[发明专利]一种复杂环境的个体行为识别的方法及系统

权利要求书

1.一种复杂环境的个体行为识别的方法，其特征在于，所述识别的方法包括：

步骤1，获取复杂环境的图像信息，设置图像信息分类器，用于根据获取的图像信息的纹理信息对选取的图像进行分类，确定复杂环境的图像的个体的密集度等级，其中，图像信息包括视频信息及视频信息的固定帧图像，将纹理信息与个体密集度的对应关系进行映射，所述图像信息分类器根据训练图像的纹理信息与训练图像的已知个体密集度得到当前复杂环境的图像的个体的密集度；

步骤2，可以将所述图像信息按照时间顺序和/或相关性顺序分为n段，其中，对每段视频信息提取像素点的移动轨迹，根据所述复杂环境的图像的个体的密集度等级对视频信息进行选段，若所述密集度等级越高则选段内容越小，若所述密集度等级越小，则选择分段的内容越多，其中，所述选段内容包括时间间隔和/或复杂环境变化率，根据相关性顺序分为n段包括对视频帧进行检测，预先定义一个目标帧，利用领域窗口以预设步长对所述视频信息中的多帧图像中的每帧图像进行遍历，对包含目标帧的多帧图像分别进行检测，以得到一个或多个候选目标及相似度，将相似度大于阈值的多帧图像进行合并，生成高相关性图像分段；

步骤3，对复杂环境中的个体运动轨迹进行分解，得到复杂环境的个体运动的数据点集合，构建个体行为分析模型并进行训练，将检测运动模式分解为轨迹点集的形式，作为测试集输入到所述分析模型；

步骤4，对于相同的分类标记的像素点，具有相同分析模型返回测试集与预设特定行为动作的匹配结果，若匹配成功则认定为完成了特定行为动作的识别，其中，损失函数如下：

式中，y∈{1，…，K}，p(y)＝[p(1)，…，p(K)]表示每个像素空间中分类的分类标记，pT为预测概率，λ为权值系数，T为相关度等级，DKL(qT||pT)为相关散度。

2.如权利要求1所述的一种复杂环境的个体行为识别的方法，其特征在于，所述步骤3进一步包括：所述对复杂环境中的个体运动轨迹进行分解包括使用图像分割算法在多个像素空间对图像进行像素图像分割，得到多个图像分割结果，每个图像分割结果中包含待分割图像所有像素在每个像素空间中分类的分类标记。

3.一种复杂环境的个体行为识别的系统，其特征在于，所述识别的系统包括：

图像获取及分类单元，通过所述图像获取及分类单元获取复杂环境的图像信息，设置图像信息分类器，用于根据获取的图像信息的纹理信息对选取的图像进行分类，确定复杂环境的图像的个体的密集度等级，其中，图像信息包括视频信息及视频信息的固定帧图像，所述图像获取及分类单元进一步包括：将纹理信息与个体密集度的对应关系进行映射，所述图像信息分类器根据训练图像的纹理信息与训练图像的已知个体密集度得到当前复杂环境的图像的个体的密集度；

图像信息处理单元，通过所述图像信息处理单元将所述图像信息按照时间顺序和/或相关性顺序分为n段，其中，对每段视频信息提取像素点的移动轨迹，根据所述复杂环境的图像的个体的密集度等级对视频信息进行选段，若所述密集度等级越高则选段内容越小，若所述密集度等级越小，则选择分段的内容越多，其中，所述选段内容包括时间间隔和/或复杂环境变化率，所述图像信息处理单元进一步包括：根据相关性顺序分为n段包括对视频帧进行检测，预先定义一个目标帧，利用领域窗口以预设步长对所述视频信息中的多帧图像中的每帧图像进行遍历，对包含目标帧的多帧图像分别进行检测，以得到一个或多个候选目标及相似度，将相似度大于阈值的多帧图像进行合并，生成高相关性图像分段；

图像运动分解单元，通过所述图像运动分解单元对复杂环境中的个体运动轨迹进行分解，得到复杂环境的个体运动的数据点集合，构建个体行为分析模型并进行训练，将检测运动模式分解为轨迹点集的形式，作为测试集输入到所述分析模型；

匹配与识别单元，通过所述匹配与识别单元对于相同的分类标记的像素点，具有相同分析模型返回测试集与预设特定行为动作的匹配结果，若匹配成功则认定完成特定行为动作的识别，其中，所述匹配与识别单元进一步包括：损失函数如下：

其中，y∈{1，…，K}，p(y)＝[p(1)，…，p(K)]表示每个像素空间中分类的分类标记，pT为预测概率，λ为权值系数，T为相关度等级，DKL(qT||pT)为相关散度。

4.如权利要求3所述的一种复杂环境的个体行为识别的系统，其特征在于，所述图像运动分解单元进一步包括：所述对复杂环境中的个体运动轨迹进行分解包括使用图像分割算法在多个像素空间对图像进行像素图像分割，得到多个图像分割结果，每个图像分割结果中包含待分割图像所有像素在每个像素空间中分类的分类标记。