• 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
    • / 17
    • 下载费用:30 金币  

    重庆时时彩开奖新闻: 视频序列图像中的异常行为智能检测方法.pdf

    关 键 词:
    视频 序列 图像 中的 异常 行为 智能 检测 方法
      专利查询网所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
    摘要
    申请专利号:

    CN201510104855.3

    申请日:

    2015.03.10

    公开号:

    CN104680557A

    公开日:

    2015.06.03

    当前法律状态:

    驳回

    有效性:

    无权

    法律详情: 发明专利申请公布后的驳回 IPC(主分类):G06T 7/20申请公布日:20150603|||实质审查的生效IPC(主分类):G06T 7/20申请日:20150310|||公开
    IPC分类号: G06T7/20; G06K9/00 主分类号: G06T7/20
    申请人: 重庆邮电大学
    发明人: 瞿中; 鞠芳蓉; 陈昌志; 安世全; 刘达明
    地址: 400065重庆市南岸区黄桷垭崇文路2号
    优先权:
    专利代理机构: 重庆华科专利事务所50123 代理人: 康海燕
    PDF完整版下载: PDF下载
    法律状态
    申请(专利)号:

    CN201510104855.3

    授权公告号:

    ||||||

    法律状态公告日:

    2019.03.15|||2015.07.01|||2015.06.03

    法律状态类型:

    发明专利申请公布后的驳回|||实质审查的生效|||公开

    摘要

    本发明公开一种视频序列图像中的异常行为智能检测方法,涉及图像处理技术领域。本发明针对现有行为检测技术运算量大、实时性差的缺陷,通过码本背景建模和改进的粒子滤波对视频序列图像中的运动目标进行目标检测与目标跟踪,然后设置警戒线、警戒区域,根据目标检测与跟踪所得结果对运动目标的行为进行分析,对运动目标越过警戒线、运动目标进入虚拟墙、运动目标加速及其人体动作异常行为进行检测。

    权利要求书

    权利要求书
    1.  一种视频序列图像中的异常行为智能检测方法,其特征在于, 采用改进的粒子滤波算法结合颜色特征信息和码本背景模型,实时将 视频图像转换为图像序列,对视频序列图像中的运动目标进行目标检 测与目标跟踪,在视频区域中设定一条虚拟直线、或设定一个“虚拟 墙”,判断运动目标位置信息,实现运动目标越线、越界、超速、行 为异常的判定;当运动目标接触到虚拟直线、或“虚拟墙”边界,改 变跟踪窗口颜色,当运动目标越过虚拟直线、或“虚拟墙”边界恢复 跟踪窗口颜色,对触线的运动目标进行计数。

    2.  根据权利要求1所述的方法,其特征在于,所述将视频图像转 换为图像序列进一步具体包括:使用码本对视频序列进行背景建模, 完成对前景目标的检测,用前景检测得到的模板对粒子滤波的初始化 设定ROI,在ROI中使用前景区域的HSV颜色直方图作为模板初始化粒 子,进行粒子状态转移并对粒子的权值进行更新,对粒子的状态进行 预测。

    3.  根据权利要求1所述的方法,其特征在于,判断运动目标位置 信息具体为,以视频区域的左下角O为原点,水平方向OC为x轴,垂直 方向OA为y轴,建立直角坐标系,根据公式:
    (y2-y1)(x-x1)-(x2-x1)(y-y1)=0确定虚拟线L,根据公式 LinePos = - 1 , ( y 2 - y 1 ) ( x 0 - x 1 ) - ( x 2 - x 1 ) ( y 0 - y 1 ) < 0 0 , ( y 2 - y 1 ) ( x 0 - x 1 ) - ( x 2 - x 1 ) ( y 0 - y 1 ) = 0 1 , ( y 2 - y 1 ) ( x 0 - x 1 ) - ( x 2 - x 1 ) ( y 0 - y 1 ) > 0 ]]>判断运动目标与虚 拟线L的位置关系,LinePos=-1表示目标在虚拟线左侧,LinePos=0表 示目标在虚拟线上,LinePos=1表示运动目标在虚拟线的右侧,其中, (x1,y1)、(x2,y2)分别为虚拟线端点坐标,(x0,y0)为运动目标位置坐标。

    4.  根据权利要求1-3其中之一所述的方法,其特征在于,视频区 域中目标与警戒线L的位置关系判断具体为:根据公式:
    LineStatus = 1 , LinePos 1 &CenterDot; LinePos 2 > 0 0 , LinPos 1 &CenterDot; LinePos 2 = 0 - 1 , LinePos 1 &CenterDot; LinePos 2 < 0 ]]>判断运动目标是否穿越警戒线, 若目标未越线则目标的两次位置信息相同,LineStatus=1;若目标触线, LineStatus=0;若目标越线则目标的两次位置信息不同,LineStatus=-1, 其中,目标进入监测区域的初始位置信息为LinePos1,后续目标位置 信息为LinePos2。

    5.  根据权利要求1所述的方法,其特征在于,判断运动目标位置 信息进一步包括,根据公式:
    判断运动目标与虚拟墙 的位置,当目标位于L1下面、L2左面、L3上面、L4右面,则判定目标 位于虚拟墙内,表示为AreaStatus=1;当目标点位于任一条边上时, 判定目标位于虚拟墙边界上,表示为AreaStatus=0;其他情况表示目 标位于虚拟墙外,表示为AreaStatus=-1,其中,L1、L2、L3、L4分别 表示虚拟墙的四条边界,目标与四条边的位置关系分别表示为LP1、 LP2、LP3、LP4。

    6.  根据权利要求1、2或5所述的方法,其特征在于,当虚拟墙为 不规则多边形,当运动目标矩形标记框的至少有1个顶点位于不规则 多边形内,判断运动目标进入不规则多边形的虚拟墙,以任一个顶点 为端点,向左方做水平射线,当射线和多边形的交点个数为奇数时, 顶点在多边形内,交点个数为偶数时,顶点在多边形外。

    7.  根据权利要求1所述的方法,其特征在于,将人体正常行走状 态下跟踪窗口长宽比设定为阈值,当视频监控中运动人体给定连续帧 长宽比大于或小于该阈值,跟踪窗口颜色变化,则判定人体为非正常 行走状态。

    说明书

    说明书视频序列图像中的异常行为智能检测方法
    技术领域
    本发明涉及图像处理技术领域,具体涉及视频序列图像中运动目标检 测。
    背景技术
    现代社会人们的活动场所越来越多,内容也愈加丰富,所以面临 的异常行为和突发事件也会相应增多。因此人们对视频监控系统的要 求提高到“如何防止潜在危险”,这样就要求有关部门在重点区域增 加电子探头数量以及扩大视频监控区域,提高视频监控系统的智能化 水平,进行全天候、实时的自动的监控。智能视频监控技术的出现彻 底改变了以往分析监控视频完全靠人的工作模式,将智能视频监控算 法嵌入到前端摄像头或者在后台对视频进行智能分析,这样就可以更 加精确对异常行为进行定义,同时能够提高检测的精度和响应速度, 有效降低误报和漏报现象的出现,通过系统的提示可以让工作人员对 潜在的异常行为做好提前应对准备,使得工作人员从简单的枯燥无味 的劳动中解放出来,提高了工作人员应急反应处理各种突发事件的能 力。在安防领域,智能视频监控系统适用于公共场所用来掌握行人的 信息,判断人员聚集、穿越警戒线、进入虚拟墙、是否逆向运动;在 交通监管方面,用来分析和处理车辆拥堵、统计车流量、车速以及对 路况的监控;在军事应用方面,可以对导弹、飞机、防空等方面进行 预警和监控;另外,智能视频监控系统同样也可以对非安防领域进行 视频资源分析,例如家中有不慎跌倒的老人,这样就可以及时通知家 人或者帮助呼叫救护车;帮助商场或者超市统计当天的客流量,用来 分析当天的销售状况等等。
    运动目标的行为分析可以当作是对视频序列中行为样本的分类, 可以理解为将待检测的行为与预先规定的行为模板进行匹配,主要的 分析方法有基于模板的方法、基于状态空间的方法和基于模型的方法 三类。
    1)基于模板的方法
    基于模板的方法是将原始的视频图像序列转换为一组静态行为模 式,然后在进行识别的阶段和预先存储的行为模板进行对比。最具代 表性的方法有:模板匹配、动态规划、动态时间规整等。文献(Bobick  AF,Davis J.W.The recognition of human movement using temporal  templates[J].IEEE Transactions on Pattern Analysis and  Machine Intelligence,2001,23(3):257-267)公开一种运用运动 能量图像和运动历史图像对图像序列中行人的运动进行描述,人的每 种行为可以认为是由不同视角下图像序列的运动能量图像和历史运 动图像组成的,从中提取出基于矩的行为特征应用于识别阶段的模板 匹配。文献(Polana R,Nelson R.Low level recognition of  human motion[C].Proceedings of the 1994IEEE Workshop on  Motion of Non-Rigid and Articulated Object,1994:77-82.)公 开利用二维网格的特征对行人的运动进行识别,为了对运动的持续时 间进行归一化,假设了人的运动具有周期性,并将整个序列分解为该 行为的一系列的循环过程,用最近邻算法进行人的行为识别。
    2)基于状态空间的方法
    基于状态空间的方法对每个静态的姿势定义为一个状态,并且认 为这些状态之间通过某种概率联系起来。目前,状态空间模型已被广 泛应用于时间序列中的预测、估计和检测,研究人员利用人的运动区 域块的网络特征作为学习和识别的低级特征,隐马尔科夫模型 (Hyper Media Management Schema,HMMS)用来为每个类别产生符号 模式来进行行为识别。状态空间方法能够克服模板匹配的缺点,可以 更好地刻画动作本质特征,应用的范围也更加的广泛。
    3)基于模型的方法
    基于模型的方法是通过对大量的行为样本进行训练、学习,形成 一个统计的行为模型描述,然后对所需识别行为进行基于模型的匹配, 该方法中的代表性模型有:隐马尔可夫模型、最大熵马尔可夫模型、 条件随机场等。另外在应用中也可以利用2D或者3D对人体建立相应 的模型,可以将人看作是由关节点连接的刚体集合,这样可以利用三 维的人体骨架描述人体的运动情况,但是这通常需要重建3D模型对 人的行为进行识别,该方法准确性好,能够很好地处理人被遮挡的情 况但对计算机的硬件要求较高。
    模型的选择对运动目标的跟踪的准确性以及后续的异常行为检 测的可靠性有着直接的关系,本发明将颜色特征引入可对目标进行准 确的跟踪。粒子滤波算法已经发展为非线性、非高斯系统中运动目标 跟踪的主流算法,但是计算量大始终是其最大的缺点,本发明通过结 合前景目标检测实现了对粒子滤波算法的改进,实现了运动目标的自 动检测与跟踪,提高了粒子滤波算法对目标跟踪的准确性,也使得算 法的实时性得到了改善。
    发明内容
    本发明针对现有行为检测技术运算量大、实时性差的缺陷,首 先,通过码本背景建模和改进的粒子滤波对视频序列图像中的运动目 标进行目标检测与目标跟踪;然后设置警戒线、警戒区域,根据目标 检测与跟踪所得结果对运动目标的行为进行分析,对运动目标越过警 戒线、运动目标进入虚拟墙、运动目标加速及其人体动作异常行为进 行检测。
    本发明解决上述技术问题的技术方案是:采用改进的粒子滤波算 法结合颜色特征信息和码本背景模型,对实时的监控视频或者是视频 录像,将其转换为图像序列便于后续的检测和跟踪。具体为,首先使 用码本Codebook对视频序列进行背景建模,完成对前景目标的检测, 使用形态学方法以及阴影去除对前景进行优化,用前景检测得到的模 板对粒子滤波的初始化设定ROI,在ROI中使用前景区域的HSV颜色 直方图作为模板初始化粒子,然后进行粒子的状态转移并对粒子的权 值进行更新,接下来对粒子的状态进行预测,最后判断重采样,在更 新模板时考虑目标之间的交叉遮挡问题。设置警戒线和虚拟墙对运动 目标越线、越界、超速、行为异常进行判定。
    对视频序列图像中的运动目标进行目标检测与目标跟踪,在视频 区域中任意设定一条虚拟直线、或设定一个“虚拟墙”;判断运动目 标位置信息,实现运动目标越线、越界、超速、行为异常的判定;当 运动目标接触到虚拟直线、或“虚拟墙”边界,改变跟踪窗口颜色, 当运动目标越过虚拟直线、或“虚拟墙”边界恢复跟踪窗口颜色,对 触线的运动目标进行计数。
    以视频区域的左下角O为原点,水平方向OC为x轴,垂直方向 OA为y轴,建立直角坐标系,根据公式: (y2-y1)(x-x1)-(x2-x1)(y-y1)=0确定虚拟直线L,根据公式 LinePos = - 1 , ( y 2 - y 1 ) ( x 0 - x 1 ) - ( x 2 - x 1 ) ( y 0 - y 1 ) < 0 0 , ( y 2 - y 1 ) ( x 0 - x 1 ) - ( x 2 - x 1 ) ( y 0 - y 1 ) = 0 1 , ( y 2 - y 1 ) ( x 0 - x 1 ) - ( x 2 - x 1 ) ( y 0 - y 1 ) > 0 ]]>判断运动目标与虚 拟线L的位置关系,LinePos=-1表示目标在虚拟线左侧,LinePos=0表 示目标在虚拟线上,LinePos=1表示运动目标在虚拟线的右侧,其中, (x1,y1)、(x2,y2)分别为虚拟线端点坐标,(x0,y0)为运动目标位置坐标。
    视频区域中目标与警戒线L的位置关系判断具体为:根据公式: LineStatus = 1 , LinePos 1 &CenterDot; LinePos 2 > 0 0 , LinePos 1 &CenterDot; LinePos 2 = 0 - 1 , LinePos 1 &CenterDot; LinePos 2 < 0 ]]>判断运动目标是否穿越警戒线, 若目标未越线则目标的两次位置信息相同,LineStatus=1;若目标触线, LineStatus=0;若目标越线则目标的两次位置信息不同,LineStatus=-1, 其中,目标进入监测区域的初始位置信息为LinePos1,后续目标位置 信息为LinePos2。
    根据公式:判断运 动目标与虚拟墙的位置,当目标位于L1下面、L2左面、L3上面、L4 右面,则判定目标位于虚拟墙内,表示为AreaStatus=1;当目标点位 于任一条边上时,判定目标位于虚拟墙边界上,表示为AreaStatus=0; 其他情况表示目标位于虚拟墙外,表示为AreaStatus=-1,其中,L1、 L2、L3、L4分别表示虚拟墙的四条边界,目标与四条边的位置关系 分别表示为LP1、LP2、LP3、LP4。
