CN105373774A - 一种幼师体罚小孩行为的检测方法 - Google Patents

Abstract

本发明提供一种幼师体罚小孩行为的检测方法，包括建立幼儿园某一个被监控场景的背景模型；获取出现在被监控场景视频图像内的幼师的运动前景块的位置高度映射表；实时采集被监控场景的视频图像；获取每一帧视频图像中的所有运动前景块；检测幼师的运动起始位置；获取幼师跟踪列表和幼儿跟踪列表；判断幼师是否弯腰；判断幼师是否靠近幼儿；获取幼师肢体的运动剧烈程度；判断幼师是否存在虐待幼儿的动作。本发明采用全自动分析算法，获取视频场景内的幼师和幼儿的动作行为，无需人工额外协助，应用更加便捷；融合多种行为准则，综合判定幼师体罚幼儿的行为，检测结果更加准确，误检和漏检更少；具有环境适应性广和算法速度快等优点。

Description

一种幼师体罚小孩行为的检测方法

技术领域

本发明涉及视频图像处理技术领域，具体是一种幼师体罚小孩行为的检测方法。

背景技术

幼儿园是对3到6周岁的幼儿进行保育和基础教育的地方，不仅可以帮助幼儿健康快乐地度过童年时光，而且还可以让幼儿从小接触集体生活，初步形成完整健康的性格、行为良好的习惯、初步的自然与社会常识，对将来的成长起到十分重要的作用。然而，由于幼儿园老师的素质参差不齐，近年来，幼师虐待体罚幼儿的事件时有报道，此类行为严重伤害了幼儿的身心健康，甚至给他们的一生带来心理阴影。因此，需要一种监控设备，能够实时监控幼师的行为，一旦出现体罚行为，立即进行报警，提醒相关人员进行处理，通过这种方式，可以有效规范幼师的职业行为，保护幼儿的健康。

近年来，已出现了不少关于异常行为检测的技术，如打架行为检测等，虽然针对特定场景，能起到一定的检测作用，然而，其缺点也是很明显的，如漏检误检严重，不适合幼儿园这种特殊人群的场合。

发明内容

本发明的目的在于提供一种应用更加便捷、检测结果更加准确的幼师体罚小孩行为的检测方法。

本发明的技术方案为：

一种幼师体罚小孩行为的检测方法，该方法包括以下步骤：

(1)建立幼儿园某一个被监控场景的背景模型；

(2)获取出现在被监控场景视频图像内的幼师的运动前景块的位置高度映射表，所述位置高度映射表为幼师的运动前景块的中心位置与高度之间的对应关系表；

(3)实时采集被监控场景的视频图像；

(4)获取每一帧视频图像中的所有运动前景块；

(5)检测幼师的运动起始位置；

(6)获取幼师跟踪列表和幼儿跟踪列表；

(7)判断幼师是否弯腰，若是，则执行步骤(8)，若否，则返回步骤(3)；

(8)判断幼师是否靠近幼儿，若是，则执行步骤(9)，若否，则返回步骤(3)；

(9)获取幼师肢体的运动剧烈程度；

(10)根据幼师肢体的运动剧烈程度，判断幼师是否存在虐待幼儿的动作，若是，则进行报警提醒，若否，则返回步骤(3)。

所述的幼师体罚小孩行为的检测方法，所述步骤(1)中，采用混合高斯背景模型算法建立幼儿园某一个被监控场景的背景模型，具体采用以下公式：

$p\[f(x,y)\]=\underset{i=1}{\overset{N}{\Σ}}{w}_i*-\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_i}{e}^{-\frac{{\[f(x,y)-{\mathrm{\μ}}_i\]}^2}{2{\mathrm{\σ}}_i^2}}$

其中，f(x，y)表示被监控场景的视频图像中(x，y)处像素的灰度值，p[f(x，y)表示(x，y)处像素属于背景像素的加权概率，N表示该混合高斯背景模型由N个单高斯背景模型组成，w_i表示第i个单高斯背景模型在该混合高斯背景模型中所占的比重，μ_i、σ_i分别表示第i个单高斯背景模型的均值和方差。

所述的幼师体罚小孩行为的检测方法，所述步骤(2)，具体包括以下步骤：

(21)获取出现在被监控场景的视频图像中幼师的运动前景块的典型高度；

(22)实时采集被监控场景的视频图像；

(23)获取每一帧视频图像中的所有运动前景块；

(24)对运动前景块进行预处理；

(25)将预处理后的非空的运动前景块作为有效运动前景块；

(26)采用以下公式获取每一个有效运动前景块的中心坐标：

$\left\{\begin{array}{c}center.x=\frac{\mathrm{\Σ}x*f(x,y)}{\mathrm{\Σ}f(x,y)}\\ center.y=\frac{\mathrm{\Σ}y*f(x,y)}{\mathrm{\Σ}f(x,y)}\end{array}\right.$

其中，f(x，y)表示有效运动前景块中(x，y)处像素的灰度值，center.x表示有效运动前景块的中心横坐标，center.y表示有效运动前景块的中心纵坐标；

(27)对每一帧视频图像中的有效运动前景块进行跟踪，将属于同一个目标的有效运动前景块的统计特征和中心坐标放入同一个目标跟踪列表中，所述有效运动前景块的统计特征包括有效运动前景块的高度以及高度与宽度的比值；

