CN103974028A - 人员激烈行为侦测方法 - Google Patents
人员激烈行为侦测方法 Download PDFInfo
- Publication number
- CN103974028A CN103974028A CN201310037675.9A CN201310037675A CN103974028A CN 103974028 A CN103974028 A CN 103974028A CN 201310037675 A CN201310037675 A CN 201310037675A CN 103974028 A CN103974028 A CN 103974028A
- Authority
- CN
- China
- Prior art keywords
- personnel
- image
- detecting
- value
- current image
- 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.)
- Pending
Links
Abstract
本发明涉及一种影像识别方法,公开了一种人员激烈行为侦测方法,由一监视系统执行,包含以下步骤:依据摄影机传送的影像识别是否有人员进入目标区域;针对一目前影像与先前多张序列影像分别比较,计算一代表变化程度的动量值;判断该动量值是否大于一预设阈值,若是则令异常次数加1,并记录该目前影像对应的时间;判断目前影像对应的时间与第一次异常时间或上一次异常时间的间距是否不超过一预设时间长度,若否则归零,若是则判断该异常次数是否大于一预设次数,若大于则判断为发生人员激烈行为并进行相关输出。藉此精确快速地侦测人员激烈行为。
Description
技术领域
本发明涉及一种影像识别方法,特别是涉及一种人员激烈行为侦测方法。
背景技术
举凡大楼大厅、电梯、ATM提款机、巷口等场所往往需要安装监视器,监视器拍摄的监视画面传送至远端的保安公司或管理室,以远端监看的方式进行保安管理。
随着影像识别技术演进,近年来陆续发展出多种人员行为侦测技术,侦测出异常状况时发出警报,藉此减轻人工监看的负担。其中,移动历史影像(Motion History Images,MHI)技术可记录运动的人体在时间与空间中所发生的信息,利用MHI信息可进一步分析人员行为。
现有MHI信息处理方式,大多是详细区分出肢体,并事先定义各种动作与姿势,再以比对特征的方式识别动作。然而现实生活中,人体高矮胖瘦、肢体动作十分多样,并不容易作出精准又通用的定义,以致于现有技术对于异常状况的识别效果不佳,经常误发警报或因无法侦测异常状况而未能及时发出警报。
发明内容
本发明的目的在于提供一种可精确识别人员激烈行为而及时进行相关输出的人员激烈行为侦测方法。
本发明的目的以及解决的技术问题是采用以下技术方案来实现的。依据本发明提出的人员激烈行为侦测方法,由一监视系统执行,该监视系统包括一朝一目标区域取像的摄影机,及一接收来自该摄影机的影像的处理单元。该方法包含以下由该处理单元执行的步骤:
(A)依据该摄影机传送的影像识别出有人员进入该目标区域,设定一异常次数为0。
(B)针对一目前影像与先前多张序列影像分别比较,计算一代表变化程度的动量值。
(C)判断该动量值是否大于一预设阈值,若是则进行步骤(D)。
(D)令该异常次数加1,并记录该目前影像对应的时间。
(E)判断目前影像对应的时间与第一次异常时间或上一次异常时间的间距是否不超过一预设时间长度,若是则进行步骤(F),若否则回到步骤(A)。
(F)判断该异常次数是否大于一预设次数,若是则进行步骤(G),若否则回到步骤(B)。
(G)判断为发生人员激烈行为并进行相关输出。
本发明的目的及解决其技术问题还可采用以下技术措施进一步实现。
较佳地,该步骤(B)是针对该目前影像分别与前一张、与再前一张影像比较而分别得到代表两两影像间变化程度的值,再予以加总而得到该动量值。所谓两两影像间变化程度的值,例如是利用各像素的RGB分量值相减计算得知。
较佳地,该步骤(C)还可以进一步判断该目前影像是否存在手部特征,若该二判断条件皆成立,才进行步骤(D);该步骤(F)是判断为发生人员进行破坏的行为。
或者,该步骤(C)还判断该目前影像中人员轮廓是否重迭,若该二判断条件皆成立,才进行步骤(D);甚至,该步骤(C)还针对该目前影像识别手部区域,并判断该手部区域的轮廓的水平边是否多于垂直边,若该三判断条件皆成立,才进行步骤(D)。
本发明实施方式与现有技术相比,主要区别及其效果在于:
利用影像变化程度与时间等参数进行综合性逻辑判断,可在不耗费庞大演算资源的情况下精准地发现人员激烈行为的异常状况。
附图说明
图1是一示意说明执行本发明人员激烈行为侦测方法的硬件方块图;
图2是一说明本发明人员激烈行为侦测方法的较佳实施例中,破坏的激烈行为的侦测流程图;
图3是一说明有破坏行为的侦测结果的序列影像图;
图4是一说明正常取款行为的侦测结果的序列影像图;
图5是一说明该较佳实施例中,打架的激烈行为的侦测流程图。
具体实施方式
下面结合附图及实施例对本发明进行详细说明:
参阅图1及图2,本发明人员激烈行为侦测方法由一监视系统100执行,当人员进入一目标区域,可启动侦测人员破坏设备的激烈行为,当多个人员进入目标区域,还可启动侦测是否有打架的激烈行为。该监视系统100包括一朝该目标区域取像的摄影机1,及一接收来自该摄影机1的影像的处理单元2。前述目标区域例如摆放提款机的房间。
该方法包含以下步骤:
步骤S11—该摄影机1持续对该目标区域取像,取得序列影像。
以下步骤由该处理单元2依据该摄影机1传送的影像进行处理。
步骤S12—侦测是否有人员进入,也就是识别是否有单一或多个人员进入该目标区域。本步骤具体技术手段不以特定手段为限,可以利用现有技术例如前景追踪或区域式追踪(Region-Based Tracking),以目前影像与背景影像相减来侦测出变化区域再进一步设定规则做筛选;或者利用轮廓追踪(Contour-Based Tracking),找出轮廓线并依据轮廓线的改变进行追踪;或者利用特征追踪(Feature-Based Tracking),先针对要追踪的物体获取特征,例如重心、面积等,再比对连续影像间的特征来追踪物体;又或者利用模型追踪(Model-Based Tracking),首先建立物体模型、建立运动模型,再搜寻从连续影像中比对而找出物体。若有人员进入则进入步骤S13,若无则重复执行步骤S12。
步骤S13—设定一异常次数为0、计数参数i为0。接着进行步骤S14的动量条件判断,以及步骤S15的特征条件判断,并且在步骤S16针对条件判断结果综合判断。其中步骤S14包括步骤S141及步骤S142。
步骤S141—针对一目前影像分别与前一张、与再前一张影像比较而分别得到代表两两影像间变化程度的值,再予以加总而得到一本发明新定义的动量值。具体计算方式详述如下。在本实施例,针对第一张及第二张影像执行到本步骤时,由于不存在前一张或再前一张影像,因此流程会回到步骤S13后,取下一张影像重新进行步骤S14及S15的条件判断。
以第三张影像后的处理状况举例来说,该摄影机每30毫秒(ms)获取一张影像,本步骤首先针对时间为1分10秒00毫秒的影像F3与时间为1分09秒30毫秒的进行各像素的RGB分量值差异化比对-如果有人员移动,影像F3会有部分像素的RGB分量值(各为0~255)与影像F2不一样,这些RGB分量值差异程度大于一像素变化阈值的像素,在影像F3直接定为255,RGB分量值差异程度小于等于该像素变化阈值的像素,在影像F3则定为0。
接着,锁定一有兴趣的取样区域,本实施例是由监测人员预设选取该等影像中RGB分量值为255的像素可能密集出现的矩形区块为取样区域。找出该取样区域中,RGB分量值为255的像素数量作为分子,整个取样区域的像素数量为分母,得到一介于0~1间的数值,定义为一初始动量值,此即为代表该二影像间变化程度的值,藉此把行为激烈程度数值化。
同时,也利用上述方法针对时间为1分10秒00毫秒的影像F3与时间为1分09秒00毫秒的影像F1进行各像素的RGB分量值进行相同的差异化比对以及初始动量值计算;再进行加总而得到前述动量值供后续计算使用。
步骤S142—判断该动量值是否大于一预设阈值,并记录此步骤的判断结果,也就是动量条件判断结果。
步骤S15—针对该目前影像识别是否存在手部特征,并记录特征条件判断结果。本实施例手部特征是定义为前景的突出点;因此本步骤首先利用现有前景侦测技术找出前景,接着利用轮廓侦测突出部位。若侦测得突出部位,则判断为存在手部特征。
步骤S16—针对步骤S142的动量条件判断结果与步骤S15的特征条件判断结果,分析是否两条件皆成立?若是,则表示在该目前影像获取当时人员手部有快速运动,因此进行步骤S17,若否,则回到步骤S13后,取下一张影像进行步骤S14及S15的条件判断。
