[发明专利]区域环境下的行为识别分析方法、系统

权利要求书

1.区域环境下的行为识别分析方法，其特征在于，包括以下步骤：

第一步：获取视频数据

开启摄像头，采集视频数据；

第二步：数据预处理

对采集到的视频数据流按帧进行处理，进行二值化，采集视频有效片段，完成数据预处理；

第三步：视频数据流中有效片段的提取

利用目标检测方法对视频数据的静态画面进行分析，检测出每个静态画面图像中可能产生目标行为的所有目标对象，并以此来确定该视频是否为有效视频，其中，

若该视频为无效视频，则，重新获得新视频数据流；

第四步：对所述有效视频进行行为识别分析

基于步骤三，若该视频为有效视频时，则，通过使用基于深度学习的卷积神经网络模型以及模板匹配算法对有效视频中发生的动作行为进行识别分析，并对识别分析后的结果进行融合打分得到最终分类结果，其中，

所述基于卷积神经网络模型和模板匹配算法分类识别的具体方式为：

S1、利用TSM卷积神经网络模型进行分类，首先将有效视频分割成N个大小相等的片段，每段采样一个帧，使用二维卷积从每一帧中提取空间特征，然后插入时间移位模块，实现无时间消耗的融合；

S2、利用模板匹配算法进行分类；

S3、输入视频数据流得到该数据的分类结果，并对上述经步骤S1、S2得到的结果进行加性平均融合得到最终结果；

第五步：有效视频存储

根据分类结果，将采集到的有效视频打上分类标签，通过视频存储模块进行存储。

2.根据权利要求1所述的区域环境下的行为识别分析方法，其特征在于，第二步中数据预处理的具体方式为：

利用Opencv开源工具对视频数据进行处理：

S1、根据需求对视频数据流的帧高度与帧宽度进行修改调整；

S2、将视频数据流进行灰度化与二值化处理。

3.根据权利要求1所述的区域环境下的行为识别分析方法，其特征在于，第三步中，所述目标检测方法基于深度学习的卷积神经网络模型，且采用FasterRCNN或YOLO或SSD高效开源算法，用于利用卷积神经网络图像特征提取能力和所述目标检测算法实现该视频的快速而准确的目标检测，以用于保证有效视频提取的正确性。

4.根据权利要求1所述的区域环境下的行为识别分析方法，其特征在于，第四步中，通过使用可嵌入二维CNN的模型来设计构建卷积神经网络模型，其中，所采用的二维卷积神经网络采用TSM网络模型或STM网络模型或TEA网络模型。

5.根据权利要求1所述的区域环境下的行为识别分析方法，其特征在于，第四步中，模板匹配算法具体实施方式为：

S1、将第三步中提取的有效视频片段读取为图像帧；

S2、利用光流场来获得所述有效视频序列中的运动轨迹，并沿此运动轨迹提取方向梯度直方图、光流直方图、光流梯度直方图以及轨迹特征四种特征，其中，

所述方向梯度直方图基于灰度图进行计算；所述光流直方图、光流梯度直方图以及轨迹特征基于稠密光流场进行计算；最后得到特征向量；

S3、对所述特征向量使用K_means聚类算法，用于对四种所述特征进行聚类，得到特征字典，具体实施时：自定义，假设得到的每幅图像有x∈Rp×q个特征，那么得到N幅图像的特征矩阵为x∈Rp×Nq，进而得到一共存在的Nq个数据点，基于其分布在一个p维的空间中，通过聚类后可以找到M个聚类中心；

然后对于每一幅图像而言，分别计算它的q个p维特征属于哪一个聚类中心距离最近，最终统计M个聚类中心分别拥有多少特征，得到一个M维的向量，此时，M维的向量为特征向量；

S4、通过特征字典单词对目标特征向量进行量化编码，并基于VQ算法或者SOMP算法得到固定长度大小的向量值；

S5、对编码量化后的目标特征向量使用SVM支持向量机以进行分类。