專利名稱：：基于計算機視覺的電梯轎廂內(nèi)暴力行為智能檢測裝置的制作方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及一種基于計算機視覺技術(shù)、圖像識別等技術(shù)的用于在電梯轎廂內(nèi)暴力行為智能檢測裝置。
背景技術(shù)：
：隨著城市里樓房越蓋越高，電梯的使用越來越普遍，電梯安全問題日益受到人們重視。電梯在給人類的生活帶來便捷迅速之后，也向人類的安全發(fā)出挑戰(zhàn)。由于電梯的相對封閉性，它給人類的安全也帶來了威脅。在電梯狹小的空間里，人對自身的約束也會降低到最低點。新聞媒體經(jīng)常會報道一些電梯暴力事件，受害者遭遇過電梯內(nèi)暴力事件后除了財物損失以外在心身方面也受到了很大的創(chuàng)傷，電梯暴力事件的種類可分為電梯內(nèi)的劫財、劫色和其他暴力事件。目前，提供電梯內(nèi)安全保障的傳統(tǒng)視頻監(jiān)控系統(tǒng)，對這些海量視頻數(shù)據(jù)沒有采取任何智能化的處理，因而無法對各種暴力事件進(jìn)行自動的檢測；需要在監(jiān)控室內(nèi)的保安通過觀看視頻圖像來實現(xiàn)電梯安全監(jiān)控，顯然，這種監(jiān)控方式太費人工，幾乎難以實現(xiàn)真正意義上的監(jiān)控，這是因為靠人工來看視頻圖像在20分鐘以后注意力明顯下降。在安全應(yīng)用領(lǐng)域，智能視頻監(jiān)控系統(tǒng)的目標(biāo)是能夠在各種環(huán)境下實時地識別人員以及他們的行為。因此開發(fā)基于計算機視覺的電梯內(nèi)防暴力智能檢測方法具有十分重要的意義。一種基于計算機視覺的電梯轎廂內(nèi)暴力行為智能檢測裝置必須有效監(jiān)控在電梯運行過程中各種具有不良影響的行為、犯罪行為等，并能作出針對性地反應(yīng)，猶如無時不在的一名電梯安全衛(wèi)士。當(dāng)在檢測出恐嚇、暴力行為發(fā)生時，系統(tǒng)會首先進(jìn)行語音警示，如果行為仍然持續(xù)，控制電梯停在最近的樓層，同時發(fā)出報警信號通知電梯管理人員。
發(fā)明內(nèi)容為了克服已有的電梯視頻監(jiān)控裝置需要人為視頻監(jiān)視、自動化程度不高、幾乎沒有任何智能化處理手段、可靠性差的不足,本發(fā)明提供一種智能化、實時在線、可靠性強的基于計算機視覺的電梯轎廂內(nèi)暴力行為智能檢測裝置。本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是-一種基于計算機視覺的電梯轎廂內(nèi)暴力行為智能檢測裝置，包括安裝在電梯轎廂頂部的視頻傳感器、用于傳輸視頻數(shù)據(jù)的嵌入式系統(tǒng)、用于監(jiān)控電梯轎廂內(nèi)的監(jiān)控中心計算機，所述的視頻傳感器與所述的嵌入式系統(tǒng)連接，所述的嵌入式系統(tǒng)通過無線通信方式與監(jiān)控中心計算機連接，所述的監(jiān)控中心計算機包括用于實時顯示電梯轎廂內(nèi)視頻數(shù)據(jù)的轎廂內(nèi)視頻圖像讀取模塊，所述轎廂內(nèi)視頻圖像讀取模塊連接顯示裝置，所述的監(jiān)控中心計算機為電梯所在大樓的無線局域網(wǎng)的中心，所述的視頻傳感器與監(jiān)控中心計算機進(jìn)行無線視頻數(shù)據(jù)通信，所述的監(jiān)控計算機包括用于電梯轎廂內(nèi)安全防范的微處理器，所述的微處理器還包括背景建模和人體前景對象提取模塊、人群行為特征序列提取模塊、隱馬爾可夫模型的建模模塊、暴力行為的識別模塊和報警及語音警示模塊；所述的轎廂內(nèi)視頻圖像讀取模塊，用于將電梯轎廂內(nèi)的視頻信息采集下來并傳送給監(jiān)控中心計算機，監(jiān)控中心計算機實時讀取傳送過來的視頻數(shù)據(jù)；所述的背景建模和人體前景對象提取模塊，用于對所讀取的視頻數(shù)據(jù)中提取出人體前景對象；所述的人群行為特征序列提取模塊，用于對在視頻圖像序列中所提取出的人體前景對象，并計算出該前景對象的連通區(qū)域的面積變化、前景區(qū)域質(zhì)量中心的變化以及外接矩形的長寬變化的相關(guān)數(shù)據(jù)，建立三維特征向量序列；所述的隱馬爾可夫模型的建模模塊，用于將每一個三維特征向量序列轉(zhuǎn)換為一個具體的符號，即觀察值，通過獲取大量電梯內(nèi)的正常行為的特征向量數(shù)據(jù)，然后通過K-Means算法對整個特征向量數(shù)據(jù)集進(jìn)行聚類，獲取了碼本集合。最后，通過碼本集合將所有特征向量轉(zhuǎn)為可以在HMM模型中使用的觀察值。這些觀察值組成觀察序列，通過Baum-Welch算法獲得最佳的HMM模型的參數(shù)，建立起正常行為的HMM模型；所述的暴力行為的識別模塊，用于區(qū)分正常行為還是異常行為，通過Forward-backward算法計算出觀察值序列的概率，一個觀察值序列如果它的輸出概率很高，大于預(yù)先設(shè)定的閾值則認(rèn)為它是一個正常行為序列。反之，如果一個觀察序列的輸出概率低于設(shè)定閾值，則認(rèn)為是一個異常行為序列。本發(fā)明的技術(shù)構(gòu)思為首先說明電梯內(nèi)暴力智能視頻檢測原理。在正常情況下，乘坐在電梯內(nèi)的人體一般都是處于相對靜止的狀態(tài)，雖然有時會有短暫的動作產(chǎn)生，但是其動作幅度不會很大，且不會影響到電梯內(nèi)的其他人體。而在出現(xiàn)暴力行為時，暴力行為的施加方會主動攻擊其他人體，人體之間會有緊密接觸過程，一旦出現(xiàn)暴力行為，從視頻角度來看，暴力行為的施加方和暴力行為的受害方人體之間很難分離開來。本發(fā)明通過提取人體對象在電梯內(nèi)的前景連通區(qū)域的相關(guān)特征，建立人體正常行為的隱馬爾可夫模型來檢測暴力行為。檢測具體過程如下(1)電梯內(nèi)視頻數(shù)據(jù)的獲取。監(jiān)控攝像頭安裝在電梯轎廂內(nèi)的正上方，俯視向下，以保證所拍攝的電梯轎廂內(nèi)所有人體都在攝像頭的視野中，且不會出現(xiàn)遮擋的情況；(2)建立電梯背景模型，提取電梯內(nèi)人體的前景連通區(qū)域的面積的變化、前景區(qū)域質(zhì)量中心的變化以及外接矩形的長寬變化建立三維特征向量；(3)通過把提取的特征序列，使用向量量化的方法轉(zhuǎn)為能為隱馬爾可夫建模使用的觀察值序列，建立起正常行為的隱馬爾可夫模型；(4)對于檢測出的暴力行為，進(jìn)行相關(guān)的處理。具體的訓(xùn)練檢測流程如附圖1所示。根據(jù)附圖1所示的檢測流程，本發(fā)明將從背景建模和人體前景對象提取、分割，提取人群行為特征序列，隱馬爾可夫模型的建模，暴力行為的識別等方面進(jìn)行說明；本發(fā)明中采用Codebook算法來提取前景人體對象，該算法是通過長時間地觀察視頻序列，利用量化和聚類技術(shù)來構(gòu)建背景模型。