CN105678811A - 一种基于运动检测的人体异常行为检测方法 - Google Patents
一种基于运动检测的人体异常行为检测方法 Download PDFInfo
- Publication number
- CN105678811A CN105678811A CN201610104559.8A CN201610104559A CN105678811A CN 105678811 A CN105678811 A CN 105678811A CN 201610104559 A CN201610104559 A CN 201610104559A CN 105678811 A CN105678811 A CN 105678811A
- Authority
- CN
- China
- Prior art keywords
- human body
- frame
- detection
- motion
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 61
- 206010000117 Abnormal behaviour Diseases 0.000 title abstract 4
- 238000000034 method Methods 0.000 claims abstract description 53
- 230000033001 locomotion Effects 0.000 claims abstract description 51
- 238000012805 post-processing Methods 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 230000002159 abnormal effect Effects 0.000 claims abstract description 6
- 230000009545 invasion Effects 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 230000010339 dilation Effects 0.000 claims description 6
- 230000003628 erosive effect Effects 0.000 claims description 6
- 230000008878 coupling Effects 0.000 claims description 5
- 238000010168 coupling process Methods 0.000 claims description 5
- 238000005859 coupling reaction Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 5
- 241001424438 Surendra Species 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 4
- 230000006978 adaptation Effects 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000007086 side reaction Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 238000011017 operating method Methods 0.000 claims description 2
- 238000011410 subtraction method Methods 0.000 abstract 1
- 230000006399 behavior Effects 0.000 description 25
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20004—Adaptive image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于运动检测的人体异常行为检测方法。本方法针对固定摄像头的场景检测,首先运用背景相减法和运动历史图像相结合的方式来进行运动检测,提取出运动前景并运用帧差法得到的掩膜来进行背景更新,接着进行后处理操作并过滤出为人体的前景。然后运用视频帧之间基于上下文信息匹配的方法,来对前后两帧中出现的人体进行匹配。之后,结合原先所设定的异常条件,利用矩形框和质心的几何特征进行系统判决,来判定运动人体是否发生异常行为并确定入侵方向。最后需要进行异常人数的计数和发生异常行为之后的人体轨迹标示,从而达到视频分析的目的。本发明算法复杂度低,移植性强,在保证实时性的同时,又能兼顾检测率的准确度。
Description
技术领域
本发明涉及一种基于运动检测的人体异常行为检测的方法,用于电站、监狱等安防监控领域以及视频数字图像分析与理解。属于计算机视觉和人工智能技术领域。
背景技术
智能视频监控技术是计算机视觉的一个重要的应用领域,主要应用于银行、机场等对安全性要求比较高的场合,智能监控系统的主要目标是,通过一定的算法,能够自己分析和运算由摄像头所采集得到的视频数据,从而可以自动判断是否有异常行为发生,是否需要报警,并告知相关人员,这样的做法大大减少了人力成本,同时又保证了监控场所的安全性。
异常行为检测大体来看主要分为两类,一类是基于运动检测和目标跟踪的,由于环境的复杂多样性,目前还没有一种算法可以适用于各种不同的环境,当前很多研究也都在着重改进检测与跟踪算法的准确率和鲁棒性,算法的耗时往往也会因此而增加,因此就需要基于智能监控视频的特点对现有的算法进行改进和选择。另一类是基于统计思想的检测方法,用机器学习的方法,建立异常行为的数据库,从而对视频进行匹配,判断是否发生异常行为,该方法的缺点是,由于异常行为的多样性,检测结果的准确性很大程度上取决于样本的数量和质量。再加上训练学习过程需要耗费大量的时间,在实际应用中较难满足要求。
发明内容
本发明的目的是为了克服当前技术在漏检率、误检率与实时性难以同时满足的情况下,提供一种基于运动检测的人体异常行为检测的方法,使之不仅能满足智能监控系统的实时性检测,还能够满足系统对漏检率和误检率的要求。适用于人流量非密集并且摄像头固定的场景。
为达到上述目的,本发明的构思是:
首先运用背景相减法与运动历史图像相结合的方式来进行运动检测,提取出运动前景并运用帧差法得到的掩膜来判断是否需要更新背景,然后运用一定的过滤条件,过滤出为人体的前景。同时考虑到运动场景是变化的,因此固定的阈值适应性比较差并且容易受到光线和噪声等因素的干扰,从而在本方法中采用自适应阈值进行分割,从而得到比较满意的分割效果。在提取出人体轮廓和质心的基础上,然后运用视频帧之间基于上下文信息匹配的方法,来判断前后两帧中出现的人体是否为同一个人体。在前面两步的基础上,进行异常行为判决,比如拌线检测、区域闯入检测等,进行系统判决时,采用矩形框和质心的几何特征进行共同判别的方法。最后基于先前的判决结果,如果发生了异常情况,需要进行异常人数的计数和发生异常行为之后人体的轨迹标示,从而达到视频分析的目的。
根据上述构思,本发明采用如下技术方案:
一种基于运动检测的人体异常行为检测方法,操作步骤如下:
步骤(1)、运动检测:采用背景相减法和运动历史图像相结合进行运动检测,运用帧差法得到的掩膜来控制背景的更新,同时运用自适应动态阈值分割,从而得到运动前景图像。
步骤(2)、后处理部分:对由步骤(1)中得到的二值图像进行中值滤波、连通域、膨胀腐蚀等形态学操作,然后将得到的运动前景按预设的条件进行分类,从而得到人体的特征,如轮廓、矩形框、质心等。
步骤(3)、基于上下文信息的匹配:通过判断当前帧的运动人体矩形框与上一帧的运动人体矩形框的面积重叠覆盖率,并且利用前后两帧的质心是否在所设定的范围之内,若满足条件则将前后两帧的检测结果匹配起来,否则,则认为前后两帧所检测到的人体的结果并不属于同一个人体。
步骤(4)、视频分析:根据步骤(3)得到的结果,将检测到的人体与预先设定好的异常行为做判断逻辑,即判断视频帧中的人体是否出现异常行为并确定入侵方向。
步骤(5)、轨迹标示与计数:根据步骤(4)得到的结果,如果判定发生了异常行为,则发出相应的警报信息、计数并标识出人体在发生异常行为后的运动轨迹;反之则进行下一帧的检测判断。
上述步骤(1)中的背景的更新运用Surendra背景更新算法,基于帧差法得到的掩膜Rn(x,y),其计算式如下:
用二值图像Rn(x,y)控制更新背景图像Bn(x,y),其计算式如下:
上式中:Bn(x,y),Rn(x,y)分别为背景图像和差分二值图像在(x,y)处的灰度值;Fn(x,y)为输入的第n帧图像在(x,y)处的灰度值;α为迭代速度系数。
上述的背景相减法受到α系数的影响较大,若α值过小,则背景更新过慢,而α值过大,则会使检测到的前景有拖尾现象产生。而运动历史图像具有较好分割运动目标的特点,而其每帧图像由于包含了先前的轮廓从而会使分割目标扩大,不够准确。因此将这两种方法互相结合,设置稍大的α值,可以较好的得到运动目标,同时需要满足MHIn>0,从而最终得到前景图像,其计算式如下:
上式中:MHIn(x,y)为更新后的运动历史图像,BIn(x,y)为背景相减法得到的二值图像,FIn(x,y)为前景图像。由上式可以看到,首先根据帧差得到的结果更新运动历史函数MHIn(x,y),然后根据该值与背景相减法得到的值的结果相结合,确定最后的前景图像。
上述步骤(2)中的后处理,主要是针对步骤(1)中得到的前景图像进行滤波、连通域、膨胀腐蚀等处理,然后通过对运动前景进行分类从而得到人体,考虑到摄像机是静止的,因而在分类出人体的前景过程中可以主要依据以下3个标准:前景连通域像素所占的面积、前景外接矩形框的长宽比、前后相邻两帧的质心位移,从而可以有效准确地从运动前景中得到人体的前景。
上述步骤(3)中的基于上下文信息的匹配,是指由于1s的视频通常有15-25帧图像,因而在相邻两帧图像中,同一个人的位置移动很小,因此可以利用帧与帧之间的这一特点,通过将前后两帧人体的外接矩形框重叠部分所占的面积比与预先人为所设定的值进行比较,或者通过前后两帧所检测到的人体的质心是否在预先所设定的半径范围内,从而可以判断出前后两帧的检测结果是否可以匹配为同一人体。
上述步骤(4)中的视频分析,这里主要针对的异常行为是拌线检测和区域入侵检测。在固定摄像机监视的场景范围内,根据监控需要和目的可任意设置1条拌线或者设置一块警戒区域。由于本方法以人体为研究对象,因此采用几何特征来进行对人体的描述,在本方法中主要选择人体轮廓的外接矩形和人体的质心。所采用的具体判断逻辑是:由预先所设定的拌线,可以得到该直线的方程:y=kx+b,根据定理:两点(x1,y1)和(x2,y2)若位于一条直线的同侧时,则将两点代入该直线的乘积大于零,反之,两点若位于一条直线的异侧,则将两点代入该直线的乘积小于零。由此可知,如果外接矩形位于拌线的两侧,则将位于拌线两侧的矩形的两个顶点代入直线方程中,若乘积小于零,则判定为发生了异常情况。然后再结合跨线前后质心坐标的变化可以确定入侵的方向。区域入侵检测相较于拌线检测的差别,在于是由多条拌线所构成的一个封闭区域,判别方法与拌线检测类似,只是需要将外接矩形与所有的拌线逐一进行判断,随后利用质心进行入侵方向的判断,从而得出结论。
上述步骤(5)中的轨迹标示,是指当检测到的人体发生了异常行为之后,发出警告信息,并用轨迹标示出该人体的走向,这里的轨迹实际上是用一系列的质心点来代替。同时当发生异常行为之后,就通过一个全局变量进行计数统计。
本发明与现有技术相比较,具有如下显而易见的突出实质性特点和显著技术进步:
本发明在运动检测方面提出了背景相减法(Backgroundsubtraction)、运动历史图像(Motionhistoryimage)和Surendra背景更新算法相结合的BGS-MHI-Surendra检测方法,可以较好的分离出运动的人体,解决初始背景帧就含有人体、分割目标含有较长拖影等问题,同时采用自适应阈值分割人体,利用滤波、连通域、数字形态学方法进行后处理,这样可以较好的抑制噪声得到二值前景图像,之后运用基于上下文信息的方法,进行匹配,然后提取稳定的几何特征。在异常行为判定方面,利用外接矩形框和质心的几何特征相结合来进行异常行为的判定和入侵方向的确定。在发生异常行为之后,用轨迹标示同时进行计数统计。本发明实用性强,算法复杂度较低,易于移植,在满足实时性要求的同时,又能满足误检率和漏检率的指标。
附图说明
图1是本发明方法的操作程序框图。
图2是本发明运动检测方法的流程框图。
图3是本发明一个实施例的原始某帧图像。
图4是图3示例所对应的一帧后处理后的前景图像。
图5是图4示例所对应的外接矩形和质心标示人体前景图像
图6是本发明一个实施例的一帧异常行为(拌线)检测结果图像。
具体实施方式
本发明的优选实施例结合附图详述如下:
实施例的具体步骤如图1流程图所示。在计算机平台上编程实现本发明的方法。首先对读入的每一帧视频序列进行运动检测,之后对运动检测的图像进行后处理,得到人体的前景,然后运用基于上下文信息的方法,进行匹配,接着进行异常行为的判断,最后进行轨迹标示和计数。
一种基于运动检测的人体异常行为检测方法,其步骤是:
步骤(1)、运动检测:采用背景相减法和运动历史图像相结合进行运动检测,运用帧差法得到的掩膜来控制背景的更新,同时运用自适应动态阈值分割,从而得到运动前景图像。如图2所示。
步骤(2)、后处理部分:对由步骤(1)中得到的二值图像进行中值滤波、连通域、膨胀腐蚀等形态学操作,如图4所示。然后将得到的运动前景按预设的条件进行分类,从而得到人体的特征,如轮廓、矩形框、质心等,如图5所示。
步骤(3)、基于上下文信息的匹配:通过判断当前帧的运动人体矩形框与上一帧的运动人体矩形框的面积重叠覆盖率,或者利用前后两帧的质心是否在所设定的范围之内,若满足条件则将前后两帧的检测结果匹配起来,否则,则认为前后两帧所检测到的人体的结果并不属于同一个人体。
步骤(4)、视频分析:根据步骤(3)得到的结果,将检测到的人体与预先设定好的异常行为做判断逻辑,即判断视频帧中的人体是否出现异常行为并确定入侵方向。
步骤(5)、轨迹标示与计数:根据步骤(4)得到的结果,如果判定发生了异常行为,则发出相应的警报信息、计数并标识出人体在发生异常行为后的运动轨迹;反之则进行下一帧的检测判断,如图6所示,红色直线则是所预先设定的拌线,而绿色的曲线则是人体跨越拌线之后的轨迹标示。
上述步骤(1)中的背景更新算法运用Surendra背景更新算法,基于帧差法得到的掩膜Rn(x,y),其计算式如下:
用二值图像Rn(x,y)控制更新背景图像Bn(x,y),其计算式如下:
上式中:Bn(x,y),Rn(x,y)分别为背景图像和差分二值图像在(x,y)处的灰度值;Fn(x,y)为输入的第n帧图像在(x,y)处的灰度值;α为迭代速度系数。
