專利名稱：：基于運(yùn)動周期分析的人體異常行為識別方法及裝置的制作方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及人體異常行為識別方法，具體的說是一種固定場景下，基于運(yùn)動周期分析的異常行為識別方法及識別該異常行為的裝置。
背景技術(shù)：
：目前攝像頭所獲取的視頻監(jiān)控信息會在監(jiān)控室的屏幕上實時顯示出來，監(jiān)控人員通過觀察屏幕上的監(jiān)控信息，來達(dá)到監(jiān)控異常事件從而報警的目的。由于大多數(shù)監(jiān)控場景下出現(xiàn)異常事件的時間短且隨機(jī)，人工監(jiān)控需要隨時觀察屏幕上的信息，才能防止漏過異常事件，監(jiān)控人員一旦思想松懈，就容易導(dǎo)致漏警，因此人工監(jiān)控需要監(jiān)控人員保持高度的警惕性，這很容易使監(jiān)控人員疲憊，并且也造成了巨大的人力浪費(fèi)。采用智能視頻監(jiān)控系統(tǒng)是未來的發(fā)展趨勢，而智能視頻監(jiān)控系統(tǒng)的關(guān)鍵技術(shù)是人體異常行為的識別。目前人體異常行為識別的研究還只是局限于簡單且已切分好的動作，對長運(yùn)動序列的研究比較少。
發(fā)明內(nèi)容人體的行為動作一般分為近似周期性行為和非周期性行為，近似周期性行為是指一段時間內(nèi)連續(xù)執(zhí)行兩次以上的相同行為，而非周期性行為是指一段時間內(nèi)只執(zhí)行一次的行為。近似周期性行為包括行走、跑等，非周期性行為包括摔倒、突然彎腰等，因為摔倒往往不可能一段時間內(nèi)連續(xù)摔倒兩次以上，所以這樣的行為我們稱為非周期性行為。對于非周期性行為，我們認(rèn)為其是異常行為；對于周期性行為我們定義行走為正常行為，其他行為為異常行為。本發(fā)明的目的是提供一種基于運(yùn)動周期分析的人體異常行為識別方法及裝置，能在較高的識別率下識別出人體異常行為并報警，避免人工監(jiān)控帶來的人力浪費(fèi)。為達(dá)到上述目的，本發(fā)明表述一種基于運(yùn)動周期分析的人體異常行為識別方法，其關(guān)鍵在于按以下步驟進(jìn)行(—)利用視頻捕獲裝置獲取人體運(yùn)動視頻序列，并將該視頻序列送入計算機(jī)，由中央處理機(jī)構(gòu)從人體運(yùn)動視頻序列中提取人體運(yùn)動行為區(qū)域，組成人體運(yùn)動行為序列；人體運(yùn)動視頻序列的幀數(shù)等于人體運(yùn)動行為序列的幀數(shù)，序列中的人體運(yùn)動行為區(qū)域為二值化圖像。(二)中央處理機(jī)構(gòu)分別計算人體運(yùn)動行為區(qū)域的面積、寬度、高寬比的一維變化曲線，并對三個參數(shù)的一維變化曲線進(jìn)行傅里葉頻譜分析，獲得三個曲線的頻譜圖；所述人體運(yùn)動行為區(qū)域的寬度、高寬比為人體運(yùn)動行為區(qū)域外切矩形的寬度、高寬比，分析面積、寬度、高寬比，可以快速的獲取人體運(yùn)動行為周期。(三)中央處理機(jī)構(gòu)分析所述三個頻譜圖，判斷三個頻譜圖是否滿足周期性條件，所述周期性條件是頻譜的能量集中在非0的離散值處；對于時變序列f(t)，如果其頻譜的能量越集中于非原點某幾個離散值處，f(t)的4周期性就越強(qiáng)，通過實驗分析，具有周期運(yùn)動的人體區(qū)域的面積、寬度、高寬比的變化曲線類似于正弦規(guī)律的周期信號，當(dāng)我們提取具有周期運(yùn)動的人體在某一段時間內(nèi)的行為序列時，相當(dāng)于對整個行為序列進(jìn)行了加窗，則其頻譜的能量將集中于某幾個離散值(諧波)處。因此，可根據(jù)該條件判定運(yùn)動行為序列是否是近似周期性運(yùn)動。如果三個頻譜圖都不滿足周期性條件，則該人體運(yùn)動行為是異常行為，異常行為提醒裝置提醒異常行為出現(xiàn)；如果有一個頻譜圖滿足周期性條件，則該人體運(yùn)動行為是近似周期性行為；(四)運(yùn)動周期提取機(jī)構(gòu)確定近似周期性行為的周期，并提取一個運(yùn)動周期單元，具體方法如下A.選擇所有滿足周期性的頻譜圖對應(yīng)的一維變化曲線，并對這些一維變化曲線按下式進(jìn)行二值化其中，n表示幀數(shù)，h(n)表示一維變化曲線上第n幀對應(yīng)的參數(shù)值，f(n)表示二值化結(jié)果；B.利用中值濾波對二值化后的一維變化曲線進(jìn)行平滑，得到平滑后的一維變化曲線；C.舍棄符合舍棄條件的一維變化曲線，所述舍棄條件是如果在一個變化曲線中，-1到+1變化之前一段連續(xù)的-1的個數(shù)為l，或者，-l到+1變化之后一段連續(xù)的+1的個數(shù)為l，則舍棄這樣的曲線；D.從剩下的一維變化曲線中，確定求取周期的最佳變化曲線，最佳變化曲線的確定方法如下-l到+1變化次數(shù)以及+1到-1變化次數(shù)之和最小，且該和大于4的一維變化曲線，即為最佳變化曲線；最佳變化曲線的確定方法可以保證選出的最佳變化曲線具有最佳的周期，可根據(jù)人體運(yùn)動行為序列的幀數(shù)來合理確定-1到+1變化次數(shù)以及+1到-1變化次數(shù)之和的下限值。