CN103049748A - 行为监测方法及装置 - Google Patents
行为监测方法及装置 Download PDFInfo
- Publication number
- CN103049748A CN103049748A CN2012105928722A CN201210592872A CN103049748A CN 103049748 A CN103049748 A CN 103049748A CN 2012105928722 A CN2012105928722 A CN 2012105928722A CN 201210592872 A CN201210592872 A CN 201210592872A CN 103049748 A CN103049748 A CN 103049748A
- Authority
- CN
- China
- Prior art keywords
- image
- behavior
- hanging oneself
- people
- foreground image
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000012544 monitoring process Methods 0.000 title claims abstract description 42
- 239000011159 matrix material Substances 0.000 claims abstract description 35
- 238000012806 monitoring device Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 230000003628 erosive effect Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 230000010339 dilation Effects 0.000 claims description 4
- 230000006399 behavior Effects 0.000 description 67
- 238000001514 detection method Methods 0.000 description 20
- 230000008569 process Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 206010017577 Gait disturbance Diseases 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000003542 behavioural effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000003141 lower extremity Anatomy 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 239000012466 permeate Substances 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种行为监测方法及装置，该方法包括：使用帧差法从监测的彩色RGB图像中提取前景图像；在前景图像中确定被监测人在前景图像中对应的区域；在区域中，查找被监测人的图像轮廓；使用图像轮廓对应的外接矩阵和预设的上吊行为的判断阈值判断被监测人发生了上吊行为。通过本发明，达到了提高监测的准确率。
Description
技术领域
本发明涉及图像处理领域，具体而言，涉及一种行为监测方法及装置。
背景技术
近年来，随着计算机视觉和图像处理技术的发展，由于其广泛的应用前景，运动人体行为分析吸引了广泛的关注。运动物体行为分析是一个跨学科的研究课题。主要内容涉及计算机视觉、图像处理、模式识别、人工智能、计算机图像学等多学科领域。目前,人运动的视觉分析是计算机视觉领域中最活跃的研究主题之一，其核心是利用计算机视觉技术从图像序列中检测、跟踪、识别人并对其行为进行理解与描述。
在监狱，拘留所等特殊场所，上吊行为是最常发生的极端行为之一。但在这些场所内，在押人员不容易管理。类似上吊这种极端行为，极需狱警迅速出动阻止。显然，人力无法满足对大量摄像头的实时监视。传统计算机无法实现通过视频中行为进行分析。而依靠人力也无法长时间保持警戒，并且极容易造成疏忽。因此，迫切需要一种自动，客观，实时的上吊检测***，对视频场景中的上吊行为迅速报警，便于及时采取措施。
目前一般的监控设备也无法对视频场景中的行为进行分析，也就无从对上吊这种极端行为做出反应。本发明提供一种基于多种检测子的上吊检测的方法和装置。
发明内容
针对相关技术中无法通过视频进行行为监测的问题，本发明提供了一种行为监测方法及装置，以至少解决该问题。
根据本发明的一个方面，提供了一种行为监测方法，包括：使用帧差法从监测的彩色RGB图像中提取前景图像；在所述前景图像中确定被监测人在所述前景图像中对应的区域；在所述区域中，查找所述被监测人的图像轮廓；使用所述图像轮廓对应的外接矩阵和预设的上吊行为的判断阈值判断被监测人发生了上吊行为。
优选地，使用帧差法从监测的彩色RGB图像中提取前景图像包括：将采集的第N帧图像作为背景图像；将N+1帧开始，将当前图像和所述背景图像在彩色的三个通道上进行减法运算；将所述减法运算的结果的绝对值进行二值化得到的差分图像作为所述前景图像；
其中，N为大于1的正整数。
优选地，在所述前景图像中确定被监测人在所述前景图像中对应的区域包括：将所述前景图像进行腐蚀运算；在所述腐蚀运算后得到的图像上去掉孤立的小点、噪声、毛刺和小桥得到第一图像；对所述第一图像在竖直方向上进行膨胀运算得到第二图像；在所述第二图像上确定所述区域。
优选地，在所述区域中，查找所述被监测人的图像轮廓包括：将所述第二图像按照预设顺序进行搜索得到白色的点；以所述白色的点为起点，将所述白色点所在的所述区域的所有边界点进行标记得到一个或多个所述图像轮廓。
优选地，在使用所述图像轮廓对应的外接矩阵和预设的上吊行为的判断阈值判断被监测人是否发生了上吊行为之前，还包括通过如下方式确定所述图像轮廓对应的外接矩阵：对所述图像轮廓对应的点序列进行扫描；确定所述扫描后的点序列在水平方向的最小值为所述外接矩阵的X值；将所述扫描后的点序列在水平方向的最大值减去所述水平方向的最小值的差值与1的和作为所述外接矩阵的宽度；确定所述扫描后的点序列在竖直方向的最小值为所述外接矩阵的Y值；将所述扫描后的点序列在竖直方向的最大值减去所述竖直方向的最小值的差值与1的和作为所述外接矩阵的长度。
优选地，使用所述图像轮廓对应的外接矩阵和预设的上吊行为的判断阈值判断被监测人发生了上吊行为包括：在所述外接矩阵中使用SVM监测头肩，得到头肩的高度和尺度；判断所述头肩的高度和尺度是否满足预设的上吊行为在头肩的第一判断阈值；如果判断结果为满足，则确定发生了上吊行为；和/或
在所述外接矩阵中监测人脸的高度和尺度；判断所述人脸的高度和尺度是否满足预设的上吊行为在人脸的第二判断阈值；如果判断结果为满足，则确定发生了上吊行为。
优选地，上述方法还包括：对所述前景图像进行更新。
优选地，对所述前景图像进行更新包括：将第N帧的非前景区域的像素值和所述前景图像相同位置的像素值进行加权求和，作为更新后的前景图像。
根据本发明的另一方面，提供了一种行为监测装置，包括：提取模块，用于使用帧差法从监测的彩色RGB图像中提取前景图像；确定模块，用于在所述前景图像中确定被监测人在所述前景图像中对应的区域；查找模块，用于在所述区域中，查找所述被监测人的图像轮廓；判断模块，用于使用所述图像轮廓对应的外接矩阵和预设的上吊行为的判断阈值判断被监测人发生了上吊行为。
优选地，所述提取模块包括：第一处理模块，用于将采集的第N帧图像作为背景图像；运算模块，用于将N+1帧开始，将当前图像和所述背景图像在彩色的三个通道上进行减法运算；第二处理模块，用于将所述减法运算的结果的绝对值进行二值化得到的差分图像作为所述前景图像；其中，N为大于1的正整数。
通过本发明，采用使用帧差法从监测的彩色RGB图像中提取前景图像；在前景图像中确定被监测人在前景图像中对应的区域；在区域中，查找被监测人的图像轮廓；使用图像轮廓对应的外接矩阵和预设的上吊行为的判断阈值判断被监测人发生了上吊行为，解决了相关技术中无法通过视频进行行为监测的问题，进而达到了提高上吊监测的准确度的效果。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的行为监测方法的流程图；
图2是根据本发明实施例的行为监测装置的结构框图；
图3是根据本发明实施例的行为监测装置的优选的结构框图；以及
图4是根据本发明实施例的上吊监测方法的流程图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
本实施例提供了一种行为监测方法，图1是根据本发明实施例的行为监测方法的流程图，该方法包括如下的步骤S102至步骤S108。
步骤S102：使用帧差法从监测的彩色RGB图像中提取前景图像。
步骤S104：在该前景图像中确定被监测人在该前景图像中对应的区域。
步骤S106：在该区域中，查找该被监测人的图像轮廓。
步骤S108：使用该图像轮廓对应的外接矩阵和预设的上吊行为的判断阈值判断被监测人发生了上吊行为。
优选地，使用帧差法从监测的彩色RGB图像中提取前景图像包括：将采集的第N帧图像作为背景图像；将N+1帧开始，将当前图像和所述背景图像在彩色的三个通道上进行减法运算；将所述减法运算的结果的绝对值进行二值化得到的差分图像作为所述前景图像；其中，N为大于1的正整数。
优选地，在所述前景图像中确定被监测人在所述前景图像中对应的区域包括：将所述前景图像进行腐蚀运算；在所述腐蚀运算后得到的图像上去掉孤立的小点、噪声、毛刺和小桥得到第一图像；对所述第一图像在竖直方向上进行膨胀运算得到第二图像；在所述第二图像上确定所述区域。
