CN114708662A - 一种基于大数据的行为特征检测系统 - Google Patents
一种基于大数据的行为特征检测系统 Download PDFInfo
- Publication number
- CN114708662A CN114708662A CN202210388706.4A CN202210388706A CN114708662A CN 114708662 A CN114708662 A CN 114708662A CN 202210388706 A CN202210388706 A CN 202210388706A CN 114708662 A CN114708662 A CN 114708662A
- Authority
- CN
- China
- Prior art keywords
- module
- image
- big data
- electrically connected
- feature
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 54
- 238000003708 edge detection Methods 0.000 claims abstract description 29
- 238000005457 optimization Methods 0.000 claims abstract description 23
- 239000003086 colorant Substances 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 40
- 230000006399 behavior Effects 0.000 claims description 29
- 238000000034 method Methods 0.000 claims description 25
- 238000005070 sampling Methods 0.000 claims description 24
- 230000003287 optical effect Effects 0.000 claims description 22
- 238000001914 filtration Methods 0.000 claims description 15
- 230000009471 action Effects 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 239000000654 additive Substances 0.000 abstract description 3
- 230000000996 additive effect Effects 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 5
- 241000282414 Homo sapiens Species 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000006748 scratching Methods 0.000 description 1
- 230000002393 scratching effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于大数据的行为特征检测系统，包括图像采集模块、图像优化模块、特征检测模块，所述图像采集模块用于对需要检测的图像进行采集，所述图像优化模块用于对采集完的图像进行优化，所述特征检测模块用于检测并提取图像信息的行为特征信息，所述图像采集模块包括颜色空间生成模块、灰度边缘检测模块、关键帧抠图模块，所述颜色空间生成模块用于对颜色进行加法混色，构建颜色集合，所述灰度边缘检测模块用于检测图像的梯度，并判断边缘位置，所述关键帧抠图模块用于将视频信息中的关键帧部分抠出保存，本发明，具有识别精度高和数据反馈准确的特点。
Description
技术领域
本发明涉及特征检测技术领域，具体为一种基于大数据的行为特征检测系统。
背景技术
