CN110991461B - 一种智能提取的重点安保目标发掘方法与系统 - Google Patents
一种智能提取的重点安保目标发掘方法与系统 Download PDFInfo
- Publication number
- CN110991461B CN110991461B CN201911039481.6A CN201911039481A CN110991461B CN 110991461 B CN110991461 B CN 110991461B CN 201911039481 A CN201911039481 A CN 201911039481A CN 110991461 B CN110991461 B CN 110991461B
- Authority
- CN
- China
- Prior art keywords
- current target
- target
- characteristic
- action
- determining
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Train Traffic Observation, Control, And Security (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种智能提取的重点安保目标发掘方法与系统,该方法包括:获取当前目标,并提取所述当前目标的动作特征和/或行进轨迹特征;根据所述当前目标的位置和所述当前目标与周围目标的位置关系,确定所述当前目标的环境特征;通过大数据统计分析在与所述当前目标的环境特征相近的环境特征下,正常状态目标的一般特征;比较判断所述当前目标的动作特征和/或行进轨迹特征与所述正常状态目标的一般特征和/或行为轨迹特征的差异度,选取所述差异度大的当前目标作为重点安保目标。该方法能够对重点安保目标实现具有预见性的发掘提取,能够在该目标开始实施异常行为的准备阶段就对其进行预警。
Description
技术领域
本发明涉及目标识别领域,具体是一种智能提取的重点安保目标发掘方法与系统。
背景技术
目前,大部分的公共场所都安装了安保监控器,用于拍摄面向人群或者车流的视频画面,后台的管理端通过识别分析这些视频画面,判断是否存在值得关注的重点安保目标。
利用肉眼观察来人进行重点安保目标的识别,劳动强度很大,错误率和遗漏率很高,目前已经逐渐被智能视频分析技术取代。
但是,现有的智能视频分析技术只能在某个人物或车辆目标实施异常行为后(例如在人群中有人滞留、逆行或者阻碍他人、车辆撞击其它车辆或者物体),才能确定该目标为重点安保目标,存在较大的滞后性。
因此,如何对目标的异常行为进行提前预测,确定重点安保目标是本领域技术人员亟待解决的问题。
发明内容
鉴于上述问题,本发明的目的是为了解决不现有技术智能在目标实施异常行为后,确定该目标为重点安保目标,具有滞后性的问题。
本发明实施例提供一种智能提取的重点安保目标发掘方法,包括:
获取当前目标,并提取所述当前目标的动作特征和/或行进轨迹特征;
根据所述当前目标的位置和所述当前目标与周围目标的位置关系,确定所述当前目标的环境特征;
通过大数据统计,分析在与所述当前目标的环境特征相近的环境特征下,正常状态目标的一般特征和/或行为轨迹特征;
比较判断所述当前目标的动作特征和/或行进轨迹特征与所述正常状态目标的一般特征和/或行为轨迹特征的差异度,选取所述差异度大的当前目标作为重点安保目标。
在一个实施例中,获取当前目标,并提取所述当前目标的动作特征和/或行进轨迹特征,包括:
若所述当前目标为人物,确定所述人物在视频画面中的人形图像区域;
确定所述人物的外接矩形与外接矩形的中心点,将所述外接矩形的中心点作为所述人物的位置;
计算所述外接矩形的中心点到该所述人形图像区域的矢量组,生成所述人物的动作特征;
计算所述人物在若干帧视频画面中的位置变化量数组,生成所述人物的行进轨迹特征。
在一个实施例中,获取当前目标,并提取所述当前目标的动作特征和/或行进轨迹特征,还包括:
若所述当前目标为车辆,确定所述车辆在视频画面中的图像区域;
确定所述车辆的外接矩形及外接矩形的中心点,将所述外接矩形的中心点作为所述车辆的位置;
计算所述车辆在若干帧视频画面中的位置变化量数组,生成所述车辆行进轨迹特征。
在一个实施例中,通过大数据统计,分析在与所述当前目标的环境特征相近的环境特征下,正常状态目标的一般特征和/或行为轨迹特征,包括:
根据所述当前目标的位置,确定位于相同位置范围的历史目标;
根据所述当前目标的环境特征,通过计算矢量组距离相似度,确定所述历史目标中与所述当前目标的环境特征相近的历史目标;
获取所述相似历史目标的一般特征和/或行为轨迹特征,作为正常状态目标的一般特征和/或行为轨迹特征。
