周界視頻監(jiān)控中拋物檢測(cè)算法

何亮明，胡茂林，劉海濤

(1. 中國(guó)科學(xué)院上海微系統(tǒng)與信息技術(shù)研究所，上海 200050；2. 無錫物聯(lián)網(wǎng)產(chǎn)業(yè)研究院，無錫 214135)

周界視頻監(jiān)控中拋物檢測(cè)算法

何亮明1,2，胡茂林1,2，劉海濤1,2

(1. 中國(guó)科學(xué)院上海微系統(tǒng)與信息技術(shù)研究所，上海 200050；2. 無錫物聯(lián)網(wǎng)產(chǎn)業(yè)研究院，無錫 214135)

拋物(如手雷與炸彈等)一般是快速運(yùn)動(dòng)的小目標(biāo)，信噪比極低，通常的目標(biāo)檢測(cè)算法失效.針對(duì)周界視頻監(jiān)控的特殊應(yīng)用需求，提出拋物檢測(cè)與識(shí)別算法.首先使用相隔 8幀做差法，檢測(cè)每幀圖像中的拋物目標(biāo)；然后利用改進(jìn)型 Hough變換從運(yùn)動(dòng)能量圖像中提取目標(biāo)軌跡的形狀特征，通過分析運(yùn)動(dòng)歷史圖像的時(shí)間標(biāo)簽，獲取目標(biāo)的運(yùn)動(dòng)特征；最后使用樹形分類器識(shí)別拋物.該算法避免了“先跟蹤后識(shí)別”算法中的目標(biāo)匹配過程，極大減少了計(jì)算量，而且在噪聲環(huán)境中，具有很強(qiáng)的魯棒性.實(shí)驗(yàn)結(jié)果表明，對(duì)于CIF格式的視頻，在60 m范圍內(nèi)對(duì)包括網(wǎng)球在內(nèi)的拋物，該算法檢測(cè)率超過92%.

智能視頻分析；拋物檢測(cè)；運(yùn)動(dòng)能量圖；運(yùn)動(dòng)歷史圖；特征提取

智能視頻分析是新一代視頻監(jiān)控的關(guān)鍵技術(shù)，它利用機(jī)器視覺、圖像處理與模式識(shí)別等相關(guān)技術(shù)，通過對(duì)監(jiān)控現(xiàn)場(chǎng)獲得的視頻數(shù)據(jù)進(jìn)行實(shí)時(shí)深層理解，自動(dòng)檢測(cè)場(chǎng)景中的異常事件與報(bào)警.該技術(shù)一經(jīng)出現(xiàn)即受到廣泛關(guān)注，目前國(guó)外已初步實(shí)現(xiàn)不少實(shí)用功能，如移動(dòng)偵測(cè)、異常行為預(yù)測(cè)、越界報(bào)警等[1-3].不同的應(yīng)用場(chǎng)合對(duì)視頻監(jiān)控有不同的需求，所以視頻分析算法應(yīng)針對(duì)各自應(yīng)用量身定制.筆者針對(duì)周界監(jiān)控首次提出拋物檢測(cè)算法，典型應(yīng)用包括機(jī)場(chǎng)與軍事禁區(qū)等設(shè)施的防入侵以及大型建筑中的財(cái)產(chǎn)保護(hù).

拋物是指從周界一側(cè)拋向監(jiān)測(cè)區(qū)域另一側(cè)的物體.它是傳送違禁物品與制造恐怖事件的常用方法，其檢測(cè)是安防的重要工作.拋物(如手雷、炸彈)外形較小，而且發(fā)生地往往離攝像機(jī)較遠(yuǎn)，導(dǎo)致目標(biāo)像素面積非常小(如 2×3)，不適合使用平滑等濾波.由于目標(biāo)信噪比過低，通常的運(yùn)動(dòng)目標(biāo)檢測(cè)算法失效.筆者利用拋物目標(biāo)的運(yùn)動(dòng)特性，通過運(yùn)動(dòng)能量圖 (motion energy image，MEI)生成拋物目標(biāo)的運(yùn)動(dòng)軌跡；同時(shí)使用運(yùn)動(dòng)歷史圖 (motion history image，MHI)，提取拋物目標(biāo)的運(yùn)動(dòng)信息.算法綜合利用拋物軌跡的形狀特性與運(yùn)動(dòng)特征，設(shè)計(jì)樹形分類器實(shí)現(xiàn)快速檢測(cè)與報(bào)警.

1 問題提出與分析

隨著2008年北京奧運(yùn)會(huì)的圓滿落幕，人們開始把目光轉(zhuǎn)向2010年上海世博會(huì).世博會(huì)舉辦地位于上海南浦大橋和盧浦大橋之間，沿黃浦江兩岸布局.園區(qū)規(guī)劃用地5.28 km2，周界超過20 km，布置鋼絲圍欄.為了確保世博舉辦期間的安全，需要對(duì)圍欄進(jìn)行全天候的視頻監(jiān)控.應(yīng)用方要求，除了具備攀爬圍欄與跨界報(bào)警等常見功能外，視頻監(jiān)控系統(tǒng)還必須能夠識(shí)別拋向圍欄的目標(biāo).這主要是為了防止恐怖人員從圍欄外側(cè)向園區(qū)內(nèi)的同伙拋送兇器，如刀械、槍支等；同時(shí)也可以對(duì)恐怖分子從外側(cè)向圍欄內(nèi)拋入的手雷、定時(shí)炸彈等殺傷性武器進(jìn)行實(shí)時(shí)檢測(cè)與報(bào)警.

周界監(jiān)控中的拋物檢測(cè)是一個(gè)全新的命題，目前鮮有報(bào)道.筆者結(jié)合世博智能視頻監(jiān)控項(xiàng)目，詳細(xì)分析拋物目標(biāo)特點(diǎn).

(1) 場(chǎng)景復(fù)雜，背景建模與更新困難.監(jiān)控區(qū)域處于室外，光照變化明顯；圍欄附近往往分布了綠化帶，有大量喬木與植被；部分圍欄處于黃浦江岸，水波處理棘手；鋼絲組成的圍欄產(chǎn)生大量位移噪聲.上述原因?qū)е卤尘斑\(yùn)動(dòng)明顯，建模與更新機(jī)制設(shè)計(jì)復(fù)雜.

(2) 拋物目標(biāo)往往非常小，屬于微小目標(biāo).每個(gè)固定攝像機(jī)監(jiān)控范圍達(dá) 60,m，拋物目標(biāo)在視頻中像素面積極其小.以實(shí)驗(yàn)中的網(wǎng)球?yàn)槔?0,m 之處，僅為 3～6像素.對(duì)于這種微小目標(biāo)，不適合使用形態(tài)學(xué)濾波等去噪手段，導(dǎo)致目標(biāo)淹沒于大量干擾信號(hào)中.

(3) 拋物的運(yùn)動(dòng)特性.拋物目標(biāo)的運(yùn)動(dòng)軌跡投影到圖像平面后，類似一條橫向的拋物線，而且運(yùn)動(dòng)軌跡受景深影響較小，有利于目標(biāo)的識(shí)別.

(4) 實(shí)時(shí)性要求高.世博會(huì)參與人數(shù)眾多，安全性極其緊迫，要求智能視頻系統(tǒng)提供實(shí)時(shí)報(bào)警.

2 拋物檢測(cè)算法

2.1 算法概述

微小目標(biāo)檢測(cè)在紅外與雷達(dá)探測(cè)中應(yīng)用廣泛，但是在智能視頻監(jiān)控領(lǐng)域尚不多見.傳統(tǒng)算法大多屬于 DBT(detection before track)，首先通過目標(biāo)分割，從每幀圖像中提取候選目標(biāo)，然后使用目標(biāo)特征匹配技術(shù)實(shí)現(xiàn)跟蹤.目前的檢測(cè)算法對(duì)微小目標(biāo)效果并不理想.文獻(xiàn)[4-5]實(shí)現(xiàn)了對(duì)比賽中足球的檢測(cè)與跟蹤，但是它們使用了目標(biāo)與背景特定的顏色約束或者目標(biāo)和特定參照物(運(yùn)動(dòng)員)的固定映射關(guān)系.該算法缺乏普適性，無法推廣到周界視頻監(jiān)控領(lǐng)域.傳統(tǒng)跟蹤算法中目標(biāo)檢測(cè)與跟蹤互相獨(dú)立，具有很大的局限性.因此，不少研究者嘗試目標(biāo)檢測(cè)與跟蹤相結(jié)合，利用反饋信息提高各自部分精度.文獻(xiàn)[6]利用當(dāng)前幀的跟蹤結(jié)果為下一幀的目標(biāo)檢測(cè)訓(xùn)練一個(gè)分類器，該算法可以在一定程度上改進(jìn)目標(biāo)檢測(cè)效果，但是分類器設(shè)計(jì)困難，計(jì)算量大.最近幾十年許多學(xué)者提出使用 TBD(track before detection)實(shí)現(xiàn)對(duì)小目標(biāo)的檢測(cè).首先使用比較低的分割閾值提取候選目標(biāo)，然后通過傳統(tǒng)的跟蹤算法，對(duì)所有的候選目標(biāo)進(jìn)行跟蹤，依據(jù)目標(biāo)運(yùn)動(dòng)的連續(xù)性特征進(jìn)行判決.這種方法結(jié)合圖像平面域的弱分類器和時(shí)間域的強(qiáng)分類器，實(shí)現(xiàn)微弱目標(biāo)的檢測(cè)，在紅外與雷達(dá)檢測(cè)中得到了廣泛應(yīng)用[7-9].但是為了保留微弱信號(hào)，空間域的分類器會(huì)產(chǎn)生大量干擾信號(hào)，導(dǎo)致跟蹤時(shí)目標(biāo)匹配困難，容易丟失，產(chǎn)生漏報(bào).為了克服上述方法的不足，筆者引入運(yùn)動(dòng)能量圖直接生成目標(biāo)的運(yùn)動(dòng)軌跡，避免了跟蹤過程中大量候選目標(biāo)的匹配問題，極大降低了計(jì)算量；結(jié)合目標(biāo)軌跡的外接矩形長(zhǎng)寬比、占有率、離散度與方向一致性等形狀特征，實(shí)現(xiàn)初步判斷.

目標(biāo)的運(yùn)動(dòng)能量圖像是三維空間運(yùn)動(dòng)目標(biāo)路徑在圖像平面上的投影，丟失了目標(biāo)運(yùn)動(dòng)的時(shí)間信息.即使信號(hào)在三維空間上不相連，也可能在能量圖中融合成一條運(yùn)動(dòng)路徑，產(chǎn)生很大的干擾.為了解決這個(gè)問題，使用運(yùn)動(dòng)歷史圖像獲得目標(biāo)軌跡完整時(shí)間信息.經(jīng)過分析與實(shí)驗(yàn)，發(fā)現(xiàn)運(yùn)動(dòng)歷史圖像中目標(biāo)的時(shí)間標(biāo)簽包含所有時(shí)間標(biāo)簽值，而且在橫軸方向上投影，其時(shí)間標(biāo)簽排列至多有一個(gè)逆序.從統(tǒng)計(jì)上看，目標(biāo)運(yùn)動(dòng)歷史圖像中的各個(gè)時(shí)間標(biāo)簽分布非常均一，使用香濃的信息熵來描述這一特征.結(jié)合目標(biāo)運(yùn)動(dòng)與形狀特征，可以消除絕大部分背景運(yùn)動(dòng)產(chǎn)生的干擾信號(hào)，極大提高拋物檢測(cè)的整體性能.

綜上所述，拋物檢測(cè)算法如圖 1所示.首先利用幀差法檢測(cè)每幀視頻中的拋物目標(biāo)，預(yù)處理后依次生成運(yùn)動(dòng)能量圖像與運(yùn)動(dòng)歷史圖像，然后利用改進(jìn)型Hough變換提取運(yùn)動(dòng)能量圖像中的形狀特征，通過分析運(yùn)動(dòng)歷史圖像中時(shí)間標(biāo)簽提取運(yùn)動(dòng)特性，最后使用樹形分類器進(jìn)行檢測(cè).

