使用概率分布函数来模拟行为的方法和装置制造方法及图纸

公开了用于模拟人类或其它动画对象的行为模式以及检测对重复行为模式的破坏的方法和装置。随着时间观察一个或多个人的行为，并且在多维空间记录了所述行为的特征。随时间的推移，多维数据提供了对人类行为模式的指示。就时间、地域和行为而言是重复的行为，诸如睡觉、吃饭，在多维数据中将表现出高斯型曲线分布或集群。可以使用已知的高斯型曲线或集群技术分析概率分布函数以识别重复行为模式及其特征，诸如平均值或方差。可以检测出重复行为模式的偏差，并且如果适当可以触发警报。（*该技术在2023年保护过期，可自由使用*）

【技术实现步骤摘要】

本专利技术涉及计算机视觉系统，尤其涉及通过观察行为模式来识别事件的行为模拟和检测的方法和系统。计算机视觉技术正广泛用于自动检测或区分图像中的物体或事件。例如，行为模拟技术通常应用于识别人类行为模式。通常，行为分析和模拟系统首先获知行为模式，然后检测所述行为模式的偏差。一般来说，传统行为分析技术关注的是异常事件的检测。行为模拟中大多数现有工作关注的是将轨迹模拟成概率分布或隐马尔可夫模型(HMM)。一旦轨迹被模拟了，目标就是预测物体的轨迹以及检测“异常”轨迹。例如，轨迹分析技术已经应用于观察在特定区域中行走的人的轨迹，并且之后如果轨迹显示有人进入受限制的区域内，则产生警报。虽然传统轨迹分析技术在许多安全应用方面表现良好，但是这种轨迹分析技术对于其它应用(例如家庭监测)的有效性和价值值得怀疑。尤其是，当行为模拟系统正在监测一个或多个特定人的行为时，例如远程监测处于家庭环境的老人时，最相关的信息是这个人的当前位置或行为，而不是这个人如何到达他或她的当前位置或行为。因此需要这样的行为模拟和检测的方法和系统，该方法和系统通过观察行为模式以及检测对重复行为模式的破坏来识别事件。通常所公开的方法和装置在图像数据中自动获知和识别行为模式。根据本专利技术的一个方面，提供了一种方法和装置，用于模拟人类或其它动画对象的行为模式以及检测对重复行为模式的破坏。本专利技术持续观察一个或多个人的行为并将行为特征记录在多维空间中。例如，可以在多维空间中获得包括位置(例如，垂直和水平位置)、时间、物体姿势和物体运动级别的用户行为。随时间的推移，这些多维数据提供对人类行为模式的指示。就时间、地点和行为而言是重复的行为，例如吃、睡，将在多维数据中表现出高斯型曲线分布或集群。获知算法应用到多维数据中以识别重复行为模式。在一个典型实施例中，从多维特征数据计算概率密度函数(pdf)以模拟人类行为。可以使用任何用于PDF分析的方法(例如高斯型曲线或集群技术)分析概率分布函数，以识别重复行为模式及其特征。通常重复行为模式将在多维特征数据中表现为高斯型曲线分布或集群，每个高斯型曲线分布或集群用平均值和方差来表征。概率分布函数可以成为不同的集群，并且集群可以与行为模式相关联。通常，集群不需要被相应的动作(诸如，吃)标识。知道集群与某些特定行为相关联就足够了。根据本专利技术的另一个方面，可以检测出重复行为模式的偏差，并且如果适当可以触发警报。例如，当重复行为模式表达为高斯型曲线分布或集群时，方差提供一个阈值用于确定当前行为是否应当被分类为重复行为模式的偏差。通常，异常行为可以表明某些类型的健康问题或紧急情况。因此，可以选择性地建立规则，以在重复行为模式的偏差满足一个或多个预定义条件时产生警告。通过参考下面的详细描述和附图，将会更充分地理解本专利技术以及本专利技术的特征和优点。附图说明图1示出了根据本专利技术的优选实施例的示范性视频监测系统；图2示出了根据本专利技术在多维空间中观察的人类行为曲线；图3的流程表描述了图1的特征提取过程的典型实施；图4的流程表描述了图1的PDF产生和分析过程的典型实施；和图5的流程表描述了图1的事件检测过程的典型实施。图1示出了根据本专利技术的典型视频监测系统120。视频监测系统120模拟人类或其它动画对象的行为模式并且检测对重复行为模式的破坏。例如，视频监测系统120可以监测被观察的人的吃和睡的模式。然后，可以检测出这些行为模式的偏差，例如睡了异常的时间间隔或在异常的时间睡，或吃了异常的量或在不规则的时间间隔吃，从而如果适当就触发警报。在如下所述的一个典型实施例中，本专利技术持续观察了一个或多个人的行为并将行为特征记录在多维空间中。例如，可以在五维空间中获得用户行为，这五维包括位置的两维(竖直和水平)、时间、物体姿势以及物体运动水平。随着时间流逝，多维数据提供了人体行为模式的指示。就时间、地点和行为而言是重复的行为，例如吃和睡，将在多维数据中作为集群出现。之后，将获知算法应用到该多维数据以识别所述重复行为模式。例如，可以计算概率密度函数(pdf)以模拟人的行为。可以使用高斯型曲线或集群技术分析概率分布函数以识别重复行为模式及其特征。计算机可读程序代码手段可以与诸如视频处理系统120的计算机系统相结合操作，以进行执行此处所讨论的方法的全部或部分步骤或制作此处所讨论的装置。计算机可读媒质可以是可记录媒质(通过媒质界面135访问的例如软盘、硬盘、诸如DVD110的压缩磁盘，或者存储卡)或可以是传输媒质(例如包括光纤光学系统、环球网、电缆或使用时分多路访问、码分多路访问或其它射频信道的无线信道)。可以使用任何已知的或开发出的适用于计算机系统的能够存储信息的媒质。计算机可读代码手段是任何允许计算机读取指令和数据的机制，例如磁介质的磁性变化或压缩磁盘表面(例如DVD10)的高度变化。存储器145配置处理器130以执行此处公开的方法、步骤和功能。存储器145可以是分布式的或局部的，处理器130可以是分布式或单个的。存储器145可以实现为电、磁或光存储器、或它们的任意组合、或者其它类型的存储器件。术语“存储器”应当被广泛地解释为足以包含任何能够通过处理器130访问的可寻址空间中的从地址读出或写入地址的信息。根据该定义，网络(例如通过网络接口140访问的网络115)上的信息也在视频处理系统120的存储器145之内，这是因为处理器130能够从该网络获取信息。应当注意，视频处理系统120的全部或部分可以制作在集成电路或其它类似的设备(例如，可编程逻辑电路)中。既然已经描述了系统，下面将描述能够提供全局或局部象素相关性(pixel dependency)和增加训练(incremental training)的概率模型。图2示出了在多维空间中观察到的人类行为的曲线200。在图2的示范性的实施例中，根据时间(天)、物体姿势和位置(在家)监测人类行为。示范性的时间(天)维度是连续的，而示范性的物体姿势(例如坐、站以及躺下)和位置维度是离散的。此外，为了说明的目的，示范性的位置维度已经从家中的自然水平和竖直坐标变换到对家中的特定房间(厨房和卧室)的指示。注意，示范性行为曲线200没有表示出物体运动水平。为了说明的目的，图2中所示的数据已经被过滤以除去随机行为以及除去不够成行为模式的行为。图2中剩余的数据包括三个集群210、220和230，每一个集群与一种行为模式相关联。集群210表示人大约在中午、在厨房里、处于坐的位置，这表示人在吃午餐。集群220表示人大约下午6点、在厨房里、处于坐的位置，这表示人在吃晚餐。集群230表示人在从午夜到早上7点的时间段里、在卧室里、处于躺下的位置，这表示人在睡觉。图3的流程图描述了示例性特征提取过程300，该过程用于观察人的行为以产生图2所示的示例性行为曲线200。首先，特征提取过程300在步骤310获得一帧图像数据。之后，特征提取过程300在步骤320期间从该帧提取人的位置和姿势，例如采用公知的轨迹和姿势分析技术(诸如S.Iwasawa等在“Real-Time Human Posture EstimationUsing Monocular Thermal Images”，Proc.of 3rd Int’1 Conf.onAutomatic 本文档来自技高网...

【技术保护点】
一种模拟动画对象的行为的方法，所述方法包括步骤：获得多个图像；从所述多个图像中提取多个特征；以及在多维空间中分析所述多个提取特征。

【技术特征摘要】
...

【专利技术属性】
技术研发人员：M特拉科维，
申请(专利权)人：皇家飞利浦电子股份有限公司，
类型：发明
国别省市：NL[荷兰]