一种基于异常事件检测的智能视频监控系统

胡辉，黄思博，胡松，蔡映雪，陈伽，蔡昭权

（惠州学院，惠州 516007)

一种基于异常事件检测的智能视频监控系统

胡辉，黄思博，胡松，蔡映雪，陈伽，蔡昭权

（惠州学院，惠州 516007)

针对传统安防视频监控系统数据存储空间庞大，异常事件或行为等有用的视频信息人工查找困难等难题，结合常见的应用场景，在综合运用数字图像处理理论、目标跟踪算法、神经网络理论、数据分类算法等手段的基础上，设计一种适用于多状态异常事件检测的视频分析方法，解决融合图像特征和背景建模的目标检测、目标跟踪优化和异常事件辨识分类的关键技术难题，最后得到一种基于异常事件检测的智能视频监控系统。

异常事件检测；目标跟踪；视频监控系统

0 引言

随着社会文明的发展，为确保保护目标免受犯罪手段的影响，出现了一种依赖人为的物理防范措施——安防系统。在二十一世纪的今天，安防系统的涵义也引申到了通过一些技术手段监控和保存犯罪证据的视频监控系统[1]。

得益于先进的网络技术，美国是最早在视频监控系统方面开展研究的国家，卡梅隆大学、麻省理工学院以及DARPA（Defense Advanced Research Projects A-gency）等高等院校和机构共同推进VSAM（Video Surveillance and Monitoring）[2]项目，旨在利用传感器技术对真实场景中的移动目标进行动态监控，降低人力费用的同时也保障了人身安全。后来DARPA陆续开展了AVS（Airborne Video Surveillance）[3]项目和HID（Human Identification ata Distance）[4]项目，研究方向为利用光学和红外线设备进行目标监控以及联动监控，使其能够进行远距离的人体检测和步态跟踪。

在我国，众多985、211等高校联合科研机构也正在对生物特征检测以及视频动态检测等领域发起冲击，其中中科院自动化研究所模式识别国家重点实验室谭铁牛教授做出了大量的贡献[5]。

1 智能视频监控技术

智能视频监控技术指的是可以通过视频监控检测并跟踪异常事件发生过程中被检测出来的运动目标的视频监控技术，智能视频监控技术研究如下：

（1）在运动目标检测方面，可通过光流法、帧间差法、背景差法等方法实现，基本原理均为检测监控场景中随着时间的推移，通过检测视频监控画面前后变化来确定异常事件的发生和运动目标的检测标记。

（2）在运动目标跟踪方面，可以采用多种跟踪算法，如基于特征检测的运动目标跟踪算法[6]、基于运动目标轮廓特征的匹配方法[7]、基于位置预测和运动估计的目标跟踪算法等，基本原理均在视频画面中动态勾勒运动目标的轮廓，通过特征检测预测运动位置的变化，判断跟踪目标的运动规则。

（3）在异常事件和行为的分类方面，也创新性的提出了特征模型匹配、判别式模型、状态空间模型等方法。

通常任何单一的视频监控技术都存在不可忽视的缺陷，检测结果较为片面，只有把这些智能视频监控技术综合起来，通过多种途径对视频监控画面进行识别和建模分析，才能更为准确地检测出应用场景中的异常事件以及运动目标。

图1 运动目标跟踪示意图

2 系统原理

（1）基于异常事件的检测方法要对视频监控画面进行检测，发现异常事件发生过程中视频画面的变化特征，这就需要对视频画面的常态背景进行建模，即构建自适应的背景图像模型，使得该模型可以作为理论标准用以跟实时的视频图像进行校对，然后通过设计的检测算法在校对过程中前后两帧进行差分计算并加以阈值处理，快速捕捉图像变化区域的像素点，将描述变化区域轮廓的一系列像素点组合起来作为特征并给予标记。

（2）在（1）中被标记的图像变化区域可能是一个运动目标的整体，也可能只是运动目标的一部分，因此需要在（1）的基础上通过设计的识别算法将被标记的一个或多个图像变化区域有机结合起来，形成一种可识别的行为，跟自有的已定义的行为语义进行比对，确认该行为是否为正常行为，若该行为未被定义，则设为预警级别的行为。

图2 运动区域像素标记示意图

（3）设计多摄像头多角度联合检测机制，将从不同角度捕捉到的标记行为融合到一起，通过构建运动目标的立体模型并还原运动目标的行为，利用目标跟踪算法对立体模型进一步判别运动目标的行为，最终确定该行为的性质。

（4）将异常行为作为样本保存到行为定义库中，并通过目标跟踪机制持续跟踪运动目标的行为，联动其他区域的摄像头多维度监控运动目标的行动路线，保存运动目标异常行为的视频画面作为证据，同时在后台中向管理员发出警报。

图3 检测流程

3 系统实现

（1）图像处理模块。首先采集视频图像在时间轴上的关系序列，并分析监控场景的变化模式，利用卡尔曼滤波器通过动态建模的方式对背景图像进行实时更新，然后将当前视频图像和监控场景动态构建的模型进行校对，结合相邻两帧的差分计算、形态学处理以及二值化运算，采用阈值化机制达到对运动目标的检测。图像处理模块的结果将提交到图像特征提取模块进行运动目标的特征提取，并处理行为识别模块中由于行为定义所产生的冗余图像差。

（2）图像特征提取模块。将图像处理模块提供的图像差异结果中多个分离目标的大致轮廓提取出来，联合多个运动目标的局部轮廓，汇聚成运动目标的整体轮廓，去除图像中因环境变化等外部因素造成的图像模糊部分以及因摄像头分辨率低带来的无法识别部分，最终得到相对准确的运动目标的图像特征。提取出来的图像特征将被传递到行为识别模块，作为行为识别的素材。

图4 图像轮廓提取效果图

（3）行为识别模块。将图像特征提取模块提交的图像特征按照时间顺序序列化，在相对清晰的运动目标特征的基础上，利用基于位置预测和运动估计的目标跟踪方法，从一系列的图像特征中抽象出一个具有速度和加速度的运动目标，使得运动目标更加形象化，通过这一更为具体形象的运动目标与训练样本模型进行相似度匹配，若匹配成功则行为识别成功，若匹配失败，则将该运动模型登记，返回运动模型和冗余的图像差至图像处理模块，进一步修辑视频图像使得运动目标的行为更容易被辨认。在反复的匹配识别、反馈处理的过程中成功识别行为或更新行为模型库。

（4）多摄像机协作模块。通过设计的多摄像机协作机制，协调多部摄像机针对可视范围内已识别的异常行为进行跟踪，多角度记录异常行为的发生经过，并形成行动路线，预测行为的移动方向，调配相邻区域的摄像机提前做好跟踪准备，保证异常行为被完整记录。

（5）后台管理模块。可管理连接到智能视频监控系统的摄像机，并可以分屏显示多摄像机的实时视频画面；可管理从视频图像中提取出来的图像特征以及行为识别图像；可智能化控制多摄像机持续跟踪已发现的异常行为；可单个或打包下载图像或任意时间段内的监控视频；可依赖权限分级管理智能视频监控系统的用户。

图5 行为识别效果图

图6 智能视频监控系统结构图

4 结语

本文通过基于异常事件检测的智能视频监控技术进行研究，提出了一种基于异常事件检测的智能视频监控系统，依靠自主研发的图像建模、图像特征特区、行为识别等算法，完成异常事件的检测及报警，为智能安防提供了一种可靠的实现方案。

[1]余雷，许宏科，胡欣.基于物联网的远程视频监控系统设计[J].计算机技术与发展，2016，26(4):139-143.

[2]Lipton A，Kanade T，Fujiyoshi H，et al.A System for Video Surveillance and Monitoring[M].Pittsburg:Carnegie Mellon University，the Robotics Institute，2000.

[3]Kumar R，Sawhney H，Samarasekera S，et al.Aerial Video Surveillance and Exploitation[J].Proceedings of the IEEE，2001，89(10): 1518-1539.

[4]Collins R T，Gross R，Shi J.Silhouette-Based Human Identification from Bodyshape Andgait[C].Automatic Face and Gesture Recognition，2002.Proceedings.Fifth IEEE International Conference on.IEEE，2002:366-371.

[5]Hu W，Zhou X，Hu M，et al.Occlusion Reasoning for Tracking Multiple People[J].Circuits and Systems for Video Technology，IEEETransactions on，2009，19(1):114-121.

[6]Shu G，Dehghan A，Oreifej O，et cl.Part-Based Multiple-Person Tracking with PartialOcclusion Handling[C].Proceedings of IEEE Conference on Computer Vision and Pattern Recognition，2012：1815-1821.

[7]Roh MC，Kim TY，Park JH，et al.Accurate Object Contour Tracking Based on Boundary Edge Selection[J].Pattern Recognition，2007，40(3).931-943.

Design of the Intelligent Video Surveillance System Based on Abnormal Events Detection

HU Hui，HUANG Si-bo，HU Song，CAI Ying-xue，CHEN Jia，CAI Zhao-quan

（Huizhou University，Huizhou 516007）

For the problems of large data storage space of traditional security video surveillance system,and difficult to find other unusual events or behavior useful video information artificial,combines the common application scenarios,integrates the use of digital image processing theory,target tracking algorithms,neural networks,data means classification algorithm based on the design of a multi-state suitable for detecting abnormal event video analysis method,to solve the fused image features and background modeling target detection,target tracking and optimization abnormal event identification key technical problems of classification,and gets the intelligent video surveillance system based on abnormal events detection.

Detection of Abnormal Events;Target Tracking;Video Surveillance System

1007-1423（2017）04-0030-04

10.3969/j.issn.1007-1423.2017.04.07

胡辉（1979-），女，江苏盐城人，硕士，讲师，研究方向为计算机软件

黄思博（1984-），男，广东人，硕士，工程师，研究方向为智能信息处理

胡松（1985-），女，河北秦皇岛人，硕士，讲师，研究方向为信息系统和信息管理

蔡映雪（1983-），女，广东汕尾人，本科，研究方向为计算机软件

陈伽（1979-），男，广东惠东人，硕士，研究方向为计算机软件和计算机网络

蔡昭权（1970-），男，广东陆丰人，硕士，教授，研究方向为计算机网络、智能计算、数据库

2016-12-06

2017-01-23

广东省普通高校青年创新人才类项目（No.2015B010002002）、惠州市科技计划项目（No.2015B010002002）