E.從最佳變化曲線中，確定一個運(yùn)動周期單元的起始點，兩個起始點的距離為一個周期，兩個起始點之間的運(yùn)動為一個運(yùn)動周期單元，起始點的確定按如下方法進(jìn)行當(dāng)最佳變化曲線是面積、寬度的一維變化曲線時，起始點是參數(shù)值由-l到+l變化的點；當(dāng)最佳變化曲線是高寬比的一維變化曲線時，起始點是參數(shù)值由+1到-1變化的點；F.運(yùn)動周期提取機(jī)構(gòu)從所述人體運(yùn)動行為序列中提取出一個運(yùn)動周期單元；(五)運(yùn)動特征提取機(jī)構(gòu)對該人體運(yùn)動行為的一個運(yùn)動周期單元進(jìn)行R變換，提取該人體運(yùn)動行為的特征數(shù)據(jù)，并將提取的特征數(shù)據(jù)進(jìn)行降維處理；所述R變換按下式進(jìn)行<formula>formulaseeoriginaldocumentpage5</formula>上式中，eG;R變換由Radon變換改進(jìn)而來。在視頻監(jiān)控中，由于背景常常較為復(fù)雜，提取出<formula>formulaseeoriginaldocumentpage5</formula>其它的二值化人體運(yùn)動行為區(qū)域不可避免會帶有一些噪聲，而且人體隨視頻捕獲裝置距離的不同，其大小也會不同。而對于Radon變換而言，無論提取的二值化人體運(yùn)動行為區(qū)域有無陰影、噪聲或者是由于背景差分產(chǎn)生的空洞，其Radon變換都非常相似，而且計算簡單。二值化圖像f(x，y)的Radon變換如下式j(luò)KO產(chǎn)oO7^(/,=ia<io"{/O,_y)}=丄丄/(x,少)cr(xcos0+少sin^—f1,x=0其中，9G，PG[-c，c]，o"(;c)=^。(_0,e/化Radon變換的平移、縮放性質(zhì)如下Radon{f(x_x0，y-y0)}=TK(P_x0cos9-y0sin9，e)^ifora(/(王,Z》=丄7^(a/，e)oraor由于要對各種行為進(jìn)行分類識別，考慮人體的局部肢體運(yùn)動，因此提取的特征需要保持目標(biāo)在平移、縮放等情況下的特征不變性，而Radon變換不具有平移、縮放不變性，因此對Radon變換進(jìn)行了改進(jìn)，改進(jìn)后的Radon變換簡稱為R變換，其具有平移、縮放不變性i{/(x—x0，；；-3;0)}=f7^((p—jc0cos6>—_y0sin<9),<9>i/=i(6>)=~VfX2("/^>^=A及的由于eG，因此人體運(yùn)動行為序列中的每幀人體運(yùn)動行為區(qū)域經(jīng)過R變換后，得到的特征維數(shù)都是181維，造成特征維數(shù)較大，影響了計算速度，因此需要對它進(jìn)行降維處理。所述降維處理采用行投影法。行投影法不僅能保持原始行為特征，還能使特征維數(shù)降低。(六)采用單狀態(tài)隱馬爾可夫模型作為分類器，將提取的特征數(shù)據(jù)送入該分類器，對該人體運(yùn)動行為進(jìn)行識別；采用何種分類器是提高人體異常行為識別率和識別速度的關(guān)鍵問題。人體行為識別的關(guān)鍵是考慮人體運(yùn)動行為序列是何種行為，討論序列中的某一幀屬于哪個狀態(tài)并沒有多大意義。單狀態(tài)隱馬爾可夫模型在訓(xùn)練過程中把人體運(yùn)動行為序列整體看成一個狀態(tài)，所有幀都屬于同一狀態(tài)，避免了在模型初始化過程中參數(shù)的假設(shè)，因此，雖然它結(jié)構(gòu)簡單，但是它本身的結(jié)構(gòu)特點決定了它適用于人體行為識別。而多狀態(tài)隱馬爾可夫模型不僅訓(xùn)練過程復(fù)雜，而且它主要考慮人體運(yùn)動行為序列中的某一幀屬于哪個狀態(tài)，將其用在人體行為識別中具有冗余性，降低了識別系統(tǒng)的性能。在分類器進(jìn)行識別之前，首先要對分類器進(jìn)行訓(xùn)練。(七)如果分類器識別出該人體運(yùn)動行為為異常行為，由異常行為提醒裝置(5)提醒異常行為出現(xiàn)；如果分類器識別出該人體運(yùn)動行為不是異常行為，則返回到步驟(一)。