目标对象特征行为的识别方法、装置与系统与流程

[0001]
本公开涉及人工智能技术领域，特别涉及一种目标对象特征行为的识别方法、装置与系统，以及计算机可读存储介质。


背景技术：

[0002]
相关技术中，对非人类生物目标对象的一些典型特征行为的识别(如对奶牛发情期爬胯行为的识别)，大多采用人工观测的方式进行，存在准确率低、实时性差的技术缺陷。


技术实现要素：

[0003]
本公开提供了一种目标对象特征行为的识别方法、装置与系统，以及计算机可读存储介质。
[0004]
根据本公开的一个方面，提供了一种目标对象特征行为的识别方法，包括：
[0005]
获取目标对象的周期性特征行为的数据信息；
[0006]
当所述周期性特征行为的数据信息满足视频监控触发条件时，触发目标对象所在区域的视频监控设备开启；
[0007]
获取视频监控设备的视频监控信息；
[0008]
根据所述视频监控信息，确定目标对象发生目标特征行为的概率；
[0009]
当所述目标对象发生目标特征行为的概率不小于概率阈值时，输出目标对象发生目标特征行为的参考信息。
[0010]
根据本公开的另一个方面，提供了一种目标对象特征行为的识别装置，包括：
[0011]
第一获取单元，用于获取目标对象的周期性特征行为的数据信息；
[0012]
触发单元，用于当所述周期性特征行为的数据信息满足视频监控触发条件时，触发目标对象所在区域的视频监控设备开启；
[0013]
第二获取单元，用于获取视频监控设备的视频监控信息；
[0014]
确定单元，用于根据所述视频监控信息，确定目标对象发生目标特征行为的概率；
[0015]
输出单元，用于当所述目标对象发生目标特征行为的概率不小于概率阈值时，输出目标对象发生目标特征行为的参考信息。
[0016]
根据本公开的又一个方面，提供了一种目标对象特征行为的识别系统，包括监测设备、视频监控设备、输出设备和控制设备，其中：
[0017]
所述监测设备，设于目标对象身体上，用于监测得到目标对象的周期性特征行为的数据信息；
[0018]
所述视频监控设备，设于目标对象所在区域；
[0019]
所述控制设备，分别连接监测设备、视频监控设备和输出设备，用于当所述周期性特征行为的数据信息满足视频监控触发条件时，触发目标对象所在区域的视频监控设备开启；根据所述视频监控信息，确定目标对象发生目标特征行为的概率；及，当所述目标对象发生目标特征行为的概率不小于概率阈值时，向输出设备输出目标对象发生目标特征行为
的参考信息。
[0020]
根据本公开的再一个方面，提供了一种目标对象特征行为的识别装置，包括存储器；和耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行前述任一技术方案所述的目标对象特征行为的识别方法。
[0021]
根据本公开的再一个方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前述任一技术方案所述的目标对象特征行为的识别方法。
[0022]
根据本公开上述的技术方案，可以提高对目标对象的目标特征行为进行识别的准确率和实时性。
[0023]
通过以下参照附图对本公开的实施例的详细描述，本公开的其它特征及其优点将会变得清楚。
附图说明
[0024]
构成说明书的一部分的附图描述了本公开的实施例，并且连同说明书一起用于解释本公开的原理。
[0025]
参照附图，根据下面的详细描述，可以更加清楚地理解本公开，其中：
[0026]
图1a为本公开一些实施例目标对象特征行为的识别方法的流程图；
[0027]
图1b为本公开一些实施例中基于深度学习算法确定离线模型的流程图；
[0028]
图2为本公开另一些实施例目标对象特征行为的识别方法的流程图；
[0029]
图3为本公开一些实施例目标对象特征行为的识别系统的框图；
[0030]
图4为本公开一些实施例目标对象特征行为的识别装置的框图；
[0031]
图5为本公开另一些实施例目标对象特征行为的识别装置的框图；
[0032]
图6为本公开一些实施例计算机系统的框图。
[0033]
