CN105574889B - 一种个人异常行为检测方法和系统 - Google Patents
一种个人异常行为检测方法和系统 Download PDFInfo
- Publication number
- CN105574889B CN105574889B CN201410529066.XA CN201410529066A CN105574889B CN 105574889 B CN105574889 B CN 105574889B CN 201410529066 A CN201410529066 A CN 201410529066A CN 105574889 B CN105574889 B CN 105574889B
- Authority
- CN
- China
- Prior art keywords
- spheroid
- amplitude range
- semiaxis
- stretch amplitude
- human body
- 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
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明是有关一种个人异常行为检测方法和系统，该方法包括：获取人体区域的深度图像，检测人体质心位置，检测肢体伸展幅度范围，根据人体质心速度变化率和肢体伸展幅度范围变化判断个体行为是否异常。该系统包括：人体区域的深度图像模块；与人体区域的深度图像模块相连的人体质心位置检测模块；与人体区域的深度图像模块相连的肢体伸展幅度范围检测模块；分别与人体质心位置检测模块和肢体伸展幅度范围检测模块相连的个体行为异常判断模块。本发明采用人体质心速度变化率与人体肢体伸展幅度范围变化的双重检测方式，考虑到了移动速度剧烈变化带来的异常行为，对人体异常行为的检测全面，检测结果准确。
Description
技术领域
本发明涉及计算机视觉领域，特别是涉及一种个人异常行为检测方法和系统。
背景技术
人体运动异常行为分析是是计算机视觉领域中最活跃的研究主题之一，在安防等领域具有广泛的应用价值和巨大的潜在价值，因此吸引了众多国内外学者。
在国外，1997年美国国防部高级研究项目署设立了视觉监控重大项目VSAM，主要是在城市、战场等杂乱环境下使用视频自动理解与描述技术，用多种摄像头和传感器建立一个通用系统，完成对人和车辆的监控。美国许多大学也对该领域进行了研究，如美国明尼苏达大学的AIRVL实验室在检测、跟踪等方面研究了人的行为理解与识别；西北大学的IVPL实验室对输入的视频序列进行分析，提取出其中的有用语义信息并将其应用到监控系统中；宾夕法尼亚大学的LPAC实验室研究了基于多人场景的学习，完成了粘连人体分割、人体目标的检测和跟踪；中央弗罗里达大学的LCV实验室也在视频监控系统方面做了大量的研究。在欧洲，英国雷丁大学对实现行人和车辆的跟踪及其相互作用识别进行了广泛的研究；欧洲CANTATA项目渴望实现能够分析视频内容的技术，并将其应用于工业产品中。
在国内，中科院自动化研究所模式识别国家重点实验室的CBSR在人运动视觉分析、交通行为事件分析等领域进行了大量的研究，并且在2008北京奥运会的安保工作中发挥了重要作用；北京大学视觉和听觉信息处理国家重点实验室也对人体行为识别关键技术进行了深入的研究；微软亚洲研究院在人脸检测与识别，3D模型重建等方面进行了一系列的研究，并将其相关技术投入到一系列商品开发中。
专利公开号：CN103150579A，名称为一种基于视频序列的人体异常行为检测方法，是现有的一种较成熟的公开技术。
该发明是一种基于视频序列的人体异常行为检测方法。首先，对摄像头采集到的视频图像序列进行运动目标检测；然后，提取运动人体区域的运动特征、并使用非负矩阵分解对运动区域进行特征降维，作为运动目标的局部特征；再后，将运动特征和局部特征进行融合，作为运动行为的特征向量；最后，采用基于“投票法”的SVM多类分类器进行运动行为的识别和分类，对识别的运动目标行为做出评判。
该发明适用于单个人的行为监测，但是只考虑运动目标本身的姿态等问题，而忽视了运动目标的移动速度的突然、快速变化也是异常行为的问题，而且该发明采用分类器，限制了异常行为的种类与数量，对于从未出现过的异常行为缺乏判断力，致使该检测方法对人体异常行为的检测不够全面，检测结果不够准确。
发明内容
有鉴于上述现有技术所存在的缺陷，本发明的目的在于，提供一种个人异常行为检测方法和系统，以解决上述问题。
为了实现上述目的，依据本发明提出的一种个人异常行为检测方法，该方获取人体区域的深度图像；检测人体质心位置；检测肢体伸展幅度范围；根据所述人体质心速度变化率和所述肢体伸展幅度范围变化判断个体行为是否异常。
本发明还公开了一种个人异常行为检测系统，包括：人体区域的深度图像模块，所述人体区域的深度图像模块用于获取人体区域的深度图像；人体质心位置检测模块，所述人体质心位置检测模块与所述人体区域的深度图像模块相连，用于接收人体区域的深度图像并检测人体质心位置；肢体伸展幅度范围检测模块，所述肢体伸展幅度范围检测模块与所述人体区域的深度图像模块相连，用于接收人体区域的深度图像并检测肢体伸展幅度范围；个体行为异常判断模块，所述个体行为异常判断模块分别与所述人体质心位置检测模块和肢体伸展幅度范围检测模块相连，用于根据所述人体质心速度变化率和所述肢体伸展幅度范围变化判断个体行为是否异常。
本发明与现有技术相比具有明显的优点和有益效果。借由上述技术方案，本发明的个人异常行为检测方法和系统，采用人体质心速度变化率与人体肢体伸展幅度范围变化的双重检测方式，考虑到了移动速度剧烈变化带来的异常行为，该检测方法对人体异常行为的检测全面，检测结果准确。
此外，本发明所公开的人异常行为检测方法和系统不需要进行前期的训练，后期的分类等复杂处理，提高了系统的反应时间，同时根据肢体伸展幅度范围进行判断的设定包含了更加广泛的异常行为种类，从更本质的特点对正常与异常行为进行了划分。
附图说明
图1是本发明公开的一种个人异常行为检测方法示意图。
图2是本发明公开的获取人体区域的深度图像的步骤示意图。
图3是本发明公开的检测人体质心的步骤示意图。
图4是本发明公开的检测肢体伸展幅度范围的步骤示意图。
图5是本发明公开的根据所述人体质心速度的变化率判断个体行为是否异常的步骤示意图。
图6是本发明公开的根据所述人体肢体伸展幅度体积范围的变化率判断个体行为是否异常的步骤示意图。
图7是本发明公开的根据所述肢体伸展幅度范围椭球体X轴方向半轴变化率判断个体行为是否异常的步骤示意图。
图8是本发明公开的根据所述肢体伸展幅度范围椭球体Y轴方向半轴变化率判断个体行为是否异常的步骤示意图。
图9是本发明公开的根据所述肢体伸展幅度范围椭球体Z轴方向半轴变化率判断个体行为是否异常的步骤示意图。
图10是本发明公开的一种个人异常行为检测系统示意图。
图11是本发明公开的人体区域的深度图像模块示意图。
图12是本发明公开的人体质心位置检测模块示意图。
图13是本发明公开的肢体伸展幅度范围检测模块示意图。
图14是本发明公开的个体行为异常判断模块示意图。
图15是本发明公开的质心异常判断单元示意图。
图16是本发明公开的肢体伸展幅度范围变化异常判断单元示意图。
图17是本发明公开的肢体伸展幅度范围椭球体体积变化率判断单元示意图。
图18是本发明公开的肢体伸展幅度范围椭球体X轴方向半轴变化率判断单元示意图。
图19是本发明公开的肢体伸展幅度范围椭球体Y轴方向半轴变化率判断单元示意图。
图20是本发明公开的肢体伸展幅度范围椭球体Z轴方向半轴变化率判断单元示意图。
图21是本发明公开的个体异常行为记录模块示意图。
具体实施方式
为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的个人异常行为检测方法和系统的具体实施方式、步骤、结构、特征及其功效详细说明。
实施例一
本实施例公开了一种个人异常行为检测方法，如图1所示，该方法包括以下步骤：
获取人体区域的深度图像：
