基于运动图像序列的异常行为检测

Ab stract : Fo r inte lligent m onitor ing in the pub lic key a reas , this paper resea rched a nove l algorithm to de tect pedestr ian ano m alous behav io rs based onMH I . It used mo tion m i age sequence forMH I to get them o tion directions o f hum an object in eve ry fra m es . So it de ter m ined w he ther the m ov e m ent mode and behav ior of the hum an object was ano m alous based on the var ia tion categories ofm otion d irections . A nd prov ided som e expe rm i enta l resu lts . T he resu lts show that this a lgor ithm is o f low com pu tation comp lex ity thus it can be used fo r ano m aly de tection in rea l tm i e surve illance syste m. K ey words : v ideo surveillance ; anoma ly detection; mo tion histo ry m i ag e( MH I); m otion d irec tion; adapative background subtraction; mo tion segm en tation
第 27卷第 7期 2010年 7月
计 算 机 应 用 研 究 Application R esearch of C o m puters
V o.l 27 N o .7 Ju.l 2010
基于运动图像序列的异常行为检测
吴艳平 , 崔
a , b
*
宇 , 胡士强
c
a
( 上海交通大学 a . 航空航天学院 ; b. 电子信息与电气工程学院; c . 机械与动力工程学院, 上海 200240) 摘 要: 针对公共重点区域的智能监视问题 , 研究了一种基于运动历史图像 ( m otion h istory m i age , MH I) 的行人 异常行为检测方法。 利用运动图像序列得到的 MH I获取视频帧中运动目标的运动方向, 由运动方向的变化分 类确定人体运动模式和行为是否异常 , 同时给出相应的实验结果 。结果表明 , 该方法实现简单 , 具有较好的实时 性与鲁棒性, 可以作为实时监控系统中异常行为检测的有效方法。 关键词: 视频监控; 异常检测 ; 运动历史图像; 运动方向; 自适应背景减除; 运动分割 中图分类号: TP391 文献标志码 : A do: i 10 . 3969 / . j issn. 1001 3695 . 2010. 07. 096 文章编号: 1001 3695( 2010) 07 2741 04
收稿日期 : 2009 12 08 ; 修 回 日期 : ( 2009A A 704301) 2010 01 07
个通道以生成模 板 , 最后用得到的时空模板来进行在线行为识 别。以上两种方法的计 算量均 会随着类 别数的 增加而 急剧增 大 , 很难实现在线 实时 行为识 别。文献 [ 5] 采用 了运 动信 息 , 该方法首先根据 运动信息并结 合图像分 割以及 形状模 型得到 运动区域 , 然后利用光流信息得到每一个运动区域相对于人脸 的运动方向 , 从而判断出该动作的运动属性。该方法首先需要 自动定位人脸的 位置 , 在诸 多公共 场合中 , 由于 人体之 间的相 互遮挡以及人脸 朝向的不规 则 , 自 动人头 定位是 十分困 难的 , 在一些 公共场合 , 该方法 漏报率偏 高 , 并 不适用 ; 同时 , 该方法 要进行人脸定位 与光流法获 取方向等 , 系 统分析 占用时 间长 , 很难实现在线行 为识别。 针对目前监 控系统的实时性要求 , 本文提出了一种基于运 动历史图像和运 动方向的异常行为检测方法 , 运动方向可以较 好地表示出人体 的主 要异常 行为 ( 如徘 徊、 下蹲、 丢 失物 体以 及搬移物体等 ) 。通过真实视频数 据实验 表明 , 该方法 实现简 单、 处理速度快、 实时性好 且具有较高的准确度 , 能够快速准确 地对异常行为作 出判断。
( 2742(
计 算 机 应 用 研 究
i + 1 ( x,
第 27卷
y) =
i ( x,
a) 运动检测阶 段 , 即对 视频 中的 每一 帧图 像分 割出 运动 物体。本文采用最常用的背景 减除法 , 同时增加了背景模型的 自动更新。该方法能够快速有 效地分割出运动物体 , 具有良好 的自适应能力。 b) 运动方向获取阶段。由于 运动历 史图像 能够很 好地描 述运动发生的位置和 区域 , 利用运动历史图像可以精确地得到 运动区域 , 同时结合运动历史图像可得到运动方向。 c) 异常行为判断阶段。根据 得到的 运动方 向变化 幅度及 次数是否符合给定要 求来判别出人的正常与异常行为。 在具体的异常行 为判别阶段 , 对获取的视频帧的运动历史 图像进行运动分割操 作 , 得到运动人体的分割部件。对所获取 的分割部件进行判断 , 筛选 出符合 要求的 分割区域 , 结 合运动 历史图像得到分割区 域的运动方向 , 对每一帧中所有符合条件 的运动区域的运动方 向进行取平 均操作 作为与 下一帧 比较的 运动方向 , 当运动方向改变 幅度且 次数符 合约定 , 则判 断为异 常事件并发出报警。 2 3 背景减法流程
2 运动检测