    当虚拟墙为不规则多边形,当运动目标矩形标记框的至少有1个 顶点位于不规则多边形内,判断运动目标进入不规则多边形的虚拟墙, 以任一个顶点为端点,向左方做水平射线,当射线和多边形的交点个 数为奇数时,顶点在多边形内,交点个数为偶数时,顶点在多边形外。 通过当前特征值S与设定的特征值ΔS进行比较,若S超出ΔS的大小 范围,说明人发生了异常行为,则跟踪窗口颜色发生变化以示警告。 通过运动目标越线检测主要判断运动目标是否穿越警戒线,或者对越 线的目标进行计数统计。
    本发明对现有的技术码本背景建模,粒子滤波等算法进行改进, 在降低对计算机硬件要求的同时,还提高了智能监控系统对异常行为 分析的实时性,提高了软件的运行速度和效率
    附图说明
    图1视频序列图像中异常行为智能检测流程图;
    图2结合码本背景建模的改进粒子滤波算法流程图;
    图3目标越线检测示意图;
    图4虚拟墙检测示意图;
    图5正常行人特征值分布示意图;
    图6异常情况(跌倒)特征值分布示意图;
    图7异常情况(蹲下)特征值分布示意图;
    图8异常情况(伸开双臂)特征值分布。
    具体实施方式
    以下针对附图和具体实例对本发明的实施作进一步具体说明。
    如图1所示为视频序列图像中异常行为智能检测流程图。包括, 目标检测、目标跟踪、行为检测,建立智能监控系统进行异常行为检 测,包括目标检测???,目标跟踪???,行为检测???。输入视频序 列图像,码本背景建模对视频序列图像中的运动目标进行目标检测与 目标跟踪,设置虚拟线、虚拟墙对运动目标的行为进行分析。行为检 测??槎栽硕勘暝焦槟庀?、运动目标进入虚拟墙、运动目标加速 及其人体动作异常行为进行检测。
    首先使用Codebook对视频序列进行背景建模,完成对前景目标 的检测,使用形态学方法以及阴影去除对前景进行优化,用前景检测 得到的模板对粒子滤波的初始化设定ROI,在ROI中使用前景区域 的HSV颜色直方图作为模板初始化粒子,然后进行粒子的状态转移 并对粒子的权值进行更新,接下来的步骤即为对粒子的状态进行预测, 最后判断重采样,在更新模板时考虑目标之间的交叉遮挡问题,标记 跟踪对象设置警戒线(虚拟线)、警戒区域(虚拟墙)对运动目标的 行为进行为分析。
    1.运动目标检测与跟踪
    (1)码本背景建模
    码本背景模型通过对背景中的像素进行编码,对像素在时间序列 上的变化建立多个码字对该像素点进行描述,形成一个码本模型并对 该码本进行实时的更新。在检测阶段将某一像素点与构建的背景模型 中码本的码字进行匹配,匹配成功则认为该像素点为背景像素点,匹 配不成功则说明该像素点为噪声或新的码字,此时应将该像素点更新 到码本模型中。
    (2)粒子滤波
    基于蒙特卡洛方法(Monte Carlo methods)的粒子滤波 (Particle Filter)算法利用粒子集来表示概率,可用于任何形式的 状态空间模型。该算法的基本思想是在系统状态空间内生成大量的随 机采样的样本集合(称之为样本粒子),当采样粒子的数量达到一定 程度,这时蒙特卡罗方法就可以近似的描述系统的后验概率密度。
    (3)结合前景检测的改进粒子滤波
    在传统的粒子滤波中,为了能够对目标进行有效跟踪,通常的做 法是增加粒子数来对粒子的多样性进行保证,但是这样做会造成大量 无用粒子的出现,不但影响跟踪效果而且会增加算法的计算量,本发 明在对粒子滤波算法进行改进时结合了前景检测,主要是对粒子的采 样范围进行约定,减少了粒子的离散程度,使采样的粒子都具有较大 的权值,能够对运动目标做出精确地跟踪。
    改进的粒子滤波算法结合了颜色特征信息和码本背景模型,算法 的具体设计流程如图2所示,具体为:读入视频获取下一帧,对码本 前景检测并消除阴影,提取轮廓计算轮廓HSV直方图,判断目标是 否交叉,如交叉,粒子状态转移,更新粒子权重,预测目标位置,进 行重采样;如果目标未交叉,与跟踪模板对比是否相似,如相似更新 模板,否则生成新的目标模板,初始化粒子,粒子状态转移,更新粒 子权重,预测目标位置,进行重采样。
    2.目标越过警戒线
    (1)警戒线设定
    运动目标越线如图3所示,在视频区域OABC中可以任意设定一 条虚拟直线L,当目标在虚拟线的一侧运动时,如目标从p1运动到p2, 判定目标未越线;当目标从虚拟线的一侧运动到另外一侧时,如目标 从p1运动到p3,判定目标越线。
    (2)计算目标位置信息
    建立坐标系计算直线方程判断目标位置,以视频区域的左下角O 为原点,水平方向OC为x轴,垂直方向OA为y轴。建立如图3所示 的直角坐标系,设定的虚拟线端点坐标假设分别为(x1,y1)、(x2,y2), 根据公式:
    (y2-y1)(x-x1)-(x2-x1)(y-y1)=0                (3)
    确定虚拟线L。
    假设目标所在位置坐标为(x0,y0),将(x0,y0)代为(3)中的x,y求得目 标与虚拟线的位置关系,判断目标点与虚拟线L的位置关系LinePos, 根据公式(4):
    LinePos = - 1 , ( y 2 - y 1 ) ( x 0 - x 1 ) - ( x 2 - x 1 ) ( y 0 - y 1 ) < 0 0 , ( y 2 - y 1 ) ( x 0 - x 1 ) - ( x 2 - x 1 ) ( y 0 - y 1 ) = 0 1 , ( y 2 - y 1 ) ( x 0 - x 1 ) - ( x 2 - x 1 ) ( y 0 - y 1 ) > 0 - - - ( 4 ) ]]>
    判断目标点与虚拟线L的位置关系。其中,LinePos=-1表示目标 在虚拟线的左侧;LinePos=0表示目标在虚拟线上;LinePos=1表示目 标在虚拟线的右侧。
    (3)判断目标是否越线
    在目标跟踪过程中通过公式(3)对每帧中的目标与警戒线L的位 置关系进行判断,在目标进入监测区域的初始位置信息表示为 LinePos1,后续目标位置信息表示为LinePos2,若目标未越线则目标的 两次位置信息相同,表示为LineStatus=1;若目标触线,表示为 LineStatus=0;若目标越线则目标的两次位置信息不同,表示为 LineStatus=-1。即可根据公式(5)判断运动目标是否穿越警戒线:
    LineStatus = 1 , LinePos 1 &CenterDot; LinePos 2 > 0 0 , LinePos 1 &CenterDot; LinePos 2 = 0 - 1 , LinePos 1 &CenterDot; LinePos 2 < 0 - - - ( 5 ) ]]>
    当视频区域出现运动目标时,即对运动目标进行跟踪,当运动目 标触线时改变目标跟踪窗口的颜色以示警告,当运动目标越过警戒线 恢复跟踪窗口颜色,另外可以对触线的目标进行计数。该功能可以用 于交通和安防领域以及统计商场的客流量。
    3.运动目标进入虚拟墙
    目标进入虚拟墙检测主要是为了完成检测或统计区域中的运动 目标,进行区域警戒或者区域目标密度统计,用于安防领域或者是对 车辆、行人的拥堵情况进行检测,设定虚拟墙区域以及判断目标位置 信息,虚拟墙的形状分为规则的矩形区域和不规则多边形区域。
    (1)设定虚拟墙区域
    核心是判断目标与虚拟墙的位置信息。在视频画面中设定一个区 域作为为“虚拟墙”,判断在此区域中来运动目标的运动方向。连接 视频画面中的两个点,以两点之间的线段为对角线,可以得到一个矩 形,将其设定为运动目标的运动区域,如图4以规则矩形区域为例, 在检测区域OABC中设定虚拟墙DEFG,根据安全需求设置虚拟墙,连 接DF,以两点之间的线段为对角线,可以得到一个矩形,即为DEFG) 当目标出现在p1位置时,判定目标位于虚拟墙外,进行区域统计时不 计数;当目标运动到p2位置时,判定目标位于虚拟墙内部,进行区域 统计时统计该目标。
    在运动目标检测中,得到运动目标的完整轮廓,并通过对目标的 后处理,将运动目标的轮廓进行优化处理,使其更精确,为行为判断 提供精确信息。在得到精确的目标后,利用最小矩形框来对运动目标 进行标记,然后可以求得矩形框的中心点,即矩形框两条对角线的交 点。
    (2)判断运动目标位置信息
    在得到运动目标的最小外接矩形框之后,根据矩形框顶点坐标求 得矩形框的中心点。利用该点来判断运动目标是否进入“虚拟墙”。
    以四边形为例,在直角坐标系中,通过虚拟墙的四个顶点坐标, 根据公式(3)建立虚拟墙四条边L1、L2、L3、L4的直线方程,通过计 算目标点与四条边的位置关系判断目标点与虚拟墙的位置关系,目标 点与四条边的位置关系分别表示为LP1、LP2、LP3、LP4,通过公式 (6)判断目标与虚拟墙的位置关系,即当目标点位于L1下面、L2左 面、L3上面、L4右面,则判定目标位于虚拟墙内,表示为AreaStatus=1; 当目标点位于任一条边上时,判定目标位于虚拟墙边界上,表示为 AreaStatus=0;其他情况表示目标位于虚拟墙外,表示为AreaStatus=-1。

    (3)运动目标进入虚拟墙区域
    当运动目标接触到虚拟墙的边界时,即改变跟踪窗口的颜色以示 警告,直至运动目标离开虚拟墙区域。
    (4)运动目标进入不规则区域虚拟墙
    对于不规则多边形的虚拟墙,当运动目标矩形标记框的4个顶点 中至少有1个点位于不规则警戒区域内,判断运动目标进入不规则多 边形的虚拟墙,说明运动目标进入了警戒区域,即判断一个点是否在 多边形中。以下以判断一点为例作进一步具体说明,如判断点P是否 在多边形内:以P为端点,向左方做水平射线L,P点可以看作是一 个移动的点,让P点从多边形之外向多边形之内移动,当P点与多边 形第一次相交时认定为点P进入多边形,第二次相交时则认定点P离 开多边形。也可以理解为该射线与多边形的交点问题,当L和多边形 的交点个数为奇数时,点P在多边形内,为偶数时,点P在多边形外。 对于特殊情况的判断可如下规定:射线L和多边形的顶点相交,此时 交点个数只能算作1;射线L和多边形的凹顶点相交,此时的交点不 做计算;射线L和多边形的1条边重合,此时该边忽略不计。
    当运动目标接触到不规则多边形则改变跟踪窗口颜色以示警告, 直至离开。
    考虑射线L与多边形相交于顶点的情况,若该点在它相应的边上 是纵坐标比较大的点则对其计数,如果该点在其所在边上的纵坐标是 最小的则不对其计数;
    对于不规则矩形虚拟墙检测算法流程如下:
    以P为端点,作从右向左的射线L;


