一種基于向量場模型的行為分析方法
【專利摘要】一種基于向量場模型的行為分析方法是在監(jiān)控視頻系統(tǒng)的視頻圖像序列中識別特征點,隨著目標的運動,把對應的點連接成向量,向量的運動則形成場,在運動的向量場中識別運動特征,確定當前狀態(tài)之后,會有一個預測模型對下一個狀態(tài)進行預測。當預測失效時,會產(chǎn)生一個暫且叫做“失效度”的量,我們對“失效度”有一個容忍閡值,當“失效度”屬于正常誤差范圍時,啟動校正機制重新預測,當“失效度”很大時,啟用我們的異常行為判定規(guī)則判斷是否出現(xiàn)異常,如出現(xiàn)異常,報警,否則啟用校正機制。
【專利說明】一種基于向量場模型的行為分析方法
【技術領域】
[0001]本發(fā)明專利屬于視頻監(jiān)控【技術領域】,尤其是涉及一種基于向量場模型的行為分析方法。
【背景技術】
[0002]近些年來,視頻監(jiān)控系統(tǒng)在各行業(yè)已得到了廣泛應用,例如日常生活中的超市,與小區(qū)等所安裝的安全監(jiān)控系統(tǒng)、交通方面所使用的違章監(jiān)控系統(tǒng)、銀行系統(tǒng)所設置的柜臺監(jiān)控等等。智能監(jiān)控系統(tǒng)是非常復雜的,涉及到多方面的技術,現(xiàn)階段,背景清除法和圖片比對的方法仍然占有重要的位置,因為其實現(xiàn)簡單,方法成熟,在很多情況下效果也可以接受。但是常規(guī)的背景減除法和圖片比對方法的主要問題有:1、噪聲去除的麻煩,目前雖然有很多濾波和降噪的方法,但效果都不是特別可靠,而且每種算法的適用范圍有限,針對每個具體應用,都要選擇不同的算法和相應的聞值;2、輸入信息源單一(目前只有從視頻中提取的圖片),信息相對殘缺(處理過程中難免信息丟失和走樣,缺乏校正機制),對后續(xù)的處理造成了很大的困難;3、缺乏一個能對處理過程提供強有力支持的模型或結構,使各個階段處理過程中使用的法缺乏統(tǒng)一性,各自為政;4、行為識別的算法感覺不是很成熟,現(xiàn)在還沒有經(jīng)過充分檢驗。因此為了社會的經(jīng)濟與和平,解決這些技術問題,已刻不容緩。
發(fā)明專利內容
[0003]本發(fā)明專利所要解決的技術問題在于針對現(xiàn)在技術的不足,提供一種視頻方面基于向量場模型的行為分析方法。其設計合理、智能化程度高且使用效果好,推廣應用前景廣泛,能有效的解決視頻方面的一些重要技術問題。
[0004]為解決上述技術問題,本發(fā)明專利采用的技術方案是:一種基于向量場模型的行為分析方法。
[0005]上述方法是在視頻圖像序列中識別特征點,隨著目標的運動,把對應的點連接成向量,向量的運動則形成場,在運動的向量場中識別運動特征,從而判斷出異常情況,達到智能監(jiān)控的目的,這樣可以不用進行圖像分割,不用必須得到目標的清晰輪廓。
[0006]基于向量場模型的方法,在系統(tǒng)的處理中,需要一個模型,這個模型需要具有以下特點:用向量表示運動物體特征點的運動,那么整個運動物體所有特征點的運動向量會形成一個場;這個場是歷史狀態(tài)相關的,當前狀態(tài)確定之后,會有一個預測模型對下一個狀態(tài)進行預測。當預測失效時,會產(chǎn)生一個暫且叫做“失效度”的量,我們對“失效度”有一個容忍閡值,當“失效度”屬于正常誤差范圍時,啟動校正機制重新預測,當“失效度”很大時,啟用我們的異常行為判定規(guī)則判斷是否出現(xiàn)異常,如出現(xiàn)異常,報警,否則啟用校正機制。
[0007]研究上述這種方法的目標:第一層目標:通過對特定目標(如人、車輛等)的分析,獲得某些特征的模板,在目標的識別與跟蹤過程中起到輔助作用;第二層目標:作為智能監(jiān)控系統(tǒng)中的核心算法完成異常識別的任務;第三層目標:在特征點提取、向量場模型、特征抽象與表示、智能匹配等過程的算法充分完善的基礎上,實現(xiàn)一個類似人的視覺系統(tǒng)的智能視覺系統(tǒng)。[0008]上述基于向量場模型的方法特征是:不再區(qū)分前景和背景,確定目標物依靠向量場中向量的分布狀態(tài),比如向量密集的區(qū)域可以認為是目標區(qū)域,向量持續(xù)變化劇烈的區(qū)域可以認為是目標區(qū)域。這種方法還能有效地減少噪聲的影響,因為噪聲一般都是比較分散且有突發(fā)性,持續(xù)時間短。
[0009]上述基于向量場模型的方法特征是:以前的庫里存儲的信息從本質上來說就是圖像,所以比對的過程是非常耗時的,庫不可能做得很大,而這里的特征庫只是一些量,即使庫做得很大,比對的過程也不會對系統(tǒng)造成大的負擔。實踐證明,目前的主動式監(jiān)控系統(tǒng)中90%以上的計算量都耗費在圖像處理相關的過程中,所以本方法雖然看起來過程繁多,涉及圖像處理的過程并不多,大部分過程對系統(tǒng)的壓力不大。和以往的方法相比,這里的特征庫存儲的是“特征信息”,而不是圖像信息。這種特征信息在向量場模型下,一般只表現(xiàn)為一個或多個數(shù)字,所以即使特征庫特別龐大,也不會有效率問題,所占據(jù)的存儲空間也很小。
[0010]上述基于向量場模型的方法特征是:在向量場模型更新的過程中,需要一個數(shù)據(jù)結構實時保存識別出來的特征信息,以備后用。這種方法對“歷史狀態(tài)”的依賴性更強,也可以說這是一個優(yōu)勢,可以彌補以前方法中的很多不穩(wěn)定因素。
[0011]基于向量場模型分析的初步探索。這是一種針對視頻監(jiān)控系統(tǒng)中的行為分析的全新方法。首先從視頻流獲取一個動態(tài)的向量場,根據(jù)向量場中特定參量的特征變化判斷視頻中包含哪些事件,進一步判斷是否發(fā)生異常。
[0012]綜上所述,本發(fā)明專利不再單純依靠圖像處理算法,面是試圖把物理世界中客觀存在的一些規(guī)律和固有特征通過模型作用到智能監(jiān)控系統(tǒng)的處理過程中,通過與傳統(tǒng)的依靠圖像處理算法和方法相結合,可以達到取長補短的作用。
[0013]下面通過附圖和實施 例,對本發(fā)明專利的技術方法進一步的詳細描述。
【專利附圖】
【附圖說明】
[0014]圖1為本發(fā)明專利的系統(tǒng)結構設計框圖。
[0015]附圖標記說明:
[0016]①-趨勢預測模塊②-細部特征增強識別模塊
③-異常行為規(guī)則褲④-重新預測模塊校正模塊
⑤-透視投影
【具體實施方式】
[0017]如圖所示,本發(fā)明專利包括①-趨勢預測模塊②-細部特征增強識別模塊③-異常行為規(guī)則褲④-重新預測模塊校正模塊⑤-透視投影,對相對應的模塊所輸入的視頻進行分析、判斷得出相應的結論,并完成整個場模型的方法。
[0018]如圖所示,設備初始化,系統(tǒng)有視頻流輸入時,對運動目標進行檢測與跟蹤,檢測是否有運動物體,如果沒有,繼續(xù)對運動物體進行檢測。
[0019]若檢測到運動物體,隨著物體的運動不斷運動和更新,使其動態(tài)形成一個場模型,這個場模型初步被劃為①中。
[0020]同時對運動目標檢測與跟蹤中提取運動體的特征,將提取的特征與其正常特征對t匕,判斷是否相符。[0021]上述相符,則符合啟動條件,進入②中,并將②歸于①中。
[0022]上述不相符,會有一個預測模型對下一個狀態(tài)進行預測。當預測失效時,會產(chǎn)生一個暫且叫做“失效度”的量,我們對“失效度”有一個容忍閾值,當“失效度”很大時,啟用我們的異常行為判定規(guī)則判斷是否出現(xiàn)異常,如出現(xiàn)異常,報警。如沒有發(fā)現(xiàn)異常則進入①中進行預測。
[0023]當上述“失效度”屬于正常誤差范圍時,啟動④。
[0025]此外,程序會對③模型中一些參量進行檢測,異常則報警,反之,劃為①中時行預測。
[0026]對歸集①與④的預測信息,在⑤中清晰反應,體現(xiàn)出來。
[0027]綜上所述,基于向量場的行為分析方法試圖在智能監(jiān)控系統(tǒng)中突破以往的方法,發(fā)展出一種全新的方法。和以往的方法相比,這里的特征庫存儲的是“特征信息”,而不是圖像信息。這種特征信息在向量場模型下,一般只表現(xiàn)為一個或多個數(shù)字,所以即使特征庫特別龐大,也不會有效率問題,所占據(jù)的存儲空間也很小。在向量場模型更新的過程中,需要一個數(shù)據(jù)結構實時保存識別出來的特征信息,以備后用。這種方法對“歷史狀態(tài)”的依賴性更強,也可以說這是一個優(yōu)勢,可以彌補以前方法中的很多不穩(wěn)定因素。
[0028]以上所述,僅是本發(fā)明專利較佳實施例,并非對本發(fā)明專利作任何限制,凡是根據(jù)本發(fā)明專利技術實質以上實施所作的任何簡單修改、變更以及等效結構變化,均屬于本發(fā)明專利技術方法的保護范圍。
【權利要求】
1.在視頻圖像序列中識別特征點,隨著目標的運動,把對應的點連接成向量,向量的運動則形成場,在運動的向量場中識別運動特征,從而判斷出異常情況,達到智能監(jiān)控的目的,這樣可以不用進行 圖像分割,不用必須得到目標的清晰輪廓。
2.研究這種方法的目標:第一層目標:通過對特定目標(如人、車輛等)的分析,獲得某些特征的模板,在目標的識別與跟蹤過程中起到輔助作用;第二層目標:作為智能監(jiān)控系統(tǒng)中的核心算法完成異常識別的任務;第三層目標:在特征點提取、向量場模型、特征抽象與表示、智能匹配等過程的算法充分完善的基礎上,實現(xiàn)一個類似人的視覺系統(tǒng)的智能視覺系統(tǒng)。
3.和以往的方法相比,這里的特征庫存儲的是“特征信息”,而不是圖像信息。這種特征信息在向量場模型下,一般只表現(xiàn)為一個或多個數(shù)字,所以即使特征庫特別龐大,也不會有效率問題,所占據(jù)的存儲空間也很小。
4.在向量場模型更新的過程中,需要一個數(shù)據(jù)結構實時保存識別出來的特征信息,以備后用。這種方法對“歷史狀態(tài)”的依賴性更強,也可以說這是一個優(yōu)勢,可以彌補以前方法中的很多不穩(wěn)定因素。
【文檔編號】G06T7/20GK103544466SQ201210236008
【公開日】2014年1月29日 申請日期:2012年7月9日 優(yōu)先權日:2012年7月9日
【發(fā)明者】鄭玉山, 鄧正宏, 夏杰 申請人:西安秦碼軟件科技有限公司