[发明专利]一种基于时空光流场的ATM尾随事件检测方法

说明书

本发明公开了一种基于时空光流场的ATM尾随事件检测方法。本发明利用ATM防护舱垂直的相机，首先基于帧间光流场来获得时空光流场，然后采用深度学习的技术对单人正常取款、以及尾随时的时空光流场进行分类建模。与现有技术相比，本发明提供的基于光流和深度学习的ATM尾随检测方法，对相机的参数、拍摄角度、行人体型、以及行人着装等因素有更强的鲁棒性，人数统计准确率更高。本发明可以根据人数统计来实时的检测是否存在人员尾随问题。

技术领域

本发明属于计算机视觉技术领域，涉及一种基于时空光流场的ATM尾随事件检测方法。

背景技术

当前，ATM机尾随犯罪事件越来越多，给银行客户带来巨大的损失，同时也造成了恶劣的社会影响。虽然所有银行都装有实时的监控系统，但大多只能用于事后取证，无法对尾随行为做到实时报警。而ATM人员尾随检测可以通过统计ATM内人数来一定程度上完成，一般大于2人时，认为出现尾随情况。因此，产生了一些基于视频监控的人数统计方法研究，能对监控范围的人数进行实时统计和报警。

但目前大多基于光流的人数统计算法准确率受众多因素的影响，在实际操作中准确率不高。例如专利《基于深度信息聚类的复杂场景人数统计方法》CN201110356312.2，基于光流和行人面积特征，根据相机参数、视角等信息，利用分割算法来进行人数统计。但在实际行人体型过大，行人背包、相机参数视角多变等情况下其准确率急速下降。因此，有必要提供新的方法，来解决以上问题。

发明内容

针对现有技术的不足，本发明的目的在于提供一种基于光流和深度学习的ATM尾随事件检测方法，采用深度学习的技术，对时空光流图进行建模，从而达到高精度的尾随检测效果。

为了实现上述目的，本发明所采用的技术方案是：利用ATM防护舱垂直的相机，首先基于帧间光流场来获得时空光流场，然后采用深度学习的技术对单人正常取款、以及尾随时的时空光流场进行分类建模，具体包括如下步骤：

步骤1、对垂直拍摄的ATM场景进行拌线标注：

将防护舱底部位于地面的区域看做一个矩形框，把矩形框的左下角与右下角相连，形成一条拌线(即矩形框的下边)。

步骤2、由于不同情况下标注的拌线长度均不同，为达到建模对象成像大小一致的目的，需要将图像缩放，并保证缩放后的拌线在X方向上的长度是一致的，从而也就保证了防护舱以及取款人的成像大小是一致的。

步骤3、根据拌线估计光流的计算范围，以左上角(A1,B1)和右下角(A2,B2)表示，具体计算方式如下：

A1＝X1-0.3*(X2-X1)

A2＝X2+0.3*(X2-X1)

B1＝Y1-0.3*(X2-X1)

B2＝Y2+0.3*(X2-X1)

步骤4、在原始图中将光流的计算范围裁剪出来，并按缩放比例R进行缩放后，计算每帧的Y方向光流场。

步骤5、将每帧的Y方向光流场，分别按大于0和小于0形成两张时空光流场，并拼接在一起，加入X和Y方向的平移扰动后，作为深度学习模型的输入。

步骤6、拍摄大量单人和多人在不同型号、架设高度相机下进入防护舱的视频，按步骤1-5形成大量时空光流图来训练深度学习模型，模型的输出为一个二类分类结果，即单人进入或多人进入。

本发明的有益效果：与现有技术相比，本发明提供的基于光流和深度学习的ATM尾随检测方法，对相机的参数、拍摄角度、行人体型、以及行人着装等因素有更强的鲁棒性，人数统计准确率更高。本发明可以根据人数统计来实时的检测是否存在人员尾随问题。

附图说明

图1.本发明流程图；