[发明专利]一种基于图像处理的ATM视频智能监控方法

说明书

本发明提供了一种基于图像处理的ATM视频智能监控方法，利用人脸检测技术和图像处理算法对视频进行人脸遮挡的行为检测，利用动态目标检测和相似度跟踪算法实现监控视频中的遗留物检测，把深度学习、目标检测和跟踪算法相结合来实现监控视频的人员徘徊行为检测，由此得到视频的智能监控效果。与现有单纯基于人力资源的视频监控方法相比，本发明提出的方法能够降低视频监控的人力物力资源，对异常行为报警、误报、漏报、录像数据分析困难等监控问题起到了积极作用。

技术领域

本发明涉及一种基于图像处理的ATM室内视频智能监控方法，涵盖了深度学习技术领域、目标检测技术领域、图像处理领域以及特征工程等相关领域。

背景技术

近年来，国内外在智能视频监控方面展开了很多研究，也取得了丰富的进展。但是仍然受到了一些固有因素的限制：1)耗费大量的人力物力，不能保证监控效率；2)事后查看监控录像时，犯罪行为已经发生，错过阻止犯罪的最佳时期；3)报警滞后、误报、漏报、录像数据分析困难等。因此智能视频处理方法对解决传统视频监控问题起到了积极作用。

ATM智能视频处理技术模块主要包括人脸遮挡检测模块、遗留物检测模块、异常行为检测模块等。在人脸识别领域，随着最近几年深度学习大潮的出现，也相应地带动了人脸识别技术这一领域的突飞猛进，人脸识别技术已经广泛应用于智能安检系统、智能安防门禁系统等领域。SeetaFace是中科院山世光老师及他的团队所研发并于2016年开源的人脸识别引擎。包括了搭建一套全自动人脸识别系统所需的三个核心模块，即：人脸检测模块SeetaFace Detection、面部特征点定位模块SeetaFace Alignment以及人脸特征提取与比对模块SeetaFace Identification。本文利用SeetaFace结合Adaboost级联分类器进行脸部的眼睛和嘴巴遮挡检测来判断是否发生了脸部遮挡行为。

在前景遗留物检测方面，目前遗留物检测系统大多是通过视频监控得到数据，利用图像处理技术、计算机视觉、模式识别、人工智能等技术识别不同的对象。算法研究主要是基于目标跟踪和目标检测两种思路。混合高斯背景建模法(GMM)与三帧差法都能对视频中的前景运动目标进行很好的检测，混合高斯模型要不断更新每个像素点的参数，当前景目标静止时间达到一定阈值，该前景像素点会被融入背景当中，那么可以利用混合高斯背景建模的这一特点，结合三帧差法，检测出视频中的运动目标和暂时静止目标，通过对暂时静止目标进行提取并持续跟踪，统计该目标是否达到遗留物的静止时间阈值T，若达到即被认定为是遗留物。

本文中异常行为检测模块主要是针对ATM房间内的人员徘徊行为进行检测，涉及深度学习，目标检测和跟踪算法技术的实现。徘徊行为具有路径S>>位移L的特征，所以本文在caffe深度框架下，利用SSD目标检测算法，增加其中raspect ratio参数以适应行人高>>宽的特征，再利用训练好的改进型SSD模型检测监控区域内的行人，然后利用灰度平均值、矩形框长宽比结合基于HSV通道下H通道的直方图特征来跟踪检测到的目标，统计该目标行走的路径S，并计算该目标行走的位移，判断S>>L是否成立，利用满足这一条件与否来实现徘徊这一异常行为的检测。

发明内容

本发明要解决的技术问题是传统视频监控需要耗费巨大的人力和物力，用于提高视频监控效率。

本发明的基本算法为：人脸遮挡检测模块中利用SeetaFace对人脸进行活体检测，再利用adaboost眼睛和嘴部的检测器在人脸标记窗口内进行检测判断人员是否发生脸部遮挡行为；遗留物检测模块中利用GMM和三帧差算法相结合提取暂时静止的物体，然后利用该物体的颜色相似度，灰度直方图匹配等方法对目标进行跟踪，统计目标静止的帧数t，并和阈值帧数T进行比较来判断该目标是否为遗留物；徘徊行为检测模块在Caffe深度框架下，利用改进型SSD算法对监控区域内的人体进行检测，然后利用相似度跟踪算法对人体进行跟踪，计算目标的路径和位移，来判断该目标是否发生了徘徊行为。