基于运动图像序列的异常行为检测(3)

第7期

Dy(x,y),则运动历史图像的梯度方向为

吴艳平,等:基于运动图像序列的异常行为检测

(2743 (

5%, 0=7,T0=63。利用VC和OpenCV对本文的实验算法进

(7)

O(x,y)=arctan(Dy(x,y)/Dx(x,y))

行验证,得出该方法平均处理速度可以达到26.73fps,能够满足一般监控系统实时性的要求。以下列举一些视频的处理结果。图6、7为一人正常行走,在整个视频过程中,运动方向在允许的误差范围内一直保持不变,故判断为正常动作。

计算某些选择区域的全局运动方向需要对对应区域的MHI值进行标准化处理,并对其进行加权。加权的原则是使用模板中最近的运动具有最大影响度,计算公式为

#=#ref+

x,y

angDiff(#(x,y),#ref) nom( , ,MHI(x,y))

x,y

nom( , ,MHI(x,y))

(8)

其中:#为全局运动方向角度;#re为基本方向作为直方图最大f值的坐标;#(x,y)为通过计算梯度卷积获取的运动方向;an gDiff(#(x,y),#ref)为某方向与参考角度之间的最小度数的有符号的角度差;nom( , ,MHI(x,y))为标准化的MHI值,即利用当前时间 及固定最大时间跨度 将MHI进行线性化并且归一化。3 3 运动分割

运动历史图像的优点在于使用轮廓逐渐填充的方法,如图5(a)所示,利用这个特点可以解决运动分割问题。由于MHI在构造上给时间上最近的运动区域赋予最大的值,可以通过扫描整个图像找到这个值,然后沿着最近的运动像素的轮廓找出运动的区域。具体步骤如下:

a)扫描MHI直至找到具有当前时间戳的像素,如图5(b)所示。

b)沿着当前轮廓向外找到没有标记的运动图像,当轮廓被找到后,用前下填充标记它。

c)存储找到的分割掩码,如图5(c)所示。d)继续直到寻找完所有的轮

廓。

图8为一组人徘徊事件的视频帧,从左到右分别对应第35、82、111、135帧。运动方向在两个方向上交替进行,达到设定要求后判断为异常事件并报警处理。

图9为一人遗失物体时对应的第88、120、137、181帧。由运动方向可以看出,该人有明显的下蹲动作,运动方向逐渐下

4 异常判断

假定在前景中只有单人的前提下,对每一帧图像中经过运动分割处理产生的运动部件进行判断,选择出符合要求的运动分割部件,判断条件如下:

a+b)C0S)S0 %0

(9)

移再逐渐恢复。由上文所述算法可以同样判断为异常事件并报警处理。

其中:a、b和S0分别是分割部件矩形区域的长度、宽度和面积;S为此矩形区域内前景像素点的个数;C0和%0为设定的参数。如果符合以上条件,则为符合要求的运动区域。

假定符合要求的运动部件有m个,其全局运动方向分别为#1,#2, ,#m,则对于该帧的运动方向可规定如下:

#1+#2+ +#m

#nx=

m

(10)

对每类行为获取一定数量的视频序列进行逐一检验,如表1所示,可以看出该方法能够较精确地识别出异常行为,但对于一些正常行为存在错误判断。对这些视频进行具体分析,得出正常行为中误检的主要原因在于对一些外界因素(衣服飘荡、行走时大幅度摆动四肢等)不够鲁棒。同时,在徘徊的判断时,过早地进行异常判断,分析得出每一次转身过程中运动

则n与n+1帧之间运动方向改变差值T为

T=#(n+1)x-#nx

(11)

方向改变多次从而提早达到判断条件。

当运动方向改变的幅度T超过规定角度T0,即T>T0且符合此条件的次数 超过规定次数 0,即 > 0,则认为此人的行为可疑并发出报警。

5 实验结果

,设:C=100,%0=

总体来说,该方法能够实时有效地检测出特定场所的异常,

百度搜索“77cn”或“免费范文网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读，免费范文网，提供经典小说综合文库基于运动图像序列的异常行为检测(3)在线全文阅读。