(28)对每一个目标跟踪列表，采用以下公式获取目标的最大运动轨迹；Tracex[i]＝max{list[i].center[k].x}-min{list[i].center[k].x}

Tracx[i]＝max{list{i].center[k].x}-min{list[i].center[k].x}

其中，Tracex[i]表示第i个目标跟踪列表所对应目标的最大运动轨迹，max{}函数的功能是选择最大元素，min{}函数的功能是选择最小元素，list[i].center[k].x表示第i个目标跟踪列表中第k个保存的有效运动前景块的中心横坐标；

(29)当目标的最大运动轨迹大于视频图像宽度的0.9时，将相应的目标跟踪列表作为疑似幼师跟踪列表；

(210)若某个疑似幼师跟踪列表中存放的运动前景块的高度与幼师的运动前景块的典型高度相近，即两者的差值在一定阈值范围内，则将该疑似幼师跟踪列表作为幼师跟踪列表；

(211)根据获取的幼师跟踪列表，采用线性插值法，得到出现在被监控场景视频图像内的幼师的运动前景块的位置高度映射表。

所述的幼师体罚小孩行为的检测方法，所述步骤(5)，具体包括以下步骤：

(51)实时采集被监控场景的视频图像；

(52)获取视频图像中的所有运动前景块并进行预处理；

(53)将预处理后的非空的运动前景块作为有效运动前景块；

(54)获取每一个有效运动前景块的中心位置和高度；

(55)根据幼师的运动前景块的位置高度映射表，获取每一个有效运动前景块的中心位置对应的映射高度；

(56)采用以下公式，判断某个有效运动前景块是不是属于幼师，若是，则将该有效运动前景块的中心位置作为幼师的运动起始位置，若所有有效运动前景块均不属于幼师，则返回步骤(51)：

$exsit=\left\{\begin{array}{cc}1& |h-lxh\&lsqb;center.x\&rsqb;|<0.15*lxh\&lsqb;center.x\&rsqb;\\ 0& |h-lxh\&lsqb;center.x\&rsqb;|\&GreaterEqual;0.15*lxh\&lsqb;center.x\&rsqb;\end{array}\right.$

其中，h表示某个有效运动前景块的高度，center.x表示该有效运动前景块的中心横坐标，lxh[center.x]表示该有效运动前景块的中心横坐标对应的映射高度，exsit＝1表示该有效运动前景块是属于幼师，exsit＝0表示该有效运动前景块不属于幼师。

所述的幼师体罚小孩行为的检测方法，所述步骤(6)，具体包括以下步骤：

(61)获取每一帧视频图像中的每一个运动前景块的统计特征，包括运动前景块的高度以及高度与宽度的比值；

(62)对每一个运动前景块，获取满足以下公式的目标跟踪列表，作为其候选目标跟踪列表：

$\left\{\begin{array}{c}|h-list\&lsqb;i\&rsqb;.h|<T1\\ |lhw-list\&lsqb;i\&rsqb;.lhw|<T2\end{array}\right.$

其中，h表示运动前景块的高度，lhw表示运动前景块的高度与宽度的比值，list[i].h、list[i].lhw分别表示第i个目标跟踪列表中最新存入的运动前景块的高度、高度与宽度的比值，T1、T2表示预设的阈值；

(63)判断运动前景块获取的目标跟踪列表的数目是否为零，若是，则为其新建一个目标跟踪列表，然后跳转至步骤(65)，若否，则执行步骤(64)；

(64)采用以下公式，计算运动前景块与其每一个候选目标跟踪列表的距离，选择距离最小的候选目标跟踪列表作为运动前景块对应的目标跟踪列表：

$d\&lsqb;j\&rsqb;=\sqrt{{(center,x-list\&lsqb;j\&rsqb;.center.x)}^2+{(center.y-list\&lsqb;j\&rsqb;.center.y)}^2}$

其中，d[j]表示运动前景块与其第j个候选目标跟踪列表的距离，center.x、center.y分别表示运动前景块的中心横坐标和纵坐标，list[j].center.x、list[j].center.y分别表示第j个候选目标跟踪列表中最新存入的运动前景块的中心横坐标和纵坐标；

(65)将运动前景块的统计特征和中心坐标存入对应的目标跟踪列表中；

(66)对每一个目标跟踪列表，获取目标的最大运动轨迹；

(67)当目标的最大运动轨迹大于视频图像宽度的0.9时，将相应的目标跟踪列表作为疑似幼师跟踪列表；

(68)获取出现在被监控场景的视频图像中幼师的运动前景块的典型高度；

(69)若某个疑似幼师跟踪列表中存放的运动前景块的高度与幼师的运动前景块的典型高度相近，即两者的差值在一定阈值范围内，则将该疑似幼师跟踪列表作为幼师跟踪列表；

(610)将剩余的目标跟踪列表作为幼儿跟踪列表。

所述的幼师体罚小孩行为的检测方法，所述步骤(7)中，具体采用以下公式判断幼师是否弯腰：

$exsit=\left\{\begin{array}{cc}1& |\frac{2}{N}\underset{i=1}{\overset{\frac{N}{2}}{\&Sigma;}}{h}_1-\frac{2}{N}\underset{t=\frac{N}{2}+1}{\overset{N}{\&Sigma;}}{h}_1|\&GreaterEqual;0.25*\max h\\ 0& |\frac{2}{N}\underset{i=1}{\overset{\frac{N}{2}}{\&Sigma;}}{h}_i-\frac{2}{N}\underset{i=\frac{N}{2}+1}{\overset{N}{\&Sigma;}}{h}_i|<0.25*\max h\end{array}\right.$

