一種基于監(jiān)控目標(biāo)識(shí)別的異常行為檢測(cè)預(yù)警方法
【專利摘要】本發(fā)明涉及一種基于監(jiān)控目標(biāo)識(shí)別的異常行為檢測(cè)預(yù)警方法，包括以下步驟：獲取圖像，并對(duì)獲取的圖像進(jìn)行預(yù)處理；基于混合高斯模型的對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行識(shí)別；通過一個(gè)矩形對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行圖像分割，提取分割所用矩形的長(zhǎng)寬比特征來判斷運(yùn)動(dòng)目標(biāo)是行人還是車輛；對(duì)視頻監(jiān)控背景中的人行道、機(jī)動(dòng)車道和非機(jī)動(dòng)車道區(qū)域通過一個(gè)虛擬線框進(jìn)行劃分和界定；判別運(yùn)動(dòng)目標(biāo)是否觸發(fā)虛擬線框，從而進(jìn)行檢測(cè)預(yù)警。本發(fā)明能夠及時(shí)對(duì)監(jiān)控視頻中的異常行為作出檢測(cè)與預(yù)警。
【專利說明】
-種基于監(jiān)控目標(biāo)識(shí)別的異常行為檢測(cè)預(yù)譬方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及智能交通技術(shù)領(lǐng)域，特別是設(shè)及一種基于監(jiān)控目標(biāo)識(shí)別的異常行為檢 測(cè)預(yù)警方法。
【背景技術(shù)】
[0002] 隨著科學(xué)技術(shù)的不斷發(fā)展，智能交通在未來的城市交通中必然會(huì)占據(jù)十分重要的 地位。而視頻監(jiān)控的智能化則是交通智能化中及其重要的一環(huán)。現(xiàn)如今城市的監(jiān)控系統(tǒng)主 要還是靠人工完成，計(jì)算機(jī)技術(shù)只是起到了一個(gè)內(nèi)容保存的作用，運(yùn)就導(dǎo)致了在監(jiān)控過程 中很容易產(chǎn)生疏漏，不能及時(shí)發(fā)現(xiàn)突發(fā)狀況。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明所要解決的技術(shù)問題是提供一種基于監(jiān)控目標(biāo)識(shí)別的異常行為檢測(cè)預(yù)警 方法，能夠及時(shí)對(duì)監(jiān)控視頻中的異常行為作出檢測(cè)與預(yù)警。
[0004] 本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是:提供一種基于監(jiān)控目標(biāo)識(shí)別的異常 行為檢測(cè)預(yù)警方法，包括W下步驟：
[0005] (1)獲取圖像，并對(duì)獲取的圖像進(jìn)行預(yù)處理；
[0006] (2)基于混合高斯模型的對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行識(shí)別；
[0007] (3)通過一個(gè)矩形對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行圖像分割，提取分割所用矩形的長(zhǎng)寬比特征來 判斷運(yùn)動(dòng)目標(biāo)是行人還是車輛；
[000引（4)對(duì)視頻監(jiān)控背景中的人行道、機(jī)動(dòng)車道和非機(jī)動(dòng)車道區(qū)域通過一個(gè)虛擬線框 進(jìn)行劃分和界定；
[0009] (5)判別運(yùn)動(dòng)目標(biāo)是否觸發(fā)虛擬線框，從而進(jìn)行檢測(cè)預(yù)警。
[0010] 所述步驟(1)中的預(yù)處理包括噪聲過濾處理和圖像平滑處理。
