CN108734091A - 车厢异常行为检测方法、计算机装置和计算机可读存储介质 - Google Patents

Abstract

本发明提供一种车厢异常行为检测方法、计算机装置和计算机可读存储介质，车厢异常行为检测方法包括前景检测步骤，获取图像数据中的运动物目标；目标跟踪步骤，根据获取的运动物目标的间距和重叠情况切换对运动物目标的目标跟踪方式，获取关于运动物目标的目标跟踪数据；异常判断步骤，判断目标跟踪数据是否与异常行为预设数据匹配，若是，判定运动物目标发生异常行为。计算机装置的处理器用于执行存储器中存储的计算机程序时实现上述车厢异常行为检测方法的步骤，计算机可读存储介质上存储的计算机程序被处理器执行时实现上述的车厢异常行为检测方法的步骤。本发明有效对运动物目标进行跟踪且能判断多种异常行为，方法功能全面且准确率高。

Description

车厢异常行为检测方法、计算机装置和计算机可读存储介质

技术领域

本发明涉及视频监控技术领域，具体涉及一种车厢异常行为检测方法、计算机装置和计算机可读存储介质。

背景技术

随着摄像设备成本下降，网络速度的提高以及安防需求的增加，火车站，停车场等大量公共场所配备了视频监控设施，并产生了海量的视频数据。依靠工作人员肉眼监控需耗费大量人力、物力和财力，且监控效果差，遗漏概率高。随计算机视觉处理技术、电子技术以及通信技术的发展，智能视频分析技术及其应用越来越受到人们的重视，识别异常行为的智能视频监控系统成为趋势。

智能视频监控领域的研究起步较晚，大部分智能分析仅仅是对时间进行标记，减少重复人工操作方面，尤其是对于车厢内这种设备清晰度不高，且数据繁多的特殊环境。现有的多种图像识别的智能识别受到极大的限制，如人脸识别。

现有一种针对校园室外和室内不同的场景监控方法，其包括越界检测和周界保护，但此方法仅适用于远距离视频监控的场景，远距离场景中乘客形变不明显，而车厢内对乘客检测为近距离视频监控，需要对乘客的移动、摔倒和其他异常行为进行判断，现有的该种场景监控方法并不适用。

发明内容

本发明的第一目的在于提供一种功能全面有效的车厢异常行为检测方法。

本发明的第二目的在于提供一种可实现上述车厢异常行为检测方法的计算机装置。

本发明的第三目的在于提供一种可实现上述车厢异常行为检测方法的计算机可读存储介质。

本发明第一目的提供的车厢异常行为检测方法包括前景检测步骤，获取图像数据中的运动物目标；目标跟踪步骤，根据获取的运动物目标的间距和重叠情况切换对运动物目标的目标跟踪方式，获取关于运动物目标的目标跟踪数据；异常判断步骤，判断目标跟踪数据是否与异常行为预设数据匹配，若是，判定运动物目标发生异常行为。

由上述方案可见，在前景检测步骤中获取了运动物目标后，在目标跟踪步骤中判断运动物目标的移动情况，如移动距离、运动物目标间距和重叠情况等选择欧式距离算法、MeanShift算法或Kalman算法去实现最有效的目标跟踪，随后判断目标跟踪数据是否与异常行为预设数据匹配，如越界行为预设数据、徘徊行为预设数据和摔倒行为预设数据等，从而判断运动物目标是否发生异常行为。本发明提供的车厢异常行为检测方法能有效地对运动物目标进行跟踪，且能判断多种出现频率较高的乘客异常行为，该方法功能全面且准确率高。

进一步的方案是，前景检测步骤中，采用混合高斯模型法获取图像数据中的运动物目标。

由上可见，采用混合高斯模型法获取图像数据中的运动物目标能在轻微抖动和光照变化的场景中具有较好的鲁棒性，实现复杂背景的前景分离。

进一步的方案是，目标跟踪步骤中，根据获取的运动物目标的间距情况切换对运动物目标的目标跟踪方式包括若多个运动物目标的间距达到预设值，选择欧式距离算法对运动物目标进行跟踪；若多个运动物目标的间距小于预设值，选择MeanShift算法对运动物目标进行跟踪。

更进一步的方案是，目标跟踪步骤中，根据获取的运动物目标的重叠情况切换对运动物目标的目标跟踪方式包括若多个运动物目标的重叠面积小于预设值，选择MeanShift算法对运动物目标进行跟踪；若多个运动物目标的重叠面积达到预设值，选择Kalman算法对运动物目标进行跟踪。

由上可见，欧式距离比较用于处理简单情况且计算量相对较小，当目标间距较大时，比较前后帧目标区域的最小外接矩形之间的欧式距离可减少系统计算量；当目标间距小或重叠面积小，采用MeanShift算法，采用前景检测所得的颜色直方图作为搜索特征，通过比较直方图相似度达到跟踪的目的；当重叠面积达到设定阈值，采用Kalman算法，当目标之间遮挡区域增大达到一定阈值，目标之间难以区分，则将相互遮挡的多个目标合为一个跟踪目标。

进一步的方案是，前景检测步骤还包括，获取运动物目标的最小外接矩形，并根据最小外接矩形的宽高比判断运动物目标是否为人体运动目标。

由上可见，此方法可有效判断出运动物目标是否为乘客。

进一步的方案是，目标跟踪步骤还包括，获取场景三维坐标数据，目标跟踪数据包括运动物目标的轨迹数据，获取关于同一运动物在连续的多个图像帧的多个最小外接矩形，结合多个最小外接矩形和场景三维坐标数据生成运动物目标的轨迹数据。

更进一步的方案是，目标跟踪步骤还包括，目标跟踪数据还包括该运动物目标的实际高度数据和移动速度数据。

由上可见，通过三维重构得到运动物目标在场景三维坐标系中的轨迹、运行速度和实际高度变化等目标跟踪数据并用于与异常行为预设数据匹配，以判定是否出现异常行为，目标跟踪数据的种类多样化可实现更多种类异常行为的判断，且结合多种数据综合判断可有效提高判断准确率。

进一步的方案是，异常判断步骤中，异常行为预设数据包括越界行为预设数据、徘徊行为预设数据和摔倒行为预设数据；判断目标跟踪数据对应运动物目标的最小外接矩形是否与预设区域发生重叠，若是，目标跟踪数据与越界行为预设数据匹配，判定运动物目标发生越界行为；根据轨迹数据判断运动物目标的运动距离超过距离阈值且存在三个拐点，若是，目标跟踪数据与徘徊行为预设数据匹配，判定运动物目标发生徘徊行为；根据目标跟踪数据判断运动物目标的重心变化量是否超过阈值，若是，目标跟踪数据与摔倒行为预设数据匹配，判定运动物目标发生摔倒行为。

由上可见，通过目标跟踪数据与越界行为预设数据、徘徊行为预设数据和摔倒行为预设数据之间的比对而对目标的越界行为、徘徊行为以及摔倒行为进行有效判断。

本发明第二目的提供的计算机装置包括处理器，处理器用于执行存储器中存储的计算机程序时实现上述车厢异常行为检测方法的步骤。

由上述方案可见，计算机装置实现的车厢异常行为检测方法在前景检测步骤中获取了运动物目标后，在目标跟踪步骤中判断运动物目标的移动情况，如移动距离、运动物目标间距和重叠情况等选择欧式距离算法、MeanShift算法或Kalman算法去实现最有效的目标跟踪，随后判断目标跟踪数据是否与异常行为预设数据匹配，如越界行为预设数据、徘徊行为预设数据和摔倒行为预设数据等，从而判断运动物目标是否发生异常行为。本发明提供的车厢异常行为检测方法能有效地对运动物目标进行跟踪，且能判断多种出现频率较高的乘客异常行为，功能全面且判断准确率高。

本发明第三目的提供的计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述的车厢异常行为检测方法的步骤。

由上述方案可见，计算机程序被处理器执行时实现上述的车厢异常行为检测方法能有效地对运动物目标进行跟踪，且能判断多种出现频率较高的乘客异常行为，功能全面且判断准确率高。

附图说明

图1为本发明车厢异常行为检测装置实施例的结构框图。

图2为本发明车厢异常行为检测方法实施例的流程图。

以下结合附图及实施例对本发明作进一步说明。

具体实施方式

车厢异常行为检测装置实施例

参见图1，图1为本发明车厢异常行为检测装置实施例的结构框图。车厢异常行为检测装置包括视频采集模块1、前景检测模块2、目标跟踪模块3、三维映射模块4、异常行为判断模块5和警报模块6。

