JP2005353016A - 動画像の行動パターン識別の評価と方法 - Google Patents
動画像の行動パターン識別の評価と方法 Download PDFInfo
- Publication number
- JP2005353016A JP2005353016A JP2004198643A JP2004198643A JP2005353016A JP 2005353016 A JP2005353016 A JP 2005353016A JP 2004198643 A JP2004198643 A JP 2004198643A JP 2004198643 A JP2004198643 A JP 2004198643A JP 2005353016 A JP2005353016 A JP 2005353016A
- Authority
- JP
- Japan
- Prior art keywords
- image
- camera
- suspicious
- moving image
- person
- 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
Images
Landscapes
- Closed-Circuit Television Systems (AREA)
- Burglar Alarm Systems (AREA)
- Emergency Alarm Devices (AREA)
- Image Analysis (AREA)
Abstract
【課題】監視カメラを用いた危険防止および防犯システムにおいて正常状態あるいは正常行動者と異常状態あるいは不審な異常行動者を判別し異常および不審な場合には自動的に警報する方法を提供する。
【解決手段】移動物体あるいは行動者を動画像として測定しその画像中心の座標の時系列データを数学的に解析し定量化することにより正常値から離脱する場合は異常状態あるいは不審者であると判定し自動的に警報する。
【選択図】図2
【解決手段】移動物体あるいは行動者を動画像として測定しその画像中心の座標の時系列データを数学的に解析し定量化することにより正常値から離脱する場合は異常状態あるいは不審者であると判定し自動的に警報する。
【選択図】図2
Description
本発明は監視カメラを用いた危険防止および防犯システムにおいて撮像中の正常行動者と異常あるいは不審行動者を自動的に判別し判別結果を警報する方法に関する。
厳重な警戒が必要な施設または危険区域では、ビデオカメラや赤外線カメラによって、要所を常時撮像し、画像を監視センターに送信することによって24時間記録、監視を行うシステムがある。ビデオカメラには移動物体追尾形と静止画像撮影形がある。前者は移動体があるときに監視員に注視を要求するものであり後者は本来無人の場所に侵入者があったとき監視員に注意を促すことを主眼にしている。移動体追尾法として生体から発する赤外線をセンサーで検知照準しカメラを生体の方向に振向ける方式と画像データの走査フレーム間の偏差を用いカメラの首振りを行う2方式に集約できる。またこれら静止画像形を全景撮影形とし追尾形を別のカメラとして両者を併用することもある。追尾形では特に重要監視地域に近接する要注意者あるいは不審行動者を監視することが多い。また追尾形では着衣の色彩や体型なども識別することがある。
またビデオカメラの進歩により180度撮像形、全方位撮影形またレーザー走査形などが開発され、あるいは超音波走査カメラも監視カメラとして利用可能である。
解決しようとする課題は複数のカメラで正常者と異常あるいは不審行動者を区別しながら常時監視員が監視業務を行うことは、監視員のストレスと疲労を高めるため見落としもおこり易く、監視設備の高度化、多数化に伴う交代要員数の増加はコスト面からみても現実的ではない点にある。したがって結果として通常、データを蓄積しておき何か事件があった場合の確認用としてだけ使われるケースが多い。すなわち従来の方法は正常行動者と異常あるいは不審行動者の判別はカメラの高度化にも拘わらず担当監視員の経験と直感を可能な限り事件発生以前に生かそうとする非科学なものであった。
本発明は以上の問題に鑑みてなされた発明であり、人間の行動とくに移動を比較的簡易な固定静止画像カメラで撮影しながら行動の時間系列を数学的に解析し自動的に異常あるいは不審行動者であることを判別発見するものである。具体的には撮影画像から時間的に静止画像部分を差し引き動画像部分だけを抽出する。そして動画像の重心点の変動の軌跡を非線形解析あるいは線形解析をおこなって数値化し異常あるいは不審行動者と正常行動者を判別する。あわせて発見した該当カメラを複数のカメラ群から特定するとともに監視員に直ちに警報を発し未然に事件や最悪の結果を防止する手段すなわち救助あるいは防犯対応できるようにしたことを特徴とするものである。
本発明の効果として動画像情報としては重心点の変動を用いているため情報量を最小限にできるので必要な情報処理コストが最小となる一方正確性が高く解析必要時間も瞬時であり即時性すなわちリアルタイム的となる。その結果異常あるいは不審行動に対応して直ちに自動的に警報を発信することができる。そのため関係者の疲労、未熟練や交代時に伴う発見ミスがなくなる。監視カメラも比較的安価な家庭用カメラで実現可能でありコストを抑え広く普及可能なシステムとすることができる。
また防犯や特定作業場の危険防止に限らずエレベーター、エスカレータ、橋などの交通施設、プール施設などの公共施設で人の転落や転倒監視に必要人員が確保し難い場合にもひろく適用可能であり公共の場所での安全に大きく貢献することが挙げられる。
人的な場合の利用例に限らず動画像処理方式の効果により物的な路上交通事故の自動発見ならびに地震や台風時における施設異常の自動発見に転用できる。
ほかに次のような産業上の利用例を挙げることができる。
▲1▼駐車場、エレベーター、コンビニエンスストア、ATMなどの防犯カメラによる画像解析により、通常行動者と不審行動者の判別を自動的に行う。
▲2▼家庭内で徘徊や盗犯などの異常行為を自動的に発見する。
▲3▼集団の中における、大人と子供の判別を自動的に行い注視し危険を警告する。方法として子供は、小刻みな動きをするが大人の動きはゆっくりとしていることを用いて行う。
▲4▼動物、および小動物の監視により、動物の病気たとえばBSE,鳥インフルエンザ、コイヘルペスなどによる異常行動を集団の中から早期に自動的に検出する。
▲5▼動物、および小動物の監視により、環境の変化を自動検出する。たとえば金魚やケージ内の鳥の異常行動を判別し、水質汚染や大気汚染の自動検出を行う。
▲1▼駐車場、エレベーター、コンビニエンスストア、ATMなどの防犯カメラによる画像解析により、通常行動者と不審行動者の判別を自動的に行う。
▲2▼家庭内で徘徊や盗犯などの異常行為を自動的に発見する。
▲3▼集団の中における、大人と子供の判別を自動的に行い注視し危険を警告する。方法として子供は、小刻みな動きをするが大人の動きはゆっくりとしていることを用いて行う。
▲4▼動物、および小動物の監視により、動物の病気たとえばBSE,鳥インフルエンザ、コイヘルペスなどによる異常行動を集団の中から早期に自動的に検出する。
▲5▼動物、および小動物の監視により、環境の変化を自動検出する。たとえば金魚やケージ内の鳥の異常行動を判別し、水質汚染や大気汚染の自動検出を行う。
本発明は、動画像の中における動的対象物を直接特定せず、画面あるいは画像内で1個もしくは複数の動く対象の画像を重畳したときの重心を解析の対象として特定するものである。この重心が移動したときの時系列にもとづく軌跡を最終的には目的に応じた数種のアルゴリズムでリアルタイムに解析し状況が正常か異常かを判別しようとするものである。
前記のアルゴリズムを適用するため最初に重心の軌跡の作成順序を図1に示す。
(1)ビデオカメラで図2、図3のように人や物の動きを撮影した動画像をデジタル変換によってPCに取り込む。図2はカメラに向かって人がほぼ直進して動いているとき、図3はほぼ横切って動いているときを撮影している状況を示す。
(2)動画像は、適当なサンプリングレートでもって、画像データに変換する。サンプリングレートはたとえば1秒間30回とする。
(3)各画像データのグレースケール値または、カラー値(RGBなど)、明度、彩度などから重心座標(X,Y)をピクセル位置で読み取る。
(4)重心の座標軸のX軸、Y軸のそれぞれの時系列データを作成する。
時系列データを目視できるようにグラフ化すると軌跡となる。図4は図2においてまっすぐに動いた場合の軌跡であり図5は不規則な怪しい動きの軌跡である。ジグザグに動いた場合のグラフは省略する。
自然な動きの場合、重心座標の局所的な軌跡は滑らかに動くが、不規則な動きを伴った行動では、軌跡は小刻みな変動をする。
(1)ビデオカメラで図2、図3のように人や物の動きを撮影した動画像をデジタル変換によってPCに取り込む。図2はカメラに向かって人がほぼ直進して動いているとき、図3はほぼ横切って動いているときを撮影している状況を示す。
(2)動画像は、適当なサンプリングレートでもって、画像データに変換する。サンプリングレートはたとえば1秒間30回とする。
(3)各画像データのグレースケール値または、カラー値(RGBなど)、明度、彩度などから重心座標(X,Y)をピクセル位置で読み取る。
(4)重心の座標軸のX軸、Y軸のそれぞれの時系列データを作成する。
時系列データを目視できるようにグラフ化すると軌跡となる。図4は図2においてまっすぐに動いた場合の軌跡であり図5は不規則な怪しい動きの軌跡である。ジグザグに動いた場合のグラフは省略する。
自然な動きの場合、重心座標の局所的な軌跡は滑らかに動くが、不規則な動きを伴った行動では、軌跡は小刻みな変動をする。
重心の時系列解析すなわち軌跡を解析するアルゴリズムとして
(I)RP(Recurrence Plot)法
(II)Power Law(Fast Fourier Transformation=FFT)法
(III)DFA(Detrended Fluctuation Analysis)法
を使用目的と状況に応じていずれかまたは組み合わせて採択する。
図1はこれらのアルゴリズムの前処理である。
(I)RP(Recurrence Plot)法
(II)Power Law(Fast Fourier Transformation=FFT)法
(III)DFA(Detrended Fluctuation Analysis)法
を使用目的と状況に応じていずれかまたは組み合わせて採択する。
図1はこれらのアルゴリズムの前処理である。
(I)RP法
図1で得られた時系列データを図6の順序で解析する。カメラに向かって直進するときに図7は単純な直進、図8はジグザグな直進、図9は不規則な怪しい動きの直進の場合であってそれぞれの時系列データをRP変換したものである。単純な直進の時のRP変換である図7の場合は単調なパターン、ジグザグ歩行の場合の図8でも規則性の高いパターンであるが不規則な怪しい動きの場合のRP変換である図9では規則性がかなり崩落している。
図1で得られた時系列データを図6の順序で解析する。カメラに向かって直進するときに図7は単純な直進、図8はジグザグな直進、図9は不規則な怪しい動きの直進の場合であってそれぞれの時系列データをRP変換したものである。単純な直進の時のRP変換である図7の場合は単調なパターン、ジグザグ歩行の場合の図8でも規則性の高いパターンであるが不規則な怪しい動きの場合のRP変換である図9では規則性がかなり崩落している。
RP変換とはX軸の時系列データをX(1),X(2),X(3),K,X(N)とした場合、時間遅れ法により多次元空間に再構成を行う。再構成された多次元空間の軌道点は(X(1),X(2+τ),Λ,X(N+τ(d−1)))で表される(時間遅τ、埋め込み次元dの場合)。この再構成された軌道点を任意に2つ選び、2点間の距離で画素を決定するものである。
このRP変換により表わされる画像パターンは、元データが周期的であれば、規則的な空間パターンが表われ、非周期的であれば漠然としたパターンが表われる。
このRP変換により表わされる画像パターンは、元データが周期的であれば、規則的な空間パターンが表われ、非周期的であれば漠然としたパターンが表われる。
RP変換を定量的に評価した値をLmaxと呼び図10、図11に示す。
図10はカメラに向かって直進する場合のLmax値を示し図11はカメラの前を横切る場合のLmax値を示すものである。不規則な怪しい動きのLmaxが大きく算出できるので定量的な自動判別が可能となり警報を発信することができる。本事例ではLmax値は普通の歩行と比べてジグザグ歩行はおよそ1.5倍、不規則な怪しい動きでは約3倍の値を示している。
図10はカメラに向かって直進する場合のLmax値を示し図11はカメラの前を横切る場合のLmax値を示すものである。不規則な怪しい動きのLmaxが大きく算出できるので定量的な自動判別が可能となり警報を発信することができる。本事例ではLmax値は普通の歩行と比べてジグザグ歩行はおよそ1.5倍、不規則な怪しい動きでは約3倍の値を示している。
(II)Power−Law(FFT)法
図1で得られた時系列データを図12の順序で解析する。
X軸の時系列データをX(1),X(2),X(3),K,X(N)とした場合、FFTにより周波数スペクトルは次の式で表される。
図1で得られた時系列データを図12の順序で解析する。
X軸の時系列データをX(1),X(2),X(3),K,X(N)とした場合、FFTにより周波数スペクトルは次の式で表される。
数学上の説明のためたとえば汎用的な周波数スペクトルX(ω)のグラフを図13に示す。
この汎用の両対数表示のグラフ上でデータの回帰直線を算出し、この直線の傾きをPower Law指数と呼びβで示す。指数βは、値が大きいほど元の時系列データはなめらかであり、小さいほど小刻みな振動を伴う。
この汎用の両対数表示のグラフ上でデータの回帰直線を算出し、この直線の傾きをPower Law指数と呼びβで示す。指数βは、値が大きいほど元の時系列データはなめらかであり、小さいほど小刻みな振動を伴う。
図14は前記図2の各動きの上記の時系列の指数βであり図15は前記図3の各動きの同じく時系列の指数βを示す。指数βはジグザグ歩行ならびに不規則な怪しい動きの場合普通の歩行と比べて30〜70%減少する。
(III)重心座標変化の定量的評価 DFA(Detrended fluctuation analysis)法
図1で得られた時系列のデータを図16の順序で解析する。
X軸の時系列データをX(1),X(2),X(3),K,X(N)とした場合、まず、全体の平均値を計算し、各値から、平均値を引いたものを積分して、下のy(k)を算出する。
図1で得られた時系列のデータを図16の順序で解析する。
X軸の時系列データをX(1),X(2),X(3),K,X(N)とした場合、まず、全体の平均値を計算し、各値から、平均値を引いたものを積分して、下のy(k)を算出する。
次に、たとえば図17のように積分後の時系列y(k)を、等間隔nのボックスで分割し、そのボックス内で最小2乗近似直線yn(k)(ローカルトレンド)を求める。
y(k)からyn(k)のトレンドを除去し二乗して平均をとり平方根をとったF(n)(平均二乗誤差)は、
となるが、ボックスの大きさを全ての時間スケールに対するように変化させてF(n)を計算し、図18のように横軸にlogn、縦軸にlogF(n)としてプロットした時の直線部分の傾きを、スケール指数αとする。
y(k)からyn(k)のトレンドを除去し二乗して平均をとり平方根をとったF(n)(平均二乗誤差)は、
となるが、ボックスの大きさを全ての時間スケールに対するように変化させてF(n)を計算し、図18のように横軸にlogn、縦軸にlogF(n)としてプロットした時の直線部分の傾きを、スケール指数αとする。
この時のαの値が高いと時系列データは滑らかであり、低いと小刻みに振動する傾向がある。図19は前記図2の各動きのスケール指数α、図20は図3の各動きのスケール指数αを示す。ジグザグ歩行や不規則な怪しい行動を伴った場合は普通の歩行に比べてスケール指数αは30〜70%減少する。エレベーターに2人乗車してそのうちの一人が不規則な怪しい動きをしたときの事例を図21に示す。怪しい動きをしていた一人が下車するとスケール指数αがもとのように上昇することを示している。
Claims (5)
- 動画として測定した画像をサンプリングにより重心を持つ一つの画像に変換しその重心点の各座標軸における位置の時系列データを線形あるいは非線形解析アルゴリズムにより解析しその不規則性を定量的に算出し異常値の場合は自動的に警報を発生することを特徴とする方法
- 上記線形あるいは非線形アルゴリズムはリカレンス・プロット(Recurrence Plot)法、パワー・ロー(Power Law)法およびディトレンディッド・フラクチュエイション・アナリシス(Detrended Fluctuation Analysis)法のうち少なくとも一つからなることを特徴とする方法
- 動画は人、動物に限らず動く物体すべてに適用される上記アルゴリズムであることを特徴とする方法
- 上記の動く物体は1個体に限らず同時に複数個にも適用されることを特徴とする方法
- 動画は同時に複数の画像カメラの系統により測定し上記異常値を示す動画像あるいはカメラを特定できることを特徴とする警報発生の方法
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2004198643A JP2005353016A (ja) | 2004-06-09 | 2004-06-09 | 動画像の行動パターン識別の評価と方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2004198643A JP2005353016A (ja) | 2004-06-09 | 2004-06-09 | 動画像の行動パターン識別の評価と方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2005353016A true JP2005353016A (ja) | 2005-12-22 |
Family
ID=35587424
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2004198643A Pending JP2005353016A (ja) | 2004-06-09 | 2004-06-09 | 動画像の行動パターン識別の評価と方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2005353016A (ja) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007272488A (ja) * | 2006-03-31 | 2007-10-18 | Yokogawa Electric Corp | 画像処理装置、監視カメラ及び画像監視システム |
JP2008287340A (ja) * | 2007-05-15 | 2008-11-27 | Tokai Univ | 発話内容識別装置及び個人識別装置 |
JP2010063001A (ja) * | 2008-09-05 | 2010-03-18 | Mitsubishi Electric Corp | 人物追跡装置および人物追跡プログラム |
JP2010134915A (ja) * | 2008-11-04 | 2010-06-17 | Omron Corp | 画像処理装置 |
JP2017037488A (ja) * | 2015-08-10 | 2017-02-16 | 株式会社日本総合研究所 | 入力支援装置、入力支援方法及びプログラム |
JP2017037487A (ja) * | 2015-08-10 | 2017-02-16 | 株式会社日本総合研究所 | 判定装置、判定方法及びプログラム |
WO2017212568A1 (ja) * | 2016-06-08 | 2017-12-14 | 三菱電機株式会社 | 監視装置 |
-
2004
- 2004-06-09 JP JP2004198643A patent/JP2005353016A/ja active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007272488A (ja) * | 2006-03-31 | 2007-10-18 | Yokogawa Electric Corp | 画像処理装置、監視カメラ及び画像監視システム |
JP2008287340A (ja) * | 2007-05-15 | 2008-11-27 | Tokai Univ | 発話内容識別装置及び個人識別装置 |
JP2010063001A (ja) * | 2008-09-05 | 2010-03-18 | Mitsubishi Electric Corp | 人物追跡装置および人物追跡プログラム |
JP2010134915A (ja) * | 2008-11-04 | 2010-06-17 | Omron Corp | 画像処理装置 |
JP2017037488A (ja) * | 2015-08-10 | 2017-02-16 | 株式会社日本総合研究所 | 入力支援装置、入力支援方法及びプログラム |
JP2017037487A (ja) * | 2015-08-10 | 2017-02-16 | 株式会社日本総合研究所 | 判定装置、判定方法及びプログラム |
WO2017212568A1 (ja) * | 2016-06-08 | 2017-12-14 | 三菱電機株式会社 | 監視装置 |
JPWO2017212568A1 (ja) * | 2016-06-08 | 2018-10-04 | 三菱電機株式会社 | 監視装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6905850B2 (ja) | 画像処理システム、撮像装置、学習モデル作成方法、情報処理装置 | |
CN107665326A (zh) | 乘客运输装置的监测系统、乘客运输装置及其监测方法 | |
EP2058777A1 (en) | Suspicious behavior detection system and method | |
JPWO2005039181A1 (ja) | 監視装置 | |
JP2007209008A (ja) | 監視装置 | |
JP2018073024A (ja) | 監視システム | |
WO2021114766A1 (zh) | 一种基于深度数据的人员行为模式分析方法和系统 | |
CN115484263A (zh) | 一种基于边缘计算的跨区域智慧工厂实时安全监测系统 | |
JP3910626B2 (ja) | 監視装置 | |
JP2005353016A (ja) | 動画像の行動パターン識別の評価と方法 | |
JP4610005B2 (ja) | 画像処理による侵入物体検出装置および方法およびプログラム | |
AU2007311761B2 (en) | Improvements relating to event detection | |
JP2008541650A (ja) | モニタリング方法および装置 | |
KR20110100533A (ko) | 음원 추적 및 객체 인식 장치와 음원 추적 및 객체 인식 방법 | |
CN111553264B (zh) | 一种适用于中小学生的校园非安全行为检测及预警方法 | |
KR20220113631A (ko) | 위험 상황 감지 장치 및 위험 상황 감지 방법 | |
CN106128105B (zh) | 一种交通路口行人行为监测系统 | |
CN114078603A (zh) | 智能养老监护系统、方法及计算机设备、可读存储介质 | |
JP2021163401A (ja) | 人物検知システム、人物検知プログラム、学習済みモデル生成プログラム及び学習済みモデル | |
CN114468453B (zh) | 一种基于5g技术的建筑工地安全帽检测系统 | |
CN106250808A (zh) | 基于三维相机的双人值岗检测方法及系统 | |
CN116052035A (zh) | 一种基于卷积神经网络的电厂人员周界入侵检测方法 | |
Long et al. | An Image-based Fall Detection System using You Only Look Once (YOLO) Algorithm to Monitor Elders’ Fall Events | |
CN112576310A (zh) | 基于机器人的隧道安防检测方法及系统 | |
CN117649734B (zh) | 一种基于多维传感器的智慧安防监测方法及系统 |