[0011] 所述步驟(2)具體為:根據(jù)視頻數(shù)據(jù)帖的大小建立一個(gè)相同尺度的背景模型，然后 在背景中對(duì)應(yīng)每個(gè)像素都初始化K個(gè)高斯分布函數(shù)進(jìn)行構(gòu)建，當(dāng)有新的圖像到來時(shí)，將新圖 像的每個(gè)像素與該像素的K個(gè)高斯分布逐一匹配檢驗(yàn)，完成檢驗(yàn)后更新各個(gè)高斯分布的權(quán) 重，并對(duì)其進(jìn)行歸一化處理，按高斯分布的權(quán)重與方差比由大到小將構(gòu)建每個(gè)像素的高斯 分布進(jìn)行排序，選取排序靠前的若干個(gè)高斯分布作為背景模型，將新圖像的每個(gè)像素與背 景模型重新進(jìn)行匹配檢驗(yàn)，若匹配成功則為背景點(diǎn)，否則為前景點(diǎn)，完成運(yùn)動(dòng)目標(biāo)的識(shí)別。
[0012] 所述步驟(5)具體為：當(dāng)人行道區(qū)域出現(xiàn)行人，則立即啟動(dòng)人行道與非機(jī)動(dòng)車道之 間虛擬線框的檢測(cè)，若檢測(cè)到虛擬線框被觸發(fā)，說明人行道上的行人可能出現(xiàn)非法過馬路 的危險(xiǎn)行為，立即預(yù)警并保存當(dāng)前圖像;若非機(jī)動(dòng)車道區(qū)域中識(shí)別出運(yùn)動(dòng)目標(biāo)，則立即啟動(dòng) 人行道與非機(jī)動(dòng)車道之間虛擬線框和非機(jī)動(dòng)車道與機(jī)動(dòng)車道之間虛擬線框的檢測(cè)，若檢測(cè) 到虛擬線框被觸發(fā)，便有可能發(fā)生車輛事故或者非機(jī)動(dòng)車道區(qū)域的車輛非法占道機(jī)動(dòng)車道 區(qū)域的情況，立即預(yù)警并保存當(dāng)前圖像;若機(jī)動(dòng)車道區(qū)域中識(shí)別出運(yùn)動(dòng)目標(biāo)，則啟動(dòng)非機(jī)動(dòng) 車道與機(jī)動(dòng)車道之間虛擬線框的檢測(cè)，若虛擬線框被觸發(fā)，則可能出現(xiàn)交通事故或者機(jī)動(dòng) 車道區(qū)域的車輛非法占道非機(jī)動(dòng)車道區(qū)域的情況，立即預(yù)警并保存當(dāng)前圖像。
[oou]有益效果
[0014] 由于采用了上述的技術(shù)方案，本發(fā)明與現(xiàn)有技術(shù)相比，具有W下的優(yōu)點(diǎn)和積極效 果:本發(fā)明采用混合高斯模型對(duì)視頻中出現(xiàn)的運(yùn)動(dòng)目標(biāo)進(jìn)行識(shí)別并進(jìn)行二值化處理。混合 高斯模型能有效應(yīng)對(duì)復(fù)雜場(chǎng)景，抗干擾能力強(qiáng)，能夠更加精確的識(shí)別出運(yùn)動(dòng)目標(biāo)。完成對(duì)運(yùn) 動(dòng)目標(biāo)的識(shí)別之后，利用一個(gè)矩形分割出運(yùn)動(dòng)目標(biāo)，并對(duì)該矩形進(jìn)行特征提取，分析其長(zhǎng)寬 比特征，根據(jù)長(zhǎng)寬比特征來判別行人還是車輛。其次，對(duì)視頻監(jiān)控背景中人行道、機(jī)動(dòng)車道 和非機(jī)動(dòng)車道的區(qū)域利用一個(gè)虛擬線框進(jìn)行劃分和界定，一旦完成對(duì)運(yùn)動(dòng)目標(biāo)的識(shí)別之 后，虛擬線框則會(huì)立即進(jìn)行實(shí)時(shí)檢測(cè)，檢測(cè)運(yùn)動(dòng)目標(biāo)是否進(jìn)入該區(qū)域并據(jù)此來判斷可能的 異常行為，從而及時(shí)作出預(yù)警。
【附圖說明】
[0015] 圖1是本發(fā)明的流程圖；
[0016] 圖2是運(yùn)動(dòng)目標(biāo)的矩形提取圖；
[0017] 圖3是運(yùn)動(dòng)目標(biāo)的分類圖；
[0018] 圖4是視頻監(jiān)控下的交通道路圖；
[0019] 圖5是交通道路虛擬線框的劃分圖。
【具體實(shí)施方式】
[0020] 下面結(jié)合具體實(shí)施例，進(jìn)一步闡述本發(fā)明。應(yīng)理解，運(yùn)些實(shí)施例僅用于說明本發(fā)明 而不用于限制本發(fā)明的范圍。此外應(yīng)理解，在閱讀了本發(fā)明講授的內(nèi)容之后，本領(lǐng)域技術(shù)人 員可W對(duì)本發(fā)明作各種改動(dòng)或修改，運(yùn)些等價(jià)形式同樣落于本申請(qǐng)所附權(quán)利要求書所限定 的范圍。