目前，行为特征检测技术已经成为计算机视觉领域极具挑战性的一个方向，目前研究方向最广的为识别视频中的人体行为，而视频中行为的识别与在图像中行为识别的最大不同之处就在于，视频不仅包含了时序上的信息而且需要巨大的运算力支撑，而该技术还受到许多外在因素的影响，如视频动态背景居多、相机视角多变以及光照变化等。
人类已经迈入了一个视觉信息时代，大量的视觉传感器获取的视频信息呈井喷式出现，而仅仅依靠人体的肉眼难以完整地获取所有数据。目前的技术可以利用计算机视觉对照片进行标签、分类，对视频里的每一帧进行分类处理，但是这些技术的提升随之带来了大量的运算力使用需求，对于有的信息来说，更大的数据库以及更复杂、更苛刻的环境仍然会带来不小的挑战，在处理人类异常行为检测任务时，由于存在许多干扰因素，如天气变化导致设备损坏、人为干扰等，都会影响对于视频或图像的准确采集；同时，由于输入的视频容量一般很大，视频内容复杂度较高，在运算力达不到要求的情况下会产生较大的延时性，且现实环境中的活动与行为多为随意性，所检测的结果会与实验中的识别结果有较大差距，因此，设计识别精度高和数据反馈准确的一种基于大数据的行为特征检测系统是很有必要的。
发明内容
本发明的目的在于提供一种基于大数据的行为特征检测系统，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：一种基于大数据的行为特征检测系统，包括图像采集模块、图像优化模块、特征检测模块，所述图像采集模块的输出端与图像优化模块的输入端电连接，所述图像优化模块的输出端与特征检测模块的输入端电连接，所述图像采集模块用于对需要检测的图像进行采集，所述图像优化模块用于对采集完的图像进行优化，所述特征检测模块用于检测并提取图像信息的行为特征信息，所述图像采集模块包括颜色空间生成模块、灰度边缘检测模块、关键帧抠图模块，所述颜色空间生成模块的输出端与灰度边缘检测模块的输入端电连接，所述灰度边缘检测模块的输出端与关键帧抠图模块的输入端电连接，所述颜色空间生成模块用于对颜色进行加法混色，构建颜色集合，所述灰度边缘检测模块用于检测图像的梯度，并判断边缘位置，所述关键帧抠图模块用于将视频信息中的关键帧部分抠出保存。
根据上述技术方案，所述图像优化模块包括滤波选择模块、图像二值化模块、图像带宽矩阵调整模块、算子引入模块，所述滤波选择模块的输出端与图像二值化模块的输入端电连接，所述图像二值化模块的输出端与图像带宽矩阵调整模块的输入端电连接，所述图像带宽矩阵调整模块的输出端与算子引入模块的输入端电连接，所述滤波选择模块用于选择与图像相匹配的滤波方式，所述图像二值化模块用于将图像进行二值化操作，所述图像带宽矩阵调整模块用于调整视频中图像的特征矩阵带宽，所述算子引入模块用于引入相匹配的边缘检测算子。
根据上述技术方案，所述特征检测模块包括RGB图像边缘检测模块、梯度光流计算模块、密集轨迹采样模块、多特征提取模块，所述RGB图像边缘检测模块的输出端与梯度光流计算模块的输入端电连接，所述梯度光流计算模块的输出端与密集轨迹采样模块的输入端电连接，所述密集轨迹采样模块的输出端与多特征提取模块的输入端电连接，所述RGB图像边缘检测模块用于将图像中的色彩信息通过多矢量表示出来，所述梯度光流计算模块用于计算图像中的运动矢量，所述密集轨迹采样模块用于根据图像中的密集轨迹点完成特征行为的识别与采样，所述多特征提取模块用于将识别的多项特征提取出来。
根据上述技术方案，所述一种基于大数据的行为特征检测系统的运行方法包括以下步骤：
步骤S1：进行图像采集，获取初始数据，并建立多个颜色尺度空间；通过在多个颜色尺度空间上对视频图像帧中的特征点使用密集网格进行采样的方式来对视频中的特征点进行检测，保证从视频图像帧中采样的特征点能够覆盖到所有的空间尺度与位置，提高识别准确率；
步骤S2：对运动目标进行灰度边缘检测，进行图像分割，并抠出运动主体；视频内容中的环境差异较大，背景会出现动态变化，影响检测效果，因此需对运动主体进行抠图，减少受动态背景影响导致的干扰；
步骤S3：进行图像优化，将图像数字化后，引入算子进行矩阵调整；图像数字化后，将图像主体看成矩阵，图像的宽度转换为矩阵中的行，图像高度转换为矩阵中的列，并引入梯度算子进行计算，提高图像的优化效率；
步骤S4：对运动主体的动作特征进行提取，并进行多角度采样；当视频中的物体在变化时，这个物体所在的二维空间中的对应像素点也在同步变化，因此需要对运动主体进行多角度采样，并数字化表示；
步骤S5：进行动作特征理解与动作分类，完成检测。对提取出的运动主体的特征进行分类统计，并利用损失函数进行最优类别表示；