它對每個像素建立一個包含一個或多個的碼本，先根據(jù)每個像素點的亮度和顏色在連續(xù)采樣過程中的變化程度來生成碼字，所有代表像素的碼字統(tǒng)稱為碼本。最后，通過記錄的碼字來判斷像素是否屬于前景還是背景，該算法的實現(xiàn)可參考文獻(xiàn)[l]。碼本的構(gòu)建過程是首先假設(shè)7是對一個特定像素的訓(xùn)練序列，它由N個RGB向量組成，7-k，A，…，W。除此之外，令C-"，e"…，"代表相對這個像素的碼本，包括L個碼字。每個像素的碼本中，碼字的數(shù)量是不同的，取決于樣本的波動。每一個^字A，i=i..丄，都包含了一個RGB向量"(》'，5'J')以及一個6元組auxi-《"'二^A'&〉。為了解決光照變化的問題，比如陰影和強光，還使用了一個特殊的顏色模型把顏色信息和亮度信息分開。附圖3表示的顏色模型能夠把顏色變化和亮度變化分開評估；通過上述處理后得到的二值視頻圖像會存在著噪聲點，仍需要進(jìn)一步進(jìn)行形態(tài)學(xué)去噪處理，最常見的解決方法是使用一種基于距離標(biāo)準(zhǔn)的方法，即膨脹-腐蝕算子，把相互接近的前景塊或者目標(biāo)連為一體；本發(fā)明中，通過腐蝕操作來濾掉孤立點，而空洞則由膨脹操作去除，該算法的實現(xiàn)可參考文獻(xiàn)[2]以及參考文獻(xiàn)[3]。在本發(fā)明中是針對人群行為檢測，當(dāng)檢測到轎廂內(nèi)不足兩人時，系統(tǒng)自動轉(zhuǎn)到所述的轎廂內(nèi)視頻圖像讀取模塊，不進(jìn)行后續(xù)的計算；關(guān)于轎廂內(nèi)人數(shù)檢測，需要根據(jù)實際情況進(jìn)行標(biāo)定實驗得到判定閾值，本發(fā)明中對視頻圖像中單人出現(xiàn)的圖像幀作了實驗統(tǒng)計和分析，在本實驗環(huán)境下單人前景區(qū)域所占的像素數(shù)量平均值為5991，因此將該值作為判定標(biāo)準(zhǔn)，即Np=5991;Ni，1=1...11為所有單人圖像幀前景像素數(shù)量，實驗結(jié)果表明，當(dāng)0.8Np^Ni^l.6Np時，判定為單人的情況；當(dāng)Ni〉1.6Np時,判定為單人以上。所述的人群行為特征序列提取模塊，用于對在視頻圖像序列中所提取出的人體前景對象，并計算出該前景對象的連通區(qū)域的面積變化、前景區(qū)域質(zhì)量中心的變化以及外接矩形的長寬變化的相關(guān)數(shù)據(jù)，建立三維特征向量序列；當(dāng)檢測到轎廂內(nèi)兩人或者兩人以上情況時，在所述的背景建模和人體前景對象提取模塊計算中提取了人體前景的時序二值圖，這些數(shù)據(jù)經(jīng)過處理后得到了特征向量序列，能夠用于建立隱馬爾可夫模型的建?；蛘咄ㄟ^隱馬爾可夫模型的行為檢測。這里的特征向量包括由人群前景面積的變化、人群前景外接矩形的長寬變化、人群前景的重心變化組成為三維特征向量數(shù)據(jù)；1)人群前景面積的變化AC人群前景面積的變化AC的計算方法由公式(1)給出，該值的大小表示前景像素數(shù)量的變化量的大小，能反映人體運動激烈的程度；<formula>formulaseeoriginaldocumentpage10</formula>式中Ap為前一幀圖像所獲取的前景人體對象的面積，An為當(dāng)前幀圖像所獲取的前景人體對象的面積。2)人群前景外接矩形的長寬變化WHC人群前景外接矩形的長寬變化WHC由公式(2)給出，該值的大小表示人群前景外接矩形的長寬變化量的大小，能反映暴力行為發(fā)生時人體姿態(tài)變化的程度；(2),C=max『式中Hp、Wp分別為前一圖像幀前景人體對象的外接矩形的長與寬，Hn、Wn為當(dāng)前圖像幀的前景人體對象的外接矩形的長與寬。3)人群前景的重心變化CC人群前景的重心變化CC由公式(3)給出，該值的大小表示人群前景的重心變化量的大小，能反映暴力行為發(fā)生時人體移動變化的程度；cc=|cp-c"||(3)式中Cp為前一圖像幀前景人體對象的的重心位置，Cn為當(dāng)前圖像幀的前景人體對象的重心位置。所述的隱馬爾可夫模型的建模模塊，用于將每一個三維特征向量序列轉(zhuǎn)換為一個具體的符號，即觀察值，通過獲取大量電梯內(nèi)的正常行為的特征向量數(shù)據(jù)，然后通過K-Means算法對整個特征向量數(shù)據(jù)集進(jìn)行聚類，獲取了碼本集合。最后，通過碼本集合將所有特征向量轉(zhuǎn)為可以在HMM模型中使用的觀察值。這些觀察值組成觀察序列，通過Baum-Welch算法獲得最佳的HMM模型的參數(shù)，建立起正常行為的HMM模型；由于后續(xù)處理的隱馬爾可夫模型需要一個具體的符號特征來表示特征向量，因此需要將每一個特征向量轉(zhuǎn)換為一個具體的符號也即是觀察值。這時可以通過使用向量量化或者聚類的方法來實現(xiàn)；實際上做法是通過一些方法將特征向量訓(xùn)練數(shù)據(jù)分割成K個類別，使這K個類別的相似度最低，將這K個類別的中心點組成碼本集合。一旦訓(xùn)練完成，獲得了碼本集合，就可以將任意的特征向量轉(zhuǎn)為與它距離最近的在碼本集合中的碼本的索引值，這個索引值作為是觀察值。目前常用的算法有LBG向量量化算法[4]以及K-Means聚類算法[5]，本發(fā)明中采用的是K-Means聚類算法；K-Means聚類算法接受輸入量k;然后將n個數(shù)據(jù)對象劃分為k個聚類以便使得所獲得的聚類滿足，同一聚類中的對象相似度較高，而不同聚類中的對象相似度較小。聚類相似度是利用各聚類中對象的均值所獲得一個"中心對象"，即引力中心來進(jìn)行計算的；該算法的大致流程如下(1)從n個數(shù)據(jù)對象任意選擇k個對象作為初始聚類中心；(2)循環(huán)(3)到(4)直到每個聚類不再發(fā)生變化為止；(3)根據(jù)每個聚類對象的均值(中心對象)，計算每個對象與這些中心對象的距離，并根據(jù)最小距離重新對相應(yīng)對象進(jìn)行劃分；(4)重新計算每個(有變化)聚類的均值(中心對象)。隱馬爾可夫模型，以下用HMM表示，它是一種用參數(shù)表示的、用于描述隨機過程統(tǒng)計特性的概率模型。一個典型的隱馬爾可夫模型如附圖4所示；HMM可以記為義-^^，"，力，勻，HMM模型具體可以由下列參數(shù)描述(1)N:模型中的狀態(tài)數(shù)目。記N個狀態(tài)S，…，Sw。(2)M:每個狀態(tài)對應(yīng)的可能的觀察值數(shù)目。記M個觀察值為G，…，。M。(3)冗初始^態(tài)概率矢量，"二(a，…，"w)其中，丌,=尸(仏=5,),1^/^^，并且滿足52G，'=1，它用于描述初始時觀察序列在^=1時屬于不同的狀態(tài)的概率。