CN102360422A - 基于视频分析的暴力行为检测方法 - Google Patents

Abstract

本发明涉及一种基于视频分析的暴力行为检测方法。该方法主要包括四个步骤：ROI区域获取、运动场计算、特征提取和特征分类。本方法采用计算机辅助手段和视频分析技术，智能化检测监视视频中的暴力行为，及时发现异常情况和快速预警，可以有效避免暴力行为的发展，经济和社会效益显著。

Description

基于视频分析的暴力行为检测方法

技术领域

本发明涉及一种基于视频分析的暴力行为检测方法。

背景技术

很多场合存在一些安全隐患，譬如监管场所内人员庞杂，聚集了一些具有暴力倾向或偏激行为的人员，因此，监管场所内暴力事件频发，每年因暴力行为而致伤致残的事件多达上千起，这不仅给社会造成了恶劣的影响，而且给受害人带来了无法弥补的伤害。当前，监管场所大多采用人工监视方式监视监管场所内的暴力行为，但是，监管场所内监房多，犯人多，活动范围大，且暴力行为突发性强，在暴力行为发生时又常常避开监视人员，因此，人工监视的手段不仅耗费大量人力、物力，而且无法较好地预防暴力行为的发生。

面向监视视频的监管场所暴力行为检测，采用计算机辅助手段和视频分析技术，智能化检测监视视频中的暴力行为，及时发现和预警，可以有效避免暴力行为的发生和发展，经济和社会效益显著。

目前暴力行为的自动检测还处于起步阶段，国内外研究成果相对较少。Datta等人依据人体轮廓和四肢位置提取行为特征，但对于实际的复杂监控场景，人体轮廓的精确描述非常困难，尤其是多目标相互遮挡时，此类方法很难奏效，而且此类方法检测速度很慢；Nam等人利用声、像特征探测暴力行为，但该方法仅能针对开枪、流血、爆炸等特殊场景进行检测，无法检测普通的斗殴、打砸等暴力行为；Mecocci等人提出最大变色能量的局部复杂度概念来界定暴力行为，但由于该方法依据颜色特征进行识别，对于夜晚、光照较弱等复杂多变的监视环境的适应性不强；专利【CN101557506】通过隐马尔科夫模型分析暴力行为，但该方法只针对简单场景如电梯轿箱内的暴力行为，不适用于复杂的监视场景；专利【CN101464952】采用基于轮廓的异常行为识别方法，但对于多人遮挡的情况和距离摄像机较远的目标无法奏效，因为此时人体的完整轮廓很难获取；专利【CN101344966】提取目标运动轨迹特征检测异常行为，但该方法只能检测简单场景中诸如奔跑、徘徊等异常行为，对于斗殴、打砸等暴力行为检测精度很低。

发明内容

为此，本发明提取基于运动场的暴力行为快速检测方法，解决复杂监控场景中暴力行为检测精度低和速度慢的问题。

本发明提出的暴力行为检测方法主要包括四个步骤：ROI(Region of Interest)区域获取、运动场计算、特征提取和特征分类，如图1所示，详述如下：

一、ROI区域获取

暴力行为发生的区域一定是有着复杂运动的区域，获取有复杂运动的ROI区域(MR)，可以减少后续过程的计算量，同时减少误检现象。

(1)、目标检测

本发明提出基于自适应阈值分割的相邻N帧差分目标检测算法，该算法抗噪性能强、速度快、效率高，能有效地降低虚警率，其具体过程为(以N＝5的情况为例)：

step1取相邻五帧图像I_k-2、I_k-1、I_k、I_k+1、I_k+2，计算帧差数据Erro。

$\mathrm{Erro}=|I_k-\mathrm{\α}\left(\frac{I_{k-1}+I_{k-2}}{2}\right)-(1-\mathrm{\α})\left(\frac{I_{k+1}+I_{k+2}}{2}\right)|$

其中，α为权值，初值设为0.5。

step2确定自适应阈值T。计算帧差数据均值，并将其乘以一个加权系数，以之作为自适应阈值。

$m=\frac{1}{M\×N}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}\mathrm{Erro}(i,j)$