在一个实施例中,比较判断所述当前目标的动作特征和/或行进轨迹特征与所述正常状态目标的一般特征和/或行为轨迹特征的差异度,选取所述差异度大的当前目标作为重点安保目标,包括:
将所述正常状态目标的一般特征和/或行为轨迹特征代入SVM向量机,对所述SVM向量机进行训练;
将所述当前目标的动作特征和/或行进轨迹特征代入经过训练的SVM向量机,生成SVM向量机的分类结果;
根据所述SVM向量机的分类结果,判断所述当前目标的动作特征和/或行进轨迹特征与所述正常状态目标的一般特征和/或行为轨迹特征是否属于同一类;
若所述当前目标的动作特征和/或行进轨迹特征与所述正常状态目标的一般特征和/或行为轨迹特征非同一类,则差异度大,选取所述当前目标作为重点安保目标。
第二方面,本发明还提供一种一种智能提取的重点安保目标发掘系统,包括:
获取模块,用于获取当前目标,并提取所述当前目标的动作特征和/或行进轨迹特征;
确定模块,用于根据所述当前目标的位置和所述当前目标与周围目标的位置关系,确定所述当前目标的环境特征;
分析模块,用于通过大数据统计分析在与所述当前目标的环境特征相近的环境特征下,正常状态目标的一般特征和/或行为轨迹特征;
选取模块,用于比较判断所述当前目标的动作特征和/或行进轨迹特征与所述正常状态目标的一般特征和/或行为轨迹特征的差异度,选取所述差异度大的当前目标作为重点安保目标。
在一个实施例中,所述获取模块,包括:
人形图像区域确定子模块,用于若所述当前目标为人物,确定所述人物在视频画面中的人形图像区域;
人物位置确定子模块,用于确定所述人物的外接矩形与外接矩形的中心点,将所述外接矩形的中心点作为所述人物的位置;
人物动作特征生成子模块,用于特征计算所述外接矩形的中心点到该所述人形图像区域的矢量组,生成所述人物的动作特征;
人物行进轨迹特征生成子模块,用于计算所述人物在若干帧视频画面中的位置变化量数组,生成所述人物的行进轨迹特征。
在一个实施例中,所述获取模块,还包括:
车辆图像区域确定子模块,用于若所述当前目标为车辆,确定所述车辆在视频画面中的图像区域;
车辆位置确定子模块,用于确定所述车辆的外接矩形及外接矩形的中心点,将所述外接矩形的中心点作为所述车辆的位置;
车辆行进轨迹特征生成子模块,用于计算所述车辆在若干帧视频画面中的位置变化量数组,生成所述当前目标行进轨迹特征。
在一个实施例中,所述分析模块,包括:
确定子模块,用于根据所述当前目标的位置,确定位于相同位置范围的历史目标;
计算子模块,用于根据所述当前目标的环境特征,通过计算矢量组距离相似度,确定所述历史目标中与所述当前目标的环境特征相近的历史目标;
获取子模块,用于获取所述相似历史目标的一般特征和/或行为轨迹特征,作为正常状态目标的一般特征和/或行为轨迹特征。
在一个实施例中,所述选取模块,包括:
训练子模块,用于将所述正常状态目标的一般特征和/或行为轨迹特征代入SVM向量机,对所述SVM向量机进行训练;
生成子模块,用于将所述当前目标的动作特征和/或行进轨迹特征代入经过训练的SVM向量机,生成SVM向量机的分类结果;
判断子模块,用于根据所述SVM向量机的分类结果,判断所述当前目标的动作特征和/或行进轨迹特征与所述正常状态目标的一般特征和/或行为轨迹特征是否属于同一类;
选取子模块,用于若所述当前目标的动作特征和/或行进轨迹特征与所述正常状态目标的一般特征和/或行为轨迹特征非同一类,则差异度大,选取所述当前目标作为重点安保目标。
本发明实施例提供的上述技术方案的有益效果至少包括:
本发明实施例提供的一种智能提取的重点安保目标发掘方法,本方法利用在公共场所的安保监控器拍摄的视频画面,将当前目标与正常状态目标的一般特征和/或行为轨迹特征进行分析,根据差异度确定重点安保目标,计算更加准确,提高了分析的准确率与对目标异常行为的识别率,对重点安保目标实现具有预见性的发掘提取,能够在该目标开始实施异常行为的准备阶段就对其进行预警。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步地详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例提供的一种智能提取的重点安保目标发掘方法的流程图;
图2为本发明实施例提供的确定人物动作特征的示意图;
图3为本发明实施例提供的确定人物行进轨迹的示意图;
图4为本发明实施例提供的确定当前目标的环境特征示意图;
图5为本发明实施例提供的步骤S103流程图;
图6为本发明实施例提供的步骤S104流程图;
图7为本发明实施例提供的一种智能提取的重点安保目标发掘系统的框图;
图8为本发明实施例提供的当前目标为人物时获取模块71的框图;
图9为本发明实施例提供的当前目标为车辆时获取模块71的框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
参照图1所示,本发明实施例提供的一种智能提取的重点安保目标发掘方法,该方法包括:步骤S101~S104;
S101、获取当前目标,并提取所述当前目标的动作特征和/或行进轨迹特征。
若所述当前目标为人物,如图2所示,确定所述人物在视频画面中的人形图像区域;
确定所述人物的外接矩形与外接矩形的中心点O,将所述外接矩形的中心点O作为所述人物的位置;
计算所述外接矩形的中心点到该所述人形图像区域的矢量组{V1,V2,,V3,V4,V5,V6},生成所述人物的动作特征;
计算所述人物在若干帧视频画面中的位置变化量数组,生成所述人物的行进轨迹特征;
具体地,如图3所示,将Fn-3帧至Fn-2帧视频画面中的位置变化量数组为在Fn-2帧至Fn-1帧视频画面中的位置变化量数组为在Fn-1帧至Fn帧视频画面中的位置变化量数组为将 作为上述人物从Fn-3至Fn帧视频画面的行进轨迹特征。
若所述当前目标为车辆,确定所述车辆在视频画面中的图像区域;
确定所述车辆的外接矩形及外接矩形的中心点,将所述外接矩形的中心点作为所述车辆的位置;
计算所述车辆在若干帧视频画面中的位置变化量数组,生成所述车辆行进轨迹特征(车辆不需要考虑动作特征)。
S102、根据所述当前目标的位置和所述当前目标与周围目标的位置关系,确定所述当前目标的环境特征;
具体地,参照图4所示,确定当前目标与周围目标(人物与物体)在视频画面中的图像区域;
确定当前目标和周围目标的外接矩形与外接矩形的中心点O1、O2、O3、O4,O5将外接矩形的中心点O1作为当前目标的位置,O2、O3、O4、O5作为周围目标的位置;
设定一个半径参数R,在以当前目标的位置O1为圆心,R为半径的圆形区域内,确定存在的其它人物或者物体及其位置O2、O3、O4;
S103、通过大数据统计,分析在与所述当前目标的环境特征相近的环境特征下,正常状态目标的一般特征和/或行为轨迹特征;
S104、比较判断所述当前目标的动作特征和/或行进轨迹特征与所述正常状态目标的一般特征和/或行为轨迹特征的差异度,选取所述差异度大的当前目标作为重点安保目标。
本实施例中,利用在公共场所的安保监控器拍摄的视频画面,将当前目标与正常状态目标的一般特征和/或行为轨迹特征进行分析,根据差异度确定重点安保目标,计算更加准确,提高了分析的准确率与对目标异常行为的识别率,对重点安保目标实现具有预见性的发掘提取,能够在该目标开始实施异常行为的准备阶段就对其进行预警。
在一个实施例中,参照图5所示,上述步骤S103中,通过大数据统计,分析在与所述当前目标的环境特征相近的环境特征下,正常状态目标的一般特征和/或行为轨迹特征,包括:
S1031、根据所述当前目标的位置,确定位于相同位置范围(与当前目标的位置的距离不超过距离阈值D)的历史目标;
S1032、根据所述当前目标的环境特征,通过计算矢量组距离相似度,确定所述历史目标中与所述当前目标的环境特征相近(即设置相似阈值,矢量组距离相似度大于相似阈值)的历史目标;
具体地,计算矢量组距离相似度的方法如下:
A、余弦相似度算法,假设当前目标的环境特征为(x1,y1),历史目标M的环境特征为(x2,y2),根据下列公式计算余弦:
其中,余弦的相似性取值为[-1,1],值越趋向于1,表示当前目标与历史目标M的矢量组距离相似度越高。
B、欧几里德距离表示相似度,假设x为当前目标,y为历史目标,则x与y的欧几里德距离为:
其中,xi表示当前目标x的矢量组,yi表示历史目标y的矢量组,经过下列公式进行转换:
其中,sim(x,y)表示x与y的相似度,其中x与y的距离越近,相似度越高。
S1033、获取所述相似历史目标的一般特征和/或行为轨迹特征,作为正常状态目标的一般特征和/或行为轨迹特征。
例如,累计了同一个公共区域内一定数量(例如10000个)的历史目标(人物或车辆)的位置、动作特征和/或行进轨迹特征、环境特征,形成了历史目标大数据,其中,历史目标均是正常状态目标;确定10000个历史目标中,与当前目标的位置O6的距离不超过500m的历史目标有50个;分别计算50个历史目标与当前目标矢量组距离的相似度,设置相似阈值为0.7,则矢量阈值的相似度大于相似阈值0.7的历史目标有5个;进而将上述5个历史目标的一般特征和/或行为轨迹特征作为正常状态目标的一般特征和/或行为轨迹特征。
在一个实施例中,参照图6所示,上述步骤S104中比较判断所述当前目标的动作特征和/或行进轨迹特征与所述正常状态目标的一般特征和/或行为轨迹特征的差异度,选取所述差异度大的当前目标作为重点安保目标,包括:
S1041、将所述正常状态目标的一般特征和/或行为轨迹特征代入SVM向量机,对所述SVM向量机进行训练;其中,SVM向量机是一个由分类超平面定义的判别分类器,向该分类器出入给定的一组带类别标签的多维向量作为训练样本,然后,该分类器将会输出一个最优超平面对新输入的多维向量进行分类。
