一种基于监控视频的直方图结合熵的异常行为检测方法技术

本发明专利技术公开了一种基于监控视频的直方图结合熵的异常行为检测方法，具体按照以下步骤实施：步骤1、密集光流提取光流信息：选用Farneback密集光流算法提取运动区域内的光流信息；步骤2、将步骤1获取的光流信息统计成方向幅值直方图，并计算直方图的方向熵，幅值熵，速度方差；步骤3、采用直方图方向熵，幅值熵和速度方差的乘积计算出用于表示行为混乱程度的结合熵S；步骤4、根据结合熵S的大小确定是否存在异常行为，结合熵S越大发生异常行为的可能性越大。解决了现有技术中存在的检测率低的问题。问题。问题。

【技术实现步骤摘要】
一种基于监控视频的直方图结合熵的异常行为检测方法


[0001]本专利技术属于智能视频监控
，涉及一种基于监控视频的直方图结合熵的异常行为检测方法。

技术介绍

[0002]目前，异常行为通常被定义为运动速度快，方向混乱的奔跑、打斗、抢劫行为，将行走定义为正常行为。
[0003]近年来，很多公共场合经常发生一些打斗、抢劫等快速的带有违法犯罪性质的行为，如停车场，火车站等，这些行为严重扰乱了社会公共秩序同时也可能对人们造成人身伤害和财产损失。为了把危害降到最低，视频监控的研究越来越受到人们的关注。停车场、火车站等各种公共场所都安装了摄像头，保障了社会安全。在一些人流量大的公共场所，智能监控系统可以有效地确保人身和财产的安全，并在出现异常情况时迅速向人们发出警告。
[0004]人体异常行为通常表现为运动速度和运动方向异常，光流法是一种典型的传统提取特征的方法，它的优点是可以在不知道场景信息的情况下准确地检测出运动目标的位置。当摄像机运动时仍然适用，光流法是提取运动目标方向和运动速度的一种有效方法。

技术实现思路

[0005]本专利技术的目的是提供一种基于监控视频的直方图结合熵的异常行为检测方法，解决了现有技术中存在的检测率低的问题。
[0006]本专利技术所采用的技术方案是，一种基于监控视频的直方图结合熵的异常行为检测方法，具体按照以下步骤实施：
[0007]步骤1、密集光流提取光流信息：选用Farneback密集光流算法提取运动区域内的光流信息；
[0008]步骤2、将步骤1获取的光流信息统计成方向幅值直方图，并计算直方图的方向熵，幅值熵，速度方差；
[0009]步骤3、采用直方图方向熵，幅值熵和速度方差的乘积计算出用于表示行为混乱程度的结合熵S；
[0010]步骤4、根据结合熵S的大小确定是否存在异常行为，结合熵S越大发生异常行为的可能性越大。
[0011]本专利技术的特点还在于：
[0012]步骤1具体按照以下实施：在OpenCV中，使用calcOpticalFlowFarneback ()API进行密集光流的计算，将calcOpticalFlowFarneback的具体功能参数设置为(prvs,next,None,0.5,3,15,3,5,1.2,0)，第一个参数代表输入上一帧图像，第二个参数代表输入下一帧图像，第三个参数代表输出的光流，第四个参数代表金字塔上下两层之间的尺度关系，第五个参数代表金字塔层数，第六个参数代表均值窗口尺寸，第七个参数代表迭代次数，第八个参数代表像素邻域范围大小，第九个参数代表高斯标准偏差，第十个参数flag，代表计算
的方法。
[0013]步骤2具体按照以下步骤实施：
[0014]步骤2.1：平面直角坐标转换成极坐标
[0015]由Farneback密集光流算法计算的帧间光流场是视频图像的原有特征，光流矢量可以由代表光流矢量空间位置信息的四维向量(x,y,u,v)表示，(x,y) 代表图像光流矢量的空间位置信息，(u,v)分别代表水平方向和垂直方向上的光流矢量大小，将光流矢量分量(u,v)从平面直角坐标形式转换成极坐标下的 (r,θ)形式，经过计算分析可以得到光流的大小光流的方向
[0016]步骤2.2：利用Matlab软件将光流信息转化为方向幅值直方图；
[0017]步骤2.3：计算直方图的方向熵、幅值熵和速度方差；
[0018]设第i区间的幅值为h
i
，i区间的方向次数总和为s
i
，第i区间所对应的速度为在计算方向熵和幅值熵之前，首先计算每个区间方向和幅值的概率，计算公式如下：
[0019][0020][0021]S
dir
：方向幅值直方图方向次数的总和；
[0022]S
hyp
：方向幅值直方图幅值的总和；
[0023]方向熵、幅值熵和速度方差计算公式如下：
[0024]方向熵：
[0025]幅值熵：
[0026]速度方差：
[0027]步骤2.2具体为：在使用方向幅值直方图来描述人体运动过程中的行为时，将横坐标设置为12个区段，每个区段的大小为纵坐标表示每个区段上幅值大小的累加值。
[0028]步骤3具体按照以下实施：将方向熵、幅值熵和速度方差整合成结合熵 S，表示为以下表达式：
[0029]S＝E
S
×
E
h
/D
V
ꢀꢀꢀ
(6)。
[0030]本专利技术的有益效果是：本专利技术一种基于监控视频的直方图结合熵的异常行为检测方法，解决了现有技术中存在的检测率低、计算方法繁琐的问题。选择密集的光流计算方法获得运动区域中的光流信息，然后通过分析运动区域中光流的特征判断是否存在异常行为。光流法不需要事先获得图像背景，计算结果不受外部环境的影响，只取决于连续帧的相对运动。引入了熵的概念。熵在热力学中用来描述物质的状态，其物理含义是系统的混沌程度。当异常行为发生时，身体各部位会出现方向混乱等特征，因此熵值是否大于某一阈值可以用来判断是否存在异常行为。
附图说明
[0031]图1是本专利技术一种基于监控视频的直方图结合熵的异常行为检测方法的流程图；
[0032]图2是本专利技术一种基于监控视频的直方图结合熵的异常行为检测方法的技术路线图；
[0033]图3a是本专利技术一种基于监控视频的直方图结合熵的异常行为检测方法的正常行走结合熵S变化曲线；
[0034]图3b是本专利技术一种基于监控视频的直方图结合熵的异常行为检测方法的奔跑行为结合熵S变化曲线；
[0035]图3c是本专利技术一种基于监控视频的直方图结合熵的异常行为检测方法的打斗行为结合熵S变化曲线；
[0036]图3d是本专利技术一种基于监控视频的直方图结合熵的异常行为检测方法的抢劫行为结合熵S变化曲线。
具体实施方式
[0037]下面结合附图和具体实施方式对本专利技术进行详细说明。
[0038]本专利技术一种基于监控视频的直方图结合熵的异常行为检测方法，如图1 和图2所示，具体按照以下步骤实施：
[0039]步骤1、密集光流提取光流信息：选用Farneback密集光流算法提取运动区域内的光流信息；
[0040]步骤1具体按照以下实施：在OpenCV中，使用calcOpticalFlowFarneback ()API进行密集光流的计算，将calcOpticalFlowFarneback的具体功能参数设置为(prvs,next,None,0.5,3,15,3,5,1.2,0)，第一个参数代表输入上一帧图像，第二个参数代表输入下一帧图像，第三个参数代表输出的光流，第四个参数代表金字塔上下两层之间的尺度关系，第五个参数代表金字塔层数，第六个参数代表均值窗口尺寸，第七个参数代表迭代次数，第八个参数代表像素邻域范围大小，第九个参数代表高斯标准偏差，第十个参数flag，代表计本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于监控视频的直方图结合熵的异常行为检测方法，其特征在于，具体按照以下步骤实施：步骤1、密集光流提取光流信息：选用Farneback密集光流算法提取运动区域内的光流信息；步骤2、将步骤1获取的光流信息统计成方向幅值直方图，并计算直方图的方向熵，幅值熵，速度方差；步骤3、采用直方图方向熵，幅值熵和速度方差的乘积计算出用于表示行为混乱程度的结合熵S；步骤4、根据结合熵S的大小确定是否存在异常行为，结合熵S越大发生异常行为的可能性越大。2.根据权利要求1所述的一种基于监控视频的直方图结合熵的异常行为检测方法，其特征在于，所述步骤1具体按照以下实施：在OpenCV中，使用calcOpticalFlowFarneback()API进行密集光流的计算，将calcOpticalFlowFarneback的具体功能参数设置为(prvs,next,None,0.5,3,15,3,5,1.2,0)，第一个参数代表输入上一帧图像，第二个参数代表输入下一帧图像，第三个参数代表输出的光流，第四个参数代表金字塔上下两层之间的尺度关系，第五个参数代表金字塔层数，第六个参数代表均值窗口尺寸，第七个参数代表迭代次数，第八个参数代表像素邻域范围大小，第九个参数代表高斯标准偏差，第十个参数flag，代表计算的方法。3.根据权利要求1所述的一种基于监控视频的直方图结合熵的异常行为检测方法，其特征在于，所述步骤2具体按照以下步骤实施：步骤2.1：平面直角坐标转换成极坐标由Farneback密集光流算法计算的帧间光流场是视频图像的原有特征，光流矢量可以由代表光流矢量空间位置信息的四维向量(x,y,u,v)表示，(x,y)代表图像光流矢量的空间位置...

【专利技术属性】
技术研发人员：钱慧芳，郑萌萌，周璇，
申请(专利权)人：西安工程大学，
类型：发明
国别省市：