[发明专利]一种人体异常行为检测方法及系统

权利要求书

1.一种人体异常行为检测方法，其特征在于，包括：

根据视频场景内容将该视频场景划分为多个区域，根据每个区域所包含的场景内容获取人体在其中可实施的动作集合，并对所述多个区域以及每个区域中可实施的动作集合进行标记；

根据所述多个区域以及每个区域中可实施动作集合的标记集合获取异常行为判断规则；

获取所述多个区域中人体的运动轨迹和动作序列，并根据所述标记集合来获取运动轨迹和动作序列的可观察标记序列；

利用所述异常行为判断规则对所述可观察标记序列进行分析，判断上述人体是否有异常行为发生，若是，进一步判断发生了何种异常行为；

所述异常行为判断规则包括宏观异常行为判断规则，所述宏观异常行为判断规则通过每个区域自身的功能或者监控者赋予所述多个区域特有的功能以及区域之间的空间逻辑关系来获取；

所述异常行为判断规则还包括微观异常行为判断规则；所述微观异常行为判断规则根据被监控者自身异常行为的动作序列来获取。

2.根据权利要求1所述的人体异常行为检测方法，其特征在于，采用数字、字符或者颜色标记所述多个区域，以及采用数字或者字符标记每个区域中可实施的动作集合。

3.根据权利要求2所述的人体异常行为检测方法，其特征在于，采用以下步骤生成运动轨迹的可观察标记序列，包括：

从人体上选择一特征点作为跟踪点，获取该跟踪点经过一个或多个区域的连续轨迹；

根据上述连续轨迹所在区域的标记对该连续轨迹进行采样编码生成离散的可观察标记序列。

4.根据权利要求3所述的人体异常行为检测方法，其特征在于，所述特征点为人体质心或者脚部上的特征点。

5.根据权利要求1～4任意一项所述的人体异常行为检测方法，其特征在于，所述方法还包括采用机器学习方法训练已知的人体异常行为视频集中的异常轨迹序列以及异常动作序列，从而判断未知人体行为是否异常；所述机器学习方法为支持向量机SVM、迭代算法Adaboost和神经网络中的一种或者多种。

6.根据权利要求5所述的人体异常行为检测方法，其特征在于，所述方法还包括采用隐马尔科夫模型HMM对人体动作进行建模识别，包括：

将已知的人体的各个动作分解为多个姿态；

提取每个动作的多个姿态的特征向量；

采用Kmeans聚类算法将所获取的每个动作特征向量进行聚类，获取N个聚类中心；

计算每个动作特征向量与每个聚类中心的欧氏距离，将每个动作特征向量量化到取得最小欧氏距离的聚类中心，以获取每个动作多个姿态的可观察标记序列；

利用Baum-Welch算法训练上述可观察标记序列，从而得到各个动作的HMM模型；

对未知的人体动作进行特征提取与量化，将所得到可观察标记序列输入到所对应的各个动作的HMM模型中，利用前向算法判断该未知动作隶属于哪一种动作模型。

7.根据权利要求6所述的人体异常行为检测方法，其特征在于，还包括采用单特征方法或者组合特征方法对每个动作特征向量优化的步骤；其中，

所述单特征方法包括：

分别将每一维特征作为特征向量来训练测试每个动作的HMM模型，从而得到每一种特征对于动作分类的正确率与错误率，可以将错误率最高的特征剔除；

所述组合特征方法包括：

将N维全特征中的i维组合作为特征向量来训练测试每个动作的HMM模型，其中，1﹤i≤N，对于每一个i均有种组合个数；

从测试结果中得到每一种组合的正确率，选择正确率最大的组合作为新的全特征集合，从而将贡献度小的特征剔除。

8.一种人体异常行为检测系统，基于权利要求1～7任意一项所述的人体异常行为检测方法实现，其特征在于，包括：

区域与动作标记单元，用于根据视频场景内容将该视频场景划分为多个区域，根据每个区域所包含的场景内容获取人体在其中可实施的动作集合，并对所述多个区域以及每个区域中可实施的动作集合进行标记；

异常行为判断规则获取单元，用于根据所述多个区域以及每个区域中可实施动作集合的标记集合获取异常行为判断规则；所述异常行为判断规则包括宏观异常行为判断规则，所述宏观异常行为判断规则通过每个区域自身的功能或者监控者赋予所述多个区域特有的功能以及区域之间的空间逻辑关系来获取；所述异常行为判断规则还包括微观异常行为判断规则；所述微观异常行为判断规则根据被监控者自身异常行为的动作序列来获取；

可观察标记序列标记获取单元，用于获取所述多个区域中人体的运动轨迹和动作序列，并根据所述标记集合来获取运动轨迹和动作序列的可观察标记序列；

异常行为判断单元，用于利用所述异常行为判断规则对所述可观察标记序列进行分析，判断上述人体是否有异常行为发生，若是，进一步判断发生了何种异常行为。