基于地鐵復(fù)雜場景下異常行為的視頻分析研究

張起貴，張 妮

(太原理工大學(xué)信息工程學(xué)院，山西太原 030024)

近幾年，由于中國城市人口數(shù)量的快速增長，加快地鐵建設(shè)迫在眉睫，但伴隨而來的是在地鐵公共場所下乘客的安全隱患，如何快速辨識乘客異常行為，克服客觀環(huán)境因素造成的影響，成為視頻分析研究領(lǐng)域面臨的一大挑戰(zhàn)。目前，行為識別大多沒有針對某一種特定場景，而且檢測精度不夠。常用的行為辨識法主要有模板匹配法、基于規(guī)則識別法及狀態(tài)轉(zhuǎn)移圖模型法等，不僅計(jì)算量大，且需花大量時(shí)間訓(xùn)練樣本庫，不具有對特定場景下異常行為檢測的針對性。

本文通過攝像機(jī)快速標(biāo)定和魯棒性背景建模，基于軌跡關(guān)聯(lián)區(qū)域特征點(diǎn)的時(shí)空特性對異常行為進(jìn)行表征，結(jié)合時(shí)空特性與形狀特性的方法來描述這一異常行為，提出了針對暈倒這一異常行為檢測模型，降低了計(jì)算量。

1 系統(tǒng)設(shè)計(jì)

針對地鐵復(fù)雜場景下乘客的多變性行為，采用自適應(yīng)混合高斯背景建模減少環(huán)境因素影響，為得到監(jiān)控畫面的精確度量，采用攝像機(jī)快速定標(biāo)。如圖1所示，利用camshift算法實(shí)時(shí)跟蹤“軌跡關(guān)聯(lián)”區(qū)域的特征點(diǎn)，“軌跡”即為在連續(xù)視頻序列場景下軌跡關(guān)聯(lián)區(qū)域的特征點(diǎn)在時(shí)間序列上的點(diǎn)集，反映了個(gè)體特征點(diǎn)在時(shí)間序列上的時(shí)空位置及運(yùn)動趨勢?！瓣P(guān)聯(lián)”則是針對于同一運(yùn)動個(gè)體由于遮擋等問題產(chǎn)生的軌跡間斷，根據(jù)時(shí)空模板上的時(shí)空相關(guān)性，“關(guān)聯(lián)區(qū)域”即為同一運(yùn)動個(gè)體在二維圖像像素坐標(biāo)系中提取的時(shí)空興趣區(qū)域(輪廓、面積等)，根據(jù)實(shí)際需求，選取軌跡關(guān)聯(lián)區(qū)域的特征像素點(diǎn)對異常個(gè)體行為進(jìn)行表征。

圖1 異常行為辨識系統(tǒng)框圖

2 場景建模與標(biāo)定

通過統(tǒng)計(jì)計(jì)算運(yùn)動個(gè)體軌跡集合Ti，得到地鐵復(fù)雜場景下的運(yùn)動軌跡區(qū)間，以此來建立上下文場景模型(見圖2)。空間上下文指在地鐵特定場景下某些靜態(tài)設(shè)施，如地鐵站進(jìn)口、出口、警戒黃線、場景內(nèi)遮擋物等(結(jié)合半監(jiān)督方式標(biāo)注)。時(shí)間上下文指在地鐵正常運(yùn)行時(shí)間段內(nèi)，視頻監(jiān)控與事件相關(guān)聯(lián)的各種時(shí)間約束，如列車的?？?、出發(fā)等。對象上下文指個(gè)體在運(yùn)動軌跡區(qū)間，被表征的特征屬性集，如速度、運(yùn)動方向等。約束參數(shù)上下文指約束監(jiān)測個(gè)體產(chǎn)生軌跡屬性集中所包含的特殊參數(shù)信息。

圖2 異常行為辨識系統(tǒng)框圖

為得到真實(shí)世界個(gè)體位移信息，及時(shí)得到監(jiān)控個(gè)體在軌跡區(qū)域的坐標(biāo)［1］，相機(jī)坐標(biāo)建立如下:選定實(shí)際監(jiān)控的運(yùn)動軌跡區(qū)域后，其與世界坐標(biāo)系完全重合，H為相機(jī)高度，β為其繞X軸角度，X軸平行于XwYw平面，Zw軸垂直于XwYw平面，兩者坐標(biāo)系關(guān)系為

在實(shí)際運(yùn)動軌跡區(qū)間，利用真實(shí)世界坐標(biāo)系的通道標(biāo)記線等參考物由上式可自動獲取相機(jī)內(nèi)部參數(shù)a與b，設(shè)2條長度為l，l'的運(yùn)動軌跡區(qū)間的標(biāo)記線，其兩端在像素坐標(biāo)下的坐標(biāo)為 (x1，y1)，(x2，y2)，(x3，y3)，(x4，y4)，世界坐標(biāo)為(xw1，yw1)，(xw2，yw2)，(xw3，yw3)，(xw4，yw4)。

3 軌跡關(guān)聯(lián)區(qū)域跟蹤

3.1 時(shí)空關(guān)聯(lián)

在現(xiàn)實(shí)世界中，任何個(gè)體的運(yùn)動都是時(shí)空關(guān)聯(lián)的，如圖3所示，設(shè)監(jiān)控畫面大小為m×n，視頻長度為t0，在t1與t2時(shí)刻，pi與p'i分別是軌跡關(guān)聯(lián)區(qū)域l×s的2個(gè)特征像素點(diǎn)。在連續(xù)跟蹤視頻幀中，若2個(gè)像素點(diǎn)經(jīng)二值化后像素為1，則2個(gè)特征像素點(diǎn)是時(shí)空關(guān)聯(lián)［2］。

在此基礎(chǔ)上，將個(gè)體軌跡用Ti表征，Ti表示在軌跡關(guān)聯(lián)區(qū)域各像素點(diǎn)特征屬性集，根據(jù)實(shí)際需要，可選取其中部分特征像素點(diǎn)(輪廓質(zhì)心等)來表征運(yùn)動個(gè)體軌跡，其軌跡特征屬性集為

圖3 軌跡關(guān)聯(lián)的camshift跟蹤

式中:pi為特征像素點(diǎn);pisf和pief分別為特征像素點(diǎn)的起始幀與終止幀;pix和piy為特征像素點(diǎn)的坐標(biāo);pivx和pivy分別是特征像素點(diǎn)在監(jiān)測過程中x軸與y軸的速度分量;在某時(shí)刻ti，pisa為特征像素點(diǎn)在輪廓區(qū)域累積的面積;pih是特征像素點(diǎn)在不同色彩模式下的顏色分量;pia為各像素點(diǎn)時(shí)空特性在像素坐標(biāo)系間的歐式距離。

3.2 camshift跟蹤

在地鐵監(jiān)控場景下，由于建筑物的遮擋或目標(biāo)運(yùn)動速度過快，造成軌跡間斷，如圖3中的虛線，系統(tǒng)無法自動恢復(fù)跟蹤。為提高跟蹤效果，采用改進(jìn)camshift算法［3－4］:

1)選取軌跡關(guān)聯(lián)區(qū)域pisa為tk－1時(shí)刻運(yùn)動個(gè)體輪廓面積，經(jīng)過實(shí)驗(yàn)，在380×240視頻圖像中，pisa≈3 000，在tk時(shí)刻，若pisa＜thresholdarea，判定目標(biāo)由于遮擋丟失，此時(shí)進(jìn)行全局搜索，結(jié)合相比下的聯(lián)合多特征，利用幀間差分法進(jìn)行軌跡填補(bǔ)。

可得到個(gè)體運(yùn)動速度過快，需要重新調(diào)整搜索窗位置并實(shí)時(shí)跟蹤，在第k+1幀時(shí)，令

4 異常個(gè)體行為建模與檢測

任何復(fù)雜異常個(gè)體行為是基本個(gè)體行為模型單元的集合，即底層目標(biāo)檢測與跟蹤不可再細(xì)分的軌跡特征點(diǎn)。針對地鐵特定的場景下，常見異常行為主要包括:暈倒，可疑物品(超長超寬物品)攜帶入車站，跳躍刷卡器，乘客大量擁堵進(jìn)、出口等。

本文針對因身體特殊原因或其他原因突然暈倒的異常行為進(jìn)行檢測，以防引起踩踏事件，及時(shí)通知管理人員采取緊急措施。通過軌跡間斷、人體幾何形狀特征長寬比、形狀復(fù)雜度及輪廓匹配度對暈倒行為進(jìn)行建模［5－6］，建立其軌跡屬性集

