本發(fā)明涉及圖像識別領(lǐng)域，更具體地，涉及一種個(gè)體行為識別方法及系統(tǒng)。

背景技術(shù)：

中國是畜牧養(yǎng)殖業(yè)大國，近年來，養(yǎng)殖規(guī)?；l(fā)展勢頭迅猛，隨著養(yǎng)殖規(guī)模的不斷擴(kuò)大，養(yǎng)殖風(fēng)險(xiǎn)也逐漸增加。養(yǎng)殖個(gè)體的采食、排泄、飲水等行為貫穿其整個(gè)生長過程，這些行為表現(xiàn)能反映出其生長過程的不同狀態(tài)。通過分析個(gè)體的行為狀態(tài)，實(shí)時(shí)監(jiān)控個(gè)體的健康狀況變化，記錄其在一天內(nèi)的行為活動(dòng)，為其的生長和健康狀況提供評判依據(jù)，提高了養(yǎng)殖自動(dòng)化和智能化水平。實(shí)時(shí)檢測跟蹤養(yǎng)殖個(gè)體，有助于發(fā)現(xiàn)養(yǎng)殖個(gè)體的異常行為，從而及時(shí)采取對應(yīng)的措施，減少相互傷害行為發(fā)生，降低養(yǎng)殖個(gè)體疾病死亡率提供基礎(chǔ)數(shù)據(jù)。因此，對養(yǎng)殖個(gè)體狀態(tài)的檢測就顯得尤為重要。

現(xiàn)有的運(yùn)動(dòng)目標(biāo)檢測算法主要有光流法、背景減除法、幀差法等。光流法是根據(jù)視頻序列中，每一幀圖像的各個(gè)像素點(diǎn)的速度矢量特征，對圖像進(jìn)行動(dòng)態(tài)分析，當(dāng)目標(biāo)運(yùn)動(dòng)時(shí)，運(yùn)動(dòng)目標(biāo)形成的光流矢量發(fā)生變化，從而檢測出運(yùn)動(dòng)目標(biāo)。背景減除法是將當(dāng)前幀和背景幀圖像做幀差，可以得到相應(yīng)的運(yùn)動(dòng)物體的特征信息。背景差法原理簡單，易于實(shí)現(xiàn)，可以較好地提取運(yùn)動(dòng)目標(biāo)的信息。幀差法是對視頻序列中相鄰的兩幀做差分運(yùn)算，從而得到運(yùn)動(dòng)目標(biāo)的特征信息。幀差法算法簡單，對環(huán)境的適應(yīng)性較好，穩(wěn)定性較好。

其中，光流法存在計(jì)算耗時(shí)，實(shí)時(shí)性差，會(huì)受到噪聲、陰影、光線變化和遮擋等因素的影響，不適于實(shí)際應(yīng)用。幀差法對于移動(dòng)速度慢的目標(biāo)，幀差法不能完整地提取運(yùn)動(dòng)目標(biāo)的信息，甚至對于一些緩慢移動(dòng)的目標(biāo)出現(xiàn)漏檢的情況，光線和陰影對于檢測效果有較大的影響。背景減除法對于環(huán)境背景的要求較高，對背景的變化非常敏感。

技術(shù)實(shí)現(xiàn)要素：

為了至少部分地克服現(xiàn)有技術(shù)中存在的上述問題，本發(fā)明提供一種個(gè)體行為識別方法及系統(tǒng)。

根據(jù)本發(fā)明的一個(gè)方面，提供一種個(gè)體行為識別方法，包括：s1，基于改進(jìn)的三幀差分法對運(yùn)動(dòng)目標(biāo)進(jìn)行檢測；s2，基于檢測出的運(yùn)動(dòng)目標(biāo)，進(jìn)行質(zhì)心化以便提取運(yùn)動(dòng)特征進(jìn)行分析，從而實(shí)現(xiàn)個(gè)體行為識別。

