一种目标行为的识别方法及装置与流程

本发明涉及物联网技术领域，特别涉及一种目标行为的识别方法及装置。

背景技术：

随着视频监控应用的发展，视频监控已经由视频图像的实时监控向视频图像的智能化分析逐步演进。目前常见的基于视频的人的活动行为分析主要有手势识别、行走握手等人物基本活动行为的识别，这些活动行为的识别主要基于图像中人的皮肤、躯体、关节等人体局部特征的提取和分析进行，由于每个人的活动是存在多样性的，因此基于特征提取的分析方法较为复杂。在一些情况下，只需要对人的简单活动进行识别，而基于人的多个局部特征提取与分析的算法受人活动的复杂性和多样性影响，实现难度较大，且在需要提取全身特征时，易受摄像头视角的影响，无法满足图像分析的要求；比如：对人吃饭时靠近桌子坐下的行为进行识别，如果采用特则提取的方法，需要捕捉人的躯体和腿部的活动，识别方法较为复杂，且会受到摄像头视角的限制(需捕捉人的全身图像)。

技术实现要素：

本发明提供了一种目标行为的识别方法及装置，其目的是为了解决基于特征提取与分析的算法受人活动的复杂性和多样性影响，实现难度较大，且在需要提取全身特征时，易受摄像头视角的影响的问题。

为了达到上述目的，本发明的实施例提供了一种目标行为的识别方法，包括：

检测人物是否在观测区域进行活动；

当检测到人物在观测区域进行活动时，通过摄像头对人物头像进行采集，得到摄像头成像；

对人物活动时人物头像位置在摄像头成像中的热点分布进行统计分析，得到人物头像的热点分布统计数据；

根据人物头像的热点分布统计数据和预先设定的目标行为的人物头像的活动规律数据，对人物活动时的行为进行识别。

优选地，对人物活动时人物头像位置在摄像头成像中的热点分布进行统计分析，得到人物头像的热点分布统计数据，包括：

在每个检测时段，获取人物活动时人物头像位置在摄像头成像中的头像标注框的重心的横坐标、纵坐标以及远近比，远近比为头像标注框的面积与摄像头成像的面积的比值；

对横坐标、纵坐标以及远近比进行统计分析，得到横坐标集均值、纵坐标集均值及远近比集，其中，远近比集中记录有每个检测时段所获取的远近比。

优选地，根据人物头像的热点分布统计数据和预先设定的目标行为的人物头像的活动规律数据，对人物活动时的行为进行识别，包括：

比较人物头像的热点分布统计数据和预先设定的目标行为的人物头像的活动规律数据的相似度，预先设定的目标行为的人物头像的活动规律数据至少包括目标行为的人物头像的横坐标、纵坐标以及远近比集；

当相似度符合预先设定的条件时，识别人物活动时的行为为目标行为；

当相似度不符合预先设定的条件时，识别人物活动时的行为不是目标行为。

优选地，比较人物头像的热点分布统计数据和预先设定的目标行为的人物头像的活动规律数据的相似度，包括：

通过计算横坐标集均值、纵坐标集均值与目标行为的人物头像的横坐标、纵坐标的第一欧式距离，得出人物头像的热点分布统计数据和预先设定的目标行为的人物头像的活动规律数据的相似度。

优选地，当相似度符合预先设定的条件时，识别人物活动时的行为为目标行为，包括：

若第一欧式距离小于预设的第一阈值，则计算远近比集与目标行为的人物头像的远近比集的第二欧式距离；

若第二欧式距离大于等于预设的第二阈值，则识别人物活动时的行为为目标行为。

为了实现上述目的，本发明的实施例还提供了一种目标行为的识别装置，其特征在于，包括：

检测模块，用于检测人物是否在观测区域进行活动；

采集模块，用于当检测到人物在观测区域进行活动时，通过摄像头对人物头像进行采集，得到摄像头成像；

统计分析模块，用于对人物活动时人物头像位置在摄像头成像中的热点分布进行统计分析，得到人物头像的热点分布统计数据；

识别模块，用于根据人物头像的热点分布统计数据和预先设定的目标行为的人物头像的活动规律数据，对人物活动时的行为进行识别。

优选地，统计分析模块包括：

获取子模块，用于在每个检测时段，获取人物活动时人物头像位置在摄像头成像中的头像标注框的重心的横坐标、纵坐标以及远近比，远近比为头像标注框的面积与摄像头成像的面积的比值；

分析子模块，用于对横坐标、纵坐标以及远近比进行统计分析，得到横坐标集均值、纵坐标集均值及远近比集，其中，远近比集中记录有每个检测时段所获取的远近比。

优选地，识别模块包括：

比较子模块，用于比较人物头像的热点分布统计数据和预先设定的目标行为的人物头像的活动规律数据的相似度，预先设定的目标行为的人物头像的活动规律数据至少包括目标行为的人物头像的横坐标、纵坐标以及远近比集；

第一识别子模块，用于当相似度符合预先设定的条件时，识别人物活动时的行为为目标行为；

第二识别子模块，用于当相似度不符合预先设定的条件时，识别人物活动时的行为不是目标行为。

优选地，比较子模块用于：

通过计算横坐标集均值、纵坐标集均值与目标行为的人物头像的横坐标、纵坐标的第一欧式距离，得出人物头像的热点分布统计数据和预先设定的目标行为的人物头像的活动规律数据的相似度。

优选地，第一识别子模块用于：

若第一欧式距离小于预设的第一阈值，则计算远近比集与目标行为的人物头像的远近比集的第二欧式距离；

若第二欧式距离大于等于预设的第二阈值，则识别人物活动时的行为为目标行为。

本发明的上述方案至少包括以下有益效果：

本发明提供的目标行为的识别方法及装置，通过对人物在观测区域的活动进行检测，使摄像头对人物头像进行采集，并通过摄像头采集的数据对人物活动时头像位置在摄像头成像中的热点分布的统计分析，以实现对目标行为的识别；本发明的识别效率较高，且通过与预设的活动规律数据进行结合生成的识别结果较为稳定；本发明的实现过程较为简单，不受人活动的复杂性和多样性影响且无需提取全身特征时，不受摄像头视角的影响。

附图说明

图1为本发明的第一实施例提供的目标行为的识别方法的基本步骤流程图；

图2为本发明的第二实施例提供的目标行为的识别方法的基本步骤流程图；

图3为本发明的第三实施例提供的目标行为的识别装置的结构示意图；

图4为本发明的第四实施例的第一场景示意图；

图5为本发明的第四实施例的第二场景示意图；

图6为本发明的第四实施例的第三场景示意图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

本发明针对现有的问题，提供了一种目标行为的识别方法及装置。

第一实施例

参见图1，本发明的第一实施例提供了一种目标行为的识别方法，包括：

步骤101，检测人物是否在观测区域进行活动。

其中，观测区域可以是进行目标行为的主要活动区域，以吃饭作为目标行为为例，那么观测区域可以设置在饭厅、食堂等。

具体地，可通过被动红外线探测器(pir)来实现，pir不需要附加红外辐射光源，本身不向外界发射任何能量，而是由探测器直接探测来自人物的红外辐射。

步骤102，当检测到人物在观测区域进行活动时，通过摄像头对人物头像进行采集，得到摄像头成像。

具体地，摄像头需在观测区域内一个固定的位置上进行图像采集。

步骤103，对人物活动时人物头像位置在摄像头成像中的热点分布进行统计分析，得到人物头像的热点分布统计数据。

其中，针对摄像头采集的图像中的每一帧人物头像位置在摄像头成像中的位置进行统计分析，热点分布统计数据用于表示人物头像在摄像头成像中的位置以及人物头像与摄像头之间的距离远近。

具体地，步骤103包括：

在每个检测时段，获取人物活动时人物头像位置在摄像头成像中的头像标注框的重心的横坐标、纵坐标以及远近比，远近比为头像标注框的面积与摄像头成像的面积的比值；

对横坐标、纵坐标以及远近比进行统计分析，得到横坐标集均值、纵坐标集均值及远近比集，其中，远近比集中记录有每个检测时段所获取的远近比。

其中，头像标注框可以为正方形。

下面以第四实施例为例，图4、图5、图6分别为本发明的第四实施例的第一、第二、第三场景示意图，图4为摄像头成像中的一帧图像，对图4进行像素分析，其中xt代表横坐标，yt代表纵坐标，头像标注框的位置如图中所示，头像标注框的坐标为{(xmin，xmax)，(ymin，ymax)},那么头像标注框的中心的横坐标x、纵坐标y、远近比r，应分别为如下公式所示：

其中，摄像头成像的面积为st＝xt*yt，

头像标注框的面积为s＝(xmax-xmin)*(ymax-ymin)。

对横坐标、纵坐标以及远近比进行统计分析。首先获取人物活动时人物头像位置在摄像头成像中的头像标注框的重心的横坐标，假设在一个检测时间段内。检测时长为假设在一个检测时间段内，检测时长为8thd，则记录的数据为8组，各时间点分别为0、1thd、2thd、3thd、4thd、5thd、6thd、7thd，则三组对应个时间点的数据分别为{r0，r1，r2，r3，r4，r5，r6，r7}，{x0，x1，x2，x3，x4，x5，x6，x7}，{y0，y1，y2，y3，y4，y5，y6，y7}。

然后对横坐标、纵坐标以及远近比进行统计分析，得到横坐标集均值、纵坐标集均值及远近比集。参见图5，以{xi}组数据为例，将该组数据从小到大排列，并在最小值和最大值之间进行等比例分割成n段区间，任何一个xi值将落到1至n的任一个区间内，我们将用xi值所处的区间标识(该标识为1至n的整数)代替原有的xi值，则实现了横坐标x的离散划分。同时，以同样的方式对另两组数据进行离散划分，则纵坐标集的划分区间如图6所示。此外，如果在统计分析的过程中，当各组的数据长度大于一预设数值(比如为k)时，只保留每组数据的前k个数据，后面的数据将被删除。

本发明的上述实施例中，通过离散划分的方式对数据统计分析，可以有效地克服数据中隐藏的缺陷，使统计结果更加稳定，且有利于对于非线性关系进行诊断和描述。

步骤104，根据人物头像的热点分布统计数据和预先设定的目标行为的人物头像的活动规律数据，对人物活动时的行为进行识别。

具体地，预先设定的目标行为的人物头像的活动规律数据通常需要一个数据学习阶段(比如为一个月)，在该学习阶段，摄像头进行多次针对目标行为人物头像位置在摄像头成像中的检测并统计分析，得出活动规律数据。

假如在数据学习阶段，有l个观测时间段，并获取相应的多组数据，按照第四实施例中离散划分的方式对多组数据进行离散划分，

假如在l个时间段内分别采集了l组数据，那么按照如下方式对三组数据分别标记：

远近比集r：{ri0，ri1，ri2，ri3，ri4，ri5，ri6，ri7，……，rik}，

横向坐标集x：{xi0，xi1，xi2，xi3，xi4，xi5，xi6，xi7，……，xik}，

纵向坐标集y：{yi0，yi1，yi2，yi3，yi4，yi5，yi6，yi7，……，yik}；

其中，其中i表示第i个时间段所采集的数据集，上述横向坐标集x和纵纵向坐标集y中记录的数据可以表示人物头像在摄像头成像中的位置，远近比集r中记录的数据可以表示人物头像与摄像头之间的距离远近；

那么对横向坐标集x、纵向坐标集y分别求均值，则：

其中，xavg_j为活动规律数据中的横向坐标集均值，yavg_j为活动规律数据中的纵向坐标集均值。

本发明的实施例在数据学习阶段，对人物活动时头像位置在摄像头成像中的远近比r、横向坐标x、纵向坐标y进行热点分布统计分析，形成稳定的活动规律数据，有利于对人物活动时的目标行为进行识别。

本发明的上述实施例中，通过对人物在观测区域的活动进行检测，使摄像头对人物头像进行采集，并通过摄像头采集的数据对人物活动时头像位置在摄像头成像中的热点分布的统计分析，以实现对目标行为的识别；本发明的识别效率较高，且通过与预设的活动规律数据进行结合生成的识别结果较为稳定；本发明的实现过程较为简单，不受人活动的复杂性和多样性影响且无需提取全身特征时，不受摄像头视角的影响。

第二实施例

参见图2，本发明的第二实施例提供了一种目标行为的识别方法，包括：

步骤201，检测人物是否在观测区域进行活动。

步骤202，当检测到人物在观测区域进行活动时，通过摄像头对人物头像进行采集，得到摄像头成像。

步骤203，在每个检测时段，获取人物活动时人物头像位置在摄像头成像 中的头像标注框的重心的横坐标、纵坐标以及远近比，远近比为头像标注框的面积与摄像头成像的面积的比值。

步骤204，对横坐标、纵坐标以及远近比进行统计分析，得到横坐标集均值、纵坐标集均值及远近比集，其中，远近比集中记录有每个检测时段所获取的远近比。

步骤205，比较人物头像的热点分布统计数据和预先设定的目标行为的人物头像的活动规律数据的相似度，预先设定的目标行为的人物头像的活动规律数据至少包括目标行为的人物头像的横坐标、纵坐标以及远近比集。

其中，通过比较人物头像的热点分布统计数据与活动规律数据的相似度，来识别目标行为。

具体地，步骤205包括：

通过计算横坐标集均值、纵坐标集均值与目标行为的人物头像的横坐标、纵坐标的第一欧式距离，得出人物头像的热点分布统计数据和预先设定的目标行为的人物头像的活动规律数据的相似度。

其中，关于相似度的计算，现有的算法通常是基于向量的，即计算两个向量的距离，距离越近相似度越大，而欧氏距离是最易于理解的一种距离计算方法，源自欧氏空间中两点间的距离公式。

若横坐标集均值为xa、纵坐标集均值为ya，目标行为的人物头像的横坐标为xavg、纵坐标yavg，通过如下公式，利用所述横坐标集均值、纵坐标集均值与所述目标行为的人物头像的横坐标、纵坐标计算得到第一欧式距离：

其中，dxy为第一欧氏距离。

步骤206，当相似度符合预先设定的条件时，识别人物活动时的行为为目标行为。

步骤207，当相似度不符合预先设定的条件时，识别人物活动时的行为不是目标行为。

具体地，步骤207包括：

若第一欧式距离小于预设的第一阈值，则计算远近比集与目标行为的人物头像的远近比集的第二欧式距离；

其中，远近比集中记录有多个检测时间段所获取的远近比，例如r＝{r0，r1，r2，r3，r4，r5，r6，r7，……，rk}，目标行为的人物头像的远近比集为{reat_0，reat_1，reat_2，reat_3，reat_4，reat_5，reat_6，reat_7，……，reat_k}，通过如下公式，利用远近比集与所述目标行为的人物头像的远近比集，计算得到第二欧式距离：

其中，dr为第二欧氏距离。

若第二欧式距离大于等于预设的第二阈值，则识别人物活动时的行为为目标行为。

本发明的上述实施例中，通过比较人物头像的热点分布统计数据和预先设定的目标行为的人物头像的活动规律数据的相似度，来识别人物活动时的行为是否为目标行为，识别效率较高，且通过与预设的活动规律数据进行结合生成的识别结果较为稳定；本发明的实现过程较为简单，不受人活动的复杂性和多样性影响且无需提取全身特征时，不受摄像头视角的影响。

第三实施例

参见图3，本发明的第三实施例提供了一种目标行为的识别装置，包括：

检测模块301，用于检测人物是否在观测区域进行活动；

采集模块302，用于当检测到人物在观测区域进行活动时，通过摄像头对人物头像进行采集，得到摄像头成像；

统计分析模块303，用于对人物活动时人物头像位置在摄像头成像中的热点分布进行统计分析，得到人物头像的热点分布统计数据；

识别模块304，用于根据人物头像的热点分布统计数据和预先设定的目标行为的人物头像的活动规律数据，对人物活动时的行为进行识别。

优选地，统计分析模块303包括：

获取子模块，用于在每个检测时段，获取人物活动时人物头像位置在摄像头成像中的头像标注框的重心的横坐标、纵坐标以及远近比，远近比为头像标注框的面积与摄像头成像的面积的比值；

分析子模块，用于对横坐标、纵坐标以及远近比进行统计分析，得到横坐标集均值、纵坐标集均值及远近比集，其中，远近比集中记录有每个检测时段 所获取的远近比。

优选地，识别模块304包括：

比较子模块，用于比较人物头像的热点分布统计数据和预先设定的目标行为的人物头像的活动规律数据的相似度，预先设定的目标行为的人物头像的活动规律数据至少包括目标行为的人物头像的横坐标、纵坐标以及远近比集；

第一识别子模块，用于当相似度符合预先设定的条件时，识别人物活动时的行为为目标行为；

第二识别子模块，用于当相似度不符合预先设定的条件时，识别人物活动时的行为不是目标行为。

优选地，比较子模块用于：

通过计算横坐标集均值、纵坐标集均值与目标行为的人物头像的横坐标、纵坐标的第一欧式距离，得出人物头像的热点分布统计数据和预先设定的目标行为的人物头像的活动规律数据的相似度。

优选地，第一识别子模块用于：

若第一欧式距离小于预设的第一阈值，则计算远近比集与目标行为的人物头像的远近比集的第二欧式距离；

若第二欧式距离大于等于预设的第二阈值，则识别人物活动时的行为为目标行为。

需要说明的是，本发明实施例提供的目标行为的识别装置是应用上述方法的装置，即上述方法的所有实施例均适用于该装置，且均能达到相同或相似的有益效果。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。