CN108009480A - 一种基于特征识别的图像人体行为检测方法 - Google Patents

一种基于特征识别的图像人体行为检测方法 Download PDF

Info

Publication number
CN108009480A
CN108009480A CN201711171582.XA CN201711171582A CN108009480A CN 108009480 A CN108009480 A CN 108009480A CN 201711171582 A CN201711171582 A CN 201711171582A CN 108009480 A CN108009480 A CN 108009480A
Authority
CN
China
Prior art keywords
image
sample
feature
human body
video
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
CN201711171582.XA
Other languages
English (en)
Inventor
耿恺频
孙光
蒲璐
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.)
Nanjing Yaxing For Information Technology Co Ltd
Original Assignee
Nanjing Yaxing For Information Technology Co Ltd
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 Nanjing Yaxing For Information Technology Co Ltd filed Critical Nanjing Yaxing For Information Technology Co Ltd
Priority to CN201711171582.XA priority Critical patent/CN108009480A/zh
Publication of CN108009480A publication Critical patent/CN108009480A/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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames

Landscapes

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

Abstract

本发明涉及一种基于特征识别的图像人体行为检测方法，能够从图像或者视频中提取出人体区域，并且识别出是哪种人体行为,由于本发明的算法计算比较迅速,可以对实时视频进行实时采样分析,采样可达到1秒1次的效果,方案能够满足实时性要求高的应用场景；同时本发明可方便的管理样本，在样本数量增加的时候，准确率也能相应的提高。

Description

一种基于特征识别的图像人体行为检测方法
技术领域
本发明涉及一种基于特征识别的图像人体行为检测方法，属于视频分析技术领域。
背景技术
传统的视频分析算法，主要包括穿越警戒区域、进入区域检测、离开区域检测、徘徊检测、聚集检测、交通拥挤检测、非法停车检测、车辆逆行检测、物品丢失检测、物品遗留检测等。分析的主题在于区域和物体，分析的重点在于视频中的空间状态。
随着对视频分析的需求不断的提升，逐步要求计算机系统要看懂当前的场景，因而出现了新的视频分析算法，例如车牌识别、人脸识别、机器视觉、行为分析等，但现有的检测方法，系统复杂，准确率低。
发明内容
本发明所要解决的技术问题是提供一种从视频数据中识别出人员，并能够准确分析出人员具体行为的基于特征识别的图像人体行为检测方法。
本发明为了解决上述技术问题采用以下技术方案：本发明设计了一种基于特征识别的图像人体行为检测方法，包括如下步骤：
步骤A. 由视频图像帧中获取预设各类人体行为分别所对应的样本人体区域图像集，以及获得预设各类人体行为所在视频图像帧中的样本背景区域图像集；并针对样本背景区域图像集和各个样本人体区域图像集中的各个样本图像进行归一化操作，更新样本背景区域图像集和各个样本人体区域图像集，然后进入步骤B；
步骤B. 针对样本背景区域图像集和各个样本人体区域图像集中的各个样本图像，进行预设类型特征提取，获得各个样本人体区域图像集所对应的各个特征，构成正样本特征集，以及获得样本背景区域图像集所对应的各个特征，构成负样本特征集，然后进入步骤C；
步骤C. 基于正样本特征集和负样本特征集，针对分类器进行训练，获得经过训练的分类器，然后进入步骤D；
步骤D. 针对待检测视频图像帧进行归一化操作，接着针对待检测视频图像帧进行预设类型特征提取，并根据待检测视频图像帧所对应的特征，通过经过训练的分类器，获得待检测视频图像中人体区域图像的特征，然后进入步骤E；
步骤E. 根据预设各类人体行为分别所对应样本人体区域图像集的特征，采用二叉树方法，针对待检测视频图像中人体区域图像的特征进行分析，获得待检测视频图像中人体所对应的人体行为类型。
作为本发明的一种优选技术方案：所述步骤A中，首先针对视频图像帧进行灰度化预处理，然后由视频图像帧中获取预设各类人体行为分别所对应的样本人体区域图像集，以及获得预设各类人体行为所在视频图像帧中的样本背景区域图像集；
所述步骤D中，首先针对视频图像帧进行灰度化预处理，然后针对待检测视频图像帧进行预设类型特征提取。
作为本发明的一种优选技术方案：所述步骤A中，针对样本背景区域图像集和各个样本人体区域图像集中的各个样本图像进行归一化操作，以及所述步骤D中，针对待检测视频图像帧进行归一化操作，该归一化操作包括尺寸空间归一化操作和颜色空间归一化操作。
作为本发明的一种优选技术方案：所述颜色空间归一化操作采用Gamma校正法进行操作。
作为本发明的一种优选技术方案：所述步骤B中，针对样本背景区域图像集和各个样本人体区域图像集中的各个样本图像，进行HOG特征提取。
作为本发明的一种优选技术方案：所述HOG特征提取包括如下步骤：
步骤（1）计算获得图像中各个像素的梯度；
步骤（2）基于图像像素，针对图像进行划分，获得各个单元；
步骤（3）分别针对图像中的各个单元进行梯度直方图统计，获得各个单元分别所对应梯度划分区间数维度的特征向量；
步骤（4）基于图像中的单元，针对图像进行划分，获得各个块，并分别针对各个块，将块中各个单元分别所对应的特征向量进行串联，构成块所对应的HOG特征，进而获得图像中各个块分别所对应的HOG特征；
步骤（5）将图像中各个块分别所对应的HOG特征进行串联，构成图像所对应的HOG特征。
作为本发明的一种优选技术方案：所述步骤C中，基于正样本特征集和负样本特征集，针对SVM分类器进行训练，获得经过训练的SVM分类器。
本发明所述一种基于特征识别的图像人体行为检测方法的应用系统，采用以上技术方案与现有技术相比，具有以下技术效果：本发明所设计基于特征识别的图像人体行为检测方法，能够从图像或者视频中提取出人体区域，并且识别出是哪种人体行为,由于本发明的算法计算比较迅速,可以对实时视频进行实时采样分析,采样可达到1秒1次的效果,方案能够满足实时性要求高的应用场景；同时本发明可方便的管理样本，在样本数量增加的时候，准确率也能相应的提高。
附图说明
图1是本发明基于特征识别的图像人体行为检测方法的流程示意图。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
本发明设计了一种基于特征识别的图像人体行为检测方法，在实际应用当中，如图1所示，具体包括如下步骤：
步骤A. 首先针对视频图像帧进行灰度化预处理，然后由视频图像帧中获取预设各类人体行为分别所对应的样本人体区域图像集，以及获得预设各类人体行为所在视频图像帧中的样本背景区域图像集；并针对样本背景区域图像集和各个样本人体区域图像集中的各个样本图像进行尺寸空间归一化操作和颜色空间归一化操作，更新样本背景区域图像集和各个样本人体区域图像集，然后进入步骤B，其中，颜色空间归一化操作采用Gamma校正法进行操作，目的是调节图像的对比度，降低图像局部的阴影和光照变化所造成的影响，同时可以抑制噪音的干扰。
步骤B. 针对样本背景区域图像集和各个样本人体区域图像集中的各个样本图像，进行HOG特征提取，获得各个样本人体区域图像集所对应的各个特征，构成正样本特征集，以及获得样本背景区域图像集所对应的各个特征，构成负样本特征集，然后进入步骤C。
上述HOG特征提取包括如下步骤：
步骤（1）计算获得图像中各个像素的梯度，主要是为了捕获轮廓信息，同时进一步弱化光照的干扰；
步骤（2）基于图像像素，针对图像进行划分，获得各个单元；
步骤（3）分别针对图像中的各个单元进行梯度直方图统计，获得各个单元分别所对应梯度划分区间数维度的特征向量；
步骤（4）基于图像中的单元，针对图像进行划分，获得各个块，并分别针对各个块，将块中各个单元分别所对应的特征向量进行串联，构成块所对应的HOG特征，进而获得图像中各个块分别所对应的HOG特征；
步骤（5）将图像中各个块分别所对应的HOG特征进行串联，构成图像所对应的HOG特征。
基于上述HOG特征提取的步骤，在实际应用中，具体如下：
把图像分割为若干个像素的单元（cell），把梯度方向平均划分为9个区间（bin），在每个单元里面对所有像素的梯度方向在各个方向区间进行直方图统计，得到一个9维的特征向量，每相邻的4个单元构成一个块（block），把一个块内的特征向量联起来得到36维的特征向量，用块对图像进行扫描，扫描步长为一个单元。最后将所有块的特征串联起来，就得到了图像的特征，特征维数n=窗口块数块中胞元数向量维数（bin）。具体实际应用中，对于64*128的图像而言，每8*8的像素组成一个cell，每2*2个cell组成一个块，因为每个cell有9个特征，所以每个块内有4*9=36个特征，以8个像素为步长，那么，水平方向将有7个扫描窗口，垂直方向将有15个扫描窗口。也就是说，64*128的图片，总共有36*7*15=3780个特征。
步骤C. 基于正样本特征集和负样本特征集，针对SVM分类器进行训练，获得经过训练的SVM分类器，然后进入步骤D。
步骤D. 首先针对视频图像帧进行灰度化预处理，然后针对待检测视频图像帧进行尺寸空间归一化操作和颜色空间归一化操作，其中，颜色空间归一化操作采用Gamma校正法进行操作，同样目的是调节图像的对比度，降低图像局部的阴影和光照变化所造成的影响，同时可以抑制噪音的干扰；接着针对待检测视频图像帧进行预设类型特征提取，并根据待检测视频图像帧所对应的特征，通过经过训练的SVM分类器，获得待检测视频图像中人体区域图像的特征，然后进入步骤E。
步骤E. 根据预设各类人体行为分别所对应样本人体区域图像集的特征，采用二叉树方法，针对待检测视频图像中人体区域图像的特征进行分析，获得待检测视频图像中人体所对应的人体行为类型。
上述技术方案所设计的基于特征识别的图像人体行为检测方法，能够从图像或者视频中提取出人体区域，并且识别出是哪种人体行为,由于本发明的算法计算比较迅速,可以对实时视频进行实时采样分析,采样可达到1秒1次的效果,方案能够满足实时性要求高的应用场景；同时本发明可方便的管理样本，在样本数量增加的时候，准确率也能相应的提高。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变动。

Claims (7)

1.一种基于特征识别的图像人体行为检测方法，其特征在于，包括如下步骤：
步骤A. 由视频图像帧中获取预设各类人体行为分别所对应的样本人体区域图像集，以及获得预设各类人体行为所在视频图像帧中的样本背景区域图像集；并针对样本背景区域图像集和各个样本人体区域图像集中的各个样本图像进行归一化操作，更新样本背景区域图像集和各个样本人体区域图像集，然后进入步骤B；
步骤B. 针对样本背景区域图像集和各个样本人体区域图像集中的各个样本图像，进行预设类型特征提取，获得各个样本人体区域图像集所对应的各个特征，构成正样本特征集，以及获得样本背景区域图像集所对应的各个特征，构成负样本特征集，然后进入步骤C；
步骤C. 基于正样本特征集和负样本特征集，针对分类器进行训练，获得经过训练的分类器，然后进入步骤D；
步骤D. 针对待检测视频图像帧进行归一化操作，接着针对待检测视频图像帧进行预设类型特征提取，并根据待检测视频图像帧所对应的特征，通过经过训练的分类器，获得待检测视频图像中人体区域图像的特征，然后进入步骤E；
步骤E. 根据预设各类人体行为分别所对应样本人体区域图像集的特征，采用二叉树方法，针对待检测视频图像中人体区域图像的特征进行分析，获得待检测视频图像中人体所对应的人体行为类型。
2.根据权利要求1所述一种基于特征识别的图像人体行为检测方法，其特征在于：所述步骤A中，首先针对视频图像帧进行灰度化预处理，然后由视频图像帧中获取预设各类人体行为分别所对应的样本人体区域图像集，以及获得预设各类人体行为所在视频图像帧中的样本背景区域图像集；
所述步骤D中，首先针对视频图像帧进行灰度化预处理，然后针对待检测视频图像帧进行预设类型特征提取。
3.根据权利要求1所述一种基于特征识别的图像人体行为检测方法，其特征在于：所述步骤A中，针对样本背景区域图像集和各个样本人体区域图像集中的各个样本图像进行归一化操作，以及所述步骤D中，针对待检测视频图像帧进行归一化操作，该归一化操作包括尺寸空间归一化操作和颜色空间归一化操作。
4.根据权利要求3所述一种基于特征识别的图像人体行为检测方法，其特征在于：所述颜色空间归一化操作采用Gamma校正法进行操作。
5.根据权利要求1所述一种基于特征识别的图像人体行为检测方法，其特征在于：所述步骤B中，针对样本背景区域图像集和各个样本人体区域图像集中的各个样本图像，进行HOG特征提取。
6.根据权利要求5所述一种基于特征识别的图像人体行为检测方法，其特征在于，所述HOG特征提取包括如下步骤：
步骤（1）计算获得图像中各个像素的梯度；
步骤（2）基于图像像素，针对图像进行划分，获得各个单元；
步骤（3）分别针对图像中的各个单元进行梯度直方图统计，获得各个单元分别所对应梯度划分区间数维度的特征向量；
步骤（4）基于图像中的单元，针对图像进行划分，获得各个块，并分别针对各个块，将块中各个单元分别所对应的特征向量进行串联，构成块所对应的HOG特征，进而获得图像中各个块分别所对应的HOG特征；
步骤（5）将图像中各个块分别所对应的HOG特征进行串联，构成图像所对应的HOG特征。
7.根据权利要求1所述一种基于特征识别的图像人体行为检测方法，其特征在于：所述步骤C中，基于正样本特征集和负样本特征集，针对SVM分类器进行训练，获得经过训练的SVM分类器。
CN201711171582.XA 2017-11-22 2017-11-22 一种基于特征识别的图像人体行为检测方法 Pending CN108009480A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711171582.XA CN108009480A (zh) 2017-11-22 2017-11-22 一种基于特征识别的图像人体行为检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711171582.XA CN108009480A (zh) 2017-11-22 2017-11-22 一种基于特征识别的图像人体行为检测方法

Publications (1)

Publication Number Publication Date
CN108009480A true CN108009480A (zh) 2018-05-08

Family

ID=62053337

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711171582.XA Pending CN108009480A (zh) 2017-11-22 2017-11-22 一种基于特征识别的图像人体行为检测方法

Country Status (1)

Country Link
CN (1) CN108009480A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109508698A (zh) * 2018-12-19 2019-03-22 中山大学 一种基于二叉树的人体行为识别方法
CN111144365A (zh) * 2019-12-31 2020-05-12 北京三快在线科技有限公司 活体检测方法、装置、计算机设备及存储介质
CN111652186A (zh) * 2020-06-23 2020-09-11 勇鸿(重庆)信息科技有限公司 一种视频类别识别的方法及相关装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090254519A1 (en) * 2008-04-02 2009-10-08 Honeywell International Inc. Method and system for building a support vector machine binary tree for fast object search
CN103955673A (zh) * 2014-04-30 2014-07-30 南京理工大学 一种基于头肩模型的人体识别方法
CN105678284A (zh) * 2016-02-18 2016-06-15 浙江博天科技有限公司 一种固定位人体行为分析方法
CN106022231A (zh) * 2016-05-11 2016-10-12 浙江理工大学 一种基于多特征融合的行人快速检测的技术方法
CN106384089A (zh) * 2016-09-07 2017-02-08 中国人民解放军国防科学技术大学 基于终生学习的人体可靠检测方法
CN107122752A (zh) * 2017-05-05 2017-09-01 北京工业大学 一种人体动作比对方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090254519A1 (en) * 2008-04-02 2009-10-08 Honeywell International Inc. Method and system for building a support vector machine binary tree for fast object search
CN103955673A (zh) * 2014-04-30 2014-07-30 南京理工大学 一种基于头肩模型的人体识别方法
CN105678284A (zh) * 2016-02-18 2016-06-15 浙江博天科技有限公司 一种固定位人体行为分析方法
CN106022231A (zh) * 2016-05-11 2016-10-12 浙江理工大学 一种基于多特征融合的行人快速检测的技术方法
CN106384089A (zh) * 2016-09-07 2017-02-08 中国人民解放军国防科学技术大学 基于终生学习的人体可靠检测方法
CN107122752A (zh) * 2017-05-05 2017-09-01 北京工业大学 一种人体动作比对方法及装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109508698A (zh) * 2018-12-19 2019-03-22 中山大学 一种基于二叉树的人体行为识别方法
CN109508698B (zh) * 2018-12-19 2023-01-10 中山大学 一种基于二叉树的人体行为识别方法
CN111144365A (zh) * 2019-12-31 2020-05-12 北京三快在线科技有限公司 活体检测方法、装置、计算机设备及存储介质
CN111652186A (zh) * 2020-06-23 2020-09-11 勇鸿(重庆)信息科技有限公司 一种视频类别识别的方法及相关装置

Similar Documents

Publication Publication Date Title
CN110334706B (zh) 一种图像目标识别方法及装置
WO2019196130A1 (zh) 面向车载热成像行人检测的分类器训练方法和装置
CN105261017B (zh) 基于路面约束的图像分割法提取行人感兴趣区域的方法
TWI431559B (zh) 車牌偵測辨識方法及其系統
CN107507173B (zh) 一种全切片图像的无参考清晰度评估方法及系统
CN107909081B (zh) 一种深度学习中图像数据集的快速获取和快速标定方法
WO2019196131A1 (zh) 面向车载热成像行人检测的感兴趣区域过滤方法和装置
WO2022027931A1 (zh) 基于视频图像的运动车辆前景检测方法
CN108268867B (zh) 一种车牌定位方法及装置
CN104978567B (zh) 基于场景分类的车辆检测方法
CN109918971B (zh) 监控视频中人数检测方法及装置
CN107038416B (zh) 一种基于二值图像改进型hog特征的行人检测方法
CN106886778B (zh) 一种监控场景下车牌字符分割与识别方法
CN106023245B (zh) 基于中智集相似度量测的静态背景下运动目标检测方法
CN103366156A (zh) 道路结构检测和跟踪
CN103093274B (zh) 基于视频的行人计数的方法
CN104866843B (zh) 一种面向监控视频的蒙面人脸检测方法
CN105447503A (zh) 基于稀疏表示lbp和hog融合的行人检测方法
CN111382704A (zh) 基于深度学习的车辆压线违章判断方法、装置及存储介质
CN109886168B (zh) 一种基于层阶的地面交通标志识别方法
CN105513053A (zh) 一种用于视频分析中背景建模方法
Prabhakar et al. A novel design for vehicle license plate detection and recognition
WO2017166597A1 (zh) 一种卡通视频识别方法、装置和电子设备
CN106529441B (zh) 基于模糊边界分片的深度动作图人体行为识别方法
CN108009480A (zh) 一种基于特征识别的图像人体行为检测方法

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: 20180508