优选地，在所述区域中，查找所述被监测人的图像轮廓包括：将所述第二图像按照预设顺序进行搜索得到白色的点；以所述白色的点为起点，将所述白色点所在的所述区域的所有边界点进行标记得到一个或多个所述图像轮廓。
优选地，在使用所述图像轮廓对应的外接矩阵和预设的上吊行为的判断阈值判断被监测人是否发生了上吊行为之前，还包括通过如下方式确定所述图像轮廓对应的外接矩阵：对所述图像轮廓对应的点序列进行扫描；确定所述扫描后的点序列在水平方向的最小值为所述外接矩阵的X值；将所述扫描后的点序列在水平方向的最大值减去所述水平方向的最小值的差值与1的和作为所述外接矩阵的宽度；确定所述扫描后的点序列在竖直方向的最小值为所述外接矩阵的Y值；将所述扫描后的点序列在竖直方向的最大值减去所述竖直方向的最小值的差值与1的和作为所述外接矩阵的长度。
优选地，使用所述图像轮廓对应的外接矩阵和预设的上吊行为的判断阈值判断被监测人发生了上吊行为包括：在所述外接矩阵中使用SVM监测头肩，得到头肩的高度和尺度；判断所述头肩的高度和尺度是否满足预设的上吊行为在头肩的第一判断阈值；如果判断结果为满足，则确定发生了上吊行为；和/或
在所述外接矩阵中监测人脸的高度和尺度；判断所述人脸的高度和尺度是否满足预设的上吊行为在人脸的第二判断阈值；如果判断结果为满足，则确定发生了上吊行为。
优选地，上述方法还包括：对所述前景图像进行更新。
优选地，对所述前景图像进行更新包括：将第N帧的非前景区域的像素值和所述前景图像相同位置的像素值进行加权求和，作为更新后的前景图像。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
在另外一个实施例中，还提供了一种行为监测软件，该软件用于执行上述实施例及优选实施例中描述的技术方案。
在另外一个实施例中，还提供了一种存储介质，该存储介质中存储有上述行为监测软件，该存储介质包括但不限于：光盘、软盘、硬盘、可擦写存储器等。
本发明实施例还提供了一种行为监测装置，该行为监测装置可以用于实现上述行为监测方法及优选实施方式，已经进行过说明的，不再赘述，下面对该行为监测装置中涉及到的模块进行说明。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的***和方法较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图2是根据本发明实施例的行为监测装置的结构框图，如图2所示，该装置包括：提取模块22、确定模块24、查找模块26和判断模块28，下面对上述结构进行详细描述。
提取模块22，用于使用帧差法从监测的彩色RGB图像中提取前景图像；确定模块24，用于在该前景图像中确定被监测人在该前景图像中对应的区域；查找模块26，用于在该区域中，查找该被监测人的图像轮廓；判断模块28，用于使用该图像轮廓对应的外接矩阵和预设的上吊行为的判断阈值判断被监测人发生了上吊行为。
图3是根据本发明实施例的行为监测装置的优选的结构框图，提取模块22包括：第一处理模块222，用于将采集的第N帧图像作为背景图像；运算模块224，用于将N+1帧开始，将当前图像和该背景图像在彩色的三个通道上进行减法运算；第二处理模块226，用于将该减法运算的结果的绝对值进行二值化得到的差分图像作为该前景图像；其中，N为大于1的正整数。
下面将结合优选实施例进行说明，以下优选实施例结合了上述实施例及优选实施方式。
优选实施例一
本优选实施例提供了一种识别上吊的方法，该方法包括如下步骤S202至步骤S208。
步骤S202：在RGB图像上，利用帧差法提取前景。
步骤S204：对于提取出来的前景用形态学方法处理。去除孤立的小点，毛刺和不需要的小桥(即连通两块区域的小点)，且填平小湖(即小孔)，弥合小裂缝，将人的所在的区域连接在一起而总的位置和形状不变。
步骤S206：对于人所在的区域，查找其轮廓。对于轮廓计算其外接矩形。
步骤S208：在外接矩形中使用svm头肩检测子检测头肩，同时使用基于Haarg特征的级联adaboos分类器检测人脸。最后根据头肩的高度和尺度，人脸的高度和尺度，及外接矩形下边缘的高度，综合判断是否发生了上吊行为。优选地，其中任何一种检测子检测到上吊都报警。
优选地，对于前景检测中使用的背景，使用可调节的阈值更新非前景区域的背景。
作为一个较优的实施方式，该帧差法还包括：待摄像头采集图像稳定后使用第一帧图像作为背景图像。从第二帧图像开始，每一帧图像与背景在彩色的三个通道上做差分。对每个像素点，如果在这三个通道上的差分结果的最大值大于某一阈值，则将这点的值在灰度图像上赋值为255。否则赋值为0。
作为另一个较优的实施方式，该形态学方法还包括：对帧差法生成的二值图像先进行腐蚀运算，去掉孤立的小点，毛刺，及小桥。由于得到的图像在竖直方向上非常容易产生断裂，所以之后使用竖直方向上较大的结构体对图像进行膨胀运算，弥合缝隙，并填平小湖，将人所在的区域连接在一起。