步骤S17—令该异常次数加1、令该计数参数i加1,并记录时间Ti为该目前影像对应的时间。
步骤S18-判断目前影像对应的时间Ti与第一次异常时间T1或上一次异常时间Ti-1的间距是否不超过一预设时间长度,若是则代表人员手部快速运动可能是持续的,而非偶发暂态,因此接着进行步骤S19,若否则回到步骤S13进行归零,重新起算异常次数。本实施例是以Ti-T1举例说明,预设时间长度为3秒,但本发明不以此为限。
步骤S19—判断目前该异常次数是否大于一预设次数,若是则表示该目前影像获取当时人员手部持续快速运动,可能正在进行破坏的激烈行为,因此进行步骤S20,若否则回到步骤S13后,取下一张影像进行步骤S14及S15的条件判断。
步骤S20—判断为发生人员激烈行为并进行相关输出,例如使该目标区域的警报器发出警鸣声,或者在配合的保安管理中心的显示幕提示有异常状况。
利用上述演算技术,针对如图3所示的序列影像,处理过程中每当流程进行到步骤S17,异常次数大多有累积,当累积到预设次数,即发出警报。针对如图4所示的序列影像,由于人员取款行为没有手部快速运动,每当流程进行到步骤S17,异常次数不会累积,因此不会发出警报。
参阅图5,当步骤S12侦测到多个人员进入该目标区域,则另外执行打架的激烈行为侦测。
步骤S21—设定一异常次数为0、计数参数j为0。接着进行步骤S22的人员接触条件判断、步骤S23的动量条件判断,以及步骤S24的特征条件判断,并且在步骤S25针对条件判断结果综合判断。其中步骤S23包括步骤S231及步骤S232;步骤S24包括步骤S241及步骤S242。但本发明不以本实施例三个条件综合判断为限,也可以当中任两个条件,例如仅判断人员是否接触以及是否满足动量条件。
步骤S22—判断人员轮廓是否重迭。
本实施例具体计算手段为针对移动的物体,也就是在步骤S12针对侦测到进入目标区域的人员,例如利用构件记号(component labeling)演算法个别框选移动物体形成追踪框,本步骤即判断该等追踪框是否相连,或者说是否使用了相同的前景-意即进行构件记号演算法时是否有同一像素同时被多个追踪框标记纳入。
步骤S231—针对一目前影像分别与前一张、与再前一张影像比较而分别得到代表两两影像间变化程度的值,再予以加总而得到该动量值。具体技术手段请参考前述步骤S141,在此不重复赘述。
步骤S232—判断该动量值是否大于一预设阈值,并记录动量条件判断结果。
步骤S241—针对该目前影像识别手部区域。具体技术手段为利用步骤S22的相连的追踪框,设定上半部区域为手部区域。
步骤S242—判断手部区域的轮廓的水平边是否多于垂直边,并记录条件判断结果。详细来说是先对该手部区域进行16×16的区块切割,再针对每一区块中,手部轮廓线计算水平边以及垂直边。本实施例详细来说,轮廓当中,介于+45°~-45°间以及-135°~+135°间者归类为水平边,介于+45°~+135°间以及-45°~-135°间者归类为垂直边,并且比较水平边与垂直边的多寡。
步骤S25—针对步骤S22的人员接触条件判断结果、步骤S232的动量条件判断结果,以及步骤S242的特征条件判断结果,分析是否三条件皆成立?若是,则表示在该目前影像获取当时多个人员接触且有抬起手的快速运动,因此进行步骤S26,若否,则回到步骤S21后,取下一张影像进行步骤S22、S23及S24的条件判断。
步骤S26—令该异常次数加1、令该计数参数j加1,并记录时间Tj为该目前影像对应的时间。
步骤S27-判断目前影像对应的时间Tj与第一次异常时间T1或上一次异常时间Tj-1的间距是否不超过一预设时间长度,若是则代表多个人员接触且有抬起手的快速运动可能是持续的,而非偶发暂态,因此接着进行步骤S28,若否则回到步骤S21进行归零,重新起算异常次数。本实施例是以Tj-T1举例说明,预设时间长度为5秒,但本发明不以此为限。
步骤S28—判断目前异常次数是否大于一预设次数,若是则表示该目前影像获取当时多个人员接触且有抬起手的快速运动是持续的,可能正在进行打架的激烈行为,因此进行步骤S29,若否则回到步骤S21后,取下一张影像进行步骤S22、S23及S24的条件判断。
步骤S29—判断为发生人员激烈行为并进行相关输出,例如使该目标区域的警报器发出警鸣声,或者在配合的保安管理中心的显示幕提示有异常状况。
