CN103500324A - 基于视频监控的暴力行为识别方法 - Google Patents

Abstract

本发明公开一种基于视频监控的暴力行为识别方法，先初始化参数，读取视频帧图像并建立高斯背景图像；然后通过当前视频帧与背景图像帧作差分割出运动团块；接着在各个运动团块中进行光流检测并去除光流幅值小于预设阈值A1的光流矢量；接着对连续K帧图像中的运动团块进行处理，统计运动团块光流矢量的幅值和角度；最后通过判断连续K帧图像的光流幅值的和值是否大于预设阈值A2以及判断光流角度分布是否满足均匀条件来给出暴力事件报警信息。其显著效果是：能有效的从传统的视频监控数据中分析有无多人暴力行为发生，该方法的识别具有一定的鲁棒性，对公共场所的多人暴力行为识别针对性强，误报率低。

Description

基于视频监控的暴力行为识别方法

技术领域

发明涉及视频监控中的图像识别技术，具体地讲，是一种基于视频监控的暴力行为识别方法。

背景技术

多人暴力行为属于严重的突发性事件，而且持续的时间较短，其行为一旦发生，极易造成非常严重的后果，因此，多人暴力行为已经作为了公共安全技术防范的重点内容之一。而暴力行为的识别也成为智能视频监控技术领域的研究热点和难点课题。

目前，基于视频特征的多人暴力行为识别技术主要是采用单一的特征进行识别。如基于视频动态能量的暴力行为识别，这种方法主要通过提取视频帧的能量特征，通过计算视频帧的光流幅度值大小来判断暴力行为是否发生，由于视频能量特征是一种标量信息，容易导致将单人的快速或者大幅度的动作误判为暴力行为，即误报率较高。针对此问题，也有人提出用视频能量方向来判断暴力行为是否发生，该方法首先计算视频帧中能量方向，然后统计方向的分布情况，如果主方向属于随机分布，则认为是暴力行为发生，这是因为单人行走时其主方向比较明显且很突出，而暴力行为发生时，其主方向随机性较强，因此，这种方法能有效的分辨出单人行为与多人聚集情况，但很难辨识出多人随机行走和多人暴力的情况，原因是在多人随机行走的情况下其方向分布也存现出均匀分布的情况，此时容易将此误判为多人的暴力行为。

基于上述背景，如何提高多人暴力行为识别的鲁棒性是该方法的关键所在，由于多人暴力行为发生较突然且持续时间较短以及所发生的环境较为复杂，现有的智能视频技术还没有较好的解决方案，其误报率较高，对暴力行为识别的鲁棒性不高。

发明内容

为了克服现有技术对于视频监控中暴力行为识别误报率高的缺陷，本发明提供了一种基于视频监控的暴力行为识别方法。通过计算视频帧的动态能量大小、方向以及团块特征，并将三种特征为融合暴力行为辨识的基本条件，提高暴力行为识别的鲁棒性，具体技术方案如下：

一种基于视频监控的暴力行为识别方法，包括以下步骤：

步骤1：初始化参数，包括设定预设阈值A1、预设阈值A2以及整数K的值；

步骤2：读取视频帧图像；

步骤3：建立高斯背景图像；

步骤4：通过当前视频帧与背景图像帧作差分割出运动团块；

步骤5：在各个运动团块中进行光流检测；

步骤6：去除光流幅值小于预设阈值A1的光流矢量；

步骤7：对连续K帧图像中的运动团块进行处理，统计运动团块光流矢量的幅值和角度；

步骤8：判断连续K帧图像的光流幅值的和值是否大于预设阈值A2，如果是，则进入步骤9；如果不是，则返回步骤2继续读取新的视频帧图像；

步骤9：判断连续K帧图像的光流角度分布是否满足均匀条件，如果是，则给出暴力事件报警信息；如果不是，则返回步骤2继续读取新的视频帧图像。

通过上述步骤可以看出，本方案通过步骤6可以去除一些光流幅值相对较小的目标，降低后续处理的干扰，通过步骤8的幅值判断和步骤9的方向分布性判断，提高暴力行为识别的鲁棒性，减少误判率。

为了更加准确的获得判断结果，在步骤1中，设定预设阈值A1=2，预设阈值A2=140，K=5。

作为进一步描述，所述步骤7中，以30°为间隔将光流矢量分为12个方向，假设每个方向光流矢量的统计值为N_i,i＝1～12，主方向的统计值为N_m，则主方向占比率

在所述步骤9中，如果主方向占比率p大于预设阈值ps，则不满足均匀条件；否则满足均匀条件。

根据实际场景的需求，所述预设阈值ps在步骤1中设定为ps＝0.32。

通过采用以上技术方案，本发明的显著效果是：能有效的从传统的视频监控数据中分析有无多人暴力行为发生，该方法的识别具有一定的鲁棒性，对公共场所的多人暴力行为识别针对性强，误报率低。

附图说明

图1是本发明的方法步骤流程图；

图2是正常情况下光流检测幅值和方向分布图；

图3是暴力行为发生时光流检测幅值和方向分布图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，下面结合附图及具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用于解释本发明，并不用于限定本发明。

如图1所示的一种基于视频监控的暴力行为识别方法的流程图，包括以下步骤：

步骤1：初始化参数，设定预设阈值A1=2、预设阈值A2=140，预设阈值ps＝0.32以及整数K=5；

步骤2：从视频监控系统中读取视频帧图像，采集视频帧主要是借助采集卡提供的开发包，直接从帧容器中读取所需要的序列帧数据即可，为了便于调试以及方法的有效计算，在实施过程中，本步骤中还将所得的视频数据进行标准化采样处理，即初始化为320*240像素大小的图像。

步骤3：利用高斯建模的方式建立高斯背景图像；

步骤4：通过当前视频帧与背景图像帧作差分割出运动团块；

步骤5：在各个运动团块中进行光流检测，光流检测即OpticalFlow方法，属于图像处理技术中的一种惯用手法，本方案考虑到技术的应用背景，采用了一种计算速度较快的Lucas-Kanade算法来实现；

步骤6：去除光流幅值小于预设阈值A1的光流矢量，该步骤主要用于消除局部干扰，降低后续处理的误判率；

步骤7：对连续K帧图像中的运动团块进行处理，统计运动团块光流矢量的幅值和角度；

具体可以参见图2和图3，其中图2（a）和图3（a）为光流能量直方图，横坐标从左向右为帧序数，纵坐标为能量的大小，每一个根直方柱是一帧视频图像中的光流能量，图2（b）和图3（b）为光流能量累积直方图，每个根直方柱表示当前帧和前四帧的光流能量的累积量，图2（c）和图3（c）是光流方向分布直方图，该步骤中，以30°为间隔将光流矢量分为12个方向，图中横坐标依次为方向区域1，2，…，12，纵坐标为光流矢量的个数。在本实施例中，将360度的方向按照[0～30)，[31～60)，…，[270～360)分为12个方向区域，对检测到的每个光流矢量，其方向如果在某个区间内则对应的方向直方柱高度增加1，图中最高的直方柱，也就是光流矢量的主方向。假设每个方向光流矢量的统计值为N_i,i＝1～12，主方向的统计值为N_m，则主方向占比率

在此计算出的主方向占比率主要用于后续步骤中判断光流角度分布是否满足均匀条件。

步骤8：判断连续K帧图像的光流幅值的和值是否大于预设阈值A2，如果是，则进入步骤9；如果不是，则返回步骤2继续读取新的视频帧图像；

步骤9：判断连续K帧图像的光流角度分布是否满足均匀条件，如果是，则给出暴力事件报警信息；如果不是，则返回步骤2继续读取新的视频帧图像。

通过图2和图3可以看出，在视频图像中，行人正常行走时，其光流能量直方图/累积直方图和方向直方图如图2所示，其累积能量有可能超过设定的ALARM线，图中2（b）中的直线，但其主方向占比率远大于设定的阈值，因此不会产生暴力行为报警。

如果有两人打架产生暴力行为时，其光流能量直方图/累积直方图和方向直方图如图3所示，其累积能量连续多次超过设定的ALARM线，同时其主方向占比率小于设定的阈值，从而判断为暴力行为，触发报警。

通过本方法可以看出，采用双重判别机制，在避免漏判的同时降低了误判率，提供了视频监控系统中暴力行为报警的准确性。

Claims (4)

1.一种基于视频监控的暴力行为识别方法，其特征在于包括以下步骤：

步骤1：初始化参数，包括设定预设阈值A1、预设阈值A2以及整数K的值；

步骤2：读取视频帧图像；

步骤3：建立高斯背景图像；

步骤4：通过当前视频帧与背景图像帧作差分割出运动团块；

步骤5：在各个运动团块中进行光流检测；

步骤6：去除光流幅值小于预设阈值A1的光流矢量；

步骤7：对连续K帧图像中的运动团块进行处理，统计运动团块光流矢量的幅值和角度；

步骤8：判断连续K帧图像的光流幅值的和值是否大于预设阈值A2，如果是，则进入步骤9；如果不是，则返回步骤2继续读取新的视频帧图像；

步骤9：判断连续K帧图像的光流角度分布是否满足均匀条件，如果是，则给出暴力事件报警信息；如果不是，则返回步骤2继续读取新的视频帧图像。

2.根据权利要求1所述的基于视频监控的人体暴力行为识别方法，其特征在于：在步骤1中，设定预设阈值A1=2，预设阈值A2=140，K=5。

3.根据权利要求1所述的基于视频监控的人体暴力行为识别方法，其特征在于：所述步骤7中，以30°为间隔将光流矢量分为12个方向，假设每个方向光流矢量的统计值为N_i,i＝1～12，主方向的统计值为N_m，则主方向占比率

在所述步骤9中，如果主方向占比率p大于预设阈值ps，则不满足均匀条件；否则满足均匀条件。

4.根据权利要求3所述的基于视频监控的人体暴力行为识别方法，其特征在于：所述预设阈值ps在步骤1中设定为ps＝0.32。

Images