System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及计算机,具体而言,涉及一种基于视频分析的用户行为识别方法及系统。
技术介绍
1、当前,随着视频监控技术的广泛应用,大量的视频数据需要进行处理和分析。在众多的视频处理任务中,用户行为异常检测是一项关键的任务,它对于公共安全、犯罪预防等领域具有重要意义。
2、传统的用户行为异常检测方法主要依赖于手工规则或基于阈值的简单模型,这些方法往往无法适应复杂和多变的现实场景,例如,不同环境下的用户行为模式、不同类型的异常行为等。此外,传统方法通常需要大量的人力进行视频监控和分析,这在处理大量视频数据时效率低下,成本高昂。
3、近年来,深度学习技术在图像和视频处理方面取得了显著的进步。然而,如何有效地利用深度学习技术进行用户行为异常检测,仍然存在一些挑战。因此,开发一种能够准确、高效地检测用户行为异常的方法,是目前亟待解决的问题。
技术实现思路
1、有鉴于此,本申请的目的在于提供一种基于视频分析的用户行为识别方法及系统。
2、依据本申请的第一方面,提供一种基于视频分析的用户行为识别方法,应用于云端服务系统,所述方法包括:
3、获取多个用户行为标签对应的模板视频数据序列和所述模板视频数据序列中每个模板视频数据对应的用户异常行为标注数据;所述模板视频数据序列和所述用户异常行为标注数据为依据所述多个用户行为标签分别对应的一个或多个设定视频数据生成的;所述模板视频数据序列中多个模板视频数据对应的用户异常行为标注数据属于多个不同的用户异常行为;
>4、将所述模板视频数据序列加载到初始化神经网络进行用户行为异常检测,生成所述模板视频数据序列对应的用户行为异常检测结果;所述用户行为异常检测结果表征所述每个模板视频数据中的每个视频段属于用户异常行为的置信度;
5、依据所述用户行为异常检测结果和所述用户异常行为标注数据,确定目标训练误差参数;
6、依据所述目标训练误差参数,对所述初始化神经网络进行知识学习,生成目标用户行为异常检测网络。
7、在第一方面的一种可能的实施方式中,所述方法还包括:
8、获取所述多个用户行为标签分别对应的一个或多个设定视频数据; 依据所述多个用户行为标签分别对应的一个或多个设定视频数据,生成所述模板视频数据序列和所述用户异常行为标注数据。
9、在第一方面的一种可能的实施方式中,所述一个或多个设定视频数据包括一个或多个第一设定视频数据,所述一个或多个第一设定视频数据中均不包含用户异常行为,所述方法还包括:
10、获取所述多个用户行为标签分别对应的设定样本视频数据和所述设定样本视频数据对应的样本用户异常行为;
11、所述依据所述多个用户行为标签分别对应的一个或多个设定视频数据,生成所述模板视频数据序列和所述用户异常行为标注数据,包括:
12、依据所述多个用户行为标签对应的设定样本视频数据、所述设定样本视频数据对应的样本用户异常行为和所述一个或多个第一设定视频数据,生成设定异常行为检测任务;所述样本用户异常行为属于多个不同的用户异常行为;
13、将所述设定异常行为检测任务加载到设定异常行为标注网络,生成第一模板视频数据和所述第一模板视频数据对应的用户异常行为标注数据;所述第一模板视频数据为所述模板视频数据序列中的任意一个。
14、在第一方面的一种可能的实施方式中,所述方法还包括:
15、获取多个用户异常行为分别对应的一个或多个异常行为特征规则;
16、所述依据所述多个用户行为标签分别对应的一个或多个设定视频数据,生成所述模板视频数据序列和所述用户异常行为标注数据,包括:
17、依据所述一个或多个设定视频数据和所述一个或多个异常行为特征规则,生成所述模板视频数据序列和所述用户异常行为标注数据。
18、在第一方面的一种可能的实施方式中,所述一个或多个设定视频数据包括一个或多个第二设定视频数据,所述一个或多个第二设定视频数据中均包含用户异常行为;
19、所述依据所述一个或多个设定视频数据和所述一个或多个异常行为特征规则,生成所述模板视频数据序列和所述用户异常行为标注数据,包括:
20、对任意一个第二设定视频数据和所述多个用户异常行为分别对应的一个或多个异常行为特征规则进行特征配对,生成所述任意一个第二设定视频数据对应的第一目标用户异常行为;所述第一目标用户异常行为为与所述任意一个第二设定视频数据相匹配的异常行为特征规则;
21、依据所述任意一个第二设定视频数据对应的第一目标用户异常行为和所述任意一个第二设定视频数据,生成第二模板视频数据和所述第二模板视频数据对应的用户异常行为标注数据;所述第二模板视频数据为所述模板视频数据序列中的任意一个。