T＝β×m

其中，M×N为图像尺寸，β为加权系数，这里取β＝10。

step3更新α，提取运动区域M_k。

α＝e^-2/m

$D_{p,q}(i,j)=\left\{\begin{array}{cc}1,& \mathrm{if}|I_p(i,j)-I_q(i,j)|\≥T\\ 0,& \mathrm{otherwise}\end{array}\right.$

$M_k(i,j)=\left\{\begin{array}{cc}1,& \mathrm{if}(D_{k,k-2}(i,j)+D_{k,k-1}(i,j)+D_{k,k+1}(i,j)+D_{k,k+2}(i,j)\≥3)\\ 0,& \mathrm{otherwise}\end{array}\right.$

(2)、ROI区域标识

本发明提出基于中值滤波和数学形态学相结合的ROI区域融合算法，对检测出来的目标区域进行合并和标识，步骤如下：

step1使用3×3中值滤波模板消除孤立运动点；

step2目标区域的合并

采用数学形态学中的膨胀和腐蚀操作，去除图像的“孔洞”；

step3 ROI区域标识

采用8-邻接连通方法，对检测出来的运动目标的二值图像进行标识；由于只有在较大区域中才可能发生暴力行为，因此使用一个固定阈值T_area剔除运动像素数目过少的运动区域。

${\mathrm{MR}}_t^j=\left\{\begin{array}{cc}1,& {{\mathrm{Num}}^i}_j>T_{\mathrm{area}}\\ 0,& \mathrm{otherwise}\end{array}\right.$

其中，MRⁱ _j表示t时刻的第j个运动区域，Numⁱ _j代表该运动区域中运动像素的个数，T_area＝55。

二、运动场计算

暴力行为以运动的复杂程度作为主要特性，因此，求取暴力行为所在ROI区域的运动场是暴力行为检测的基础。

本发明采用基于多菱形模板的ROI区域运动场计算方法，ROI区域运动场的获取过程如下：

step1搜索17个“①”点(如图2所示)，求取最小误差MBD的位置。若MBD点在搜索窗的中心，则算法结束；若MBD点在大菱形模板上，则进行step2，否则进行step3。

step2以step1的MBD点为中心，重复使用小菱形模板进行搜索，直到MBD点位于搜索窗中心。

step3将搜索步长减半，并确定新的MBD点，直到步长等于1，算法结束。

由于目标距离摄像机远近不同时，求取运动场的尺度不同，为此，需要对求取的运动场进行归一化。

本发明提出基于针孔摄像机模型的运动场归一化方法，具体的归一化方法描述如下：

真实物体在摄像机成像平面上的投影，广泛使用针孔摄像机模型，如图3所示，为避免真实物体在成像平面被反转，我们将成像平面和真实物体放在了焦点的同侧。其中，F为摄像机镜头的焦距，C为焦点，高度分别为h₁、h₂的目标T₁、T₂在成像平面上的图像高度分别为h₁′、h₂′，由几何关系可知，h₁′、h₂′存在如下关系：

$\frac{h_1^{\′}}{h_2^{\′}}=\frac{h_1{D}_2}{h_2{D}_1}$

设针孔摄像机模型视场角为β，其焦距为F，成像平面位于摄像机焦点处，成像大小为m×n，如图4所示。由它们之间的几何关系，可以容易地推导出如下关系：

$F=\frac{\sqrt{m^2+n^2}}{2\tan (\mathrm{\β}/2)}$

以成像平面的中心点为原心O，建立笛卡尔坐标系，由摄像机镜头的有关性质可知，光轴OC垂直于成像平面，如图5所示。设目标基准点T′的坐标为(x，y)，它在u、v轴上的投影与焦点C所形成的连线与光轴所成的夹角分别为α、γ，由相关的三角函数知识，可知：

$\mathrm{\α}=\arctan \left(\frac{y-\frac{m}{2}}{F}\right)$

$\mathrm{\γ}=\arctan \left(\frac{x-\frac{n}{2}}{F}\right)$

式中，目标基准点T′的坐标(x，y)以图像左下角为坐标原点，F为焦距。

图6所示是一个摄像头位于监控区域斜上方的监控系统的几何示意图。其中，C为焦点，其与地面高度CA＝H，光轴与地面的夹角为θ，T为目标点，其在成像平面上的位置为T′(x，y)，其中，TB⊥OA，可以通过几何关系得到如下关系：

