一种基于人体形态特征的多人异常行为识别方法
【技术领域】
[0001] 本发明属于图像处理技术领域，涉及多个人体的异常行为识别的方法，具体而言 是一种通过提取视频图像中各个人体的形态学特征，实现基于人体形态特征的多人异常行 为识别系统。
【背景技术】
[0002] 智能视觉物联网（IVI0T)是新一代信息技术的重要组成部分，也是物联网的升级 版本。智能视觉物联网是通过视觉传感器、信息传输、智能视觉分析感知人、车、物，按约定 的协议，把任何物体与互联网相连接，进行信息交换和通信，以此来实现对物体的智能识 另IJ、定位跟踪和实时监控的一种智能网络。通过公共场所管理、智能楼宇、交通管制医院、监 狱、军事等终端用户所搭建的"智能视觉物联网"，能够实现对社会资源的统一监控、管理和 调度。因此，智能视觉物联网技术具有广泛的应用前景。
[0003] 目前，我国处于经济高速增长期和社会转型期，公共安全形势总体非常严峻。中国 公安要在未来反暴力事件中夺取胜利，必须使用计算机信息化手段。反暴力行动的辅助决 策需要借助计算机来辅助完成。使用智能视觉物联网技术对反暴力行动进行实时性检测为 以后的反暴力行动研究和反暴力行动任务提供全面详实的数据保障。
[0004]
[0005] 故人体异常行为识别系统在视频监控领域具有较为广泛的应用前景。基于人体形 态特征的多人异常行为识别系统，可以实现人员无监督作业，解放了工作人员的劳动力，并 能实现对监控视频中的人体进行捕捉和行为识别的操作。对安保部门起到极大的辅助作 用，具有较高的理论价值和实现意义。
[0006] 人体的形态特征是指人体各个肢体的位置信息，获取该特征涉及到了计算机视 觉、图像处理、模式识别、统计学推断、机器学习等多方面的知识。该特征作为对图像或者视 频作进一步理解的前提，被广泛应用于智能视觉监控和人机交互领域。但由于人体着装的 多样性，图像背景的复杂多变性以及在单帧图像中可能同时出现多个人体等复杂情况，使 得获取该特征成为计算机视觉领域上较难的课题之一。
【发明内容】
[0007] 本发明所要解决的技术问题是:针对人体异常行为识别难度大，实现多人同时识 别的准确率低的问题，提出一种人体异常行为识别方法，以实现高精度的异常行为识别。
[0008] 本发明的原理是通过先获取人体的位置信息，然后获得人体各个部件的形态特 征，并将提取的特征与样本库匹配，从而判断行为是否为异常以及属于何种异常行为。
[0009] 本发明所采用的技术方案是：
[0010] -种基于人体形态特征的多人异常行为识别方法，其特征在于，包括以下步骤：
[0011] (1)利用行人数据库中的行人样本的梯度信息，计算出一副人体的平均边缘轮廓 图；
[0012] (2)以单元为最小单位将平均边缘轮廓图划分成网格，形成平均边缘网格轮廓图；
[0013] (3)采用尺度不等的矩形窗在网格上进行无重叠滑动，截取出一系列的滤波器，并 去除冗余滤波器，组成最终用于行人检测的滤波器组，即行人检测器；
[0014] (4)输入待测图像，对输入的待测图像计算H0G和LUV特征上的特征通道，采用所述 行人检测器计算每个通道的特征响应，并将得到的特征响应输入到已经训练好的Adaboost 分类器中，得到行人候选框；
[0015] (5)采用非极大值抑制的方法，去除错误的行人候选框，获得最终行人的检测框；
[0016] (6)根据行人的检测框，最终得到准确的行人的位置信息；
[0017] (7)根据得到的人体位置信息，采用Grabcut算法进一步缩小人体的所在区域，从 而得到人体各个部件的初始位置先验概率，计算出基于颜色特征的人体的初始外观模型；
[0018] (8)通过人体的外观传输公式，将所得初始外观模型更新优化，并获得最终的人体 各个部件的位置信息；
[0019] (9)采用霍夫形态特征提取算法提取人体各个部件的形态学特征；
[0020] (10)将步骤(9)所得的形态学特征与异常样本库进行匹配，最终输出识别结果。
[0021] 本发明综合利用了基于图像特征通道的行人检测器对行人检测的普适性和基于 位置先验的人体外观模型的高准确度，同时利用霍夫形态学特征提取算法和U范数进行相 似度匹配，对图像中的多个人体进行行为识别。避免了对大量的训练样本的需求，无需提前 获取背景等先验信息，解决了只能对单人进行行为识别的局限性，实现了在单帧图像上对 多个人体进行识别的目的。
【附图说明】
[0022]图1为本发明的实施示意图；
[0023]图2为滤波通道特征检测器的构建示意图；
[0024]图3为行人检测流程示意图；
[0025]图4为外观模型的构建示意图；
[0026] 图5为异常行为匹配和识别的流程图。
【具体实施方式】
[0027] 本发明的【具体实施方式】如图1所示，详细描述如下：
[0028] 本发明的一种基于人体形态特征的多人异常行为识别方法，包括以下步骤：
[0029] (1)利用行人数据库中的行人样本的梯度信息，计算出一副人体的平均边缘轮廓 图；
[0030] (2)以单元为最小单位将平均边缘轮廓图划分成网格，形成平均边缘网格轮廓图；
[0031] (3)采用尺度不等的矩形窗在网格上进行无重叠滑动，截取出一系列的滤波器，并 去除冗余滤波器，组成最终用于行人检测的滤波器组，即行人检测器；
[0032] (4)输入待测图像，对输入的待测图像计算H0G和LUV特征上的特征通道，采用所述 行人检测器计算每个通道的特征响应，并将得到的特征响应输入到已经训练好的Adaboost 分类器中，得到行人候选框;HOG特征有9个通道，LUV就是有L，U，V3个通道，一共12个通道。
[0033] H0G为方向梯度直方图（Histogram of Oriented Gradient)，H0G特征是一种在计 算机视觉和图像处理中用来进行物体检测的特征描述子，通过计算和统计图像局部区域的 梯度方向直方图来构成特征。具体的实现方法是:首先将图像分成小的连通区域，即细胞单 元;然后采集细胞单元中各个像素点的梯度，并绘制每个细胞单元的梯度直方图；最后把所 有直方图组合起来构成特征描述器。为了提高性能，还可以将局部直方图在图像的更大的 范围内，即区间（block)，进行对比度归一化，所采用的方法是：先计算各直方图在区间 (block)中的密度，然后根据密度对区间中的各个细胞单元做归一化;通过归一化后，对光 照变化和阴影获得更好的效果。
[0034] 〇^色彩空间全称为(：此19760>，11*，#)，也作(：此〇^色彩空间，1>表示物体亮 度，u*和v*是色度。于1976年由国际照明委员会CIE提出，由CIE XYZ空间经简单变换得到， 具视觉统一性。
[0035] (5)采用非极大值抑制的方法，去除错误的行人候选框，获得最终行人的检测框；
[0036] (6)根据行人的检测框，最终得到准确的行人的位置信息；
[0037] (7)根据得到的人体位置信息，采用Grabcut算法进一步缩小人体的所在区域，从 而得到人体各个部件的初始位置先验概率，计算出基于颜色特征的人体的初始外观模型；
[0038] (8)通过人体的外