[0021 ]本發(fā)明的實(shí)施方式設(shè)及一種基于監(jiān)控目標(biāo)識(shí)別的異常行為檢測(cè)預(yù)警方法，如圖1 所示，包括W下步驟:獲取圖像，并對(duì)獲取的圖像進(jìn)行預(yù)處理;基于混合高斯模型的對(duì)運(yùn)動(dòng) 目標(biāo)進(jìn)行識(shí)別;通過一個(gè)矩形對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行圖像分割，提取分割所用矩形的長(zhǎng)寬比特征 來判斷運(yùn)動(dòng)目標(biāo)是行人還是車輛;對(duì)視頻監(jiān)控背景中的人行道、機(jī)動(dòng)車道和非機(jī)動(dòng)車道區(qū) 域通過一個(gè)虛擬線框進(jìn)行劃分和界定;判別運(yùn)動(dòng)目標(biāo)是否觸發(fā)虛擬線框，從而進(jìn)行檢測(cè)預(yù) 警。具體如下：
[0022] 預(yù)處理
[0023] 對(duì)視頻帖圖像進(jìn)行預(yù)處理，主要是對(duì)圖像做噪聲過濾、平滑等處理。濾波處理可W 通過多種圖像去噪、圖像平滑處理方法實(shí)現(xiàn)。
[0024] 運(yùn)動(dòng)目標(biāo)識(shí)別
[0025] 運(yùn)動(dòng)目標(biāo)識(shí)別的方法主要有帖差法，光流法和背景差分法?；诒景l(fā)明所應(yīng)用的 對(duì)象為道路交通，背景復(fù)雜，干擾項(xiàng)多，故此采用基于背景差分的混合高斯模型。混合高斯 模型由于引入了多個(gè)高斯模型，所W能有效應(yīng)對(duì)發(fā)雜場(chǎng)景并具有更強(qiáng)的抗干擾能力。
[0026] 根據(jù)視頻數(shù)據(jù)帖的大小建立一個(gè)相同尺度的背景模型，然后在背景中對(duì)應(yīng)每個(gè)像 素都初始化K個(gè)高斯分布函數(shù)，K的值可W根據(jù)實(shí)際需求或是軟硬件條件來設(shè)定(一般取3~ 7)，假設(shè)某像素點(diǎn)在視頻序列中取值依次為{XI，X2，X3.........如果該點(diǎn)的所有歷史值用 K個(gè)高斯函數(shù)來近似，那么所觀察到的當(dāng)前像素值的概率為：
[0027]
(4-1)
[002引式中K是混合高斯模型的個(gè)數(shù)，是t時(shí)刻第i個(gè)高斯模型的權(quán)值，ri(Xt，Ui,t，5：1'0是+円汁玄|1笛1.個(gè)鳥》?^麻-宙^々nT-
[0029] C4-2)
[0030] 其中，i = l，2…K，N表示像素的維數(shù)，山,t和Sl,t分別表示t時(shí)刻第i個(gè)高斯模型的 均值和協(xié)方差矩陣。
[0031] 對(duì)那些由圖像傳感器獲取到的數(shù)據(jù)進(jìn)行前景目標(biāo)與背景的判斷是需要大量計(jì)算 方可完成的，但是根據(jù)混合高斯模型的上述表達(dá)式就可做出如下的判斷，當(dāng)有新的圖像到 來時(shí)，將新圖像每個(gè)像素與該像素已存在的K個(gè)高斯分布逐一匹配檢驗(yàn)，若滿足：
[0032] |Xt-Ui,t-i|《2.5*〇i,t-i (4-3)
[0033] 式中，表示t時(shí)刻第i-1個(gè)高斯模型的方差。
[0034] 則表示此像素點(diǎn)與模型匹配，此時(shí)更新模型參數(shù)：
, 1 (4-4)
[0035]
[0036] 巧中，a刃用尸目足義的芋>」速軍(通帯取0.005)，P為參數(shù)學(xué)習(xí)速率。
[0037] 若匹配時(shí)像素不滿足模型，則對(duì)相應(yīng)的模型的權(quán)值作衰減：
[003引 (4-5)
[0039] 模型保證了有像素與之匹配的模型權(quán)值增大，不匹配當(dāng)前像素的模型權(quán)值變小。 最后根據(jù)從大到小排列高斯模型，并根據(jù)
癢中0.5<T< l，argmin( ?)是指加權(quán)求和得到的結(jié)果可W大于闊值T時(shí)，B值就取i的最小值，從排序后的 高斯模型中選擇前B個(gè)高斯模型作為背景模型。
[0040] 然后重新對(duì)新圖像的像素點(diǎn)與上述B個(gè)高斯模型做匹配檢驗(yàn)，如果新圖像的像素 點(diǎn)與前B個(gè)高斯模型之一匹配，則表示該像素點(diǎn)為背景點(diǎn)，否則為前景點(diǎn)，從而完成了運(yùn)動(dòng) 目標(biāo)的檢測(cè)。
[0041] 目標(biāo)分割和特征提取
[0042] 識(shí)別運(yùn)動(dòng)目標(biāo)之后，對(duì)二值化后的運(yùn)動(dòng)目標(biāo)利用一個(gè)矩形進(jìn)行分割，提取出分割 所采用矩形的長(zhǎng)寬比（見圖2)，并根據(jù)該特征來對(duì)目標(biāo)進(jìn)行行人和車輛的分類。
[0043] 從圖2可W看出行人和車輛的長(zhǎng)寬比特征有著明顯的差別。如圖3所示，根據(jù)監(jiān)控 攝像頭所處實(shí)際位置設(shè)定相應(yīng)長(zhǎng)寬比特征的闊值來具體判斷。
[0044] 虛擬線框設(shè)計(jì)
[0045] 圖4所示的是視頻監(jiān)控下的交通道路，對(duì)圖4所示的道路利用虛擬線框進(jìn)行劃分得 到如圖5所示的道路。
[0046] 其中，最左邊A區(qū)域?yàn)樾腥藚^(qū)域，中間的非機(jī)動(dòng)車道區(qū)域?yàn)锽區(qū)域，右邊機(jī)動(dòng)車道區(qū) 域?yàn)镃區(qū)域。各區(qū)域之間利用紅色虛擬線框進(jìn)行劃分。
[0047] -旦視頻中A區(qū)域出現(xiàn)運(yùn)動(dòng)目標(biāo)（即行人），則立即啟動(dòng)A區(qū)域與B區(qū)域之間虛擬線 框的檢測(cè)，實(shí)時(shí)檢測(cè)該區(qū)域是否被觸發(fā)，一旦虛擬線框被觸發(fā)，說明該行人可能出現(xiàn)非法過 馬路的危險(xiǎn)行為，立即預(yù)警并保存當(dāng)前視頻帖圖像。
[0048] 若B區(qū)域中識(shí)別出運(yùn)動(dòng)目標(biāo)，則立即啟動(dòng)A區(qū)域與B區(qū)域之間、和B區(qū)域與C區(qū)域之間 虛擬線框的檢測(cè)，若檢測(cè)到虛擬線框被處罰，便有可能發(fā)生車輛事故或者B區(qū)域汽車非法占 道C區(qū)域的可能性，立即預(yù)警并保存當(dāng)前視頻帖圖像。
[0049] 若C區(qū)域中識(shí)別出運(yùn)動(dòng)目標(biāo)，則啟動(dòng)B區(qū)域與C區(qū)域之間虛擬線框的檢測(cè)，若虛擬線 框被觸發(fā)，則可能出現(xiàn)交通事故或者C區(qū)域汽車非法占道B區(qū)域，立即預(yù)警并保存當(dāng)前視頻 帖圖像。
[0050] 不難發(fā)現(xiàn)，本發(fā)明采用混合高斯模型對(duì)視頻中出現(xiàn)的運(yùn)動(dòng)目標(biāo)進(jìn)行識(shí)別并進(jìn)行二 值化處理?；旌细咚鼓Ｐ湍苡行?yīng)對(duì)復(fù)雜場(chǎng)景，抗干擾能力強(qiáng)，能夠更加精確的識(shí)別出運(yùn)動(dòng) 目標(biāo)。完成對(duì)運(yùn)動(dòng)目標(biāo)的識(shí)別之后，利用一個(gè)矩形分割出運(yùn)動(dòng)目標(biāo)，并對(duì)該矩形進(jìn)行特征提 取，分析其長(zhǎng)寬比特征，根據(jù)長(zhǎng)寬比特征來判別行人還是車輛。其次，對(duì)視頻監(jiān)控背景中人 行道、機(jī)動(dòng)車道和非機(jī)動(dòng)車道的區(qū)域利用一個(gè)虛擬線框進(jìn)行劃分和界定，一旦完成對(duì)運(yùn)動(dòng) 目標(biāo)的識(shí)別之后，虛擬線框則會(huì)立即進(jìn)行實(shí)時(shí)檢測(cè)，檢測(cè)運(yùn)動(dòng)目標(biāo)是否進(jìn)入該區(qū)域并據(jù)此 來判斷可能的異常行為，從而及時(shí)作出預(yù)警。