其中，h_i表示当前帧之前第i帧视频图像中幼师的运动前景块的高度，maxh表示与当前帧相邻的前N帧视频图像中，幼师的运动前景块的中心位置对应的映射高度的最大值，exsit＝1表示当前帧视频图像中幼师弯腰了，exsit＝0表示当前帧视频图像中幼师没有弯腰。

所述的幼师体罚小孩行为的检测方法，所述步骤(9)中，具体包括以下步骤：

(91)对当前帧视频图像的前一帧中出现的幼师运动前景块进行均匀间隔点采样，得到若干采样点；

(92)基于光流法，对采样点进行精确跟踪；

(93)采用以下公式获取采样点的运动量：

M[i]＝(|pt_i.x-pb_i.x|+|pt_i.y-pb_i.y|)*0.5

其中，M[i]表示第i个采样点在当前帧视频图像中相对于前一帧的运动量pt_i.x、pt_i.y表示第i个采样点在当前帧视频图像中通过跟踪得到的坐标，pb_i.x、pb_i.y表示第i个采样点在前一帧视频图像中的坐标；

(94)去除跟踪错误的采样点，得到正确跟踪采样点；

(95)统计正确跟踪采样点中，运动量大于一定阈值的数目，作为幼师肢体的运动剧烈程度指标。

所述的幼师体罚小孩行为的检测方法，所述步骤(21)，具体包括以下步骤：

a、采集一段时长为Th的被监控场景的视频；

b、获取每一帧视频图像中的所有运动前景块并进行预处理；

c、对于每一帧视频图像，统计所有经过特定区域的运动前景块的高度；

d、获取该段视频图像中，经过特定区域的运动前景块的高度最大值和中间值；

e、判断该段视频图像中，经过特定区域的运动前景块的高度最大值是否大于中间值的1.5倍，如果大于，则执行步骤f，否则，返回步骤a；

f、将经过特定区域的运动前景块的高度最大值作为幼师在该特定区域内的运动前景块的典型高度。

所述的幼师体罚小孩行为的检测方法，所述步骤(24)，具体包括以下步骤：

a、基于数学形态学运算，去除孤立点；

b、去除面积小于一定阈值的运动前景块；

c、去除宽度大于高度的运动前景块。

所述的幼师体罚小孩行为的检测方法，所述步骤(211)，具体包括以下步骤：

a、根据幼师跟踪列表中存放的运动前景块的中心横坐标和高度，构建位置高度映射基点；

b、根据构建的位置高度映射基点，采用以下线性插值公式，得到x轴上剩余位置对应的高度映射值：

$\left\{\begin{array}{c}{h}_i=h_0*s+h_1*(1-s)\\ s=\frac{x_i-x_0}{x_1-x_0}\end{array}\right.$

其中，h_i表示x轴上某点对应的映射高度，h₀、h₁表示距离该点最近的左右两个映射基点对应的映射高度，x_i表示该点在x轴上的坐标，x₀、x₁表示距离该点最近的左右两个映射基点在x轴上的坐标。

由上述技术方案可知，本发明采用全自动分析算法，获取视频场景内的幼师和幼儿的动作行为，无需人工额外协助，应用更加便捷；融合多种行为准则，综合判定幼师体罚幼儿的行为，检测结果更加准确，误检和漏检更少；具有环境适应性广和算法速度快等优点。

附图说明

图1是本发明场景构建步骤的方法流程图；

图2是本发明视频检测步骤的方法流程图；

图3是获取幼师运动前景块的典型高度的方法流程图；

图4是检测幼师运动起始位置的方法流程图；

图5是目标的最大运动轨迹示意图。

具体实施方式

下面结合附图和具体实施例进一步说明本发明。

一种幼师体罚小孩行为的检测方法，包括场景构建步骤和视频检测步骤，具体如下：

1、场景构建步骤，其功能是获取幼儿园内某一个被监控场景的背景模型，以及出现在该场景视频图像内的幼师的运动前景块的位置与高度之间的关系映射表，如图1所示，具体包括以下步骤：

S0、建立背景模型，主要是获得被监控场景的视频图像背景，且随着时间的变化，该被监控场景的视频图像背景可以进行自适应更新，能够更好地适应各种光线的变化。

本发明采用的是混合高斯背景建模算法，如公式(1)所示，首先采集一段时长为Tg的被监控场景的视频，然后使用第一帧视频图像初始化模型参数，使用剩余的视频图像进行相关参数的学习更新，进而获得一个比较符合当前被监控场景的背景模型：

$p\&lsqb;f(x,y)\&rsqb;={\&Sigma;}_{i=1}^N{w}_i*\frac{1}{\sqrt{2\&CenterDot;\mathrm{\&pi;}}{\mathrm{\&sigma;}}_i}{e}^{-\frac{{\&lsqb;f(x,y)-{\mathrm{\&mu;}}_i\&rsqb;}^2}{2{\mathrm{\&sigma;}}_i^2}}---\left(1\right)$