检测人体质心位置；
检测肢体伸展幅度范围；
根据所述人体质心速度变化率和所述肢体伸展幅度范围变化判断个体行为是否异常。
其中，如图2所示，所述获取人体区域的深度图像的步骤，包括：
步骤101、获取场景深度图像，在本实施例中，可以采用kinect摄像头获取场景深度图像；
步骤102、利用用OpenNI SDK中的函数在所述场景深度图像中检测出人体区域，并获取表征人体区域的二值图像，在所述二值图像中，只有人体区域的部分为1，其余皆为0。
在本实施例中，质心为人体的质量中心，本发明中认为人体的材质是均匀分布的，所以质心就为人体的几何中心，而且质心不能超出人体范围。
如图3所示，所述检测人体质心的步骤，包括：
步骤111、获取人体区域深度图像的最高点坐标(xtop,ytop)与最低点坐标(xbottom,ybottom)，确定人体高度中点的坐标以所述人体高度中点为中心沿Y轴方向选取预提取人体中部区域图像。
步骤112、设定标准灰度值分布范围，获取所述预提取人体中部区域图像内中像素的灰度值分布范围，并将超出标准灰度值分布范围的人体中部区域像素的像素值设置为0并对置0像素进行修补操作，生成修正人体中部区域图像。
由于像素的值的分布范围(0-255)是有一个区间的，而且人体的深度信息在人体中部区域是会根据某一深度值有一个分布区间的。在正常行为条件下，这个区间不会很大，而四肢剧烈运动异常行为发生并且影响到人体中部区域时，这个深度分布范围就会扩大，即超出了深度值分布范围，作用在图像上就反映为超出了某一个灰度值分布范围。因此，本步骤需要对超出灰度值分布范围的预提取人体中部区域图像的图像进行修补操作，以获得消除四肢剧烈运动造成的影响，生成修正人体中部区域图像。
所述修补操作的步骤即为：
根据实际情况预先设置标准灰度值分布范围，在修正人体中部区域图像范围内，将所有超出标准灰度值分布范围的像素的像素值均置零，图像中只有符合标准灰度值分布范围的像素的像素值不为零；
采用图像修复函数(OpenCV中的图像修复函数)对图像进行修补，修补的范围为上述步骤中置0像素的位置。
步骤113、设定标准深度和透视规律下人体中部宽度为0时的深度，获取当前深度以及当前深度下的人体中部宽度，求取标准深度下的人体中部宽度WS，
其中，WS为标准深度下的人体中部宽度，Wt为当前深度下的人体中部宽度，DS为标准深度，Dt为当前深度，D0为透视规律下人体中部宽度为0时的深度。
而标准深度DS的选择判断自由，可以随机设定，只要不超出摄像头的深度检测范围即可。透视规律下人体中部宽度为0时的深度D0的获得是需要实现对系统进行标定的，按照透视原理，在标定时，在离摄像头不同距离时分别拍摄同样的物体同样角度的图像，获得该物体在不同图像中的宽度值，通过相似三角形原理求得透视规律下人体中部宽度为0时的深度D0。
在某些情况下，人体四肢的活动会造成人体中部区域的宽度突然增加。为了解决这个问题，本步骤采用了时间上的平均身体宽度作为衡量的依据。在准确获得深度信息以及人体在三维空间中的真实位置的前提下，身体宽度的求取可以不再受到“近大远小”的透视规律的制约，在任何一帧图像中都可以得到在一个标准深度下的人体中部宽度。将之与平均值作判断从而获得最适合求取活动中心位置水平分量的宽度范围。在求取标准深度下的人体中部宽度时，认为图像在采集时畸变的影响可以忽略不计。
步骤114、去除修正人体中部区域图像内超出标准深度下的人体中部宽度的部分，获得标准人体中部区域图像。
如果在所述修正人体中部区域图像内没有超出标准深度下的人体中部宽度的部分，则去除部分为0，所述修正人体中部区域图像即为标准人体中部区域图像。
步骤115、在标准人体中部区域图像中人体高度中点(xmiddle,ymiddle)附近的图像区域搜索确定该区域所包含的人体区域部分的最左点坐标(xleft,yleft)与最右点坐标(xright,yright)，在标准人体中部区域图像中人体高度中点(xmiddle,ymiddle)附近的图像区域搜索确定该区域所包含的人体区域部分像素值的最大值dmax与最小值dmin，计算静态人体质心位置mc：
利用卡尔曼滤波器对所述静态人体质心位置进行滤波，得到人体质心位置mcnew：
mcnew＝(mcxnew,mcynew,mcznew)。
在本发明中，所述肢体伸展幅度范围为以人体质心为球心，将人体姿态完全包裹的最小椭球体体积。
如图4所示，所述检测肢体伸展幅度范围的步骤，包括：
步骤121、获取人体区域深度图像的最高点坐标(xtop,ytop)与最低点坐标(xbottom,ybottom)。
步骤122、获取人体区域深度图像的最左点坐标(xleft-global,yleft-global)与最右点坐标(xright-global,yright-global)。
步骤123、确定人体区域深度图像中像素的最大值dmax-global与最小值dmin-global。
步骤124、获得肢体伸展幅度范围椭球体沿X放向半轴长a、沿Y轴方向半长轴b和沿Z轴方向半长轴c：
a＝max(mcxnew-xleft-global,xright-global-mcxnew)
b＝max(ytop-mcynew,mcynew-ybottom)
c＝max(mcznew-dmin-global,dmax-global-mcznew)
步骤125、确定肢体伸展幅度范围椭球体的体积V：
所述根据所述人体质心速度变化率和所述肢体伸展幅度范围变化判断个体行为是否异常的步骤，包括：
方法1、根据所述人体质心速度的变化率判断个体行为是否异常；
方法2、根据所述肢体伸展幅度范围变化判断个体行为是否异常。
其中如图5所示，所述方法1、根据所述人体质心速度的变化率判断个体行为是否异常的步骤，包括：
设定标准质心移动速度变化率，所述标准质心移动速度变化率根据应用场合可以自由设定；
获取当前时刻T的人体质心位置mc(T)和之前Δt时刻的人体质心位置mc(T-Δt)，则当前时刻T的人体质心移动速度v(T)为：
获取当前时刻T的人体质心移动速度变化率dv：
其中，v(T-Δt)为之前Δt时刻的人体质心移动速度；
判断当前时刻T的人体质心移动速度变化率dv是否大于标准质心移动速度变化率，若是，则判定个体行为异常；若否，则判定个体行为正常。
方法2、根据所述肢体伸展幅度范围变化判断个体行为是否异常，包括：
子方法21、根据所述肢体伸展幅度范围椭球体体积变化率判断个体行为是否异常；
子方法22、根据所述肢体伸展幅度范围椭球体X轴方向半轴变化率判断个体行为是否异常；
子方法23、根据所述肢体伸展幅度范围椭球体Y轴方向半轴变化率判断个体行为是否异常；
子方法24、根据所述肢体伸展幅度范围椭球体Z轴方向半轴变化率判断个体行为是否异常。
即方法2、所述根据所述肢体伸展幅度范围变化率判断个体行为是否异常包括对体积变化率的判定和椭球体半长轴的判定。其中，在一些情况下由于人体肢体的伸展幅度的变化会带来体积上的明显变化，所以可以根据所述肢体伸展幅度椭球体积变化率的判定。而由于有个别异常行为的情况人体肢体的伸展幅度的变化不会带来体积上的明显变化，但使用三维空间三个分量分别统计的方法就可以准确识别此类异常行为，因此可以根据所述肢体伸展幅度椭球体半长轴的判定。在本方法中，可以根据实际使用情况选择判定依据(只依靠体积、只依靠肢体伸展幅度或是两者的综合)。
如图6所示，所述子方法21、根据所述人体肢体伸展幅度体积范围的变化率判断个体行为是否异常的步骤，包括：
设定标准肢体伸展幅度范围椭球体体积变化率，所述标准肢体伸展幅度范围椭球体体积变化率优选为2.5；
在当前时刻T的肢体伸展幅度范围椭球体体积V(T)到之前Δt时间段内肢体伸展幅度范围椭球体体积V(T-Δt)的区间内选取肢体伸展幅度范围椭球体体积的最大值max(V(T-Δt),…,V(T))和最小值min(V(T-Δt),…,V(T))，则当前时刻T的肢体伸展幅度范围椭球体体积变化率dV为：
判断所述肢体伸展幅度范围椭球体体积变化率dV是否大于标准肢体伸展幅度范围椭球体体积变化率，若是，则判定个体行为异常，若否，则判定个体行为正常。