应当明白，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。此外，相同或类似的参考标号表示相同或类似的构件。
具体实施方式
[0034]
现在将参照附图来详细描述本公开的各种示例性实施例。对示例性实施例的描述仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。本公开可以以许多不同的形式实现，不限于这里所述的实施例。提供这些实施例是为了使本公开透彻且完整，并且向本领域技术人员充分表达本公开的范围。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置应被解释为仅仅是示例性的，而不是作为限制。
[0035]
本公开使用的所有术语(包括技术术语或者科学术语)与本公开所属领域的普通技术人员理解的含义相同，除非另外特别定义。还应当理解，在诸如通用字典中定义的术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
[0036]
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
[0037]
本申请的发明人在实现本公开实施例的过程中发现，相关技术中，对非人类生物
目标对象的一些典型特征行为的识别，大多采用人工观测的方式进行，存在准确率低、实时性差，耗费大量人力的技术缺陷。
[0038]
为解决该技术问题，本公开实施例提供了一种目标对象特征行为的识别方法、装置与系统，以及计算机可读存储介质和计算机系统。
[0039]
如图1a所示，本公开一些实施例提供的目标对象特征行为的识别方法，包括了以下步骤s101-s105。
[0040]
在步骤s101，获取目标对象的周期性特征行为的数据信息。
[0041]
目标对象的具体类型不限，例如可以为奶牛、肉牛、山羊或者绵羊等牧场牲畜，也可以为长颈鹿、梅花鹿或羚羊等科研培育动物。
[0042]
目标对象的周期性特征行为，可以理解为目标对象的具有周期性、规律性的活动行为，例如行走行为或反刍行为。其中，反刍是指某些动物进食经过一段时间以后将半消化的食物从胃里返回嘴里再次咀嚼的过程，反刍可进行多次，并呈现一定的周期性。
[0043]
行走这一周期性特征行为可以通过智能蹄环、智能耳环或智能项圈等物联网穿戴设备进行监测，从而得到步数、频率等数据信息，这与人们佩戴智能手环来监测运动原理类似。对于反刍这一周期性特征行为，可以通过智能项圈进行嘴部动作监测或者咀嚼声音监测，从而得到动物的反刍频率、持续时间等数据信息。
[0044]
在本公开的一些实施例中，目标对象的周期性特征行为的数据信息可以同时包括上述计步信息和反刍信息。
[0045]
在步骤s102，当周期性特征行为的数据信息满足视频监控触发条件时，触发目标对象所在区域的视频监控设备开启。
[0046]
研究证实，当牲畜即将进入或已经进入某些典型生理特征时期时，其周期性特征行为的数据信息一般会出现显著的变化。
[0047]
以奶牛为例，奶牛是周期性发情动物，在均衡的雌性激素影响下，健康奶牛发情周期一般在21天左右，发情行为通常持续18-24小时，并通常都会在夜间开始出现。奶牛进入发情期伴随的两个典型特征是运动增加和反刍持续时间下降，通过监测奶牛的计步信息和反刍信息，可以大致判断奶牛是否即将进入或已经进入发情期。
[0048]
类似的原理，在一些实施例中，还可以通过观察目标对象的周期性特征行为，来判断目标对象是否发生睡眠行为或觅食行为。例如，当奶牛的步数在很长一段时间内没有变化，可大致判断奶牛有可能进入睡眠；当奶牛的步数持续增加，在很长的一段时间内反刍次数却为零，可大致判断奶牛有可能饥饿，处于觅食状态。
[0049]
因此，视频监控触发条件可根据上述经验来设定。当周期性特征行为的数据信息满足该视频监控触发条件时，触发目标对象所在区域的视频监控设备开启，从而开始对目标对象进行视频监控。
[0050]
在步骤s103，获取视频监控设备的视频监控信息。
[0051]
在本公开的一个实施例中，可以实时获取视频监控设备的视频监控信息。
[0052]
在本公开的另一个实施例中，步骤s103包括：每经历一设定时间段ts，获取视频监控设备在该设定时间段ts内采集的视频监控信息。
[0053]
设定时间段ts可以结合系统处理性能和业务实时性监控需要来确定。设定时间段ts可以在1-60分钟的范围内取值。例如，自视频监控设备开启之时起，每经过10分钟，获取
该刚经过的10分钟的视频监控信息。
[0054]
在步骤s104，根据视频监控信息，确定目标对象发生目标特征行为的概率。
[0055]
以奶牛为例，当奶牛进入发情期时，通常会发生有别于一般行为的典型行为(即饲养人员所关注的目标特征行为)，如爬胯行为。在一个发情周期内，爬胯行为的发生次数可以多达8次。而其它类动物在发情期也会做出一些有别于一般行为的典型行为。通过计算机视觉技术进行监测，可以及时获知爬胯行为的发生，从而有效预测动物发情。
[0056]
在一个实施例中，步骤s104包括：根据视频监控信息，以及目标对象发生目标特征行为的标准模型，确定目标对象发生目标特征行为的概率，如确定奶牛发生爬胯行为的概率。其中，目标对象发生目标特征行为的标准模型，基于深度学习算法得到。
[0057]
深度学习是机器学习的一种，而机器学习是实现人工智能的必经路径。深度学习的概念源于人工神经网络的研究，含多个隐藏层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。研究深度学习的动机在于建立模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本等。典型的深度学习模型如卷积神经网络模型、深度信任网络模型和堆栈自编码网络模型等。
[0058]
在本公开的一个实施例中，目标对象发生目标特征行为的标准模型，为基于深度学习算法确定的离线模型，即标准模型在步骤s101之前已经确定。如图1b所示，该标准模型的确定，包括以下步骤s01-s07。
[0059]
步骤s01：获取目标对象发生目标特征行为的视频图像数据；
[0060]
步骤s02：对视频图像数据进行预处理，该预处理包括帧图像数据抽取、打标注，以及剔除脏数据等；
[0061]
步骤s03：根据预处理后的视频图像数据，确定训练数据集和测试数据集；
[0062]
步骤s04：根据超参数和训练数据集，对模型进行训练和调优；
[0063]
步骤s05：根据测试数据集，对模型进行测试，得到模型的准确率；
[0064]
步骤s06：判断模型的准确率是否达到目标准确率，如果是，流程走向步骤s07，否则流程返回步骤s01；
[0065]
步骤s07：确定模型为标准模型并输出。
[0066]
本公开实施例目标对象特征行为的识别方法，在步骤s105，当目标对象发生目标特征行为的概率不小于概率阈值时，输出目标对象发生目标特征行为的参考信息。
[0067]
概率阈值可以根据经验确定。在该识别方法应用的前期，可以将概率阈值设置的较低，如设为60％；随着标准模型和相关算法的不断完善，可以逐渐提高概率阈值，例如提高至90％或者更高，以提高对目标对象的目标特征行为识别的准确性。目标对象发生目标特征行为的参考信息可以包括目标对象发生目标特征行为的概率，还可以包括基于该概率进行进一步判断的结果，如是否处于发情期的判断结果。
[0068]
当目标对象发生目标特征行为的概率不小于概率阈值，可以基本确定目标对象发生目标特征行为，例如，基本确定奶牛发生爬胯行为，处于发情期。输出目标对象发生目标特征行为的参考信息，可以及时提醒饲养人员奶牛处于发情期，可及时对奶牛进行人工配种，以提高产犊率和产奶量。
[0069]
本公开上述实施例目标对象特征行为的识别方法，具有以下有益效果：
[0070]
当周期性特征行为的数据信息满足视频监控触发条件时，视频监控设备被触发开启，因此，视频监控设备无需一直开启，从而减少了数据处理量，节约了系统资源，提高了处理效率。
[0071]
每经历一设定时间段获取一次视频监控信息，可以兼顾系统处理性能和业务实时性监控需要，在达到监控目的的同时还节约了系统资源，提高了系统处理速度。