其中，f(x，y)表示(x，y)处像素的灰度值，p[f(x，y)]表示(x，y)处像素属于背景像素的加权概率，N表示该混合高斯背景模型由N个单高斯背景模型组成，w_i表示第i个单高斯背景模型在该混合高斯背景模型中所占的比重，μ_i、σ_i分别表示第i个单高斯背景模型的均值和方差。

S1、获取幼师的运动前景块的典型高度，主要是针对被监控场景的视频图像中的某个特定区域(选在幼师频繁经过的区域)，统计一段时间内，经过该特定区域的运动前景块的高度分布规律，获取该特定区域内幼师的运动前景块的高度，如图3所示，具体步骤如下：

S101、采集一段时长为Th的被监控场景的视频；

S102、按照步骤S3和步骤S4，获取每一帧视频图像中的所有运动前景块；

S103、对于每一帧视频图像，统计所有经过特定区域的运动前景块的高度；

S104、获得该段视频图像中，经过特定区域的运动前景块的高度最大值和中间值；

S105、判断是否出现幼师，主要是判断该段视频图像中，经过特定区域的运动前景块的高度最大值是否大于中间值的1.5倍，如果大于，说明该段视频中幼师出现，进入步骤106，否则，说明幼师没有出现，返回步骤S101，继续执行上述步骤，直至幼师出现；

S106、获取幼师的运动前景块的典型高度，主要是将该段视频内经过特定区域的运动前景块的高度最大值作为幼师在该特定区域内的运动前景块的典型高度。

S2、实时采集被监控场景的视频图像。

S3、获取每一帧视频图像中的所有运动前景块，主要方法是基于步骤S0获得的混合高斯背景模型，计算每一个像素属于前景或者背景的概率，保留满足一定条件的像素构成运动前景块，同时更新背景模型参数。

S4、运动前景块预处理，主要是去除典型的干扰区域块，具体步骤如下：

S401、数学形态学运算，去除一些孤立的点；

S402、去除面积较小的运动前景块；

S403、去除宽度大于高度的运动前景块。

S5、判断是否存在有效运动前景块，主要是判断预处理后的运动前景块图像是不是全部为空，如果是，说明没有人出现，没有有效运动前景块，返回步骤S2，否则，说明有人出现，存在有效运动前景块，进入步骤S6。

S6、获得有效运动前景块的中心位置，主要是基于公式(2)，获得每一个有效运动前景块的中心坐标：

$\left\{\begin{array}{c}center.x=\frac{\&Sigma;x*f(x,y)}{\&Sigma;f(x,y)}\\ center.y=\frac{\&Sigma;y*f(x,y)}{\&Sigma;f(x,y)}\end{array}\right.---\left(2\right)$

其中，f(x，y)表示有效运动前景块中(x，y)处像素的灰度值，center.x表示有效运动前景块的中心横坐标，center.y表示有效运动前景块的中心纵坐标。

S7、获取目标跟踪列表，主要是对每一帧视频图像中的有效运动前景块进行跟踪，将属于同一个目标的有效运动前景块的统计特征和中心坐标放入同一个目标跟踪列表中，具体步骤如下：

S701、获得每一个有效运动前景块的统计特征，主要是有效运动前景块的高度h以及高度与宽度的比值lhw；

S702、获取有效运动前景块所属的候选目标跟踪列表，即对于每一个有效运动前景块，获取所有满足公式(3)的目标跟踪列表，作为其候选目标跟踪列表：

$\left\{\begin{array}{c}|h-list\&lsqb;i\&rsqb;.h|<T1\\ |lhw-list\&lsqb;i\&rsqb;.lhw|<T2\end{array}\right.---\left(3\right)$

其中，h、lhw表示有效运动前景块的统计特征，list[i].h、list[i].lhw表示第i个目标跟踪列表中最新存入的有效运动前景块的统计特征，T1、T2表示预设的阈值；

S703、判断有效运动前景块是不是新出现目标，主要是判断有效运动前景块获得的候选目标跟踪列表的数目，如果数目为零，说明该有效运动前景块是新出现的，直接进入步骤S705，否则，说明该有效运动前景块对应已有目标，进入步骤S704；

S704、获取有效运动前景块所属的目标跟踪列表，主要是按照公式(4)，计算有效运动前景块与其每一个候选目标跟踪列表的距离，选择距离最小的候选目标跟踪列表作为该有效运动前景块所属的目标跟踪列表：

$d\&lsqb;j\&rsqb;=\sqrt{{(center.x-list\&lsqb;j\&rsqb;.center.x)}^2+{(center.y-list\&lsqb;j\&rsqb;.center.y)}^2}---\left(4\right)$

其中，d[j]表示有效运动前景块与其第j个候选目标跟踪列表的距离，center.x、center.y分别表示有效运动前景块的中心横坐标和纵坐标，list[j].center.x、list[j].center.y分别表示第j个候选目标跟踪列表中最新存入的有效运动前景块的中心横坐标和纵坐标；

S705、如果运动前景块是新出现的，则为其新建一个目标跟踪列表；将运动前景块的统计特征和中心坐标存入对应的目标跟踪列表。

S8、对每一个目标跟踪列表，获取目标的最大运动轨迹，如图5所示，目标的最大运动轨迹指的是目标在x轴方向的最大行程x_ax_b，按照公式(5)，获得目标的最大运动轨迹：