S1042、将所述当前目标的动作特征和/或行进轨迹特征代入经过训练的SVM向量机,生成SVM向量机的分类结果;
具体地,行为判断模型采用人工智能的监督学习机制,通过学习样本训练该模型,在模型中建立起对正常状态目标与非正常状态目标的多维行为特征(即动作特征和/或行进轨迹特征)向量的识别能力,进而通过向模型输入当前目标的多维行为特征向量(即动作特征和/或行进轨迹特征),模型输出对当前目标是否属于正常状态目标的判断结果。
S1043、根据所述SVM向量机的分类结果,判断所述当前目标的动作特征和/或行进轨迹特征与所述正常状态目标的一般特征和/或行为轨迹特征是否属于同一类。
S1044、若所述当前目标的动作特征和/或行进轨迹特征与所述正常状态目标的一般特征和/或行为轨迹特征非同一类,则差异度大,选取所述当前目标作为重点安保目标。
若所述若所述当前目标的动作特征和/或行进轨迹特征与所述正常状态目标的一般特征和/或行为轨迹特征属于同一类,则所述当前目标作为正常状态目标输入SVM向量机进行训练。
本实施例中,通过对SVM向量机进行训练,降低了计算量,训练的结果更加的真实可靠,并且将当前目标的一般特征和/或行为轨迹特征输入训练后的SVM向量机对当前目标进行判断,提高了对当前目标异常行为的识别率,能够有效的对安保目标实现具有预见性的发掘提取,在该目标开始实施异常行为的准备阶段就对其进行预警,安全度更高。
基于同一发明构思,本发明实施例还提供了一种智能提取的重点安保目标发掘系统,由于该装置所解决问题的原理与前述一种智能提取的重点安保目标发掘方法相似,因此该装置的实施可以参见前述方法的实施,重复之处不再赘述。
本发明实施例提供的一种智能提取的重点安保目标发掘系统,其中,安保监控器拍摄视频画面,并将拍摄的视频画面上传至后台管理服务器进行相应的处理,参照图7所示,包括:
获取模块71,用于获取当前目标,并提取所述当前目标的动作特征和/或行进轨迹特征;
确定模块72,用于根据所述当前目标的位置和所述当前目标与周围目标(人物与物体)的位置关系,确定所述当前目标的环境特征;
分析模块73,用于通过大数据统计分析在与所述当前目标的环境特征相近的环境特征下,正常状态目标的一般特征和/或行为轨迹特征;
判断模块74,用于比较判断所述当前目标的动作特征和/或行进轨迹特征与所述正常状态目标的一般特征和/或行为轨迹特征的差异度,选取所述差异度大的当前目标作为重点安保目标。
在一个实施例中,如图8所示,所述获取模块71,包括:
人形图像区域确定子模块711,用于若所述当前目标为人物,确定所述人物在视频画面中的人形图像区域;
人物位置确定子模块712,用于确定所述人物的外接矩形与外接矩形的中心点O,将所述外接矩形的中心点O作为所述人物的位置;
人物动作特征生成子模块713,用于特征计算所述外接矩形的中心点到该所述人形图像区域的矢量组{V1,V2,,V3,V4,V5,V6},生成所述人物的动作特征;
人物行进轨迹特征生成子模块714,用于计算所述人物在若干帧视频画面中的位置变化量数组,生成所述人物的行进轨迹特征。
在一个实施例中,如图9所示,所述获取模块71,还包括:
车辆图像区域确定子模块715,用于若所述当前目标为车辆,确定所述车辆在视频画面中的图像区域;
车辆位置确定子模块716,用于确定所述车辆的外接矩形及外接矩形的中心点,将所述外接矩形的中心点作为所述车辆的位置;
车辆行进轨迹特征生成子模块717,用于计算所述车辆在若干帧视频画面中的位置变化量数组,生成所述当前目标行进轨迹特征(车辆不需要考虑动作特征)。
在一个实施例中,所述分析模块73,包括:
确定子模块731,用于根据所述当前目标的位置,确定位于相同位置范围(与当前目标的位置的距离不超过距离阈值D)的历史目标;
计算子模块732,用于根据所述当前目标的环境特征,通过计算矢量组距离相似度,确定所述历史目标中与所述当前目标的环境特征相近(即设置相似阈值,矢量组距离相似度大于相似阈值)的历史目标;
获取子模块733,用于获取所述相似历史目标的一般特征和/或行为轨迹特征,作为正常状态目标的一般特征和/或行为轨迹特征。
在一个实施例中,所述判断模块74,包括:
训练子模块741,用于将所述正常状态目标的一般特征和/或行为轨迹特征代入SVM向量机,对所述SVM向量机进行训练;
生成子模块742,用于将所述当前目标的动作特征和/或行进轨迹特征代入经过训练的SVM向量机,生成SVM向量机的分类结果;
判断子模块743,用于根据所述SVM向量机的分类结果,判断所述当前目标的动作特征和/或行进轨迹特征与所述正常状态目标的一般特征和/或行为轨迹特征是否属于同一类;
