[發明專利]一種基于概率潛在語義分析的行人異常識別方法在審
| 申請號: | 201611002226.0 | 申請日: | 2016-11-10 |
| 公開(公告)號: | CN106650617A | 公開(公告)日: | 2017-05-10 |
| 發明(設計)人: | 余國剛;顧麗軍;彭偉鴻;惠志洲;戴小榮;巢文科 | 申請(專利權)人: | 江蘇新通達電子科技股份有限公司 |
| 主分類號: | G06K9/00 | 分類號: | G06K9/00;G06K9/62 |
| 代理公司: | 暫無信息 | 代理人: | 暫無信息 |
| 地址: | 212300 江蘇省*** | 國省代碼: | 江蘇;32 |
| 權利要求書: | 查看更多 | 說明書: | 查看更多 |
| 摘要: | |||
| 搜索關鍵詞: | 一種 基于 概率 潛在 語義 分析 行人 異常 識別 方法 | ||
技術領域:本發明涉及一種利用計算機視覺進行人體行為識別的方法,具體地說是一種對待分析視頻中的人體行為進行分類的方法,屬于模式識別技術領域。
技術背景:
人體行為識別是近幾年來計算機視覺領域的重大熱點之一,其在運動捕獲視頻監控等多領域獲得了初步的應用,并具重大的應用前景。由于人體運動的多變性和多樣性,背景的嘈雜以及背景運動等多方面的因素嚴重影響人體運動的識別效果,實現人體行為識別是計算機視覺領域長期存在的問題。
在人體行為識別問題中,研究者常對圖像強度值在局部范圍內有顯著變化的像素點感興趣,這些“興趣點”通常被稱為時空興趣點(Space-Time Interest Points,STIP)。Harris角點就是一種常用的興趣點,2003年,Laptev等人最先將空間域的Harris角點檢測推廣到時空域,得到3D-Harris角點。該方法較好的克服了尺度、速度、視角等變化,但檢測到的時空角點過于稀疏。2005年,Dollar等人提出了Cuboids檢測算法,在空間2D高斯濾波器的基礎上引入時間Gabor濾波器,將相應函數高于某一閾值的區域定義為時空興趣點,使提取的興趣點更為稠密。然而Dollar方法不具有尺度不變性,2008年,Willems等人提出了基于三維Hessian矩陣的興趣點檢測方法,在保證興趣點稠密性的同時具有尺度不變性。在以上時空興趣點的檢測方法中,一旦背景中有其他微小運動目標,時空興趣點同樣會記錄這些微小運動。
檢測出興趣點后,需要選擇合適的局部特征描述子對興趣點進行特征表示。Laptev等人采用基于HOG和HOF的特征描述子對3D-Harris角點表示,Dollar等人采用Cuboid描述子表示興趣點。Klaser等人將HOG推廣到時空維,得到3D-HOG描述子,其考慮了是將方向的梯度信息。同樣的,Willems等人將SURF描述子推廣到三維空間,得到ESURF描述子。以上描述例子中,有的只考慮梯度信息,有的只考慮光流信息,當聯合考慮時有只在空間域與時間域內單獨考慮。Wang等人比較了各種局部描述算子,并發現在大多數情況下整合了梯度和光流信息的描述算子其效果最好。
在分類器的選擇方面,Laptev和Dollar等人都采用K均值聚類對描述子聚類,后采用SVM對行為分類。檢測結果較優,但是該方法忽略了動作之間的關聯性以及時空上下文特征。2005年Li FeiFei首次將Bag of word模型應用于場景圖像的表示,并通過主題模型實現對多種場景的分類李,使得主題模型進行人體行為分類被廣泛接受。其應用Cuboid檢測子從視頻序列中提取興趣點,利用HOG描述子描述提取到的興趣點,生成視覺單詞,應用pLSA(Probabilistic Latent Semantic Analysis)學習和分類人體行為,該方法不僅可以識別多個單動作視頻序列,而且可以識別一個長視頻中的多個動作。但這些早期的研究還只是局限于受限場景下的人體動作識別,比如特定的視角、動作人、背景和光照,在自然場景下,取消上述種種限制的情況下,該方法的性能急劇下降甚至不再適用。
發明內容:
本發明針對現有基于視頻的人體行為識別方法存在的不足,提出一種基于概率潛在語義分析的行人異常識別方法,以提高特征的表征能力和行為識別率。
為實現上述目的,該發明具體包括以下步驟:
步驟A、取一個視頻樣本,采用混合高斯背景建模算法提取前景目標,對該視頻每一幀生成僅含人體目標的二值掩碼圖片,通過掩碼圖片生成僅含人體目標的視頻;
讀取視頻前n幀,建立背景模型,對新讀取的每一幀,分割出包含人體的二值圖片。將該二值圖像與原圖像做掩膜操作,生成僅含人體目標的灰度圖像,通過一系列灰度圖像生成僅含前景人體的視頻。
步驟B、采用基于三維Hessian矩陣檢測生成視頻的時空興趣點;
該步驟的具體實現方法是:
三維Hessian矩陣定義為
其中,σ、τ分別為空間和時間尺度,ξ、η分別表示x、y或t,g(.;σ2,τ2)為高斯平滑函數,
在該尺度下,對每一個像素計算Hessian矩陣行列式,得到興趣點響應函數S=|det(H)|,
在時間、空間和尺度(x,y,t,σ,τ)上采用非最大值抑制選擇局部最大值作為興趣點的位置。
在計算中,對極值點尺度歸一化,并采用積分視頻和盒濾波器加速計算。
該專利技術資料僅供研究查看技術是否侵權等信息,商用須獲得專利權人授權。該專利全部權利屬于江蘇新通達電子科技股份有限公司,未經江蘇新通達電子科技股份有限公司許可,擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作,請聯系【客服】
本文鏈接:http://www.szxzyx.cn/pat/books/201611002226.0/2.html,轉載請聲明來源鉆瓜專利網。





