CN116109630B - 基于传感器采集和人工智能的图像分析方法及系统 - Google Patents
基于传感器采集和人工智能的图像分析方法及系统 Download PDFInfo
- Publication number
- CN116109630B CN116109630B CN202310374155.0A CN202310374155A CN116109630B CN 116109630 B CN116109630 B CN 116109630B CN 202310374155 A CN202310374155 A CN 202310374155A CN 116109630 B CN116109630 B CN 116109630B
- Authority
- CN
- China
- Prior art keywords
- behavior
- category
- parameter
- information
- type
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/445—Program loading or initiating
- G06F9/44521—Dynamic linking or loading; Link editing at or after load time, e.g. Java class loading
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供的基于传感器采集和人工智能的图像分析方法及系统，涉及人工智能技术领域。在本发明中，挖掘出图像内容特征表示，以及，分析出行为种类相关参数；对图像内容特征表示和从属种类特征表示进行对比分析操作，得到行为从属种类相关参数；计算行为种类评估代价参数；基于行为种类相关参数、行为从属种类相关参数、实际行为种类信息和实际行为从属种类信息之间的种类粒度大小信息，计算种类粒度评估代价参数；基于行为种类评估代价参数和种类粒度评估代价参数，形成优化图像分析网络；利用优化图像分析网络，将待分析图像序列进行分析操作，以形成目标行为种类分析结果。基于上述内容，可以提高图像分析的可靠度。
Description
技术领域
本发明涉及人工智能技术领域，具体而言，涉及一种基于传感器采集和人工智能的图像分析方法及系统。
背景技术
人工智能(Artificial Intelligence，简称AI)，是利用数字计算机或者数字计算机控制的计算模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能在互联网时代具有较多的应用场景，能够有效提高数据分析的可靠度和效率。例如，可以通过人工智能技术，对图像传感器采集到监控图像进行分析，如进行对象（如人物、动物、车辆等活动对象）的行为分析，如某某对象进行了某某行为等。但是，在现有技术中，在基于图像的行为分析的过程中，存在着可靠度不高的问题。
发明内容
有鉴于此，本发明的目的在于提供一种基于传感器采集和人工智能的图像分析方法及系统，以提高图像分析的可靠度。
为实现上述目的，本发明实施例采用如下技术方案：
一种基于传感器采集和人工智能的图像分析方法，所述图像分析方法包括：
挖掘出示例性图像序列对应的图像内容特征表示，以及，利用候选图像分析网络和所述图像内容特征表示，分析出待定行为种类信息对应的行为种类相关参数；
挖掘出待定行为从种类信息对应的从属种类特征表示，以及，利用所述候选图像分析网络，对所述图像内容特征表示和所述从属种类特征表示进行对比分析操作，并基于对比分析的输出数据，得到所述待定行为从种类信息对应的行为从属种类相关参数，所述待定行为从种类信息对应的种类粒度小于所述待定行为种类信息对应的种类粒度；
基于所述示例性图像序列对应的实际行为种类信息、所述行为种类相关参数、所述示例性图像序列对应的实际行为从属种类信息和所述行为从属种类相关参数，计算所述示例性图像序列对应的行为种类评估代价参数；
基于所述行为种类相关参数、所述行为从属种类相关参数、所述实际行为种类信息和所述实际行为从属种类信息之间的种类粒度大小信息，计算出所述示例性图像序列对应的种类粒度评估代价参数，所述种类粒度大小信息用于反映所述实际行为种类信息对应的种类粒度大于所述实际行为从属种类信息对应的种类粒度；
基于所述行为种类评估代价参数和所述种类粒度评估代价参数，将所述候选图像分析网络进行优化操作，以形成优化图像分析网络；
利用所述优化图像分析网络，将待分析图像序列进行分析操作，以形成所述待分析图像序列对应的目标行为种类分析结果，所述待分析图像序列包括的待分析图像基于目标图像传感器对目标区域进行图像采集形成，所述目标行为种类分析结果用于反映所述目标区域中的行为的种类。
在一些优选的实施例中，在上述基于传感器采集和人工智能的图像分析方法中，所述挖掘出示例性图像序列对应的图像内容特征表示，以及，利用候选图像分析网络和所述图像内容特征表示，分析出待定行为种类信息对应的行为种类相关参数的步骤，包括：
挖掘出示例性图像序列对应的图像内容特征表示；
对所述图像内容特征表示进行加载，以加载到所述候选图像分析网络包括的种类评估单元中，利用所述种类评估单元，挖掘出所述待定行为种类信息对应的相关关系特征表示；
基于所述相关关系特征表示，确定出所述待定行为种类信息对应的行为种类相关程度值，以及，对所述行为种类相关程度值组合形成的参数矩阵进行标记操作，标记为所述待定行为种类信息对应的行为种类相关参数。
在一些优选的实施例中，在上述基于传感器采集和人工智能的图像分析方法中，所述挖掘出待定行为从种类信息对应的从属种类特征表示，以及，利用所述候选图像分析网络，对所述图像内容特征表示和所述从属种类特征表示进行对比分析操作，并基于对比分析的输出数据，得到所述待定行为从种类信息对应的行为从属种类相关参数的步骤，包括：
确定出待定行为从种类信息对应的行为描述数据簇；
提取到所述行为描述数据簇中每一个行为描述数据对应的描述数据特征表示，以及，对每一个所述行为描述数据对应的描述数据特征表示进行聚合操作，以形成对应的聚合描述数据特征表示；
确定出所述行为描述数据簇包括的行为描述数据的数据量统计参数；
基于所述聚合描述数据特征表示和所述数据量统计参数，分析出所述待定行为从种类信息对应的从属种类特征表示；
利用所述候选图像分析网络，对所述图像内容特征表示和所述从属种类特征表示进行对比分析操作，并基于对比分析的输。
在一些优选的实施例中，在上述基于传感器采集和人工智能的图像分析方法中，所述待定行为从种类信息为两个及以上，两个及以上数量的待定行为从种类信息包括待定行为从种类信息A，所述从属种类特征表示包括所述待定行为从种类信息A对应的从属种类特征表示a；
所述利用所述候选图像分析网络，对所述图像内容特征表示和所述从属种类特征表示进行对比分析操作，并基于对比分析的输出数据，得到所述待定行为从种类信息对应的行为从属种类相关参数的步骤，包括：
对所述图像内容特征表示和所述从属种类特征表示a进行加载，以加载到所述候选图像分析网络包括的从属种类评估单元中；
利用所述从属种类评估单元，将所述图像内容特征表示和所述从属种类特征表示a进行对比分析操作，以输出所述图像内容特征表示和所述从属种类特征表示a之间的相关性表征参数；
对所述相关性表征参数进行标记操作，以标记为所述待定行为从种类信息A对应的从行为种类相关程度值；
