CN105956568A - 一种基于监控目标识别的异常行为检测预警方法 - Google Patents

Abstract

本发明涉及一种基于监控目标识别的异常行为检测预警方法，包括以下步骤：获取图像，并对获取的图像进行预处理；基于混合高斯模型的对运动目标进行识别；通过一个矩形对运动目标进行图像分割，提取分割所用矩形的长宽比特征来判断运动目标是行人还是车辆；对视频监控背景中的人行道、机动车道和非机动车道区域通过一个虚拟线框进行划分和界定；判别运动目标是否触发虚拟线框，从而进行检测预警。本发明能够及时对监控视频中的异常行为作出检测与预警。

Description

一种基于监控目标识别的异常行为检测预警方法

技术领域

本发明涉及智能交通技术领域，特别是涉及一种基于监控目标识别的异常行为检测预警方法。

背景技术

随着科学技术的不断发展，智能交通在未来的城市交通中必然会占据十分重要的地位。而视频监控的智能化则是交通智能化中及其重要的一环。现如今城市的监控系统主要还是靠人工完成，计算机技术只是起到了一个内容保存的作用，这就导致了在监控过程中很容易产生疏漏，不能及时发现突发状况。

发明内容

本发明所要解决的技术问题是提供一种基于监控目标识别的异常行为检测预警方法，能够及时对监控视频中的异常行为作出检测与预警。

本发明解决其技术问题所采用的技术方案是：提供一种基于监控目标识别的异常行为检测预警方法，包括以下步骤：

(1)获取图像，并对获取的图像进行预处理；

(2)基于混合高斯模型的对运动目标进行识别；

(3)通过一个矩形对运动目标进行图像分割，提取分割所用矩形的长宽比特征来判断运动目标是行人还是车辆；

(4)对视频监控背景中的人行道、机动车道和非机动车道区域通过一个虚拟线框进行划分和界定；

(5)判别运动目标是否触发虚拟线框，从而进行检测预警。

所述步骤(1)中的预处理包括噪声过滤处理和图像平滑处理。

所述步骤(2)具体为：根据视频数据帧的大小建立一个相同尺度的背景模型，然后在背景中对应每个像素都初始化K个高斯分布函数进行构建，当有新的图像到来时，将新图像的每个像素与该像素的K个高斯分布逐一匹配检验，完成检验后更新各个高斯分布的权重，并对其进行归一化处理，按高斯分布的权重与方差比由大到小将构建每个像素的高斯分布进行排序，选取排序靠前的若干个高斯分布作为背景模型，将新图像的每个像素与背景模型重新进行匹配检验，若匹配成功则为背景点，否则为前景点，完成运动目标的识别。

所述步骤(5)具体为：当人行道区域出现行人，则立即启动人行道与非机动车道之间虚拟线框的检测，若检测到虚拟线框被触发，说明人行道上的行人可能出现非法过马路的危险行为，立即预警并保存当前图像；若非机动车道区域中识别出运动目标，则立即启动人行道与非机动车道之间虚拟线框和非机动车道与机动车道之间虚拟线框的检测，若检测到虚拟线框被触发，便有可能发生车辆事故或者非机动车道区域的车辆非法占道机动车道区域的情况，立即预警并保存当前图像；若机动车道区域中识别出运动目标，则启动非机动车道与机动车道之间虚拟线框的检测，若虚拟线框被触发，则可能出现交通事故或者机动车道区域的车辆非法占道非机动车道区域的情况，立即预警并保存当前图像。

有益效果

由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明采用混合高斯模型对视频中出现的运动目标进行识别并进行二值化处理。混合高斯模型能有效应对复杂场景，抗干扰能力强，能够更加精确的识别出运动目标。完成对运动目标的识别之后，利用一个矩形分割出运动目标，并对该矩形进行特征提取，分析其长宽比特征，根据长宽比特征来判别行人还是车辆。其次，对视频监控背景中人行道、机动车道和非机动车道的区域利用一个虚拟线框进行划分和界定，一旦完成对运动目标的识别之后，虚拟线框则会立即进行实时检测，检测运动目标是否进入该区域并据此来判断可能的异常行为，从而及时作出预警。

