CN103693532B - 一种电梯轿厢内暴力行为检测方法 - Google Patents
一种电梯轿厢内暴力行为检测方法 Download PDFInfo
- Publication number
- CN103693532B CN103693532B CN201310745123.3A CN201310745123A CN103693532B CN 103693532 B CN103693532 B CN 103693532B CN 201310745123 A CN201310745123 A CN 201310745123A CN 103693532 B CN103693532 B CN 103693532B
- Authority
- CN
- China
- Prior art keywords
- angle point
- act
- flow information
- detection method
- optic flow
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Image Analysis (AREA)
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
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In中的某个角点u=(uxuy)T,计算其光流的过程就是在图像In+1中找到具有相似图像强度的一点u′=u+d=[ux+dxuy+dy]T,其中向量d=[dxdy]T是角点u的速度向量。
步骤4,计算角点光流信息的熵值Ef,阈值Tab取0.50~0.60,若Ef>Tab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,…,Xt}表示像素点P(x,y)的观测值序列,在t时刻该像素点值为Xt的概率为
其中:K为高斯分布的个数,wi,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,μi,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wi,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Bt
再更新权值与背景模型:
wi,t=(1-λ)wi,t-1+λBt
μi,t=(1-α)μi,t+αXi,t
∑i,t=(1-α)∑i,t-1+α(Xi,t-μi,t)(Xi,t-μi,t)T
其中:λ为学习率,α=λ/wi,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:
其中:K表示窗口大小,取值为1、3、5等奇数;wi,j是归一化的权重比例,为窗口函数;Ix为x方向的梯度,Iy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In中的某个角点u=(uxuy)T,计算其光流的过程就是在图像In+1中找到具有相似图像强度的一点u′=u+d=[ux+dxuy+dy]T,其中向量d=[dxdy]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:
其中:n为角点数目;xi,yi为对应角点的位置;δi为权重系数(0<δi≤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δi=yi/n;αi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Cv,位移分布程度为Dr
其中: 为平均位移; 为位移的标准差。
则可以计算得到香农熵值为
其中:
阈值Tab取0.50~0.60,若Ef>Tab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Cv,位移分布程度为Dr, 其中: 为平均位移;为位移的标准差,角点光流信息的熵值为 其中:
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310745123.3A CN103693532B (zh) | 2013-12-26 | 2013-12-26 | 一种电梯轿厢内暴力行为检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310745123.3A CN103693532B (zh) | 2013-12-26 | 2013-12-26 | 一种电梯轿厢内暴力行为检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103693532A CN103693532A (zh) | 2014-04-02 |
CN103693532B true CN103693532B (zh) | 2016-04-27 |
Family
ID=50355235
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310745123.3A Active CN103693532B (zh) | 2013-12-26 | 2013-12-26 | 一种电梯轿厢内暴力行为检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103693532B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104123544B (zh) * | 2014-07-23 | 2018-03-13 | 通号通信信息集团有限公司 | 基于视频分析的异常行为检测方法及系统 |
CN104778447B (zh) * | 2015-03-23 | 2018-01-12 | 中国民航大学 | 一种基于网格单元特征的人群聚集行为检测方法 |
CN107480578A (zh) * | 2016-06-08 | 2017-12-15 | 国家计算机网络与信息安全管理中心 | 一种利用人群行为分析的视频检测系统及方法 |
CN107777498B (zh) * | 2017-11-20 | 2019-07-19 | 江苏省特种设备安全监督检验研究院 | 一种电梯轿厢内暴力行为检测方法 |
CN111126176A (zh) * | 2019-12-05 | 2020-05-08 | 山东浪潮人工智能研究院有限公司 | 一种用于特定环境的监控分析系统及方法 |
CN111539265B (zh) * | 2020-04-02 | 2024-01-09 | 申龙电梯股份有限公司 | 一种电梯轿厢内异常行为检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156985A (zh) * | 2011-04-11 | 2011-08-17 | 上海交通大学 | 基于虚拟卡口的行人及车辆数目计数方法 |
CN102156991A (zh) * | 2011-04-11 | 2011-08-17 | 上海交通大学 | 基于四元数的物体光流跟踪方法 |
CN102708571A (zh) * | 2011-06-24 | 2012-10-03 | 杭州海康威视软件有限公司 | 视频中剧烈运动的检测方法及其装置 |
CN103400160A (zh) * | 2013-08-20 | 2013-11-20 | 中国科学院自动化研究所 | 一种零训练样本行为识别方法 |
CN104732236A (zh) * | 2015-03-23 | 2015-06-24 | 中国民航大学 | 一种基于分层处理的人群异常行为智能检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010013236A1 (en) * | 2008-07-29 | 2010-02-04 | Superfish Ltd | Increasing interest point coverage in an image |
-
2013
- 2013-12-26 CN CN201310745123.3A patent/CN103693532B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156985A (zh) * | 2011-04-11 | 2011-08-17 | 上海交通大学 | 基于虚拟卡口的行人及车辆数目计数方法 |
CN102156991A (zh) * | 2011-04-11 | 2011-08-17 | 上海交通大学 | 基于四元数的物体光流跟踪方法 |
CN102708571A (zh) * | 2011-06-24 | 2012-10-03 | 杭州海康威视软件有限公司 | 视频中剧烈运动的检测方法及其装置 |
CN103400160A (zh) * | 2013-08-20 | 2013-11-20 | 中国科学院自动化研究所 | 一种零训练样本行为识别方法 |
CN104732236A (zh) * | 2015-03-23 | 2015-06-24 | 中国民航大学 | 一种基于分层处理的人群异常行为智能检测方法 |
Non-Patent Citations (5)
Title |
---|
一种改进的图像快速高精度角点检测算法;何丰等;《电视技术》;20111231;第35卷(第15期);57-60 * |
一种新的Harris多尺度角点检测;张小洪等;《电子与信息学报》;20070715;第29卷(第07期);1735-1738 * |
一种面向监视场景的斗殴行为快速检测算法;秦陈刚等;《数字技术与应用》;20101231(第04期);38-39 * |
基于区域光流特征的异常行为检测;杜鉴豪等;《浙江大学学报(工学版)》;20110731;第45卷(第07期);1161-1166 * |
模式识别和电视跟踪在前庭功能检查中的应用;尹传历等;《电子器件》;20080615;第31卷(第03期);935-937 * |
Also Published As
Publication number | Publication date |
---|---|
CN103693532A (zh) | 2014-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103693532B (zh) | 一种电梯轿厢内暴力行为检测方法 | |
CN103077423B (zh) | 基于视频流的人群数量估计、局部人群聚集状态以及人群跑动状态检测方法 | |
CN110188705A (zh) | 一种适用于车载系统的远距离交通标志检测识别方法 | |
CN103390278B (zh) | 一种视频异常行为检测系统 | |
CN108122247A (zh) | 一种基于图像显著性和特征先验模型的视频目标检测方法 | |
CN103258332B (zh) | 一种抗光照变化的运动目标的检测方法 | |
CN103617328B (zh) | 一种飞机三维姿态解算方法 | |
CN105224912A (zh) | 基于运动信息和轨迹关联的视频行人检测和跟踪方法 | |
CN102955940B (zh) | 一种输电线路物体检测系统及方法 | |
CN103745191B (zh) | 一种基于地形分析的黄土地区塬梁峁自动识别方法 | |
CN103489193B (zh) | 基于融合策略的面向对象的高分辨率遥感影像变化检测方法 | |
CN106054169A (zh) | 基于跟踪信息的多站雷达信号融合检测方法 | |
CN103593679A (zh) | 一种基于在线机器学习的视觉人手跟踪方法 | |
CN104103076A (zh) | 一种基于高分辨率遥感影像的核电厂规划限制区遥感监查方法 | |
CN103699874A (zh) | 基于surf流和lle稀疏表示的人群异常行为识别方法 | |
CN105184229A (zh) | 一种动态场景下基于在线学习的实时行人检测方法 | |
CN106127812A (zh) | 一种基于视频监控的客运站非出入口区域的客流统计方法 | |
Qiu et al. | A lightweight yolov4-edam model for accurate and real-time detection of foreign objects suspended on power lines | |
CN105046316B (zh) | 一种基于高斯过程回归的激光双向行人计数方法 | |
CN103323839A (zh) | 一种获取低空飞行目标高度信息的方法、装置 | |
Lin et al. | Optimal CNN-based semantic segmentation model of cutting slope images | |
CN103577804A (zh) | 基于sift流和隐条件随机场的人群异常行为识别方法 | |
CN103533332B (zh) | 一种2d视频转3d视频的图像处理方法 | |
CN103996207A (zh) | 一种物体跟踪方法 | |
CN103345742B (zh) | 基于一种改进马尔可夫随机场模型的遥感图像变化的检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB03 | Change of inventor or designer information |
Inventor after: Wang Cheng Inventor after: Liu Xuqing Inventor after: Wang Xian Inventor after: Song Shulin Inventor after: Qin Lei Inventor before: Wang Xian Inventor before: Liu Xuqing Inventor before: Wang Cheng Inventor before: Song Shulin Inventor before: Qin Lei |
|
COR | Change of bibliographic data | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |