到精密級分類器，對得到的粗級行人ROIs進行檢 測，得到精密級ROIs，精密級要求檢測率高，虛警率低。
[0014] 步驟3:行人行為跟蹤 3. 1、采用粒子濾波方法將視頻中每個跟蹤目標(biāo)分別包圍在一個矩形框中，矩形框自適 應(yīng)的隨運動目標(biāo)大小變化； 3. 2、對每個跟蹤目標(biāo)的狀態(tài)轉(zhuǎn)移建立多階自回歸過程數(shù)學(xué)模型，以當(dāng)前狀態(tài)之前的多 個狀態(tài)作為基準(zhǔn)，加入隨機擾動對下一狀態(tài)進行預(yù)測，獲得描述運動目標(biāo)實際運動情況的 狀態(tài)轉(zhuǎn)移模型； 3. 3、在粒子濾波器框架之下，根據(jù)監(jiān)控視頻中行人的顏色和形狀特征在行為分析過程 中的穩(wěn)定性，利用加權(quán)顏色直方圖和四方向特征作為觀測模型，獲得融合顏色和形狀特征 的粒子濾波人體跟蹤方法，通過融合后行人的顏色和形狀特征確定粒子的權(quán)值進行更新； 步驟4:異常行人分類 4. 1、計算精密級ROIs的光流特征，去除由環(huán)境產(chǎn)生的擾動，采用幅值加權(quán)的方向直方 圖來描述異常行為的運動幅度和混亂程度，首先對幅值進行歸一化處理，作為方向的權(quán)值， 然后求和作為直方圖的大小，像素的變化情況反映不規(guī)則行為； 4. 2、采用Markov隨機場理論，將監(jiān)控視頻流中的每幀灰度圖像設(shè)定為一個Markov隨 機場，像素點的灰度值作為Markov隨機場的隨機變量，其的隨機場能量值用于反映視頻中 被監(jiān)控目標(biāo)在短時間內(nèi)行為的變化； 4. 3、對視頻監(jiān)控場景中判斷為異常交通行為的行人進行特征提取，根據(jù)通過收集訓(xùn)練 數(shù)據(jù)建立的連續(xù)隱馬爾可夫模型，采用概率的方法對異常行為進行識別，細(xì)化為不同的行 為模式，如揮手、跳躍、奔跑，并將行為模式進行分類存儲。
[0015]Markov隨機場的能量函數(shù)能較好地反映視頻中多個行人目標(biāo)區(qū)的劇烈變化，對群 聚和突發(fā)暴力事件有較好的識別率。將監(jiān)控視頻流中的每幀灰度圖像設(shè)定為一個Markov 隨機場，這時隨機變量X就成了像素點s處的標(biāo)值，即為灰度值，其能量值可以很好地反映 了視頻中被監(jiān)控目標(biāo)在短時間內(nèi)行為的劇烈變化。第獻:幀能量函數(shù)由兩部分組成：（1)空 間算子部分尾_/?)，它記錄了第《幀圖像中每個像素點灰度值與背景以及鄰域的相對關(guān) 系信息；（2)時間算子部分革，它記錄了第w幀的灰度值與前后幀的關(guān)系信息。
[0016] 空間算子的MRF模型由兩類節(jié)點組成，隱藏變量:# = |^，觀測變量X= ，本發(fā) 明初步假設(shè)x、y滿足高斯正態(tài)分布，可得到視頻流中第η幀能量函數(shù)的空間算子部分的計 算公式：
其中尤為兩者間的比例關(guān)系，是第η幀視頻圖像中s像素點位置的灰度值，Α(?) 是背景圖像中對應(yīng)位置像素點的灰度值，N(s)為s的鄰域系統(tǒng)。
[0017] 時間算子的MRF模型主要利用的每個像素點某幀的灰度值與鄰域幀的聯(lián)系，它與 除此之外的其他幀無關(guān)。第η幀圖像能量的時間算子部分可以初步表示為：
其中$丨為，前一幀的在s處的灰度值。
[0018] 本發(fā)明在上述理論框架的基礎(chǔ)上深入研究能量函數(shù)和監(jiān)控場景行人行為之間的 深層次內(nèi)涵，分析大量視頻監(jiān)控基礎(chǔ)上尋求Markov場能量函數(shù)的最佳表示，相應(yīng)調(diào)整經(jīng)驗 參數(shù)β_和尤，可以提高行人異常行為的檢出率。
[0019] 最后應(yīng)當(dāng)說明的是：以上實施例僅用以說明本發(fā)明的技術(shù)方案而非對其限制；盡 管參照較佳實施例對本發(fā)明進行了詳細(xì)的說明，所屬領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：依然 可以對本發(fā)明的【具體實施方式】進行修改或者對部分技術(shù)特征進行等同替換；而不脫離本發(fā) 明技術(shù)方案的精神，其均應(yīng)涵蓋在本發(fā)明請求保護的技術(shù)方案范圍當(dāng)中。
【主權(quán)項】
1. 一種基于安防監(jiān)控視頻數(shù)據(jù)的多人異常行為檢測方法，其特征在于：它包括以下步 驟： 步驟1 :視頻數(shù)據(jù)采集 對監(jiān)控攝像頭標(biāo)準(zhǔn)AV輸出信號進行采集，并將采集到的AV信號經(jīng)過壓縮編碼形成H. 264和MPEG-4標(biāo)準(zhǔn)視頻數(shù)據(jù)； 步驟2 :行人特征提取 2. 1、針對采集到的視頻圖像，提取Haar特征和FDF特征，得到粗級檢測器； 2. 2、對待測圖像進行遍歷檢測，采用AdaboostCascade方法得到粗級行人ROIs; 2. 3、采用方向梯度直方圖特征提取算法，利用SVM進行訓(xùn)練得到精密級分類器，對得 到的粗級行人ROIs進行檢測，得到精密級ROIs; 步驟3 :行人行為跟蹤 3. 1、采用粒子濾波方法將視頻中每個跟蹤目標(biāo)分別包圍在一個矩形框中，矩形框自適 應(yīng)的隨運動目標(biāo)大小變化； 3. 2、對每個跟蹤目標(biāo)的狀態(tài)轉(zhuǎn)移建立多階自回歸過程數(shù)學(xué)模型，以當(dāng)前狀態(tài)之前的多 個狀態(tài)作為基準(zhǔn)，加入隨機擾動對下一狀態(tài)進行預(yù)測，獲得描述運動目標(biāo)實際運動情況的 狀態(tài)轉(zhuǎn)移模型； 3. 3、在粒子濾波器框架之下，根據(jù)監(jiān)控視頻中行人的顏色和形狀特征在行為分析過程 中的穩(wěn)定性，利用加權(quán)顏色直方圖和四方向特征作為觀測模型，獲得融合顏色和形狀特征 的粒子濾波人體跟蹤方法，通過融合后行人的顏色和形狀特征確定粒子的權(quán)值進行更新； 步驟4:異常行人分類 4. 1、計算精密級ROIs的光流特征，去除由環(huán)境產(chǎn)生的擾動，采用幅值加權(quán)的方向直方 圖來描述異常行為的運動幅度和混亂程度，首先對幅值進行歸一化處理，作為方向的權(quán)值， 然后求和作為直方圖的大小，像素的變化情況反映不規(guī)則行為； 4. 2、采用Markov隨機場理論，將監(jiān)控視頻流中的每幀灰度圖像設(shè)定為一個Markov隨 機場，像素點的灰度值作為Markov隨機場的隨機變量，其的隨機場能量值用于反映視頻中 被監(jiān)控目標(biāo)在短時間內(nèi)行為的變化； 4. 3、對視頻監(jiān)控場景中判斷為異常交通行為的行人進行特征提取，根據(jù)通過收集訓(xùn)練 數(shù)據(jù)建立的連續(xù)隱馬爾可夫模型，采用概率的方法對異常行為進行識別，細(xì)化為不同的行 為模式，并將行為模式進行分類存儲。
【專利摘要】本發(fā)明提供一種基于安防監(jiān)控視頻數(shù)據(jù)的多人異常行為檢測方法，對監(jiān)控攝像頭標(biāo)準(zhǔn)AV輸出信號進行采集；對行人特征進行提取，分別得到粗級檢測器，粗級行人ROIs和精密級ROIs；對行人行為進行跟蹤，采用粒子濾波方法將視頻中每個跟蹤目標(biāo)分別包圍在一個矩形框中，對每個跟蹤目標(biāo)的狀態(tài)轉(zhuǎn)移建立多階自回歸過程數(shù)學(xué)模型，獲得描述運動目標(biāo)實際運動情況的狀態(tài)轉(zhuǎn)移模型；在粒子濾波器框架之下，獲得融合顏色和形狀特征的粒子濾波人體跟蹤方法；異常行人分類，計算精密級ROIs的光流特征；將監(jiān)控視頻流中的每幀灰度圖像設(shè)定為一個Markov隨機場；對視頻監(jiān)控場景中判斷為異常交通行為的行人進行特征提取，建立連續(xù)隱馬爾可夫模型，對異常行為進行識別。
【IPC分類】G06K9/00, G06K9/62
【公開號】CN105426820
【申請?zhí)枴緾N201510730745
【發(fā)明人】陳長寶, 李傳奎, 杜紅民, 孔曉陽, 王茹川, 郭振強, 王磊
【申請人】中原智慧城市設(shè)計研究院有限公司
【公開日】2016年3月23日
【申請日】2015年11月3日