基于圖像處理的人員異常行為監(jiān)測(cè)設(shè)計(jì)

摘 "要： 通過對(duì)人員異常行為有效的監(jiān)測(cè)算法設(shè)計(jì)，提高視頻監(jiān)控和異常事故的智能識(shí)別能力。傳統(tǒng)的人員異常行為監(jiān)測(cè)算法采用視頻步進(jìn)跟蹤學(xué)習(xí)方法，由于人員的隨機(jī)性和不確定性，導(dǎo)致視覺識(shí)別效果不好?；趫D像處理理論，提出一種基于視頻幀圖像陣列像素檢測(cè)的人員異常行為監(jiān)測(cè)算法，進(jìn)行了人員異常行為特征數(shù)據(jù)采集模型設(shè)計(jì)，得到基于雙相機(jī)視頻監(jiān)控的人員異常行為視覺特征采集模型，采用視頻幀圖像陣列像素檢測(cè)算法，進(jìn)行異常行為特征提取，得到鄰域灰度值向量之間像素點(diǎn)為平均結(jié)構(gòu)相似性聚類中心，計(jì)算人員異常行為檢測(cè)全圖所有像素點(diǎn)的加權(quán)平均位置的估計(jì)值，實(shí)現(xiàn)人員異常行為監(jiān)測(cè)算法改進(jìn)。仿真結(jié)果表明，采用該算法進(jìn)行人員異常行為特征監(jiān)測(cè)，能實(shí)現(xiàn)對(duì)特定異常人員的準(zhǔn)確定位和清晰識(shí)別，異常檢測(cè)概率較高，性能優(yōu)越，在安防監(jiān)控系統(tǒng)設(shè)計(jì)等領(lǐng)域具有較好的應(yīng)用價(jià)值。

關(guān)鍵詞： 圖像處理; 異常行為監(jiān)控; 智能識(shí)別; 數(shù)據(jù)采集

中圖分類號(hào)： TN919?34; TP391 " " " " " " 文獻(xiàn)標(biāo)識(shí)碼： A " " " " " " " " " " " " "文章編號(hào)： 1004?373X（2015）06?0111?04

Design of personnel abnormal behavior monitoring algorithm "based on image processing

WANG Shuai?peng， ZHAO Kai

（Teaching Affairs Division， Pingdingshan university， Pingdingshan 467000， China）

Abstract： The ability of intelligent recognition of video monitoring and accident is improved through design of effective monitoring algorithm for the personnel abnormal behavior. The traditional personnel abnormal behavior monitoring algorithm with video step tracking learning method result in poor visual recognition effect due to the randomness and uncertainty of the staff. A personnel abnormal behavior monitoring algorithm based on video frame image array pixel detection is proposed according to the theory of image processing. A data acquisition model of personnel abnormal behavior characteristics was designed and realized， which is based on the double camera video surveillance. The video frame image pixel arrays is used to extract abnormal behavior features for getting the pixels between neighborhood gray value vectors as the mean structure similarity clustering center. The improvement of personnel abnormal behavior monitoring algorithm was implemented by calculating the estimated values of weighted average positions of all pixel points in personnel abnormal behavior detection image. The simulation results show that the algorithm for monitoring the characteristics of personnel abnormal behavior can realize the accurate positioning and clear identification of the specific abnormal personnel， and has high detection probability and superior performance. It has high application va?

lue in the field of security monitoring system design.

Keywords： image processing; abnormal behavior monitoring; intelligent recognition; data acquisition

0 "引 "言

計(jì)算機(jī)圖形和圖像處理技術(shù)得到快速發(fā)展，如今廣泛應(yīng)用在遠(yuǎn)程目標(biāo)識(shí)別、遙感數(shù)據(jù)特征提取、圖像修復(fù)和智能系統(tǒng)控制等領(lǐng)域，在智能視頻監(jiān)控系統(tǒng)中，需要采用圖像處理技術(shù)實(shí)現(xiàn)對(duì)人員和區(qū)域的行為監(jiān)測(cè)，通過對(duì)人員密集區(qū)域的智能監(jiān)測(cè)設(shè)計(jì)，提高對(duì)人員異常行為的智能識(shí)別和預(yù)警能力，在安防監(jiān)控和安檢識(shí)別等鄰域具有重要的應(yīng)用價(jià)值。

隨著計(jì)算機(jī)圖像處理技術(shù)的發(fā)展，采用傳統(tǒng)的靠人工識(shí)別的方法對(duì)視頻監(jiān)控圖像進(jìn)行觀察監(jiān)控的做法已經(jīng)不能滿足當(dāng)前對(duì)人員異常行為智能識(shí)別和監(jiān)控的效果，研究更為有效的人員異常行為監(jiān)測(cè)算法受到廣大專家學(xué)者的重視。對(duì)此，許多學(xué)者進(jìn)行相關(guān)系統(tǒng)和算法設(shè)計(jì)的研究，取得了一定的成果[1]，其中，文獻(xiàn)[2]中提出一種基于面部表情特征的特定人員定位算法，通過模板疊加的方法，實(shí)現(xiàn)對(duì)人員面部相異特征匹配，但該算法的普適性不好。文獻(xiàn)[3]提取人員的像素特征然后采用SVM分類鎖定人員方位信息，該算法無法對(duì)光照變化和隨機(jī)狀態(tài)分布下的復(fù)雜環(huán)境人員進(jìn)行準(zhǔn)確檢測(cè)，對(duì)人員異常行為特征提取效果不好。文獻(xiàn)[4]采用視頻步進(jìn)跟蹤學(xué)習(xí)方法，由于人員的隨機(jī)性和不確定性，導(dǎo)致視覺識(shí)別效果不好[5?8]。針對(duì)上述問題，基于圖像處理理論，本文提出一種基于視頻幀圖像陣列像素檢測(cè)的人員異常行為監(jiān)測(cè)算法，首先進(jìn)行了人員異常行為特征數(shù)據(jù)采集模型設(shè)計(jì)，然后采用視頻幀圖像陣列像素檢測(cè)算法，進(jìn)行異常行為特征提取算法改進(jìn)，最后進(jìn)行仿真實(shí)驗(yàn)，驗(yàn)證本文算法的優(yōu)越性能，得出有效性結(jié)論。

1 "人員異常行為視覺特征采集

通過監(jiān)控視頻圖像，采用計(jì)算機(jī)視覺技術(shù)使計(jì)算機(jī)能夠通過2維或者3維圖像識(shí)別，進(jìn)行人員異常行為的視覺特征采集，整個(gè)人員視覺特征采集系統(tǒng)采用4臺(tái)計(jì)算機(jī)，3臺(tái)顯示器，虛擬現(xiàn)實(shí)設(shè)備設(shè)計(jì)，整個(gè)系統(tǒng)的控制是通過連有手控器的計(jì)算機(jī)來實(shí)現(xiàn)對(duì)人員聚集區(qū)域的監(jiān)控。人員異常行為特征采集中，由于人員是移動(dòng)目標(biāo)，因此采用運(yùn)動(dòng)目標(biāo)圖像定位方法，生成時(shí)間序列生成，運(yùn)動(dòng)目標(biāo)圖像2階運(yùn)動(dòng)目標(biāo)圖像[λ]函數(shù)可以寫成：[b21=12（1-λt）（1-t）3+[3+λ-2λt（1-t）]t（1-t）+ " " " 12（1-λ+λt）t3] （1）

記[A=（1-λt）（1-t）3，][B=[3+λ-2λt（1-t）]t（1-t），][C=（1-λ+λt）t3]。圖像輪廓曲線定義為：

[bni，i（t）=j=0nibni，j（t;λi）Vj+s=1i-1（ns-1），t∈[0，1]] nbsp; "（2）

式中[i=1，2，…，l]，當(dāng)[i=1]時(shí)，[s=1i-1（ns-1）=0]，對(duì)每一個(gè)產(chǎn)生最大灰度值的輪廓點(diǎn)進(jìn)行運(yùn)動(dòng)特征提取，根據(jù)視頻監(jiān)控圖像中的灰度像素值，進(jìn)行原始信號(hào)提取和信號(hào)預(yù)處理，由控制點(diǎn)[Vij∈R3，其中，l1（m-1）+1;j=0，1，…，]定義一張由[l1×l2]個(gè)[m×n]階曲面片構(gòu)成的組合[λ]曲面：

[bij（u，v）=k=0ml=0nbmk（u;λu）bnl（v;λv）Vk+（m-1）（i-1），l+（n-1）（j-1）] （3）

從而準(zhǔn)確得到目標(biāo)人員的方位信息和視覺特征信息，然后進(jìn)行視頻圖像的背景建模，設(shè)[Fm（x，y）]為第[m]幀[（x，y）]處的像素灰度值，背景像素的灰度值為：

[Bm（x，y）=1mi=0m-1Fi（x，y）] " " " " "（4）

式中m為監(jiān)控視頻相機(jī)的前幀序號(hào)，采用雙相機(jī)視頻監(jiān)控方法，基于雙相機(jī)視頻監(jiān)控的人員異常行為視覺特征采集模型如圖1所示。從而，采用三角測(cè)算原理得到二維圖像坐標(biāo)轉(zhuǎn)換矩陣計(jì)算式為：

[ZcUV0=fdx0U000fdyV000010RTOT1XwYwZw1] " "（5）

使用視頻序列中的前100幀平滑接近背景模型的真實(shí)像素，建立圖像正常掃描與運(yùn)動(dòng)參數(shù)變化關(guān)系，實(shí)現(xiàn)人員異常行為視覺特征采集。

lt;E：＼王芳＼現(xiàn)代電子技術(shù)201506＼現(xiàn)代電子技術(shù)15年38卷第6期＼Image＼37t1.tifgt;

圖1 基于雙相機(jī)視頻監(jiān)控的人員異常

行為視覺特征采集模型

2 "特征提取預(yù)處理

在上述模型構(gòu)建的基礎(chǔ)上，為了實(shí)現(xiàn)對(duì)人員異常行為檢測(cè)，需要對(duì)取得圖像幀信號(hào)進(jìn)行基于視頻像素灰度值特征提取，定義特定區(qū)域人員運(yùn)動(dòng)狀態(tài)矢量[x（t）=[x（t），y（t），z（t），x（t），y（t），z（t），x（t），y（t），z（t）]T]，狀態(tài)方程和觀測(cè)方程為：

[x（k+1）=Φ（k）x（k）+w（k）] " " " " （6）

[z（k）=H（k）x（k）+v（k）] " " " " " （7）

使用確定模型集合[M=mi|i=1，2，…，m]表示人員異常行為特征提取的動(dòng)作狀態(tài)混合模型，計(jì)算[k]時(shí)刻的模型[mj（j=1，2，…，m）?mj∈M]的似然函數(shù)：[Λj（k）=P（z（k）/mj（k），zk-1） " " =P（z（k）/mj（k），x0j（k-1/k-1），P0j（k-1/k-1）） " " =N（（zj（k）-zj（k/k-1））|0，Sj（k））] " "（8）

式中：[Λj（k）]服從均值為0、方差為[Sj（k）]的正態(tài)分布，[Sj（k）]為人員異常行為特征信息協(xié)方差矩陣。本文基于視頻幀圖像陣列像素檢測(cè)方法，進(jìn)行人員異常行為特征的提取和預(yù)處理，假設(shè)待檢測(cè)人員分布在以[M]個(gè)接收陣元（[M]為偶數(shù)）均勻?qū)ΨQ分布的一個(gè)圓周上，圓心[O]處布設(shè)一個(gè)陣元，平面元陣的半徑為[r]，以圓心[O]為坐標(biāo)圓點(diǎn)建立坐標(biāo)系，得到視頻幀圖像陣列如圖2所示。

圖2中，陣列間距D、仰角[θ]、方位角[?]、距離[r]互相關(guān)，對(duì)人員進(jìn)行辨識(shí)，得到二階加滯后LPNTI積分過程，求取視頻監(jiān)控圖像中的灰度像素，得：

[cτir=r2-c2τi22Rr+cosφi， i=1，2，…，M] （9）

由于視頻幀圖像陣列分布具有對(duì)稱性，因而可以證明：

[cos φi+cos "φi+M/2=0] " " " （10）

進(jìn)行視頻幀圖像陣列跟蹤識(shí)別的初始化學(xué)習(xí)，得到[i=1Mcosφi]=0，由此可以推導(dǎo)出人員異常行為的灰度像素特征輸出為：

[x（k/k）=jmxi（k/k）uj（k）] " " " " " （11）

通過上述方法，對(duì)取得的圖像幀信號(hào)進(jìn)行基于視頻像素灰度值的特征提取，為實(shí)現(xiàn)人員異常行為檢測(cè)提供準(zhǔn)確的數(shù)據(jù)基礎(chǔ)。

lt;E：＼王芳＼現(xiàn)代電子技術(shù)201506＼現(xiàn)代電子技術(shù)15年38卷第6期＼Image＼37t2.tifgt;

圖2 視頻幀圖像陣列示意圖

3 "人員異常行為監(jiān)測(cè)算法改進(jìn)

設(shè)計(jì)視頻幀圖像陣列像素檢測(cè)算法，最終實(shí)現(xiàn)人員異常行為監(jiān)測(cè)，根據(jù)人員在移位過程中的相對(duì)運(yùn)動(dòng)參數(shù)的求解過程和根據(jù)運(yùn)動(dòng)參數(shù)進(jìn)行的補(bǔ)償過程，得到嵌入式視覺模型[mj（j=1，2，…，m） ?mj∈M]的校正概率：

[uj（k）=P（mj（k）/zk） " " " "=1cP（z（k）/mj（k），zk-1）P（mj（k）/zk-1） " " " "=1cΛj（k）cj] " （12）

在視頻幀圖像陣列中，提取人員異常行為的視覺特征，特征提取的狀態(tài)方程和觀測(cè)方程的離散形式為：

[x（k+1）=Φi（k）x（k）+wi（k）， "i=1，2，…，mz（k）=Hi（k）x（k）+vi（k）， "i=1，2，…，m] " （13）

式中，[wi（k）]和[vi（k）]為狀態(tài)噪聲和觀測(cè)噪聲，協(xié)方差矩陣分別為[Qi（k）]和[Ri（k）]。得到參考圖像和待匹配圖像中計(jì)算層級(jí)窗口，圖像位差為：

[Il（n1，n2）=14i1=01i2=01Il-1（2n1+i1，2n2+i2）] （14）

[Jl（n1，n2）=14i1=01i2=01Jl-1（2n1+i1，2n2+i2）] （15）

在一個(gè)7×7像素的匹配窗口（以參考點(diǎn)為中心選定的圖像區(qū)域）內(nèi)擬合干擾向量，以鄰域灰度值向量之間像素點(diǎn)為平均結(jié)構(gòu)相似性聚類中心，計(jì)算人員異常行為檢測(cè)全圖所有像素點(diǎn)的加權(quán)平均位置的估計(jì)值，即：

[NLM[g]（i）=j∈Ωw（i，j）g（j）] " " " " （16）

對(duì)目標(biāo)的位置進(jìn)行一步或者N步預(yù)測(cè)，且在預(yù)測(cè)位置的區(qū)域搜索目標(biāo)，得到人員異常行為監(jiān)測(cè)特征輸出結(jié)果為：

[w（i，j）=1Z（i）exp-d（i，j）h2] " " " " " （17）

其中：

[Z（i）=j∈Ωexp-d（i，j）h2] " " " " "（18）

通過由三角關(guān)系和幾何關(guān)系得到目標(biāo)人員異常行為的方位信息和視覺特征信息，實(shí)現(xiàn)準(zhǔn)確監(jiān)測(cè)。算法改進(jìn)實(shí)現(xiàn)流程如圖3所示。

lt;E：＼王芳＼現(xiàn)代電子技術(shù)201506＼現(xiàn)代電子技術(shù)15年38卷第6期＼Image＼37t3.tifgt;

圖3 算法改進(jìn)實(shí)現(xiàn)流程

4 "仿真實(shí)驗(yàn)與結(jié)果分析

為了測(cè)試本文算法在實(shí)現(xiàn)人員異常行為監(jiān)測(cè)中的性能，進(jìn)行仿真實(shí)驗(yàn)和設(shè)計(jì)。仿真實(shí)驗(yàn)的硬件環(huán)境為PC機(jī)，操作系統(tǒng)為Windows 7，系統(tǒng)內(nèi)存為4 GB的普通計(jì)算機(jī)上采用Matlab 2012實(shí)現(xiàn)的算法仿真。平面圓陣取[θ=45°]，r=3 m，[στ=1] μs，取基元數(shù)從4開始按照4的倍數(shù)增加，設(shè)單幀視頻信號(hào)頻率f=4 kHz，采樣頻率[fs]=20 kHz，視頻序列的目標(biāo)分割的像點(diǎn)數(shù)N=200，人員視頻信號(hào)采集周期為[T=5Ts]，得到灰度值時(shí)延[τ≤2.5Ts]。設(shè)定其他陣元相對(duì)參考陣元的時(shí)延為[τ12]=1.55[Ts]，[τ13=1.83Ts]，[τ14=2.27Ts]。根據(jù)上述仿真環(huán)境和參數(shù)設(shè)定，進(jìn)行基于圖像處理的人員異常行為監(jiān)測(cè)實(shí)驗(yàn)。以其中2幀視頻圖像為例，提取特定人員的視頻監(jiān)控圖像中的灰度像素值，從而實(shí)現(xiàn)人員定位跟蹤，采用Matlab編程實(shí)現(xiàn)基于視頻幀圖像陣列像素檢測(cè)的人員異常行為監(jiān)測(cè)算法，為對(duì)比算法性能，采用本文算法和傳統(tǒng)方法進(jìn)行人員異常行為監(jiān)測(cè)特征提取對(duì)比，真得到采用本文算法和傳統(tǒng)算法下得到的人員異常行為監(jiān)測(cè)結(jié)果如圖4所示。

lt;E：＼王芳＼現(xiàn)代電子技術(shù)201506＼現(xiàn)代電子技術(shù)15年38卷第6期＼Image＼37t4.tifgt;

圖4 人員異常行為監(jiān)測(cè)特征提取

從圖可見，采用本文設(shè)計(jì)的視頻幀圖像陣列像素檢測(cè)算法進(jìn)行人員異常行為特征監(jiān)測(cè)，能實(shí)現(xiàn)對(duì)特定人員的準(zhǔn)確定位和清晰識(shí)別，特別是第320幀和515幀目標(biāo)離開和進(jìn)入?yún)^(qū)域時(shí)的判斷比較準(zhǔn)確，能夠可靠地跟蹤和計(jì)數(shù)，能有效反映出人員異常行為的特征細(xì)節(jié)，人員異常行為監(jiān)測(cè)和特征提取性能優(yōu)越。為了定量分析對(duì)比，以圖像監(jiān)測(cè)的檢測(cè)概率作為測(cè)試指標(biāo)，得到不同方法下實(shí)現(xiàn)人員異常行為監(jiān)測(cè)的檢測(cè)概率對(duì)比曲線如圖5所示。從圖可見，采用本文算法，能有效提高對(duì)人員異常行為監(jiān)測(cè)的檢測(cè)概率，性能提高。

5 "結(jié) "語(yǔ)

對(duì)人員異常行為有效的監(jiān)測(cè)可以提高視頻監(jiān)控和異常狀態(tài)突發(fā)情況的智能識(shí)別能力。本文提出一種基于視頻幀圖像陣列像素檢測(cè)的人員異常行為監(jiān)測(cè)算法，首先進(jìn)行了人員異常行為特征數(shù)據(jù)采集模型設(shè)計(jì)，得到基于雙相機(jī)視頻監(jiān)控的人員異常行為視覺特征采集模型，然后采用視頻幀圖像陣列像素檢測(cè)算法，進(jìn)行異常行為特征提取算法改進(jìn)，得到鄰域灰度值向量之間像素點(diǎn)為平均結(jié)構(gòu)相似性聚類中心，計(jì)算人員異常行為檢測(cè)全圖所有像素點(diǎn)的加權(quán)平均位置的估計(jì)值，實(shí)現(xiàn)人員異常行為監(jiān)測(cè)算法改進(jìn)，仿真結(jié)果表明，采用本文設(shè)計(jì)的視頻幀圖像陣列像素檢測(cè)算法進(jìn)行人員異常行為特征監(jiān)測(cè)，能實(shí)現(xiàn)對(duì)特定人員的準(zhǔn)確定位和清晰識(shí)別，檢測(cè)概率較高，性能優(yōu)越。

lt;E：＼王芳＼現(xiàn)代電子技術(shù)201506＼現(xiàn)代電子技術(shù)15年38卷第6期＼Image＼37t5.tifgt;

圖5 人員異常行為檢測(cè)性能對(duì)比

參考文獻(xiàn)

[1] 志丹，和紅杰，尹忠科，等.基于塊結(jié)構(gòu)稀疏度的自適應(yīng)圖像修復(fù)算法[J].電子學(xué)報(bào)，2013，41（3）：549?554.

[2] 胡光波，周勇，徐騫.改進(jìn)向量量化算法的圖像壓縮研究[J].科學(xué)技術(shù)與工程，2010，10（14）：3517?3519.

[3] 杜輝.基于小波變換的彩色圖像中快速人臉檢測(cè)算法[J].科技通報(bào)，2012，12（28）：89?90.

[4] CRISTANI M， RAGHAVENDRA R， BUE D A. Human behavior analysis in video surveillance： a social signal processing perspective [J]. Neurocomputing， 2013， 100（1）： 86?97.

[5] 傅興玉，龍紅建，付琨.基于改進(jìn)Markov隨機(jī)場(chǎng)的高分辨率SAR圖像建筑物分割算法[J].電子學(xué)報(bào)，2012，40（6）：1041?1047.

[6] 徐勝軍，韓九強(qiáng)，趙亮，等.用于圖像分割的局部區(qū)域能量最小化算法[J].西安交通大學(xué)學(xué)報(bào)，2011，45（8）：7?12.

[7] 羅海馳，李岳陽(yáng)，孫俊.一種基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)的圖像濾波方法[J].計(jì)算機(jī)科學(xué)，2013，40（7）：302?306.

[8] 陶濤，夏新宇，李琳，等.面向數(shù)據(jù)融合計(jì)算的動(dòng)畫角色處理平臺(tái)[J].合肥工業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)版，2014，31（1）：59?62.