根据上述技术方案，所述步骤S3中，图像优化的方法进一步包括以下步骤：
步骤A：选用带通滤波器，将图像的数字信息经过带通滤波器后输出；带通滤波器具有按照图像尺度、速度矢量来对输入信号进行分离的特性，基于带通滤波器的噪声滤除方法具有很好的综合性能，对运动目标特征点的速度矢量有较好的计算性能，并且能在较为宽泛的适用范围对图像进行处理；
步骤B：对滤波后的图像进行二值化转换，并存储数据；对图像进行二值化转换更有利于运算，且为后续图像的矩阵转换提供基础；
步骤C：将二值化后的图像分别以宽度和高度转换为对应的矩阵集合；将图像转换为矩阵表示，便于进行线性运算；
步骤D：引入梯度算子，并与图像的特征矩阵进行计算。图像的特征矩阵包含水平方向与垂直方向，使用梯度算子与特征矩阵共同计算，得出图像所有像素点的梯度幅值和方向；
根据上述技术方案，所述步骤S4进一步包括以下步骤：
步骤S41：对视频进行处理，从中提取连续的图像帧序列；
步骤S42：使用光流计算方式对图像帧序列执行运动轨迹检测与采样；
步骤S43：利用光流值找到图像帧上前景目标出现的位置，并标记运动目标的特征点坐标；
步骤S44：对任意两个相邻图像帧继续执行光流计算，针对同一个运动特征点，寻找到下一个图像帧中的运动特征点坐标位置；
步骤S45：重复步骤S41-S44，实现对视频片段中运动目标的检测。
根据上述技术方案，所述步骤S5中，进行动作特征理解与动作分类的方法进一步包括以下步骤：
步骤S51：设定N种分类类别标记，并以集合y＝{c1，c2，…，cN}的形式表示；
步骤S52：采用大数据技术对特征识别出现误差的分类类别进行记录，并以损失值λij记录；其中，λij代表把真实标记为cj的样本，错误地分类到类型标记为ci所产生的损失，该值由大数据技术计算所得，当i＝j时，λij的值为0；
步骤S53：当前运动主体所测的样本数量为x，计算数量为x的样本中，特征检测后错误标记为ci的期望损失值R(ci|x)；
步骤S54：在每个检测样本中，挑选出风险最小的类别标记。
根据上述技术方案，所述步骤S53中，计算数量为x的样本中，检测出错误标记为ci的期望损失值R(ci|x)的计算公式为：
式中，p(cj|x)为样本x为ci标记的实现概率，λij为大数据技术所计算的把真实标记为cj的样本，错误地分类到类型标记为ci所产生的损失。错误标记为ci的期望损失值R(ci|x)代表标记误判所产生的损失，该值越大，表示当前特征判断越不准确，总体风险越高，当i＝j时，表示判断准确，λij＝0，对应的错误标记为ci的期望损失值R(ci|x)为0，此时特征检测最准确。
根据上述技术方案，所述步骤S54中，挑选出风险最小的类别标记的方法为：
采用最优分类器，对于每个样本，挑选出让期望损失值R(ci|x)最小的类别标记h(x)，计算公式如下：
式中，min为比较函数，可以挑选出函数主体中最小的变量，c为单个样本，x为总样本，h(x)的值为让期望损失值最小的类别标记值。
与现有技术相比，本发明所达到的有益效果是：本发明，
(1)通过设置有图像采集模块，对视频中的关键帧图像进行采集，并进行一系列检测操作；
(2)通过设置有关键帧抠图模块，将视频中的关键帧部分抠出，便于进一步操作；
(3)通过设置有图像优化模块，对抠出的图像进行滤波操作和二值化，进一步优化；
(4)通过设置有图像带宽矩阵调整模块，实时调整图像的带宽矩阵，完善系统的优化力度；
(5)通过设置有特征检测模块，将图像中的特征通过梯度光流法检测出来，同时进行密集轨迹采样，进行多特征提取，并进行比对。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明的系统模块组成示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，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。
请参阅图1，本发明提供技术方案：一种基于大数据的行为特征检测系统，包括图像采集模块、图像优化模块、特征检测模块，图像采集模块的输出端与图像优化模块的输入端电连接，图像优化模块的输出端与特征检测模块的输入端电连接，图像采集模块用于对需要检测的图像进行采集，图像优化模块用于对采集完的图像进行优化，特征检测模块用于检测并提取图像信息的行为特征信息，图像采集模块包括颜色空间生成模块、灰度边缘检测模块、关键帧抠图模块，颜色空间生成模块的输出端与灰度边缘检测模块的输入端电连接，灰度边缘检测模块的输出端与关键帧抠图模块的输入端电连接，颜色空间生成模块用于对颜色进行加法混色，构建颜色集合，灰度边缘检测模块用于检测图像的梯度，并判断边缘位置，关键帧抠图模块用于将视频信息中的关键帧部分抠出保存。
图像优化模块包括滤波选择模块、图像二值化模块、图像带宽矩阵调整模块、算子引入模块，滤波选择模块的输出端与图像二值化模块的输入端电连接，图像二值化模块的输出端与图像带宽矩阵调整模块的输入端电连接，图像带宽矩阵调整模块的输出端与算子引入模块的输入端电连接，滤波选择模块用于选择与图像相匹配的滤波方式，图像二值化模块用于将图像进行二值化操作，图像带宽矩阵调整模块用于调整视频中图像的特征矩阵带宽，算子引入模块用于引入相匹配的边缘检测算子。
特征检测模块包括RGB图像边缘检测模块、梯度光流计算模块、密集轨迹采样模块、多特征提取模块，RGB图像边缘检测模块的输出端与梯度光流计算模块的输入端电连接，梯度光流计算模块的输出端与密集轨迹采样模块的输入端电连接，密集轨迹采样模块的输出端与多特征提取模块的输入端电连接，RGB图像边缘检测模块用于将图像中的色彩信息通过多矢量表示出来，梯度光流计算模块用于计算图像中的运动矢量，密集轨迹采样模块用于根据图像中的密集轨迹点完成特征行为的识别与采样，多特征提取模块用于将识别的多项特征提取出来。
一种基于大数据的行为特征检测系统的运行方法包括以下步骤：
步骤S1：进行图像采集，获取初始数据，并建立多个颜色尺度空间；通过在多个颜色尺度空间上对视频图像帧中的特征点使用密集网格进行采样的方式来对视频中的特征点进行检测，保证从视频图像帧中采样的特征点能够覆盖到所有的空间尺度与位置，提高识别准确率；
步骤S2：对运动目标进行灰度边缘检测，进行图像分割，并抠出运动主体；视频内容中的环境差异较大，背景会出现动态变化，影响检测效果，因此需对运动主体进行抠图，减少受动态背景影响导致的干扰；
步骤S3：进行图像优化，将图像数字化后，引入算子进行矩阵调整；图像数字化后，将图像主体看成矩阵，图像的宽度转换为矩阵中的行，图像高度转换为矩阵中的列，并引入梯度算子进行计算，提高图像的优化效率；
步骤S4：对运动主体的动作特征进行提取，并进行多角度采样；当视频中的物体在变化时，这个物体所在的二维空间中的对应像素点也在同步变化，因此需要对运动主体进行多角度采样，并数字化表示；
步骤S5：进行动作特征理解与动作分类，完成检测。对提取出的运动主体的特征进行分类统计，并利用损失函数进行最优类别表示；
步骤S3中，图像优化的方法进一步包括以下步骤：
步骤A：选用带通滤波器，将图像的数字信息经过带通滤波器后输出；带通滤波器具有按照图像尺度、速度矢量来对输入信号进行分离的特性，基于带通滤波器的噪声滤除方法具有很好的综合性能，对运动目标特征点的速度矢量有较好的计算性能，并且能在较为宽泛的适用范围对图像进行处理；
步骤B：对滤波后的图像进行二值化转换，并存储数据；对图像进行二值化转换更有利于运算，且为后续图像的矩阵转换提供基础；
步骤C：将二值化后的图像分别以宽度和高度转换为对应的矩阵集合；将图像转换为矩阵表示，便于进行线性运算；
步骤D：引入梯度算子，并与图像的特征矩阵进行计算。图像的特征矩阵包含水平方向与垂直方向，使用梯度算子与特征矩阵共同计算，得出图像所有像素点的梯度幅值和方向；
步骤S4进一步包括以下步骤：
步骤S41：对视频进行处理，从中提取连续的图像帧序列；
步骤S42：使用光流计算方式对图像帧序列执行运动轨迹检测与采样；
步骤S43：利用光流值找到图像帧上前景目标出现的位置，并标记运动目标的特征点坐标；
步骤S44：对任意两个相邻图像帧继续执行光流计算，针对同一个运动特征点，寻找到下一个图像帧中的运动特征点坐标位置；
步骤S45：重复步骤S41-S44，实现对视频片段中运动目标的检测。
步骤S5中，进行动作特征理解与动作分类的方法进一步包括以下步骤：
步骤S51：设定N种分类类别标记，并以集合y＝{c1，c2，…，cN}的形式表示；
步骤S52：采用大数据技术对特征识别出现误差的分类类别进行记录，并以损失值λij记录；其中，λij代表把真实标记为cj的样本，错误地分类到类型标记为ci所产生的损失，该值由大数据技术计算所得，当i＝j时，λij的值为0；
步骤S53：当前运动主体所测的样本数量为x，计算数量为x的样本中，特征检测后错误标记为ci的期望损失值R(ci|x)；
步骤S54：在每个检测样本中，挑选出风险最小的类别标记。
步骤S53中，计算数量为x的样本中，检测出错误标记为ci的期望损失值R(ci|x)的计算公式为：
式中，p(cj|x)为样本x为ci标记的实现概率，λij为大数据技术所计算的把真实标记为cj的样本，错误地分类到类型标记为ci所产生的损失。错误标记为ci的期望损失值R(ci|x)代表标记误判所产生的损失，该值越大，表示当前特征判断越不准确，总体风险越高，当i＝j时，表示判断准确，λij＝0，对应的错误标记为ci的期望损失值R(ci|x)为0，此时特征检测最准确。
步骤S54中，挑选出风险最小的类别标记的方法为：
采用最优分类器，对于每个样本，挑选出让期望损失值R(ci|x)最小的类别标记h(x)，计算公式如下：
式中，min为比较函数，可以挑选出函数主体中最小的变量，c为单个样本，x为总样本，h(x)的值为让期望损失值最小的类别标记值。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于大数据的行为特征检测系统，包括图像采集模块、图像优化模块、特征检测模块，其特征在于：所述图像采集模块的输出端与图像优化模块的输入端电连接，所述图像优化模块的输出端与特征检测模块的输入端电连接，所述图像采集模块用于对需要检测的图像进行采集，所述图像优化模块用于对采集完的图像进行优化，所述特征检测模块用于检测并提取图像信息的行为特征信息，所述图像采集模块包括颜色空间生成模块、灰度边缘检测模块、关键帧抠图模块，所述颜色空间生成模块的输出端与灰度边缘检测模块的输入端电连接，所述灰度边缘检测模块的输出端与关键帧抠图模块的输入端电连接，所述颜色空间生成模块用于对颜色进行加法混色，构建颜色集合，所述灰度边缘检测模块用于检测图像的梯度，并判断边缘位置，所述关键帧抠图模块用于将视频信息中的关键帧部分抠出保存。
2.根据权利要求1所述的一种基于大数据的行为特征检测系统，其特征在于：所述图像优化模块包括滤波选择模块、图像二值化模块、图像带宽矩阵调整模块、算子引入模块，所述滤波选择模块的输出端与图像二值化模块的输入端电连接，所述图像二值化模块的输出端与图像带宽矩阵调整模块的输入端电连接，所述图像带宽矩阵调整模块的输出端与算子引入模块的输入端电连接，所述滤波选择模块用于选择与图像相匹配的滤波方式，所述图像二值化模块用于将图像进行二值化操作，所述图像带宽矩阵调整模块用于调整视频中图像的特征矩阵带宽，所述算子引入模块用于引入相匹配的边缘检测算子。
3.根据权利要求2所述的一种基于大数据的行为特征检测系统，其特征在于：所述特征检测模块包括RGB图像边缘检测模块、梯度光流计算模块、密集轨迹采样模块、多特征提取模块，所述RGB图像边缘检测模块的输出端与梯度光流计算模块的输入端电连接，所述梯度光流计算模块的输出端与密集轨迹采样模块的输入端电连接，所述密集轨迹采样模块的输出端与多特征提取模块的输入端电连接，所述RGB图像边缘检测模块用于将图像中的色彩信息通过多矢量表示出来，所述梯度光流计算模块用于计算图像中的运动矢量，所述密集轨迹采样模块用于根据图像中的密集轨迹点完成特征行为的识别与采样，所述多特征提取模块用于将识别的多项特征提取出来。
4.根据权利要求3所述的一种基于大数据的行为特征检测系统，其特征在于：所述一种基于大数据的行为特征检测系统的运行方法包括以下步骤：
步骤S1：进行图像采集，获取初始数据，并建立多个颜色尺度空间；
步骤S2：对运动目标进行灰度边缘检测，进行图像分割，并抠出运动主体；
步骤S3：进行图像优化，将图像数字化后，引入算子进行矩阵调整；
步骤S4：对运动主体的动作特征进行提取，并进行多角度采样；
步骤S5：进行动作特征理解与动作分类，完成检测。
5.根据权利要求4所述的一种基于大数据的行为特征检测系统，其特征在于：所述步骤S3中，图像优化的方法进一步包括以下步骤：
步骤A：选用带通滤波器，将图像的数字信息经过带通滤波器后输出；
步骤B：对滤波后的图像进行二值化转换，并存储数据；
步骤C：将二值化后的图像分别以宽度和高度转换为对应的矩阵集合；
步骤D：引入梯度算子，并与图像的特征矩阵进行计算。
6.根据权利要求5所述的一种基于大数据的行为特征检测系统，其特征在于：所述步骤S4进一步包括以下步骤：
步骤S41：对视频进行处理，从中提取连续的图像帧序列；
