CN107273866A - 一种基于监控系统的人体异常行为识别方法 - Google Patents
一种基于监控系统的人体异常行为识别方法 Download PDFInfo
- Publication number
- CN107273866A CN107273866A CN201710496942.7A CN201710496942A CN107273866A CN 107273866 A CN107273866 A CN 107273866A CN 201710496942 A CN201710496942 A CN 201710496942A CN 107273866 A CN107273866 A CN 107273866A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- foreground image
- value
- formula
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 206010000117 Abnormal behaviour Diseases 0.000 title claims abstract description 43
- 238000012544 monitoring process Methods 0.000 title claims abstract description 30
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 230000002159 abnormal effect Effects 0.000 claims abstract description 7
- 230000003542 behavioural effect Effects 0.000 claims abstract description 6
- 230000006399 behavior Effects 0.000 claims description 63
- 238000012545 processing Methods 0.000 claims description 11
- 238000013461 design Methods 0.000 claims description 10
- 238000005192 partition Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000013016 learning Effects 0.000 claims description 6
- 238000000926 separation method Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 230000014509 gene expression Effects 0.000 claims description 4
- 230000000750 progressive effect Effects 0.000 claims description 4
- 238000010408 sweeping Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 210000000746 body region Anatomy 0.000 claims 1
- 238000004321 preservation Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 101100377706 Escherichia phage T5 A2.2 gene Proteins 0.000 description 1
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
- G06T7/251—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/254—Analysis of motion involving subtraction of images
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于监控系统的人体异常行为识别方法，包括以下步骤：(1)样本图像输入；(2)前景提取；(3)背景更新；(4)前景图像的去噪处理；(5)运动目标跟踪记录：通过Mean‑Shift目标跟踪算法对去噪后的前景图像进行跟踪，并记录运动目标的运动信息；(6)行为特征的提取：根据步骤(5)中记录的运动目标的运动信息，利用背景差分法提取运动目标的运动区域，再根据运动目标的运动行为选取具有特征的前景图像；(7)建立标准行为数据库；(8)结果分析与异常判定；(9)异常报警。本发明具有能够改善前景图像清晰度以及提高异常行为判断精准度的特点。
Description
技术领域
本发明涉及一种监控系统异常行为识别方法，特别是一种基于监控系统的人体异常行为识别方法。
背景技术
现在工业的监控系统大多只是进行场景内运动目标的检测或跟踪，对场景中的异常事件或人的异常行为作进一步的检测和分析的比较少。现有的基于监控系统的异常检测方法主要通过基于模型的方法进行监测判断，这种方式首先需要确定某种准则，然后从图像序列中提取运动目标的外形、运动等信息，根据这些所获得的特征信息人工或者使用半监督的方法定义正常行为的模型，通常选用图模型进行对由序列图像特征所表示的状态进行建模，那些不匹配正常行为模型的观测均被认为是异常的，通过人工进行观测不仅容易造成判断失误，还会影响判断识别的速度，同时也增加了人力成本；从图像序列中提取运动目标的外形、运动等信息时，传统的高斯背景模型是直接在RGB颜色空间做统一处理，另外，由于人的轮廓是不规则的弧形，对人物的运动检测一般应用于室外，而室外的光线是经常性改变的，因此前景图像会出现不连续的空洞现场，造成前景图像清晰度较低，影响后续的异常行为识别。因此，现有的技术存在着前景图像清晰度较差以及容易出现异常行为的误判的问题。
发明内容
本发明的目的在于，提供一种基于监控系统的人体异常行为识别方法。本发明具有能够改善前景图像清晰度以及提高异常行为判断精准度的特点。
本发明的技术方案：一种基于监控系统的人体异常行为识别方法，包括以下步骤：
(1)样本图像输入；
(2)前景提取：利用背景差分法将样本图形中运动目标与背景分离出来，得到运动目标的轮廓或者整体区域；
(3)背景更新：通过自适应的高斯混合模型对步骤(2)中得到的运动目标的轮廓或者整体区域进行建模，根据实际情况对高斯混合模型中的不同参数进行动态调节，完成背景更新，得到前景图像；
(4)前景图像的去噪处理：使用RGB颜色空间三通道分离法对前景图像进行去噪处理，再利用去噪处理算法对噪点进行处理，得到去噪后的前景图像；
(5)运动目标跟踪记录：通过Mean-Shift目标跟踪算法对去噪后的前景图像进行跟踪，并记录运动目标的运动信息；
(6)行为特征的提取：根据步骤(5)中记录的运动目标的运动信息，利用背景差分法提取运动目标的运动区域，再根据运动目标的运动行为选取具有特征的前景图像；
(7)建立标准行为数据库：利用步骤(6)采集到的具有特征的前景图像中的运动目标样板，按照每种行为的不同进行相关的学习并建模，建立起对应的标准行为模型并分类保存到模型数据库中，构建标准行为数据库；
(8)结果分析与异常判定：利用加权Hu不变矩的相似性比较算法，对步骤(6)中提取到的具有特征的前景图像与标准行为数据库中预定义的正常行为进行比较，计算出待识别行为和预先定义行为的最小距离，将最小距离与设置阈值进行比较。
(9)异常报警：对异常行为紧凑的跟踪、标记并报警。
前述的一种基于监控系统的人体异常行为识别方法中，所述步骤(3)中的高斯混合模型是由K个高斯分布构成，将第j个高斯分布的权重系数wj,N代入公式计算得出某一像素点像素值的概率，其中xN表示某一像素点在第N帧的像素值，K的取值为3-5。
前述的一种基于监控系统的人体异常行为识别方法中，所述η(xN；θj,N)经公式
计算得出；将R通道的和值μj,N R、G通道的和值μj,N G和B通道的和值μj,N B代入公式μj,N＝(μj,N R,μj,N G,μj,N B)，计算得出在第N帧时第j部分的均值μj,N；
将R通道的方差G通道的方差和B通道的方差代入公式得出在第N帧时第j部分的协方差，其中n为像素值提取的次数。
前述的一种基于监控系统的人体异常行为识别方法中，所述步骤(3)中高斯混合模型的参数更新，具体包括以下步骤：
(3.1)匹配检验：
将像素点值xN与第j个高斯分布Gj匹配，当且仅当该点像素点值xN与Gj均值的差小于标准的2.5倍，将图像在第N帧时的所有点与之前定义的K个高斯分布分别进行匹配检验。
(3.2)参数更新：根据高斯混合模型中的高斯分布与xN的匹配数量，选择参数更新的方式。
前述的一种基于监控系统的人体异常行为识别方法中，所述步骤(3.2)中参数具体更新步骤如下：
(3.2.1)当高斯混合模型中至少存在一个高斯分布与xN匹配，则由以下方式进行参数更新：
a)针对不匹配的高斯分布，将其均值与协方差矩阵保持不变。
b)针对匹配的高斯分布Gj，通过公式μj,N＝(1-ρ)·μj,N-1+ρ·xN和∑j,N＝(1-ρ)·∑j,N-1+ρ·diag[(xN-μj，Ν)T(xN-μj，Ν)]进行更新，其中ρ＝α·η(xN|μj，Ν-1,∑j,N-1)，α为学习速度；
(3.2.2)当高斯混合模型中没有与xN匹配的分布，则按以下方式进行更新：将高斯分布GS重新赋值，即按公式s＝argmin{wk,N-1}和wk,N-1＝W0·μs,N＝xN·∑s,N＝V0·I进行，其中wk,N-1代表在N-1时刻第k个高斯分布的权重系数；W0为预定一个小经验正值，μs,N为在N时刻第s部分的均值，∑s,N为在N时刻第s部分的协方差，V0是给高斯分布的协方差预设一个大初始值，I为3x3的单位矩阵；
(3.2.3)将所有K个高斯分布在第N帧的权重参数通过公式wk,N＝(1-α)·wj,N-1+α·p(wj|xN)进行更新，其中，
wj为j个高斯分布的权重系数。
前述的一种基于监控系统的人体异常行为识别方法中，所述步骤(4)中使用RGB颜色空间三通道分离法对前景图像进行去噪处理，具体的处理步骤如下：
(4.1)在RGB模型中用R、G、B三个分量所占比例表示其色度，用CR、CG、CB分别表示红色、绿色、蓝色分量在RGB中所占比例，即：
其中C为前景，C′为背景，C-C′表示前景与背景在RGB中的差量；
(4.2)计算前景与背景的亮度差分；基本的算法如下：
式中0(i,j)、I(i,j)分别为同一场景中不同时刻获得的前景与背景的亮度值，T1是设定的亮度阈值，D(i,j)为亮度差分二值图像；
当将D(i,j)计算公式中的前景与背景的亮度值差分改为色度值差分时能将差分结果中的阴影去除，则用下述公式表示：
式中C(i,j)、C′(i,j)分别为前景与背景的色度值，T2为差分阈值。
(4.3)计算出前景与背景每个对应像素点的3个色度差分值：CR(i,j)、CG(i,j)、CB(i,j)，然后选择其中的最大值作为该点的色度差分值，即：max{CR(i,j),CG(i,j),CB(i,j)}。
前述的一种基于监控系统的人体异常行为识别方法中，所述步骤(4)中利用去噪处理算法对噪点进行处理的具体处理过程如下：
图像存储的坐标空间中，提取前景图像中的背景为0，前景为1，对坐标从上到下，自左向右逐像素点进行扫描，每行中连续为1的部分称为一条线段，用line表示每条线段，保存于line结构中，用segment表示扫面完成后划分的连通区域，保存于segment结构中；
C1：逐行扫描，得到当前行的所有线段并保存至line结构中；当该行的上一行为空，则转至C4，否则转至C2。
C2：根据前面的连通性定义，将当前行与上一行中的线段进行连通性判断：当当前行中的某段与上一行中的所有线段都不连通，则创建一个新的segment，放入连通区域链表中，并将该线段作为该区域线段链表的头结点，设定一个新的区域标识号ID，即累加1；
C3：否则，当仅与某一条线段连通，则该线段放入与之连通的线段所在的链表中，并将其区域标识号赋值给ID；当该线段同时与上一行的两条或两条以上线段连通，表明此时原本不连通的两条线段通过当前行的线段连通了，因此应该为同一区域；并将该值更新到每个segment结构的ID；
C4：行加1；
C5：返回步C1，重新执行直到图像扫描结束。
扫描结束后，可根据每个segment里保存的像素点数量sum进行过滤，设置一个阈值a，当sum≥a是，保留为前景；当sum<a时，当作噪点过滤。
前述的一种基于监控系统的人体异常行为识别方法中，所述步骤(6)中根据运动目标的运动行为的中心坐标、紧密度、倾斜角度、凹凸度和外接矩形长度比来选择具有特征的前景图像；所述步骤(7)中通过对每种行为的中心坐标、紧密度、倾斜角度、凹凸度和外接矩形长度比不同进行相关学习并建模。
前述的一种基于监控系统的人体异常行为识别方法，所述步骤(8)中利用加权Hu不变矩的相似性比较算法的具体步骤为：设m代表当前具有特征的前景图像，通过公式计算m与标准行为数据库S中的各模块s之间的距离，其中s∈S；由公式dmj＝min{dms}求出最小距离,其中s、j∈S，当最小距离小于所设阈值，则认为当前具有特征的前景图像中的人体行为为合法行为，否则判定标准数据库中没有与当前具有特征的前景图像匹配的图像，即该图像中的人体行为为异常行为。