(4)a為狀態(tài)轉(zhuǎn)移概率矩陣，^=("y)wxw。其中a為狀態(tài)轉(zhuǎn)移概率矩陣，h("")歸。其中，"廣+w^k,^,),l"〃iV，并且，§""=1，它用于描述從在時間t的狀態(tài)i變換為時間t+l的狀態(tài)j的概率分布。(5)B為觀察值概率矩陣，萬=^'1^其中，^O-z^-qia-ShMqiS)1^、AM^《M，并且§"')—1。它用于描述在時間t狀態(tài)&的情況下產(chǎn)生觀察值為Q的概率。通過HMM實現(xiàn)電梯內(nèi)的暴力行為檢測必須要解決三個基本的問題。(a)計算問題。對于給定的觀察值序列^^q…A以及一個特定的HMM模型參數(shù)^(W，風(fēng)工」，均，如何計算這個特定的HMM模型產(chǎn)生特征序列o的概率。這個問題很重要，可以通過Forward-backward[6]算法解決。(b)識別問題。對于給定觀察值序列G-"^…6^，如何選擇最佳的狀態(tài)序列S以便最好的解釋這個序列。這可以通過Viberti-Decoding[6]算法解決。(c)訓(xùn)練問題，如何調(diào)整模型參數(shù)^來使"(0|^概率最大。這可以通Baum-Welch算法[6]解決。關(guān)于Forward-backward算法、Viberti-Decoding算法以及Baum-Welch算法的實現(xiàn)可參考文獻(xiàn)[6];在解決了上述三個問題之后就能夠通過HMM建模來對暴力行為進(jìn)行檢測；出于對正常行為數(shù)據(jù)獲取相對簡單、容易，而暴力等異常行為具有無窮列舉性的考慮，本發(fā)明通過對電梯內(nèi)的正常行為進(jìn)行HMM建模來對暴力行為進(jìn)行檢測，選用的是從左到右兩狀態(tài)轉(zhuǎn)移HMM，如附圖4所示；HMM模型的使用，需要經(jīng)過訓(xùn)練與檢測兩個階段。在訓(xùn)練階段即建立HMM模型階段。首先，獲取大量電梯內(nèi)的正常行為的特征向量數(shù)據(jù)，然后通過K-Means算法對整個特征向量數(shù)據(jù)集進(jìn)行聚類，獲取了碼本集合。最后，通過碼本集合將所有特征向量轉(zhuǎn)為可以在HMM模型中使用的觀察值。這些觀察值組成觀察序列，通過Baum-Welch算法獲得最佳的HMM模型的參數(shù)，從而建立起正常行為的HMM模型。具體的建模過程如附圖5所示；所述的暴力行為的識別模塊，用于區(qū)分正常行為還是異常行為，通過Forward-backward算法計算出觀察值序列的概率，一個觀察值序列如果它的輸出概率很高，大于預(yù)先設(shè)定的閾值則認(rèn)為它是一個正常行為序列。反之，如果一個觀察序列的輸出概率低于設(shè)定閾值，則認(rèn)為是一個異常行為序列；在識別階段，對輸入的特征向量序列，通過在訓(xùn)練階段得到的碼本集轉(zhuǎn)換為觀察值序列。通過Forward-backward算法計算出觀察值序列的概率，一個觀察值序列如果它的輸出概率很高，大于預(yù)先設(shè)定的閾值則認(rèn)為它是一個正常行為序列。反之，如果一個觀察序列的輸出概率低于設(shè)定閾值，則認(rèn)為是一個異常行為序列。具體檢測識別過程如附圖6所示；如附圖6所示，觀測序列的概率由此模型計算得到，識別行為的過程就是通過判斷輸出概率值是否小于一個最小閾值，如果是小于一個最小閾值就把此行為序列歸類為異常行為；所述的最小閾值一般可以通過正常序列的訓(xùn)練學(xué)習(xí)得到，通常通過觀察在訓(xùn)練階段所輸出的概率值，最小閾值的設(shè)定方法是將定在多組正常序列所輸出的概率值中的最小值再減去一個多組正常序列所輸出的概率值范圍S的5%;所述的報警及語音警示模塊，用于對異常行為序列進(jìn)行語音警示，系統(tǒng)根據(jù)異常行為序列的輸出概率與所設(shè)定閾值的偏離程度發(fā)出不同程度的警示語，當(dāng)達(dá)到所設(shè)定的報警閾值時，系統(tǒng)能自動通知管理人員及時進(jìn)行干預(yù)和處理并自動將電梯停止在最近的樓層；進(jìn)一步，這里首先需要計算異常行為的異常度，本發(fā)明中將所輸出的概率值偏離最小閾值越大認(rèn)為異常度越高，將各種電梯內(nèi)的異常行為過程分別判定為"確認(rèn)暴力"、"嚴(yán)重異常"、"異常"、"有暴力傾向"、"需要注意"等5中不同的結(jié)果，判定方法以及相應(yīng)措施如表1所示；<table>tableseeoriginaldocumentpage14</column></row><table>表1異常度判定表注表i中的s表示多組正常序列所輸出的概率值范圍。圖l為基于計算機視覺的電梯轎廂內(nèi)暴力行為智能檢測裝置中行為檢測流程圖2為轎廂內(nèi)視頻圖像采用嵌入式軟硬件以及無線收發(fā)模塊進(jìn)行全數(shù)字無線視音頻通信系統(tǒng)拓?fù)鋱D3為能夠把顏色變化和亮度變化分開評估的顏色模型圖；圖4為一種典型的隱馬爾可夫模型圖；圖5為隱馬爾可夫模型建立過程流程圖；圖6為采用隱馬爾可夫模型來識別行為的流程圖7為基于計算機視覺的電梯轎廂內(nèi)暴力行為智能檢測裝置的組成模塊及處理流程圖8為基于隱馬爾可夫模型判定正常行為和異常行為的結(jié)果圖。具體實施例方式下面結(jié)合附圖對本發(fā)明作進(jìn)一步描述。實施例1參照圖1圖8，一種基于計算機視覺的電梯轎廂內(nèi)暴力行為智能檢測裝置，包括安裝在電梯轎廂頂部的視頻傳感器、用于傳輸視頻數(shù)據(jù)的嵌入式系統(tǒng)、用于監(jiān)控電梯轎廂內(nèi)的監(jiān)控中心計算機，所述的視頻傳感器通過USB接口與所述的嵌入式系統(tǒng)進(jìn)行連接，所述的嵌入式系統(tǒng)通過無線通信方式與監(jiān)控中心計算機連接，所述的監(jiān)控中心計算機包括用于實時顯示電梯轎廂內(nèi)視頻數(shù)據(jù)的轎廂內(nèi)視頻圖像讀取模塊，所述轎廂內(nèi)視頻圖像讀取模塊連接顯示裝置，所述的監(jiān)控中心計算機為電梯所在大樓的無線局域網(wǎng)的中心，所述的視頻傳感器與監(jiān)控中心計算機進(jìn)行無線視頻數(shù)據(jù)通信，所述的監(jiān)控計算機包括用于電梯轎廂內(nèi)安全防范的微處理器，所述的微處理器還包括背景建模和人體前景對象提取模塊、人群行為特征序列提取模塊、隱馬爾可夫模型的建模模塊、暴力行為的識別模塊和報警及語音警示模塊，如附圖7所示；所述的嵌入式系統(tǒng)，用于采集轎廂內(nèi)用于采集、傳輸視頻信息的嵌入式系統(tǒng)與無線收發(fā)模塊的配合，選擇嵌入式Linux系統(tǒng)，主要達(dá)到集傳感、通信、移動為一體的目的，具體選擇三星S3C2410X為嵌入式微處理器，結(jié)合無線局域網(wǎng)技術(shù)。嵌入式系統(tǒng)中包括了軟件與硬件技術(shù)，其中嵌入式Lirmx軟件是核心技術(shù)，它能實現(xiàn)視音頻服務(wù)器的功能。所述的嵌入式微處理器S3C2410X是一款基于ARM920T內(nèi)核的16/32位RISC嵌入式微處理器，該處理器是為手持設(shè)備以及高性價比、低功耗微控制器而設(shè)計的。它采用了一禾中口q做AMBA(AdvancedMicrocontrollerBusArchitecture)的新總線架構(gòu)。S3C2410X內(nèi)部的主要資源有內(nèi)存管理單元麗U、系統(tǒng)管理器、各為16KB的指令和數(shù)據(jù)緩存、LCD控制器(STN&TFT)、NANDFLASHBootLoader、3通道UART、4通道DMA、4個PWM時鐘、1個內(nèi)部時鐘、8通道10為ADC、觸摸屏接口、多媒體卡接口、12C和I2S總線接口、2個USB主機接口、1個USB設(shè)備接口、SD主接口、2SPI接口、PLL時鐘發(fā)生器以及通用1/0端口等，如附圖2所示；所述的嵌入式微處理器S3C2410X內(nèi)部包含一個叫MMU的內(nèi)存管理單元，可以實現(xiàn)虛擬存儲空間到物理存儲空間的映射。通常嵌入式系統(tǒng)的程序存放在R0M/FLASH中，系統(tǒng)斷電后程序能夠得到保存，但ROM/FLASH與SDRAM相比，速度要慢的多，而且嵌入式系統(tǒng)中通常把異常中斷向量表存放在RAM中，利用內(nèi)存映射機構(gòu)可以解決這種需要。所述的R0M/FLASH采用三星公司64MB的K9S1208VOM。它可進(jìn)行10萬次的編程/擦除，數(shù)據(jù)保存長達(dá)10年，被用來裝載操作系統(tǒng)鏡像和大容量的數(shù)據(jù)。所述的SDRAM是采用三星公司的K4S561632C，用來運行操作系統(tǒng)和存儲程序運行過程中所需要的數(shù)據(jù)，它是4M*16bit*4bank的同步DRAM，容量為32MB。用兩片K4S561632C實現(xiàn)位擴(kuò)展，使數(shù)據(jù)總線寬度為32bit。所述的嵌入式軟件系統(tǒng)主要包括操作系統(tǒng)、TCP/IP協(xié)議的移植、驅(qū)動程序的安裝以及用戶應(yīng)用程序的編寫等。本發(fā)明中采用了Lirmx作為嵌入式操作系統(tǒng)，Limix是從UNIX發(fā)展而來，繼承了UNIX大多數(shù)的優(yōu)點，Linux公開的內(nèi)核源代碼使得它成為目前最流行的操作系統(tǒng)，并且Linux可以從應(yīng)用出發(fā)裁剪其硬件軟件，這對面向基于圖像識別技術(shù)的電梯內(nèi)防暴力裝置這種特殊需要來說十分必要，這里我們將其稱為定制操作系統(tǒng)，定制步驟如下(1)編寫板基支持包BSP;(2)裁剪和配置操作系統(tǒng)的各個部件，并修改相應(yīng)的配置文件；(3)編譯Kernel、組件和BSP，生成操作系統(tǒng)鏡像文件；(4)將鏡像文件下載到目標(biāo)板上，進(jìn)行調(diào)試。進(jìn)一步，電梯內(nèi)視音頻監(jiān)控信息是要通過TCP/IP協(xié)議經(jīng)無線局域網(wǎng)以數(shù)據(jù)打包、發(fā)送的方式來進(jìn)行傳輸?shù)?，因此要在操作系統(tǒng)支持下實現(xiàn)TCP/IP協(xié)議，就需要進(jìn)行任務(wù)劃分，可以將TCP/IP的實現(xiàn)劃分為4個任務(wù)來實現(xiàn)①IP任務(wù)，主要用來解決IP分片的重組；②TCP輸入任務(wù)，主要用來處理接收到的TCP報文段；③TCP輸出任務(wù)，主要用來將要輸出的數(shù)據(jù)打包、發(fā)送；④TCP定時器任務(wù)，主要用來為各種時延事件(如重發(fā)事件)提供時鐘。更進(jìn)一步，基于圖像、語音識別技術(shù)的電梯內(nèi)防暴力裝置中需要有兩個USB接口，其中一個USB接口是將監(jiān)控攝像頭與S3C2410X進(jìn)行連接，另一個USB接口是將無線網(wǎng)卡與S3C2410X進(jìn)行連接，由于S3C2410X自帶USB主從接口，不需要專門的USB芯片支持，只要對其安裝驅(qū)動程序即可進(jìn)行USB傳輸數(shù)據(jù)。在S3C2410X上配置有語音接口，將麥克風(fēng)直接與語音接口連接就能完成語音信息的采集功能。所述的USB驅(qū)動程序包含如下幾個部分(l)創(chuàng)建設(shè)備，創(chuàng)建設(shè)備函數(shù)帶兩個參數(shù)調(diào)用，一個參數(shù)是指向驅(qū)動程序?qū)ο蟮闹羔槪硪粋€參數(shù)是指向物理設(shè)備對象的指針；(2)關(guān)閉設(shè)備；(3)讀取設(shè)備數(shù)據(jù)，當(dāng)客戶應(yīng)用程序有讀取設(shè)備數(shù)據(jù)的要求時，系統(tǒng)將此要求以IRP—MJ—READ的IRP形式傳遞給功能驅(qū)動程序，由設(shè)備的D12Meter一Read程序執(zhí)行，然后再由D12Meter—Read指定USB總線驅(qū)動程序直接與設(shè)備實現(xiàn)信息交互；(4)對設(shè)備寫入數(shù)據(jù)，當(dāng)客戶應(yīng)用程序有寫設(shè)備數(shù)據(jù)的要求時，系統(tǒng)將此要求以IRP_MJ—WRITE的IRP形式傳遞給功能驅(qū)動程序，并由D12Meter—Write執(zhí)行，然后再由D12Meter一Write指定USB總線驅(qū)動程序直接與設(shè)備實現(xiàn)信息交互。USB驅(qū)動程序通過安裝文件(.inf文件)中PID(產(chǎn)品識別號)和VID(廠商識別號)識別USB設(shè)備。當(dāng)嵌入式操作系統(tǒng)裝載完成后，就可以安裝無線網(wǎng)卡的驅(qū)動程序和其他相應(yīng)的應(yīng)用程序。將無線網(wǎng)卡的驅(qū)動程序作為一個模塊打包到操作系統(tǒng)中，可避免系統(tǒng)掉電后每次都要重裝無線網(wǎng)卡驅(qū)動程序。所述的轎廂內(nèi)視頻圖像讀取模塊，用于將電梯轎廂內(nèi)的視頻信息采集下來并傳送給監(jiān)控中心計算機，監(jiān)控中心計算機實時讀取傳送過來的視頻數(shù)據(jù)；所述的背景建模和人體前景對象提取模塊，用于對所讀取的視頻數(shù)據(jù)中提取出人體前景對象；本發(fā)明中采用Codebook算法來提取前景人體對象，該算法是通過長時間地觀察視頻序列，利用量化和聚類技術(shù)來構(gòu)建背景模型。