【技术实现步骤摘要】
一种基于空间网格的视频目标行为识别方法
[0001]本专利技术涉及地理空间栅格化处理、态势感知领域，尤其涉及一种基于空间网格的视频目标行为识别方法。
技术介绍
[0002]基于空间网格的视频目标行为识别是研究战场目标行为非常有用的方法。通过长时间的分析战场目标的行为，所得到的数据更加科学，更加客观，更具有参考价值。虽然目前行为分析识别方法进行了很多的探索和创新，但是大部分还是基于传统的评价方法，不管是从准确性、及时性还是实用性方面都没有达到实际使用需求。
[0003]比如现有技术CN111222487A公开了一种视频目标行为识别方法及电子设备，该方法包括：获取待识别视频，其中，所述视频包含待识别视频的图像帧；通过目标检测模型获取一个或多个局部目标图像；通过目标追踪模型，对获取的局部目标图像进行匹配，获取一个或多个目标图像序列；通过目标行为质量评分模型，对每个目标图像序列中的目标图像行为进行质量评分，获取高质量的目标图像子序列；通过行为识别模型，对获取的高质量目标图像子序列进行行为识别，得到行为识别结果。该方法仅对视频...
【技术保护点】
【技术特征摘要】
1.一种基于空间网格的视频目标行为识别方法，其特征在于，包括以下步骤：（1）建立数据集，数据集包含目标的种类和状态；（2）通过目标识别算法对视频帧中的目标进行种类和状态的识别，（3）通过运动目标检测算法对视频帧进行运动目标检测；（4）基于空间网格定位，结合网格周边情况，通过目标检测和运动检测对视频帧中目标的行为动作进行分析。2.根据权利要求1所述的一种基于空间网格的视频目标行为识别方法，其特征在于：所述步骤（1）中数据集包含目标的种类和状态，在制作数据集的过程中，数据集包含需要识别目标的种类，目标若处于战斗姿态，在标签中注明目标处于战斗状态。3.根据权利要求2所述的一种基于空间网格的视频目标行为识别方法，其特征在于：所述步骤（2）具体包括如下步骤：（2.1）通过多尺度特征图进行检测，（2.2）直接通过卷积网络对大小不同的特征图进行卷积计算提取的特征进行分类与回归；（2.3）网络训练采用先验框。4.根据权利要求3所述的一种基于空间网格的视频目标行为识别方法，其特征在于：所述步骤（2.1）中通过多尺度特征图进行检测的具体步骤为：用于计算的神经网络结构分为六层特征图进行图片的分类和回归，每层的特征图的大小都不一样，处在网络前端的特征图比较大，随着池化层的加入，越往后特征图越小，用尺度比较大的特征图来处理比较小的目标，而用尺度比较小的特征图来处理比较大的目标。5.根据权利要求4所述的一种基于空间网格的视频目标行为识别方法，其特征在于：所述步骤（2.3）中网络训练采用先验框的具体步骤为：以特征图的像素为中心，设置大小、长宽比不一样的方框，每个像素会设置若干个大小、长宽比不同的先验框，用以检测大小不同、长宽比不同的目标；图片中的检测目标会使用与其最合适的先验框进行网络模型的训练；先验框的尺寸大小线性变大，满足下面的公式：其中，m为特征图的数目，m的值为5，表示第k个先验框的大小占图片大小的比例，和分别表示的最小值和最大值；生成的先验框和真实检测目标匹配遵循2个准则，第一个准则是先找到特征图中与图片中真实检测目标重合度最大的先验框，用IOU表示，然后IOU值最大的先验框与真实的检测目标进行匹配；第二匹配准则就是为了避免正负样本数量相差太大，对于剩下的IOU值并非最大的先验框，如果和真实目标的IOU值超过设定的阈值，也认为该先验框和真实目标匹配；网络最终输出的是预测目标的种类置信度和位置坐标信息，所以损失函数为预测目标的种类置信度误差和预测的位置误差的加权和：其中，
，N：代表先验框中正样本的数目；：只能等于0或者1，如果等于1，代表图片中的第j个真实目标和第i个先验框匹配，且真实目标的种类为p；c：表示目标种类的置信度；l：表示对于真实目标的预测值；g：表示真实目标的位置信息；：种类置信度误差；：预测的位置误差；：损失函数；Pos:正样本集；Neg：负样本集；：第i个目标种类为p的置信度，其中：，：预测框的中心位置坐标、预测框的宽以及预测框的高；：图像中第j个先验框预测的第m个检测目标的预测值；：图像中第j个先验框预测的第m个检测目标的位置，其计算公式表示为：。6.根据权利要求5所述的一种基于空间网格的视频目标行为识别方法，其特征在于：所述步骤（3）中运动目标检测中，每个像素点的灰度值用多个高斯分布来表示，每个高斯分布函数具有不同的权重；...
【专利技术属性】
技术研发人员：施晓东，徐俊瑜，刘佳，韩东，谢诏光，孙镱诚，陆中祥，丁阳，
申请(专利权)人：中国电子科技集团公司第二十八研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。