其中，在s1之前包括：獲取運(yùn)動(dòng)目標(biāo)前景區(qū)域信息。

其中，s1具體為：s11，選取運(yùn)動(dòng)目標(biāo)的圖像序列中連續(xù)間隔三幀的三幀圖像；s12，分別將所述三幀圖像轉(zhuǎn)化為灰度圖像；s13，分別計(jì)算所述三幀相鄰灰度圖像之間的差值；s14，對上述得到的差值圖像通過預(yù)設(shè)的閾值t進(jìn)行二值化處理；s15，對上述二值化圖像進(jìn)行形態(tài)學(xué)處理；s16，在每一個(gè)像素點(diǎn)(x,y)將得到的二值圖像邏輯相“與”，得到三幀圖像中中間幀的二值圖像。

其中，s14中預(yù)設(shè)的閾值t通過最大類間方差法獲得；其中，所述最大類間方差法的具體步驟為：

μ＝wa×μa+wb×μb

σ²＝wa(μa-μ)²+wb(μb-μ)²

式中，l為圖像灰度級，t表示當(dāng)前圖像灰度閾值，n為圖像總像素?cái)?shù)，ni為灰度級為i的像素?cái)?shù)，wa、wb分別表示目標(biāo)a與背景b的像素?cái)?shù)占圖像比例，μa、μb分別表示區(qū)域a、b的平均灰度，μ為圖像的平均灰度。

其中，s15具體為：利用形態(tài)學(xué)的開和閉運(yùn)算分別去除所述二值化圖像中孤立的噪聲前景點(diǎn)和填補(bǔ)目標(biāo)區(qū)域的小孔；其中，形態(tài)學(xué)的開運(yùn)算：b對a進(jìn)行的開操作是先用b對a腐蝕，然后用b對結(jié)果進(jìn)行膨脹；形態(tài)學(xué)的閉運(yùn)算：b對a進(jìn)行閉操作就是先用b對a膨脹，然后用b對結(jié)果進(jìn)行腐蝕。

其中，s2具體為：s21，獲取運(yùn)動(dòng)目標(biāo)的輪廓；s22，計(jì)算出所述運(yùn)動(dòng)目標(biāo)的輪廓的質(zhì)心坐標(biāo)；s23，基于所述運(yùn)動(dòng)目標(biāo)的質(zhì)心坐標(biāo)，計(jì)算運(yùn)動(dòng)目標(biāo)的運(yùn)動(dòng)特征。

其中，s21具體為：s211，尋找運(yùn)動(dòng)目標(biāo)的圖像中第一個(gè)邊界點(diǎn)；s212，計(jì)算搜索方向；s213，找出運(yùn)動(dòng)目標(biāo)的圖像中所有的邊界點(diǎn)。

其中，s22中質(zhì)心坐標(biāo)計(jì)算公式如下：

式中，(xi,yi)為生豬目標(biāo)輪廓點(diǎn)的坐標(biāo)(i＝1,2,...,m)，m為輪廓上像素點(diǎn)總數(shù)。

其中，s23中所述運(yùn)動(dòng)特征包括運(yùn)動(dòng)目標(biāo)的位移、運(yùn)動(dòng)目標(biāo)的速度和運(yùn)動(dòng)目標(biāo)的加速度中的一種或多種。

根據(jù)本發(fā)明的另一個(gè)方面，提供一種個(gè)體行為識別系統(tǒng)，包括：運(yùn)動(dòng)目標(biāo)檢測裝置，用于獲取運(yùn)動(dòng)目標(biāo)前景區(qū)域信息；運(yùn)動(dòng)特征提取裝置，用于獲取運(yùn)動(dòng)目標(biāo)輪廓信息，并將其質(zhì)心化，并提取運(yùn)動(dòng)特征；行為識別裝置，用于分析所述運(yùn)動(dòng)特征，從而實(shí)現(xiàn)對運(yùn)動(dòng)目標(biāo)的行為識別。

本發(fā)明提供一種個(gè)體行為識別方法及系統(tǒng)，本發(fā)明提供的個(gè)體行為識別方法及系統(tǒng)利用改進(jìn)的三幀差分法，可以準(zhǔn)確得到運(yùn)動(dòng)目標(biāo)的完整信息，能適應(yīng)光照變化等復(fù)雜場景下的目標(biāo)檢測，避免了檢測目標(biāo)與其它目標(biāo)出現(xiàn)重疊的現(xiàn)象，得到的運(yùn)動(dòng)目標(biāo)輪廓比較清晰，對慢速運(yùn)動(dòng)的目標(biāo)檢測有著很強(qiáng)的魯棒性，從而通過提取到的運(yùn)動(dòng)目標(biāo)，進(jìn)行運(yùn)動(dòng)特征的選取和描述，滿足實(shí)時(shí)性要求，為基于運(yùn)動(dòng)特征的個(gè)體行為識別提供支撐。

附圖說明

圖1為本發(fā)明實(shí)施例提供的個(gè)體行為識別方法流程圖；

圖2為本發(fā)明實(shí)施例提供的個(gè)體行為識別系統(tǒng)的結(jié)構(gòu)圖。

具體實(shí)施方式

為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合附圖，對本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚地描述，顯然，所描述的實(shí)施例是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

本發(fā)明的實(shí)施例中以生豬為例，但不局限于生豬，還可以用于馬、牛、奶牛等養(yǎng)殖動(dòng)物。

圖1為本發(fā)明實(shí)施例提供的個(gè)體行為識別方法流程圖，如圖1所示，包括：

s1，基于改進(jìn)的三幀差分法對運(yùn)動(dòng)目標(biāo)進(jìn)行檢測；

s2，基于檢測出的運(yùn)動(dòng)目標(biāo)，進(jìn)行質(zhì)心化以便提取運(yùn)動(dòng)特征進(jìn)行分析，從而實(shí)現(xiàn)個(gè)體行為識別。

其中，對快速運(yùn)動(dòng)的物體，需要選擇較小的時(shí)間間隔，如果選擇不合適，當(dāng)物體在前后兩幀中沒有重疊時(shí)，會(huì)被檢測為兩個(gè)分開的物體；而對慢速運(yùn)動(dòng)的物體，應(yīng)該選擇較大的時(shí)間差，如果時(shí)間選擇不適當(dāng)，當(dāng)物體在前后兩幀中幾乎完全重疊時(shí)，則檢測不到物體。經(jīng)分析，本發(fā)明選擇間隔三幀的圖像進(jìn)行差分，計(jì)算相鄰三幀圖像之間的差值，很好的對運(yùn)動(dòng)區(qū)域進(jìn)行了檢測和目標(biāo)增強(qiáng)，減少背景噪音，可以有效避免“漏檢”，提高了運(yùn)動(dòng)目標(biāo)檢測的準(zhǔn)確性。

通過本發(fā)明實(shí)施例提供的個(gè)體行為識別方法對個(gè)體的采食、飲水、排泄、站立、躺臥、慢走和跑動(dòng)等行為分析驗(yàn)證，實(shí)現(xiàn)個(gè)體的行為識別。

具體地，基于改進(jìn)的三幀差分法對運(yùn)動(dòng)目標(biāo)進(jìn)行檢測，基于檢測出的運(yùn)動(dòng)目標(biāo)，對其進(jìn)行質(zhì)心化以便提取運(yùn)動(dòng)特征進(jìn)行分析，從而實(shí)現(xiàn)個(gè)體的行為識別。

本實(shí)施例提供了一種個(gè)體行為識別方法，利用改進(jìn)的三幀差分法，可以準(zhǔn)確得到運(yùn)動(dòng)目標(biāo)的完整信息，能適應(yīng)光照變化等復(fù)雜場景下的目標(biāo)檢測，避免了檢測目標(biāo)與其它目標(biāo)出現(xiàn)重疊的現(xiàn)象，得到的目標(biāo)輪廓比較清晰，對慢速運(yùn)動(dòng)的目標(biāo)檢測有著很強(qiáng)的魯棒性，從而通過提取到的運(yùn)動(dòng)目標(biāo)，進(jìn)行運(yùn)動(dòng)特征的選取和描述，滿足實(shí)時(shí)性要求，為基于運(yùn)動(dòng)特征的個(gè)體行為識別提供支撐。

在本發(fā)明的另一個(gè)實(shí)施例中，在上述實(shí)施例的基礎(chǔ)上，在s1之前包括：

獲取運(yùn)動(dòng)目標(biāo)前景區(qū)域信息。

具體地，通過攝像機(jī)或者手機(jī)獲取運(yùn)動(dòng)目標(biāo)的視頻序列。

在本實(shí)施例中，獲取運(yùn)動(dòng)目標(biāo)的視頻序列不限于攝像機(jī)或手機(jī)，任何能夠獲得運(yùn)動(dòng)目標(biāo)的視頻序列的設(shè)備都可以使用。

在本發(fā)明的再一個(gè)實(shí)施例中，在上述實(shí)施例的基礎(chǔ)上，s1具體為：

s11，選取運(yùn)動(dòng)目標(biāo)的圖像序列中連續(xù)間隔三幀的三幀圖像；

s12，分別將所述三幀圖像轉(zhuǎn)化為灰度圖像；

s13，分別計(jì)算所述三幀相鄰灰度圖像之間的差值；

s14，對上述得到的差值圖像通過預(yù)設(shè)的閾值t進(jìn)行二值化處理；

s15，對上述二值化圖像進(jìn)行形態(tài)學(xué)處理；

s16，在每一個(gè)像素點(diǎn)(x,y)將得到的二值圖像邏輯相“與”，得到三幀圖像中中間幀的二值圖像。具體地，選取運(yùn)動(dòng)目標(biāo)的圖像序列中連續(xù)間隔三幀的三幀圖像：

fi-1(x,y),fi(x,y),fi+1(x,y)

分別將上述三幀圖像其轉(zhuǎn)化為灰度圖像，依次進(jìn)行高斯濾波、中值濾波，除去高斯噪聲和隨機(jī)噪聲，得到對應(yīng)的圖像ii-3(x,y),ii(x,y),ii+3(x,y)；

分別計(jì)算間隔3幀圖像相鄰圖像之間的差值：

對得到的差值圖像通過預(yù)設(shè)的閾值t進(jìn)行二值化處理：

為避免“空洞”現(xiàn)象，對上述二值化結(jié)果進(jìn)行陰影去除和形態(tài)學(xué)處理；

為避免出現(xiàn)“重疊”現(xiàn)象，在每一個(gè)像素點(diǎn)(x,y)將得到的二值圖像邏輯相“與”，再次進(jìn)行適當(dāng)形態(tài)學(xué)處理，消除小的“細(xì)節(jié)”和目標(biāo)區(qū)域中的“空洞”，得到當(dāng)前幀的目標(biāo)輪廓：

本實(shí)施例提供了一種個(gè)體行為識別方法，利用改進(jìn)的三幀差分法，可以準(zhǔn)確得到運(yùn)動(dòng)目標(biāo)的完整信息，能適應(yīng)光照變化等復(fù)雜場景下的目標(biāo)檢測，避免了檢測目標(biāo)與其它目標(biāo)出現(xiàn)重疊的現(xiàn)象，得到的目標(biāo)輪廓比較清晰，對慢速運(yùn)動(dòng)的目標(biāo)檢測有著很強(qiáng)的魯棒性。

在本發(fā)明的又一個(gè)實(shí)施例中，在上述實(shí)施例的基礎(chǔ)上，s14中預(yù)設(shè)的閾值t通過最大類間方差法獲得；其中，

所述最大類間方差法的具體步驟為：

μ＝wa×μa+wb×μb

σ²＝wa(μa-μ)²+wb(μb-μ)²

式中，l為圖像灰度級，t表示當(dāng)前圖像灰度閾值，n為圖像總像素?cái)?shù)，ni為灰度級為i的像素?cái)?shù)，wa、wb分別表示目標(biāo)a與背景b的像素?cái)?shù)占圖像比例，μa、μb分別表示區(qū)域a、b的平均灰度，μ為圖像的平均灰度。

具體地，在本發(fā)明的實(shí)施例中，由于手動(dòng)選取固定閾值t使運(yùn)動(dòng)目標(biāo)檢測效果不理想，通過設(shè)置合理的閾值t，允許目標(biāo)生豬微小的運(yùn)動(dòng)，不被誤檢。t越小，算法對運(yùn)動(dòng)越敏感，背景中的物體會(huì)因?yàn)槲⑿〉恼饎?dòng)被誤檢；t越大，目標(biāo)運(yùn)動(dòng)幅度較小時(shí)又會(huì)被漏檢，選定一個(gè)合理的閾值t是本算法的關(guān)鍵。本發(fā)明采用最大類間方差法實(shí)現(xiàn)了對差分圖像的全局閾值自適應(yīng)選取。該方法基于圖像的灰度直方圖，以目標(biāo)和背景的類間方差最大為閾值選取準(zhǔn)則，將差分圖像分成目標(biāo)和背景兩大類。

其中，最大類間方差法的步驟為：

μ＝wa×μa+wb×μb

σ²＝wa(μa-μ)²+wb(μb-μ)²

式中，l為圖像灰度級，t表示當(dāng)前圖像灰度閾值，n為圖像總像素?cái)?shù)，ni為灰度級為i的像素?cái)?shù)，wa、wb分別表示目標(biāo)a與背景b的像素?cái)?shù)占圖像比例，μa、μb分別表示區(qū)域a、b的平均灰度，μ為圖像的平均灰度。

在本發(fā)明的又一個(gè)實(shí)施例中，在上述實(shí)施例的基礎(chǔ)上，s15具體為：利用形態(tài)學(xué)的開和閉運(yùn)算分別去除所述二值化圖像中孤立的噪聲前景點(diǎn)和填補(bǔ)目標(biāo)區(qū)域的小孔；其中，

形態(tài)學(xué)的開運(yùn)算：b對a進(jìn)行的開操作是先用b對a腐蝕，然后用b對結(jié)果進(jìn)行膨脹；形態(tài)學(xué)的閉運(yùn)算：b對a進(jìn)行閉操作就是先用b對a膨脹，然后用b對結(jié)果進(jìn)行腐蝕。

具體地，在本發(fā)明的實(shí)施例中，圖像二值化處理后，會(huì)出現(xiàn)一些獨(dú)立的像素點(diǎn)和小的空洞，為了解決這些問題，使用數(shù)學(xué)形態(tài)學(xué)運(yùn)算使得運(yùn)動(dòng)區(qū)域封閉、連續(xù)、完整，并去掉背景中的噪聲。利用開和閉運(yùn)算分別去除孤立的噪聲前景點(diǎn)和填補(bǔ)目標(biāo)區(qū)域的小孔。

形態(tài)學(xué)的開運(yùn)算：b對a進(jìn)行的開操作是先用b對a腐蝕，然后用b對結(jié)果進(jìn)行膨脹。公式為：

式中，θ是腐蝕操作，是膨脹操作。

形態(tài)學(xué)的閉運(yùn)算：b對a進(jìn)行閉操作就是先用b對a膨脹，然后用b對結(jié)果進(jìn)行腐蝕。公式為：

式中，θ是腐蝕操作，是膨脹操作。

在本發(fā)明的又一個(gè)實(shí)施例中，在上述實(shí)施例的基礎(chǔ)上，s2具體為：

s21，獲取運(yùn)動(dòng)目標(biāo)的輪廓；

s22，計(jì)算出所述運(yùn)動(dòng)目標(biāo)的輪廓的質(zhì)心坐標(biāo)；

s23，基于所述運(yùn)動(dòng)目標(biāo)的質(zhì)心坐標(biāo)，計(jì)算運(yùn)動(dòng)目標(biāo)的運(yùn)動(dòng)特征。

具體地，獲取運(yùn)動(dòng)目標(biāo)輪廓，為下一步的質(zhì)心提取和目標(biāo)行為識別做準(zhǔn)備；輪廓質(zhì)心計(jì)算，運(yùn)動(dòng)目標(biāo)的質(zhì)心即物體的中心，本發(fā)明實(shí)施例中的質(zhì)心就是區(qū)域輪廓的形心；運(yùn)動(dòng)特征計(jì)算，在基于改進(jìn)三幀差分法的目標(biāo)分割基礎(chǔ)上，通過將運(yùn)動(dòng)目標(biāo)質(zhì)心化，計(jì)算運(yùn)動(dòng)目標(biāo)的運(yùn)動(dòng)特征。

在本發(fā)明的又一個(gè)實(shí)施例中，在上述實(shí)施例的基礎(chǔ)上，s21具體為：

s211，尋找運(yùn)動(dòng)目標(biāo)的圖像中第一個(gè)邊界點(diǎn)；

s212，計(jì)算搜索方向；

s213，找出運(yùn)動(dòng)目標(biāo)的圖像中所有的邊界點(diǎn)。

具體地，尋找運(yùn)動(dòng)目標(biāo)的圖像中第一個(gè)邊界點(diǎn)，按照從上到下、從左到右的順序掃描圖像，尋找沒有標(biāo)記結(jié)束記號的第一個(gè)邊界起始點(diǎn)e0，其中，e0是具有行和列最小的邊界點(diǎn)。定義掃描方向變量dir用于記錄上一步中沿著前一個(gè)邊界點(diǎn)到當(dāng)前邊界點(diǎn)的移動(dòng)方向。若4連通區(qū)域取dir＝3；若8連通區(qū)域取dir＝7；計(jì)算搜索方向，按逆時(shí)針方向搜索當(dāng)前像素的3×3領(lǐng)域。對4連通區(qū)域取(dir+3)mod4；對8連通區(qū)域，若dir為奇數(shù)取(dir+7)mod8；若dir為偶數(shù)取(dir+6)mod8；在3×3鄰域中，將搜索到的第一個(gè)與當(dāng)前像素值相同的像素作為新的邊界點(diǎn)e0，同時(shí)更新變量方向dir為新的值；找出所有邊界點(diǎn)，如果en等于第二個(gè)邊界點(diǎn)e1，且前一個(gè)邊界點(diǎn)en-1等于第一個(gè)邊界點(diǎn)e0，則停止搜索，否則重復(fù)繼續(xù)搜索。由邊界點(diǎn)e0、e1...en-1構(gòu)成的邊界即為運(yùn)動(dòng)目標(biāo)的輪廓。

本實(shí)施例提供了一種個(gè)體行為識別方法，能夠得到信息準(zhǔn)確的運(yùn)動(dòng)目標(biāo)區(qū)域，較完整地提取運(yùn)動(dòng)目標(biāo)的輪廓，“空洞”和“雙影”現(xiàn)象較少，減少噪聲的影響，為后續(xù)基于運(yùn)動(dòng)特征的行為識別提供更準(zhǔn)確的數(shù)據(jù)。

在本發(fā)明的又一個(gè)實(shí)施例中，在上述實(shí)施例的基礎(chǔ)上，s22中質(zhì)心坐標(biāo)計(jì)算公式如下：

式中，(xi,yi)為生豬目標(biāo)輪廓點(diǎn)的坐標(biāo)(i＝1,2,...,m)，m為輪廓上像素點(diǎn)總數(shù)。

具體地，在本發(fā)明的實(shí)施例中形心坐標(biāo)計(jì)算公式如下:

式中，(xi,yi)為生豬目標(biāo)輪廓點(diǎn)的坐標(biāo)(i＝1,2,...,m)，m為輪廓上像素點(diǎn)總數(shù)。

在本發(fā)明的又一個(gè)實(shí)施例中，在上述實(shí)施例的基礎(chǔ)上，s23中所述運(yùn)動(dòng)特征包括運(yùn)動(dòng)目標(biāo)的位移、運(yùn)動(dòng)目標(biāo)的速度和運(yùn)動(dòng)目標(biāo)的加速度中的一種或多種。

具體地，運(yùn)動(dòng)目標(biāo)的位移：一個(gè)時(shí)間段內(nèi)的位移可以利用質(zhì)心坐標(biāo)的變化來表示。計(jì)算公式如下：

式中，本發(fā)明實(shí)施例中視頻幀率為25幀/s，t與δt之間時(shí)間差非常小，位移可約等于路程。

運(yùn)動(dòng)目標(biāo)的速度：表示豬只運(yùn)動(dòng)的快慢。計(jì)算公式如下：

運(yùn)動(dòng)目標(biāo)的加速度：表示單位時(shí)間內(nèi)豬只速度變化的快慢。計(jì)算公式如下：

式中，表示t+1時(shí)刻速度，表示t時(shí)刻速度。

圖2為本發(fā)明實(shí)施例提供的個(gè)體行為識別系統(tǒng)的結(jié)構(gòu)圖，如圖2所示，包括：運(yùn)動(dòng)目標(biāo)檢測裝置201、運(yùn)動(dòng)特征提取裝置202和行為識別裝置203，其中：

運(yùn)動(dòng)目標(biāo)檢測裝置201用于獲取運(yùn)動(dòng)目標(biāo)前景區(qū)域信息；

運(yùn)動(dòng)特征提取裝置202用于獲取運(yùn)動(dòng)目標(biāo)輪廓信息，并將其質(zhì)心化，并提取運(yùn)動(dòng)特征；

行為識別裝置203用于分析所述運(yùn)動(dòng)特征，從而實(shí)現(xiàn)對運(yùn)動(dòng)目標(biāo)的行為識別。

其中，對快速運(yùn)動(dòng)的物體，需要選擇較小的時(shí)間間隔，如果選擇不合適，當(dāng)物體在前后兩幀中沒有重疊時(shí)，會(huì)被檢測為兩個(gè)分開的物體；而對慢速運(yùn)動(dòng)的物體，應(yīng)該選擇較大的時(shí)間差，如果時(shí)間選擇不適當(dāng)，當(dāng)物體在前后兩幀中幾乎完全重疊時(shí)，則檢測不到物體。經(jīng)分析，本發(fā)明選擇間隔三幀的圖像進(jìn)行差分，計(jì)算相鄰三幀圖像之間的差值，很好的對運(yùn)動(dòng)區(qū)域進(jìn)行了檢測和目標(biāo)增強(qiáng)，減少背景噪音，可以有效避免“漏檢”，提高了運(yùn)動(dòng)目標(biāo)檢測的準(zhǔn)確性。

通過本發(fā)明實(shí)施例提供的個(gè)體行為識別方法對個(gè)體的采食、飲水、排泄、站立、躺臥、慢走和跑動(dòng)等行為分析驗(yàn)證，實(shí)現(xiàn)個(gè)體的行為識別。

具體地，運(yùn)動(dòng)目標(biāo)檢測裝置201用于獲取運(yùn)動(dòng)目標(biāo)前景區(qū)域信息；運(yùn)動(dòng)特征提取裝置202用于獲取運(yùn)動(dòng)目標(biāo)輪廓信息，并將其質(zhì)心化，并提取運(yùn)動(dòng)特征；行為識別裝置203用于分析所述運(yùn)動(dòng)特征，從而實(shí)現(xiàn)對運(yùn)動(dòng)目標(biāo)的行為識別。

本實(shí)施例提供了一種個(gè)體行為識別系統(tǒng)，利用改進(jìn)的三幀差分法，可以準(zhǔn)確得到運(yùn)動(dòng)目標(biāo)的完整信息，能適應(yīng)光照變化等復(fù)雜場景下的目標(biāo)檢測，避免了檢測目標(biāo)與其它目標(biāo)出現(xiàn)重疊的現(xiàn)象，得到的目標(biāo)輪廓比較清晰，對慢速運(yùn)動(dòng)的目標(biāo)檢測有著很強(qiáng)的魯棒性，從而通過提取到的運(yùn)動(dòng)目標(biāo)，進(jìn)行運(yùn)動(dòng)特征的選取和描述，滿足實(shí)時(shí)性要求，為基于運(yùn)動(dòng)特征的個(gè)體行為識別提供支撐。

最后，本申請的方法僅為較佳的實(shí)施方案，并非用于限定本發(fā)明的保護(hù)范圍。凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。