专利名称：基于模式识别与目标跟踪的异常行人位置检测方法
技术领域：
本发明涉及的是一种视频图像处理技术领域的方法，具体是一种基于模式识别与目标跟踪的异常行人位置检测方法。
背景技术：
随着社会对公共安全的重视和监控设备的普及，视频监控得到了越来越广泛的应用。但是目前的视频监控还主要停留在由人在事后查找异常事件的阶段，既浪费大量人力物力，又无法持久保证准确的检测效果。因此，利用计算机视觉、模式识别等方法来分析和理解人的行为、自动完成视频分析的智能监控技术便成为了国内外研究的热点问题。异常行人是指在特定环境中行为存在嫌疑的行人，在机场、银行、商场、停车场等场合的视频监控中有很强的应用需求。现有的研究多存在下列问题首先，用于分析的视频内容过于简单。此类视频往往背景单一，场景中只有少数几个行人，行人的正常行为与异常行为差别很大易于区分。其次，对异常行为的认定过于笼统，将不满足正常要求的行为统统认定为异常。这种定义未免过于简单，即使判断正确，人们也无从知道发生的是何种异常事件、事件发生于哪个位置，仍需要人再作进一步观察，因此还是没有完全实现异常事件的自动检测与识别。经过对现有技术的文献检索发现，利用形状信息进行模式识别可以在复杂的场景中有效地检测出具有特定形状的物体。该类方法中最具代表性的为Qiang Zhu于2006年在 〈〈IEEE Computer Society Conference on Computer Vision and Pattern Recognition)) (国际电子电气工程师协会计算机学会计算机视觉与模式识别会议)论文集第2卷1491 至 1498 页上发表的论文"Fast human detection using a cascade of histogram of oriented gradients^基于梯度方向直方图构建级联分离器实现快速行人检测)。此论文提出了简化HoG(Histograms of Oriented Gradient梯度方向直方图)特征并利用级联分类器完成模式识别，在INRIAPerson数据库上可实现高达95%以上的识别准确率。利用此类方法，可以有助于我们针对某种特定的异常行为完成异常行人区域检测。但是基于形状信息的识别是瞬间的，而异常行为必须要经过一段时间的持续观察才能充分认定。这促使我们寻找一种新的检测方式，将模式识别与目标跟踪结合起来，从形状特性与时间特性两个方面完成异常行人区域的可靠检测。
发明内容
本发明针对现有技术存在的上述不足，提供一种基于模式识别与目标跟踪的异常行人区域检测方法，利用形状特征进行模式识别，对识别为异常的区域进行跟踪，并在跟踪过程中得到异常行为的时间特性，在结合形状特性与时间特性的基础上进行分析，得出最终的检测结果。本发明可实现在具有多种运动物体(车、行人等)、行人密集程度高的复杂场景中鲁棒地对特定异常行人区域进行检测。本发明不但可以判断出发生了何种异常行为，还可以在视频中标记出异常行人出现的位置，实现了异常行人检测的自动化。
本发明是通过以下技术方案实现的，采用高斯混合模型对视频图像的场景进行背景建模，利用阈值化操作和形态学后处理提取视频图像的前景，利用轮廓特征和行人上半身高度先验模型确定行人出现区域；在行人区域采样，提取采样区域的HoG特征并利用模式识别分类器进行识别，得到异常行人区域的形状特性；在分类器识别为异常的区域开辟跟踪团块，采用改进的粒子滤波方法完成跟踪，在跟踪过程中持续利用模式识别分类器进行识别，得到异常行为的时间特性；在结束团块时，结合时间特性与形状特性做出异常行人检测的最终判断。所述的行人上半身高度先验模型通过以下方式得到针对待分析的固定摄像头视频，手工标定出位于视频场景中各个位置的行人，得到一组行人上半身高度信息与头顶点信息，采用线性模型来描述行人上半身高度与行人出现位置的相互关系，并利用最小二乘法学习出线性模型的具体参数，得到行人上半身高度先验模型。所述的模式识别分类器是指手工采集特定异常行为图片构建图片样本库，提取每张图片的HoG(梯度方向直方图)特征作为训练特征，采用级联Adaboost学习方法对HoG 特征分类，训练得到模式识别分类器。所述的轮廓特征是通过以下方式得到对视频图像的前景进行轮廓分析得到轮廓峰值点，即轮廓特征。所述的行人出现区域是指在轮廓特征处根据行人上半身高度先验模型划定行人区域并统计行人区域内的前景像素比例，当比例大于规定门限Thf时，认为此区域为行人出现区域。所述的采样是指以每个行人出现区域中心点为中心，分别向上、下移动区域高度的1/8，再分别向左、右移动行人区域宽度的1/8，而后将区域按1. 2倍扩大，再向上、下移动区域高度的1/8，再向左、右移动行人区域宽度的1/8，由此获得9个采样区域。所述的形状特性是指利用模式识别分类器对采样区域的HoG特征进行判断后的识别结果。所述的改进的粒子滤波方法具体包括以下步骤a)建立系统状态空间和动态模型状态空间定义为[X，y, w, h]，分别代表跟踪团块的质心坐标X、y以及跟踪团块的宽度和高度W、h，其中坐标的动态模型用二阶自回归过程来模拟 +! =2A-UGw1^1 ,^^=2^-:^+(:1 2+!,其中容“是！^+丄
时刻两个独立的高斯随机变量，常数C取值为2. 0，w, h的动态模型由sw，sh,即w，h的倍数控制wk+1 = (Asw+Bsh)wk, hk+1 = (Ash+Bsw)hk，其中sw，、分别使用二阶自回归过程，即
权利要求
1.一种基于模式识别与目标跟踪的异常行人位置检测方法，其特征在于，采用高斯混合模型对视频图像的场景进行背景建模，利用阈值化操作和形态学后处理提取视频图像的前景，利用轮廓特征和行人上半身高度先验模型确定行人出现区域；在行人区域采样，提取采样区域的HoG特征并利用模式识别分类器进行识别，得到异常行人区域的形状特性；在分类器识别为异常的区域开辟跟踪团块，采用改进的粒子滤波方法完成跟踪，在跟踪过程中持续利用模式识别分类器进行识别，得到异常行为的时间特性；在结束团块时，结合时间特性与形状特性做出异常行人检测的最终判断。
2.根据权利要求1所述的基于模式识别与目标跟踪的异常行人位置检测方法，其特征是，所述的行人上半身高度先验模型通过以下方式得到针对待分析的固定摄像头视频，手工标定出位于视频场景中各个位置的行人，得到一组行人上半身高度信息与头顶点信息， 采用线性模型来描述行人上半身高度与行人出现位置的相互关系，并利用最小二乘法学习出线性模型的具体参数，得到行人上半身高度先验模型。
3.根据权利要求1所述的基于模式识别与目标跟踪的异常行人位置检测方法，其特征是，所述的模式识别分类器是指手工采集特定异常行为图片构建图片样本库，提取每张图片的梯度方向直方图特征作为训练特征，采用级联Adaboost学习方法对HoG特征分类，训练得到模式识别分类器。
4.根据权利要求1所述的基于模式识别与目标跟踪的异常行人位置检测方法，其特征是，所述的轮廓特征通过以下方式得到对视频图像的前景进行轮廓分析得到轮廓峰值点， 即轮廓特征。
5.根据权利要求1所述的基于模式识别与目标跟踪的异常行人位置检测方法，其特征是，所述的行人出现区域是指在轮廓特征处根据行人上半身高度先验模型划定行人区域并统计行人区域内的前景像素比例，当比例大于规定门限Thf时，认为此区域为行人出现区域。
6.根据权利要求1所述的基于模式识别与目标跟踪的异常行人位置检测方法，其特征是，所述的采样是指以每个行人出现区域中心点为中心，分别向上、下移动区域高度的 1/8，再分别向左、右移动行人区域宽度的1/8，而后将区域按1.2倍扩大，再向上、下移动区域高度的1/8，再向左、右移动行人区域宽度的1/8，由此获得9个采样区域。
