一种基于视觉的人体状态判断算法制造技术

本发明专利技术公开了一种基于视觉的人体状态判断算法，属于计算机视觉技术领域，包括运动人体检测、特征提取与描述、行为识别，特征提取与描述具体步骤如下：S1，获取原始图像，由运动检测算法得到原始图像的前景二值图，作为光流计算区域；S2，将所述光流计算区域进行黑边填补，得到正方形光流图，再用4x4的网格划分成16等分，每个区域取其光流平均值，最后用一个16维的向量表示这帧图片的光流向量；假设从该帧得到的剪影特征向量为s，光流特征向量为0，则两者的融合特征V＝[s；0]；本发明专利技术结构简单、使用方便，提高了行为识别的准确度，且快速快速特征融合方法降低了特征提取的复杂度和特征维数，实用性强，适合推广使用。

An algorithm of human body state judgment based on vision

The invention discloses a human body state judgment algorithm based on vision, which belongs to the technical field of computer vision, including moving human body detection, feature extraction and description, and behavior recognition. The specific steps of feature extraction and description are as follows: S1, obtain the original image, obtain the foreground binary image of the original image by the motion detection algorithm as the optical flow calculation area; S2, calculate the optical flow The area is filled with black edges to obtain a square optical flow graph, which is divided into 16 equal parts by a 4x4 mesh. The average optical flow value of each area is taken, and finally a 16 dimensional vector is used to represent the optical flow vector of the frame. Assuming that the clipping feature vector obtained from the frame is s and the optical flow feature vector is 0, the fusion feature V of the two is [S; 0]; the invention has simple structure and convenient use, and provides The method of fast and fast feature fusion reduces the complexity and dimension of feature extraction. It is practical and suitable for popularization.

【技术实现步骤摘要】
一种基于视觉的人体状态判断算法
本专利技术涉及计算机视觉
，尤其涉及一种基于视觉的人体状态判断算法。
技术介绍
基于视觉的人体状态判断，是指通过摄像机获取人的运动视频，用计算机技术进行处理，最终使计算机能够判断和描述人的行为。基于视觉的人体状态判断是涉及到计算机视觉、机器学习、心理学、人体运动学等多个学科的重要研究领域。随着计算机软硬件技术的发展，以及市场对安全设备需求的提升，行为分析正受到越来越多的关注和研究。基于视觉的人体状态识别可用于家庭居住安全系统以及医疗监护系统中。智能监护系统能对被监护人的行为举止进行分析，当监护人发生异常状况时，能够及时检测到异常情况并警报，这对人体的生命安全至关重要。特征提取是人体状态判断过程中的关键步骤，将直接关系到下一步行为识别模型的表现情况。目前基于视觉的行为识别中，外形特征和运动特征是两种较常用的特征，它们有着各自的优缺点。近年来出现了基于外形特征和光流的融合特征，兼具两者的优点，提高了识别的准确率，但同时也增加了特征提取的复杂度，算代价高，识别速度慢。因此，针对上述问题提出一种基于视觉的人体状态判断算法。
技术实现思路
本专利技术的目的就在于为了解决上述人体状态判断过程中特征提取的复杂度高且识别速度慢的问题而提供一种基于视觉的人体状态判断算法，具有高灵活性和高度可扩展性的优点。为实现上述目的，本专利技术采用如下技术方案：本专利技术保护一种基于视觉的人体状态判断算法，包括运动人体检测、特征提取与描述、行为识别，特征提取与描述具体步骤如下：S1，获取原始图像，由运动检测算法得到原始图像的前景二值图，作为光流计算区域；S2，将所述光流计算区域进行黑边填补，得到正方形光流图，再用4x4的网格划分成16等分，每个区域取其光流平均值，最后用一个16维的向量表示这帧图片的光流向量；假设从该帧得到的剪影特征向量为s，光流特征向量为0，则两者的融合特征V＝[s；0]；行为识别，建立于SVM—HMM模型，通过该模型对测试视屏中的原始图像进行识别，判断人体各部分相对其他部分所处的位置，从而得出状态结果。进一步的技术方案，获取原始图像的方法如下：将获取的人体完整图像至少分为八个部分，包括头部、肩膀两端、躯干、四肢，形成至少八张原始图像。进一步的技术方案，所述运动人体检测采用视觉背景抽取算法，且视觉背景抽取算法中的距离阈值为自适应阈值。进一步的技术方案，所述状态结果包括躺、坐、靠、直立、行走、蹲、跑。本专利技术还保护一种基于视觉的人体状态判断系统，包括数据驱动层，数据驱动层负责视频数据的读取和其它训练数据的保存，由数据管理和数据访问两个模块组成；系统核心层，包含图像预处理模块、运动人体检测模块、特征提取与描述模块、行为识别模块；界面管理层，包括用户界面模块，负责给所有功能模块提供一个“容器”，负责接收用户消息并传递给下层的系统核心层、数据驱动层，从而完成用户交互并实时向用户显示系统运行状态；其中，所述图像预处理模块、所述运动人体检测模块、所述特征提取与描述模块、所述行为识别模块构成人体状态判断系统；所述人体状态判断系统包括：行为训练子系统，包括运动人体检测和分割模块、基于剪影和光流的融合特征提取模块、基于SVM.HMM分层模型的训练模块，用于完成对行为视频库中的训练视频数据的训练，以得到行为的识别模型；行为识别子系统，包括运动人体检测、分割模块和特征提取与融合模块、识别模块、行为报警记录及查询模块，用于完成对摄像头获取的视频中人体状态的识别，在检测到异常行为后发出警报，并记录异常行为发牛的时间与当时的视频片段。本专利技术与现有技术相比，具有如下显著优点：1、该种基于视觉的人体状态判断算法，在人体状态判断过程中采用基于网格的快速特征融合方法，提取了剪影和光流的混合特征，提高了行为识别的准确度，且快速快速特征融合方法降低了特征提取的复杂度和特征维数。2、该种基于视觉的人体状态判断算法将的SVM.HMM模型应用于人体状态识别，由于SVM有更强的分类能力，结合HMM对时间序列优秀的建模能力，提高了对短序列和长序列动作视频识别性能。3、本专利技术的结构简单、使用方便，针对医疗监护系统的应用环境，设计实现了人体状态判断系统，系统能在固定场景，侧面视角下识别出躺、坐、靠、直立等人体状态，在检测到异常行为时能发出警报，并记录发生的时问和当时的视频片段，实用性强，适合推广使用。附图说明图1为光流融合示意图。图2为人体状态判断系统示意图。图3为行为训练子系统示意图。图4为行为识别子系统示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。参阅图1所示，一种基于视觉的人体状态判断算法，包括运动人体检测、特征提取与描述、行为识别，特征提取与描述具体步骤如下：S1，获取原始图像，由运动检测算法得到原始图像的前景二值图，作为光流计算区域；S2，将所述光流计算区域进行黑边填补，得到正方形光流图，再用4x4的网格划分成16等分，每个区域取其光流平均值，最后用一个16维的向量表示这帧图片的光流向量；假设从该帧得到的剪影特征向量为s，光流特征向量为0，则两者的融合特征V＝[s；0]；行为识别，建立于SVM—HMM模型，通过该模型对测试视屏中的原始图像进行识别，判断人体各部分相对其他部分所处的位置，从而得出状态结果。SVM模型，即支持向量机，是一类按监督学习方式对数据进行二元分类的广义线性分类器，其决策边界是对学习样本求解的最大边距超平面。HMM模型，即隐马尔可夫模型，是统计模型，它用来描述一个含有隐含未知参数的马尔可夫过程。其难点是从可观察的参数中确定该过程的隐含参数。然后利用这些参数来作进一步的分析，例如模式识别。获取原始图像的方法如下：将获取的人体完整图像至少分为八个部分，包括头部、肩膀两端、躯干、四肢，形成至少八张原始图像。所述运动人体检测采用视觉背景抽取算法，且视觉背景抽取算法中的距离阈值为自适应阈值。所述状态结果包括躺、坐、靠、直立、行走、蹲、跑。参阅图2-4所示，一种基于视觉的人体状态判断系统，包括数据驱动层，数据驱动层负责视频数据的读取和其它训练数据的保存，由数据管理和数据访问两个模块组成；系统核心层，包含图像预处理模块、运动人体检测模块、特征提取与描述模块、行为识别模块；界面管理层，包括用户界面模块，负责给所有功能模块提供一个“容器”，负责接收用户消息并传递给下层的系统核心层、数据驱动层，从而完成用户交互并实时向用户显示系统运行状态；其中，所述图像本文档来自技高网...

【技术保护点】
1.一种基于视觉的人体状态判断算法，包括运动人体检测、特征提取与描述、行为识别，其特征在于：/n特征提取与描述具体步骤如下：/nS1，获取原始图像，由运动检测算法得到原始图像的前景二值图，作为光流计算区域；/nS2，将所述光流计算区域进行黑边填补，得到正方形光流图，再用4x4的网格划分成16等分，每个区域取其光流平均值，最后用一个16维的向量表示这帧图片的光流向量；假设从该帧得到的剪影特征向量为s，光流特征向量为0，则两者的融合特征V＝[s；0]；/n行为识别，建立于SVM—HMM模型，通过该模型对测试视屏中的原始图像进行识别，判断人体各部分相对其他部分所处的位置，从而得出状态结果。/n

【技术特征摘要】
1.一种基于视觉的人体状态判断算法，包括运动人体检测、特征提取与描述、行为识别，其特征在于：
特征提取与描述具体步骤如下：
S1，获取原始图像，由运动检测算法得到原始图像的前景二值图，作为光流计算区域；
S2，将所述光流计算区域进行黑边填补，得到正方形光流图，再用4x4的网格划分成16等分，每个区域取其光流平均值，最后用一个16维的向量表示这帧图片的光流向量；假设从该帧得到的剪影特征向量为s，光流特征向量为0，则两者的融合特征V＝[s；0]；
行为识别，建立于SVM—HMM模型，通过该模型对测试视屏中的原始图像进行识别，判断人体各部分相对其他部分所处的位置，从而得出状态结果。


2.根据权利要求1所述的一种基于视觉的人体状态判断算法，其特征在于，获取原始图像的方法如下：
将获取的人体完整图像至少分为八个部分，包括头部、肩膀两端、躯干、四肢，形成至少八张原始图像。


3.根据权利要求1所述的一种基于视觉的人体状态判断算法，其特征在于：所述运动人体检测采用视觉背景抽取算法，且视觉背景抽取算法中的距离阈值为自适应阈值。


4.根据权利要求1所述的一种基于视觉的人体状态判断算...

【专利技术属性】
技术研发人员：曾新华，洪伟，管一鸣，
申请(专利权)人：安徽澄小光智能科技有限公司，
类型：发明
国别省市：安徽;34