如图7所示，所述子方法22、根据所述肢体伸展幅度范围椭球体X轴方向半轴变化率判断个体行为是否异常的步骤，包括：
设定标准肢体伸展幅度范围椭球X轴方向半轴变化率，所述标准肢体伸展幅度范围椭球X轴方向半轴变化率优选为2；
在当前时刻T的肢体伸展幅度范围椭球体X轴方向的半轴RX(T)到之前Δt时间段内肢体伸展幅度范围椭球体X轴方向的半轴RX(T-Δt)的区间内选取X轴方向半轴的最大值max(RX(T-Δt),…,RX(T))和最小值min(RX(T-Δt),…,RX(T))；
则当前时刻T的肢体伸展幅度范围椭球体X轴方向半轴的变化率dRX为：
判断肢体伸展幅度范围椭球体X轴方向半轴变化率dRX是否大于标准肢体伸展幅度范围椭球X轴方向半轴变化率，若是，则判定个体行为异常，若否，则判定个体行为正常。
如图8所示，所述子方法23，根据所述肢体伸展幅度范围椭球体Y轴方向半轴变化率判断个体行为是否异常的步骤，包括：
设定标准肢体伸展幅度范围椭球Y轴方向半轴变化率，所述标准肢体伸展幅度范围椭球Y轴方向半轴变化率优选为1.5；
在当前时刻T的肢体伸展幅度范围椭球体Y轴方向的半轴RY(T)到之前Δt时间段内肢体伸展幅度范围椭球体Y轴方向的半轴RY(T-Δt)的区间内选取Y轴方向半轴的最大值max(RY(T-Δt),…,RY(T))和最小值min(RY(T-Δt),…,RY(T))；
当前时刻T的肢体伸展幅度范围椭球体Y轴方向半轴的变化率dRY为：
判断肢体伸展幅度范围椭球体Y轴方向半轴变化率dRY是否大于标准肢体伸展幅度范围椭球Y轴方向半轴变化率，若是，则判定个体行为异常，若否，则判定个体行为正常。
如图9所示，所述子方法24，根据所述肢体伸展幅度范围椭球体Z轴方向半轴变化率判断个体行为是否异常的步骤，包括：
设定标准肢体伸展幅度范围椭球Z轴方向半轴变化率，所述标准肢体伸展幅度范围椭球Z轴方向半轴变化率优选为2；
在当前时刻T的肢体伸展幅度范围椭球体Z轴方向的半轴RZ(T)到之前Δt时间段内肢体伸展幅度范围椭球体Z轴方向的半轴RZ(T-Δt)的区间内选取Z轴方向半轴的最大值max(RZ(T-Δt),…,RZ(T))和最小值min(RZ(T-Δt),…,RZ(T))；
则当前时刻T的肢体伸展幅度范围椭球体Z轴方向半轴的变化率dRZ为：
判断肢体伸展幅度范围椭球体Z轴方向半轴变化率dRZ是否大于标准肢体伸展幅度范围椭球Z轴方向半轴变化率，若是，则判定个体行为异常，若否，则判定个体行为正常。
在本步骤中，我们通过对一些正常行为(行走、站立)的活动范围的体积与一些典型的异常行为(推搡、对打等)的活动范围的半径变化情况的研究，设定dRX、dRY和dRZ。
方法1和方法2(子方法21～24)的判定结果为判定行为异常则有输出，表示为二进制数值“1”，判定行为正常则无输出，表示为二进制数值“0”，对其结果做逻辑“或”运算，以作为最终判定结果。即对于上述方法判定结果的逻辑“或”运算结果为：若其中至少一个方法判定个体行为异常，便可认为个体行为异常；只有全部判定正常，才认为个体行为正常。
所述个人异常行为检测方法，还包括：
若判定个体行为异常，则报警(以声光电等形式报警并在同步获得的彩色图像中标示出异常行为发生的区域)并记录当前时刻T的视频信息(彩色图像与深度图像)和系统时间，以及时提醒相关人员并作为后期对人体异常行为分析判断的依据。
在预设的时间间隔后，再次执行上述个人异常行为检测方法，实现对个人异常行为的检测。
本发明与现有技术相比具有明显的优点和有益效果。借由上述技术方案，本发明的个人异常行为检测方法，采用人体质心速度变化率与人体肢体伸展幅度范围变化的双重检测方式，考虑到了移动速度剧烈变化带来的异常行为，该检测方法对人体异常行为的检测全面，检测结果准确。
此外，现有技术在进行检测时，使用模式识别分类器对运动目标的行为进行分类，分类时运用了矩阵的降维等复杂的计算，大大延迟了系统的反应时间。而本发明所公开的人异常行为检测方法不需要进行前期的训练，后期的分类等复杂处理，提高了系统的反应时间，同时根据肢体伸展幅度范围进行判断的设定包含了更加广泛的异常行为种类，从更本质的特点对正常与异常行为进行了划分。
此外，在本实施例对单个人体进行异常行为检测的基础上，通过对采集设备分析人体能力的深度挖掘，分别对每个识别出的人体进行异常行为检测，从而实现了一定意义上的多人异常行为检测(取决于采集设备的同时识别人体数目的能力)。即同单人异常行为检测的条件相同，在一定距离内使用图像采集设备拍摄人的行为，对提取出的人体进行异常行为检测，而实现了一定意义上的多人异常行为检测。
实施例二
本实施例公开了一种个人异常行为检测系统，如图10所示，该系统包括：
人体区域的深度图像模块，所述人体区域的深度图像模块用于获取人体区域的深度图像；
人体质心位置检测模块，所述人体质心位置检测模块与所述人体区域的深度图像模块相连，用于接收人体区域的深度图像并检测人体质心位置；
肢体伸展幅度范围检测模块，所述肢体伸展幅度范围检测模块与所述人体区域的深度图像模块相连，用于接收人体区域的深度图像并检测肢体伸展幅度范围；
个体行为异常判断模块，所述个体行为异常判断模块分别与所述人体质心位置检测模块和肢体伸展幅度范围检测模块相连，用于根据所述人体质心速度变化率和所述肢体伸展幅度范围变化判断个体行为是否异常。
如图11所示，其中所述人体区域的深度图像模块，包括：
场景深度图像获取单元，所述场景深度图像获取单元用于获取场景深度图像，所述场景深度图像获取单元优选kinect摄像头，所述kinect摄像头架设于高于地面3米左右的上方并有一个向下俯视的角度；
人体区域获取单元，所述人体区域获取单元与所述场景深度图像获取单元相连，用于接收场景深度图像并利用OpenNI SDK中的函数在所述场景深度图像中检测出人体区域，并获取表征人体区域的二值图像。
如图12所示，所述人体质心位置检测模块，包括：
预提取人体中部区域图像单元，所述预提取人体中部区域图像单元与所述人体区域获取单元相连，用于接收表征人体区域的二值图像并获取人体区域深度图像的中点，以所述人体高度中点为中心预提取人体中部区域图像；
修正人体中部区域图像生成单元，所述修正人体中部区域图像生成单元与所述预提取人体中部区域图像单元相连，用于接收预提取人体中部区域图像并获取所述预提取人体中部区域图像内中像素的灰度值分布范围，将超出标准灰度值分布范围的人体中部区域像素的像素值设置为0并对置0像素进行修补操作，生成修正人体中部区域图像；
标准人体中部区域图像生成单元，所述标准人体中部区域图像生成单元与所述修正人体中部区域图像生成单元相连，用于接收修正人体中部区域图像并获取标准深度下人体中部宽度，去除修正人体中部区域图像内超出标准深度下人体中部宽度的部分，生成标准人体中部区域图像；
人体质心位置获取单元，所述人体质心位置获取单元与所述标准人体中部区域图像生成单元相连，用于接收标准人体中部区域图像并计算获得静态人体质心位置，利用卡尔曼滤波器对所述静态人体质心位置进行滤波，得到人体质心位置。
如图13所示，所述肢体伸展幅度范围检测模块，包括：
半轴坐标获取单元，所述半轴坐标获取单元与所述人体区域获取单元相连，用于接收表征人体区域的二值图像并获取人体区域深度图像的最高点坐标(xtop,ytop)、最低点坐标(xbottom,ybottom)、最左点坐标(xleft-global,yleft-global)、最右点坐标(xright-global,yright-global)，并确定人体区域深度图像中像素的最大值dmax-global与最小值dmin-global；
肢体伸展幅度范围椭球体的体积获取单元，所述肢体伸展幅度范围椭球体的体积获取单元与所述半轴坐标获取单元相连，用于接收人体区域深度图像的最高点坐标(xtop,ytop)、最低点坐标(xbottom,ybottom)、最左点坐标(xleft-global,yleft-global)、最右点坐标(xright-global,yright-global)，以及人体区域深度图像中像素的最大值dmax-global与最小值dmin-global，并计算肢体伸展幅度范围椭球体X轴方向半长轴a、Y轴方向半长轴b和Z轴方向半长轴c：