为了提高查找的精度，在实施时，可以通过如下方式进行轮廓的查找：将上述形态法所处理后的二值图像从上到下，从左到右进行自动搜索，直到找到第一个白色的点。以这个点做为起始点，对这个点所在的前景区域的所有边界点进行标记。当标记完一个轮廓后，保存查找到的每一个标记点，并从最后一个标记点开始继续搜索，找到下一个轮廓。
在实施时，可以通过如下方式计算外接矩形：对代表某一轮廓的点序列进行扫描，取其中水平方向的最小值作为外接矩形的x值，取水平方向的最大值减去水平方向最小值加一作为矩形的宽度。竖直方向类似。
在实施时，为了提高头肩监测的准确度，可以通过如下方式进行头肩检测：离线使用大小相同的包含头肩的正样本图片和不包含头肩负样本图片，训练svm分类器。在线使用训练好的分类器，对外接矩形区域进行头肩检测。
在实施时，为了提高人脸监测的准确度，可以通过如下方式进行人脸的监测：离线使用包含人脸的正样本图片和不包含人脸的正样本图片训练级联的adaboost分类器。在线使用训练好的分类器检测外接矩形区域的人脸图像。
在实施时，为了提高报警的精度，可以通过如下方式进行综合判断是否发生了上吊行为：根据视频中地板坐在的位置标定出多条绊线。对于长宽大小及比例符合人体的外接矩形进行计算，在一些特殊场景下，当此外接矩形完全出现在绊线的上方一定距离时，则非常可能是在实施上吊行为。经过一若干帧后，此矩形的状态还是上吊状态，则立刻产生报警。同时在不同的尺度下检测到头肩或人脸的高度高于某一阈值，也立刻产生报警。
在实施时，可以通过多种方式进行背景的更新，例如：将背景图像分为两部分，前景区域和非前景区域。只对非前景区域做更新。更新的办法是使用上一帧图像的非前景区域的像素值于背景相同位置的像素值加权求和，作为新的背景中相应位置的像素值。
通过上述实施例的方案，首先在前景检测阶段利用背景差分法提取出人体的运动区域，然后通过查找轮廓和计算外接矩形等手段计算出人体所在的矩形区域。最后通过外接矩形的位置计算人体脱离地面的时间，产生相应报警，并通过外接矩形的特征信息来去除其他异常干扰，同时采用svm头肩检测子和基于haar特征的级联adaboost检测子检测人脸。当检测到的头肩高度或人脸高度高于某一阈值时也触发报警。可以有效地实现对上吊行为的监测。
优选实施例二
本优选实施例提供了一种基于多种检测子的监测上吊行为的方法，该方法包括如下步骤S302至步骤S306。
步骤S302：采用多种检测子组合检测上吊行为。
步骤S304：使用头肩检测子，人脸检测子。该步骤可以提升检测效果。
步骤S306：融合前景检测，轮廓提取，计算外接矩形等技术有效的判断人体所处的位置。
该步骤通过事先设定好的绊线，灵活的设定触发机制，解决人的上吊行为检测的行为分析问题。
优选地，可以对背景按预设权值进行更新，可以有效解决前景的孔洞问题并对缓慢变化的光线具有一定的鲁棒性。
优选实施例三
本优选实施例提供了一种基于多种检测子的监测上吊行为的方法，该方法包括如下步骤S402至步骤S416。
步骤S402：前景检测。
在本步骤中，待摄像机所采集图像稳定后，取第一帧图像作为背景图像，从第二帧开始，将当前图像于背景图像简单相减取绝对值并二值化得到差分图像--d(i,j)。
步骤S404：形态学处理。
在本步骤中，对于差分图像先进行形态学开运算去除掉孤立的小点，噪声，毛刺及小桥。再通过形态学闭运算弥合断裂的人体区域。然后输出二值图像作为后续处理，由于形态学处理不是本发明的重点，故在这里不详细的叙述。
步骤S406：查找轮廓。
在本步骤中，采用基于连通性的边界跟踪算法,获得提取整个图像序列中行人的轮廓。把轮廓以点序列的形式存储。
步骤S408：计算外接矩形。
在本步骤中，对于查找出的轮廓点序列,计算这个序列中所有点在水平和竖直方向上的最小值和最大值Xmax，Ymin，Xmax，Ymax。则外接矩形的左上角坐标和宽高为（Xmin，Ymin），width=Xmax-Xmin+1，height=Ymax-Xmin+1。
步骤S410：根据预先设定好的绊线，判断上吊行为。
在本步骤中，首先根据计算出的外接矩形的大小和宽高比滤掉一部分不符合要求的矩形。然后判断外接矩形的下边框是否完全在预先设定好的绊线之上或在绊线上方一定距离。判断条件则认定视频中发生了上吊行为，并报警。
步骤S412：通过检测头肩检测上吊。在本步骤中，可以使用支持向量机法进行头肩检测。
本步骤可以通过如下子步骤实现：
（1）训练：选取合适的核函数，k（xi，xj）。
（2）最小化||w||，在ωi(w·xi-b)≥1-ξi的条件下。
（3）只存储非零的αi和相应的xi（它们是支持向量）。
（4）将图像按一定比例缩放到不同尺度，在每一个尺度下使用8*16大小的窗口扫描图像。然后再对每个窗口下的图像进行分类。
（5）分类：对于模式X，用支持向量xi和相应的权重αi计算判别函数式
这个函数的符号决定这个区域是不是头肩。
最后根据检测到的头肩的判断是否有上吊行为发生，高度可由使用这根据场景自行设定。
步骤S414：通过人脸检测子检测上吊。
在本步骤中，检测者根据场景或使用已经训练好的人脸检测子检测图像中的人脸位置。其中人脸检测在多尺度的每一个尺度下进行。使用高20像素，宽20像素的窗口对当前尺度下的图像从左到右，从上倒下进行人脸检测。对多个尺度下距离相近的人脸融合为一个位置的人脸。当检测到的人脸高于某一阈值时，则发生触发报警。，其中阈值可由用户根据场景设定，也可默认设定。由于基于HAAR特征的级联Adaboost检测人脸法可以采用相关技术中的实现方式，在此不再赘述。
步骤S416：背景更新。
在本步骤中，进行差分法检测前景之后，根据当前帧和检测到的前景区域，对非前景区域的当前帧和背景进行加权求和，更新背景。
需要说明的是，通过上述技术方案，本实施例的技术方案不受缓慢光照变化的影响，对于异常行为抗干扰能力强，实时性好，可根据场景人工调节参数，能够非常准确检测出上吊行为。
优选实施例
本实施例提供了一种图4是根据本发明实施例的上吊监测方法的流程图，如图4所示，该方法包括如下的步骤S502至步骤S518。
步骤S502：输入图像。
步骤S504：前景检测。该步骤可以采用上述优选实施例的实施方式。
步骤S506：查找轮廓。
步骤S508：计算外接矩形。
步骤S510：人脸检测。
步骤S512：SVM头肩监测。
步骤S514：判断检测子是否高于相应阈值，如果判断结果为是，执行步骤S516，否则执行步骤S518。
步骤S516：触发警报。
步骤S518：不触发警报。
通过上述实施例，提供了一种行为监测方法及装置，通过使用多重检测子组合的方式对上吊行为进行监控。大大提高了检测的准确率。需要说明的是，这些技术效果并不是上述所有的实施方式所具有的，有些技术效果是某些优选实施方式才能取得的。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种行为监测方法，其特征在于包括：
使用帧差法从监测的彩色RGB图像中提取前景图像；
在所述前景图像中确定被监测人在所述前景图像中对应的区域；
在所述区域中，查找所述被监测人的图像轮廓；
使用所述图像轮廓对应的外接矩阵和预设的上吊行为的判断阈值判断被监测人发生了上吊行为。
2.根据权利要求1所述的方法，其特征在于，使用帧差法从监测的彩色RGB图像中提取前景图像包括：
将采集的第N帧图像作为背景图像；
将N+1帧开始，将当前图像和所述背景图像在彩色的三个通道上进行减法运算；
将所述减法运算的结果的绝对值进行二值化得到的差分图像作为所述前景图像；
其中，N为大于1的正整数。
3.根据权利要求1所述的方法，其特征在于，在所述前景图像中确定被监测人在所述前景图像中对应的区域包括：
将所述前景图像进行腐蚀运算；
在所述腐蚀运算后得到的图像上去掉孤立的小点、噪声、毛刺和小桥得到第一图像；
对所述第一图像在竖直方向上进行膨胀运算得到第二图像；
在所述第二图像上确定所述区域。
4.根据权利要求3所述的方法，其特征在于，在所述区域中，查找所述被监测人的图像轮廓包括：
将所述第二图像按照预设顺序进行搜索得到白色的点；
以所述白色的点为起点，将所述白色点所在的所述区域的所有边界点进行标记得到一个或多个所述图像轮廓。
5.根据权利要求1所述的方法，其特征在于，在使用所述图像轮廓对应的外接矩阵和预设的上吊行为的判断阈值判断被监测人是否发生了上吊行为之前，还包括通过如下方式确定所述图像轮廓对应的外接矩阵：
对所述图像轮廓对应的点序列进行扫描；
确定所述扫描后的点序列在水平方向的最小值为所述外接矩阵的X值；
将所述扫描后的点序列在水平方向的最大值减去所述水平方向的最小值的差值与1的和作为所述外接矩阵的宽度；
确定所述扫描后的点序列在竖直方向的最小值为所述外接矩阵的Y值；
将所述扫描后的点序列在竖直方向的最大值减去所述竖直方向的最小值的差值与1的和作为所述外接矩阵的长度。
6.根据权利要求1所述的方法，其特征在于，使用所述图像轮廓对应的外接矩阵和预设的上吊行为的判断阈值判断被监测人发生了上吊行为包括：
在所述外接矩阵中使用SVM监测头肩，得到头肩的高度和尺度；判断所述头肩的高度和尺度是否满足预设的上吊行为在头肩的第一判断阈值；如果判断结果为满足，则确定发生了上吊行为；和/或
在所述外接矩阵中监测人脸的高度和尺度；判断所述人脸的高度和尺度是否满足预设的上吊行为在人脸的第二判断阈值；如果判断结果为满足，则确定发生了上吊行为。
7.根据权利要求1所述的方法，其特征在于，还包括：对所述前景图像进行更新。
8.根据权利要求7所述的方法，其特征在于，对所述前景图像进行更新包括：
将第N帧的非前景区域的像素值和所述前景图像相同位置的像素值进行加权求和，作为更新后的前景图像。
9.一种行为监测装置，其特征在于包括：
提取模块，用于使用帧差法从监测的彩色RGB图像中提取前景图像；
确定模块，用于在所述前景图像中确定被监测人在所述前景图像中对应的区域；
查找模块，用于在所述区域中，查找所述被监测人的图像轮廓；
判断模块，用于使用所述图像轮廓对应的外接矩阵和预设的上吊行为的判断阈值判断被监测人发生了上吊行为。
10.根据权利要求9所述的装置，其特征在于，所述提取模块包括：
第一处理模块，用于将采集的第N帧图像作为背景图像；
运算模块，用于将N+1帧开始，将当前图像和所述背景图像在彩色的三个通道上进行减法运算；
第二处理模块，用于将所述减法运算的结果的绝对值进行二值化得到的差分图像作为所述前景图像；
其中，N为大于1的正整数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210592872.2A CN103049748B (zh) | 2012-12-30 | 2012-12-30 | 行为监测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210592872.2A CN103049748B (zh) | 2012-12-30 | 2012-12-30 | 行为监测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103049748A true CN103049748A (zh) | 2013-04-17 |
| CN103049748B CN103049748B (zh) | 2015-12-23 |
Family
ID=48062380
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201210592872.2A Expired - Fee Related CN103049748B (zh) | 2012-12-30 | 2012-12-30 | 行为监测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103049748B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104900004A (zh) * | 2014-03-05 | 2015-09-09 | 昆山毅达科技电子有限公司 | 防***通报*** |
| CN106488133A (zh) * | 2016-11-17 | 2017-03-08 | 维沃移动通信有限公司 | 一种运动对象的检测方法及移动终端 |
| CN108154489A (zh) * | 2018-01-15 | 2018-06-12 | 大峡谷照明***（苏州）股份有限公司 | 影像互动控制方法及*** |
| CN108764209A (zh) * | 2018-06-11 | 2018-11-06 | 南京邮电大学 | 一种基于监控视频的人物异常行为自动检测方法 |
| CN111275911A (zh) * | 2020-01-16 | 2020-06-12 | 珠海格力电器股份有限公司 | 一种危险提示方法、设备和计算机可读存储介质 |
| CN113433598A (zh) * | 2021-08-26 | 2021-09-24 | 泰豪信息技术有限公司 | 一种应用于监所的自缢行为监测方法、装置及*** |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1897015A (zh) * | 2006-05-18 | 2007-01-17 | 王海燕 | 基于机器视觉的车辆检测和跟踪方法及*** |
| US20090010546A1 (en) * | 2005-12-30 | 2009-01-08 | Telecom Italia S P.A. | Edge-Guided Morphological Closing in Segmentation of Video Sequences |
| US20090016603A1 (en) * | 2005-12-30 | 2009-01-15 | Telecom Italia S.P.A. | Contour Finding in Segmentation of Video Sequences |
| CN102568005A (zh) * | 2011-12-28 | 2012-07-11 | 江苏大学 | 一种基于混合高斯模型的运动目标检测方法 |
| CN102663869A (zh) * | 2012-04-23 | 2012-09-12 | 国家消防工程技术研究中心 | 基于视频监控平台的室内火灾检测方法 |
| CN102722715A (zh) * | 2012-05-21 | 2012-10-10 | 华南理工大学 | 一种基于人体姿势状态判决的跌倒检测方法 |
-
2012
- 2012-12-30 CN CN201210592872.2A patent/CN103049748B/zh not_active Expired - Fee Related
