一种异常动作检测方法及装置的制造方法
【技术领域】
[0001]本申请涉及计算机视觉技术领域，尤其涉及一种异常动作检测方法及装置。
【背景技术】
[0002]人的异常动作检测在智能安防领域有非常大的应用价值，在很多监控场景中，可以通过对安防摄像画面进行运算处理，当有异常事件发生时给出实时预警，例如:银行中人的异常检测、广场上人的异常检测等等。
[0003]目前人的异常动作检测大多是基于彩色图片信息，具体做法可以分为以下两个阶段:
[0004]训练阶段:首先对训练视频的每一帧图像提取特征点，再将同一帧图像的特征点通过“词袋”(Bag of Words)的方式整合成特征向量，最后依据训练数据的标签训练分类器，学习不同动作在特征上的规律；
[0005]测试阶段:对于输入的视频，首先得到每一帧图像上指定动作出现的置信度，再将该置信度在一段时间累积，如果累积置信度超过预设阈值，则确定指定动作发生。
[0006]基于彩色图片信息检测前景对象的异常动作，由于图片只能显示平面像素，当画面中同一位置有距离镜头远近不同的多个对象时，无法准确确定具体哪个前景对象有异常动作，检测精度较低。
[0007]现有技术不足在于:
[0008]现有的异常动作检测方法检测精度较低。
【发明内容】
[0009]本申请实施例提出了一种异常动作检测方法及装置，以解决现有技术中异常动作检测方法检测精度较低的技术问题。
[0010]本申请实施例提供了一种异常动作检测方法，包括如下步骤:
[0011]步骤1:根据深度信息检测出监控视频中的前景对象；
[0012]步骤3:计算相邻帧之间所述前景对象的深度差，得到深度差图像；
[0013]步骤5:对连续多帧的深度差图像进行计算，得到聚合深度差图像；
[0014]步骤7:根据所述聚合深度差图像计算方向梯度直方图HOG特征；
[0015]步骤9:通过预先训练好异常动作的SVM分类器预测所述HOG特征对应的异常动作，根据预测结果确定所述前景对象是否发生所述异常动作。
[0016]本申请实施例提供了一种异常动作检测装置，包括:
[0017]检测模块，用于根据深度信息检测出监控视频中的前景对象；
[0018]深度差计算模块，用于计算相邻帧之间所述前景对象的深度差，得到深度差图像；
[0019]聚合深度差计算模块，用于对连续多帧的深度差图像进行计算，得到聚合深度差图像；
[0020]HOG特征计算模块，用于根据所述聚合深度差图像计算方向梯度直方图HOG特征；
[0021]确定模块，用于通过预先训练好异常动作的SVM分类器预测所述HOG特征对应的异常动作，根据预测结果确定所述前景对象是否发生所述异常动作。
[0022]有益效果如下:
[0023]本申请实施例所提供的技术方案，根据深度信息检测出监控视频中的前景对象，计算相邻帧之间所述前景对象的深度差，得到深度差图像；再将连续多帧的深度差图像进行计算得到聚合深度差图像，根据所述聚合深度差图像计算HOG特征，通过SVM分类器预测所述HOG特征对应的异常动作，根据预测结果确定前景对象是否发生所述异常动作。由于本申请实施例所提供的方案是根据深度信息检测监控视频中的前景对象，可以很精确地将画面中同一位置处距离镜头远近不同的前景对象分割开，因此，能够准确判断场景中每个前景对象是否有异常动作。
【附图说明】
[0024]下面将参照附图描述本申请的具体实施例，其中:
[0025]图1示出了本申请实施例中异常动作检测方法实施的流程示意图；
[0026]图2示出了本申请实施例中前景对象的动作检测框图；
[0027]图3示出了本申请实施例中异常动作检测装置的结构示意图。
【具体实施方式】
[0028]为了使本申请的技术方案及优点更加清楚明白，以下结合附图对本申请的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本申请的一部分实施例，而不是所有实施例的穷举。并且在不冲突的情况下，本说明中的实施例及实施例中的特征可以互相结合。
[0029]发明人在发明过程中注意到:
[0030]现有的动作识别方法是基于彩色图片(也即RGB图像)实现的，根据像素变化来识别动作。当镜头画面中有两个或两个以上的人重叠在一起时，无法区分具体是哪个人产生了异常动作；而且，根据像素变化来识别动作时，容易受到其他因素的影响，例如，人所穿衣服的颜色、花纹等，特别是当人身穿花色衣服时，人只要稍有一点动作，RGB图像的像素就会发生较大变化，从而导致误判，检测精度较低。
[0031]针对上述不足，本申请实施例提出了一种异常动作检测方法及装置，下面进行说明。
[0032]图1示出了本申请实施例中异常动作检测方法实施的流程示意图，如图所示，所述异常动作检测方法可以包括如下步骤:
[0033]步骤101、根据深度信息检测出监控视频中的前景对象；
[0034]步骤102、计算相邻帧之间所述前景对象的深度差，得到深度差图像；
[0035]其中，所述深度差图像反映了所述前景对象在某一时刻的动作；
[0036]步骤103、对连续多帧的深度差图像进行计算，得到聚合深度差图像；
[0037]其中，所述聚合深度差图像反映了所述前景对象在某一时间段内的动作；
[0038]步骤104、根据所述聚合深度差图像计算方向梯度直方图(HOG，Histogram ofOriented Gradient)特征；
[0039]其中，所述HOG特征代表了所述前景对象的动作向量；
[0040]步骤105、通过预先训练好异常动作的支持向量机(SVM，Support VectorMachine)分类器预测所述HOG特征对应的异常动作，根据预测结果确定所述前景对象是否发生所述异常动作。
[0041]其中，前景对象可以是人、动物或其他指定的监控对象。
[0042]在具体实施时，本申请实施例中可以利用背景模型将非前景对象位置的深度值设置为无穷远，从而进一步减小非前景对象所带来的干扰或操作不便。
[0043]由于本申请实施例所提供的方案是依托于深度图(也即，具有深度信息的监控视频中每一帧图像)以及深度图上的人体检测和跟踪，可以根据深度信息很精确的将画面中同一位置处距离镜头远近不同的前景对象分割开，因此，能够准确判断场景中每一个前景对象是否有异常动作。而且，由于深度图上仅显示各个点的深度信息，动作检测是依靠深度信息的变化，而不是依靠像素变化，因此，采用本申请实施例所提供的方案，花色和纯色在深度图中没有太多差别，相比现有技术去掉了大量的冗余信息，进而进一步提高了检测精度。
[0044]进一步地，为了解决监控场景比较复杂或画面中前景对象较多时所导致的检测准确度不高的问题，还可以按以下方式实施。
[0045]实施中，当监控视频中包括N个前景对象时，在步骤101之后、步骤102之前，所述方法还可以进一步包括:
[0046]根据每个前景对象将所述监控视频分割成N个独立的深度视频，所述深度视频中包括每个前景对象的连续动作；
[0047]所述方法在所述根据每个前景对象将所述监控视频分割成若干个独立的深度视频之后，具体可以为:
[0048]对每个前景对象的深度视频执行步骤102至步骤105。
[0049]在本申请实施例中，对于一段视频，可以首先检测出视频中所有的前景对象，假设前景对象为人，将每个人的深度视频分割出来，形成若干段独立的深度视频，每一段深度视频中只出现一个人的一连串动作，对于不同人的深度视频进行后续深度差计算等步骤，可以更加清晰、方便且准确地检测。
[0050]实施中，所述根据每个前景对象将所述监控视频分割成若干个独立的深度视频，具体可以为:
[0051]确定前景对象的深度位置；
[0