CN101719216A - 基于模板匹配的运动人体异常行为识别方法 - Google Patents

Abstract

本发明是一种基于模板匹配的运动人体异常行为识别方法。主要包括视频图像的获取，行为特征提取，基于样本的统计学***。

Description

基于模板匹配的运动人体异常行为识别方法

技术领域

本发明属于计算机视觉、智能信息处理领域。涉及基于运动图像的计算机监控技术，基于统计学习的模式识别技术。主要涉及一种视频监控内容智能分析方法，具体是一种基于模板匹配的运动人体异常行为识别方法。

背景技术

随着社会对公共安全问题的重视，实时监控得到了越来越广泛的应用。现有监控***的问题主要是大量的监控信息难以得到及时有效地处理，通过计算机协助对人类行为和事件的识别，已经成为计算机视觉领域的一个热点问题。

视觉监控的智能分析技术是计算机视觉领域的热点和难点问题，涉及到图像处理、机器学习等课题。近年来学术上进行了较多的相关研究，包括国家高技术研究发展计划和国家重点基础研究发展计划中智能监控项目的研究。

国内外学者在基于视频序列的异常检测上做了很多的工作，大致可分为两类：基于模型的方法和基于相似度量的方法。第一类方法预先设定准则，然后从图像序列中提取运动目标的外形、运动等信息，根据这些所获得的特征信息，人工或使用半监督的方法定义正常行为的模型，通常选择使用HMM或者图模型进行对由序列图像特征所表示的状态进行建模，那些不匹配正常行为模型的观测均被认为是异常的。在所有的正常事件被很好建模的情况下，基于模型的方法检测性能良好。但是当正常的行为数量很大，完全建模出现困难时，检测效果便会下降。第二类方法中，利用异常行为的难定义、易发现的特点使得人们无需预先显式定义目标行为模型就可以将其检测出来。其基本原理是自动地从视频序列数据中学习正常的模式，然后推断可疑的异常行为。

异常行为检测是指首先对自定义的正常动作行为和其他行为数据分别进行分析与建模，然后根据测试行为与两者的相似程序来判断行为是否有异常。目前的研究主要集中通过检测人体的运动区域、速度是否满足预定条件等限制，来检测人物出现、越界等基本事件。在此基础上美国Object Video等公司已经开发出相应的产品，并得到了一定的应用。

然而这些研究和应用还存在一定的问题：目前的研究部分视觉理解方法采用机械的人体模型方法，通过匹配视频图像，恢复出人体关节运动的状态，进而理解人体的行为，这样处理增加了中间环节，使模型更加复杂且难以准确实现。

现广泛应用的监视***也都是以摄像和记录图像为主，要么是人工监控，要么是事后的回放与分析，基本没有智能化监控，即使有些对环境和静物的监控带有报警***，也只能以动和不动作为区别正常与否的判断标准，对于动态或运动物体的正常与异常判断，大多处于理论研究与探讨阶段，没有有实际意义的异常行为识别方法被应用。

本发明项目组对国内外专利文献和公开发表的期刊论文检索，尚未发现与本发明密切相关和一样的报道或文献。

发明内容

本发明的目的是克服上述技术或方法存在的缺点，提供一种利用计算机视觉技术分析和理解人的运动，直接基于运动区域的几何计算进行行为识别并进行记录和报警，提高了***的自主分析性能和智能监控能力，对异常行为有较高的识别准确率，能有效去除视频采集图像的复杂背景和噪声，提高了检测算法的效率和鲁棒性的基于模板匹配的运动人体异常行为识别方法。该方法的应用有助于改善公共场所的安全监控水平。