与现有技术相比，本发明通过将监控系统中的异常行为作更细的划分，并采用相应的方法进行行为分析和识别，改善前景图像清晰度，提高异常行为判断的精准度。通过自适应的高斯混合模型对运动目标的轮廓或者整体区域进行建模，根据实际的环境对高斯混合模型中的不同参数进行动态调节，进而能够实时进行背景更新，提高前景图像的清晰度；提高使用RGB颜色空间三通道分离法对前景图像进行去噪处理，分别从R，G，B三个通道进行差分和背景更新处理，通过细微的颜色变化将呈现较大的差分结果，连通性更好。再利用去噪处理算法对噪点进行处理，最终能够呈现出一张清新、空洞和噪点很少的图像，提高后续识别的精准度。还通过建立标准行为数据库，同时对每种行为的不同特征进行学习，能够大大提高系统的识别速度和识别准确度。同时，通过利用加权Hu不变矩的相似性比较算法对提取到的具有特征的前景图像与标准行为数据库中预定义的正常行为进行比较，将计算出的待识别行为和预先定义行为之间的相似度与设置阈值进行比较从而进行判别，进一步的提高了异常行为识别的准确度。综上所述，本发明具有能够改善前景图像清晰度以及提高异常行为判断精准度的特点。
附图说明
图1为本发明的人体异常行为识别方法的流程图；
图2为运动行人的原始图；
图3为使用RGB颜色空间三通道分离后的前景图；
图4为背景差分法处理流程图；
图5为前景图像的数字表示坐标示意图；
图6为用去噪处理算法将各区域分别标号示意图；
图7为去噪处理算法数据结构模型图；
图8为采用本发明方法处理后的效果图。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明，但并不作为对本发明限制的依据。
实施例。一种基于监控系统的人体异常行为识别方法，构成如附图1至图8所示，包括以下步骤：
(1)样本图像输入；
(2)前景提取：利用背景差分法将样本图形中运动目标与背景分离出来，得到运动目标的轮廓或者整体区域；
(3)背景更新：通过自适应的高斯混合模型对步骤(2)中得到的运动目标的轮廓或者整体区域进行建模，根据实际情况对高斯混合模型中的不同参数进行动态调节，完成背景更新，得到前景图像；
(4)前景图像的去噪处理：使用RGB颜色空间三通道分离法对前景图像进行去噪处理，再利用去噪处理算法对噪点进行处理，得到去噪后的前景图像；
(5)运动目标跟踪记录：通过Mean-Shift目标跟踪算法对去噪后的前景图像进行跟踪，并记录运动目标的运动信息；
(6)行为特征的提取：根据步骤(5)中记录的运动目标的运动信息，利用背景差分法提取运动目标的运动区域，再根据运动目标的运动行为选取具有特征的前景图像；
(7)建立标准行为数据库：利用步骤(6)采集到的具有特征的前景图像中的运动目标样板，按照每种行为的不同进行相关的学习并建模，建立起对应的标准行为模型并分类保存到模型数据库中，构建标准行为数据库；
(8)结果分析与异常判定：利用加权Hu不变矩的相似性比较算法，对步骤(6)中提取到的具有特征的前景图像与标准行为数据库中预定义的正常行为进行比较，计算出待识别行为和预先定义行为的最小距离，将最小距离与设置阈值进行比较。
(9)异常报警：对异常行为紧凑的跟踪、标记并报警。
所述步骤(3)中的高斯混合模型是由K个高斯分布构成，将第j个高斯分布的权重系数wj,N代入公式计算得出某一像素点像素值的概率，其中xN表示某一像素点在第N帧的像素值，K的取值为3-5。
所述η(xN；θj,N)经公式
计算得出；将R通道的和值μj,N R、G通道的和值μj,N G和B通道的和值μj,N B代入公式μj,N＝(μj,N R,μj,N G,μj,N B)，计算得出在第N帧时第j部分的均值μj,N；
将R通道的方差G通道的方差和B通道的方差代入公式得出在第N帧时第j部分的协方差，其中n为像素值提取的次数。
所述步骤(3)中高斯混合模型的参数更新，具体包括以下步骤：
(3.1)匹配检验：
将像素点值xN与第j个高斯分布Gj匹配，当且仅当该点像素点值xN与Gj均值的差小于标准的2.5倍，将图像在第N帧时的所有点与之前定义的K个高斯分布分别进行匹配检验。
(3.2)参数更新：根据高斯混合模型中的高斯分布与xN的匹配数量，选择参数更新的方式。
所述步骤(3.2)中参数具体更新步骤如下：
(3.2.1)当高斯混合模型中至少存在一个高斯分布与xN匹配，则由以下方式进行参数更新：
a)针对不匹配的高斯分布，将其均值与协方差矩阵保持不变。
b)针对匹配的高斯分布Gj，通过公式μj,N＝(1-ρ)·μj,N-1+ρ·xN和∑j,N＝(1-ρ)·∑j,N-1+ρ·diag[(xN-μj，Ν)T(xN-μj，Ν)]进行更新，其中ρ＝α·η(xN|μj，Ν-1,∑j,N-1)，α为学习速度；
(3.2.2)当高斯混合模型中没有与xN匹配的分布，则按以下方式进行更新：将高斯分布GS重新赋值，即按公式s＝argmin{wk,N-1}和wk,N-1＝W0·μs,N＝xN·∑s,N＝V0·I进行，其中wk,N-1代表在N-1时刻第k个高斯分布的权重系数；W0为预定一个小经验正值，μs,N为在N时刻第s部分的均值，∑s,N为在N时刻第s部分的协方差，V0是给高斯分布的协方差预设一个大初始值，I为3x3的单位矩阵；
(3.2.3)将所有K个高斯分布在第N帧的权重参数通过公式wk,N＝(1-α)·wj,N-1+α·p(wj|xN)进行更新，其中，
wj为j个高斯分布的权重系数。
所述步骤(4)中使用RGB颜色空间三通道分离法对前景图像进行去噪处理，具体的处理步骤如下：
(4.1)在RGB模型中用R、G、B三个分量所占比例表示其色度，用CR、CG、CB分别表示红色、绿色、蓝色分量在RGB中所占比例，即：
其中C为前景，C′为背景，C-C′表示前景与背景在RGB中的差量；
(4.2)计算前景与背景的亮度差分；基本的算法如下：
式中0(i,j)、I(i,j)分别为同一场景中不同时刻获得的前景与背景的亮度值，T1是设定的亮度阈值，D(i,j)为亮度差分二值图像；
当将D(i,j)计算公式中的前景与背景的亮度值差分改为色度值差分时能将差分结果中的阴影去除，则用下述公式表示：
式中C(i,j)、C′(i,j)分别为前景与背景的色度值，T2为差分阈值。
(4.3)计算出前景与背景每个对应像素点的3个色度差分值：CR(i,j)、CG(i,j)、CB(i,j)，然后选择其中的最大值作为该点的色度差分值，即：max{CR(i,j),CG(i,j),CB(i,j)}。
所述步骤(4)中利用去噪处理算法对噪点进行处理的具体处理过程如下：
图像存储的坐标空间中，提取前景图像中的背景为0，前景为1，对坐标从上到下，自左向右逐像素点进行扫描，每行中连续为1的部分称为一条线段，用line表示每条线段，保存于line结构中，用segment表示扫面完成后划分的连通区域，保存于segment结构中；