22、在第一方面的一种可能的实施方式中,所述一个或多个设定视频数据包括一个或多个第三设定视频数据,所述一个或多个第三设定视频数据中均不包含用户异常行为;
23、所述依据所述一个或多个设定视频数据和所述一个或多个异常行为特征规则,生成所述模板视频数据序列和所述用户异常行为标注数据,包括:
24、依据任意一个异常行为特征规则,获取预设用户异常行为;
25、将所述预设用户异常行为随机加载到任意一个第三设定视频数据中,生成第三模板视频数据;所述第三模板视频数据为所述模板视频数据序列中的任意一个;
26、依据所述预设用户异常行为,生成所述第三模板视频数据对应的用户异常行为标注数据。
27、在第一方面的一种可能的实施方式中,所述方法包括:
28、获取目标视频数据;
29、将所述目标视频数据加载到目标用户行为异常检测网络进行用户行为异常检测,生成所述目标视频数据对应的目标用户异常行为数据;所述目标用户异常行为数据表征所述目标视频数据中每个视频段属于用户异常行为的置信度;
30、依据所述目标用户异常行为数据,确定所述目标视频数据中的目标用户异常行为。
31、在第一方面的一种可能的实施方式中,所述方法还包括:
32、获取行为更新序列以及目标异常规则对应的多个目标视频数据;所述行为更新序列包括多个候选用户异常行为和任意一个候选用户异常行为对应的更新类别;
33、将所述目标异常规则对应的多个目标视频数据加载到所述目标用户行为异常检测网络进行用户行为异常检测,生成所述多个目标视频数据分别对应的用户行为异常检测结果;
34、对任意一个目标视频数据对应的用户行为异常检测结果与所述多个候选用户异常行为进行特征配对,生成所述任意一个目标视频数据对应的第二目标用户异常行为;所述第二目标用户异常行为为与所述任意一个目标视频数据相匹配的候选用户异常行为;
35、依据所述第二目标用户异常行为对应的更新类别,对所述第二目标用户异常行为对应的用户行为异常检测结果进行更新,生成更新后的用户行为异常检测结果本文档来自技高网...
【技术保护点】
1.一种基于视频分析的用户行为识别方法,其特征在于,所述方法包括:
2.根据权利要求1所述的基于视频分析的用户行为识别方法,其特征在于,所述方法还包括:
3.根据权利要求2所述的基于视频分析的用户行为识别方法,其特征在于,所述一个或多个设定视频数据包括一个或多个第一设定视频数据,所述一个或多个第一设定视频数据中均不包含用户异常行为,所述方法还包括:
4.根据权利要求2所述的基于视频分析的用户行为识别方法,其特征在于,所述方法还包括:
5.根据权利要求4所述的基于视频分析的用户行为识别方法,其特征在于,所述一个或多个设定视频数据包括一个或多个第二设定视频数据,所述一个或多个第二设定视频数据中均包含用户异常行为;
6.根据权利要求4所述的基于视频分析的用户行为识别方法,其特征在于,所述一个或多个设定视频数据包括一个或多个第三设定视频数据,所述一个或多个第三设定视频数据中均不包含用户异常行为;
7.根据权利要求1-6中任意一项所述的基于视频分析的用户行为识别方法,其特征在于,所述方法包括:
8.根据权利
9.根据权利要求8所述的基于视频分析的用户行为识别方法,其特征在于,所述方法还包括:
10.一种云端服务系统,其特征在于,所述云端服务系统包括处理器以及可读存储介质,所述可读存储介质存储有程序,该程序被处理器执行时实现权利要求1-9任意一项所述的基于视频分析的用户行为识别方法。
...【技术特征摘要】
1.一种基于视频分析的用户行为识别方法,其特征在于,所述方法包括:
2.根据权利要求1所述的基于视频分析的用户行为识别方法,其特征在于,所述方法还包括:
3.根据权利要求2所述的基于视频分析的用户行为识别方法,其特征在于,所述一个或多个设定视频数据包括一个或多个第一设定视频数据,所述一个或多个第一设定视频数据中均不包含用户异常行为,所述方法还包括:
4.根据权利要求2所述的基于视频分析的用户行为识别方法,其特征在于,所述方法还包括:
5.根据权利要求4所述的基于视频分析的用户行为识别方法,其特征在于,所述一个或多个设定视频数据包括一个或多个第二设定视频数据,所述一个或多个第二设定视频数据中均包含用户异常行为;
6.根据...
【专利技术属性】
技术研发人员:张征,
申请(专利权)人:广州阿凡提电子科技有限公司,
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。