重新训练得到适 合特定应用场景的分类器。训练新的分类器的主要过程如下：
[0080] (1)准备训练样本集合并进行裁剪，包括正样本集和负样本集；
[0081] (2)提取所有正样本和负样本的Hog特征；
[0082] (3)对所有正负样本赋予样本标签；
[0083] (4)将正负样本的Hog特征，正负样本的标签，都输入到SVM中进行训练。
[0084] 至此，便可以利用原本的训练样本训练出来的分类器进行行人检测。
[0085] 目标检测、目标跟踪和目标分类的最终目的在于进行异常检测。
[0086] 正常行为通常是指具有一定周期性、重复性的状态，比如日常生活中的走、跑等。 而对于异常行为的定义在不同的环境有不同的标准，本实施例中，针对室内走廊将异常行 为定义为：与人体正常行走行为不同的跑行为、跳行为、蹲行为、爬行为和徘徊行为定义为 异常行为。
[0087] 人体行为识别主要有基于模板的方法、基于概率统计的方法和基于语义的方法。 对异常行为的分析最简单的方法便是对人体的姿势或一连串的动作与预先训练的模板进 行模式匹配。
[0088] 模板匹配算法是将运动图像序列转换成一组静态的图像模式，然后将其与已知的 模板进行比较，其中包含跑、跳、摔倒、徘徊等几种异常行为的模板，从而获得识别结果。
[0089] 模板匹配就是在一幅大图像中搜寻目标，已知该图中有要找的目标，且该目标同 模板有相同的尺寸、方向和图像，通过一定的算法可以在图中找到目标，确定其坐标位置。 以8位图像（1个像素由1个字节描述）为例，模板T (ΜX N个像素）叠 放在被搜索图S (WX H 个像素）上平移，模板覆盖被搜索图的那块区域叫子图Si^ i，j为子图左上角在被搜索图 S上的坐标。搜索范围是：
[0090] I ^ i ^ W-M ；
[0091] I ^ j ^ H-N ；
[0092] 通过比较T和Su的相似性，完成模板匹配过程，衡量模板T和子图S u的匹配程 度，可用下列两种测度，这种方法是最简单的SAD法，同时也是速度较快的一种方法：
[0093]
[0094]
[0095] 其中，m、η表示像素坐标。
[0096] 但是SAD算法的鲁邦性较差，为了解决这个问题，同时兼顾实时性，模板匹配中的 相关系数法可以很好地适应这些要求：相关系数（r)是一种数学距离，可以用来衡量两个 向量的相似程度。它起源于余弦定理：cos(A) = (b2+c2_a2)/2bc，其中，a表示角A的对边， b和c则表不a的两条邻边。
[0097] 如果两个向量的夹角为0度（对应r = 1)，说明它们完全相似，如果夹角为90度 (r = 0)，则它们完全不相似，如果夹角为180度（r = -1)，则它们完全相反。把余弦定理 写成向量的形式：
[0098] cos (A) =<b，c>/(|b|*|c|);
[0099] 即：cos (A) = OD1Cfb2C2+. · · +bncn) /sqrt [ (bj+b/+· · · +bn2) (cj+cj+· · · +cn2) ] 〇
[0100] 其中分子表不两个向量的内积，分母表不两个向量的模相乘。
[0101] 因此，用向量余弦夹角求相似度的方法公式如下：
[0102]
[0103] 其中，r (i，j)代表子图SiJ和模板T的相似度。
[0104] 模板大小的确定往往是一个经验值，近似目标轮廓的模板或者包含太多背景的模 板都不好，前者的模板太小，它对目标的变化太敏感，会很容易丢失目标。后者正相反，目标 变化的时候算法却没有反应。一般而言，目标所占模板的比例在30% -50%为佳。
[0105] 以上全过程包含了目标检测、目标跟踪、目标分类、异常检测分类的全部过程，最 终需要将结果进行保存处理。创建一个数据库，创建一张表用以保存这些分析的数据。表 的形式如表1所示：
[0106] 表 1
[0107]
[0108] 当需要翻查视频时，可以通过数据库中的查询语句，通过查询数据库的属性，从而 找到所对应视频的视频ID，这样大大的减少了人力，提高了效率。
[0109] 对于本领域的技术人员，可以根据以上的技术方案和构思，作出各种相应的改变 和变形，而所有的这些改变和变形都应该包括在本发明权利要求的保护范围之内。
【主权项】
1. 一种多路监控视频的管理设备，其特征在于，包括若干路监控摄像头，所述监控摄像 头均通讯连接于服务器；所述服务器中包括目标检测模块、目标跟踪模块、目标分类模块、 异常检测分类模块以及数据库模块。2. -种利用权利要求1的多路监控视频的管理方法，其特征在于，包括如下步骤： Sl服务器接收与其连接的若干路监控摄像头的画面，通过目标检测模块，将每一个监 控摄像头中的画面进行目标检测； S2通过目标跟踪模块，对步骤Sl中检测得到的目标实现跟踪； S3通过步骤Sl和S2中得到的结果，利用目标分类模块对目标进行分类，并基于目标所 属的类别，通过异常检测分类模块对目标进行异常检测，并将检测到的异常归入相应的异 常分类中； S4通过数据库模块建立数据库，将异常的属性写入数据库所设的相应字段中，并创建 索引；其中数据库中的字段至少包括异常所属视频标识、异常所属类别。3. 根据权利要求2所述的一种多路监控视频的管理方法，其特征在于，步骤Sl中，采用 帧间差分法或背景差分法进行关键帧和背景帧的区分，检测出目标区域。4. 根据权利要求2所述的一种多路监控视频的管理方法，其特征在于，步骤S2中，采用 CamShift跟踪算法、光流跟踪算法或粒子滤波算法进行目标跟踪。5. 根据权利要求2所述的一种多路监控视频的管理方法，其特征在于，步骤S3中，主要 将目标分类为人、车辆、物、烟雾和火焰。6. 根据权利要求2所述的一种多路监控视频的管理方法，其特征在于，步骤S3中，异常 检测的内容主要包括恶意遮挡、图像干扰、摄像头移动、物体识别、烟雾检测、火检测、车速 测量、逆行警告、越界识别和人体异常行为；其中，恶意遮挡、图像干扰、摄像头移动所属异 常类别为诊断类，物体识别、烟雾检测、火检测所属异常类别为识别类，而车速测量、逆行警 告、越界识别和人体异常行为所述异常类别为行为类。7. 根据权利要求2所述的一种多路监控视频的管理方法，其特征在于，步骤S3中，采用 基于模板匹配的方法、基于概率统计的方法或基于语义的方法进行异常检测。8. 根据权利要求2所述的一种多路监控视频的管理方法，其特征在于，步骤S4中，数据 库中的字段还包括异常地点、异常时间、异常主体和异常内容。
【专利摘要】本发明公开了一种多路监控视频的管理方法与设备，涉及到服务器端智能视频检测以及后台多路视频的管理方法，包括以下步骤：服务器接收多路监控摄像头的画面，对画面图像的目标进行检测，并根据目标检测结果，进行目标跟踪；根据目标检测和跟踪结果，对每路视频的画面进行异常检测，并对异常进行分类，记录事件属性；根据异常分类及其他异常属性建立数据库，创建索引。本发明使得在海量的监控视频中，帮助人员快速查找线索，节省时间，不仅可以减少传统视频监控中的人力资源的投入，而且能够快速、高效地判断出视频中的异常情况；在全局上对视频统一的规划，在翻查记录时，省去了多人多视频查找的麻烦，提高了效率。
【IPC分类】G06K9/00, G06K9/62
【公开号】CN104915655
【申请号】CN201510329776
【发明人】李广鑫, 王立楠, 展俊领
【申请人】西安电子科技大学
【公开日】2015年9月16日
【申请日】2015年6月15日