7.根据权利要求1所述的基于模式识别与目标跟踪的异常行人位置检测方法，其特征是，所述的形状特性是指利用模式识别分类器对采样区域的HoG特征进行判断后的识别结果。
8.根据权利要求1所述的基于模式识别与目标跟踪的异常行人位置检测方法，其特征是，所述的改进的粒子滤波方法包括以下步骤a)建立系统状态空间和动态模型状态空间定义为[X，y, w, h]，分别代表跟踪团块的质心坐标x、y以及跟踪团块的宽度和高度w、h，其中坐标的动态模型用二阶自回归过程来模拟 +! =2A-UGwi^1，凡+1 =2凡-Ud1^1 ,其中&2+1是1^+1 时刻两个独立的高斯随机变量，常数C取值为2. 0，w, h的动态模型由sw，sh,即w，h的倍数控制wk+1 = (Asw+Bsh)wk, hk+1 = (Ash+Bsw)hk，其中sw，、分别使用二阶自回归过程，即= 2sw,k ~sw,k-i+gL· +gh fhMi = 2sKk ~\k-i +gli +gh ,其中随机项君^表示宽度、高度的相同变化量，gL，是在相同变化量上的偏差；b)观测模型与置信度的建立采用图像的HSV (H色度、S饱和度、V光强)色彩分量建立观测直方图，当S和V分别同时大于门限Ths和Thv时，像素被分配到由H和S量化的二维空间{NwXNh}中的一点
9.根据权利要求1所述的基于模式识别与目标跟踪的异常行人位置检测方法，其特征是，所述的时间特性是指在跟踪过程中，持续提取团块区域的HoG特征利用模式识别分类器识别得到的结果。
10.根据权利要求1所述的基于模式识别与目标跟踪的异常行人位置检测方法，其特征是，所述的结合形状特性与时间特性做出异常行人检测的最终判断具体包括以下步骤i)时间参数初始化为跟踪团块分别设立用以检查是否可以纳入为候选异常团块之列的预备期限以及用于判断是否要中断团块寿命的结束期限，同时开辟三个变量分别记录在预备期限和结束期限内跟踪团块被识别为异常的次数以及在跟踪团块整个寿命内被识别为异常的次数；ii)预备期限时间性能判断统计初始化后异常识别次数占预备期限的比例，当比例高于设定门限Th_s时，团块纳入候选异常跟踪团块，结束期限相关参数开始初始化；当比例小于Th_s则自动删除此跟踪团块；iii)结束期限时间性能判断对于候选异常跟踪团块，每隔结束期限的整数倍时间检查一次在结束期限内团块被识别为异常的次数，若次数占结束期限的比例高于设定门限 Th_e则对结束期限相关参数进行初始化；若比例小于Th_e则结束此候选异常跟踪团块的寿命；iv)跟踪团块异常行人性质判断在结束候选异常跟踪团块寿命时，统计团块的寿命长度以及在寿命中被识别为异常的次数，若跟踪团块寿命超过规定门限Th_l且在寿命中被识别为异常的次数比例超过规定门限Th_r，则判定异常行人被检测出来，跟踪团块区域即为异常行人区域，异常行人的置信度为识别为异常的次数与寿命之比；否则判定不是异常事件并删除团块。
全文摘要
一种视频图像处理技术领域的基于模式识别与目标跟踪的异常行人位置检测方法，利用形状特征进行模式识别，并对识别为异常的区域进行跟踪，在跟踪过程中得到异常行为的时间特性，在结合形状特性与时间特性的基础上进行分析，得出最终的异常行人位置检测结果。本发明可实现在具有多种运动物体、行人密集程度高的复杂场景中鲁棒地对特定异常事件进行检测。本发明不但可以判断出发生了何种异常行为，还可以在视频中标记处异常事件发生的位置，实现了异常事件检测的自动化。
文档编号G06T7/00GK102156983SQ20111008000
公开日2011年8月17日 申请日期2011年3月31日 优先权日2011年3月31日
发明者徐奕, 杨小康, 闫青 申请人:上海交通大学