上述的背景相减法受到α系数的影响较大,若α值过小,则背景更新过慢,而α值过大,则会使检测到的前景有拖尾现象产生。而运动历史图像具有较好分割运动目标的特点,而其每帧图像由于包含了先前的轮廓从而会使分割目标扩大,不够准确。因此将这两种方法互相结合,设置稍大的α值,可以较好的得到运动目标,同时需要满足MHIn>0,从而最终得到前景图像,其计算式如下:
上式中:MHIn(x,y)为更新后的运动历史图像,BIn(x,y)为背景相减法得到的二值图像,FIn(x,y)为前景图像。由上式可以看到,首先根据帧差得到的结果更新运动历史函数MHIn(x,y),然后根据该值与背景相减法得到的值的结果相结合,确定最后的前景图像。
上述步骤(2)中的后处理,主要是针对步骤(1)中得到的前景图像进行滤波、连通域、膨胀腐蚀等处理,然后通过对运动前景进行分类从而得到人体,考虑到摄像机是静止的,因而在分类出人体的前景过程中可以主要依据以下3个标准:前景连通域像素所占的面积、前景外接矩形框的长宽比、前后相邻两帧的质心位移,从而可以有效准确地从运动前景中得到人体的前景。
上述步骤(3)中的基于上下文信息的匹配,是指由于1s的视频通常有15-25帧图像,因而在相邻两帧图像中,同一个人的位置移动很小,因此可以利用帧与帧之间的这一特点,通过将前后两帧人体的外接矩形框重叠部分所占的面积比与预先人为所设定的值进行比较,或者通过前后两帧所检测到的人体的质心是否在预先所设定的半径范围内,从而可以判断出前后两帧的检测结果是否可以匹配为同一人体。
上述步骤(4)中的视频分析,这里主要针对的异常行为是拌线检测和区域入侵检测。在固定摄像机监视的场景范围内,根据监控需要和目的可任意设置1条拌线或者设置一块警戒区域。由于本方法以人体为研究对象,因此采用几何特征来进行对人体的描述,在本方法中主要选择人体轮廓的外接矩形和人体的质心。如果外接矩形位于拌线的两侧,则将位于拌线两侧的矩形的两个顶点代入直线方程中,若乘积小于零,则判定为发生了异常情况。然后再结合跨线前后质心坐标的变化可以确定入侵的方向。区域入侵检测相较于拌线检测的差别,在于是由多条拌线所构成的一个封闭区域,判别方法与拌线检测类似,只是需要将外接矩形与所有的拌线逐一进行判断,随后利用质心进行入侵方向的判断,从而得出结论。
上述步骤(5)中的轨迹标示,是指当检测到的人体发生了异常行为之后,发出警告信息,并用轨迹标示出该人体的走向,这里的轨迹实际上是用一系列的质心点来代替。同时当发生异常行为之后,就通过一个全局变量进行计数统计。
Claims (6)
1.一种基于运动检测的人体异常行为检测方法,其特征在于,操作步骤如下:
(1)运动检测:采用背景相减法和运动历史图像相结合进行运动检测,运用帧差法得到的掩膜来控制背景的更新,同时运用自适应动态阈值分割,从而得到运动前景图像;
(2)后处理部分:对由步骤(1)中得到的二值图像进行中值滤波、连通域、膨胀腐蚀的形态学操作,然后将得到的运动前景按预设的条件进行分类,从而得到人体的特征:轮廓、矩形框、质心;
(3)基于上下文信息的匹配:通过判断当前帧的运动人体矩形框与上一帧的运动人体矩形框的面积重叠覆盖率,并且利用前后两帧的质心是否在所设定的范围之内,若满足条件则将前后两帧的检测结果匹配起来,否则,则认为前后两帧所检测到的人体的结果并不属于同一个人体;
(4)视频分析:根据步骤(3)得到的结果,将检测到的人体与预先设定好的异常行为做判断逻辑,即判断视频帧中的人体是否出现异常行为;
(5)轨迹标示与计数:根据步骤(4)得到的结果,如果判定发生了异常行为,则发出相应的警报信息、计数并标识出人体在发生异常行为后的运动轨迹;反之则进行下一帧的检测判断。
2.根据权利要求1所述的基于运动检测的人体异常行为检测方法,其特征在于:所述步骤(1)中,背景的更新运用Surendra背景更新算法,基于帧差法得到的掩膜Rn(x,y),其计算式如下:
用二值图像Rn(x,y)控制更新背景图像Bn(x,y),其计算式如下:
上式中:Bn(x,y),Rn(x,y)分别为背景图像和差分二值图像在(x,y)处的灰度值;Fn(x,y)为输入的第n帧图像在(x,y)处的灰度值;α为迭代速度系数;
上述的背景相减法受到α系数的影响较大,若α值过小,则背景更新过慢,而α值过大,则会使检测到的前景有拖尾现象产生;而运动历史图像具有较好分割运动目标的特点,而其每帧图像由于包含了先前的轮廓从而会使分割目标扩大,不够准确;因此将这两种方法互相结合,设置稍大的α值,能够较好的得到运动目标,同时需要足MHIn>0,从而最终得到前景图像,其计算式如下:
上式中:MHIn(x,y)为更新后的运动历史图像,BIn(x,y)为背景相减法得到的二值图像,FIn(x,y)为前景图像;由上式看到,首先根据帧差得到的结果更新运动历史函数MHIn(x,y),然后根据该值与背景相减法得到的值的结果相结合,确定最后的前景图像。
3.根据权利要求1所述的基于运动检测的人体异常行为检测方法,其特征在于:所述步骤(2)中,针对步骤(1)中得到的前景图像进行滤波、连通域、膨胀腐蚀处理,然后通过对运动前景进行分类从而得到人体,考虑到摄像机是静止的,因而在分类出人体的前景过程中主要依据以下3个标准:前景连通域像素所占的面积、前景外接矩形框的长宽比、前后相邻两帧的质心位移,从而有效准确地从运动前景中得到人体的前景。
4.根据权利要求1所述的基于运动检测的人体异常行为检测方法,其特征在于:所述步骤(3)中,由于1s的视频通常有15-25帧图像,因而在相邻两帧图像中,同一个人的位置移动很小,因此利用帧与帧之间的这一特点,通过将前后两帧人体的外接矩形框重叠部分所占的面积比与预先人为所设定的值进行比较,或者通过前后两帧所检测到的人体的质心是否在预先所设定的半径范围内,从而判断出前后两帧的检测结果是否匹配为同一人体。
5.根据权利要求1所述的基于运动检测的人体异常行为检测方法,其特征在于:所述步骤(4)中,针对的异常行为是拌线检测和区域入侵检测;在固定摄像机监视的场景范围内,根据监控需要和目的任意设置1条拌线或者设置一块警戒区域;由于本方法以人体为研究对象,因此采用几何特征来进行对人体的描述,在本方法中主要选择人体轮廓的外接矩形和人体的质心;所采用的具体判断逻辑是:由预先所设定的拌线,得到该直线的方程:y=kx+b,根据定理:两点(x1,y1)和(x2,y2)若位于一条直线的同侧时,则将两点代入该直线的乘积大于零,反之,两点若位于一条直线的异侧,则将两点代入该直线的乘积小于零;由此得知,如果外接矩形位于拌线的两侧,则将位于拌线两侧的矩形的两个顶点代入直线方程中,若乘积小于零,则判定为发生了异常情况;然后再结合跨线前后质心坐标的变化确定入侵的方向;区域入侵检测相较于拌线检测的差别,在于是由多条拌线所构成的一个封闭区域,判别方法与拌线检测类似,只是需要将外接矩形与所有的拌线逐一进行判断,随后利用质心进行入侵方向的判断,从而得出结论。
6.根据权利要求1所述的基于运动检测的人体异常行为检测方法,其特征在于:所述步骤(5)中,是指当检测到的人体发生了异常行为之后,发出警告信息,并用轨迹标示出该人体的走向,这里的轨迹实际上是用一系列的质心点来代替;同时当发生异常行为之后,就通过一个全局变量进行计数统计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610104559.8A CN105678811B (zh) | 2016-02-25 | 2016-02-25 | 一种基于运动检测的人体异常行为检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610104559.8A CN105678811B (zh) | 2016-02-25 | 2016-02-25 | 一种基于运动检测的人体异常行为检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105678811A true CN105678811A (zh) | 2016-06-15 |
CN105678811B CN105678811B (zh) | 2019-04-02 |
Family
ID=56305897
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610104559.8A Expired - Fee Related CN105678811B (zh) | 2016-02-25 | 2016-02-25 | 一种基于运动检测的人体异常行为检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105678811B (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106339666A (zh) * | 2016-08-11 | 2017-01-18 | 中科爱芯智能科技(深圳)有限公司 | 一种人体目标的夜间监控方法 |
CN106503632A (zh) * | 2016-10-10 | 2017-03-15 | 南京理工大学 | 一种基于视频分析的自动扶梯智能安全监测方法 |
CN106682637A (zh) * | 2016-12-30 | 2017-05-17 | 深圳先进技术研究院 | 一种展品吸引度的分析方法及系统 |
CN107273866A (zh) * | 2017-06-26 | 2017-10-20 | 国家电网公司 | 一种基于监控系统的人体异常行为识别方法 |
CN107481226A (zh) * | 2017-07-27 | 2017-12-15 | 沈阳东软医疗系统有限公司 | 去除异常扫描数据的方法、装置及pet系统 |
CN107657626A (zh) * | 2016-07-25 | 2018-02-02 | 浙江宇视科技有限公司 | 一种运动目标的检测方法和装置 |
CN107749986A (zh) * | 2017-09-18 | 2018-03-02 | 深圳市天英联合教育股份有限公司 | 教学视频生成方法、装置、存储介质和计算机设备 |
CN107818651A (zh) * | 2017-10-27 | 2018-03-20 | 华润电力技术研究院有限公司 | 一种基于视频监控的非法越界报警方法及装置 |
CN108376407A (zh) * | 2018-02-05 | 2018-08-07 | 李刚毅 | 热区对象聚集检测方法和系统 |
CN108388845A (zh) * | 2018-02-05 | 2018-08-10 | 李刚毅 | 对象检测方法和系统 |
CN108764209A (zh) * | 2018-06-11 | 2018-11-06 | 南京邮电大学 | 一种基于监控视频的人物异常行为自动检测方法 |
CN110113561A (zh) * | 2018-02-01 | 2019-08-09 | 广州弘度信息科技有限公司 | 一种人员滞留检测方法、装置、服务器及系统 |
CN110390313A (zh) * | 2019-07-29 | 2019-10-29 | 哈尔滨工业大学 | 一种暴力动作检测方法及系统 |
CN110458144A (zh) * | 2019-08-21 | 2019-11-15 | 杭州品茗安控信息技术股份有限公司 | 物体区域入侵检测方法、系统、装置及可读存储介质 |
CN110598570A (zh) * | 2019-08-20 | 2019-12-20 | 贵州民族大学 | 一种行人异常行为检测方法、系统、存储介质及计算机设备 |
CN110969115A (zh) * | 2019-11-28 | 2020-04-07 | 深圳市商汤科技有限公司 | 行人事件的检测方法及装置、电子设备和存储介质 |
CN111325073A (zh) * | 2018-12-17 | 2020-06-23 | 上海交通大学 | 基于运动信息聚类的监控视频异常行为检测方法 |
CN111460917A (zh) * | 2020-03-13 | 2020-07-28 | 温州大学大数据与信息技术研究院 | 基于多模态信息融合的机场异常行为检测系统及方法 |
CN113705355A (zh) * | 2021-07-30 | 2021-11-26 | 汕头大学 | 一种异常行为的实时检测方法 |
CN115690162A (zh) * | 2022-12-28 | 2023-02-03 | 武汉凡德智能科技有限公司 | 一种固定视频中移动大目标的检测方法及装置 |
CN116188534A (zh) * | 2023-05-04 | 2023-05-30 | 广东工业大学 | 一种室内实时人体跟踪方法、存储介质及设备 |
CN117423197A (zh) * | 2023-12-18 | 2024-01-19 | 广东省华视安技术有限公司 | 一种智能安防软件监控方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156880A (zh) * | 2011-04-11 | 2011-08-17 | 上海交通大学 | 基于改进的社会力模型的异常集群行为检测方法 |
CN103903281A (zh) * | 2014-04-04 | 2014-07-02 | 西北工业大学 | 一种基于多特征分析和场景学习的老人摔倒检测方法 |
-
2016
- 2016-02-25 CN CN201610104559.8A patent/CN105678811B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156880A (zh) * | 2011-04-11 | 2011-08-17 | 上海交通大学 | 基于改进的社会力模型的异常集群行为检测方法 |
CN103903281A (zh) * | 2014-04-04 | 2014-07-02 | 西北工业大学 | 一种基于多特征分析和场景学习的老人摔倒检测方法 |
Non-Patent Citations (7)
Title |
---|
DU-MING TSAI ET AL.: "Optical flow-motion history image (OF-MHI) for action recognition", 《SIGNAL,IMAGE AND VIDEO PROCESSING》 * |
FEI HAO ET AL.: "Real Time Multiple Object Tracking Using Tracking Matrix", 《2009 INTERNATIONAL CONFERENCE ON COMPUTATIONAL SCIENCE AND ENGINEERING》 * |
HONG ZHOU ET AL.: "An early warning system based on Motion History Image for blind spot of oversize vehicle", 《INTERNATIONAL CONFERENCE ON ELECTRICAL & CONTROL ENGINEERING》 * |
吴艳平 等: "基于运动图像序列的异常行为检测", 《计算机应用研究》 * |
张顺淼 等: "一种基于Surendra背景更新的背景减除运动目标检测方法", 《南京工程学院学报》 * |
郑小超: "视频中的异常事件发现技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
鲁超 等: "一种适应运动前景的快速行人检测算法", 《电视技术》 * |
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107657626A (zh) * | 2016-07-25 | 2018-02-02 | 浙江宇视科技有限公司 | 一种运动目标的检测方法和装置 |
CN106339666B (zh) * | 2016-08-11 | 2019-08-20 | 中科亿和智慧物联(深圳)有限公司 | 一种人体目标的夜间监控方法 |
CN106339666A (zh) * | 2016-08-11 | 2017-01-18 | 中科爱芯智能科技(深圳)有限公司 | 一种人体目标的夜间监控方法 |
CN106503632A (zh) * | 2016-10-10 | 2017-03-15 | 南京理工大学 | 一种基于视频分析的自动扶梯智能安全监测方法 |
CN106682637A (zh) * | 2016-12-30 | 2017-05-17 | 深圳先进技术研究院 | 一种展品吸引度的分析方法及系统 |
CN107273866A (zh) * | 2017-06-26 | 2017-10-20 | 国家电网公司 | 一种基于监控系统的人体异常行为识别方法 |
CN107481226A (zh) * | 2017-07-27 | 2017-12-15 | 沈阳东软医疗系统有限公司 | 去除异常扫描数据的方法、装置及pet系统 |
CN107749986A (zh) * | 2017-09-18 | 2018-03-02 | 深圳市天英联合教育股份有限公司 | 教学视频生成方法、装置、存储介质和计算机设备 |
CN107749986B (zh) * | 2017-09-18 | 2019-12-06 | 深圳市天英联合教育股份有限公司 | 教学视频生成方法、装置、存储介质和计算机设备 |
CN107818651A (zh) * | 2017-10-27 | 2018-03-20 | 华润电力技术研究院有限公司 | 一种基于视频监控的非法越界报警方法及装置 |
CN110113561A (zh) * | 2018-02-01 | 2019-08-09 | 广州弘度信息科技有限公司 | 一种人员滞留检测方法、装置、服务器及系统 |
CN108376407A (zh) * | 2018-02-05 | 2018-08-07 | 李刚毅 | 热区对象聚集检测方法和系统 |
CN108388845A (zh) * | 2018-02-05 | 2018-08-10 | 李刚毅 | 对象检测方法和系统 |
CN108764209A (zh) * | 2018-06-11 | 2018-11-06 | 南京邮电大学 | 一种基于监控视频的人物异常行为自动检测方法 |
CN111325073B (zh) * | 2018-12-17 | 2024-02-20 | 上海交通大学 | 基于运动信息聚类的监控视频异常行为检测方法 |
CN111325073A (zh) * | 2018-12-17 | 2020-06-23 | 上海交通大学 | 基于运动信息聚类的监控视频异常行为检测方法 |
CN110390313A (zh) * | 2019-07-29 | 2019-10-29 | 哈尔滨工业大学 | 一种暴力动作检测方法及系统 |
CN110390313B (zh) * | 2019-07-29 | 2023-03-28 | 哈尔滨工业大学 | 一种暴力动作检测方法及系统 |
CN110598570A (zh) * | 2019-08-20 | 2019-12-20 | 贵州民族大学 | 一种行人异常行为检测方法、系统、存储介质及计算机设备 |
CN110458144A (zh) * | 2019-08-21 | 2019-11-15 | 杭州品茗安控信息技术股份有限公司 | 物体区域入侵检测方法、系统、装置及可读存储介质 |
CN110969115A (zh) * | 2019-11-28 | 2020-04-07 | 深圳市商汤科技有限公司 | 行人事件的检测方法及装置、电子设备和存储介质 |
WO2021103423A1 (zh) * | 2019-11-28 | 2021-06-03 | 深圳市商汤科技有限公司 | 行人事件的检测方法及装置、电子设备和存储介质 |
TWI757756B (zh) * | 2019-11-28 | 2022-03-11 | 大陸商深圳市商湯科技有限公司 | 行人事件的檢測方法及檢測裝置、電子設備和電腦可讀儲存媒體 |
CN111460917B (zh) * | 2020-03-13 | 2022-06-21 | 温州大学大数据与信息技术研究院 | 基于多模态信息融合的机场异常行为检测系统及方法 |
CN111460917A (zh) * | 2020-03-13 | 2020-07-28 | 温州大学大数据与信息技术研究院 | 基于多模态信息融合的机场异常行为检测系统及方法 |
CN113705355A (zh) * | 2021-07-30 | 2021-11-26 | 汕头大学 | 一种异常行为的实时检测方法 |
CN115690162B (zh) * | 2022-12-28 | 2023-03-10 | 武汉凡德智能科技有限公司 | 一种固定视频中移动大目标的检测方法及装置 |
CN115690162A (zh) * | 2022-12-28 | 2023-02-03 | 武汉凡德智能科技有限公司 | 一种固定视频中移动大目标的检测方法及装置 |
CN116188534A (zh) * | 2023-05-04 | 2023-05-30 | 广东工业大学 | 一种室内实时人体跟踪方法、存储介质及设备 |
CN116188534B (zh) * | 2023-05-04 | 2023-08-08 | 广东工业大学 | 一种室内实时人体跟踪方法、存储介质及设备 |
CN117423197A (zh) * | 2023-12-18 | 2024-01-19 | 广东省华视安技术有限公司 | 一种智能安防软件监控方法及系统 |
CN117423197B (zh) * | 2023-12-18 | 2024-02-20 | 广东省华视安技术有限公司 | 一种智能安防软件监控方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105678811B (zh) | 2019-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105678811A (zh) | 一种基于运动检测的人体异常行为检测方法 | |
US20230289979A1 (en) | A method for video moving object detection based on relative statistical characteristics of image pixels | |
CN101281596B (zh) | 用于检测场景中的遗留对象的方法 | |
CN104156942B (zh) | 一种用于复杂环境遗留物的检测方法 | |
CN104978567B (zh) | 基于场景分类的车辆检测方法 | |
CN102509075B (zh) | 一种遗留物检测方法及装置 | |
CN105184818B (zh) | 一种视频监控异常行为检测方法及其检测系统 | |
CN106203274A (zh) | 一种视频监控中行人实时检测系统及方法 | |
CN106991668B (zh) | 一种天网摄像头拍摄画面的评价方法 | |
CN105404847A (zh) | 一种遗留物实时检测方法 | |
CN103605983B (zh) | 一种遗留物检测和跟踪方法 | |
CN105678803A (zh) | 基于w4算法和帧间差分的视频监控目标检测方法 | |
CN107590427B (zh) | 基于时空兴趣点降噪的监控视频异常事件检测方法 | |
CN105354563A (zh) | 结合深度和彩色图像的遮挡人脸检测预警装置及实现方法 | |
CN106709938B (zh) | 基于改进tld的多目标追踪方法 | |
CN110210379A (zh) | 一种结合关键运动特征和颜色特征的镜头边界检测方法 | |
CN103488993A (zh) | 一种基于fast的人群异常行为识别方法 | |
CN110991397B (zh) | 一种行进方向确定方法及相关设备 | |
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 | |
CN103150552B (zh) | 一种基于人头计数的驾驶培训管理方法 | |
CN106709438A (zh) | 一种基于视频会议的人数统计方法 | |
CN106023249A (zh) | 一种基于局部二值相似性模式的运动目标检测方法 | |
CN104966305A (zh) | 基于运动矢量划分的前景检测方法 | |
CN108009556A (zh) | 一种基于定点图像分析的河道漂浮物检测方法 | |
CN113837154B (zh) | 一种基于多任务辅助的开放集过滤系统及方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190402 |
|
CF01 | Termination of patent right due to non-payment of annual fee |