下面对本发明进行详细说明

本发明是一种基于模板匹配的运动人体异常行为识别方法，其特征在于：所述方法包括以下步骤：

一.样本视频数据采集：通过摄像头采集预先定义行为中的正常行为视频序列，作为训练样本；

二.图像分析与行为特征提取：利用背景差分法提取出采集视频序列图像中的运动区域；

三.测量所提取出运动区域的长度和宽度，计算长和宽之比，分类存储于相应的图像数据上；

四.行为建模：利用上述采集的大量运动样本按每种行为的长和宽之比不同进行相关的学习建模，建立对应的标准行为模型；

五.建立模型库：将获得的标准行为模型分类保存到模型数据库中，构建标准行为库；

六.实时数据采集：通过摄像头实时采集行为视频序列，并采用和步骤二相同的方法进行特征提取；

七.结果分析：利用基于加权Hu不变矩的相似性比较算法，对当前帧图像即提取到的跟踪目标与标准行为数据库中预先定义的正常行为比较，根据最大似然准则，计算出待识别行为和预先定义行为的相似度，与设定阈值进行比较，大于相似度阈值的为正常行为，小于相似度阈值的为异常行为，判别出异常；

八.对异常行为紧凑跟踪、标记并报警。

本发明是自动地从视频序列数据中学习正常的行为模式，然后推断可疑的异常行为。是通过对运动区域的分析，提取运动区域并计算长宽比，通过对大量的正常和异常运动数据进行机器学习，建立人体运动特征模型，实现人体异常行为的实时检测。

本发明主要涉及计算机视觉和模式识别领域，通过背景差分法获得人体运动区域，通过运动区域长宽比实现异常行为的实时检测，使得监控信息较易得到，也减少了信息处理量，可及时有效地对运动区域进行处理，算法简单。

也就是说本发明不需要精确跟踪运动人体，也不需要精确提取人体轮廓，只需要提取运动区域，使得整体方案得以简化，比预先设定模型匹配检测方法运算量小、计算精度高，从而提高了识别准确率。

本发明的实现还在于：在进行步骤二中的图像分析与行为特征提取时，包括如下步骤：

步骤S1：采用高斯滤波方法去噪和邻域去噪相结合的方法去除噪声。

步骤S2：对去噪后图像序列利用混合高斯模型进行背景建模；

步骤S3：将变化区域从背景模型中提取出来，得到运动目标；

步骤S4：利用HSV模型将运动目标和运动阴影区分开并用混合高斯模型去除阴影。

去噪是图像处理和图像提取的重要环节，本发明采用高斯滤波去噪和邻域去噪相结合的方法去噪，获得了良好的效果，为下一步的处理打好了基础。进而将前景从图像中与背景分离，得到运动目标，再对该运动目标去除阴影，这里的每一步均涉及对异常行为判断的准确率，本发明采用HSV模型获取尽可能多的疑似阴影，采用混合高斯模型去除疑似阴影，得了精确的效果，进一步改善了识别效果。

本发明的实现还在于：在进行步骤二中的利用混合高斯模型进行背景建模包括如下步骤：

步骤S21：将视频序列图像分成W×W个小分区：

步骤S22：对每个小分区按照混合高斯模型进行建模。

本发明将视频序列图像分成W×W个小分区，对W进行不同的取值，将区域细分，在下次更新时，可以只更新那些变化显著的区域，变化不显著的区域则不必更新。本发明对图像进行分区，降低了混合高斯模型的运算量，提高了效率。

本发明的实现还在于：在进行步骤二中的利用HSV模型将运动目标和运动阴影区分开并用混合高斯模型去除阴影包括如下步骤：

步骤S41：利用HSV模型判断当前像素是否为阴影，检测出所有疑似阴影；

步骤S42：将疑似阴影的像素值加入混合高斯阴影模型的参数学习，从而判定此疑似阴影是否是真正的阴影，然后把这些误检消除。

首先利用基于HSV颜色空间的阴影模型，判断当前像素值是否可能为阴影像素值。当前像素值可能是阴影，才会参与混合高斯阴影模型的参数学习，从而判定此疑似阴影是否是真正的阴影。因此，疑似阴影模型的参数选择应适当宽松一些，尽量把所有的真正阴影检测为疑似阴影，并允许把一些运动目标像素值也判定为疑似阴影，然后用混合高斯阴影模型把这些误检消除，得到的前景即为运动目标。本发明利用基于HSV颜色空间的阴影模型，尽量把所有的真正阴影检测为疑似阴影，并允许把一些运动目标像素值也判定为疑似阴影，然后用混合高斯阴影模型把这些误检消除。使得运动检测精度比较高。