步骤S42：使用光流计算方式对图像帧序列执行运动轨迹检测与采样；
步骤S43：利用光流值找到图像帧上前景目标出现的位置，并标记运动目标的特征点坐标；
步骤S44：对任意两个相邻图像帧继续执行光流计算，针对同一个运动特征点，寻找到下一个图像帧中的运动特征点坐标位置；
步骤S45：重复步骤S41-S44，实现对视频片段中运动目标的检测。
7.根据权利要求6所述的一种基于大数据的行为特征检测系统，其特征在于：所述步骤S5中，进行动作特征理解与动作分类的方法进一步包括以下步骤：
步骤S51：设定N种分类类别标记，并以集合y＝{c1，c2，…，cN}的形式表示；
步骤S52：采用大数据技术对特征识别出现误差的分类类别进行记录，并以损失值λij记录；其中，λij代表把真实标记为cj的样本，错误地分类到类型标记为ci所产生的损失，该值由大数据技术计算所得，当i＝j时，λij的值为0；
步骤S53：当前运动主体所测的样本数量为x，计算数量为x的样本中，特征检测后错误标记为ci的期望损失值R(ci|x)；
步骤S54：在每个检测样本中，挑选出风险最小的类别标记。
8.根据权利要求7所述的一种基于大数据的行为特征检测系统，其特征在于：所述步骤S53中，计算数量为x的样本中，检测出错误标记为ci的期望损失值R(ci|x)的计算公式为：
式中，p(cj|x)为样本x为ci标记的实现概率，λij为大数据技术所计算的把真实标记为cj的样本，错误地分类到类型标记为ci所产生的损失。错误标记为ci的期望损失值R(ci|x)代表标记误判所产生的损失，该值越大，表示当前特征判断越不准确，总体风险越高，当i＝j时，表示判断准确，λij＝0，对应的错误标记为ci的期望损失值R(ci|x)为0，此时特征检测最准确。
9.根据权利要求8所述的一种基于大数据的行为特征检测系统，其特征在于：所述步骤S54中，挑选出风险最小的类别标记的方法为：
采用最优分类器，对于每个样本，挑选出让期望损失值R(ci|x)最小的类别标记h(x)，计算公式如下：
式中，min为比较函数，可以挑选出函数主体中最小的变量，c为单个样本，x为总样本，h(c)的值为让期望损失值最小的类别标记值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210388706.4A CN114708662A (zh) | 2022-04-13 | 2022-04-13 | 一种基于大数据的行为特征检测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210388706.4A CN114708662A (zh) | 2022-04-13 | 2022-04-13 | 一种基于大数据的行为特征检测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114708662A true CN114708662A (zh) | 2022-07-05 |
Family
ID=82174318
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210388706.4A Pending CN114708662A (zh) | 2022-04-13 | 2022-04-13 | 一种基于大数据的行为特征检测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114708662A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105160310A (zh) * | 2015-08-25 | 2015-12-16 | 西安电子科技大学 | 基于3d卷积神经网络的人体行为识别方法 |
| CN109308484A (zh) * | 2018-08-01 | 2019-02-05 | 清华大学 | 航空发动机多类故障最小风险诊断方法及装置 |
| CN110309806A (zh) * | 2019-07-08 | 2019-10-08 | 哈尔滨理工大学 | 一种基于视频图像处理的手势识别系统及其方法 |
| CN112818948A (zh) * | 2021-03-09 | 2021-05-18 | 东南大学 | 一种嵌入式系统下的基于视觉注意力的行为识别方法 |
