本发明涉及图像识别，具体为一种基于图像分析的内容挖掘方法。
背景技术：
1、由于人力观察所得知信息始终有限，因此需要借助图像识别分析工具，对图像进行信息采集与甄别，针对具体对象的图像分析技术，已经应用在工业、检测、遥感、计算机、军事等技术中，例如监控方面，则可通过图像分析技术，对监控内容中的异常行为进行分析；
2、现有的基于图像分析的内容分析方法，则存在不足，例如：
3、1、传统的内容挖掘方法往往依赖大量的文本数据，而在有限图像情况下，文本数据可能较少或缺失，当图像的获取存在中断或无效时，则完全陷入信息缺失状态，无法基于现有图像数据，对采集范围内目标物的未来事件状态进行有效预测且呈现，对内容信息量的挖掘力度不足；
4、2、现有的内容挖掘方法往往只关注单一的内容属性，缺乏对内容之间关联性的分析，当出现异常情况或者即将出现异常情况时，难以及时进行有效的预警反馈，尤其在采集图像缺失的情况下，难以在此种状态下，进行有效的示警反馈。
技术实现思路
1、(一)解决的技术问题
2、针对现有技术所存在的上述缺点，本发明提供了一种基于图像分析的内容挖掘方法，能够有效地解决现有技术的问题。
3、(二)技术方案
4、为实现以上目的，本发明通过以下技术方案予以实现，
5、本发明公开了一种基于图像分析的内容挖掘方法，包括以下步骤：
6、步骤1：对接视频传输端，按预设周期获取图像数据并进行预处理；
7、步骤2：对预处理后的图像数据进行目标物检测，根据检测结果，抓取并标记目标物，提取目标物的基本属性，对提取的属性进行标准化处理并标注，构成目标属性标签集；
8、步骤3：分析所提取目标属性标签集对应的行为和状态，构建行为预测模型，将提取的目标属性标签集及其对应的行为状态数据输入行为预测模型，预测目标物未来预定周期内的行为状态数据；
9、步骤4：计算目标属性标签集之间的皮尔逊相关系数，分析目标属性标签集之间的关联规则，定义行为模式，计算并展示关联性分析结果；
10、步骤5：通过时序分析方法对预测模型所输出的未来预定周期内的行为状态数据和关联性分析结果进行分析，识别目标物的移动轨迹和状态变化；
11、步骤6：使用统计方法检测未来行为事件中的异常因子，对检测到的异常因子进行标签化处理，生成带有专属标签的异常因子集；
12、步骤7：当检测到的异常因子数量达到预设示警阈值时，生成预警信息，并递交至管理端。
13、更进一步地，所述步骤2中根据检测结果抓取并标记目标物的具体工作过程中，先对预处理后的图像数据进行目标物检测，在图像中识别并定位出目标物的边界框或掩码区域，根据所述边界框或掩码区域，从原始图像中获取目标物的位置信息及裁剪出目标物图像，对所得位置信息与目标物图像进行分析后，标注目标物的类别标签，提取目标物的颜色、大小、形状和速度属性。
14、更进一步地，所述步骤2中所提取属性进行标准化处理并标注的过程中，提取的属性值归一化到特定范围，对于非数值属性，使用独热编码进行编码，根据业务需求定义属性标签，将标准化后的属性值映射到预定义的标签，形成目标属性标签集。
15、更进一步地，所述步骤3中的行为预测模型，以历史目标物属性及其对应的行为状态数据作为训练集，以对应实际行为状态数据作为验证集。
16、更进一步地，所述步骤3中的行为预测模型的运行流程为：
17、步骤31：行为预测模型接收包含目标属性标签集及其对应的行为状态数据；
18、步骤32：对输入数据进行特征提取和预处理，使其与训练数据保持一致；
19、步骤33：行为预测模型运行，生成目标物未来行为或状态的预测结果；
20、步骤34：对模型的预测结果进行解释，生成可视化报告。
21、更进一步地，所述步骤4中关联性分析结果的工作过程为：
22、步骤41：收集已经定义好的目标属性标签集，使用皮尔逊相关系数公式计算每对属性标签之间的相关性，将相关系数进行统计分析，获取相关性符合预设标准的属性标签对；
23、步骤42：使用关联规则挖掘算法对目标属性标签集进行分析，根据支持度和置信度指标，定义频繁出现的属性标签组合关联规则；
24、步骤43：根据目标物的行为数据和属性标签集，进行行为模式识别，使用时序分析方法识别目标物的行为模式，根据行为模式的特征和规律，进行行为模式的定义；
25、步骤44：将皮尔逊相关系数和关联规则的分析结果进行综合分析，根据关联性的强弱和行为模式的定义，计算目标属性标签集之间的综合关联性。
26、更进一步地，所述步骤41中的通过皮尔逊相关系数公式计算每对属性标签之间的相关性的过程中，度量两个属性标签之间线性相关性的统计量，计算公式为：
27、
28、式中，rxy代表属性标签x和属性标签y的相关系数，取值范围为(-1，1)，xi和yi分别表示属性标签x和属性标签y的第i个观测值，和分别表示两个属性标签的均值；
29、若rxy接近于1，表示两个属性标签之间存在正相关关系，即一个属性标签的值越大，另一个属性标签的值也越大；
30、若rxy接近于-1，表示两个属性标签之间存在负相关关系，即一个属性标签的值越大，另一个属性标签的值越小；
31、若rxy接近于0，表示两个属性标签之间不存在相关关系，即一个属性标签的值与另一个属性标签的值无关。
32、更进一步地，所述步骤6中未来行为事件中的异常因子通过随机森林算法进行统计，其计算方式为：
33、步骤61：对训练数据集进行随机采样，选择一个随机特征进行划分；
34、步骤62：根据划分特征的取值，将样本分为左子树和右子树；
35、步骤63：重复步骤62直至达到最大深度或满足停止条件；
36、步骤64：对每个样本，计算其在树结构中从根节点到叶子节点的距离的路径长度，通过路径长度的倒数来计算样本的异常性评估值表示其被隔离的概率；
37、步骤65：根据异常性评估值，将样本划分为异常因子和正常因子，对异常因子进行标签化处理，生成带有专属标签的异常因子集。
38、更进一步地，所述步骤7中示警阈值的制定依据为：根据历史数据和用户自定义需求设定异常因子的数量。
39、更进一步地，所述示警阈值制定过程中，通过分析历史数据，统计异常因子的数量分布情况，找到异常因子数量的常态分布区间，阈值设定于常态分布的边界，对异常因子数量的增加进行风险评估，根据风险程度设定对应级别的阈值。
40、(三)有益效果
41、采用本发明提供的技术方案，与已知的现有技术相比，具有如下有益效果，
42、1、通过对图像中的目标物抓取和属性定义，实现对图像内容的挖掘和分析，解决了有限图像情况下的内容挖掘问题，进行目标物的识别和抓取，能够在复杂场景下实现更准确的目标物识别和抓取，提高了图像内容的提取效果，实现对图像内容的全面分析，避免了仅依赖文本数据或连续化图像数据的局限性。
43、2、通过关联性分析和预测模型构建，能够挖掘不同目标物之间的关系和模式，实现对内容之间关联性的分析和预测，提高了内容挖掘的全面性和准确性，自动化的内容挖掘和行为事件的推测，减少了人工干预的需求，提高了工作效率。
44、3、通过异常因子的定义和预警机制，在异常因子数量达到阈值时及时发出警报，实现了实时的异常检测和处理，及时发现和处理潜在的异常情况，提高了系统的安全性和稳定性。
1.一种基于图像分析的内容挖掘方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于图像分析的内容挖掘方法，其特征在于，所述步骤2中根据检测结果抓取并标记目标物的具体工作过程中，先对预处理后的图像数据进行目标物检测，在图像中识别并定位出目标物的边界框或掩码区域，根据所述边界框或掩码区域，从原始图像中获取目标物的位置信息及裁剪出目标物图像，对所得位置信息与目标物图像进行分析后，标注目标物的类别标签，提取目标物的颜色、大小、形状和速度属性。
3.根据权利要求1所述的一种基于图像分析的内容挖掘方法，其特征在于，所述步骤2中所提取属性进行标准化处理并标注的过程中，提取的属性值归一化到特定范围，对于非数值属性，使用独热编码进行编码，根据业务需求定义属性标签，将标准化后的属性值映射到预定义的标签，形成目标属性标签集。
4.根据权利要求1所述的一种基于图像分析的内容挖掘方法，其特征在于，所述步骤3中的行为预测模型，以历史目标物属性及其对应的行为状态数据作为训练集，以对应实际行为状态数据作为验证集。
5.根据权利要求1所述的一种基于图像分析的内容挖掘方法，其特征在于，所述步骤3中的行为预测模型的运行流程为：
6.根据权利要求1所述的一种基于图像分析的内容挖掘方法，其特征在于，所述步骤4中关联性分析结果的工作过程为：
7.根据权利要求6所述的一种基于图像分析的内容挖掘方法，其特征在于，所述步骤41中的通过皮尔逊相关系数公式计算每对属性标签之间的相关性的过程中，度量两个属性标签之间线性相关性的统计量，计算公式为：
8.根据权利要求1所述的一种基于图像分析的内容挖掘方法，其特征在于，所述步骤6中未来行为事件中的异常因子通过随机森林算法进行统计，其计算方式为：
9.根据权利要求1所述的一种基于图像分析的内容挖掘方法，其特征在于，所述步骤7中示警阈值的制定依据为：根据历史数据和用户自定义需求设定异常因子的数量。
10.根据权利要求1所述的一种基于图像分析的内容挖掘方法，其特征在于，所述示警阈值制定过程中，通过分析历史数据，统计异常因子的数量分布情况，找到异常因子数量的常态分布区间，阈值设定于常态分布的边界，对异常因子数量的增加进行风险评估，根据风险程度设定对应级别的阈值。