$\mathrm{CT}=\frac{\mathrm{CB}}{\cos \mathrm{\γ}}=\frac{H}{\sin (\mathrm{\θ}+\mathrm{\α})\cos \mathrm{\γ}}$

于是可得两者成像大小的比值k_n：

$k_n=\frac{{h_t}^{\′}}{{h_0}^{\′}}=\frac{h_t{D}_0}{h_{0}H\sin (\mathrm{\θ}+\mathrm{\α})\cos \mathrm{\γ}}=\frac{h_t}{h_0}\·\frac{D_0}{H}\·\frac{1}{\sin (\mathrm{\θ}+\mathrm{\α})\cos \mathrm{\γ}}$

对于同一物体在不同距离上的成像大小的比值，h_t/h₀＝1，而D₀/H恰好是所求的缩放系数η。因此，上式可以简化为：

$k_n=\frac{\mathrm{\η}}{\sin (\mathrm{\θ}+\mathrm{\α})\cos \mathrm{\γ}}$

其中，η＝D₀/H，是摄像机高度与参考高度的比值。

这里k_n称为缩放因子，对于得到的每一个ROI区域的运动场，将其乘以相应的缩放因子，即可实现运动场的归一化处理。

三、特征提取

从统计的角度看，当场景中含有暴力行为时，对应ROI区域的运动场模值大、方向紊乱，这里以此特性来提取暴力行为特征。

(1)、稳定因子f_U

当有发生暴力行为时，由于人与人之间的相互阻挡与对抗，运动目标质心位置的变化较为缓慢。这种现象反应到运动场上，即运动场的均值较小。本发明提出稳定因子f_U来描述该现象，其计算方法如下：

为便于表述，设某运动区域通过块匹配准则，共获得M个运动幅度不为0的运动场，其中第i个宏块的运动场为(Vx_i，Vy_i)。分别计算运动场在x、y向上的均值

$\stackrel{\‾}{\mathrm{Vx}}=\frac{1}{M}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{Vx}}_i,$ $\stackrel{\‾}{\mathrm{Vy}}=\frac{1}{M}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{Vy}}_i$

通过如下公式计算稳定因子f_U：

$f_U=\exp (-\mathrm{\λ}\sqrt{{\stackrel{\‾}{\mathrm{Vx}}}^2+{\stackrel{\‾}{V}y}^2})$

其中，λ为固定系数，可通过实验确定，这里取λ＝0.5。

(2)、运动场平均能量M_R和平均方差σ_R

当有发生暴力行为时，运动区域的某些部位(如手臂、武器和脚等)必然以较快的速度运动，而其它一些部位的运动速度相对较慢。反应到运动场上，即运动场能量波动较大。本发明提出运动场平均能量M_R和平均方差σ_R来描述该现象。其计算方法如下：

先使用如下公式计算各运动场的能量R_i：

$R_i=\sqrt{{{\mathrm{Vx}}_i}^2+{{\mathrm{Vy}}_i}^2}$

然后计算运动场的平均能量M_R和平均方差σ_R：

$M_R=\frac{1}{M}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{R}_i$

${\mathrm{\σ}}_R=\frac{1}{M}\sqrt{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{(R_i-M_R)}^2}$

(3)、归一化方向熵E_o和方向离差M_o

当有发生暴力行为时，由于相互对抗及躲避等行为，必然导致运动场在方向上显得很杂乱。本发明提出归一化方向熵E_o和方向离差M_o来表征该现象。其实现方法如下：

step1将0～360度划分为N个方向，N为正整数，(实验发现，N的取值应取在10～30之间为宜)，分别用0～N-1进行标记，对运动场的方向进行归一化，统计各方向上运动场出现的概率，称为归一化运动方向直方图H(θ)，如图7所示，在图7中N取为16。

Step2计算归一化方向直方图H(θ)的熵E_o：

$E_o=\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}{p}_i\log p_i$

式中，p_i为运动场在第i个方向上的概率。

Step3计算方向离差M_o：对于直方图H(θ)中的第i个方向，它与任一方向j的相对方向θ_ij可用如下公式计算：

${\mathrm{\θ}}_{\mathrm{ij}}=\left\{\begin{array}{cc}|{\mathrm{\θ}}_i-{\mathrm{\θ}}_j|& \mathrm{if}|{\mathrm{\θ}}_i-{\mathrm{\θ}}_j|\≤8\\ 16-|{\mathrm{\θ}}_i-{\mathrm{\θ}}_j|& \mathrm{else}\end{array}\right.$