在分析出所述两个及以上数量的待定行为从种类信息各自对应的从行为种类相关程度值的情况下，对两个及以上数量从行为种类相关程度值组合形成的程度值矩阵进行标记操作，标记为对应的行为从属种类相关参数。
在一些优选的实施例中，在上述基于传感器采集和人工智能的图像分析方法中，所述利用所述从属种类评估单元，将所述图像内容特征表示和所述从属种类特征表示a进行对比分析操作，以输出所述图像内容特征表示和所述从属种类特征表示a之间的相关性表征参数的步骤，包括：
提取到所述从属种类评估单元包括的特征表示处理参数；
对所述特征表示处理参数、所述图像内容特征表示和所述从属种类特征表示a进行分析操作，以形成所述待定行为从种类信息A对应的分析特征表示；
对所述分析特征表示进行加载，以加载到特征表示整合单元中；
利用所述特征表示整合单元包括的参数映射规则，将所述分析特征表示进行参数映射操作，以输出所述图像内容特征表示和所述从属种类特征表示a之间的相关性表征参数。
在一些优选的实施例中，在上述基于传感器采集和人工智能的图像分析方法中，所述对所述特征表示处理参数、所述图像内容特征表示和所述从属种类特征表示a进行分析操作，以形成所述待定行为从种类信息A对应的分析特征表示的步骤，包括：
对所述特征表示处理参数进行拆分操作，以形成对应的局部转换参数第一分布和局部转换参数第二分布；
对所述局部转换参数第一分布和所述图像内容特征表示进行相乘计算操作，以形成对应的相乘计算第一输出数据；
对所述局部转换参数第二分布和所述从属种类特征表示a进行相乘计算操作，以形成对应的相乘计算第二输出数据；
对所述相乘计算第二输出数据进行参数的行列转换操作，以形成对应的转换输出数据；
对所述相乘计算第一输出数据和所述转换输出数据进行相乘计算操作，以形成所述待定行为从种类信息A对应的分析特征表示。
在一些优选的实施例中，在上述基于传感器采集和人工智能的图像分析方法中，所述基于所述示例性图像序列对应的实际行为种类信息、所述行为种类相关参数、所述示例性图像序列对应的实际行为从属种类信息和所述行为从属种类相关参数，计算所述示例性图像序列对应的行为种类评估代价参数的步骤，包括：
基于所述实际行为种类信息和所述行为种类相关参数，分析出所述示例性图像序列对应的种类评估第一代价参数；
基于所述实际行为从属种类信息和所述行为从属种类相关参数，分析出所述示例性图像序列对应的种类评估第二代价参数；
基于所述种类评估第一代价参数和所述种类评估第二代价参数，分析出所述行为种类评估代价参数。
在一些优选的实施例中，在上述基于传感器采集和人工智能的图像分析方法中，所述待定行为种类信息为两个及以上数量；
所述基于所述实际行为种类信息和所述行为种类相关参数，分析出所述示例性图像序列对应的种类评估第一代价参数的步骤，包括：
从所述行为种类相关参数中，确定出所述实际行为种类信息对应的行为种类相关程度值，并确定出其它行为种类信息对应的行为种类相关程度值，所述其它行为种类信息为两个及以上数量的待定行为种类信息中所述实际行为种类信息之外的待定行为种类信息；
确定出种类评估代价第一规则；
对所述种类评估代价第一规则中所述实际行为种类信息对应的种类选中信息配置为可靠表征参数，以及，基于所述可靠表征参数和所述实际行为种类信息对应的行为种类相关程度值，确定出第一局部代价参数；
对所述种类评估代价第一规则中所述其它行为种类信息对应的种类选中信息配置为非可靠表征参数，以及，基于所述非可靠表征参数和所述其它行为种类信息对应的行为种类相关程度值，确定出第二局部代价参数；
对所述第一局部代价参数与所述第二局部代价参数进行求和计算操作，以输出对应的求和计算结果，以及，计算预先配置的参考参数和所述求和计算结果之间的差值，以形成所述示例性图像序列对应的种类评估第一代价参数；
并且，所述基于所述种类评估第一代价参数和所述种类评估第二代价参数，分析出所述行为种类评估代价参数的步骤，包括：
确定出所述种类评估第一代价参数对应的权重表征第一值，并确定出所述种类评估第二代价参数对应的权重表征第二值；以及，对所述权重表征第一值和所述种类评估第一代价参数进行相乘计算操作，以形成对应的加权评估第一代价参数；以及，对所述权重表征第二值和所述种类评估第二代价参数进行相乘计算操作，以形成对应的加权评估第二代价参数；以及，将所述加权评估第一代价参数与所述加权评估第二代价参数进行叠加计算操作，以输出对应的所述行为种类评估代价参数。
在一些优选的实施例中，在上述基于传感器采集和人工智能的图像分析方法中，所述基于所述行为种类相关参数、所述行为从属种类相关参数、所述实际行为种类信息和所述实际行为从属种类信息之间的种类粒度大小信息，计算出所述示例性图像序列对应的种类粒度评估代价参数的步骤，包括：
从所述行为种类相关参数中，确定出所述实际行为种类信息对应的行为种类相关程度值，以及，从所述行为从属种类相关参数中，确定出所述实际行为从属种类信息对应的从行为种类相关程度值；以及，分析出所述实际行为从属种类信息对应的从行为种类相关程度值，和所述实际行为种类信息对应的行为种类相关程度值之间的相关程度差异参数；
基于所述相关程度差异参数和所述种类粒度大小信息，分析出所述种类粒度评估代价参数；
其中，所述种类粒度大小信息用于限定所述实际行为从属种类信息对应的从行为种类相关程度值，和所述实际行为种类信息对应的行为种类相关程度值之间的高低信息；以及，所述基于所述相关程度差异参数和所述种类粒度大小信息，分析出所述种类粒度评估代价参数的步骤，包括：
确定出种类粒度评估代价规则；以及，在所述相关程度差异参数大于或等于零的情况下，得到所述实际行为从属种类信息对应的从行为种类相关程度值，和所述实际行为种类信息对应的行为种类相关程度值之间的高低信息与所述种类粒度大小信息不匹配的结果，以及，基于所述种类粒度评估代价规则中的预设代价偏置值和所述相关程度差异参数，分析出对应的所述种类粒度评估代价参数；以及，在所述相关程度差异参数小于零的情况下，得到所述实际行为从属种类信息对应的从行为种类相关程度值，和所述实际行为种类信息对应的行为种类相关程度值之间的高低信息与所述种类粒度大小信息匹配的结果，以及，基于所述种类粒度评估代价规则中的非可靠表征参数、所述预设代价偏置值和所述相关程度差异参数，分析出对应的所述种类粒度评估代价参数。
本发明实施例还提供一种基于传感器采集和人工智能的图像分析系统，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现上述的图像分析方法。
本发明实施例提供的基于传感器采集和人工智能的图像分析方法及系统，可以先挖掘出示例性图像序列对应的图像内容特征表示，以及，利用图像内容特征表示，分析出待定行为种类信息对应的行为种类相关参数；挖掘出待定行为从种类信息对应的从属种类特征表示，以及，对图像内容特征表示和从属种类特征表示进行对比分析操作，得到待定行为从种类信息对应的行为从属种类相关参数；基于示例性图像序列对应的实际行为种类信息、行为种类相关参数、示例性图像序列对应的实际行为从属种类信息和行为从属种类相关参数，计算示例性图像序列对应的行为种类评估代价参数；基于行为种类相关参数、行为从属种类相关参数、实际行为种类信息和实际行为从属种类信息之间的种类粒度大小信息，计算出示例性图像序列对应的种类粒度评估代价参数；基于行为种类评估代价参数和种类粒度评估代价参数，将候选图像分析网络进行优化操作，以形成优化图像分析网络；利用优化图像分析网络，将待分析图像序列进行分析操作，以形成待分析图像序列对应的目标行为种类分析结果。基于上述内容，由于在对候选图像分析网络进行优化操作的过程中，不仅依靠了计算出的行为种类评估代价参数，还结合了基于不同粒度的分类形成的种类粒度评估代价参数，使得优化操作的依据更为充分，能够有效保障网络优化操作的可靠度，使得形成的优化图像分析网络具有较佳的图像分析能力，即对图像中的行为进行分析的能力，因此，可以提高图像分析的可靠度。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
