CN107273815A - 一种个体行为识别方法及*** - Google Patents
一种个体行为识别方法及*** Download PDFInfo
- Publication number
- CN107273815A CN107273815A CN201710375448.5A CN201710375448A CN107273815A CN 107273815 A CN107273815 A CN 107273815A CN 201710375448 A CN201710375448 A CN 201710375448A CN 107273815 A CN107273815 A CN 107273815A
- Authority
- CN
- China
- Prior art keywords
- moving target
- image
- msub
- mrow
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/23—Recognition of whole body movements, e.g. for sport training
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/254—Analysis of motion involving subtraction of images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种个体行为识别方法及***,个体行为识别方法包括:基于改进的三帧差分法对运动目标进行检测;基于检测出的运动目标,进行质心化以便提取运动特征进行分析,从而实现个体行为识别。本发明提供的个体行为识别方法及***利用改进的三帧差分法,可以准确得到运动目标的完整信息,能适应光照变化等复杂场景下的运动目标检测,避免了检测目标与其它目标出现重叠的现象,得到的运动目标轮廓比较清晰,对慢速运动的目标检测有着很强的鲁棒性,从而通过提取到的运动目标,进行运动特征的选取和描述,满足实时性要求,为基于运动特征的个体行为识别提供支撑。
Description
技术领域
本发明涉及图像识别领域,更具体地,涉及一种个体行为识别方法及***。
背景技术
中国是畜牧养殖业大国,近年来,养殖规模化发展势头迅猛,随着养殖规模的不断扩大,养殖风险也逐渐增加。养殖个体的采食、***、饮水等行为贯穿其整个生长过程,这些行为表现能反映出其生长过程的不同状态。通过分析个体的行为状态,实时监控个体的健康状况变化,记录其在一天内的行为活动,为其的生长和健康状况提供评判依据,提高了养殖自动化和智能化水平。实时检测跟踪养殖个体,有助于发现养殖个体的异常行为,从而及时采取对应的措施,减少相互伤害行为发生,降低养殖个体疾病死亡率提供基础数据。因此,对养殖个体状态的检测就显得尤为重要。
现有的运动目标检测算法主要有光流法、背景减除法、帧差法等。光流法是根据视频序列中,每一帧图像的各个像素点的速度矢量特征,对图像进行动态分析,当目标运动时,运动目标形成的光流矢量发生变化,从而检测出运动目标。背景减除法是将当前帧和背景帧图像做帧差,可以得到相应的运动物体的特征信息。背景差法原理简单,易于实现,可以较好地提取运动目标的信息。帧差法是对视频序列中相邻的两帧做差分运算,从而得到运动目标的特征信息。帧差法算法简单,对环境的适应性较好,稳定性较好。
其中,光流法存在计算耗时,实时性差,会受到噪声、阴影、光线变化和遮挡等因素的影响,不适于实际应用。帧差法对于移动速度慢的目标,帧差法不能完整地提取运动目标的信息,甚至对于一些缓慢移动的目标出现漏检的情况,光线和阴影对于检测效果有较大的影响。背景减除法对于环境背景的要求较高,对背景的变化非常敏感。
发明内容
为了至少部分地克服现有技术中存在的上述问题,本发明提供一种个体行为识别方法及***。
根据本发明的一个方面,提供一种个体行为识别方法,包括:S1,基于改进的三帧差分法对运动目标进行检测;S2,基于检测出的运动目标,进行质心化以便提取运动特征进行分析,从而实现个体行为识别。
其中,在S1之前包括:获取运动目标前景区域信息。
其中,S1具体为:S11,选取运动目标的图像序列中连续间隔三帧的三帧图像;S12,分别将所述三帧图像转化为灰度图像;S13,分别计算所述三帧相邻灰度图像之间的差值;S14,对上述得到的差值图像通过预设的阈值T进行二值化处理;S15,对上述二值化图像进行形态学处理;S16,在每一个像素点(x,y)将得到的二值图像逻辑相“与”,得到三帧图像中中间帧的二值图像。
其中,S14中预设的阈值T通过最大类间方差法获得;其中,所述最大类间方差法的具体步骤为:
μ=wA×μA+wB×μB
