线性区别判定优化hmm算法的atm人体异常行为检测方法
【专利摘要】本发明公开了一种线性区别判定优化HMM算法的ATM人体异常行为检测方法，该方法首先在ATM监控视频中采用Hu矩阵提取人体特征，然后采用K均值算法进行聚类，得到两组特征矢量，并对其进行标准化处理；之后计算两组特征矢量的协方差矩阵，并对两组特征矢量进行线性组合，得到其典型变量；然后构建线性区别判定模型，并求解得到线性投影矩阵，得到线性区别判定矢量；最后将线性区别判定矢量作为HMM模型的观察序列进行训练和识别。本发明能根据特征矢量之间的线性区别判定结果，降低人体异常检测的误差；通过标准化处理特征向量，优化特征矢量之间的非均衡性缺陷。
【专利说明】
线性区别判定优化HMM算法的ATM人体异常行为检测方法
技术领域
[0001 ]本发明设及机器人视觉领域，尤其设及一种人体异常行为检测方法。
【背景技术】
[0002] 近年来，针对ATM的犯罪行为层出不穷，严重影响了群众的财产安全。目前的安防 手段是在提款机附近加装监控摄像头，但运需要大量安保人员全天候的查看监控视频W确 定是否有犯罪行为发生，或是在犯罪行为发生之后通过查看保存的监控录像来获得线索。 运种方法存在耗费大量的人力物力和实时性低等问题。基于计算机视觉的智能监控系统通 过自动分析摄像机拍录的图像序列和定位、识别及跟踪动态场景中的目标，进而分析和判 断目标的行为，从而能在异常情况发生的时候及时做出反应。
[0003] 针对ATM人体异常行为检测方法，主要有基于支持向量机的行为识别方法、基于 Radon变换的行为识别方法、基于隐马尔可夫模型的行为识别方法等。申请号为 201510536403.2的发明，根据视频背景与信息统计，将异常行为检测分为机器学习和异常 行为检测两部分，通过行人检测、背景提取和图像分割实现机器学习。申请号为 201510707784.6的发明，对视频序列采用=维尺度不变特征变换描述子提取目标时空块特 征，W时空块作为节点，计算节点时空特征的时间与空间混乱属性，并结合节点中目标光流 速度及各个节点之间的KuUback-Leibler距离构建时空检测模型。W上两种发明均未考虑 特征矢量之间的细微区别，所W精确性有所欠缺。
【发明内容】
[0004] 本发明的目的在于针对现有的人体异常检测方法的不足，提供了一种线性区别判 定优化HMM算法的ATM人体异常行为检测方法，通过实验表明，运种检测方法精确性更高。
[0005] 本发明的目的是通过W下技术方案来实现的：一种线性区别判定优化HMM算法的 ATM人体异常行为检测方法，包括W下步骤：
[0006] (1)采集ATM监控视频；
[0007] (2)采用化矩阵对ATM监控视频提取人体特征，并采用K均值算法进行聚类，得到两 组特征矢量M=(mi，m2, . . .，mi)和N=(ni，n2, . . .，nj);其中，i为特征矢量M的元素的个数，j 为特征矢量N的元素的个数；
[000引（3)考虑到两组特征矢量M和N各分量之间存在非均衡性的缺陷，在特征提取之后， 对特征矢量M和N分别做如下的标准化处理：
[0009] Cl)
[0010] (2)
[001 U 其中，Tlm为训练样本M的均值向量，Tln为训练样本N的均值向量;山为训练样本M的标 准差向量在各个分量上的均值，Wn为训练样本N的标准差向量在各个分量上的均值特 征矢量M经过标准化处理后的特征矢量，护为特征矢量N经过标准化处理后的特征矢量；
[0012] (4)计算两组特征矢量M*和护的协方差矩阵cov(M*，N*)，并对两组特征矢量进行线 性组合，得到其典型变量X、Y:
[0013]
(33
[0014] 其中〇 =(日1,日2, . . . ,Qi)，0=(执,02, . . .，0j)分别为非零常系数向量；
[0015] 化、A锋但巧1化县Y V方间故純'哇区别判定模型
[0016] (4)
[0017] 其中，C为线性区别判定系数，g为值为[oa]之间的误差修正值，avg( ?)为取平均 值操作。
[0018] (6)利用拉格朗日乘数法求得非零常系数向量a、e:
[0019]
(5)
[0020] 其中，V为拉格朗日乘子，Ui为非零常系数向量a的特征根，化为非零常系数向量如勺 特征根；
[0021] (7)根据式(5)计算得到的特征根化、化和非零常系数向量a、e，取其前t对a、巧勾成 线性投影矩阵；
[0022] (8)将特征矢量M勺日护分别向t个投影方向进行投影，得到t维的线性区别判定矢量 巧口 Q;
[0023] (9)将线性区别判定矢量作为HMM模型的观察序列进行训练和识别，最终得到人体 异常行为识别结果。
[0024] 本发明的有益效果是:本发明采用线性区别判定模型描述图像特征矢量之间的相 关性，并根据特征矢量之间的线性区别判定结果，降低人体异常检测的误差;通过标准化处 理特征向量，优化特征矢量之间的非均衡性缺陷。
【附图说明】
[0025] 图1为一种线性区别判定优化HMM算法的ATM人体异常行为检测方法的流程示意 图；
[0026] 图2为采用本发明方法后的人体行为检测结果示意图。
【具体实施方式】
[0027] 下面结合附图对本发明作进一步描述。
[0028] 如图1所示，本发明线性区别判定优化HMM算法的ATM人体异常行为检测方法，包括 W下步骤：
[0029] 1、采集ATM监控视频。
[0030] 2、采用化矩阵对ATM监控视频提取人体特征，并采用K均值算法进行聚类，得到两 组特征矢量M=(mi，m2, . . .，mi)和N=(ni，n2, . . .，nj);其中，i为特征矢量M的元素的个数，j 为特征矢量N的元素的个数。
[0031] 3、考虑到两组特征矢量M和N各分量之间存在非均衡性的缺陷，在特征提取之后， 对特巧生县BiU此*日下的标准化处理.
[0032] <1)
[0033] U)
[0034] 其中，Tlm为训练样本M的均值向量，Tln为训练样本N的均值向量;山为训练样本M的标 准差向量在各个分量上的均值，Wn为训练样本N的标准差向量在各个分量上的均值特 征矢量M经过标准化处理后的特征矢量，护为特征矢量N经过标准化处理后的特征矢量。
[0035] 4、计算两组特征矢量M*和N*的协方差矩阵cov(M*，N*)，并对两组特征矢量进行线 性组合，得到其典型变量X、Y:
[0036]
〇>
[0037] 其中a = (ai，a2,...，日1)，0=(执，&，...瓜)分别为非零常系数向量。
[0038] 5、计算得到变量X、Y之间的线性区别判定模型
[0039]
(4)
[0040] 其中，C为线性区别判定系数，皆为值为[0，1]之间的误差修正值，avg( ?)为取平均 值操作。
[0041] 6、利用拉格朗日乘数法求得非零常系数向量a、e:
[0042]
(5)
[0043] 其中，V为拉格朗日乘子，Ui为非零常系数向量a的特征根，化为非零常系数向量如勺 特征根。
[0044] 7、根据式(5)计算得到的特征根化、化和非零常系数向量a、e，取其前t对a、e构成线 性投影矩阵。
[0045] 8、将特征矢量M勺P护分别向t个投影方向进行投影，得到t维的线性区别判定矢量P 和Q。
[0046] 9、将线性区别判定矢量作为HMM模型的观察序列进行训练和识别，最终得到人体 异常行为识别结果。
[0047] 实施例1
[004引如图1所示，一种线性区别判定优化HMM算法的ATM人体异常行为检测方法的具体 实施方式为:首先在ATM取款机口口上方安置监控摄像头，其与地面的夹角为45° W保证摄 像头能拍摄到完整的ATM取款机，然后将ATM监控视频作为输入值采用化矩阵提取人体特 征，并采用K均值算法进行聚类，得到两组特征矢量M和N，并为了优化两组特征矢量M和N各 分量之间存在的非均衡性缺陷，对其进行标准化处理得到r和沪。接着计算两组特征矢量r 和N*的协方差矩阵cov(M*，N*)，并对两组特征矢量进行线性组合，得到其典型变量X、Y。再进 一步构建线性区别判定模型，并求解得到线性投影矩阵，得到t维的线性区别判定矢量，W 判断特征矢量之间的相关性，提高特征提取的精确性。最后将线性区别判定矢量作为HMM模 型的观察序列进行训练和识别，最终得到人体异常行为识别结果。
[0049]如图2为采用本发明方法对连续四帖ATM监控视频的人体异常行为检测的结果示 意图，其结果说明本发明的方法获得了不错的实验结果，可W为ATM人体异常行为检测提供 更高的精确性。
【主权项】
1. 一种线性区别判定优化HMM算法的ATM人体异常行为检测方法，其特征在于，包括以 下步骤： (1) 采集ATM监控视频。 (2) 采用Hu矩阵对ATM监控视频提取人体特征，并采用K均值算法进行聚类，得到两组特 征矢量M=(mi，m2, · · ·，nu)和N=(m，n2, · . ·，nj);其中，i为特征矢量Μ的元素的个数，j为特 征矢量N的元素的个数。 (3) 考虑到两组特征矢量Μ和N各分量之间存在非均衡性的缺陷，在特征提取之后，对特 征矢量Μ和Ν分别做如下的标准化处理：(1) (2) 其中，nm为训练样本Μ的均值向量，％为训练样本Ν的均值向量;μω为训练样本Μ的标准差 向量在各个分量上的均值，μη为训练样本Ν的标准差向量在各个分量上的均值;if为特征矢 量Μ经过标准化处理后的特征矢量，rf为特征矢量N经过标准化处理后的特征矢量。 (4) 计算两组特征矢量if和#的协方差矩阵C〇V(M'rf)，并对两组特征矢量进行线性组 合，得到其典型变量X、Y:C3) 其中α=(αι，α2,……，β」)分别为非零常系数向量。 (5) 计算得到变量X、Υ之间的线性区别判定模型(4) 其中，ξ为线性区别判定系数，炉为值为[〇，1]之间的误差修正值，avg( ·)为取平均值操 作。 (6) 利用拉格朗日乘数法求得非零常系数向量α、β:(5)其中，ν为拉格朗日乘子，山为非零常系数 向量α的特征根，U2为非零常系数向量邱勺特征根。 (7) 根据式(5)计算得到的特征根山、1]2和非零常系数向量α、β，取其前t对α、β构成线性 投影矩阵。 (8) 将特征矢量if和#分别向t个投影方向进行投影，得到t维的线性区别判定矢量Ρ和 Q〇 (9) 将线性区别判定矢量作为HMM模型的观察序列进行训练和识别，最终得到人体异常 行为识别结果。
【文档编号】G06K9/62GK105956580SQ201610403457
【公开日】2016年9月21日
【申请日】2016年6月7日
【发明人】胡峰俊
【申请人】浙江树人大学