電腦智能自動監(jiān)控系統(tǒng)的制作方法
【專利摘要】本發(fā)明電腦智能自動監(jiān)控系統(tǒng)，涉及一種基于關節(jié)模型的特定人體異常行為識別方法，屬于模式識別與人工智能和計算機視覺領域。本發(fā)明采用攝像機作為視頻采集裝置，服務器作為視頻處理裝置。首先檢測運動目標，獲取運動目標二值圖像；判斷質心是否跳變，若是則計算質心軌跡，否則提取人體關節(jié)模型；然后提取人體關節(jié)模型的角度參數(shù)；根據(jù)角度參數(shù)的隸屬度與規(guī)則數(shù)據(jù)庫進行對比，識別人體行為，判定是否異常。本發(fā)明方法可以比較準確的識別特定人體異常行為。
【專利說明】電腦智能自動監(jiān)控系統(tǒng)

【技術領域】
[0001]本發(fā)明屬于模式識別與人工智能和計算機視頻領域，特別涉及一種基于關節(jié)模型的特定人體異常行為識別方法。
[0002]

【背景技術】
[0003]近年來，視頻監(jiān)控在城市的治安、消防和交通等領域發(fā)揮著越來越大的作用。而計算機、通信、模式識別和人工智能等電子信息與信號處理技術的高速發(fā)展，為監(jiān)控技術的快速進步提供了有力支撐。傳統(tǒng)監(jiān)控系統(tǒng)多采用人工監(jiān)控的方式，其種種不足是視頻監(jiān)控進一步發(fā)展的主要瓶頸?；谌斯ぶ悄芗夹g所建立的智能視頻監(jiān)控系統(tǒng)，為視頻監(jiān)控的發(fā)展提供了新思路和新方向。
[0004]人體行為理解和識別是智能視頻監(jiān)控系統(tǒng)中的重要研究內容之一，屬于視頻圖像處理的高級階段，其主要任務是從視頻序列中提取高層面信息進行識別。目前大多數(shù)的研究集中在人體常規(guī)動作的識別上，如走路、跑步等，而對于異常行為識別的研究比較少。對常規(guī)動作識別，大多數(shù)方法通過訓練或學習樣本庫來識別行為，而異常行為通常很難用樣本庫來定義，與一般常規(guī)行為相比，打架、追逐、推操、跳躍等特定場合下人體異常行為，往往具有突發(fā)性大、持續(xù)時間短、動作劇烈、不可預知、無周期無規(guī)律性等特點。因此，對異常行為的識別，需要研究新的方法。
[0005]目前常用的方法有模板匹配法和狀態(tài)空間法。采用模板匹配技術的行為識別方法首先將圖像序列轉換為靜態(tài)形狀模式，然后和預先存儲的行為標本相比較。基于狀態(tài)空間模型的方法定義每個靜態(tài)姿勢作為一個狀態(tài)，這些狀態(tài)之間通過某種概率聯(lián)系起來。任何運動序列可以看作為這些靜態(tài)姿勢的不同狀態(tài)之間的一次遍歷過程，在遍歷期間計算聯(lián)合概率，其最大值被選擇作為分類行為的標準。模板匹配技術的優(yōu)點是計算復雜度低、實現(xiàn)簡單，然而它對于噪聲和運動時間間隔的變化是敏感的，在實際應用中難以達到理想的效果。狀態(tài)空間方法能克服模板匹配的缺點，但算法實現(xiàn)較為復雜。


【發(fā)明內容】

[0006]本發(fā)明的目的在于克服現(xiàn)有技術的上述不足，采用一種基于關節(jié)模型的特定人體異常行為識別方法。建立以上肢、下肢和軀干組成的關節(jié)模型，計算關節(jié)角度參數(shù)，根據(jù)角度參數(shù)確定人體姿態(tài)隸屬度，與規(guī)則數(shù)據(jù)庫進行對比，確定是否為人體異常行為。
[0007]
本發(fā)明提供一種基于關節(jié)模型的特定人體異常行為識別方法，包括:
本發(fā)明采用攝像機作為視頻采集裝置，采用服務器作為視頻處理裝置。
[0008](I)服務器實時對攝像機采集的視頻圖像進行運動檢測識別，判定是否為人體運動；
(2)根據(jù)上一步的判定結果，獲取人體運動二值圖像；通過事先的背景建模，并采用將背景減除法和幀間差分法加權平均的策略從視頻序列中檢測并提取出運動人體輪廓，以克服運動人體顏色與背景較為相近時所造成的提取目標輪廓的不完整問題；然后使用區(qū)域融合的辦法加上形態(tài)學腐蝕和膨脹原理進行處理，以保證輪廓的完整性；
(3)根據(jù)連續(xù)多幀人體二值圖像，判斷質心是否有跳變；若是，則計算質心軌跡，判別是否有行為異常，結束；若否，則轉下一步驟；質心計算公式如下，

【權利要求】
1.一種基于關節(jié)模型的特定人體異常行為識別方法，該方法基于攝像機和服務器構成的硬件平臺，其特征包括以下步驟: 服務器實時對攝像機采集的視頻圖像進行運動檢測識別，判定是否為人體運動； 根據(jù)上一步的判定結果，獲取人體運動二值圖像； 根據(jù)人體二值圖像，判斷質心是否有跳變，若是則計算質心軌跡，判別是否有行為異常，結束；若否則轉下一步驟； 建立人體關節(jié)模型，整個模型由6個線段組成，分別代表頭、軀干、左上肢、右上肢、左下肢和右下肢； 對人體關節(jié)模型進行分析，提取姿態(tài)角度參數(shù)；通過跟蹤所有主要關節(jié)的二維笛卡爾坐標的角度來確定姿態(tài)角度參數(shù)，進而判斷人體姿態(tài)的正常隸屬度。
2.一個行人的最終姿勢由上肢、下肢和軀干的聯(lián)合姿態(tài)決定，因此本發(fā)明中關節(jié)模型由兩個上肢、兩個下肢和軀干組成。
3.并定義對人體運動產生影響的五個角度參數(shù)，前胳膊fl、后胳膊務、軀干務、前腿f|、后腿籠； 根據(jù)規(guī)則數(shù)據(jù)庫和數(shù)據(jù)庫，對上一步得到的人體關節(jié)模型進行分析，判斷是否為異常；由于被識別對象的行為是 個比較復雜的非線性、時空變化的過程，往往很難獲得精確的數(shù)學模型。
4.針對此問題，本發(fā)明采用模糊判別技術。
5.首先利用規(guī)則知識庫的知識先對獲取行人輪廓肢體的角度模糊化，然后進行判別，最后進行解模糊，得到判別結果。
6.6.1)模糊化，把精確輸入數(shù)值映射到相應論域中模糊量。
7.在行人的運動過程中，每個關節(jié)會產生不同的角度，本發(fā)明定義胳膊、軀干和腿的活動范圍均為0°~180°，即輸入值為[0，180]。
8.每一個輸入值都有一個相應論域，在文中輸入論域均為(0，I)，模糊化是在該論域上定義模糊化后隸屬度大小的模糊子集。
9.為此建立角度與輸入論域的關系函數(shù)；6.2)模糊判別，采用對軀干和四肢行為模糊度加權平均作為人整體行為模糊值；6.3)解模糊，與模糊化相反，解模糊是由模糊量到精確量的轉化過程。
10.把輸出論域轉化為輸出物理量的變化范圍，在運行時解模糊求得的輸出論域上的點轉化為輸出的物理量的值。
11.輸出控制量"的量化論域為[0，1]。
12.由模糊的值轉化為一個精確的值，它是輸出論域上的一個點。
13.輸出量V的基本論域為{行為正常、行為異常}。
14.根據(jù)權利要求1所述的一種基于關節(jié)模型的人體異常行為識別方法，其特征在于: 提取二值圖像的方法為背景去除法和幀間差分法的加權平均。
15.根據(jù)權利要求1所述的一種基于關節(jié)模型的人體異常行為識別方法，其特征在于: 所述的權利要求1步驟(6)中模糊化過程，建立角度與輸入論域的關系函數(shù)遵循如下規(guī)則:(a)符合人們對角度與隸屬度變化的對應關系的認識，即偏離角度愈小，其正常行為的隸屬度越大；偏離角度越大，其正常行為隸屬度愈??；在一定幅度范圍都認為是正常的，當超出人的判斷標準時就認為是異常，也就是其屬于正常行為的隸屬度急劇降低。
16.(b)隸屬度的值應該遵循正態(tài)分布或反正態(tài)分布。
17.根據(jù)權利要求1所述的一種基于關節(jié)模型的人體異常行為識別方法，其特征在于: 所述的隸屬度函數(shù)，把日常中的概率事件作為模糊隸屬度，也就是在大量的學習樣本中，把發(fā)生該事件的頻度作為它的隸屬度，定義為:
根據(jù)權利要求1所述的一種基于關節(jié)模型的人體異常行為識別方法，其特征在于: 所述的權利要求1步驟(6)中模糊判別公式，定義為:
根據(jù)權利要求1所述的一種基于關節(jié)模型的人體異常行為識別方法，其特征在于: 所述的權利要求1步驟(6)中規(guī)則庫，規(guī)則庫存放模糊判別規(guī)則。
18.模糊判別規(guī)則是操作人員長期積累的經驗和領域專家的有關知識，它是對被判別對象進行判別的一個知識庫模型。
【文檔編號】G06K9/60GK104077591SQ201310101688
【公開日】2014年10月1日 申請日期:2013年3月27日 優(yōu)先權日:2013年3月27日
【發(fā)明者】王帥, 其他發(fā)明人請求不公開姓名 申請人:冉祥, 王帥