Tracex[i]＝max{list[i].center[k].x}-min{list[i].center[k].x}(5)

其中，Tracex[i]表示第i个目标跟踪列表所对应目标的最大运动轨迹，max{}函数的功能是选择最大元素，min{}函数的功能是选择最小元素，list[j].center[k].x表示第i个目标跟踪列表中第k个保存的有效运动前景块的中心横坐标。

S9、判断是否存在整场运动轨迹，具体方法是判断获得的最大运动轨迹是否大于视频图像宽度的0.9，如果大于，说明相应的目标跟踪列表可能是疑似幼师跟踪列表，进入步骤S10，否则，若获得的最大运动轨迹均不大于视频图像宽度的0.9，说明没有可疑的幼师跟踪列表，返回步骤S2。

S10、判断疑似幼师跟踪列表是不是幼师跟踪列表，方法是判断疑似幼师跟踪列表中存放的运动前景块的高度是不是与已知的幼师运动前景块的典型高度相近，如果是，说明疑似幼师跟踪列表是幼师跟踪列表，进入步骤S11，否则，若所有疑似幼师跟踪列表均不是幼师跟踪列表，则删除疑似幼师跟踪列表，返回步骤S2。

S11、构建幼师的运动前景块的位置高度映射表，主要是基于已有的幼师跟踪列表，获得x轴上每一个位置对应的幼师运动前景块的高度，具体步骤如下：

S111、基于幼师跟踪列表中存放的运动前景块的中心横坐标和高度，构建位置高度映射基点；

S112、获得x轴上剩余位置对应的高度映射值，主要基于已有的映射基点和线性插值理论公式(6)完成：

$\left\{\begin{array}{c}{h}_i=h_0*s+h_1*(1-s)\\ s=\frac{x_i-x_0}{x_1-x_0}\end{array}\right.---\left(6\right)$

其中，h_i是x轴上某点对应的映射高度，h₀、h₁是距离该点最近的左右两个映射基点对应的映射高度，x_i是该点在x轴上的坐标，x₀、x₁是距离该点最近的左右两个映射基点在x轴上的坐标。

2、视频检测步骤，其功能是实时检测当前被监控场景的视频图像中是否存在幼师体罚幼儿的行为，如果存在，及时报警提示有关人员进行处理，避免幼儿受到进一步的伤害。如图2所示，具体步骤如下：

P1、检测幼师的运动起始位置，主要是检测被监控场景的视频图像中是否出现处于运动状态的幼师，如果出现，则将相应的运动前景块的中心位置作为幼师的运动起始位置，并进入步骤P2，如果没有出现，则继续执行该步骤，直到检测到幼师的运动起始位置，如图4所示，具体步骤如下：

P101、实时采集被监控场景的视频图像；

P102、获得视频图像中的所有运动前景块，主要是基于步骤S3和步骤S4获得运动目标的前景块；

P103、判断是否存在有效运动前景块，主要是判断预处理后的运动前景块图像是不是非空的，如果是，说明有人出现，进入步骤P104，否则，说明没有人出现，则返回步骤P101；

P104、获取每一个有效运动前景块的中心坐标和高度；

P105、获得每一个有效运动前景块的中心坐标对应的映射高度；

P106、判断是否出现幼师，主要是基于公式(7)，判断每个有效运动前景块是不是属于幼师，如果是，则记录该有效运动前景块的中心位置作为幼师的运动起始位置，并退出当前步骤，否则，若所有的有效运动前景块均不属于幼师，则返回步骤P101，重新进行检测：

$exsit=\left\{\begin{array}{cc}1& |h-lxh\&lsqb;center.x\&rsqb;|<0.15*lxh\&lsqb;center.x\&rsqb;\\ 0& |h-lxh\&lsqb;center.x\&rsqb;|\&GreaterEqual;0.15*lxh\&lsqb;center.x\&rsqb;\end{array}\right.---\left(7\right)$

其中，h表示某个有效运动前景块的高度，center.x表示该有效运动前景块的中心横坐标，lxh[center.x]表示该有效运动前景块的中心横坐标对应的映射高度，exsit＝1表示出现幼师，exsit＝0表示未出现幼师。

P2、实时采集被监控场景的视频图像；

P3、获得每一帧视频图像中的所有运动前景块，并对运动前景块进行预处理；

P4、获取每一个运动前景块的统计特征，主要是运动前景块的中心坐标、高度以及高度与宽度的比值；

P5、判断是否存在幼师的运动前景块，主要是依据公式(8)判断预处理后的运动前景块图像中是否存在幼师，如果存在，进入步骤P6，否则，说明幼师静止未动，返回步骤P1，重新检测幼师的运动起始位置；

$exsit=\left\{\begin{array}{cc}1& |h-h_b|<0.15*h_{b}and|lhw-{\mathrm{lhw}}_b|<0.1\\ 0& |h-h_b|\&GreaterEqual;0.15*h_{b}or|lhw-{\mathrm{lhw}}_b|\&GreaterEqual;0.1\end{array}\right.---\left(8\right)$

其中，h表示当前帧视频图像中运动前景块的高度，h_b表示前一帧视频图像中幼师的运动前景块高度，lhw表示当前帧视频图像中运动前景块的高度与宽度的比值，lhw_b表示前一帧视频图像中幼师的运动前景块的高度与宽度的比值，exsit＝1说明当前帧视频图像中存在幼师的运动前景块，exsit＝0说明当前帧视频图像中不存在幼师的运动前景块。

P6、获取目标跟踪列表，主要是基于步骤S7获得每个目标的跟踪列表，并区分为幼师跟踪列表和幼儿跟踪列表。

P7、判断幼师是否弯腰，主要是基于当前帧视频图像和当前帧之前的N帧视频图像，按照公式(9)联合判断幼师是否弯腰了，如果是，进入步骤P8，否则，返回步骤P2：

$ex\mathrm{si}t=\left\{\begin{array}{cc}1& |\frac{2}{N}{\&Sigma;}_{i=1}^{\frac{N}{2}}{h}_i-\frac{2}{N}{\&Sigma;}_{i=\frac{N}{2}+1}^N{h}_i|\&GreaterEqual;0.25*\max h\\ 0& |\frac{2}{N}{\&Sigma;}_{i=1}^{\frac{N}{2}}{h}_i-\frac{2}{N}{\&Sigma;}_{i=\frac{N}{2}+1}^N{h}_i|<0.25*\max h\end{array}\right.---\left(9\right)$

其中，h_i表示当前帧之前第i帧视频图像中幼师的运动前景块的高度，maxh表示与当前帧相邻的前N帧视频图像中，幼师的运动前景块的中心横坐标对应的映射高度的最大值，exsit＝1说明当前帧视频图像中幼师弯腰了，exsit＝0说明当前帧视频图像中幼师没有弯腰。

P8、判断幼师是否靠近幼儿，主要是判断当前帧视频图像中，是否有幼儿运动前景块的中心位置与幼师运动前景块的中心位置之间的距离小于一定阈值，如果存在，说明幼师靠近了幼儿，进入步骤P9，进行进一步分析，否则，返回步骤P2。

P9、获取幼师的动作特征，主要是获取幼师肢体(主要是手和脚)的运动剧烈程度，具体步骤如下：

P901、对当前帧视频图像的前一帧中的幼师运动前景块进行均匀间隔点采样，得到若干采样点；

P902、对采样点进行精确跟踪，主要基于光流法，具体跟踪算法参见文献：Forward-BackwardError:AutomaticDetectionofTrackingFailures，ZdenekKalal，KrystianMikolajczyk，JiriMatas，PatternRecognition(ICPR)，201020thInternationalConferenceon；

P903、按照公式(10)获取采样点的运动量：

M[i]＝(|pt_i.x-pb_i.x|+|pt_i.y-pb_i.y|)*0.5(10)

其中，M[i]表示第i个采样点在当前帧视频图像中相对于前一帧的运动量，pt_i.x、pt_i.y表示第i个采样点在当前帧视频图像中通过跟踪得到的坐标，pb_i.x、pb_i.y表示第i个采样点在前一帧视频图像中的坐标；

P904、去除跟踪错误的采样点，主要是去除运动量较大的采样点；

P905、获取当前帧视频图像中幼师的运动剧烈程度，主要是统计采样点中，运动量大于一定阈值的数目，数目越多，说明运动越剧烈。

P10、判断幼师是否存在虐待幼儿的动作，主要是依据获得的幼师运动剧烈程度，如果大于一定阈值，说明幼师存在剧烈的肢体运动，属于可疑的虐待动作，此时进入步骤P11，否则，说明幼师的行为正常，返回步骤P2。

P11、报警，提醒相关人员及时处理，避免幼儿受到进一步伤害。

以上所述实施方式仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明的权利要求书确定的保护范围内。

Claims (10)

1.一种幼师体罚小孩行为的检测方法，其特征在于，该方法包括以下步骤：

(1)建立幼儿园某一个被监控场景的背景模型；

(2)获取出现在被监控场景视频图像内的幼师的运动前景块的位置高度映射表，所述位置高度映射表为幼师的运动前景块的中心位置与高度之间的对应关系表；

(3)实时采集被监控场景的视频图像；

(4)获取每一帧视频图像中的所有运动前景块；

(5)检测幼师的运动起始位置；

(6)获取幼师跟踪列表和幼儿跟踪列表；

(7)判断幼师是否弯腰，若是，则执行步骤(8)，若否，则返回步骤(3)；

(8)判断幼师是否靠近幼儿，若是，则执行步骤(9)，若否，则返回步骤(3)；

(9)获取幼师肢体的运动剧烈程度；

(10)根据幼师肢体的运动剧烈程度，判断幼师是否存在虐待幼儿的动作，若是，则进行报警提醒，若否，则返回步骤(3)。

2.根据权利要求1所述的幼师体罚小孩行为的检测方法，其特征在于，所述步骤(1)中，采用混合高斯背景模型算法建立幼儿园某一个被监控场景的背景模型，具体采用以下公式：

$p\&lsqb;f(x,y)\&rsqb;=\underset{i=1}{\overset{N}{\&Sigma;}}{w}_i*\frac{1}{\sqrt{2\mathrm{\&pi;}}{\mathrm{\&sigma;}}_i}{e}^{-\frac{{\&lsqb;f(x,y)-{\mathrm{\&mu;}}_i\&rsqb;}^2}{2{\mathrm{\&sigma;}}_i^2}}$