C1：逐行扫描，得到当前行的所有线段并保存至line结构中；当该行的上一行为空，则转至C4，否则转至C2。
C2：根据前面的连通性定义，将当前行与上一行中的线段进行连通性判断：当当前行中的某段与上一行中的所有线段都不连通，则创建一个新的segment，放入连通区域链表中，并将该线段作为该区域线段链表的头结点，设定一个新的区域标识号ID，即累加1；
C3：否则，当仅与某一条线段连通，则该线段放入与之连通的线段所在的链表中，并将其区域标识号赋值给ID；当该线段同时与上一行的两条或两条以上线段连通，表明此时原本不连通的两条线段通过当前行的线段连通了，因此应该为同一区域；并将该值更新到每个segment结构的ID；
C4：行加1；
C5：返回步C1，重新执行直到图像扫描结束。
扫描结束后，可根据每个segment里保存的像素点数量sum进行过滤，设置一个阈值a，当sum≥a是，保留为前景；当sum<a时，当作噪点过滤。
所述步骤(6)中根据运动目标的运动行为的中心坐标、紧密度、倾斜角度、凹凸度和外接矩形长度比来选择具有特征的前景图像；所述步骤(7)中通过对每种行为的中心坐标、紧密度、倾斜角度、凹凸度和外接矩形长度比不同进行相关学习并建模。
所述步骤(8)中利用加权Hu不变矩的相似性比较算法的具体步骤为：设m代表当前具有特征的前景图像，通过公式计算m与标准行为数据库S中的各模块s之间的距离，其中s∈S；由公式dmj＝min{dms}求出最小距离,其中s、j∈S，当最小距离小于所设阈值，则认为当前具有特征的前景图像中的人体行为为合法行为，否则判定标准数据库中没有与当前具有特征的前景图像匹配的图像，即该图像中的人体行为为异常行为。
本发明提供一种基于监控系统的人体异常行为识别方法，多应用于铁路交通、银行、广场等涉及公共安全问题需要实时监控的场所。如图1所示，本发明的人体异常行为识别方法包括以下步骤：
(1)样本图像输入：通过摄像头采集预先定义的人体运动行为作为样本，将采集到的样本图形输入监控系统中，本例中预先定义的行为是行人行走，如图1所示；
(2)前景提取及背景更新：利用背景差分法将样本图形中运动目标(也即前景)与背景分离出来，得到运动目标的轮廓或者整体区域，通过参数的动态调节来适应背景的变化，达到更新背景的目的，可能遇到背景变化情况如太阳光强弱的变化，灯光强度的调节以及背景中非目标物体细微的变化。为了更能准确的选择背影模型，本发明通过自适应高斯混合模型对得到的运动目标的轮廓或者整体区来进行建模，在不同的情况下对高斯混合模型中不同的参数进行更新，进而完成背景更新。
进一步的，所述的步骤(2)中高斯混合模型的建立具体如下：高斯混合模型是由K个高斯分布构成，将某一像素点像素值的概率表示为：
在公式中，xN为该点在N时刻(即第N帧)的像素值，由三通道(R,G,B)构成；K取值为3-5；wj,N代表在N时刻第j个高斯分布的权重系数；η(xN；θj,N)满足一个正态分布，定义如下：
其中μj,N为在N时刻第j部分的均值，∑j,N为在N时刻第j部分的协方差；n为像素值提取的次数；其中
μj,N＝(μj,N R,μj,N G,μj,N B)
其中μj,N R为R通道的和值；μj,N G为G通道的和值；μj,N B为B通道的和值；为R通道的方差；为G通道的方差；为B通道的方差。
此时的参数由元组(w，μ，Σ)构成，下面将针对不同的情况对高斯混合模型中不同的参数进行更新，所述的步骤(2)中不同的情况下对高斯混合模型中不同的参数进行更新，具体步骤如下：
A1.匹配检验：
定义像素点值xN与第j个高斯分布Gj匹配，当且仅当该点像素点值xN与Gj均值的差小于标准的2.5倍，将图像在第N帧时的所有点与之前定义的K个高斯分布分别进行匹配检验。
A2.参数更新：
A2.1若高斯混合模型中至少存在一个高斯分布与xN匹配，则由以下方式进行参数更新：
1)针对不匹配的高斯分布，将其均值与协方差矩阵保持不变。
2)针对匹配的高斯分布Gj，更新如下：
μj,N＝(1-ρ)·μj,N-1+ρ·xN
∑j,N＝(1-ρ)·∑j,N-1+ρ·diag[(xN-μj，Ν)T(xN-μj，Ν)]
其中，ρ＝α·η(xN|μj，Ν-1,∑j,N-1)，α为学习速度。
A2.2若高斯混合模型中没有与xN匹配的分布，则按以下方式进行更新：
将最不可能是背景的高斯分布GS重新赋值，也即：
s＝argmin{wk,N-1}
wk,N-1＝W0·μs,N＝xN·∑s,N＝V0·I
公式中wk,N-1代表在N-1时刻第k个高斯分布的权重系数；W0为预定一个小经验正值，μs,N为在N时刻第s部分的均值，∑s,N为在N时刻第s部分的协方差；V0是给高斯分布的协方差预设一个大初始值，I为3x3的单位矩阵。
A3.将所有K个高斯分布在第N帧的权重参数更新为
wk,N＝(1-α)·wj,N-1+α·p(wj|xN)
其中
其中wj为j个高斯分布的权重系数。
(3)前景图像的去噪处理：使用RGB颜色空间三通道分离法对前景图像进行去噪处理，然后再利用去噪处理算法对噪点进行处理。
进一步的，所述步骤(3)中使用RGB颜色空间三通道分离法对前景图像进行去噪处理，具体的处理步骤如下：
假设在RGB模型中，设置R、G、B三个分量所占比例表示其色度，即：CR、CG、CB分别为红色、绿色、蓝色分量在RGB中所占比例，则
式中C为前景，C′为背景，C-C′表示前景与背景在RGB中的差量。
图4为背景差分法处理流程图，差分运动检测中的差分运算是前景与背景的亮度差分，
其基本的算法如下：
式中0(i,j)、I(i,j)分别为同一场景中不同时刻获得的前景与背景的亮度值，T1是设定的亮度阈值，D(i,j)为亮度差分二值图像；
将公式(3-2)中的前景与背景的亮度值差分改为色度值差分，能将差分结果中的阴影去除，则表示为：
式中C(i,j)、C′(i,j)分别为前景与背景的色度值，T2为差分阈值。
同时计算出前景与背景每个对应像素点的3个色度差分值：CR(i,j)、CG(i,j)、CB(i,j)，然后选择其中的最大值作为该点的色度差分值，即：
max{CR(i,j),CG(i,j),CB(i,j)}
图3为使用RGB颜色空间三通道分离后的前景图；经过以上去噪处理的的前景图像还存在噪点和不连通的区域，然后再利用去噪处理算法对噪点进行处理，具体步骤如下：
三通道分离法处理后的前景图像仍然存在噪点和不连通的区域，需要对其进行去噪处理。通常的图像存储在坐标空间中，在坐标中，提取的前景图像中的背景为0，前景为1，对坐标从上到下，自左向右逐像素点进行扫描，每行中连续为1的部分称为一条线段，图5为前景图像的数字表示坐标示意图；图6为用去噪处理算法将各区域分别标号示意图；
假设用line表示每条线段，保存于line结构中，用segment表示扫面完成后划分的连通区域，保存于segment结构中；
C1：逐行扫描，得到当前行的所有线段并保存至line结构中。若该行的上一行为空，则转至C4，否则转至C2。
C2：根据前面的连通性定义，将当前行与上一行中的线段进行连通性判断：若当前行中的某段与上一行中的所有线段都不连通，则创建一个新的segment，放入连通区域链表中，并将该线段作为该区域线段链表的头结点，设定一个新的区域标识号ID(累加1)；
C3：否则，若仅与某一条线段连通，则该线段放入与之连通的线段所在的链表中，并将其区域标识号赋值给ID；若该线段同时与上一行的两条或两条以上线段连通，表明此时原本不连通的两条线段通过当前行的线段连通了，因此应该为同一区域；并将该值更新到每个segment结构的ID；
C4：行加1；
C5：返回步C1，重新执行直到图像扫描结束。
图7为去噪处理算法数据结构模型图；根据上面的算法，图像6中的区域被分成若干个带有标号的运动目标，运动目标间相互不连通。从图6中可以发现，原前景图像有4个不连通的区域，扫描结束后，可根据每个segment里保存的像素点数量sum进行过滤，设置一个阈值a，当sum≥a是，保留为前景；当sum<a时，当作噪点过滤。
(4)运动目标跟踪记录：根据步骤(3)去噪后的前景图像，通过Mean-Shift目标跟踪算法跟踪并记录运动目标的位置和大小信息；
(5)行为特征的提取：根据步骤(4)中记录运动目标的位置和大小信息，利用背景差分法提取到运动目标的运动区域，再根据运动目标的运动行为的中心坐标、紧密度、倾斜角度、凹凸度和外接矩形长度比来选取具有特征的前景图像；
(6)行为建模与模型库：利用步骤(5)采集的运动目标样本按照每种行为的中心坐标、紧密度、倾斜角度、凹凸度和外形矩阵长度比的不同进行相关的学习建模，建立起对应的标准行为模型，再将获得的标准行为模型分类保存到模型数据库中，构建标准的行为数据库；
(7)结果分析与异常判定：利用加权Hu不变矩的相似性比较算法，对当前提取到的各种运动目标的运动行为的静态样本图片与标准行为数据库中预定义的正常行为进行比较，计算出待识别行为和预先定义行为的相似度，将相似度与设置阈值进行比较，大于相似度阈值的为正常行为，小于相似度阈值的为异常行为，进而判别出异常；
(8)异常报警：对异常行为紧凑的跟踪、标记并报警；图8为采用本发明方法处理后的效果图。
Claims (9)
1.一种基于监控系统的人体异常行为识别方法，其特征在于：包括以下步骤：
(1)样本图像输入；
(2)前景提取：利用背景差分法将样本图形中运动目标与背景分离出来，得到运动目标的轮廓或者整体区域；
(3)背景更新：通过自适应的高斯混合模型对步骤(2)中得到的运动目标的轮廓或者整体区域进行建模，根据实际情况对高斯混合模型中的不同参数进行动态调节，完成背景更新，得到前景图像；
(4)前景图像的去噪处理：使用RGB颜色空间三通道分离法对前景图像进行去噪处理，再利用去噪处理算法对噪点进行处理，得到去噪后的前景图像；
(5)运动目标跟踪记录：通过Mean-Shift目标跟踪算法对去噪后的前景图像进行跟踪，并记录运动目标的运动信息；
(6)行为特征的提取：根据步骤(5)中记录的运动目标的运动信息，利用背景差分法提取运动目标的运动区域，再根据运动目标的运动行为选取具有特征的前景图像；
(7)建立标准行为数据库：利用步骤(6)采集到的具有特征的前景图像中的运动目标样板，按照每种行为的不同进行相关的学习并建模，建立起对应的标准行为模型并分类保存到模型数据库中，构建标准行为数据库；
(8)结果分析与异常判定：利用加权Hu不变矩的相似性比较算法，对步骤(6)中提取到的具有特征的前景图像与标准行为数据库中预定义的正常行为进行比较，计算出待识别行为和预先定义行为的最小距离，将最小距离与设置阈值进行比较。
(9)异常报警：对异常行为紧凑的跟踪、标记并报警。
2.根据权利要求1所述的一种基于监控系统的人体异常行为识别方法，其特征在于：所述步骤(3)中的高斯混合模型是由K个高斯分布构成，将第j个高斯分布的权重系数wj,N代入公式计算得出某一像素点像素值的概率，其中xN表示某一像素点在第N帧的像素值，K的取值为3-5。
3.根据权利要求2所述的一种基于监控系统的人体异常行为识别方法，其特征在于：所述η(xN；θj,N)经公式
<mrow>
<mi>&eta;</mi>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>x</mi>
<mi>N</mi>
</msub>
<mo>;</mo>
<msub>
<mi>&theta;</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>N</mi>
</mrow>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>&eta;</mi>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>x</mi>
<mi>N</mi>
</msub>
<mo>;</mo>
<msub>
<mi>&mu;</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>N</mi>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>N</mi>
</mrow>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<mn>2</mn>
<mi>&pi;</mi>
</mrow>
<mo>)</mo>
</mrow>
<mrow>
<mi>n</mi>
<mo>/</mo>
<mn>2</mn>
</mrow>
</msup>
<mo>|</mo>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>N</mi>
</mrow>
</msub>
<msup>
<mo>|</mo>
<mrow>
<mn>1</mn>
<mo>/</mo>
<mn>2</mn>
</mrow>
</msup>
</mrow>
</mfrac>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>x</mi>
<mi>N</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>N</mi>
</mrow>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<mi>&Sigma;</mi>
<mi>j</mi>
<mo>,</mo>
<msup>
<mi>N</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>x</mi>
<mi>N</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>N</mi>
</mrow>
</msub>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</msup>
</mrow>
计算得出；将R通道的和值μj,N R、G通道的和值μj,N G和B通道的和值μj,N B代入公式μj,N＝(μj,N R,μj,N G,μj,N B)，计算得出在第N帧时第j部分的均值μj,N；将R通道的方差G通道的方差和B通道的方差代入公式得出在第N帧时第j部分的协方差，其中n为像素值提取的次数。
4.根据权利要求3所述的一种基于监控系统的人体异常行为识别方法，其特征在于：所述步骤(3)中高斯混合模型的参数更新，具体包括以下步骤：
(3.1)匹配检验：
将像素点值xN与第j个高斯分布Gj匹配，当且仅当该点像素点值xN与Gj均值的差小于标准的2.5倍，将图像在第N帧时的所有点与之前定义的K个高斯分布分别进行匹配检验。
(3.2)参数更新：根据高斯混合模型中的高斯分布与xN的匹配数量，选择参数更新的方式。
5.根据权利要求4所述的一种基于监控系统的人体异常行为识别方法，其特征在于：所述步骤(3.2)中参数具体更新步骤如下：
(3.2.1)当高斯混合模型中至少存在一个高斯分布与xN匹配，则由以下方式进行参数更新：
a)针对不匹配的高斯分布，将其均值与协方差矩阵保持不变。
b)针对匹配的高斯分布Gj，通过公式μj,N＝(1-ρ)·μj,N-1+ρ·xN和∑j,N＝(1-ρ)·∑j,N-1+ρ·diag[(xN-μj，Ν)T(xN-μj，Ν)]进行更新，其中ρ＝α·η(xN|μj，Ν-1,∑j,N-1)，α为学习速度；
(3.2.2)当高斯混合模型中没有与xN匹配的分布，则按以下方式进行更新：将高斯分布GS重新赋值，即按公式s＝argmin{wk,N-1}和wk,N-1＝W0·μs,N＝xN·∑s,N＝V0·I进行，其中wk,N-1代表在N-1时刻第k个高斯分布的权重系数；W0为预定一个小经验正值，μs,N为在N时刻第s部分的均值，∑s,N为在N时刻第s部分的协方差，V0是给高斯分布的协方差预设一个大初始值，I为3x3的单位矩阵；
(3.2.3)将所有K个高斯分布在第N帧的权重参数通过公式wk,N＝(1-α)·wj,N-1+α·p(wj|xN)进行更新，其中，
wj为j个高斯分布的权重系数。
6.根据权利要求1所述的一种基于监控系统的人体异常行为识别方法，其特征在于：所述步骤(4)中使用RGB颜色空间三通道分离法对前景图像进行去噪处理，具体的处理步骤如下：
(4.1)在RGB模型中用R、G、B三个分量所占比例表示其色度，用CR、CG、CB分别表示红色、绿色、蓝色分量在RGB中所占比例，即：
<mrow>
<msub>
<mi>C</mi>
<mi>R</mi>
</msub>
<mo>=</mo>
<mfrac>
<mi>R</mi>
<mrow>
<mi>R</mi>
<mo>+</mo>
<mi>G</mi>
<mo>+</mo>
<mi>B</mi>
</mrow>
</mfrac>
</mrow>
<mrow>
<msub>
<mi>C</mi>
<mi>G</mi>
</msub>
<mo>=</mo>
<mfrac>
<mi>G</mi>
<mrow>
<mi>R</mi>
<mo>+</mo>
<mi>G</mi>
<mo>+</mo>
<mi>B</mi>
</mrow>
</mfrac>
</mrow>
<mrow>
<msub>
<mi>C</mi>
<mi>B</mi>
</msub>
<mo>=</mo>
<mfrac>
<mi>B</mi>
<mrow>
<mi>R</mi>
<mo>+</mo>
<mi>G</mi>
<mo>+</mo>
<mi>B</mi>
</mrow>
</mfrac>
<mo>=</mo>
<mi>C</mi>
<mo>-</mo>
<msup>
<mi>C</mi>
<mo>&prime;</mo>
</msup>
</mrow>
其中C为前景，C′为背景，C-C′表示前景与背景在RGB中的差量；
(4.2)计算前景与背景的亮度差分；基本的算法如下：
式中0(i,j)、I(i,j)分别为同一场景中不同时刻获得的前景与背景的亮度值，T1是设定的亮度阈值，D(i,j)为亮度差分二值图像；
当将D(i,j)计算公式中的前景与背景的亮度值差分改为色度值差分时将差分结果中的阴影去除，则用下述公式表示：
式中C(i,j)、C′(i,j)分别为前景与背景的色度值，T2为差分阈值。
(4.3)计算出前景与背景每个对应像素点的3个色度差分值：CR(i,j)、CG(i,j)、CB(i,j)，然后选择其中的最大值作为该点的色度差分值，即：max{CR(i,j),CG(i,j),CB(i,j)}。
7.根据权利要求1所述的一种基于监控系统的人体异常行为识别方法，其特征在于：所述步骤(4)中利用去噪处理算法对噪点进行处理的具体处理过程如下：
图像存储的坐标空间中，提取前景图像中的背景为0，前景为1，对坐标从上到下，自左向右逐像素点进行扫描，每行中连续为1的部分称为一条线段，用line表示每条线段，保存于line结构中，用segment表示扫面完成后划分的连通区域，保存于segment结构中；
C1：逐行扫描，得到当前行的所有线段并保存至line结构中；当该行的上一行为空，则转至C4，否则转至C2。
C2：根据前面的连通性定义，将当前行与上一行中的线段进行连通性判断：当当前行中的某段与上一行中的所有线段都不连通，则创建一个新的segment，放入连通区域链表中，并将该线段作为该区域线段链表的头结点，设定一个新的区域标识号ID，即累加1；
C3：否则，当仅与某一条线段连通，则该线段放入与之连通的线段所在的链表中，并将其区域标识号赋值给ID；当该线段同时与上一行的两条或两条以上线段连通，表明此时原本不连通的两条线段通过当前行的线段连通了，因此应该为同一区域；并将该值更新到每个segment结构的ID；
C4：行加1；
C5：返回步C1，重新执行直到图像扫描结束。
扫描结束后，可根据每个segment里保存的像素点数量sum进行过滤，设置一个阈值a，当sum≥a是，保留为前景；当sum<a时，当作噪点过滤。
8.根据权利要求1所述的一种基于监控系统的人体异常行为识别方法，其特征在于：所述步骤(6)中根据运动目标的运动行为的中心坐标、紧密度、倾斜角度、凹凸度和外接矩形长度比来选择具有特征的前景图像；所述步骤(7)中通过对每种行为的中心坐标、紧密度、倾斜角度、凹凸度和外接矩形长度比不同进行相关学习并建模。
9.根据权利要求1所述的一种基于监控系统的人体异常行为识别方法，其特征在于：所述步骤(8)中利用加权Hu不变矩的相似性比较算法的具体步骤为：设m代表当前具有特征的前景图像，通过公式计算m与标准行为数据库S中的各模块s之间的距离，其中s∈S；由公式dmj＝min{dms}求出最小距离,其中s、j∈S，当最小距离小于所设阈值，则认为当前具有特征的前景图像中的人体行为为合法行为，否则判定标准数据库中没有与当前具有特征的前景图像匹配的图像，即该图像中的人体行为为异常行为。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710496942.7A CN107273866A (zh) | 2017-06-26 | 2017-06-26 | 一种基于监控系统的人体异常行为识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710496942.7A CN107273866A (zh) | 2017-06-26 | 2017-06-26 | 一种基于监控系统的人体异常行为识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107273866A true CN107273866A (zh) | 2017-10-20 |
Family
ID=60069181
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710496942.7A Pending CN107273866A (zh) | 2017-06-26 | 2017-06-26 | 一种基于监控系统的人体异常行为识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107273866A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108596150A (zh) * | 2018-05-10 | 2018-09-28 | 南京大学 | 一种可排除异常动作的行为识别系统及其工作方法 |
| CN108742159A (zh) * | 2018-04-08 | 2018-11-06 | 浙江安精智能科技有限公司 | 基于rgb-d相机的饮水机智能控制装置及其控制方法 |
| CN110103820A (zh) * | 2019-04-24 | 2019-08-09 | 深圳市轱辘汽车维修技术有限公司 | 一种检测车辆中人员的异常行为的方法、装置及终端设备 |
| CN111144166A (zh) * | 2018-11-02 | 2020-05-12 | 银河水滴科技（北京）有限公司 | 一种异常人群信息库建立方法、系统及存储介质 |
| CN111353343A (zh) * | 2018-12-21 | 2020-06-30 | 国家电网有限公司客户服务中心 | 一种基于视频监控的营业厅服务规范质检方法 |
| CN111405239A (zh) * | 2020-02-17 | 2020-07-10 | 浙江大华技术股份有限公司 | 监控方法、服务器、监控系统以及计算机可读存储介质 |
| CN112101180A (zh) * | 2020-09-10 | 2020-12-18 | 湖北烽火平安智能消防科技有限公司 | 一种人的不安全行为识别方法及系统 |
| CN112800975A (zh) * | 2021-01-29 | 2021-05-14 | 中国船舶重工集团公司第七一三研究所 | 一种基于图像处理的安检通道内行为识别方法 |
| CN113628251A (zh) * | 2021-10-11 | 2021-11-09 | 北京中科金马科技股份有限公司 | 一种智慧酒店终端监测方法 |
| CN113658229A (zh) * | 2021-08-13 | 2021-11-16 | 杭州华橙软件技术有限公司 | 异常对象的确定方法及装置、存储介质、电子装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101635852A (zh) * | 2009-08-26 | 2010-01-27 | 北京航空航天大学 | 一种基于自适应背景建模的实时运动目标检测方法 |
| CN101719216A (zh) * | 2009-12-21 | 2010-06-02 | 西安电子科技大学 | 基于模板匹配的运动人体异常行为识别方法 |
| CN103425971A (zh) * | 2013-08-28 | 2013-12-04 | 重庆大学 | 一种家庭环境下独居老人异常行为的监测方法 |
| CN105678811A (zh) * | 2016-02-25 | 2016-06-15 | 上海大学 | 一种基于运动检测的人体异常行为检测方法 |
| CN105894530A (zh) * | 2014-12-11 | 2016-08-24 | 深圳市阿图姆科技有限公司 | 一种针对视频中运动目标检测与跟踪的解决方案 |
-
2017
- 2017-06-26 CN CN201710496942.7A patent/CN107273866A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101635852A (zh) * | 2009-08-26 | 2010-01-27 | 北京航空航天大学 | 一种基于自适应背景建模的实时运动目标检测方法 |
| CN101719216A (zh) * | 2009-12-21 | 2010-06-02 | 西安电子科技大学 | 基于模板匹配的运动人体异常行为识别方法 |
| CN103425971A (zh) * | 2013-08-28 | 2013-12-04 | 重庆大学 | 一种家庭环境下独居老人异常行为的监测方法 |
| CN105894530A (zh) * | 2014-12-11 | 2016-08-24 | 深圳市阿图姆科技有限公司 | 一种针对视频中运动目标检测与跟踪的解决方案 |
| CN105678811A (zh) * | 2016-02-25 | 2016-06-15 | 上海大学 | 一种基于运动检测的人体异常行为检测方法 |
Non-Patent Citations (6)
| Title |
|---|
| 代江艳: "视频中运动目标阴影检测研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
| 张晓燕 等，: "《数字视频处理及应用》", 31 January 2014, 西安电子科技大学出版社 * |
| 沙宪政 等，: "《生物医学工程学实验教程》", 30 September 2010, 人民军医出版社 * |
| 王磊: "基于视频的车辆跟踪", 《中国优秀硕士学位论文全文数据库》 * |
| 荆雪威: "基于视频图像的人体异常行为识别技术研究", 《中国优秀硕士学位论文全文数据库》 * |
| 赵耿 等，: "一种基于隐私保护的云端视频监控移动物体检测方法", 《北京电子科技学院学报》 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108742159A (zh) * | 2018-04-08 | 2018-11-06 | 浙江安精智能科技有限公司 | 基于rgb-d相机的饮水机智能控制装置及其控制方法 |
| CN108596150A (zh) * | 2018-05-10 | 2018-09-28 | 南京大学 | 一种可排除异常动作的行为识别系统及其工作方法 |
| CN111144166A (zh) * | 2018-11-02 | 2020-05-12 | 银河水滴科技（北京）有限公司 | 一种异常人群信息库建立方法、系统及存储介质 |
| CN111353343A (zh) * | 2018-12-21 | 2020-06-30 | 国家电网有限公司客户服务中心 | 一种基于视频监控的营业厅服务规范质检方法 |
| CN110103820A (zh) * | 2019-04-24 | 2019-08-09 | 深圳市轱辘汽车维修技术有限公司 | 一种检测车辆中人员的异常行为的方法、装置及终端设备 |
| CN111405239B (zh) * | 2020-02-17 | 2021-08-31 | 浙江大华技术股份有限公司 | 监控方法、服务器、监控系统以及计算机可读存储介质 |
| CN111405239A (zh) * | 2020-02-17 | 2020-07-10 | 浙江大华技术股份有限公司 | 监控方法、服务器、监控系统以及计算机可读存储介质 |
| CN112101180A (zh) * | 2020-09-10 | 2020-12-18 | 湖北烽火平安智能消防科技有限公司 | 一种人的不安全行为识别方法及系统 |
| CN112101180B (zh) * | 2020-09-10 | 2023-04-07 | 湖北烽火平安智能消防科技有限公司 | 一种人的不安全行为识别方法及系统 |
| CN112800975A (zh) * | 2021-01-29 | 2021-05-14 | 中国船舶重工集团公司第七一三研究所 | 一种基于图像处理的安检通道内行为识别方法 |
| CN113658229A (zh) * | 2021-08-13 | 2021-11-16 | 杭州华橙软件技术有限公司 | 异常对象的确定方法及装置、存储介质、电子装置 |
| CN113658229B (zh) * | 2021-08-13 | 2024-02-02 | 杭州华橙软件技术有限公司 | 异常对象的确定方法及装置、存储介质、电子装置 |
| CN113628251A (zh) * | 2021-10-11 | 2021-11-09 | 北京中科金马科技股份有限公司 | 一种智慧酒店终端监测方法 |
| CN113628251B (zh) * | 2021-10-11 | 2022-02-01 | 北京中科金马科技股份有限公司 | 一种智慧酒店终端监测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107273866A (zh) | 一种基于监控系统的人体异常行为识别方法 | |
| CN110020651B (zh) | 基于深度学习网络的车牌检测定位方法 | |
| CN111444821B (zh) | 一种城市道路标志自动识别方法 | |
| CN109859171B (zh) | 一种基于计算机视觉和深度学习的楼面缺陷自动检测方法 | |
| CN110458077B (zh) | 一种车辆颜色识别方法及系统 | |
| CN106845374B (zh) | 基于深度学习的行人检测方法及检测装置 | |
| CN109684922B (zh) | 一种基于卷积神经网络的多模型对成品菜的识别方法 | |
| CN110163069B (zh) | 用于辅助驾驶的车道线检测方法 | |
| CN112750106B (zh) | 一种基于非完备标记的深度学习的核染色细胞计数方法、计算机设备、存储介质 | |
| CN109410171B (zh) | 一种用于雨天图像的目标显著性检测方法 | |
| CN106023257A (zh) | 一种基于旋翼无人机平台的目标跟踪方法 | |
| CN111967313B (zh) | 一种深度学习目标检测算法辅助的无人机图像标注方法 | |
| CN107729812B (zh) | 一种适用于监控场景中的车辆颜色识别的方法 | |
| CN103119625B (zh) | 一种视频人物分割的方法及装置 | |
| CN105894503A (zh) | 一种对Kinect植株彩色和深度检测图像的修复方法 | |
| CN110598560A (zh) | 基于神经网络增强的夜间监控识别方法和系统 | |
| CN111046789A (zh) | 一种行人重识别方法 | |
| CN110969171A (zh) | 基于改进卷积神经网络的图像分类模型、方法及应用 | |
| CN111274964B (zh) | 一种基于无人机视觉显著性分析水面污染物的检测方法 | |
| CN106570885A (zh) | 基于亮度和纹理融合阈值的背景建模方法 | |
| CN109190455A (zh) | 基于高斯混合和自回归滑动平均模型的黑烟车识别方法 | |
| CN113205026A (zh) | 一种基于Faster RCNN深度学习网络改进的车型识别方法 | |
| CN112364791A (zh) | 一种基于生成对抗网络的行人重识别方法和系统 | |
| CN113516771A (zh) | 一种基于实景三维模型的建筑物变化特征提取方法 | |
| CN105404682B (zh) | 一种基于数字图像内容的图书检索方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171020 |