—種基于運(yùn)動周期分析的人體異常行為識別裝置，其關(guān)鍵在于包括有中央處理機(jī)構(gòu)、運(yùn)動周期提取機(jī)構(gòu)、運(yùn)動特征提取機(jī)構(gòu)、分類器和異常行為提醒裝置，其中，中央處理機(jī)構(gòu)與運(yùn)動周期提取機(jī)構(gòu)連接，運(yùn)動周期提取機(jī)構(gòu)與運(yùn)動特征提取機(jī)構(gòu)連接，運(yùn)動特征提取機(jī)構(gòu)與分類器連接，分類器與異常行為提醒裝置相連，異常行為提醒裝置還與中央處理機(jī)構(gòu)相連，中央處理機(jī)構(gòu)還與外部的視頻捕獲裝置相連；中央處理機(jī)構(gòu)接收視頻捕獲裝置獲取的人體運(yùn)動視頻序列，從該人體運(yùn)動視頻序列提取人體運(yùn)動行為的區(qū)域；中央處理機(jī)構(gòu)分別計算人體運(yùn)動行為區(qū)域的面積、寬度、高寬比的一維變化曲線，并進(jìn)行傅里葉頻譜分析，獲得三個曲線的頻譜圖；中央處理機(jī)構(gòu)判斷三個頻譜圖是否滿足周期性條件，如果三個頻譜圖都不滿足，異常行為提醒裝置提醒異常行為出現(xiàn)，如果有一個頻譜圖滿足，則該人體運(yùn)動行為是近似周期性行為，并將所有滿足周期性的頻譜圖對應(yīng)的一維變化曲線發(fā)送給運(yùn)動周期提取機(jī)構(gòu)；運(yùn)動周期提取機(jī)構(gòu)對接收的所有一維變化曲線進(jìn)行二值化，然后進(jìn)行中值濾波，并舍棄符合舍棄條件的一維變化曲線，從剩下的一維變化曲線中確定求取周期的最佳變化曲線；從最佳變化曲線中確定一個運(yùn)動周期單元的起始點，兩個起始點的距離為一個周期，兩個起始點之間的運(yùn)動為一個運(yùn)動周期單元；然后提取一個運(yùn)動周期單元給運(yùn)動特征提取機(jī)構(gòu)；運(yùn)動特征提取機(jī)構(gòu)對人體運(yùn)動行為的一個運(yùn)動周期單元進(jìn)行R變換，提取該人體運(yùn)動行為的特征數(shù)據(jù)，并將提取的特征數(shù)據(jù)進(jìn)行降維處理，并將降維處理后的特征數(shù)據(jù)送入分類器；所述降維處理采用行投影法。分類器采用單狀態(tài)隱馬爾可夫模型，對特征數(shù)據(jù)進(jìn)行識別；異常行為提醒裝置在分類器識別出異常行為時，發(fā)出異常行為提醒。所述周期性條件是頻譜的能量集中在非0的離散值處。所述舍棄條件是如果在一個變化曲線中，-1到+1變化之前一段連續(xù)的-1的個數(shù)為l，或者，-1到+1變化之后一段連續(xù)的+1的個數(shù)為l，則舍棄這樣的曲線。最佳變化曲線的確定方法如下-l到+1變化次數(shù)以及+1到-1變化次數(shù)之和最小，且該和大于4的一維變化曲線，即為最佳變化曲線。起始點的確定按如下方法進(jìn)行當(dāng)最佳變化曲線是面積、寬度的一維變化曲線時，起始點是參數(shù)值由-l到+l變化的點；當(dāng)最佳變化曲線是高寬比的一維變化曲線時，起始點是參數(shù)值由+1到-1變化的點。本發(fā)明的顯著效果是可以對人體運(yùn)動行為周期特征進(jìn)行自動分析，不滿足周期性的行為識別為異常行為，滿足周期性的行為，通過提取運(yùn)動周期單元的特征數(shù)據(jù)來進(jìn)行異常行為的識別；能在較高的識別率下識別出人體異常行為并報警，識別時間短、準(zhǔn)確率高、實時性好，避免了人工監(jiān)控的人力浪費(fèi)。圖1是本發(fā)明的工作流程圖；圖2是裝置的連接框圖；圖3是人體運(yùn)動行為檢測結(jié)果；其中(a)行走，(b)跑，(C)側(cè)向跑，(d)原地雙腳蹦跳，(e)原地雙手揮舞蹦跳，(f)單手揮舞，(g)彎腰；圖4是實施例1的人體運(yùn)動行為區(qū)域的面積、寬度、高寬比一維變化曲線；其中7(a)面積，(b)寬度，(c)高寬比;圖5是六種近似周期性行為的寬度曲線的頻譜圖；其中(a)行走，(b)跑，(c)側(cè)向跑，(d)原地雙腳蹦跳，(e)原地雙手揮舞蹦跳，(f)單手揮舞；圖6是行走行為及行走行為平移、縮放后的R變換曲線；其中(a)原圖像，(b)對(a)平移后圖像，(c)對(a)縮放后圖像；圖7是正常行走在不同數(shù)據(jù)情況下的R變換曲線；圖8是六種近似周期性行為的R變化曲線；其中(a)行走，(b)跑，(c)側(cè)向跑，(d)原地雙腳蹦跳，(e)原地雙手揮舞蹦跳，(f)單手揮舞；圖9是圖4對應(yīng)的面積、寬度、高寬比曲線的頻譜圖；其中(a)面積，(b)寬度，(c)局覽比；圖10是圖4經(jīng)過二值化和平滑后的曲線圖；其中(a)面積，(b)寬度，(c)高寬比。具體實施例方式下面結(jié)合附圖和具體實施例對本發(fā)明作進(jìn)一步詳細(xì)說明。人體的行為動作一般分為近似周期性行為和非周期性行為，近似周期性行為是指一段時間內(nèi)連續(xù)執(zhí)行兩次以上的相同行為，而非周期性行為是指一段時間內(nèi)只執(zhí)行一次的行為。近似周期性行為包括行走、跑等，非周期性行為包括摔倒、突然彎腰等，因為摔倒往往不可能一段時間內(nèi)連續(xù)摔倒兩次以上，所以這樣的行為我們稱為非周期性行為。對于非周期性行為，我們認(rèn)為其是異常行為；對于周期性行為我們定義行走為正常行為，其他行為為異常行為。實施例1:如圖1所示一種基于運(yùn)動周期分析的人體異常行為識別方法，按以下步驟進(jìn)行(—)利用視頻捕獲裝置獲取人體運(yùn)動視頻序列，并將該視頻序列送入計算機(jī)，由中央處理機(jī)構(gòu)1從人體運(yùn)動視頻序列中提取人體運(yùn)動行為區(qū)域，組成人體運(yùn)動行為序列；人體運(yùn)動視頻序列的幀數(shù)等于人體運(yùn)動行為序列的幀數(shù)，序列中的人體運(yùn)動行為區(qū)域為二值化圖像。