群體異常監(jiān)測系統(tǒng)中特征點(diǎn)的提取與優(yōu)化研究

薛靜

Research on Extraction and Optimization of Feature Points in Swarm Anomaly Monitoring System

XUE Jing

（Xi'an Railway Vocational & Technical Institute， Xi'an 710014， China）

【摘? 要】針對公共場合安全監(jiān)控等方面的應(yīng)用需求，論文研究并設(shè)計(jì)實(shí)現(xiàn)了一個(gè)人群突發(fā)異常行為的監(jiān)測系統(tǒng)。目前應(yīng)用的大多數(shù)系統(tǒng)主要是對運(yùn)動對象進(jìn)行監(jiān)測和跟蹤。為提高監(jiān)測的精確度，提升監(jiān)測效率，在監(jiān)測過程中通過對特征點(diǎn)進(jìn)行判斷處理會得到更好的效果。所以在樣本中選取合適、準(zhǔn)確的特征點(diǎn)是關(guān)鍵。論文主要從某一范圍內(nèi)高度唯一性和處于運(yùn)動前景區(qū)域的并具有良好運(yùn)動屬性的特征點(diǎn)兩方面進(jìn)行判斷選取。根據(jù)判定條件，依據(jù)Harris特征點(diǎn)提取算法對特征點(diǎn)進(jìn)行初步提取，再通過混合高斯背景建模算法對特征點(diǎn)進(jìn)行進(jìn)一步的篩選。

【Abstract】In view of the application requirements of safety monitoring in public places， this paper studies and designs a monitoring system for sudden abnormal behavior of people. Most of the systems used at present mainly monitor and track moving objects. In order to improve the accuracy and efficiency of monitoring， better results can be obtained by judging and processing feature points in the process of monitoring. Therefore， selecting appropriate and accurate feature points in the sample is the key. The paper mainly selects the feature points which are highly unique in a certain range and which are in the motion foreground region and have good motion attributes. According to the decision conditions， the feature points are extracted preliminarily according to the Harris feature point extraction algorithm， and then the feature points are further screened by the mixed Gaussian background modeling algorithm.

【關(guān)鍵詞】群體異常監(jiān)測;特征點(diǎn);運(yùn)動前景區(qū)域

【Keywords】population anomaly monitoring; feature points; motion foreground region

【中圖分類號】TP274;TP391.4? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?【文獻(xiàn)標(biāo)志碼】A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?【文章編號】1673-1069（2021）05-0176-02

1 引言

科技高速發(fā)展，社會日益進(jìn)步，人們因?yàn)橐恍┗顒咏?jīng)常要出席各類公共場合，社會公共安全一直是人們比較關(guān)注的問題。如何通過高科技手段最大限度地降低危險(xiǎn)發(fā)生率一直是人們研究的重點(diǎn)。在人群聚集地區(qū)，各類危險(xiǎn)的事件偶有出現(xiàn)，一但發(fā)生后果將不堪設(shè)想，不僅威脅到人類的生命安全，帶來的經(jīng)濟(jì)損失也是巨大的。為盡可能地減少發(fā)生危險(xiǎn)的概率，同時(shí)如若發(fā)生此類情況能夠盡量降低損失，人們大多的處理措施就是安裝視頻監(jiān)控系統(tǒng)，在監(jiān)控室有專人進(jìn)行監(jiān)控并處理突發(fā)事件。但實(shí)際情況是，人的精力有限同時(shí)注意力也不可能長時(shí)間高度集中，這樣就給監(jiān)控工作帶來了不小的隱患。

針對這個(gè)問題，最好的辦法就是使用計(jì)算機(jī)上運(yùn)行的智能監(jiān)控系統(tǒng)進(jìn)行24h不間斷自動監(jiān)測，不僅可以提高監(jiān)測效果，最大限度地降低危險(xiǎn)發(fā)生的概率，同時(shí)也解放了人力。在這里，智能監(jiān)控系統(tǒng)的設(shè)計(jì)是重點(diǎn)，算法尤為重要。為提高監(jiān)測的精確度、提升監(jiān)測效率，在監(jiān)測過程中通過對特征點(diǎn)進(jìn)行判斷處理會得到更好的效果。所以在樣本中選取合適、準(zhǔn)確的特征點(diǎn)是關(guān)鍵，主要從某一范圍內(nèi)高度唯一性和處于運(yùn)動前景區(qū)域的并具有良好運(yùn)動屬性的特征點(diǎn)兩方面進(jìn)行判斷選取。根據(jù)判定條件，依據(jù)Harris特征點(diǎn)提取算法對特征點(diǎn)進(jìn)行初步提取，再通過混合高斯背景建模算法對特征點(diǎn)進(jìn)行進(jìn)一步的篩選。

2 提取樣本特征點(diǎn)

選取特征點(diǎn)上采用Harris角點(diǎn)，在運(yùn)動前景區(qū)域進(jìn)行特征點(diǎn)選取并且要保證在某一特定范圍內(nèi)是唯一的。為達(dá)到這個(gè)目的，在特征點(diǎn)的選擇和抽取過程中，依據(jù)經(jīng)過Shi和Tomasi改良后的Harris強(qiáng)角點(diǎn)算法進(jìn)行提取操作。

具體的提取操作過程進(jìn)行如下說明：

步驟1：對圖像中水平和垂直方向上各像素點(diǎn)的灰度梯度值進(jìn)行計(jì)算，同時(shí)進(jìn)行乘積以及各自平方值的求取，從而求得關(guān)于圖像灰度強(qiáng)度的二階導(dǎo)數(shù)矩陣。

步驟2：在上一步中我們得到了一個(gè)二階導(dǎo)數(shù)矩陣，我們需要利用高斯函數(shù)對它進(jìn)行處理，同時(shí)進(jìn)行圖像平滑處理操作，消除圖像的噪聲并抽取對象特征，從而得到新的二階導(dǎo)數(shù)矩陣。

步驟3：步驟2中得到的新的二階導(dǎo)數(shù)矩陣是非常有用的，通過它對像素角點(diǎn)進(jìn)行處理可以得到我們需要的響應(yīng)函數(shù)，即：

R=det（M）-k（trace（M））2? ? ? ? ? ? （1）

為得到更精確的數(shù)據(jù)，在計(jì)算過程中采用了改良后的算子，即：

步驟4：進(jìn)行閾值選取工作，計(jì)算出的算子同時(shí)滿足以下兩個(gè)條件時(shí)就被判定為角點(diǎn)：①比閾值threshold大;②是某鄰域內(nèi)的局部極大值。

3 對運(yùn)動前景進(jìn)行分割提取

為更好地對特征點(diǎn)集合進(jìn)行優(yōu)化處理，需要提前對運(yùn)動前景區(qū)域進(jìn)行有效提取。在運(yùn)動前景的檢測過程中，背景大多數(shù)情況下都是不會變化的，所以可以采用很多背景建模算法，為能夠?qū)\(yùn)動前景區(qū)域進(jìn)行準(zhǔn)確的動態(tài)獲取，本文選用了混合高斯背景建模法。

對具體的運(yùn)動前景區(qū)域提取過程設(shè)計(jì)如下：

步驟1：在最開始，對K個(gè)高斯分量賦予初值？滓2，給每個(gè)高斯分量的權(quán)重賦初值為ω=1/K，然后取來對K個(gè)高斯分量的均值賦初值為第一幀圖像的像素值，得到最初的混合高斯背景模型。

步驟2：依據(jù)式（4）的結(jié)果同時(shí)結(jié)合混合高斯模型中的K個(gè)高斯分量依次與圖像幀中的像素進(jìn)行比對，來判斷該像素點(diǎn)是屬于背景區(qū)域還是屬于前景區(qū)域。

步驟3：更新高斯分量的權(quán)重分配，將xj與第i個(gè)高斯分量進(jìn)行匹配判定，如果吻合，就用xj替代此高斯分量，最后將更新后的所有高斯分量的權(quán)重進(jìn)行歸一化處理，如式（4）所示。

式（4）中？琢是指關(guān)于模型的學(xué)習(xí)率。

步驟4：根據(jù)上一步計(jì)算結(jié)果進(jìn)行均值μ和標(biāo)準(zhǔn)差？滓的進(jìn)行更新操作，具體計(jì)算方法如式（5）所示。

式（5）中ρ指使用參數(shù)的學(xué)習(xí)率。

步驟5：按照上述步驟完成所有更新操作后，就可以選取前Bj個(gè)高斯分量作為背景分布，即可按照式（6）得到各個(gè)因素的邊緣相分布和因素之間的條件相分布：

式（6）中th為預(yù)先設(shè)定的閾值。提高閾值，則提取的角點(diǎn)數(shù)目變少;降低閾值，則提取的角點(diǎn)數(shù)目變多。

4 提取與優(yōu)化運(yùn)動前景區(qū)特征點(diǎn)

在上面的一系列操作過程中，我們已經(jīng)通過Harris算法提取了符合要求的特征點(diǎn)集，接著我們進(jìn)一步對所提取的特征點(diǎn)進(jìn)行分解，分為圖像背景區(qū)特征點(diǎn)和運(yùn)動前景區(qū)特征點(diǎn)兩類。

對于前者，因?yàn)楸尘按蠖嗍枪潭ú蛔兊模源祟愄卣鼽c(diǎn)不具備運(yùn)動特性，要想獲取相應(yīng)的運(yùn)動信息就較困難。我們主要的目標(biāo)關(guān)注點(diǎn)是位于運(yùn)動前景區(qū)的特征點(diǎn)。我們的做法是在良好去除背景區(qū)特征點(diǎn)的同時(shí)對運(yùn)動區(qū)特征點(diǎn)進(jìn)行保留。要想完美地實(shí)現(xiàn)這個(gè)目標(biāo)就需要先創(chuàng)建混合高斯背景建模法來描述每一幀圖像中某一像素點(diǎn)在時(shí)間序列上滿足的統(tǒng)計(jì)規(guī)律，當(dāng)出現(xiàn)不符合這個(gè)統(tǒng)計(jì)規(guī)律的像素點(diǎn)時(shí)就認(rèn)為它隸屬于運(yùn)動前景，以此來進(jìn)行像素點(diǎn)的提取并進(jìn)行特征點(diǎn)的篩選。

步驟1：利用DirectShow技術(shù)實(shí)時(shí)捕捉視頻流中的圖像幀作為研究對象。

步驟2：對視頻圖像進(jìn)行預(yù)處理操作，轉(zhuǎn)化顏色空間模型，設(shè)U、V信號分量為零，從而通過使用Y信號分量獲得相應(yīng)的灰度圖像G。

步驟3：對圖像灰度進(jìn)行操作，計(jì)算圖像灰度分布的曲率，以最大曲率的點(diǎn)作為角點(diǎn)，將其作為特征點(diǎn)Hp[m]。

步驟4：創(chuàng)建混合高斯背景建模法來描述每一幀圖像中某一像素點(diǎn)在時(shí)間序列上滿足的統(tǒng)計(jì)規(guī)律，當(dāng)出現(xiàn)不符合這個(gè)統(tǒng)計(jì)規(guī)律的像素點(diǎn)時(shí)就認(rèn)為它隸屬于運(yùn)動前景，得出運(yùn)動前景區(qū)域，用點(diǎn)集Fp[n]表示。

步驟5：采用中值濾波器可以有效去除斑點(diǎn)噪聲和椒鹽噪聲，對點(diǎn)集Fp[n]進(jìn)行降噪處理，從而得到連通性較好的運(yùn)動前景區(qū)域，用點(diǎn)集Fp_effec[t]表示。

步驟6：采用以點(diǎn)為中心的的窗口進(jìn)行點(diǎn)集Hp[m]與Fp_effec[t]交集操作，結(jié)果會得到兩個(gè)點(diǎn)集的交集Hp_effec[k]，這就是本文所需要的處于運(yùn)動前景區(qū)域的有效特征點(diǎn)集。

5 結(jié)語

針對公共場合安全監(jiān)控等方面的應(yīng)用需求，論文研究并設(shè)計(jì)實(shí)現(xiàn)了一個(gè)人群突發(fā)異常行為的監(jiān)測系統(tǒng)。首先，對使用Harris算法與混合高斯背景建模算法提取和優(yōu)化特征點(diǎn)的方法進(jìn)行介紹，特別是對于運(yùn)動前景如何進(jìn)行有效分割開展了研究，并初步得到了良好的效果。其次，通過混合高斯背景建模算法對特征點(diǎn)進(jìn)行進(jìn)一步的篩選。采用中值濾波器可以有效去除斑點(diǎn)噪聲和椒鹽噪聲，使圖像亮度平緩漸變、減小突變梯度，大大改善了圖像質(zhì)量，提升了優(yōu)化結(jié)果。通過各項(xiàng)改進(jìn)措施，最終得到了符合要求的特征點(diǎn)，同時(shí)也大大減少了特征點(diǎn)的數(shù)量，這一點(diǎn)是很重要的，因?yàn)樗鼘笃诠ぷ鞯暮喕泻艽蟮膸椭瑴p少了計(jì)算量，同時(shí)有效地提升了系統(tǒng)的運(yùn)行效率。

【參考文獻(xiàn)】

【1】秦莉娟.基于內(nèi)容的自動視頻監(jiān)控研究[D].杭州：浙江大學(xué)，2006.

【2】鐘志，徐揚(yáng)生，石為人，等.群體異常檢測[J].儀器儀表學(xué)報(bào)，2007，28（4）：51-53.