目前最常见的目 标检测算法主要有背景减除法、 光流法和 时间差分法等。时 间差 分方 法 [ 6, 7] 一 般不 能完 全提 取出 所有 相关的 像 素 点 , 在 运 动 实 体 内 部 容 易 产 生 空 洞 现 象。光 流 法 [ 8] 计算方法相 当复 杂 , 且抗 噪能 力差。 本文 采用 最常 用的 背景减除方法 [ 9, 10] , 该方法实现简 单、 运算速度快 , 在大多数情 况下检测结果较好。 其基本流 程包括 预处理、 背景 建模、 目标 检测、 后处理。 2 1 单高斯背景模型 该模型 [ 6, 7] 的基本原理为 : 对每一个 像素利 用高斯 函数建 模 , 认为每一个像素点都服从均值 和标准 差 的分布 , 且每 一点的高斯分布都是 独立的。每 一个像 素处理 的都是 一系列 在相应时间内 (从 开始 时间到 结束 时间 ) 的该 点的 集合 , 即在 任意时间 t , 像素点 ( x, y )的 值应该 是以 时间 为轴的 点的 集合 中的一个 , 可由下式表示 :
{X 1, X 2 , ∀, X t } = { I( x, y, i ) | 1# i# t } ( 1)
第 1 632 帧可以看出 , 柜子基本上全由 前景转换 为背景。由该 图可以明显看出 自适应背景的优点 : 对于背景转换为前景和前 景转换为背景有 很好的自适应能力。
3 运动方向获取
3 1 运动历史图像 运动历史图 像 [ 13~ 16] ( MH I) 是一种 静态的图像 模板。 MH I 中每个 像素 的 亮度 都 是这 一 点 处的 运 动历 史 的函 数。 若以 I ( x, y )表示运动检测 后的二 值化 图像 序列 , 则 MH I中每 一点 的像素值计算如 下 :
1 基本原理
本文方法基 本过程如图 1所示 , 主要分为三个阶段 :
863 计 划 资 助 项目
基 金 项 目 : 国 家 自 然 科 学基 金 资 助 项 目 ( 60674107 ) ; 国 家
作者简介 : 吴艳平 ( 1986 ) , 女 , 安徽枞阳人 , 硕士研究生 , 主要研究方向为图像识别与理 解 ( rock lee1234@ Hale Waihona Puke Baidu63. com ) ; 胡士强 ( 1969 ) , 男 , 河北 定州人 , 教授 , 博士后 , 主要研究方向为非线性系统状态估计 、 信息融合 、 图像理解与分析 .
y)
(5) (6)
i + 1 ( x, y ) =
i ( x, y)
单高斯建模 且带有自适应 背景更新 的背景 减法具 体流程 如图 2 所示。
具体步骤如下 : a)初始 化背景 模型 , 用第一 帧的该 像素点 的值作为均值 , 而将标 准差设 为较大 的值 ; b )利 用后面 每帧 图像每个时间点 的训练图像与背景进行比较 , 决定是前景点还 是背景点 , 经过后处理等一些去 噪操作 得到目 标区域 ; c) 运用 背景模型更新公 式对背景模型的参数进行更正 , 得到实际的背 景模型 ; d) 重复步骤 b) c), 对训练图像的每一个新来的图像进 行背景模型的更 新 , 通过不 断学习 得到实 际的背景 图像 , 从而 得到准确的前景 图像。 图 3 为一视频帧第 861、1 038、 1 632 帧相 对应 的原始 帧、 提取出的背景帧、 背景减除法所获取的 前景帧。第 1 038 帧时 人打开柜子 , 柜子由背 景转为前 景 , 过后柜 子又成为 背景。由
后将光流场映射 到四个通道中 , 通过多次高斯滤波来泛化这四
0 引言
基于序列图像的 异常行为检 测作为 智能视 频监控 系统中 的关键技术 , 已引起了国内外的广泛重视。 目前的异常检测 主要从运动目标的运动序列进行分析 , 其 基本思想是在当前帧 中检测出变化区域 , 对变化区域中的运动 目标 ! ! ! 人进行实 时跟 踪 ; 在每 帧视 频中 找 到目 标的 状 态信 息 , 并且根据这些信息计算出速度、 加速度、 运动方向等运动状 态并建立状态模型 , 将测试视频的状态参数与预先标定的含有 正常事件的参考序列 的模型参数进行匹配 , 根据匹配程度的大 小就可以检测出异常 事件 [ 1, 2] 。文献 [ 1] 对视频帧进 行主成分 分析 ( pr inc iple co m ponent ana lysis , PCA ), 然后对各种 动作序列 进行分类和识别。文献 [ 2] 则 针对单人的 监控 , 将所有 帧的前 景分割图进行主成分 分析得到该视频段的运动特征 , 然后利用 I SVM ( one class suppo rt vecto r m achine) 对 每一 个视 频段 进行 异常检测。由于涉及到 图像分割 或是大 数量的 图像序 列进行 PCA, 这两种方法的计算 量都较 大。文献 [ 3] 开 发了一个 事件 检测框架 , 提取运动目标大量的动力学特征和形状特征。首先 使用谱聚类方法自动 获得模型个数 , 然后训练相应的马尔可夫 ( h idden M arkov m ode , l HMM ) 模型。文献 [ 4] 提 出一种 新的描 述运动的时空模板。该算法先 通过计算前景目标的光流场 , 然
Anom aly detection based on m otion i m age sequence
WU Y an p inga, b, CU I Y uc, HU Shi q ianga
( a. C ollege of Aerospace Science& T echnology, b. C ol lege of E lec tron ic, Infor ma tion & E lectrical Eng ineering, c. Colleg e of M echan ica l E ng i neering, Shangha i Jiaotong Un iv ersity, Shanghai 200240, Ch ina )