一种基于RGB-D数据建立超平面的异常行为识别方法技术

本发明专利技术提出了一种基于RGB‑D数据建立超平面的异常行为识别方法。该方法为：首先利用RGB‑D摄像头获取训练集，形成带有深度、时间帧的骨骼图；其次对数据进行特征分析，筛除冗余数据，将数据分类并打上标签；然后使用oneclass算法对已分类的数据进行训练，得到训练边界；最后计算测试样本的边界，与训练边界进行对比，得出判决函数，判断测试样本是否为异常行为。本发明专利技术结合RGB‑D处理技术，得到人体的骨骼框架，同时利用机器学习中的特征选取方法，可以更好地处理得到的数据，具有方法简单、处理速度快、计算精度高、实用性强的优点。

An Abnormal Behavior Recognition Method Based on RGB-D Data to Establish Hyperplane

The invention proposes an anomalous behavior recognition method based on RGB D data to establish hyperplane. The method is as follows: firstly, the training set is acquired by RGB D camera, and the skeleton map with depth and time frame is formed; secondly, the data is analyzed by feature, the redundant data is filtered out, the data is classified and labeled; secondly, the classified data is trained by oneclass algorithm, and the training boundary is obtained; finally, the boundary of the test sample is calculated and compared with the training boundary. A decision function is given to determine whether the test sample is abnormal. The skeleton frame of the human body is obtained by combining RGB D processing technology, and the data obtained can be better processed by using the feature selection method in machine learning. The method has the advantages of simple method, fast processing speed, high calculation accuracy and strong practicability.

【技术实现步骤摘要】
一种基于RGB-D数据建立超平面的异常行为识别方法
本专利技术涉及RGB-D摄像头取样
，特别是一种基于RGB-D数据建立超平面的异常行为识别方法。
技术介绍
随着新兴RGB-D摄像头技术的问世，人们已经可以做到更为详细的行为识别分析，其中RGB-D技术的特点是：1)将从红外发射器的红外线脉冲遇到物体反射回来的时间差，换算成到物体的距离。2)DepthMap(深度图)是指包含视点到场景对象表面的距离信息的图像或图像通道，它的每个像素值是传感器到物体的实际距离。3)摄像头的成本不高，可以广泛应用。4)相比较传统图像技术，应用范围更加广阔。RGB-D技术的快速发展，引申出一些列值得探讨的学科交叉应用，在对此方法的研究和实践过程中，使用RGB-D技术进行异常行为识别，在很多应用场合有重要作用，例如在银行的安全领域，通过计算机判断是否有异常的行为来代替人工摄像头监督，或辅助人工进行安全预警，人员排查等；在智能交通中，通过算法分析，可以更加精细化人员流量，由于孩子与成人的骨骼框架不同，老人与青年人的行动方式不同，行动采样得到的帧也不同，在未来的智慧城市中，可以据此做多流量的精细化处理，更好地辅助交通等方面的城市建设。目前存在的问题是并没有将RGB-D技术与异常行为的识别进行结合，同时也没有好的方法来辅助分析的实施，导致无法应用到实践。
技术实现思路
本专利技术的目的在于提供一种基于RGB-D数据建立超平面的异常行为识别方法，能够在RGB-D数据的基础上，进行数据处理建模，迅速建立决策边界，识别异常行为。实现本专利技术目的的技术解决方案为：一种基于RGB-D数据建立超平面的异常行为识别方法，包括以下步骤：步骤1，利用RGB-D摄像头获取训练集，形成带有深度、时间帧的骨骼图；步骤2，对数据进行特征分析，筛除冗余数据，将数据分类并打上标签；步骤3，使用oneclass算法对已分类的数据进行训练，得到训练边界；步骤4，计算测试样本的边界，与训练边界进行对比，得出判决函数，判断测试样本是否为异常行为。进一步地，步骤1中所述的利用RGB-D摄像头获取训练集，形成带有深度、时间帧的骨骼图，具体如下：步骤1.1、调用已有的RGB-D摄像头接口API直接获取数据，数据中标明25个身体关节的关节坐标，以脊椎为1号主节点建立坐标系；步骤1.2、每个关节的3个action标记代表自身的X,Y方向和到摄像头的深度D，将数据中有关于时间帧数的记录作为索引。进一步地，步骤2中所述的对数据进行特征分析，筛除冗余数据，将数据分类并打上标签，具体如下：步骤2.1、剔除异常节点，重新分析节点对得到的数据进行滤波，计算横轴关节点在所建立坐标系中的X值与关节点在坐标系中的Y值，计算扩散值T，T＝X-Y，筛除T>0.8的数据；步骤2.2、过滤异常帧数对样本进行正态样本分析，得到上四分位数Qu、下四分位数Ql，计算帧数分布IQR，其中IQR＝Qu-Ql，筛除小于Ql-1.5IQR和大于Qu+1.5IQR的值；步骤2.3、降低维度对数据特征采用pca方法进行降维，具体为：计算不用样本时每一帧数、节点、坐标的平均值mean，得到样本与mean之差的cov协方差矩阵，求得特征向量的特征值，对样本进行分析得到具体特征值的数量，对数据特征进行降维处理。进一步地，步骤3中所述的使用oneclass算法对已分类数据进行训练，得到训练边界，具体为：步骤3.1、样本核函数映射将输入的数据集过核函数映射到特征空间H：k(x,y)＝(Φ(x)·Φ(y))其中，x、y为特征空间下的两个数据样本，Φ为将低维映射到高维的核映射，k(x,y)为在高维下两个样本的内积；步骤3.2、计算样本与坐标原点的距离利用松弛变量ξi，求解如下二次规划问题：(w·Φ(x))≥ρ-ξi，ξi≥0其中，为目标函数，为了求哪一个样本到决策边界的最小；定义决策平面的垂直法向量w，松弛变量ξi为目标函数的惩罚项，x为特征空间下的样本；(w·Φ(x))≥ρ-ξi为求解的约数条件；v∈(0,1)为平衡参数，用来最大化坐标原点到正常样本数据集之间的距离，并保证正常样本的分类正确。进一步地，步骤4中所述的计算测试样本的边界，与训练边界进行对比，得出判决函数，判断测试样本是否为异常行为，具体如下：步骤4.1、计算测试样本的边界：将测试样本使用步骤1、步骤2、步骤3的过程进行采样和数据处理，得到测试样本的边界；步骤4.2、计算ρ值：步骤4.3、计算判决函数：对于给定的特征向量X，如果结果f(x)>0，本样本属于class+1，即属于正常样本；如果f(x)<0，则属于异常样本。本专利技术与现有技术相比，其显著优势在于：(1)结合最新的RGB-D处理技术，得到人体的骨骼框架，同时利用机器学习中的特征选取方法，可以更好的处理得到的数据，在特征选取方面，对特征进行分析，对帧进行处理，也同样给出简易的特殊噪声的处理方法，可以更加方便进行数据处理；(2)oneclass算法结合数据处理异常边界获取方法，对于分类不明确，分类总数多而只需要单一辨别异常类有良好的作用，可以快速得到决策边界，以简单实用的方法处理日常生活中的日常行为；(3)应用场合多样，可以广泛用于交通、银行、警务等方面的异常处理问题，改善了目前单一的人工区分异常行为问题，提高了工作的效率，有更加广泛的实用性，提高了异常处理的精确度。附图说明图1为本专利技术基于RGB-D数据建立超平面的异常行为识别方法的流程图。图2为本专利技术中的RGB-D骨骼框架图。图3为本专利技术中的oneclass分类样图。具体实施方式结合图1，本专利技术基于RGB-D数据建立超平面的异常行为识别方法，包括以下步骤：步骤1，利用RGB-D摄像头获取训练集，形成带有深度、时间帧的骨骼图；步骤2，对数据进行特征分析，筛除冗余数据，将数据分类并打上标签；步骤3，使用oneclass算法对已分类的数据进行训练，得到训练边界；步骤4，计算测试样本的边界，与训练边界进行对比，得出判决函数，判断测试样本是否为异常行为。进一步地，步骤1中所述的利用RGB-D摄像头获取训练集，形成带有深度、时间帧的骨骼图，具体如下：步骤1.1、调用已有的RGB-D摄像头接口API直接获取数据，数据中标明25个身体关节的关节坐标，以脊椎为1号主节点建立坐标系；步骤1.2、每个关节的3个action标记代表自身的X,Y方向和到摄像头的深度D，将数据中有关于时间帧数的记录作为索引。进一步地，步骤2中所述的对数据进行特征分析，筛除冗余数据，将数据分类并打上标签，具体如下：步骤2.1、剔除异常节点，重新分析节点对得到的数据进行滤波，计算横轴关节点的在步骤1.2所建立坐标系中的X值与关节点在坐标系中的Y值，计算扩散值T，T＝X-Y，筛除T>0.8的数据。步骤2.2、过滤异常帧数对样本进行正态样本分析，得到上四分位数Qu、下四分位数Ql，计算帧数分布IQR，其中IQR＝Qu-Ql，筛除小于Ql-1.5IQR和大于Qu+1.5IQR的值；步骤2.3、降低维度对数据特征采用pca方法进行降维，具体为：计算不用样本时每一帧数、节点、坐标的平均值mean，得到样本与mean之差的cov协方差矩阵，求得特征向量的特征值本文档来自技高网...

【技术保护点】
1.一种基于RGB‑D数据建立超平面的异常行为识别方法，其特征在于，包括以下步骤：步骤1，利用RGB‑D摄像头获取训练集，形成带有深度、时间帧的骨骼图；步骤2，对数据进行特征分析，筛除冗余数据，将数据分类并打上标签；步骤3，使用oneclass算法对已分类的数据进行训练，得到训练边界；步骤4，计算测试样本的边界，与训练边界进行对比，得出判决函数，判断测试样本是否为异常行为。

【技术特征摘要】
1.一种基于RGB-D数据建立超平面的异常行为识别方法，其特征在于，包括以下步骤：步骤1，利用RGB-D摄像头获取训练集，形成带有深度、时间帧的骨骼图；步骤2，对数据进行特征分析，筛除冗余数据，将数据分类并打上标签；步骤3，使用oneclass算法对已分类的数据进行训练，得到训练边界；步骤4，计算测试样本的边界，与训练边界进行对比，得出判决函数，判断测试样本是否为异常行为。2.根据权利要求1所述的基于RGB-D数据建立超平面的异常行为识别方法，其特征在于，步骤1中所述的利用RGB-D摄像头获取训练集，形成带有深度、时间帧的骨骼图，具体如下：步骤1.1、调用已有的RGB-D摄像头接口API直接获取数据，数据中标明25个身体关节的关节坐标，以脊椎为1号主节点建立坐标系；步骤1.2、每个关节的3个action标记代表自身的X，Y方向和到摄像头的深度D，将数据中有关于时间帧数的记录作为索引。3.根据权利要求1所述的基于RGB-D数据建立超平面的异常行为识别方法，其特征在于，步骤2中所述的对数据进行特征分析，筛除冗余数据，将数据分类并打上标签，具体如下：步骤2.1、剔除异常节点，重新分析节点对得到的数据进行滤波，计算横轴关节点在所建立坐标系中的X值与关节点在坐标系中的Y值，计算扩散值T，T＝X-Y，筛除T＞0.8的数据；步骤2.2、过滤异常帧数对样本进行正态样本分析，得到上四分位数Qu、下四分位数Ql，计算帧数分布IQR，其中IQR＝Qu-Ql，筛除小于Ql-1.5IQR和大于Qu+1.5IQR的值；步骤2.3、降低维度对数据特征采用pca方法进行降维，具体为：计算不用样本时每一...

【专利技术属性】
技术研发人员：董潇，李千目，侯君，张静，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏,32