一種人體異常行為檢測(cè)方法及系統(tǒng)的制作方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及視頻監(jiān)控技術(shù)領(lǐng)域，具體設(shè)及一種人體異常行為檢測(cè)方法及系統(tǒng)。
【背景技術(shù)】
[0002] 視頻監(jiān)控技術(shù)被應(yīng)用在各行各業(yè)中，在傳統(tǒng)的監(jiān)控模式下，一方面需要工作人員 時(shí)刻監(jiān)控每個(gè)相機(jī)場(chǎng)景的是否發(fā)生異常情況，容易使得感官疲勞，從而導(dǎo)致漏檢和誤檢。另 一方面，各個(gè)相機(jī)每天不間斷的拍攝，儲(chǔ)存大量的視頻數(shù)據(jù)，若漏檢的異常情況需要查找對(duì) 應(yīng)視頻段時(shí)，人工查找比較困難，而且效率低下。對(duì)監(jiān)控視頻進(jìn)行智能分析則成為解決上述 問題的一個(gè)研究方向?，F(xiàn)有智能監(jiān)控系統(tǒng)主要通過檢測(cè)和跟蹤場(chǎng)景中的運(yùn)動(dòng)目標(biāo)進(jìn)行智能 分析，也包括對(duì)所跟蹤的運(yùn)動(dòng)目標(biāo)的行為分析。
[0003] 目前，行為分析技術(shù)通常應(yīng)用在智能家居、金融行業(yè)、交通行業(yè)和公共安全等領(lǐng) 域。例如在智能家居行業(yè)中，行為分析技術(shù)可用來實(shí)時(shí)監(jiān)控獨(dú)居老人的摔倒、昏迷等情況； 在金融行業(yè)中，可用來實(shí)時(shí)監(jiān)控ATM間發(fā)生的摔倒不起、打架斗毆、搶劫等情況;在交通行業(yè) 中，可用來實(shí)時(shí)監(jiān)控某些路段發(fā)生的車禍、人員異常集聚等情況;在公共安全領(lǐng)域中，可用 來監(jiān)控恐怖襲擊、騷亂等群體性事件。
[0004] 從異常行為成因來講可分成兩類:一類是監(jiān)控者自定義的異常行為，如絳線、越 界、逆行和逗留等，運(yùn)些異常行為并不是由被監(jiān)控者直接產(chǎn)生的，而且被監(jiān)控者與場(chǎng)景的相 互作用產(chǎn)生的，監(jiān)控者通過被監(jiān)控者在場(chǎng)景中的軌跡或者速度來自定義運(yùn)些行為；另一類 是被監(jiān)控者自身的異常行為，如打架斗毆，摔倒等。運(yùn)兩類的異常行為產(chǎn)生的原因不同，大 多數(shù)方法只研究了運(yùn)兩類異常行為的一部分，并沒有一個(gè)綜合的方法來整體的對(duì)運(yùn)些行為 進(jìn)行研究。

【發(fā)明內(nèi)容】

[0005] 針對(duì)現(xiàn)有技術(shù)中的缺陷，本發(fā)明提供一種人體異常行為檢測(cè)方法及系統(tǒng)，可W對(duì) 監(jiān)控者自定義的異常行為，也就是被觀察者與視頻場(chǎng)景相互作用產(chǎn)生的異常行為W及被監(jiān) 控者自身的異常行為進(jìn)行檢測(cè)，提高了異常行為識(shí)別的準(zhǔn)確率，進(jìn)而提高了異常行為報(bào)警 的可靠性。
[0006] 第一方面，本發(fā)明提供了 一種人體異常行為檢測(cè)方法，包括：
[0007] 根據(jù)視頻場(chǎng)景內(nèi)容將該視頻場(chǎng)景劃分為多個(gè)區(qū)域，根據(jù)每個(gè)區(qū)域所包含的場(chǎng)景內(nèi) 容獲取人體在其中可實(shí)施的動(dòng)作集合，并對(duì)所述多個(gè)區(qū)域W及每個(gè)區(qū)域中可實(shí)施的動(dòng)作集 合進(jìn)行標(biāo)記；
[000引根據(jù)所述多個(gè)區(qū)域W及每個(gè)區(qū)域中可實(shí)施動(dòng)作集合的標(biāo)記集合獲取異常行為判 斷規(guī)則；
[0009] 獲取所述多個(gè)區(qū)域中人體的運(yùn)動(dòng)軌跡和動(dòng)作序列，并根據(jù)所述標(biāo)記集合來獲取運(yùn) 動(dòng)軌跡和動(dòng)作序列的可觀察標(biāo)記序列；
[0010] 利用所述異常行為判斷規(guī)則對(duì)所述可觀察標(biāo)記序列進(jìn)行分析，判斷上述人體是否 有異常行為發(fā)生，若是，進(jìn)一步判斷發(fā)生了何種異常行為。
[0011] 可選地，采用數(shù)字、字符或者顏色標(biāo)記所述多個(gè)區(qū)域，W及采用數(shù)字或者字符標(biāo)記 每個(gè)區(qū)域中可實(shí)施的動(dòng)作集合。
[0012] 可選地，采用W下步驟生成運(yùn)動(dòng)軌跡的可觀察標(biāo)記序列，包括：
[0013] 從人體上選擇一特征點(diǎn)作為跟蹤點(diǎn)，獲取該跟蹤點(diǎn)經(jīng)過一個(gè)或多個(gè)區(qū)域的連續(xù)軌 跡；
[0014] 根據(jù)上述連續(xù)軌跡所在區(qū)域的標(biāo)記對(duì)該連續(xù)軌跡進(jìn)行采樣編碼生成離散的可觀 察標(biāo)記序列。
[0015] 可選地，所述特征點(diǎn)為人體質(zhì)屯、或者腳部上的特征點(diǎn)。
[0016] 可選地，所述異常行為判斷規(guī)則包括宏觀異常行為判斷規(guī)則，所述宏觀異常行為 判斷規(guī)則通過每個(gè)區(qū)域自身的功能或者監(jiān)控者賦予所述多個(gè)區(qū)域特有的功能W及區(qū)域之 間的空間邏輯關(guān)系來獲取。
[0017] 可選地，所述異常行為判斷規(guī)則還包括微觀異常行為判斷規(guī)則;所述微觀異常行 為判斷規(guī)則根據(jù)被監(jiān)控者自身異常行為的動(dòng)作序列來獲取。
[0018] 可選地，所述方法還包括采用機(jī)器學(xué)習(xí)方法訓(xùn)練已知的人體異常行為視頻集中的 異常軌跡序列W及異常動(dòng)作序列，從而判斷未知人體行為是否異常;所述機(jī)器學(xué)習(xí)方法為 支持向量機(jī)SVM、迭代算法Adab O O S t和神經(jīng)網(wǎng)絡(luò)中的一種或者多種。
[0019] 可選地，所述方法還包括采用隱馬爾科夫模型HMM對(duì)人體動(dòng)作進(jìn)行建模識(shí)別，包 括：
[0020] 將已知的人體的各個(gè)動(dòng)作分解為多個(gè)姿態(tài)；
[0021] 提取每個(gè)動(dòng)作的多個(gè)姿態(tài)的特征向量；
[0022] 采用Kmeans聚類算法將所獲取的每個(gè)動(dòng)作特征向量進(jìn)行聚類，獲取N個(gè)聚類中屯、；
[0023] 計(jì)算每個(gè)動(dòng)作特征向量與每個(gè)聚類中屯、的歐氏距離，將每個(gè)動(dòng)作特征向量量化到 取得最小歐氏距離的聚類中屯、，W獲取每個(gè)動(dòng)作多個(gè)姿態(tài)的可觀察標(biāo)記序列；
[0024] 利用Baum-Welch算法訓(xùn)練上述可觀察標(biāo)記序列，從而得到各個(gè)動(dòng)作的HMM模型；
[0025] 對(duì)未知的人體動(dòng)作進(jìn)行特征提取與量化，將所得到可觀察標(biāo)記序列輸入到所對(duì)應(yīng) 的各個(gè)動(dòng)作的HMM模型中，利用前向算法判斷該未知?jiǎng)幼麟`屬于哪一種動(dòng)作模型。
[0026] 可選地，還包括采用單特征方法或者組合特征方法對(duì)每個(gè)動(dòng)作特征向量?jī)?yōu)化的步 驟;其中，
[0027] 所述單特征方法包括：
[0028] 分別將每一維特征作為特征向量來訓(xùn)練測(cè)試每個(gè)動(dòng)作的HMM模型，從而得到每一 種特征對(duì)于動(dòng)作分類的正確率與錯(cuò)誤率，可W將錯(cuò)誤率最高的特征剔除；
[0029] 所述組合特征方法包括：
[0030] 將N維全特征中的i維組合作為特征向量來訓(xùn)練測(cè)試每個(gè)動(dòng)作的HMM模型，其中， 1 < ii)N，對(duì)于每一個(gè)i均有巧種組合個(gè)數(shù)；
[0031] 從測(cè)試結(jié)果中得到每一種組合的正確率，選擇正確率最大的組合作為新的全特征 集合，從而將貢獻(xiàn)度小的特征剔除。
[0032] 第二方面，本發(fā)明實(shí)施例還提供了一種人體異常行為檢測(cè)系統(tǒng)，基于上文所述的 人體異常行為檢測(cè)方法實(shí)現(xiàn)，包括：
[0033] 區(qū)域與動(dòng)作標(biāo)記單元，用于根據(jù)視頻場(chǎng)景內(nèi)容將該視頻場(chǎng)景劃分為多個(gè)區(qū)域，根 據(jù)每個(gè)區(qū)域所包含的場(chǎng)景內(nèi)容獲取人體在其中可實(shí)施的動(dòng)作集合，并對(duì)所述多個(gè)區(qū)域W及 每個(gè)區(qū)域中可實(shí)施的動(dòng)作集合進(jìn)行標(biāo)記；
[0034] 異常行為判斷規(guī)則獲取單元，用于根據(jù)所述多個(gè)區(qū)域W及每個(gè)區(qū)域中可實(shí)施動(dòng)作 集合的標(biāo)記集合獲取異常行為判斷規(guī)則；
[0035] 可觀察標(biāo)記序列標(biāo)記獲取單元，用于獲取所述多個(gè)區(qū)域中人體的運(yùn)動(dòng)軌跡和動(dòng)作 序列，并根據(jù)所述標(biāo)記集合來獲取運(yùn)動(dòng)軌跡和動(dòng)作序列的可觀察標(biāo)記序列；
[0036] 異常行為判斷單元，用于利用所述異常行為判斷規(guī)則對(duì)所述可觀察標(biāo)記序列進(jìn)行 分析，判斷上述人體是否有異常行為發(fā)生，若是，進(jìn)一步判斷發(fā)生了何種異常行為。
[0037] 由上述技術(shù)方案可知，本發(fā)明可W兼顧監(jiān)控者自定義的異常行為，也就是被觀察 者與視頻場(chǎng)景相互作用產(chǎn)生的異常行為W及被監(jiān)控者自身的異常行為，提高了異常行為識(shí) 別的準(zhǔn)確率，進(jìn)而提高了異常行為報(bào)警的可靠性。
【附圖說明】
[0038] 通過參考附圖會(huì)更加清楚的理解本發(fā)明的特征和優(yōu)點(diǎn)，附圖是示意性的而不應(yīng)理 解為對(duì)本發(fā)明進(jìn)行任何限制，在附圖中：
[0039] 圖1是本發(fā)明實(shí)施例提供的一種人體異常行為檢測(cè)方法流程圖；
[0040] 圖2~圖4是本發(fā)明實(shí)施例提供的視頻場(chǎng)景區(qū)域劃分與標(biāo)記示意圖；
[0041] 圖5是本發(fā)明實(shí)施例提供的已知?jiǎng)幼鞯腍MM模型訓(xùn)練過程示意圖；
[0042] 圖6是本發(fā)明實(shí)施例提供的訓(xùn)練過程中提供圖像可視化特征示意圖；
[0043] 圖7是本發(fā)明實(shí)施例提供的HMM模型識(shí)別未知?jiǎng)幼鬟^程示意圖；
[0044] 圖8是本發(fā)明一實(shí)施例中一種人體異常行為檢測(cè)方法流程圖；
[0045] 圖9是本發(fā)明實(shí)施例提供的一種人體異常行為檢測(cè)系統(tǒng)框圖。
【具體實(shí)施方式】
[0046] 為使本發(fā)明實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實(shí)施例 中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例是 本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員 在沒有作出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。
[0047] 第一方面，本發(fā)明提供了一種人體異常行為檢測(cè)方法，如圖1所示，包括：
[0048] S100、根據(jù)視頻場(chǎng)景內(nèi)容將該視頻場(chǎng)景劃分為多個(gè)區(qū)域，根據(jù)每個(gè)區(qū)域所包含的 場(chǎng)景內(nèi)容獲取人體在其中可實(shí)施的動(dòng)作集合，并對(duì)所述多個(gè)區(qū)域W及每個(gè)區(qū)域中可實(shí)施的 動(dòng)作集合進(jìn)行標(biāo)記；
[0049] S200、根據(jù)所述多個(gè)區(qū)域W及每個(gè)區(qū)域中可實(shí)施動(dòng)作集合的標(biāo)記集合獲取異常行 為判斷規(guī)則；
[0050] S300、獲取所述多個(gè)區(qū)域中人體的運(yùn)動(dòng)軌跡和動(dòng)作序列，并根據(jù)所述標(biāo)記集合來 獲取運(yùn)動(dòng)軌跡和動(dòng)作序列的可觀察標(biāo)記序列；
[0051] S400、利用所述異常行為判斷規(guī)則對(duì)所述可觀察標(biāo)記序列進(jìn)行分析，判斷上述人 體是否有異常行為發(fā)生，若是，進(jìn)一步判斷發(fā)生了何種異常行為。
[0052] 下面對(duì)本發(fā)