    3.运动目标逆向行驶和目标加速
    对于运动目标加速、逆向行驶的情况,改变标记窗口颜色以示警 告。
    首先由于考虑到运动目标在帧与帧之间的位置坐标变化极小,所 以可以每隔预定帧(如3帧)取一次运动目标的位置坐标,如依次取 得5组坐标值,利用这5组坐标值计算运动目标的速度和方向。
    (1)加速设计
    每隔3帧取一个运动目标的位置坐标值,依次取5个,每次取得 位置坐标后,依次更新系统的5组位置坐标值,并计算出运动目标当 前的速度,进而判断运动目标是否加速,如果运动目标大于加速阈值, 则表明运动目标正在加速,对其改变标记窗口颜色以示警告。
    (2)逆向行驶设计
    每隔3帧取一个运动目标的位置坐标值,依次取5个,得到位置 坐标后,依次更新系统的5组位置坐标值,并计算出运动目标当前的 方向向量,进而判断运动目标是否逆向行驶,如果运动目标的方向向 量与已设定的正方向向量的夹角>90°,则表明运动目标正在逆向行驶, 对其改变标记窗口颜色以示警告。
    4.人体动作行为异常检测
    智能视频监控系统中行人的姿势是一个非常重要的信息,对于行 人各种姿势的分析可以提供很多潜在的信息,在行为理解中,针对行 人有很多的分析方法,最基础的是行人基本姿势的分析。本发明采用 提取目标的最小外接矩形的高宽比作为区域特征分析人的姿势信息, 式(7)为特征值定义表达式,另外对人体动作规定行人的跌倒、蹲下、 伸开双臂等为异常行为。

    图5所示为正常行人特征值分布。人的正常行为都有一定的规律 可循,对视频中人的正常行为(如行走或者慢跑)特征值S进行分布 统计出现如图5所示的类似三角函数的变化规律,由于主要特征值分 布在一个特定的范围内,本发明通过设定特征值的范围来对目标的行 为进行判断,考虑到人的一个连续动作一般由数十帧组成,本发明对 连续出现若干帧的异常行为进行报警。
    同时,和运动目标加速、逆向行驶一样,由于考虑到特征值在每 帧中的变化极小,可以预定帧后取一次特征值S。
    本实施例每隔5帧取一次特征值S,然后对比预先设定的特征值 ΔS的大小范围,对人体的行为进行判断,当人体现在的特征值S超 过已设定的特征值ΔS的大小范围,则说明人发生了异常行为,从而 对其改变标记窗口颜色以示警告。(通过当前特征值S与设定的特征 值ΔS进行比较,若S超出了ΔS的大小范围,说明人发生了异常行为, 则跟踪窗口颜色发生变化以示警告)
    在视频窗口中,当有目标接触到警戒线(“虚拟墙”边界),运动 目标跟踪窗口就会由红色变为白色以示警告。在检测窗口(视频监控) 中设置系统的过滤窗口(只有当运动目标前景的最小外接矩形大于过 滤窗口才会被跟踪),可以自定义调整,过滤检测到的非目标前景。
    带有方向的运动目标越线检测。设置正方向,在视频窗口(视频 监控)中当有逆向运动的目标碰到了警戒线,目标标记窗口(运动目 标跟踪窗口)改变颜色(会由红变白)以示警告,正向运动的目标碰 到警戒线的情况标记窗口则不会改变颜色??梢钥吹郊觳獯翱谧笊辖?除了有黄色过滤窗口,还有一条红色线段即为视频播放之前自定义设 定的正方向。
    运动目标进入虚拟墙检测。当有运动目标进入虚拟墙以及接触到 虚拟墙的时候运动目标标记窗口改变颜色(由红变白)以示警告。
    运动目标加速检测。当跟踪窗口中的运动目标加速运动时,目 标标记窗口会从红色变为白色以示警告。
    人体动作异常行为检测。主要针对进入视频区域的行人,当行人 的运动情况正常时标记窗口为红色,当目标的行为发生异常时标记窗 口则变为白色以示警告。
    举例说明如下,图6-8所示的分布分别为行人的跌倒、蹲下、伸 开双臂这三种异常情况下的特征值分布,从图中可以看出人体正常行 为的特征值分布在2-5之间,而跌倒、蹲下、伸开双臂三种情况下的 特征值均位于2以下,所以本发明在设计行人异常行为检测时,将特 征值超出2-5范围之外连续5个采样点的行为视为异常行为,从图中 可以直观的看出异常行为的特征值分布均位于红线以下。
    具体为,提取目标的最小外接矩形的高宽比作为区域特征分析人 的姿势信息,如式人的正常行为特征值S分布在 一个特定的范围内,所以本发明通过设定一个特征值的范围来对通过 码本背景建模和改进粒子滤波进行检测与跟踪的运动目标的位置信 息、速度信息和跟踪状态通过警戒线和虚拟墙作为判断越线、越界、 超速、行为异常的判定。
    本发明将人体正常行走状态下跟踪窗口长宽比设定为一阈值,当 视频监控中运动人体预定连续帧(如数十帧)长宽比大于或小于这一 阈值,跟踪窗口颜色变化予以警示,则被判定为非正常行走状态,即 为跌倒、蹲下或伸开双臂等异常行为。
    为了验证本发明中设计的异常行为检测算法的正确性,本发明使 用相关视频对算法进行验证,所使用的实验视频大小为320×240像素, 帧速为25fps,改进的粒子滤波算法粒子数取100,实验平台为Intel  Core2CPU T55001.66GHz,内存1G的DELL INSPIRON 6400笔记本。
    (1)运动目标越线检测
    在视频窗口中,当有目标接触到警戒线,运动目标标记窗口就会 由红色变为白色以示警告。检测窗口中左上方的黄色矩形为系统的过 滤窗口,可以自定义调整,用来过滤检测到的非目标前景。
    (2)带有方向的运动目标越线检测
    由于设置了正方向,在视频窗口中当有逆向运动的目标碰到了警 戒线,目标标记窗口会由红变白以示警告,正向运动的目标碰到警戒 线的情况标记窗口则不会改变颜色??梢钥吹郊觳獯翱谧笊辖浅擞?黄色过滤窗口,还有一条红色线段即为视频播放之前自定义设定的正 方向。
    (3)运动目标进入虚拟墙检测
    当有运动目标进入虚拟墙以及接触到虚拟墙的时候运动目标标 记窗口会由红变白以示警告。
    (4)运动目标加速检测
    当跟踪窗口中的运动目标加速运动时,目标标记窗口会从红色变 为白色以示警告。
    (5)人体动作异常行为检测
    主要针对进入视频区域的行人,当行人的运动情况正常时标记窗 口为红色,当目标的行为发生异常时标记窗口则变为白色以示警告。
    为了对异常行为检测算法的性能进行进一步的测试,对越线检测、 带有方向的越线检测、虚拟墙检测、加速检测、人体动作异常检测的 时间复杂度,错检率、漏检率、检测成功率进行了统计,性能如表1 所示。



    表1 各异常行为检测算法性能

    通过表1中的数据可以看出本发明的错检率基本上为0,说明了 算法的正确性;检测成功率达到了一个很高的水平,充分验证了算法 的有效性,从平均帧的处理时间可以看出每项功能的平均帧处理时间 均没有超过理论值的40ms,说明算法表现出很好的实时性。
    通过比较现有算法如帧差法、混合高斯背景模型、RGB-码本背 景模型、HSV-码本背景模型的性能与实时性,HSV-码本背景模型在 检测性能和实时性两个方面的综合表现较为突出,可降低对计算机硬 件的要求。

    关于本文
    本文标题:视频序列图像中的异常行为智能检测方法.pdf
    链接地址://www.4mum.com.cn/p-5886957.html
    关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服 - 联系我们

    [email protected] 2017-2018 www.4mum.com.cn网站版权所有
    经营许可证编号:粤ICP备17046363号-1 
     


    收起
    展开
  • 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
  • 大神棋牌金花版 青鹏棋牌斗地主 三期内必开一期特四看3肖 365棋牌手机游戏官网 那些捕鱼达人能赚钱吗 北京pk10一期计划 世界飞镖大赛 组选6公式 娱网棋牌四冲下载安装 自动麻将机赚钱吗 1000炮捕鱼游戏机技巧规律 山东十一选五最大遗漏 手机农场偷菜赚钱游戏下载 江苏快三计划软件科技有限公司 内蒙古11选5开奖官网 试玩赚钱信任试客小兵