1.一种基于情境推理的异常行为行踪智能识别方法，其特征在于，包括：构建多场景下的数据集，根据所述数据集建立异常行为特征库和正常行为特征库，其中，所述数据集中的异常行为进行了标注；根据所述异常行为特征库和所述正常行为特征库，采用基于模式匹配的异常行为行踪检测方法和基于机器学习算法的异常行为行踪检测方法，进行异常行为行踪的智能识别；基于模式匹配的异常行为行踪检测方法，进行异常行为行踪的智能识别具体包括：从实时视频数据中提取出行为行踪特征数据；使用模式标识I i 标记行踪特征数据中的行为，给定滑动窗口W，一个行为I i 发生描述为 其中I i 为行为标识， 为行为I i 的发生频度F取值，值域为{zero,few,many}，NUM表示行为I i 在滑动窗口W中的发生次数， 的取值为当I i 发生次数为NUM时支持度最大的值；对滑动窗口W中每种行为的发生进行描述，得到目标在该滑动窗口中的行为序列L：将行为序列L与异常特征库进行匹配，如果匹配成功，则确认为异常行为行踪，如果匹配失败，则确定为正常行为行踪；基于机器学习算法的异常行为行踪检测方法具体包括：在训练集中寻找待分类样本的K i 个最近邻样本，依据K i 个最近邻样本的类标签，通过多数投票方法预测待分类样本的类别，并使用正常行为数据构建k-NN模型；基于所述k-NN模型，假定X′为一个包含了n′正常样本的样本集即正常行为特征库，X′＝[x 1 ，x 2 ，...，x n′ ]，X i 为待检测样本，根据公式2计算X i 与X′中各样本x i ，1≤i≤n′的余弦相似度，若X i 与X′中某个样本x j 的余弦相似度等于1，则X i 与x j 完全匹配，将X i 判定为正常行为，否则，将从X′包含的n′个样本中找出与X i 余弦相似度最高的k′个样本，再计算X i 与这k′个样本的平均余弦相似度，若该平均余弦相似度大于一个预定的相似度阈值 则将X i 判定为正常行为；若X i 未被k-NN模块判定为正常行为，则X i 被最终判定为异常行为：其中，“·”代表对两个特征向量进行点积运算。
2.如权利要求1所述的方法，其特征在于，构建多场景下的数据集具体包括：采用现有的室内室外监控视频系统中记录的正常行为和异常行为的视频数据，对视频数据进行处理，分析判断视频中出现的行为类型并获取对该行为类型的标注，形成多场景下的数据集。
3.如权利要求2所述的方法，其特征在于，采用现有的室内室外监控视频系统中记录的正常行为和异常行为的视频数据具体包括：采用现成的监控视频采集系统作为数据集建立的视频采集环境，选取摄像头分辨率较高，拍摄角度较好的监控相机进行基本数据的采集；再选取不同分辨率和拍摄角度的相机丰富数据集的多样性，其中，基本数据的采集在白天、光照良好的情况下进行，后期配备多种光照环境下的数据增加数据集的多样性。
4.如权利要求3所述的方法，其特征在于，对视频数据进行处理，分析判断视频中出现的行为类型并获取对该行为类型的标注，形成多场景下的数据集具体包括：针对室内/室外指定场景中个人/群体异常行为的特点，获取异常行为的定义以及异常行为的正例、反例、以及疑似例的分类描述，并获取根据先验知识对诱发异常行为动作的定义；对于采集的包含异常行为和正常行为的原始视频，根据视频中异常行为发生区域和行为剧烈程度，对视频进行空间分辨率和时间分辨率的规整化处理；针对采集所述原始视频，首先根据行为的定义进行视频片段截取，把筛选出来的视频片段按一定的帧率和分辨率进行规整化；在规整化之后的视频片段上，获取行为的起始帧和结束帧的标注、行为对象位置的标注、行为类型的标注以及行为具体属性的标注。
5.一种基于情境推理的异常行为行踪智能识别装置，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至4中任一项所述方法的步骤。
转果果小程序
转果果公众号