[發(fā)明專利]一種基于視頻序列的人體異常行為檢測(cè)方法

無(wú)效

• 申請(qǐng)?zhí)枺?/td>: 201310059118.7
• 申請(qǐng)日: 2013-02-25
• 公開(kāi)（公告）號(hào): CN103150579A
• 公開(kāi)（公告）日: 2013-06-12
• 發(fā)明（設(shè)計(jì)）人: 紀(jì)青華;禹素萍;曹新學(xué);張盛漢
• 申請(qǐng)（專利權(quán)）人: 東華大學(xué)
• 主分類號(hào): G06K9/66
• 分類號(hào): G06K9/66
• 代理公司: 上海申匯專利代理有限公司 31001
• 代理人: 翁若瑩;柏子雵

技術(shù)領(lǐng)域

本發(fā)明涉及一種基于視頻序列的人體異常行為檢測(cè)方法，屬于涉及圖像處理和計(jì)算機(jī)視覺(jué)技術(shù)領(lǐng)域，尤其涉及視頻中異常行為的檢測(cè)方法。

背景技術(shù)

智能監(jiān)控技術(shù)是計(jì)算機(jī)視覺(jué)的一個(gè)重要應(yīng)用領(lǐng)域，在軍用和民用中都有極大的研發(fā)和應(yīng)用價(jià)值，智能視覺(jué)監(jiān)控這項(xiàng)技術(shù)主要是用在對(duì)安全要求敏感的場(chǎng)合，如ATM機(jī)、銀行、商店、停車場(chǎng)、機(jī)場(chǎng)、政府大樓、軍事基地、碼頭等。然而，現(xiàn)有的視頻監(jiān)控系統(tǒng)大多只是進(jìn)行場(chǎng)景內(nèi)運(yùn)動(dòng)目標(biāo)的檢測(cè)或跟蹤，進(jìn)行進(jìn)一步處理的比較少，而生活中監(jiān)控的目的就是對(duì)場(chǎng)景中的異常事件或人的異常行為進(jìn)行檢測(cè)和分析。智能視頻監(jiān)控對(duì)異常行為的檢測(cè)不僅可以及時(shí)發(fā)現(xiàn)不正當(dāng)行為，告知工作人員及時(shí)處理，阻止不法行為的發(fā)生，而且可節(jié)省大量的存儲(chǔ)空間，避免不法行為發(fā)生后工作人員海量的查找和取證。

目前人體行為識(shí)別的方法主要分為兩類：模板匹配法和狀態(tài)空間法。前者是將視頻序列轉(zhuǎn)換為一組態(tài)形狀模式，然后將其與預(yù)先保存好的模板進(jìn)行比較，選擇與測(cè)試序列距離最小的模板所屬類別作為被測(cè)試序列的最終識(shí)別結(jié)果，該方法雖然簡(jiǎn)單，但缺乏考慮相鄰幀間的動(dòng)態(tài)特性，難以取得較好的效果；后者定義每個(gè)靜態(tài)姿勢(shì)作為一個(gè)狀態(tài)，將這些狀態(tài)之間通過(guò)某種概率聯(lián)系起來(lái)，任何運(yùn)動(dòng)序列可以看作是這些靜態(tài)姿勢(shì)的不同狀態(tài)之間的一次遍歷過(guò)程，在整個(gè)遍歷過(guò)程中計(jì)算聯(lián)合似然值并將最大值作為行為分類的標(biāo)準(zhǔn)，該方法能夠較好地刻畫人體行為的本質(zhì)特征，但每一幀行為特征值的提取對(duì)結(jié)果的影響比較大。雖然現(xiàn)在有一些特征提取方法可以用來(lái)提取行為幀的特征值，如Hu矩，R變換等，但是采用這些方法的人體行為識(shí)別率不高，難以達(dá)到應(yīng)用要求。因此，提取行為幀中更優(yōu)的特征值，從而提高人體行為分析的識(shí)別率，是一個(gè)十分迫切需要解決的問(wèn)題。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種有效的基于視頻序列中人體異常行為檢測(cè)方法，亦可用來(lái)對(duì)公共場(chǎng)所異常行為進(jìn)行監(jiān)控，從而解決目前在人體行為識(shí)別中使用的特征提取方法無(wú)法很好的提取行為特征而導(dǎo)致識(shí)別率不好的問(wèn)題。

為了達(dá)到上述目的，本發(fā)明的技術(shù)方案是提供了一種基于視頻序列的人體異常行為檢測(cè)方法，其特征在于，步驟為：

第一步、建立行為模型數(shù)據(jù)庫(kù)：

步驟1.1、通過(guò)攝像頭和WDM視頻采集卡采集訓(xùn)練行為視頻圖像序列，作為訓(xùn)練樣本；

步驟1.2、提取訓(xùn)練行為視頻圖像序列中運(yùn)動(dòng)人體的運(yùn)動(dòng)特征及局部特征，將運(yùn)動(dòng)特征及局部特征相結(jié)合，組成一組訓(xùn)練特征向量；

步驟1.3、將訓(xùn)練特征向量作為輸入，利用機(jī)器方法進(jìn)行學(xué)習(xí)從而得到行為模型數(shù)據(jù)庫(kù)；

第二步、人體行為判斷：

步驟2.1、通過(guò)攝像頭和WDM視頻采集卡采集實(shí)時(shí)行為視頻圖像序列；

步驟2.2、提取實(shí)時(shí)行為視頻圖像序列中運(yùn)動(dòng)人體的運(yùn)動(dòng)特征及局部特征，將運(yùn)動(dòng)特征及局部特征相結(jié)合，組成一組實(shí)時(shí)特征向量；

步驟2.3、將實(shí)時(shí)特征向量作為輸入，利用行為模型數(shù)據(jù)庫(kù)采用機(jī)器方法對(duì)識(shí)別的運(yùn)動(dòng)人體區(qū)域的行為做出評(píng)判。

優(yōu)選地，所述步驟1.2及所述步驟2.2包括：

步驟S1、從訓(xùn)練行為視頻圖像序列或?qū)崟r(shí)行為視頻圖像序列中提取運(yùn)動(dòng)人體，其步驟為：

步驟S11、對(duì)訓(xùn)練行為視頻圖像序列或?qū)崟r(shí)行為視頻圖像序列利用混合高斯模型進(jìn)行背景建模；

步驟S12：利用背景差分法將運(yùn)動(dòng)人體區(qū)域從背景模型中提取出來(lái)；

步驟S13：利用幀間差分法從訓(xùn)練行為視頻圖像序列或?qū)崟r(shí)行為視頻圖像序列中提取運(yùn)動(dòng)人體區(qū)域；

步驟S14：將步驟S12和步驟S13中提取出來(lái)的運(yùn)動(dòng)人體區(qū)域進(jìn)行與運(yùn)算，提取出新的運(yùn)動(dòng)人體區(qū)域；

步驟S15：對(duì)通過(guò)步驟S14得到的運(yùn)動(dòng)人體區(qū)域利用形態(tài)學(xué)濾波的方法進(jìn)行陰影的去除和空洞的彌補(bǔ)以及連通域的處理，得到運(yùn)動(dòng)人體；

步驟S2、利用NMF算法提取運(yùn)動(dòng)人體的局部特征；

步驟S3、提取運(yùn)動(dòng)人體的運(yùn)動(dòng)特征，該運(yùn)動(dòng)特征至少包括長(zhǎng)寬比、占空比及周長(zhǎng)比，其中，長(zhǎng)寬比定義為運(yùn)動(dòng)人體外接矩形的長(zhǎng)跟寬的比，占空比定義為前景圖中運(yùn)動(dòng)人體區(qū)域的面積與運(yùn)動(dòng)人體外接矩形面積之比，周長(zhǎng)比定義為運(yùn)動(dòng)人體邊緣周長(zhǎng)與運(yùn)動(dòng)人體外接矩形周長(zhǎng)的比值；

步驟S4、將運(yùn)動(dòng)人體的局部特征與運(yùn)動(dòng)特征相結(jié)合，組成一組訓(xùn)練特征向量或?qū)崟r(shí)特征向量。

優(yōu)選地，在所述步驟1.3中，利用SVM分類器進(jìn)行學(xué)習(xí)，其步驟為：首先，構(gòu)造個(gè)分類器，k為訓(xùn)練樣本的類別數(shù)；其次，對(duì)各類訓(xùn)練樣本的訓(xùn)練特征向量進(jìn)行標(biāo)記，分別取k類訓(xùn)練樣本中的任意兩類所對(duì)應(yīng)的訓(xùn)練特征向量作為訓(xùn)練集，進(jìn)行訓(xùn)練。