基于智能视频监控的异常行为识别的方法

胡艳歌 刘艺航 王婧琦

摘要：近年来，各方面对人们施加的压力越来越大，导致人们患有精神疾病的概率也大大增加。本研究提出对精神病人进行异常行为识别的方式。首先，要有视频图象的收集和预处理。其次，是介绍人体目标检测与跟踪的算法。最后，对精神病人的异常行为进行识别。

关键词：智能视频监控;人体目标检测;人体目标跟踪;异常行为识别;VIBE算法

1前言

为了实现在精神病院中对精神病人的安全管理，本文提出了基于智能视频监控的异常行为识别的方法去监测精神病人的行为是否异常，如有异常，及时报警，让医护人员知晓并采取措施以保证精神病人的安全。这可以提高医护人员救治的效率，也大大降低了医护人员人工查房的频率，可以对医院中的患者实现高效管理。本文钻研分为三步，第一是视频图象的搜集和预处理。视频图象的收集和预处理是图像中目标检测和识别的条件，在实行运动目标检测和行为识别之前，先提取视频中的帧图象，再对帧图象进行处理以提升图象效果，使得后续算法不受影响，最后的检测识别结果更加切确。第二是对精神病人实行检测和跟踪。精神病人的检测重要是以VIBE算法为基础的运动前景提取，最终实现VIBE算法的运动对象检测。精神病人的跟踪的核心算法是模板匹配算法。最大限度地检测病人来得到其地域特性，然后在每个模块内以和病人相一致的模块来追踪病人。第三是对精神病院中的病人进行异常行为识别。

2视频图像的采集与处理

由于本文主要是研究精神病院病人的安全管理问题，考虑到应用的场景，拉普拉斯算子比较适用于整体对比度和亮度值都较低的图像，本文决定采用拉普拉斯算子算法来进行图像的增强。

拉普拉斯算子：获得拉普拉斯算法后，先对图象实行处置，之后与最初的图象进行卷积运算，就可以获得加强后的图象。

3精神病人的检测与跟踪

3.1运动目标的检测与提取概述

本文研究过程中所用到的运动目标检测都是基于静态摄像头的，所以背景中环境比较复杂。VIBE属于通用性的检测算法，本文采用VIBE背景建模为检测运动目标的算法。

3.2 VIBE背景建模算法

建立背景模型，样本值所具有的数目共有N个，在U大于阈值Umin的状态下，样本值与背景模型是比较近似的，归于背景。VIBE背景模型的切确程度与R和Umin有关。VIBE布景更新是和更新的措施有关系的。在随机的样本中，所用到的样本在生命周期上表现出指数衰减，样本会不会保留下来是和时间没有关系的。样本的更新的几率是相同的。这就使模型有很好的更新状态。

3.3运动目标跟踪算法

运动目标跟踪算法，完成对运动目标的辨别和分类。

本节采纳了以多种特点模板的模板匹配为基础的跟踪算法实行目标跟踪。该算法是整合了上述方法中的前两种而得来的。

这种算法主要有以下几个特性：

（1）联系跟踪纹理、颜色等特性，构成运动对象跟踪的特性。提升跟踪的精确度。

（2）完成了多个帧的跟踪后，利用检测模块对跟踪目标更新。

（3）展望对象搜索范畴，可对目标的位置进行预判。

4精神病人的异常行为识别

4.1基于人体外接矩形宽高比的跌倒行为的判断

该算法首先要确定人体自然站立时的状态，在此状态下得出外接矩形框的宽（W）和高（H）。人体若是发生了跌倒行为，矩形框在这种状况下一定会呈现变动。对此进行设想，正常情况下也就是直立行走时H>W，而摔倒情况下，有H

当人体外接矩形的宽高比远小于1时，人体处于正常的竖立状态;而当宽高比远大于1时，人体则处于跌倒形态。

4.2基于质心偏离水平的跌倒行的判断

要测量样本值的偏离水平，可以用标准差来完成。本节要对人体的质心值进行测量，可以根据p来完成。

如果竖立行动是正常的，p值波动会很小;如果发生了摔倒，那么在极短的时间里会有非常大的质心位置的变化，p值波动会很是大。因而可以得到一个用于判断跌倒行为的规则[3]。

5实验结果与分析

本文选择使用拉普拉斯算子来进行处理。实验结果表明，处理之后的图象加倍清晰，边沿特点更为明显，有利于后续的目标识别。第二步是精神病人的检测和跟踪。第三步是精神病院病人异常行为识别，p值越大，说明病人摔倒的可能性越大。

6结束语

利用視频监控和异常行为识别可以更好地照顾他们，防止意外发生或者减少一些意外的伤害和损失。

参考文献

[1]朱敏，朱振福，等.一种用于运动目标检测的背景建模方法：CN103700116A[P].2014：2-4.

[2]李旋旋，张仁杰.一种基于Kineet的人体摔倒检测方法[J].软件导刊，2017（ 07 ）：128-130.

作者简介，胡艳歌（1995，05-），女，汉族，河南许昌人，河南师范大学本科在读，研究方向：物联网工程;

刘艺航（1999，02 -），女，汉族，河南新乡人，河南师范大学本科在读，研究方向：计算机科学与技术;

王婧琦（1997，10-），女，汉族，河南新乡人，河南师范大学本科在读，研究方向：软件开发。

本文系智能视频分析的人体行为识别项目阶段性成果，项目编号为S201810476026。