CN106096523A - 一种视频图像序列中运动目标的检出与异常行为分析算法 - Google Patents

一种视频图像序列中运动目标的检出与异常行为分析算法 Download PDF

Info

Publication number
CN106096523A
CN106096523A CN201610389174.0A CN201610389174A CN106096523A CN 106096523 A CN106096523 A CN 106096523A CN 201610389174 A CN201610389174 A CN 201610389174A CN 106096523 A CN106096523 A CN 106096523A
Authority
CN
China
Prior art keywords
target
detection
moving
moving target
video sequences
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.)
Pending
Application number
CN201610389174.0A
Other languages
English (en)
Inventor
王玉德
韩翠玲
王鸣天
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN201610389174.0A priority Critical patent/CN106096523A/zh
Publication of CN106096523A publication Critical patent/CN106096523A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种视频图像序列中运动目标的检出与异常行为分析算法，该视频图像序列中运动目标的检出与异常行为分析算法具体步骤如下：S1：通过结合均值法初始化混合高斯背景模型、为前景像素数添加计数器和对前景区域再处理；S2：利用S1中改进的背景减除法检出目标物体；S3：应用局部二值模式(Local Binary Pattern，LBP)算子计算运动目标的LBP特征谱；S4：对S3中获得的视频图像序列中运动目标的纹理特征和运动信息进行统计，获得运动目标的局部运动特征；S5：将获得的纹理特征和运动特征表示成结构化信息，对神经网络分类器进行训练、学习，应用训练收敛后的分类器对捕捉到的运动目标的运动行为进行识别。

Description

一种视频图像序列中运动目标的检出与异常行为分析算法
技术领域
本发明涉及图像序列中运动目标的检出技术领域，尤其涉及一种视频图像序列中运动目标的检出与异常行为分析算法。
背景技术
随着社会的快速发展，安全问题日益受到人们的关注和重视，视频监控也随之得到广泛应用。然而，相比于记录事实用以事后取证的传统视频监控，智能视频监控系统在传统视频监控系统的基础上添加了智能分析模块，该模块能够对画面中的运动行为进行实时捕获并进行分析，并可以对异常行为进行反馈。运动目标检测就是对视频图像序列中的运动目标进行检测和分割的过程，其结果的准确性是目标跟踪、目标分类及行为理解等一系列后处理的基础。视频图像在采集、传输和存储的过程中存在着各种影响图像质量的因素，在运动目标检测之前对视频图像进行预处理可以有效提高运动目标检测的准确度。中值滤波是视频图像预处理的一种常用方法，而标准中值滤波算法难以在去除噪声与保留图像细节方面同时达到满意的效果。现有的运动目标检出与动态行为分析技术对于目标有遮挡、重叠以及多目标检测的结果不准确，存在运动目标检出不完整有漏检的现象、行为分析特征包含信息量有限甚至不准确的问题、分类器分类结果误检率大等不足，针对现有技术的不足提出该方法。
发明内容
本发明的目的是为了解决现有技术中存在的缺点，而提出的一种视频图像序列中运动目标的检出与异常行为分析算法，该视频图像序列中运动目标的检出与异常行为分析算法具体步骤如下：
S1：通过结合均值法初始化混合高斯背景模型、为前景像素数添加计数器和对前景区域再处理,消除传统混合高斯模型在光线突变时产生误检的现象；
S2：利用S1中改进的背景减除法检出目标物体，针对帧间差分法在提取运动目标时出现检测目标不完整、容易出现空洞的现象，把使用三帧差分法和改进的背景减除法检出的结果做融合运算得到感兴趣的目标物体；
S3：应用局部二值模式(Local Binary Pattern，LBP)算子计算运动目标的LBP特征谱，使用K-means聚类的方法生成反映兴趣目标运动行为的纹理特征值。分析运动目标运动的姿势、速度和方向，针对目标运动过程中行为动作的特点，提取运动目标外接矩形宽高比、运动目标的运动速度、运动方向、目标物体的质心和轮廓特征等运动特征；
S4：对S3中获得的视频图像序列中运动目标的纹理特征和运动信息进行统计，获得运动目标的局部运动特征，设定异常行为判定阈值；
S5：将获得的纹理特征和运动特征表示成结构化信息，对神经网络分类器进行训练、学习，应用训练收敛后的分类器对捕捉到的运动目标的运动行为进行识别。
优选的，所述步骤S2中建立背景模型检出感兴趣区域的运动目标，提取反映运动目标运动行为的纹理特征和运动特征参数。为保证检出目标的准确性，改进目标图像的背景建模方法，把改进的背景减除法的检出结果与帧间差分法的检出结果做融合处理得到检出目标。
优选的，所述步骤S5中应用提取的运动目标的特征训练分类器，得到性能优越的分类器，应用分类器对运动行为进行分类表达。
本发明提供的一种视频图像序列中运动目标的检出与异常行为分析算法，本算法应用LBP纹理特征和目标的运动特征信息分析目标的运动行为，提高了算法的有效性和泛化能力。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合具体实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例1
一种视频图像序列中运动目标的检出与异常行为分析算法，该视频图像序列中运动目标的检出与异常行为分析算法具体步骤如下：
S1：通过结合均值法初始化混合高斯背景模型、为前景像素数添加计数器和对前景区域再处理,消除传统混合高斯模型在光线突变时产生误检的现象；
S2：利用S1中改进的背景减除法检出目标物体，针对帧间差分法在提取运动目标时出现检测目标不完整、容易出现空洞的现象，把使用三帧差分法和改进的背景减除法检出的结果做融合运算得到感兴趣的目标物体；
S3：应用局部二值模式(Local Binary Pattern，LBP)算子计算运动目标的LBP特征谱，使用K-means聚类的方法生成反映兴趣目标运动行为的纹理特征值。分析运动目标运动的姿势、速度和方向，针对目标运动过程中行为动作的特点，提取运动目标外接矩形宽高比、运动目标的运动速度、运动方向、目标物体的质心和轮廓特征等运动特征；
S4：对S3中获得的视频图像序列中运动目标的纹理特征和运动信息进行统计，获得运动目标的局部运动特征，设定异常行为判定阈值；
S5：将获得的纹理特征和运动特征表示成结构化信息，对神经网络分类器进行训练、学习，应用训练收敛后的分类器对捕捉到的运动目标的运动行为进行识别。
所述步骤S2中建立背景模型检出感兴趣区域的运动目标，提取反映运动目标运动行为的纹理特征和运动特征参数。为保证检出目标的准确性，改进目标图像的背景建模方法，把改进的背景减除法的检出结果与帧间差分法的检出结果做融合处理得到检出目标。所述步骤S5中应用提取的运动目标的特征训练分类器，得到性能优越的分类器，应用分类器对运动行为进行分类表达。
本发明提供的一种视频图像序列中运动目标的检出与异常行为分析算法，本算法应用LBP纹理特征和目标的运动特征信息分析目标的运动行为，提高了算法的有效性和泛化能力。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (3)

1.一种视频图像序列中运动目标的检出与异常行为分析算法，其特征在于：该视频图像序列中运动目标的检出与异常行为分析算法具体步骤如下：
S1：通过结合均值法初始化混合高斯背景模型、为前景像素数添加计数器和对前景区域再处理,消除传统混合高斯模型在光线突变时产生误检的现象；
S2：利用S1中改进的背景减除法检出目标物体，针对帧间差分法在提取运动目标时出现检测目标不完整、容易出现空洞的现象，把使用三帧差分法和改进的背景减除法检出的结果做融合运算得到感兴趣的目标物体；
S3：应用局部二值模式(Local Binary Pattern，LBP)算子计算运动目标的LBP特征谱，使用K-means聚类的方法生成反映兴趣目标运动行为的纹理特征值。分析运动目标运动的姿势、速度和方向，针对目标运动过程中行为动作的特点，提取运动目标外接矩形宽高比、运动目标的运动速度、运动方向、目标物体的质心和轮廓特征等运动特征；
S4：对S3中获得的视频图像序列中运动目标的纹理特征和运动信息进行统计，获得运动目标的局部运动特征，设定异常行为判定阈值；
S5：将获得的纹理特征和运动特征表示成结构化信息，对神经网络分类器进行训练、学习，应用训练收敛后的分类器对捕捉到的运动目标的运动行为进行识别。
2.根据权利要求1所述的一种视频图像序列中运动目标的检出与异常行为分析算法，其特征在于：所述步骤S2中建立背景模型检出感兴趣区域的运动目标，提取反映运动目标运动行为的纹理特征和运动特征参数。为保证检出目标的准确性，改进目标图像的背景建模方法，把改进的背景减除法的检出结果与帧间差分法的检出结果做融合处理得到检出目标。
3.根据权利要求1所述的一种视频图像序列中运动目标的检出与异常行为分析算法，其特征在于：所述步骤S5中应用提取的运动目标的特征训练分类器，得到性能优越的分类器，应用分类器对运动行为进行分类表达。
CN201610389174.0A 2016-06-02 2016-06-02 一种视频图像序列中运动目标的检出与异常行为分析算法 Pending CN106096523A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610389174.0A CN106096523A (zh) 2016-06-02 2016-06-02 一种视频图像序列中运动目标的检出与异常行为分析算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610389174.0A CN106096523A (zh) 2016-06-02 2016-06-02 一种视频图像序列中运动目标的检出与异常行为分析算法

Publications (1)

Publication Number Publication Date
CN106096523A true CN106096523A (zh) 2016-11-09

Family

ID=57448067

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610389174.0A Pending CN106096523A (zh) 2016-06-02 2016-06-02 一种视频图像序列中运动目标的检出与异常行为分析算法

Country Status (1)

Country Link
CN (1) CN106096523A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107273815A (zh) * 2017-05-24 2017-10-20 中国农业大学 一种个体行为识别方法及系统
CN108197507A (zh) * 2017-12-30 2018-06-22 刘智 一种隐私实时保护方法和系统
CN111627047A (zh) * 2020-05-20 2020-09-04 上海海洋大学 水下鱼类动态视觉序列运动目标检测方法
CN112749596A (zh) * 2019-10-31 2021-05-04 顺丰科技有限公司 异常画面检测方法、装置、电子设备和存储介质
CN113158800A (zh) * 2021-03-19 2021-07-23 上海云赛智联信息科技有限公司 围界入侵混合检测方法及围界入侵混合检测系统
CN113378648A (zh) * 2021-05-19 2021-09-10 上海可深信息科技有限公司 一种人工智能港口码头监控方法
CN114639075A (zh) * 2022-05-23 2022-06-17 广州英码信息科技有限公司 一种高空抛物坠物的识别方法、系统及计算机可读介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102930248A (zh) * 2012-10-22 2013-02-13 中国计量学院 基于机器学习的人群异常行为检测方法
CN104680557A (zh) * 2015-03-10 2015-06-03 重庆邮电大学 视频序列图像中的异常行为智能检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102930248A (zh) * 2012-10-22 2013-02-13 中国计量学院 基于机器学习的人群异常行为检测方法
CN104680557A (zh) * 2015-03-10 2015-06-03 重庆邮电大学 视频序列图像中的异常行为智能检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
王东方: "视频流中运动目标检测与行为分析研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
王宪 等: "视频序列中基于LBP 特征的人体行为识别", 《光电工程》 *
马晨: "融合LBP特征和运动特征的运动分类算法", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107273815A (zh) * 2017-05-24 2017-10-20 中国农业大学 一种个体行为识别方法及系统
CN108197507A (zh) * 2017-12-30 2018-06-22 刘智 一种隐私实时保护方法和系统
CN112749596A (zh) * 2019-10-31 2021-05-04 顺丰科技有限公司 异常画面检测方法、装置、电子设备和存储介质
CN111627047A (zh) * 2020-05-20 2020-09-04 上海海洋大学 水下鱼类动态视觉序列运动目标检测方法
CN111627047B (zh) * 2020-05-20 2023-06-16 上海海洋大学 水下鱼类动态视觉序列运动目标检测方法
CN113158800A (zh) * 2021-03-19 2021-07-23 上海云赛智联信息科技有限公司 围界入侵混合检测方法及围界入侵混合检测系统
CN113378648A (zh) * 2021-05-19 2021-09-10 上海可深信息科技有限公司 一种人工智能港口码头监控方法
CN114639075A (zh) * 2022-05-23 2022-06-17 广州英码信息科技有限公司 一种高空抛物坠物的识别方法、系统及计算机可读介质
CN114639075B (zh) * 2022-05-23 2022-08-16 广州英码信息科技有限公司 一种高空抛物坠物的识别方法、系统及计算机可读介质

Similar Documents

Publication Publication Date Title
CN106096523A (zh) 一种视频图像序列中运动目标的检出与异常行为分析算法
US10445567B2 (en) Pedestrian head identification method and system
Wang et al. Appearance-based brake-lights recognition using deep learning and vehicle detection
Sommer et al. Flying object detection for automatic UAV recognition
Mukherjee et al. Anovel framework for automatic passenger counting
Zhang et al. Application of deep learning and unmanned aerial vehicle technology in traffic flow monitoring
Li et al. Robust people counting in video surveillance: Dataset and system
WO2014092552A2 (en) Method for non-static foreground feature extraction and classification
CN105404857A (zh) 一种基于红外的夜间智能车前方行人检测方法
CN110490043A (zh) 一种基于区域划分和特征提取的森林烟火检测方法
Wang et al. A video-based traffic violation detection system
Su et al. A new local-main-gradient-orientation HOG and contour differences based algorithm for object classification
Al-Heety Moving vehicle detection from video sequences for traffic surveillance system
Miller et al. Person tracking in UAV video
Huynh et al. Convolutional neural network for motorbike detection in dense traffic
CN104200455B (zh) 一种基于运动统计特征分析的关键姿态提取方法
Kumar et al. A novel approach for speed estimation along with vehicle detection counting
CN110378935B (zh) 基于图像语义信息的抛物识别方法
Bhaskar et al. Enhanced and effective parallel optical flow method for vehicle detection and tracking
CN115082517B (zh) 基于数据增强的赛马场景多目标追踪方法
CN112883813B (zh) 一种基于监控视频的高速公路路面抛洒物检测方法
Soleh et al. A real time vehicle counting based on adaptive tracking approach for highway videos
Xiang et al. Vehicle detection and tracking for gas station surveillance based on AdaBoosting and optical flow
Belloc et al. Detection of people boarding/alighting a metropolitan train using computer vision
CN107590418A (zh) 一种基于动态特征的视频烟雾识别方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20161109

WD01 Invention patent application deemed withdrawn after publication