附图说明

图1是本发明的流程图；

图2是运动目标的矩形提取图；

图3是运动目标的分类图；

图4是视频监控下的交通道路图；

图5是交通道路虚拟线框的划分图。

具体实施方式

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

本发明的实施方式涉及一种基于监控目标识别的异常行为检测预警方法，如图1所示，包括以下步骤：获取图像，并对获取的图像进行预处理；基于混合高斯模型的对运动目标进行识别；通过一个矩形对运动目标进行图像分割，提取分割所用矩形的长宽比特征来判断运动目标是行人还是车辆；对视频监控背景中的人行道、机动车道和非机动车道区域通过一个虚拟线框进行划分和界定；判别运动目标是否触发虚拟线框，从而进行检测预警。具体如下：

预处理

对视频帧图像进行预处理，主要是对图像做噪声过滤、平滑等处理。滤波处理可以通过多种图像去噪、图像平滑处理方法实现。

运动目标识别

运动目标识别的方法主要有帧差法，光流法和背景差分法。基于本发明所应用的对象为道路交通，背景复杂，干扰项多，故此采用基于背景差分的混合高斯模型。混合高斯模型由于引入了多个高斯模型，所以能有效应对发杂场景并具有更强的抗干扰能力。

根据视频数据帧的大小建立一个相同尺度的背景模型，然后在背景中对应每个像素都初始化K个高斯分布函数，K的值可以根据实际需求或是软硬件条件来设定(一般取3～7)，假设某像素点在视频序列中取值依次为{X1，X2，X3………..}如果该点的所有历史值用K个高斯函数来近似，那么所观察到的当前像素值的概率为：

$P\left(X_t\right)=\underset{i=1}{\overset{K}{\Σ}}{\mathrm{\ω}}_{i,t}\mathrm{\η}(X_t,{\mathrm{\μ}}_{i,t},{\mathrm{\Σ}}_{i,t})---(4-1)$

式中K是混合高斯模型的个数，ω_i,t是t时刻第i个高斯模型的权值，η(X_t，u_i,t,Σ_i,t)是t时刻第i个高斯分布，定义如下:

$\mathrm{\η}(X_t,{\mathrm{\μ}}_{i,t},{\mathrm{\Σ}}_{i,t})=\frac{1}{{\left(2\mathrm{\π}\right)}^{\frac{N}{2}}|{\mathrm{\Σ}}_{i,t}{|}^{\frac{1}{2}}}{e}^{-\frac{1}{2}{(X_t-{\mathrm{\μ}}_{i,t})}^{-1}{{\mathrm{\Σ}}^{-1}}_{i,t}(X_t-{\mathrm{\μ}}_{i,t})}---(4-2)$

其中，i＝1,2…K，N表示像素的维数，u_i,t和Σ_i,t分别表示t时刻第i个高斯模型的均值和协方差矩阵。

对那些由图像传感器获取到的数据进行前景目标与背景的判断是需要大量计算方可完成的，但是根据混合高斯模型的上述表达式就可做出如下的判断，当有新的图像到来时，将新图像每个像素与该像素已存在的K个高斯分布逐一匹配检验，若满足：

|X_t-u_i,t-1|≤2.5*σ_i,t-1 (4-3)

式中，σ_i,t-1表示t时刻第i-1个高斯模型的方差。

则表示此像素点与模型匹配，此时更新模型参数：

$\begin{array}{c}{\mathrm{\ω}}_{i,t}=(1-\mathrm{\α})*{\mathrm{\ω}}_{i,t-1}+\mathrm{\α}\\ {\mathrm{\μ}}_{i,t}=(1-\mathrm{\ρ})*{\mathrm{\μ}}_{i,t-1}+\mathrm{\ρ}*X_t\\ {\mathrm{\σ}}_{i,t}^2=(1-\mathrm{\ρ}){\mathrm{\σ}}_{i,t}^2+\mathrm{\ρ}(X_t-{\mathrm{\μ}}_{i,t-1}){(X_t-{\mathrm{\μ}}_{i,t-1})}^T\end{array}---(4-4)$

式中，α为用户自定义的学习速率(通常取0.005)，ρ为参数学习速率。

若匹配时像素不满足模型，则对相应的模型的权值作衰减：

ω_i,t＝(1-α)*ω_i,t-1 (4-5)

模型保证了有像素与之匹配的模型权值增大，不匹配当前像素的模型权值变小。最后根据ω_i,t/σ_i,t从大到小排列高斯模型，并根据其中0.5＜T＜1，argmin(·)是指加权求和得到的结果可以大于阈值T时，B值就取i的最小值，从排序后的高斯模型中选择前B个高斯模型作为背景模型。

然后重新对新图像的像素点与上述B个高斯模型做匹配检验，如果新图像的像素点与前B个高斯模型之一匹配，则表示该像素点为背景点，否则为前景点，从而完成了运动目标的检测。

