[发明专利]一种基于深度学习和SVM的动物姿态行为估计与心情识别方法

说明书

本发明公开了一种基于深度学习和SVM的动物姿态行为估计与心情识别方法，利用深度学习的动物姿态估计模型和SVM多分类算法，通过对大量动物的图片进行目标检测的边框标签标记和动物的十三个身体关键点(包括尾巴)标记，然后送进动物姿态估计网络模型进行充分地训练。通过训练好的动物姿态估计模型，估计计算出来目标检测边框的中心点位置和动物的十三个身体关键点位置，并基于其中心点的位置变化、十三个关键点的位置关系和尾巴三个关键点的位置关系和相对位置变化关系，构建与利用SVM分类器去判断动物的行为与心情，从而能更加准确地理解动物的心情和行为情况。

技术领域

本发明涉及动物姿态行为及心情识别的技术领域，尤其涉及到一种基于深度学习和SVM的动物姿态行为估计与心情识别方法。

背景技术

目前，关于动物的行为与心情预测大多通过图像处理技术得出动物的轮廓、运动参数、体态特征等相关参数，或者通过穿戴装置来获取动物的生物特征参数，这些方法都非常复杂，需要一定的图像处理知识或者硬件设备来支持。本发明利用深度学习神经网络和SVM多分类算法来识别动物的行为与心情，在人体姿态估计、人体关键点识别、人体行为识别和动物行为识别方面的技术发展支持下，把相关技术方法应用到动物的行为和心情识别上：

1.基于深度学习的人体姿态估计、人体关键点识别的方法：

人体骨骼关键点对于描述人体姿态、预测人体行为至关重要。人体骨骼关键点检测主要有两个方向，一种是自上而下，一种是自下而上，其中自上而上的人体骨骼关键点定位算法主要包含两个部分，人体检测和单人人体关键点检测，即首先通过目标检测算法将每一个人检测出来，然后在检测框的基础上针对单个人做人体骨骼关键点检测。自下而上的方法也包含两个部分，关键点检测和关键点聚类，即首先需要将图片中所有的关键点都检测出来，然后通过相关策略将所有的关键点聚类成不同的个体。

把人体关键点识别的算法思想迁移到动物身上，以猫狗为例，标记13个关键点(包括尾巴)，并且利用目前基于深度学习的人体姿态估计算法的基础上来构建基于深度学习的动物姿态估计算法，因为猫和狗的尾巴对识别其心情具有很大的参考价值，所以13个关键点中包含尾巴的3个关键点。因还需要用到猫和狗的中心点来判断其运动状态，所以使用自上向下的方法，猫和狗的中心点位置是该种方法的中间过程结果产物。

2.人体行为识别和动物行为识别的方法：

①基于最近邻近分法的行人行为分类[1]，该方法计算量大、依赖于训练样本和用于度量相似性的距离函数选择多等问题。

②基于动态贝叶斯网络的人体行为分类[2]。该方法实际效果取决于使用者对实际应用的先验知识

③基于BP神经网络的人体行为分类[3]。该方法具有很强的自组织学习能力且有很好的鲁棒性，但其易学习过度、训练时间比较长、运算时间也比较长。

④与本发明相似的方法有俞守华[4]等人基于SVM的猪只行为分类，根据猪只的运动参数和体态特征，通过多分类SVM算法进行行为分类。

现有技术文献

[1]徐亚静.基于时空局部二值模式的行为识别方法研究[D].长春：吉林农业大学，2013.

[2]杨旗.人体步态及行为识别关键算法研究[D].沈阳：东北大学，2013.

[3]韩旭.应用K inect的人体行为识别方法研究与系统设计[D].济南：山东大学，2013.

[4]俞守华,杨剑达,陈紫城,et al.基于SVM的猪只行为分类[J].广东农业科学,2016,43(3):152-156.

发明内容

本发明的目的在于提供一种估计及识别准确率高的基于深度学习和SVM的动物姿态行为估计与心情识别方法。

为实现上述目的，本发明所提供的技术方案为：