综上所述,本发明人员激烈行为侦测方法的较佳实施例,利用影像变化程度与时间等参数,甚至特征识别等手段进行综合性逻辑判断,可在不耗费庞大演算资源的情况下精准地发现人员激烈行为的异常状况,故确实能达成本发明的目的。
惟以上所述者,仅为本发明的较佳实施例而已,当不能以此限定本发明实施的范围,即大凡依本发明申请专利范围及发明说明内容所作的简单的等效变化与修饰,皆仍属本发明专利涵盖的范围内。
Claims (10)
1.一种人员激烈行为侦测方法,由一监视系统执行,该监视系统包括一朝一目标区域取像的摄影机,及一接收来自该摄影机的影像的处理单元;其特征在于,该方法包含以下由该处理单元执行的步骤:
(A)依据该摄影机传送的影像识别出有人员进入该目标区域,设定一异常次数为0;
(B)针对一目前影像与先前多张序列影像分别比较,计算一代表变化程度的动量值;
(C)判断该动量值是否大于一预设阈值,若是则进行步骤(D);
(D)令该异常次数加1,并记录该目前影像对应的时间;
(E)判断目前影像对应的时间与第一次异常时间或上一次异常时间的间距是否不超过一预设时间长度,若是则进行步骤(F),若否则回到步骤(A);
(F)判断该异常次数是否大于一预设次数,若是则进行步骤(G),若否则回到步骤(B);及
(G)判断为发生人员激烈行为并进行相关输出。
2.如权利要求1所述的人员激烈行为侦测方法,其特征在于,该步骤(C)还判断该目前影像是否存在手部特征,若该二判断条件皆成立,才进行步骤(D);该步骤(F)是判断为发生人员进行破坏的行为。
3.如权利要求2所述的人员激烈行为侦测方法,其特征在于,该手部特征的判断,是利用前景侦测技术找出前景,接着利用轮廓侦测突出部位并定义为手部。
4.如权利要求1所述的人员激烈行为侦测方法,其特征在于,该步骤(A)识别出有多个人员进入该目标区域,则该步骤(C)还判断该目前影像中人员轮廓是否重迭,若该二判断条件皆成立,才进行步骤(D)。
5.如权利要求4所述的人员激烈行为侦测方法,其特征在于,人员轮廓重迭的判断,是利用构件记号演算法个别框选移动物体形成追踪框,并判断是否有同一像素同时被多个追踪框标记纳入,若是则轮廓重迭。
6.如权利要求4所述的人员激烈行为侦测方法,其特征在于,该步骤(C)还针对该目前影像识别手部区域,并判断该手部区域的轮廓的水平边是否多于垂直边,若该三判断条件皆成立,才进行步骤(D)。
7.如权利要求6所述的人员激烈行为侦测方法,其特征在于,该手部区域的轮廓的水平边是否多于垂直边的判断,是先对该手部区域进行区块切割,再针对每一区块中的手部轮廓线计算水平边以及垂直边,介于+45°~-45°间以及-135°~+135°间者归类为水平边,介于+45°~+135°间以及-45°~-135°间者归类为垂直边,并且比较水平边与垂直边的多寡。
8.如权利要求1至7中任一项所述的人员激烈行为侦测方法,其特征在于,该步骤(B)是针对该目前影像的各像素RGB分量值与较早的影像的各像素RGB分量值比较而得到代表两两影像间变化程度的值而得到该动量值。
9.如权利要求8所述的人员激烈行为侦测方法,其特征在于,两两影像间变化程度的值,是利用各像素的RGB分量值相减并与一像素变化阈值比较,大于该像素变化阈值的像素,在该目前影像设定分量值为255,小于等于该像素变化阈值的像素在该目前影像设定分量值为0,并以该分量值为255的像素数量为分子,整体像素数量为分母而得到该代表两两影像间变化程度的值。
10.如权利要求9所述的人员激烈行为侦测方法,其特征在于,该步骤(B)是针对该目前影像与前一张影像、再前一张影像分别求得代表两两影像间变化程度的值,并加总而得到该动量值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310037675.9A CN103974028A (zh) | 2013-01-30 | 2013-01-30 | 人员激烈行为侦测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310037675.9A CN103974028A (zh) | 2013-01-30 | 2013-01-30 | 人员激烈行为侦测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103974028A true CN103974028A (zh) | 2014-08-06 |
