基于智能視頻分析的行為檢測(cè)關(guān)鍵技術(shù)研究

劉藝航 王梓 王婧琦 謝慧芳 王迎港

摘要：文章研究了外人入侵異常行為識(shí)別及預(yù)警方法，并構(gòu)建一種物聯(lián)網(wǎng)智能安防系統(tǒng)原型。通過(guò)Camshift智能視頻分析技術(shù)實(shí)現(xiàn)動(dòng)態(tài)目標(biāo)跟蹤檢測(cè)，進(jìn)行人體行為分析。實(shí)驗(yàn)結(jié)果表明，該模型能使攝像機(jī)對(duì)入侵狀況進(jìn)行自主識(shí)別，判別準(zhǔn)確率達(dá)98.52%。

關(guān)鍵詞：物聯(lián)網(wǎng)；目標(biāo)跟蹤；分層法；人體行為分析

目前的網(wǎng)絡(luò)攝像機(jī)不能智能、實(shí)時(shí)地對(duì)異常人體行為進(jìn)行判斷和預(yù)警。針對(duì)外人入侵中的特征行為表現(xiàn)較為固定、簡(jiǎn)單的特點(diǎn)，本文提出一個(gè)基于分層方法的人體行為模型框架：只要獲得物理特征層的元素，即可由這些低一層的元素結(jié)合人的先驗(yàn)知識(shí)作為約束條件推導(dǎo)出高一層的元素，以達(dá)到人體行為分析的目的。

由于外人入侵中的人體異常行為檢測(cè)往往要求具備實(shí)時(shí)性和準(zhǔn)確性，本文采用算法復(fù)雜度較低的背景減除法，進(jìn)行人體目標(biāo)檢測(cè)；采用基于自適應(yīng)多特征融合的Mean shift和Camshift算法，進(jìn)行運(yùn)動(dòng)目標(biāo)跟蹤[1-3]。

1 目標(biāo)檢測(cè)

攝像機(jī)對(duì)監(jiān)控視頻中的內(nèi)容進(jìn)行智能跟蹤分析，首先需要檢測(cè)出前景目標(biāo)，即在靜止的背景下找到運(yùn)動(dòng)的目標(biāo)[4]。綜合考慮要達(dá)到系統(tǒng)要求的實(shí)時(shí)性，本文采用速度非?？臁z測(cè)精度較高的背景減除法。

利用差分方法對(duì)前景目標(biāo)進(jìn)行檢測(cè)。將當(dāng)前幀記為I（x，y），背景圖像記為B（x，y），二者的差分記為D（x，y），則D（x，y）= I（x，y）-B（x，y）。前景檢測(cè)中的動(dòng)態(tài)運(yùn)動(dòng)目標(biāo)的圖像如圖1所示。

從圖1可以清楚地觀察到，差分檢測(cè)方法能夠準(zhǔn)確有效地檢測(cè)出在樓宇走廊內(nèi)運(yùn)動(dòng)的受試人員，并用橢圓圈住。

2 目標(biāo)跟除

Meanshift主要采用直方圖核函數(shù)[5]，但是單一依靠顏色特征易將目標(biāo)與背景混合，且若跟蹤過(guò)程中核函數(shù)寬度不能自適應(yīng)變換，以適應(yīng)目標(biāo)大小的變化，就會(huì)跟蹤失敗[6]。所以，本文選用了基于視頻圖像多特征融合的自適應(yīng)Meanshift 算法。

2.1 基于多特征融合的自適應(yīng)Meanshift算法

由于人體面部的邊緣較為明顯，所以結(jié)合顏色和邊緣作為特征進(jìn)行人體目標(biāo)跟蹤，能夠使得前景與背景有效分割開(kāi)來(lái)。每個(gè)特征值的權(quán)重采用自適應(yīng)的函數(shù)方法進(jìn)行確定，以使跟蹤結(jié)果更為智能準(zhǔn)確。

假設(shè)目標(biāo)區(qū)域的中心為y，xi表示第i個(gè)像素點(diǎn)，n為目標(biāo)區(qū)域的像素?cái)?shù)，核函數(shù)帶寬為h，特征空間均勻劃分成m個(gè)子區(qū)間。則，目標(biāo)模型特征的u=1，…，m概率密度分布，如式（1）所示。

2.2 基于Camshift算法的目標(biāo)跟蹤技術(shù)

該算法是將視頻中所有的視頻幀逐一進(jìn)行Meanshift運(yùn)算，并將上一幀中的運(yùn)算結(jié)果作為當(dāng)前幀的初始值輸入到該算法中，一直反復(fù)迭代，最終達(dá)到定位到跟蹤目標(biāo)中心的目的。

3 仿真實(shí)驗(yàn)

用10-折交叉驗(yàn)證法對(duì)采集樣本進(jìn)行SVM訓(xùn)練，得到3組樣本的實(shí)驗(yàn)結(jié)果，如表1所示。

由表1可知，第4組樣本所得到的SVM分類效果較好，訓(xùn)練樣本組用1 341個(gè)訓(xùn)練樣本對(duì)SVM訓(xùn)練，得到的最優(yōu)參數(shù)Q=2，C=1650，分辨率為98.52%，當(dāng)參與SVM訓(xùn)練樣本規(guī)模越大，對(duì)未知測(cè)試樣本的分類則越準(zhǔn)確。

實(shí)驗(yàn)結(jié)果表明，在使用較大樣本數(shù)進(jìn)行訓(xùn)練時(shí)所獲得的SVM具有較好的分類能力，但是由于一些類別基本行為的樣本所占比例較少，在很大程度上會(huì)影響分類結(jié)果的準(zhǔn)確率。

系統(tǒng)的仿真實(shí)驗(yàn)結(jié)果，如圖2所示。

從圖2可以看出，本文模型可準(zhǔn)確判斷出視頻中人體目標(biāo)的面積大小，以及當(dāng)前體態(tài)：行走、下蹲等。

4 結(jié)語(yǔ)

本文利用人體行為分層結(jié)構(gòu)框架，設(shè)計(jì)實(shí)現(xiàn)了一種基于視頻行為識(shí)別的智能物聯(lián)網(wǎng)安防原型系統(tǒng)，可自動(dòng)識(shí)別拍攝視頻中的目標(biāo)行為以及提前預(yù)警。在異常行為的目標(biāo)識(shí)別方法上，采用分層結(jié)構(gòu)對(duì)目標(biāo)進(jìn)行異常行為判斷。由于行為模型的底層條件是較為準(zhǔn)確穩(wěn)定的客觀存在的物理元素和數(shù)據(jù)，入侵的異常行為較為固定與簡(jiǎn)單，使得該行為識(shí)別算法的魯棒性較高，算法復(fù)雜度較低，可進(jìn)行實(shí)時(shí)判斷，判斷準(zhǔn)確率達(dá)98.52%。

[參考文獻(xiàn)]

[1]高秀斌.基于MeanShift和粒子濾波算法的動(dòng)態(tài)目標(biāo)跟蹤的研究[D].揚(yáng)州：揚(yáng)州大學(xué)，2013.

[2]袁廣林，薛模根，韓裕生，等.基于自適應(yīng)多特征融合的meanshift目標(biāo)跟蹤[J].計(jì)算機(jī)研究與發(fā)展，2010（9）：1663-1671.

[3]HU M C，CHEN C W，CHENG W H，et al.Real-time human movement retrieval and assessment with kinect sensor[J].IEEE Transactions onCybernetics， 2015（4）：742-753.

[4]何衛(wèi)華.人體行為識(shí)別關(guān)鍵技術(shù)研究[D].重慶：重慶大學(xué)，2012.

[5]SAHOO S P， ARI S.Automated human tracking using advanced mean shift algorithm[C].Beijing：4th IEEE International Conference onCommunication and Signal Processing， 2015.

[6]劉尚旺，陳平，王統(tǒng)昊.實(shí)時(shí)語(yǔ)義圖像分割模型研究[J].河南師范大學(xué)學(xué)報(bào)，2016（2）：139-147.