CN112052739A - 一种基于智能视频监控的审讯室人员近距离接触识别方法 - Google Patents

一种基于智能视频监控的审讯室人员近距离接触识别方法 Download PDF

Info

Publication number
CN112052739A
CN112052739A CN202010787533.4A CN202010787533A CN112052739A CN 112052739 A CN112052739 A CN 112052739A CN 202010787533 A CN202010787533 A CN 202010787533A CN 112052739 A CN112052739 A CN 112052739A
Authority
CN
China
Prior art keywords
human body
video monitoring
intelligent video
identification method
range contact
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.)
Withdrawn
Application number
CN202010787533.4A
Other languages
English (en)
Inventor
杨贤文
漆灵郎
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.)
Wuhan Better Vision System Co ltd
Original Assignee
Wuhan Better Vision System 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 Wuhan Better Vision System Co ltd filed Critical Wuhan Better Vision System Co ltd
Priority to CN202010787533.4A priority Critical patent/CN112052739A/zh
Publication of CN112052739A publication Critical patent/CN112052739A/zh
Withdrawn legal-status Critical Current

Links

Images

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
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • 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
    • G06V10/56—Extraction of image or video features relating to colour
    • 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
    • G06V40/23—Recognition of whole body movements, e.g. for sport training
    • G06V40/25—Recognition of walking or running movements, e.g. gait recognition
    • 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
    • G06V40/28—Recognition of hand or arm movements, e.g. recognition of deaf sign language

Abstract

本发明公开了一种基于智能视频监控的审讯室人员近距离接触识别方法，包括如下步骤：步骤1、环境建模；步骤2、运动检测；步骤3、目标分类；步骤4、人体跟踪；步骤5、数据融合；步骤6、行为理解和描述；本发明涉及视频监控技术领域。该基于智能视频监控的审讯室人员近距离接触识别方法，通过人体跟踪和运动检测就可以合理分辨出审讯室内人员的移动情况，并且根据审讯室内的具体环境背景，可以确定审讯室内人体移动具体情况，大大的增强了智能监控对于审讯室内复杂情况的预判能力，有效的提高了智能监控对于审讯室内发生的具体情况进行预警以及实施警报的能力，可以明显的降低工作人员在审讯室因私犯错的概率。

