基于智能視頻監控的異常行為識別的方法

胡艷歌 劉藝航 王婧琦

摘要：近年來，各方面對人們施加的壓力越來越大，導致人們患有精神疾病的概率也大大增加。本研究提出對精神病人進行異常行為識別的方式。首先，要有視頻圖象的收集和預處理。其次，是介紹人體目標檢測與跟蹤的算法。最后，對精神病人的異常行為進行識別。

關鍵詞：智能視頻監控;人體目標檢測;人體目標跟蹤;異常行為識別;VIBE算法

1前言

為了實現在精神病院中對精神病人的安全管理，本文提出了基于智能視頻監控的異常行為識別的方法去監測精神病人的行為是否異常，如有異常，及時報警，讓醫護人員知曉并采取措施以保證精神病人的安全。這可以提高醫護人員救治的效率，也大大降低了醫護人員人工查房的頻率，可以對醫院中的患者實現高效管理。本文鉆研分為三步，第一是視頻圖象的搜集和預處理。視頻圖象的收集和預處理是圖像中目標檢測和識別的條件，在實行運動目標檢測和行為識別之前，先提取視頻中的幀圖象，再對幀圖象進行處理以提升圖象效果，使得后續算法不受影響，最后的檢測識別結果更加切確。第二是對精神病人實行檢測和跟蹤。精神病人的檢測重要是以VIBE算法為基礎的運動前景提取，最終實現VIBE算法的運動對象檢測。精神病人的跟蹤的核心算法是模板匹配算法。最大限度地檢測病人來得到其地域特性，然后在每個模塊內以和病人相一致的模塊來追蹤病人。第三是對精神病院中的病人進行異常行為識別。

2視頻圖像的采集與處理

由于本文主要是研究精神病院病人的安全管理問題，考慮到應用的場景，拉普拉斯算子比較適用于整體對比度和亮度值都較低的圖像，本文決定采用拉普拉斯算子算法來進行圖像的增強。

拉普拉斯算子：獲得拉普拉斯算法后，先對圖象實行處置，之后與最初的圖象進行卷積運算，就可以獲得加強后的圖象。

3精神病人的檢測與跟蹤

3.1運動目標的檢測與提取概述

本文研究過程中所用到的運動目標檢測都是基于靜態攝像頭的，所以背景中環境比較復雜。VIBE屬于通用性的檢測算法，本文采用VIBE背景建模為檢測運動目標的算法。

3.2 VIBE背景建模算法

建立背景模型，樣本值所具有的數目共有N個，在U大于閾值Umin的狀態下，樣本值與背景模型是比較近似的，歸于背景。VIBE背景模型的切確程度與R和Umin有關。VIBE布景更新是和更新的措施有關系的。在隨機的樣本中，所用到的樣本在生命周期上表現出指數衰減，樣本會不會保留下來是和時間沒有關系的。樣本的更新的幾率是相同的。這就使模型有很好的更新狀態。

3.3運動目標跟蹤算法

運動目標跟蹤算法，完成對運動目標的辨別和分類。

本節采納了以多種特點模板的模板匹配為基礎的跟蹤算法實行目標跟蹤。該算法是整合了上述方法中的前兩種而得來的。

這種算法主要有以下幾個特性：

（1）聯系跟蹤紋理、顏色等特性，構成運動對象跟蹤的特性。提升跟蹤的精確度。

（2）完成了多個幀的跟蹤后，利用檢測模塊對跟蹤目標更新。

（3）展望對象搜索范疇，可對目標的位置進行預判。

4精神病人的異常行為識別

4.1基于人體外接矩形寬高比的跌倒行為的判斷

該算法首先要確定人體自然站立時的狀態，在此狀態下得出外接矩形框的寬（W）和高（H）。人體若是發生了跌倒行為，矩形框在這種狀況下一定會呈現變動。對此進行設想，正常情況下也就是直立行走時H>W，而摔倒情況下，有H

當人體外接矩形的寬高比遠小于1時，人體處于正常的豎立狀態;而當寬高比遠大于1時，人體則處于跌倒形態。

4.2基于質心偏離水平的跌倒行的判斷

要測量樣本值的偏離水平，可以用標準差來完成。本節要對人體的質心值進行測量，可以根據p來完成。

如果豎立行動是正常的，p值波動會很小;如果發生了摔倒，那么在極短的時間里會有非常大的質心位置的變化，p值波動會很是大。因而可以得到一個用于判斷跌倒行為的規則[3]。

5實驗結果與分析

本文選擇使用拉普拉斯算子來進行處理。實驗結果表明，處理之后的圖象加倍清晰，邊沿特點更為明顯，有利于后續的目標識別。第二步是精神病人的檢測和跟蹤。第三步是精神病院病人異常行為識別，p值越大，說明病人摔倒的可能性越大。

6結束語

利用視頻監控和異常行為識別可以更好地照顧他們，防止意外發生或者減少一些意外的傷害和損失。

參考文獻

[1]朱敏，朱振福，等.一種用于運動目標檢測的背景建模方法：CN103700116A[P].2014：2-4.

[2]李旋旋，張仁杰.一種基于Kineet的人體摔倒檢測方法[J].軟件導刊，2017（ 07 ）：128-130.

作者簡介，胡艷歌（1995，05-），女，漢族，河南許昌人，河南師范大學本科在讀，研究方向：物聯網工程;

劉藝航（1999，02 -），女，漢族，河南新鄉人，河南師范大學本科在讀，研究方向：計算機科學與技術;

王婧琦（1997，10-），女，漢族，河南新鄉人，河南師范大學本科在讀，研究方向：軟件開發。

本文系智能視頻分析的人體行為識別項目階段性成果，項目編號為S201810476026。