选取子模块744,用于若所述当前目标的动作特征和/或行进轨迹特征与所述正常状态目标的一般特征和/或行为轨迹特征非同一类,则差异度大,选取所述当前目标作为重点安保目标;若所述若所述当前目标的动作特征和/或行进轨迹特征与所述正常状态目标的一般特征和/或行为轨迹特征属于同一类,则所述当前目标作为正常状态目标输入SVM向量机进行训练。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (2)
1.一种智能提取的重点安保目标发掘方法,其特征在于,包括:
获取当前目标,并提取所述当前目标的动作特征和行进轨迹特征;其中,提取所述动作特征具体包括:确定人物在视频画面中的人形图像区域;确定所述人物的外接矩形与外接矩形的中心点O,将所述外接矩形的中心点O作为所述人物的位置;计算所述外接矩形的中心点到该人形图像区域的矢量组,生成所述人物的动作特征;提取行进轨迹特征包括:计算所述人物在若干帧视频画面中的位置变化量数组,生成所述人物的行进轨迹特征;
根据所述当前目标的位置和所述当前目标与周围目标的位置关系,确定所述当前目标的环境特征;包括:确定当前目标和周围目标的外接矩形与外接矩形的中心点O1、O2、O3、O4,O5将外接矩形的中心点O1作为当前目标的位置,O2、O3、O4、O5作为周围目标的位置;设定一个半径参数R,在以当前目标的位置O1为圆心,R为半径的圆形区域内,确定存在的其它人物或者物体及其位置O2、O3、O4;将当前目标的位置O1到圆形区域内其它人物、物体的位置O2、O3、O4的矢量组作为当前目标的环境特征;
通过大数据统计,分析在与所述当前目标的环境特征相近的环境特征下,正常状态目标的动作特征和行进轨迹特征;包括:根据所述当前目标的位置,确定位于相同位置范围的历史目标;根据所述当前目标的环境特征,通过余弦相似度算法或者欧几里德距离计算矢量组距离相似度,确定所述历史目标中与所述当前目标的环境特征相近的历史目标;获取所述相近的 历史目标的动作特征和行进轨迹特征,作为正常状态目标的动作特征和行进轨迹特征;
比较判断所述当前目标的动作特征和行进轨迹特征与所述正常状态目标的动作特征和行进轨迹特征的差异度,选取所述差异度大的当前目标作为重点安保目标,包括:将所述正常状态目标的动作特征和行进轨迹特征代入SVM向量机,对所述SVM向量机进行训练;将所述当前目标的动作特征和行进轨迹特征代入经过训练的SVM向量机,生成SVM向量机的分类结果;根据所述SVM向量机的分类结果,判断所述当前目标的动作特征和行进轨迹特征与所述正常状态目标的动作特征和行进轨迹特征是否属于同一类;若所述当前目标的动作特征和行进轨迹特征与所述正常状态目标的动作特征和行进轨迹特征非同一类,则差异度大,选取所述当前目标作为重点安保目标。
2.一种智能提取的重点安保目标发掘系统,其特征在于,包括:
获取模块,用于获取当前目标,并提取所述当前目标的动作特征和行进轨迹特征;其中,所述获取模块提取所述动作特征具体包括:确定人物在视频画面中的人形图像区域;确定所述人物的外接矩形与外接矩形的中心点O,将所述外接矩形的中心点O作为所述人物的位置;计算所述外接矩形的中心点到该人形图像区域的矢量组,生成所述人物的动作特征;所述获取模块提取行进轨迹特征包括:计算所述人物在若干帧视频画面中的位置变化量数组,生成所述人物的行进轨迹特征;
确定模块,用于根据所述当前目标的位置和所述当前目标与周围目标的位置关系,确定所述当前目标的环境特征;所述确定模块确定所述当前目标的环境特征包括:确定当前目标和周围目标的外接矩形与外接矩形的中心点O1、O2、O3、O4,O5将外接矩形的中心点O1作为当前目标的位置,O2、O3、O4、O5作为周围目标的位置;设定一个半径参数R,在以当前目标的位置O1为圆心,R为半径的圆形区域内,确定存在的其它人物或者物体及其位置O2、O3、O4;将当前目标的位置O1到圆形区域内其它人物、物体的位置O2、O3、O4的矢量组作为当前目标的环境特征;
分析模块,用于通过大数据统计分析在与所述当前目标的环境特征相近的环境特征下,正常状态目标的动作特征和行进轨迹特征;所述分析模块包括:确定子模块,用于根据所述当前目标的位置,确定位于相同位置范围的历史目标;计算子模块,用于根据所述当前目标的环境特征,通过余弦相似度算法或者欧几里德距离计算矢量组距离相似度,确定所述历史目标中与所述当前目标的环境特征相近的历史目标;获取子模块,用于获取所述相近的 历史目标的动作特征和行进轨迹特征,作为正常状态目标的动作特征和行进轨迹特征;
判断模块,用于比较判断所述当前目标的动作特征和行进轨迹特征与所述正常状态目标的动作特征和行进轨迹特征的差异度,选取所述差异度大的当前目标作为重点安保目标;所述判断模块包括:训练子模块,用于将所述正常状态目标的动作特征和行进轨迹特征代入SVM向量机,对所述SVM向量机进行训练;生成子模块,用于将所述当前目标的动作特征和/或行进轨迹特征代入经过训练的SVM向量机,生成SVM向量机的分类结果;判断子模块,用于根据所述SVM向量机的分类结果,判断所述当前目标的动作特征和行进轨迹特征与所述正常状态目标的动作特征和行进轨迹特征是否属于同一类;选取子模块,用于若所述当前目标的动作特征和行进轨迹特征与所述正常状态目标的动作特征和行进轨迹特征非同一类,则差异度大,选取所述当前目标作为重点安保目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911039481.6A CN110991461B (zh) | 2019-10-29 | 2019-10-29 | 一种智能提取的重点安保目标发掘方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911039481.6A CN110991461B (zh) | 2019-10-29 | 2019-10-29 | 一种智能提取的重点安保目标发掘方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110991461A CN110991461A (zh) | 2020-04-10 |
CN110991461B true CN110991461B (zh) | 2021-05-25 |
Family
ID=70082487
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911039481.6A Active CN110991461B (zh) | 2019-10-29 | 2019-10-29 | 一种智能提取的重点安保目标发掘方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110991461B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015158834A (ja) * | 2014-02-25 | 2015-09-03 | 三菱重工業株式会社 | 異常車両抽出装置、異常車両抽出方法、およびプログラム |
CN109509327A (zh) * | 2018-10-31 | 2019-03-22 | 武汉烽火众智数字技术有限责任公司 | 一种异常行为预警方法及装置 |
CN109697830A (zh) * | 2018-12-21 | 2019-04-30 | 山东大学 | 一种基于目标分布规律的人员异常行为检测方法 |
CN109829382A (zh) * | 2018-12-30 | 2019-05-31 | 北京宇琪云联科技发展有限公司 | 基于行为特征智能分析的异常目标预警追踪系统及方法 |
CN110378200A (zh) * | 2019-06-03 | 2019-10-25 | 特斯联(北京)科技有限公司 | 一种基于行为特征聚类的智能安防提示设备与方法 |
-
2019
- 2019-10-29 CN CN201911039481.6A patent/CN110991461B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015158834A (ja) * | 2014-02-25 | 2015-09-03 | 三菱重工業株式会社 | 異常車両抽出装置、異常車両抽出方法、およびプログラム |
CN109509327A (zh) * | 2018-10-31 | 2019-03-22 | 武汉烽火众智数字技术有限责任公司 | 一种异常行为预警方法及装置 |
CN109697830A (zh) * | 2018-12-21 | 2019-04-30 | 山东大学 | 一种基于目标分布规律的人员异常行为检测方法 |
CN109829382A (zh) * | 2018-12-30 | 2019-05-31 | 北京宇琪云联科技发展有限公司 | 基于行为特征智能分析的异常目标预警追踪系统及方法 |
CN110378200A (zh) * | 2019-06-03 | 2019-10-25 | 特斯联(北京)科技有限公司 | 一种基于行为特征聚类的智能安防提示设备与方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110991461A (zh) | 2020-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108053427B (zh) | 一种基于KCF与Kalman的改进型多目标跟踪方法、系统及装置 | |
Kaushal et al. | Soft Computing based object detection and tracking approaches: State-of-the-Art survey | |
US9317753B2 (en) | Method of searching data to identify images of an object captured by a camera system | |
Ruta et al. | Robust class similarity measure for traffic sign recognition | |
CN110738127A (zh) | 基于无监督深度学习神经网络算法的安全帽识别方法 | |
CN109829382B (zh) | 基于行为特征智能分析的异常目标预警追踪系统及方法 | |
CN102163290A (zh) | 基于时空关联信息的多视角视频监控中异常事件建模方法 | |
Li et al. | Traffic anomaly detection based on image descriptor in videos | |
Piciarelli et al. | Surveillance-oriented event detection in video streams | |
Varghese et al. | An efficient algorithm for detection of vacant spaces in delimited and non-delimited parking lots | |
Gong et al. | Local distinguishability aggrandizing network for human anomaly detection | |
Wang et al. | Towards detection of abnormal vehicle behavior using traffic cameras | |
CN115691034A (zh) | 一种智能家居异常情况告警方法、系统及存储介质 | |
CN109241950B (zh) | 一种基于焓值分布熵的人群恐慌状态识别方法 | |
Lee et al. | License plate detection via information maximization | |
Hirzi et al. | Literature study of face recognition using the viola-jones algorithm | |
Kwon et al. | Scene modeling-based anomaly detection for intelligent transport system | |
Ciampi et al. | Unsupervised Domain Adaptation for Video Violence Detection in the Wild. | |
CN110991461B (zh) | 一种智能提取的重点安保目标发掘方法与系统 | |
CN117423157A (zh) | 一种结合迁移学习、区域入侵的矿井下异常视频动作理解方法 | |
Kodwani et al. | Automatic license plate recognition in real time videos using visual surveillance techniques | |
Zhang et al. | A Multiple Instance Learning and Relevance Feedback Framework for Retrieving Abnormal Incidents in Surveillance Videos. | |
Bravi et al. | Detection of stop sign violations from dashcam data | |
Park et al. | Intensity classification background model based on the tracing scheme for deep learning based CCTV pedestrian detection | |
Batapati et al. | Video analysis for traffic anomaly detection using support vector machines |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |