基于运动周期分析的人体异常行为识别方法及装置制造方法及图纸

本发明专利技术公开一种基于运动周期分析的人体异常行为识别方法，其特征在于按以下步骤进行：获取人体运动行为区域，组成人体运动序列；计算序列中人体运动行为区域的一维变化曲线及曲线的频谱图；判断频谱图是否满足周期性条件，三个频谱图都不满足，则为异常行为；有一个满足则为近似周期性行为；提取近似周期性行为的一个运动周期单元；对运动周期单元进行Ｒ变换特征提取；将特征送入单状态隐马尔可夫模型分类器识别；出现异常行为时提醒。一种基于运动周期分析的人体异常行为识别装置，其特征在于：包括有中央处理机构、运动周期提取机构、运动特征提取机构、分类器和异常行为提醒装置。本发明专利技术能在较高的识别率下识别出人体异常行为并报警。

【技术实现步骤摘要】

本专利技术涉及人体异常行为识别方法，具体的说是一种固定场景下，基于运动周期分析的异常行为识别方法及识别该异常行为的装置。
技术介绍
目前摄像头所获取的视频监控信息会在监控室的屏幕上实时显示出来，监控人员 通过观察屏幕上的监控信息，来达到监控异常事件从而报警的目的。由于大多数监控场景 下出现异常事件的时间短且随机，人工监控需要随时观察屏幕上的信息，才能防止漏过异 常事件，监控人员一旦思想松懈，就容易导致漏警，因此人工监控需要监控人员保持高度的 警惕性，这很容易使监控人员疲惫，并且也造成了巨大的人力浪费。 采用智能视频监控系统是未来的发展趋势，而智能视频监控系统的关键技术是人 体异常行为的识别。目前人体异常行为识别的研究还只是局限于简单且已切分好的动作， 对长运动序列的研究比较少。
技术实现思路
人体的行为动作一般分为近似周期性行为和非周期性行为，近似周期性行为是指 一段时间内连续执行两次以上的相同行为，而非周期性行为是指一段时间内只执行一次的 行为。近似周期性行为包括行走、跑等，非周期性行为包括摔倒、突然弯腰等，因为摔倒往往 不可能一段时间内连续摔倒两次以上，所以这样的行为我们称为非周期性行为。对于非周 期性行为，我们认为其是异常行为；对于周期性行为我们定义行走为正常行为，其他行为为 异常行为。 本专利技术的目的是提供一种基于运动周期分析的人体异常行为识别方法及装置，能在较高的识别率下识别出人体异常行为并报警，避免人工监控带来的人力浪费。 为达到上述目的，本专利技术表述一种基于运动周期分析的人体异常行为识别方法，其关键在于按以下步骤进行( — )利用视频捕获装置获取人体运动视频序列，并将该视频序列送入计算机，由 中央处理机构从人体运动视频序列中提取人体运动行为区域，组成人体运动行为序列；人 体运动视频序列的帧数等于人体运动行为序列的帧数，序列中的人体运动行为区域为二值 化图像。 ( 二 )中央处理机构分别计算人体运动行为区域的面积、宽度、高宽比的一维变化 曲线，并对三个参数的一维变化曲线进行傅里叶频谱分析，获得三个曲线的频谱图；所述人 体运动行为区域的宽度、高宽比为人体运动行为区域外切矩形的宽度、高宽比，分析面积、 宽度、高宽比，可以快速的获取人体运动行为周期。(三)中央处理机构分析所述三个频谱图，判断三个频谱图是否满足周期性条件， 所述周期性条件是频谱的能量集中在非0的离散值处； 对于时变序列f (t)，如果其频谱的能量越集中于非原点某几个离散值处，f (t)的4周期性就越强，通过实验分析，具有周期运动的人体区域的面积、宽度、高宽比的变化曲线 类似于正弦规律的周期信号，当我们提取具有周期运动的人体在某一段时间内的行为序列 时，相当于对整个行为序列进行了加窗，则其频谱的能量将集中于某几个离散值(谐波) 处。因此，可根据该条件判定运动行为序列是否是近似周期性运动。 如果三个频谱图都不满足周期性条件，则该人体运动行为是异常行为，异常行为 提醒装置提醒异常行为出现； 如果有一个频谱图满足周期性条件，则该人体运动行为是近似周期性行为； (四)运动周期提取机构确定近似周期性行为的周期，并提取一个运动周期单元， 具体方法如下 A.选择所有满足周期性的频谱图对应的一维变化曲线，并对这些一维变化曲线按下式进行二值化 其中，n表示帧数，h(n)表示一维变化曲线上第n帧对应的参数值，f (n)表示二值 化结果； B.利用中值滤波对二值化后的一维变化曲线进行平滑，得到平滑后的一维变化曲 线； C.舍弃符合舍弃条件的一维变化曲线，所述舍弃条件是如果在一个变化曲线 中，-1到+1变化之前一段连续的-1的个数为l，或者，-l到+1变化之后一段连续的+1的 个数为l，则舍弃这样的曲线； D.从剩下的一维变化曲线中，确定求取周期的最佳变化曲线，最佳变化曲线的确 定方法如下-l到+1变化次数以及+1到-1变化次数之和最小，且该和大于4的一维变化 曲线，即为最佳变化曲线；最佳变化曲线的确定方法可以保证选出的最佳变化曲线具有最 佳的周期，可根据人体运动行为序列的帧数来合理确定-1到+1变化次数以及+1到-1变 化次数之和的下限值。 E.从最佳变化曲线中，确定一个运动周期单元的起始点，两个起始点的距离为一 个周期，两个起始点之间的运动为一个运动周期单元，起始点的确定按如下方法进行 当最佳变化曲线是面积、宽度的一维变化曲线时，起始点是参数值由-l到+l变化 的点； 当最佳变化曲线是高宽比的一维变化曲线时，起始点是参数值由+1到-1变化的 点； F.运动周期提取机构从所述人体运动行为序列中提取出一个运动周期单元； (五)运动特征提取机构对该人体运动行为的一个运动周期单元进行R变换，提取 该人体运动行为的特征数据，并将提取的特征数据进行降维处理； 所述R变换按下式进行 <formula>formula see original document page 5</formula> 上式中，e G ; R变换由Radon变换改进而来。在视频监控中，由于背景常常较为复杂，提取出 <formula>formula see original document page 5</formula>其它的二值化人体运动行为区域不可避免会带有一些噪声，而且人体随视频捕获装置距离的不 同，其大小也会不同。而对于Radon变换而言，无论提取的二值化人体运动行为区域有无阴 影、噪声或者是由于背景差分产生的空洞，其Radon变换都非常相似，而且计算简单。 二值化图像f (x， y)的Radon变换如下式j KO产oO7^ (/ ,= i a<io"{/O, _y) }=丄丄/(x,少)cr(x cos 0 +少sin ^ —f 1, x = 0 其中，9 G ， P G ， o"(;c) = ^ 。(_ 0, e/化 Radon变换的平移、縮放性质如下 Radon {f (x_x0， y-y0)} = TK ( P _x0cos 9 -y0sin 9 ， e )^ifora(/(王,Z》=丄7^(a/ ，e) or a or 由于要对各种行为进行分类识别，考虑人体的局部肢体运动，因此提取的特征需 要保持目标在平移、縮放等情况下的特征不变性，而Radon变换不具有平移、縮放不变性， 因此对Radon变换进行了改进，改进后的Radon变换简称为R变换，其具有平移、縮放不变 性i {/(x — x0，；；-3;0)} = f7^((p —jc0 cos6> —_y0 sin<9),<9>i/ = i (6>) = ~V fX2("/^>^ = A及的 由于e G ，因此人体运动行为序列中的每帧人体运动行为区域经过R 变换后，得到的特征维数都是181维，造成特征维数较大，影响了计算速度，因此需要对它 进行降维处理。所述降维处理采用行投影法。行投影法不仅能保持原始行为特征，还能使 特征维数降低。(六)采用单状态隐马尔可夫模型作为分类器，将提取的特征数据送入该分类器， 对该人体运动行为进行识别； 采用何种分类器是提高人体异常行为识别率和识别速度的关键问题。人体行为识别的关键是考本文档来自技高网...

