基于安防監(jiān)控視頻數(shù)據(jù)的多人異常行為檢測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種基于安防監(jiān)控視頻數(shù)據(jù)的多人異常行為檢測方法，屬于3S集成 應(yīng)用領(lǐng)域。
【背景技術(shù)】
[0002] 感知和識別復(fù)雜環(huán)境中人的行為舉止是智能視頻監(jiān)控研究的熱點(diǎn)和難點(diǎn)課題之 一，其任務(wù)是利用攝像機(jī)對特定環(huán)境中持續(xù)和瞬間物體進(jìn)行實(shí)時(shí)監(jiān)控和場景解釋，理解和 預(yù)測上下文相關(guān)的物體行為和事件并根據(jù)從傳感器獲得的信息與被觀測的物體進(jìn)行交互， 在公共設(shè)施、商業(yè)、交通和軍事等場景的檢測、監(jiān)控、管理和指揮等應(yīng)用中具有重要價(jià)值。日 益增長的社會安全要求產(chǎn)生了對許多環(huán)境進(jìn)行監(jiān)控的需求，使得視頻監(jiān)控技術(shù)的研究和應(yīng) 用受到學(xué)術(shù)界、工業(yè)界及政府部門更多的關(guān)注，大范圍嵌入型、多攝像機(jī)協(xié)同、多視角動(dòng)態(tài) 場景、多目標(biāo)和多層次行為的分布式智能監(jiān)控系統(tǒng)成為這一領(lǐng)域的研究熱點(diǎn)，并在基于任 務(wù)的攝像機(jī)網(wǎng)絡(luò)部署和控制及多攝像機(jī)集成和協(xié)作，尤其是活動(dòng)攝像及其視頻內(nèi)容處理、 視頻壓縮、網(wǎng)絡(luò)通信協(xié)議和數(shù)據(jù)傳輸標(biāo)準(zhǔn)等多方面進(jìn)行了大量研究，也出現(xiàn)了許多針對地 鐵、機(jī)場、車站等場所及交通運(yùn)輸?shù)阮I(lǐng)域的分布式智能視頻監(jiān)控系統(tǒng)。
[0003] 然而，智能視頻監(jiān)控是一個(gè)十分復(fù)雜的問題，它與攝像機(jī)數(shù)目（單攝像機(jī)VS.多攝 像機(jī)）、攝像機(jī)的配置（集中式VS.分布式）和方式（固定攝像機(jī)VS.活動(dòng)攝像機(jī)）、運(yùn)動(dòng) 目標(biāo)數(shù)目（單目標(biāo)VS.多目標(biāo)和類型（剛體VS.非剛體）、傳感器類型（可見光圖像VS.紅 外圖像）和樣式（單目攝像機(jī)VS.立體攝像機(jī)）及場景狀況等諸多因素有密切關(guān)系，除了 在檢測、跟蹤和識別等算法對運(yùn)動(dòng)目標(biāo)姿態(tài)或狀態(tài)改變及環(huán)境光照等因素變化的魯棒性， 復(fù)雜目標(biāo)和環(huán)境處理過程的準(zhǔn)確性和快速性等關(guān)鍵問題外，在分布式攝像機(jī)網(wǎng)絡(luò)資源的配 置和優(yōu)化、多攝像機(jī)協(xié)同和信息融合、模型數(shù)據(jù)庫的可測量性和增量式更新機(jī)制等諸多方 面還有待于進(jìn)一步深入研究。
[0004] 智能環(huán)境中視覺行為感知系統(tǒng)承擔(dān)著對環(huán)境中人進(jìn)行監(jiān)控與交互的雙重任務(wù)，其 目標(biāo)是利用多個(gè)攝像機(jī)形成的視覺感知網(wǎng)絡(luò)實(shí)現(xiàn)對人各種行為舉止的感知和響應(yīng)。因此， 基于視覺感知網(wǎng)絡(luò)智能環(huán)境的軟件系統(tǒng)需要解決三大相互關(guān)聯(lián)的關(guān)鍵技術(shù)問題：一是面向 多尺度行為信息感知的多攝像機(jī)控制模型；二是面向行為檢測和跟蹤的多線索融合技術(shù)； 三是基于上下文的動(dòng)作和活動(dòng)分析與解釋方法，但是目前并沒有一種很好的解決方法。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，從而提供一種基于安防監(jiān)控視頻數(shù)據(jù)的 多人異常行為檢測方法，實(shí)現(xiàn)安防視頻監(jiān)控場景中實(shí)時(shí)行人檢測和跟蹤，并對行人的異常 行為進(jìn)行識別和判別，為安防監(jiān)控的自動(dòng)化判別提供依據(jù)，為緊急事件的預(yù)警判知和政府 應(yīng)急決策提供幫助。
[0006] 本發(fā)明的目的是通過下面的技術(shù)方案來實(shí)現(xiàn)的：一種基于安防監(jiān)控視頻數(shù)據(jù)的多 人異常行為檢測方法，其特征在于：它包括以下步驟： 步驟1 :視頻數(shù)據(jù)采集 對監(jiān)控?cái)z像頭標(biāo)準(zhǔn)AV輸出信號進(jìn)行采集，并將采集到的AV信號經(jīng)過壓縮編碼形成H. 264和MPEG-4標(biāo)準(zhǔn)視頻數(shù)據(jù)； 步驟2 :行人特征提取 2. 1、針對采集到的視頻圖像，提取Haar特征和FDF特征，得到粗級檢測器； 2. 2、對待測圖像進(jìn)行遍歷檢測，采用AdaboostCascade方法得到粗級行人ROIs; 2. 3、采用方向梯度直方圖特征提取算法，利用SVM進(jìn)行訓(xùn)練得到精密級分類器，對得 到的粗級行人ROIs進(jìn)行檢測，得到精密級ROIs。
[0007] 步驟3 :行人行為跟蹤 3. 1、采用粒子濾波方法將視頻中每個(gè)跟蹤目標(biāo)分別包圍在一個(gè)矩形框中，矩形框自適 應(yīng)的隨運(yùn)動(dòng)目標(biāo)大小變化； 3. 2、對每個(gè)跟蹤目標(biāo)的狀態(tài)轉(zhuǎn)移建立多階自回歸過程數(shù)學(xué)模型，以當(dāng)前狀態(tài)之前的多 個(gè)狀態(tài)作為基準(zhǔn)，加入隨機(jī)擾動(dòng)對下一狀態(tài)進(jìn)行預(yù)測，獲得描述運(yùn)動(dòng)目標(biāo)實(shí)際運(yùn)動(dòng)情況的 狀態(tài)轉(zhuǎn)移模型； 3. 3、在粒子濾波器框架之下，根據(jù)監(jiān)控視頻中行人的顏色和形狀特征在行為分析過程 中的穩(wěn)定性，利用加權(quán)顏色直方圖和四方向特征作為觀測模型，獲得融合顏色和形狀特征 的粒子濾波人體跟蹤方法，通過融合后行人的顏色和形狀特征確定粒子的權(quán)值進(jìn)行更新； 步驟4:異常行人分類 4. 1、計(jì)算精密級ROIs的光流特征，去除由環(huán)境產(chǎn)生的擾動(dòng)，采用幅值加權(quán)的方向直方 圖來描述異常行為的運(yùn)動(dòng)幅度和混亂程度，首先對幅值進(jìn)行歸一化處理，作為方向的權(quán)值， 然后求和作為直方圖的大小，像素的變化情況反映不規(guī)則行為； 4. 2、采用Markov隨機(jī)場理論，將監(jiān)控視頻流中的每幀灰度圖像設(shè)定為一個(gè)Markov隨 機(jī)場，像素點(diǎn)的灰度值作為Markov隨機(jī)場的隨機(jī)變量，其的隨機(jī)場能量值用于反映視頻中 被監(jiān)控目標(biāo)在短時(shí)間內(nèi)行為的變化； 4. 3、對視頻監(jiān)控場景中判斷為異常交通行為的行人進(jìn)行特征提取，根據(jù)通過收集訓(xùn)練 數(shù)據(jù)建立的連續(xù)隱馬爾可夫模型，采用概率的方法對異常行為進(jìn)行識別，細(xì)化為不同的行 為模式，并將行為模式進(jìn)行分類存儲。
[0008] 本發(fā)明圍繞智慧安防監(jiān)控動(dòng)態(tài)感知的核心問題，發(fā)掘自然監(jiān)控場景中行人的形態(tài) 特征變化規(guī)律，設(shè)計(jì)基于多特征和機(jī)器學(xué)習(xí)的分級行人檢測算法、視頻行人粒子濾波跟蹤 算法、基于馬爾科夫隨機(jī)場和隱馬爾科夫的行人行為模型，揭示復(fù)雜自然場景和隨觀測時(shí) 間變化空間上下文關(guān)系，將自然場景中的內(nèi)在的復(fù)雜形態(tài)規(guī)律運(yùn)用到行人異常行為分類中 去，提高視頻監(jiān)控場景群體行為異常的識別認(rèn)知率。
【具體實(shí)施方式】
[0009] 下面給出【具體實(shí)施方式】對本發(fā)明作進(jìn)一步的詳細(xì)描述。
[0010] 一種基于安防監(jiān)控視頻數(shù)據(jù)的多人異常行為檢測方法，它包括以下步驟： 步驟1 :視頻數(shù)據(jù)采集 對監(jiān)控?cái)z像頭標(biāo)準(zhǔn)AV輸出信號進(jìn)行采集，并將采集到的AV信號經(jīng)過壓縮編碼形成H. 264和MPEG-4標(biāo)準(zhǔn)視頻數(shù)據(jù)； 步驟2 :行人特征提取 針對行人特征的提取，提出的是一種分級行人檢測方法。
[0011] 2. 1、首先進(jìn)行粗級檢測，針對采集到的視頻圖像，提取能有效地描述人體的輪廓 并且計(jì)算相對簡單的特征，Haar特征和FDF特征，得到粗級檢測器。
[0012] 2. 2、對待測圖像進(jìn)行遍歷檢測，采用AdaboostCascade方法得到粗級行人ROIs; AdaboostCascade方法利用增1減r法和待選擇特征之間的相關(guān)性，減少被選擇特征之間 的冗余度，增加被選擇特征之間的獨(dú)立性，得到最優(yōu)的特征組合，可以提高級聯(lián)檢測器的性 能，減少檢測時(shí)間，該級分類器要求檢測率高，并允許存在一定的虛警。
[0013] 2. 3、采用方向梯度直方圖特征提取算法，利用SVM進(jìn)行訓(xùn)練得到精密級分類器， 對得到的粗級行人R〇Is進(jìn)行檢測，得到精密級R0Is。由于候選檢測范圍已經(jīng)被粗級檢測大 幅度縮小，可以采用計(jì)算量相對較大的人體特征提取算法，如專門為人體而提出的方向梯 度直方圖特征H0G，利用SVM進(jìn)行訓(xùn)練得