大数据驱动的行为智能分析方法及系统技术方案

本发明专利技术提供了大数据驱动的行为智能分析方法及系统，属于行为识别技术领域。首先将旅游景区中游客不规范行为数据构建数据集；其次将所述训练数据集输入多尺度注意力机制网络进行训练，得到不规范行为初始分类模型；然后将测试数据集输入到不规范行为初始分类模型中进行测试，直至满足设定条件时则输出不规范行为最终分类模型；最后将采集的游客行为视频或图像输入到所述不规范行为最终分类模型中进行预测，生成行为识别结果。本发明专利技术融合多尺度特征提高算法对尺度变化、旋转、遮挡等干扰的鲁棒性，丰富游客行为信息，算法更容易收敛；另外使用注意力机制，区分重要的行为特征和无关的行为特征，关注目标区域，提高识别结果准确性。确性。确性。

【技术实现步骤摘要】
大数据驱动的行为智能分析方法及系统


[0001]本专利技术属于行为识别
，具体涉及大数据驱动的行为智能分析方法及系统。

技术介绍

[0002]行为识别技术是一种通过分析和解释人类或物体的行为模式、动作和活动来推断其意图、状态或身份的技术，它主要依赖于数据采集和处理，以及机器学习和模式识别算法的应用，如人体动作识别、姿态分析、情感识别、驾驶行为识别、智能监控等。近年来，随着人们生活水平的提高，游览景区的人数逐步增加，在景区中发生的不规范行为随之增加，加之倡导不断提升游客体验，保护景区环境和文化遗产的完整性的建议，这使得旅游行为识别成为人们热议的话题。
[0003]目前，旅游行为监管主要依靠人工巡逻和监控摄像头，首先，人工巡逻的范围有限，无法覆盖整个景区，且人力资源有限，无法实现实时监管；其次，传统的监控摄像头往往只能提供视频记录，需要人工分析和判断，耗时且容易出错。此外，现有的行为识别方法在准确性和效率方面仍然存在挑战，无法满足对不规范行为的及时识别需求。

技术实现思路

[0004]基于上述技术问题，本专利技术提供大数据驱动的行为智能分析方法及系统，以提高视频和/或图像识别的准确度，减少人为工作耗费，提高效率。
[0005]本专利技术提供了大数据驱动的行为智能分析方法，所述方法包括：
[0006]步骤S1：基于旅游景区中游客不规范行为数据构建数据集；所述数据集中包含已标注不规范行为类别的照片和/或视频；将所述数据集按照一定比例划分为训练数据集和测试数据集；
[0007]步骤S2：将所述训练数据集输入多尺度注意力机制网络进行训练，得到不规范行为初始分类模型；所述多尺度注意力机制网络包括两个标准卷积模块、一个深度可分离卷积模块、三个自注意力机制模块、一个空间注意力机制模块、一个全局平均池化模块和Softmax分类器；
[0008]两个标准卷积模块分别为第一标准卷积模块和第二标准卷积模块；
[0009]步骤S2具体包括：
[0010]步骤S21：将所述训练数据集中的图像进行数据增强，并将增强后的图像输入到所述第一标准卷积模块进行训练，得到标准卷积模块特征图；
[0011]步骤S22：将所述标准卷积模块特征图分别输入到三个所述自注意力模块进行特征融合，得到多尺度模块特征图；
[0012]步骤S23：将所述多尺度模块特征图依次输入到所述第二标准卷积模块、所述空间注意力机制模块进行深层特征提取，得到空间注意力特征图；
[0013]步骤S24：将所述空间注意力特征图依次输入到所述深度可分离卷积模块、所述全
局平均池化模块和Softmax分类器进行分类，得到所述不规范行为初始分类模型；
[0014]步骤S3：将所述测试数据集输入到所述不规范行为初始分类模型中进行测试，直至满足设定条件时则输出不规范行为最终分类模型；
[0015]步骤S4：将采集的游客行为视频和/或图像输入到所述不规范行为最终分类模型中进行预测，生成行为识别结果。
[0016]在一些优选的实施例中，在上述大数据驱动的行为智能分析方法中，所述将所述训练数据集中的图像进行数据增强，并将增强后的图像输入到所述第一标准卷积模块进行训练，得到标准卷积模块特征图，具体包括：
[0017]所述第一标准卷积模块包括第一标准卷积层、第一规范化激活层、第二标准卷积层和第二规范化激活层；
[0018]步骤S211：使用随机旋转、水平方向随机平移、垂直方向随机平移、随机缩放、随机水平翻转图像中至少一种策略，将所述训练数据集中的图像进行数据增强；
[0019]步骤S212：将增强后图像输入到所述第一标准卷积层进行卷积操作，得到特征图F1；
[0020]步骤S213：将所述特征图F1输入到所述第一规范化激活层进行归一化和激活操作，得到特征图F2；
[0021]步骤S214：将所述特征图F2输入到所述第二标准卷积层进行卷积操作，得到特征图F3；
[0022]步骤S215：将所述特征图F3输入到所述第二规范化激活层进行归一化和激活操作，得到标准卷积模块特征图。
[0023]在一些优选的实施例中，在上述大数据驱动的行为智能分析方法中，所述将所述标准卷积模块特征图分别输入到三个所述自注意力模块进行特征融合，得到多尺度模块特征图，具体包括：
[0024]步骤S221：将所述标准卷积模块特征图输入到自注意力模块Block2中进行特征提取，得到第一尺度特征图S17；
[0025]步骤S222：将所述标准卷积模块特征图输入到自注意力模块Block3中进行特征提取，得到第二尺度特征图T17；
[0026]步骤S223：将所述标准卷积模块特征图输入到自注意力模块Block4中进行特征提取，得到第三尺度特征图M17；
[0027]步骤S224：将所述特征图S17、所述特征图T17、所述特征图M17分别输入到第四逐元素卷积层、第五逐元素卷积层、第六逐元素卷积层进行卷积操作，得到特征图S18、T18、M18；
[0028]步骤S225：将所述特征图S18、所述特征图T18、所述特征图M18进行逐元素相加，得到所述多尺度模块特征图。
[0029]在一些优选的实施例中，在上述大数据驱动的行为智能分析方法中，所述将所述多尺度模块特征图依次输入到所述第二标准卷积模块、所述空间注意力机制模块进行深层特征提取，得到空间注意力特征图，具体包括：
[0030]所述空间注意力机制模块包括第七逐元素卷积层、第七激活函数层；
[0031]步骤S231：将所述多尺度模块特征图输入到所述第二标准卷积模块中进行特征提
取，得到特征图P4；
[0032]步骤S232：将所述特征图P4输入到所述第七逐元素卷积层进行卷积操作，得到特征图P5；
[0033]步骤S233：将所述特征图P5输入到所述第七激活函数层，得到特征图P6；
[0034]步骤S234：将所述特征图P4和所述特征图P6进行逐元素相乘，得到所述空间注意力特征图。
[0035]在一些优选的实施例中，在上述大数据驱动的行为智能分析方法中，所述将所述空间注意力特征图依次输入到所述深度可分离卷积模块、所述全局平均池化模块和Softmax分类器进行分类，得到不规范行为初始分类模型，具体包括：
[0036]步骤S241：将所述空间注意力特征图输入到所述深度可分离卷积模块进行特征提取，得到特征图N4；
[0037]步骤S242：将所述特征图N4输入到所述全局平均池化模块进行池化操作，得到特征向量V；
[0038]步骤S243：将所述特征向量V输入到Softmax分类器进行分类，得到每个类别的概率分布；
[0039]步骤S244：选择概率最高的类别作为最终的分类结果，得到不规范行为初始分类模型。
[0040]在一些优选的实施例中，在上述大数据驱动的行为智能分析方法中，所述将所述测试数据集输入到所述不规范行为初始分类模型中进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.大数据驱动的行为智能分析方法，其特征在于，所述方法包括：步骤S1：基于旅游景区中游客不规范行为数据构建数据集；所述数据集中包含已标注不规范行为类别的照片和/或视频；将所述数据集按照一定比例划分为训练数据集和测试数据集；步骤S2：将所述训练数据集输入多尺度注意力机制网络进行训练，得到不规范行为初始分类模型；所述多尺度注意力机制网络包括两个标准卷积模块、一个深度可分离卷积模块、三个自注意力机制模块、一个空间注意力机制模块、一个全局平均池化模块和Softmax分类器；两个标准卷积模块分别为第一标准卷积模块和第二标准卷积模块；步骤S2具体包括：步骤S21：将所述训练数据集中的图像进行数据增强，并将增强后的图像输入到所述第一标准卷积模块进行训练，得到标准卷积模块特征图；步骤S22：将所述标准卷积模块特征图分别输入到三个所述自注意力模块进行特征融合，得到多尺度模块特征图；步骤S23：将所述多尺度模块特征图依次输入到所述第二标准卷积模块、所述空间注意力机制模块进行深层特征提取，得到空间注意力特征图；步骤S24：将所述空间注意力特征图依次输入到所述深度可分离卷积模块、所述全局平均池化模块和Softmax分类器进行分类，得到所述不规范行为初始分类模型；步骤S3：将所述测试数据集输入到所述不规范行为初始分类模型中进行测试，直至满足设定条件时则输出不规范行为最终分类模型；步骤S4：将采集的游客行为视频和/或图像输入到所述不规范行为最终分类模型中进行预测，生成行为识别结果。2.根据权利要求1所述的大数据驱动的行为智能分析方法，其特征在于，所述将所述训练数据集中的图像进行数据增强，将增强后的图像输入到所述第一标准卷积模块进行训练，得到标准卷积模块特征图，具体包括：所述第一标准卷积模块包括第一标准卷积层、第一规范化激活层、第二标准卷积层和第二规范化激活层；步骤S211：使用随机旋转、水平方向随机平移、垂直方向随机平移、随机缩放、随机水平翻转图像中至少一种策略，将所述训练数据集中的图像进行数据增强；步骤S212：将增强后图像输入到所述第一标准卷积层进行卷积操作，得到特征图F1；步骤S213：将所述特征图F1输入到所述第一规范化激活层进行归一化和激活操作，得到特征图F2；步骤S214：将所述特征图F2输入到所述第二标准卷积层进行卷积操作，得到特征图F3；步骤S215：将所述特征图F3输入到所述第二规范化激活层进行归一化和激活操作，得到标准卷积模块特征图。3.根据权利要求1所述的大数据驱动的行为智能分析方法，其特征在于，所述将所述标准卷积模块特征图分别输入到三个所述自注意力模块进行特征融合，得到多尺度模块特征图，具体包括：步骤S221：将所述标准卷积模块特征图输入到自注意力模块Block2中进行特征提取，
得到第一尺度特征图S17；步骤S222：将所述标准卷积模块特征图输入到自注意力模块Block3中进行特征提取，得到第二尺度特征图T17；步骤S223：将所述标准卷积模块特征图输入到自注意力模块Block4中进行特征提取，得到第三尺度特征图M17；步骤S224：将所述特征图S17、所述特征图T17、所述特征图M17分别输入到第四逐元素卷积层、第五逐元素卷积层、第六逐元素卷积层进行卷积操作，得到特征图S18、T18、M18；步骤S225：将所述特征图S18、所述特征图T18、所述特征图M18进行逐元素相加，得到所述多尺度模块特征图。4.根据权利要求1所述的大数据驱动的行为智能分析方法，其特征在于，所述将所述多尺度模块特征图依次输入到所述第二标准卷积模块、所述空间注意力机制模块进行深层特征提取，得到空间注意力特征图，具体包括：所述空间注意力机制模块包括第七逐元素卷积层、第七激活函数层；步骤S231：将所述多尺度模块特征图输入到所述第二标准卷积模块中进行特征提取，得到特征图P4；步骤S232：将所述特征图P4输入到所述第七逐元素卷积层进行卷积操作，得到特征图P5；步骤S233：将所述特征图P5输入到所述第七激活函数层，得到特征图P6；步骤S234：将所述特征图P4和所述特征图P6进行逐元素相乘，得到所述空间注意力特征图。5.根据权利要求1所述的大数据驱动的行为智能分析方法，其特征在于，所述将所述空间注意力特征图依次输入到所述深度可分离卷积模块、所述全局平均池化模块和Softmax分类器进行分类，得到不规范行为初始分类模型，具体包括：步骤S241：将所述空间注意力特征图输入到所述深度可分离卷积模块进行特征提取，得到特征图N4；步骤S242：将所述特征图N4输入到所述全局平均池化模块进行池化操作，得到特征向量V；步骤S243：将所述特征向量V输入到Softmax分类器进行分类，得到每个类别的概率分布；步骤S244：选择概率最高的类别作为最终的分类结果，得到不规范行为初始分类模型。6.根据权利要求1所述的大数...

【专利技术属性】
技术研发人员：孟冠宇，孙铭阳，
申请(专利权)人：孟冠宇，
类型：发明
国别省市：