Description

一种基于智能视频监控的审讯室人员近距离接触识别方法
技术领域
本发明涉及视频监控技术领域，具体为一种基于智能视频监控的审讯室人员近距离接触识别方法。
背景技术
审讯是司法机关向诉讼双方查问有关案件的事实。监控系统是安防系统中应用最多的系统之一，现在市面上较为适合的工地监控系统是手持式视频通信设备，视频监控现在是主流。从最早模拟监控到前些年火热数字监控再到现在方兴未艾网络视频监控，发生了翻天覆地变化。从技术角度来讲，智能化是一个重要的发展方向，只有通过智能分析技术对视频信息管理才能够把人的工作从繁复的事务中解脱出来。
一般情况下，犯罪嫌疑人在被抓捕后需要投入审讯室内进行预审，用以了解犯罪人员的具体犯罪事实，为了降低了审讯室内非法优待或虐待嫌疑人的状况，采用在审讯室内安装监控摄像头的方法对审讯室进行监控，但是传统的监控只能后期事发后调取监控用以查证，而没有对审讯室内发生的可能优待或虐待情况进行预警的能力，不能对具体状况进行智能识别。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种基于智能视频监控的审讯室人员近距离接触识别方法，解决了传统的监控只能后期事发后调取监控用以查证，而没有对审讯室内发生可能优待或虐待情况进行预警能力的问题。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：一种基于智能视频监控的审讯室人员近距离接触识别方法，包括如下步骤：
步骤1、环境建模
智能视频监控需要在审讯室设置摄像头，然后对环境模型进行动态创建和
更新；保证摄像机静止的条件下，环境建模的工作是从一个动态图像序列中获取并自动更新背景模型。
步骤2、运动检测
对于运动人员检测是从序列图像中将变化区域从背景图像中提取出来，提取时对于运动区域要进行有效分割，并且同时对于目标进行精确分类、细节跟踪，以保证后续处理时仅需考虑图像中对应于运动区域的像素。
步骤3、目标分类
确定运动区域的信息之后，将人体目标从所有运动目标中分离单列出来；
因为不同的运动区域可能对应不同的运动目标，但是，当前只需注重关注审讯室内人员的运动。
步骤4、人体跟踪
采用两种形式对人体进行跟踪，一种是在二维图像坐标系下的跟踪，一种
是在三维空间坐标系下的跟踪；前者是指在二维图像中，建立运动区域和运动人体(或人体的某部分)的对应关系，并在一个连续的图像序列中维持这个对应关系，后者是指在三维图像中，建立运动区域和运动人体(或人体的某部分)的对应关系。
步骤5、数据融合
当全面确定审讯室人员时可以采用多个摄像机，增加视频监控系统的视野和功能；不同类型摄像机的功能和适用场合不一样，常常需要把多种摄像机的数据融合在一起，上述所有数据用以确定审讯室人员是否有近距离接触。
步骤6、行为理解和描述
主要是对人的运动模式进行分析和识别，并用自然语言等加以描述，并且最后生成日志和处理意见并且被保存至数据库，以便后续提取使用。
优选的，所述步骤1中，最为关键的问题在于怎样消除场景中的各种干扰因素，如光照变化、阴影、摇动的窗帘、闪烁的屏幕、缓慢移动的人体以及新加入的或被移走的物体等的影响，因此采用光照充足，固定窗帘，稳定运行的机器和固定人数在审讯室内被稳定建模。
优选的，所述步骤2中，背景图像的动态变化，如光照、影子及混乱干扰等的影响，容易干扰运动检测，因此在进行运动检测时，需要将动态变化保持一致。
优选的，所述步骤3中，室内监控摄像机所捕捉的序列图像中除了有人以外，还可能包含文具、吊灯、装饰、摇动的植物等运动物体。为了便于进一步对行人进行跟踪和行为分析，对人物进行进一步的分类。
优选的，所述步骤4中，从运动检测得到的一般是人的投影，要进行跟踪首先要给需要跟踪的对象建立一个模型，对象模型可以是整个人体，这时形状、颜色、位置、速度、步态等等都是可以利用的信息；也可以是人体的一部分如上臂、头部或手掌等，这时需要对这些部分单独进行建模。
优选的，所述步骤4中，建模之后，将运动检测到的投影匹配与这个模型匹配，一旦匹配工作完成，得到最终有用的人体信息，跟踪过程完成。
优选的，所述步骤5中，在需要恢复三维信息和立体视觉的场合，也需要将多个摄像机的图像进行综合处理。
(三)有益效果
本发明提供了一种基于智能视频监控的审讯室人员近距离接触识别方法。与现有技术相比，具备以下有益效果：
(1)、该基于智能视频监控的审讯室人员近距离接触识别方法，通过在对于运动人员检测是从序列图像中将变化区域从背景图像中提取出来，提取时对于运动区域要进行有效分割，并且同时对于目标进行精确分类、细节跟踪，以保证后续处理时仅需考虑图像中对应于运动区域的像素，通过人体跟踪和运动检测就可以合理分辨出审讯室内人员的移动情况，并且根据审讯室内的具体环境背景，可以确定审讯室内人体移动具体情况，大大的增强了智能监控对于审讯室内复杂情况的预判能力，有效的提高了智能监控对于审讯室内发生的具体情况进行预警以及实施警报的能力，可以明显的降低工作人员在审讯室因私犯错的概率。
(2)、该基于智能视频监控的审讯室人员近距离接触识别方法，通过当全面确定审讯室人员时可以采用多个摄像机，增加视频监控系统的视野和功能；不同类型摄像机的功能和适用场合不一样，常常需要把多种摄像机的数据融合在一起，上述所有数据用以确定审讯室人员是否有近距离接触，通过数据融合和行为理解和描述的联合使用，可以有效的将审讯室内具体场景融合确定为固定情形，并且配合后期处理可以有效的快速调取使用，提高了智能监控在对审讯室内发生的复杂情况的处理速度，并且可以及时在数据内被更新和重新整合。
附图说明
图1为本发明识别方法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本发明实施例提供一种技术方案：一种基于智能视频监控的审讯室人员近距离接触识别方法，包括如下步骤：
步骤1、环境建模
智能视频监控需要在审讯室设置摄像头，然后对环境模型进行动态创建和更新；保证摄像机静止的条件下，环境建模的工作是从一个动态图像序列中获取并自动更新背景模型。
步骤2、运动检测
对于运动人员检测是从序列图像中将变化区域从背景图像中提取出来，提取时对于运动区域要进行有效分割，并且同时对于目标进行精确分类、细节跟踪，以保证后续处理时仅需考虑图像中对应于运动区域的像素。
步骤3、目标分类
确定运动区域的信息之后，将人体目标从所有运动目标中分离单列出来；
因为不同的运动区域可能对应不同的运动目标，但是，当前只需注重关注审讯室内人员的运动。
步骤4、人体跟踪
采用两种形式对人体进行跟踪，一种是在二维图像坐标系下的跟踪，一种
是在三维空间坐标系下的跟踪；前者是指在二维图像中，建立运动区域和运动人体(或人体的某部分)的对应关系，并在一个连续的图像序列中维持这个对应关系，后者是指在三维图像中，建立运动区域和运动人体(或人体的某部分)的对应关系。
步骤5、数据融合
当全面确定审讯室人员时可以采用多个摄像机，增加视频监控系统的视野和功能；不同类型摄像机的功能和适用场合不一样，常常需要把多种摄像机的数据融合在一起，上述所有数据用以确定审讯室人员是否有近距离接触。
步骤6、行为理解和描述
主要是对人的运动模式进行分析和识别，并用自然语言等加以描述，并且最后生成日志和处理意见并且被保存至数据库，以便后续提取使用。
本发明中，步骤1中，最为关键的问题在于怎样消除场景中的各种干扰因素，如光照变化、阴影、摇动的窗帘、闪烁的屏幕、缓慢移动的人体以及新加入的或被移走的物体等的影响，因此采用光照充足，固定窗帘，稳定运行的机器和固定人数在审讯室内被稳定建模。
本发明中，步骤2中，背景图像的动态变化，如光照、影子及混乱干扰等的影响，容易干扰运动检测，因此在进行运动检测时，需要将动态变化保持一致。
本发明中，步骤3中，室内监控摄像机所捕捉的序列图像中除了有人以外，还可能包含文具、吊灯、装饰、摇动的植物等运动物体，为了便于进一步对行人进行跟踪和行为分析，对人物进行进一步的分类。
本发明中，步骤4中，从运动检测得到的一般是人的投影，要进行跟踪首先要给需要跟踪的对象建立一个模型，对象模型可以是整个人体，这时形状、颜色、位置、速度、步态等等都是可以利用的信息；也可以是人体的一部分如上臂、头部或手掌等，这时需要对这些部分单独进行建模。
本发明中，步骤4中，建模之后，将运动检测到的投影匹配与这个模型匹配，一旦匹配工作完成，得到最终有用的人体信息，跟踪过程完成。
本发明中，步骤5中，在需要恢复三维信息和立体视觉的场合，也需要将多个摄像机的图像进行综合处理。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (7)

1.一种基于智能视频监控的审讯室人员近距离接触识别方法，其特征在于，包括如下步骤：
步骤1、环境建模
智能视频监控需要在审讯室设置摄像头，然后对环境模型进行动态创建和
更新；保证摄像机静止的条件下，环境建模的工作是从一个动态图像序列中获取并自动更新背景模型；
步骤2、运动检测
对于运动人员检测是从序列图像中将变化区域从背景图像中提取出来，提
取时对于运动区域要进行有效分割，并且同时对于目标进行精确分类、细节跟踪，以保证后续处理时仅需考虑图像中对应于运动区域的像素；
步骤3、目标分类
确定运动区域的信息之后，将人体目标从所有运动目标中分离单列出来；
因为不同的运动区域可能对应不同的运动目标，但是，当前只需注重关注审讯室内人员的运动；
步骤4、人体跟踪
采用两种形式对人体进行跟踪，一种是在二维图像坐标系下的跟踪，一种
是在三维空间坐标系下的跟踪；前者是指在二维图像中，建立运动区域和运动人体(或人体的某部分)的对应关系，并在一个连续的图像序列中维持这个对应关系，后者是指在三维图像中，建立运动区域和运动人体(或人体的某部分)的对应关系；
步骤5、数据融合
当全面确定审讯室人员时可以采用多个摄像机，增加视频监控系统的视野
和功能；不同类型摄像机的功能和适用场合不一样，常常需要把多种摄像机的数据融合在一起，上述所有数据用以确定审讯室人员是否有近距离接触；
步骤6、行为理解和描述
主要是对人的运动模式进行分析和识别，并用自然语言等加以描述，并且
最后生成日志和处理意见并且被保存至数据库，以便后续提取使用。
2.根据权利要求1所述的一种基于智能视频监控的审讯室人员近距离接触识别方法，其特征在于：所述步骤1中，最为关键的问题在于怎样消除场景中的各种干扰因素，如光照变化、阴影、摇动的窗帘、闪烁的屏幕、缓慢移动的人体以及新加入的或被移走的物体等的影响，因此采用光照充足，固定窗帘，稳定运行的机器和固定人数在审讯室内被稳定建模。
3.根据权利要求1所述的一种基于智能视频监控的审讯室人员近距离接触识别方法，其特征在于：所述步骤2中，背景图像的动态变化，如光照、影子及混乱干扰等的影响，容易干扰运动检测，因此在进行运动检测时，需要将动态变化保持一致。
4.根据权利要求1所述的一种基于智能视频监控的审讯室人员近距离接触识别方法，其特征在于：所述步骤3中，室内监控摄像机所捕捉的序列图像中除了有人以外，还可能包含文具、吊灯、装饰、摇动的植物等运动物体；为了便于进一步对行人进行跟踪和行为分析，对人物进行进一步的分类。
5.根据权利要求1所述的一种基于智能视频监控的审讯室人员近距离接触识别方法，其特征在于：所述步骤4中，从运动检测得到的一般是人的投影，要进行跟踪首先要给需要跟踪的对象建立一个模型，对象模型可以是整个人体，这时形状、颜色、位置、速度、步态等等都是可以利用的信息；也可以是人体的一部分如上臂、头部或手掌等，这时需要对这些部分单独进行建模。
6.根据权利要求1所述的一种基于智能视频监控的审讯室人员近距离接触识别方法，其特征在于：所述步骤4中，建模之后，将运动检测到的投影匹配与这个模型匹配，一旦匹配工作完成，得到最终有用的人体信息，跟踪过程完成。
7.根据权利要求1所述的一种基于智能视频监控的审讯室人员近距离接触识别方法，其特征在于：所述步骤5中，在需要恢复三维信息和立体视觉的场合，也需要将多个摄像机的图像进行综合处理。
CN202010787533.4A 2020-08-06 2020-08-06 一种基于智能视频监控的审讯室人员近距离接触识别方法 Withdrawn CN112052739A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010787533.4A CN112052739A (zh) 2020-08-06 2020-08-06 一种基于智能视频监控的审讯室人员近距离接触识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010787533.4A CN112052739A (zh) 2020-08-06 2020-08-06 一种基于智能视频监控的审讯室人员近距离接触识别方法

Publications (1)

Publication Number Publication Date
CN112052739A true CN112052739A (zh) 2020-12-08

Family

ID=73601462

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010787533.4A Withdrawn CN112052739A (zh) 2020-08-06 2020-08-06 一种基于智能视频监控的审讯室人员近距离接触识别方法

Country Status (1)

Country Link
CN (1) CN112052739A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112733819A (zh) * 2021-03-30 2021-04-30 成都大学 一种基于深度学习图像处理的多模式安保监测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112733819A (zh) * 2021-03-30 2021-04-30 成都大学 一种基于深度学习图像处理的多模式安保监测方法
CN112733819B (zh) * 2021-03-30 2021-06-18 成都大学 一种基于深度学习图像处理的多模式安保监测方法

Similar Documents

Publication Publication Date Title
Hampapur et al. Smart video surveillance: exploring the concept of multiscale spatiotemporal tracking
KR101808587B1 (ko) 객체인식과 추적감시 및 이상상황 감지기술을 이용한 지능형 통합감시관제시스템
CN104040601B (zh) 基于云的视频监视管理系统
CN107145851A (zh) 建筑作业区危险源智能识别系统
CN109922310A (zh) 目标对象的监控方法、装置及系统
CN110321780B (zh) 基于时空运动特性的异常摔倒行为检测方法
US20160019427A1 (en) Video surveillence system for detecting firearms
CN102306304A (zh) 人脸遮挡物识别方法及其装置
EP2618288A1 (en) Monitoring system and method for video episode viewing and mining
CN101093603A (zh) 智能视频监控设备模组和系统及其监控方法
CN111723633B (zh) 一种基于深度数据的人员行为模式分析方法和系统
KR101062225B1 (ko) 감시 카메라를 이용한 지능형 영상 검색 방법 및 시스템
RU2713876C1 (ru) Способ и система выявления тревожных событий при взаимодействии с устройством самообслуживания
CN110688980B (zh) 基于计算机视觉的人体姿态分类方法
CN109886129B (zh) 提示信息生成方法和装置，存储介质及电子装置
CN113486777A (zh) 一种目标对象的行为分析方法、装置、电子设备及存储介质
Lalonde et al. A system to automatically track humans and vehicles with a PTZ camera
RU2315352C2 (ru) Способ и система для автоматического обнаружения трехмерных образов
Mahajan et al. Detection of concealed weapons using image processing techniques: A review
CN105095891A (zh) 一种人脸捕捉的方法，装置及系统
CN112052739A (zh) 一种基于智能视频监控的审讯室人员近距离接触识别方法
CN111612815A (zh) 一种红外热成像行为意图分析方法及系统
CN110533889B (zh) 一种敏感区域电子设备监测定位装置与方法
CN111723725A (zh) 一种基于视频ai多维分析系统
CN112532927A (zh) 一种施工现场智能安全管控系统

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20201208