CN110659688A - 一种基于机器学习的监控视频暴恐行为识别方法 - Google Patents
一种基于机器学习的监控视频暴恐行为识别方法 Download PDFInfo
- Publication number
- CN110659688A CN110659688A CN201910906885.4A CN201910906885A CN110659688A CN 110659688 A CN110659688 A CN 110659688A CN 201910906885 A CN201910906885 A CN 201910906885A CN 110659688 A CN110659688 A CN 110659688A
- Authority
- CN
- China
- Prior art keywords
- monitoring video
- riot
- machine learning
- behaviors
- terrorist
- 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
- 230000006399 behavior Effects 0.000 title claims abstract description 36
- 238000012544 monitoring process Methods 0.000 title claims abstract description 25
- 238000010801 machine learning Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 title claims abstract description 16
- 230000004927 fusion Effects 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000012706 support-vector machine Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 241000282414 Homo sapiens Species 0.000 claims description 5
- 239000013598 vector Substances 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010001488 Aggression Diseases 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (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)
- Alarm Systems (AREA)
Abstract
本发明提出了一种基于机器学习的监控视频暴恐行为识别方法，首先通过HARRIS角点检测特征提取法和方向特征直方图特征提取法提取人体行为作特征提取，将融合后的特征作优化处理，再通过降维算法整定各融合特征，去除冗余信息，将处理好的融合特征输入支持向量机SVM机器学习分类器作分类运算判定监控视频中的人员行为是否为暴恐行为。帮助人们在决策融合策略中，便于使用不同的分类器对特征向量进行分类，并建立最合适的决策将输入动作分类为暴恐或非暴恐。
Description
技术领域
本发明涉及一种基于人工智能技术领域，尤其涉及一种基于机器学习的监控视频暴恐行为识别方法。
背景技术
视频监控越来越多地应用于日常生活中。它主要涉及提高人类的安全，是一个重要的工具，实时监测目标区域中人们的行为，实时识别他们的行为分类和安全系数，这可以帮助预防、发现和减少犯罪。目前，在公共场所的人身安全监控系统中，暴力场景的检测受到了极大的关注。
然而，正在使用的照相机的数目增加了，监控视频监控所需的操作员和监督员的数量增加了。但是，摄像机捕捉到的视频数据量与人类方便分析视觉信息的倾向之间存在着巨大的差距，而且这种差距还在不断扩大。只有单纯的视频存储，而没有实时的视频结构化监测系统，那么某些暴恐事件和可疑的行为就会被忽视，难以做到预防和及时响应措施。所以，我们发明出了一种基于机器学习的监控视频暴恐行为识别方法，通过摄像头获取目标区域的监控视频，并将视频实时通过机器学习算法得到的暴恐行为检测模型作分类处理，从而实时又准确的识别监控视频中的暴恐行为。
发明内容
为了解决监控视频实时识别暴恐行为的难题，本发明提供了一种基于机器学习的监控视频暴恐行为识别方法，该方法为一种人工智能实时检测识别方法，实时提取监控视频中人体行为的特征值，将不同方面的特征融合后，运用机器学习分类器作暴恐行为分类，为智能安防提供有力支撑。
为了实现上述目的，本发明采用以下技术方案：
一种基于机器学习的监控视频暴恐行为识别方法，包括以下步骤：
实时获取监控视频，通过HARRIS角点检测特征提取法和方向特征直方图特征提取法对视频中的人体行为作特征提取后，再作特征融合；
对融合后的特征作优化处理，本发明使用降维算法整定各融合特征，去除冗余信息；
将处理好的融合特征输入支持向量机(SVM)机器学习分类器作分类运算判定监控视频中的人员行为是否为暴恐行为。
本发明具有以下积极的有益效果：本发明能够有效的实时识别监控视频中的暴恐行为，采用人工智能机器学习的高效算法。实验证明了方法的有效性和先进性。该发明通过两种不同的图像处理方法提取监控视频帧中的行为特征，再将两种特征矩阵融合并降维处理，最后输入机器学习支持向量机SVM分类器作行为分类。本发明合理运用人工智能方法，填补了监控视频实时检测识别暴恐行为的技术空白。
附图说明
图1是本发明一种基于机器学习的监控视频暴恐行为识别方法的算法流程图。
具体实施方式
为了使公众能充分了解本发明的技术实质和有益效果，申请人将在下面结合附图对本发明的具体实施方式详细描述，但申请人对实例的描述不是对技术方案的限制，任何依据本发明构思作形式而非实质的变化都应当视为本发明的保护范围。
如图1所示，本发明的一种基于机器学习的监控视频暴恐行为识别方法,包括如下步骤：
(1)实时获取监控视频，通过HARRIS角点检测特征提取法和方向特征直方图特征提取法，共两种方法，分别对视频中的人体行为作特征提取后，将这两种方法提取的特征作特征融合。下面分别说明特征提取方法的步骤：
HARRIS角点检测特征提取法
第一步：计算视频帧的水平梯度IX和垂直梯度IY；
第二步：将视频帧高斯滤波；
第三步：对于图像的每个像素点，在一个确定大小的窗口上计算协方差矩阵M，然后计算特征值λ1、λ2，如果两个特征值较高，则表示检测到了图像的一个拐角；
第四步：循环检测，使特征值λ1、λ2保持局部最大化。计算此时的协方差矩阵M，即为特征向量。
方向梯度直方图特征提取法
第一步：视频帧被分成单元，单元本身又被分组成块；
第二步：每个块都按像素强度归一化。然后应用一个过滤器来获得梯度，梯度的方向的平均值与每个单元相关联；
第三步：通过图像填充方向直方图，特征向量由每个块的方向梯度直方图组成。
(2)对融合后的特征作优化处理，使融合特征的格式和形态适合机器学习分类器作分类处理，本发明使用降维算法整定各融合特征，同时可有效去除冗余信息；
(3)将处理好的融合特征输入支持向量机SVM机器学习分类器作分类运算，学习出用于监控视频暴恐行为分类的模型，最后通过模型判定监控视频中的人员行为是否为暴恐行为。其中，分类器算法如下：支持向量机SVM
第一步：读取训练样本特征和标签；
第二步：对训练样本进行学习，找取支持向量；
第三步：测试样本和支持向量进行运算，求得的值是大于0还是小于0，大于0就是正样本，小于0是负样本。
其中，正样本表示行为动作为暴恐行为，负样本表示行为动作为非暴恐行为。
本发明通过上述方法可以实现：
(1)针对监控视频中可能出现的暴恐行为做出实时检测和识别。
(2)通过多特征融合的方式，解决了单一特征表征行为不全面的问题。
(3)利用机器学习分类算法将提取到的特征进行学习，得到的模型可准确的识别监控视频中的暴恐行为。
Claims (1)
1.一种基于机器学习的监控视频暴恐行为识别方法，其特征在于，包括以下步骤：
获取监控视频，通过HARRIS角点检测特征提取法和方向特征直方图特征提取法提取人体行为作特征提取，再做特征融合；
将融合后的特征作优化处理，再通过降维算法整定各融合特征，去除冗余信息；
将处理好的融合特征输入支持向量机机器学习分类器作分类运算判定监控视频中的人员行为是否为暴恐行为。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910906885.4A CN110659688A (zh) | 2019-09-24 | 2019-09-24 | 一种基于机器学习的监控视频暴恐行为识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910906885.4A CN110659688A (zh) | 2019-09-24 | 2019-09-24 | 一种基于机器学习的监控视频暴恐行为识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110659688A true CN110659688A (zh) | 2020-01-07 |
Family
ID=69038889
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910906885.4A Pending CN110659688A (zh) | 2019-09-24 | 2019-09-24 | 一种基于机器学习的监控视频暴恐行为识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110659688A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014110629A1 (en) * | 2013-01-17 | 2014-07-24 | Sensen Networks Pty Ltd | Automated vehicle recognition |
| CN105512631A (zh) * | 2015-12-07 | 2016-04-20 | 上海交通大学 | 基于MoSIFT和CSD特征的暴恐视频检测方法 |
| CN105574489A (zh) * | 2015-12-07 | 2016-05-11 | 上海交通大学 | 基于层次级联的暴力群体行为检测方法 |
| CN108108737A (zh) * | 2016-11-24 | 2018-06-01 | 广州映博智能科技有限公司 | 基于多特征融合的闭环检测系统及方法 |
| CN109918994A (zh) * | 2019-01-09 | 2019-06-21 | 天津大学 | 一种基于商用Wi-Fi的暴力行为检测方法 |
-
2019
- 2019-09-24 CN CN201910906885.4A patent/CN110659688A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014110629A1 (en) * | 2013-01-17 | 2014-07-24 | Sensen Networks Pty Ltd | Automated vehicle recognition |
| CN105512631A (zh) * | 2015-12-07 | 2016-04-20 | 上海交通大学 | 基于MoSIFT和CSD特征的暴恐视频检测方法 |
| CN105574489A (zh) * | 2015-12-07 | 2016-05-11 | 上海交通大学 | 基于层次级联的暴力群体行为检测方法 |
| CN108108737A (zh) * | 2016-11-24 | 2018-06-01 | 广州映博智能科技有限公司 | 基于多特征融合的闭环检测系统及方法 |
| CN109918994A (zh) * | 2019-01-09 | 2019-06-21 | 天津大学 | 一种基于商用Wi-Fi的暴力行为检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109670446B (zh) | 基于线性动态系统和深度网络的异常行为检测方法 | |
| Rahmad et al. | Comparison of Viola-Jones Haar Cascade classifier and histogram of oriented gradients (HOG) for face detection | |
| CN108875624B (zh) | 基于多尺度的级联稠密连接神经网络的人脸检测方法 | |
| CN101344922B (zh) | 一种人脸检测方法及其装置 | |
| CN104063722B (zh) | 一种融合hog人体目标检测和svm分类器的安全帽识别方法 | |
| Salimi et al. | Visual-based trash detection and classification system for smart trash bin robot | |
| CN106056079B (zh) | 一种图像采集设备及人脸五官的遮挡检测方法 | |
| WO2019114145A1 (zh) | 监控视频中人数检测方法及装置 | |
| CN106919921B (zh) | 结合子空间学习与张量神经网络的步态识别方法及系统 | |
| KR101653278B1 (ko) | 색상 기반 얼굴 검출을 통한 실시간 얼굴 추적 시스템 | |
| CN111191573A (zh) | 一种基于眨眼规律识别的驾驶员疲劳检测方法 | |
| CN108229245A (zh) | 基于面部视频特征的疲劳驾驶检测方法 | |
| CN105096342A (zh) | 一种基于傅里叶描述子和方向梯度直方图的入侵检测算法 | |
| Chen et al. | Research on image fire detection based on support vector machine | |
| CN113158850A (zh) | 基于深度学习的船舶驾驶员疲劳检测方法和系统 | |
| Chhoriya | Automated criminal identification system using face detection and recognition | |
| Ngxande et al. | Detecting inter-sectional accuracy differences in driver drowsiness detection algorithms | |
| Byeon et al. | A surveillance system using CNN for face recognition with object, human and face detection | |
| Chergui et al. | Kinship verification using mixed descriptors and multi block face representation | |
| CN110659688A (zh) | 一种基于机器学习的监控视频暴恐行为识别方法 | |
| Nanthini et al. | A novel Deep CNN based LDnet model with the combination of 2D and 3D CNN for Face Liveness Detection | |
| CN115482595A (zh) | 一种基于语义分割的特定人物视觉伪造检测与鉴别方法 | |
| Hu et al. | Anomaly detection in crowded scenes via sa-mhof and sparse combination | |
| CN111582001A (zh) | 一种基于情绪感知的可疑人员识别方法及其系统 | |
| Gayathri et al. | Moving Vehicle Number Plate Detection using Hybrid Deep Convolutional and Recurrent Neural Network Algorithm |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200107 |
|
| WD01 | Invention patent application deemed withdrawn after publication |