CN105930786A

CN105930786A - 一种银行自助厅异常行为检测方法

Info

Publication number: CN105930786A
Application number: CN201610237880.3A
Authority: CN
Inventors: 邓正宏; 张天凡; 黄杰; 黄一杰; 付明月; 李学强
Original assignee: Northwestern Polytechnical University
Current assignee: Northwestern Polytechnical University
Priority date: 2016-04-18
Filing date: 2016-04-18
Publication date: 2016-09-07

Abstract

本发明公开了一种银行自助厅中异常行为检测方法，旨在检测ATM自助厅中的跌倒、打架以及抢劫等异常行为。该方法包括以下步骤:使用基于帧间—背景差分相结合的Surendra移动物体检测算法，对ATM自助厅中移动目标进行检测，提取前景目标；使用基于Kalman滤波的CamShift跟踪算法对移动目标进行跟踪定位；在异常动作检测识别方面，对当前帧中运动目标所具有的一些特征信息进行提取，包括所处的重心位置到搜索窗底部之间的距离，物体移动过程中呈现出的光流信息；通过SVM建立行为检测器来对ATM自助厅中出现的异常行为进行分类判断。本发明能够有效的识别出ATM自助厅中出现的异常行为，进而减少犯罪行为发生。

Description

一种银行自助厅异常行为检测方法

技术领域

本发明涉及行为识别监控系统设计，具体说是对视频序列中的运动目标进行检测与跟踪处理，并对目标的异常行为进行分析和识别，如果发现异常行为则驱动报警装置进行报警。

背景技术

在犯罪行为高发并配备监控设施的背景下，为了以较少工作人员来进行高质量高效率的安防工作，有必要研究、实现一套基于嵌入式系统和模式识别的人员异常行为分析与检测系统，当检测到异常行为时，则立即对该行为目标进行警告，同时通知安防人员及时干预、处理异常情况，减少案件恶化发展的可能性。

发明内容

本发明的目的是提出一种银行自助厅异常行为检测方法，旨在检测ATM自助厅中的跌倒、打架以及抢劫等异常行为。

本发明的目的是按以下方式实现的，首先，对视频图像进行预处理；然后，对目标进行检测；其次，对目标进行跟踪；再次，为了对异常动作进行检测识别；最后，通过SVM建立行为检测器来对ATM自助厅中出现的异常行为进行分类判断。具体算法如下：

首先，对视频图像进行预处理:利用直方图均衡化算法对图像进行处理，将采集到的彩色图像转化成单通道的灰度图像，采用中值滤波来对采集的图像进行去噪处理。

然后，对目标进行检测:采用基于帧间—背景差分相结合的Surendra移动物体检测算法，对移动目标进行检测，提取前景目标。

其次，对目标进行跟踪：使用基于Kalman滤波的CamShift跟踪算法对移动目标进行跟踪定位。

再次，为了对异常动作进行检测识别，对当前帧中运动目标所具有的两类特征信息进行提取。

最后，通过SVM建立行为检测器来对ATM自助厅中出现的异常行为进行分类判断。

本发明的优异效果如下：该发明提出银行自助厅异常行为检测方法，可以帮助实现一套异常行为识别监控系统，当检测到异常行为时，则立即对该行为目标进行警告，同时通知安防人员及时干预、处理异常情况，减少案件恶化发展的可能性。

附图说明

本发明有如下附图：

图1:异常行为分析方法总体流程图，图2：Surendra检测算法流程图，图3：Kalman-CamShift跟踪算法流程图,图4：基于SVM的行为识别算法总体架构，图5，运动跟踪对象窗信息结构体。

具体实施方式

参照说明书附图对本发明作以下详细地说明。

本发明包含以下内容，首先使用基于帧间—背景差分相结合的Surendra移动物体检测算法，对ATM自助厅中移动目标进行检测，提取前景目标；然后使用基于Kalman滤波的CamShift跟踪算法对移动目标进行跟踪定位；其次在异常动作检测识别方面，对当前帧中运动目标所具有的某些特征信息进行提取，包括所处的重心位置到搜索窗底部之间的距离，物体移动过程中呈现出的光流信息；最后通过SVM建立行为检测器来对ATM自助厅中出现的异常行为进行分类判断。具体算法如下：

首先，对视频图像进行预处理：利用直方图均衡化算法对图像进行处理，进而减少因光线变化而产生的图像模糊现象；将采集到的彩色图像转化成单通道的灰度图像，进而减少计算量；采用中值滤波来对采集的图像进行去噪处理，去除图像当中的椒盐噪声。