图1为本发明实施例提供的基于传感器采集和人工智能的图像分析系统的结构框图。
图2为本发明实施例提供的基于传感器采集和人工智能的图像分析方法包括的各步骤的流程示意图。
图3为本发明实施例提供的基于传感器采集和人工智能的图像分析装置包括的各模块的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例只是本发明的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
如图1所示，本发明实施例提供了一种基于传感器采集和人工智能的图像分析系统。其中，所述基于传感器采集和人工智能的图像分析系统可以包括存储器和处理器。
详细地，所述存储器和处理器之间直接或间接地电性连接，以实现数据的传输或交互。例如，相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件（firmware）的形式，存在的软件功能模块（计算机程序）。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序，从而实现本发明实施例提供的基于传感器采集和人工智能的图像分析方法。
可以理解的是，在一些可能的实施方式中，所述存储器可以是，但不限于，随机存取存储器（Random Access Memory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（Programmable Read-Only Memory，PROM），可擦除只读存储器（ErasableProgrammable Read-Only Memory，EPROM），电可擦除只读存储器（Electric ErasableProgrammable Read-Only Memory，EEPROM）等。
可以理解的是，在一些可能的实施方式中，所述处理器可以是一种通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（Network Processor，NP）、片上系统(System on Chip，SoC)等；还可以是数字信号处理器（DSP）、专用集成电路（ASIC）、现场可编程门阵列（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。
可以理解的是，在一些可能的实施方式中，所述基于传感器采集和人工智能的图像分析系统可以是一种具备数据处理能力的服务器。
结合图2，本发明实施例还提供一种基于传感器采集和人工智能的图像分析方法，可应用于上述基于传感器采集和人工智能的图像分析系统。其中，所述基于传感器采集和人工智能的图像分析方法有关的流程所定义的方法步骤，可以由所述基于传感器采集和人工智能的图像分析系统实现。
下面将对图2所示的具体流程，进行详细阐述。
步骤S110，挖掘出示例性图像序列对应的图像内容特征表示，以及，利用候选图像分析网络和所述图像内容特征表示，分析出待定行为种类信息对应的行为种类相关参数。
在本发明实施例中，所述基于传感器采集和人工智能的图像分析系统可以挖掘出示例性图像序列对应的图像内容特征表示，以及，利用候选图像分析网络和所述图像内容特征表示，分析出待定行为种类信息对应的行为种类相关参数，如疑似行为种类信息的可能性。
步骤S120，挖掘出待定行为从种类信息对应的从属种类特征表示，以及，利用所述候选图像分析网络，对所述图像内容特征表示和所述从属种类特征表示进行对比分析操作，并基于对比分析的输出数据，得到所述待定行为从种类信息对应的行为从属种类相关参数。
在本发明实施例中，所述基于传感器采集和人工智能的图像分析系统可以挖掘出待定行为从种类信息对应的从属种类特征表示，以及，利用所述候选图像分析网络，对所述图像内容特征表示和所述从属种类特征表示进行对比分析操作，并基于对比分析的输出数据，得到所述待定行为从种类信息对应的行为从属种类相关参数，如疑似行为从属种类信息的可能性。所述待定行为从种类信息对应的种类粒度小于所述待定行为种类信息对应的种类粒度，如所述待定行为种类信息属于快速运动或慢速运动，所述待定行为从种类信息属于快速运动中的冲刺跑或慢速运动中散步走，其中，具体的种类信息可以根据实际应用场景进行配置，在此不做具体的限定。
步骤S130，基于所述示例性图像序列对应的实际行为种类信息、所述行为种类相关参数、所述示例性图像序列对应的实际行为从属种类信息和所述行为从属种类相关参数，计算所述示例性图像序列对应的行为种类评估代价参数。
在本发明实施例中，所述基于传感器采集和人工智能的图像分析系统可以于所述示例性图像序列对应的实际行为种类信息、所述行为种类相关参数、所述示例性图像序列对应的实际行为从属种类信息和所述行为从属种类相关参数，计算所述示例性图像序列对应的行为种类评估代价参数，也就是说，进行误差计算。
步骤S140，基于所述行为种类相关参数、所述行为从属种类相关参数、所述实际行为种类信息和所述实际行为从属种类信息之间的种类粒度大小信息，计算出所述示例性图像序列对应的种类粒度评估代价参数。
在本发明实施例中，所述基于传感器采集和人工智能的图像分析系统可以基于所述行为种类相关参数、所述行为从属种类相关参数、所述实际行为种类信息和所述实际行为从属种类信息之间的种类粒度大小信息，计算出所述示例性图像序列对应的种类粒度评估代价参数，即进行误差计算。所述种类粒度大小信息用于反映所述实际行为种类信息对应的种类粒度大于所述实际行为从属种类信息对应的种类粒度。
步骤S150，基于所述行为种类评估代价参数和所述种类粒度评估代价参数，将所述候选图像分析网络进行优化操作，以形成优化图像分析网络。
在本发明实施例中，所述基于传感器采集和人工智能的图像分析系统可以基于所述行为种类评估代价参数和所述种类粒度评估代价参数，将所述候选图像分析网络进行优化操作，以形成优化图像分析网络。例如，可以对所述行为种类评估代价参数和所述种类粒度评估代价参数进行加权求和，以得到总的评估代价参数，然后，可以沿着降低所述总的评估代价参数的方向，对所述候选图像分析网络进行优化操作，以形成优化图像分析网络，即对所述候选图像分析网络的网络参数进行优化调整。
步骤S160，利用所述优化图像分析网络，将待分析图像序列进行分析操作，以形成所述待分析图像序列对应的目标行为种类分析结果。
在本发明实施例中，所述基于传感器采集和人工智能的图像分析系统可以利用所述优化图像分析网络，将待分析图像序列进行分析操作，以形成所述待分析图像序列对应的目标行为种类分析结果。所述待分析图像序列包括的待分析图像基于目标图像传感器对目标区域进行图像采集形成，所述目标行为种类分析结果用于反映所述目标区域中的行为的种类。示例性地，所述目标行为种类分析结果可以仅包括行为种类信息，也可以仅包括从属行为种类信息，也可以同时包括行为种类信息和从属行为种类信息。
