CN105894539A - 基于视频识别和侦测运动轨迹的预防盗窃方法和系统 - Google Patents

Abstract

本发明涉及智能视频监控和预防盗窃领域，公开了一种基于视频识别和侦测运动轨迹的预防盗窃方法和系统，其技术方案中采用运动目标提取、行人识别、徘徊轨迹检测和目标跟踪行为判断四个步骤。通过视频识别模块、一级处理器、二级处理器、SVM分类器、信息传输模块和告警模块相结合，视频识别模块采集保护区域内异常事件，一级处理器提取异常事件中运动目标，SVM分类器运动目标信息进行分类并确认出行人，二级处理器判断运动轨迹是否为徘徊轨迹，最后对运动行人进行跟踪，结合已保护区域判断徘徊行人是否存在可能的盗窃行为并进行告警。采用这样的方法和装置，可以大幅降低人工成本，同时对保护区域进行实时监控并对可能的盗窃行为进行预判。

Description

基于视频识别和侦测运动轨迹的预防盗窃方法和系统

技术领域

本发明涉及智能视频监控和预防盗窃领域，具体的讲是基于视频识别和侦测运动轨迹的预防盗窃方法和系统。

背景技术

随着社会经济快速发展伴随着社会安全问题也日趋严峻，以车辆和入室偷盗为目的的盗窃行为频有发生。现有采用的解决方法多为视频监控、人工监控和视频监控和人工监控相结合的监控，视频监控普遍使用视频识别模块对保护区域进行实时监控，待盗窃行为发生时或发生后进行告警。其优点是可以实时监控，缺点在于不能对盗窃行为进行一种预判，实现预防盗窃行为，同时在部分贵重物品且体积较小的情况下，盗窃行为实施时间极短，待盗窃发生时进行预判已经丧失了保护的意义。人工监控则需要较多人力进行巡逻保护，其优点是根据人工的经验能对盗窃行为进行部分预判，但是基于巡逻较难对保护区域各个部分进行实时监控，同时人工成本较高，较难大规模推广使用。视频监控和人工监控相结合的监控结合了视频监控能够实时监控和人工监控能够对盗窃行为进行预判的优点，也同时为现在最主流的盗窃监控方式。其缺点在于随着监控范围增加如大型多层式停车场，需要大量监控设备采集数据，仅靠人工对采集的多画面数据进行实时的塞选和对盗窃的预判难度极高，同时人工监控始终存在疲惫和倦怠等多种问题，使得视频监控和人工监控相结合的监控存在人为漏失。随着计算机智能化不断提高，人工成本持续增加，故需要一种仅使用计算机能够代替人工对盗窃进行预判，预防盗窃将盗窃行为控制在发生前的方法和系统。

中国专利(公开号：CN101770648A，公开日：2010.07.07)公开了一种基于视频监控的徘徊检测系统及方法。该专利解决的技术问题是运动目标短暂停止或被碰撞的情况下仍旧能够检测到徘徊目标。其提供的技术方案为通过运动目标像素的灰度值对比，区分出目标短暂静止或碰撞，进而根据运动目标的轨迹长度判断该运动目标是否为徘徊目标，从而达到智能检测预防保护区域。该专利主要针对的是基于运动目标的短暂静止或碰撞通过目标像素灰度值的变化进而区分，而未对整个运动目标的运动轨迹进行识别并判定徘徊。

发明内容

本发明所要解决的技术问题，就是针对现有方法视频监控、人工监控、视频监控和人工监控相结合的监控存在的问题，提出一种基于视频识别和侦测运动轨迹的预防盗窃方法和系统，以完成降低人工成本同时实现对盗窃行为进行预防。

本发明为解决以上问题提供了基于视频识别和侦测运动轨迹的预防盗窃方法，包括以下步骤：

a.通过变化检测把视频识别区域内运动行为作为异常事件；

b.通过混合高斯背景建模的方法提取异常事件中运动目标；

c.在梯度方向直方图特征提取基础上，运用数据库通过SVM分类器(是一个有监督的学习模型，通常用来进行模式识别、分类、以及回归分析)对异常事件中运动目标进行分类并识别出其中的行人；

d.过集成学习跟踪算法得到所述行人的运动轨迹，并对轨迹进行后处理，综合所述行人的轨迹点运动方向变化和绝对运动方向，基于相应的熵值，判断运动轨迹是否为徘徊轨迹，判断为是则执行步骤e，判断为否则所述行人为正常行人，停止追踪和模拟运动轨迹；

e.通过颜色直方图、保护区域范围、位置和轨迹特征对所述行人进行跟踪并模拟运动轨迹，所述模拟运动轨迹与保护区域重叠则存在可能的盗窃行为；

f.对所述行人存在可能的盗窃行为进行记录并告警，同时生成视频信息并传输至用户；

可选的，数据库为行人和车辆数据库。

可选的，保护区域为停车位区域。

本发明还提供了基于视频识别和侦测运动轨迹的预防盗窃系统，包括视频识别模块、一级处理器、二级处理器、SVM分类器、信息传输模块和告警模块，其中二级处理器分别与一级处理器、SVM分类器、信息传输模块和告警模块连接，一级处理器分别与视频识别模块和二级处理器连接，视频识别模块实时采集保护区域内运动行为图像，并作为异常事件传递至一级处理器，一级处理器采用混合高斯背景建模的方法提取异常事件中运动目标并将运动目标信息传递二级处理器。二级处理器再将信息传递至SVM分类器，SVM分类器使用梯度方向直方图特征提取和调用数据库对运动目标信息进行分类并确认出行人，最后将行人的数据发送至二级处理器，二级处理器采用集成学习跟踪算法得到行人的运动轨迹，并对轨迹进行后处理，综合徘徊行人的轨迹点运动方向变化和绝对运动方向，基于相应的熵值，根据如果为徘徊行为其运动轨迹比较杂乱，与正常行人不一致从而判断所述行人运动轨迹是否为徘徊轨迹，最后运用颜色直方图、保护区域范围、位置和轨迹特征对所述行人进行跟踪并模拟运动轨迹，模拟运动轨迹与保护区域重叠则存在可能的盗窃行为并对判断存在的盗窃行为进行告警。

本发明的有益效果是，通过四个步骤分别为运动目标提取、行人识别、徘徊轨迹检测和目标跟踪行为判断，基于视频识别和侦测运动轨迹来对盗窃行为进行预防。通过混合高斯背景建模、集成学习跟踪算法等相结合，可以大幅降低人工成本，同时对保护区域进行实时监控。

下面结合附图对本发明进一步说明，以使本领域技术人员能够实现本发明。

附图说明

图1为基于视频识别和侦测运动轨迹的预防盗窃方法流程图；

图2为基于视频识别和侦测运动轨迹的预防盗窃系统结构图；

图3为实施例示意图。

具体实施方式

如图1所示，基于视频识别和侦测运动轨迹的预防盗窃方法流程图，通过视频识别模块对视频识别区域视频采集，采用变化检测把视频识别区域内运动行为作为异常事件，通过混合高斯背景建模的方法提取异常事件中运动目标。在梯度方向直方图特征提取基础上，运用数据库通过SVM分类器对异常事件中运动目标进行分类并识别出当中的行人。通过集成学习跟踪算法得到徘徊行人的运动轨迹，并对轨迹进行后处理，综合徘徊行人的轨迹点运动方向变化和绝对运动方向，基于相应的熵值，从而实现行人运动轨迹检测并判断运动轨迹是否为徘徊轨迹。判断为是则通过颜色直方图、保护区域范围、位置和轨迹特征对所述行人进行跟踪并模拟运动轨迹，模拟运动轨迹与保护区域重叠则存在可能的盗窃行为，行人存在可能的盗窃行为进行记录并告警，同时生成视频信息并传输至用户。判断为否则所述行人为正常行人，停止追踪和模拟运动轨迹。

如图2所示，基于视频识别和侦测运动轨迹的预防盗窃系统结构图，包括视频识别模块、一级处理器、二级处理器、SVM分类器、信息传输模块和告警模块。其中二级处理器分别与一级处理器、SVM分类器、信息传输模块和告警模块连接，一级处理器分别与视频识别模块和二级处理器连接。视频识别模块实时采集保护区域内异常事件并传递至一级处理器，一级处理器采用混合高斯背景建模的方法提取异常事件中运动目标并将运动目标信息传递至二级处理器，二级处理器再将信息传递至SVM分类器，SVM分类器使用梯度方向直方图特征提取和调用数据库对运动目标信息进行分类并确认出行人，最后将行人的数据发送至二级处理器。二级处理器采用集成学习跟踪算法得到徘徊行人的运动轨迹，并对轨迹进行后处理，综合徘徊行人的轨迹点运动方向变化和绝对运动方向，基于相应的熵值，从而判断运动轨迹是否为徘徊轨迹，最后运用颜色直方图、位置和轨迹特征对运动行人进行跟踪，结合已保护区域判断徘徊行人是否存在可能的盗窃行为并对判断存在的盗窃行为进行告警。

实施例

如图3所示，本发明应用于大型多层式停车场，视频识别模块采集停车场视频图像，然后对保护区域进行运动目标提取，采用变化检测把视频识别区域内运动行为作为异常事件。使用高斯背景建模对视频图像中异常事件的每一个像素点用K个混合高斯分布来模拟，其步骤为：

(1)初始化混合高斯模型(中值建模进行初始化)

对K个高斯分布直接初始化较大的方差每个高斯分布权重初始化为ω_init＝1/K，每个高斯分布均值μ初始化为获取的第一帧图像的像素值。

(2)高斯分布模型背景匹配

K个高斯分布按照优先级从高到低的次序排列，新获取的图像像素值按照优先级高低次序与这K个高斯分布进行匹配。

(3)模型更新

对匹配的分布均值和方差进行更新，不匹配的分布不进行更新

μ_i,t＝(1-β)μ_i,t-1+βχ_t

${\mathrm{\σ}}_{i,t}^2=(1-\mathrm{\β}){\mathrm{\σ}}_{i,t-1}^2+\mathrm{\β}{({\mathrm{\χ}}_t-{\mathrm{\μ}}_{i,t})}^{\mathrm{\τ}}({\mathrm{\χ}}_t-{\mathrm{\μ}}_{i,t})$

β＝α/ω_i,t-1

对所有权值更新ω_i,t＝(1-α)ω_i,t-1＋αM_i,t，其中α为模型学习率，β为参数学习率，反应高斯分布参数收敛的速度。

(4)生成背景模型

对所有高斯分布均值按照其对应权值加权求和，进行匹配，将背景设为0，前景设为1，得到二值化的图像。首先对二值化图像进行去噪处理，然后对图像前景进行形态学处理，腐蚀和膨胀等，去掉前景中的空洞和比较小的噪声点。

通过高斯背景建模对停车场保护区域的运动目标进行提取，然后通过梯度方向直方图(H0G)特征和SVM分类器用于行人识别，其步骤为：

(1)梯度方向直方图特征描述

物体局部区域的外观和形状，能够很好的被局部区域梯度强度和方向特征所代表，由此可得产生的梯度方向直方图特征描述子是对图像局部重叠区域，根据梯度方向和大小进行统计而得出的。

对于过高斯背景建模对停车场保护区域的运动目标进行提取的图像，大小为64*128像素大小，将其划分为8*8的像素单元(cell)，相邻的4个像素单元(cell)组成一个block，block每次滑动一个cell，扫描整个图像提取梯度方向直方图特征。

(2)支持向量机(SVM)分类器分类

支持向量机是一种统计的方法，本实施例采用惩罚系数C＝0.01的线性SVM分类器进行分类，大型多层式停车场主要是行人和车辆，其他运动物体相对较少，本实施例选用数据库中的行人作为训练样本，通过多图片训练对提取出来的运动目标进行分类，识别出行人和其他物体。

通过在梯度方向直方图特征提取基础上，运用数据库通过SVM分类器对异常事件中运动目标进行分类并识别出当中的行人后，则可以通过集成学习跟踪算法得到徘徊行人的运动轨迹，并对轨迹进行后处理，综合徘徊行人的轨迹点运动方向变化和绝对运动方向，基于相应的熵值，从而判断运动轨迹是否为徘徊轨迹，其步骤为：

(1)徘徊行为判断依据

徘徊行人的移动速度一般较缓慢，且往往在一个区域停留较长的时间或来回走动，其运动轨迹通常比较杂乱，与正常行人不一致。

(2)基于运动方向变化的徘徊轨迹检测

通过SVM分类器识别出得行人后，基于徘徊行为判断依据得到的行人中的徘徊目标，再通过集成学习的跟踪算法对其进行跟踪，把历史目标中心点作为轨迹点集合，记为p＝(p₀,p₁,…,p_N)。对于历史轨迹点集中的每个点p_i，只要p_i不是起始点或轨迹中最后一个点，都有前驱点p_i-1和后续点p_i＋1。可以确定α是向量和向量之间的夹角，Δp_i-1p_ip_i＋1是连续3个轨迹点组成的三角形，通过正弦函数将α投影到[-2,2]区间。

熵可表示数据和信号的混乱程度，轨迹序列上所有点处运动方向变化值得熵描述了目标运动方向变化的不一致性。C取值范围是[-2,2]，将此区间均等划分为16个子区间，投影到运动方向变化值得归一化直方图bin分量。计算运动方向变化值得熵公式为

$E_{change}=-\underset{i=1}{\overset{n}{\Σ}}{H}_i\left(C\right){\log }_2{H}_i\left(C\right)$

其中E_change表示运动方向变化的熵值，H_i(C)表示运动方向变化值分布的归一化直方图，n是直方图bin的个数，这里取16。分析熵值得计算公式可发现，运动方向变化值越集中，计算得到的熵越小；运动方向变化值越分散，计算得到的熵越大。同时，分析运动方向变化值的熵与其离散程度成正相关。

通过集成学习跟踪算法得到徘徊行人的运动轨迹，并对轨迹进行后处理，综合徘徊行人的轨迹点运动方向变化和绝对运动方向，基于相应的熵值，从而判断运动轨迹是否为徘徊轨迹。确定徘徊目标是否为徘徊轨迹后，需根据颜色直方图、位置和轨迹特征对运动行人进行跟踪，结合已保护区域判断徘徊行人是否存在可能的盗窃行为，其步骤为：

(1)跟踪颜色特征

行人是非刚体运动的物体，在不同的帧中形状大小会发生变化，但是行人的衣着颜色一般是不会在短时间内改变的，因此采用颜色直方图能够很好的反应一个行人的移动信息。

(2)跟踪匹配

以已经跟踪到的行人目标作为矩阵的行，新一帧图像中检测到的行人作为矩阵的列，根据目标跟踪策略，构造距离矩阵D_l×J，同时构造与距离矩阵相对应的匹配矩阵M_l×J。其中，距离矩阵D_l×J中每个元素d_i,j代表已知的第i个行人目标与第一帧图像中第j个目标直接的距离，包含颜色直方图距离，位置距离，轨迹平滑度信息。

d_i,j,f是归一化了的距离，实际距离为归一化的方法是按照列进行归一化，(新一帧中第j个目标与所有已知目标之间距离进行的归一化处理)。

(3)可能偷窃的行为判断及处理

通过跟踪匹配，在二级处理器中模拟出徘徊行人的行进路线，如果模拟的路线与保护区域重叠，则可以判定徘徊行人可能存在偷窃的行为，基于与二级处理器连接的告警模块发出告警，同时通过视频识别和侦测运动轨迹的预防盗窃系统生成视频信息并传输至用户，待用户确认后进行处理。

如果，不满足徘徊行为判断依据的行人行进路线模拟后与保护区域重叠，不判定存在可能偷窃的行为，告警系统不发出告警。

Claims (4)

1.基于视频识别和侦测运动轨迹的预防盗窃方法，其特征在于：包括以下步骤：

a.通过变化检测将视频识别区域内运动行为作为异常事件；

b.通过混合高斯背景建模的方法提取异常事件中运动目标；

c.在梯度方向直方图特征提取基础上，运用数据库通过SVM分类器对异常事件中运动目标进行分类并识别出其中的行人；

d.通过集成学习跟踪算法得到所述行人的运动轨迹，并对轨迹进行后处理，综合所述行人的轨迹点运动方向变化和绝对运动方向，基于相应的熵值，判断运动轨迹是否为徘徊轨迹，判断为是则执行步骤e，判断为否则所述行人为正常行人，停止追踪和模拟运动轨迹；

e.通过颜色直方图、保护区域范围、位置和轨迹特征对所述行人进行跟踪并模拟运动轨迹，所述模拟运动轨迹与保护区域重叠则存在可能的盗窃行为；

f.对可能的盗窃行为进行记录并告警，同时生成视频信息并传输至用户。

2.根据权利要求1所述的基于视频识别和侦测运动轨迹的预防盗窃方法，其特征在于：所述数据库为行人和车辆数据库。

3.根据权利要求1所述的基于视频识别和侦测运动轨迹的预防盗窃方法，其特征在于：所述保护区域为停车位区域。

4.基于视频识别和侦测运动轨迹的预防盗窃系统，包括视频识别模块、一级处理器、二级处理器、SVM分类器、信息传输模块和告警模块，其特征在于：二级处理器分别与一级处理器、SVM分类器、信息传输模块和告警模块连接，所述一级处理器分别与视频识别模块和二级处理器连接，所述视频识别模块实时采集保护区域内运动行为图像，并作为异常事件传递至一级处理器，一级处理器采用混合高斯背景建模的方法提取异常事件中运动目标并将运动目标信息传递二级处理器，所述二级处理器再将信息传递至SVM分类器，所述SVM分类器使用梯度方向直方图特征提取和调用数据库对运动目标信息进行分类并确认出行人，最后将行人的数据发送至二级处理器，所述二级处理器采用集成学习跟踪算法得到行人的运动轨迹，并对轨迹进行后处理，综合徘徊行人的轨迹点运动方向变化和绝对运动方向，基于相应的熵值，根据如果为徘徊行为其运动轨迹比较杂乱，与正常行人不一致从而判断所述行人运动轨迹是否为徘徊轨迹，最后运用颜色直方图、保护区域范围、位置和轨迹特征对所述行人进行跟踪并模拟运动轨迹，所述模拟运动轨迹与保护区域重叠则存在可能的盗窃行为并对判断存在的盗窃行为进行告警。