基于智能视频分析的行为检测关键技术研究

刘艺航 王梓 王婧琦 谢慧芳 王迎港

摘要：文章研究了外人入侵异常行为识别及预警方法，并构建一种物联网智能安防系统原型。通过Camshift智能视频分析技术实现动态目标跟踪检测，进行人体行为分析。实验结果表明，该模型能使摄像机对入侵状况进行自主识别，判别准确率达98.52%。

关键词：物联网；目标跟踪；分层法；人体行为分析

目前的网络摄像机不能智能、实时地对异常人体行为进行判断和预警。针对外人入侵中的特征行为表现较为固定、简单的特点，本文提出一个基于分层方法的人体行为模型框架：只要获得物理特征层的元素，即可由这些低一层的元素结合人的先验知识作为约束条件推导出高一层的元素，以达到人体行为分析的目的。

由于外人入侵中的人体异常行为检测往往要求具备实时性和准确性，本文采用算法复杂度较低的背景减除法，进行人体目标检测；采用基于自适应多特征融合的Mean shift和Camshift算法，进行运动目标跟踪[1-3]。

1 目标检测

摄像机对监控视频中的内容进行智能跟踪分析，首先需要检测出前景目标，即在静止的背景下找到运动的目标[4]。综合考虑要达到系统要求的实时性，本文采用速度非常快、检测精度较高的背景减除法。

利用差分方法对前景目标进行检测。将当前帧记为I（x，y），背景图像记为B（x，y），二者的差分记为D（x，y），则D（x，y）= I（x，y）-B（x，y）。前景检测中的动态运动目标的图像如图1所示。

从图1可以清楚地观察到，差分检测方法能够准确有效地检测出在楼宇走廊内运动的受试人员，并用椭圆圈住。

2 目标跟除

Meanshift主要采用直方图核函数[5]，但是单一依靠颜色特征易将目标与背景混合，且若跟踪过程中核函数宽度不能自适应变换，以适应目标大小的变化，就会跟踪失败[6]。所以，本文选用了基于视频图像多特征融合的自适应Meanshift 算法。

2.1 基于多特征融合的自适应Meanshift算法

由于人体面部的边缘较为明显，所以结合颜色和边缘作为特征进行人体目标跟踪，能够使得前景与背景有效分割开来。每个特征值的权重采用自适应的函数方法进行确定，以使跟踪结果更为智能准确。

假设目标区域的中心为y，xi表示第i个像素点，n为目标区域的像素数，核函数带宽为h，特征空间均匀划分成m个子区间。则，目标模型特征的u=1，…，m概率密度分布，如式（1）所示。

2.2 基于Camshift算法的目标跟踪技术

该算法是将视频中所有的视频帧逐一进行Meanshift运算，并将上一帧中的运算结果作为当前帧的初始值输入到该算法中，一直反复迭代，最终达到定位到跟踪目标中心的目的。

3 仿真实验

用10-折交叉验证法对采集样本进行SVM训练，得到3组样本的实验结果，如表1所示。

由表1可知，第4组样本所得到的SVM分类效果较好，训练样本组用1 341个训练样本对SVM训练，得到的最优参数Q=2，C=1650，分辨率为98.52%，当参与SVM训练样本规模越大，对未知测试样本的分类则越准确。

实验结果表明，在使用较大样本数进行训练时所获得的SVM具有较好的分类能力，但是由于一些类别基本行为的样本所占比例较少，在很大程度上会影响分类结果的准确率。

系统的仿真实验结果，如图2所示。

从图2可以看出，本文模型可准确判断出视频中人体目标的面积大小，以及当前体态：行走、下蹲等。

4 结语

本文利用人体行为分层结构框架，设计实现了一种基于視频行为识别的智能物联网安防原型系统，可自动识别拍摄视频中的目标行为以及提前预警。在异常行为的目标识别方法上，采用分层结构对目标进行异常行为判断。由于行为模型的底层条件是较为准确稳定的客观存在的物理元素和数据，入侵的异常行为较为固定与简单，使得该行为识别算法的鲁棒性较高，算法复杂度较低，可进行实时判断，判断准确率达98.52%。

[参考文献]

[1]高秀斌.基于MeanShift和粒子滤波算法的动态目标跟踪的研究[D].扬州：扬州大学，2013.

[2]袁广林，薛模根，韩裕生，等.基于自适应多特征融合的meanshift目标跟踪[J].计算机研究与发展，2010（9）：1663-1671.

[3]HU M C，CHEN C W，CHENG W H，et al.Real-time human movement retrieval and assessment with kinect sensor[J].IEEE Transactions onCybernetics， 2015（4）：742-753.

[4]何卫华.人体行为识别关键技术研究[D].重庆：重庆大学，2012.

[5]SAHOO S P， ARI S.Automated human tracking using advanced mean shift algorithm[C].Beijing：4th IEEE International Conference onCommunication and Signal Processing， 2015.

[6]刘尚旺，陈平，王统昊.实时语义图像分割模型研究[J].河南师范大学学报，2016（2）：139-147.