一种基于FAST的人群异常行为识别方法

摘要

本发明属于属于计算机视觉领域，公开了一种基于FAST的人群异常行为识别方法，包括：将视频流图像转换为图片数据；对图像进行增强预处理；建立混合高斯背景模型；进行FAST角点检测；计算角点协方差矩阵，根据矩阵行列式的值I得到人群面积变化曲线S；将每一个I值及曲线S上与该I值对应的斜率值构成的特征向量输入支持向量机中，进行人群行为分析和模型训练得到人群行为预测值P；根据P值得到人群行为结果，并对人群的异常行为进行分类识别。本发明针对传统方法的不足，将人群角点特征作为一个整体的特征来研究不同人群情况，通过协方差矩阵的计算，建立人群行为模型，得到不同人群的行为情况。可用于安防监控、资源管理等领域。

主权项

一种基于FAST的人群异常行为识别方法，其特征在于包括以下步骤：步骤一，将监控的视频流图像数据转换为图片数据；步骤二，对图像进行增强预处理；对图像进行直方图均衡化，借助直方图变换实现灰度映射，从而达到图像增强的目的；对离散数字图像{z}，灰度为i的像素的出现概率为：$p_x\left(i\right)=\frac{n_i}{n}$式中，n_i表示灰度i出现的次数，0≤i≤L，L是图像中所有的灰度数，n是图像中所有的像素数，p_x(i)为灰度为i的像素的归一化直方图；步骤三，建立混合高斯背景模型，方法如下：(1)建立背景像素序列应用多高斯模型法对每个像素用K个高斯模型进行建模；步骤二处理后视频帧序列为：式中，为每一个单态高斯模型；X_t帧中每个像素点的概率为：$P\left(X_t\right)=\underset{i=1}{\overset{K}{\Sigma }}{\omega }_{i,t}·G_i(X_t,{\overrightarrow{\mu }}_{i,t},U_{i,t})$式中，K是所采用混合多高斯模型的具体个数，K值越大，处理像素值波动的能力越强，但处理效率也相应降低，因此，K一般取3～5；ω_i,t是第i个高斯模型在t时刻的权重，和U_i,t为第i个高斯模型在t时刻的均值和方差，G是高斯分布概率密度函数，其表达式为：$G_i(X_t,{\overrightarrow{\mu }}_{i,t},U_{i,t})=\frac{1}{\sqrt{2\pi }{\left|U_{i,t}\right|}^{\frac{1}{2}}}{e}^{-\frac{1}{2}{(X_i-{\overrightarrow{\mu }}_{i,t})}^T{U_{i,t}}^{-1}(X_i-{\overrightarrow{\mu }}_{i,t})}$(2)修正背景图像模型参数更新模型初始化任务完成后，在时刻t对视频帧X_t的每个像素点的值与它对应的混合高斯模型进行匹配检测：1)如果像素值与混合高斯模型中第i个高斯分布均值的差值的绝对值小于其标准差的2.5倍，则定义该高斯分布与像素值匹配，采用标准差的2.5倍这个阈值可有效地降低周期性的光线变化所带来的影响；2)如果该像素至少与混合高斯模型中的一个高斯分布匹配，混合高斯模型的参数更新规则为：对于不匹配的高斯分布，它们的均值和协方差矩阵T_i,t保持不变；匹配的高斯分布的均值和协方差矩阵T_i,_t的表达式为：${\overrightarrow{\mu }}_{i,t}=(1-\rho ){\overrightarrow{\mu }}_{i,t-1}+{\mathrm{\rho X}}_t$$T_{i,t}=(1-\rho )T_{i,t-1}+diag\left[\rho {(X_t-{\overrightarrow{\mu }}_{i,t})}^T(X_t-{\overrightarrow{\mu }}_{i,t})\right]$式中，a为参数估计的学习速率，通常取值0.002；3)如果该像素与混合高斯模型中任何一个高斯分布都不匹配，将最不可能代表背景过程的高斯分布重新赋值：将当前像素点的值作为这个高斯分布的均值，同时为这个高斯分布取一个较大的方差和较小的权值；然后，将K个高斯分布按下式更新在时刻t的权值：ω_i,t＝(1‑α)ω_i,t‑1+α(M_i,t)式中，M_i,t为单模态模型参数，如果某个高斯分布与t时刻的像素值匹配，那么M_i,t取1；否则M_i,t取0；步骤四，进行FAST角点检测，方法如下：(1)将图像与步骤三混合高斯建模背景相减得到人群前景图，经二值化转换和形态学滤波得到掩模模板；掩模模板的坐标和FAST特征角点的坐标做交集运算得到运动目标FAST特征角点坐标集；(2)在每一帧人群图像中，以任意一个像素点P为中心选择圆形区域，该圆形区域为一个半径等于3的离散化的Bresenham圆，最外围的像素点按顺时针方向依次编号为1～16；分别判断这16个像索点是否满足下面的条件：N＝|I(x)‑I(p)|＞ε_d    (1)式中，I(x)表示圆周上任意一点的图像灰度值，I(p)表示中心像素点的图像灰度值，ε_d为给定的一个极小阈值；ε_d的取值范围为0<ε_d<100，选取不同的阈值ε_d能够控制提出的角点数目；如果有连续m个以上的像素点满足公式(1)，就能够确定该像素点为角点；通常m取12；m取不同的值能够控制提出的角点数目；步骤五，计算角点协方差矩阵，根据矩阵行列式的值得到人群面积变化曲线；假设目标角点坐标集为D，D为一个每行由一个角点的横、纵坐标组成的矩阵，设角点的坐标为(x，y)，则协方差矩阵定义为：$\Sigma (x,y)=\left[\begin{array}{cc}{S}_{xx}(x,y)& S_{xy}(x,y)\\ S_{xy}(x,y)& S_{yy}(x,y)\end{array}\right]$其中，S_xx为所有角点横坐标x的方差，S_yy为所有角点纵坐标y的方差，S_xy为角点集坐标(x，y)的协方差；协方差矩阵对应行列式的值为：I＝|S_xx(x,y)×S_yy(x,y)‑S_xy(x,y)²|行列式I的值表征了场景中角点的面积；以帧序列为横坐标、行列式值I为纵坐标画曲线，通过均值滤波消除一些突变和干扰，得到人群面积变化曲线S；步骤六，将步骤五中的每一个I值及曲线S上与该I值相对应的斜率值构成的特征向量T输入支持向量机中，进行人群行为分析训练和人群行为模型训练，得到人群行为预测值：P＝(T，D)式中，D为摄像机与人群的距离，P为人群行为预测值，P的取值范围为‑100～100；步骤七，根据步骤六的P值得到人群行为结果P_behaviour，根据P_behaviour对人群的异常行为进行分类识别。