基于跟踪轨迹的徘徊行为分析*

王怀宝　郭江利

(燕山大学电气工程学院　秦皇岛　066004)



基于跟踪轨迹的徘徊行为分析*

王怀宝郭江利

(燕山大学电气工程学院秦皇岛066004)

摘要针对公共区域的徘徊行为的智能监控问题,提出了一种基于运动方向角度对行人徘徊行为的检测方法,即利用目标检测算法对运动图像序列进行目标提取,并得到运动目标的跟踪轨迹,继而由运动轨迹的方向角度的变化是否符合判定条件来确定目标的运动轨迹是否为徘徊行为。实验结果表明,该方法实现简单,能够有效地、及时地检测出徘徊这一异常行为,实现了在室内环境下对人体目标的检测及对人体的跟踪和徘徊这一异常行为的分析,具有良好的实用价值,可以作为实时监控系统中徘徊行为监测的有效方法。

关键词目标检测; 背景差法; 目标跟踪; 异常行为分析

Class NumberTP391.4

1引言

随着国民经济的快速增长,银行、电力、交通、安检以及军事等领域对智能监控技术的要求与日俱增,而人体异常行为识别作为智能监控系统的关键技术,已引起了国内外的广泛重视。人体异常行为识别主要是对视频序列进行自动分析,实现对动态场景中运动目标的检测和跟踪,并在此基础上分析和判断运动目标的行为,对有警戒区警戒线闯入、物品遗留、徘徊、人群密度异常等异常情况进行分析,并及时发出警告信息,避免大量损失。

对于徘徊这一异常行为,目前大都是针对轨迹的特征参数进行的分析与研究。本文提出了方向角的概念,并对其特征值进行了算法的研究,提出了基于运动轨迹方向角的变化范围来判定行为的算法。其基本思想是:在运动轨迹上相连的两小段直线之间的夹角若小于给定阈值,则认为行走的是直线,若大于给定阈值,则判断目标进行了一次转弯;若转弯的次数大于阈值,则判断此轨迹为徘徊行为,实验结果表明,该方法实现简单,具有较好的实时性,在智能监控系统中具有较高的使用价值。

2目标检测

运动目标检测[13]是人体异常行为分析技术中最基础的环节,其原则是从视频图像序列中把运动目标提取出来,在保证前景目标完整的前提下,实现目标与背景的分离。目前最常见的目标检测算法有背景差法[1～6]、光流法[9～10]和帧差法[7～8]等。帧差法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。光流法计算方法相当复杂,且抗噪能力差。本文采用最常用的背景差法,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。

背景差法的基本思想是把视频图像序列中的当前帧和预先保存的背景图像做减法运算,用得到的差分图像来检测运动目标,因此背景模型建立的准确与否,直接关系到最终运动目标检测结果的准确性。

目前背景提取的方法主要有选择更新法、多帧平均法和随机更新法等。本文中所用的背景模型建立方法为多帧平均法,即取多幅背景图像的均值作为固定的背景模板。其公式如下:

(1)

其中,fk为第k帧图像,n为统计平均法所采用的帧数,且要求在此n帧内目标与及干扰体出现的概率小、滞留时间短。

由于运动图像序列的当前帧和背景图像在像素上存在着一定差异,如受光照等的影响,根据实验经验我们可以设定一个阈值,只要在得到的差分图像中像素值不大于这个阈值的就归为背景像素,反之,就属于前景目标。算法步骤如下:设Fk(x,y)为第k帧图像,Bk(x,y)为背景图像,Dk(x,y)为当前帧图像与背景图像之差,如式(2)所述:

Dk(x,y)=Fk(x,y)-Bk(x,y)

(2)

选取Th为阈值,对差分图像进行二值化:

(3)

Rk为进行二值化后的图像,当原始图像中像素值大于某一给定的阈值时,则认为该像素为前景像素,即认为该像素可能为目标上的一点,反之则认为是背景。图1为背景差法的实验结果。

由上面的仿真结果可以看出背景差法在采用固定摄像机的情况下算法简单易于实现,在背景已确定好的情况下,能够较好地检测出运动目标。

图1　背景差法实验结果

3目标跟踪

视频序列中的目标跟踪[11～12]主要研究的是如何获取目标的位置。因此,跟踪问题实质上就是一个复杂的估计问题,即确定同一目标在视频序列不同帧中相应位置。而在本文中,目标跟踪是解决对已检测出的目标进行目标跟踪问题,所以本文采用基于矩形区域的质心计算方法来计算各个目标的质心。

基于矩形区域的质心计算方法是寻找目标的外切矩形,用这个矩形近似代替人体,进而找到矩形的形心,就可以近似的作为人体的质心。矩形形心的计算方法是找到水平和垂直方向上坐标点的最大值和最小值,分别记为X1,X2,Y1,Y2,则质心的坐标(X,Y)可以由式(4)得到:

(4)

基于上述提出的方法,可得出图2的实验结果。

图2　目标跟踪轨迹

4徘徊行为分析

人体行为分析的实质就是从图像序列中提取出有效的特征,然后对这些特征进行分析从而确定出该行为所属类别。本文中的行为分析主要是分析判断异常行为中的徘徊行为。第3节已经对目标进行了跟踪,所以本节通过算法得出被跟踪目标的状态信息,继而对其状态信息进行建模,得到状态参数,最后将这些参数和标准的参数模型进行对比和匹配,通过匹配的程度来判断目标的运动行为是否为徘徊行为。

本文中实现行为分析是通过目标检测算法检测出运动的人体目标,通过对目标进行基于矩形区域的质心计算方法计算出人体质心,从而得出人体运动轨迹,对跟踪轨迹提取运动方向信息,对代表方向的角度改变参数与设定阈值比较,从而确定是否为徘徊行为。

前一部分中已经通过基于区域的运动目标质心的计算方法得出了运动目标在连续运动时每一帧的质心坐标,得到了质心的运动轨迹,如图3所示。将每两个质心点之间的线段看做是一个向量,方向由前一个质心点指向后一个质心点,根据每两个相邻的向量,可以获取运动方向并计算运动方向的改变。

图3　轨迹曲线

(5)

由式(5)可得出方向变化角θ1,θ2,…,θn-1,进而通过设定的阈值来判断异常行为。人在正常的行走状态下,运动轨迹近似直线,对应到本文即方向改变角θi较小,应该在某个比较小的范围内,也就是说θi的值应该小于某个给定的阈值θ0。但是在转身的时候,方向改变角度则会很大,即对应的θi会很大,大于给定的阈值θ0。因此,本文假定:当θi≤θ0时,则认为运动是直线的,当θi>θ0时,认为存在转身行为。根据θi>θ0的次数,对转身行为进行计数,一旦次数N大于给定的阈值N0,则判断其为徘徊行为。

5实验结果

为验证本文算法的性能,在Matlab平台[14]下对两组视频序列进行了实验。这两组视频序列是在室内的环境下拍摄的,一组为徘徊行为视频,另一组为直线行走序列。这里取参数θ0=90°,N0=2,得出图4实验结果。图4(a)是直线行走的序列图,从左到右分别对应直线行为序列中的第52、56、61、66帧。图4(c)是直线行走的运动轨迹图像,其中x,y坐标轴分别为质心的x,y坐标值。图4(b)是进行一次转弯的序列图,从左到右分别对应徘徊行为视频序列中的第92、95、98、102帧。图4(d)是进行一次转弯的运动轨迹图像。

图4　实验结果

由图4可以看出,图4(c)中轨迹基本为一条直线,图4(d)中的运动轨迹中有拐点,转弯的前后夹角明显大于90°,为转弯运动轨迹。该算法能够有效地检测出室内环境下单人的徘徊异常行为,同时该算法实现起来简单,运行速度较快,能够有效地、及时地检测出徘徊这一异常行为,实现了在室内环境下对人体目标的检测及对人体的跟踪和徘徊这一异常行为的分析。

6结语

针对公共场所的环境中出现的徘徊异常行为,本文提出了一种基于轨迹的方向角的算法。该算法根据方向角改变的大小来判断徘徊行为,不仅有效地解决了对徘徊行为中转身行为的检测与跟踪问题,同时又将直线行走情况考虑在内。实验结果表明,本文提出的算法具有良好的有效性和可行性。当然由于本文中运用的检测算法和跟踪算法的局限性,会影响到徘徊行为分析的精确性,使研究过程的结果不太精确。这也是本文的缺陷和局限性,需要在以后的研究中解决。

参 考 文 献

[1] 李文斌,周晓敏,王长松.一种基于背景减法的运动目标检测算法[J].北京科技大学学报,2008,30(2):212-216.

LI Wenbin, ZHOU Xiaomin, WANG Changsong. Moving target detection algorithm by background subtraction[J]. Journal of Beijing Science and Technology University,2008,30(2):212-216.

[2] STAUFFER C, GR IMSON W E L. Adaptive background mixture models for realtime tracking[C]//Proc of IEEE Conference on Computer Vision and Pattern Recognition,1999:246-252.

[3] MAGEE D. Tracking multiple vehicle using foreground, background and motion models[J]. Image and Vision Computing,2004,22(2):143-155.

[4] JIN-BIN YANG, MIN SHI, QING-MING YI. A New Method for Motion Target Detection by Background Subtraction and Update[J]. Physics Procedia,2012,33:1768-1775.

[5] Jaemyun Kim, Mahbub Murshed, Adin Ramirez Rivera, et al. Background Modelling Using Edge-Segment Distributions[J]. International Journal of Advanced Robotic Systems,2013:1-9.

[6] 袁伟才,徐向民.一种有效的动态背景提取及更新方法[J].计算机工程与应用,2010,4(4):191-192.

YUAN Weicai, XU Xiangmin. An effective method of dynamic background extraction and update[J]. Computer Engineering and Application,2010,4(4):191-192.

[7] 李刚,邱尚斌,林凌,等.基于背景差法和帧间差法的运动目标检测方法[J].仪器仪表学报,2006,8(8):961-964.

LI Gang, QIU Shangbin, LIN Ling, et al. Moving object detection by the background subtraction method and frame subtraction method[J]. Journal of Instrument,2006,8(8):961-964.

[8] Shih-Chia Huang, Fan-Chieh Cheng. Motion detection with pyramid structure of background model for intelligent surveillance systems[J]. Engineering Applications of Artificial Intelligence,2012,25:1338-1348.

[9] 王新余,张桂林.基于光流的运动目标实时检测方法研究[J].计算机工程与应用,2004,1(1):43-46.

WANG Xinyu, ZHANG Guilin. Real-time moving target detection from optical flow[J]. Computer Engineering and Application,2004,1(1):43-46.

[10] 藏斌,方宇强,孙振平,等.基于光流技术的运动目标检测和跟踪方法研究[J].科技导报,2009,27(12):55-60.

CANG Bin, FANG Yuqiang, SUN Zhenping, et al. Moving target detection and tracking by optical flow technology. Changsha: Mechanical Electrical Engineering and Automation in National Defense Science and Technology University,2009.

[11] STAUFFER C, GR IMSONW E L. Learning patterns of activity using realtime tracking[J]. IEEE Transon Pattern Analysis and Machine Inte lligence,2000,22(8):747-757.

[12] 张颖.视频序列中目标检测与跟踪方法研究[D].西安:西安电子科技大学,2011.

ZHANG Ying. Target detection and tracking in video sequence method[D]. Xi’an: Xian Electronic Science and Technology University,2011.

[13] 冈萨雷斯.数字图像处理[M].北京:电子工业出版社,2011.

Gonzalez. Digital image processing[M]. Beijing: Electronic Industry Press,2011.

[14] 薛定宇.控制系统计算机辅助设计-MATLAB语言与应用[M].北京:清华大学出版社,2012.

XUE Dingyu. Control system computer aided design and application of MATLAB language[M]. Beijing: Qinghua University,2012.

Wandering Behavior Analysis Based on Trajectory

WANG HuaibaoGUO Jiangli

(Institute of Electrical Engineering, Yanshan University, Qinhuangdao066004)

AbstractAiming at the intelligent monitoring of the wandering behavior in the public areas, a method which is direction angle change of detected people wandering behavior is put forward, that is to say, the motion image sequence is extracted by detecting motion target, tracking trajectory of motion target is gotten, and whether this image sequence is wandering behavior or not is judged, which is the direction angle in the trajectory of size in change. The experimental results show that the proposed method is simple, has good practical value, and can be used as a real-time monitoring system of wandering behavior effective method.

Key Wordstarget detection, background difference method, target tracking, abnormal behavior analysis

* 收稿日期:2015年11月8日,修回日期:2015年12月29日

作者简介:王怀宝,男,硕士研究生,助理研究员,研究方向:图像处理。郭江利,女,硕士研究生,研究方向:人群行为识别。

中图分类号TP391.4

DOI:10.3969/j.issn.1672-9722.2016.05.015