[发明专利]基于摄像机网格的多视图协同异常行为检测方法

说明书

本发明提供一种基于摄像机网格的多视图协同异常行为检测方法，对像机网格全局标定后，利用摄像机网格进行多视图协同异常检测；关联摄像机局部放大，进行身份确认及多视图属性提取，多视图属性包括姿态属性、运动属性及群组属性，进而从数据库获取预定义的正常/异常行为列表；如果存在异常，则触发警告，并将行为人的异常行为类别、时长属性录入数据库。该种基于摄像机网格的多视图协同异常行为检测方法，基于摄像机网格的协同异常检测框架，通过多摄像机联动的方式，能够实现精确的异常检测；并结合身份识别的异常信息关联方法，能够根据个体身份进行异常触发，进行相关统计记录。

技术领域

本发明涉及一种基于摄像机网格的多视图协同异常行为检测方法。

背景技术

近年来随着视频监控技术的飞速发展，视频监控系统越来越能够给人们的日常生活提供方便。视频监控系统利用计算机视觉技术，代替人的大脑，对视频数据进行采集、分析和理解，实现对监控场景的智能控制。作为视频监控技术的重要组成，视频序列中的异常事件检测利用视频监控设备能够高效地、准确地、自动地检测监控画面中监控目标的异常行为。

为了保障人们的人身及财产安全，相关部门和机构正在加快视频监控异常检测系统的研究和布施，尤其是在医院、机场、交通道路、广场等人流量和车流量较大的复杂场景中。以交通异常监控系统为例，一旦检测到车辆异常行为，应该及时发出警报并提供关键信息。异常监控系统一方面可以提醒在发生车辆异常路段上的其他车辆，控制该路段的车流量，避免交通堵塞；另一方面通知交警及时赶到现场，酌情处理车辆违规行为以及可能造成的交通事故，减少财产损失和人员伤亡，避免二次事故的危害。

面对海量的视频监控数据，传统的人工异常检测无法及时高效地处理异常状况，而且需要耗费过多人力物力，因此视频监控下的智能异常检测成为当今社会的大势所趋。当前，人们对公共安全设施的要求越来越高，视频序列中的异常事件检测技术的精准度和实时性也在稳步提升。虽然研究学者们对异常检测的特征提取、行为建模、异常检测策略等方面已经做出巨大改进，但是其检测效果仍然差强人意，不足以实时地处理复杂拥挤的视频场景。

视频序列中的异常事件检测的监控目标涉及人体、人群、交通和非生物。大量关于人体异常检测的工作被应用于疗养院、医院和居家场所中，来保证老弱病残孕的健康安全。有一些研究工作专注于关于违法或者安全攻击的异常行为检测和关于安全问题的异常事件检测。还有一些研究不针对特定应用，把小概率事件作为异常进行检测。例如，Wang等把行人突然闯入场景或者突然弯腰归为异常。智能交通的异常检测倾向于检测违反交通法规和危害交通安全的异常，比如交通事故和交通堵塞。Hayashi等对十字路口车辆的危险驾驶行为进行预测。异常人群的代表性研究通过人群动能或者步幅的显著改变来检测异常人群运动，而Mehran等则把违反社会力模型(social force model)的人群运动作为异常。关于同一场景中行人与车辆、人体与非生物（比如人们丢掷包裹）、个体与人群等的多目标异常检测也在进一步完善。

上述尝试的局限性在以下几个方面，首先，异常检测以单摄像头为主，很少利用摄像头群组进行协同检测；其次，异常检测过程中，仅对异常事件进行检测，而未对触发异常事件的个体或群体身份进行辨识。

发明内容

本发明的目的是提供一种基于摄像机网格的多视图协同异常行为检测方法解决现有技术中存在的异常检测以单摄像头为主，很少利用摄像头群组进行协同检测；其次，异常检测过程中，仅对异常事件进行检测，而未对触发异常事件的个体或群体身份进行辨识的问题。

本发明的技术解决方案是：

一种基于摄像机网格的多视图协同异常行为检测方法，对像机网格全局标定后，利用摄像机网格进行多视图协同异常检测；具体包括以下步骤，

S1、对摄像机网格部署后，进行摄像机全局标定及相邻摄像机关联；

S2、使用步骤S1中的摄像机网络获取摄像机采集图像，以设定时间间隔对摄像机网络的所有摄像头进行轮询，获取摄像机采集图像；