[0072]
基于深度学习算法确定的目标对象发生目标特征行为的标准模型，准确度和智能化程度较高，根据该标准模型和视频监控信息确定目标对象发生目标特征行为的概率，可以大大减轻饲养人员或科研人员的工作量，从而有利于降低人工成本。
[0073]
如图2所示，本公开另一些实施例提供的目标对象特征行为的识别方法，包括了以下步骤s201-s209，其中：
[0074]
步骤s201：获取目标对象的周期性特征行为的数据信息。
[0075]
步骤s202：判断周期性特征行为的数据信息是否满足视频监控触发条件，如果是，流程走向步骤s203，否则，流程返回步骤s201。
[0076]
步骤s203：触发目标对象所在区域的视频监控设备开启。
[0077]
步骤s204：每经历一设定时间段，获取视频监控设备在该设定时间段内采集的视频监控信息。
[0078]
步骤s205：根据视频监控信息，以及目标对象发生目标特征行为的标准模型，确定目标对象发生目标特征行为的概率。
[0079]
步骤s206：判断目标对象发生目标特征行为的概率是否小于概率阈值，如果是，流程走向步骤s207，否则，流程走向步骤s209。
[0080]
步骤s207：判断视频监控设备的连续开启时长是否大于监控时长阈值，如果是，流程走向步骤s208，否则，流程返回步骤s204。
[0081]
其中，监控时长阈值可以根据目标对象发生目标特征行为的周期上限来确定。例如奶牛发情行为通常持续18-24小时，则监控时长阈值可以设定为24小时。
[0082]
步骤s208：关闭视频监控设备。
[0083]
步骤s209：输出目标对象发生目标特征行为的参考信息。例如，将参考信息输出至显示器进行显示，或者输出至音频设备进行语音提醒。在一个实施例中，将参考信息以微信或短信的方式推送至移动终端应用程序。
[0084]
与前述实施例同理，采用本公开该实施例的识别方法，可以提高对目标对象的目标特征行为识别的准确率和实时性，从而及时提醒饲养人员或科研人员采取一定措施。另外，视频监控设备有条件开启与关闭，并且每经历一设定时间段获取一次视频监控信息，可以兼顾系统处理性能和业务实时性监控需要，在达到监控目的的同时还节约了系统资源。
[0085]
如图3所示，本公开一些实施例还提供了一种目标对象特征行为的识别系统，包括控制设备34，用于当周期性特征行为的数据信息满足视频监控触发条件时，触发目标对象所在区域的视频监控设备开启；根据视频监控信息，确定目标对象发生目标特征行为的概率；及，当目标对象发生目标特征行为的概率不小于概率阈值时，输出目标对象发生目标特征行为的参考信息。
[0086]
控制设备34的具体类型不限，例如可以为计算机、局域网服务器或云端服务器等。
[0087]
采用本公开实施例的识别系统，可以提高对目标对象的目标特征行为识别的准确
率和实时性，智能化程度较高，可以及时提醒饲养人员或科研人员采取一定措施，达到提高饲养产量或科研目的。
[0088]
请参考图3所示，在一个实施例中，目标对象特征行为的识别系统还包括：监测设备31，设于目标对象身体上，用于监测得到目标对象的周期性特征行为的数据信息，并发送给控制设备34。
[0089]
监测设备31的具体类型不限。根据监测设备31的工作原理不同，监测设备可以包括三轴加速度传感器或声波传感器。例如可以为智能蹄环、智能耳环或智能项圈等物联网穿戴设备。
[0090]
请参考图3所示，在一个实施例中，目标对象特征行为的识别系统还包括：视频监控设备32，设于目标对象所在区域并与控制设备34连接。视频监控设备32可以为网络摄像头，数量可以为一个或多个。
[0091]
请参考图3所示，在一个实施例中，目标对象特征行为的识别系统还包括：输出设备33，用于接收控制设备34输出的目标对象发生目标特征行为的参考信息，并将目标对象发生目标特征行为的参考信息以媒体形式输出。输出设备33输出的媒体形式不限，可以包括文字、声音和图像中的至少一种。输出设备例如可以为手机、平板电脑等移动终端，也可以为显示屏或音频设备等等。
[0092]
如图4所示，本公开一些实施例还提供了一种目标对象特征行为的识别装置，包括：
[0093]
第一获取单元41，用于获取目标对象的周期性特征行为的数据信息；
[0094]
触发单元42，用于当周期性特征行为的数据信息满足视频监控触发条件时，触发目标对象所在区域的视频监控设备开启；
[0095]
第二获取单元44，用于获取视频监控设备的视频监控信息；
[0096]
确定单元44，用于根据视频监控信息，确定目标对象发生目标特征行为的概率；
[0097]
输出单元45，用于当目标对象发生目标特征行为的概率不小于概率阈值时，输出目标对象发生目标特征行为的参考信息。
[0098]
同理，采用本公开该实施例的识别装置，可以提高对目标对象的目标特征行为识别的准确率和实时性，从而及时提醒饲养人员或科研人员采取一定措施，达到提高饲养产量或科研目的。
[0099]
如图5所示，本公开一些实施例还提供了一种目标对象特征行为的识别装置，包括：存储器51和耦接至存储器51的处理器52，处理器52被配置为基于存储在存储器51中的指令，执行如前述任一实施例的目标对象特征行为的识别方法。
[0100]
应当理解，前述目标对象特征行为的识别方法中的各个步骤都可以通过处理器来实现，并且可以通过软件、硬件、固件或其结合的任一种方式实现。
[0101]
除了上述目标对象特征行为的识别方法、装置之外，本公开实施例还可采用在一个或多个包含有计算机程序指令的非易失性存储介质上实施的计算机程序产品的形式。因此，本公开一些实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如前述任一技术方案的目标对象特征行为的识别方法。
[0102]
图6示出了本公开一些实施例的计算机系统的示意图。
[0103]
如图6所示，计算机系统可以用通用计算设备的形式表现，该计算机系统可以用来
实现上述实施例的目标对象特征行为的识别方法。计算机系统包括存储器61、处理器62和连接不同系统组件的总线60。
[0104]
存储器61例如可以包括系统存储器、非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(boot loader)以及其他程序等。系统存储器可以包括易失性存储介质，例如随机存取存储器(ram)和/或高速缓存存储器。非易失性存储介质例如存储有执行显示方法的对应实施例的指令。非易失性存储介质包括但不限于磁盘存储器、光学存储器、闪存等。
[0105]
处理器62可以用通用处理器、数字信号处理器(dsp)、应用专用集成电路(asic)、现场可编程门阵列(fpga)或其它可编程逻辑设备、分立门或晶体管等分立硬件组件方式来实现。相应地，诸如判断模块和确定模块的每个模块，可以通过中央处理器(cpu)运行存储器中执行相应步骤的指令来实现，也可以通过执行相应步骤的专用电路来实现。
[0106]
总线60可以使用多种总线结构中的任意总线结构。例如，总线结构包括但不限于工业标准体系结构(isa)总线、微通道体系结构(mca)总线、外围组件互连(pci)总线。
[0107]
计算机系统还可以包括输入输出接口63、网络接口64、存储接口65等。输入输出接口63、网络接口64、存储接口65以及存储器61和处理器62之间可以通过总线60连接。输入输出接口63可以为显示器、鼠标、键盘等输入输出设备提供连接接口。网络接口64为各种联网设备提供连接接口。存储接口65为软盘、u盘、sd卡等外部存储设备提供连接接口。
[0108]
至此，已经详细描述了本公开的各种实施例。为了避免遮蔽本公开的构思，没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述，完全可以明白如何实施这里公开的技术方案。
[0109]
虽然已经通过示例对本公开的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上示例仅是为了进行说明，而不是为了限制本公开的范围。本领域的技术人员应该理解，可在不脱离本公开的范围和精神的情况下，对以上实施例进行修改或者对部分技术特征进行等同替换。本公开的范围由所附权利要求来限定。