基于Jetson TX2平臺的人員異常行為識別系統研究

廖鵬舉 段和幸 肖旭 郭磊 秦崇文 鄺晶

摘要：基于Jetson TX2平臺的人員異常行為識別系統通過直方圖均衡化算法對監控視頻中的數據進行增強處理，采用幀間-背景差分算法相結合的方式對目標進行檢測，使用基于Camshift和Kalman濾波相結合的跟蹤算法對目標進行跟蹤，最后通過提取的人體表觀特征、光流特征或時空特征對目標的行為特征融合、分類、識別，判斷是否屬于異常行為。

關鍵詞：視頻監控;異常行為;特征提取;行為識別

引言

人員異常行為識別系統在視頻監控領域具有廣泛的應用價值，已成為計算機視覺[1]中的重要部分。在監護領域，通過人員異常行為識別系統，可實現對病患或老人以及小孩的實時監控，判斷目標是否出現跌倒或其他意外[2];在交通監管領域，可以判斷車內人員是否存在著異常情況;在公共安全管理領域，人員異常行為識別系統可以判斷是否存在著影響公眾的生命財產安全事件的。搭載了人員行為識別系統的視頻監控系統能夠將人工從繁雜的視頻監控工作中解放出來，同時能夠從海量的視頻信息中及時的獲取有用的信息。

1.Jetson TX2介紹

Jetson TX2是一種具有超高性能以及超低功耗的計算機模塊。Jetson TX2采用新一代NVIDIA Pascal架構GPU，有256個CUDA核心，處理器有6個CPU核心，內置8 GB L128 bit DDR4內存和32 GB eMMC 5.1 Flash儲存，支持802.11ac WLAN和Bluetooth，支持較為復雜的深度神經網絡[3]，可以滿足多數用于人工智能的算法需求。

2.人員異常行為識別原理

特定場所的小概率行為屬于“異常行為”，對于特定的社會場所而言，不符合法律及道德要求的行為也被稱為“異常行為”。人員異常行為是指特定場所的特定行為，即各場所的異常行為類型各不相同。因此人員異常行為識別需要根據提取的人員行為特征進行判斷是否符合該場所的行為規范。

對目標人員的行為特征提取前，需要對獲得的視頻各幀進行圖像增強處理，檢測其中目標并進行跟蹤，再提取該目標的行為特征，隨后進行特征對比，以獲得相應的結果。

3.人員異常行為識別系統主要技術

3.1 圖像增強處理

常見的圖像增強方法有Gamma校正、同態濾波以及直方圖均衡化等方法。Gamma校正（AC）是一種有效的非線性變換，通過對圖像灰度進行變換，校正亮度，通常應用于提高暗調的細節[3];同態濾波將構建的圖像照度/反射率模型作為頻域進行處理，再與灰度變換結合起來，以獲得高質量的圖像信息;直方圖均衡化算法是將灰度直方圖某個比較集中的區域變成全部范圍內的均勻分布，即將某些概率密度分布比較集中的直方圖區域拉升開來，而稀疏的部分基本上保持不變，從而達到增強圖像對比度的效果[4]。適用于人員異常行為識別的圖像預處理的流程為：當前圖像的各灰度級像素數目，各灰度級的概率密度，累計直方圖，歸一化直方圖。

3.2 目標檢測

目前主要使用的目標檢測算法有幀間差分法、背景差分法、光流法等。幀間差分法與背景差分法類似，都是根據視頻中兩幀圖像的不同來確定目標;光流法是依靠圖像中灰度的時間變化以及圖像場景中物體的結構和運動的關系來檢測目標，其重點在于設備和目標的相對運動，使用這種方法檢測靜止監控的視頻目標，需要其他算法的輔助。故系統選用幀間和背景差分法相結合的方式檢測目標。

運動目標跟蹤算法當前流行的主要有MeanShift算法、CamShift算法、粒子濾波算法以及Blob信息提取算法。Meanshift算法因其固定不變的核函數窗口使得該算法在跟蹤方面的準確性大大降低;Camshift算法在目標被嚴重遮攔的情況下無法進行有效的跟蹤;粒子濾波算法需要用大量的樣本數量才能很好地近似系統的后驗概率密度，這使得算法的復雜度變得很高;基于Blob信息提取的算法其局限性是必須提前知道所跟蹤的目標。本系統擬采用基于Camshift和Kalman濾波相結合的跟蹤算法來對視頻中目標進行跟蹤。

3.4 行為識別

常使用的人體行為特征提取方法如下：

1）基于人體表觀特征的提取方法：捕捉視頻中目標的輪廓或骨骼信息，通過獲取的目標輪廓和骨骼運動，提取模型的質心及姿態，根據模型姿態及質心的變化來描述運動目標的行為;

2）基于時空特征的提取方法：時空特征是結合了目標的形狀和運動特征的表征，可以用興趣點構成的點集表示動作，通過目標的時空興趣點可以提取目標的行為特征;

3）基于光流變化的特征提取方法：通過對目標運動時產生的光流變化進行分析，根據分析對光流區域進行表征，描述目標行為。

人員行為特征信息提取后，要采用適當的分類機制對所有的特征進行歸類處理，為后面測試打下基礎。目標行為識別方面所用到的分類方法主要有支持向量機（SVM）、貝葉斯網絡法、決策樹以及神經網絡等。

4.結束語

基于TX2的人員異常行為系統還可以用卷積神經網絡搭建，但卷積神經網絡需要大量數據進行深度學習。特定場所的異常行為屬于小概率事件，采用上述方式更加簡單，且可以實現程序的并行化，并具有低成本、可嵌入，具有一定智能的、主動式快速報警特點。

參考文獻：

[1]胡智禎，萬晉廷，王毓瑋.論計算機視覺技術在自動化中的應用[J].南方農機，2017，48（5）：125-125.

[2]于乃功，柏德國.基于姿態估計的實時跌倒檢測算法[J].控制與決策，2020，35（11）：2761-2766.

[3]牛雨晴，蘇維均，于重重，劉子越.基于TX2環境的智能監控實時行為識別[J].信息技術與信息化，2021，04：243-245.

[4]胡正平，張樂，李淑芳，孫德綱.視頻監控系統異常目標檢測與定位綜述 [J].燕山大學學報，2019，43（1）：1-12.

基金項目：湖南省大學生創新創業訓練計劃：基于JetsonTX2平臺的人員異常行為識別系統研究與開發（S201911077008）;多功能水域垃圾智能清理裝置（B20170201209）。