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090010546A1 (en) * | 2005-12-30 | 2009-01-08 | Telecom Italia S P.A. | Edge-Guided Morphological Closing in Segmentation of Video Sequences |
| US20090016603A1 (en) * | 2005-12-30 | 2009-01-15 | Telecom Italia S.P.A. | Contour Finding in Segmentation of Video Sequences |
| CN1897015A (zh) * | 2006-05-18 | 2007-01-17 | 王海燕 | 基于机器视觉的车辆检测和跟踪方法及*** |
| CN102568005A (zh) * | 2011-12-28 | 2012-07-11 | 江苏大学 | 一种基于混合高斯模型的运动目标检测方法 |
| CN102663869A (zh) * | 2012-04-23 | 2012-09-12 | 国家消防工程技术研究中心 | 基于视频监控平台的室内火灾检测方法 |
| CN102722715A (zh) * | 2012-05-21 | 2012-10-10 | 华南理工大学 | 一种基于人体姿势状态判决的跌倒检测方法 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104900004A (zh) * | 2014-03-05 | 2015-09-09 | 昆山毅达科技电子有限公司 | 防***通报*** |
| CN106488133A (zh) * | 2016-11-17 | 2017-03-08 | 维沃移动通信有限公司 | 一种运动对象的检测方法及移动终端 |
| CN108154489A (zh) * | 2018-01-15 | 2018-06-12 | 大峡谷照明***（苏州）股份有限公司 | 影像互动控制方法及*** |
| CN108764209A (zh) * | 2018-06-11 | 2018-11-06 | 南京邮电大学 | 一种基于监控视频的人物异常行为自动检测方法 |
| CN111275911A (zh) * | 2020-01-16 | 2020-06-12 | 珠海格力电器股份有限公司 | 一种危险提示方法、设备和计算机可读存储介质 |
| CN111275911B (zh) * | 2020-01-16 | 2021-02-26 | 珠海格力电器股份有限公司 | 一种危险提示方法、设备和计算机可读存储介质 |
| CN113433598A (zh) * | 2021-08-26 | 2021-09-24 | 泰豪信息技术有限公司 | 一种应用于监所的自缢行为监测方法、装置及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103049748B (zh) | 2015-12-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104123544B (zh) | 基于视频分析的异常行为检测方法及*** | |
| CN104091176B (zh) | 人像比对在视频中的应用技术 | |
| CN105404847B (zh) | 一种遗留物实时检测方法 | |
| CN103279737B (zh) | 一种基于时空兴趣点的打架行为检测方法 | |
| CN105160297B (zh) | 基于肤色特征的蒙面人事件自动检测方法 | |
| CN103049748B (zh) | 行为监测方法及装置 | |
| CN103729858B (zh) | 一种视频监控***中遗留物品的检测方法 | |
| CN105260749B (zh) | 基于方向梯度二值模式和软级联svm的实时目标检测方法 | |
| KR101414670B1 (ko) | 온라인 랜덤 포레스트 및 파티클 필터를 이용한 열 영상에서의 객체 추적 방법 | |
| WO2010030814A2 (en) | Pixel-level based micro-feature extraction | |
| CN106296677B (zh) | 一种基于双背景模型的双掩膜背景更新的遗留物检测方法 | |
| JP2012230686A (ja) | 挙動認識システム | |
| CN101635835A (zh) | 智能视频监控方法及*** | |
| Wang et al. | Fire smoke detection based on texture features and optical flow vector of contour | |
| CN110929593A (zh) | 一种基于细节辨别区别的实时显著性行人检测方法 | |
| CN110298297A (zh) | 火焰识别方法和装置 | |
| CN105046719B (zh) | 一种视频监控方法及*** | |
| Zin et al. | Unattended object intelligent analyzer for consumer video surveillance | |
| JP5271227B2 (ja) | 群衆監視装置および方法ならびにプログラム | |
| Armanfard et al. | TED: A texture-edge descriptor for pedestrian detection in video sequences | |
| CN115841651B (zh) | 基于计算机视觉与深度学习的施工人员智能监测*** | |
| Liang et al. | Methods of moving target detection and behavior recognition in intelligent vision monitoring. | |
| KR100755800B1 (ko) | 얼굴색과 에이다부스트를 이용한 얼굴 검출기 및 검출방법 | |
| WO2016019973A1 (en) | Method for determining stationary crowds | |
| CN107122732A (zh) | 一种监控场景下高鲁棒性的快速车牌定位方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| ASS | Succession or assignment of patent right |
Owner name: HE JIANGTAO Free format text: FORMER OWNER: XINZHENG ELECTRONIC TECHNOLOGY (BEIJING) CO., LTD. Effective date: 20131122 Owner name: LIU ZHONGXUAN TONG HUIYONG Effective date: 20131122 |
|
| C41 | Transfer of patent application or patent right or utility model | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20131122 Address after: 100085, A, block 6A, block 28, information road, Beijing, Haidian District Applicant after: He Jiangtao Applicant after: Liu Zhongxuan Applicant after: Tong Huiyong Address before: 100085, Beijing, Haidian District on the road to information on the 1st 28 building A-6 Applicant before: Xinzheng Electronic Technology (Beijing) Co., Ltd. |
|
| ASS | Succession or assignment of patent right |
Free format text: FORMER OWNER: LIU ZHONGXUAN TONG HUIYONG Effective date: 20140409 |
|
| C41 | Transfer of patent application or patent right or utility model | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20140409 Address after: 100085, A, block 6A, block 28, information road, Beijing, Haidian District Applicant after: He Jiangtao Address before: 100085, A, block 6A, block 28, information road, Beijing, Haidian District Applicant before: He Jiangtao Applicant before: Liu Zhongxuan Applicant before: Tong Huiyong |
|
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20151223 Termination date: 20191230 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |