[发明专利]一种目标监控方法、装置、计算机设备及存储介质

权利要求书

1.一种目标监控方法，其特征在于，包括：

获取目标群体的媒体信息，所述目标群体包括N个目标物，N为正整数；

利用预设的身份识别模型对所述媒体信息进行识别确定所述目标群体中每个目标物的身份；

根据每个目标物的身份从所述媒体信息中选取每个目标物对应的帧画面集；

通过预设的行为识别模型对所述帧画面集进行识别确定所述帧画面集的每一帧画面中目标物的行为特征；

若所述目标物的行为特征满足预设条件，则执行对应的策略计算所述目标物的行为特征满足预设条件的持续时间。

2.如权利要求1所述的目标监控方法，其特征在于，所述若所述目标物的行为特征满足预设条件，则执行对应的策略计算所述目标物的行为特征满足预设条件的持续时间，包括：

若所述目标物的行为特征满足进食状态的条件，则记录当前帧画面发生的第一时间点；

若所述第一时间点之后所述目标物的行为特征发生变化，则记录第二时间点，所述第二时间点为所述目标物的行为特征发生变化的时间点；

根据所述第二时间点和所述第一时间点之间的时间差计算所述目标物的进食时间。

3.如权利要求2所述的目标监控方法，其特征在于，所述若所述目标物的行为特征满足预设条件，则执行对应的策略计算所述目标物的行为特征满足预设条件的持续时间之后，所述目标监控方法还包括：

若所述行为识别模型识别出所述目标物的行为特征再次满足所述预设条件，则计算此次目标物的进食时间并调取所述目标物的历史进食时间；

将所述此次目标物的进食时间与所述历史进食时间相加得到更新的进食时间；

根据所述更新的进食时间计算所述目标物的进食量。

4.如权利要求1所述的目标监控方法，其特征在于，在所述获取目标群体的媒体信息之前，所述目标监控方法还包括：

获取训练样本，所述训练样本包含的信息为训练样本中的每个目标物的面部特征和行为参数；

将所述训练样本通过卷积神经网络进行处理得到预测结果，所述预测结果为通过所述卷积神经网络预测得到的每个目标物的身份以及行为特征；

根据所述训练样本对应的真实结果和所述预测结果构建误差函数；

采用梯度下降法和反向传导法则通过所述误差函数更新所述卷积神经网络的权重和偏置；

根据所述卷积神经网络中更新的权重和更新的偏置得到识别模型，所述识别模型包括身份识别模型和行为识别模型。

5.如权利要求4所述的目标监控方法，其特征在于，所述获取训练样本之后，所述将所述训练样本通过卷积神经网络进行处理得到预测结果之前，所述目标监控方法还包括：

给所述训练样本中的每个目标物分配唯一的身份标识码，所述身份标识码用于区别和表明所述目标物的身份；

为所述目标物的行为特征分配标志位，所述行为特征包括正在进食和未进食，所述标志位用于区分所述目标物正在进食和未进食的行为特征。

6.如权利要求4所述的目标监控方法，其特征在于，所述获取训练样本之后，所述目标监控方法还包括：

从所述训练样本中针对每个目标物确定对应的图像集；

从所述图像集中选取满足预设条件的图像组成待训练图像集，所述预设条件用于限定待训练图像的数量和挑选比例，所述挑选比例为针对目标物的行为特征设置的比例。

7.一种目标监控装置，其特征在于，包括：

获取模块，用于获取目标群体的媒体信息，所述目标群体包括N个目标物，所述N为正整数；

识别模块，用于利用身份识别模型对所述媒体信息进行识别确定所述目标群体中每个目标物的身份信息；

处理模块，用于根据每个目标物的身份信息从所述媒体信息中确定每个目标物对应的帧画面集；

所述处理模块，还用于通过行为识别模型对所述帧画面集进行识别确定每一帧画面中目标物的行为特征；

计算模块，用于若所述目标物的行为特征满足预设条件，则执行对应的策略计算所述目标物的行为特征满足预设条件的持续时间。