復雜環(huán)境下異常行為檢測算法*

于 琨，衛(wèi) 娟

（河南機電高等?？茖W校，河南 新鄉(xiāng) 453002）

復雜環(huán)境下異常行為檢測算法*

于 琨，衛(wèi) 娟

（河南機電高等?？茖W校，河南 新鄉(xiāng) 453002）

針對復雜環(huán)境下視頻監(jiān)控滯后嚴重難以滿足預警的問題，提出一種基于計算機視覺技術(shù)的復雜環(huán)境下異常行為檢測算法。該算法首先利用分層背景模型對環(huán)境中的行人目標進行檢測；其次采用改進的Mean-shift算法對運動目標進行實時跟蹤，并在跟蹤結(jié)果的基礎(chǔ)上進行運動目標的異常行為判斷。實驗結(jié)果表明：該算法可以建立復雜環(huán)境準確的背景模型，有效地對入侵目標進行檢測；可以對跟蹤目標進行實時跟蹤，有效地對逆行和逗留進行檢測。

智能視頻監(jiān)控，異常行為檢測，分層背景，Mean-shift算法

0 引言

復雜環(huán)境下的視頻監(jiān)控需要同時眾多畫面排查，并且行人數(shù)目多、流動性大［1-3］。傳統(tǒng)依靠人工的視頻監(jiān)控很難做到全面實時監(jiān)控而且報警響應(yīng)時間長，誤報和漏報率高。然而絕大多數(shù)的中國視頻監(jiān)控企業(yè)依舊停留在系統(tǒng)集成和代理層次，尚沒有專門致力于復雜環(huán)境的監(jiān)控系統(tǒng)。

本文根據(jù)復雜環(huán)境，如客運站、地鐵站等城市重點區(qū)域的智能視頻監(jiān)控系統(tǒng)建設(shè)的需要，提出一種針對復雜環(huán)境的異常行為監(jiān)控算法。首先，在背景模型建立的基礎(chǔ)上，算法采用背景差分法快速地從視頻圖像中獲取運動區(qū)域；其次，提取目標的加權(quán)顏色分布特征作為跟蹤目標模型，并利用背景模型和kalman濾波器改進的Mean-shift對運動目標進行跟蹤，從而獲得目標運動信息；最后，在跟蹤結(jié)果的基礎(chǔ)上對跟蹤目標做出入侵、逆行、逗留的預警。

1 異常行為檢測算法

本文提出的算法主要分為5步，算法流程如圖1所示。

第1步用戶指定禁止逗留和入侵區(qū)域以及正行方向。第2步對監(jiān)控區(qū)域進行混合高斯背景建模。第3步在建立的監(jiān)控區(qū)域混合高斯背景模型基礎(chǔ)上，對運動前景目標進行檢測。第4步提取運動區(qū)域的加權(quán)顏色分布特征，在此特征基礎(chǔ)上利用改進的Mean-shift算法對運動目標進行跟蹤。第5步在Mean-shift跟蹤結(jié)果的基礎(chǔ)上，根據(jù)目標運動的特點對目標可能存在的入侵、逗留、逆行做出預警。

1.1 運動目標檢測

其中，Mi表示第i個高斯模型的匹配因子，計算公式如下：

其中，α匹配模型更新率。如果未能找到匹配的高斯分布，根據(jù)式（4）修改所有分布的權(quán)重。然后利用像素顏色值建立一個新的高斯分布，并用新的高斯分布代替排在末位的高斯分布。

GMM可以解決緩慢關(guān)照變化、雜亂背景中的周期性運動，以及相機雜聲問題但算法無法消除光照突變和攝像機噪聲的影響，且易將緩慢移動的前景目標融入背景［4-5］。本算法首先采用分層的方式組織，將6個高斯模型分為噪聲層、背景層和競爭層，并且不同層采用不同的更新策略。其次在各層之間引入晉級和降級機制以糾正可能存在的誤判。最后采用基于輪廓檢測的噪聲濾波實現(xiàn)噪聲層更新以消除噪聲，并利用基于直方圖匹配檢測偽前景區(qū)域以提高對運動目標的檢測能力。

1.2 運動目標跟蹤算法

利用局部顏色值加權(quán)結(jié)果的線性加和代替單一顏色特征可以更好地將目標區(qū)域從背景中分離出來，從而降低了相似背景對跟蹤效果的影響。

跟蹤目標三維顏色空間R3中的n個樣本點xi, i=1,…,n。假設(shè)跟蹤目標中心位于x0，目標色彩分布可描述為：

其中,w（xi）表xi的目標特征像素概率。式（10）右面第1項為常數(shù)項，故ρ［p（y），q］的最優(yōu)y*值由右面第2項決定。采用Mean-shift算法對第2部分進行迭代以尋找最優(yōu)y值，迭代公式如下：

其中，k表示迭代次數(shù)k=1,2,3……。

基于顏色特征的Mean-Shift算法可以實現(xiàn)目標快速定位和跟蹤，并且在目標變形、旋轉(zhuǎn)等運動時仍具有較高魯棒性。但是Mean-Shift算法在目標跟蹤過程中沒有利用目標運動信息，當周圍環(huán)境存在干擾或者目標受到遮擋時，Mean-shift算法很難正確對目標進行跟蹤。同時Mean-shift算法缺乏對目標模型的更新，當目標的姿態(tài)和大小發(fā)生變化時，都會使得跟蹤目標的顏色信息發(fā)生改變，從而導致跟蹤結(jié)果的偏離甚至丟失［6-9］。本文算法采用一種融合背景建模和Kalman濾波器的Mean-shift對運動目標進行跟蹤。首先算法利用跟蹤目標特征的直方圖對目標概率密度進行快速估計；并在此基礎(chǔ)上利用背景建模對目標概率密度進行濾波，減少靜止背景中相似部分對Mean-shift算法的影響；其次利用kalman濾波器對目標位置和運動速度進行預測，利用運動速度信息對目標概率密度進行加權(quán)；再次算法引入直方圖匹配度衡量Mean-shift算法跟蹤結(jié)果和目標之間的匹配程度，根據(jù)匹配度實現(xiàn)kalman預測結(jié)果和Mean-shift跟蹤結(jié)果的融合；最后根據(jù)直方圖匹配系數(shù)實現(xiàn)跟蹤目標直方圖的更新，保證了在目標的姿態(tài)和大小改變時目標直方圖的有效性。

1.3 行人異常行為的檢測

算法在背景建模、運動目標識別和運動目標跟蹤的基礎(chǔ)上，實現(xiàn)對復雜環(huán)境下行人目標的逗留、入侵和逆行進行有效地鑒別。

1.3.1 行人逗留目標檢測

其中，t表示行人目標停留在禁止逗留區(qū)域中時間變量；T1表示逗留最大時間閥值；C1表示禁止逗留區(qū)域。如果式（12）中的公式計算值為真，表示監(jiān)控行人目標出現(xiàn)逗留。

1.3.2 行人入侵檢測

本文在運動目標分割算法的基礎(chǔ)上進行行人目標入侵檢測。為了避免由于三維空間投射到二維圖像上時空間信息的丟失，本文將地面作為參考平面。通過混合高斯背景模型，本文可以分割出運動行人目標區(qū)域Q，行人入侵檢測公式如下：

其中，xQb表示行人目標區(qū)域的下邊界垂直坐標；yQc表示行人目標區(qū)域的中心水平坐標；C2表示禁止區(qū)域。如果式（13）的結(jié)果為真，表示行人目標出現(xiàn)入侵。

1.3.3 行人逆行檢測

其中，t表示運動目標逆行時間變量；T2表示逆行時間最大閾值表示設(shè)定的正行方向。

2 實驗結(jié)果與分析

算法在Windows 7系統(tǒng)下，使用VC++2008及計算機視覺庫（OpenCV）在編程實現(xiàn)。進行入侵及逗留實驗用的測試視頻集選自某車站候車室具有人流密度大，流動性強的特點，具有一定的代表性；逆行檢測視頻采用停車場監(jiān)控視頻，該環(huán)境下對于逆行具有較高的檢測要求，能夠更好地檢驗算法的可行性。

2.1 入侵事件監(jiān)測

視頻中的行人目標受背景物體遮擋嚴重，并且視頻中行人目標數(shù)目眾多、流動性大。監(jiān)測結(jié)果如圖2所示。

其中，原圖100白色表示禁止逗留區(qū)域。通過圖2可知：分層高斯背景建?？梢院芎玫乇磉_復雜環(huán)境的背景模型，在此基礎(chǔ)上運動目標檢測和入侵判斷可以很好地對入侵目標進行檢測。

2.2 逗留事件監(jiān)測

視頻中的行人目標受背景物體遮擋嚴重；并且視頻中行人目標數(shù)目眾多、流動性大。本文逗留最大閾值T1=25 s，實驗效果如圖3所示。

其中，原圖365藍色區(qū)域表示禁止逗留區(qū)。通過圖3可知：行人目標在433幀時進入逗留區(qū)間。算法通過混合高斯背景模型差分算法檢測出進入禁止逗留區(qū)的目標。在第1 225幀，目標在逗留區(qū)的時間超過25 s。此時算法利用檢測出的逗留目標區(qū)域建立跟蹤目標模型，采用改進的Mean-shift算法對逗留目標進行跟蹤。從1 248幀～1 332幀的跟蹤結(jié)果可以看出：改進的mean-shift算法對目標姿態(tài)的變化和目標遮擋就有很好的魯棒性。

2.3 逆行事件監(jiān)測

檢測視頻采用停車場監(jiān)控視頻。視頻中存在快速運動的汽車目標和運動緩慢的行人目標，運動目標的運動方向在運動過程中變化較大。本文T2=6 s，實驗效果如下頁圖4所示。

其中，第1幀圖像的藍色箭頭表示正行方向。通過下頁圖4可知：在第115幀和第789幀有運動目標進入監(jiān)控區(qū)域，算法通過混合高斯背景建模提取運動區(qū)域，并利用改進的mean-shift算法進行跟蹤。在跟蹤過程中保存運動目標的運動狀態(tài)向量。通過運動速度判斷是否逆行，通過時間變量判斷逆行的時間是否超出限定時間。在第390幀和第966幀判斷出運動目標出現(xiàn)逆行行為，此時再次利用運動目標分割提取盡可能大的運動區(qū)域。并利用改進的mean-shift進行跟蹤。圖4說明本文算法對形狀和速度不同的運動目標均可進行有效逆行檢測。表1表示本文算法對3種異常行為的檢測效率。

通過表1可知：本文算法對入侵、逆行和逗留都具有較高的檢測效果。但當行人目標靜止時間超出了模型識別的限度，行人目標也會成為新的背景事物，從而出現(xiàn)逗留檢測的疏漏。

3 結(jié)束語

本文根據(jù)復雜環(huán)境下智能視頻監(jiān)控系統(tǒng)的需求，結(jié)合實際環(huán)境的特點，提出了一種復雜環(huán)境下行人異常行為檢測算法。實驗結(jié)果表明：該算法可以有效地檢測出復雜環(huán)境中行人目標，并且對噪聲干擾和行人長時間停留具有較高的魯棒性；能夠提高復雜環(huán)境下對行人目標跟蹤的準確性。該算法對復雜環(huán)境中的逆行、入侵和逗留具有較高的正確檢測率，為復雜環(huán)境下智能視頻監(jiān)控奠定了算法基礎(chǔ)。下一步將本文算法結(jié)合具體應(yīng)用場景（如火車站、飛機場等）的防爆反恐等任務(wù)，開展進一步的算法驗證和改進工作。

［1］鄭建湖，陳洪，董德存.快速路交通事件自動檢測系統(tǒng)及算法［J］.計算機測量與控制，2006，14（9）：1143-1145.

［2］李衛(wèi)斌,辛樂,陳陽舟,等.基于圖像處理的車輛排隊長度魯棒檢測算法［J］.計算機測量與控制，2011，19（8）：1810-1813.

［3］李新春,周沈霞,安秋艷,等.基于DM6437的異常行為檢測系統(tǒng)研究［J］.計算機測量與控制，2013，21（9）：2342-2345.

［4］劉靜，王玲.混合高斯模型背景法的一種改進算法［J］.計算機工程與應(yīng)用，2010，46(13):168-170.

［5］馮文華，龔聲蓉，劉純平.基于改進高斯混合模型的前景檢測［J］.計算機工程，2011,37(19):179-182.

［6］王迥波.基于圖像識別的運動目標檢測與跟蹤系統(tǒng)［D］.大連：大連理工大學，2009.

［7］Du M T,Jie Y L.Mean-shift-based Defect Detection in Multi-crystalline Solar Wafer Surfaces［J］.IEEE Trans.on Industrial Informatics,2011,7(1):125–135.

［8］Peng N S,Yang J,Liu Z.Mean-shift Blob Tracking with Kernel Histogram Filtering and Hypothesis Testing［J］.Pattern Recognition Letters2005,26(5):605-614.

［9］常發(fā)亮,劉雪,王華杰.基于均值漂移與卡爾曼濾波的目標跟蹤算法［J］.計算機工程與應(yīng)用,2007，43(12)：50-55.

A Detection Algorithm for Abnormal Behavior under Complex Environments

YU Kun，WEI Juan
（Henan Mechanical and Electrical Engineering College，Xinxiang 453002，China）

Considering the problem that traditional video monitoring tasks under complex environments is too lag to meet the early warning,a detection algorithm based compute vision for abnormal behavior is proposed.Firstly，pedestrian targets are detected under the layering background model.Secondly,the pedestrian targets are tracked by the improved Mean-shift algorithm.And the algorithm will detect whether the moving target’s behavior is abnormal or not.The experiments result that this algorithm can build real-time background model of complex environments to detect invading targets effectively and can track moving targets timely to detect the abnormal behavior of retrograding and sojourn.

intelligent video surveillance，detection of abnormal behavior，layering background，Mean-shift algorithm

TP391

A

1002-0640（2015）09-0138-05

2014-08-03

2014-08-20

河南省教育廳科研基金資助項目（20121185、20121099）

于 琨（1982- ），男，河南商丘人，碩士，講師。研究方向：圖像處理。