專利名稱：一種基于行為識(shí)別的智能視頻監(jiān)控系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及智能監(jiān)控及行為識(shí)別系統(tǒng)技術(shù)領(lǐng)域，特別是一種可以自動(dòng)偵測(cè)威脅的智能視頻監(jiān)控系統(tǒng)，該系統(tǒng)可對(duì)場(chǎng)景 進(jìn)行探測(cè)、跟蹤、分類和對(duì)象分析。
背景技術(shù)：
智能視頻監(jiān)控系統(tǒng)一般具有兩種工作模式
實(shí)時(shí)監(jiān)控模式，旨在快速檢測(cè)目標(biāo)以預(yù)防突發(fā)事件。后臺(tái)模式，旨在后期處理和分析，即事故發(fā)生后進(jìn)行現(xiàn)場(chǎng)搜索和圖像記錄。第一種模式主要用于檢測(cè)可疑事件，例如突然出現(xiàn)的物品、可疑的人類行為、偷竊、人群騷亂、非法停車等。第二種模式大多是商業(yè)化智能應(yīng)用，如在超市、商場(chǎng)檢測(cè)顧客的行為以及員工的工作效率?，F(xiàn)有的智能視頻監(jiān)控系統(tǒng)在行為識(shí)別和異常檢測(cè)這個(gè)難點(diǎn)上做的并不好。這主要是由于以下幾個(gè)原因?qū)е碌?br> I.采集的視頻數(shù)據(jù)是否為異常分布通常是未知的，在沒有實(shí)驗(yàn)參考數(shù)據(jù)時(shí)是很難預(yù)測(cè)它們的。即使存在實(shí)驗(yàn)參考數(shù)據(jù)，檢測(cè)異常還是充滿各種各樣的不確定性，這是由于描述視頻數(shù)據(jù)是否為異常分布通常是依靠圖像特征選取和距離度量標(biāo)準(zhǔn)的使用來判斷的。2.至今尚未有一個(gè)單一數(shù)學(xué)函數(shù)來描述正常行為和異常行為，通常是用許多組合函數(shù)來描述。此外背景環(huán)境對(duì)最終結(jié)果的影響也是巨大的。3.行為識(shí)別和異常檢測(cè)的一個(gè)重要難點(diǎn)是缺少實(shí)驗(yàn)參考數(shù)據(jù)。4.對(duì)于行為識(shí)別和異常檢測(cè)系統(tǒng)，保證實(shí)時(shí)性也是一個(gè)難點(diǎn)。經(jīng)對(duì)現(xiàn)有技術(shù)的檢索發(fā)現(xiàn)，中國專利申請(qǐng)?zhí)?00710105933. 7，專利名稱基于智能視頻監(jiān)控的多層次實(shí)時(shí)預(yù)警系統(tǒng)，該申請(qǐng)方案提供了一種智能視頻監(jiān)控的多層次預(yù)警系統(tǒng)，系統(tǒng)包括五個(gè)模塊組成視頻采集模塊、視頻處理單元、基于規(guī)則的行為識(shí)別模塊、網(wǎng)絡(luò)管理平臺(tái)和報(bào)警模塊。其連接關(guān)系為視頻采集模塊、視頻處理單元、基于規(guī)則的行為識(shí)別模塊、網(wǎng)絡(luò)管理平臺(tái)和報(bào)警模塊物理上依次相連。系統(tǒng)的整體功能是通過網(wǎng)絡(luò)管理平臺(tái)管理其余四個(gè)模塊，形成多層次得智能監(jiān)控系統(tǒng)，視頻單元自適應(yīng)地檢測(cè)待檢測(cè)區(qū)域的目標(biāo)軌跡，然后由基于行為的識(shí)別模塊識(shí)別出異常行為，再由報(bào)警系統(tǒng)進(jìn)行報(bào)警。該技術(shù)主要是針對(duì)攝像機(jī)的視頻信號(hào)進(jìn)行分析處理，提出了行為識(shí)別模塊，卻沒有詳細(xì)說明行為識(shí)別的分類方法，只是簡單敘述由用戶定義。由于分類方法相對(duì)比較復(fù)雜，普通用戶根本不可能自己設(shè)計(jì)相關(guān)的定義規(guī)則，所以本質(zhì)上還是沒有達(dá)到行為識(shí)別和異常檢測(cè)的功能。

發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種基于行為識(shí)別的智能視頻監(jiān)控系統(tǒng)。該系統(tǒng)能夠很好的判斷視頻數(shù)據(jù)是否為異常分布，通過運(yùn)用一種貝葉斯分類算法，來判斷正常行為和異常行為，并能夠很好的保證實(shí)時(shí)性。實(shí)現(xiàn)本發(fā)明目的的技術(shù)解決方案為基于行為識(shí)別的智能視頻監(jiān)控系統(tǒng)，包括視頻采集模塊、視頻預(yù)處理模塊、基于貝葉斯分類算法的行為識(shí)別模塊、上位機(jī)管理平臺(tái)模塊和報(bào)警模塊；其中
視頻采集模塊與視頻預(yù)處理模塊相連用以獲取視頻信號(hào)，通過視頻編碼器將獲取的模擬視頻信號(hào)轉(zhuǎn)換為數(shù)字視頻序列，并將視頻信號(hào)傳輸至視頻預(yù)處理模塊；
視頻預(yù)處理模塊與基于貝葉斯分類算法的行為識(shí)別模塊相連，視頻預(yù)處理模塊主要將數(shù)字視頻序列儲(chǔ)存至存儲(chǔ)器，方便圖像處理計(jì)算，再通過背景環(huán)境模式匹配選擇合適的背景環(huán)境，運(yùn)用運(yùn)動(dòng)目標(biāo)分割算法分離出運(yùn)動(dòng)目標(biāo)，并進(jìn)行目標(biāo)軌跡模擬，最后將多個(gè)傳感器的信息進(jìn)行融合，并將融合后的目標(biāo)軌跡數(shù)據(jù)傳輸至基于貝葉斯分類算法的行為識(shí)別模塊；
基于貝葉斯分類算法的行為識(shí)別模塊與上位機(jī)管理平臺(tái)相連，用于運(yùn)動(dòng)目標(biāo)的行為識(shí)
別和異常檢測(cè)，對(duì)提取的特征圖像進(jìn)行感興趣區(qū)域分析，找到整個(gè)視頻圖像的感興趣區(qū)域， 再通過建立概率密度分布函數(shù)將異常檢測(cè)問題簡化為似然比檢測(cè)，最后通過貝葉斯分類算
法對(duì)行為進(jìn)行分類；一旦發(fā)現(xiàn)異常行為，便可通過串口向上位機(jī)管理平臺(tái)發(fā)送報(bào)警信號(hào)；
上位機(jī)管理平臺(tái)與基于貝葉斯分類算法的行為識(shí)別模塊相連，用于接收基于貝葉斯
分類算法的行為識(shí)別模塊分類后的視頻信號(hào)和報(bào)警信號(hào)，存儲(chǔ)視頻數(shù)據(jù)和控制報(bào)警模塊報(bào)m.
I=I ，
報(bào)警模塊與上位機(jī)管理平臺(tái)相連，可以接收上位機(jī)管理平臺(tái)的信號(hào)來實(shí)時(shí)報(bào)警，也可以直接由觀測(cè)人員進(jìn)行報(bào)警。本發(fā)明與現(xiàn)有技術(shù)相比，其顯著優(yōu)點(diǎn)(I)采用了圖像配準(zhǔn)、圖像融合技術(shù)，提升了圖像質(zhì)量；加入了背景環(huán)境選擇功能。(2)采用了基于貝葉斯分類方法的行為識(shí)別法則進(jìn)行行為識(shí)別和異常檢測(cè)。貝葉斯分類算法是統(tǒng)計(jì)學(xué)分類方法，它是一類利用概率統(tǒng)計(jì)知識(shí)進(jìn)行分類的算法。該算法能運(yùn)用到大型數(shù)據(jù)庫中，且方法簡單、分類準(zhǔn)確率高、速度快。(3)采用上位機(jī)操作系統(tǒng)控制視頻監(jiān)控系統(tǒng)。操作方便，便于擴(kuò)展。


圖I是本發(fā)明基于行為識(shí)別的智能視頻監(jiān)控系統(tǒng)的原理圖。圖2是本發(fā)明的視頻采集模塊原理圖。圖3是本發(fā)明的視頻預(yù)處理模塊原理圖。圖4是基于貝葉斯分類方法的行為識(shí)別模塊的原理圖。
具體實(shí)施例方式所謂視頻中的異常行為是指在不尋常的地點(diǎn)或時(shí)間內(nèi)出現(xiàn)了不尋常的物品或運(yùn)動(dòng)。一個(gè)成功的檢測(cè)和識(shí)別異常行為的方法首先需要精確的描述這個(gè)行為，之后建立相應(yīng)的數(shù)學(xué)模型，最后通過計(jì)算視頻序列中提取特征的概率分布來判斷是否存在異常行為。如果存在異常行為，則發(fā)送警報(bào)信息。下面對(duì)本發(fā)明進(jìn)行詳細(xì)說明
基于行為識(shí)別的智能視頻監(jiān)控系統(tǒng)由五部分組成視頻采集模塊、視頻預(yù)處理模塊、基于貝葉斯分類方法的行為識(shí)別模塊、上位機(jī)管理平臺(tái)和報(bào)警模塊。所述視頻采集模塊主要用于獲取數(shù)字視頻序列，再經(jīng)由視頻編碼器轉(zhuǎn)換為數(shù)字視頻序列，對(duì)于一個(gè)600到1000平米的商場(chǎng)或超市可以安裝16個(gè)高分辨率攝像頭，幀頻為25幀/秒，分辨率為1920 X 1080。所述視頻處理模塊采用了環(huán)境模式選擇、運(yùn)動(dòng)分割和多傳感器融合的技術(shù)。通過DSP處理電路，不僅可以對(duì)捕獲的數(shù)字視頻進(jìn)行圖像配準(zhǔn)、融合以及拼接等操作，同時(shí)也可以通過基于閾值分割的方法分離出運(yùn)動(dòng)目標(biāo)。為了保證在不同場(chǎng)景下的行為識(shí)別和異常檢測(cè)的正確率，必須對(duì)背景環(huán)境進(jìn)行選擇。例如，對(duì)于商場(chǎng)和超市，可以將攝像機(jī)在無人時(shí)拍攝到的場(chǎng)景信息作為其背景環(huán)境，這樣可以提高行為識(shí)別和異常檢測(cè)的準(zhǔn)確率。所述基于貝葉斯分類方法的行為識(shí)別模塊包括圖像特征提取模塊、感興趣區(qū)域分析模塊、行為識(shí)別和異常檢測(cè)模塊。該模塊使用基于貝葉斯分類方法的行為識(shí)別法則，分類方法步驟如下
提取圖像特征將所得圖像特征在當(dāng)前環(huán)境模式下進(jìn)行事件和行為的聯(lián)系。
進(jìn)行感興趣區(qū)域分析利用視頻自主分析技術(shù)對(duì)攝像機(jī)采集的視頻圖像進(jìn)行感興趣區(qū)域分析。建立數(shù)學(xué)模型從視頻序列中提取特征1，問題就可以簡化為推斷I是否為正常的圖像特征。如果I依照go (I)分布，則I為正常的圖像特征，如果I依照gl (I)分布，則I為異常的圖像特征(其中g(shù)o (i)、gl (I)為I的概率密度函數(shù))。因此，檢測(cè)問題可以用如下公式表述:
H0:l gQ⑴與H1 :1 gl⑴二者選一(I)
如果兩個(gè)概率分布都已經(jīng)知道，或都可以從實(shí)驗(yàn)參考數(shù)據(jù)中總結(jié)得到，則行為識(shí)別和異常檢測(cè)問題可以簡化為似然比檢測(cè)。最后運(yùn)用貝葉斯分類算法解決上述問題，貝葉斯分類算法是統(tǒng)計(jì)學(xué)分類方法，它是一類利用概率統(tǒng)計(jì)知識(shí)進(jìn)行分類的算法。該算法能運(yùn)用到大型數(shù)據(jù)庫中，且方法簡單、分類準(zhǔn)確率高、速度快。貝葉斯分類算法步驟為將每個(gè)數(shù)據(jù)樣本用一個(gè)η維特征向量來描述η個(gè)用戶自定義的行為屬性值，即=X=Ix1, x2，…，xn}，假定有m個(gè)類，分別用C1, C2,…，Cm表示。給定一個(gè)未知的數(shù)據(jù)樣本X，若貝葉斯分類法將未知的樣本X分配給類Ci，則根據(jù)貝葉斯定理，有P (Ci IX) >P (Cj IX) I彡j彡m，j關(guān)i，由于P (X)對(duì)于所有類為常數(shù)，最大化后驗(yàn)概率P(CilX)可轉(zhuǎn)化為最大化先驗(yàn)概率P (Xl Ci)P (Ci)。假設(shè)各屬性的取值互相獨(dú)立，這樣先驗(yàn)概率P (Xl I Ci)，P (x2 I Ci)，…，P (xn I Ci)可以從訓(xùn)練數(shù)據(jù)集求得。根據(jù)此方法，在監(jiān)控系統(tǒng)中，首先將提取的視頻特征定義為一個(gè)未知是否有異常行為的樣本X，其中X1,X2,…，Xn為用戶自定義的行為屬性，例如是否遮住臉部、是否用自己的口袋裝東西、是否將東西放入衣服；
其次，分別計(jì)算出X屬于正常分布Cl的概率P(XlCl)P(Cl)和異常分布C2的概率P(X|C2)P(C2)；
第三，選擇其中概率較大的分布作為其類別，如果是P (XIC2) P (C2)概率較大，則可判定為出現(xiàn)異常行為，向上位機(jī)管理平臺(tái)發(fā)送報(bào)警信號(hào)。所述的上位機(jī)管理平臺(tái)包括電腦終端、硬盤錄像機(jī)、傳輸線路。其中電腦終端與行為識(shí)別模塊相連，用于管理智能分析終端，安檢人員可以通過計(jì)算機(jī)上的操作程序進(jìn)行人機(jī)交互，硬盤錄像機(jī)與電腦終端相連，用于儲(chǔ)存視頻信號(hào)。
所述的報(bào)警模塊與電腦終端相連，可以直接獲取行為識(shí)別模塊產(chǎn)生的報(bào)警信號(hào)進(jìn)行報(bào)警，也可以由操作人員手動(dòng)發(fā)送危險(xiǎn)信號(hào)，報(bào)警模塊接收信號(hào)后自動(dòng)報(bào)警。以下結(jié)合附圖對(duì)本發(fā)明的系統(tǒng)進(jìn)一步描述
如圖I所示。整個(gè)系統(tǒng)可分為視頻采集模塊、視頻預(yù)處理模塊、基于貝葉斯分類方法的行為識(shí)別模塊、上位機(jī)管理平臺(tái)和報(bào)警模塊。所述視頻采集模塊用于獲取數(shù)字視頻數(shù)據(jù)，根據(jù)用途的不同，前端可采用CCD攝像機(jī)、紅外熱像儀、微光電視等不同功能的視頻采集器件，視頻解碼器可以采用tvp5150芯片，也可采用其它A/D轉(zhuǎn)換芯片。所述視頻處理模塊如圖2所示，包含存儲(chǔ)模塊、背景環(huán)境模式選擇模塊、運(yùn)動(dòng)分割模塊和多傳感器融合模塊。將采集到的數(shù)字視頻序列儲(chǔ)存至存儲(chǔ)器，方便圖像處理計(jì)算，之后與所選擇的背景環(huán)境進(jìn)行匹配，通過基于閾值的分割方法對(duì)視頻信號(hào)進(jìn)行運(yùn)動(dòng)分割，提取其整體特征，從而對(duì)物體進(jìn)行分類和追蹤，模擬目標(biāo)軌跡，最后將多個(gè)傳感器的信息進(jìn)行 融合，并將融合后的目標(biāo)軌跡數(shù)據(jù)傳輸至基于貝葉斯分類算法的行為識(shí)別模塊。所述基于貝葉斯分類方法的行為識(shí)別模塊如圖3所示，包括圖像特征提取模塊、感興趣區(qū)域分析模塊、行為識(shí)別和異常檢測(cè)模塊。處理器對(duì)提取的特征圖像進(jìn)行感興趣區(qū)域分析，找到整個(gè)視頻圖像的感興趣區(qū)域，再通過建立概率密度分布函數(shù)將異常檢測(cè)問題簡化為似然比檢測(cè)，最后通過貝葉斯分類算法對(duì)行為進(jìn)行分類。一旦發(fā)現(xiàn)異常行為，便可通過串口向上位機(jī)管理平臺(tái)發(fā)送報(bào)警信號(hào)
在特定區(qū)域和位置安裝攝像機(jī)，以保證探測(cè)區(qū)域沒有視覺死角。通過上位機(jī)管理平臺(tái)啟動(dòng)系統(tǒng)并使之運(yùn)行。攝像機(jī)采集模擬視頻信號(hào)至視頻處理模塊。在視頻處理模塊內(nèi)完成視頻編碼、環(huán)境模式選擇、運(yùn)動(dòng)分割、目標(biāo)追蹤、軌跡模擬和數(shù)據(jù)存儲(chǔ)的操作。得到運(yùn)動(dòng)目標(biāo)軌跡后，經(jīng)由多傳感器融合，將各個(gè)攝像機(jī)拍攝到得運(yùn)動(dòng)目標(biāo)軌跡進(jìn)行匯總，并傳輸至行為識(shí)別和異常檢測(cè)模塊，通過基于貝葉斯分類方法的行為識(shí)別法則進(jìn)行目標(biāo)的分類。常用的分類標(biāo)準(zhǔn)有
I. 一個(gè)目標(biāo)進(jìn)入商場(chǎng)后把臉完全遮住，可能需要報(bào)警。2. 一個(gè)目標(biāo)在超市使用自己的口袋裝商品，需要報(bào)警。3. 一個(gè)目標(biāo)把商品裝進(jìn)口袋或衣服，需要報(bào)警。一旦識(shí)別出偷竊、徘徊等異常行為，行為識(shí)別和異常檢測(cè)模塊向報(bào)警模塊發(fā)送一個(gè)危險(xiǎn)信息，報(bào)警模塊自動(dòng)報(bào)警。如果操作人員在上位機(jī)操作平臺(tái)的顯示屏中發(fā)現(xiàn)異常行為，也可手動(dòng)發(fā)送危險(xiǎn)信號(hào)，報(bào)警模塊接收信號(hào)后自動(dòng)報(bào)警。本發(fā)明通過設(shè)計(jì)一種基于行為識(shí)別的智能視頻監(jiān)控系統(tǒng)，該系統(tǒng)能夠很好的判斷視頻數(shù)據(jù)中的運(yùn)動(dòng)目標(biāo)是否為異常分布，通過提出一種發(fā)展的貝葉斯分類方法，來判斷正常行為和異常行為，并能夠很好的保證實(shí)時(shí)性。該系統(tǒng)各部分都是模塊化設(shè)計(jì)，根據(jù)特定的需求，可適當(dāng)添加和山區(qū)一些功能模塊。該系統(tǒng)的出現(xiàn)很好的彌補(bǔ)了現(xiàn)有的智能監(jiān)控系統(tǒng)在行為識(shí)別和異常檢測(cè)時(shí)正確率低，速度慢，實(shí)時(shí)性差的缺陷，具有良好的視場(chǎng)前景。
以上公開的僅為本發(fā)明的一個(gè)具體實(shí)施方式
，但是本發(fā)明并非局限于此，本領(lǐng)域的技術(shù)人員在不脫離本發(fā)明所保護(hù)的范圍和精神下，可根據(jù)不同的實(shí)際需要做出各種具體 的變化，仍屬于本發(fā)明的保護(hù)范圍。
權(quán)利要求
1.一種基于行為識(shí)別的智能視頻監(jiān)控系統(tǒng)，其特征在于包括視頻采集模塊、視頻預(yù)處理模塊、基于貝葉斯分類算法的行為識(shí)別模塊、上位機(jī)管理平臺(tái)模塊和報(bào)警模塊；其中 視頻采集模塊與視頻預(yù)處理模塊相連用以獲取視頻信號(hào)，通過視頻編碼器將獲取的模擬視頻信號(hào)轉(zhuǎn)換為數(shù)字視頻序列，并將視頻信號(hào)傳輸至視頻預(yù)處理模塊； 視頻預(yù)處理模塊與基于貝葉斯分類算法的行為識(shí)別模塊相連，視頻預(yù)處理模塊主要將數(shù)字視頻序列儲(chǔ)存至存儲(chǔ)器，方便圖像處理計(jì)算，再通過背景環(huán)境模式匹配選擇合適的背景環(huán)境，運(yùn)用運(yùn)動(dòng)目標(biāo)分割算法分離出運(yùn)動(dòng)目標(biāo)，并進(jìn)行目標(biāo)軌跡模擬，最后將多個(gè)傳感器的信息進(jìn)行融合，并將融合后的目標(biāo)軌跡數(shù)據(jù)傳輸至基于貝葉斯分類算法的行為識(shí)別模塊； 基于貝葉斯分類算法的行為識(shí)別模塊與上位機(jī)管理平臺(tái)相連，用于運(yùn)動(dòng)目標(biāo)的行為識(shí)別和異常檢測(cè)，對(duì)提取的特征圖像進(jìn)行感興趣區(qū)域分析，找到整個(gè)視頻圖像的感興趣區(qū)域，再通過建立概率密度分布函數(shù)將異常檢測(cè)問題簡化為似然比檢測(cè)，最后通過貝葉斯分類算法對(duì)行為進(jìn)行分類；一旦發(fā)現(xiàn)異常行為，便可通過串口向上位機(jī)管理平臺(tái)發(fā)送報(bào)警信號(hào)； 上位機(jī)管理平臺(tái)與基于貝葉斯分類算法的行為識(shí)別模塊相連，用于接收基于貝葉斯分類算法的行為識(shí)別模塊分類后的視頻信號(hào)和報(bào)警信號(hào)，存儲(chǔ)視頻數(shù)據(jù)和控制報(bào)警模塊報(bào)m.I=I ， 報(bào)警模塊與上位機(jī)管理平臺(tái)相連，可以接收上位機(jī)管理平臺(tái)的信號(hào)來實(shí)時(shí)報(bào)警，也可以直接由觀測(cè)人員進(jìn)行報(bào)警。
2.根據(jù)權(quán)利要求I所述的基于行為識(shí)別的智能視頻監(jiān)控系統(tǒng)，其特征在于所述視頻采集模塊包括多個(gè)前端攝像機(jī)、傳輸線路和視頻解碼器；其中前端攝像機(jī)通過傳輸線路與視頻解碼器相連，用于采集視頻信號(hào)，視頻解碼器與視頻預(yù)處理模塊相連，用于將獲取的模擬視頻信號(hào)轉(zhuǎn)換為數(shù)字視頻序列并將其傳輸?shù)揭曨l預(yù)處理模塊。
3.根據(jù)權(quán)利要求I所述的基于行為識(shí)別的智能視頻監(jiān)控系統(tǒng)，其特征在于所述視頻預(yù)處理模塊包括存儲(chǔ)器、背景環(huán)境模式選擇模塊、運(yùn)動(dòng)目標(biāo)分割模塊和多傳感器融合模塊；其中存儲(chǔ)器與視頻采集模塊相連，用于儲(chǔ)存待處理的數(shù)字視頻序列，背景環(huán)境模式選擇模塊與運(yùn)動(dòng)分割模塊相連，用于與得到的數(shù)字視頻序列匹配的背景模式，運(yùn)動(dòng)分割模塊與多傳感器融合模塊相連，主要用于對(duì)視頻信號(hào)進(jìn)行運(yùn)動(dòng)分割，提取其整體特征，從而對(duì)物體進(jìn)行分類和追蹤，模擬目標(biāo)軌跡，多傳感器融合模塊與基于貝葉斯分類算法的行為識(shí)別模塊相連，用于將不同傳感器采集并經(jīng)過處理后的視頻信號(hào)進(jìn)行融合。
4.根據(jù)權(quán)利要求I所述的基于行為識(shí)別的智能視頻監(jiān)控系統(tǒng)，其特征在于所述基于貝葉斯分類算法的行為識(shí)別模塊包括圖像特征提取模塊、感興趣區(qū)域分析模塊和行為識(shí)別和異常檢測(cè)模塊；其中圖像特征提取模塊與感興趣區(qū)域分析模塊相連，提取圖像特征主要用于將所得圖像特征在當(dāng)前環(huán)境模式下進(jìn)行事件和行為的聯(lián)系，感興趣區(qū)域分析模塊與行為識(shí)別和異常檢測(cè)模塊相連，感興趣區(qū)域分析是利用視頻自主分析技術(shù)對(duì)攝像機(jī)采集的視頻圖像進(jìn)行感興趣區(qū)域分析，并建立圖像特征概率密度函數(shù)將行為識(shí)別和異常檢測(cè)問題可以簡化為似然比檢測(cè)，最后運(yùn)用貝葉斯分類算法解決似然比檢測(cè)問題。
