專利名稱：基于視頻的早期溺水行為動作檢測方法
技術(shù)領(lǐng)域：
本發(fā)明涉及視頻監(jiān)控領(lǐng)域，具體涉及一種通過攝像頭監(jiān)控公共游泳場所，檢測泳池中可能發(fā)生的溺水事件早期階段溺水者行為的檢測識別算法。
背景技術(shù)：
游泳池是每個(gè)城市的基礎(chǔ)建設(shè)設(shè)施，是人們休閑娛樂的主要場所。然而據(jù)一份資料顯示，溺水死亡是我國青少年意外死亡的首要原因。許多溺水事件都發(fā)生在公共游泳場所，即使有專業(yè)的救生人員監(jiān)管，但是由于沒能夠及時(shí)發(fā)現(xiàn)溺水者，導(dǎo)致了死亡事件的發(fā)生。因此，研發(fā)一套能夠自動發(fā)現(xiàn)檢測溺水事件的視頻系統(tǒng)，以及時(shí)發(fā)現(xiàn)溺水者拯救生命具有極大的現(xiàn)實(shí)意義。國外早在20多年前已經(jīng)開展了溺水行為自動檢測方面的研究?，F(xiàn)有技術(shù)中，有些技術(shù)方案提出通過安裝超聲波陣列，檢測游泳者游泳動作的運(yùn)動速率，作為可能發(fā)現(xiàn)溺水行為的信號；還有一些技術(shù)方案提出利用超聲波雷達(dá)，檢測泳池底部是否出現(xiàn)沒有運(yùn)動的物體來判斷是否發(fā)生了溺水事件；此外法國的Poseidon Technology開發(fā)出了世界上第一套基于計(jì)算機(jī)輔助的溺水行為檢測系統(tǒng)。該系統(tǒng)通過在水底和水面上安裝攝像頭，檢測分析泳池中人群的行為，若發(fā)現(xiàn)異常行為人，即溺水者，就通過顯示器和警報(bào)鈴發(fā)出警報(bào)。 該系統(tǒng)已經(jīng)在歐美多個(gè)國家和地區(qū)的公共游泳場所安裝應(yīng)用多年，并且?guī)椭l(fā)現(xiàn)多列溺水者，拯救了多人的生命。但該系統(tǒng)也存在諸多弊端，比如，該系統(tǒng)只能檢測發(fā)現(xiàn)已經(jīng)溺水后期階段的溺水者，此時(shí)的溺水者生命已經(jīng)岌岌可危，同時(shí)，該系統(tǒng)的通過安裝在水底的攝像頭實(shí)現(xiàn)監(jiān)控，這樣的方案不僅維護(hù)成本高，而且監(jiān)控的準(zhǔn)確率很容易受其他物體的干擾。

發(fā)明內(nèi)容
本發(fā)明要解決的技術(shù)問題是提供一種檢測準(zhǔn)確可靠、魯棒性好、抗噪性能高、對光照變換的適應(yīng)性好的基于視頻的早期溺水行為動作檢測方法。為解決上述技術(shù)問題，本發(fā)明采用的技術(shù)方案為一種基于視頻的早期溺水行為動作檢測方法，其實(shí)施步驟如下1)定義基于游泳者動作行為的游泳特征參數(shù)，將所述游泳特征參數(shù)通過數(shù)據(jù)融合方法計(jì)算得到多個(gè)描述游泳者行為的狀態(tài)參數(shù)；2)預(yù)先通過安裝在水面上方的攝像頭獲取正常游泳行為的視頻圖像序列和模仿游泳溺水行為的視頻圖像序列，分別提取所述視頻圖像序列中的游泳者；根據(jù)所述正常游泳行為的視頻圖像序列和模仿游泳溺水行為的視頻圖像序列分別和所述多個(gè)描述游泳者行為的狀態(tài)參數(shù)建立游泳者的隱馬爾科夫模型，分別計(jì)算所述隱馬爾科夫模型得到溺水行為狀態(tài)序列和正常行為狀態(tài)序列；3)通過安裝在水面上方的攝像頭實(shí)時(shí)采集游泳池的視頻圖像序列，提取所述視頻圖像序列中的各個(gè)游泳者；4)根據(jù)所述實(shí)時(shí)采集的視頻圖像序列和所述多個(gè)描述游泳者行為的狀態(tài)參數(shù)建立各個(gè)游泳者的隱馬爾科夫模型，計(jì)算所述隱馬爾科夫模型得到當(dāng)前行為狀態(tài)序列，將所述當(dāng)前行為狀態(tài)序列與所述溺水行為狀態(tài)序列和正常行為狀態(tài)序列分別進(jìn)行比較，如果當(dāng)前行為狀態(tài)序列與溺水行為狀態(tài)序列相匹配則判定存在游泳者溺水行為并發(fā)出警告。作為本發(fā)明上述技術(shù)方案的進(jìn)一步改進(jìn)所述步驟1)中定義的基于游泳者動作行為的游泳特征參數(shù)包括游泳者在預(yù)設(shè)時(shí)間間隔內(nèi)的移動距離、相鄰幀間速度矢量點(diǎn)乘、中軸線與水平坐標(biāo)軸的夾角變化量、最小外接矩陣面積比值、面積變化量、水下部分比例六個(gè)動作特征參數(shù)。所述步驟1)中將所述游泳特征參數(shù)通過數(shù)據(jù)融合方法計(jì)算得到多個(gè)描述游泳者行為的狀態(tài)參數(shù)具體是指使用RM分類器將所述六個(gè)動作特征參數(shù)融合得到三個(gè)描述游泳者行為的狀態(tài)參數(shù)，其中所述RM分類器的表達(dá)式為
權(quán)利要求
1.一種基于視頻的早期溺水行為動作檢測方法，其特征在于其實(shí)施步驟如下1)定義基于游泳者動作行為的游泳特征參數(shù)，將所述游泳特征參數(shù)通過數(shù)據(jù)融合方法計(jì)算得到多個(gè)描述游泳者行為的狀態(tài)參數(shù)；2)預(yù)先通過安裝在水面上方的攝像頭獲取正常游泳行為的視頻圖像序列和模仿游泳溺水行為的視頻圖像序列，分別提取所述視頻圖像序列中的游泳者；根據(jù)所述正常游泳行為的視頻圖像序列和模仿游泳溺水行為的視頻圖像序列分別和所述多個(gè)描述游泳者行為的狀態(tài)參數(shù)建立游泳者的隱馬爾科夫模型，分別計(jì)算所述隱馬爾科夫模型得到溺水行為狀態(tài)序列和正常行為狀態(tài)序列；3)通過安裝在水面上方的攝像頭實(shí)時(shí)采集游泳池的視頻圖像序列，提取所述視頻圖像序列中的各個(gè)游泳者；4)根據(jù)所述實(shí)時(shí)采集的視頻圖像序列和所述多個(gè)描述游泳者行為的狀態(tài)參數(shù)建立各個(gè)游泳者的隱馬爾科夫模型，計(jì)算所述隱馬爾科夫模型得到當(dāng)前行為狀態(tài)序列，將所述當(dāng)前行為狀態(tài)序列與所述溺水行為狀態(tài)序列和正常行為狀態(tài)序列分別進(jìn)行比較，如果當(dāng)前行為狀態(tài)序列與溺水行為狀態(tài)序列相匹配則判定存在游泳者溺水行為并發(fā)出警告。
2.根據(jù)權(quán)利要求1所述的基于視頻的早期溺水行為動作檢測方法，其特征在于所述步驟1)中定義的基于游泳者動作行為的游泳特征參數(shù)包括游泳者在預(yù)設(shè)時(shí)間間隔內(nèi)的移動距離、相鄰幀間速度矢量點(diǎn)乘、中軸線與水平坐標(biāo)軸的夾角變化量、最小外接矩陣面積比值、面積變化量、水下部分比例六個(gè)動作特征參數(shù)。
3.根據(jù)權(quán)利要求2所述的基于視頻的早期溺水行為動作檢測方法，其特征在于所述步驟1)中將所述游泳特征參數(shù)通過數(shù)據(jù)融合方法計(jì)算得到多個(gè)描述游泳者行為的狀態(tài)參數(shù)具體是指使用RM分類器將所述六個(gè)動作特征參數(shù)融合得到三個(gè)描述游泳者行為的狀態(tài)參數(shù)，其中所述RM分類器的表達(dá)式為
4.根據(jù)權(quán)利要求3所述的基于視頻的早期溺水行為動作檢測方法，其特征在于，所述計(jì)算隱馬爾科夫模型的詳細(xì)步驟包括A)定義A={au,v}為所述三個(gè)描述游泳者行為的狀態(tài)參數(shù)的中不同狀態(tài)參數(shù)之間轉(zhuǎn)移的概率，定義B = {bv}為觀察概率，定義n = {>u}為各個(gè)狀態(tài)參數(shù)的初始概率；B)定義隱馬爾科夫模型為λ= {A，B，π }；C)通過觀察序列0={ο1, ο2，...，οτ}來確定一個(gè)概率P= (0，S| λ)最大的狀態(tài)參數(shù)序列S= {s1, s2，…，sT}，使得所述概率P= (0，S| λ)最大的狀態(tài)參數(shù)序列S= {s1, S2,... , sT}即為最終輸出的隱馬爾科夫模型的行為狀態(tài)序列，其中St e {S1，S2，S3}，其中 Si，S2，S3為所述三個(gè)描述游泳者行為的狀態(tài)參數(shù)。
5.根據(jù)權(quán)利要求1或2或3或4所述的基于視頻的早期溺水行為動作檢測方法，其特征在于所述步驟2、以及步驟幻中提取視頻圖像序列中的游泳者的詳細(xì)步驟包括I)獲取視頻圖像序列的每一幀RGB圖像；II)為圖像中的每一個(gè)像素建立碼書L= {Cl，c2，…，cj，其中Ci為構(gòu)成所述碼書的碼字，i為小于碼字總和L的自然數(shù)，所述碼字Ci包含RGB色彩矢量和6維矢量2個(gè)參數(shù)， 所述6維矢量包括碼字中最小的亮度值、碼字中最大的亮度值、碼字出現(xiàn)的頻率、碼字的最大消極游程、碼字第一次出現(xiàn)的時(shí)間和碼字最后一次出現(xiàn)的時(shí)間；III)基于COdebook背景建模方法建立背景模型；IV )將輸入的視頻圖像與所述背景模型以像素為單位進(jìn)行匹配，若像素在背景模型的相應(yīng)位置找到匹配的碼字Ci則該像素為背景像素，否則該像素為前景目標(biāo)圖像；然后根據(jù)預(yù)設(shè)的游泳者人形模型從前景目標(biāo)圖像分離出游泳者。
6.根據(jù)權(quán)利要求5所述的基于視頻的早期溺水行為動作檢測方法，其特征在于，所述步驟III)中基于COdebook背景建模方法建立背景模型的具體步驟包括將當(dāng)前圖像幀往前的30幀視頻圖像的所有像素分類為固定背景模型中的背景像素、非固定背景模型中的背景像素、緩存中的前景像素、新出現(xiàn)的前景像素四種像素類型，然后將所述四種像素類型作為四個(gè)分層，并通過基于分層建模方法建立背景模型。
7.根據(jù)權(quán)利要求6所述的基于視頻的早期溺水行為動作檢測方法，其特征在于，所述步驟IV)中根據(jù)預(yù)設(shè)的游泳者人形模型從前景目標(biāo)圖像分離出游泳者的詳細(xì)步驟包括根據(jù)預(yù)設(shè)的游泳者人形模型從前景目標(biāo)分割得到初步分離圖像，將初步分離圖像進(jìn)行二值化處理，將二值化處理后的圖像進(jìn)行圖像腐蝕操作去除圖像中的噪聲，通過圖像閉合操作修補(bǔ)前景目標(biāo)中存在的小孔穴和邊界間斷分離出最終的游泳者。
8.根據(jù)權(quán)利要求7所述的基于視頻的早期溺水行為動作檢測方法，其特征在于所述游泳者人形模型為橢圓形模型。
全文摘要
本發(fā)明公開了一種基于視頻的早期溺水行為動作檢測方法，實(shí)施步驟如下1)定義游泳特征參數(shù)并通過數(shù)據(jù)融合方法得到多個(gè)描述游泳者行為的狀態(tài)參數(shù)；2)預(yù)先獲取正常游泳行為和模仿游泳溺水行為的視頻圖像序列，分別提取游泳者并分別建立并計(jì)算游泳者的隱馬爾科夫模型得到溺水行為狀態(tài)序列和正常行為狀態(tài)序列；3)實(shí)時(shí)采集視頻圖像序列，提取游泳者；4)建立并計(jì)算各個(gè)游泳者的隱馬爾科夫模型得到當(dāng)前行為狀態(tài)序列，根據(jù)當(dāng)前行為狀態(tài)序列、溺水行為狀態(tài)序列和正常行為狀態(tài)序列判定是否存在游泳者溺水行為，如果存在游泳者溺水行為則發(fā)出警告。本發(fā)明具有檢測準(zhǔn)確可靠、魯棒性好、抗噪性能高、對光照變換的適應(yīng)性好的優(yōu)點(diǎn)。
文檔編號G06K9/64GK102542301SQ20111044825
公開日2012年7月4日 申請日期2011年12月28日 優(yōu)先權(quán)日2011年12月28日
發(fā)明者馮蓉, 周泓, 程添, 陳益如 申請人:浙江大學(xué)