基于圖像處理的人員異常行為監測設計

摘 "要： 通過對人員異常行為有效的監測算法設計，提高視頻監控和異常事故的智能識別能力。傳統的人員異常行為監測算法采用視頻步進跟蹤學習方法，由于人員的隨機性和不確定性，導致視覺識別效果不好。基于圖像處理理論，提出一種基于視頻幀圖像陣列像素檢測的人員異常行為監測算法，進行了人員異常行為特征數據采集模型設計，得到基于雙相機視頻監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算法，進行異常行為特征提取，得到鄰域灰度值向量之間像素點為平均結構相似性聚類中心，計算人員異常行為檢測全圖所有像素點的加權平均位置的估計值，實現人員異常行為監測算法改進。仿真結果表明，采用該算法進行人員異常行為特征監測，能實現對特定異常人員的準確定位和清晰識別，異常檢測概率較高，性能優越，在安防監控系統設計等領域具有較好的應用價值。

關鍵詞： 圖像處理; 異常行為監控; 智能識別; 數據采集

中圖分類號： TN919?34; TP391 " " " " " " 文獻標識碼： A " " " " " " " " " " " " "文章編號： 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

計算機圖形和圖像處理技術得到快速發展，如今廣泛應用在遠程目標識別、遙感數據特征提取、圖像修復和智能系統控制等領域，在智能視頻監控系統中，需要采用圖像處理技術實現對人員和區域的行為監測，通過對人員密集區域的智能監測設計，提高對人員異常行為的智能識別和預警能力，在安防監控和安檢識別等鄰域具有重要的應用價值。

隨著計算機圖像處理技術的發展，采用傳統的靠人工識別的方法對視頻監控圖像進行觀察監控的做法已經不能滿足當前對人員異常行為智能識別和監控的效果，研究更為有效的人員異常行為監測算法受到廣大專家學者的重視。對此，許多學者進行相關系統和算法設計的研究，取得了一定的成果[1]，其中，文獻[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，實現對人員面部相異特征匹配，但該算法的普適性不好。文獻[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，該算法無法對光照變化和隨機狀態分布下的復雜環境人員進行準確檢測，對人員異常行為特征提取效果不好。文獻[4]采用視頻步進跟蹤學習方法，由于人員的隨機性和不確定性，導致視覺識別效果不好[5?8]。針對上述問題，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的人員異常行為監測算法，首先進行了人員異常行為特征數據采集模型設計，然后采用視頻幀圖像陣列像素檢測算法，進行異常行為特征提取算法改進，最后進行仿真實驗，驗證本文算法的優越性能，得出有效性結論。

1 "人員異常行為視覺特征采集

通過監控視頻圖像，采用計算機視覺技術使計算機能夠通過2維或者3維圖像識別，進行人員異常行為的視覺特征采集，整個人員視覺特征采集系統采用4臺計算機，3臺顯示器，虛擬現實設備設計，整個系統的控制是通過連有手控器的計算機來實現對人員聚集區域的監控。人員異常行為特征采集中，由于人員是移動目標，因此采用運動目標圖像定位方法，生成時間序列生成，運動目標圖像2階運動目標圖像[λ]函數可以寫成：[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[i=1]時，[s=1i-1（ns-1）=0]，對每一個產生最大灰度值的輪廓點進行運動特征提取，根據視頻監控圖像中的灰度像素值，進行原始信號提取和信號預處理，由控制點[Vij∈R3，其中，l1（m-1）+1;j=0，1，…，]定義一張由[l1×l2]個[m×n]階曲面片構成的組合[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）

從而準確得到目標人員的方位信息和視覺特征信息，然后進行視頻圖像的背景建模，設[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為監控視頻相機的前幀序號，采用雙相機視頻監控方法，基于雙相機視頻監控的人員異常行為視覺特征采集模型如圖1所示。從而，采用三角測算原理得到二維圖像坐標轉換矩陣計算式為：

[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像素，建立圖像正常掃描與運動參數變化關系，實現人員異常行為視覺特征采集。

lt;E：＼王芳＼現代電子技術201506＼現代電子技術15年38卷第6期＼Image＼37t1.tifgt;

圖1 基于雙相機視頻監控的人員異常

行為視覺特征采集模型

2 "特征提取預處理

在上述模型構建的基礎上，為了實現對人員異常行為檢測，需要對取得圖像幀信號進行基于視頻像素灰度值特征提取，定義特定區域人員運動狀態矢量[x（t）=[x（t），y（t），z（t），x（t），y（t），z（t），x（t），y（t），z（t）]T]，狀態方程和觀測方程為：

[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作狀態混合模型，計算[k]時刻的模型[mj（j=1，2，…，m）?mj∈M]的似然函數：[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）]的正態分布，[Sj（k）]為人員異常行為特征信息協方差矩陣。本文基于視頻幀圖像陣列像素檢測方法，進行人員異常行為特征的提取和預處理，假設待檢測人員分布在以[M]個接收陣元（[M]為偶數）均勻對稱分布的一個圓周上，圓心[O]處布設一個陣元，平面元陣的半徑為[r]，以圓心[O]為坐標圓點建立坐標系，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，對人員進行辨識，得到二階加滯后LPNTI積分過程，求取視頻監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稱性，因而可以證明：

[cos φi+cos "φi+M/2=0] " " " （10）

進行視頻幀圖像陣列跟蹤識別的初始化學習，得到[i=1Mcosφi]=0，由此可以推導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，對取得的圖像幀信號進行基于視頻像素灰度值的特征提取，為實現人員異常行為檢測提供準確的數據基礎。

lt;E：＼王芳＼現代電子技術201506＼現代電子技術15年38卷第6期＼Image＼37t2.tifgt;

圖2 視頻幀圖像陣列示意圖

3 "人員異常行為監測算法改進

設計視頻幀圖像陣列像素檢測算法，最終實現人員異常行為監測，根據人員在移位過程中的相對運動參數的求解過程和根據運動參數進行的補償過程，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，特征提取的狀態方程和觀測方程的離散形式為：

[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）]為狀態噪聲和觀測噪聲，協方差矩陣分別為[Qi（k）]和[Ri（k）]。得到參考圖像和待匹配圖像中計算層級窗口，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7×7像素的匹配窗口（以參考點為中心選定的圖像區域）內擬合干擾向量，以鄰域灰度值向量之間像素點為平均結構相似性聚類中心，計算人員異常行為檢測全圖所有像素點的加權平均位置的估計值，即：

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

對目標的位置進行一步或者N步預測，且在預測位置的區域搜索目標，得到人員異常行為監測特征輸出結果為：

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

其中：

[Z（i）=j∈Ωexp-d（i，j）h2] " " " " "（18）

通過由三角關系和幾何關系得到目標人員異常行為的方位信息和視覺特征信息，實現準確監測。算法改進實現流程如圖3所示。

lt;E：＼王芳＼現代電子技術201506＼現代電子技術15年38卷第6期＼Image＼37t3.tifgt;

圖3 算法改進實現流程

4 "仿真實驗與結果分析

為了測試本文算法在實現人員異常行為監測中的性能，進行仿真實驗和設計。仿真實驗的硬件環境為PC機，操作系統為Windows 7，系統內存為4 GB的普通計算機上采用Matlab 2012實現的算法仿真。平面圓陣取[θ=45°]，r=3 m，[στ=1] μs，取基元數從4開始按照4的倍數增加，設單幀視頻信號頻率f=4 kHz，采樣頻率[fs]=20 kHz，視頻序列的目標分割的像點數N=200，人員視頻信號采集周期為[T=5Ts]，得到灰度值時延[τ≤2.5Ts]。設定其他陣元相對參考陣元的時延為[τ12]=1.55[Ts]，[τ13=1.83Ts]，[τ14=2.27Ts]。根據上述仿真環境和參數設定，進行基于圖像處理的人員異常行為監測實驗。以其中2幀視頻圖像為例，提取特定人員的視頻監控圖像中的灰度像素值，從而實現人員定位跟蹤，采用Matlab編程實現基于視頻幀圖像陣列像素檢測的人員異常行為監測算法，為對比算法性能，采用本文算法和傳統方法進行人員異常行為監測特征提取對比，真得到采用本文算法和傳統算法下得到的人員異常行為監測結果如圖4所示。

lt;E：＼王芳＼現代電子技術201506＼現代電子技術15年38卷第6期＼Image＼37t4.tifgt;

圖4 人員異常行為監測特征提取

從圖可見，采用本文設計的視頻幀圖像陣列像素檢測算法進行人員異常行為特征監測，能實現對特定人員的準確定位和清晰識別，特別是第320幀和515幀目標離開和進入區域時的判斷比較準確，能夠可靠地跟蹤和計數，能有效反映出人員異常行為的特征細節，人員異常行為監測和特征提取性能優越。為了定量分析對比，以圖像監測的檢測概率作為測試指標，得到不同方法下實現人員異常行為監測的檢測概率對比曲線如圖5所示。從圖可見，采用本文算法，能有效提高對人員異常行為監測的檢測概率，性能提高。

5 "結 "語

對人員異常行為有效的監測可以提高視頻監控和異常狀態突發情況的智能識別能力。本文提出一種基于視頻幀圖像陣列像素檢測的人員異常行為監測算法，首先進行了人員異常行為特征數據采集模型設計，得到基于雙相機視頻監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算法，進行異常行為特征提取算法改進，得到鄰域灰度值向量之間像素點為平均結構相似性聚類中心，計算人員異常行為檢測全圖所有像素點的加權平均位置的估計值，實現人員異常行為監測算法改進，仿真結果表明，采用本文設計的視頻幀圖像陣列像素檢測算法進行人員異常行為特征監測，能實現對特定人員的準確定位和清晰識別，檢測概率較高，性能優越。

lt;E：＼王芳＼現代電子技術201506＼現代電子技術15年38卷第6期＼Image＼37t5.tifgt;

圖5 人員異常行為檢測性能對比

參考文獻

[1] 志丹，和紅杰，尹忠科，等.基于塊結構稀疏度的自適應圖像修復算法[J].電子學報，2013，41（3）：549?554.

[2] 胡光波，周勇，徐騫.改進向量量化算法的圖像壓縮研究[J].科學技術與工程，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算法[J].科技通報，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Markov隨機場的高分辨率SAR圖像建筑物分割算法[J].電子學報，2012，40（6）：1041?1047.

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

[7] 羅海馳，李岳陽，孫俊.一種基于自適應神經模糊推理系統的圖像濾波方法[J].計算機科學，2013，40（7）：302?306.

[8] 陶濤，夏新宇，李琳，等.面向數據融合計算的動畫角色處理平臺[J].合肥工業大學學報：自然科學版，2014，31（1）：59?62.