则第i个方向的相对方向均值

为：

$\stackrel{\‾}{{\mathrm{\θ}}_i}=\frac{1}{N}\underset{j=0}{\overset{N-1}{\mathrm{\Σ}}}\left(\right|{\mathrm{\θ}}_{\mathrm{ij}}|\×p_i)$

选取其中最小的

作为方向离差M_o：

$M_o=\underset{0\≤i\≤15}{\min }\left\{\stackrel{\‾}{{\mathrm{\θ}}_i}\right\}$

四、特征分类

通常情况下，当运动区域中有暴力行为发生时，计算得到的f_U、σ_R、E_o和M_o值较大，而M_R会处于一个相对稳定的范围内。其它行为则不满足这种统计特性，，譬如行走、聊天等一些速度较慢的运动，虽然其f_U、M_R值有可能和暴力行为相近，但σ_R、E_o和M_o的值会明显偏小；而对于跑步等速度较快的运动，其f_U值会变得很小，E_o和M_o的值偏小，M_R值会明显偏大。根据上述统计特性，本发明采用联合高斯型隶属度函数对特征参数进行归一化处理，以减小各特征参数在数量变化上的差异：

$f_i\left(x\right)=\left\{\begin{array}{cc}\exp (-{(x-c_1)}^2/2{{\mathrm{\&sigma;}}_1}^2)& \mathrm{ifx}<c_1\\ \exp (-{(x-c_2)}^2/{{\mathrm{\&sigma;}}_2}^2)& \mathrm{ifx}>c_2\\ 1& \mathrm{else}\end{array}\right.$

其中，f_i＝σ_R、E_o、M_o、M_R。c₁，c₂分别为两个高斯函数的均值，σ₁，σ₂分别为两个高斯函数的均方差，可通过实验确定。

实验证明，归一化处理后，特征参数具有良好的统计特性：当运动区域有暴力行为发生时，各特征参数均能获得较大的取值；否则，不同的正常行为发生时，有不同的特征参数取值较小。因此，算法对特征融合的要求较低，本发明采用快捷的加权求和方式对求取的特征参数进行融合，提出暴力级数RVI的概念：

${\mathrm{RVI}}_i=\underset{j=1}{\overset{5}{\mathrm{\&Sigma;}}}{w}_j\&times;f_i$

式中，0≤w_i≤1，表示第i个特征参数的权值，可通过实验确定。f_i＝f_U、M_R、σ_R、E_o、M_o。

暴力级数RVI是对运动区域中运动轨迹、速度、方向的变化情况，以及混乱程度的综合反映，对场景中的暴力行为具有较强的表征能力。因为每帧图像中通常会有多个运动区域，本发明选取其中最大的RVI来表征当前帧，定义为最大暴力级数MVI：

MVI＝max{RVI_i}

由于真实环境中人行为的多变性及其它一些不可预知因素，使用单帧MVI进行暴力行为检测容易出现较高的误警率。本发明提出平均最大暴力级数AMVI的概念，使用多帧MVI的均值来表征监视场景中正在发生暴力行为的可能性：

$\mathrm{AMVI}=\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{MVI}}_j$

使用固定阈值对当前帧的AMVI进行判定：

$\mathrm{flag}=\left\{\begin{array}{cc}1& \mathrm{ifAMVI}\&GreaterEqual;T\\ 0& \mathrm{else}\end{array}\right.$

如果flag＝1，判定场景中有暴力行为发生，当前帧为暴力帧，可发出警报或进行其它处理。

本发明的方法的优点在于：(1)可以智能检测视频中存在的斗殴、打砸、奔跑等暴力行为，检测效率高，漏检率和误检率低；(2)不需要依据人体的颜色信息进行行为判别，环境适应能力强，可以适应昼夜不间断工作；(3)不需要依靠人体的精确轮廓信息进行行为判别，可以适应不同拥挤程序的人群；(4)依据针孔摄像机模型自动进行特征归一化处理，对摄像机的架设条件要求小。

附图说明

图1暴力行为检测流程

图2运动场搜索过程

图3针孔摄像机的透视投影

图4针孔摄像机的焦距与视场角

图5目标像素在成像平面的投影角度

图6监控系统的几何示意图

图7归一化运动方向与其直方图

具体实施方式

本发明提出的暴力行为检测方法，主要包括四个步骤：

一、ROI区域获取；

二、运动场计算；

三、特征提取；

四、特征分类。

其中，

一、ROI区域获取包括：

(1)、目标检测，其具体过程为：

step1取相邻五帧图像I_k-2、I_k-1、I_k、I_k+1、I_k+2，计算帧差数据Erro；

step2确定自适应阈值T；计算帧差数据均值，并将其乘以一个加权系数，以之作为自适应阈值；

step3更新α，提取运动区域M_k；

(2)、ROI区域标识，步骤如下：

step1使用3×3中值滤波模板消除孤立运动点；

step2目标区域的合并；

采用数学形态学中的膨胀和腐蚀操作，去除图像的“孔洞”；

step3 ROI区域标识；

采用8-邻接连通方法，对检测出来的运动目标的二值图像进行标识。

二、运动场计算，ROI区域运动场的获取过程如下：

step1搜索17个“①”点，求取最小误差MBD的位置，若MBD点在搜索窗的中心，则算法结束；若MBD点在大菱形模板上，则进行step2，否则进行step3；

step2以step1的MBD点为中心，重复使用小菱形模板进行搜索，直到MBD点位于搜索窗中心；

step3将搜索步长减半，并确定新的MBD点，直到步长等于1，算法结束。

归一化方法具体为：k_n为缩放因子，对于得到的每一个ROI区域的运动场，将其乘以相应的缩放因子，即可实现运动场的归一化处理；

$k_n=\frac{\mathrm{\&eta;}}{\sin (\mathrm{\&theta;}+\mathrm{\&alpha;})\cos \mathrm{\&gamma;}}$

其中，η＝D₀/H，是摄像机高度与参考高度的比值。

三、特征提取，包括：

(1)、稳定因子f_U，其具体计算方法为：

$f_U=\exp (-\mathrm{\&lambda;}\sqrt{{\stackrel{\&OverBar;}{\mathrm{Vx}}}^2+{\stackrel{\&OverBar;}{\mathrm{Vy}}}^2})$

其中，λ为固定系数，可通过实验确定，这里取λ＝0.5，

分别表示运动场在x、y方向上的均值；

(2)、运动场平均能量M_R和平均方差σ_R

$M_R=\frac{1}{M}\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}{R}_i$

${\mathrm{\&sigma;}}_R=\frac{1}{M}\sqrt{\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}{(R_i-M_R)}^2}$

其中：R_i为各运动场的能量：

$R_i=\sqrt{{{\mathrm{Vx}}_i}^2+{{\mathrm{Vy}}_i}^2}$

(Vx_i，Vy_i)表示第i个宏块的运动场；

(3)、归一化方向熵E_o和方向离差M_o，其实现方法如下：

step1将0～360度划分为N个方向，N为；

Step2计算归一化方向直方图H(θ)的熵E_o。

四、特征分类

采用联合高斯型隶属度函数对特征参数进行归一化处理，以减小各特征参数在数量变化上的差异：

$f_i\left(x\right)=\left\{\begin{array}{cc}\exp (-{(x-c_1)}^2/2{{\mathrm{\&sigma;}}_1}^2)& \mathrm{ifx}<c_1\\ \exp (-{(x-c_2)}^2/{{\mathrm{\&sigma;}}_2}^2)& \mathrm{ifx}>c_2\\ 1& \mathrm{else}\end{array}\right.$

其中，f_i＝σ_R、E_o、M_o、M_R；c₁，c₂分别为两个高斯函数的均值，σ₁，σ₂分别为两个高斯函数的均方差，可通过实验确定。

Claims (7)

1.基于视频分析的暴力行为检测方法，其特征在于，主要包括四个步骤：

一、ROI区域获取，包括(1)、目标检测；(2)、ROI区域标识；

二、运动场计算，采用基于多菱形模板的ROI区域运动场计算方法；

三、特征提取；

四、特征分类，采用联合高斯型隶属度函数对特征参数进行归一化处理，以减小各特征参数在数量变化上的差异。

2.根据权利要求1所述的基于视频分析的暴力行为检测方法，其特征在于，ROI区域获取包括：

(1)、目标检测，其具体过程为：

step1取相邻五帧图像I_k-2、I_k-1、I_k、I_k+1、I_k+2，计算帧差数据Erro；

step2确定自适应阈值T；计算帧差数据均值，并将其乘以一个加权系数，以之作为自适应阈值；

step3更新α，提取运动区域M_k；

(2)、ROI区域标识，步骤如下：

step1使用3×3中值滤波模板消除孤立运动点；

step2目标区域的合并；

采用数学形态学中的膨胀和腐蚀操作，去除图像的“孔洞”；

step3 ROI区域标识；

采用8-邻接连通方法，对检测出来的运动目标的二值图像进行标识。

3.根据权利要求1所述的基于视频分析的暴力行为检测方法，其特征在于，运动场计算，ROI区域运动场的获取过程如下：

step1搜索17个“①”点，求取最小误差MBD的位置，若MBD点在搜索窗的中心，则算法结束；若MBD点在大菱形模板上，则进行step2，否则进行step3；

step2以step1的MBD点为中心，重复使用小菱形模板进行搜索，直到MBD点位于搜索窗中心；

step3将搜索步长减半，并确定新的MBD点，直到步长等于1，算法结束。

4.根据权利要求1所述的基于视频分析的暴力行为检测方法，其特征在于，归一化方法具体为：k_n为缩放因子，对于得到的每一个ROI区域的运动场，将其乘以相应的缩放因子，即可实现运动场的归一化处理；

$k_n=\frac{\mathrm{\&eta;}}{\sin (\mathrm{\&theta;}+\mathrm{\&alpha;})\cos \mathrm{\&gamma;}}$

其中，η＝D₀/H，是摄像机高度与参考高度的比值。

5.根据权利要求1所述的基于视频分析的暴力行为检测方法，其特征在于，特征提取，包括：

(1)、稳定因子f_U，其具体计算方法为：

$f_U=\exp (-\mathrm{\&lambda;}\sqrt{{\stackrel{\&OverBar;}{\mathrm{Vx}}}^2+{\stackrel{\&OverBar;}{\mathrm{Vy}}}^2})$

其中，λ为固定系数，可通过实验确定，这里取λ＝0.5，分别表示运动场在x、y方向上的均值；

(2)、运动场平均能量M_R和平均方差σ_R

$M_R=\frac{1}{M}\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}{R}_i$

${\mathrm{\&sigma;}}_R=\frac{1}{M}\sqrt{\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}{(R_i-M_R)}^2}$

其中：R_i为各运动场的能量：

$R_i=\sqrt{{{\mathrm{Vx}}_i}^2+{{\mathrm{Vy}}_i}^2}$

(Vx_i，Vy_i)表示第i个宏块的运动场；

(3)、归一化方向熵E_o和方向离差M_o，其实现方法如下：

     step1将0～360度划分为N个方向，N为；

     Step2计算归一化方向直方图H(θ)的熵E_o。

6.根据权利要求1所述的基于视频分析的暴力行为检测方法，其特征在于，特征分类，采用联合高斯型隶属度函数对特征参数进行归一化处理，以减小各特征参数在数量变化上的差异：

$f_i\left(x\right)=\left\{\begin{array}{cc}\exp (-{(x-c_1)}^2/2{{\mathrm{\&sigma;}}_1}^2)& \mathrm{ifx}<c_1\\ \exp (-{(x-c_2)}^2/{{\mathrm{\&sigma;}}_2}^2)& \mathrm{ifx}>c_2\\ 1& \mathrm{else}\end{array}\right.$

其中，f_i＝σ_R、E_o、M_o、M_R；c₁，c₂分别为两个高斯函数的均值，σ₁，σ₂分别为两个高斯函数的均方差，可通过实验确定。

7.根据权利要求1所述的基于视频分析的暴力行为检测方法，其特征在于，采用加权求和方式对求取的特征参数进行融合，提出暴力级数RVI的概念：

${\mathrm{RVI}}_i=\underset{j=1}{\overset{5}{\mathrm{\&Sigma;}}}{w}_j\&times;f_i$

式中，0≤w_i≤1，表示第i个特征参数的权值，可通过实验确定，f_i＝f_U、M_R、σ_R、E_o、M_o。

Images