目标分割和特征提取

识别运动目标之后，对二值化后的运动目标利用一个矩形进行分割，提取出分割所采用矩形的长宽比(见图2)，并根据该特征来对目标进行行人和车辆的分类。

从图2可以看出行人和车辆的长宽比特征有着明显的差别。如图3所示，根据监控摄像头所处实际位置设定相应长宽比特征的阈值来具体判断。

虚拟线框设计

图4所示的是视频监控下的交通道路，对图4所示的道路利用虚拟线框进行划分得到如图5所示的道路。

其中，最左边A区域为行人区域，中间的非机动车道区域为B区域，右边机动车道区域为C区域。各区域之间利用红色虚拟线框进行划分。

一旦视频中A区域出现运动目标(即行人)，则立即启动A区域与B区域之间虚拟线框的检测，实时检测该区域是否被触发，一旦虚拟线框被触发，说明该行人可能出现非法过马路的危险行为，立即预警并保存当前视频帧图像。

若B区域中识别出运动目标，则立即启动A区域与B区域之间、和B区域与C区域之间虚拟线框的检测，若检测到虚拟线框被处罚，便有可能发生车辆事故或者B区域汽车非法占道C区域的可能性，立即预警并保存当前视频帧图像。

若C区域中识别出运动目标，则启动B区域与C区域之间虚拟线框的检测，若虚拟线框被触发，则可能出现交通事故或者C区域汽车非法占道B区域，立即预警并保存当前视频帧图像。

不难发现，本发明采用混合高斯模型对视频中出现的运动目标进行识别并进行二值化处理。混合高斯模型能有效应对复杂场景，抗干扰能力强，能够更加精确的识别出运动目标。完成对运动目标的识别之后，利用一个矩形分割出运动目标，并对该矩形进行特征提取，分析其长宽比特征，根据长宽比特征来判别行人还是车辆。其次，对视频监控背景中人行道、机动车道和非机动车道的区域利用一个虚拟线框进行划分和界定，一旦完成对运动目标的识别之后，虚拟线框则会立即进行实时检测，检测运动目标是否进入该区域并据此来判断可能的异常行为，从而及时作出预警。

Claims (4)

1.一种基于监控目标识别的异常行为检测预警方法，其特征在于，包括以下步骤：

(1)获取图像，并对获取的图像进行预处理；

(2)基于混合高斯模型的对运动目标进行识别；

(3)通过一个矩形对运动目标进行图像分割，提取分割所用矩形的长宽比特征来判断运动目标是行人还是车辆；

(4)对视频监控背景中的人行道、机动车道和非机动车道区域通过一个虚拟线框进行划分和界定；

(5)判别运动目标是否触发虚拟线框，从而进行检测预警。

2.根据权利要求1所述的基于监控目标识别的异常行为检测预警方法，其特征在于，所述步骤(1)中的预处理包括噪声过滤处理和图像平滑处理。

3.根据权利要求1所述的基于监控目标识别的异常行为检测预警方法，其特征在于，所述步骤(2)具体为：根据视频数据帧的大小建立一个相同尺度的背景模型，然后在背景中对应每个像素都初始化K个高斯分布函数进行构建，当有新的图像到来时，将新图像的每个像素与该像素的K个高斯分布逐一匹配检验，完成检验后更新各个高斯分布的权重，并对其进行归一化处理，按高斯分布的权重与方差比由大到小将构建每个像素的高斯分布进行排序，选取排序靠前的若干个高斯分布作为背景模型，将新图像的每个像素与背景模型重新进行匹配检验，若匹配成功则为背景点，否则为前景点，完成运动目标的识别。

4.根据权利要求1所述的基于监控目标识别的异常行为检测预警方法，其特征在于，所述步骤(5)具体为：当人行道区域出现行人，则立即启动人行道与非机动车道之间虚拟线框的检测，若检测到虚拟线框被触发，说明人行道上的行人可能出现非法过马路的危险行为，立即预警并保存当前图像；若非机动车道区域中识别出运动目标，则立即启动人行道与非机动车道之间虚拟线框和非机动车道与机动车道之间虚拟线框的检测，若检测到虚拟线框被触发，便有可能发生车辆事故或者非机动车道区域的车辆非法占道机动车道区域的情况，立即预警并保存当前图像；若机动车道区域中识别出运动目标，则启动非机动车道与机动车道之间虚拟线框的检测，若虚拟线框被触发，则可能出现交通事故或者机动车道区域的车辆非法占道非机动车道区域的情况，立即预警并保存当前图像。