其中，f(x，y)表示被监控场景的视频图像中(x，y)处像素的灰度值，p[f(x，y)]表示(x，y)处像素属于背景像素的加权概率，N表示该混合高斯背景模型由N个单高斯背景模型组成，w_i表示第i个单高斯背景模型在该混合高斯背景模型中所占的比重，μ_i、σ_i分别表示第i个单高斯背景模型的均值和方差。

3.根据权利要求1所述的幼师体罚小孩行为的检测方法，其特征在于，所述步骤(2)，具体包括以下步骤：

(21)获取出现在被监控场景的视频图像中幼师的运动前景块的典型高度；

(22)实时采集被监控场景的视频图像；

(23)获取每一帧视频图像中的所有运动前景块；

(24)对运动前景块进行预处理；

(25)将预处理后的非空的运动前景块作为有效运动前景块；

(26)采用以下公式获取每一个有效运动前景块的中心坐标：

$\left\{\begin{array}{c}center.x=\frac{\mathrm{\&Sigma;}x*f(x,y)}{\mathrm{\&Sigma;}f(x,y)}\\ center.y=\frac{\mathrm{\&Sigma;}y*f(x,y)}{\mathrm{\&Sigma;}f(x,y)}\end{array}\right.$

其中，f(x，y)表示有效运动前景块中(x，y)处像素的灰度值，center.x表示有效运动前景块的中心横坐标，center.y表示有效运动前景块的中心纵坐标；

(27)对每一帧视频图像中的有效运动前景块进行跟踪，将属于同一个目标的有效运动前景块的统计特征和中心坐标放入同一个目标跟踪列表中，所述有效运动前景块的统计特征包括有效运动前景块的高度以及高度与宽度的比值；

(28)对每一个目标跟踪列表，采用以下公式获取目标的最大运动轨迹；

Tracex[i]＝max{list[i].center[k].x}-min{list[i].center[k].x}

其中，Tracex[i]表示第i个目标跟踪列表所对应目标的最大运动轨迹，max{}函数的功能是选择最大元素，min{}函数的功能是选择最小元素，list[i].center[k].x表示第i个目标跟踪列表中第k个保存的有效运动前景块的中心横坐标；

(29)当目标的最大运动轨迹大于视频图像宽度的0.9时，将相应的目标跟踪列表作为疑似幼师跟踪列表；

(210)若某个疑似幼师跟踪列表中存放的运动前景块的高度与幼师的运动前景块的典型高度相近，即两者的差值在一定阈值范围内，则将该疑似幼师跟踪列表作为幼师跟踪列表；

(211)根据获取的幼师跟踪列表，采用线性插值法，得到出现在被监控场景视频图像内的幼师的运动前景块的位置高度映射表。

4.根据权利要求1所述的幼师体罚小孩行为的检测方法，其特征在于，所述步骤(5)，具体包括以下步骤：

(51)实时采集被监控场景的视频图像；

(52)获取视频图像中的所有运动前景块并进行预处理；

(53)将预处理后的非空的运动前景块作为有效运动前景块；

(54)获取每一个有效运动前景块的中心位置和高度；

(55)根据幼师的运动前景块的位置高度映射表，获取每一个有效运动前景块的中心位置对应的映射高度；

(56)采用以下公式，判断某个有效运动前景块是不是属于幼师，若是，则将该有效运动前景块的中心位置作为幼师的运动起始位置，若所有有效运动前景块均不属于幼师，则返回步骤(51)：

$exsit=\left\{\begin{array}{cc}1& |h-lxh\&lsqb;center.x\&rsqb;|<0.15*lxh\&lsqb;center.x\&rsqb;\\ 0& |h-lxh\&lsqb;center.x\&rsqb;|\&GreaterEqual;0.15*lxh\&lsqb;center.x\&rsqb;\end{array}\right.$

其中，h表示某个有效运动前景块的高度，center.x表示该有效运动前景块的中心横坐标，lxh[center.x]表示该有效运动前景块的中心横坐标对应的映射高度，exsit＝1表示该有效运动前景块是属于幼师，exsit＝0表示该有效运动前景块不属于幼师。

5.根据权利要求1所述的幼师体罚小孩行为的检测方法，其特征在于，所述步骤(6)，具体包括以下步骤：

(61)获取每一帧视频图像中的每一个运动前景块的统计特征，包括运动前景块的高度以及高度与宽度的比值；

(62)对每一个运动前景块，获取满足以下公式的目标跟踪列表，作为其候选目标跟踪列表：

$\left\{\begin{array}{c}|h-list\&lsqb;i\&rsqb;.h|<T1\\ |lhw-list\&lsqb;i\&rsqb;.lhw|<T2\end{array}\right.$

其中，h表示运动前景块的高度，lhw表示运动前景块的高度与宽度的比值，list[i].h、list[i].lhw分别表示第i个目标跟踪列表中最新存入的运动前景块的高度、高度与宽度的比值，T1、T2表示预设的阈值；

(63)判断运动前景块获取的目标跟踪列表的数目是否为零，若是，则为其新建一个目标跟踪列表，然后跳转至步骤(65)，若否，则执行步骤(64)；

(64)采用以下公式，计算运动前景块与其每一个候选目标跟踪列表的距离，选择距离最小的候选目标跟踪列表作为运动前景块对应的目标跟踪列表：

$d\&lsqb;j\&rsqb;=\sqrt{{(center.x-list\&lsqb;j\&rsqb;.center.x)}^2+{(cernter.y-list\&lsqb;j\&rsqb;.center.y)}^2}$

其中，d[j]表示运动前景块与其第j个候选目标跟踪列表的距离，center.x、center.y分别表示运动前景块的中心横坐标和纵坐标，list[j].center.x、list[j].center.y分别表示第j个候选目标跟踪列表中最新存入的运动前景块的中心横坐标和纵坐标；

(65)将运动前景块的统计特征和中心坐标存入对应的目标跟踪列表中；

(66)对每一个目标跟踪列表，获取目标的最大运动轨迹；

(67)当目标的最大运动轨迹大于视频图像宽度的0.9时，将相应的目标跟踪列表作为疑似幼师跟踪列表；

(68)获取出现在被监控场景的视频图像中幼师的运动前景块的典型高度；

(69)若某个疑似幼师跟踪列表中存放的运动前景块的高度与幼师的运动前景块的典型高度相近，即两者的差值在一定阈值范围内，则将该疑似幼师跟踪列表作为幼师跟踪列表；

(610)将剩余的目标跟踪列表作为幼儿跟踪列表。

6.根据权利要求1所述的幼师体罚小孩行为的检测方法，其特征在于，所述步骤(7)中，具体采用以下公式判断幼师是否弯腰：

$exsit=\left\{\begin{array}{cc}1& |\frac{2}{N}\underset{i=1}{\overset{\frac{N}{2}}{\mathrm{\&Sigma;}}}{h}_i-\frac{2}{N}\underset{i=\frac{N}{2}+1}{\overset{N}{\mathrm{\&Sigma;}}}{h}_i|\&GreaterEqual;0.25*\max h\\ 0& |\frac{2}{N}\underset{i=1}{\overset{\frac{N}{2}}{\mathrm{\&Sigma;}}}{h}_i-\frac{2}{N}\underset{i=\frac{N}{2}+1}{\overset{N}{\mathrm{\&Sigma;}}}{h}_i|<0.25*\max h\end{array}\right.$

其中，h_i表示当前帧之前第i帧视频图像中幼师的运动前景块的高度，maxh表示与当前帧相邻的前N帧视频图像中，幼师的运动前景块的中心位置对应的映射高度的最大值，exsit＝1表示当前帧视频图像中幼师弯腰了，exsit＝0表示当前帧视频图像中幼师没有弯腰。

7.根据权利要求1所述的幼师体罚小孩行为的检测方法，其特征在于，所述步骤(9)中，具体包括以下步骤：

(91)对当前帧视频图像的前一帧中出现的幼师运动前景块进行均匀间隔点采样，得到若干采样点；

(92)基于光流法，对采样点进行精确跟踪；

(93)采用以下公式获取采样点的运动量：

M[i]＝(|pt_i.x-pb_i.x|+|pt_i.y-pb_i.y|)*0.5

其中，M[i]表示第i个采样点在当前帧视频图像中相对于前一帧的运动量，pt_i.x、pt_i.y表示第i个采样点在当前帧视频图像中通过跟踪得到的坐标，pb_i.x、pb_i.y表示第i个采样点在前一帧视频图像中的坐标；

(94)去除跟踪错误的采样点，得到正确跟踪采样点；

(95)统计正确跟踪采样点中，运动量大于一定阈值的数目，作为幼师肢体的运动剧烈程度指标。

8.根据权利要求3所述的幼师体罚小孩行为的检测方法，其特征在于，所述步骤(21)，具体包括以下步骤：

a、采集一段时长为Th的被监控场景的视频；

b、获取每一帧视频图像中的所有运动前景块并进行预处理；

c、对于每一帧视频图像，统计所有经过特定区域的运动前景块的高度；

d、获取该段视频图像中，经过特定区域的运动前景块的高度最大值和中间值；

e、判断该段视频图像中，经过特定区域的运动前景块的高度最大值是否大于中间值的1.5倍，如果大于，则执行步骤f，否则，返回步骤a；

f、将经过特定区域的运动前景块的高度最大值作为幼师在该特定区域内的运动前景块的典型高度。

9.根据权利要求3所述的幼师体罚小孩行为的检测方法，其特征在于，所述步骤(24)，具体包括以下步骤：

a、基于数学形态学运算，去除孤立点；

b、去除面积小于一定阈值的运动前景块；

c、去除宽度大于高度的运动前景块。

10.根据权利要求3所述的幼师体罚小孩行为的检测方法，其特征在于，所述步骤(211)，具体包括以下步骤：

a、根据幼师跟踪列表中存放的运动前景块的中心横坐标和高度，构建位置高度映射基点；

b、根据构建的位置高度映射基点，采用以下线性插值公式，得到x轴上剩余位置对应的高度映射值：

$\left\{\begin{array}{c}{h}_i=h_0*s+h_1*(1-s)\\ s=\frac{x_i-x_0}{x_1-x_0}\end{array}\right.$

其中，h_i表示x轴上某点对应的映射高度，h₀、h1₁表示距离该点最近的左右两个映射基点对应的映射高度，x_i表示该点在x轴上的坐标，x₀、x₁表示距离该点最近的左右两个映射基点在x轴上的坐标。