[发明专利]一种基于视频序列的人体异常行为检测方法

说明书

技术领域

本发明涉及一种基于视频序列的人体异常行为检测方法，属于涉及图像处理和计算机视觉技术领域，尤其涉及视频中异常行为的检测方法。

背景技术

智能监控技术是计算机视觉的一个重要应用领域，在军用和民用中都有极大的研发和应用价值，智能视觉监控这项技术主要是用在对安全要求敏感的场合，如ATM机、银行、商店、停车场、机场、政府大楼、军事基地、码头等。然而，现有的视频监控系统大多只是进行场景内运动目标的检测或跟踪，进行进一步处理的比较少，而生活中监控的目的就是对场景中的异常事件或人的异常行为进行检测和分析。智能视频监控对异常行为的检测不仅可以及时发现不正当行为，告知工作人员及时处理，阻止不法行为的发生，而且可节省大量的存储空间，避免不法行为发生后工作人员海量的查找和取证。

目前人体行为识别的方法主要分为两类：模板匹配法和状态空间法。前者是将视频序列转换为一组态形状模式，然后将其与预先保存好的模板进行比较，选择与测试序列距离最小的模板所属类别作为被测试序列的最终识别结果，该方法虽然简单，但缺乏考虑相邻帧间的动态特性，难以取得较好的效果；后者定义每个静态姿势作为一个状态，将这些状态之间通过某种概率联系起来，任何运动序列可以看作是这些静态姿势的不同状态之间的一次遍历过程，在整个遍历过程中计算联合似然值并将最大值作为行为分类的标准，该方法能够较好地刻画人体行为的本质特征，但每一帧行为特征值的提取对结果的影响比较大。虽然现在有一些特征提取方法可以用来提取行为帧的特征值，如Hu矩，R变换等，但是采用这些方法的人体行为识别率不高，难以达到应用要求。因此，提取行为帧中更优的特征值，从而提高人体行为分析的识别率，是一个十分迫切需要解决的问题。

发明内容

本发明的目的是提供一种有效的基于视频序列中人体异常行为检测方法，亦可用来对公共场所异常行为进行监控，从而解决目前在人体行为识别中使用的特征提取方法无法很好的提取行为特征而导致识别率不好的问题。

为了达到上述目的，本发明的技术方案是提供了一种基于视频序列的人体异常行为检测方法，其特征在于，步骤为：

第一步、建立行为模型数据库：

步骤1.1、通过摄像头和WDM视频采集卡采集训练行为视频图像序列，作为训练样本；

步骤1.2、提取训练行为视频图像序列中运动人体的运动特征及局部特征，将运动特征及局部特征相结合，组成一组训练特征向量；

步骤1.3、将训练特征向量作为输入，利用机器方法进行学习从而得到行为模型数据库；

第二步、人体行为判断：

步骤2.1、通过摄像头和WDM视频采集卡采集实时行为视频图像序列；

步骤2.2、提取实时行为视频图像序列中运动人体的运动特征及局部特征，将运动特征及局部特征相结合，组成一组实时特征向量；

步骤2.3、将实时特征向量作为输入，利用行为模型数据库采用机器方法对识别的运动人体区域的行为做出评判。

优选地，所述步骤1.2及所述步骤2.2包括：

步骤S1、从训练行为视频图像序列或实时行为视频图像序列中提取运动人体，其步骤为：

步骤S11、对训练行为视频图像序列或实时行为视频图像序列利用混合高斯模型进行背景建模；

步骤S12：利用背景差分法将运动人体区域从背景模型中提取出来；

步骤S13：利用帧间差分法从训练行为视频图像序列或实时行为视频图像序列中提取运动人体区域；

步骤S14：将步骤S12和步骤S13中提取出来的运动人体区域进行与运算，提取出新的运动人体区域；

步骤S15：对通过步骤S14得到的运动人体区域利用形态学滤波的方法进行阴影的去除和空洞的弥补以及连通域的处理，得到运动人体；

步骤S2、利用NMF算法提取运动人体的局部特征；

步骤S3、提取运动人体的运动特征，该运动特征至少包括长宽比、占空比及周长比，其中，长宽比定义为运动人体外接矩形的长跟宽的比，占空比定义为前景图中运动人体区域的面积与运动人体外接矩形面积之比，周长比定义为运动人体边缘周长与运动人体外接矩形周长的比值；

步骤S4、将运动人体的局部特征与运动特征相结合，组成一组训练特征向量或实时特征向量。

优选地，在所述步骤1.3中，利用SVM分类器进行学习，其步骤为：首先，构造个分类器，k为训练样本的类别数；其次，对各类训练样本的训练特征向量进行标记，分别取k类训练样本中的任意两类所对应的训练特征向量作为训练集，进行训练。