【主權(quán)項(xiàng)】
1. 一種基于監(jiān)控目標(biāo)識(shí)別的異常行為檢測(cè)預(yù)警方法，其特征在于，包括以下步驟： (1) 獲取圖像，并對(duì)獲取的圖像進(jìn)行預(yù)處理； (2) 基于混合高斯模型的對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行識(shí)別； (3) 通過一個(gè)矩形對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行圖像分割，提取分割所用矩形的長(zhǎng)寬比特征來判斷 運(yùn)動(dòng)目標(biāo)是行人還是車輛； (4) 對(duì)視頻監(jiān)控背景中的人行道、機(jī)動(dòng)車道和非機(jī)動(dòng)車道區(qū)域通過一個(gè)虛擬線框進(jìn)行 劃分和界定； (5) 判別運(yùn)動(dòng)目標(biāo)是否觸發(fā)虛擬線框，從而進(jìn)行檢測(cè)預(yù)警。2. 根據(jù)權(quán)利要求1所述的基于監(jiān)控目標(biāo)識(shí)別的異常行為檢測(cè)預(yù)警方法，其特征在于，所 述步驟(1)中的預(yù)處理包括噪聲過濾處理和圖像平滑處理。3. 根據(jù)權(quán)利要求1所述的基于監(jiān)控目標(biāo)識(shí)別的異常行為檢測(cè)預(yù)警方法，其特征在于，所 述步驟(2)具體為:根據(jù)視頻數(shù)據(jù)幀的大小建立一個(gè)相同尺度的背景模型，然后在背景中對(duì) 應(yīng)每個(gè)像素都初始化K個(gè)高斯分布函數(shù)進(jìn)行構(gòu)建，當(dāng)有新的圖像到來時(shí)，將新圖像的每個(gè)像 素與該像素的K個(gè)高斯分布逐一匹配檢驗(yàn)，完成檢驗(yàn)后更新各個(gè)高斯分布的權(quán)重，并對(duì)其進(jìn) 行歸一化處理，按高斯分布的權(quán)重與方差比由大到小將構(gòu)建每個(gè)像素的高斯分布進(jìn)行排 序，選取排序靠前的若干個(gè)高斯分布作為背景模型，將新圖像的每個(gè)像素與背景模型重新 進(jìn)行匹配檢驗(yàn)，若匹配成功則為背景點(diǎn)，否則為前景點(diǎn)，完成運(yùn)動(dòng)目標(biāo)的識(shí)別。4. 根據(jù)權(quán)利要求1所述的基于監(jiān)控目標(biāo)識(shí)別的異常行為檢測(cè)預(yù)警方法，其特征在于，所 述步驟(5)具體為：當(dāng)人行道區(qū)域出現(xiàn)行人，則立即啟動(dòng)人行道與非機(jī)動(dòng)車道之間虛擬線框 的檢測(cè)，若檢測(cè)到虛擬線框被觸發(fā)，說明人行道上的行人可能出現(xiàn)非法過馬路的危險(xiǎn)行為， 立即預(yù)警并保存當(dāng)前圖像;若非機(jī)動(dòng)車道區(qū)域中識(shí)別出運(yùn)動(dòng)目標(biāo)，則立即啟動(dòng)人行道與非 機(jī)動(dòng)車道之間虛擬線框和非機(jī)動(dòng)車道與機(jī)動(dòng)車道之間虛擬線框的檢測(cè)，若檢測(cè)到虛擬線框 被觸發(fā)，便有可能發(fā)生車輛事故或者非機(jī)動(dòng)車道區(qū)域的車輛非法占道機(jī)動(dòng)車道區(qū)域的情 況，立即預(yù)警并保存當(dāng)前圖像;若機(jī)動(dòng)車道區(qū)域中識(shí)別出運(yùn)動(dòng)目標(biāo)，則啟動(dòng)非機(jī)動(dòng)車道與機(jī) 動(dòng)車道之間虛擬線框的檢測(cè)，若虛擬線框被觸發(fā)，則可能出現(xiàn)交通事故或者機(jī)動(dòng)車道區(qū)域 的車輛非法占道非機(jī)動(dòng)車道區(qū)域的情況，立即預(yù)警并保存當(dāng)前圖像。
【文檔編號(hào)】G06K9/00GK105956568SQ201610309174
【公開日】2016年9月21日
【申請(qǐng)日】2016年5月11日
【發(fā)明人】章偉明, 周武能
【申請(qǐng)人】東華大學(xué)