CN113536997B - 基于图像识别和行为分析的智能安防系统及方法 - Google Patents

Abstract

本发明属于图像识别技术领域，具体涉及基于图像识别和行为分析的智能安防系统及方法。所述系统包括：图像输入单元，配置用于输入原始图像和原始图像属性数据；所述原始图像属性数据定义为：原始图像所对应的目标场景的三维立体数据，包括：目标场景的长、宽和高；所述原始图像至少包括3个通过不同方向拍摄获取到的子图像。其通过在图像中检测人体区域，再通过构建人体的三维模型和构建目标空间的三维坐标系来进行人体行为识别，提升了识别的准确率，降低了虚警率；同时其不不仅仅能打到非法访客的识别目的，还能识别合法访客的非法行为，提升了系统的安全性。

Description

基于图像识别和行为分析的智能安防系统及方法

技术领域

本发明属于图像识别技术领域，具体涉及基于图像识别和行为分析的智能安防系统及方法。

背景技术

智能化安防技术随着科学技术的发展与进步和二十一世纪信息技术的腾飞已迈入了一个全新的领域，智能化安防技术与计算机之间的界限正在逐步消失，没有安防技术社会就会显得不安宁，世界科学技术的前进和发展就会受到影响。

物联网技术的普及应用，使得城市的安防从过去简单的安全防护系统向城市综合化体系演变，城市的安防项目涵盖众多的领域，有街道社区、楼宇建筑、银行邮局、道路监控、机动车辆、警务人员、移动物体、船只等。特别是针对重要场所，如：机场、码头、水电气厂、桥梁大坝、河道、地铁等场所，引入物联网技术后可以通过无线移动、跟踪定位等手段建立全方位的立体防护。兼顾了整体城市管理系统、环保监测系统、交通管理系统、应急指挥系统等应用的综合体系。特别是车联网的兴起，在公共交通管理上、车辆事故处理上、车辆偷盗防范上可以更加快捷准确的跟踪定位处理。还可以随时随地的通过车辆获取更加精准的灾难事故信息、道路流量信息、车辆位置信息、公共设施安全信息、气象信息等等信息来源。

在生物识别领域,人脸识别技术(Face Recognition Technology)已逐渐引起越来越多的工业界研究人员的关注，近年来，随着相关技术的飞速发展和实际需求的日益增长，人脸识别在许多领域展现出广阔的应用前景。例如：人脸识别技术可作为辅助手段用于司法领域，进行身份验证、罪犯识别等；在商业上也有许多潜在的应用，如银行信用卡的身份识别、安全识别系统、可视电话、医学、档案管理、酒店管理、电视会议人机交互系统等，不但可以提高社会运行的效率，也可以大大增强公民日常生活的安全性，因此人脸识别技术已成为当前模式识别和人工智能领域的一个研究热点。与指纹、虹膜、基因、声音等其他生物特征识别系统相比，人脸因具有不可复制、采集方便、不需要被拍者的配合等特点而深受欢迎。

专利号为CN2011101720519A的专利公开了一种基于多阶层过滤人脸识别的智能安全监控系统及方法，其通过用户终端图像采集系统获取被检测人员的人脸图像；人脸检测定位系统从采集的人脸图像中自动检测分割出人脸的确切位置，并通过人脸图像质量自动实时检测系统对人脸图像的采集过程进行智能提示和图象质量实时监控；对用户终端通过图像质量检测阈值的人脸图像进行提取条纹拼接带，并生成相应的目标人脸模板；通过后台服务器将客户端检测到的待识别人脸与已知人脸数据库进行基于多阶层过滤搜索算法的实时比对，找出匹配分数最高的人脸模板后，根据系统预先设定好的阈值做出判断，从而实时确定被拍摄人的身份信息。其虽然能够通过人脸图像识别的方法识别非法访客，进行安防预警，但无法针对合法访客的非法行为进行判断和预测，同时在对人员身份要求不严格的场景，无法在大量人群中判断人员的非法行为。

发明内容

有鉴于此，本发明的主要目的在于提供基于图像识别和行为分析的智能安防系统及方法，其通过在图像中检测人体区域，再通过构建人体的三维模型和构建目标空间的三维坐标系来进行人体行为识别，提升了识别的准确率，降低了虚警率；同时其不不仅仅能打到非法访客的识别目的，还能识别合法访客的非法行为，提升了系统的安全性。

为达到上述目的，本发明的技术方案是这样实现的：

基于图像识别和行为分析的智能安防系统，所述系统包括：图像输入单元，配置用于输入原始图像和原始图像属性数据；所述原始图像属性数据定义为：原始图像所对应的目标场景的三维立体数据，包括：目标场景的长、宽和高；所述原始图像至少包括3个通过不同方向拍摄获取到的子图像；人体区域检测单元，配置用于在原始图像中筛选出人体区域；人体三维还原单元，配置用于基于原始图像中筛选出的人体区域，建立人体的三维模型；立体空间转换单元，配置用于建立一个目标场景的三维坐标系，基于原始图像属性数据和筛选出的人体区域，在三维坐标系中标注出人体区域的坐标；该人体区域的坐标将反映出人体在目标场景中实际所处的位置；人体区域投影单元，配置用于基于建立的人体的三维模型，对人体进行至少两个不同方向的投影，得到至少两个人体投影图像；人体行为识别单元，配置用于基于得到的所有的人体投影图像，使用预设的人体识别模型进行人体行为识别，得到多个人体行为识别结果，再将多个人体行为识别结果进行识别归一化，得到最后的识别结果；预警单元，配置用于基于得到的最后的识别结果，判断该识别结果对应的人体的行为是否非法，若非法，则发出预警。

进一步的，所述人体区域检测单元，在原始图像中筛选出人体区域的方法包括：预分割原始图像以形成若干子原始图像，将各子原始图像内所有像素的颜色用所对应的各子原始图像内所有像素的颜色向量的平均值来表示，以获得初始拼接图；以子原始图像为节点，根据拼接准则依次执行邻接拼接与全局拼接，并依次在邻接拼接与全局拼接；过程中将各子原始图像内所有像素的颜色用所对应的各子原始图像内所有像素的颜色向量的平均值来表示，将相似的子原始图像依次拼接形成新的子原始图像，以依次构建出邻接拼接图及全局拼接图；结合子原始图像间的颜色对比度、空间距离权重及背景概率权重分别在初始拼接图邻接拼接图及全局拼接图上计算子原始图像的显著值，以获得三幅初始显著图；对三幅初始显著图执行累加求和运算，以获得原始图像中的人体区域。

进一步的，所述邻接拼接的方法执行以下步骤：以子原始图像为节点，使用如下公式对每个子原始图像进行邻接拼接判定：

其中，SX和SY分别表示不同的两个子原始图像内所有像素的颜色向量的平均值；Sim(SX,SY)表示两个不同子原始图像的邻接拼接判定值；x_i表示SX中的某个像素的颜色向量；y_i表示SY中的某个像素的颜色向量；k表示每个子原始图像中的像素的数量；若计算出的邻接拼接判定值在设定的阈值范围之内，则对两个字原始图像进行邻接拼接。

进一步的，所述全局拼接的方法执行以下步骤：以子原始图像为节点，使用如下公式对每个子原始图像进行全局拼接判定：

其中，SX和SY分别表示不同的两个子原始图像内所有像素的颜色向量的平均值；All(SX,SY)表示两个不同子原始图像的全局拼接判定值；x_i表示SX中的某个像素的颜色向量；y_i表示SY中的某个像素的颜色向量；k表示每个子原始图像中的像素的数量；若计算出的全局拼接判定值在设定的阈值范围之内，则对两个字原始图像进行全局拼接。

进一步的，所述人体三维还原单元，基于原始图像中筛选出的人体区域，建立人体的三维模型的方法包括：分别基于中筛选出多个的人体区域中的每一个，生成人体的多个三维模型；从上述生成的多个三维模型之中，选择被合成三维模型和合成为该被合成三维模型的合成三维模型；从上述选择出的被合成三维模型中提取多个第一条纹拼接带，并且从上述选择出的合成三维模型中提取多个第二条纹拼接带；循环投射所述第一条纹拼接带和第二条纹拼接带至人体区域，分别形成第一条纹图像和第二条纹图像，在人体的表面设置多个标志点；实时采集所述第一条纹图像和第二条纹图像，所述第一条纹图像和第二条纹图像均具有多条条纹，相邻条纹相交形成边界，所述第一条纹图像和第二条纹图像组成一个建模图像组，所述第一条纹图像中的边界与第二条纹图像中相应的边界组成所述建模图像组的总边界；基于上述生成的建模图像组的总边界，获取将该合成三维模型的坐标变换为该被合成三维模型的坐标系的坐标的坐标变换参数；使用上述获取到的坐标变换参数，将上述合成三维模型的坐标变换为上述被合成三维模型的坐标系的坐标；将上述坐标变换后的合成三维模型合成为上述被合成三维模型。

进一步的，从提取出的多个第一条纹拼接带之中选择三个第一条纹拼接带，从上述提取出的多个第二条纹拼接带之中选择三个第二条纹拼接带，获取使该选择出的三个第二条纹拼接带的坐标与该选择出的三个第一条纹拼接带的坐标一致的坐标变换参数，其中，该选择出的三个第二条纹拼接带构成与以该选择出的三个第一条纹拼接带作为三个顶点的三角形全等的三角形的三个顶点。

进一步的，所述人体行为识别单元，基于得到的所有的人体投影图像，使用预设的人体识别模型进行人体行为识别，得到多个人体行为识别结果的方法执行以下步骤：基于人体表面设置的多个标志点，分别对每个标志点使用如下公式进行行为特征值计算：

H(R_i)＝sin R_i1+sin R_i2+sin R_i3,i＝1,2,…,9；其中，R_i表示人体表面设置的特征点，每个特征点均用三个参数进行表征；R_i1表示特征点的第一个参数，R_i2表示特征点的第二个参数，R_i3表示特征点的第三个参数；在基于计算出的特征值，与预设的判定值分别进行行为分析判定，得到人体行为识别结果。

进一步的，所述标志点还包括一个关键标志点T₀；使用如下公式对关键标志点T₀进行坐标计算：

其中，x、y和z分别为关键标志点T₀的横坐标值、纵坐标值和Z坐标值；P(T₀)为坐标计算结果；根据计算出的坐标计算结果与三维人体模型的中心的坐标计算结果进行比较，若两者的偏差超过设定的阈值，则舍弃该关键标志点对应的其他标志点的特征值计算结果。

进一步的，所述人体行为识别单元，基于个人体行为识别结果进行识别归一化，得到最后的识别结果的方法包括：使用设定的加权值，对所有人体行为识别结果进行加权平均计算，得到的结果则作为最后的识别结果。

基于图像识别和行为分析的智能安防方法。

本发明的基于图像识别和行为分析的智能安防系统及方法，具有如下有益效果：

1.安全性高：本发明与传统的安防系统的区别在于：传统的安防系统往往通过身份鉴别来实现安防；而本发明则舍弃了身份鉴别，用行为鉴别来实现安防监控；这样做有两个好处：一是通过行为鉴别不仅可以鉴别非法访客的非法行为，还能鉴别合法访客的合法行为，更能从根本上区分合法和非法；另一方面，舍弃了身份鉴别之后，系统则不需要针对访客的身份来进行监控，而是直接通过行为分析来判断，可以大幅度降低系统的复杂度，提升系统运行效率。

2.准确率高：本发明的行为分析方法与传统的行为分析方法存在本质不同，具体表现在：本发明所使用的分析方法首先通过建立目标空间和人体的三维模型来进行，这样做的好处在于，相比于单纯对图像中的动作进行识别，建立的三维模型更能准确分析出人体的行为，杜绝因为拍摄角度以及其他环境因素导致的识别分析准确率降低；另一方面，本发明在进行人体识别分析时，将建立的三维模型进行投影后再进行识别，这样可以降低识别算法的复杂度；同时进行多个方向的投影后，将得到更多能反应三维模型特征的分量图像，使得分析结果的准确率提升。

3.效率更高：本发明的行为分析算法在进行行为分析时，没有使用图像匹配的方式进行行为判断和识别，而是针对获取关节点的特征值来实现，这样可以大幅度提升识别的效率，因为在进行识别比对和判断时，只需要几个特征值就能实现，而不需要针对整幅图像进行匹配识别。

附图说明

图1为本发明实施例提供的基于图像识别和行为分析的智能安防系统的系统结构示意图；

图2为本发明实施例提供的基于图像识别和行为分析的智能安防系统及方法中筛选出人体区域的原理示意图；

图3为本发明实施例提供的基于图像识别和行为分析的智能安防系统及方法的目标场景的三维坐标系的结构示意图；

图4为本发明实施例提供的基于图像识别和行为分析的智能安防系统及方法的人体的三维模型进行投影的原理示意图；

图5为本发明实施例提供的基于图像识别和行为分析的智能安防系统及方法的人体的表面设置的多个标志点到的结构示意图；

图6为本发明实施例提供的基于图像识别和行为分析的智能安防系统及方法的非法行为的判断准确率随着实验次数变化的曲线示意图与现有技术的对比实验效果示意图。

1-人体的三维模型，2，3-人体投影图像。

具体实施方式

下面结合附图及本发明的实施例对本发明的方法作进一步详细的说明。

实施例1

如图1、图2、图3、图4、图5和图6所示，基于图像识别和行为分析的智能安防系统，所述系统包括：图像输入单元，配置用于输入原始图像和原始图像属性数据；所述原始图像属性数据定义为：原始图像所对应的目标场景的三维立体数据，包括：目标场景的长、宽和高；所述原始图像至少包括3个通过不同方向拍摄获取到的子图像；人体区域检测单元，配置用于在原始图像中筛选出人体区域；人体三维还原单元，配置用于基于原始图像中筛选出的人体区域，建立人体的三维模型；立体空间转换单元，配置用于建立一个目标场景的三维坐标系，基于原始图像属性数据和筛选出的人体区域，在三维坐标系中标注出人体区域的坐标；该人体区域的坐标将反映出人体在目标场景中实际所处的位置；人体区域投影单元，配置用于基于建立的人体的三维模型，对人体进行至少两个不同方向的投影，得到至少两个人体投影图像；人体行为识别单元，配置用于基于得到的所有的人体投影图像，使用预设的人体识别模型进行人体行为识别，得到多个人体行为识别结果，再将多个人体行为识别结果进行识别归一化，得到最后的识别结果；预警单元，配置用于基于得到的最后的识别结果，判断该识别结果对应的人体的行为是否非法，若非法，则发出预警。

参考图2，由于获取的原始图像中，存在人体区域以外的背景区域和其他物品图像；因此需要找到原始图像中人体区域的部分，对人体区域单独进行识别，可以提升分析和识别的效率。

参考图3，如果只单独获取一幅目标空间的原始图像，这种原始图像时平面的，无法体现目标空间的立体信息，从而影响分析和判断识别的准确率；通过建立一个目标场景的三维坐标系，从而在计算机系统中实现与目标空间的一一映射，进而在后续进行识别和分析时，能够从三维空间出发，更准确还原目标空间和人体模型，提升识别的准确率。

参考图4，人体的三维模型在不同方向进行投影后，将得到不同方向的投影图像；针对不同方向的投影图像，将反应三维的人体模型的不同特征，进而提升识别的准确率。

参考图5，本发明在人体表面设置了多个关键点，通过关键点来进行识别，相较于传统的匹配识别方式，其需要进行计算的计算量更少，效率更高。

实施例2

在上一实施例的基础上，所述人体区域检测单元，在原始图像中筛选出人体区域的方法包括：预分割原始图像以形成若干子原始图像，将各子原始图像内所有像素的颜色用所对应的各子原始图像内所有像素的颜色向量的平均值来表示，以获得初始拼接图；以子原始图像为节点，根据拼接准则依次执行邻接拼接与全局拼接，并依次在邻接拼接与全局拼接；过程中将各子原始图像内所有像素的颜色用所对应的各子原始图像内所有像素的颜色向量的平均值来表示，将相似的子原始图像依次拼接形成新的子原始图像，以依次构建出邻接拼接图及全局拼接图；结合子原始图像间的颜色对比度、空间距离权重及背景概率权重分别在初始拼接图邻接拼接图及全局拼接图上计算子原始图像的显著值，以获得三幅初始显著图；对三幅初始显著图执行累加求和运算，以获得原始图像中的人体区域。

具体的，近年来基于超像素的显著性区域检测算法得到广泛使用。Yang等人以超像素为节点构建连通图同时结合边界先验知识，采用基于图的流形排序方法进行显著检测。Yan等提出一种基于多尺度分割的显著性区域检测算法，在树图模型上融合三种尺度下显著图进而得到最终显著图，该算法取得了良好的效果。Wei等人以各超像素到达图像边界的最短测地线距离来衡量其显著性，测地线距离越长超像素作为前景目标的可能性越大。Zhu等对Wei的测地线先验知识进一步优化提出了具有更强鲁棒性的边界连通性先验知识，借助于该先验知识侦测背景区域进而逆向获取显著前景目标。基于边界连通先验知识的显著性区域检测算法对图像边界上超像素的依赖程度较高，当图像边界上超像素不含图像内部任何背景信息时，会严重影响显著检测效果。

实施例3

在上一实施例的基础上，所述邻接拼接的方法执行以下步骤：以子原始图像为节点，使用如下公式对每个子原始图像进行邻接拼接判定：

其中，SX和SY分别表示不同的两个子原始图像内所有像素的颜色向量的平均值；Sim(SX,SY)表示两个不同子原始图像的邻接拼接判定值；x_i表示SX中的某个像素的颜色向量；y_i表示SY中的某个像素的颜色向量；k表示每个子原始图像中的像素的数量；若计算出的邻接拼接判定值在设定的阈值范围之内，则对两个字原始图像进行邻接拼接。

具体的，图像拼接技术包括图像配准和图像融合两个关键环节。图像配准的目标是找出存在重叠区域的两幅或多幅图像之间的变换关系，建立图像坐标变换的数学模型，通过求解该模型的参数将多幅图像变换到一个坐标系。图像融合技术是用来解决由于几何校正、动态场景或光照变化引起的配准不准确的问题，将相邻图像合并为一幅图像。

在图像融合过程中，现有技术采用最佳缝合线技术，在多幅图像的重叠区间找到一条最佳的缝合线，使得缝合线上的两幅图像间的能量差最小，这样在拼接图像时，缝合线两边分别取来自不同图像上的像素，有效的解决由配准不准确造成的亮度和色彩不连续或运动物体图像模糊的问题。

实施例4

在上一实施例的基础上，所述全局拼接的方法执行以下步骤：以子原始图像为节点，使用如下公式对每个子原始图像进行全局拼接判定：

其中，SX和SY分别表示不同的两个子原始图像内所有像素的颜色向量的平均值；All(SX,SY)表示两个不同子原始图像的全局拼接判定值；x_i表示SX中的某个像素的颜色向量；y_i表示SY中的某个像素的颜色向量；k表示每个子原始图像中的像素的数量；若计算出的全局拼接判定值在设定的阈值范围之内，则对两个字原始图像进行全局拼接。

实施例5

在上一实施例的基础上，所述人体三维还原单元，基于原始图像中筛选出的人体区域，建立人体的三维模型的方法包括：分别基于中筛选出多个的人体区域中的每一个，生成人体的多个三维模型；从上述生成的多个三维模型之中，选择被合成三维模型和合成为该被合成三维模型的合成三维模型；从上述选择出的被合成三维模型中提取多个第一条纹拼接带，并且从上述选择出的合成三维模型中提取多个第二条纹拼接带；循环投射所述第一条纹拼接带和第二条纹拼接带至人体区域，分别形成第一条纹图像和第二条纹图像，在人体的表面设置多个标志点；实时采集所述第一条纹图像和第二条纹图像，所述第一条纹图像和第二条纹图像均具有多条条纹，相邻条纹相交形成边界，所述第一条纹图像和第二条纹图像组成一个建模图像组，所述第一条纹图像中的边界与第二条纹图像中相应的边界组成所述建模图像组的总边界；基于上述生成的建模图像组的总边界，获取将该合成三维模型的坐标变换为该被合成三维模型的坐标系的坐标的坐标变换参数；使用上述获取到的坐标变换参数，将上述合成三维模型的坐标变换为上述被合成三维模型的坐标系的坐标；将上述坐标变换后的合成三维模型合成为上述被合成三维模型。

具体的，多边形网格由一系列的点、线、面组成，用于在三维空间中确定一个多面体的形状。模型表面有大量多边形网格定义，其中大部分是三角形网格。在开发全身模型方面，多边形网格技术有三个主要优点：一，描绘人体解剖学特征的网格表面可以方便地从真人影像或商用解剖学网格模型中获得；二，多边形网格模型在调整几何构型方面有优异的灵活性，允许复杂的解剖学仿真；三，许多已有的商业化计算机辅助设计(CAD)软件(例如Rhinoceros,AutoCAD,VisualizationToolkit(VTK))拥有能快速将多边形网格转换为NURBS内置功能。

实施例6

在上一实施例的基础上，从提取出的多个第一条纹拼接带之中选择三个第一条纹拼接带，从上述提取出的多个第二条纹拼接带之中选择三个第二条纹拼接带，获取使该选择出的三个第二条纹拼接带的坐标与该选择出的三个第一条纹拼接带的坐标一致的坐标变换参数，其中，该选择出的三个第二条纹拼接带构成与以该选择出的三个第一条纹拼接带作为三个顶点的三角形全等的三角形的三个顶点。

实施例7

在上一实施例的基础上，所述人体行为识别单元，基于得到的所有的人体投影图像，使用预设的人体识别模型进行人体行为识别，得到多个人体行为识别结果的方法执行以下步骤：基于人体表面设置的多个标志点，分别对每个标志点使用如下公式进行行为特征值计算：

H(R_i)＝sin R_i1+sin R_i2+sin R_i3,i＝1,2,…,9；其中，R_i表示人体表面设置的特征点，每个特征点均用三个参数进行表征；R_i1表示特征点的第一个参数，R_i2表示特征点的第二个参数，R_i3表示特征点的第三个参数；在基于计算出的特征值，与预设的判定值分别进行行为分析判定，得到人体行为识别结果。

实施例8

在上一实施例的基础上，所述标志点还包括一个关键标志点T₀；使用如下公式对关键标志点T₀进行坐标计算：

其中，x、y和z分别为关键标志点T₀的横坐标值、纵坐标值和Z坐标值；P(T₀)为坐标计算结果；根据计算出的坐标计算结果与三维人体模型的中心的坐标计算结果进行比较，若两者的偏差超过设定的阈值，则舍弃该关键标志点对应的其他标志点的特征值计算结果。

具体的，计算机人体模型是指将人体结构数字化，通过计算机技术和图像处理技术，用电脑的语言符号来表述人体的三维解剖结构，包括组织器官的大小、形状、位置及其空间关系，实现了人体解剖结构信息的数字化。

要确定人体器官剂量必须用到物理人体体模或者数字化仿真人体模型。基于物理人体体模的实验缺乏安全性、经济型和效率，只能用于小规模的辐射剂量验证之用。相比之下数字化仿真人体模型，借助完善蒙特卡罗计算方法和已知的放射物理学参数能够方便、精确的模拟三维空间下的人体受到辐照场景。

实施例9

在上一实施例的基础上，所述人体行为识别单元，基于个人体行为识别结果进行识别归一化，得到最后的识别结果的方法包括：使用设定的加权值，对所有人体行为识别结果进行加权平均计算，得到的结果则作为最后的识别结果。

具体的，归一化方法有两种形式，一种是把数变为(0，1)之间的小数，一种是把有量纲表达式变为无量纲表达式。主要是为了数据处理方便提出来的，把数据映射到0～1范围之内处理，更加便捷快速，应该归到数字信号处理范畴之内。

归一化定义：归一化就是要把需要处理的数据经过处理后(通过某种算法)限制在你需要的一定范围内。首先归一化是为了后面数据处理的方便，其次是保证程序运行时收敛加快。归一化的具体作用是归纳统一样本的统计分布性。归一化在0-1之间是统计的概率分布，归一化在某个区间上是统计的坐标分布。归一化有同一、统一和合一的意思。

如果是区间上的值，则可以用区间上的相对位置来归一化，即选中一个相位参考点，用相对位置和整个区间的比值或是整个区间的给定值作比值，得到一个归一化的数据，比如类似于一个概率值0<＝p<＝1。

实施例10

基于图像识别和行为分析的智能安防方法。

所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。

需要说明的是，上述实施例提供的系统，仅以上述各功能单元的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能单元来完成，即将本发明实施例中的单元或者步骤再分解或者组合，例如，上述实施例的单元可以合并为一个单元，也可以进一步拆分成多个子单元，以完成以上描述的全部或者单元功能。对于本发明实施例中涉及的单元、步骤的名称，仅仅是为了区分各个单元或者步骤，不视为对本发明的不当限定。

所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。

本领域技术人员应能够意识到，结合本文中所公开的实施例描述的各示例的单元、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件单元、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

术语“第一”、“另一部分”等是配置用于区别类似的对象，而不是配置用于描述或表示特定的顺序或先后次序。

术语“包括”或者任何其它类似用语旨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、物品或者单元/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者单元/装置所固有的要素。

至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术标记作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

以上所述，仅为本发明的较佳实施例而已，并非配置用于限定本发明的保护范围。

Claims (8)

1.基于图像识别和行为分析的智能安防系统，其特征在于，所述系统包括：图像输入单元，配置用于输入原始图像和原始图像属性数据；所述原始图像属性数据定义为：原始图像所对应的目标场景的三维立体数据，包括：目标场景的长、宽和高；所述原始图像至少包括3个通过不同方向拍摄获取到的子图像；人体区域检测单元，配置用于在原始图像中筛选出人体区域；人体三维还原单元，配置用于基于原始图像中筛选出的人体区域，建立人体的三维模型；立体空间转换单元，配置用于建立一个目标场景的三维坐标系，基于原始图像属性数据和筛选出的人体区域，在三维坐标系中标注出人体区域的坐标；该人体区域的坐标将反映出人体在目标场景中实际所处的位置；人体区域投影单元，配置用于基于建立的人体的三维模型，对人体进行至少两个不同方向的投影，得到至少两个人体投影图像；人体行为识别单元，配置用于基于得到的所有的人体投影图像，使用预设的人体识别模型进行人体行为识别，得到多个人体行为识别结果，再将多个人体行为识别结果进行识别归一化，得到最后的识别结果；预警单元，配置用于基于得到的最后的识别结果，判断该识别结果对应的人体的行为是否非法，若非法，则发出预警；所述人体区域检测单元，在原始图像中筛选出人体区域的方法包括：预分割原始图像以形成若干子原始图像，将各子原始图像内所有像素的颜色用所对应的各子原始图像内所有像素的颜色向量的平均值来表示，以获得初始拼接图；以子原始图像为节点，根据拼接准则依次执行邻接拼接与全局拼接，并依次在邻接拼接与全局拼接；过程中将各子原始图像内所有像素的颜色用所对应的各子原始图像内所有像素的颜色向量的平均值来表示，将相似的子原始图像依次拼接形成新的子原始图像，以依次构建出邻接拼接图及全局拼接图；结合子原始图像间的颜色对比度、空间距离权重及背景概率权重分别在初始拼接图邻接拼接图及全局拼接图上计算子原始图像的显著值，以获得三幅初始显著图；对三幅初始显著图执行累加求和运算，以获得原始图像中的人体区域；所述人体三维还原单元，基于原始图像中筛选出的人体区域，建立人体的三维模型的方法包括：分别基于中筛选出多个的人体区域中的每一个，生成人体的多个三维模型；从上述生成的多个三维模型之中，选择被合成三维模型和合成为该被合成三维模型的合成三维模型；从上述选择出的被合成三维模型中提取多个第一条纹拼接带，并且从上述选择出的合成三维模型中提取多个第二条纹拼接带；循环投射所述第一条纹拼接带和第二条纹拼接带至人体区域，分别形成第一条纹图像和第二条纹图像，在人体的表面设置多个标志点；实时采集所述第一条纹图像和第二条纹图像，所述第一条纹图像和第二条纹图像均具有多条条纹，相邻条纹相交形成边界，所述第一条纹图像和第二条纹图像组成一个建模图像组，所述第一条纹图像中的边界与第二条纹图像中相应的边界组成所述建模图像组的总边界；基于上述生成的建模图像组的总边界，获取将该合成三维模型的坐标变换为该被合成三维模型的坐标系的坐标的坐标变换参数；使用上述获取到的坐标变换参数，将上述合成三维模型的坐标变换为上述被合成三维模型的坐标系的坐标；将上述坐标变换后的合成三维模型合成为上述被合成三维模型。