由于本发明通过对运动区域的分析，提取运动区域的长宽比，通过对大量的正常和异常运动数据进行机器学习，建立人体运动特征模型，实现人体异常行为的实时检测，在检测中，本发明有机地运用了背景差分法提取出采集视频序列图像中的运动区域，并在其中运用了高斯滤波去噪和邻域去噪相结合实现去噪，在采用混合高斯模型进行背景建模时对视频序列图像的背景进行细分，减少了混合高斯模型的计算量，缩短了计算过程，提高了检测算法的效率和鲁棒性。本发明还利用HSV模型将疑似阴影的像素值加入混合高斯阴影模型的参数学习，以准确判定此疑似阴影是否是真正的阴影，并降低了误检，也提高了识别准确性。几种方法的改进与融合，本发明有效地解决了建模简单，简练算法，检测准确的技术问题，实现了一种检测率更高的基于模板匹配的运动人体异常行为识别方法。本发明主要应用于银行、博物馆、停车场、机场等场所。

附图说明：

图1是本发明的运行流程示意图；

图2本发明的运动目标提取算法流程图；

图3是包含运动目标的原始图A；

图4是包含运动目标的原始图B；

图5是包含运动目标的原始图A的前景提取图；

图6是包含运动目标的原始图B的前景提取图；

图7是标准行为采集图；

图8是本发明对异常行为识别结果图A；

图9是本发明对异常行为的识别结果图B；

图10是本发明对异常行为的识别结果图C；

图11是本发明对异常行为的识别结果图D。

具体实施方式：

下面结合附图对本发明进行详细说明：

实施例1：

参见图1，本发明是一种基于模板匹配的运动人体异常行为识别方法，多应用于银行、博物馆等涉及公共安全问题需要实时监控的场所。利用计算机视觉技术分析和理解人的运动，并进行实时图像采集、记录、鉴别异常行为和报警，见图1。本发明方法所需要的硬件最低配置为：P4 3.0G CPU，512M内存的计算机；最低分辨率为320×240的健康摄像头或者DV摄像机；帧率为25帧每秒的视频采集卡及MD解码卡。图1是本发明的运行流程示意图，按照图1流程，本发明的检测方法包括以下步骤：一.样本视频数据采集：通过摄像头采集预先定义行为中的正常行为视频序列，作为训练样本；本例中预先定义行为是行走，正常行为参见图7。

二.图像分析与行为特征提取：利用背景差分法提取出采集视频序列图像中的运动区域；

三.测量所提取出运动区域的长度和宽度，计算长和宽之比，分类存储于相应的图像数据上；参见图8-11。

四.行为建模：利用上述采集的大量运动样本按每种行为的长和宽之比不同进行相关的学习建模，建立对应的标准行为模型；所谓大量即对每种行为采集足够判定异常行为一定量的样本。

五.建立模型库：将获得的标准行为模型分类保存到模型数据库中，构建标准行为库；

六.实时数据采集：通过摄像头实时采集行为视频序列，并采用和步骤二相同的方法进行特征提取；即利用背景差分法提取出采集视频图像中的运动区域。

七.结果分析：利用基于加权Hu不变矩的相似性比较算法，对当前帧图像即提取到的跟踪目标与标准行为数据库中预先定义的正常行为比较，根据最大似然准则，计算出待识别行为和预先定义行为的相似度，与设定阈值进行比较，大于相似度阈值的为正常行为，小于相似度阈值的为异常行为，判别出异常；对于每一种标准行为计算运动区域的长宽比，经过大量数据统计而获得。

八.对异常行为紧凑跟踪并报警。比如对行走目标跟踪，在监视出异常行为后进行报警。

本发明利用训练的模型库，其模板的匹配程度满足最大似然准则，计算待识别行为和预先定义行为和预先定义行为的匹配程度，本例中，预先定义行为是走，计算运动区域的长宽比，经过大量数据统计而获得阈值为0.7，小于阈值的行为判断异常行为。

本发明先提取运动目标所对应的原始图像区域，再计算其HSV空间下的加权Hu不变矩作为人体行为的特征描述符，并利用该特征对视频序列中的每一帧图像与事先存储在数据库中的规则行为图像计算欧氏距离，判别该目标的行为是否为异常。因此，在***对异常人体行为进行检测之前，必需对正常行为有一个明确规定。本发明对运动目标的正常行为建立数据库，采用帧模板匹配的方法实现异常行为检测。数据库中存储了正常行为的图片。

预先将一系列正常行为的图片存储到数据库中，由于对称性的关系，库中图像按照行走方向可分为‘左至右’和‘右至左’两大类，称为“标准行为库”或称“规则运动模板库”。在实时监控阶段，逐帧读取视频序列，对每帧图像进行灰度转化和数学形态学等处理，利用***中的运动目标检测方法提取目标信息，然后计算其加权Hu不变矩特征值，并与模板数据库中的正常行为图片进行匹配，计算匹配的最大相似度与预设的阈值进行比较，如果在阈值在规定范围内则视为“正常行为”；否则，则为“异常行为”。

在上述人体行为识别过程中，关键的一步就是当前帧图像与正常行为图片匹配，即模板匹配，最大程度的计算出两幅图像的相似度，经过反复试验和对比，采用了基于加权Hu不变矩的相似性比较算法，实验结果表明该算法具有较好的适应性和精准度。

M.K.Hu于1962年提出连续函数矩的定义和关于矩的基本性质，并具体给出了具有平移、旋转、比例不变性的7个不变矩的表达式，它在识别相似性的物体时有很好的识别率。

Hu矩的定义如下：

设f(x，y)为某二维图像的h(x，y)、s(x，y)或v(x，y)函数，则其(p+q)阶原点矩定义为：

$m_{\mathrm{pq}}=\underset{x,y\∈\mathrm{\Ω}}{\∫\∫}{x}^p{y}^{q}f(x,y)\mathrm{dxdy}$ 式(8)

式中，Ω为x，y的取值区间，m_pq的具体含义为f(x，y)在单项式上的投影。显然m_pq由f(x，y)唯一确定，反之亦然。由于m_pq不具有平移不变性，因此定义(p+q)阶中心矩为：

${\mathrm{\μ}}_{\mathrm{pq}}=\underset{x,y\∈\mathrm{\Ω}}{\∫\∫}{(x-\stackrel{\‾}{x})}^p{(y-\stackrel{\‾}{y})}^{q}f(x,y)\mathrm{dxdy}$ 式(9)

将(p+q)阶规格化中心矩记作η_pq，定义为：

${\mathrm{\η}}_{\mathrm{pq}}=\frac{{\mathrm{\μ}}_{\mathrm{pq}}}{{\mathrm{\μ}}_{00}^{\mathrm{\γ}}}$ $\mathrm{\γ}=\frac{p+q+1}{2}$ (p+q＝2，3，......)           式(10)

利用二阶和三阶规格化中心矩可导出以下7个不变矩组：

M₁＝η₂₀+η₀₂

$M_2={({\mathrm{\η}}_{20}-{\mathrm{\η}}_{02})}^2+4{\mathrm{\η}}_{11}^2$

M₃＝(η₃₀-3η₁₂)²+(3η₃₁-η₀₃)²

M₄＝(η₃₀+η₁₂)²+(η₂₁+η₀₃)²

M₅＝(η₃₀-3η₁₂)(η₃₀-η₁₂)[(η₃₀+η₁₂)²-3(η₂₁+η₀₃)²]+(3η₂₁-η₀₃)(η₂₁+η₀₃)[3(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]

M₆＝(η₂₀-η₀₂)[(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]+4η₁₁(η₃₀+η₁₂)(η₂₁+η₀₃)

M₇＝(3η₁₂-η₃₀)(η₃₀+η₁₂)[(η₃₀+η₁₂)²-3(η₂₁+η₀₃)²]

                                                         式(11)

(3η₂₁-η₀₃)(η₂₁+η₀₃)[3(η₀₃+η₁₂)²-(η₁₂+η₃₀)²]

本发明采用Hatamian提出的快速不变矩算法进行图像的矩特征提取。将二维图像矩分解为两个一维矩，并用递归方法进行计算，大大降低了乘法次数，加法次数也比直接计算有所减少。

实验表明当两个区域的亮度相差很大时，可以很容易将其分开；而当两个区域的亮度相同仅色调不同时，并不能引起清晰的形状视觉。如果让两个区域的亮度逐渐接近，它们的轮廓线将会变得逐渐模糊，两个区域形状变得逐渐不确定。也就是说亮度、色调、色饱和度在一定条件下都能形成形状，但它们各自对目标形状的贡献是不一样的，亮度最大，色调次之，色饱和度再次之。因此本本发明提出利用加权的Hu不变矩来对人体的行为特征进行描述。其不变矩的计算公式如下：

M_i＝w_vM_vi+w_kM_ki+w_sM_si(i＝1，2，…，7)        式(12)

式中，M_vi为亮度Hu不变矩，M_hi为色调Hu不变矩，M_si为色饱和Hu不变矩，M_i为人体行为加权Hu不变矩，w_v、w_h、w_s为各分量的权值，其中w_v+w_s+w_h＝1，且w_v＞w_h＞w_s。

在本例中，预先定义“正常”人体行为是走，参见图7，该行走图片保存于标准行为库中，然后计算视频序列每帧图像与正常行为标准行为库中图像的欧氏距离，得出库中所有模板与该图像的最小欧氏距离，进行判别。设M代表当前视频序列的图像，计算其与正常行为库S中各模板s之间的欧式距离，其计算公式如下：

$\begin{array}{cc}{d}_{\mathrm{ms}}=\underset{i=1}{\overset{7}{\mathrm{\Σ}}}{(M_{\mathrm{mi}}-M_{\mathrm{si}})}^2& s\∈S\end{array}$ 式(13)

求出最小距离d_mj＝min{d_ms}，s、j∈S，当最小距离小于所设阈值，则认为当前图像中的人体行为为正常行为；否则，判定该图像中的人体行为为异常行为。本发明对异常行为的识别结果如图8-图11所示。

实施例2：

基于模板匹配的运动人体异常行为识别方法同实施例1，参见图2，本发明中步骤二中的图像分析与行为特征提取包括如下步骤：

步骤S1：采用高斯滤波方法去噪和邻域去噪相结合的方法去除噪声。

步骤S2：对去噪后图像序列利用混合高斯模型进行背景建模；

步骤S3：将变化区域从背景模型中提取出来，得到运动目标；

步骤S4：利用HSV模型将运动目标和运动阴影区分开并用混合高斯模型去除阴影。

运动目标检测的目的是从序列图像中将变化区域从背景图像中分割提取出来，由于图像的后期处理过程如目标分类、跟踪和行为理解仅仅考虑图像中对应于运动目标区域的像素，故对运动目标进行有效分割是重要的基础性工作。然而在检测运动目标时，运动目标投射的运动阴影也会被检测为运动前景的一部分，造成运动目标的合并、几何变形，甚至使目标丢失。如何获得更好的运动目标前景分割效果，更好地在检测出的运动前景中把运动目标和它投射的运动阴影分离开来，直接影响到目标识别的效果。

首先利用基于HSV颜色空间的阴影模型，判断当前像素值是否可能为阴影像素值。当前像素值可能是阴影，才会参与混合高斯阴影模型的参数学习，从而判定此疑似阴影是否是真正的阴影。因此，疑似阴影模型的参数选择应适当宽松一些，尽量把所有的真正阴影检测为疑似阴影，并允许把一些运动目标像素值也判定为疑似阴影，然后用混合高斯阴影模型把这些误检消除，得到的前景即为运动目标。

另外，视频序列在获取和传输时常常会受到各种各样的噪声干扰，例如高斯白噪声、脉冲噪声和乘性噪声等，同时还有在外界实际环境中，因为树叶的晃动等所带来的大量的噪声。而这些噪声会给后续的处理，比如边缘检测，轮廓提取，目标检测带来很大的不方便，也在一定程度上影响视觉感官。本发明采用了高斯滤波方法和临域去噪相结合的方法去除噪声影响。包含运动目标的原始图A和包含运动目标的原始图B见图3和图4所示，经本发明采用了高斯滤波方法和临域去噪相结合的方法去除噪声影响对目标检测将运动目标从背景中提取，其效果如图5和图6所示。

实施例3：

基于模板匹配的运动人体异常行为识别方法同实施例1-2，本发明中步骤二中的利用混合高斯模型进行背景建模包括如下步骤：

步骤S21：将视频序列图像分成W×W个小分区：

步骤S22：对每个小分区按照混合高斯模型进行建模。

将视频序列图像分成3×3个小分区，在下次更新时，可以只更新那些变化显著的区域，变化不显著的区域则不必更新。本发明对图像进行分区，降低了混合高斯模型的运算量，提高了效率。

本发明提出并采用了改进的混合高斯方法检测运动目标，对每个小分区采用混合高斯方法进行建模。混合高斯模型的基本思想是：对每一个像素，定义K个状态，每个状态用一个高斯函数表示，这些状态一部分表示背景的像素值，其余部分则表示前景的像素值。若每个像素点颜色取值用变量X_t表示，其概率密度函数可用如下K个三维高斯函数描述：

$f(X_t=x)=\underset{i=1}{\overset{K}{\mathrm{\Σ}}}{\mathrm{\ω}}_{\mathrm{it}}\×\mathrm{\η}(x,{\mathrm{\μ}}_{\mathrm{it}},{\mathrm{\Σ}}_{\mathrm{it}})---\left(1\right)$

其中η(x，μ_it，∑_it)是t时刻的第i个高斯分布，其均值为μ_it。协方差为∑_it，ω_it为第i个高斯分布在t时刻的权重，

i＝1，2，…，k

其中，n表示X_t的维数。为了减少计算量，一般假定每个像素点的R、G、B三颜色通道相互独立，并具有相同的方差，这就相当于为每个颜色通道各建立了一个一维混合高斯模型。对每个输入像素值I_t，如果|I_t-μ_i，t-1|≤D×σ_i，t-1，其中，μ_i，t-1为均值，D为参数，σ_i，t-1为标准差，则I_t和该高斯函数匹配，其参数按如下公式更新

$\left\{\begin{array}{c}{\mathrm{\ω}}_{i,t}=(1-\mathrm{\α}){\mathrm{\ω}}_{i,t-1}+\mathrm{\α}\\ {\mathrm{\μ}}_{i,t}=(1-\mathrm{\ρ}){\mathrm{\μ}}_{i,t-1}+\mathrm{\ρ}{I}_t\\ {\mathrm{\σ}}_{i,t}^2=(1-\mathrm{\ρ}){{\mathrm{\σ}}^2}_{i,t-1}+\mathrm{\ρ}{(I_t-{\mathrm{\μ}}_{i,t})}^2\end{array}\right.---\left(2\right)$

其中α是用户定义的学习率，且0≤α≤1，ρ是参数学习率，且

如果没有高斯分布和I_t匹配，则权值最小的高斯分布将被新的高斯分布所更新，新分布的均值为I_t，初始化一个较大的标准差σ和较小的权值ω。余下的高斯分布保持相同的均值和方差，但它们的权值会衰减，即：

ω_i，t＝(1-α)ω_i，t-1                      (3)

最后，把所有的权值归一化，并把各个高斯分布按ω_i，t/σ_i，t从大到小排列。ω_i，t/σ_i，t大者表示有较小的方差与较大的出现概率，这正体现了场景背景像素值的特性，因为像素点显示背景状态的概率通常要比显示任一前景状态的概率大得多。如果i₁，i₂，....，i_K是各高斯分布按ω_i，t/σ_i，t由大到小的排列次序，若前M个分布满足下式，则这M个分布被认为是背景分布，即：

$\underset{K=i}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\ω}}_{k,t}\≥\mathrm{\τ}---\left(4\right)$

其中τ是权重阈值。I_t和每个背景分布均值之差的绝对值都大于该分布标准差的D倍，则I_t被认为是运动前景，否则I_t被判为背景像素。

图3为运动目标A，图5为本发明前景提取结果。图4为运动目标B，图6为本发明前景提取结果。

实施例4：

基于模板匹配的异常行为识别方法同实施例1-3，在进行步骤二中的利用HSV模型将运动目标和运动阴影区分开并用混合高斯模型去除阴影包括如下步骤：

步骤S41：利用HSV模型判断当前像素是否为阴影，检测出所有疑似阴影；

步骤S42：将疑似阴影的像素值加入混合高斯阴影模型的参数学习，从而判定此疑似阴影是否是真正的阴影，然后把这些误检消除。

运动目标检测的目的是从序列图像中将变化区域从背景图像中分割提取出来，由于图像的后期处理过程如目标分类、跟踪和行为理解仅仅考虑图像中对应于运动目标区域的像素，故对运动目标进行有效分割是重要的基础性工作。然而在检测运动目标时，运动目标投射的运动阴影也会被检测为运动前景的一部分，造成运动目标的合并、几何变形，甚至使目标丢失。如何获得更好的运动目标前景分割效果，更好地在检测出的运动前景中把运动目标和它投射的运动阴影分离开来，直接影响到目标识别的效果。

实施例5：

基于模板匹配的异常行为识别方法同实施例3，应用场合是银行、停车场等涉及公共安全问题需要实时监控的场所。利用计算机视觉技术分析和理解人的运动，并进行实时图像采集、记录、鉴别异常行为和报警。

本发明方法所需要的硬件最低配置为：P4 3.0G CPU，512M内存的计算机；最低分辨率为320×240的健康摄像头或者DV摄像机；帧率为25帧每秒的视频采集卡及MD解码卡。参见图1是本发明运行流程图，本发明方法按照图1流程，包括如下具体步骤：

一.样本视频数据采集：采用机器学习原理进行人体行为的建模与识别，因此相当数量的行为样本进行相关的学习与校验等工作。本例中预先定义行为是慢跑，正常行为参见3，采集了若干段视频序列，并取其中一部分作为训练集进行学习，一部分作为测试集进行模型校验，构建了视频数据训练样本。

二.图像分析与行为特征提取：将所有步骤融合在一起，具体的提取过程如图2所示的流程进行，介绍如下：

(1)获取视频数据：包括训练视频以及检测中实时采集的视频。

(2)对获取的视频数据采用高斯滤波方法去噪和邻域去噪相结合的方法去除噪声。

(3)对去噪后的视频帧分成4×4的小分区。

(4)对每个小分区按照混合高斯模型进行建模。

(5)由当前输入图像与背景模型进行差分比对操作并进行二值化处理。

(6)利用HSV模型检测疑似阴影，利用混合高斯模型去除真正的阴影得到运动区域。

三.测量所提取出运动区域的长度和宽度，计算长和宽之比，分类并记录存储于相应的图像数据上；

四.行为建模：对每种行为按长和宽之比的不同，建立对应的标准行为模型，即对每种行为采集足够判定异常行为一定量的样本，通过图像分析与行为特征提取，获得标准行为模型。

五.建立模型库：将获得的标准行为模型分类保存到模型数据库即训练模型库中；

六.实时数据采集：通过摄像头实时采集行为视频序列，并采用和步骤二相同的方法进行特征提取；即利用背景差分法提取出采集视频图像中的运动区域；

七.结果分析：利用基于加权Hu不变矩的相似性比较算法，对当前帧图像即提取到的跟踪目标与标准行为数据库中预先定义的正常行为比较，根据最大似然准则，计算出待识别行为和预先定义行为的相似度，与设定阈值进行比较，大于相似度阈值的为正常行为，小于相似度阈值的为异常行为，判别出异常；对于每一种标准行为计算运动区域的长宽比，经过大量数据统计而获得。

本发明利用训练的模型库，其模板的匹配程度满足最大似然准则，计算待识别行为和预先定义行为和预先定义行为的匹配程度。

本例中预先定义行为是慢跑作为正常行为，快跑、跳、遁走、侧走、打架均作为异常行为，计算运动区域的长宽比，经过大量数据统计而获得阈值为0.75，小于0.75阈值的行为判断异常行为；

八.对异常行为紧凑跟踪并报警。比如对慢跑目标跟踪，在监视出异常行为后，0.3-0.5秒时间后进行报警。

本发明对异常行为的识别结果如图8-图11所示。

实施例6：

基于模板匹配的异常行为识别方法同实施例3

应用场合是停车场，涉及公共安全问题需要实时监控的场所。利用计算机视觉技术分析和理解人的运动，并进行实时图像采集、记录、鉴别异常行为和报警。

实施例7：

基于模板匹配的异常行为识别方法同实施例3应用场合是银行，涉及公共安全问题需要实时监控的场所。利用计算机视觉技术分析和理解人的运动，并进行实时图像采集、记录、鉴别异常行为和报警。不同之处在于，步骤S21中：将视频序列图像分成10×10个小分区，相比于分成3×3检测精度更好，随着对视频序列图像分割小区越多，相应的精度有所提高。

本发明解决了前景背景分离、去除运动阴影、简化技术等技术难题。实现了具有较高的智能监控能力和较高检测准确率的异常行为检测。也提高了检测算法的效率和鲁棒性。

本发明具有较高的识别率，对复杂场景也有很高的识别准确率。此项技术成果可以应用于各行各业的视频监控***，例如金融证券保险业的安全监控、政府机关的安全监控、考场纪律的监控、边境保卫、监狱安全保卫、社区安防等方面，甚至在国防领域都有着十分广阔的应用前景。

Claims (4)

1.一种基于模板匹配的运动人体异常行为识别方法，其特征在于：所述方法包括以下步骤：

一.样本视频数据采集：通过摄像头采集预先定义行为中的正常行为视频序列，作为训练样本；

二.图像分析与行为特征提取：利用背景差分法提取出采集视频序列图像中的运动区域；

三.测量所提取出运动区域的长度和宽度，计算长和宽之比，分类存储于相应的图像数据上；

四.行为建模：利用上述采集的大量运动样本按每种行为的长和宽之比不同进行相关的学习建模，建立对应的标准行为模型；

五.建立模型库：将获得的标准行为模型分类保存到模型数据库中，构建标准行为库；

六.实时数据采集：通过摄像头实时采集行为视频序列，并采用和步骤二相同的方法进行特征提取；

七.结果分析：利用基于加权Hu不变矩的相似性比较算法，对当前帧图像即提取到的跟踪目标与标准行为数据库中预先定义的正常行为比较，根据最大似然准则，计算出待识别行为和预先定义行为的相似度，与设定阈值进行比较，大于相似度阈值的为正常行为，小于相似度阈值的为异常行为，判别出异常；

八.对异常行为紧凑跟踪、标记并报警。

2.根据权利要求1所述的基于模板匹配的运动人体异常行为识别方法，其特征在于：所述步骤二中的图像分析与行为特征提取包括如下步骤：

步骤S1：采用高斯滤波方法去噪和邻域去噪相结合的方法去除噪声。

步骤S2：对采集到的图像序列利用混合高斯模型进行背景建模；

步骤S3：从图像序列中将变化区域从背景模型中提取出来，用于得到运动目标；

步骤S4：利用HSV模型将运动目标和运动阴影区分开并用混合高斯模型去除阴影。

3.根据权利要求2所述的基于模板匹配的运动人体异常行为识别方法，其特征在于：所述步骤S2对采集到的图像序列利用混合高斯模型进行背景建模包括如下步骤：

步骤S21：将视频序列图像分成W×W个小分区：

步骤S22：对每个小分区按照混合高斯模型进行建模。

4.根据权利要求2所述的基于模板匹配的运动人体异常行为识别方法，其特征在于：所述步骤S4利用HSV模型将运动目标和运动阴影区分开并用混合高斯模型去除阴影包括如下步骤：

步骤S41：利用HSV模型判断当前像素是否为阴影，检测出所有疑似阴影；

步骤S42：将疑似阴影的像素值加入混合高斯阴影模型的参数学习，从而判定此疑似阴影是否是真正的阴影，然后把真正的阴影消除。

Images