一种对象行为的识别方法及装置制造方法及图纸

本申请公开了一种对象行为的识别方法及装置。该方法根据待识别对象的位置信息，获取其轨迹数据；位置信息包括待识别对象的对象标识和不同时刻的位置数据的对应关系；轨迹数据为待识别对象在所述不同时刻的位置数据形成的行为轨迹的数据；获取待识别对象的轨迹数据对应的时序特征和相应的轨迹图像特征；根据预设的行为识别模型，对时序特征和相应的轨迹图像特征进行识别，确定待识别对象的行为类型，行为识别模型是利用不同轨迹数据的时序特征和相应的轨迹图像特征与行为类型的关系输出相应轨迹数据对应对象的行为类型。该方法对位置信息对应的时序特征和轨迹图像特征进行综合训练，实现了对每个对象的轨迹数据进行整体识别，提高了识别准确率。

A recognition method and device of object behavior

【技术实现步骤摘要】
一种对象行为的识别方法及装置
本申请涉及数据处理领域，尤其涉及一种对象行为的识别方法及装置。
技术介绍
我国老龄化形式逐渐严峻，截止2016年我国60岁以上人口达2.29亿，约占总人口比例的16.6％，按照老年人口比例和患病率(4％-6％)估算，中国失智症人数接近1000万，约占世界该病总人数的1/4，已成为世界上失智老人最多的国家，预测2040年将达到2200万，是所有发达国家失智老人数的总和。失智症已成为继心脏病、癌症和中风之后，导致老年人致残和死亡的第四大病因，随着高龄化发展失智症发病率大幅上升，65岁及以上老年失智症发病率约13％，85岁及以上的老人发病率达25％，且具有高发病率、高医疗费用、高致残率、长病程等特点，会逐渐破坏患者的记忆力和思维能力，最终导致患者无法正常生活乃至死亡，造成患者本人、家庭和社会的负担沉重，是中国乃至国际亟待解决的社会问题。失智老人常常伴有徘徊行为、长时间驻留行为、夜间游走、进入他人房间、进入危险区域、跟随行为、聚集行为等异常轨迹行为。识别失智老人的行为有利于养老机构的日常管理与老人的健康管理。现有的行为识别方法主要包括：基于运动特征的行为识别方法、基于分类规则的行为识别方法、基于图像的行为识别方法。然而，基于运动特征的行为识别方法是结合行为的特点，提取具有较强识别能力的运动特征，但没有考虑到行为的整体形状等信息；基于分类规则的行为识别方法是利用行为的时间和位置信息，但仅适用于训练数据足够充分，且便于挖掘规律的情况，即应用场景受到限制；>基于图像的行为识别方法是利用图像网格剖分，将行为的时间序列特征转换为轨迹图像特征，转换过程中丢弃了行为的时间特征，利用轨迹图像特征进行识别，该方法主要考虑了行为的整体形状和停留时长等信息，但忽略了行为的时间序列，降低了识别的准确性。
技术实现思路
本申请实施例提供一种对象行为的识别方法和装置，解决了现有技术存在的上述问题，以提高识别的准确性。第一方面，提供了一种对象行为的识别方法，该方法可以包括：根据待识别对象的位置信息，获取所述待识别对象的轨迹数据；其中，所述位置信息包括所述待识别对象的对象标识和不同时刻的位置数据的对应关系；所述轨迹数据为所述待识别对象在所述不同时刻的位置数据形成的行为轨迹的数据；获取所述待识别对象的轨迹数据对应的时序特征和相应的轨迹图像特征；根据预设的行为识别模型，对所述时序特征和相应的轨迹图像特征进行识别，确定所述待识别对象的行为类型，所述行为识别模型是利用不同轨迹数据的时序特征和相应的轨迹图像特征与行为类型的关系输出相应轨迹数据对应对象的行为类型。在一个可选的实现中，根据待识别对象的位置信息，获取所述待识别对象的轨迹数据之前，所述方法还包括：采集的待识别对象的初始位置信息；采用预设的预处理算法，对所述初始位置信息进行处理，得到待识别对象的位置信息；其中，所述预处理算法包括重采样算法和异常值处理算法。在一个可选的实现中，获取所述待识别对象的轨迹数据对应的时序特征和相应的轨迹图像特征，包括：采用预设时序特征提取算法，对所述轨迹数据中不同时刻的位置数据进行提取，获取所述轨迹数据的时序特征；其中，所述时序特征包括所述轨迹数据中不同时刻的速度、加速度、曲率、方向和转角；采用预设特征转换算法，将所述轨迹数据转换为相应行为类型的轨迹图像，并获取所述轨迹图像的轨迹图像特征。在一个可选的实现中，所述预设的行为识别模型的训练包括如下步骤：根据每种行为类型对象的位置信息，获取对应行为类型对象的轨迹数据；其中，所述每种行为类型对象的位置信息包括所述对象的对象标识和不同时刻的位置数据的对应关系，所述对应行为类型对象的轨迹数据为相应行为类型对象在所述不同时刻的位置数据形成的行为轨迹的数据；获取每种行为类型的轨迹数据的时序特征和相应的轨迹图像特征；采用预设训练算法，对所述不同行为类型的时序特征和相应的轨迹图像特征进行训练，得到行为识别模型，所述行为识别模型用于识别所述不同行为类型。在一个可选的实现中，采用预设训练算法，对所述不同行为类型的时序特征和相应的轨迹图像特征进行训练，得到行为识别模型，包括：采用卷积神经网络CNN算法，对所述轨迹图像特征进行运算，得到卷积特征；采用长短时记忆网络LSTM算法，对所述时序特征进行运算，得到目标时序特征；采用预设训练算法，对所述卷积特征和所述目标时序特征进行训练，得到行为识别模型；其中，所述行为类型包括徘徊行为、驻留行为和正常行为。在一个可选的实现中，所述位置信息还包括所述位置数据所属的空间标识。在一个可选的实现中，在所述待识别对象的数量为至少两个时，所述方法还包括：采用预设聚类算法，对所述多个待识别对象的每个时刻的位置信息进行聚类，得到所述每个时刻的至少一个对象集合；若第一对象集合与相邻时刻的第二对象集合包含预设数量的相同待识别对象，且所述第一对象集合的平均速度大于预设速度阈值，则确定所述第一对象集合中每个待识别对象的行为类型为群体跟随行为；若第一对象集合与相邻时刻的第二对象集合包含预设数量的相同待识别对象，且所述第一对象集合的平均速度不大于预设速度阈值，则确定所述第一对象集合中每个待识别对象的行为类型为群体聚集行为。第二方面，提供了一种对象行为的识别装置，该装置可以包括：获取单元和确定单元；所述获取单元，用于据待识别对象的位置信息，获取所述待识别对象的轨迹数据；其中，所述位置信息包括所述待识别对象的对象标识和不同时刻的位置数据的对应关系；所述轨迹数据为所述待识别对象在所述不同时刻的位置数据形成的行为轨迹的数据；以及，获取所述待识别对象的轨迹数据对应的时序特征和相应的轨迹图像特征；所述确定单元，用于根据预设的行为识别模型，对所述时序特征和相应的轨迹图像特征进行识别，确定所述待识别对象的行为类型，所述行为识别模型是利用不同轨迹数据的时序特征和相应的轨迹图像特征与行为类型的关系输出相应轨迹数据对应对象的行为类型。在一个可选的实现中，所述装置还包括采集单元和预处理单元；采集单元，用于采集的待识别对象的初始位置信息；所述预处理单元，用于采用预设的预处理算法，对所述初始位置信息进行处理，得到待识别对象的位置信息；其中，所述预处理算法包括重采样算法和异常值处理算法。在一个可选的实现中，所述获取单元，具体用于采用预设时序特征提取算法，对每种行为类型的轨迹数据中不同时刻的位置数据进行提取，获取所述每种行为类型的轨迹数据的时序特征；其中，所述时序特征包括所述每种行为类型的轨迹数据中不同时刻的速度、加速度、曲率、方向和转角；以及，采用预设特征转换算法，将所述每种行为类型的轨迹数据转换为相应行为类型的轨迹图像，并获取所述轨迹图像的轨迹图像特征。在一个可选的实现中，所述装置还包括训练单元；所述获取单元，还用于根据每种行为类型对象的位置信息本文档来自技高网...

【技术保护点】
1.一种对象行为的识别方法，其特征在于，所述方法包括：/n根据待识别对象的位置信息，获取所述待识别对象的轨迹数据；其中，所述位置信息包括所述待识别对象的对象标识和不同时刻的位置数据的对应关系；所述轨迹数据为所述待识别对象在所述不同时刻的位置数据形成的行为轨迹的数据；/n获取所述待识别对象的轨迹数据对应的时序特征和相应的轨迹图像特征；/n根据预设的行为识别模型，对所述时序特征和相应的轨迹图像特征进行识别，确定所述待识别对象的行为类型，所述行为识别模型是利用不同轨迹数据的时序特征和相应的轨迹图像特征与行为类型的关系输出相应轨迹数据对应对象的行为类型。/n

【技术特征摘要】
1.一种对象行为的识别方法，其特征在于，所述方法包括：
根据待识别对象的位置信息，获取所述待识别对象的轨迹数据；其中，所述位置信息包括所述待识别对象的对象标识和不同时刻的位置数据的对应关系；所述轨迹数据为所述待识别对象在所述不同时刻的位置数据形成的行为轨迹的数据；
获取所述待识别对象的轨迹数据对应的时序特征和相应的轨迹图像特征；
根据预设的行为识别模型，对所述时序特征和相应的轨迹图像特征进行识别，确定所述待识别对象的行为类型，所述行为识别模型是利用不同轨迹数据的时序特征和相应的轨迹图像特征与行为类型的关系输出相应轨迹数据对应对象的行为类型。


2.如权利要求1所述的方法，其特征在于，根据待识别对象的位置信息，获取所述待识别对象的轨迹数据之前，所述方法还包括：
采集的待识别对象的初始位置信息；
采用预设的预处理算法，对所述初始位置信息进行处理，得到待识别对象的位置信息；其中，所述预处理算法包括重采样算法和异常值处理算法。


3.如权利要求1所述的方法，其特征在于，获取所述待识别对象的轨迹数据对应的时序特征和相应的轨迹图像特征，包括：
采用预设时序特征提取算法，对所述轨迹数据中不同时刻的位置数据进行提取，获取所述轨迹数据的时序特征；其中，所述时序特征包括所述轨迹数据中不同时刻的速度、加速度、曲率、方向和转角；
采用预设特征转换算法，将所述轨迹数据转换为相应行为类型的轨迹图像，并获取所述轨迹图像的轨迹图像特征。


4.如权利要求1所述的方法，其特征在于，所述预设的行为识别模型的训练包括如下步骤：
根据每种行为类型对象的位置信息，获取对应行为类型对象的轨迹数据；其中，所述每种行为类型对象的位置信息包括所述对象的对象标识和不同时刻的位置数据的对应关系，所述对应行为类型对象的轨迹数据为相应行为类型对象在所述不同时刻的位置数据形成的行为轨迹的数据；
获取每种行为类型的轨迹数据的时序特征和相应的轨迹图像特征；
采用预设训练算法，对所述不同行为类型的时序特征和相应的轨迹图像特征进行训练，得到行为识别模型，所述行为识别模型用于识别所述不同行为类型。


5.如权利要求4所述的方法，其特征在于，采用预设训练算法，对所述不同行为类型的时序特征和相应的轨迹图像特征进行训练，得到行为识别模型，包括：
采用卷积神经网络CNN算法，对所述轨迹图像特征进行运算，得到卷积特征；
采用长短时记忆网络LSTM算法，对所述时序特征进行运算，得到目标时序特征；
采用预设训练算法，对所述卷积特征和所述目标时序特征进行训练，得到行为识别模型；其中，所述行为类型包括徘徊行为、驻留行为和正常行为。


6.如权利要求1所述的方法，其特征在于，所述位置信息还包括所述位置数据所属的空间标识。


7.如权利要求1所述的方法，其特征在于，在所述待识别对象的数量为至少两个时，所述方法还包括：
采用预设聚类算法，对所述多个待识别对象的每个时刻的位置信息进行聚类，得到所述每个时刻的至少一个对象集合；
若第一对象集合与相邻时刻的第二对象集合包含预设数量的相同待识别对象，且所述第一对象集合的平均速度大于预设速度阈值，则确定所述第一对象集合中每个待识别对象的行为类型为群体跟随行为；
若第一对象集合与相邻时刻的第二对象集合包含预设数量的相同待识别对象，且所述第一对象集合的平均速度不大于预设速度阈值，则确定所述第一对象集合中每个待识别对象的行为类型为群体聚集行为。


8.一种对象行为的识别装置，其特征在于，所述装置包括：获取单元和确定单元；
所述获取单元，用于根据待识别对象的位置信息，获取所述待识别对象的轨迹数据；其中，所述位置信息包括所述待识别对象的对象标识和不同时刻的位置数据的对应关系；所述轨迹数据为所述待识...

【专利技术属性】
技术研发人员：崔震，李百合，鲁卫华，李鹏，
申请(专利权)人：中国电子工程设计院有限公司，
类型：发明
国别省市：北京;11