基于上述内容（即上述的步骤S110-步骤S160对应的内容），由于在对候选图像分析网络进行优化操作的过程中，不仅依靠了计算出的行为种类评估代价参数，还结合了基于不同粒度的分类形成的种类粒度评估代价参数，使得优化操作的依据更为充分，能够有效保障网络优化操作的可靠度，使得形成的优化图像分析网络具有较佳的图像分析能力，即对图像中的行为进行分析的能力，因此，可以提高图像分析的可靠度。
可以理解的是，在一些可能的实施方式中，上述的步骤S110，即所述挖掘出示例性图像序列对应的图像内容特征表示，以及，利用候选图像分析网络和所述图像内容特征表示，分析出待定行为种类信息对应的行为种类相关参数的步骤，可以进一步包括以下的内容：
挖掘出示例性图像序列对应的图像内容特征表示，所述示例性图像序列可以包括多帧示例性图像，所述多帧示例性图像可以是对一个区域进行图像采集得到，如通过图像传感器进行采集得到；
对所述图像内容特征表示进行加载，以加载到所述候选图像分析网络包括的种类评估单元中，利用所述种类评估单元，挖掘出所述待定行为种类信息对应的相关关系特征表示，示例性地，可以对所述图像内容特征表示进行全连接处理，以形成对应的相关关系特征表示；
基于所述相关关系特征表示，确定出所述待定行为种类信息对应的行为种类相关程度值，以及，对所述行为种类相关程度值组合形成的参数矩阵进行标记操作，标记为所述待定行为种类信息对应的行为种类相关参数，例如，可以对所述相关关系特征表示进行激活处理，如通过S型函数进行激活处理，以得到每一种待定行为种类信息对应的行为种类相关程度值。
其中，可以理解的是，在一些可能的实施方式中，所述挖掘出示例性图像序列对应的图像内容特征表示的步骤，可以进一步包括以下的内容：
对于所述示例性图像序列中的每一个示例性图像，对该示例性图像进行背景部分挖掘操作，以得到该示例性图像对应的示例性背景部分图像，背景图像的挖掘或确定，可以参照相关的现有技术，在此不做具体的限定；
计算出每两个所述示例性背景部分图像之间的图像相似度，以及，基于所述图像相似度，对所述示例性背景部分图像进行聚类处理，以得到多个背景图像聚类集合，具体的聚类算法不受限制；
分别对每一个所述示例性背景部分图像进行特征空间映射操作，以得到每一个所述示例性背景部分图像对应的背景映射特征表示；
对于每一个所述背景图像聚类集合，对该背景图像聚类集合中的每一个示例性背景部分图像对应的背景映射特征表示进行均值计算操作，以形成该背景图像聚类集合对应的目标背景映射特征表示；
对于每一个示例性前景部分图像（所述示例性前景部分图像属于所述示例性图像中所述示例性背景部分图像以外的部分），对该示例性前景部分图像进行特征空间映射操作，以得到该示例性前景部分图像对应的前景映射特征表示，以及，将该前景映射特征表示和该示例性前景部分图像对应的示例性背景部分图像所在的背景图像聚类集合对应的目标背景映射特征表示进行聚合操作，以形成该示例性前景部分图像对应的聚合映射特征表示，该聚合操作可以包括拼接或叠加等；
计算所述聚合映射特征表示的行列转换结果和对应的前景映射特征表示之间的乘积，并对该乘积和该前景映射特征表示进行相乘运算，以形成相应示例性前景部分图像的深度映射特征表示（即实现聚焦特征分析）；
对于每一个所述示例性前景部分图像，基于与该示例性前景部分图像之间的图像相似度，对其它示例性前景部分图像对应的深度映射特征表示进行加权叠加操作，以形成该示例性前景部分图像对应的相关映射特征表示，以及，基于该相关映射特征表示对该示例性前景部分图像对应的深度映射特征表示进行聚焦特征分析操作，以形成该示例性前景部分图像对应的聚焦深度映射特征表示，以及，将该聚焦深度映射特征表示和该示例性前景部分图像对应的深度映射特征表示的叠加结果进行全连接处理，以形成该示例性前景部分图像对应的全连接特征表示；
将每一个所述示例性前景部分图像对应的全连接特征表示进行聚合操作，如拼接操作，以形成所述示例性图像序列对应的图像内容特征表示。
可以理解的是，在一些可能的实施方式中，上述的步骤S120，即所述挖掘出待定行为从种类信息对应的从属种类特征表示，以及，利用所述候选图像分析网络，对所述图像内容特征表示和所述从属种类特征表示进行对比分析操作，并基于对比分析的输出数据，得到所述待定行为从种类信息对应的行为从属种类相关参数的步骤，可以进一步包括以下的内容：
确定出待定行为从种类信息对应的行为描述数据簇，例如，所述待定行为从种类信息可以包括多个表征行为的词语，如此，可以针对每一个词语，获取该词语的词语描述数据，该词语描述数据可以是该词语的释义；
提取到所述行为描述数据簇中每一个行为描述数据对应的描述数据特征表示，以及，对每一个所述行为描述数据对应的描述数据特征表示进行聚合操作，以形成对应的聚合描述数据特征表示；
确定出所述行为描述数据簇包括的行为描述数据的数据量统计参数；
基于所述聚合描述数据特征表示和所述数据量统计参数，分析出所述待定行为从种类信息对应的从属种类特征表示，例如，前述的聚合操作可以是将每一个所述行为描述数据对应的描述数据特征表示进行叠加计算，如此，可以将所述聚合描述数据特征表示除以所述数据量统计参数，以得到所述待定行为从种类信息对应的从属种类特征表示，或者，在其它实施方式中，也可以将每一个所述行为描述数据对应的描述数据特征表示进行叠加计算的结果的归一化数据作为对应的从属种类特征表示；
利用所述候选图像分析网络，对所述图像内容特征表示和所述从属种类特征表示进行对比分析操作，并基于对比分析的输出数据，得到所述待定行为从种类信息对应的行为从属种类相关参数。
可以理解的是，在一些可能的实施方式中，所述待定行为从种类信息为两个及以上，两个及以上数量的待定行为从种类信息包括待定行为从种类信息A，所述从属种类特征表示包括所述待定行为从种类信息A对应的从属种类特征表示a，基于此，所述利用所述候选图像分析网络，对所述图像内容特征表示和所述从属种类特征表示进行对比分析操作，并基于对比分析的输出数据，得到所述待定行为从种类信息对应的行为从属种类相关参数的步骤，可以进一步包括以下的内容：
对所述图像内容特征表示和所述从属种类特征表示a进行加载，以加载到所述候选图像分析网络包括的从属种类评估单元中；
利用所述从属种类评估单元，将所述图像内容特征表示和所述从属种类特征表示a进行对比分析操作，以输出所述图像内容特征表示和所述从属种类特征表示a之间的相关性表征参数；
对所述相关性表征参数进行标记操作，以标记为所述待定行为从种类信息A对应的从行为种类相关程度值；
在分析出所述两个及以上数量的待定行为从种类信息各自对应的从行为种类相关程度值的情况下，对两个及以上数量从行为种类相关程度值组合形成的程度值矩阵进行标记操作，标记为对应的行为从属种类相关参数，也就是说，所述行为从属种类相关参数的表现形式可以为矩阵。
可以理解的是，在一些可能的实施方式中，所述利用所述从属种类评估单元，将所述图像内容特征表示和所述从属种类特征表示a进行对比分析操作，以输出所述图像内容特征表示和所述从属种类特征表示a之间的相关性表征参数的步骤，可以进一步包括以下的内容：
提取到所述从属种类评估单元包括的特征表示处理参数；
对所述特征表示处理参数、所述图像内容特征表示和所述从属种类特征表示a进行分析操作，即进行相应规则的计算，以形成所述待定行为从种类信息A对应的分析特征表示；
对所述分析特征表示进行加载，以加载到特征表示整合单元中；
利用所述特征表示整合单元包括的参数映射规则，将所述分析特征表示进行参数映射操作，以输出所述图像内容特征表示和所述从属种类特征表示a之间的相关性表征参数，示例性地，可以基于softmax等函数，对所述分析特征表示进行处理，以得到对应的相关性表征参数。
可以理解的是，在一些可能的实施方式中，所述对所述特征表示处理参数、所述图像内容特征表示和所述从属种类特征表示a进行分析操作，以形成所述待定行为从种类信息A对应的分析特征表示的步骤，可以进一步包括以下的内容：
对所述特征表示处理参数进行拆分操作，以形成对应的局部转换参数第一分布和局部转换参数第二分布，也就是说，所述特征表示处理参数至少包括所述局部转换参数第一分布和所述局部转换参数第二分布；
对所述局部转换参数第一分布和所述图像内容特征表示进行相乘计算操作，以形成对应的相乘计算第一输出数据；
对所述局部转换参数第二分布和所述从属种类特征表示a进行相乘计算操作，以形成对应的相乘计算第二输出数据；
对所述相乘计算第二输出数据进行参数的行列转换操作，即行参数与列参数的转换，以形成对应的转换输出数据；
对所述相乘计算第一输出数据和所述转换输出数据进行相乘计算操作，以形成所述待定行为从种类信息A对应的分析特征表示。
可以理解的是，在一些可能的实施方式中，上述的步骤S130，即所述基于所述示例性图像序列对应的实际行为种类信息、所述行为种类相关参数、所述示例性图像序列对应的实际行为从属种类信息和所述行为从属种类相关参数，计算所述示例性图像序列对应的行为种类评估代价参数的步骤，可以进一步包括以下的内容：
基于所述实际行为种类信息和所述行为种类相关参数，分析出所述示例性图像序列对应的种类评估第一代价参数，即大粒度的误差；
基于所述实际行为从属种类信息和所述行为从属种类相关参数，分析出所述示例性图像序列对应的种类评估第二代价参数，即小粒度的误差；
基于所述种类评估第一代价参数和所述种类评估第二代价参数，分析出所述行为种类评估代价参数，如融合两个粒度维度的代价参数。
可以理解的是，在一些可能的实施方式中，所述待定行为种类信息为两个及以上数量，基于此，所述基于所述实际行为种类信息和所述行为种类相关参数，分析出所述示例性图像序列对应的种类评估第一代价参数的步骤，可以进一步包括以下的内容：
从所述行为种类相关参数中，确定出所述实际行为种类信息对应的行为种类相关程度值，并确定出其它行为种类信息对应的行为种类相关程度值，所述其它行为种类信息为两个及以上数量的待定行为种类信息中所述实际行为种类信息之外的待定行为种类信息；
确定出种类评估代价第一规则；
对所述种类评估代价第一规则中所述实际行为种类信息对应的种类选中信息（用于反映某个待定行为种类信息是否为该示例性图像序列的实际行为种类信息）配置为可靠表征参数，例如，该可靠表征参数可以等于1，以及，基于所述可靠表征参数和所述实际行为种类信息对应的行为种类相关程度值，确定出第一局部代价参数，例如，可以先对所述实际行为种类信息对应的行为种类相关程度值进行取对数的操作，然后，对操作结果和所述可靠表征参数进行相乘运算；
对所述种类评估代价第一规则中所述其它行为种类信息对应的种类选中信息配置为非可靠表征参数，例如，该非可靠表征参数可以等于0，以及，基于所述非可靠表征参数和所述其它行为种类信息对应的行为种类相关程度值，确定出第二局部代价参数；
对所述第一局部代价参数与所述第二局部代价参数进行求和计算操作，以输出对应的求和计算结果，以及，计算预先配置的参考参数和所述求和计算结果之间的差值，以形成所述示例性图像序列对应的种类评估第一代价参数，示例性地，所述参考参数可以等于零。
其中，可以理解的是，在一些可能的实施方式中，所述基于所述实际行为从属种类信息和所述行为从属种类相关参数，分析出所述示例性图像序列对应的种类评估第二代价参数的步骤，可以进一步包括以下的内容：
从所述行为从属种类相关参数中，确定出所述实际行为从属种类信息对应的从行为种类相关程度值，并确定其它行为从属种类信息对应的从行为种类相关程度值，所述其它行为从属种类信息为两个及以上数量的待定行为从种类信息中所述实际行为从属种类信息外的待定行为从种类信息；
确定出种类评估代价第二规则；
对所述种类评估代价第二规则中实际行为从属种类信息对应的子种类选中信息配置为所述可靠表征参数；
基于所述可靠表征参数和所述实际行为从属种类信息对应的从行为种类相关程度值，确定出第三局部代价参数；
将种类评估代价第二规则中其它行为从属种类信息对应的子种类选中信息配置为所述非可靠表征参数；
基于所述非可靠表征参数和所述其它行为从属种类信息对应的从行为种类相关程度值，确定出第四局部代价参数；
对所述第三局部代价参数与所述第四局部代价参数进行求和计算操作，以输出对应的求和计算结果，计算所述参考参数和该求和计算结果之间的差值，以形成所述示例性图像序列对应的种类评估第二代价参数。
可以理解的是，在一些可能的实施方式中，所述基于所述种类评估第一代价参数和所述种类评估第二代价参数，分析出所述行为种类评估代价参数的步骤，可以进一步包括以下的内容：
确定出所述种类评估第一代价参数对应的权重表征第一值，并确定出所述种类评估第二代价参数对应的权重表征第二值，所述权重表征第一值和所述权重表征第二值的具体数值不受限制，可以根据实际需求进行配置；
对所述权重表征第一值和所述种类评估第一代价参数进行相乘计算操作，以形成对应的加权评估第一代价参数；
对所述权重表征第二值和所述种类评估第二代价参数进行相乘计算操作，以形成对应的加权评估第二代价参数；
将所述加权评估第一代价参数与所述加权评估第二代价参数进行叠加计算操作，以输出对应的所述行为种类评估代价参数。
可以理解的是，在一些可能的实施方式中，上述的步骤S140，即所述基于所述行为种类相关参数、所述行为从属种类相关参数、所述实际行为种类信息和所述实际行为从属种类信息之间的种类粒度大小信息，计算出所述示例性图像序列对应的种类粒度评估代价参数的步骤，可以进一步包括以下的内容：
从所述行为种类相关参数中，确定出所述实际行为种类信息对应的行为种类相关程度值，以及，从所述行为从属种类相关参数中，确定出所述实际行为从属种类信息对应的从行为种类相关程度值；以及，分析出所述实际行为从属种类信息对应的从行为种类相关程度值，和所述实际行为种类信息对应的行为种类相关程度值之间的相关程度差异参数；
基于所述相关程度差异参数和所述种类粒度大小信息，分析出所述种类粒度评估代价参数。
可以理解的是，在一些可能的实施方式中，所述种类粒度大小信息用于限定所述实际行为从属种类信息对应的从行为种类相关程度值，和所述实际行为种类信息对应的行为种类相关程度值之间的高低信息，基于此，所述基于所述相关程度差异参数和所述种类粒度大小信息，分析出所述种类粒度评估代价参数的步骤，可以进一步包括以下的内容：
确定出种类粒度评估代价规则；
在所述相关程度差异参数大于或等于零的情况下，得到所述实际行为从属种类信息对应的从行为种类相关程度值，和所述实际行为种类信息对应的行为种类相关程度值之间的高低信息与所述种类粒度大小信息不匹配的结果，以及，基于所述种类粒度评估代价规则中的预设代价偏置值和所述相关程度差异参数，分析出对应的所述种类粒度评估代价参数；
在所述相关程度差异参数小于零的情况下，得到所述实际行为从属种类信息对应的从行为种类相关程度值，和所述实际行为种类信息对应的行为种类相关程度值之间的高低信息与所述种类粒度大小信息匹配的结果（即种类相关程度值之间的高低信息与种类粒度大小信息匹配），以及，基于所述种类粒度评估代价规则中的非可靠表征参数、所述预设代价偏置值和所述相关程度差异参数，分析出对应的所述种类粒度评估代价参数。