5.根據(jù)權(quán)利要求I或4所述的基于行為識(shí)別的智能視頻監(jiān)控系統(tǒng)，其特征在于所述貝葉斯分類算法步驟為將每個(gè)數(shù)據(jù)樣本用一個(gè)η維特征向量來描述η個(gè)用戶自定義的行為屬性值，即=X=Ix1, x2,…，xj，假定有m個(gè)類，分別用C1, C2,…，Cm表示；給定一個(gè)未知的數(shù)據(jù)樣本X，若貝葉斯分類法將未知的樣本X分配給類Ci,則根據(jù)貝葉斯定理，有P(Ci|X) >P(Cj |X) I≤j≤m，j關(guān)i，由于P(X)對(duì)于所有類為常數(shù)，最大化后驗(yàn)概率P(CilX)可轉(zhuǎn)化為最大化先驗(yàn)概率P (Xl Ci)P (Ci);假設(shè)各屬性的取值互相獨(dú)立，這樣先驗(yàn)概率P (Xl I Ci)，P (X2 I Ci)，…，P (xn I Ci)可從訓(xùn)練數(shù)據(jù)集求得； 在監(jiān)控系統(tǒng)中，首先將提取的視頻特征定義為一個(gè)未知是否有異常行為的樣本X，其中X^X2,…，Xn為用戶自定義的行為屬性； 其次，分別計(jì)算出X屬于正常分布Cl的概率P(XlCl)P(Cl)和異常分布C2的概率P(X|C2)P(C2)； 第三，選擇其中概率較大的分布作為其類別，如果是P (XI C2)P(C2)概率較大，則可判定為出現(xiàn)異常行為，向上位機(jī)管理平臺(tái)發(fā)送報(bào)警信號(hào)。
6.根據(jù)權(quán)利要求I所述的基于行為識(shí)別的智能視頻監(jiān)控系統(tǒng)，其特征在于所述上位機(jī)管理平臺(tái)包括電腦終端、硬盤錄像機(jī)和傳輸線路；其中電腦終端與行為識(shí)別模塊相連，用于管理智能分析終端，安檢人員可通過計(jì)算機(jī)上的操作程序進(jìn)行人機(jī)交互，硬盤錄像機(jī)與電腦終端相連，用于儲(chǔ)存視頻信號(hào)。
7.根據(jù)權(quán)利要求I所述的基于行為識(shí)別的智能視頻監(jiān)控系統(tǒng)，其特征在于所述報(bào)警模塊與上位機(jī)管理平臺(tái)相連，可以直接獲取行為識(shí)別模塊產(chǎn)生的報(bào)警信號(hào)進(jìn)行報(bào)警，也可以由操作人員手動(dòng)發(fā)送危險(xiǎn)信號(hào)，報(bào)警模塊接收信號(hào)后自動(dòng)報(bào)警。
全文摘要
本發(fā)明公開了一種基于行為識(shí)別的智能視頻監(jiān)控系統(tǒng)，該系統(tǒng)是一種可以自動(dòng)偵測(cè)威脅的智能視頻監(jiān)控系統(tǒng)，可對(duì)場(chǎng)景目標(biāo)進(jìn)行探測(cè)、跟蹤、分類和對(duì)象分析；該系統(tǒng)由五部分組成視頻采集模塊、視頻處理模塊、基于貝葉斯分類算法的行為識(shí)別模塊、上位機(jī)管理平臺(tái)和報(bào)警模塊。本發(fā)明采用了圖像處理技術(shù)，提升了圖像質(zhì)量；采用了基于閾值分割的方法分離運(yùn)動(dòng)目標(biāo)，加入了背景環(huán)境選擇功能；采用了基于貝葉斯分類方法的行為識(shí)別法則進(jìn)行行為識(shí)別和異常檢測(cè)，方法簡單、分類準(zhǔn)確率高、速度快；采用上位機(jī)操作系統(tǒng)控制視頻監(jiān)控系統(tǒng)。操作方便，便于擴(kuò)展。
文檔編號(hào)G08B13/196GK102811343SQ20111014863
公開日2012年12月5日 申請(qǐng)日期2011年6月3日 優(yōu)先權(quán)日2011年6月3日
發(fā)明者李英杰, 張寶輝, 韓亦勇, 夏朋浩, 閔超波, 姜斌, 袁光 申請(qǐng)人:南京理工大學(xué)