σ2=wA(μA-μ)2+wB(μB-μ)2
式中,L为图像灰度级,T表示当前图像灰度阈值,N为图像总像素数,ni为灰度级为i的像素数,wA、wB分别表示目标A与背景B的像素数占图像比例,μA、μB分别表示区域A、B的平均灰度,μ为图像的平均灰度。
其中,S15具体为:利用形态学的开和闭运算分别去除所述二值化图像中孤立的噪声前景点和填补目标区域的小孔;其中,形态学的开运算:B对A进行的开操作是先用B对A腐蚀,然后用B对结果进行膨胀;形态学的闭运算:B对A进行闭操作就是先用B对A膨胀,然后用B对结果进行腐蚀。
其中,S2具体为:S21,获取运动目标的轮廓;S22,计算出所述运动目标的轮廓的质心坐标;S23,基于所述运动目标的质心坐标,计算运动目标的运动特征。
其中,S21具体为:S211,寻找运动目标的图像中第一个边界点;S212,计算搜索方向;S213,找出运动目标的图像中所有的边界点。
其中,S22中质心坐标计算公式如下:
式中,(xi,yi)为生猪目标轮廓点的坐标(i=1,2,...,M),M为轮廓上像素点总数。
其中,S23中所述运动特征包括运动目标的位移、运动目标的速度和运动目标的加速度中的一种或多种。
根据本发明的另一个方面,提供一种个体行为识别***,包括:运动目标检测装置,用于获取运动目标前景区域信息;运动特征提取装置,用于获取运动目标轮廓信息,并将其质心化,并提取运动特征;行为识别装置,用于分析所述运动特征,从而实现对运动目标的行为识别。
本发明提供一种个体行为识别方法及***,本发明提供的个体行为识别方法及***利用改进的三帧差分法,可以准确得到运动目标的完整信息,能适应光照变化等复杂场景下的目标检测,避免了检测目标与其它目标出现重叠的现象,得到的运动目标轮廓比较清晰,对慢速运动的目标检测有着很强的鲁棒性,从而通过提取到的运动目标,进行运动特征的选取和描述,满足实时性要求,为基于运动特征的个体行为识别提供支撑。
附图说明
图1为本发明实施例提供的个体行为识别方法流程图;
图2为本发明实施例提供的个体行为识别***的结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图,对本发明实施例中的技术方案进行清楚地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
本发明的实施例中以生猪为例,但不局限于生猪,还可以用于马、牛、奶牛等养殖动物。
图1为本发明实施例提供的个体行为识别方法流程图,如图1所示,包括:
S1,基于改进的三帧差分法对运动目标进行检测;
S2,基于检测出的运动目标,进行质心化以便提取运动特征进行分析,从而实现个体行为识别。
其中,对快速运动的物体,需要选择较小的时间间隔,如果选择不合适,当物体在前后两帧中没有重叠时,会被检测为两个分开的物体;而对慢速运动的物体,应该选择较大的时间差,如果时间选择不适当,当物体在前后两帧中几乎完全重叠时,则检测不到物体。经分析,本发明选择间隔三帧的图像进行差分,计算相邻三帧图像之间的差值,很好的对运动区域进行了检测和目标增强,减少背景噪音,可以有效避免“漏检”,提高了运动目标检测的准确性。
通过本发明实施例提供的个体行为识别方法对个体的采食、饮水、***、站立、躺卧、慢走和跑动等行为分析验证,实现个体的行为识别。
具体地,基于改进的三帧差分法对运动目标进行检测,基于检测出的运动目标,对其进行质心化以便提取运动特征进行分析,从而实现个体的行为识别。
本实施例提供了一种个体行为识别方法,利用改进的三帧差分法,可以准确得到运动目标的完整信息,能适应光照变化等复杂场景下的目标检测,避免了检测目标与其它目标出现重叠的现象,得到的目标轮廓比较清晰,对慢速运动的目标检测有着很强的鲁棒性,从而通过提取到的运动目标,进行运动特征的选取和描述,满足实时性要求,为基于运动特征的个体行为识别提供支撑。
在本发明的另一个实施例中,在上述实施例的基础上,在S1之前包括:
获取运动目标前景区域信息。
具体地,通过摄像机或者手机获取运动目标的视频序列。
在本实施例中,获取运动目标的视频序列不限于摄像机或手机,任何能够获得运动目标的视频序列的设备都可以使用。
在本发明的再一个实施例中,在上述实施例的基础上,S1具体为:
S11,选取运动目标的图像序列中连续间隔三帧的三帧图像;
S12,分别将所述三帧图像转化为灰度图像;
S13,分别计算所述三帧相邻灰度图像之间的差值;
S14,对上述得到的差值图像通过预设的阈值T进行二值化处理;
S15,对上述二值化图像进行形态学处理;
S16,在每一个像素点(x,y)将得到的二值图像逻辑相“与”,得到三帧图像中中间帧的二值图像。具体地,选取运动目标的图像序列中连续间隔三帧的三帧图像:
fi-1(x,y),fi(x,y),fi+1(x,y)
