空兴趣点算法或卷积神经网络来从所述变化剧烈的角点中提取行为特征。在本发明其他实施方式中,所述多段动作视频中的行为特征也可以是通过其他现有的或将来出现的用于提取动作视频中行为特征的算法或方法来提取的,本发明对所述行为特征的提取方法不做限定。
步骤S2:执行分布律计算操作,统计每段动作视频中提取出的行为特征数目N,并对所述多段动作视频的行为特征数目N进行概率统计得到所述行为特征数目的分布律。
为更好的说明本发明,下面以所述多段动作视频包括动作视频1、动作视频2、动作视频3,……动作视频m,总共m个动作视频为例进行说明。通过执行所述特征数目统计操作,统计得出所述动作视频1中提取出的行为特征数目为n1,所述动作视频2中提取出的行为特征数目为n2,所述动作视频3提取出的行为特征数目为n3,…所述动作视频i中提取出的行为特征数目为ni,…所述动作视频m中提取出的行为特征数目为nm,即,所述多段动作视频中提取出的行为特征数目N的取值为n1,n2,n3,…,ni,…nm。
该步骤中,所述多段动作视频中提取出的行为特征数目N的分布律为:
P{N=ni}=pi(i=1,2,…,m)
其中,Pi是指所述多段动作视频中提取出的行为特征数目N值为ni的概率。
对于Pi,其概率质量函数fN(n)如下:
在概率论中,概率质量函数(Probability Mass Function,PMF)是离散随机变量在各特定取值上的概率。通过上述概率质量函数fN(n)可知Pi的概率质量函数符合正偏态分布。
步骤S3:执行分布律标准化操作,将所述特征数目N的分布律进行标准化得到标准正态分布X。
具体地,将所述特征数目N的分布律进行标准化得到标准正态分布包括:
1)将每段动作视频中提取出的的特征数目ni取对数得到lgni,由此得到随机变量lgN服从数学期望为μ,方差为σ2的正态分布,记为:
lgN~N(μ,σ2)
其中,数学期望μ在概率论和统计学中称为均值,是变量N每个取值的概率乘以所述取值结果的总和。
方差在概率论中用来度量变量N和其数学期望μ之间的偏离程度,计算方差的公式如下:
其中,ni为每段动作视频中的行为特征数目,μ为数学期望,m为动作视频片段的总数。
2)对lgN~N(μ,σ2)执行标准化操作得到标准正态分布X,记为如下公式:
标准正态分布又称为u分布,是以期望值μ=0(即曲线图象对称轴为Y轴),标准差σ=1条件下的正态分布,记为N(0,1)。标准正态分布是一个在数学、物理及工程等领域都非常重要的概率分布,在统计学的许多方面有着重大的影响力。
步骤S4:执行逆标准化操作,对所述标准正态分布X应用3σ准则并选取预设置信区间,然后将所述标准正态分布进行逆标准化,得到优化后的行为特征数目N’。
本发明一实施方式中,所述步骤S4具体包括如下步骤:
1)对所述标准正态分布X应用3σ准则,其中,3σ准则为:
数值分布在置信区间(μ-σ,μ+σ)中的概率为0.6827;
数值分布在置信区间(μ-2σ,μ+2σ)中的概率为0.9545;
数值分布在置信区间(μ-3σ,μ+3σ)中的概率为0.9973;
可以认为,X的取值几乎全部集中在(μ-3σ,μ+3σ)区间内,超出这个范围的可能性仅占不到0.3%。
有基于此,对所述标准正态分布X应用3σ准则,得到结果为:X取值在(-1,1)区间的概率为68.3%,X取值在(-2,2)区间的概率为95.4%,X取值在(-3,3)区间的概率为99.7%,用公式表达如下,其中P代表概率:
2)选取预设置信区间,根据所述选取的置信区间确定X的取值。
本实施方式中,2σ置信区间,即X分布在(μ-2σ,μ+2σ)中的概率为0.9545时为较佳选择。
在其他实施方式中,也可以根据需要选择1σ置信区间或3σ置信区间,本发明不做限制。
N'=10σx+μ,其中,X的值可以根据选取的置信区间确定。
一较佳实施方式中,取X=2。
步骤S5,判断所述每段动作视频中提取出的行为特征数目N是否大于所述优化后的行为特征数目N’,若大于,则执行步骤S6,若小于或等于,则执行步骤S7。
步骤S6,若所述动作视频中提取出的行为特征数目大于所述优化后的行为特征数目,则根据预设规则由所述动作视频提取出的行为特征中筛选出所述优化后的行为特征数目的特征作为所述动作视频的最终特征。
例如,第一段动作视频1中的行为特征数目n1大于所述优化后的行为特征数目,即n1>N’,那么在所述第一段动作视频1中的行为特征中筛选出N’个行为特征作为所述第一段动作视频1的最终行为特征。
一实施方式中,所述预设规则是由动作视频提取出的行为特征中随机选取所述优化后的行为特征数目的行为特征。
其他实施方式中,所述预设规则可以是由动作视频提取出的行为特征中选取所述优化后的行为特征数目的排在最前的N’个行为特征或排在最后的N’个行为特征作为该段动作视频的最终行为特征。
可以理解的是,所述列举的几种预设规则仅是为了解释说明本发明,但是并不作为限定,本领域人员也可以根据其他方式由所述动作视频提取出的行为特征中筛选出所述优化后的行为特征数目的特征作为所述动作视频的最终特征,均在本发明的保护范围之内。
步骤S7,若动作视频中提取出的行为特征数目小于或等于所述优化后的行为特征数目,则将由所述动作视频提取出的行为特征作为所述动作视频的最终特征。
例如,第i段动作视频i中的行为特征数目ni小于所述优化后的行为特征数目,即ni<N’,那么将该段动作视频i中提取出的行为特征直接作为所述第一段动作视频1的最终行为特征,而无需经过筛选操作。
本发明提供的视频数据处理方法,通过提取多段动作视频中的行为特征,对所述提取出的行为特征进行概率统计得到分布律,再对分布律进行标准化,然后根据3σ准则对标准化的分布律逆标准化,确定优化后的行为特征数目,实现了对动作视频中数据的优化,滤除了冗余特征,提高了后续动作特征学习和识别正确率。
实施例二
图2为本发明实施例二提供的视频数据处理装置的结构图,为了方便说明,仅示出了与本发明实施例相关的部分,详述如下。
参考图2,视频数据处理装置10根据其所执行的功能,可以被划分为多个功能模块,所述各个功能模块用于执行图1对应实施例中的各个步骤,以实现对动作视频中数据的优化、滤除冗余特征的功能。本发明实施例中,视频数据处理装置10的功能模块可以包括行为特征提取模块101、分布律计算模块102、标准化模块103,确定模块104,以及优化模块105。各个功能模块的功能将在下面的实施例中进行详述。
所述行为特征提取模块101用于提取多段动作视频中的行为特征。
所述多段动作视频中均包括目标物体的运动行为过程。所述目标物体可以是但不限于人或动物等。所述多段动作视频可以是储存在视频数据库中的动作视频,也可以是录像设备或视频监控设备输出的动作视频。
本发明实施例中,所述多段动作视频为具有相同或相似场景的相关联的动作视频。在一种实现方式中,所述多段相关联的动作视频可以是在同一背景下拍摄的多段动作视频,例如可以是同一监控摄像头在同一地点拍摄的不同时间段的动作视频,也可以是不同摄像头在相同时间或不同时间拍摄的同一地点的动作视频。在另一种实现方式中,所述多段动作视频可以是包含有相似动作的多段视频,例如,所述多段动作视频是多段包含人走路动作的视频,或多段包含体操运动员做体操动作的动作视频。所述多段动作视频可以根据用户的操作指令被存储在同一存储位置以便提取所述多段动作视频中的行为特征。在可以理解的是,以上所列举的内容仅是为了更好的说明本发明,但并不作为对本发明的限定。
本发明实施例中,所述行为特征提取模块101提取所述多段动作视频中行为特征的方法可以是利用光流提取的算法提取所述多段动作视频中动作过程的原始光流轨迹,再利用密集轨迹算法、时空兴趣点算法或卷积神经网络来从所述原始光流轨迹中提取所述行为特征。所述行为特征提取模块101提取多段动作视频中提取行为特征的方法还可以是利用角点检测的算法提取所述多段动作视频中动作过程中变化剧烈的角点,然后再利用密集轨迹算法、时空兴趣点算法或卷积神经网络来从所述变化剧烈的角点中提取行为特征。在本发明其他实施方式中,所述多段动作视频中的行为特征也可以是通过其他现有的或将来出现的用于提取动作视频中行为特征的算法或方法来提取的,本发明对所述行为特征的提取方法不做限定。
所述分布律计算模块102用于统计每段动作视频中提取出的行为特征数目N,并对所述多段动作视频的行为特征数目N进行概率统计得到所述行为特征数目的分布律。
为更好的说明本发明,下面以所述多段动作视频包括动作视频1、动作视频2、动作视频3,……动作视频m,总共m个动作视频为例进行说明。通过执行所述特征数目统计操作,统计得出所述动作视频1中提取出的行为特征数目为n1,所述动作视频2中提取出的行为特征数目为n2,所述动作视频3提取出的行为特征数目为n3,…所述动作视频i中提取出的行为特征数目为ni,…所述动作视频m中提取出的行为特征数目为nm,即,所述多段动作视频中提取出的行为特征数目N的取值为n1,n2,n3,…,ni,…nm。
该步骤中,所述多段动作视频中提取出的行为特征数目N的分布律P{N=ni}=pi(i=1,2,…,m),其中,Pi是指所述多段动作视频中提取出的行为特征数目N值为ni的概率。
所述标准化模块103用于将所述特征数目N的分布律进行标准化得到标准正态分布。
具体地,所述标准化模块103将所述特征数目N的分布律进行标准化得到标准正态分布包括如下操作:
1)所述标准化模块103将每段动作视频中提取出的的特征数目ni取对数得到lgni,由此得到随机变量lgN服从数学期望为μ,方差为σ2的正态分布,记为:
lgN~N(μ,σ2)
其中,数学期望μ在概率论和统计学中称为均值,是变量N每个取值的概率乘以所述取值结果的总和。
方差在概率论中用来度量变量N和其数学期望μ之间的偏离程度,计算方差的公式如下:
其中,ni为每段动作视频中的行为特征数目,μ为数学期望,m为动作视频片段的总数。
2)所述标准化模块103对lgN~N(μ,σ2)执行标准化操作得到标准正态分布X,记为如下公式:
标准正态分布又称为u分布,是以期望值μ=0(即曲线图象对称轴为Y轴),标准差σ=1条件下的正态分布,记为N(0,1)。
所述确定模块104用于对所述标准正态分布应用3σ准则并选取预设置信区间,然后将所述标准正态分布进行逆标准化,得到优化后的行为特征数目N’。
本发明一实施方式中,所述确定模块104具体执行如下操作:
1)对所述标准正态分布X应用3σ准则,其中,3σ准则为:
数值分布在置信区间(μ-σ,μ+σ)中的概率为0.6827;
数值分布在置信区间(μ-2σ,μ+2σ)中的概率为0.9545;
数值分布在置信区间(μ-3σ,μ+3σ)中的概率为0.9973;
可以认为,X的取值几乎全部集中在(μ-3σ,μ+3σ)区间内,超出这个范围的可能性仅占不到0.3%。
有基于此,对所述标准正态分布X应用3σ准则,得到结果为:X取值在(-1,1)区间的概率为68.3%,X取值在(-2,2)区间的概率为95.4%,X取值在(-3,3)区间的概率为99.7%,用公式表达如下,其中P代表概率:
2)选取预设置信区间,根据所述选取的置信区间确定X的取值。
本实施方式中,2σ置信区间,即X分布在(μ-2σ,μ+2σ)中的概率为0.9545时为较佳选择。
在其他实施方式中,也可以根据需要选择1σ置信区间或3σ置信区间,本发明不做限制。
N'=10σx+μ,其中,X的值可以根据选取的置信区间确定。
一较佳实施方式中,取X=2。
所述优化模块105用于判断所述每段动作视频中提取出的行为特征数目是否大于所述优化后的行为特征数目,若所述动作视频中提取出的行为特征数目大于所述优化后的行为特征数目,则根据预设规则由所述动作视频提取出的行为特征中筛选出所述优化后的行为特征数目的特征作为所述动作视频的最终特征;若动作视频中提取出的行为特征数目小于或等于所述优化后的行为特征数目,则直接将由所述动作视频提取出的行为特征作为所述动作视频的最终特征。
一实施方式中,所述预设规则是由动作视频提取出的行为特征中随机选取所述优化后的行为特征数目的行为特征。
其他实施方式中,所述预设规则可以是由动作视频提取出的行为特征中选取所述优化后的行为特征数目的排在最前的N’个行为特征或排在最后的N’个行为特征作为该段动作视频的最终行为特征。
可以理解的是,所述列举的几种预设规则仅是为了解释说明本发明,但是并不作为限定,本领域人员也可以根据其他方式由所述动作视频提取出的行为特征中筛选出所述优化后的行为特征数目的特征作为所述动作视频的最终特征,均在本发明的保护范围之内。
实施例三
图3为本发明实施例三提供的计算机装置的示意图。所述计算机装置1包括存储器20、处理器30以及存储在所述存储器20中并可在所述处理器30上运行的计算机程序40,例如视频数据处理程序。所述处理器30执行所述计算机程序40时实现上述视频数据处理方法实施例中的步骤,例如图1所示的步骤S1~S7。或者,所述处理器30执行所述计算机程序40时实现上述装置实施例中各模块/单元的功能,例如图2中的模块101~105。
示例性的,所述计算机程序40可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器20中,并由所述处理器30执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序40在所述计算机装置1中的执行过程。例如,所述计算机程序40可以被分割成图2中的行为特征提取模块101、分布律计算模块102、标准化模块103,确定模块104,以及优化模块105,各模块具体功能参见实施例二。
所述计算机装置1可以是台式计算机、笔记本、掌上电脑及云端服务器等计算设备。本领域技术人员可以理解,所述示意图3仅仅是计算机装置1的示例,并不构成对计算机装置1的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述计算机装置1还可以包括输入输出设备、网络接入设备、总线等。
所称处理器30可以是中央处理单元(Central Processing Unit,CPU),还可以包括其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器30是所述计算机装置1的控制中心,利用各种接口和线路连接整个计算机装置1的各个部分。
所述存储器20可用于存储所述计算机程序40和/或模块/单元,所述处理器30通过运行或执行存储在所述存储器20内的计算机程序和/或模块/单元,以及调用存储在存储器20内的数据,实现所述计算机装置1的各种功能。所述存储器20可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据计算机装置1的使用所创建的数据(比如音频数据、电话本等)等。存储器20可以包括外部存储介质,也可以包括内存。此外,存储器20可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述计算机装置1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
在本发明所提供的几个实施例中,应该理解到,所揭露的计算机装置和方法,可以通过其它的方式实现。例如,以上所描述的计算机装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
另外,在本发明各个实施例中的各功能单元可以集成在相同处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在相同单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。计算机装置权利要求中陈述的多个单元或计算机装置也可以由同一个单元或计算机装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (9)
1.一种视频数据处理方法,其特征在于,所述方法包括:
提取多段动作视频中的行为特征;
执行分布律计算操作,统计每段动作视频中提取出的行为特征数目,并对所述多段动作视频的行为特征数目进行概率统计得到所述行为特征数目的分布律;
执行分布律标准化操作,将所述特征数目的分布律进行标准化得到标准正态分布;
执行逆标准化操作,对所述标准正态分布应用3σ准则并选取预设置信区间,再将所述标准正态分布进行指数求幂的逆标准化,得到优化后的行为特征数目;及
判断所述每段动作视频中提取出的行为特征数目是否大于所述优化后的行为特征数目,若动作视频中提取出的行为特征数目大于所述优化后的行为特征数目,则根据预设规则由所述动作视频提取出的行为特征中筛选出所述优化后的行为特征数目的特征作为所述动作视频的最终特征;若动作视频中提取出的行为特征数目小于所述优化后的行为特征数目,则将由所述动作视频提取出的行为特征作为所述动作视频的最终特征。
2.如权利要求1所述的视频数据处理方法,其特征在于,所述多段动作视频为具有相同或相似场景的相关联的动作视频。
4.如权利要求3所述的视频数据处理方法,其特征在于,所述“执行逆标准化操作,对所述标准正态分布应用3σ准则并选取预设置信区间,再将所述标准正态分布进行指数求幂的逆标准化,得到优化后的行为特征数目”包括:
1)对所述标准正态分布X应用3σ准则,得到结果为:X取值在(-1,1)区间的概率为68.3%,X取值在(-2,2)区间的概率为95.4%,X取值在(-3,3)区间的概率为99.7%,用公式表达如下,其中P代表概率:
2)选取预设置信区间,根据所述选取的置信区间确定X的取值;
5.如权利要求1所述的视频数据处理方法,其特征在于,所述预设规则是由所述动作视频提取出的行为特征中随机选取所述优化后的行为特征数目的行为特征。
6.一种视频数据处理装置,其特征在于,包括:
行为特征提取模块,用于提取多段动作视频中的行为特征;
分布律计算模块,用于统计每段动作视频中提取出的行为特征数目,并对所述多段动作视频的行为特征数目进行概率统计得到所述行为特征数目的分布律;
标准化模块,用于将所述特征数目的分布律进行标准化得到标准正态分布;
确定模块,用于对所述标准正态分布应用3σ准则并选取预设置信区间,再将所述标准正态分布进行指数求幂的逆标准化,得到优化后的行为特征数目;及