视频采集模块1为安装在车厢场景内的摄像头等图像数据获取装置，视频采集装置1用于获取车厢内的视频数据。前景检测模块2为具有数据处理能力的检测装置，前景检测模块2用于接收来自视频采集装置1的视频数据，并获取视频数据中每个图像帧的图像数据。

目标跟踪模块3为具有数据处理能力的硬件装置，目标跟踪模块3用于对图像数据中的运动物目标进行跟踪，当图像数据中存在多个运动物目标且目标之间不存在重叠或间距较远时，直接比较前后帧的最小外接矩形之间的欧式距离，距离最小的两个外界矩形为最匹配项；当图像数据中存在多个运动物目标且目标之间间距较小或重叠面积较小时，采用MeanShift算法，采用前景检测所得的颜色直方图作为搜索特征，通过比较颜色直方图相似度达到跟踪的目的；当图像数据中存在多个运动物目标且目标之间的重叠面积达到预设值，选择Kalman算法对运动物目标进行跟踪；当多个目标之间重叠面积增大达到上限阈值，目标之间难以区分，则将相互遮挡的多个目标合为一个跟踪目标。

目标跟踪模块3还用于将产生的预测结果会反馈给前景检测模块2，前景检测模块2和目标跟踪模块3之间存在容错机制来保证前景检测精度。前景检测模块2和目标跟踪模块3相互联合、优化。目标跟踪模块3产生的前景预测位置信息反馈给前景检测模块2，当前景检测的位置信息与反馈的预测信息之间存在的误差超过阈值后，则系统会抛弃检测结果，采用跟踪反馈的运动物目标的最小外界矩形的位置坐标信息代替当前前景检测模块2的检测从而避免较强噪声的干扰，提高检测精度。

三维映射模块4为具有数据处理能力的硬件装置，三维映射模块4用于构建场景三维坐标系，通过场景（即车厢）的三维尺寸确定出比例，根据场景尺寸比例和视频采集模块1（即摄像装置）的安装高度和安装角度等参数结合图像数据（二维数据）构建场景三维坐标系并生成场景三维坐标数据。三维映射模块4还用于获取运动物目标的最小外接矩形关于场景三维坐标中的二维位置坐标。取最小外接矩形底边中点作为乘客两脚的第一中点并获取该第一中点在场景三维坐标系中的坐标数值，根据第一中点坐标和上述视频采集模块1的安装高度和安装角度即可得到乘客在场景中的现实位置；取最小外接矩形顶边中点作为乘客头顶的第二中点并获取第二中点在场景三维坐标系中的坐标数值，根据第一中点和第二中点的坐标数值安装比例即可计算出乘客的真实高度；通过比对前后连续的多个图像帧中第二中点的坐标数值变化即可获得关于乘客目标的行走方向、行走距离以及行走速度的轨迹数据。

异常行为判断模块5为具有数据处理能力的硬件装置，异常行为判断模块5用于判断目标跟踪数据是否与异常行为预设数据匹配，若是，判定运动物目标发生异常行为。异常行为预设数据为三维模型数据，异常行为预设数据包括越界行为预设数据、徘徊行为预设数据和摔倒行为预设数据。

越界行为预设数据为越界模型。越界模型中闯入禁区检测是通过设置监控区域，判断监控区域中是否出现乘客。划定一个固定的警戒区域，当跟踪过程中乘客的轨迹与该区域发生重叠的时候，则判定乘客闯入禁区。

徘徊行为预设数据为徘徊模型。徘徊模型中，通过乘客的运动轨迹来判断乘客的总体运动方向，当乘客的大致运动方向在车厢内有两次反向改变且移动距离较大时，则判定为徘徊行为。我们可以每五帧判定一次乘客的行走方向，如果以图像左上角的顶点为原点，则在五帧内纵坐标下降，判定乘客向前行走；如若五帧内纵坐标上升，判定为乘客向后行走，因为过道较窄，所以不需要考虑乘客往左走往右走的情况。乘客在行走过程中如果发生一次方向改变，则生成的轨迹会产生一个明显的拐点。同时，计算乘客行走方向改变前运动的距离。如果运动的距离超出阈值范围，且乘客行走轨迹中出现了三个拐点，则判定乘客出现徘徊行为。

摔倒行为预设数据为摔倒模型。摔倒模型中，乘客摔倒行为检测主要基于乘客三维重构后实际的重心变化率进行判定。如果乘客摔倒，则乘客的重心则会在摔倒前后发生明显的突变。因此，以10帧图像作为分析对象，如果乘客的重心在过去的10帧内的最大变化量超过阈值，则判断乘客发生了摔倒。

警报模块6用于发送信号。当异常行为判断模块5判断运动物目标发生异常行为后则向警报模块6发出信号，警报模块6则向监控终端发出警告信号。

车厢异常行为检测方法

结合图2，图2为本发明车厢异常行为检测方法实施例的流程图。结合车厢异常行为检测装置实施例，车厢异常行为检测方法包括前景检测步骤、目标跟踪步骤、异常判断步骤和发送警告步骤。首先执行前景检测模型2执行前景检测步骤S1，采用混合高斯模型法获取图像数据中的运动物目标，获取运动物目标的最小外接矩形，并根据最小外接矩形的宽高比判断所述运动物目标是否为人体运动目标。其中，检测到运动物目标后，采用投影法获取其最小外接矩形的坐标数据，并通过最小外接矩形的宽高比判断该运动物目标是乘客（即人体运动目标）或是物品，同时提取前景运动目标的颜色直方图和运动物中心坐标数据等参数。

采用投影法获取其最小外接矩形的坐标数据时，首先采用垂直投影，各列像素点值求和，得到投影曲线，采用FIR低通滤波器对投影曲线进行滤波后，设定阈值，获取前景区域目标的左右边界，即在前景区域目标在图像中的最小外接矩形四点在图像上对应的横坐标。同理，利用水平投影，获取前景区域目标在图像中的最小外接矩形四点在图像上对应的纵坐标。

目标跟踪步骤包括步骤S2和步骤S3，执行完步骤S1后，目标跟踪模块3执行步骤S2，根据获取的运动物目标的间距和重叠情况切换对运动物目标的目标跟踪方式。其中，若多个运动物目标的间距达到预设值，选择欧式距离算法对运动物目标进行跟踪；

若多个运动物目标的间距小于预设值，选择MeanShift算法对运动物目标进行跟踪；若多个运动物目标的重叠面积小于预设值，预设值为重叠面积占重叠前目标区域总面积的10%以内，选择MeanShift算法对运动物目标进行跟踪；若多个运动物目标的重叠面积达到预设值，预设值为重叠面积占重叠前目标区域总面积的10%-30%以内，选择Kalman算法对运动物目标进行跟踪。当多个目标之间重叠面积增大达到上限阈值，上限阈值为重叠面积占重叠前目标区域总面积的30%以上，则将重叠的多个目标当做一个目标，采用欧氏距离进行跟踪。

随后执行步骤S3，获取目标跟踪数据，目标跟踪数据包括该运动物目标的轨迹数据、实际高度数据、移动速度数据和重心变化量数据等。三维映射模块4先获取场景三维坐标数据，随后获取运动物目标的最小外接矩形关于场景三维坐标中的二维位置坐标。取最小外接矩形底边中点作为乘客两脚的第一中点并获取该第一中点在场景三维坐标系中的坐标数值，根据第一中点坐标和上述视频采集模块1的安装高度和安装角度即可得到乘客在场景中的现实位置；取最小外接矩形顶边中点作为乘客头顶的第二中点并获取第二中点在场景三维坐标系中的坐标数值，根据第一中点和第二中点的坐标数值安装比例即可计算出乘客的真实高度；通过比对前后帧中第二中点的坐标数值变化即可获得关于乘客目标的行走方向、行走距离以及行走速度的轨迹数据。

随后异常行为判断模块5执行异常判断步骤S4，判断目标跟踪数据是否与异常行为预设数据匹配，若是，判定运动物目标发生异常行为。异常判断步骤中，异常行为预设数据包括越界行为预设数据、徘徊行为预设数据和摔倒行为预设数据；判断目标跟踪数据对应运动物目标的最小外接矩形是否与预设区域发生重叠，若是，目标跟踪数据与越界行为预设数据匹配，判定运动物目标发生越界行为；根据轨迹数据判断运动物目标的运动距离超过距离阈值且存在三个拐点，若是，目标跟踪数据与徘徊行为预设数据匹配，判定运动物目标发生徘徊行为；根据目标跟踪数据判断运动物目标的重心变化量是否超过阈值，若是，目标跟踪数据与摔倒行为预设数据匹配，判定运动物目标发生摔倒行为。

若步骤S4的判断结果为否，则继续执行判断步骤S4；若结果为是，执行步骤S5，判断乘客目标发生异常行为，最后警报执行步骤S6，向监控终端发送警告信号。

本发明提供的车厢异常行为检测方法能有效地对运动物目标进行跟踪，且能判断多种出现频率较高的乘客异常行为，该方法功能全面且准确率高。

计算机装置实施例

本发明的计算机装置可以是包括有处理器以及存储器等装置，例如包含中央处理器的单片机等。并且，处理器用于执行存储器中存储的计算机程序时实现上述车厢异常行为检测方法的步骤，包括前景检测步骤、目标跟踪步骤和异常判断步骤。

计算机可读存储介质实施例

本发明的计算机可读存储介质可以是被计算机装置的处理器所读取的任何形式的存储介质，包括但不限于非易失性存储器、易失性存储器、铁电存储器等，计算机可读存储介质上存储有计算机程序，当计算机装置的处理器读取并执行存储器中所存储的计算机程序时，可以实现上述的车厢异常行为检测方法的步骤，包括前景检测步骤、目标跟踪步骤和异常判断步骤。

最后需要强调的是，以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种变化和更改，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.车厢异常行为检测方法，其特征在于，包括：

前景检测步骤，获取图像数据中的运动物目标；

目标跟踪步骤，根据获取的所述运动物目标的间距和重叠情况切换对所述运动物目标的目标跟踪方式，获取关于所述运动物目标的目标跟踪数据；

异常判断步骤，判断所述目标跟踪数据是否与异常行为预设数据匹配，若是，判定运动物目标发生异常行为。

2.根据权利要求1所述的车厢异常行为检测方法，其特征在于：

所述前景检测步骤中，采用混合高斯模型法获取图像数据中的运动物目标。

3.根据权利要求2所述的车厢异常行为检测方法，其特征在于：

所述目标跟踪步骤中，根据获取的所述运动物目标的间距情况切换对所述运动物目标的目标跟踪方式包括：

若多个所述运动物目标的间距达到预设值，选择欧式距离算法对运动物目标进行跟踪；

若多个所述运动物目标的间距小于预设值，选择MeanShift算法对运动物目标进行跟踪。

4.根据权利要求3所述的车厢异常行为检测方法，其特征在于：

所述目标跟踪步骤中，根据获取的所述运动物目标的重叠情况切换对所述运动物目标的目标跟踪方式包括：

若多个所述运动物目标的重叠面积小于预设值，选择MeanShift算法对运动物目标进行跟踪；

若多个所述运动物目标的重叠面积达到预设值，选择Kalman算法对运动物目标进行跟踪。

5.根据权利要求1所述的车厢异常行为检测方法，其特征在于：

所述前景检测步骤还包括：获取运动物目标的最小外接矩形，并根据所述最小外接矩形的宽高比判断所述运动物目标是否为人体运动目标。

6.根据权利要求1至5任一项所述的车厢异常行为检测方法，其特征在于：

所述目标跟踪步骤还包括：

获取场景三维坐标数据；

所述目标跟踪数据包括所述运动物目标的轨迹数据；

获取关于同一运动物在连续的多个图像帧的多个最小外接矩形，结合多个最小外接矩形和所述场景三维坐标数据生成所述运动物目标的轨迹数据。

7.根据权利要求6所述的车厢异常行为检测方法，其特征在于：

所述目标跟踪步骤还包括，所述目标跟踪数据还包括该运动物目标的实际高度数据和移动速度数据。

8.根据权利要求7所述的车厢异常行为检测方法，其特征在于：

所述异常判断步骤中，所述异常行为预设数据包括越界行为预设数据、徘徊行为预设数据和摔倒行为预设数据；

判断所述目标跟踪数据对应运动物目标的最小外接矩形是否与预设区域发生重叠，若是，所述目标跟踪数据与所述越界行为预设数据匹配，判定运动物目标发生越界行为；

根据所述轨迹数据判断所述运动物目标的运动距离超过距离阈值且存在三个拐点，若是，所述目标跟踪数据与所述徘徊行为预设数据匹配，判定运动物目标发生徘徊行为；

根据所述目标跟踪数据判断所述运动物目标的重心变化量是否超过阈值，若是，所述目标跟踪数据与所述摔倒行为预设数据匹配，判定运动物目标发生摔倒行为。

9.一种计算机装置，其特征在于：所述计算机装置包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至8任一项所述的车厢异常行为检测方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的车厢异常行为检测方法的步骤。