a＝max(mcxnew-xleft-global,xright-global-mcxnew)
b＝max(ytop-mcynew,mcynew-ybottom)
c＝max(mcznew-dmin-global,dmax-global-mcznew)
确定肢体伸展幅度范围椭球体的体积V：
如图14所示，所述个体行为异常判断模块，包括：
质心异常判断单元，所述质心异常判断单元与所述人体质心位置获取单元相连，用于接收人体质心位置并根据所述人体质心速度的变化率判断个体行为是否异常；
肢体伸展幅度范围变化异常判断单元，所述肢体伸展幅度范围变化异常判断单元与所述肢体伸展幅度范围椭球体的体积获取单元相连，用于接收肢体伸展幅度范围椭球体X轴方向半长轴a、Y轴方向半长轴b、Z轴方向半长轴c和肢体伸展幅度范围椭球体的体积V，并根据肢体伸展幅度范围变化判断个体行为是否异常；
异常行为汇总模块，所述异常行为汇总模块分别与所述质心异常判断单元和肢体伸展幅度范围变化异常判断单元相连，并对所述质心异常判断单元和肢体伸展幅度范围变化异常判断单元的判定结果进行逻辑“或”运算，输出判定结果。
如图15所示，所述质心异常判断单元，包括：
人体质心移动速度获取子单元，所述人体质心移动速度获取子单元与所述人体质心位置获取单元相连，用于获取当前时刻T的人体质心位置mc(T)和之前Δt时刻的人体质心位置mc(T-Δt)，并进一步获取当前时刻T的人体质心移动速度v(T)；
人体质心移动速度变化率获取子单元，所述人体质心移动速度变化率获取子单元与所述人体质心移动速度获取子单元相连，用于获取当前时刻T的人体质心移动速度变化率dv：
其中，v(T-Δt)为之前Δt时刻的人体质心移动速度；
人体质心移动速度变化率异常判断子单元，所述人体质心移动速度变化率异常判断子单元分别与所述人体质心移动速度变化率获取子单元和异常行为汇总模块相连，用于获取当前时刻T的人体质心移动速度变化率dv，并判断当前时刻T的人体质心移动速度变化率dv是否大于预先设定的标准质心移动速度变化率，若是，则判定个体行为异常；若否，则判定个体行为正常，最后将判定结果输出给所述异常行为汇总模块。所述预先设定的标准质心移动速度变化率根据实际的环境状况设定。
如图16所示，所述肢体伸展幅度范围变化异常判断单元，包括：
肢体伸展幅度范围椭球体体积变化率判断单元，所述肢体伸展幅度范围椭球体体积变化率判断单元分别与所述肢体伸展幅度范围椭球体的体积获取单元和异常行为汇总模块相连，用于接收肢体伸展幅度范围椭球体的体积并根据所述肢体伸展幅度范围椭球体体积变化率判断个体行为是否异常，将判定结果输出给所述异常行为汇总模块；
肢体伸展幅度范围椭球体X轴方向半轴变化率判断单元，所述肢体伸展幅度范围椭球体X轴方向半轴变化率判断单元分别与所述肢体伸展幅度范围椭球体的体积获取单元和异常行为汇总模块相连，用于接收肢体伸展幅度范围椭球体X轴方向半轴，并根据所述肢体伸展幅度范围椭球体X轴方向半轴变化率判断个体行为是否异常，将判定结果输出给所述异常行为汇总模块；
肢体伸展幅度范围椭球体Y轴方向半轴变化率判断单元，所述肢体伸展幅度范围椭球体Y轴方向半轴变化率判断单元分别与所述肢体伸展幅度范围椭球体的体积获取单元和异常行为汇总模块相连，用于接收肢体伸展幅度范围椭球体Y轴方向半轴，并根据所述肢体伸展幅度范围椭球体Y轴方向半轴变化率判断个体行为是否异常，将判定结果输出给所述异常行为汇总模块；
肢体伸展幅度范围椭球体Z轴方向半轴变化率判断单元，所述肢体伸展幅度范围椭球体Z轴方向半轴变化率判断单元分别与所述肢体伸展幅度范围椭球体的体积获取单元和异常行为汇总模块相连，用于接收肢体伸展幅度范围椭球体Z轴方向半轴，并根据所述肢体伸展幅度范围椭球体Z轴方向半轴变化率判断个体行为是否异常，将判定结果输出给所述异常行为汇总模块。
如图17所示，所述肢体伸展幅度范围椭球体体积变化率判断单元，包括：
肢体伸展幅度范围椭球体体积变化率获取子单元，所述肢体伸展幅度范围椭球体体积变化率获取子单元与所述肢体伸展幅度范围椭球体的体积获取单元相连，用于接收肢体伸展幅度范围椭球体的体积，并在当前时刻T的肢体伸展幅度范围椭球体体积V(T)到之前Δt时间段内肢体伸展幅度范围椭球体体积V(T-Δt)的区间内选取肢体伸展幅度范围椭球体体积的最大值max(V(T-Δt),…,V(T))和最小值min(V(T-Δt),…,V(T))，获取肢体伸展幅度范围椭球体体积变化率dV：
肢体伸展幅度范围椭球体体积变化率异常判断子单元，所述肢体伸展幅度范围椭球体体积变化率异常判断子单元分别与所述肢体伸展幅度范围椭球体体积变化率获取子单元和异常行为汇总模块相连，用于接收肢体伸展幅度范围椭球体体积变化率dV，并判断肢体伸展幅度范围椭球体体积变化率dV是否大于预先设定的标准肢体伸展幅度范围椭球体体积变化率，若是，则判定个体行为异常，若否，则判定个体行为正常，最后将判定结果输出给所述异常行为汇总模块。所述预先设定的标准肢体伸展幅度范围椭球体体积变化率优选为2.5。
如图18所示，所述肢体伸展幅度范围椭球体X轴方向半轴变化率判断单元，包括：
肢体伸展幅度范围椭球体X轴方向半轴的变化率获取子单元，所述肢体伸展幅度范围椭球体X轴方向半轴的变化率获取子单元与所述肢体伸展幅度范围椭球体的体积获取单元相连，用于接收肢体伸展幅度范围椭球体X轴方向的半轴，并在当前时刻T的肢体伸展幅度范围椭球体X轴方向的半轴RX(T)到之前Δt时间段内肢体伸展幅度范围椭球体X轴方向的半轴RX(T-Δt)的区间内选取X轴方向半轴的最大值max(RX(T-Δt),…,RX(T))和最小值min(RX(T-Δt),…,RX(T))，获取肢体伸展幅度范围椭球体X轴方向半轴的变化率dRX：
肢体伸展幅度范围椭球体X轴方向半轴的变化率异常判断子单元，所述肢体伸展幅度范围椭球体X轴方向半轴的变化率异常判断子单元分别与所述肢体伸展幅度范围椭球体X轴方向半轴的变化率获取子单元和异常行为汇总模块相连，用于接收肢体伸展幅度范围椭球体X轴方向半轴的变化率dRX，并判断肢体伸展幅度范围椭球体X轴方向半轴变化率dRX是否大于预先设定的标准肢体伸展幅度范围椭球X轴方向半轴变化率，若是，则判定个体行为异常，若否，则判定个体行为正常，最后将判定结果输出给所述异常行为汇总模块。所述预先设定的标准肢体伸展幅度范围椭球X轴方向半轴变化率优选为2。
如图19所示，所述肢体伸展幅度范围椭球体Y轴方向半轴变化率判断单元，包括：
肢体伸展幅度范围椭球体Y轴方向半轴的变化率获取子单元，所述肢体伸展幅度范围椭球体Y轴方向半轴的变化率获取子单元与所述肢体伸展幅度范围椭球体的体积获取单元相连，用于接收肢体伸展幅度范围椭球体Y轴方向的半轴，并在当前时刻T的肢体伸展幅度范围椭球体Y轴方向的半轴RY(T)到之前Δt时间段内肢体伸展幅度范围椭球体Y轴方向的半轴RY(T-Δt)的区间内选取Y轴方向半轴的最大值max(RY(T-Δt),…,RY(T))和最小值min(RY(T-Δt),…,RY(T))，并获取肢体伸展幅度范围椭球体Y轴方向半轴的变化率dRY：
肢体伸展幅度范围椭球体Y轴方向半轴的变化率异常判断子单元，所述肢体伸展幅度范围椭球体Y轴方向半轴的变化率异常判断子单元分别与所述肢体伸展幅度范围椭球体Y轴方向半轴的变化率获取子单元和异常行为汇总模块相连，用于接收肢体伸展幅度范围椭球体Y轴方向半轴的变化率dRY，并判断肢体伸展幅度范围椭球体Y轴方向半轴变化率dRX是否大于预先设定的标准肢体伸展幅度范围椭球Y轴方向半轴变化率，若是，则判定个体行为异常，若否，则判定个体行为正常，最后将判定结果输出给所述异常行为汇总模块。所述预先设定的标准肢体伸展幅度范围椭球Y轴方向半轴变化率优选为1.5
如图20所示，所述肢体伸展幅度范围椭球体Z轴方向半轴变化率判断单元，包括：
肢体伸展幅度范围椭球体Z轴方向半轴的变化率获取子单元，所述肢体伸展幅度范围椭球体Z轴方向半轴的变化率获取子单元与所述肢体伸展幅度范围椭球体的体积获取单元相连，用于接收肢体伸展幅度范围椭球体Z轴方向的半轴，并在当前时刻T的肢体伸展幅度范围椭球体Z轴方向的半轴RZ(T)到之前Δt时间段内肢体伸展幅度范围椭球体Z轴方向的半轴RZ(T-Δt)的区间内选取Z轴方向半轴的最大值max(RZ(T-Δt),…,RZ(T))和最小值min(RZ(T-Δt),…,RZ(T))，并获取肢体伸展幅度范围椭球体Z轴方向半轴的变化率dRZ：
肢体伸展幅度范围椭球体Z轴方向半轴的变化率异常判断子单元，所述肢体伸展幅度范围椭球体Z轴方向半轴的变化率异常判断子单元分别与所述肢体伸展幅度范围椭球体Z轴方向半轴的变化率获取子单元和异常行为汇总模块相连，用于接收肢体伸展幅度范围椭球体Z轴方向半轴的变化率dRZ，并判断肢体伸展幅度范围椭球体Z轴方向半轴变化率dRZ是否大于预先设定的标准肢体伸展幅度范围椭球Z轴方向半轴变化率，若是，则判定个体行为异常，若否，则判定个体行为正常，最后将判定结果输出给所述异常行为汇总模块。所述预先设定的标准肢体伸展幅度范围椭球Z轴方向半轴变化率优选为2。
上述对人体异常行为的判定结果若为异常则有输出，表示为二进制数值“1”，若为正常则无输出，表示为二进制数值“0”，对其结果做逻辑“或”运算，所述异常行为汇总模块所进行的逻辑“或”运算的结果为：上述任一异常判断单元的判断结果只要有一个为行为异常，则系统便会输出个体行为异常判定结果，只有在全部行为判定正常的情况下，系统才会输出个体行为正常的判定结果。
如图21所示，所述个人异常行为检测系统，还包括：
个体异常行为记录模块，所述个体异常行为记录模块与所述异常行为汇总模块相连，用于在判定个体行为异常时，接收个体行为异常判定结果，报警(以声光电等形式报警并在同步获得的彩色图像中标示出异常行为发生的区域)并记录当前时刻T的视频信息(彩色图像与深度图像)和系统时间，以及时提醒相关人员并作为后期对人体异常行为分析判断的依据。
本发明与现有技术相比具有明显的优点和有益效果。借由上述技术方案，本发明的个人异常行为检测系统，采用人体质心速度变化率与人体肢体伸展幅度范围变化的双重检测方式，考虑到了移动速度剧烈变化带来的异常行为，该检测方法对人体异常行为的检测全面，检测结果准确。
此外，现有技术在进行检测时，使用模式识别分类器对运动目标的行为进行分类，分类时运用了矩阵的降维等复杂的计算，大大延迟了系统的反应时间。而本实施例所公开的人异常行为检测系统不需要进行前期的训练，后期的分类等复杂处理，提高了系统的反应时间，同时根据肢体伸展幅度范围进行判断的设定包含了更加广泛的异常行为种类，从更本质的特点对正常与异常行为进行了划分。
此外，在本实施例对单个人体进行异常行为检测的基础上，通过对采集设备分析人体能力的深度挖掘，分别对每个识别出的人体进行异常行为检测，从而实现了一定意义上的多人异常行为检测(取决于采集设备的同时识别人体数目的能力)。即同单人异常行为检测的条件相同，在一定距离内使用图像采集设备拍摄人的行为，对提取出的人体进行异常行为检测，而实现了一定意义上的多人异常行为检测。
虽然本发明已以较佳实施例揭露如上，然并非用以限定本发明实施的范围，依据本发明的权利要求书及说明内容所作的简单的等效变化与修饰，仍属于本发明技术方案的范围内。
Claims (26)
1.一种个人异常行为检测方法，其特征在于，包括以下步骤：
获取人体区域的深度图像；
检测人体质心位置；
检测肢体伸展幅度范围，所述肢体伸展幅度范围为以人体质心为球心，将人体姿态完全包裹的最小椭球体体积；
根据所述人体质心速度变化率和所述肢体伸展幅度范围变化判断个体行为是否异常，
其中所述检测肢体伸展幅度范围的步骤，包括：
获取人体区域深度图像的最高点坐标(xtop,ytop)与最低点坐标(xbottom,ybottom)；
获取人体区域深度图像的最左点坐标(xleft-global,yleft-global)与最右点坐标(xright-global,yright-global)；
确定人体区域深度图像中像素的最大值dmax-global与最小值dmin-global；
确定人体质心位置mcnew：
mcnew＝(mcxnew,mcynew,mcznew)；
获得肢体伸展幅度范围椭球体沿X方向半轴长a、沿Y轴方向半长轴b和沿Z轴方向半长轴c：
a＝max(mcxnew-xleft-global,xright-global-mcxnew)
b＝max(ytop-mcynew,mcynew-ybottom)
c＝max(mcznew-dmin-global,dmax-global-mcznew)
确定肢体伸展幅度范围椭球体的体积V：
2.如权利要求1所述个人异常行为检测方法，其特征在于，其中所述获取人体区域的深度图像的步骤，包括：
获取场景深度图像；
利用OpenNI SDK中的函数在所述场景深度图像中检测出人体区域，并获取表征人体区域的二值图像。
3.如权利要求1所述个人异常行为检测方法，其特征在于，其中所述检测人体质心的步骤，包括：
获取人体区域深度图像的最高点坐标(xtop,ytop)与最低点坐标(xbottom,ybottom)，确定人体高度中点的坐标以所述人体高度中点为中心沿Y轴方向选取预提取人体中部区域图像；
设定标准灰度值分布范围，获取所述预提取人体中部区域图像内中像素的灰度值分布范围，并将超出标准灰度值分布范围的人体中部区域像素的像素值设置为0并对置0像素进行修补操作，生成修正人体中部区域图像；
设定标准深度和透视规律下人体中部宽度为0时的深度，获取当前深度以及当前深度下的人体中部宽度，求取标准深度下的人体中部宽度WS，
其中，WS为标准深度下的人体中部宽度，Wt为当前深度下的人体中部宽度，DS为标准深度，Dt为当前深度，D0为透视规律下人体中部宽度为0时的深度；
去除修正人体中部区域图像内超出标准深度下的人体中部宽度的部分，获得标准人体中部区域图像；
在标准人体中部区域图像中人体高度中点(xmiddle,ymiddle)附近的图像区域搜索确定该区域所包含的人体区域部分的最左点坐标(xleft,yleft)与最右点坐标(xright,yright)，在标准人体中部区域图像中人体高度中点(xmiddle,ymiddle)附近的图像区域搜索确定该区域所包含的人体区域部分像素值的最大值dmax与最小值dmin，计算静态人体质心位置mc：
利用卡尔曼滤波器对所述静态人体质心位置进行滤波，得到人体质心位置mcnew：
mcnew＝(mcxnew,mcynew,mcznew)。
4.如权利要求1所述个人异常行为检测方法，其特征在于，其中所述根据所述人体质心速度变化率和所述肢体伸展幅度范围变化判断个体行为是否异常的步骤，包括：
方法1、根据所述人体质心速度的变化率判断个体行为是否异常；
方法2、根据所述肢体伸展幅度范围变化判断个体行为是否异常；
对方法1和方法2的判定结果进行逻辑“或”运算。
5.如权利要求4所述个人异常行为检测方法，其特征在于，其中所述根据所述肢体伸展幅度范围变化判断个体行为是否异常，包括：
根据所述肢体伸展幅度范围椭球体体积变化率判断个体行为是否异常；
根据所述肢体伸展幅度范围椭球体X轴方向半轴变化率判断个体行为是否异常；
根据所述肢体伸展幅度范围椭球体Y轴方向半轴变化率判断个体行为是否异常；
根据所述肢体伸展幅度范围椭球体Z轴方向半轴变化率判断个体行为是否异常。
6.如权利要求4所述个人异常行为检测方法，其特征在于，其中所述根据所述人体质心速度的变化率判断个体行为是否异常的步骤，包括：
设定标准质心移动速度变化率；
获取当前时刻T的人体质心位置mc(T)和之前Δt时刻的人体质心位置mc(T-Δt)，则当前时刻T的人体质心移动速度v(T)为：
获取当前时刻T的人体质心移动速度变化率dv：
其中，v(T-Δt)为之前Δt时刻的人体质心移动速度；
判断当前时刻T的人体质心移动速度变化率dv是否大于标准质心移动速度变化率，若是，则判定个体行为异常，若否，则判定个体行为正常。
7.如权利要求5所述个人异常行为检测方法，其特征在于，其中所述根据所述肢体伸展幅度范围椭球体体积变化率判断个体行为是否异常的步骤，包括：