視頻捕獲裝置可以為攝像頭等拍攝工具。以色列Weizmann科學(xué)院的人體運(yùn)動數(shù)據(jù)庫有七種人體運(yùn)動行為檢測結(jié)果如圖3所示，分別是行走、跑、側(cè)向跑、原地雙腳蹦瑕L原地雙手揮舞蹦跳、單手揮舞、彎腰。這七種行為基本上包括了人體運(yùn)動的所有行為，獲得的人體運(yùn)動行為序列一般由這七種行為組成。一般認(rèn)為走、跑、側(cè)向跑、原地雙腳蹦跳、原地雙手揮舞蹦跳、單手揮舞是近似周期性行為，彎腰是非周期性行為。(二)中央處理機(jī)構(gòu)1分別計算人體運(yùn)動行為區(qū)域的面積、寬度、高寬比的一維變化曲線，并對三個參數(shù)的一維變化曲線進(jìn)行傅里葉頻譜分析，獲得三個曲線的頻譜圖；所述人體運(yùn)動行為區(qū)域的寬度、高寬比為人體運(yùn)動行為區(qū)域外切矩形的寬度、高寬比，分析面積、寬度、高寬比，可以快速的獲取人體運(yùn)動行為周期。面積、寬度、高寬比的一維變化曲線以人體運(yùn)動行為序列的幀數(shù)為橫坐標(biāo)，以面積、寬度、高寬比為縱坐標(biāo)。(三)中央處理機(jī)構(gòu)1分析所述三個頻譜圖，判斷三個頻譜圖是否滿足周期性條件，所述周期性條件是頻譜的能量集中在非0的離散值處；對于時變序列f(t)，如果其頻譜的能量越集中于非原點某幾個離散值處，f(t)的周期性就越強(qiáng)，通過實驗分析，具有周期運(yùn)動的人體區(qū)域的面積、寬度、高寬比的變化曲線類似于正弦規(guī)律的周期信號，當(dāng)我們提取具有周期運(yùn)動的人體在某一段時間內(nèi)的行為序列時，相當(dāng)于對整個行為序列進(jìn)行了加窗，則其頻譜的能量將集中于某幾個離散值(諧波)處。因此，可根據(jù)該條件判定運(yùn)動行為序列是否是近似周期性運(yùn)動。如果三個頻譜圖都不滿足周期性條件，則該人體運(yùn)動行為是異常行為，異常行為提醒裝置5提醒異常行為出現(xiàn)，即出現(xiàn)彎腰行為；如果有一個頻譜圖滿足周期性條件，則該人體運(yùn)動行為是近似周期性行為；圖5是六種行為行走、跑、側(cè)向跑、原地雙腳蹦跳、原地雙手揮舞蹦跳、單手揮舞的寬度曲線的頻譜圖，可以看出，這六種行為的寬度曲線的頻譜圖滿足周期性條件，因此這六種行為是近似周期性行為。判斷結(jié)果與一般認(rèn)識相一致，說明從頻譜圖判定運(yùn)動行為序列是否是近似周期性運(yùn)動是可行的。(四)運(yùn)動周期提取機(jī)構(gòu)2確定近似周期性行為的周期，并提取一個運(yùn)動周期單元，具體方法如下A.選擇所有滿足周期性的頻譜圖對應(yīng)的一維變化曲線，并對這些一維變化曲線按下式進(jìn)行二值化其中，n表示幀數(shù)，h(n)表示一維變化曲線上第n幀對應(yīng)的參數(shù)值，f(n)表示二值化結(jié)果；B.利用中值濾波對二值化后的一維變化曲線進(jìn)行平滑，得到平滑后的一維變化曲線；C.舍棄符合舍棄條件的一維變化曲線，所述舍棄條件是如果在一個變化曲線中，-1到+1變化之前一段連續(xù)的-1的個數(shù)為l，或者，-l到+1變化之后一段連續(xù)的+1的個數(shù)為l，則舍棄這樣的曲線；D.從剩下的一維變化曲線中，確定求取周期的最佳變化曲線，最佳變化曲線的確定方法如下-l到+1變化次數(shù)以及+1到-1變化次數(shù)之和最小，且該和大于4的一維變化曲線，即為最佳變化曲線；最佳變化曲線的確定方法可以保證選出的最佳變化曲線具有最佳的周期，可根據(jù)人體運(yùn)動行為序列的幀數(shù)來合理確定-1到+1變化次數(shù)以及+1到-1變化次數(shù)之和的下限值。E.從最佳變化曲線中，確定一個運(yùn)動周期單元的起始點，兩個起始點的距離為一個周期，兩個起始點之間的運(yùn)動為一個運(yùn)動周期單元，起始點的確定按如下方法進(jìn)行當(dāng)最佳變化曲線是面積、寬度的一維變化曲線時，起始點是參數(shù)值由-l到+l變化的點；當(dāng)最佳變化曲線是高寬比的一維變化曲線時，起始點是參數(shù)值由+1到-1變化的點；F.運(yùn)動周期提取機(jī)構(gòu)2從所述人體運(yùn)動行為序列中提取出一個運(yùn)動周期單元；<formula>formulaseeoriginaldocumentpage9</formula>,其它(五)運(yùn)動特征提取機(jī)構(gòu)3對該人體運(yùn)動行為的一個運(yùn)動周期單元進(jìn)行R變換，提取該人體運(yùn)動行為的特征數(shù)據(jù)，并將提取的特征數(shù)據(jù)進(jìn)行降維處理；所述R變換按下式進(jìn)行及(6>)=0,0)40上式中，9G;R變換由Radon變換改進(jìn)而來。在視頻監(jiān)控中，由于背景常常較為復(fù)雜，提取出的二值化人體運(yùn)動行為區(qū)域不可避免會帶有一些噪聲，而且人體隨視頻捕獲裝置距離的不同，其大小也會不同。而對于Radon變換而言，無論提取的二值化人體運(yùn)動行為區(qū)域有無陰影、噪聲或者是由于背景差分產(chǎn)生的空洞，其Radon變換都非常相似，而且計算簡單。二值化圖像f(x，y)的Radon變換如下式7)j(p,(9)=iado"{/(x，>>)}=￡￡/(x,少)ct(xcosP+少sin61—/)(iu^#丄fLi/^=o其中，9G，PG[-c，c]，o"(jc)=〗a'°L0，e/"Radon變換的平移、縮放性質(zhì)如下Radon{f(x_x0，y-y0)}=TK(P_x0cos9-y0sin9，e)iWo"(/(三,Z)}=丄rs由于要對各種行為進(jìn)行分類識別，考慮人體的局部肢體運(yùn)動，因此提取的特征需要保持目標(biāo)在平移、縮放等情況下的特征不變性，而Radon變換不具有平移、縮放不變性，因此對Radon變換進(jìn)行了改進(jìn)，改進(jìn)后的Radon變換簡稱為R變換，其具有平移、縮放不變性i(/(x—x0J—_y0)}=「Va2((/—x0cos^—y。sin外。*=i的=Ar"("/,寧p=行走行為及行走行為平移、縮放后的R變換曲線如圖6所示，可以看到，行走行為的原圖像在平移、縮放后得到的圖像的R變換曲線的形狀都沒有變化，具有平移、縮放不變性。圖7是正常行走在不同數(shù)據(jù)情況下的R變換曲線，可以看出，在含有少量噪聲、空洞不嚴(yán)重的情況下，R變換曲線與圖6的R變化曲線非常相似。因此，R變換能夠滿足視頻監(jiān)控中人體運(yùn)動行為需要注意的兩個方面，即描述人體運(yùn)動行為的特征不受噪聲、空洞的影響，以及滿足人體圖像平移、縮放不變性。在視頻監(jiān)控中，人體旋轉(zhuǎn)的情況幾乎不會發(fā)生，因此忽略旋轉(zhuǎn)的影響。圖8是六種行為行走、跑、側(cè)向跑、原地雙腳蹦跳、原地雙手揮舞蹦跳、單手揮舞的R變換曲線圖，可以看到，每種行為的R變化曲線在幅度、平滑程度、波動角度上都有所差異，所以R變換可以用來區(qū)別這六種行為。因此用R變換特征來描述人體運(yùn)動行為是可行的。由于eg，因此人體運(yùn)動行為序列中的每幀人體運(yùn)動行為區(qū)域經(jīng)過R變換后，得到的特征維數(shù)都是181維，造成特征維數(shù)較大，影響了計算速度，因此需要對它進(jìn)行降維處理。降維處理采用行投影法。行投影法不僅能保持原始行為特征，還能使特征維數(shù)降低。行投影法，即定義一個數(shù)值m，每m行數(shù)據(jù)投影為一行。(六)采用單狀態(tài)隱馬爾可夫模型作為分類器4，將提取的特征數(shù)據(jù)送入該分類器4，對該人體運(yùn)動行為進(jìn)行識別；采用何種分類器是提高人體異常行為識別率和識別速度的關(guān)鍵問題。人體行為識別的關(guān)鍵是考慮人體運(yùn)動行為序列是何種行為，討論序列中的某一幀屬于哪個狀態(tài)并沒有多大意義。單狀態(tài)隱馬爾可夫模型在訓(xùn)練過程中把人體運(yùn)動行為序列整體看成一個狀態(tài)，所有幀都屬于同一狀態(tài)，避免了在模型初始化過程中參數(shù)的假設(shè)，因此，雖然它結(jié)構(gòu)簡單，但是它本身的結(jié)構(gòu)特點決定了它適用于人體行為識別。而多狀態(tài)隱馬爾可夫模型不僅訓(xùn)練過程復(fù)雜，而且它主要考慮人體運(yùn)動行為序列中的某一幀屬于哪個狀態(tài)，將其用在人體行為識別中具有冗余性，降低了識別系統(tǒng)的性能。在分類器進(jìn)行識別之前，首先要對分類器進(jìn)行訓(xùn)練。(七)如果分類器4識別出該人體運(yùn)動行為為異常行為，由異常行為提醒裝置5提醒異常行為出現(xiàn)；如果分類器4識別出該人體運(yùn)動行為不是異常行為，則返回到步驟(一)。本實施例中視頻捕獲裝置獲取的人體運(yùn)動視頻序列幀長為80。圖4是提取的人體運(yùn)動行為區(qū)域的面積、寬度、高寬比的一維變化曲線，對這三個曲線進(jìn)行傅里葉頻譜分析，得到的三個曲線的頻譜圖如圖9所示，可以看到，該人體運(yùn)動行為區(qū)域三個參數(shù)的一維曲線頻譜圖都滿足周期性條件頻譜的能量集中在非0的離散值處，因此，該人體運(yùn)動行為是近似周期性行為。此時，對圖4進(jìn)行二值化和中值濾波平滑，本實施例中取中值濾波器的長度為5，得到的平滑后曲線如圖io所示。從圖IO可以看出，符合舍棄條件的是圖10(a)，即面積平滑曲線，因此從剩下的寬度曲線和高寬比曲線中確定求取周期的最佳變化曲線。根據(jù)最佳變化曲線的確定方法，計算-i到+1變化次數(shù)以及+1到-i變化次數(shù)之和。圖10(b)所示的寬度曲線的和為10，圖10(c)所示的高寬比曲線的和為10，兩者相等且均大于4，可以從寬度曲線和高寬比曲線中任選一個曲線來作為最佳變化曲線，本實施例中取寬度曲線作為最佳變化曲線。根據(jù)起始點的確定原則，當(dāng)最佳變化曲線是寬度的一維變化曲線時，起始點是參數(shù)值由-1到+1變化的點，兩個起始點的距離為一個周期，兩個起始點之間的運(yùn)動為一個運(yùn)動周期單元，人體運(yùn)動行為序列被分解為一系列的運(yùn)動周期單元，選取一個運(yùn)動周期單元進(jìn)行R變換，共15幀。每一幀的R變換特征是181維，采用行投影法降低特征維數(shù)，取m=5，特征由181維降為36維，15幀運(yùn)動周期單元序列，R變換后得到15X36的特征矩陣。將得到的15X36的特征矩陣送入單狀態(tài)隱馬爾可夫模型分類器進(jìn)行識別，分類器根據(jù)訓(xùn)練的結(jié)果，辨識人體運(yùn)動行為序列為行走序列，是正常行為，異常行為提醒裝置5不提醒，返回到步驟(一)。在分類器進(jìn)行識別之前，首先要對分類器進(jìn)行訓(xùn)練。按照步驟(一)至(六)可以為每一種行為建立一個單狀態(tài)隱馬爾可夫模型分類器，識別時，將得到的特征矩陣送入每個單狀態(tài)隱馬爾可夫模型分類器進(jìn)行識別，得到的概率最大的分類器對應(yīng)的行為就被認(rèn)為是被識別的行為。11本發(fā)明的識別率很高。利用本發(fā)明識別從人體行為數(shù)據(jù)庫中提取的共87個運(yùn)動周期單元，其中行走18個、跑14個、側(cè)向跑11個、原地雙腳蹦跳18個、原地雙手揮舞蹦跳10個、單手揮舞16個，每次選取1個樣本作為測試樣本，其余的作為訓(xùn)練樣本，所有樣本均被測試1次，得到的平均訓(xùn)練時間為34.5s，平均識別一次的時間為0.ls，識別結(jié)果如下表所示<table>tableseeoriginaldocumentpage12</column></row><table>我們還可以對正常行為和異常行為分別建立單狀態(tài)隱馬爾可夫模型分類器，即對行走行為建立一個模型，對其他行為建立一個模型。對上述87個運(yùn)動周期單元的識別結(jié)果如下表所示<table>tableseeoriginaldocumentpage12</column></row><table>本實施例中識別的五種行為跑、側(cè)向跑、原地雙腳蹦跳、原地雙手揮舞蹦跳、單手揮舞是在視頻監(jiān)控中常常出現(xiàn)的近似周期性異常行為，可能還會出現(xiàn)其它的異常行為，實際應(yīng)用中在建立單狀態(tài)隱馬爾可夫模型時應(yīng)當(dāng)盡量對異常行為可能出現(xiàn)的類型考慮全面。若出現(xiàn)沒有經(jīng)過訓(xùn)練的異常行為時，只要這個行為與訓(xùn)練單狀態(tài)隱馬爾可夫模型的異常行為具有相似性，也可以識別為異常行為，因為單狀態(tài)隱馬爾可夫模型算法更大程度上反應(yīng)了訓(xùn)練樣本之間的共性。因此即使沒有訓(xùn)練過的異常行為，只要與正常行為存在很大的差異，就可以很好地與異常行為的單狀態(tài)隱馬爾可夫模型匹配。實施例2:如圖2所示一種基于運(yùn)動周期分析的人體異常行為識別裝置，包括有中央處理機(jī)構(gòu)1、運(yùn)動周期提取機(jī)構(gòu)2、運(yùn)動特征提取機(jī)構(gòu)3、分類器4和異常行為提醒裝置5，其中，中央處理機(jī)構(gòu)1與運(yùn)動周期提取機(jī)構(gòu)2連接，運(yùn)動周期提取機(jī)構(gòu)2與運(yùn)動特征提取機(jī)構(gòu)3連接，運(yùn)動特征提取機(jī)構(gòu)3與分類器4連接，分類器4與異常行為提醒裝置5相連，異常行為提醒裝置5還與中央處理機(jī)構(gòu)1相連，中央處理機(jī)構(gòu)1還與外部的視頻捕獲裝置相連；中央處理機(jī)構(gòu)1:接收視頻捕獲裝置獲取的人體運(yùn)動視頻序列，從該人體運(yùn)動視頻序列提取人體運(yùn)動行為的區(qū)域；中央處理機(jī)構(gòu)1分別計算人體運(yùn)動行為區(qū)域的面積、寬度、高寬比的一維變化曲線，并進(jìn)行傅里葉頻譜分析，獲得三個曲線的頻譜圖；中央處理機(jī)構(gòu)1判斷三個頻譜圖是否滿足周期性條件頻譜的能量集中在非0的離散值處，如果三個頻譜圖都不滿足，異常行為提醒裝置5提醒異常行為出現(xiàn)，如果有一個頻譜圖滿足，則該人體運(yùn)動行為是近似周期性行為，并將所有滿足周期性的頻譜圖對應(yīng)的一維變化曲線發(fā)送給運(yùn)動周期提取機(jī)構(gòu)2;運(yùn)動周期提取機(jī)構(gòu)2:對接收的所有一維變化曲線進(jìn)行二值化，然后進(jìn)行中值濾波，并舍棄符合舍棄條件的一維變化曲線，從剩下的一維變化曲線中確定求取周期的最佳變化曲線；從最佳變化曲線中確定一個運(yùn)動周期單元的起始點，兩個起始點的距離為一個周期，兩個起始點之間的運(yùn)動為一個運(yùn)動周期單元；然后提取一個運(yùn)動周期單元給運(yùn)動特征提取機(jī)構(gòu)3;所述舍棄條件是如果在一個變化曲線中，-1到+1變化之前一段連續(xù)的-1的個數(shù)為l，或者，-1到+1變化之后一段連續(xù)的+1的個數(shù)為l，則舍棄這樣的曲線。最佳變化曲線的確定方法如下-l到+1變化次數(shù)以及+1到-1變化次數(shù)之和最小，且該和大于4的一維變化曲線，即為最佳變化曲線。起始點的確定按如下方法進(jìn)行當(dāng)最佳變化曲線是面積、寬度的一維變化曲線時，起始點是參數(shù)值由-l到+l變化的點；當(dāng)最佳變化曲線是高寬比的一維變化曲線時，起始點是參數(shù)值由+1到-1變化的點。運(yùn)動特征提取機(jī)構(gòu)3:對人體運(yùn)動行為的一個運(yùn)動周期單元進(jìn)行R變換，提取該人體運(yùn)動行為的特征數(shù)據(jù)，并將提取的特征數(shù)據(jù)進(jìn)行降維處理，并將降維處理后的特征數(shù)據(jù)送入分類器4;所述降維處理采用行投影法。分類器4:采用單狀態(tài)隱馬爾可夫模型，對特征數(shù)據(jù)進(jìn)行識別；異常行為提醒裝置5:在分類器識別出異常行為時，發(fā)出異常行為提醒。本實施例在進(jìn)行人體動作識別時的過程和選取參數(shù)與實施例1相同。1權(quán)利要求一種基于運(yùn)動周期分析的人體異常行為識別方法，其特征在于按以下步驟進(jìn)行(一)利用視頻捕獲裝置獲取人體運(yùn)動視頻序列，并將該視頻序列送入計算機(jī)，由中央處理機(jī)構(gòu)(1)從人體運(yùn)動視頻序列中提取人體運(yùn)動行為區(qū)域，組成人體運(yùn)動行為序列；(二)中央處理機(jī)構(gòu)(1)分別計算人體運(yùn)動行為區(qū)域的面積、寬度、高寬比的一維變化曲線，并對三個參數(shù)的一維變化曲線進(jìn)行傅里葉頻譜分析，獲得三個曲線的頻譜圖；(三)中央處理機(jī)構(gòu)(1)分析所述三個頻譜圖，判斷三個頻譜圖是否滿足周期性條件，所述周期性條件是頻譜的能量集中在非0的離散值處；如果三個頻譜圖都不滿足，則該人體運(yùn)動行為是異常行為，異常行為提醒裝置(5)提醒異常行為出現(xiàn)；如果有一個頻譜圖滿足，則該人體運(yùn)動行為是近似周期性行為；(四)運(yùn)動周期提取機(jī)構(gòu)(2)確定近似周期性行為的周期，并提取一個運(yùn)動周期單元，具體方法如下A.選擇所有滿足周期性的頻譜圖對應(yīng)的一維變化曲線，并對這些一維變化曲線按下式進(jìn)行二值化其中，n表示幀數(shù)，h(n)表示一維變化曲線上第n幀對應(yīng)的參數(shù)值，f(n)表示二值化結(jié)果；B.利用中值濾波對二值化后的一維變化曲線進(jìn)行平滑，得到平滑后的一維變化曲線；C.舍棄符合舍棄條件的一維變化曲線，所述舍棄條件是如果在一個變化曲線中，-1到+1變化之前一段連續(xù)的-1的個數(shù)為1，或者，-1到+1變化之后一段連續(xù)的+1的個數(shù)為1，則舍棄這樣的曲線；D.從剩下的一維變化曲線中，確定求取周期的最佳變化曲線，最佳變化曲線的確定方法如下-1到+1變化次數(shù)以及+1到-1變化次數(shù)之和最小，且該和大于4的一維變化曲線，即為最佳變化曲線；E.從最佳變化曲線中，確定一個運(yùn)動周期單元的起始點，兩個起始點的距離為一個周期，兩個起始點之間的運(yùn)動為一個運(yùn)動周期單元，起始點的確定按如下方法進(jìn)行當(dāng)最佳變化曲線是面積、寬度的一維變化曲線時，起始點是參數(shù)值由-1到+1變化的點；當(dāng)最佳變化曲線是高寬比的一維變化曲線時，起始點是參數(shù)值由+1到-1變化的點；F.運(yùn)動周期提取機(jī)構(gòu)(2)從所述人體運(yùn)動行為序列中提取出一個運(yùn)動周期單元；(五)運(yùn)動特征提取機(jī)構(gòu)(3)對該人體運(yùn)動行為的一個運(yùn)動周期單元進(jìn)行R變換，提取該人體運(yùn)動行為的特征數(shù)據(jù)，并將提取的特征數(shù)據(jù)進(jìn)行降維處理；所述R變換按下式進(jìn)行<mrow><mi>R</mi><mrow><mo>(</mo><mi>&theta;</mi><mo>)</mo></mrow><mo>=</mo><msubsup><mo>&Integral;</mo><mrow><mo>-</mo><mo>&infin;</mo></mrow><mrow><mo>+</mo><mo>&infin;</mo></mrow></msubsup><msubsup><mi>T</mi><mi>R</mi><mn>2</mn></msubsup><mrow><mo>(</mo><mi>&rho;</mi><mo>,</mo><mi>&theta;</mi><mo>)</mo></mrow><mi>d&rho;</mi></mrow>上式中，θ∈；(六)采用單狀態(tài)隱馬爾可夫模型作為分類器(4)，將提取的特征數(shù)據(jù)送入該分類器(4)，對該人體運(yùn)動行為進(jìn)行識別；(七)如果分類器(4)識別出該人體運(yùn)動行為為異常行為，由異常行為提醒裝置(5)提醒異常行為出現(xiàn)；如果分類器(4)識別出該人體運(yùn)動行為不是異常行為，則返回到步驟(一)。FSA00000014876500011.tif2.—種基于運(yùn)動周期分析的人體異常行為識別裝置，其特征在于包括有中央處理機(jī)構(gòu)(1)、運(yùn)動周期提取機(jī)構(gòu)(2)、運(yùn)動特征提取機(jī)構(gòu)(3)、分類器(4)和異常行為提醒裝置(5)，其中，中央處理機(jī)構(gòu)(1)與運(yùn)動周期提取機(jī)構(gòu)(2)連接，運(yùn)動周期提取機(jī)構(gòu)(2)與運(yùn)動特征提取機(jī)構(gòu)(3)連接，運(yùn)動特征提取機(jī)構(gòu)(3)與分類器(4)連接，分類器(4)與異常行為提醒裝置(5)相連，異常行為提醒裝置(5)還與中央處理機(jī)構(gòu)(1)相連，中央處理機(jī)構(gòu)(1)還與外部的視頻捕獲裝置相連；中央處理機(jī)構(gòu)(1):接收視頻捕獲裝置獲取的人體運(yùn)動視頻序列，從該人體運(yùn)動視頻序列提取運(yùn)動人體目標(biāo)圖像，確定人體運(yùn)動行為的區(qū)域；中央處理機(jī)構(gòu)(1)分別計算人體運(yùn)動行為區(qū)域的面積、寬度、高寬比的一維變化曲線，并進(jìn)行傅里葉頻譜分析，獲得三個曲線的頻譜圖；中央處理機(jī)構(gòu)(1)判斷三個頻譜圖是否滿足周期性條件，如果三個頻譜圖都不滿足，異常行為提醒裝置(5)提醒異常行為出現(xiàn)，如果有一個頻譜圖滿足，則該人體運(yùn)動行為是近似周期性行為，并將所有滿足周期性的頻譜圖對應(yīng)的一維變化曲線發(fā)送給運(yùn)動周期提取機(jī)構(gòu)(2);運(yùn)動周期提取機(jī)構(gòu)(2):對接收的所有一維變化曲線進(jìn)行二值化，然后進(jìn)行中值濾波，并舍棄符合舍棄條件的一維變化曲線，從剩下的一維變化曲線中確定求取周期的最佳變化曲線；從最佳變化曲線中確定一個運(yùn)動周期單元的起始點，兩個起始點的距離為一個周期，兩個起始點之間的運(yùn)動為一個運(yùn)動周期單元；然后提取一個運(yùn)動周期單元給運(yùn)動特征提取機(jī)構(gòu)(3);運(yùn)動特征提取機(jī)構(gòu)(3):對人體運(yùn)動行為的一個運(yùn)動周期單元進(jìn)行R變換，提取該人體運(yùn)動行為的特征數(shù)據(jù)，并將提取的特征數(shù)據(jù)進(jìn)行降維處理，并將降維處理后的特征數(shù)據(jù)送入分類器(4);分類器(4):采用單狀態(tài)隱馬爾可夫模型，對特征數(shù)據(jù)進(jìn)行識別；異常行為提醒裝置(5):在分類器識別出異常行為時，發(fā)出異常行為提醒。3.根據(jù)權(quán)利要求2所述的基于運(yùn)動周期分析的人體異常行為識別裝置，其特征在于所述周期性條件是頻譜的能量集中在非0的離散值處。4.根據(jù)權(quán)利要求2所述的基于運(yùn)動周期分析的人體異常行為識別裝置，其特征在于所述舍棄條件是如果在一個變化曲線中，-1到+1變化之前一段連續(xù)的-1的個數(shù)為l，或者，-1到+1變化之后一段連續(xù)的+1的個數(shù)為l，則舍棄這樣的曲線。5.根據(jù)權(quán)利要求2所述的基于運(yùn)動周期分析的人體異常行為識別裝置，其特征在于最佳變化曲線的確定方法如下-l到+1變化次數(shù)以及+1到-1變化次數(shù)之和最小，且該和大于4的一維變化曲線，即為最佳變化曲線。6.根據(jù)權(quán)利要求2所述的基于運(yùn)動周期分析的人體異常行為識別裝置，其特征在于起始點的確定按如下方法進(jìn)行當(dāng)最佳變化曲線是面積、寬度的一維變化曲線時，起始點是參數(shù)值由-l到+l變化的點；當(dāng)最佳變化曲線是高寬比的一維變化曲線時，起始點是參數(shù)值由+1到-1變化的點。全文摘要本發(fā)明公開一種基于運(yùn)動周期分析的人體異常行為識別方法，其特征在于按以下步驟進(jìn)行獲取人體運(yùn)動行為區(qū)域，組成人體運(yùn)動序列；計算序列中人體運(yùn)動行為區(qū)域的一維變化曲線及曲線的頻譜圖；判斷頻譜圖是否滿足周期性條件，三個頻譜圖都不滿足，則為異常行為；有一個滿足則為近似周期性行為；提取近似周期性行為的一個運(yùn)動周期單元；對運(yùn)動周期單元進(jìn)行R變換特征提取；將特征送入單狀態(tài)隱馬爾可夫模型分類器識別；出現(xiàn)異常行為時提醒。一種基于運(yùn)動周期分析的人體異常行為識別裝置，其特征在于包括有中央處理機(jī)構(gòu)、運(yùn)動周期提取機(jī)構(gòu)、運(yùn)動特征提取機(jī)構(gòu)、分類器和異常行為提醒裝置。本發(fā)明能在較高的識別率下識別出人體異常行為并報警。文檔編號G06K9/00GK101739557SQ20101010115公開日2010年6月16日申請日期2010年1月26日優(yōu)先權(quán)日2010年1月26日發(fā)明者印勇,張晶,張梅,王建東申請人:重慶大學(xué)