2.如权利要求1所述的系统，其特征在于，所述邻接拼接的方法执行以下步骤：以子原始图像为节点，使用如下公式对每个子原始图像进行邻接拼接判定：

；其中，

和

分别表示不同的两个子原始图像内所有像素的颜色向量的平均值；

表示两个不同子原始图像的邻接拼接判定值；

表示

中的某个像素的颜色向量；

表示

中的某个像素的颜色向量；

表示每个子原始图像中的像素的数量；若计算出的邻接拼接判定值在设定的阈值范围之内，则对两个字原始图像进行邻接拼接。

3.如权利要求2所述的系统，其特征在于，所述全局拼接的方法执行以下步骤：以子原始图像为节点，使用如下公式对每个子原始图像进行全局拼接判定：

；其中，

和

分别表示不同的两个子原始图像内所有像素的颜色向量的平均值；

表示两个不同子原始图像的全局拼接判定值；

表示

中的某个像素的颜色向量；

表示

中的某个像素的颜色向量；

表示每个子原始图像中的像素的数量；若计算出的全局拼接判定值在设定的阈值范围之内，则对两个字原始图像进行全局拼接。

4.如权利要求3所述的系统，其特征在于，从提取出的多个第一条纹拼接带之中选择三个第一条纹拼接带，从上述提取出的多个第二条纹拼接带之中选择三个第二条纹拼接带，获取使该选择出的三个第二条纹拼接带的坐标与该选择出的三个第一条纹拼接带的坐标一致的坐标变换参数，其中，该选择出的三个第二条纹拼接带构成与以该选择出的三个第一条纹拼接带作为三个顶点的三角形全等的三角形的三个顶点。

5.如权利要求4所述的系统，其特征在于，所述人体行为识别单元，基于得到的所有的人体投影图像，使用预设的人体识别模型进行人体行为识别，得到多个人体行为识别结果的方法执行以下步骤：基于人体表面设置的多个标志点，分别对每个标志点使用如下公式进行行为特征值计算：

；其中，

表示人体表面设置的特征点，每个特征点均用三个参数进行表征；

表示特征点的第一个参数，

表示特征点的第二个参数，

表示特征点的第三个参数；在基于计算出的特征值，与预设的判定值分别进行行为分析判定，得到人体行为识别结果。

6.如权利要求5所述的系统，其特征在于，所述标志点还包括一个关键标志点

；使用如下公式对关键标志点

进行坐标计算：

；其中，

、

和

分别为关键标志点

的横坐标值、纵坐标值和Z坐标值；

为坐标计算结果；根据计算出的坐标计算结果与三维人体模型的中心的坐标计算结果进行比较，若两者的偏差超过设定的阈值，则舍弃该关键标志点对应的其他标志点的特征值计算结果。

7.如权利要求6所述的系统，其特征在于，所述人体行为识别单元，基于个人体行为识别结果进行识别归一化，得到最后的识别结果的方法包括：使用设定的加权值，对所有人体行为识别结果进行加权平均计算，得到的结果则作为最后的识别结果。

8.基于权利要求1至7之一所述系统的基于图像识别和行为分析的智能安防方法。

Images