设定标准肢体伸展幅度范围椭球体体积变化率；
在当前时刻T的肢体伸展幅度范围椭球体体积V(T)到之前Δt时间段内肢体伸展幅度范围椭球体体积V(T-Δt)的区间内选取肢体伸展幅度范围椭球体体积的最大值max(V(T-Δt),…,V(T))和最小值min(V(T-Δt),…,V(T))，则肢体伸展幅度范围椭球体体积变化率dV为：
判断所述肢体伸展幅度范围椭球体体积变化率dV是否大于标准肢体伸展幅度范围椭球体体积变化率，若是，则判定个体行为异常，若否，则判定个体行为正常。
8.如权利要求7所述个人异常行为检测方法，其特征在于，其中所述标准肢体伸展幅度范围椭球体体积变化率为2.5。
9.如权利要求5所述个人异常行为检测方法，其特征在于，其中所述根据所述肢体伸展幅度范围椭球体X轴方向半轴变化率判断个体行为是否异常的步骤，包括：
在当前时刻T的肢体伸展幅度范围椭球体X轴方向的半轴RX(T)到之前Δt时间段内肢体伸展幅度范围椭球体X轴方向的半轴RX(T-Δt)的区间内选取X轴方向半轴的最大值max(RX(T-Δt),…,RX(T))和最小值min(RX(T-Δt),…,RX(T))；
则肢体伸展幅度范围椭球体X轴方向半轴的变化率dRX为：
判断肢体伸展幅度范围椭球体X轴方向半轴变化率dRX是否大于标准肢体伸展幅度范围椭球X轴方向半轴变化率，若是，则判定个体行为异常，若否，则判定个体行为正常。
10.如权利要求9所述个人异常行为检测方法，其特征在于，其中所述标准肢体伸展幅度范围椭球X轴方向半轴变化率为2。
11.如权利要求5所述个人异常行为检测方法，其特征在于，其中所述根据所述肢体伸展幅度范围椭球体Y轴方向半轴变化率判断个体行为是否异常的步骤，包括：
在当前时刻T的肢体伸展幅度范围椭球体Y轴方向的半轴RY(T)到之前Δt时间段内肢体伸展幅度范围椭球体Y轴方向的半轴RY(T-Δt)的区间内选取Y轴方向半轴的最大值max(RY(T-Δt),…,RY(T))和最小值min(RY(T-Δt),…,RY(T))；
肢体伸展幅度范围椭球体Y轴方向半轴的变化率dRY为：
判断肢体伸展幅度范围椭球体Y轴方向半轴变化率dRY是否大于标准肢体伸展幅度范围椭球Y轴方向半轴变化率，若是，则判定个体行为异常，若否，则判定个体行为正常。
12.如权利要求11所述个人异常行为检测方法，其特征在于，其中所述标准肢体伸展幅度范围椭球Y轴方向半轴变化率为1.5。
13.如权利要求5所述个人异常行为检测方法，其特征在于，其中所述根据所述肢体伸展幅度范围椭球体Z轴方向半轴变化率判断个体行为是否异常的步骤，包括：
在当前时刻T的肢体伸展幅度范围椭球体Z轴方向的半轴RZ(T)到之前Δt时间段内肢体伸展幅度范围椭球体Z轴方向的半轴RZ(T-Δt)的区间内选取Z轴方向半轴的最大值max(RZ(T-Δt),…,RZ(T))和最小值min(RZ(T-Δt),…,RZ(T))；
则肢体伸展幅度范围椭球体Z轴方向半轴的变化率dRZ为：
判断肢体伸展幅度范围椭球体Z轴方向半轴变化率dRZ是否大于标准肢体伸展幅度范围椭球Z轴方向半轴变化率，若是，则判定个体行为异常，若否，则判定个体行为正常。
14.如权利要求13所述个人异常行为检测方法，其特征在于，其中所述标准肢体伸展幅度范围椭球Z轴方向半轴变化率为2。
15.如权利要求1所述个人异常行为检测方法，其特征在于，还包括：
若判定个体行为异常，则报警并记录当前时刻T的视频信息和系统时间。
16.一种个人异常行为检测系统，其特征在于，包括：
人体区域的深度图像模块，人体区域的深度图像模块用于获取人体区域的深度图像；
人体质心位置检测模块，所述人体质心位置检测模块与所述人体区域的深度图像模块相连，用于接收人体区域的深度图像并检测人体质心位置；
肢体伸展幅度范围检测模块，所述肢体伸展幅度范围检测模块与所述人体区域的深度图像模块相连，用于接收人体区域的深度图像并检测肢体伸展幅度范围，所述肢体伸展幅度范围为以人体质心为球心，将人体姿态完全包裹的最小椭球体体积；
个体行为异常判断模块，所述个体行为异常判断模块分别与所述人体质心位置检测模块和肢体伸展幅度范围检测模块相连，用于根据所述人体质心速度变化率和所述肢体伸展幅度范围变化判断个体行为是否异常，
其中所述肢体伸展幅度范围检测模块，包括：
半轴坐标获取单元，所述半轴坐标获取单元与所述人体区域的深度图像模块相连，用于接收表征人体区域的二值图像并获取人体区域深度图像的最高点坐标(xtop,ytop)、最低点坐标(xbottom,ybottom)、最左点坐标(xleft-global,yleft-global)、最右点坐标(xright-global,yright-global)，并确定人体区域深度图像中像素的最大值dmax-global与最小值dmin-global；
肢体伸展幅度范围椭球体的体积获取单元，所述肢体伸展幅度范围椭球体的体积获取单元与所述半轴坐标获取单元相连，用于接收人体区域深度图像的最高点坐标(xtop,ytop)、最低点坐标(xbottom,ybottom)、最左点坐标(xleft-global,yleft-global)、最右点坐标(xright-global,yright-global)，以及人体区域深度图像中像素的最大值dmax-global与最小值dmin-global，并计算肢体伸展幅度范围椭球体X轴方向半长轴a、Y轴方向半长轴b和Z轴方向半长轴c：
mcnew＝(mcxnew,mcynew,mcznew)，mcnew是卡尔曼滤波器滤波后的人体质心位置；
确定肢体伸展幅度范围椭球体的体积V：
17.如权利要求16所述个人异常行为检测系统，其特征在于，其中所述人体区域的深度图像模块，包括：
场景深度图像获取单元，所述场景深度图像获取单元用于获取场景深度图像；
人体区域获取单元，所述人体区域获取单元与所述场景深度图像获取单元相连，用于接收场景深度图像并利用OpenNI SDK中的函数在所述场景深度图像中检测出人体区域，并获取表征人体区域的二值图像。
18.如权利要求17所述个人异常行为检测系统，其特征在于，其中所述人体质心位置检测模块，包括：
预提取人体中部区域图像单元，所述预提取人体中部区域图像单元与所述人体区域获取单元相连，用于接收表征人体区域的二值图像并获取预提取人体中部区域图像；
修正人体中部区域图像生成单元，所述修正人体中部区域图像生成单元与所述预提取人体中部区域图像单元相连，用于接收预提取人体中部区域图像并生成修正人体中部区域图像；
标准人体中部区域图像生成单元，所述标准人体中部区域图像生成单元与所述修正人体中部区域图像生成单元相连，用于接收修正人体中部区域图像并生成标准人体中部区域图像；
人体质心位置获取单元，所述人体质心位置获取单元与所述标准人体中部区域图像生成单元相连，用于接收标准人体中部区域图像并得到人体质心位置。
19.如权利要求18所述个人异常行为检测系统，其特征在于，其中所述个体行为异常判断模块，包括：
质心异常判断单元，所述质心异常判断单元与所述人体质心位置获取单元相连，用于接收人体质心位置并根据所述人体质心速度的变化率判断个体行为是否异常；
肢体伸展幅度范围变化异常判断单元，所述肢体伸展幅度范围变化异常判断单元与所述肢体伸展幅度范围椭球体的体积获取单元相连，用于接收肢体伸展幅度范围椭球体X轴方向半长轴a、Y轴方向半长轴b、Z轴方向半长轴c和肢体伸展幅度范围椭球体的体积V，并根据肢体伸展幅度范围变化判断个体行为是否异常；
异常行为汇总模块，所述异常行为汇总模块分别与所述质心异常判断单元和肢体伸展幅度范围变化异常判断单元相连，并对所述质心异常判断单元和肢体伸展幅度范围变化异常判断单元的判定结果进行逻辑“或”运算，输出判定结果。
20.如权利要求19所述个人异常行为检测系统，其特征在于，其中所述质心异常判断单元，包括：
人体质心移动速度获取子单元，所述人体质心移动速度获取子单元与所述人体质心位置获取单元相连，用于获取当前时刻T的人体质心移动速度v(T)；
人体质心移动速度变化率获取子单元，所述人体质心移动速度变化率获取子单元与所述人体质心移动速度获取子单元相连，用于获取当前时刻T的人体质心移动速度变化率dv：
其中，v(T-Δt)为之前Δt时刻的人体质心移动速度；
人体质心移动速度变化率异常判断子单元，所述人体质心移动速度变化率异常判断子单元分别与所述人体质心移动速度变化率获取子单元和异常行为汇总模块相连，用于获取当前时刻T的人体质心移动速度变化率dv，并判断当前时刻T的人体质心移动速度变化率dv是否大于预先设定的标准质心移动速度变化率，若是，则判定个体行为异常，若否，则判定个体行为正常，将判定结果输出给所述异常行为汇总模块。
21.如权利要求19所述个人异常行为检测系统，其特征在于，其中所述肢体伸展幅度范围变化异常判断单元，包括：
肢体伸展幅度范围椭球体体积变化率判断单元，所述肢体伸展幅度范围椭球体体积变化率判断单元分别与所述肢体伸展幅度范围椭球体的体积获取单元和异常行为汇总模块相连，用于接收肢体伸展幅度范围椭球体的体积并根据所述肢体伸展幅度范围椭球体体积变化率判断个体行为是否异常，将判定结果输出给所述异常行为汇总模块；
肢体伸展幅度范围椭球体X轴方向半轴变化率判断单元，所述肢体伸展幅度范围椭球体X轴方向半轴变化率判断单元分别与所述肢体伸展幅度范围椭球体的体积获取单元和异常行为汇总模块相连，用于接收肢体伸展幅度范围椭球体X轴方向半轴，并根据所述肢体伸展幅度范围椭球体X轴方向半轴变化率判断个体行为是否异常，将判定结果输出给所述异常行为汇总模块；
肢体伸展幅度范围椭球体Y轴方向半轴变化率判断单元，所述肢体伸展幅度范围椭球体Y轴方向半轴变化率判断单元分别与所述肢体伸展幅度范围椭球体的体积获取单元和异常行为汇总模块相连，用于接收肢体伸展幅度范围椭球体Y轴方向半轴，并根据所述肢体伸展幅度范围椭球体Y轴方向半轴变化率判断个体行为是否异常，将判定结果输出给所述异常行为汇总模块；
肢体伸展幅度范围椭球体Z轴方向半轴变化率判断单元，所述肢体伸展幅度范围椭球体Z轴方向半轴变化率判断单元分别与所述肢体伸展幅度范围椭球体的体积获取单元和异常行为汇总模块相连，用于接收肢体伸展幅度范围椭球体Z轴方向半轴，并根据所述肢体伸展幅度范围椭球体Z轴方向半轴变化率判断个体行为是否异常，将判定结果输出给所述异常行为汇总模块。
22.如权利要求21所述个人异常行为检测系统，其特征在于，其中所述肢体伸展幅度范围椭球体体积变化率判断单元，包括：
肢体伸展幅度范围椭球体体积变化率获取子单元，所述肢体伸展幅度范围椭球体体积变化率获取子单元与所述肢体伸展幅度范围椭球体的体积获取单元相连，用于接收肢体伸展幅度范围椭球体的体积，并在当前时刻T的肢体伸展幅度范围椭球体体积V(T)到之前Δt时间段内肢体伸展幅度范围椭球体体积V(T-Δt)的区间内选取肢体伸展幅度范围椭球体体积的最大值max(V(T-Δt),…,V(T))和最小值min(V(T-Δt),…,V(T))，获取肢体伸展幅度范围椭球体体积变化率dV：
肢体伸展幅度范围椭球体体积变化率异常判断子单元，所述肢体伸展幅度范围椭球体体积变化率异常判断子单元分别与所述肢体伸展幅度范围椭球体体积变化率获取子单元和异常行为汇总模块相连，用于接收肢体伸展幅度范围椭球体体积变化率dV，并判断肢体伸展幅度范围椭球体体积变化率dV是否大于预先设定的标准肢体伸展幅度范围椭球体体积变化率，若是，则判定个体行为异常，若否，则判定个体行为正常，将判定结果输出给所述异常行为汇总模块。
23.如权利要求21所述个人异常行为检测系统，其特征在于，其中所述肢体伸展幅度范围椭球体X轴方向半轴变化率判断单元，包括：
肢体伸展幅度范围椭球体X轴方向半轴的变化率获取子单元，所述肢体伸展幅度范围椭球体X轴方向半轴的变化率获取子单元与所述肢体伸展幅度范围椭球体的体积获取单元相连，用于接收肢体伸展幅度范围椭球体X轴方向的半轴，并在当前时刻T的肢体伸展幅度范围椭球体X轴方向的半轴RX(T)到之前Δt时间段内肢体伸展幅度范围椭球体X轴方向的半轴RX(T-Δt)的区间内选取X轴方向半轴的最大值max(RX(T-Δt),…,RX(T))和最小值min(RX(T-Δt),…,RX(T))，获取肢体伸展幅度范围椭球体X轴方向半轴的变化率dRX：
肢体伸展幅度范围椭球体X轴方向半轴的变化率异常判断子单元，所述肢体伸展幅度范围椭球体X轴方向半轴的变化率异常判断子单元分别与所述肢体伸展幅度范围椭球体X轴方向半轴的变化率获取子单元和异常行为汇总模块相连，用于接收肢体伸展幅度范围椭球体X轴方向半轴的变化率dRX，并判断肢体伸展幅度范围椭球体X轴方向半轴变化率dRX是否大于预先设定的标准肢体伸展幅度范围椭球X轴方向半轴变化率，若是，则判定个体行为异常，若否，则判定个体行为正常，将判定结果输出给所述异常行为汇总模块。
24.如权利要求21所述个人异常行为检测系统，其特征在于，其中所述肢体伸展幅度范围椭球体Y轴方向半轴变化率判断单元，包括：
肢体伸展幅度范围椭球体Y轴方向半轴的变化率获取子单元，所述肢体伸展幅度范围椭球体Y轴方向半轴的变化率获取子单元与所述肢体伸展幅度范围椭球体的体积获取单元相连，用于接收肢体伸展幅度范围椭球体Y轴方向的半轴，在当前时刻T的肢体伸展幅度范围椭球体Y轴方向的半轴RY(T)到之前Δt时间段内肢体伸展幅度范围椭球体Y轴方向的半轴RY(T-Δt)的区间内选取Y轴方向半轴的最大值max(RY(T-Δt),…,RY(T))和最小值min(RY(T-Δt),…,RY(T))，并获取肢体伸展幅度范围椭球体Y轴方向半轴的变化率dRY：
肢体伸展幅度范围椭球体Y轴方向半轴的变化率异常判断子单元，所述肢体伸展幅度范围椭球体Y轴方向半轴的变化率异常判断子单元分别与所述肢体伸展幅度范围椭球体Y轴方向半轴的变化率获取子单元和异常行为汇总模块相连，用于接收肢体伸展幅度范围椭球体Y轴方向半轴的变化率dRY，并判断肢体伸展幅度范围椭球体Y轴方向半轴变化率dRX是否大于预先设定的标准肢体伸展幅度范围椭球Y轴方向半轴变化率，若是，则判定个体行为异常，若否，则判定个体行为正常，将判定结果输出给所述异常行为汇总模块。
25.如权利要求21所述个人异常行为检测系统，其特征在于，其中所述肢体伸展幅度范围椭球体Z轴方向半轴变化率判断单元，包括：
肢体伸展幅度范围椭球体Z轴方向半轴的变化率获取子单元，所述肢体伸展幅度范围椭球体Z轴方向半轴的变化率获取子单元与所述肢体伸展幅度范围椭球体的体积获取单元相连，用于接收肢体伸展幅度范围椭球体Z轴方向的半轴，并在当前时刻T的肢体伸展幅度范围椭球体Z轴方向的半轴RZ(T)到之前Δt时间段内肢体伸展幅度范围椭球体Z轴方向的半轴RZ(T-Δt)的区间内选取Z轴方向半轴的最大值max(RZ(T-Δt),…,RZ(T))和最小值min(RZ(T-Δt),…,RZ(T))，并获取肢体伸展幅度范围椭球体Z轴方向半轴的变化率dRZ：
肢体伸展幅度范围椭球体Z轴方向半轴的变化率异常判断子单元，所述肢体伸展幅度范围椭球体Z轴方向半轴的变化率异常判断子单元分别与所述肢体伸展幅度范围椭球体Z轴方向半轴的变化率获取子单元和异常行为汇总模块相连，用于接收肢体伸展幅度范围椭球体Z轴方向半轴的变化率dRZ，并判断肢体伸展幅度范围椭球体Z轴方向半轴变化率dRZ是否大于预先设定的标准肢体伸展幅度范围椭球Z轴方向半轴变化率，若是，则判定个体行为异常，若否，则判定个体行为正常，将判定结果输出给所述异常行为汇总模块。
26.如权利要求19所述个人异常行为检测系统，其特征在于，还包括：
个体异常行为记录模块，所述个体异常行为记录模块与所述异常行为汇总模块相连，用于在判定个体行为异常时，接收个体行为异常判定结果并报警、记录当前时刻T的视频信息和系统时间。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410529066.XA CN105574889B (zh) | 2014-10-09 | 2014-10-09 | 一种个人异常行为检测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410529066.XA CN105574889B (zh) | 2014-10-09 | 2014-10-09 | 一种个人异常行为检测方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105574889A CN105574889A (zh) | 2016-05-11 |
| CN105574889B true CN105574889B (zh) | 2019-06-07 |
Family
ID=55884978
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410529066.XA Active CN105574889B (zh) | 2014-10-09 | 2014-10-09 | 一种个人异常行为检测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105574889B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109407601B (zh) * | 2018-10-29 | 2021-04-30 | 北京东华合创科技有限公司 | 基于数据分析的智能实验室监控报警系统 |
| CN110472612B (zh) * | 2019-08-22 | 2021-09-07 | 海信集团有限公司 | 人体行为识别方法及电子设备 |
| CN111145166B (zh) * | 2019-12-31 | 2023-09-01 | 北京深测科技有限公司 | 安全监控的方法及系统 |
| CN113297926B (zh) * | 2021-05-06 | 2023-07-04 | 山东大学 | 行为检测识别方法及系统 |
| CN113876316B (zh) * | 2021-09-16 | 2023-10-10 | 河南翔宇医疗设备股份有限公司 | 下肢屈伸活动异常检测系统、方法、装置、设备及介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101098465A (zh) * | 2007-07-20 | 2008-01-02 | 哈尔滨工程大学 | 一种视频监控中运动目标检测与跟踪方法 |
| CN103020596A (zh) * | 2012-12-05 | 2013-04-03 | 华北电力大学 | 一种基于块模型的电力生产中异常人体行为识别方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10096235B2 (en) * | 2012-03-15 | 2018-10-09 | Omni Ai, Inc. | Alert directives and focused alert directives in a behavioral recognition system |
| CN103417219A (zh) * | 2013-09-11 | 2013-12-04 | 重庆大学 | 穿戴式人体跌倒检测装置 |
-
2014
- 2014-10-09 CN CN201410529066.XA patent/CN105574889B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101098465A (zh) * | 2007-07-20 | 2008-01-02 | 哈尔滨工程大学 | 一种视频监控中运动目标检测与跟踪方法 |
| CN103020596A (zh) * | 2012-12-05 | 2013-04-03 | 华北电力大学 | 一种基于块模型的电力生产中异常人体行为识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| a detection system for human abnormal behavior;Xinyu Wu et al;《Intelligent Robots and System》;20051231;第1204-128页 |
| 基于SVM的室内异常行为检测算法研究;许良武;《中国优秀硕士学位论文全文数据库 信息科技辑》;20081115(第 11 期);摘要 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105574889A (zh) | 2016-05-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105574889B (zh) | 一种个人异常行为检测方法和系统 | |
| Feng et al. | Spatio-temporal fall event detection in complex scenes using attention guided LSTM | |
| CN107657244B (zh) | 一种基于多摄像机的人体跌倒行为检测系统及其检测方法 | |
| CN105787472B (zh) | 一种基于时空拉普拉斯特征映射学习的异常行为检测方法 | |
| Chen et al. | Vision-based fall event detection in complex background using attention guided bi-directional LSTM | |
| CN107045623A (zh) | 一种基于人体姿态跟踪分析的室内危险情况告警的方法 | |
| CN105940430B (zh) | 人员计数方法及其装置 | |
| CN105405150B (zh) | 基于融合特征的异常行为检测方法和装置 | |
| CN109886241A (zh) | 基于长短期记忆网络的驾驶员疲劳检测 | |
| CN103810717B (zh) | 一种人体行为检测方法及装置 | |
| WO2014092552A2 (en) | Method for non-static foreground feature extraction and classification | |
| CN110321780A (zh) | 基于时空运动特性的异常摔倒行为检测方法 | |
| CN103955699A (zh) | 一种基于监控视频的实时摔倒事件检测方法 | |
| CN100565557C (zh) | 基于粒子动态采样模型的红外人体目标跟踪系统 | |
| CN111091025B (zh) | 图像处理方法、装置和设备 | |
| CN104463869A (zh) | 一种视频火焰图像复合识别方法 | |
| CN108664887A (zh) | 一种虚拟现实体验中的摔倒预警装置和方法 | |
| CN109035305A (zh) | 一种基于rgb-d低视角情况下的室内人体检测与跟踪方法 | |
| CN108596157A (zh) | 一种基于运动检测的人群惊扰场景检测方法及系统 | |
| CN207233038U (zh) | 人脸点名与计数系统 | |
| CN111860457A (zh) | 一种斗殴行为识别预警方法及其识别预警系统 | |
| Zheng et al. | Fall detection and recognition based on gcn and 2d pose | |
| CN109215150A (zh) | 人脸点名与计数方法及其系统 | |
| Wahyuni et al. | People counting for indoor monitoring | |
| CN110516538A (zh) | 基于深度学习目标检测的监狱双人离岗违规评估方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |