[发明专利]基于轮廓的异常行为识别方法

说明书

技术领域

本发明属于模式识别领域，涉及图像处理和计算机视觉等技术，特别涉及智能视觉监控中的异常行为识别方法。

背景技术

随着现代科技的飞速发展，利用摄像机监控动态场景早已被广泛应用在社会的方方面面，除了一些对于安全要求级别高的场合，如银行、军事基地等，越来越多的智能视觉监控应用在民用，如交通路口、生活社区、地铁沿线等，用以保障人民的生命财产安全。尽管目前商用监控摄像机普遍存在于商场、超市、电梯间，但没有充分发挥其实时主动的监视报警功能。虽然这些摄像头可以提供大量的视频数据，但还不能对感兴趣行为进行实时的分析处理，而且海量数据的存在以及长时间枯燥乏味的监视很容易使得安保人员疲倦，松懈，对场景发生的异常不能及时反应，造成灾难性的后果。因此，开发出实时的监控系统，并根据场景中的异常行为与现象自动报警，引起警卫的注意，对破坏行为及时制止，对威胁安全的行为及时救援等成为日益迫切的需求。这要求摄像机不仅仅记录一堆堆的数据，更重要的是会分析数据，理解数据，这样计算机可以警醒人，帮助人完成监控任务，提高监控质量。

动态场景中运动目标的行为分析与理解一直是计算机视觉领域最活跃的主题，尤其是监控场景下异常行为的检测与识别更具有广泛的应用。如前所述，安全问题，无论国防还是民用一直是各个国家长期关注的热点。英国的Closed Circuit Television(CCTV)监控项目有不计其数的摄像头分布在商场、社区、学校、停车场以及众多公共场合，成功降低犯罪率。同时，北美，澳大利亚，欧洲其他一些国际紧随其后，有关动态场景中运动目标行为分析与识别的研究项目纷沓而至，这要求计算机可以从摄像机捕获的运动序列中检测，跟踪目标并对其行为进行理解。但目前大部分的技术，尤其是实时系统还处在对运动目标的检测跟踪阶段，就算涉及运动目标的行为分析，也仅是简单的走跑运动。因此开发出具有自动分析视频数据能力的监控技术，通过摄像头可以知道场景中发生了什么是智能视觉监控的一个首要目的。

不过在监控场景下，由于摄像头数量众多，而且还存在很多可自由控制的带云台摄像头，这样即使获得同一行为的底层运动数据，不同的视觉，不同的镜头下，在二维图像平面还是具有不同的表现形式。因此，如何获取针对平移，旋转，比例尺度变换具有不变性的底层特征是行为分析与识别成功的关键。目前，运动目标的轨迹与轮廓被认为可以用于视觉监控系统中行为识别算法的两个主要的运动特征。与轨迹相关的其他特征，比如速度，距离等也得到广泛应用，不过这些特征只能描述运动目标在场景中的位置移动，不能刻画行为细致的空间特征。轮廓则不然，完整的行为轮廓序列是一种时空变化的运动模式，它既可以表达运动过程中肢体的变化又能描述行为时间上的相互关系。而且具有易于捕捉，受噪声影响小等优点。

传统监控可以实现视频数据的分发、存储功能，但对场景中的异常情况只能通过人工处理。面对海量视频数据，连续长时间的工作会让警卫倦怠、不警醒，对危险事件不敏感。

发明内容

轮廓可以描述行为序列中每一帧的姿态，包括全部的边缘信息与身体内部信息，因此特征维数比较高，而且一般的实时监控场景往往比较复杂，受变换的光照条件、阴影、飘动的旗帜等影响，运动分割后的目标轮廓不可避免的出现形状分块，内部空洞或者阴影。而且运动目标对于摄像头的距离是不断变换的，表现在二维图像平面上就是运动目标轮廓在整个行为序列中尺度大小不一。考虑到上述情形，本发明的目的是公开一种基于轮廓的异常行为识别方法，通过一种新的特征表达方式，变换，来进行特征描述，并将变换的结果用做行为识别的特征，经此变换得到的特征计算复杂度低，具有几何变换不变性而且抗噪性比较强，对形状噪声鲁棒而且对于相似性高的行为可区分性高。

为实现上述目的，本发明的技术解决方案是：

一种基于轮廓的异常行为识别方法，包括轮廓提取，特征表达，训练和识别多个过程，步骤如下：

步骤S1：对摄像头采集到的图像序列进行运动目标检测与跟踪，提取目标轮廓；

步骤S2：对得到的目标轮廓姿态，利用变换表达得到每一帧中运动轮廓的空间信息，用做行为识别的底层特征；

步骤S3：利用主成分分析对改进的特征向量进行特征提取；

步骤S4：利用隐马尔可夫模型表达具有空间信息的轮廓序列在时间上的变换关系；

步骤S5：利用训练的模型参数库，根据最大似然准则，看待识别行为和哪个预先定义的行为最匹配。

所述的基于轮廓的异常行为识别方法，其所述步骤S1的运动目标检测包括如下步骤：