其基本思路是根据当前帧与上一帧做差值运算，获取二值化前景目标，确定目标的移动区域与剩余的静态区域。如果出现移动区域，则进行背景更新，接着使用背景差分法进行前景检测；

该算法可以分成以下几个步骤：

步骤1：将第一帧图像I₀作为背景B₀；

步骤2：设置二值化阈值T(根据实验效果选取80)，当前的循环次数m＝1，最大迭代次数m＝MAX-STEPS。

步骤3：根据帧间差分法的原理计算当前帧I_i与前一帧I_i-1的帧差，其二值化图像D_i为：

D_{i} (x, y) = \{\begin{matrix} 1, & | I_{i} - I_{i - 1} | &GreaterEqual; T \\ 0, & | I_{i} - I_{i - 1} | < T \end{matrix} - - - (3 - 6)

其中，I_i表示视频数据的当前帧，I_i-1表示视频数据的上一帧图片，|I_i-I_i-1|为当前帧与前一帧的帧差，D_i(x,y)为帧差法后的二值化图像在(x,y)处的灰度值。

步骤4：根据步骤3中所得到的D_i(x,y)更新背景图像B_i，即：

B_{i} (x, y) = \{\begin{matrix} B_{i - 1} (x, y) & D_{i} (x, y) = 1 \\ {αI}_{i} + (1 - α) B_{i - 1} (x, y) & D_{i} (x, y) = 0 \end{matrix} - - - (3 - 7)

其中，B_i(x,y)表示背景图像在像素点(x,y)处的灰度值，α表示迭代更新系数，实验证明，当α为0.005时，可以得到较好的背景图像。

步骤5：迭代次数m＝m+1，返回步骤3；当迭代次数m＝MAX-STEPS时结束，此时，背景图像B_i为当前背景图像。

步骤6：当前帧图像I_i与当前背景图像B_i进行背景差分运算，即：

d_i(x,y)＝|I_i(x,y)-B_i(x,y)| (3-8)

{DB}_{i} (x, y) = \{\begin{matrix} 255 & d_{i} (x, y) = T \\ 0 & d_{i} (x, y) = T \end{matrix}

其中，d_i(x,y)为进行背景差分计算后的点(x,y)处的灰度值；DB_i(x,y)为d_i(x,y)的二值化结果。

其次，对目标进行跟踪：使用基于Kalman滤波的CamShift跟踪算法对移动目标进行跟踪定位；该跟踪算法实现步骤如下：

步骤1：初始化。通过连续时间段的前景目标信息来获得输入数据信息，将CamShift算法的搜索窗进行初始化；同时初始化Kalman滤波器并对其进行分配，使用搜索窗的初始位置来对其状态向量x_k中的变量x_k,y_k进行初始化，v_xk,v_yk初始化为零。

步骤2：预测。依据移动目标在上一帧中的位置、方向、速度等内容，使用Kalman方法来判断物体在当前帧中所具有的特征。

步骤3：匹配。为了获取当前帧中目标的准确信息，首先可以通过Kalman获取其预测信息，根据Kalman得到的结果再利用跟踪算法通过匹配搜索，搜索范围在预测信息的领域范围内。

步骤4：更新。根据跟踪算法得到的目标的准确信息对滤波器的观测值进行赋值，来更新滤波器中的各个参数。

当产生移动物体相互遮拦时，可以通过卡尔曼滤波的CamShift连续自适应运动目标跟踪算法在遮拦还未发生时对目标物体在下一帧中的位置进行精确定位；当移动物体发生遮挡或者相互之间产生干扰时也可以进行正确的跟踪定位，该融合算法可以有效地改善对移动物体跟踪的鲁棒性。

再次，为了对异常动作进行检测识别，对当前帧中运动目标所具有的两类特征信息进行提取:包括所处的重心位置到搜索窗底部之间的距离，物体移动过程中呈现出的光流信息特征。其具体的算法实现步骤如下：

步骤1：重心特征的提取:

当人体正常行走时，重心位置几乎没有变化。当有异常行为发生时，重心位置的变化是剧烈的。对移动目标在每一帧中的坐标进行定位，并对每一个运动目标分配计算数据结构，将跟踪到的每个运动目标的位置信息以及跟踪窗信息放到该结构体中。

结构体中的点(x,y)存储目标跟踪窗的重心坐标，近似认为其为目标的质心坐标；目标对象矩形区域的尺寸大小则由width和height表示。

则运动过程中重心到跟踪窗底部的高度表示为：

步骤2：光流特征的提取：

运动过程中，图像会显示物体所包含的光流信息，可以根据视频中一段连续时间段内，某区域内的像素变化情况来计算该区域内物体的运动信息。结合Lucas-Kanade算法对图像中的光流值进行计算，并提取光流值的变化特征。

使用Lucas-Kanade算法对图像中的光流值进行计算，得到水平和垂直方向上的光流矢量：

其中并且分别代表图像f(x,y,t)中点(x,y)处的光流，f_x，f_y和f_t分别表示图像在点(x,y,t)上相应方向的差分。

根据光流矢量计算光流幅值:v越大目标运动越剧烈。

设运动目标的总光流的幅值为β，则β表示为：

其中v_t(x,y)表示运动目标在t时刻时点(x,y)处的光流值的大小。β表示运动目标在t时刻时所有光流值的总和。它反映了该帧中所有目标的运动激烈程度，β越大，则该图像帧中所有目标行为程度越剧烈；反之所有目标的行为比较平缓。

设该图像帧中光流的像素个数为n_t(n_t不为0)，则n_t定义如下：

n_{t} = \underset{x}{Σ} \underset{y}{Σ} m_{t} (x, y)

m_{t} (x, y) = \{\begin{matrix} 1, & v_{t} (x, y) \\ 0, & o t h e r \end{matrix}

设该图像帧中目标光流的平均值为avg_t，则avg_t定义如下：

设该图像帧中目标的最大光流的幅值为γ，则γ定义如下：

γ = \underset{x, y}{m a x} {v_{t} (x, y)}

其中，代表目标在t时刻时所有光流的上限值。γ表示运动目标在t时刻时光流值的最大值，它反映了当前帧中是否有突发性异常行为，比如抢取款人包裹的行为；γ值越大，则容易发生越激烈的行为；反之则趋于正常行为。

最后，通过SVM建立行为检测器来对ATM自助厅中出现的异常行为进行分类判断。结合提取的重心运动特征和光流运动特征进行检测和判断。

最后说明的是，以上所述仅为本发明的较佳实例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改，等同替换和改进等，均应包含在本发明的保护范围之内。

Claims

1.一种银行自助厅异常行为检测方法，其特征在于，包括以下步骤：

步骤一、图像预处理：对采集到的视频图像进行预处理操作；

步骤二、运动目标检测：对预处理操作后的视频图像中的运动目标进行前景提取；

步骤三、运动目标跟踪：采用基于Kalman滤波的Camshift跟踪算法对提取到的前景目标进行跟踪定位；

步骤四、运动目标特征1提取：计算前景目标重心位置到搜索窗底部之间的距离；

步骤五、运动目标特征2提取：计算物体移动过程中呈现出的光流信息；

步骤六、判断识别：根据所计算的两种特征，使用支持向量机建立异常行为检测器，利用采集的视频数据对检测器进行训练，根据训练好的检测器来检测视频图像中是否有异常行为发生。

2.如权利要求1所示的一种银行自助厅异常行为检测方法，其特征在于：所述步骤一中的图像预处理包括如下步骤：

步骤S1：利用直方图均衡化算法对图像进行处理，进而减少因光线变化而产生的图像模糊现象；

步骤S2：将采集到的彩色图像转化成单通道的灰度图像，进而减少计算量；

步骤S3：采用中值滤波来对采集的图像进行去噪处理，去除图像当中的椒盐噪声。

3.如权利要求1所示的一种银行自助厅异常行为检测方法，其特征在于：所述步骤二中运动目标检测方法是使用基于帧间—背景差分相结合的Surendra检测算法来提取视频中运动目标的前景。

4.如权利要求1所示的一种银行自助厅异常行为检测方法，其特征在于：所述步骤三中运动目标跟踪包含如下步骤：

步骤S1、初始化搜索窗以及分配并初始化Kalman滤波器；

步骤S2、根据上一帧中目标位置使用kalman滤波器预测目标在当前帧中的位置；

步骤S3、使用Camshift跟踪算法对预测领域范围内对目标进行搜索匹配从而进行跟踪。

5.如权利要求1所示的一种银行自助厅异常行为检测方法，其特征在于：所述步骤五中运动目标特征2提取包含如下步骤：

步骤S1、利用Lucas-Kanade算法求取运动目标的光流；

步骤S2、计算目标总光流幅值：

步骤S3、计算目标光流的平均值：

光流的像素个数为n_t；

步骤S4、计算目标的最大光流幅值：

。