本申请涉及电子技术领域，特别涉及一种基于视频的行为分析方法、装置、设备、系统及一种可读存储介质。
背景技术
目前，社会中有些人群可能由于缺乏完全行为能力处于弱势地位，比如老人和小孩等，为保障弱势群体的权利，可以通过视频方式对养老院以及幼儿园等区域进行监控。以幼儿园为例，目前幼儿园监控系统常常处于“监而不控”的状态，而且幼儿年幼无知，即便受到不公平的对待，也不能及时有效的向父母反馈，这给幼儿父母带来很大的困扰，也给幼儿们的健康成长带来严重影响。因此，在监控视频中通过分析人物行为，及时对不正常甚至不合法的行为做出警报，规范管理显得十分重要。
现有的基于视频的行为检测方法主要是通过进行运动前景分析，运动前景分析是利用单个图像帧的运动前景块进行处理，很难准确判断人物的肢体动作，也因此也很难有较高的检测效果。
因此，如何基于视频实现对人体动作行为的准确分析，是本领域技术人员需要解决的技术问题。
技术实现要素：
本申请的目的是提供一种基于视频的行为分析方法，该方法能够实现对人体动作行为的准确分析；本申请的另一目的是提供一种基于视频的行为分析装置、设备、系统及一种可读存储介质，具有上述有益效果。
本申请提供一种基于视频的行为分析方法，包括：
对视频图像进行人体骨骼点检测，得到人体骨骼点坐标信息；
对所述人体骨骼点坐标信息进行骨骼点特征分析，得到特征分析结果；其中，所述骨骼点特征分析包括：骨骼点空间特征分析以及骨骼点帧序列时间特征分析；
将所述特征分析结果与预设标签进行比对，根据比对结果输出行为分析结果。
优选地，所述对视频图像进行人体骨骼点检测包括：
对视频图像进行三维人体骨骼点检测，得到三维人体骨骼点坐标信息；
则所述对所述人体骨骼点坐标信息进行行为分析具体为：对所述三维人体骨骼点坐标信息进行行为分析。
优选地，所述对视频图像进行三维人体骨骼点检测包括：
对所述视频图像进行二维图片信息检测，得到二维人体骨骼点信息；
对所述二维骨骼点信息进行三维映射，得到三维人体骨骼点坐标信息。
优选地，对所述人体骨骼点坐标信息进行骨骼点特征分析包括：
结合预设区域内个体的骨骼点坐标信息进行交互骨骼点特征分析。
优选地，所述骨骼点空间特征分析包括：
对骨骼点坐标设置对应的注意力值；
根据所述注意力值对所述人体骨骼点坐标信息进行归一化骨骼点特征分析。
优选地，所述基于视频的行为分析方法还包括：
将所述行为分析结果与危险行为进行比对匹配；
当所述行为分析结果属于危险行为时，输出提示信息。
本申请提供一种基于视频的行为分析装置，包括：
骨骼点检测单元，用于对视频图像进行人体骨骼点检测，得到人体骨骼点坐标信息；
特征分析单元，用于对所述人体骨骼点坐标信息进行骨骼点特征分析，得到特征分析结果；其中，所述骨骼点特征分析包括：骨骼点空间特征分析以及骨骼点帧序列时间特征分析；
标签比对单元，用于将所述特征分析结果与预设标签进行比对，根据比对结果输出行为分析结果。
本申请提供一种基于视频的行为分析设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现所述基于视频的行为分析方法的步骤。
本申请提供一种基于视频的行为分析系统，包括：
视频采集设备，用于进行实时视频采集，将采集到的视频图像发送至基于视频的行为分析设备；
基于视频的行为分析设备，用于对所述视频图像进行人体骨骼点检测，得到人体骨骼点坐标信息；对所述人体骨骼点坐标信息进行骨骼点特征分析，得到特征分析结果；其中，所述骨骼点特征分析包括：骨骼点空间特征分析以及骨骼点帧序列时间特征分析；将所述特征分析结果与预设标签进行比对，根据比对结果输出行为分析结果。
本申请提供一种可读存储介质，其特征在于，所述可读存储介质上存储有程序，所述程序被处理器执行时实现所述基于视频的行为分析方法的步骤。
为解决上述技术问题，本申请提供一种基于视频的行为分析方法，对视频图像进行人体骨骼点检测，得到人体骨骼点坐标信息，通过检测人体的骨骼点，能够精准地得到人体每个关节的位置，通过对人体骨骼点坐标信息进行包括骨骼点空间特征分析以及骨骼点帧序列时间特征分析等方面的行为分析，可以得到骨骼特征分析结果，相比于通过运动前景对直接对轮廓进行动作判断难以精准的捕获到人体姿态的特点，通过对人体的骨骼姿态来获取人体的行为可以识别更多的动作，具有更高的准确率，将特征分析结果与预设的标签进行比对，可以实现对人体动作行为的准确分析。
在本申请另一实施例中公开了通过三维人体骨骼点坐标信息进行行为分析的技术特征，通过对人体行为的三维分析可以得到视频图像中人体的深度信息，从而当人体在图像深度方向做动作时可以实现精准判断。
在本申请另一实施例中公开了对多个人体间进行人体骨骼点坐标信息的交互行为分析这一技术特征，许多动作是发生在多人交互情形下，通过从整个视频图像的多人交互的情形中得到动作行为的发生可能性，从而避免出现对如老师弯下腰鼓掌或跟幼儿们进行击掌等正常动作的误判。
本申请还公开了一种基于视频的行为分析装置、设备、系统及一种可读存储介质，具有上述有益效果，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的基于视频的行为分析方法的流程图；
图2为本申请实施例提供的骨骼点提取网络结构示意图；
图3为本申请实施例提供的三维映射网络结构示意图；
图4为本申请实施例提供的基于lstm的时空注意力模型网络结构示意图；
图5为本申请实施例提供的基于视频的行为分析装置的结构框图；
图6为本申请实施例提供的基于视频的行为分析设备的结构框图；
图7为本申请实施例提供的基于视频的行为分析设备的结构示意图；
图8为本申请实施例提供的基于视频的行为分析系统的结构框图。
具体实施方式
本申请的核心是提供一种基于视频的行为分析方法，该方法可以实现对人体动作行为的准确分析；本申请的另一核心是提供一种基于视频的行为分析装置、系统及一种可读存储介质，具有上述有益效果。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
请参考图1，图1为本申请实施例提供的基于视频的行为分析方法的流程图；该方法可以包括：
步骤s100、对视频图像进行人体骨骼点检测，得到人体骨骼点坐标信息。
其中，人体骨骼点的检测方法在此不做限定，比如可以通过普通摄像装置进行图像提取后通过深度神经网络模型进行骨骼点坐标信息的提取，也可以直接通过可以实现骨骼点提取的装置进行提取，在此对具体的骨骼点提取方法不做限定，可以参照现有技术中的介绍。
骨骼点坐标的维度在此不做限定，可以为二维，也可以为三维。当通过二维骨骼坐标进行分析时，分析过程较为简单，计算量较小，结果输出较为实时；当通过三维骨骼坐标进行分析时，可以实现对图像深度方向的精确识别，从而可以提升行为分析的准确率。
为实现同时对图像深度以及横向的分析从而实现对更多动作的准确检测，优选地，对视频图像进行人体骨骼点检测具体可以为：对视频图像进行三维人体骨骼点检测，得到三维人体骨骼点坐标信息，则对人体骨骼点坐标信息进行行为分析具体为：对三维人体骨骼点坐标信息进行行为分析。
步骤s101、对人体骨骼点坐标信息进行骨骼点特征分析，得到特征分析结果。
人体的动作行为是由连续人体姿态序列组成，即可以描述成一个帧序列的人体骨骼点坐标，对人体骨骼点坐标进行骨骼点特征分析，可以获得人体姿态信息。进行骨骼点特征分析可以通过对单独个体的骨骼点进行特征分析，也可以结合多个个体的骨骼点坐标信息进行交互骨骼点的特征分析，在此不做限定。
骨骼点特征分析主要包括骨骼点空间特征分析以及骨骼点帧序列时间特征分析，骨骼点空间特征分析主要指在一帧图像内通过骨骼点的坐标进行动作的判定，比如经过对骨骼点进行分析发现a的手处于高抬状态，则将a的动作归为手举起类，然后通过结合时序分析的结果进一步判定a的动作具体属于手举起类的击打动作或是其他类型。骨骼点帧序列时间特征分析主要指通过连续帧序列实现动作的判定，比如第一帧中a的手处于抬起状态，第二帧中a的手落在b的脸部，通过第一帧与第二帧之间的时间间隔对a的动作进行加速度分析，当加速度超过加速度阈值时，判定a处于击打状态。
通过对骨骼点进行包括时间、频率、位移、加速度等方面的分析进而实现对动作的检测。
步骤s102、将特征分析结果与预设标签进行比对，根据比对结果输出行为分析结果。
将提取的特征分析结果与预先提取的不同动作的特征标签进行比对，动作标签比如击打、踢、拖拽等，当与某预先设定的动作标签相似度超过阈值时，即可判定为对应的动作，从而可以实现由骨骼点坐标到人物行为动作的分类。在此对阈值的具体数值设置不做限定，可以根据实际情况自行设定。
基于上述技术方案，本实施例所提供的基于视频的行为分析方法对视频图像进行人体骨骼点检测，得到人体骨骼点坐标信息，通过检测人体的骨骼点，能够精准地得到人体每个关节的位置，通过对人体骨骼点坐标信息进行包括骨骼点空间特征分析以及骨骼点帧序列时间特征分析等方面的行为分析，可以得到骨骼特征分析结果，相比于通过运动前景对直接对轮廓进行动作判断难以精准的捕获到人体姿态的特点，通过对人体的骨骼姿态来获取人体的行为可以识别更多的动作，具有更高的准确率，将特征分析结果与预设的标签进行比对，从而可以实现对人体动作行为的准确分析。
通过上述实施例的介绍，对对视频图像进行人体骨骼点检测具体可以为进行三维人体骨骼点检测，从而通过得到的三维人体骨骼点坐标信息进行骨骼点特征分析，可以实现在图像深度方向上动作的检测。具体地进行三维人体骨骼点检测方法不做限定，比如可以采用深度摄像头直接获取视频图像中人体骨骼点的三维坐标，也可以通过普通摄像头进行二维坐标提取后进行维度的转换，从而得到三维人体骨骼点坐标信息。
其中，采用深度摄像头直接获取视频图像中人体骨骼点的三维坐标的方式虽然检测准确率较高，但是深度摄像头价格昂贵，采用深度摄像头无疑会提高整体系统的应用成本，不利于广泛应用。优选地，可以通过普通的视频图像提取人体的二维骨骼点坐标后转换为三维形式，具体地，对视频图像进行三维人体骨骼点检测可以包括：
对视频图像进行二维图片信息检测，得到二维人体骨骼点信息；
对二维骨骼点信息进行三维映射，得到三维人体骨骼点坐标信息。
采用普通的摄像头进行信息的提取，减少应用成本，从而可以提高应用性价比，有利于本申请的广泛推广应用。
另外，上述实施例中对进行骨骼点特征分析的方式不做限定，可以通过对单独个体的骨骼点进行特征分析，也可以结合多个个体的骨骼点坐标信息进行交互骨骼点的特征分析，其中，对单独个体的骨骼点进行特征分析只需对提取的每个个体的骨骼点进行单独分析既可，计算过程较简单，判定过程耗费时间短；由于现实生活中的许多动作是发生在多人交互情形下，结合多个个体进行骨骼点的交互分析可以提高检测率。优选地，对人体骨骼点坐标信息进行骨骼点特征分析具体可以为：结合预设区域内个体的骨骼点坐标信息进行交互骨骼点特征分析。预设区域指当以a作为主要分析对象时，结合a附近区域的个体与a进行交互骨骼点特征分析，在此对预设区域的具体范围设定不做限定，可以根据实际情况自行设定。
基于上述实施例，由于一个动作行为并不是身体的每个骨骼点都起到相同作用，因此，为实现对不同骨骼点进行对应的分析，以针对性地减少分析计算量，优选地，骨骼点空间特征分析过程具体可以为：对骨骼点坐标设置对应的注意力值；根据注意力值对人体骨骼点坐标信息进行归一化骨骼点特征分析。通过对骨骼点设置不同的注意力值，对不同的骨骼点进行有差别的特征分析，从而在有限的计算条件下避免了不必要的计算量，提升了关键部位的检测成功率。比如可以对手部以及腿部的骨骼点设置较高的注意力值，从而提升对手部以及腿部的检测力度，提升检测成功率。
类似的，由于描述一个动作行为每一帧都有不同的作用，也可以对骨骼点帧序列的每一帧赋予不同注意力，具体设置在此不再赘述。
另外，为实现对行为分析结果的及时分析判断，从而对出现的紧急情况进行处理，优选地，在得到行为分析结果后，可以将行为分析结果与危险行为进行比对匹配；当行为分析结果属于危险行为时，输出提示信息。提示信息的输出方式不做限定，可以直接以显示屏或者音响等设备直接进行输出，也可以与终端相关联，通过将提示信息直接输入到比如校长电脑、家长手机等方式实现实时提醒，对不正常的人物行为发生能够及时发出警报，以便及时对紧急情况进行处理。
为加深对上述实施例的理解，本实施例以通过监控系统采集二维图像转换为三维骨骼点后，结合人体交互信息对三维骨骼点通过深度网络进行分析为例进行详细过程阐述。
步骤一：从监控系统视频图像中检测人体骨骼点。
网络输入为一张包括k个人物的视频图像，输出得到这k个人物每个骨骼点在图片的二维坐标。本阶段网络分为两条线路，一条线路用于检测k个人体所以骨骼点坐标，另一条线路用于关联每个人的骨骼点，即每两个需要连接的骨骼点的连接，骨骼点提取网络结构示意图如图2所示。
图像经过初级卷积网络得到特征图，然后分两个分支进入循环阶段的网络(statet)，第一个分支的得到每个人的骨骼点自信图(confidentmaps)集合表述：s＝(s1,s2,...,sj)，每个骨骼点对应一张自信图；第二个分支得到每个人每两个骨骼点的连接向量图集合表述：l＝(l1,l2,...,lc)每两个需要连接的骨骼点对应一张向量图。
设计训练样本标签，对应自信图真实标签定义如下：
其中p表述图片中的每个像素，xj,k表示图片中第k个人的第j个骨骼点的像素，σ代表用于调节二维正态分布的宽度的一个常量，自信图则是一张在xj,k像素位置的一个二维正态分布值图像；对应向量图真实标签定义如下：
其中p表述图片中的每个像素，v为第k个人的第j1到第j2个骨骼点的单位向量，lc,k表示两个骨骼点连接区域的最大长度，σl表示连接区域的最大宽度，所以向量图则是每个像素值是个二维向量的图。
训练网络每个分支每个阶段(statet)所用代价函数为网络输出与真实样本标签的l2范数，定义如下：
其中，w(p)为布尔类型，0表示像素p处的标签丢失，1表示像素p处标签存在，可以避免对正样本训练的影响。训练的整个网络的代价函数为两部分之和：
网络训练网，输入图像即可得到每个人的骨骼点，然后通过计算每两个所需连接的骨骼点连接分数，分数是对两个骨骼点区域做线积分，具体为如下定义：
其中，dj1和dj2分别表示两个骨骼点的坐标，u为插值变量，p(u)表示从dj1到dj2之间的点，lc(p(u))则表示两个骨骼点之间点在向量图中的向量。
根据此分数，可以得到一张图片中每个人骨骼点的正确连接，即可得到每个人骨骼点的二维坐标。
输入一帧图像，经过训练好的卷积神经网络即可得到图像中人体骨骼点(包括19个人体主要关节点)的二维坐标。
步骤二：将步骤一得到的二维人体骨骼点坐标通过训练好多层线性网络映射到三维空间的骨骼点坐标。
将步骤一得到的二维骨骼点坐标映射到三维空间，只需要通过多层简单深度的线性网络即可得到三维映射，其他方式在此不再赘述，三维映射网络结构示意图如图3所示。
网络由四部分相同的模块组成，即1024个神经元，经过归一化之后输入到pelu激活函数，并且加0.5的弃权参数，组成一个模块，其中第一个模块的输出到第四个模块的输入引入一条残差连接，从而构成二维骨骼点坐标到三维骨骼点坐标的映射网络。
步骤三：输入步骤二产生的三维骨骼点坐标序列，经过时间和空间注意力模型的lstm网络，得到最终的人体行为动作检测结果。
由于人体的动作行为是由连续人体姿态序列组成，即可以描述成成一个帧序列的人体三维骨骼点坐标，即x＝{x1,x2,...,xt}，其中t为时间。动作识别不仅需要用到一帧视频图像人物骨骼点坐标的空间信息，还需要用的人体姿态在时间上的变化信息，因此，再次以通过基于lstm的时空注意力模型进行特征分析为例进行介绍，基于lstm的时空注意力模型网络结构示意图如图4所示。
整体网络分为三个部分：空间注意力网络、时间注意力网络、主网络，其中空间注意力网络是对一帧三维人体骨骼点坐标xt＝(xt,1,xt,2,...,xt,j)，xt,k∈r3的每一个坐标xt,j赋予不同的注意力αt,j，因为对于一个动作行为并不是身体的每个骨骼点都起到相同作用，所以通过空间注意力网络，得到每个骨骼点归一化后的注意力，其中注意力可以通过以下计算得到：
其中us,wxs,whs为可学习的网络参数矩阵，bs,bus为偏置向量，
时间注意力网络则是对一个骨骼点帧序列的每一帧赋予不同注意力，因为描述一个动作行为每一帧都有不同的作用，其中每一帧的注意力如下计算：
其中，b～表示可学习偏置参数，wx～表示可学习的权重参数。
输入为当前帧xt和上一时刻lstm层的隐藏变量
主网络则是对动作行为做最后的分类，对于输入人体三维骨骼点坐标帧序列xt＝(xt,1,xt,2,...,xt,j)，xt,k∈r3，输出预设类别的动作行为概率，计算过程具体如下：
其中，o是中间变量，共有c个；k取值从1到c，c表示动作类别的数量，βt表示第t帧的注意力。
通过结合网络的三个部分，可以得出网络的代价函数：
其中，
本实施例介绍的基于视频的行为分析方法基于深度学习网络，利用视频图像中人体骨骼点坐标信息为线索，可以实现对包括幼儿园以及养老院等场景的行为监控通过设计三个深度网络，分别实现从视频图像得到人体骨骼点的二维坐标、从二维的人体骨骼点坐标映射到三维人体骨骼点坐标、从三维人体骨骼点坐标得到对视频人物行为动作的分类。比如在幼儿园监控中可以高效识别到体罚幼儿、幼儿之间激烈打架等行为，检测的错误率低，应用价值高。
下面对本申请提供的基于视频的行为分析装置进行介绍，请参考图5，图5为本申请实施例提供的基于视频的行为分析装置的结构框图；该装置可以包括：骨骼点检测单元500、特征分析单元501以及标签比对单元502。
其中，骨骼点检测单500主要用于对视频图像进行人体骨骼点检测，得到人体骨骼点坐标信息；
特征分析单元501主要用于对人体骨骼点坐标信息进行骨骼点特征分析，得到特征分析结果；其中，骨骼点特征分析包括：骨骼点空间特征分析以及骨骼点帧序列时间特征分析；其中，骨骼点空间特征分析可以包括：对骨骼点坐标设置对应的注意力值；根据注意力值对人体骨骼点坐标信息进行归一化骨骼点特征分析。
标签比对单元502主要用于将特征分析结果与预设标签进行比对，根据比对结果输出行为分析结果。
本申请提供的基于视频的行为分析装置可以基于视频实现对人体动作行为的准确分析。
其中，骨骼点检测单元500可以具体为三维骨骼点检测单元，用于对视频图像进行三维人体骨骼点检测，得到三维人体骨骼点坐标信息，则与骨骼点检测单元500相连的特征分析单元501具体可以用于对三维人体骨骼点坐标信息进行行为分析。
三维骨骼点检测单元具体可以包括：二维骨骼点检测子单元以及三维映射子单元。其中二维骨骼点检测子单元可以用于对视频图像进行二维图片信息检测，得到二维人体骨骼点信息；三维映射子单元可以用于对二维骨骼点信息进行三维映射，得到三维人体骨骼点坐标信息。
特征分析单元501具体可以为交互特征分析单元，用于结合预设区域内个体的骨骼点坐标信息进行交互骨骼点特征分析。
本实施例提供的基于视频的行为分析装置可以还包括提示单元，用于将行为分析结果与危险行为进行比对匹配；当行为分析结果属于危险行为时，输出提示信息。
需要说明的是，本申请具体实施方式中的基于视频的行为分析装置中的各个单元，其工作过程请参考图1对应的具体实施方式，在此不再赘述。
下面对本申请提供的基于视频的行为分析设备进行介绍，具体对基于视频的行为分析设备的介绍可参照上述基于视频的行为分析方法的步骤，图6为本申请实施例提供的基于视频的行为分析设备的结构框图；该设备可以包括：
存储器600，用于存储计算机程序；
处理器601，用于执行计算机程序时实现基于视频的行为分析方法的步骤。
请参考图7，本申请实施例提供的基于视频的行为分析设备的结构示意图，该分析设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(centralprocessingunits，cpu)322(例如，一个或一个以上处理器)和存储器332，一个或一个以上存储应用程序342或数据344的存储介质330(例如一个或一个以上海量存储设备)。其中，存储器332和存储介质330可以是短暂存储或持久存储。存储在存储介质330的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对数据处理设备中的一系列指令操作。更进一步地，中央处理器322可以设置为与存储介质330通信，在分析设备301上执行存储介质330中的一系列指令操作。
分析设备301还可以包括一个或一个以上电源326，一个或一个以上有线或无线网络接口350，一个或一个以上输入输出接口358，和/或，一个或一个以上操作系统341，例如windowsservertm，macosxtm，unixtm,linuxtm，freebsdtm等等。
上面图1所描述的基于视频的行为分析方法中的步骤可以由基于视频的行为分析设备的结构实现。
下面对本申请实施例提供的基于视频的行为分析系统进行介绍，下文描述的基于视频的行为分析系统与上文描述的基于视频的行为分析设备可相互对应参照。
图8为本申请实施例提供的基于视频的行为分析系统的结构框图；该系统可以包括：视频采集设备700以及基于视频的行为分析设备701.
其中，视频采集设备700主要用于进行实时视频采集，将采集到的视频图像发送至基于视频的行为分析设备；
基于视频的行为分析设备701主要用于对视频图像进行人体骨骼点检测，得到人体骨骼点坐标信息；对人体骨骼点坐标信息进行骨骼点特征分析，得到特征分析结果；其中，骨骼点特征分析包括：骨骼点空间特征分析以及骨骼点帧序列时间特征分析；将特征分析结果与预设标签进行比对，根据比对结果输出行为分析结果。
下面对本申请实施例提供的可读存储介质进行介绍，下文描述的可读存储介质与上文描述的基于视频的行为分析方法可相互对应参照。
本申请公开的一种可读存储介质，其上存储有程序，程序被处理器执行时实现基于视频的行为分析方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置，设备，存储介质和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，系统，存储介质和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个移动终端中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该产品存储在一个存储介质中，包括若干指令用以使得一台移动终端(可以是手机，或者平板电脑等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、终端或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的基于视频的行为分析方法、装置、设备、系统及可读存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。