電梯內基于稠密光流的異常行為檢測算法

張輝超 李江天 谷科 朱雪梅 樓丹

摘要：電梯內異常行為的檢測已成為電梯安全檢測一重點，特別是電梯內人員打架、摔倒等異常行為的檢測具有極大的應用需求。本文采用一種改進的稠密光流算法來實現對電梯轎廂異常行為的檢測。

關鍵詞：視頻檢測;異常行為檢測;稠密光流

中圖分類號：TP391.41 文獻標識碼：A 文章編號：1007-9416（2020）02-0095-01

0 引言

隨著新科技的發展，建筑水平的不斷提高，為了給乘客提供良好的乘梯環境，在絕大多數的賓館、酒店、地鐵、火車站、高鐵站、高層住宅小區的電梯內安裝了攝像頭并對其進行實時監控。這時電梯就很好的解決了人類生活上的便捷。但是，其安全隱患問題也日顯突出，電梯轎廂本身是個狹小的空間，犯罪嫌疑人很好在里面實施犯罪行為。電梯本身就是個狹小的空間，當發生異常行為，人力是無法對異常情況進行快速反饋的，這就導致了極高的漏檢率和誤檢率[1-2]。

現在的電梯系統存在著很多的不足之處：（1）現在的電梯系統功能單一，只能進行簡單的監控、存儲、查看視頻的功能，并沒有對電梯內發生的事件進行分析和處理。如果電梯內發生異常行為，沒有及時報警的功能。（2）一個完整的監控網絡下通常有很多的監控畫面，異常行為比正常行為發生的概率相對要低一點，人眼終究會產生疲勞的，不可能達到時刻監視著畫面。這就導致了極高的漏檢率和誤檢率。（3）現在傳統的電梯監控系統一般都是發生事件后幾天甚至幾周之后才能處理，因為監控數據過于龐大，人力篩選信息困難，甚至有可能漏選信息。

1 現有的算法研究

1.1 模板匹配法

模板匹配是一種最原始、最基本的模式識別方法，研究某一特定對象物的圖案位于圖像在什么地方，進而識別對象物。模板匹配廣泛應用于計算機視覺，圖像處理領域。模板匹配包括模板建立階段，訓練階段，行為判斷階段。在模板建立階段把圖像序列轉換成一組靜態的特征模板，存儲組成數據庫。在訓練階段把這些圖像序列進行訓練，最后存儲成一個模板。在行為判斷階段就是把提取輸入圖像序列的特征與訓練階段存儲的模板進行對比，把與當前行為相似度最高的模板的類別作為行為識別的結果。模板匹配法優點是操作和實現起來簡單，計算難度較低，但是它沒有考慮到運動序列的動態特性，有可能會出現誤差。

1.2 狀態空間法

狀態空間法是一種用于解答空間的問題表示和問題求解的方法。狀態空間法把圖像序列中人體行為拆分成不同的靜態行為和運動狀態，其中每個靜態行為或運動狀態作為一個節點，這些狀態節點之間要求設定概率并且聯系起來。任何這些動作序列都認為是在靜態動作不同狀態節點之間的一次遍歷，計算遍歷過程中的聯合概率，把出現的概率值最大的聯合作為行為分類的標準。由于狀態空間法需要擴展出很多的節點，很容易出現“組合爆炸”，所以說狀態空間法適用于比較簡單的問題。其中最常見的應用是隱馬爾可夫模型[3-4]和動態貝葉斯網絡。

2 基于光流場的檢測基礎

2.1 稠密光流與稀疏光流

在一個空間中，通常用運動場來描述物體的運動，而在一個圖像平面上，物體的運動往往是通過圖像序列中彼此間的圖像灰度分布的不同來體現的，在空間中的運動場就可以轉移到圖像平面上進而產生光流場。

其中光流分為稠密光流和稀疏光流。稠密光流是一種針對圖像平面中指定的某一片區域或整個圖像進行逐點匹配的圖像配準方法，它主要計算圖像上特征點的偏移量，進而形成一個稠密的光流場。然后，通過這個稠密的光流場，就可以進行圖像的匹配。稀疏光流與稠密光流原理相反，它主要是對圖像平面上稀疏的點進行圖像配準方法。稀疏光流往往需要指定一組點進行跟蹤，并且這組點必須具有某種突出的特性，例如Harris角點等，那么跟蹤配準就會變得既穩定又可靠。使用稀疏光流法跟蹤的計算要比稠密光流法跟蹤小得多，但需要標記角點。

2.2 稠密光流具體計算過程

假設圖像上一個像素點（x，y），它在時刻t的亮度為 I（x，y，t），用u（x，y）和v（x，y）表示該點光流在水平和垂直方向上的速度分量。

μ=? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （2-1）

v=? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（2-2）

在經過時間間隔Δt之后，該點的對應點的亮度變為：

I（x+Δx，y+Δy，t+Δt）

在運動微小的前提下，利用泰勒公式展開：

I（x+Δx，y+Δy，t+Δt）=I（x，y，t）+Δx+Δy+Δt+ constant? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（2-3）

當Δt足夠小，趨近于0時：

-=+=μ+v? ? ? ? ? ? ? ? ? （2-4）

-It=Ixμ+Iyv? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（2-5）

-It=[IxIy][]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （2-6）

3 基于稠密光流的電梯異常檢測

3.1 算法過程

算法過程為：第一步：考慮到電梯轎廂內攝像頭不移動，拍攝圖像固定，會拍攝到較大面積背景圖像，會增加冗余計算量的問題，首先選取視頻中第N幀及N+1幀圖像中的感興趣區域（ROI），這樣可以大大減小后續計算時間。第二步：計算單獨幀圖像的光流圖，得到圖像中每個像素點的光流值。第三步：根據光流圖計算此幀圖像的“動能”，公式如公式（3-1），并計算此幀圖像“動能之和”。此處可通過設置閾值去掉“動能”較小的像素點，簡化計算。

E=mv2=（x2+y2）*arctan（）? ? ? ? ? ? ? ? ? ? ? ?（3-1）

3.2 仿真結果

測試視頻中15-72幀為發生異常的幀（電梯內打架）。本算法設定為每10幀中有6幀及其以上為異常行為判定為有異常并實時報警。測試結果可從第15-75幀連續發出警報，可以看出，本算法可以很好的實現電梯內對異常行為的檢測。

4 結語

本文采用一種改進的稠密光流的方法來實現對電梯轎廂異常行為的檢測。首先是把前景目標看成一個整體，然后建立一個基于角點動能的異常行為檢測模型，并且通過這個模型，求出整個視頻中的每一幀圖像的整體動能值，然后與設置的閾值進行對比，如果大于設定的閾值，則我們就可以認為在電梯轎廂內發生了異常行為。最后，系統就會自動實時的發出報警信號。

參考文獻

[1] 朱玉杰.電梯轎廂內乘客異常行為檢測[D].合肥：中國科學技術大學，2017.

[2] 靳海燕.基于視頻分析的電梯轎廂內異常行為檢測研究[D].重慶：重慶大學，2012.

[3] Bobick A F，Davis J W.The recognition of human movement using temporal templates[J].IEEE Transactions on pattern analysis and machine intelligence，2001，23（3）：257-267.

[4] Ahmad M，Lee S W.Human action recognition using shape and clg-motion flow from multi-view image sequences[J].Pattern Recognition，2008，41（7）：2237-2252.

Anomaly Detection Algorithm Based on Dense Optical Flow in Elevator

ZHANG Hui-chao，LI Jiang-tian，GU Ke，ZHU Xue-mei，LOU Dan

（Zhonghuan Information College Tianjin University of? Technology， Tianjin? 300380）

Abstract：The detection of abnormal behavior in elevator has become a key point of elevator safety detection， especially the detection of abnormal behavior such as fighting and falling of personnel in elevator has great application demand. In this paper， an improved dense optical flow algorithm is used to detect the abnormal behavior of elevator car.

Key words：video detection; abnormal behavior detection; dense optical flow