其中，可以理解的是，在一些可能的实施方式中，所述基于所述种类粒度评估代价规则中的预设代价偏置值和所述相关程度差异参数，分析出对应的所述种类粒度评估代价参数的步骤，可以进一步包括以下的内容：
计算所述种类粒度评估代价规则中的预设代价偏置值和所述相关程度差异参数之间的和值，然后，可以将该和值作为种类粒度评估代价参数，另外，所述预设代价偏置值可以作为网络操作中的对象进行优化。
其中，可以理解的是，在一些可能的实施方式中，所述于所述种类粒度评估代价规则中的非可靠表征参数、所述预设代价偏置值和所述相关程度差异参数，分析出对应的所述种类粒度评估代价参数的步骤，可以进一步包括以下的内容：
计算所述预设代价偏置值和所述相关程度差异参数之间的和值，然后，在该和值和一个配置参数中确定出较大值，以作为种类粒度评估代价参数，该配置参数可以等于零。
结合图3，本发明实施例还提供一种基于传感器采集和人工智能的图像分析装置，可应用于上述基于传感器采集和人工智能的图像分析系统。其中，所述基于传感器采集和人工智能的图像分析装置可以包括：
种类相关参数分析模块，用于挖掘出示例性图像序列对应的图像内容特征表示，以及，利用候选图像分析网络和所述图像内容特征表示，分析出待定行为种类信息对应的行为种类相关参数；
从属种类相关参数分析模块，用于挖掘出待定行为从种类信息对应的从属种类特征表示，以及，利用所述候选图像分析网络，对所述图像内容特征表示和所述从属种类特征表示进行对比分析操作，并基于对比分析的输出数据，得到所述待定行为从种类信息对应的行为从属种类相关参数，所述待定行为从种类信息对应的种类粒度小于所述待定行为种类信息对应的种类粒度；
种类评估代价参数计算模块，用于基于所述示例性图像序列对应的实际行为种类信息、所述行为种类相关参数、所述示例性图像序列对应的实际行为从属种类信息和所述行为从属种类相关参数，计算所述示例性图像序列对应的行为种类评估代价参数；
粒度评估代价参数计算模块，用于基于所述行为种类相关参数、所述行为从属种类相关参数、所述实际行为种类信息和所述实际行为从属种类信息之间的种类粒度大小信息，计算出所述示例性图像序列对应的种类粒度评估代价参数，所述种类粒度大小信息用于反映所述实际行为种类信息对应的种类粒度大于所述实际行为从属种类信息对应的种类粒度；
网络优化模块，用于基于所述行为种类评估代价参数和所述种类粒度评估代价参数，将所述候选图像分析网络进行优化操作，以形成优化图像分析网络；
图像行为分析模块，用于利用所述优化图像分析网络，将待分析图像序列进行分析操作，以形成所述待分析图像序列对应的目标行为种类分析结果，所述待分析图像序列包括的待分析图像基于目标图像传感器对目标区域进行图像采集形成，所述目标行为种类分析结果用于反映所述目标区域中的行为的种类。
综上所述，本发明提供的基于传感器采集和人工智能的图像分析方法及系统，可以先挖掘出示例性图像序列对应的图像内容特征表示，以及，利用图像内容特征表示，分析出待定行为种类信息对应的行为种类相关参数；挖掘出待定行为从种类信息对应的从属种类特征表示，以及，对图像内容特征表示和从属种类特征表示进行对比分析操作，得到待定行为从种类信息对应的行为从属种类相关参数；基于示例性图像序列对应的实际行为种类信息、行为种类相关参数、示例性图像序列对应的实际行为从属种类信息和行为从属种类相关参数，计算示例性图像序列对应的行为种类评估代价参数；基于行为种类相关参数、行为从属种类相关参数、实际行为种类信息和实际行为从属种类信息之间的种类粒度大小信息，计算出示例性图像序列对应的种类粒度评估代价参数；基于行为种类评估代价参数和种类粒度评估代价参数，将候选图像分析网络进行优化操作，以形成优化图像分析网络；利用优化图像分析网络，将待分析图像序列进行分析操作，以形成待分析图像序列对应的目标行为种类分析结果。基于上述内容，由于在对候选图像分析网络进行优化操作的过程中，不仅依靠了计算出的行为种类评估代价参数，还结合了基于不同粒度的分类形成的种类粒度评估代价参数，使得优化操作的依据更为充分，能够有效保障网络优化操作的可靠度，使得形成的优化图像分析网络具有较佳的图像分析能力，即对图像中的行为进行分析的能力，因此，可以提高图像分析的可靠度。
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，对于本领域的技术人员来说，本发明可以有各种更改和变化。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 (7)
1.一种基于传感器采集和人工智能的图像分析方法，其特征在于，所述图像分析方法包括：
挖掘出示例性图像序列对应的图像内容特征表示，以及，利用候选图像分析网络和所述图像内容特征表示，分析出待定行为种类信息对应的行为种类相关参数；
挖掘出待定行为从种类信息对应的从属种类特征表示，以及，利用所述候选图像分析网络，对所述图像内容特征表示和所述从属种类特征表示进行对比分析操作，并基于对比分析的输出数据，得到所述待定行为从种类信息对应的行为从属种类相关参数，所述待定行为从种类信息对应的种类粒度小于所述待定行为种类信息对应的种类粒度；
基于所述示例性图像序列对应的实际行为种类信息、所述行为种类相关参数、所述示例性图像序列对应的实际行为从属种类信息和所述行为从属种类相关参数，计算所述示例性图像序列对应的行为种类评估代价参数；
基于所述行为种类相关参数、所述行为从属种类相关参数、所述实际行为种类信息和所述实际行为从属种类信息之间的种类粒度大小信息，计算出所述示例性图像序列对应的种类粒度评估代价参数，所述种类粒度大小信息用于反映所述实际行为种类信息对应的种类粒度大于所述实际行为从属种类信息对应的种类粒度；
基于所述行为种类评估代价参数和所述种类粒度评估代价参数，将所述候选图像分析网络进行优化操作，以形成优化图像分析网络；
利用所述优化图像分析网络，将待分析图像序列进行分析操作，以形成所述待分析图像序列对应的目标行为种类分析结果，所述待分析图像序列包括的待分析图像基于目标图像传感器对目标区域进行图像采集形成，所述目标行为种类分析结果用于反映所述目标区域中的行为的种类；
所述挖掘出示例性图像序列对应的图像内容特征表示，以及，利用候选图像分析网络和所述图像内容特征表示，分析出待定行为种类信息对应的行为种类相关参数的步骤，包括：
挖掘出示例性图像序列对应的图像内容特征表示；
对所述图像内容特征表示进行加载，以加载到所述候选图像分析网络包括的种类评估单元中，利用所述种类评估单元，挖掘出所述待定行为种类信息对应的相关关系特征表示；
基于所述相关关系特征表示，确定出所述待定行为种类信息对应的行为种类相关程度值，以及，对所述行为种类相关程度值组合形成的参数矩阵进行标记操作，标记为所述待定行为种类信息对应的行为种类相关参数；
所述挖掘出待定行为从种类信息对应的从属种类特征表示，以及，利用所述候选图像分析网络，对所述图像内容特征表示和所述从属种类特征表示进行对比分析操作，并基于对比分析的输出数据，得到所述待定行为从种类信息对应的行为从属种类相关参数的步骤，包括：
确定出待定行为从种类信息对应的行为描述数据簇；
提取到所述行为描述数据簇中每一个行为描述数据对应的描述数据特征表示，以及，对每一个所述行为描述数据对应的描述数据特征表示进行聚合操作，以形成对应的聚合描述数据特征表示；
确定出所述行为描述数据簇包括的行为描述数据的数据量统计参数；
基于所述聚合描述数据特征表示和所述数据量统计参数，分析出所述待定行为从种类信息对应的从属种类特征表示；
利用所述候选图像分析网络，对所述图像内容特征表示和所述从属种类特征表示进行对比分析操作，并基于对比分析的输出数据，得到所述待定行为从种类信息对应的行为从属种类相关参数；
所述基于所述行为种类相关参数、所述行为从属种类相关参数、所述实际行为种类信息和所述实际行为从属种类信息之间的种类粒度大小信息，计算出所述示例性图像序列对应的种类粒度评估代价参数的步骤，包括：
从所述行为种类相关参数中，确定出所述实际行为种类信息对应的行为种类相关程度值，以及，从所述行为从属种类相关参数中，确定出所述实际行为从属种类信息对应的从行为种类相关程度值；以及，分析出所述实际行为从属种类信息对应的从行为种类相关程度值，和所述实际行为种类信息对应的行为种类相关程度值之间的相关程度差异参数；
基于所述相关程度差异参数和所述种类粒度大小信息，分析出所述种类粒度评估代价参数；
其中，所述种类粒度大小信息用于限定所述实际行为从属种类信息对应的从行为种类相关程度值，和所述实际行为种类信息对应的行为种类相关程度值之间的高低信息；以及，所述基于所述相关程度差异参数和所述种类粒度大小信息，分析出所述种类粒度评估代价参数的步骤，包括：
确定出种类粒度评估代价规则；以及，在所述相关程度差异参数大于或等于零的情况下，得到所述实际行为从属种类信息对应的从行为种类相关程度值，和所述实际行为种类信息对应的行为种类相关程度值之间的高低信息与所述种类粒度大小信息不匹配的结果，以及，基于所述种类粒度评估代价规则中的预设代价偏置值和所述相关程度差异参数，分析出对应的所述种类粒度评估代价参数；以及，在所述相关程度差异参数小于零的情况下，得到所述实际行为从属种类信息对应的从行为种类相关程度值，和所述实际行为种类信息对应的行为种类相关程度值之间的高低信息与所述种类粒度大小信息匹配的结果，以及，基于所述种类粒度评估代价规则中的非可靠表征参数、所述预设代价偏置值和所述相关程度差异参数，分析出对应的所述种类粒度评估代价参数。
2.如权利要求1所述的基于传感器采集和人工智能的图像分析方法，其特征在于，所述待定行为从种类信息为两个及以上，两个及以上数量的待定行为从种类信息包括待定行为从种类信息A，所述从属种类特征表示包括所述待定行为从种类信息A对应的从属种类特征表示a；
所述利用所述候选图像分析网络，对所述图像内容特征表示和所述从属种类特征表示进行对比分析操作，并基于对比分析的输出数据，得到所述待定行为从种类信息对应的行为从属种类相关参数的步骤，包括：
对所述图像内容特征表示和所述从属种类特征表示a进行加载，以加载到所述候选图像分析网络包括的从属种类评估单元中；
利用所述从属种类评估单元，将所述图像内容特征表示和所述从属种类特征表示a进行对比分析操作，以输出所述图像内容特征表示和所述从属种类特征表示a之间的相关性表征参数；
对所述相关性表征参数进行标记操作，以标记为所述待定行为从种类信息A对应的从行为种类相关程度值；
在分析出所述两个及以上数量的待定行为从种类信息各自对应的从行为种类相关程度值的情况下，对两个及以上数量从行为种类相关程度值组合形成的程度值矩阵进行标记操作，标记为对应的行为从属种类相关参数。
3.如权利要求2所述的基于传感器采集和人工智能的图像分析方法，其特征在于，所述利用所述从属种类评估单元，将所述图像内容特征表示和所述从属种类特征表示a进行对比分析操作，以输出所述图像内容特征表示和所述从属种类特征表示a之间的相关性表征参数的步骤，包括：
提取到所述从属种类评估单元包括的特征表示处理参数；
对所述特征表示处理参数、所述图像内容特征表示和所述从属种类特征表示a进行分析操作，以形成所述待定行为从种类信息A对应的分析特征表示；
对所述分析特征表示进行加载，以加载到特征表示整合单元中；
利用所述特征表示整合单元包括的参数映射规则，将所述分析特征表示进行参数映射操作，以输出所述图像内容特征表示和所述从属种类特征表示a之间的相关性表征参数。
4.如权利要求3所述的基于传感器采集和人工智能的图像分析方法，其特征在于，所述对所述特征表示处理参数、所述图像内容特征表示和所述从属种类特征表示a进行分析操作，以形成所述待定行为从种类信息A对应的分析特征表示的步骤，包括：
对所述特征表示处理参数进行拆分操作，以形成对应的局部转换参数第一分布和局部转换参数第二分布；
对所述局部转换参数第一分布和所述图像内容特征表示进行相乘计算操作，以形成对应的相乘计算第一输出数据；
对所述局部转换参数第二分布和所述从属种类特征表示a进行相乘计算操作，以形成对应的相乘计算第二输出数据；
对所述相乘计算第二输出数据进行参数的行列转换操作，以形成对应的转换输出数据；
对所述相乘计算第一输出数据和所述转换输出数据进行相乘计算操作，以形成所述待定行为从种类信息A对应的分析特征表示。
5.如权利要求1所述的基于传感器采集和人工智能的图像分析方法，其特征在于，所述基于所述示例性图像序列对应的实际行为种类信息、所述行为种类相关参数、所述示例性图像序列对应的实际行为从属种类信息和所述行为从属种类相关参数，计算所述示例性图像序列对应的行为种类评估代价参数的步骤，包括：
基于所述实际行为种类信息和所述行为种类相关参数，分析出所述示例性图像序列对应的种类评估第一代价参数；
基于所述实际行为从属种类信息和所述行为从属种类相关参数，分析出所述示例性图像序列对应的种类评估第二代价参数；
基于所述种类评估第一代价参数和所述种类评估第二代价参数，分析出所述行为种类评估代价参数。
6.如权利要求5所述的基于传感器采集和人工智能的图像分析方法，其特征在于，所述待定行为种类信息为两个及以上数量；
所述基于所述实际行为种类信息和所述行为种类相关参数，分析出所述示例性图像序列对应的种类评估第一代价参数的步骤，包括：
从所述行为种类相关参数中，确定出所述实际行为种类信息对应的行为种类相关程度值，并确定出其它行为种类信息对应的行为种类相关程度值，所述其它行为种类信息为两个及以上数量的待定行为种类信息中所述实际行为种类信息之外的待定行为种类信息；
确定出种类评估代价第一规则；
对所述种类评估代价第一规则中所述实际行为种类信息对应的种类选中信息配置为可靠表征参数，以及，基于所述可靠表征参数和所述实际行为种类信息对应的行为种类相关程度值，确定出第一局部代价参数；
对所述种类评估代价第一规则中所述其它行为种类信息对应的种类选中信息配置为非可靠表征参数，以及，基于所述非可靠表征参数和所述其它行为种类信息对应的行为种类相关程度值，确定出第二局部代价参数；
对所述第一局部代价参数与所述第二局部代价参数进行求和计算操作，以输出对应的求和计算结果，以及，计算预先配置的参考参数和所述求和计算结果之间的差值，以形成所述示例性图像序列对应的种类评估第一代价参数；
并且，所述基于所述种类评估第一代价参数和所述种类评估第二代价参数，分析出所述行为种类评估代价参数的步骤，包括：
确定出所述种类评估第一代价参数对应的权重表征第一值，并确定出所述种类评估第二代价参数对应的权重表征第二值；以及，对所述权重表征第一值和所述种类评估第一代价参数进行相乘计算操作，以形成对应的加权评估第一代价参数；以及，对所述权重表征第二值和所述种类评估第二代价参数进行相乘计算操作，以形成对应的加权评估第二代价参数；以及，将所述加权评估第一代价参数与所述加权评估第二代价参数进行叠加计算操作，以输出对应的所述行为种类评估代价参数。
7.一种基于传感器采集和人工智能的图像分析系统，其特征在于，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现权利要求1-6任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310374155.0A CN116109630B (zh) | 2023-04-10 | 2023-04-10 | 基于传感器采集和人工智能的图像分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310374155.0A CN116109630B (zh) | 2023-04-10 | 2023-04-10 | 基于传感器采集和人工智能的图像分析方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116109630A CN116109630A (zh) | 2023-05-12 |
| CN116109630B true CN116109630B (zh) | 2023-06-16 |
Family
ID=86261932
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310374155.0A Active CN116109630B (zh) | 2023-04-10 | 2023-04-10 | 基于传感器采集和人工智能的图像分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116109630B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116662415B (zh) * | 2023-07-28 | 2023-10-20 | 泰山学院 | 基于数据挖掘的智能匹配方法及系统 |
| CN117150065B (zh) * | 2023-08-16 | 2024-05-28 | 内蒙古惠强科技有限公司 | 一种图像信息的采集方法及系统 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8195499B2 (en) * | 2007-09-26 | 2012-06-05 | International Business Machines Corporation | Identifying customer behavioral types from a continuous video stream for use in optimizing loss leader merchandizing |
| CN111401775A (zh) * | 2020-03-27 | 2020-07-10 | 深圳壹账通智能科技有限公司 | 复杂关系网络的信息分析方法、装置、设备及存储介质 |
| CN112927061B (zh) * | 2021-03-26 | 2024-03-12 | 深圳前海微众银行股份有限公司 | 用户操作检测方法及程序产品 |
| CN113610046B (zh) * | 2021-08-23 | 2023-09-26 | 苏州大学 | 一种基于深度视频联动特征的行为识别方法 |
| CN113435430B (zh) * | 2021-08-27 | 2021-11-09 | 中国科学院自动化研究所 | 基于自适应时空纠缠的视频行为识别方法、系统、设备 |
| CN115410035A (zh) * | 2022-08-12 | 2022-11-29 | 武汉理工大学 | 基于监控视频的空中交通管制员不安全行为分类方法 |
-
2023
- 2023-04-10 CN CN202310374155.0A patent/CN116109630B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN116109630A (zh) | 2023-05-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116109630B (zh) | 基于传感器采集和人工智能的图像分析方法及系统 | |
| CN110705718A (zh) | 基于合作博弈的模型解释方法、装置、电子设备 | |
| CN116109121B (zh) | 基于大数据分析的用户需求挖掘方法及系统 | |
| CN116126945B (zh) | 基于数据分析的传感器运行状态分析方法和系统 | |
| CN110888911A (zh) | 样本数据处理方法、装置、计算机设备及存储介质 | |
| CN115718846B (zh) | 用于智能化交互网络的大数据挖掘方法及系统 | |
| CN116126947B (zh) | 应用于企业管理系统的大数据分析方法及系统 | |
| CN116028886A (zh) | 一种基于bim的数据处理方法、系统及云平台 | |
| CN115687674A (zh) | 服务于智慧云服务平台的大数据需求分析方法及系统 | |
| CN116740325B (zh) | 一种基于展馆场景三维效果设计的图像拼接方法及系统 | |
| CN116304341A (zh) | 基于用户网络大数据的欺诈判别方法及系统 | |
| CN115757900B (zh) | 应用人工智能模型的用户需求分析方法及系统 | |
| CN116070149A (zh) | 基于人工智能的数据分析方法、系统及云平台 | |
| CN115964432A (zh) | 基于大数据可视化的用户操作异常分析方法及系统 | |
| CN114529001B (zh) | 量子算法的指标评估方法、装置、终端及存储介质 | |
| Bütepage et al. | Gaussian process encoders: Vaes with reliable latent-space uncertainty | |
| CN116662415B (zh) | 基于数据挖掘的智能匹配方法及系统 | |
| CN116738396B (zh) | 基于人工智能的勘界标准文档录入方法及系统 | |
| CN117634937A (zh) | 一种基于建筑信息模型的建筑质量评估方法及系统 | |
| CN116910729B (zh) | 应用于多组织架构的核身处理方法及系统 | |
| CN117150065B (zh) | 一种图像信息的采集方法及系统 | |
| CN116186402A (zh) | 用于大数据平台的产品舆情分析方法及系统 | |
| CN117218439A (zh) | 一种物联网数据采集方法及系统 | |
| CN116955451A (zh) | 智能测绘数据管理方法及系统 | |
| CN117221134A (zh) | 一种基于互联网的状态分析方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |