复杂环境下的人为行动识别方法技术

本发明专利技术一种复杂环境下的人为行动识别方法，其步骤包括：对指定区域光线强度划分多个等级，对每个光线强度等级建立背景序列BG

【技术实现步骤摘要】
复杂环境下的人为行动识别方法


[0001]本专利技术属于人体行为识别
，特别涉及一种复杂环境下的人为行动识别方法。

技术介绍

[0002]每年，世界各地的大桥上，都会有很多人意外的事件发生。但无法确认意外发生的过程，因此，通过摄像头进行监控，但目前，监控过程还不够成熟，主要表现在识别性能上，在不同光照和恶劣条件等复杂背景环境下，识别的准确率较低。
[0003]因此，有必要提供一种复杂环境下的人为行动识别方法来克服上述问题。

技术实现思路

[0004]本专利技术的目的是提供一种复杂环境下的人为行动识别方法，提高在各种光照环境和恶劣天气等复杂背景下人为行动识别的准确率。
[0005]为实现上述目的，本专利技术采用技术方案：一种复杂环境下的人为行动识别方法，其步骤包括：
[0006]第一步骤，对指定区域光线强度划分多个等级，对每个光线强度等级建立背景序列BG
N
，并保存光线强度相对应的视频帧BP
N
；
[0007]第二步骤，读取当前的一帧视频F，并通过传感器读取当前光照强度，确定当前帧视频F对应的光照强度G；
[0008]第三步骤，判断光照强度G对应的背景队列长度是否小于预设值，如果小于预设值，那么把当前帧视频F加入背景队列，并更新背景图片BP
N
；如果大于预设值，则不更新原背景队列；
[0009]第四步骤，获取指定区域中的目标运动轮廓图形，并得到整个完整运动目标的图像；
[0010]第五步骤，将当前帧F与背景图片BP
N
进行叠加后得到新的图片F
’
；叠加规则：当含有完整运动目标的图像R
n
的灰度值达到指定值时，该点的像素值取当前帧F的像素值，否则取背景图片的像素值；
[0011]第六步骤，将叠加后的图片F
’
送入预先训练好的用于人为行动检测的Fast R
‑
CNN网络，检测是否有人为行动。
[0012]与现有技术相比，本专利技术复杂环境下的人为行动识别方法，本专利技术采用亮度分级的方法，提高了检测算法的鲁棒性。在更新背景图片的时候，真正的背景肯定是长期不变的，利用这个特点，采用密度聚类的方法，对多个视频帧中每个像素点进行分类，能够精确地提取出真正的背景。在送入检测网络识别前，将运动目标叠加到背景图片中，有效地减少了复杂背景对检测网络的影响，提高了人为行动识别的准确率。
附图说明
[0013]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，其中：
[0014]图1是本专利技术复杂环境下的人为行动识别方法的流程图。
具体实施方式
[0015]下面结合附图对本专利技术作详细的描述，但是应该强调的是，下面的实施方式只是示例性的，而不是为了限制本专利技术的范围及应用。
[0016]请参看图1，本专利技术为一种复杂环境下的人为行动识别方法，其包括如下步骤：
[0017]第一步骤，对指定区域光线强度划分多个等级，对每个光线强度等级建立背景序列BG
N
，并保存光线强度相对应的视频帧BP
N
。
[0018]具体的，划定桥面感兴趣指定区域ROI，并按照光照强度大小将环境光照强度划分为8个等级，等级越高光照强度越大。为每个光照强度等级建立一个背景队列BG1，BG2，
……
，BG8，队列中保存晴朗环境下的视频帧，以及8个背景图片BP1，BP2，
……
，BP8。
[0019]第二步骤，读取当前的一帧视频F，并通过传感器读取当前光照强度，确定当前帧视频F对应的光照强度G。
[0020]第三步骤，判断光照强度G对应的背景队列长度是否小于预设值，如果小于预设值，那么把当前帧视频F加入背景队列，并更新背景图片BP
N
。如果大于预设值，则不更新原背景队列。
[0021]具体的，光照强度G跟天气状况有关，通过天气API读取当前天气状况。如果天气晴朗，再判断光照强度G对应的背景队列BG
N
的长度是否小于预设值50000，如果小于预设值，那么把当前帧视频F加入背景队列BG
N
，并更新背景图片BP
N
。
[0022]更新背景图片的方法：首先，背景队列BG
N
中设定N个视频帧，每个视频帧的尺寸大小a*b，一共具有a*b个像素点，分别为P1，P2，
……
，P
a*b
，背景图片BP
N
的尺寸大小a*b。
[0023]假设背景队列BG
N
中有1000个视频帧，每个视频帧的尺寸大小都是200*200，一共有40000个像素点P1，P2，
……
，P
40000
，背景图片BP
N
的尺寸大小也是200*200，也有40000个像素点。
[0024]其次，由于每个像素点都有RGB三个通道，建立三个维度分别为R、G、B的坐标系，需要更新背景图片中每个像素点的RGB值，背景队列中有N个(N＝1000个)视频帧，每个位置就对应了N个(N＝1000个)像素点P
k
‑1，P
k
‑2，
……
，P
k
‑
1000
。采用密度聚类的算法，对这N个(N＝1000个)点进行分类，选择点的数量最多的那个类，将这个类的中心点坐标作为背景图片中P
k
这个点的像素值。每个像素点都做同样的操作后，就能得到更新后的背景图片BP
N
。
[0025]第四步骤，获取指定区域ROI中的目标运动轮廓图形，并得到整个完整运动目标的图像。
[0026]其步骤包括，步骤41：设定视频序列中第n帧和第n
‑
1帧图像为f
n
和f
n
‑1，两帧对应像素点的灰度值记为f
n
(x，y)和f
n
‑1(x，y)，将两帧图像对应像素点的灰度值进行相减，并取其绝对值，得到差分图像D
n
：
[0027]D
n
(x,y)＝|f
n
(x,y)
‑
f
n
‑1(x,y)|；
[0028]步骤42：设定阈值T，逐个对像素点进行二值化处理，得到二值化图像R
n
'。其中，灰
度值到达一个指定值(例如255)的点即为运动目标点，灰度值为0的点即为背景点；对图像R
n
'进行连通性分析，最终可得到含有完整运动目标的图像R
n
。
[0029][0030]第五步骤，将当前帧F与背景图片BP
N
进行叠加后得到新的图片F
’
。叠加规则如下：本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种复杂环境下的人为行动识别方法，其特征在于，其步骤包括：第一步骤，对指定区域光线强度划分多个等级，对每个光线强度等级建立背景序列BG
N
，并保存光线强度相对应的视频帧BP
N
；第二步骤，读取当前的一帧视频F，并通过传感器读取当前光照强度，确定当前帧视频F对应的光照强度G；第三步骤，判断光照强度G对应的背景队列长度是否小于预设值，如果小于预设值，那么把当前帧视频F加入背景队列，并更新背景图片BP
N
；如果大于预设值，则不更新原背景队列；第四步骤，获取指定区域中的目标运动轮廓图形，并得到整个完整运动目标的图像；第五步骤，将当前帧F与背景图片BP
N
进行叠加后得到新的图片F
’
；叠加规则：当含有完整运动目标的图像R
n
的灰度值达到指定值时，该点的像素值取当前帧F的像素值，否则取背景图片的像素值；第六步骤，将叠加后的图片F
’
送入预先训练好的用于人为行动检测的Fast R
‑
CNN网络，检测是否有人为行动。2.如权利要求1所述的复杂环境下的人为行动识别方法，其特征在于，上述第四步骤包括：步骤41：设定视频序列中第n帧和第n
‑
1帧图像为f
n
和f
n
‑1，两帧对应像素点的灰度值记为f
n
(x，y)和f
n
‑1(x，y)，将两帧图像对应...

【专利技术属性】
技术研发人员：赵利林，张华，
申请(专利权)人：宁波极智云数据科技有限公司，
类型：发明
国别省市：