分别将上述三帧图像其转化为灰度图像,依次进行高斯滤波、中值滤波,除去高斯噪声和随机噪声,得到对应的图像Ii-3(x,y),Ii(x,y),Ii+3(x,y);
分别计算间隔3帧图像相邻图像之间的差值:
对得到的差值图像通过预设的阈值T进行二值化处理:
为避免“空洞”现象,对上述二值化结果进行阴影去除和形态学处理;
为避免出现“重叠”现象,在每一个像素点(x,y)将得到的二值图像逻辑相“与”,再次进行适当形态学处理,消除小的“细节”和目标区域中的“空洞”,得到当前帧的目标轮廓:
本实施例提供了一种个体行为识别方法,利用改进的三帧差分法,可以准确得到运动目标的完整信息,能适应光照变化等复杂场景下的目标检测,避免了检测目标与其它目标出现重叠的现象,得到的目标轮廓比较清晰,对慢速运动的目标检测有着很强的鲁棒性。
在本发明的又一个实施例中,在上述实施例的基础上,S14中预设的阈值T通过最大类间方差法获得;其中,
所述最大类间方差法的具体步骤为:
μ=wA×μA+wB×μB
σ2=wA(μA-μ)2+wB(μB-μ)2
式中,L为图像灰度级,T表示当前图像灰度阈值,N为图像总像素数,ni为灰度级为i的像素数,wA、wB分别表示目标A与背景B的像素数占图像比例,μA、μB分别表示区域A、B的平均灰度,μ为图像的平均灰度。
具体地,在本发明的实施例中,由于手动选取固定阈值T使运动目标检测效果不理想,通过设置合理的阈值T,允许目标生猪微小的运动,不被误检。T越小,算法对运动越敏感,背景中的物体会因为微小的震动被误检;T越大,目标运动幅度较小时又会被漏检,选定一个合理的阈值T是本算法的关键。本发明采用最大类间方差法实现了对差分图像的全局阈值自适应选取。该方法基于图像的灰度直方图,以目标和背景的类间方差最大为阈值选取准则,将差分图像分成目标和背景两大类。
其中,最大类间方差法的步骤为:
μ=wA×μA+wB×μB
σ2=wA(μA-μ)2+wB(μB-μ)2
式中,L为图像灰度级,T表示当前图像灰度阈值,N为图像总像素数,ni为灰度级为i的像素数,wA、wB分别表示目标A与背景B的像素数占图像比例,μA、μB分别表示区域A、B的平均灰度,μ为图像的平均灰度。
在本发明的又一个实施例中,在上述实施例的基础上,S15具体为:利用形态学的开和闭运算分别去除所述二值化图像中孤立的噪声前景点和填补目标区域的小孔;其中,
形态学的开运算:B对A进行的开操作是先用B对A腐蚀,然后用B对结果进行膨胀;形态学的闭运算:B对A进行闭操作就是先用B对A膨胀,然后用B对结果进行腐蚀。
具体地,在本发明的实施例中,图像二值化处理后,会出现一些独立的像素点和小的空洞,为了解决这些问题,使用数学形态学运算使得运动区域封闭、连续、完整,并去掉背景中的噪声。利用开和闭运算分别去除孤立的噪声前景点和填补目标区域的小孔。
形态学的开运算:B对A进行的开操作是先用B对A腐蚀,然后用B对结果进行膨胀。公式为:
式中,Θ是腐蚀操作,是膨胀操作。
形态学的闭运算:B对A进行闭操作就是先用B对A膨胀,然后用B对结果进行腐蚀。公式为:
式中,Θ是腐蚀操作,是膨胀操作。
在本发明的又一个实施例中,在上述实施例的基础上,S2具体为:
S21,获取运动目标的轮廓;
S22,计算出所述运动目标的轮廓的质心坐标;
S23,基于所述运动目标的质心坐标,计算运动目标的运动特征。
具体地,获取运动目标轮廓,为下一步的质心提取和目标行为识别做准备;轮廓质心计算,运动目标的质心即物体的中心,本发明实施例中的质心就是区域轮廓的形心;运动特征计算,在基于改进三帧差分法的目标分割基础上,通过将运动目标质心化,计算运动目标的运动特征。
在本发明的又一个实施例中,在上述实施例的基础上,S21具体为:
S211,寻找运动目标的图像中第一个边界点;
S212,计算搜索方向;
S213,找出运动目标的图像中所有的边界点。
具体地,寻找运动目标的图像中第一个边界点,按照从上到下、从左到右的顺序扫描图像,寻找没有标记结束记号的第一个边界起始点E0,其中,E0是具有行和列最小的边界点。定义扫描方向变量dir用于记录上一步中沿着前一个边界点到当前边界点的移动方向。若4连通区域取dir=3;若8连通区域取dir=7;计算搜索方向,按逆时针方向搜索当前像素的3×3领域。对4连通区域取(dir+3)mod4;对8连通区域,若dir为奇数取(dir+7)mod8;若dir为偶数取(dir+6)mod8;在3×3邻域中,将搜索到的第一个与当前像素值相同的像素作为新的边界点E0,同时更新变量方向dir为新的值;找出所有边界点,如果En等于第二个边界点E1,且前一个边界点En-1等于第一个边界点E0,则停止搜索,否则重复继续搜索。由边界点E0、E1...En-1构成的边界即为运动目标的轮廓。
本实施例提供了一种个体行为识别方法,能够得到信息准确的运动目标区域,较完整地提取运动目标的轮廓,“空洞”和“双影”现象较少,减少噪声的影响,为后续基于运动特征的行为识别提供更准确的数据。
在本发明的又一个实施例中,在上述实施例的基础上,S22中质心坐标计算公式如下:
式中,(xi,yi)为生猪目标轮廓点的坐标(i=1,2,...,M),M为轮廓上像素点总数。
具体地,在本发明的实施例中形心坐标计算公式如下:
式中,(xi,yi)为生猪目标轮廓点的坐标(i=1,2,...,M),M为轮廓上像素点总数。
在本发明的又一个实施例中,在上述实施例的基础上,S23中所述运动特征包括运动目标的位移、运动目标的速度和运动目标的加速度中的一种或多种。
具体地,运动目标的位移:一个时间段内的位移可以利用质心坐标的变化来表示。计算公式如下:
式中,本发明实施例中视频帧率为25帧/s,t与Δt之间时间差非常小,位移可约等于路程。
运动目标的速度:表示猪只运动的快慢。计算公式如下:
运动目标的加速度:表示单位时间内猪只速度变化的快慢。计算公式如下:
式中,表示t+1时刻速度,表示t时刻速度。
图2为本发明实施例提供的个体行为识别***的结构图,如图2所示,包括:运动目标检测装置201、运动特征提取装置202和行为识别装置203,其中:
运动目标检测装置201用于获取运动目标前景区域信息;
运动特征提取装置202用于获取运动目标轮廓信息,并将其质心化,并提取运动特征;
行为识别装置203用于分析所述运动特征,从而实现对运动目标的行为识别。
其中,对快速运动的物体,需要选择较小的时间间隔,如果选择不合适,当物体在前后两帧中没有重叠时,会被检测为两个分开的物体;而对慢速运动的物体,应该选择较大的时间差,如果时间选择不适当,当物体在前后两帧中几乎完全重叠时,则检测不到物体。经分析,本发明选择间隔三帧的图像进行差分,计算相邻三帧图像之间的差值,很好的对运动区域进行了检测和目标增强,减少背景噪音,可以有效避免“漏检”,提高了运动目标检测的准确性。
通过本发明实施例提供的个体行为识别方法对个体的采食、饮水、***、站立、躺卧、慢走和跑动等行为分析验证,实现个体的行为识别。
具体地,运动目标检测装置201用于获取运动目标前景区域信息;运动特征提取装置202用于获取运动目标轮廓信息,并将其质心化,并提取运动特征;行为识别装置203用于分析所述运动特征,从而实现对运动目标的行为识别。
本实施例提供了一种个体行为识别***,利用改进的三帧差分法,可以准确得到运动目标的完整信息,能适应光照变化等复杂场景下的目标检测,避免了检测目标与其它目标出现重叠的现象,得到的目标轮廓比较清晰,对慢速运动的目标检测有着很强的鲁棒性,从而通过提取到的运动目标,进行运动特征的选取和描述,满足实时性要求,为基于运动特征的个体行为识别提供支撑。
最后,本申请的方法仅为较佳的实施方案,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种个体行为识别方法,其特征在于,包括:
S1,基于改进的三帧差分法对运动目标进行检测;
S2,基于检测出的运动目标,进行质心化以便提取运动特征进行分析,从而实现个体行为识别。
2.根据权利要求1所述的方法,其特征在于,在S1之前包括:
获取运动目标前景区域信息。
3.根据权利要求1或2所述的方法,其特征在于,S1具体为:
S11,选取运动目标的图像序列中连续间隔三帧的三帧图像;
S12,分别将所述三帧图像转化为灰度图像;
S13,分别计算所述三帧相邻灰度图像之间的差值;
S14,对上述得到的差值图像通过预设的阈值T进行二值化处理;
S15,对上述二值化图像进行形态学处理;
S16,在每一个像素点(x,y)将得到的二值图像逻辑相“与”,得到三帧图像中中间帧的二值图像。
4.根据权利要求3所述的方法,其特征在于,S14中预设的阈值T通过最大类间方差法获得;其中,
所述最大类间方差法的具体步骤为:
<mrow>
<msub>
<mi>w</mi>
<mi>A</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mi>T</mi>
</munderover>
<mfrac>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
<mi>N</mi>
</mfrac>
</mrow>
<mrow>
<msub>
<mi>w</mi>
<mi>B</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mi>T</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>L</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<mfrac>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
<mi>N</mi>
</mfrac>
</mrow>
μ=wA×μA+wB×μB
σ2=wA(μA-μ)2+wB(μB-μ)2
式中,L为图像灰度级,T表示当前图像灰度阈值,N为图像总像素数,ni为灰度级为i的像素数,wA、wB分别表示目标A与背景B的像素数占图像比例,μA、μB分别表示区域A、B的平均灰度,μ为图像的平均灰度。
5.根据权利要求3所述的方法,其特征在于,S15具体为:
利用形态学的开和闭运算分别去除所述二值化图像中孤立的噪声前景点和填补目标区域的小孔;其中,
形态学的开运算:B对A进行的开操作是先用B对A腐蚀,然后用B对结果进行膨胀;形态学的闭运算:B对A进行闭操作就是先用B对A膨胀,然后用B对结果进行腐蚀。
6.根据权利要求1所述的方法,其特征在于,S2具体为:
S21,获取运动目标的轮廓;
S22,计算出所述运动目标的轮廓的质心坐标;
S23,基于所述运动目标的质心坐标,计算运动目标的运动特征。
7.根据权利要求6所述的方法,其特征在于,S21具体为:
S211,寻找运动目标的图像中第一个边界点;
S212,计算搜索方向;
S213,找出运动目标的图像中所有的边界点。
8.根据权利要求6所述的方法,其特征在于,S22中质心坐标计算公式如下:
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mi>c</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>M</mi>
</mfrac>
<mstyle>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
</mstyle>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>y</mi>
<mi>c</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>M</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
式中,(xi,yi)为生猪目标轮廓点的坐标(i=1,2,...,M),M为轮廓上像素点总数。
9.根据权利要求6所述的方法,其特征在于,S23中所述运动特征包括运动目标的位移、运动目标的速度和运动目标的加速度中的一种或多种。
10.一种个体行为识别***,其特征在于,包括:
运动目标检测装置,用于获取运动目标前景区域信息;
运动特征提取装置,用于获取运动目标轮廓信息,并将其质心化,并提取运动特征;
行为识别装置,用于分析所述运动特征,从而实现对运动目标的行为识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710375448.5A CN107273815A (zh) | 2017-05-24 | 2017-05-24 | 一种个体行为识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710375448.5A CN107273815A (zh) | 2017-05-24 | 2017-05-24 | 一种个体行为识别方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107273815A true CN107273815A (zh) | 2017-10-20 |
Family
ID=60065169
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710375448.5A Pending CN107273815A (zh) | 2017-05-24 | 2017-05-24 | 一种个体行为识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107273815A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110287783A (zh) * | 2019-05-18 | 2019-09-27 | 天嗣智能信息科技(上海)有限公司 | 一种视频监控图像人形识别方法 |
CN111062257A (zh) * | 2019-11-21 | 2020-04-24 | 四川极智朗润科技有限公司 | 一种基于形态学和运动学特征的微小目标识别方法 |
WO2020215227A1 (en) * | 2019-04-23 | 2020-10-29 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method and system for non-false motion detection |
CN113297926A (zh) * | 2021-05-06 | 2021-08-24 | 山东大学 | 行为检测识别方法及*** |
CN113327269A (zh) * | 2021-05-21 | 2021-08-31 | 哈尔滨理工大学 | 一种无标记颈椎运动检测方法 |
CN113344967A (zh) * | 2021-06-07 | 2021-09-03 | 哈尔滨理工大学 | 一种复杂背景下的动态目标识别追踪方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070219769A1 (en) * | 2004-06-11 | 2007-09-20 | Otthein Herzog | Method and Device for Segmenting a Digital Representation of Cells |
CN102231236A (zh) * | 2011-06-14 | 2011-11-02 | 汉王科技股份有限公司 | 车辆计数方法和装置 |
CN102799856A (zh) * | 2012-06-15 | 2012-11-28 | 天津大学 | 基于双通道红外信息融合的人体动作识别方法 |
CN103559498A (zh) * | 2013-09-24 | 2014-02-05 | 北京环境特性研究所 | 基于多特征融合的快速人车目标分类方法 |
CN104008367A (zh) * | 2014-05-08 | 2014-08-27 | 中国农业大学 | 基于计算机视觉的育肥猪的自动行为分析***及方法 |
CN106096523A (zh) * | 2016-06-02 | 2016-11-09 | 王玉德 | 一种视频图像序列中运动目标的检出与异常行为分析算法 |
-
2017
- 2017-05-24 CN CN201710375448.5A patent/CN107273815A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070219769A1 (en) * | 2004-06-11 | 2007-09-20 | Otthein Herzog | Method and Device for Segmenting a Digital Representation of Cells |
CN102231236A (zh) * | 2011-06-14 | 2011-11-02 | 汉王科技股份有限公司 | 车辆计数方法和装置 |
CN102799856A (zh) * | 2012-06-15 | 2012-11-28 | 天津大学 | 基于双通道红外信息融合的人体动作识别方法 |
CN103559498A (zh) * | 2013-09-24 | 2014-02-05 | 北京环境特性研究所 | 基于多特征融合的快速人车目标分类方法 |
CN104008367A (zh) * | 2014-05-08 | 2014-08-27 | 中国农业大学 | 基于计算机视觉的育肥猪的自动行为分析***及方法 |
CN106096523A (zh) * | 2016-06-02 | 2016-11-09 | 王玉德 | 一种视频图像序列中运动目标的检出与异常行为分析算法 |
Non-Patent Citations (1)
Title |
---|
张金玉 等: "《红外热波检测及其图像序列处理技术》", 1 June 2015, 国防工业出版社 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020215227A1 (en) * | 2019-04-23 | 2020-10-29 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method and system for non-false motion detection |
CN110287783A (zh) * | 2019-05-18 | 2019-09-27 | 天嗣智能信息科技(上海)有限公司 | 一种视频监控图像人形识别方法 |
CN111062257A (zh) * | 2019-11-21 | 2020-04-24 | 四川极智朗润科技有限公司 | 一种基于形态学和运动学特征的微小目标识别方法 |
CN113297926A (zh) * | 2021-05-06 | 2021-08-24 | 山东大学 | 行为检测识别方法及*** |
CN113327269A (zh) * | 2021-05-21 | 2021-08-31 | 哈尔滨理工大学 | 一种无标记颈椎运动检测方法 |
CN113344967A (zh) * | 2021-06-07 | 2021-09-03 | 哈尔滨理工大学 | 一种复杂背景下的动态目标识别追踪方法 |
CN113344967B (zh) * | 2021-06-07 | 2023-04-07 | 哈尔滨理工大学 | 一种复杂背景下的动态目标识别追踪方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107273815A (zh) | 一种个体行为识别方法及*** | |
CN107886086B (zh) | 一种基于图像视频的目标动物检测方法及装置 | |
CN111178197B (zh) | 基于Mask R-CNN和Soft-NMS融合的群养粘连猪实例分割方法 | |
CN110598558B (zh) | 人群密度估计方法、装置、电子设备及介质 | |
Mohamed et al. | Msr-yolo: Method to enhance fish detection and tracking in fish farms | |
CN102184552B (zh) | 一种基于差分融合与图像边缘信息的运动目标检测方法 | |
CN104392468B (zh) | 基于改进视觉背景提取的运动目标检测方法 | |
CN112598713A (zh) | 一种基于深度学习的近岸海底鱼类检测、跟踪统计方法 | |
CN101329767B (zh) | 基于学习的视频中显著物体序列自动检测方法 | |
CN114049477B (zh) | 一种过鱼鱼道***、鱼类数量和种类的动态识别跟踪方法 | |
CN107633226A (zh) | 一种人体动作跟踪识别方法及*** | |
Ngugi et al. | A new approach to learning and recognizing leaf diseases from individual lesions using convolutional neural networks | |
CN102346854A (zh) | 前景物体检测方法和设备 | |
CN111753775B (zh) | 鱼的生长评估方法、装置、设备及存储介质 | |
Liu et al. | A high-density fish school segmentation framework for biomass statistics in a deep-sea cage | |
Shuai et al. | An improved YOLOv5-based method for multi-species tea shoot detection and picking point location in complex backgrounds | |
CN117809379B (zh) | 一种基于监控摄像机的智能人形识别报警***及方法 | |
CN102314591A (zh) | 静止前景物体的检测方法和设备 | |
Lee | A Study on Fruit Quality Identification Using YOLO V2 Algorithm | |
Wu et al. | Dynamic identification and automatic counting of the number of passing fish species based on the improved DeepSORT algorithm | |
CN117237986A (zh) | 一种基于改进YOLOv7模型的鱼类目标个***置检测方法 | |
CN108038872B (zh) | 一种基于动静态目标检测与实时压缩感知追踪研究方法 | |
CN108967246B (zh) | 虾苗定位方法 | |
CN115984202A (zh) | 一种斑马鱼心血管功能智能识别与评价方法 | |
Apewokin et al. | Embedded real-time surveillance using multimodal mean background modeling |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171020 |