1)在380×240圖像像素坐標(biāo)系下，對視頻幀進(jìn)行標(biāo)定，如圖4所示，采用camshift算法搜索窗中心標(biāo)定運(yùn)動個(gè)體軌跡關(guān)聯(lián)區(qū)域特征像素點(diǎn)輪廓質(zhì)心(picx，picy)，當(dāng)人體暈倒，質(zhì)心發(fā)生變化，產(chǎn)生軌跡間斷pih=null。在連續(xù)視頻幀中，當(dāng)監(jiān)控個(gè)體的運(yùn)動方向滿足pic(x+i)＜picx，pic(y+i)＞picy或pic(x+i)＞picx，pic(y+i)＞picy，如圖5所示，在第114，128，145，172，185 幀中，Picc值逐漸增大且 ∑picc＞threshold=60時(shí)，如表1所示，則判定人體重心連續(xù)下降，其中定義人體輪廓質(zhì)心picc為

圖4 目標(biāo)軌跡區(qū)域

圖5 camshift算法連續(xù)跟蹤

表1 監(jiān)控個(gè)體檢測數(shù)據(jù)表 像素

2)人在突然暈倒時(shí)，人體姿態(tài)發(fā)生劇烈變化，采用piawh與piscs分別度量人體幾何形狀特征長寬比與形狀復(fù)雜度。利用Snake［7］算法提取人體輪廓，pisa與pisc分別為其輪廓面積及周長。在第k+i幀時(shí)，設(shè)hk+i與wk+i分別為該時(shí)刻人體跟蹤外接矩形的高與寬，在第k幀時(shí)，其高與寬分別為hk與wk，則人體姿態(tài)變化程度為

經(jīng)實(shí)驗(yàn)驗(yàn)證，如圖6所示，在第114～185幀中，piscs較正常行走時(shí)姿態(tài)變化曲線出現(xiàn)較大波動，檢測數(shù)據(jù)如表1所示，在第128幀后，piawh＜threshold=1。

圖6 連續(xù)視頻幀piscs值

3)為排除因跌倒或其他因素干擾，提高檢測準(zhǔn)確度，通過Hausdorff算法獲得人體暈倒輪廓在連續(xù)時(shí)間段內(nèi)匹配度。其中Hausdorff距離［8－10］是點(diǎn)集間相似量度，設(shè)有2 組點(diǎn)集 pia={pia1，pia2，pia3，…，piam}，pib={pib1，pib2，pib3，…，pibn}，其定義為

圖7 所示為人體暈倒原圖，取pif=185，190，195，200，205，連續(xù)提取人體輪廓邊緣(見圖8)，本實(shí)驗(yàn)設(shè)定匹配閾值為10，經(jīng) Hausdorff計(jì)算獲得其匹配度分別為0，2，4，1，說明此人長時(shí)間處于靜止?fàn)顟B(tài)，判斷暈倒行為已發(fā)生。經(jīng)實(shí)驗(yàn)驗(yàn)證，本文對20個(gè)不同個(gè)體的暈倒行為樣本進(jìn)行檢測，檢測率為89.9%。

5 結(jié)論

針對地鐵場景下的異常行為，本文詳述了視頻分析系統(tǒng)設(shè)計(jì)方案，選取軌跡關(guān)聯(lián)區(qū)域的特征像素點(diǎn)對運(yùn)動個(gè)體行為進(jìn)行表征，針對地鐵場景下的暈倒行為，通過軌跡屬性集對暈倒個(gè)體行為進(jìn)行建模與檢測，經(jīng)實(shí)驗(yàn)驗(yàn)證，本文所提出的算法較為實(shí)用。但在暈倒行為檢測率方面還有待進(jìn)一步提高。

圖7 人體暈倒原圖

圖8 經(jīng)snake處理后人體輪廓圖

:

［1］鐘志.基于異常行為辨識的智能監(jiān)控技術(shù)研究［D］.上海:上海交通大學(xué)，2008.

［2］SALIGRAMA V，KONRAD J，JODOIN P M.Video anomaly identificationa statistical approach［J］.IEEE Signal Processing，2010，27(5):18－33.

［3］YANG Bo，ZHOU Hongjun，WANG Xue.Target tracking using predict Camshift［C］//Proc.the World Congress on Intelligent Control and Automation.Chongqing:IEEE Press，2008:8501－8505.

［4］ZHANG Qigui，LI Bo.Research on tracking algorithm of moving target in complex background［C］//Proc.Third International Conference on Lecture Notes in Artificial Intelligence.Taiyuan:［s.n.］，2011:433－439.