基于图像处理的人员异常行为监测设计

摘 要： 通过对人员异常行为有效的监测算法设计，提高视频监控和异常事故的智能识别能力。传统的人员异常行为监测算法采用视频步进跟踪学习方法，由于人员的随机性和不确定性，导致视觉识别效果不好。基于图像处理理论，提出一种基于视频帧图像阵列像素检测的人员异常行为监测算法，进行了人员异常行为特征数据采集模型设计，得到基于双相机视频监控的人员异常行为视觉特征采集模型，采用视频帧图像阵列像素检测算法，进行异常行为特征提取，得到邻域灰度值向量之间像素点为平均结构相似性聚类中心，计算人员异常行为检测全图所有像素点的加权平均位置的估计值，实现人员异常行为监测算法改进。仿真结果表明，采用该算法进行人员异常行为特征监测，能实现对特定异常人员的准确定位和清晰识别，异常检测概率较高，性能优越，在安防监控系统设计等领域具有较好的应用价值。

关键词： 图像处理; 异常行为监控; 智能识别; 数据采集

中图分类号： TN919?34; TP391 文献标识码： A 文章编号： 1004?373X（2015）06?0111?04

Design of personnel abnormal behavior monitoring algorithm based on image processing

WANG Shuai?peng， ZHAO Kai

（Teaching Affairs Division， Pingdingshan university， Pingdingshan 467000， China）

Abstract： The ability of intelligent recognition of video monitoring and accident is improved through design of effective monitoring algorithm for the personnel abnormal behavior. The traditional personnel abnormal behavior monitoring algorithm with video step tracking learning method result in poor visual recognition effect due to the randomness and uncertainty of the staff. A personnel abnormal behavior monitoring algorithm based on video frame image array pixel detection is proposed according to the theory of image processing. A data acquisition model of personnel abnormal behavior characteristics was designed and realized， which is based on the double camera video surveillance. The video frame image pixel arrays is used to extract abnormal behavior features for getting the pixels between neighborhood gray value vectors as the mean structure similarity clustering center. The improvement of personnel abnormal behavior monitoring algorithm was implemented by calculating the estimated values of weighted average positions of all pixel points in personnel abnormal behavior detection image. The simulation results show that the algorithm for monitoring the characteristics of personnel abnormal behavior can realize the accurate positioning and clear identification of the specific abnormal personnel， and has high detection probability and superior performance. It has high application va?

lue in the field of security monitoring system design.

Keywords： image processing; abnormal behavior monitoring; intelligent recognition; data acquisition

0 引 言

计算机图形和图像处理技术得到快速发展，如今广泛应用在远程目标识别、遥感数据特征提取、图像修复和智能系统控制等领域，在智能视频监控系统中，需要采用图像处理技术实现对人员和区域的行为监测，通过对人员密集区域的智能监测设计，提高对人员异常行为的智能识别和预警能力，在安防监控和安检识别等邻域具有重要的应用价值。

随着计算机图像处理技术的发展，采用传统的靠人工识别的方法对视频监控图像进行观察监控的做法已经不能满足当前对人员异常行为智能识别和监控的效果，研究更为有效的人员异常行为监测算法受到广大专家学者的重视。对此，许多学者进行相关系统和算法设计的研究，取得了一定的成果[1]，其中，文献[2]中提出一种基于面部表情特征的特定人员定位算法，通过模板叠加的方法，实现对人员面部相异特征匹配，但该算法的普适性不好。文献[3]提取人员的像素特征然后采用SVM分类锁定人员方位信息，该算法无法对光照变化和随机状态分布下的复杂环境人员进行准确检测，对人员异常行为特征提取效果不好。文献[4]采用视频步进跟踪学习方法，由于人员的随机性和不确定性，导致视觉识别效果不好[5?8]。针对上述问题，基于图像处理理论，本文提出一种基于视频帧图像阵列像素检测的人员异常行为监测算法，首先进行了人员异常行为特征数据采集模型设计，然后采用视频帧图像阵列像素检测算法，进行异常行为特征提取算法改进，最后进行仿真实验，验证本文算法的优越性能，得出有效性结论。

1 人员异常行为视觉特征采集

通过监控视频图像，采用计算机视觉技术使计算机能够通过2维或者3维图像识别，进行人员异常行为的视觉特征采集，整个人员视觉特征采集系统采用4台计算机，3台显示器，虚拟现实设备设计，整个系统的控制是通过连有手控器的计算机来实现对人员聚集区域的监控。人员异常行为特征采集中，由于人员是移动目标，因此采用运动目标图像定位方法，生成时间序列生成，运动目标图像2阶运动目标图像[λ]函数可以写成：[b21=12（1-λt）（1-t）3+[3+λ-2λt（1-t）]t（1-t）+ 12（1-λ+λt）t3] （1）

记[A=（1-λt）（1-t）3，][B=[3+λ-2λt（1-t）]t（1-t），][C=（1-λ+λt）t3]。图像轮廓曲线定义为：

[bni，i（t）=j=0nibni，j（t;λi）Vj+s=1i-1（ns-1），t∈[0，1]] （2）

式中[i=1，2，…，l]，当[i=1]时，[s=1i-1（ns-1）=0]，对每一个产生最大灰度值的轮廓点进行运动特征提取，根据视频监控图像中的灰度像素值，进行原始信号提取和信号预处理，由控制点[Vij∈R3，其中，l1（m-1）+1;j=0，1，…，]定义一张由[l1×l2]个[m×n]阶曲面片构成的组合[λ]曲面：

[bij（u，v）=k=0ml=0nbmk（u;λu）bnl（v;λv）Vk+（m-1）（i-1），l+（n-1）（j-1）] （3）

从而准确得到目标人员的方位信息和视觉特征信息，然后进行视频图像的背景建模，设[Fm（x，y）]为第[m]帧[（x，y）]处的像素灰度值，背景像素的灰度值为：

[Bm（x，y）=1mi=0m-1Fi（x，y）] （4）

式中m为监控视频相机的前帧序号，采用双相机视频监控方法，基于双相机视频监控的人员异常行为视觉特征采集模型如图1所示。从而，采用三角测算原理得到二维图像坐标转换矩阵计算式为：

[ZcUV0=fdx0U000fdyV000010RTOT1XwYwZw1] （5）

使用视频序列中的前100帧平滑接近背景模型的真实像素，建立图像正常扫描与运动参数变化关系，实现人员异常行为视觉特征采集。

<E：＼王芳＼现代电子技术201506＼现代电子技术15年38卷第6期＼Image＼37t1.tif>

图1 基于双相机视频监控的人员异常

行为视觉特征采集模型

2 特征提取预处理

在上述模型构建的基础上，为了实现对人员异常行为检测，需要对取得图像帧信号进行基于视频像素灰度值特征提取，定义特定区域人员运动状态矢量[x（t）=[x（t），y（t），z（t），x（t），y（t），z（t），x（t），y（t），z（t）]T]，状态方程和观测方程为：

[x（k+1）=Φ（k）x（k）+w（k）] （6）

[z（k）=H（k）x（k）+v（k）] （7）

使用确定模型集合[M=mi|i=1，2，…，m]表示人员异常行为特征提取的动作状态混合模型，计算[k]时刻的模型[mj（j=1，2，…，m）?mj∈M]的似然函数：[Λj（k）=P（z（k）/mj（k），zk-1） =P（z（k）/mj（k），x0j（k-1/k-1），P0j（k-1/k-1）） =N（（zj（k）-zj（k/k-1））|0，Sj（k））] （8）

式中：[Λj（k）]服从均值为0、方差为[Sj（k）]的正态分布，[Sj（k）]为人员异常行为特征信息协方差矩阵。本文基于视频帧图像阵列像素检测方法，进行人员异常行为特征的提取和预处理，假设待检测人员分布在以[M]个接收阵元（[M]为偶数）均匀对称分布的一个圆周上，圆心[O]处布设一个阵元，平面元阵的半径为[r]，以圆心[O]为坐标圆点建立坐标系，得到视频帧图像阵列如图2所示。

图2中，阵列间距D、仰角[θ]、方位角[?]、距离[r]互相关，对人员进行辨识，得到二阶加滞后LPNTI积分过程，求取视频监控图像中的灰度像素，得：

[cτir=r2-c2τi22Rr+cosφi， i=1，2，…，M] （9）

由于视频帧图像阵列分布具有对称性，因而可以证明：

[cos φi+cos φi+M/2=0] （10）

进行视频帧图像阵列跟踪识别的初始化学习，得到[i=1Mcosφi]=0，由此可以推导出人员异常行为的灰度像素特征输出为：

[x（k/k）=jmxi（k/k）uj（k）] （11）

通过上述方法，对取得的图像帧信号进行基于视频像素灰度值的特征提取，为实现人员异常行为检测提供准确的数据基础。

<E：＼王芳＼现代电子技术201506＼现代电子技术15年38卷第6期＼Image＼37t2.tif>

图2 视频帧图像阵列示意图

3 人员异常行为监测算法改进

设计视频帧图像阵列像素检测算法，最终实现人员异常行为监测，根据人员在移位过程中的相对运动参数的求解过程和根据运动参数进行的补偿过程，得到嵌入式视觉模型[mj（j=1，2，…，m） ?mj∈M]的校正概率：

[uj（k）=P（mj（k）/zk） =1cP（z（k）/mj（k），zk-1）P（mj（k）/zk-1） =1cΛj（k）cj] （12）

在视频帧图像阵列中，提取人员异常行为的视觉特征，特征提取的状态方程和观测方程的离散形式为：

[x（k+1）=Φi（k）x（k）+wi（k）， i=1，2，…，mz（k）=Hi（k）x（k）+vi（k）， i=1，2，…，m] （13）

式中，[wi（k）]和[vi（k）]为状态噪声和观测噪声，协方差矩阵分别为[Qi（k）]和[Ri（k）]。得到参考图像和待匹配图像中计算层级窗口，图像位差为：

[Il（n1，n2）=14i1=01i2=01Il-1（2n1+i1，2n2+i2）] （14）

[Jl（n1，n2）=14i1=01i2=01Jl-1（2n1+i1，2n2+i2）] （15）

在一个7×7像素的匹配窗口（以参考点为中心选定的图像区域）内拟合干扰向量，以邻域灰度值向量之间像素点为平均结构相似性聚类中心，计算人员异常行为检测全图所有像素点的加权平均位置的估计值，即：

[NLM[g]（i）=j∈Ωw（i，j）g（j）] （16）

对目标的位置进行一步或者N步预测，且在预测位置的区域搜索目标，得到人员异常行为监测特征输出结果为：

[w（i，j）=1Z（i）exp-d（i，j）h2] （17）

其中：

[Z（i）=j∈Ωexp-d（i，j）h2] （18）

通过由三角关系和几何关系得到目标人员异常行为的方位信息和视觉特征信息，实现准确监测。算法改进实现流程如图3所示。

<E：＼王芳＼现代电子技术201506＼现代电子技术15年38卷第6期＼Image＼37t3.tif>

图3 算法改进实现流程

4 仿真实验与结果分析

为了测试本文算法在实现人员异常行为监测中的性能，进行仿真实验和设计。仿真实验的硬件环境为PC机，操作系统为Windows 7，系统内存为4 GB的普通计算机上采用Matlab 2012实现的算法仿真。平面圆阵取[θ=45°]，r=3 m，[στ=1] μs，取基元数从4开始按照4的倍数增加，设单帧视频信号频率f=4 kHz，采样频率[fs]=20 kHz，视频序列的目标分割的像点数N=200，人员视频信号采集周期为[T=5Ts]，得到灰度值时延[τ≤2.5Ts]。设定其他阵元相对参考阵元的时延为[τ12]=1.55[Ts]，[τ13=1.83Ts]，[τ14=2.27Ts]。根据上述仿真环境和参数设定，进行基于图像处理的人员异常行为监测实验。以其中2帧视频图像为例，提取特定人员的视频监控图像中的灰度像素值，从而实现人员定位跟踪，采用Matlab编程实现基于视频帧图像阵列像素检测的人员异常行为监测算法，为对比算法性能，采用本文算法和传统方法进行人员异常行为监测特征提取对比，真得到采用本文算法和传统算法下得到的人员异常行为监测结果如图4所示。

<E：＼王芳＼现代电子技术201506＼现代电子技术15年38卷第6期＼Image＼37t4.tif>

图4 人员异常行为监测特征提取

从图可见，采用本文设计的视频帧图像阵列像素检测算法进行人员异常行为特征监测，能实现对特定人员的准确定位和清晰识别，特别是第320帧和515帧目标离开和进入区域时的判断比较准确，能够可靠地跟踪和计数，能有效反映出人员异常行为的特征细节，人员异常行为监测和特征提取性能优越。为了定量分析对比，以图像监测的检测概率作为测试指标，得到不同方法下实现人员异常行为监测的检测概率对比曲线如图5所示。从图可见，采用本文算法，能有效提高对人员异常行为监测的检测概率，性能提高。

5 结 语

对人员异常行为有效的监测可以提高视频监控和异常状态突况的智能识别能力。本文提出一种基于视频帧图像阵列像素检测的人员异常行为监测算法，首先进行了人员异常行为特征数据采集模型设计，得到基于双相机视频监控的人员异常行为视觉特征采集模型，然后采用视频帧图像阵列像素检测算法，进行异常行为特征提取算法改进，得到邻域灰度值向量之间像素点为平均结构相似性聚类中心，计算人员异常行为检测全图所有像素点的加权平均位置的估计值，实现人员异常行为监测算法改进，仿真结果表明，采用本文设计的视频帧图像阵列像素检测算法进行人员异常行为特征监测，能实现对特定人员的准确定位和清晰识别，检测概率较高，性能优越。

<E：＼王芳＼现代电子技术201506＼现代电子技术15年38卷第6期＼Image＼37t5.tif>

图5 人员异常行为检测性能对比

参考文献

[1] 志丹，和红杰，尹忠科，等.基于块结构稀疏度的自适应图像修复算法[J].电子学报，2013，41（3）：549?554.

[2] 胡光波，周勇，徐骞.改进向量量化算法的图像压缩研究[J].科学技术与工程，2010，10（14）：3517?3519.

[3] 杜辉.基于小波变换的彩色图像中快速人脸检测算法[J].科技通报，2012，12（28）：89?90.

[4] CRISTANI M， RAGHAVENDRA R， BUE D A. Human behavior analysis in video surveillance： a social signal processing perspective [J]. Neurocomputing， 2013， 100（1）： 86?97.

[5] 傅兴玉，龙红建，付琨.基于改进Markov随机场的高分辨率SAR图像建筑物分割算法[J].电子学报，2012，40（6）：1041?1047.

[6] 徐胜军，韩九强，赵亮，等.用于图像分割的局部区域能量最小化算法[J].西安交通大学学报，2011，45（8）：7?12.

[7] 罗海驰，李岳阳，孙俊.一种基于自适应神经模糊推理系统的图像滤波方法[J].计算机科学，2013，40（7）：302?306.

[8] 陶涛，夏新宇，李琳，等.面向数据融合计算的动画角色处理平台[J].合肥工业大学学报：自然科学版，2014，31（1）：59?62.