基于智能視頻監(jiān)控的異常行為識(shí)別的方法

胡艷歌 劉藝航 王婧琦

摘要：近年來(lái)，各方面對(duì)人們施加的壓力越來(lái)越大，導(dǎo)致人們患有精神疾病的概率也大大增加。本研究提出對(duì)精神病人進(jìn)行異常行為識(shí)別的方式。首先，要有視頻圖象的收集和預(yù)處理。其次，是介紹人體目標(biāo)檢測(cè)與跟蹤的算法。最后，對(duì)精神病人的異常行為進(jìn)行識(shí)別。

關(guān)鍵詞：智能視頻監(jiān)控;人體目標(biāo)檢測(cè);人體目標(biāo)跟蹤;異常行為識(shí)別;VIBE算法

1前言

為了實(shí)現(xiàn)在精神病院中對(duì)精神病人的安全管理，本文提出了基于智能視頻監(jiān)控的異常行為識(shí)別的方法去監(jiān)測(cè)精神病人的行為是否異常，如有異常，及時(shí)報(bào)警，讓醫(yī)護(hù)人員知曉并采取措施以保證精神病人的安全。這可以提高醫(yī)護(hù)人員救治的效率，也大大降低了醫(yī)護(hù)人員人工查房的頻率，可以對(duì)醫(yī)院中的患者實(shí)現(xiàn)高效管理。本文鉆研分為三步，第一是視頻圖象的搜集和預(yù)處理。視頻圖象的收集和預(yù)處理是圖像中目標(biāo)檢測(cè)和識(shí)別的條件，在實(shí)行運(yùn)動(dòng)目標(biāo)檢測(cè)和行為識(shí)別之前，先提取視頻中的幀圖象，再對(duì)幀圖象進(jìn)行處理以提升圖象效果，使得后續(xù)算法不受影響，最后的檢測(cè)識(shí)別結(jié)果更加切確。第二是對(duì)精神病人實(shí)行檢測(cè)和跟蹤。精神病人的檢測(cè)重要是以VIBE算法為基礎(chǔ)的運(yùn)動(dòng)前景提取，最終實(shí)現(xiàn)VIBE算法的運(yùn)動(dòng)對(duì)象檢測(cè)。精神病人的跟蹤的核心算法是模板匹配算法。最大限度地檢測(cè)病人來(lái)得到其地域特性，然后在每個(gè)模塊內(nèi)以和病人相一致的模塊來(lái)追蹤病人。第三是對(duì)精神病院中的病人進(jìn)行異常行為識(shí)別。

2視頻圖像的采集與處理

由于本文主要是研究精神病院病人的安全管理問(wèn)題，考慮到應(yīng)用的場(chǎng)景，拉普拉斯算子比較適用于整體對(duì)比度和亮度值都較低的圖像，本文決定采用拉普拉斯算子算法來(lái)進(jìn)行圖像的增強(qiáng)。

拉普拉斯算子：獲得拉普拉斯算法后，先對(duì)圖象實(shí)行處置，之后與最初的圖象進(jìn)行卷積運(yùn)算，就可以獲得加強(qiáng)后的圖象。

3精神病人的檢測(cè)與跟蹤

3.1運(yùn)動(dòng)目標(biāo)的檢測(cè)與提取概述

本文研究過(guò)程中所用到的運(yùn)動(dòng)目標(biāo)檢測(cè)都是基于靜態(tài)攝像頭的，所以背景中環(huán)境比較復(fù)雜。VIBE屬于通用性的檢測(cè)算法，本文采用VIBE背景建模為檢測(cè)運(yùn)動(dòng)目標(biāo)的算法。

3.2 VIBE背景建模算法

建立背景模型，樣本值所具有的數(shù)目共有N個(gè)，在U大于閾值Umin的狀態(tài)下，樣本值與背景模型是比較近似的，歸于背景。VIBE背景模型的切確程度與R和Umin有關(guān)。VIBE布景更新是和更新的措施有關(guān)系的。在隨機(jī)的樣本中，所用到的樣本在生命周期上表現(xiàn)出指數(shù)衰減，樣本會(huì)不會(huì)保留下來(lái)是和時(shí)間沒(méi)有關(guān)系的。樣本的更新的幾率是相同的。這就使模型有很好的更新?tīng)顟B(tài)。

3.3運(yùn)動(dòng)目標(biāo)跟蹤算法

運(yùn)動(dòng)目標(biāo)跟蹤算法，完成對(duì)運(yùn)動(dòng)目標(biāo)的辨別和分類。

本節(jié)采納了以多種特點(diǎn)模板的模板匹配為基礎(chǔ)的跟蹤算法實(shí)行目標(biāo)跟蹤。該算法是整合了上述方法中的前兩種而得來(lái)的。

這種算法主要有以下幾個(gè)特性：

（1）聯(lián)系跟蹤紋理、顏色等特性，構(gòu)成運(yùn)動(dòng)對(duì)象跟蹤的特性。提升跟蹤的精確度。

（2）完成了多個(gè)幀的跟蹤后，利用檢測(cè)模塊對(duì)跟蹤目標(biāo)更新。

（3）展望對(duì)象搜索范疇，可對(duì)目標(biāo)的位置進(jìn)行預(yù)判。

4精神病人的異常行為識(shí)別

4.1基于人體外接矩形寬高比的跌倒行為的判斷

該算法首先要確定人體自然站立時(shí)的狀態(tài)，在此狀態(tài)下得出外接矩形框的寬（W）和高（H）。人體若是發(fā)生了跌倒行為，矩形框在這種狀況下一定會(huì)呈現(xiàn)變動(dòng)。對(duì)此進(jìn)行設(shè)想，正常情況下也就是直立行走時(shí)H>W，而摔倒情況下，有H

當(dāng)人體外接矩形的寬高比遠(yuǎn)小于1時(shí)，人體處于正常的豎立狀態(tài);而當(dāng)寬高比遠(yuǎn)大于1時(shí)，人體則處于跌倒形態(tài)。

4.2基于質(zhì)心偏離水平的跌倒行的判斷

要測(cè)量樣本值的偏離水平，可以用標(biāo)準(zhǔn)差來(lái)完成。本節(jié)要對(duì)人體的質(zhì)心值進(jìn)行測(cè)量，可以根據(jù)p來(lái)完成。

如果豎立行動(dòng)是正常的，p值波動(dòng)會(huì)很小;如果發(fā)生了摔倒，那么在極短的時(shí)間里會(huì)有非常大的質(zhì)心位置的變化，p值波動(dòng)會(huì)很是大。因而可以得到一個(gè)用于判斷跌倒行為的規(guī)則[3]。

5實(shí)驗(yàn)結(jié)果與分析

本文選擇使用拉普拉斯算子來(lái)進(jìn)行處理。實(shí)驗(yàn)結(jié)果表明，處理之后的圖象加倍清晰，邊沿特點(diǎn)更為明顯，有利于后續(xù)的目標(biāo)識(shí)別。第二步是精神病人的檢測(cè)和跟蹤。第三步是精神病院病人異常行為識(shí)別，p值越大，說(shuō)明病人摔倒的可能性越大。

6結(jié)束語(yǔ)

利用視頻監(jiān)控和異常行為識(shí)別可以更好地照顧他們，防止意外發(fā)生或者減少一些意外的傷害和損失。

參考文獻(xiàn)

[1]朱敏，朱振福，等.一種用于運(yùn)動(dòng)目標(biāo)檢測(cè)的背景建模方法：CN103700116A[P].2014：2-4.

[2]李旋旋，張仁杰.一種基于Kineet的人體摔倒檢測(cè)方法[J].軟件導(dǎo)刊，2017（ 07 ）：128-130.

作者簡(jiǎn)介，胡艷歌（1995，05-），女，漢族，河南許昌人，河南師范大學(xué)本科在讀，研究方向：物聯(lián)網(wǎng)工程;

劉藝航（1999，02 -），女，漢族，河南新鄉(xiāng)人，河南師范大學(xué)本科在讀，研究方向：計(jì)算機(jī)科學(xué)與技術(shù);

王婧琦（1997，10-），女，漢族，河南新鄉(xiāng)人，河南師范大學(xué)本科在讀，研究方向：軟件開(kāi)發(fā)。

本文系智能視頻分析的人體行為識(shí)別項(xiàng)目階段性成果，項(xiàng)目編號(hào)為S201810476026。