CN111881863B - 一种区域群体异常行为检测方法 - Google Patents

一种区域群体异常行为检测方法 Download PDF

Info

Publication number
CN111881863B
CN111881863B CN202010765953.2A CN202010765953A CN111881863B CN 111881863 B CN111881863 B CN 111881863B CN 202010765953 A CN202010765953 A CN 202010765953A CN 111881863 B CN111881863 B CN 111881863B
Authority
CN
China
Prior art keywords
detection
mode
normal mode
human body
image
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
Application number
CN202010765953.2A
Other languages
English (en)
Other versions
CN111881863A (zh
Inventor
权伟
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.)
Chengdu Xijiao Zhihui Big Data Technology Co ltd
Original Assignee
Chengdu Xijiao Zhihui Big Data 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 Chengdu Xijiao Zhihui Big Data Technology Co ltd filed Critical Chengdu Xijiao Zhihui Big Data Technology Co ltd
Priority to CN202010765953.2A priority Critical patent/CN111881863B/zh
Publication of CN111881863A publication Critical patent/CN111881863A/zh
Application granted granted Critical
Publication of CN111881863B publication Critical patent/CN111881863B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection

Landscapes

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

Abstract

本发明提供了一种区域群体异常行为检测方法，涉及智能视频监控技术领域。在整个视频区域内，随机选择50个位置点作为模拟人体位置点构建正常模式，并将位于左上角的模拟人体位置点作为基准点进行连线，计算每个连线的长度和连线角度及其夹角，接着计算所有连线长度的平均值和标准差；欲进行区域群体异常行为检测的视频图像输入；图像预处理将输入图像大小规则化为10002像素大小，采用直方图均衡化和同态滤波方法对输入图像进行图像增强；根据构建的正常模式，通过计算当前检测模式与正常模式的模式距离并与阈值比较，可以将当前检测模式与对应正常模式进行有效匹配，从而实现对监控视频的群体异常行为检测。

Description

一种区域群体异常行为检测方法
技术领域：
本发明涉及计算机视觉，人工智能，智能视频监控技术领域。
背景技术：
区域群体异常行为检测是智能监控、智能安防、智能风控管理等系统的重要组成部分，被广泛应用于对重点区域的监视和防护，如加油站，铁路站线，博物馆，试验场，危险区，警戒区，军事重地等。与采用特殊的传感器设备相比(如红外线、声控设备)，基于视频图像的群体异常行为检测具有检测覆盖范围大，安装简单，维护方便，工程造价低，适用面广等特点，因而成为目前群体异常行为检测技术研究的热点。
基于视频图像的群体异常行为检测是利用计算机视觉技术对监控场景的视频图像内容进行分析，自动检测监控画面中的群体异常行为情况，并警报和提供有用信息，从而能够更加有效地提醒安防人员及时处理异常情况。根据不同场景下的检测任务，研究人员提出了行为关系分析法、运动轨迹分析法、底层特征分析法和基于深度神经网络分析法等对群体异常行为进行检测分析。行为关系分析法通常使用概率模型描述不同行为之间的关系，通过对这些关系进行统计分析来判断异常的发生概率，该方法需要依赖大量的训练样本才能获得稳定可靠的关系模型；运动轨迹分析法主要对轨迹数据进行建模，由于人群视频中人体存在重叠、遮挡等问题，难以跟踪到精确的人体轨迹，进而影响检测的准确性；底层特征分析法通过提取运动、外观等底层特征，建模分析判断是否发生异常行为，该方法存在准确率低、虚警率高等问题；基于深度神经网络分析法通过深度网络提取视频特征，进而分析判断异常行为，该方法计算量大，难以满足实时性要求。
发明内容
本发明的目的是提供一种区域群体异常行为检测方法，它能有效地解决区域内群体异常行为的智能监测的技术问题。
本发明的目的是通过以下技术方案来实现的：一种区域群体异常行为检测方法，所述方法包括如下步骤：
步骤一、正常模式构建
在整个视频区域内，随机选择50个位置点作为模拟人体位置点，并将位于左上角的模拟人体位置点作为基准点，然后将基准点分别与其它模拟人体位置点进行连线，计算每个连线的长度和连线角度，连线角度为该连线与水平方向的夹角，接着计算所有连线长度的平均值和标准差，并计算所有连线角度的平均值和标准差，再将连线长度与角度的平均值和标准差作为空间关联特征构建正常模式；按照以上的过程，重复进行1000次这样的操作和计算，得到1000个正常模式；设
Figure BDA0002614595510000011
为第i个正常模式，其中
Figure BDA0002614595510000012
表示该正常模式连线长度的平均值，
Figure BDA0002614595510000013
表示该正常模式连线长度的标准差，
Figure BDA0002614595510000014
表示该正常模式连线角度的平均值，
Figure BDA0002614595510000015
表示该正常模式连线角度的标准差；
步骤二、视频图像输入
欲进行区域群体异常行为检测的视频图像，是通过监控摄像头实时采集得到的视频图像，或者由已采集的视频文件分解为多个帧组成的图像序列，按照时间顺序逐个输入的图像；如果输入图像为空，则整个流程中止；
步骤三、图像预处理
将输入图像大小规则化为1000×1000像素大小，采用直方图均衡化和同态滤波方法对输入图像进行图像增强；
步骤四、人体检测
采用目前已广泛使用的图像分析与处理库OpenCV中的人体检测预训练模型及方法对输入图像进行人体检测，获得并记录图像中出现的每个人体的位置，如果检测到的人体数目小于4，则跳转到步骤二，否则跳转到步骤五；
步骤五、检测模式构建
将步骤四中检测到的所有人体位置中左上角的人体位置作为检测基准点，然后将检测基准点分别与其它检测到的人体位置点进行连线，计算每个连线的长度和连线角度，连线角度为该连线与水平方向的夹角，接着计算所有连线长度的平均值和标准差，并计算所有连线角度的平均值和标准差，将连线长度与角度的平均值和标准差作为空间关联特征构建检测模式；设
Figure BDA0002614595510000021
为检测模式，其中
Figure BDA0002614595510000022
表示该检测模式连线长度的平均值,
Figure BDA0002614595510000023
表示该检测模式连线长度的标准差,
Figure BDA0002614595510000024
表示该检测模式连线角度的平均值,
Figure BDA0002614595510000025
表示该检测模式连线角度的标准差；
步骤六、区域群体异常行为检测
设Ri表示检测模式S与第i个正常模式Qi的模式距离，Ri计算为：
Figure BDA0002614595510000026
计算并比较检测模式S与所有正常模式的模式距离，设
Figure BDA0002614595510000027
为所有模式距离中最小模式距离对应的正常模式的序号，即：
Figure BDA0002614595510000028
其中N为所有正常模式序号的集合，将第
Figure BDA0002614595510000029
个正常模式
Figure BDA00026145955100000210
作为检测模式匹配到的正常模式，它们之间的模式距离为
Figure BDA00026145955100000211
Figure BDA00026145955100000212
如果
Figure BDA00026145955100000213
大于阈值θr＝100则将该图像标记为出现群体行为异常，否则标记为没有出现群体行为异常；θr值是根据具体情况按照应用测试结果加以选择和设置；当前群体异常行为检测完成，跳转到步骤二；
经过以上步骤一～步骤六的处理后，根据构建的正常模式，通过计算当前检测模式与正常模式的距离并与阈值比较，将当前检测模式与对应正常模式按照公式(2)进行有效匹配，同时发现群体异常行为是否出现，从而实现对监控视频范围内的群体异常行为检测并报警。
本发明与现有技术相比的优点效果：本发明提出了一种区域群体异常行为检测方法。具有自适应空间关联特征，该方法基于人体检测获得的人体位置，采用连线长度和角度构建空间关联特征，在异常行为检测前先构建正常模式，然后在检测过程中，实时计算当前检测模式，通过对比分析检测模式与正常模式的模式距离，匹配正常模式，同时检测异常行为是否出现，进而实现群体异常行为检测。本发明的方法可以用于不管是静态还是动态背景，固定摄像头还是移动摄像头的群体异常行为检测任务，不仅检测更加准确，能够满足实时性要求，适应和扩展能力强，且结构简单，易于实现实时准确的视频区域群体异常行为检测。
附图说明
图1为本发明流程图
具体实施方法
本发明的方法可用于视频监控下群体异常行为检测的各种场合，比如用于加油站的群体异常行为检测，具体过程为，在用于群体异常行为检测之前，首先针对整个视频区域，通过随机产生50个模拟人体位置，并基于它们之间的距离和角度建立空间关联特征，进而构建正常模式，重复采用这种方法生成1000个这样的正常模式，然后在检测过程中，先通过图像预处理增强图像信号，之后通过快速的人体检测获得图像中的各个人体位置，并基于它们之间的距离和角度建立空间关联特征，进而构建当前的检测模式，接着通过对比分析检测模式与正常模式的模式距离，匹配其对应的正常模式，同时通过设置阈值判断异常行为是否出现，进而实现群体异常行为检测。由于这些模拟人体位置是随机产生，其位置分布符合正常情况下人群大致的分布情况，即正常情况下人群是随机均匀分布在视频区域的各个位置上，因此随机在视频区域生成的模拟人体位置可以作为人群没有出现异常行为的正常模式，而在检测过程中，通过实时人体检测并计算其检测模式，再通过计算检测模式与这些正常模式的最小模式距离，并进行阈值判断，进而可以判断当前群体行为是否出现异常，比如，如果人群发生了聚集，或呈现特殊形状，这时检测模式与正常模式的模式距离将比较大而超过阈值，则认为当前群体行为出现异常。本发明的方法可以用于不管是静态还是动态背景，固定摄像头还是移动摄像头的群体异常行为检测任务，不仅检测更加准确，能够满足实时性要求，适应和扩展能力强，且结构简单，易于实现实时准确的视频区域群体异常行为检测。
本发明方法可通过任何计算机程序设计语言(如C语言)编程实现，基于本发明方法实现的系统软件可在任何PC或者嵌入式系统中实现实时的视频区域群体异常行为检测应用。

Claims (1)

1.一种区域群体异常行为检测方法，所述方法包括如下步骤：
步骤一、正常模式构建
在整个视频区域内，随机选择50个位置点作为模拟人体位置点，并将位于左上角的模拟人体位置点作为基准点，然后将基准点分别与其它模拟人体位置点进行连线，计算每个连线的长度和连线角度，连线角度为该连线与水平方向的夹角，接着计算所有连线长度的平均值和标准差，并计算所有连线角度的平均值和标准差，再将连线长度与角度的平均值和标准差作为空间关联特征构建正常模式；按照以上的过程，重复进行1000次这样的操作和计算，得到1000个正常模式；设
Figure FDA0002614595500000011
为第i个正常模式，其中
Figure FDA0002614595500000012
表示该正常模式连线长度的平均值，
Figure FDA0002614595500000013
表示该正常模式连线长度的标准差，
Figure FDA0002614595500000014
表示该正常模式连线角度的平均值，
Figure FDA0002614595500000015
表示该正常模式连线角度的标准差；
步骤二、视频图像输入
欲进行区域群体异常行为检测的视频图像，是通过监控摄像头实时采集得到的视频图像，或者由已采集的视频文件分解为多个帧组成的图像序列，按照时间顺序逐个输入的图像；如果输入图像为空，则整个流程中止；
步骤三、图像预处理
将输入图像大小规则化为1000×1000像素大小，采用直方图均衡化和同态滤波方法对输入图像进行图像增强；
步骤四、人体检测
采用目前已广泛使用的图像分析与处理库OpenCV中的人体检测预训练模型及方法对输入图像进行人体检测，获得并记录图像中出现的每个人体的位置，如果检测到的人体数目小于4，则跳转到步骤二，否则跳转到步骤五；
步骤五、检测模式构建
将步骤四中检测到的所有人体位置中左上角的人体位置作为检测基准点，然后将检测基准点分别与其它检测到的人体位置点进行连线，计算每个连线的长度和连线角度，连线角度为该连线与水平方向的夹角，接着计算所有连线长度的平均值和标准差，并计算所有连线角度的平均值和标准差，将连线长度与角度的平均值和标准差作为空间关联特征构建检测模式；设
Figure FDA0002614595500000016
为检测模式，其中
Figure FDA0002614595500000017
表示该检测模式连线长度的平均值,
Figure FDA0002614595500000018
表示该检测模式连线长度的标准差,
Figure FDA0002614595500000019
表示该检测模式连线角度的平均值,
Figure FDA00026145955000000110
表示该检测模式连线角度的标准差；
步骤六、区域群体异常行为检测
设Ri表示检测模式S与第i个正常模式Qi的模式距离，Ri计算为：
Figure FDA00026145955000000111
计算并比较检测模式S与所有正常模式的模式距离，设
Figure FDA00026145955000000112
为所有模式距离中最小模式距离对应的正常模式的序号，即：
Figure FDA00026145955000000113
其中N为所有正常模式序号的集合，将第
Figure FDA0002614595500000021
个正常模式
Figure FDA0002614595500000022
作为检测模式匹配到的正常模式，它们之间的模式距离为
Figure FDA0002614595500000023
Figure FDA0002614595500000024
如果
Figure FDA0002614595500000025
大于阈值θr，则将该图像标记为出现群体行为异常，否则标记为没有出现群体行为异常；θr值是根据具体情况按照应用测试结果加以选择和设置；当前群体异常行为检测完成，跳转到步骤二；
经过以上步骤一～步骤六的处理后，根据构建的正常模式，通过计算当前检测模式与正常模式的距离并与阈值比较，将当前检测模式与对应正常模式按照公式(2)进行有效匹配，同时发现群体异常行为是否出现，从而实现对监控视频区域范围内的群体异常行为检测并报警。
CN202010765953.2A 2020-08-03 2020-08-03 一种区域群体异常行为检测方法 Active CN111881863B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010765953.2A CN111881863B (zh) 2020-08-03 2020-08-03 一种区域群体异常行为检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010765953.2A CN111881863B (zh) 2020-08-03 2020-08-03 一种区域群体异常行为检测方法

Publications (2)

Publication Number Publication Date
CN111881863A CN111881863A (zh) 2020-11-03
CN111881863B true CN111881863B (zh) 2021-04-13

Family

ID=73205446

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010765953.2A Active CN111881863B (zh) 2020-08-03 2020-08-03 一种区域群体异常行为检测方法

Country Status (1)

Country Link
CN (1) CN111881863B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116049755A (zh) * 2023-03-15 2023-05-02 阿里巴巴（中国）有限公司 时间序列的检测方法、电子设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103152558A (zh) * 2013-03-29 2013-06-12 西南交通大学 基于场景识别的入侵检测方法
EP2659456A4 (en) * 2010-12-30 2017-03-22 Pelco, Inc. Scene activity analysis using statistical and semantic feature learnt from object trajectory data
CN108091133A (zh) * 2017-11-27 2018-05-29 银江股份有限公司 一种基于海量交通数据分析的车辆安全驾驶行为分析方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103810476B (zh) * 2014-02-20 2017-02-01 中国计量学院 基于小群体信息关联的视频监控网络中行人重识别方法
CN110245603A (zh) * 2019-06-12 2019-09-17 成都信息工程大学 一种群体异常行为实时检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2659456A4 (en) * 2010-12-30 2017-03-22 Pelco, Inc. Scene activity analysis using statistical and semantic feature learnt from object trajectory data
CN103152558A (zh) * 2013-03-29 2013-06-12 西南交通大学 基于场景识别的入侵检测方法
CN108091133A (zh) * 2017-11-27 2018-05-29 银江股份有限公司 一种基于海量交通数据分析的车辆安全驾驶行为分析方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"基于集群性特征的异常行为检测";周洁等;《光电工程》;20150930;第1-7页 *
"基于霍夫蕨的实时对象跟踪方法";权伟等;《西南交通大学学报》;20140630;第1-8页 *

Also Published As

Publication number Publication date
CN111881863A (zh) 2020-11-03

Similar Documents

Publication Publication Date Title
CN111967393B (zh) 一种基于改进YOLOv4的安全帽佩戴检测方法
CN111898514B (zh) 一种基于目标检测与动作识别的多目标视觉监管方法
CN112199993B (zh) 基于人工智能识别任意方向变电站绝缘子红外图像检测模型的方法
CN101141633B (zh) 一种复杂场景中的运动目标检测与跟踪方法
CN105744232B (zh) 一种基于行为分析技术的输电线路视频防外破的方法
CN112257557A (zh) 一种基于机器视觉的高空抛物检测识别方法及系统
CN112396658B (zh) 一种基于视频的室内人员定位方法及定位系统
CN107437318B (zh) 一种可见光智能识别算法
CN108596028B (zh) 一种基于视频录像中的异常行为检测算法
CN108229407A (zh) 一种视频分析中的行为检测方法与系统
CN102447835A (zh) 无盲区多目标协同跟踪方法及系统
CN113362374A (zh) 一种基于目标跟踪网络的高空抛物检测方法及系统
CN108182416A (zh) 一种无人机监控场景下的人体行为识别方法、系统及装置
CN113963301A (zh) 一种时空特征融合的视频火灾烟雾探测方法及系统
CN112184773A (zh) 一种基于深度学习的安全帽佩戴检测方法及系统
CN111681382A (zh) 一种基于视觉分析检测施工现场跨越临时围栏的方法
CN111967323B (zh) 一种基于深度学习算法的电力带电作业安全检测方法
CN111881863B (zh) 一种区域群体异常行为检测方法
CN117197713A (zh) 一种基于数字视频监控系统的提取方法
CN113095160B (zh) 基于人工智能和5g的电力系统人员安全行为识别方法及系统
CN111274872B (zh) 基于模板匹配的视频监控动态不规则多监管区域判别方法
CN106570488A (zh) 基于小波算法的车辆追踪识别方法
CN117423058B (zh) 基于城市安全眼的高空抛物检测系统及方法
CN114783000B (zh) 一种明厨亮灶场景下工作人员着装规范检测方法及装置
CN111860395B (zh) 基于视觉和加速度信息实现监所暴力行为检测的方法

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
GR01 Patent grant
GR01 Patent grant