一种行为识别方法、系统、设备及计算机可读存储介质技术方案

本申请所提供的一种行为识别方法，包括：获取目标行为的MHI图像，并分别提取MHI图像的空域特征和时域特征；将空域特征和时域特征进行特征融合处理，得到特征向量；将特征向量输入预设行为识别模型，输出识别结果。该方法分别提取MHI图像的空域特征和时域特征，并将空域特征和时域特征进行特征融合处理，得到特征向量。该特征向量相比于相关技术中的MHI特征向量维度更低且包含更多的运行信息，由于维度越低，行为识别的速度越快，包含的运行信息越多，行为识别的准确率越高，该方法能够提高行为识别的速度和准确率。本申请还提供一种行为识别系统、设备及计算机可读存储介质，均具有上述有益效果。

A Behavior Recognition Method, System, Equipment and Computer Readable Storage Media

【技术实现步骤摘要】
一种行为识别方法、系统、设备及计算机可读存储介质
本申请涉及计算机视觉应用领域，特别涉及一种行为识别方法、系统、设备及计算机可读存储介质。
技术介绍
行为识别在计算机视觉应用中越来越重要，尤其是行为分类。为了理解场景中发生了什么事情，必须进行行为识别。行为识别同样也是人机交互的基础，从视频中识别出人类的行为一直是视频监控、视频分类以及社会场景中的难题，特征提取也是物体检测、物体跟踪以及物体分类的基础。由于人类的行为具有很大的可变性，所以基于模板的识别方法具有很大的局限性。由于人体的结构特性，需要多维空间去描述，且由于衣服的非刚性，导致行为识别问题进一步复杂化。因此，目前相关技术中是直接将MHI图像对应的MHI特征向量输入非线性模型，得到识别结果。由于MHI特征向量的维度高且包含的运动信息少，导致行为识别的速度慢且准确率低。因此，如何提高行为识别的速度和准确率是本领域技术人员亟需解决的技术问题。
技术实现思路
本申请的目的是提供一种行为识别方法、系统、设备及计算机可读存储介质，能够提高行为识别的速度和准确率。为解决上述技术问题，本申请提供一种行为识别方法，包括：获取目标行为的MHI图像，并分别提取所述MHI图像的空域特征和时域特征；将所述空域特征和所述时域特征进行特征融合处理，得到特征向量；将所述特征向量输入预设行为识别模型，输出识别结果。优选地，所述将所述特征向量输入预设行为识别模型，输出识别结果，包括：将所述特征向量输入线性SVM分类器，输出所述识别结果。优选地，所述将所述特征向量输入线性SVM分类器，输出所述识别结果，包括：利用训练数据对原始线性SVM分类器进行模型训练，确定SVM分类器参数；依据所述SVM分类器参数对所述原始线性SVM分类器进行参数配置，得到所述线性SVM分类器；将所述特征向量输入所述线性SVM分类器，输出所述识别结果。优选地，所述获取目标行为的MHI图像，并分别提取所述MHI图像的空域特征和时域特征，包括：获取所述目标行为的所述MHI图像，并利用2DHaar小波变换提取所述MHI图像的所述空域特征；从所述MHI图像对应的MHI统计直方图中提取所述时域特征。本申请还提供一种行为识别系统，包括：特征提取模块，用于获取目标行为的MHI图像，并分别提取所述MHI图像的空域特征和时域特征；特征融合处理模块，用于将所述空域特征和所述时域特征进行特征融合处理，得到特征向量；识别结果输出模块，用于将所述特征向量输入预设行为识别模型，输出识别结果。优选地，所述识别结果输出模块，包括：识别结果输出单元，用于将所述特征向量输入线性SVM分类器，输出所述识别结果。优选地，所述识别结果输出单元，包括：模型训练子单元，用于利用训练数据对原始线性SVM分类器进行模型训练，确定SVM分类器参数；参数配置子单元，用于依据所述SVM分类器参数对所述原始线性SVM分类器进行参数配置，得到所述线性SVM分类器；识别结果输出子单元，用于将所述特征向量输入所述线性SVM分类器，输出所述识别结果。优选地，所述特征提取模块，包括：空域特征提取单元，用于获取所述目标行为的所述MHI图像，并利用2DHaar小波变换提取所述MHI图像的所述空域特征；时域特征提取单元，用于从所述MHI图像对应的MHI统计直方图中提取所述时域特征。本申请还提供一种设备，包括：存储器和处理器；其中，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时实现上述所述的行为识别方法的步骤。本申请还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述所述的行为识别方法的步骤。本申请所提供的一种行为识别方法，包括：获取目标行为的MHI图像，并分别提取所述MHI图像的空域特征和时域特征；将所述空域特征和所述时域特征进行特征融合处理，得到特征向量；将所述特征向量输入预设行为识别模型，输出识别结果。该方法分别提取MHI图像的空域特征和时域特征，并将所述空域特征和所述时域特征进行特征融合处理，得到特征向量。该特征向量相比于相关技术中的MHI特征向量维度更低且包含更多的运行信息，由于维度越低，行为识别的速度越快，包含的运行信息越多，行为识别的准确率越高，该方法能够提高行为识别的速度和准确率。本申请还提供一种行为识别系统、设备及计算机可读存储介质，均具有上述有益效果，在此不再赘述。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。图1为本申请实施例所提供的一种行为识别方法的流程图；图2为本申请实施例所提供的一种行为识别系统的结构框图。具体实施方式本申请的核心是提供一种行为识别方法，能够提高行为识别的速度和准确率。本申请的另一核心是提供一种行为识别系统、设备及计算机可读存储介质。为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。目前，相关技术在进行行为识别时，直接将MHI图像对应的MHI特征向量输入非线性模型，得到识别结果。由于MHI特征向量的维度高且包含的运动信息少，导致行为识别的速度慢且准确率低。本申请提供的一种行为识别方法，能够提高行为识别的速度和准确率。具体请参考图1，图1为本申请实施例所提供的一种行为识别方法的流程图，该行为识别方法具体包括：S101、获取目标行为的MHI图像，并分别提取MHI图像的空域特征和时域特征；本申请实施例对目标行为不作具体限定，应由本领域技术人员根据实际情况作出相应的设定。对于目标行为的MHI图像的获取也不作具体限定，通常是直接从视频序列中获得的，进而可获得对应的MHI特征向量。通常情况下，本领域技术人员需要耗费大量的存储空间和计算资源来提取运动特征。同样，在检测和识别过程中，处理如此巨大的数据也是同样困难的。因此，目前提出的运动特征，都是将整个运动序列压缩成一张图像来代表运动，最流行的方法有MHI、MMHI和MGO。本申请实施例是用行为识别效果最好的MHI图像表征运动特征。MHI是一个时域模板，该方法的基础是帧差法，它是一种基于视觉的模板方法，通过计算时间段内同一位置的像素变化，将目标运动情况以图像亮度形式表现出来。MHI图像中的每个像素的灰度值表示了在一组视频序列中该位置像素的最近运动情况，最后运动的时刻越接近当前帧，该像素的灰度值越高。因此，MHI图像可以表征人体在一个动作过程中最近的动作情况，这使得MHI被广泛应用于动作识别领域。由于MHI图像是过去某个连续时刻的图像序列的加权系数和，系数随着时间而递减。因此，每个MHI图像包含了之前的图像数据，且离当前帧越近的帧权重越大。本申请实施例对于提取MHI图像的空域特征和时域特征的方式不作具体限定。进一步地，上述获取目标行为的MHI图像，并分别提取MHI图像的本文档来自技高网...

【技术保护点】
1.一种行为识别方法，其特征在于，包括：获取目标行为的MHI图像，并分别提取所述MHI图像的空域特征和时域特征；将所述空域特征和所述时域特征进行特征融合处理，得到特征向量；将所述特征向量输入预设行为识别模型，输出识别结果。

【技术特征摘要】
1.一种行为识别方法，其特征在于，包括：获取目标行为的MHI图像，并分别提取所述MHI图像的空域特征和时域特征；将所述空域特征和所述时域特征进行特征融合处理，得到特征向量；将所述特征向量输入预设行为识别模型，输出识别结果。2.根据权利要求1所述的行为识别方法，其特征在于，所述将所述特征向量输入预设行为识别模型，输出识别结果，包括：将所述特征向量输入线性SVM分类器，输出所述识别结果。3.根据权利要求2所述的行为识别方法，其特征在于，所述将所述特征向量输入线性SVM分类器，输出所述识别结果，包括：利用训练数据对原始线性SVM分类器进行模型训练，确定SVM分类器参数；依据所述SVM分类器参数对所述原始线性SVM分类器进行参数配置，得到所述线性SVM分类器；将所述特征向量输入所述线性SVM分类器，输出所述识别结果。4.根据权利要求1所述的行为识别方法，其特征在于，所述获取目标行为的MHI图像，并分别提取所述MHI图像的空域特征和时域特征，包括：获取所述目标行为的所述MHI图像，并利用2DHaar小波变换提取所述MHI图像的所述空域特征；从所述MHI图像对应的MHI统计直方图中提取所述时域特征。5.一种行为识别系统，其特征在于，包括：特征提取模块，用于获取目标行为的MHI图像，并分别提取所述MHI图像的空域特征和时域特征；特征融合处理模块，用于将所述空域特征和所述时域特征进行特征融合处理，...

【专利技术属性】
技术研发人员：李绣君，
申请(专利权)人：威创集团股份有限公司，
类型：发明
国别省市：广东,44