它對每個像素建立一個包含一個或多個的碼本，先根據(jù)每個像素點的亮度和顏色在連續(xù)采樣過程中的變化程度來生成碼字，所有代表像素的碼字統(tǒng)稱為碼本。最后，通過記錄的碼字來判斷像素是否屬于前景還是背景，該算法的實現(xiàn)可參考文獻(xiàn)[l];碼本的構(gòu)建過程是首先假設(shè)《是對一個特定像素的訓(xùn)練序列，它由N個RGB向量組成，7="，^'"~}。除此之外，令C-"'…，"代表相對這個像素的碼本，包括L個碼字。每個像素的碼本中，碼字的數(shù)量是不同的，取決于樣本的波動。每一個^字、i=l..丄，都包含了一個RGB向量v'以及一個6元組auxi=〈"'K"'^。為了解決光照變化的問題，比如陰影和強光，還使用了一個特殊的顏色模型把顏色信息和亮度信息分開。附圖3表示的顏色模型能夠把顏色變化和亮度變化分開評估；通過上述處理后得到的二值視頻圖像會存在著噪聲點，仍需要進(jìn)一步進(jìn)行形態(tài)學(xué)去噪處理，最常見的解決方法是使用一種基于距離標(biāo)準(zhǔn)的方法，即膨脹-腐蝕算子，把相互接近的前景塊或者目標(biāo)連為一體；本發(fā)明中，通過腐蝕操作來濾掉孤立點，而空洞則由膨脹操作去除，該算法的實現(xiàn)可參考文獻(xiàn)[2]、[3〗；在本發(fā)明中是針對人群行為檢測，當(dāng)檢測到轎廂內(nèi)不足兩人時，系統(tǒng)自動轉(zhuǎn)到所述的轎廂內(nèi)視頻圖像讀取模塊，不進(jìn)行后續(xù)的計算；所述的人群行為特征序列提取模塊，用于對在視頻圖像序列中所提取出的人體前景對象，并計算出該前景對象的連通區(qū)域的面積變化、前景區(qū)域質(zhì)量中心的變化以及外接矩形的長寬變化的相關(guān)數(shù)據(jù)，建立三維特征向量序列；當(dāng)檢測到轎廂內(nèi)兩人或者兩人以上情況時，在所述的背景建模和人體前景對象提取模塊計算中提取了人體前景的時序二值圖，這些數(shù)據(jù)經(jīng)過處理后得到了特征向量序列，能夠用于建立隱馬爾可夫模型的建模或者通過隱馬爾可夫模型的行為檢測。這里的特征向量包括由人群前景面積的變化、人群前景外接矩形的長寬變化、人群前景的重心變化組成為三維特征向量數(shù)據(jù)；1)人群前景面積的變化AC人群前景面積的變化AC的計算方法由公式(1)給出，該值的大小表示前景像素數(shù)量的變化量的大小，能反映人體運動激烈的程度；1|<formula>formulaseeoriginaldocumentpage19</formula>4(1)式中Ap為前一幀圖像所獲取的前景人體對象的面積，An為當(dāng)前幀圖像所獲取的前景人體對象的面積。2)人群前景外接矩形的長寬變化WHC人群前景外接矩形的長寬變化WHC由公式(2)給出，該值的大小表示人群前景外接矩形的長寬變化量的大小，能反映暴力行為發(fā)生時人體姿態(tài)變化的程度；(2)<formula>formulaseeoriginaldocumentpage19</formula>式中Hp、Wp分別為前一圖像幀前景人體對象的外接矩形的長與寬，Hn、Wn為當(dāng)前圖像幀的前景人體對象的外接矩形的長與寬。3)人群前景的重心變化CC人群前景的重心變化CC由公式(3)給出，該值的大小表示人群前景的重心變化量的大小，能反映暴力行為發(fā)生時人體移動變化的程度；<formula>formulaseeoriginaldocumentpage19</formula>(3)式中Cp為前一圖像幀前景人體對象的的重心位置，Cn為當(dāng)前圖像幀的前景人體對象的重心位置。所述的隱馬爾可夫模型的建模模塊，用于將每一個三維特征向量序列轉(zhuǎn)換為一個具體的符號，即觀察值，通過獲取大量電梯內(nèi)的正常行為的特征向量數(shù)據(jù)，然后通過K-Means算法對整個特征向量數(shù)據(jù)集進(jìn)行聚類，獲取了碼本集合。最后，通過碼本集合將所有特征向量轉(zhuǎn)為可以在HMM模型中使用的觀察值。這些觀察值組成觀察序列，通過Baum-Welch算法獲得最佳的HMM模型的參數(shù)，建立起正常行為的HMM模型；由于后續(xù)處理的隱馬爾可夫模型需要一個具體的符號特征來表示特征向量，因此需要將每一個特征向量轉(zhuǎn)換為一個具體的符號也即是觀察值。這時可以通過使用向量量化或者聚類的方法來實現(xiàn)；實際上做法是通過一些方法將特征向量訓(xùn)練數(shù)據(jù)分割成K個類別，使這K個類別的相似度最低，將這K個類別的中心點組成碼本集合。一旦訓(xùn)練完成，獲得了碼本集合，就可以將任意的特征向量轉(zhuǎn)為與它距離最近的在碼本集合中的碼本的索引值，這個索引值作為是觀察值。目前常用的算法有LBG向量量化算法，參照參考文獻(xiàn)[4]和參照參考文獻(xiàn)[5];本發(fā)明中采用的是K-Means聚類算法；K-Means聚類算法接受輸入量k;然后將n個數(shù)據(jù)對象劃分為k個聚類以便使得所獲得的聚類滿足，同一聚類中的對象相似度較高，而不同聚類中的對象相似度較小。聚類相似度是利用各聚類中對象的均值所獲得一個"中心對象"，即引力中心來進(jìn)行計算的；該算法的大致流程如下(1)從n個數(shù)據(jù)對象任意選擇k個對象作為初始聚類中心；(2)循環(huán)(3)到(4)直到每個聚類不再發(fā)生變化為止；(3)根據(jù)每個聚類對象的均值(中心對象)，計算每個對象與這些中心對象的距離，并根據(jù)最小距離重新對相應(yīng)對象進(jìn)行劃分；(4)重新計算每個(有變化)聚類的均值(中心對象)。隱馬爾可夫模型，以下用HMM表示，它是一種用參數(shù)表示的、用于描述隨機過程統(tǒng)計特性的概率模型。一個典型的隱馬爾可夫模型如附圖4所示；HMM可以記為A"^M，"^，5)，HMM模型具體可以由下列參數(shù)描述(1)N:模型中的狀態(tài)數(shù)目。記N個狀態(tài)《"'"^。(2)M:每個狀態(tài)對應(yīng)的可能的觀察值數(shù)目。記M個觀察值為C，…，6^。(3)冗初始^態(tài)概率矢量<formula>formulaseeoriginaldocumentpage20</formula>其中，；<formula>formulaseeoriginaldocumentpage20</formula>，并且滿足"'^G，'=i，它用于描述初始時觀察序列在^=1時屬于不同的狀態(tài)的概率。(4)A為狀態(tài)轉(zhuǎn)移概率矩陣，J=()wxw。其中A為狀態(tài)轉(zhuǎn)移概率矩陣，-,廿山化=p(^+1=S,|《=S),l^Z',y《W#。;—1V"WxW。其中'W,、3,+l〃，〃，并且，戶,，它用于描述從在時間t的狀態(tài)i變換為時間t+1的狀態(tài)j的概率分布。(5)B為觀察值概率矩陣，5=^')腿其中，W0"(O,=qk=5)^(q^1AMS"M，并且§~(')—1。它用于描述在時間t狀態(tài)A的情況下產(chǎn)生觀察值為Q的概率。通過HMM實現(xiàn)電梯內(nèi)的暴力行為檢測必須要解決三個基本的問題。(a)計算問題。對于給定的觀察值序列^qq…^以及一個特定的HMM模型參數(shù)^(M^^^，均，如何計算這個特定的HMM模型產(chǎn)生特征序列o的概率。這個問題很重要，可以通過Forward-backward[6]算法解決，參考文獻(xiàn)[6]:。(b)識別問題。對于給定觀察值序列G-"A…A，如何選擇最佳的狀態(tài)序列S以便最好的解釋這個序列。這可以通過Viberti-Decoding[6]算法解決。(c)訓(xùn)練問題，如何調(diào)整模型參數(shù)2來使^(^^)概率最大。這可以通Baum-Welch算法[6]解決。關(guān)于Forward-backward算法、Viberti-Decoding算法以及Baum-Welch算法的實現(xiàn)可參考文獻(xiàn)[6];在解決了上述三個問題之后就能夠通過HMM建模來對暴力行為進(jìn)行檢測；進(jìn)一步，出于對正常行為數(shù)據(jù)獲取相對簡單、容易，而暴力等異常行為具有無窮列舉性的考慮，本發(fā)明通過對電梯內(nèi)的正常行為進(jìn)行HMM建模來對暴力行為進(jìn)行檢測，選用的是從左到右兩狀態(tài)轉(zhuǎn)移HMM，如附圖4所示；HMM模型的使用，需要經(jīng)過訓(xùn)練與檢測兩個階段。在訓(xùn)練階段即建立HMM模型階段。首先，獲取大量電梯內(nèi)的正常行為的特征向量數(shù)據(jù)，然后通過K-Means算法對整個特征向量數(shù)據(jù)集進(jìn)行聚類，獲取了碼本集合。最后，通過碼本集合將所有特征向量轉(zhuǎn)為可以在HMM模型中使用的觀察值。這些觀察值組成觀察序列，通過Baum-Wdch算法獲得最佳的HMM模型的參數(shù)，從而建立起正常行為的HMM模型。具體的建模過程如附圖5所示；所述的暴力行為的識別模塊，用于區(qū)分正常行為還是異常行為，通過Forward-backward算法計算出觀察值序列的概率，一個觀察值序列如果它的輸出概率很高，大于預(yù)先設(shè)定的閾值則認(rèn)為它是一個正常行為序列。反之，如果一個觀察序列的輸出概率低于設(shè)定閾值，則認(rèn)為是一個異常行為序列；具體檢測識別過程如附圖6所示；如附圖6所示，觀測序列的概率由此模型計算得到，識別行為的過程就是通過判斷輸出概率值是否小于一個最小閾值，如果是小于一個最小閾值就把此行為序列歸類為異常行為；所述的最小閾值一般可以通過正常序列的訓(xùn)練學(xué)習(xí)得到，通常通過觀察在訓(xùn)練階段所輸出的概率值，最小閾值的設(shè)定方法是將定在多組正常序列所輸出的概率值中的最小值再減去一個多組正常序列所輸出的概率值范圍S的5%;附圖8顯示了訓(xùn)練和檢測結(jié)果，從圖中可以看出采用本發(fā)明中所提出的識別方法是很容易的通過設(shè)置閾值來區(qū)分正常和異常行為。圖中加注*點表示異常行為，而加注，點表示正常行為，從圖中可以看出在-49~-50范圍內(nèi)是可以選擇作為閾值選擇區(qū)域的。所述的報警及語音警示模塊，用于對異常行為序列進(jìn)行語音警示，系統(tǒng)根據(jù)異常行為序列的輸出概率與所設(shè)定閾值的偏離程度計算出異常度，然后根據(jù)異常度發(fā)出不同程度的警示語，當(dāng)達(dá)到所設(shè)定的報警閾值時，系統(tǒng)能自動通知管理人員及時進(jìn)行干預(yù)和處理并自動將電梯停止在最近的樓層；進(jìn)一步，這里首先需要計算異常行為的異常度，本發(fā)明中將所輸出的概率值偏離最小閾值越大認(rèn)為異常度越高，將各種電梯內(nèi)的異常行為過程分別判定為"確認(rèn)暴力"、"嚴(yán)重異常"、"異常"、"有暴力傾向"、"需要注意"等5中不同的結(jié)果；判定方法以及相應(yīng)措施如表1所示；<table>tableseeoriginaldocumentpage22</column></row><table><table>tableseeoriginaldocumentpage23</column></row><table>表1異常度判定表表i中的s表示多組正常序列所輸出的概率值范圍。本發(fā)明采用的IEEE802.11b無線通信作為基于計算機視覺的電梯轎廂內(nèi)暴力行為智能檢測裝置的嵌入式系統(tǒng)與監(jiān)控中心計算機之間通信技術(shù)。所述的嵌入式系統(tǒng)是嵌入式Linux系統(tǒng)，所述的監(jiān)控中心計算機所使用的是PC機或者是服務(wù)器，本發(fā)明中的用戶程序模塊是由C和Java語言實現(xiàn)的。實施例2參照圖1一圖8，其余與實施方案l相同，不同的是無線視頻傳輸方面，該實施方案中采用了視頻信息的視頻采集芯片、用于進(jìn)行小波視頻壓縮的視頻壓縮芯片、用于實時計算每一場圖像的量化參數(shù)以及完成一些重要算法的DSP芯片，用于對視頻采集芯片和DSP芯片進(jìn)行邏輯控制的高復(fù)雜度可編程邏輯器件(CPLD)、用于無線通信的通信串口，采集的數(shù)字視頻經(jīng)視頻壓縮芯片壓縮后，由DSP對進(jìn)行打包，然后由無線收發(fā)模塊發(fā)送壓縮的視頻數(shù)據(jù)，無線收發(fā)模塊符合IEEE802.lib的通信標(biāo)準(zhǔn)。上述的實施例1和2所產(chǎn)生的發(fā)明效果是充分利用了日益成熟的無線視頻通信計算、嵌入式系統(tǒng)、計算機視覺與行為識別等技術(shù)，通過對轎廂內(nèi)的各種行為計算，能將各種異常行為分別判定為"確認(rèn)暴力"、"嚴(yán)重異常"、"異常"、"有暴力傾向"、"需要注意"等5種不同的結(jié)果。實現(xiàn)了電梯的遠(yuǎn)程智能化防暴力監(jiān)控，在發(fā)生竊財、竊色等電梯暴力事件發(fā)生時能在第一時間通知有關(guān)人員采取救援措施；降低了電梯內(nèi)的犯罪率，提高電梯利用者的安全感，對預(yù)防電梯內(nèi)的犯罪有積極的作用；對一些行為不軌者、企圖搶劫者有震懾作用以外，對一些弱者也有較大的心理安慰作用，特別能起到有一個安全保護(hù)心理作用。本說明書中參考文獻(xiàn)為[l]:KyungnamKim,ThanaratH.Chalidabhongse,DavidHarwood,LarryDavis,Real-timeforeground-backgroundsegmentationusingcodebookmodel[J]，Real-timeImaging,2005，ll(3):167-256.KyungnamKim,ThanaratH.Chalidabhongse,Davidharwood,LarryDavis;即，基于碼本模型的實時前景與背景分割[J]，實時成像，2005，11(3):167-256;:A.Senior.Trackingpeoplewithprobabilisticappearancemodels[C].〃ProceedingsofInternationalWorkshoponPerformanceEvaluationofTrackingandSurveillance.2002.A.Senior.;S卩，基于概率外觀模型的人體跟蹤[C].關(guān)于跟蹤和監(jiān)控性能評價的國際研討會論文集.2002.;:C.StaufferandE.Grimson.Learningpatternsofactivityusingreal-timetracking[J].IEEETransactionsonPatternAnalysisandMachineIntelligence.2000,22(8):747-757.C.Stauffer,E.Grimson;即，基于實時跟蹤的活動類型學(xué)習(xí)[J].IEEE模式分析與機器智能學(xué)報.2000,22(8):747-757;:Y.Linde,A.Buzo,R.M.Gray,AnAlgorithmforVectorQuantizerDesign[J].IEEETransactionsonCommunications.1980,28:702-710.Y.Linde,A.Buzo,R.M.Gray;即，向量量化器設(shè)計算法[J].正EE通信學(xué)報.1980,28:84-95;以及K-Means聚類算法；:Nair,V"Clark,J.J.AutomatedVisualSurveillanceUsingHiddenMarkovModels[C]Proceedingofthe15thVisionInterfaceConference.Calgary,Canada,2002:88-92.Nair,V.，Clark,J.J;艮卩，基于隱馬爾科夫模型的自動視覺監(jiān)控[C].第15屆視覺界面會議?？柤永?，加拿大,2002:88-92.:L.R.Rabiner,"ATutorialonHiddenMarkovModelsandSelectedApplicationsinSpeechRecognition",ProceedingsoftheIEEE,Vol.77,No.2，pp.257-286,1989.[6]L,R.Rabiner;即，"隱馬爾科夫模型指南及在語音識別上的應(yīng)用"正EE會議，Vol.77,No.2,pp.257-286,1989。權(quán)利要求1、一種基于計算機視覺的電梯轎廂內(nèi)暴力行為智能檢測裝置，包括安裝在電梯轎廂頂部的視頻傳感器、用于傳輸視頻數(shù)據(jù)的嵌入式系統(tǒng)、用于監(jiān)控電梯轎廂內(nèi)的監(jiān)控中心計算機，所述的視頻傳感器與所述的嵌入式系統(tǒng)連接，所述的嵌入式系統(tǒng)通過無線通信方式與監(jiān)控中心計算機連接，所述的監(jiān)控中心計算機包括用于實時顯示電梯轎廂內(nèi)視頻數(shù)據(jù)的轎廂內(nèi)視頻圖像讀取模塊，所述轎廂內(nèi)視頻圖像讀取模塊連接顯示裝置，所述的視頻傳感器與監(jiān)控中心計算機無線數(shù)據(jù)通信連接，其特征在于所述的監(jiān)控計算機包括用于電梯轎廂內(nèi)安全防范的微處理器，所述的微處理器包括轎廂內(nèi)視頻圖像讀取模塊，用于將電梯轎廂內(nèi)的視頻信息采集下來并傳送給監(jiān)控中心計算機，監(jiān)控中心計算機實時讀取傳送過來的視頻數(shù)據(jù)；背景建模和人體前景對象提取模塊，用于對所讀取的視頻數(shù)據(jù)中提取出人體前景對象；人群行為特征序列提取模塊，用于對在視頻圖像序列中所提取出的人體前景對象，并計算出該前景對象的連通區(qū)域的面積變化、前景區(qū)域質(zhì)量中心的變化以及外接矩形的長寬變化的相關(guān)數(shù)據(jù)，建立三維特征向量序列；隱馬爾可夫模型的建模模塊，用于將每一個三維特征向量序列轉(zhuǎn)換為一個具體的符號，即觀察值，通過獲取大量電梯內(nèi)的正常行為的特征向量數(shù)據(jù)；然后通過K-Means算法對整個特征向量數(shù)據(jù)集進(jìn)行聚類獲取碼本集合；最后，通過碼本集合將所有特征向量轉(zhuǎn)為能在HMM模型中使用的觀察值，所述觀察值組成觀察序列，通過Baum-Welch算法獲得最佳的HMM模型的參數(shù)，建立起正常行為的HMM模型；暴力行為的識別模塊，用于區(qū)分正常行為和異常行為，通過Forward-backward算法計算出觀察值序列的概率，對于一個觀察值序列，如果它的輸出概率很高，大于預(yù)先設(shè)定的閾值則認(rèn)為它是一個正常行為序列；反之，如果一個觀察序列的輸出概率低于設(shè)定閾值，則認(rèn)為是一個異常行為序列；報警模塊，用于當(dāng)識別為異常行為序列時，向告警器發(fā)出告警指令，并通知管理人員及時進(jìn)行干預(yù)和處理。2、如權(quán)利要求1所述的基于計算機視覺的電梯轎廂內(nèi)暴力行為智能檢測裝置，其特征在于在所述暴力行為的識別模塊中，異常度計算是根據(jù)所輸出的概率值偏離最小閾值越大認(rèn)為異常度越高，將各種電梯內(nèi)的異常行為過程分別判定為"確認(rèn)暴力"、"嚴(yán)重異常"、"異常"、"有暴力傾向"、"需要注意"5中不同的結(jié)果；判定方法以及相應(yīng)措施如表1所示，表1中的s表示多組正常序列所輸出的概率值范圍<table>tableseeoriginaldocumentpage3</column></row><table>表1異常度判定表。3、如權(quán)利要求1或2所述的基于計算機視覺的電梯轎廂內(nèi)暴力行為智能檢測裝置，其特征在于在所述的人群行為特征序列提取模塊中，當(dāng)檢測到轎廂內(nèi)兩人或者兩人以上情況時，在所述的背景建模和人體前景對象提取模塊計算中提取了人體前景的時序二值圖，該數(shù)據(jù)經(jīng)過處理后得到了特征向量序列，用于建立隱馬爾可夫模型的建?；蛘咄ㄟ^隱馬爾可夫模型的行為檢測；所述特征向量包括由人群前景面積的變化、人群前景外接矩形的長寬變化、人群前景的重心變化組成為三維特征向量數(shù)據(jù)，具體有1)人群前景面積的變化AC:人群前景面積的變化AC的計算方法由公式(1)給出，該值的大小表示前景像素數(shù)量的變化量的大小，能反映人體運動激烈的程度；4(1)式中Ap為前一幀圖像所獲取的前景人體對象的面積，An為當(dāng)前幀圖像所獲取的前景人體對象的面積；2)人群前景外接矩形的長寬變化WHC:人群前景外接矩形的長寬變化WHC由公式(2)給出，該值的大小表示人群前景外接矩形的長寬變化量的大小，能反映暴力行為發(fā)生時人體姿態(tài)變化的程度;<formula>formulaseeoriginaldocumentpage4</formula>(2)式中Hp、Wp分別為前一圖像幀前景人體對象的外接矩形的長與寬，Hn、Wn為當(dāng)前圖像幀的前景人體對象的外接矩形的長與寬；3)人群前景的重心變化CC:人群前景的重心變化CC由公式(3)給出，該值的大小表示人群前景的重心變化量的大小，能反映暴力行為發(fā)生時人體移動變化的程度；<formula>formulaseeoriginaldocumentpage4</formula>(3)式中Cp為前一圖像幀前景人體對象的的重心位置，Cn為當(dāng)前圖像幀的前景人體對象的重心位置。4、如權(quán)利要求1或2所述的基于計算機視覺的電梯轎廂內(nèi)暴力行為智能檢測裝置，其特征在于在所述的隱馬爾可夫模型的建模模塊中，將特征向量訓(xùn)練數(shù)據(jù)分割成K個類別，使這K個類別的相似度最低，將這K個類別的中心點組成碼本集合；一旦訓(xùn)練完成，獲得了碼本集合，就將任意的特征向量轉(zhuǎn)為與它距離最近的在碼本集合中的碼本的索引值，這個索引值作為是觀察值，采用K-Means聚類算法將每一個特征向量轉(zhuǎn)換為一個具體的符號，即觀察值；K-Means聚類算法是接受輸入量k，然后將n個數(shù)據(jù)對象劃分為k個聚類以便使得所獲得的聚類滿足，同一聚類中的對象相似度較高，而不同聚類中的對象相似度較小。聚類相似度是利用各聚類中對象的均值所獲得一個中心對象，即引力中心來進(jìn)行計算的；具體流程如下1)從n個數(shù)據(jù)對象任意選擇k個對象作為初始聚類中心；2)循環(huán)3)到4)直到每個聚類不再發(fā)生變化為止；3)根據(jù)每個聚類對象的均值，即中心對象，計算每個對象與這些中心對象的距離，并根據(jù)最小距離重新對相應(yīng)對象進(jìn)行劃分；4)重新計算每個有變化的聚類的均值，即中心對象。5、如權(quán)利要求1或2所述的基于計算機視覺的電梯轎廂內(nèi)暴力行為智能檢測裝置，其特征在于所述的隱馬爾可夫模型的建模模塊中，用參數(shù)表示的、用于描述隨機過程統(tǒng)計特性的概率模型-HMM記為"(仏乾"，，HMM模型具體由下列參數(shù)描述-1)N:模型中的狀態(tài)數(shù)目。記N個狀態(tài)S，…，^;2)M:每個狀態(tài)對應(yīng)的可能的觀察值數(shù)目。記M個觀察值為G，…，GM;3":初始替態(tài)概率矢量，"=(巧".")其中，巧=尸(仏=5,)，1^^氣并且滿足"'々G，，它用于描述初始時觀察序列在^=1時屬于不同的狀態(tài)的概率；4)a為狀態(tài)轉(zhuǎn)移概率矩陣，j=(%)wxw。其中a為狀態(tài)轉(zhuǎn)移概率矩陣，」=()歸。其中，"廣P(^-《k-Ow《w，并且，|Jfl"=1，它用于描述從在時間t的狀態(tài)i變換為時間t+l的狀態(tài)j的概率分布；5)B為觀察值概率矩陣，5=(~')^其中，=qk=s)=Mq^1iV，B"M，并且§—1;它用于描述在時間t狀態(tài)A的情況下產(chǎn)生觀察值為Q的概率；通過HMM實現(xiàn)電梯內(nèi)的異常行為檢測需要確定以下三個基本的問題；(a)計算問題對于給定的觀察值序列^qC…^以及一個特定的HMM模型參數(shù)^-(MM^'45)，計算出這個特定的HMM模型產(chǎn)生特征序列o的概率，通過Forward-backward算法解決；(b)識別問題對于給定觀察值序列0=<91<9""，如何選擇最佳的狀態(tài)序列S以便最好的解釋這個序列，通過Viberti-Decoding算法解決；(c)訓(xùn)練問題對于調(diào)整模型參數(shù)義來使^^^)概率最大問題，通Baum-Welch算法解決。6、如權(quán)利要求2所述的基于計算機視覺的電梯轎廂內(nèi)暴力行為智能檢測裝置，其特征在于所述的最小閾值通過正常序列的訓(xùn)練學(xué)習(xí)得到，通常通過觀察在訓(xùn)練階段所輸出的概率值，最小閾值的設(shè)定方法是將定在多組正常序列所輸出的概率值中的最小值再減去一個多組正常序列所輸出的概率值范圍的5%。7、如權(quán)利要求1或2所述的基于計算機視覺的電梯轎廂內(nèi)暴力行為智能檢測裝置，其特征在于所述的視頻傳感器連接視頻處理器，所述視頻處理器包括圖像記錄模塊，用于將電梯轎廂內(nèi)的視頻信息記錄下來；圖像處理模塊，用于將記錄下來的視頻數(shù)據(jù)進(jìn)行壓縮編碼、復(fù)用以及調(diào)制成壓縮視頻數(shù)據(jù)；第一無線收發(fā)模塊，用于依照通信標(biāo)準(zhǔn)，發(fā)送壓縮的視頻數(shù)據(jù)；所述的監(jiān)控中心計算機包括第二無線收發(fā)模塊，用于依照通信標(biāo)準(zhǔn)，接收壓縮的視頻數(shù)據(jù)；圖像解壓處理模塊，用于將接收的數(shù)據(jù)進(jìn)行解壓縮、解復(fù)用以及解調(diào)，恢復(fù)成視頻數(shù)據(jù)；所述的圖像解壓處理模塊的輸出連接圖像讀取模塊。8、如權(quán)利要求7所述的基于計算機視覺的電梯轎廂內(nèi)暴力行為智能檢測裝置，其特征在于所述的第一無線收發(fā)模塊為符合通信標(biāo)準(zhǔn)的無線網(wǎng)卡，所述的監(jiān)控中心計算機包括與所述無線網(wǎng)卡配合的TCP/IP協(xié)議和無線網(wǎng)絡(luò)接口，所述的微處理器為嵌入式Linux微處理器。全文摘要一種基于計算機視覺的電梯轎廂內(nèi)暴力行為智能檢測裝置，包括安裝在電梯轎廂頂部的視頻傳感器、用于傳輸視頻數(shù)據(jù)的嵌入式系統(tǒng)、用于監(jiān)控電梯轎廂內(nèi)的監(jiān)控中心計算機，視頻傳感器與嵌入式系統(tǒng)連接，嵌入式系統(tǒng)與監(jiān)控中心計算機無線連接，監(jiān)控中心計算機包括用于實時顯示電梯轎廂內(nèi)視頻數(shù)據(jù)的轎廂內(nèi)視頻圖像讀取模塊，轎廂內(nèi)視頻圖像讀取模塊連接顯示裝置，視頻傳感器與監(jiān)控中心計算機無線數(shù)據(jù)通信連接，監(jiān)控計算機包括用于電梯轎廂內(nèi)安全防范的微處理器，微處理器還包括背景建模和人體前景對象提取模塊、人群行為特征序列提取模塊、隱馬爾可夫模型的建模模塊、暴力行為的識別模塊和報警模塊。本發(fā)明具有智能化、實時在線、可靠性強的優(yōu)點。文檔編號G06K9/00GK101557506SQ200910098919公開日2009年10月14日申請日期2009年5月19日優(yōu)先權(quán)日2009年5月19日發(fā)明者湯一平,王曉軍,陸海峰申請人:浙江工業(yè)大學(xué);湯一平