Family
ID=51243007
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310037675.9A Pending CN103974028A (zh) | 2013-01-30 | 2013-01-30 | 人员激烈行为侦测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103974028A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106327517A (zh) * | 2015-06-30 | 2017-01-11 | 芋头科技(杭州)有限公司 | 一种目标跟踪装置及目标跟踪方法 |
CN110059531A (zh) * | 2018-12-19 | 2019-07-26 | 浙江宇视科技有限公司 | 基于视频图像的打架行为检测方法及装置 |
CN111273232A (zh) * | 2018-12-05 | 2020-06-12 | 杭州海康威视系统技术有限公司 | 一种室内异常情况判断方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006133937A (ja) * | 2004-11-04 | 2006-05-25 | Fuji Xerox Co Ltd | 動作識別装置 |
CN102360422A (zh) * | 2011-10-19 | 2012-02-22 | 湖南德顺电子科技有限公司 | 基于视频分析的暴力行为检测方法 |
CN102457705A (zh) * | 2010-10-19 | 2012-05-16 | 由田新技股份有限公司 | 打架行为检测监控方法与系统 |
CN102609093A (zh) * | 2012-02-16 | 2012-07-25 | 中国农业大学 | 用手势控制视频播放的方法及装置 |
CN102663776A (zh) * | 2012-03-31 | 2012-09-12 | 北京智安邦科技有限公司 | 基于特征点分析的剧烈运动检测的方法及装置 |
-
2013
- 2013-01-30 CN CN201310037675.9A patent/CN103974028A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006133937A (ja) * | 2004-11-04 | 2006-05-25 | Fuji Xerox Co Ltd | 動作識別装置 |
CN102457705A (zh) * | 2010-10-19 | 2012-05-16 | 由田新技股份有限公司 | 打架行为检测监控方法与系统 |
CN102360422A (zh) * | 2011-10-19 | 2012-02-22 | 湖南德顺电子科技有限公司 | 基于视频分析的暴力行为检测方法 |
CN102609093A (zh) * | 2012-02-16 | 2012-07-25 | 中国农业大学 | 用手势控制视频播放的方法及装置 |
CN102663776A (zh) * | 2012-03-31 | 2012-09-12 | 北京智安邦科技有限公司 | 基于特征点分析的剧烈运动检测的方法及装置 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106327517A (zh) * | 2015-06-30 | 2017-01-11 | 芋头科技(杭州)有限公司 | 一种目标跟踪装置及目标跟踪方法 |
TWI587113B (zh) * | 2015-06-30 | 2017-06-11 | 芋頭科技(杭州)有限公司 | 目標跟蹤裝置及目標跟蹤方法 |
CN106327517B (zh) * | 2015-06-30 | 2019-05-28 | 芋头科技(杭州)有限公司 | 一种目标跟踪装置及目标跟踪方法 |
CN111273232A (zh) * | 2018-12-05 | 2020-06-12 | 杭州海康威视系统技术有限公司 | 一种室内异常情况判断方法及系统 |
CN110059531A (zh) * | 2018-12-19 | 2019-07-26 | 浙江宇视科技有限公司 | 基于视频图像的打架行为检测方法及装置 |
CN110059531B (zh) * | 2018-12-19 | 2021-06-01 | 浙江宇视科技有限公司 | 基于视频图像的打架行为检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11620894B2 (en) | Surveillance system and method for predicting patient falls using motion feature patterns | |
CN102323822B (zh) | 一种避免工业机器人碰撞工人的方法 | |
CN107679471B (zh) | 基于视频监控平台的室内人员空岗检测方法 | |
CN111126153B (zh) | 基于深度学习的安全监测方法、系统、服务器及存储介质 | |
US20230351757A1 (en) | Information processing apparatus, control method, and program | |
CN104966304A (zh) | 基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法 | |
KR101541272B1 (ko) | 사람들의 움직임 불규칙성을 이용한 폭력 행위 검출 장치 및 방법 | |
CN106981150A (zh) | 一种超市智能防盗系统及方法 | |
CN113887445A (zh) | 一种视频中驻足和徘徊行为识别方法及系统 | |
KR101454644B1 (ko) | 보행자 추적기를 이용한 서성거림을 탐지하는 방법 | |
CN103974028A (zh) | 人员激烈行为侦测方法 | |
KR20180081645A (ko) | 지하철 스크린도어에서 안전 이상을 실시간으로 검출하기 위한 임베디드 비전시스템 및 그 방법 | |
US10929688B2 (en) | System and method of video content filtering | |
US20130322690A1 (en) | Situation recognition apparatus and method using object energy information | |
CN104392201A (zh) | 一种基于全向视觉的人体跌倒识别方法 | |
TW201430721A (zh) | 人員激烈行為偵測方法 | |
CN112576310B (zh) | 基于机器人的隧道安防检测方法及系统 | |
TWI426470B (zh) | Corner collision warning device | |
CN116862244B (zh) | 一种工业现场视觉ai分析与安全预警系统和方法 | |
KR20210126313A (ko) | 경로 예측 기반 영상 분석 시스템 | |
US20220036074A1 (en) | Warning system, warning method, and computer program product | |
KR102613957B1 (ko) | 영상 내 가상 검지선을 이용한 자살 방지 시스템 | |
WO2010123342A2 (en) | Method to generate an analytical path deviation model | |
Huang et al. | Kinesiology-Inspired Assessment of Intrusion Risk Based on Human Motion Features | |
Nyarko et al. | Dual Temporal Differencing for Real-Time Abandoned Object Detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140806 |