【技术保护点】
一种基于运动周期分析的人体异常行为识别方法，其特征在于按以下步骤进行：（一）利用视频捕获装置获取人体运动视频序列，并将该视频序列送入计算机，由中央处理机构（１）从人体运动视频序列中提取人体运动行为区域，组成人体运动行为序列；（二）中央处理机构（１）分别计算人体运动行为区域的面积、宽度、高宽比的一维变化曲线，并对三个参数的一维变化曲线进行傅里叶频谱分析，获得三个曲线的频谱图；（三）中央处理机构（１）分析所述三个频谱图，判断三个频谱图是否满足周期性条件，所述周期性条件是：频谱的能量集中在非０的离散值处；如果三个频谱图都不满足，则该人体运动行为是异常行为，异常行为提醒装置（５）提醒异常行为出现；如果有一个频谱图满足，则该人体运动行为是近似周期性行为；（四）运动周期提取机构（２）确定近似周期性行为的周期，并提取一个运动周期单元，具体方法如下：Ａ．选择所有满足周期性的频谱图对应的一维变化曲线，并对这些一维变化曲线按下式进行二值化：＊＊＊其中，ｎ表示帧数，ｈ（ｎ）表示一维变化曲线上第ｎ帧对应的参数值，ｆ（ｎ）表示二值化结果；Ｂ．利用中值滤波对二值化后的一维变化曲线进行平滑，得到平滑后的一维变化曲线；Ｃ．舍弃符合舍弃条件的一维变化曲线，所述舍弃条件是：如果在一个变化曲线中，－１到＋１变化之前一段连续的－１的个数为１，或者，－１到＋１变化之后一段连续的＋１的个数为１，则舍弃这样的曲线；Ｄ．从剩下的一维变化曲线中，确定求取周期的最佳变化曲线，最佳变化曲线的确定方法如下：－１到＋１变化次数以及＋１到－１变化次数之和最小，且该和大于４的一维变化曲线，即为最佳变化曲线；Ｅ．从最佳变化曲线中，确定一个运动周期单元的起始点，两个起始点的距离为一个周期，两个起始点之间的运动为一个运动周期单元，起始点的确定按如下方法进行：当最佳变化曲线是面积、宽度的一维变化曲线时，起始点是参数值由－１到＋１变化的点；当最佳变化曲线是高宽比的一维变化曲线时，起始点是参数值由＋１到－１变化的点；Ｆ．运动周期提取机构（２）从所述人体运动行为序列中提取出一个运动周期单元；（五）运动特征提取机构（３）对该人体运动行为的一个运动周期单元进行Ｒ变换，提取该人体运动行为的特征数据，并将提取的特征数据进行降维处理；所述Ｒ变换按下式进行：Ｒ（θ）＝∫↓［－∞］↑［＋∞］Ｔ↓［Ｒ］↑［２］（ρ，θ）ｄρ上式中，θ∈［０，１８０°］；（六）采用单状态隐马尔可夫模型作为分类器（４），...

【技术特征摘要】

【专利技术属性】
技术研发人员：印勇，王建东，张梅，张晶，
申请(专利权)人：重庆大学，
类型：发明
国别省市：85[中国|重庆]