一种人体异常行为检测方法及系统的制作方法
【技术领域】
[0001] 本发明设及视频监控技术领域，具体设及一种人体异常行为检测方法及系统。
【背景技术】
[0002] 视频监控技术被应用在各行各业中，在传统的监控模式下，一方面需要工作人员 时刻监控每个相机场景的是否发生异常情况，容易使得感官疲劳，从而导致漏检和误检。另 一方面，各个相机每天不间断的拍摄，储存大量的视频数据，若漏检的异常情况需要查找对 应视频段时，人工查找比较困难，而且效率低下。对监控视频进行智能分析则成为解决上述 问题的一个研究方向。现有智能监控系统主要通过检测和跟踪场景中的运动目标进行智能 分析，也包括对所跟踪的运动目标的行为分析。
[0003] 目前，行为分析技术通常应用在智能家居、金融行业、交通行业和公共安全等领 域。例如在智能家居行业中，行为分析技术可用来实时监控独居老人的摔倒、昏迷等情况； 在金融行业中，可用来实时监控ATM间发生的摔倒不起、打架斗殴、抢劫等情况;在交通行业 中，可用来实时监控某些路段发生的车祸、人员异常集聚等情况;在公共安全领域中，可用 来监控恐怖袭击、骚乱等群体性事件。
[0004] 从异常行为成因来讲可分成两类:一类是监控者自定义的异常行为，如绛线、越 界、逆行和逗留等，运些异常行为并不是由被监控者直接产生的，而且被监控者与场景的相 互作用产生的，监控者通过被监控者在场景中的轨迹或者速度来自定义运些行为；另一类 是被监控者自身的异常行为，如打架斗殴，摔倒等。运两类的异常行为产生的原因不同，大 多数方法只研究了运两类异常行为的一部分，并没有一个综合的方法来整体的对运些行为 进行研究。
【发明内容】
[0005] 针对现有技术中的缺陷，本发明提供一种人体异常行为检测方法及系统，可W对 监控者自定义的异常行为，也就是被观察者与视频场景相互作用产生的异常行为W及被监 控者自身的异常行为进行检测，提高了异常行为识别的准确率，进而提高了异常行为报警 的可靠性。
[0006] 第一方面，本发明提供了 一种人体异常行为检测方法，包括：
[0007] 根据视频场景内容将该视频场景划分为多个区域，根据每个区域所包含的场景内 容获取人体在其中可实施的动作集合，并对所述多个区域W及每个区域中可实施的动作集 合进行标记；
[000引根据所述多个区域W及每个区域中可实施动作集合的标记集合获取异常行为判 断规则；
[0009] 获取所述多个区域中人体的运动轨迹和动作序列，并根据所述标记集合来获取运 动轨迹和动作序列的可观察标记序列；
[0010] 利用所述异常行为判断规则对所述可观察标记序列进行分析，判断上述人体是否 有异常行为发生，若是，进一步判断发生了何种异常行为。
[0011] 可选地，采用数字、字符或者颜色标记所述多个区域，W及采用数字或者字符标记 每个区域中可实施的动作集合。
[0012] 可选地，采用W下步骤生成运动轨迹的可观察标记序列，包括：
[0013] 从人体上选择一特征点作为跟踪点，获取该跟踪点经过一个或多个区域的连续轨 迹；
[0014] 根据上述连续轨迹所在区域的标记对该连续轨迹进行采样编码生成离散的可观 察标记序列。
[0015] 可选地，所述特征点为人体质屯、或者脚部上的特征点。
[0016] 可选地，所述异常行为判断规则包括宏观异常行为判断规则，所述宏观异常行为 判断规则通过每个区域自身的功能或者监控者赋予所述多个区域特有的功能W及区域之 间的空间逻辑关系来获取。
[0017] 可选地，所述异常行为判断规则还包括微观异常行为判断规则;所述微观异常行 为判断规则根据被监控者自身异常行为的动作序列来获取。
[0018] 可选地，所述方法还包括采用机器学习方法训练已知的人体异常行为视频集中的 异常轨迹序列W及异常动作序列，从而判断未知人体行为是否异常;所述机器学习方法为 支持向量机SVM、迭代算法Adab O O S t和神经网络中的一种或者多种。
[0019] 可选地，所述方法还包括采用隐马尔科夫模型HMM对人体动作进行建模识别，包 括：
[0020] 将已知的人体的各个动作分解为多个姿态；
[0021] 提取每个动作的多个姿态的特征向量；
[0022] 采用Kmeans聚类算法将所获取的每个动作特征向量进行聚类，获取N个聚类中屯、；
[0023] 计算每个动作特征向量与每个聚类中屯、的欧氏距离，将每个动作特征向量量化到 取得最小欧氏距离的聚类中屯、，W获取每个动作多个姿态的可观察标记序列；
[0024] 利用Baum-Welch算法训练上述可观察标记序列，从而得到各个动作的HMM模型；
[0025] 对未知的人体动作进行特征提取与量化，将所得到可观察标记序列输入到所对应 的各个动作的HMM模型中，利用前向算法判断该未知动作隶属于哪一种动作模型。
[0026] 可选地，还包括采用单特征方法或者组合特征方法对每个动作特征向量优化的步 骤;其中，
[0027] 所述单特征方法包括：
[0028] 分别将每一维特征作为特征向量来训练测试每个动作的HMM模型，从而得到每一 种特征对于动作分类的正确率与错误率，可W将错误率最高的特征剔除；
[0029] 所述组合特征方法包括：
[0030] 将N维全特征中的i维组合作为特征向量来训练测试每个动作的HMM模型，其中， 1 < ii)N，对于每一个i均有巧种组合个数；
[0031] 从测试结果中得到每一种组合的正确率，选择正确率最大的组合作为新的全特征 集合，从而将贡献度小的特征剔除。
[0032] 第二方面，本发明实施例还提供了一种人体异常行为检测系统，基于上文所述的 人体异常行为检测方法实现，包括：
[0033] 区域与动作标记单元，用于根据视频场景内容将该视频场景划分为多个区域，根 据每个区域所包含的场景内容获取人体在其中可实施的动作集合，并对所述多个区域W及 每个区域中可实施的动作集合进行标记；
[0034] 异常行为判断规则获取单元，用于根据所述多个区域W及每个区域中可实施动作 集合的标记集合获取异常行为判断规则；
[0035] 可观察标记序列标记获取单元，用于获取所述多个区域中人体的运动轨迹和动作 序列，并根据所述标记集合来获取运动轨迹和动作序列的可观察标记序列；
[0036] 异常行为判断单元，用于利用所述异常行为判断规则对所述可观察标记序列进行 分析，判断上述人体是否有异常行为发生，若是，进一步判断发生了何种异常行为。
[0037] 由上述技术方案可知，本发明可W兼顾监控者自定义的异常行为，也就是被观察 者与视频场景相互作用产生的异常行为W及被监控者自身的异常行为，提高了异常行为识 别的准确率，进而提高了异常行为报警的可靠性。
【附图说明】
[0038] 通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理 解为对本发明进行任何限制，在附图中：
[0039] 图1是本发明实施例提供的一种人体异常行为检测方法流程图；
[0040] 图2~图4是本发明实施例提供的视频场景区域划分与标记示意图；
[0041] 图5是本发明实施例提供的已知动作的HMM模型训练过程示意图；
[0042] 图6是本发明实施例提供的训练过程中提供图像可视化特征示意图；
[0043] 图7是本发明实施例提供的HMM模型识别未知动作过程示意图；
[0044] 图8是本发明一实施例中一种人体异常行为检测方法流程图；
[0045] 图9是本发明实施例提供的一种人体异常行为检测系统框图。
【具体实施方式】
[0046] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例 中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是 本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员 在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0047] 第一方面，本发明提供了一种人体异常行为检测方法，如图1所示，包括：
[0048] S100、根据视频场景内容将该视频场景划分为多个区域，根据每个区域所包含的 场景内容获取人体在其中可实施的动作集合，并对所述多个区域W及每个区域中可实施的 动作集合进行标记；
[0049] S200、根据所述多个区域W及每个区域中可实施动作集合的标记集合获取异常行 为判断规则；
[0050] S300、获取所述多个区域中人体的运动轨迹和动作序列，并根据所述标记集合来 获取运动轨迹和动作序列的可观察标记序列；
[0051] S400、利用所述异常行为判断规则对所述可观察标记序列进行分析，判断上述人 体是否有异常行为发生，若是，进一步判断发生了何种异常行为。
[0052] 下面对本发