專利名稱：一種基于視頻序列的人體異常行為檢測方法
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方法，屬于涉及圖像處理和計算機視覺技術(shù)領(lǐng)域，尤其涉及視頻中異常行為的檢測方法。
背景技術(shù)：
智能監(jiān)控技術(shù)是計算機視覺的一個重要應用領(lǐng)域，在軍用和民用中都有極大的研發(fā)和應用價值，智能視覺監(jiān)控這項技術(shù)主要是用在對安全要求敏感的場合，如ATM機、銀行、商店、停車場、機場、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)大多只是進行場景內(nèi)運動目標的檢測或跟蹤，進行進一步處理的比較少，而生活中監(jiān)控的目的就是對場景中的異常事件或人的異常行為進行檢測和分析。智能視頻監(jiān)控對異常行為的檢測不僅可以及時發(fā)現(xiàn)不正當行為，告知工作人員及時處理，阻止不法行為的發(fā)生，而且可節(jié)省大量的存儲空間，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，然后將其與預先保存好的模板進行比較，選擇與測試序列距離最小的模板所屬類別作為被測試序列的最終識別結(jié)果，該方法雖然簡單，但缺乏考慮相鄰幀間的動態(tài)特性，難以取得較好的效果；后者定義每個靜態(tài)姿勢作為一個狀態(tài)，將這些狀態(tài)之間通過某種概率聯(lián)系起來，任何運動序列可以看作是這些靜態(tài)姿勢的不同狀態(tài)之間的一次遍歷過程，在整個遍歷過程中計算聯(lián)合似然值并將最大值作為行為分類的標準，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別率不高，難以達到應用要求。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別率，是一個十分迫切需要解決的問題。

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方法，亦可用來對公共場所異常行為進行監(jiān)控，從而解決目前在人體行為識別中使用的特征提取方法無法很好的提取行為特征而導致識別率不好的問題。為了達到上述目的，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方法，其特征在于，步驟為:第一步、建立行為模型數(shù)據(jù)庫:步驟1.1、通過攝像頭和WDM視頻采集卡采集訓練行為視頻圖像序列，作為訓練樣本；步驟1.2、提取訓練行為視頻圖像序列中運動人體的運動特征及局部特征，將運動特征及局部特征相結(jié)合，組成一組訓練特征向量；步驟1.3、將訓練特征向量作為輸入，利用機器方法進行學習從而得到行為模型數(shù)據(jù)庫；
第二步、人體行為判斷:步驟2.1、通過攝像頭和WDM視頻采集卡采集實時行為視頻圖像序列；步驟2.2、提取實時行為視頻圖像序列中運動人體的運動特征及局部特征，將運動特征及局部特征相結(jié)合，組成一組實時特征向量；步驟2.3、將實時特征向量作為輸入，利用行為模型數(shù)據(jù)庫采用機器方法對識別的運動人體區(qū)域的行為做出評判。優(yōu)選地,所述步驟1.2及所述步驟2.2包括:步驟S1、從訓練行為視頻圖像序列或?qū)崟r行為視頻圖像序列中提取運動人體，其步驟為:步驟S11、對訓練行為視頻圖像序列或?qū)崟r行為視頻圖像序列利用混合高斯模型進行背景建模；步驟S12:利用背景差分法將運動人體區(qū)域從背景模型中提取出來；步驟S13:利用幀間差分法從訓練行為視頻圖像序列或?qū)崟r行為視頻圖像序列中提取運動人體區(qū)域；步驟S14:將步驟S12和步驟S13中提取出來的運動人體區(qū)域進行與運算，提取出新的運動人體區(qū)域；步驟S15:對通過步驟S14得到的運動人體區(qū)域利用形態(tài)學濾波的方法進行陰影的去除和空洞的彌補以及連通域的處理，得到運動人體；步驟S2、利用NMF算法提取運動人體的局部特征；步驟S3、提取運動人體的運動特征，該運動特征至少包括長寬比、占空比及周長t匕，其中，長寬比定義為運動人體外接矩形的長跟寬的比，占空比定義為前景圖中運動人體區(qū)域的面積與運動人體外接矩形面積之比，周長比定義為運動人體邊緣周長與運動人體外接矩形周長的比值；步驟S4、將運動人體的局部特征與運動特征相結(jié)合，組成一組訓練特征向量或?qū)崟r特征向量。優(yōu)選地，在所述步驟1.3中，利用SVM分類器進行學習，其步驟為:首先，構(gòu)造
權(quán)利要求
1.一種基于視頻序列的人體異常行為檢測方法，其特征在于，步驟為: 第一步、建立行為模型數(shù)據(jù)庫: 步驟1.1、通過攝像頭和WDM視頻采集卡采集訓練行為視頻圖像序列，作為訓練樣本；步驟1.2、提取訓練行為視頻圖像序列中運動人體的運動特征及局部特征，將運動特征及局部特征相結(jié)合，組成一組訓練特征向量； 步驟1.3、將訓練特征向量作為輸入，利用機器方法進行學習從而得到行為模型數(shù)據(jù)庫； 第二步、人體行為判斷: 步驟2.1、通過攝像頭和WDM視頻采集卡采集實時行為視頻圖像序列； 步驟2.2、提取實時行為視頻圖像序列中運動人體的運動特征及局部特征，將運動特征及局部特征相結(jié)合，組成一組實時特征向量； 步驟2.3、將實時特征向量作為輸入，利用行為模型數(shù)據(jù)庫采用機器方法對識別的運動人體區(qū)域的行為做出評判。
2.如權(quán)利要求1所述的一種基于視頻序列的人體異常行為檢測方法，其特征在于，所述步驟1.2及所述步驟2.2包括: 步驟S1、從訓練行為視頻圖像序列或?qū)崟r行為視頻圖像序列中提取運動人體，其步驟為: 步驟S11、對訓練行為視頻圖像序列或?qū)崟r行為視頻圖像序列利用混合高斯模型進行背景建模； 步驟S12:利用背景差分法將運動人體區(qū)域從背景模型中提取出來； 步驟S13:利用幀間差分法從訓練行為視頻圖像序列或?qū)崟r行為視頻圖像序列中提取運動人體區(qū)域； 步驟S14:將步驟S12和步驟S13中提取出來的運動人體區(qū)域進行與運算，提取出新的運動人體區(qū)域； 步驟S15:對通過步驟S14得到的運動人體區(qū)域利用形態(tài)學濾波的方法進行陰影的去除和空洞的彌補以及連通域的處理，得到運動人體； 步驟S2、利用NMF算法提取運動人體的局部特征； 步驟S3、提取運動人體的運動特征，該運動特征至少包括長寬比、占空比及周長比，其中，長寬比定義為運動人體外接矩形的長跟寬的比，占空比定義為前景圖中運動人體區(qū)域的面積與運動人體外接矩形面積之比，周長比定義為運動人體邊緣周長與運動人體外接矩形周長的比值； 步驟S4、將運動人體的局部特征與運動特征相結(jié)合，組成一組訓練特征向量或?qū)崟r特征向量。
3.如權(quán)利要求1所述的一種基于視頻序列的人體異常行為檢測方法，其特征在于，在所述步驟1.3中，利用SVM分類器進行學習，其步驟為:首先，構(gòu)造^個分類器，k為訓練樣本的類別數(shù)；其次，對各類訓練樣本的訓練特征向量進行標記，分別取k類訓練樣本中的任意兩類所對應的訓練特征向量作為訓練集，進行訓練。
4.如權(quán)利要求3所述的一種基于視頻序列的人體異常行為檢測方法，其特征在于，在所述步 驟2.3中，利用SVM分類器對識別的運動人體區(qū)域的行為做出評判的步驟為:把待識別的實時特征向量分別對個分類器進行測試，然后采取投票的形式進行分類和識別。
全文摘要
本發(fā)明是一種基于視頻序列的人體異常行為檢測方法。首先，對攝像頭采集到的視頻圖像序列進行運動目標檢測；接著提取運動人體區(qū)域的運動特征、并使用非負矩陣分解對運動區(qū)域進行特征降維，作為運動目標的局部特征；然后將運動特征和局部特征的進行融合，作為運動行為的特征向量；然后采用基于“投票法”的SVM多類分類器進行運動行為的識別和分類，對識別的運動目標行為做出評判。本分明在降維的同時進行了多特征融合，提高了分別識別性能。本發(fā)明應用于智能視頻監(jiān)控，自動分析公共場所中運動人體的行為，對異常行為做出判斷，使計算機協(xié)助人活著代替人完成監(jiān)控任務。
文檔編號G06K9/66GK103150579SQ201310059118
公開日2013年6月12日 申請日期2013年2月25日 優(yōu)先權(quán)日2013年2月25日
發(fā)明者紀青華, 禹素萍, 曹新學, 張盛漢 申請人:東華大學