-
2022
- 2022-04-13 CN CN202210388706.4A patent/CN114708662A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105160310A (zh) * | 2015-08-25 | 2015-12-16 | 西安电子科技大学 | 基于3d卷积神经网络的人体行为识别方法 |
| CN109308484A (zh) * | 2018-08-01 | 2019-02-05 | 清华大学 | 航空发动机多类故障最小风险诊断方法及装置 |
| CN110309806A (zh) * | 2019-07-08 | 2019-10-08 | 哈尔滨理工大学 | 一种基于视频图像处理的手势识别系统及其方法 |
| CN112818948A (zh) * | 2021-03-09 | 2021-05-18 | 东南大学 | 一种嵌入式系统下的基于视觉注意力的行为识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109978822B (zh) | 一种基于机器视觉的香蕉成熟度评判建模方法和评判方法 | |
| CN106910186B (zh) | 一种基于cnn深度学习的桥梁裂缝检测定位方法 | |
| Zhou et al. | Robust vehicle detection in aerial images using bag-of-words and orientation aware scanning | |
| CN109784204B (zh) | 一种用于并联机器人的堆叠串类水果主果梗识别和提取方法 | |
| CN104598883B (zh) | 一种多摄像机监控网络中目标再识别的方法 | |
| CN112633382B (zh) | 一种基于互近邻的少样本图像分类方法及系统 | |
| CN106529559A (zh) | 一种指针式圆形多仪表盘实时读数识别方法 | |
| CN104077577A (zh) | 一种基于卷积神经网络的商标检测方法 | |
| CN111860570B (zh) | 一种云微粒子图像提取及分类方法 | |
| CN110047063B (zh) | 一种物料掉落的检测方法、装置、设备及存储介质 | |
| CN107704867A (zh) | 一种视觉定位中基于衡量因子的图像特征点误匹配剔除方法 | |
| Ngugi et al. | A new approach to learning and recognizing leaf diseases from individual lesions using convolutional neural networks | |
| CN109063773B (zh) | 一种利用图像特征提高激光探针分类精度的方法 | |
| CN112396635A (zh) | 一种基于多设备的复杂环境下多目标检测方法 | |
| CN111539330A (zh) | 一种基于双svm多分类器的变电站数显仪表识别方法 | |
| CN112419260A (zh) | 一种pcb文字区域缺陷检测方法 | |
| CN112861914A (zh) | 一种高铁头罩前开闭脱漆故障检测方法 | |
| CN111028263B (zh) | 一种基于光流颜色聚类的运动物体分割方法及其系统 | |
| CN114332084A (zh) | 一种基于深度学习的pcb表面缺陷检测方法 | |
| CN111832497B (zh) | 一种基于几何特征的文本检测后处理方法 | |
| CN115830514B (zh) | 一种适用于带弯曲河道的全河段表面流速计算方法及系统 | |
| CN114065798A (zh) | 基于机器识别的视觉识别方法及装置 | |
| CN110751196B (zh) | 一种油水两相流透明管壁内类油滴附着物识别方法 | |
| CN114662594B (zh) | 一种目标特征识别分析系统 | |
| CN114708662A (zh) | 一种基于大数据的行为特征检测系统 |
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 |