优化模块,用于判断所述每段动作视频中提取出的行为特征数目是否大于所述优化后的行为特征数目,若动作视频中提取出的行为特征数目大于所述优化后的行为特征数目,则根据预设规则由所述动作视频提取出的行为特征中筛选出所述优化后的行为特征数目的特征作为所述动作视频的最终特征;若动作视频中提取出的行为特征数目小于所述优化后的行为特征数目,则将由所述动作视频提取出的行为特征作为所述动作视频的最终特征。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-5中任一项所述视频数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811280104.7A CN109614854B (zh) | 2018-10-30 | 2018-10-30 | 视频数据处理方法及装置、计算机装置及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811280104.7A CN109614854B (zh) | 2018-10-30 | 2018-10-30 | 视频数据处理方法及装置、计算机装置及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109614854A CN109614854A (zh) | 2019-04-12 |
CN109614854B true CN109614854B (zh) | 2021-03-02 |
Family
ID=66001890
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811280104.7A Expired - Fee Related CN109614854B (zh) | 2018-10-30 | 2018-10-30 | 视频数据处理方法及装置、计算机装置及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109614854B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110390315B (zh) * | 2019-07-29 | 2022-05-06 | 深兰科技(上海)有限公司 | 一种图像处理方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103198296A (zh) * | 2013-03-07 | 2013-07-10 | 中国科学技术大学 | 一种基于贝叶斯惊奇度计算的视频异常行为检测方法及装置 |
WO2015093231A1 (ja) * | 2013-12-16 | 2015-06-25 | 西谷隆夫 | 画像処理装置 |
US9117147B2 (en) * | 2011-04-29 | 2015-08-25 | Siemens Aktiengesellschaft | Marginal space learning for multi-person tracking over mega pixel imagery |
CN106203323A (zh) * | 2016-07-06 | 2016-12-07 | 中山大学新华学院 | 基于隐Markov模型的视频行为活动识别关键算法 |
CN106295564A (zh) * | 2016-08-11 | 2017-01-04 | 南京理工大学 | 一种邻域高斯结构和视频特征融合的动作识别方法 |
CN106874838A (zh) * | 2016-12-30 | 2017-06-20 | 中国科学院自动化研究所 | 融合互补特征的视觉人体行为识别方法 |
CN107609509A (zh) * | 2017-09-09 | 2018-01-19 | 北京工业大学 | 一种基于运动显著性区域检测的动作识别方法 |
-
2018
- 2018-10-30 CN CN201811280104.7A patent/CN109614854B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9117147B2 (en) * | 2011-04-29 | 2015-08-25 | Siemens Aktiengesellschaft | Marginal space learning for multi-person tracking over mega pixel imagery |
CN103198296A (zh) * | 2013-03-07 | 2013-07-10 | 中国科学技术大学 | 一种基于贝叶斯惊奇度计算的视频异常行为检测方法及装置 |
WO2015093231A1 (ja) * | 2013-12-16 | 2015-06-25 | 西谷隆夫 | 画像処理装置 |
CN106203323A (zh) * | 2016-07-06 | 2016-12-07 | 中山大学新华学院 | 基于隐Markov模型的视频行为活动识别关键算法 |
CN106295564A (zh) * | 2016-08-11 | 2017-01-04 | 南京理工大学 | 一种邻域高斯结构和视频特征融合的动作识别方法 |
CN106874838A (zh) * | 2016-12-30 | 2017-06-20 | 中国科学院自动化研究所 | 融合互补特征的视觉人体行为识别方法 |
CN107609509A (zh) * | 2017-09-09 | 2018-01-19 | 北京工业大学 | 一种基于运动显著性区域检测的动作识别方法 |
Non-Patent Citations (2)
Title |
---|
"基于多传感器数据融合的人体运动模式识别研究";张毅等;《计算机测量与控制》;20160131;第24卷(第1期);第303-307页 * |
"基于概率统计自适应背景模型的运动目标检测方法";徐东彬等;《中国图象图形学报》;20080227;第13卷(第2期);第351-358页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109614854A (zh) | 2019-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111679949A (zh) | 基于设备指标数据的异常检测方法及相关设备 | |
CN110619423A (zh) | 多任务预测方法、装置、电子设备及存储介质 | |
US11055516B2 (en) | Behavior prediction method, behavior prediction system, and non-transitory recording medium | |
CN111008640B (zh) | 图像识别模型训练及图像识别方法、装置、终端及介质 | |
CN111581046A (zh) | 数据异常检测方法、装置、电子设备及存储介质 | |
CN110672323B (zh) | 一种基于神经网络的轴承健康状态评估方法及装置 | |
CN111553215A (zh) | 人员关联方法及其装置、图卷积网络训练方法及其装置 | |
CN110413815B (zh) | 人像聚类清洗方法和装置 | |
EP3620982A1 (en) | Sample processing method and device | |
CN112132032A (zh) | 交通标志牌检测方法、装置、电子设备及存储介质 | |
CN112288087A (zh) | 一种神经网络剪枝方法、装置、电子设备及存储介质 | |
CN111783743A (zh) | 一种图像聚类方法及装置 | |
CN111898675A (zh) | 信贷风控模型生成方法、装置、评分卡生成方法、机器可读介质及设备 | |
CN112241789A (zh) | 用于轻量化神经网络的结构化剪枝方法、装置、介质及设备 | |
CN111798047A (zh) | 风控预测方法、装置、电子设备及存储介质 | |
US10910000B2 (en) | Method and device for audio recognition using a voting matrix | |
CN109614854B (zh) | 视频数据处理方法及装置、计算机装置及可读存储介质 | |
Shi et al. | Segmentation quality evaluation based on multi-scale convolutional neural networks | |
CN103336800A (zh) | 基于行为分析的指纹存储比对的方法 | |
CN111709473B (zh) | 对象特征的聚类方法及装置 | |
CN111507396A (zh) | 缓解神经网络对未知类样本产生错误分类的方法及装置 | |
CN111104911A (zh) | 一种基于大数据训练的行人重识别方法及装置 | |
CN116468043A (zh) | 嵌套实体识别方法、装置、设备及存储介质 | |
CN113536859A (zh) | 行为识别模型训练方法、识别方法、装置及存储介质 | |
CN112905816A (zh) | 虹膜搜索识别方法、装置、处理器及电子装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210302 Termination date: 20211030 |
|
CF01 | Termination of patent right due to non-payment of annual fee |