CN103123689B - 一种基于人腿检测的奔跑检测方法和装置 - Google Patents

Abstract

本发明公开了一种行为检测方法及装置，该方法包括：使用高斯背景建模法提取前景图像；在所述前景图像中提取人体骨架；在所述人体骨架中定位人体双腿；根据所述人体双腿夹角判断是否发生奔跑行为。通过本发明，提高了行为检测的准确性。

Description

一种基于人腿检测的奔跑检测方法和装置

技术领域

本发明涉及机器视觉技术领域，特别涉及一种基于人腿检测的奔跑检测方法和装置。

背景技术

随着社会发展和智能城市的需要，越来越多的公共场所安装了视频监控系统。有些视频监控系统中有这样一类功能需求，即视频中是否有快速奔跑的人。该需求为视频监控中行为分析问题，属于智能视频监控较高级处理目标。

发明内容

为了达到上述目的，本发明提供了一种行为检测方法及装置。

根据本发明的一个方面，提供了一种行为监测方法，包括：使用高斯背景建模法提取前景图像；在所述前景图像中提取人体骨架；在所述人体骨架中定位人体双腿；根据所述人体双腿夹角判断是否发生奔跑行为。

优选地，使用高斯背景建模法提取前景图像包括：将前景图像中的每个图像单位作为从混合高斯分布样本中采样得到的随机变量；根据预设值，每个像素点是前景或背景的先验概率进行估值。

优选地，在所述前景图像中提取人体骨架包括：

通过细化提取人体骨架，即迭代的去除区域边界像素。

优选地，在所述人体骨架中定位人体双腿包括：

对提取的所述人体骨架搜过左下角和右下角的最大值作为人体双脚的位置以表示人体双腿的位置

优选地，根据所述人体双腿夹角判断是否发生奔跑行为包括：

以人体区域外接矩形中心和双脚位置点组成的角作为检测指标，当这个角度大于阈值thr1时，则确定发生奔跑行为。

根据本发明的又一方面，提供了一种行为监测装置，包括：第一提取模块，用于使用高斯背景建模法提取前景图像；第二提取模块，用于在所述前景图像中提取人体骨架；定位模块，用于在所述人体骨架中定位人体双腿；判断模块，用于根据所述人体双腿夹角判断是否发生奔跑行为。

优选地，所述第一提取模块包括：第一处理模块，用于将前景图像中的每个图像单位作为从混合高斯分布样本中采样得到的随机变量；第二处理模块，用于根据预设值，每个像素点是前景或背景的先验概率进行估值。

优选地，所述第二提取模块用于通过细化提取人体骨架，即迭代的去除区域边界像素。

优选地，所述定位模块用于对提取的所述人体骨架搜过左下角和右下角的最大值作为人体双脚的位置以表示人体双腿的位置

优选地，所述判断模块用于以人体区域外接矩形中心和双脚位置点组成的角作为检测指标，当这个角度大于阈值thr1时，则确定发生奔跑行为。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据本发明实施例的行为检测方法的流程图；

图2是根据本发明实施例的行为检测装置的结构框图；

图3是根据本发明实施例的奔跑检测的流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本实施例提供了一种行为检测方法，图1是根据本发明实施例的行为检测方法的流程图，如图1所示，包括如下步骤：

步骤Ｓ102：使用高斯背景建模法提取前景图像。

步骤Ｓ104：在该前景图像中提取人体骨架；

步骤Ｓ106：在该人体骨架中定位人体双腿；

步骤Ｓ108：根据该人体双腿夹角判断是否发生奔跑行为。

优选地，使用高斯背景建模法提取前景图像包括：将前景图像中的每个图像单位作为从混合高斯分布样本中采样得到的随机变量；根据预设值，每个像素点是前景或背景的先验概率进行估值。

优选地，在该前景图像中提取人体骨架包括：通过细化提取人体骨架，即迭代的去除区域边界像素。

优选地，在该人体骨架中定位人体双腿包括：对提取的该人体骨架搜过左下角和右下角的最大值作为人体双脚的位置以表示人体双腿的位置

优选地，根据该人体双腿夹角判断是否发生奔跑行为包括：以人体区域外接矩形中心和双脚位置点组成的角作为检测指标，当这个角度大于阈值thr1时，则确定发生奔跑行为。

根据本发明的一个方面，一种行为检测装置，图2是根据本发明实施例的行为检测装置的结构框图，如图2所示，该装置包括：第一提取模块22，用于使用高斯背景建模法提取前景图像；第二提取模块24，用于在该前景图像中提取人体骨架；定位模块26，用于在该人体骨架中定位人体双腿；判断模块28，用于根据该人体双腿夹角判断是否发生奔跑行为。

优选地，该第一提取模块包括：第一处理模块，用于将前景图像中的每个图像单位作为从混合高斯分布样本中采样得到的随机变量；第二处理模块，用于根据预设值，每个像素点是前景或背景的先验概率进行估值。

优选地，该第二提取模块用于通过细化提取人体骨架，即迭代的去除区域边界像素。

优选地，该定位模块用于对提取的该人体骨架搜过左下角和右下角的最大值作为人体双脚的位置以表示人体双腿的位置

优选地，该判断模块用于以人体区域外接矩形中心和双脚位置点组成的角作为检测指标，当这个角度大于阈值thr1时，则确定发生奔跑行为。

优选实施例一

本优选实施例提出一种基于人腿检测的奔跑检测方法。利用混合高斯背景建模法提取出人体运动的前景图像。再对人体图像进行一系列形态学处理和二值化操作，提取出人体的骨骼图。最后人体双腿之间的夹角大小判断是否发生奔跑行为。通过使用骨骼图计算双腿夹角，解决了奔跑检测难的问题。

优选实施例二

本优选实施例提出一种基于人腿检测的奔跑检测方法。该方法包括如下步骤：

（1）提取运动人体：

使用混合高斯背景建模发提取出场景中运动的人体区域。

单高斯背景建模为 $f(x;\mathrm{\μ};\mathrm{\σ})=\mathrm{\φexp}(\frac{-{(x-\mathrm{\μ})}^2}{{2\mathrm{\σ}}^2}.$

混合高斯背景建模

1）首先初始化混合模型参数，包括：

每个高斯模型的所占权重

每个高斯模型的均值和标准差。

其中权重的初始化就是对背景的分布进行先验概率的估值，在初始化的时候，一般将第一个高斯模型的权重取较大，其他就相应的取值较小，即：

${\mathrm{\ω}}_k(x,y,1)=\left\{\begin{array}{cc}W& k=1\\ (1-W)/(K-1)& k\≠1\end{array}\right.$

其中第一个高斯模型的均值等于输入视频的第一帧对应的的像素值或处理单位的平均值，即：

${\mathrm{\&mu;}}_k(x,y,l,1)=\left\{\begin{array}{cc}I(x,y,l,1)& k=1\\ 0& k\&NotEqual;1\end{array}\right.$ 0<k<=K

K个高斯模型的方差v：

σ_k ²(x,y,1)=vark=1,2,...,K

所有高斯模型的初始方差都是相等的，即：σ_k ²(x,y,1)=vark=1,2,...,K

var取值直接与该视频的动态特性相关。

2）更新高斯模型参数

遍历每个高斯模型，比较下式：

(I(x,y,l,f)-μ_k(x,y,l,f-1))²<c*σ_k(x,y,f-1)²

如果对于所有的颜色分量都成立，那么就把该像素归于第B个高斯模型，否则，就不属于任何一个高斯模型，这就相当于出现了野点。以上两种情况都需要做相应的更新。

情况1相应的更新：

情况1表示当前的像素点的值满足第B个高斯分布，那么这个像素并不一定属于背景，需要判定这第B个高斯分布是否满足以下条件：

$\underset{n=1}{\overset{B}{\mathrm{\&Sigma;}}}{w}_B(x,y,f)<\mathrm{Threshold}$

则说明该像素点属于背景点，否则就属于前景点。

如果该像素属于背景点，那么就说明第B个背景分布输出了一个采样值，这时所有分布都需要进行参数更新。

对应的第B个高斯模型参数更新如下：

w_B(x,y,f)=(1-α)*w_B(x,y,f-1)+α

μ_B(x,y,l,f)=(1-β)*μ_B(x,y,l,f-1)+β*I(x,y,l,f)

σ_B ²(x,y,f)=(1-β)*σ_B ²(x,y,f-1)+β*(I(:)-μ_B(:))^T*(I(:)-μ_B(:))

其余的高斯模型只改变权值，均值和方差都保持不变，即：

w_k(x,y,f)=(1-α)*w_k(x,y,f-1)k≠B

β=αη(I(x,y,:,f)|μ_B,σ_B)

野点指的是该像素值不符合任何一个高斯分布，此时我们把该像素点看成是视频中出现的新情况，用这种新情况来代替第K个高斯分布，其权重和均值以及方差都按照初始化思路确定，也就是分配一个较小的权重，和一个较大的方差，即：w_K(x,y,f)=(1-W)/(K-1)

μ_K(x,y,l,f)=I(x,y,l,f)

σ_K(x,y,l,f)=var

同时确定该点是前景点。

（2）提取人体骨骼图：

首先对提取的前景图像做开运算和闭运算处理。将每个人的人体图像连在一起。将不同人分开。由于这不是本发明的重点，故这里不再详细描述。

然后再通过细化算法提取骨架

1）令R为前景区域像素的集合，Hi(R)为它的内部边界，而H0（R）为它的外部边界。令S（R）为区域R中的部分像素集合，这些像素在8连通下所有邻居或者来自内部边界Hi(R)或者来自背景——R的余集。赋值Rold=R。

2）建立一个新的区域RNEW为如下的一步细化的结果：

Rnew=S（Rold）∪[Rold-Hi(Rold)]∪[H0(S(Rold))∩Rold]

3)如果Rnew=Rold，结束迭代，并执行下一步，头则赋值Rold=Rnew，执行步骤2）。

4）RNEW是骨架像素的集合，即区域R的骨架。

（3）查找双腿顶点：

首先对骨骼图图像做查找轮廓的处理，然后再根据轮廓计算外接矩形。对于每一个外接矩形区域内的骨骼图，找多最左边和最右边的位置。以最左边点的最低点和最右边点的最低点作为双脚的位置。

（4）检测奔跑：

根据双脚的位置和矩形中心的位置估算双腿之间的夹角。

设矩形中心点，左脚点，右角点分别为A,B,C

其坐标分别为(AX,AY),(BX,BY),(CX,CY)。

夹角a=[(BX-AX)*(CX-AX)+(BY-AY)*(CY-AY)]/{[(BX-AX)^2+(BY-AY)^2]^0.5+[(CX-CX)^2+(CY-CY)^2]^0.5}

若a>thr1;

则认定此矩形区域内发生了奔跑。存储相关信息到服务器。

优选实施例三

本优选实施例提供了一种行为监测方法，图3是根据本发明实施例的奔跑检测的流程图，如图3所示，该方法包括步骤S302至步骤S316。

步骤S302：获取图像。

步骤S304：提取运动区域。

步骤S306：提取骨骼图。

步骤S308：定位双脚。

步骤S310：计算双腿夹角。

步骤S312：距离大于阈值。

步骤S314：奔跑。

步骤S316：非奔跑。

需要说明的是，本发明不受光照变化的影响，能够快速较准确的检测出视频中的奔跑事件。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (4)

1.一种行为检测方法，其特征在于，包括：

使用高斯背景建模法提取前景图像；

在所述前景图像中通过细化提取人体骨架，即迭代的去除区域边界像素；

在所述人体骨架中定位人体双腿；

根据所述人体双腿夹角判断是否发生奔跑行为；

其中，在所述人体骨架中定位人体双腿包括：

对提取的所述人体骨架搜过左下角和右下角的最大值作为人体双脚的位置以表示人体双腿的位置；

根据所述人体双腿夹角判断是否发生奔跑行为包括：

以人体区域外接矩形中心和双脚位置点组成的角作为检测指标，当这个角度大于阈值thr1时，则确定发生奔跑行为；

其中，设矩形中心点，左脚点，右脚点分别为A，B，C

其坐标分别为(AX,AY)，(BX,BY)，(CX,CY)；

夹角a＝[(BX-AX)*(CX-AX)+(BY-AY)*(CY-AY)]/{[(BX-AX)^2+(BY-AY)^2]^0.5+[(CX-CX)^2+(CY-CY)^2]^0.5}

若a>thr1；

则认定此矩形区域内发生了奔跑。

2.根据权利要求1所述的方法，其特征在于，使用高斯背景建模法提取前景图像包括：

将前景图像中的每个图像单位作为从混合高斯分布样本中采样得到的随机变量；

根据预设值，每个像素点是前景或背景的先验概率进行估值。

3.一种行为检测装置，其特征在于，包括：

第一提取模块，用于使用高斯背景建模法提取前景图像；

第二提取模块，用于在所述前景图像中通过细化提取人体骨架，即迭代的去除区域边界像素；

定位模块，用于在所述人体骨架中定位人体双腿；

判断模块，用于根据所述人体双腿夹角判断是否发生奔跑行为；

所述定位模块，还用于对提取的所述人体骨架搜过左下角和右下角的最大值作为人体双脚的位置以表示人体双腿的位置；

所述判断模块，还用于以人体区域外接矩形中心和双脚位置点组成的角作为检测指标，当这个角度大于阈值thr1时，则确定发生奔跑行为；

其中，设矩形中心点，左脚点，右脚点分别为A，B，C

其坐标分别为(AX,AY)，(BX,BY)，(CX,CY)；

夹角a＝[(BX-AX)*(CX-AX)+(BY-AY)*(CY-AY)]/{[(BX-AX)^2+(BY-AY)^2]^0.5+[(CX-CX)^2+(CY-CY)^2]^0.5}

若a>thr1；

则认定此矩形区域内发生了奔跑。

4.根据权利要求3所述的装置，其特征在于，所述第一提取模块包括：

第一处理模块，用于将前景图像中的每个图像单位作为从混合高斯分布样本中采样得到的随机变量；

第二处理模块，用于根据预设值，每个像素点是前景或背景的先验概率进行估值。