CN103693532B - 一种电梯轿厢内暴力行为检测方法 - Google Patents

Abstract

本发明提供了一种电梯轿厢内暴力行为检测方法。首先使用混合高斯模型提取运动前景，并对运动区域进行标记；采用Harris算子检测运动区域的角点：再采用金字塔Lucas-Kanade光流算法计算运动区域中角点的光流信息。然后统计角点光流信息的熵，并与设定的阈值进行比较，判断是否存在异常行为。本发明提出了一种电梯轿厢内暴力行为检测方法，较好地解决了当前电梯监控中依靠人工判别暴力行为的问题，具有良好的实用性和较高的检测率。

Description

一种电梯轿厢内暴力行为检测方法

技术领域

本发明涉及行为识别领域，尤其涉及一种电梯轿厢内暴力行为检测方法。

背景技术

随着社会发展，高楼大厦越来越多，电梯的使用越来越普遍，同时由于电梯的相对封闭性，电梯轿厢内暴力行为日益增多，其安全问题得到广泛的关注。传统的视频监控无法自动的检测暴力行为，还需要人工参与其中，效率很难令人满意，因此基于动态图像理解的电梯内防暴力监控成为当前的迫切需求之一。

但是目前研究较多的都是基于统计特征来检测异常行为的，这就需要建立一个训练学习机制，而这一学习机制的建立就要求必须有较多的训练样本，从而使得现有的基于统计特征的检测方法无法得到实际应用。此外，即使能够做到建立多样本数据库，由于收集较多训练样本的成本和工作量很大，无法在实际电梯系统中推广。

针对上述问题，以及电梯轿厢内人体运动幅度较小的特点，本发明提供了一种基于光流信息的电梯轿厢内暴力行为检测方法，无需建立样本训练库，实时性和鲁棒性较好，具有良好的实用性。

发明内容

本发明的主要目的在于克服现有技术的缺点与不足，提供一种电梯轿厢内暴力行为检测方法，该方法具有很好的适用性，并且具有较高的检测正确率。

本发明专利所解决的技术问题可采用如下的技术解决方案来实现：

一种电梯轿厢内暴力行为检测方法，其特征在于包括以下步骤：

步骤1，采用混合高斯模型提取运动前景，在提取出前景后，经过形态学处理，包括腐蚀、膨胀、高斯平滑滤波和开闭运算，可以得到较完整的运动前景区域，然后去除面积较小的区域，标记出主要的运动区域。

步骤2，采用Harris算子检测运动区域的角点，并记录角点的位置信息。

步骤3，采用3层金字塔Lucas-Kanade光流法计算角点光流信息。图像I_n中的某个角点u=(u_xu_y)^T，计算其光流的过程就是在图像I_n+1中找到具有相似图像强度的一点u′=u+d=[u_x+d_xu_y+d_y]^T，其中向量d=[d_xd_y]^T是角点u的速度向量。

步骤4，计算角点光流信息的熵值E_f，阈值T_ab取0.50～0.60，若E_f＞T_ab判断有异常行为发生。

本发明较已有暴力行为检测技术的优点在于：无需大量的训练样本，并且不需要精确的人体分割和跟踪，灵活性、鲁棒性较好，检测率高。

附图说明

图1是本发明提出的一种电梯轿厢内暴力行为检测方法的流程图

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

如图1所示，一种电梯轿厢内暴力行为检测方法包括以下步骤：

1)混合高斯模型提取运动前景目标。图像的每个像素点在时间域内的变化用K个多维高斯分布来模拟，{X₁，X₂，…，X_t}表示像素点P(x，y)的观测值序列，在t时刻该像素点值为X_t的概率为

$P\left(X_t\right)=\underset{i=1}{\overset{K}{\mathrm{\Σ}}}{w}_{i,t}N(X_t,{\mathrm{\μ}}_{i,t},{\mathrm{\Σ}}_{i,t})$

其中：K为高斯分布的个数，w_i，t为第i个高斯分布的权值，N(X，μ，∑)为高斯分布概率密度函数，μ_i，t和∑_i，t为第i个高斯分布的均值和协方差矩阵。

将混合高斯模型中的K个高斯分布按w_i，t/|∑_i，t|^1/2大小排列，取前面B个高斯分布作为背景模型。若当前像素与背景模型的高斯分布的差小于一定范围，则判定为背景B_t

再更新权值与背景模型：

w_i，t=(1-λ)w_i，t-1+λB_t

μ_i，t=(1-α)μ_i，t+αX_i，t

∑_i，t=(1-α)∑_i，t-1+α(X_i，t-μ_i，t)(X_i，t-μ_i，t)^T

其中：λ为学习率，α=λ/w_i，t

在提取出前景后，经过形态学处理，包括腐蚀、膨胀、高斯平滑滤波和开闭运算，可以得到较完整的运动前景区域，然后去除面积较小的区域，标记出主要的运动区域。

2)采用Harris算子检测运动区域的角点。定义每个像素点周围小窗口的二阶导数图像的自相关矩阵：

$M(x,y)=\left[\begin{array}{cc}\underset{-K\≤i,j\≤K}{\mathrm{\Σ}}{w}_{i,j}{I}_x^2(x+i,y+i)& \underset{-K\≤i,j\≤K}{\mathrm{\Σ}}{w}_{i,j}{I}_x(x+i,y+j)I_y(x+i,y+j)\\ \underset{-K\≤i,j\≤K}{\mathrm{\Σ}}{w}_{i,j}{I}_x(x+i,y+j)I_y(x+i,y+j)& \underset{-K\≤i,j\≤K}{\mathrm{\Σ}}{w}_{i,j}{I}_y^2(x+i,y+i)\end{array}\right]$

其中：K表示窗口大小，取值为1、3、5等奇数；w_i，j是归一化的权重比例，为窗口函数；I_x为x方向的梯度，I_y为y方向的梯度。Harris角点位于图像二阶导数的自相关矩阵有两个最大特征值的地方。

定义：

R=det[M(x，y)]-k[trace(M(x，y))]²

其中：k为相对权重的权重系数，det[M(x，y)]是矩阵M(x，y)的行列式值，trace(M(x，y))是矩阵M(x，y)的迹，则可以计算出自相关矩阵的两个特征值λ₁和λ₂，从而可以算出R的值，若R大于设定的阈值，则该像素点为角点。

3)计算角点光流信息。图像I_n中的某个角点u=(u_xu_y)^T，计算其光流的过程就是在图像I_n+1中找到具有相似图像强度的一点u′=u+d=[u_x+d_xu_y+d_y]^T，其中向量d=[d_xd_y]^T是角点u的速度向量。

这里使用3层金字塔Lucas-Kanade光流法计算角点光流信息，并用n×4的矩阵来表示：

$V=\left[\begin{array}{cccc}{x}_1& y_1& {\mathrm{\δ}}_1& {\mathrm{\α}}_1\\ .& .& .& .\\ x_i& y_i& {\mathrm{\δ}}_i& {\mathrm{\α}}_i\\ .& .& .& .\\ x_n& y_n& {\mathrm{\δ}}_n& {\mathrm{\α}}_n\end{array}\right]$

其中：n为角点数目；x_i，y_i为对应角点的位置；δ_i为权重系数(0＜δ_i≤1)，距离摄像头近的角点拥有较大的权重，较远的角点权重较小，假设图像大小为m×n，则δ_i=y_i/n；α_i为光流方向。

4)计算角点光流信息的熵值。

定义角点光流的方向分布程度为C_v，位移分布程度为D_r

$C_v=1-\frac{\sqrt{{\left[\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\sin \left({\mathrm{\α}}_1\right)\right]}^{\text{2}}+{\left[\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\cos \left({\mathrm{\α}}_1\right)\right]}^2}}{\text{n}}$

$D_r=\frac{{\mathrm{\δ}}_{\mathrm{std}}}{\mathrm{\δ}}$

其中： $\stackrel{\‾}{\mathrm{\δ}}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\δ}}_i,$ 为平均位移； ${\mathrm{\δ}}_{\mathrm{std}}=\sqrt{\frac{1}{n-1}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{({\mathrm{\δ}}_i-\stackrel{\‾}{\mathrm{\δ}})}^2},$ 为位移的标准差。

则可以计算得到香农熵值为

$E_f=p\left(c_v\right){\log }_e\frac{1}{p\left(c_v\right)}+p\left(d_r\right){\log }_e\frac{1}{p\left(d_r\right)}$

其中： $p\left(c_v\right)=\frac{C_v}{C_v+D_r},$ $p\left(d_r\right)=\frac{D_r}{C_v+D_r}.$

阈值T_ab取0.50～0.60，若E_f＞T_ab判断有异常行为发生。

Claims (3)

1.一种电梯轿厢内暴力行为检测方法，其特征在于，包括以下几个步骤：

步骤1，通过高斯混合模型提取出运动的视频目标，经过形态学处理，包括腐蚀、膨胀、高斯平滑滤波和开闭运算，得到较完整的运动前景区域；

步骤2，采用Harris算子检测运动前景区域的角点；

步骤3，使用金字塔Lucas-Kanade光流算法提取步骤2所获得的角点光流信息；

步骤4，计算步骤3中的角点光流信息的熵值，并与设定的阈值进行比较，大于阈值则判为异常行为；计算角点光流信息的熵值时，定义角点光流的方向分布程度为C_v，位移分布程度为D_r， $C_v=1-\frac{\sqrt{{\[\underset{t=1}{\overset{n}{\Σ}}sin\left({\mathrm{\α}}_t\right)\]}^2+{\[\underset{t=1}{\overset{n}{\Σ}}cos\left({\mathrm{\α}}_t\right)\]}^2}}{n},$ $D_r=\frac{{\mathrm{\δ}}_{std}}{\stackrel{\‾}{\mathrm{\δ}}},$ 其中： $\stackrel{\‾}{\mathrm{\δ}}=\frac{1}{n}\underset{t=1}{\overset{n}{\Σ}}{\mathrm{\δ}}_t,$ 为平均位移；为位移的标准差，角点光流信息的熵值为 $E_f=p\left(c_v\right){\log }_e\frac{1}{p\left(c_v\right)}+p\left(d_r\right){\log }_e\frac{1}{p\left(d_r\right)},$ 其中： $p\left(c_v\right)=\frac{C_v}{C_v+D_r},p\left(d_r\right)=\frac{D_r}{C_v+D_r}.$

2.根据权利要求1所述的电梯轿厢内暴力行为检测方法，其特征在于：所述的光流信息为运动区域中的角点光流信息，这样不但减少了由光照引起的干扰，而且有效的降低了光流法的计算量。

3.根据权利要求1所述的电梯轿厢内暴力行为检测方法，其特征在于：步骤4中对角点光流信息的熵值统计，其中包括了光流矢量的方向和位移信息。