【技术实现步骤摘要】
本申请涉及人工智能的图像处理，尤其涉及一种群体行为识别方法、装置、计算机设备及存储介质。
技术介绍
1、群体行为识别是指通过技术手段对一群人的集体行为进行分析、理解和分类的过程。它涉及到对多人之间的交互、运动模式、行为模式以及群体动态的分析。群体行为识别旨在从复杂的场景中提取出有用的信息，以揭示群体的整体行为趋势、意图或情感状态。
2、现有一种群体行为识别方法，即基于根据深度two-stage时间模型将模型分为单人级别特征提取与群体级别特征提取。两个阶段都基于lstm学习时间关系的优良特性，从而视线识别群体行为的目的。
3、然而，申请人发现传统的群体行为识别方法普遍不智能，传统群体行为识别方法认为群体行为仅仅是个体行为的简单聚合，从而导致传统的群体行为识别方法存在识别准确率较低的问题。
技术实现思路
1、本申请实施例的目的在于提出一种群体行为识别方法、装置、计算机设备及存储介质，以解决传统的群体行为识别方法存在识别准确率较低的问题。
2、为了解决上述技术问题，本申请实施例提供一种群体行为识别方法，采用了如下所述的技术方案：
3、接收用户终端发送的携带有原始时序数据的群体行为识别请求；
4、对所述原始时序数据进行缺失数据填充操作，得到填充时序数据；
5、将所述填充时序数据传输至时空图卷积神经网络进行时空图卷积操作，得到卷积时序数据；
6、根据softmax分类器对所述卷积时序数据进行行为分类操作，得到
7、向所述用户终端输出所述行为分类结果。
8、进一步的，所述对所述原始时序数据进行缺失数据填充操作，得到填充时序数据的步骤，具体包括下述步骤：
9、根据均值填充算法计算所述原始时序数据的缺失数据，其中，所述均值填充算法表示为：
10、
11、其中，k表示群体中无数据缺失的个体数，n表示群体中个体总数目，xi,yi,zi分别表示第i个个体的坐标信息；
12、将所述缺失数据合并至所述原始时序数据中，得到所述填充时序数据。
13、进一步的，所述时空图卷积神经网络的空间图卷积输出表示为：
14、
15、其中，t表示不同帧，i为不同节点，v表示所述原始时序数据中的所有节点，b(vti)表示节点vti的邻域集，lti(vtj)表示vtj在以vti为中心节点进行分子集标签中的所属标签，w(lti(vtj))表示标签lti(vtj)所对应的权重值。
16、进一步的，所述时空图卷积神经网络的时空图卷积输出表示为：
17、
18、其中，t表示不同帧，i为不同节点，v表示所述原始时序数据中的所有节点，b(vti)表示时域上节点vti的邻域集，lst(vqj)表示时域上vtj在以vti为中心节点进行分子集标签中的所属标签，w(lst(vqj))表示标签lst(vqj)所对应的权重值。
19、为了解决上述技术问题，本申请实施例还提供一种群体行为识别装置，采用了如下所述的技术方案：
20、原始数据获取模块，用于接收用户终端发送的携带有原始时序数据的群体行为识别请求；
21、缺失数据填充模块，用于对所述原始时序数据进行缺失数据填充操作，得到填充时序数据；
22、时空图卷积模块，用于将所述填充时序数据传输至时空图卷积神经网络进行时空图卷积操作，得到卷积时序数据；
23、行为分类模块，用于根据softmax分类器对所述卷积时序数据进行行为分类操作，得到行为分类结果；
24、结果输出模块，用于向所述用户终端输出所述行为分类结果。
25、进一步的，所述缺失数据填充模块包括：
26、缺失数据计算子模块，用于根据均值填充算法计算所述原始时序数据的缺失数据，其中，所述均值填充算法表示为：
27、
28、其中，k表示群体中无数据缺失的个体数，n表示群体中个体总数目，xi,yi,zi分别表示第i个个体的坐标信息；
29、缺失数据合并子模块，用于将所述缺失数据合并至所述原始时序数据中，得到所述填充时序数据。
30、进一步的，所述时空图卷积神经网络的空间图卷积输出表示为：
31、
32、其中，t表示不同帧，i为不同节点，v表示所述原始时序数据中的所有节点，b(vti)表示节点vti的邻域集，lti(vtj)表示vtj在以vti为中心节点进行分子集标签中的所属标签，w(lti(vtj))表示标签lti(vtj)所对应的权重值。
33、进一步的，所述时空图卷积神经网络的时空图卷积输出表示为：
34、
35、其中，t表示不同帧，i为不同节点，v表示所述原始时序数据中的所有节点，b(vti)表示时域上节点vti的邻域集，lst(vqj)表示时域上vtj在以vti为中心节点进行分子集标签中的所属标签，w(lst(vqj))表示标签lst(vqj)所对应的权重值。
36、为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
37、包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如上所述的群体行为识别方法的步骤。
38、为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
39、所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如上所述的群体行为识别方法的步骤。
40、本申请提供了一种群体行为识别方法，包括：接收用户终端发送的携带有原始时序数据的群体行为识别请求；对所述原始时序数据进行缺失数据填充操作，得到填充时序数据；将所述填充时序数据传输至时空图卷积神经网络进行时空图卷积操作，得到卷积时序数据；根据softmax分类器对所述卷积时序数据进行行为分类操作，得到行为分类结果；向所述用户终端输出所述行为分类结果。与现有技术相比，本申请考虑到群体中每个个体的行为之间相互关联，对所缺失个体数据进行填充，从而对个体数目较少的群体进行数据填充，进而保证群体中个体的数目，最后结合时空图卷积神经网络进行特征提取，以及结合softmax分类器进行行为分类，有效提高群体行为识别的准确性以及鲁棒性。
本文档来自技高网...【技术保护点】
1.一种群体行为识别方法，其特征在于，包括下述步骤：
2.根据权利要求1所述的群体行为识别方法，其特征在于，对所述原始时序数据进行缺失数据填充操作，得到填充时序数据的步骤，具体包括下述步骤：
3.根据权利要求1所述的群体行为识别方法，其特征在于，所述时空图卷积神经网络的空间图卷积输出表示为：
4.根据权利要求1所述的群体行为识别方法，其特征在于，所述时空图卷积神经网络的时空图卷积输出表示为：
5.一种群体行为识别装置，其特征在于，包括：
6.根据权利要求5所述的群体行为识别装置，其特征在于，所述缺失数据填充模块包括：
7.根据权利要求5所述的群体行为识别装置，其特征在于，所述时空图卷积神经网络的空间图卷积输出表示为：
8.根据权利要求5所述的群体行为识别装置，其特征在于，所述时空图卷积神经网络的时空图卷积输出表示为：
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至4中任一项所述的群体行为识别方法的步骤。p>
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至4中任一项所述的群体行为识别方法的步骤。
...【技术特征摘要】
1.一种群体行为识别方法，其特征在于，包括下述步骤：
2.根据权利要求1所述的群体行为识别方法，其特征在于，对所述原始时序数据进行缺失数据填充操作，得到填充时序数据的步骤，具体包括下述步骤：
3.根据权利要求1所述的群体行为识别方法，其特征在于，所述时空图卷积神经网络的空间图卷积输出表示为：
4.根据权利要求1所述的群体行为识别方法，其特征在于，所述时空图卷积神经网络的时空图卷积输出表示为：
5.一种群体行为识别装置，其特征在于，包括：
6.根据权利要求5所述的群体行为识别装置，其特征在于，所述缺失数据填充模块包括：
<...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。