圖1 算法示意Fig.1 Block diagram of algorithm

2.2 算法分析

2.2.1 特征的加強(qiáng)

利用幀差法檢測(cè)每幀圖像中的拋物目標(biāo).若以I(x，y，t)表示視頻序列，D(x，y，t)表示差分圖像，假設(shè)做差幀間隔為n，則

MEI與 MHI由 Davis和 Bobick正式提出[10-12]，在人體行為識(shí)別中得到了廣泛的運(yùn)用，但是利用運(yùn)動(dòng)歷史圖像進(jìn)行目標(biāo)檢測(cè)鮮見報(bào)道.根據(jù)文獻(xiàn)[5]，運(yùn)動(dòng)能量圖像MEI與MHI分別定義為

式中 T為運(yùn)動(dòng)持續(xù)時(shí)間，T＝n.顯而易見，運(yùn)動(dòng)歷史圖像是灰度圖，亮度值與運(yùn)動(dòng)的順序相關(guān)；而運(yùn)動(dòng)能量圖像是運(yùn)動(dòng)歷史圖像的二值化結(jié)果，前景點(diǎn)為目標(biāo)經(jīng)過的地方.圖 2為當(dāng) n＝8時(shí)的運(yùn)動(dòng)歷史圖像(球形代表拋物，圓內(nèi)數(shù)字為亮度，即時(shí)間標(biāo)簽值).

拋物目標(biāo)橫向運(yùn)動(dòng)速度較大，D(x，y，t)中一般同時(shí)包含第t幀與第t-n幀中拋物目標(biāo).如果對(duì)每n幀圖像生成的運(yùn)動(dòng)能量圖像做一次判斷，則軌跡不僅包含第t幀到第t+n幀的拋物，同時(shí)也包括第t-n幀到第 t-1幀的拋物目標(biāo).也就是說每段目標(biāo)軌跡包含2n幀的目標(biāo)信息.對(duì)于背景隨機(jī)噪聲，假設(shè)視頻中每幀圖像的噪聲相互獨(dú)立，則在運(yùn)動(dòng)能量圖像中，噪聲的面積沒有變大，只是數(shù)量增加.因此可以認(rèn)為，目標(biāo)的信噪比增強(qiáng)到原有的2n倍.不過當(dāng)n設(shè)置過大時(shí)，背景運(yùn)動(dòng)產(chǎn)生的干擾信號(hào)很容易產(chǎn)生誤報(bào)，這里選擇 n＝8.圖 3(a)中，拋物目標(biāo)信號(hào)非常微弱，完全被背景噪聲與其他運(yùn)動(dòng)目標(biāo)淹沒.圖 3(b)中通過運(yùn)動(dòng)能量圖像，拋物目標(biāo)的信號(hào)得到明顯的加強(qiáng).圖 4將MEI與MHI進(jìn)行了比較.

圖2 拋物目標(biāo)的運(yùn)動(dòng)圖像Fig.2 Schematic diagram of motion of throwing object

圖3 MEI對(duì)信噪比的提升Fig.3 Improvement in SNR by MEI

圖4 拋物目標(biāo)的MEI與MHI的比較Fig.4 Comparison between MEI and MHI of throwing object

2.2.2 特征的提取

分類性能關(guān)鍵在于目標(biāo)特征的提取與分類器的設(shè)計(jì).目前視頻處理中主要有以下 3類目標(biāo)分類方法：基于目標(biāo)形狀信息、基于目標(biāo)運(yùn)動(dòng)特性與混合型的分類.文獻(xiàn)[8-9]使用外接矩形長(zhǎng)度、寬度、長(zhǎng)寬比、占有率、離散度、面積、質(zhì)心、慣性主軸方向、Hu不變矩等特征，實(shí)現(xiàn)對(duì)人、車等大型目標(biāo)的分類.本文選取目標(biāo)軌跡的目標(biāo)面積、外接矩形信息、占有率、離散度與一致性等形狀特征，從運(yùn)動(dòng)軌跡中提取候選目標(biāo).

連通域的外接矩形是指覆蓋目標(biāo)區(qū)域的最小矩形，令其長(zhǎng)為a像素，寬(高)為b像素，則外接矩形面積 sf＝a×b，長(zhǎng)寬比為 P＝a/b.占有率 r定義為目標(biāo)面積sc與外接矩形面積sf的比值，r＝sc/sf.離散度D定義為目標(biāo)面積與輪廓周長(zhǎng)平方的比值.拋物軌跡P較大，占有率偏低，離散度適中.

引入 Hough變換來提取拋物軌跡拋物線這一特征.Hough變換可以把圖像平面的各個(gè)點(diǎn)以一對(duì)多的方式映射到參數(shù)空間，但是直接使用 Hough變換提取具有 3個(gè)參數(shù)的拋物線運(yùn)算量過大.事實(shí)上拋物檢測(cè)只需判斷有沒有符合的拋物線，并不需要計(jì)算曲線的確切參數(shù).

若圖像平面點(diǎn)(x，y)，Hough變換的直線參數(shù)空間 (k，b′) ，則 y = k x + b ′.等 式 兩 邊 求 導(dǎo) 得 ：dy/dx=k.由此可知，如果使用曲線的導(dǎo)數(shù)作為Hough變換的輸入，則參數(shù)空間維度可以降低，同時(shí)變換結(jié)果為多條平行線的綜合效果，更能反映具有一定線寬的拋物軌跡特性.為此提出一種改進(jìn)型的Hough變換，其輸入不是傳統(tǒng)算法的邊緣點(diǎn)集，而是所有目標(biāo)點(diǎn)的橫軸偏導(dǎo)數(shù)；變換的輸出也不是傳統(tǒng)變換的曲線參數(shù)，而是運(yùn)動(dòng)軌跡為拋物線的概率.

令 O(x，y)為 MEI圖像中一個(gè)連通區(qū)域的候選目標(biāo)像素點(diǎn)，Y為 y軸坐標(biāo)值提取操作符，目標(biāo)點(diǎn)的導(dǎo)數(shù)定義為

式中m為軌跡中前一列的目標(biāo)像素?cái)?shù)量. 由于m一般大于 1，所以每個(gè)點(diǎn) O(x，y)的偏導(dǎo)數(shù) R為多個(gè)值.修改后的Hough變換參數(shù)空間為一維R，實(shí)現(xiàn)簡(jiǎn)單，計(jì)算速度快.首先為每一個(gè)偏導(dǎo)數(shù)值(一般由-10到 10)的計(jì)數(shù)器清零；然后從上到下，由左至右掃描連通的目標(biāo)軌跡圖像，每一個(gè)目標(biāo)像素依據(jù)式(4)計(jì)算其偏導(dǎo)數(shù)，對(duì)應(yīng)導(dǎo)數(shù)的計(jì)數(shù)器增一；最后選擇計(jì)數(shù)器中的最大值 max R，軌跡的一致性特征參數(shù) C＝max R/sc.

當(dāng)視頻圖像噪聲大時(shí)，僅僅依靠 MEI軌跡的形狀特征，容易產(chǎn)生誤報(bào).結(jié)合運(yùn)動(dòng)歷史圖像，通過提取拋物目標(biāo)的運(yùn)動(dòng)信息來提高分類效果.實(shí)驗(yàn)中發(fā)現(xiàn)，拋物軌跡的運(yùn)動(dòng)歷史圖像在中間會(huì)出現(xiàn)一個(gè)峰值，在峰值兩側(cè)，像素值按照遞增或者遞減的順序排列，見圖 2.如果拋物是由左向右運(yùn)動(dòng)，則從左到右看，先由 1到 8依次遞增，到達(dá)峰值后下降到某一值后，繼續(xù)遞增.當(dāng)拋物由右向左運(yùn)動(dòng)，則相反.但是不管拋物運(yùn)動(dòng)方向如何，整段軌跡中都包含所有時(shí)間標(biāo)簽值，而且標(biāo)簽排列中只有一個(gè)逆序，見圖 5.同時(shí)由于目標(biāo)的連續(xù)性，運(yùn)動(dòng)歷史圖像中各個(gè)時(shí)間標(biāo)簽的像素面積基本一致.令 Ti為時(shí)間標(biāo)簽 i出現(xiàn)的次數(shù)，pi為時(shí)間標(biāo)簽 i的頻率，引入香農(nóng)熵定義，得式(5)與式(6).拋物目標(biāo)的 Een接近為 Iin(n)，而由眾多噪聲融合成的干擾路徑Een值較低.

樹型分類器無需訓(xùn)練樣本，實(shí)現(xiàn)簡(jiǎn)單、速度快，適合拋物檢測(cè).由于周界監(jiān)控中目標(biāo)景深差別很大，同樣的目標(biāo)在不同的區(qū)域，其大小變化巨大.依據(jù)視野景深把監(jiān)控區(qū)域分為上下兩部分，各種特征閾值在不同部分不同.各特征按照其計(jì)算的復(fù)雜度從小到大排序，樹形分類器根據(jù)該順序依次進(jìn)行多級(jí)閾值判決.這樣既達(dá)到了所需的分類精度，又減少了總體計(jì)算量.具體地說，首先根據(jù)目標(biāo)面積、外接矩形信息、占有率和離散度等特征進(jìn)行判斷，如果條件滿足，則進(jìn)一步計(jì)算與比較一致性 C、標(biāo)簽?zāi)嫘驍?shù)和均一度Een等特征參數(shù).

圖5 MHI的時(shí)間標(biāo)簽分布Fig.5 Arrangement of timestamp in MHI

3 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證算法的有效性，建立圍欄模擬世博現(xiàn)場(chǎng).攝像機(jī)幀頻為 25,f/s，圖像分辨率 355×288.圖6(a)是實(shí)驗(yàn)場(chǎng)景，圖 6(b)為運(yùn)動(dòng)能量圖像，圖 6(c)為識(shí)別的拋物軌跡.拋物目標(biāo)包括足球、小皮球、網(wǎng)球與磚頭.各種目標(biāo)沿著圍欄每隔 5,m做 10次實(shí)驗(yàn)，共 580次.實(shí)驗(yàn)結(jié)果顯示在 60 m范圍內(nèi)，足球檢測(cè)率達(dá)到 99%，網(wǎng)球檢測(cè)率超過 92%，其他類型目標(biāo)介于兩者之間；各種類型目標(biāo)綜合漏報(bào)率低于 3%，誤報(bào)率低于5%.其中誤報(bào)率為錯(cuò)誤報(bào)警的比例，包括漏報(bào)和虛報(bào).實(shí)驗(yàn)表明，該算法對(duì)不同大小與顏色的目標(biāo)具有很好的魯棒性.算法以 VC實(shí)現(xiàn)，在因特爾雙核處理器 E8400,@,3.00 GHz,2 G內(nèi)存的臺(tái)式機(jī)上運(yùn)行，平均每秒可以處理60幀，完全滿足實(shí)時(shí)性要求.

實(shí)驗(yàn)中發(fā)現(xiàn)，當(dāng)拋物在攝像頭附近快速運(yùn)動(dòng)時(shí)，其軌跡可能并不連續(xù)，算法可能失效.然而此時(shí)拋物目標(biāo)像素面積變大，可以結(jié)合常規(guī)的 TBD法進(jìn)行識(shí)別.為了測(cè)試拋物檢測(cè)算法在背景噪聲嚴(yán)重情形下的性能，選擇了另一個(gè)復(fù)雜場(chǎng)景.該場(chǎng)景是兩座樓宇間的空地，內(nèi)有大量綠化灌木、人流、車流量大.結(jié)果顯示，該算法在樹葉、光照干擾嚴(yán)重的情形下，仍然可以有效識(shí)別拋物，顯示了極強(qiáng)的魯棒性，如圖 7所示.

圖6 拋物識(shí)別Fig.6 Process of detection of throwing object

圖7 抗噪性能Fig.7 Performance in noisy environment

4 結(jié) 語

針對(duì)周界視頻監(jiān)控提出拋物檢測(cè)算法.該算法充分利用拋物的運(yùn)動(dòng)特性，通過運(yùn)動(dòng)能量圖像與運(yùn)動(dòng)歷史圖像來識(shí)別目標(biāo)，對(duì)噪聲具有很強(qiáng)的抵御能力.拋物檢測(cè)算法不僅為智能視頻分析增添了新的功能模塊，具有重要的實(shí)用價(jià)值；而且算法中 MEI與MHI相結(jié)合的策略，也為視頻處理其他應(yīng)用中的微小目標(biāo)檢測(cè)開拓了新思路，具有一定的理論意義.

［1］Zhang Chaoyang，Pan Baochang，Zheng Shenglin，et al.Motion object detection of video based on principal component analysis[C]//Proceedings of the Seventh International Conference on Machine Learning and Cybernetics.Kunming，China，2008：2938-2943.

［2］Haritaoglu I，Harwood D，Davis L S. W4：Real-time surveillance of people and their activities[J].IEEE Trans Pattern Analysis and Machine Intelligence，2000，22(8)：809-830.

［3］Duarte Duque，Henrique Santos，Paulo Cortez. Prediction of abnormal behaviors for intelligent video surveillance systems[C]//Proceedings of the2007IEEE Symposium on Computational Intelligence and Data Mining. Honolulu，USA，2007：362-367.

［4］Huang Yu，Joan Llach，Zhang Chao. A method of small object detection and tracking based on particle filters[C]//International Conference on Pattern Recognition. Tampa，USA，2008：1-4.

［5］Yoshinori Ohno，Jun Miura，Yoshiaki Shirai. Tracking players and estimation of the 3D position of a ball in soccer games[C]//International Conference on Pattern Recognition. Barcelona，Spain，2000：1145-1149.

［6］Shai Avidan. Ensemble tracking[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2007，29(2)：261-271.

［7］Buzzi S，Lops M，Venturino L. Track-before-detect procedures for early detection of moving target from airborne radars[J].IEEE Transactions on Aerospace and Electronic Systems，2005，41(3)：937-954.

［8］Bluestein S D，Huang T S. Detecting small moving objects in image sequences using sequential hypothesis testing[J].IEEE Trans on Signal Processing，1991，39(7)：1611-1629.

［9］Buzzi S，Lops M，Venturino L. Performance analysis of a dynamic programming track before detect algorithm[J].IEEE Trans on AES，2002，38(1)：228-242.

［10］Bobick A，Davis J. An appearance-based representation of action[C]//International Conference on Pattern Recognition.Vienna，Austria，1996：307-312.

［11］Bobick A F，Davis J W. The recognition of human movement using temporal templates[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2001，23(3)：257-267.

［12］Ogata T，Tan J K，Ishikawa S. High-speed human motion recognition based on a motion history image and an eigenspace[J].IEICE Transactions on Information and Systems，2006，89(D(1))：281-289.

Algorithm on Throwing Object Detection for Perimeter Video Surveillance

HE Liang-ming1,2，HU Mao-lin1,2，LIU Hai-tao1,2
(1. Shanghai Institute of Micro System and Information Technology，Chinese Academy of Sciences，Shanghai 200050，China；2. Wuxi SensingNet Industrialization Research Institute，Wuxi 214135，China)

A algorithm to detect throwing object has been suggested to meet the specific requirements of perimeter video surveillance. Objects thrown by intruders are often fast and small with very low SNR，such as the hand grenade and bomb, which are hardly detected by traditional methods. In this algorithm, firstly, images were differenced with eight frame intervals to detect object in each image. Secondly, motion energy image and motion history image were calculated to extract shape features with the help of modified Hough transformation and motion features by analyzing timestamp arrangement. Finally, a tree classifier was designed to recognize throwing objects. This algorithm avoids object matching process in the classic technique “track before detection”, therefore reduces much computation and becomes very robust in noisy environment. Experimental results show its good performance with a recognition rate of over 92% with CIF image in the range of 60 m.

intelligent video analysis；throwing object detection；motion energy image；motion history image；feature extraction

TP391.4

A

0493-2137(2011)03-0242-06

2009-11-27；

2010-05-13.

國(guó)家科技支撐計(jì)劃上海世博科技專項(xiàng)基金資助項(xiàng)目(O74GQA1001)；新泰基金資助項(xiàng)目(084YQB1001).

何亮明（1984— ），男，博士研究生，hlmdyx1984@126.com.

胡茂林，hml@mail.sim.ac.cn.