基于復(fù)雜機場監(jiān)控環(huán)境下的行為檢測分析

左驥

摘要：復(fù)雜機場環(huán)境下的行為檢測是指應(yīng)用視頻采集技術(shù)、傳感器技術(shù)實現(xiàn)對人體動作、特征、行為等內(nèi)容的提取與分析，實現(xiàn)對行為的科學(xué)檢測。目前，市場上的監(jiān)控行為檢測系統(tǒng)存在細微識別較差、識別率較低等問題。本文探討識別檢測技術(shù)在復(fù)雜機場環(huán)境中的應(yīng)用原理，通過模型訓(xùn)練的方式提高行為識別率及檢測效果，探討監(jiān)控識別系統(tǒng)應(yīng)用方式。

關(guān)鍵詞：復(fù)雜機場 監(jiān)控環(huán)境 運動特征 行為檢測 模型訓(xùn)練

Behavior Detection and Analysis Based on Complex Airport Monitoring Environment

ZUO Ji

（Chengdu Shuangliu International Airport Co.， Ltd.， Chengdu， Sichuan Province，610225 China）

Abstract： Behavior detection in complex airport environment refers to the application of video acquisition technology and sensor technology to extract and analyze human actions， features and behaviors， so as to realize the scientific detection of behavior. At present， the monitoring behavior detection system in the market has the problems of poor subtle recognition and low recognition rate. This paper discusses the application principle of recognition and detection technology in complex airport environment， improves the behavior recognition rate and detection effect through model training， and discusses the application mode of monitoring and recognition system.

Key Words： Complex airport; Monitoring environment; Motion characteristics; Behavior detection; Model training

機場中頻繁的突發(fā)事件及惡性事件會對機場的秩序造成一定程度影響，機場為預(yù)防此類事故的產(chǎn)生，應(yīng)用監(jiān)控系統(tǒng)實現(xiàn)對現(xiàn)場環(huán)境的檢測，作為事故處理的依據(jù)。然而視頻監(jiān)控系統(tǒng)當(dāng)下的應(yīng)用并不健全，其在行為識別與行為檢測上仍存在一定的問題，大數(shù)據(jù)技術(shù)、智能將技術(shù)在監(jiān)控系統(tǒng)中的應(yīng)用可以有效提高監(jiān)控的準(zhǔn)確性，實現(xiàn)對安全事故的預(yù)警，相關(guān)人員需要對系統(tǒng)進行科學(xué)設(shè)計，引入更多新型技術(shù)，提高監(jiān)控質(zhì)量。

1運動人體提取技術(shù)

1.1運動目標(biāo)檢測方法分析

運動人體檢測可以分為動態(tài)、靜態(tài)兩種，受自然天氣環(huán)境影響較大，對運動目標(biāo)進行分割會受到影響。為了實現(xiàn)對運動目標(biāo)的科學(xué)檢測，目前比較常用的3種方法分比為時間差分法、背景差分法、光流分析法3種。第一種方法通過對監(jiān)測圖像的像素差值或者絕對值實現(xiàn)對圖像內(nèi)運動行為特征的分析，該方法應(yīng)用檢測速度較快，但很容易出現(xiàn)檢測圖像空洞情況。第二種方法是指在同一個場景之中，如果監(jiān)控圖像中的背景具有一致性，可以應(yīng)用背景差分法實現(xiàn)對目標(biāo)的分割處理，設(shè)計人員需要實時更新背景模型實現(xiàn)運動目標(biāo)的檢測。第三章方法應(yīng)用光流信息實現(xiàn)對監(jiān)控圖像中的運動目標(biāo)檢測，運動目標(biāo)的亮度會因行為變化產(chǎn)生相應(yīng)的變化，具有魯棒性特點，該方法通過時空微分形成二維場，對監(jiān)控圖像中的運動信息進行梯度分析[1]。

1.2機場環(huán)境下運動人體提取方法

由于機場環(huán)境具有一定的復(fù)雜性，行人數(shù)量比較多，噪音較大，上述運動目標(biāo)檢測方法中的時間差分法進行運動人體的提取，具體系統(tǒng)技術(shù)應(yīng)用如下。

系統(tǒng)與機場中的視頻監(jiān)控系統(tǒng)相結(jié)合，采集原始視頻信息傳輸至系統(tǒng)之中進行預(yù)處理。根據(jù)系統(tǒng)功能可以將動作行為按照模塊進行分類，預(yù)處理的過程將動作內(nèi)容進行標(biāo)注，并對應(yīng)相應(yīng)的幀數(shù)區(qū)間。視頻會在系統(tǒng)的MFC框架之中顯示出來，根據(jù)標(biāo)注的對應(yīng)區(qū)域形成分段類的視頻，成為處理對象。

根據(jù)監(jiān)控系統(tǒng)采集的圖像序列可以計算圖像像素幀間的絕對差值，但其無法完全展示運動目標(biāo)，可能會出現(xiàn)圖像漏洞問題，導(dǎo)致運動人體行為檢測結(jié)果并不準(zhǔn)確。因此，為了彌補該技術(shù)應(yīng)用的缺點，采用對稱差分技術(shù)對監(jiān)控系統(tǒng)中的目標(biāo)輪廓進行明確，即使出現(xiàn)背景暴露問題，也不會對檢測結(jié)果造成一定程度上的影響。該技術(shù)的應(yīng)用原理是通過計算原始圖像中連續(xù)的三幀序列，對相鄰的圖像幀數(shù)進行差分計算，最終得到差二值圖像，通過對稱邏輯計算的方式，得到最終的圖像結(jié)果。

運動人體的提取是監(jiān)控系統(tǒng)行為檢測的基礎(chǔ)性內(nèi)容，由于運動人體的視頻圖像信息受環(huán)境因素影響比較大，采用其他的方法運動目標(biāo)進行提取可能會出現(xiàn)一定的失誤情況，概率也比較高。然而應(yīng)用時間差分法進行運動人體提取可能會由于運動目標(biāo)行為緩慢導(dǎo)致提取失敗，采用幀間差累計的方法進行計算，運動目標(biāo)提取效果較好。該技術(shù)在英國機場中的運動目標(biāo)提取中應(yīng)用，應(yīng)用MPEG解碼庫對監(jiān)控系統(tǒng)中的視頻序列進行處理，視頻格式為MPEG-1，處理結(jié)果較好[2]。

2運動特征提取技術(shù)

2.1興趣點方法應(yīng)用

應(yīng)用幀間差累計技術(shù)實現(xiàn)對運動目標(biāo)的提取，結(jié)合角點檢測技術(shù)可以實現(xiàn)對運動特征的提取。運動特征提取技術(shù)起源于20世紀(jì)70年代，經(jīng)過數(shù)十年的發(fā)展已經(jīng)可以通過高層結(jié)構(gòu)信息建立實現(xiàn)對運動特征的提取。興趣點是人體關(guān)節(jié)位置運動所發(fā)生變化的點位，可以根據(jù)點位的運動軌跡及運動規(guī)律實現(xiàn)對運動特征的提取。監(jiān)控系統(tǒng)中對運動特征進行識別需要規(guī)避復(fù)雜的環(huán)境，通過二維或者三維時空域的建立對興趣點進行明確，不同的場景需要應(yīng)用不同種類的興趣點。

2.2角點檢測技術(shù)原理

考慮到機場環(huán)境的復(fù)雜性，在上述兩種運動特征提取技術(shù)上進行優(yōu)化設(shè)計。應(yīng)用Harris角點檢測技術(shù)獲取監(jiān)控區(qū)域內(nèi)的人體運動特征。該技術(shù)應(yīng)用檢測器裝置實現(xiàn)對角點區(qū)域的興趣點獲取，具有一定的穩(wěn)定性，即使監(jiān)控采集的圖像發(fā)生了旋轉(zhuǎn)或者亮度參數(shù)等發(fā)生變化，檢測其所提取的結(jié)果影響程度均比較小。該技術(shù)基于圖像的局部像素進行計算，衡量圖像像素點中不同區(qū)域的變化;應(yīng)用函數(shù)算法中使用高斯函數(shù)進行計算，根據(jù)距離中心位置的距離確定像素的權(quán)重值，可以提高運動特征采集的科學(xué)性以及穩(wěn)定性[3]。

2.3算法應(yīng)用

根據(jù)函數(shù)計算原理對最終的算法進行明確以及求解，根據(jù)計算步驟及計算方式列出像素點的相關(guān)矩陣，對角點位置進行明確，計算角點的響應(yīng)情況，最后，通過在局部區(qū)域計算極大值的方式，對最終的角點位置進行明確。系統(tǒng)應(yīng)用Harris算子對監(jiān)控系統(tǒng)采集圖像的興趣點進行提取，該算法應(yīng)用提取效果較好，計算過程比較簡單，經(jīng)過矩陣、計算響應(yīng)、計算極大值的方式即可獲取角點信息。技術(shù)應(yīng)用一階差分濾波進行計算，所提取的角點位置比較均勻，可以通過對像素點的興趣值計算，選擇最優(yōu)點，即使在背景紋理比較復(fù)雜的區(qū)域，也可以進行運動特征點的提取，但該技術(shù)應(yīng)用同樣存在弊端，受尺度敏感性影響較大，在不同的尺度下可能提取到的是角點，也可能會提取到邊緣[4]。

3模型訓(xùn)練拆分設(shè)計

3.1Web Browser控件應(yīng)用

由于機場的環(huán)境具有復(fù)雜性，場景中的行為要素比較多，僅僅對目標(biāo)動作進行提取存在不科學(xué)性，因此采用聚類交互的方式實現(xiàn)對多個目標(biāo)特征的提取。使用的較為常用的聚類方法包括K-means方法，該方法通過腳本語言設(shè)計實現(xiàn)聚類目標(biāo)，實現(xiàn)目標(biāo)特征的可視化處理。聚類技術(shù)將興趣點集合分類，隨機產(chǎn)生聚類中心，直到聚類中心變化停止結(jié)束過程。本文應(yīng)用Graphviz工具實現(xiàn)聚類交互目標(biāo)，生成HTML文件信息，為了對該文件信息進行顯示讀取，需要在系統(tǒng)之中安裝Web Browser控件，監(jiān)控系統(tǒng)識別行為運動特征需要應(yīng)用系統(tǒng)匹配的瀏覽器進行圖像文件生成與顯示。

本文設(shè)計監(jiān)控行為檢測系統(tǒng)使用自定義瀏覽器實現(xiàn)圖像生長，在對話框嵌入應(yīng)用控件，創(chuàng)建瀏覽器類。設(shè)計人員首先在構(gòu)造函數(shù)之中創(chuàng)建對象，創(chuàng)建容器管理器，繼而應(yīng)用InitControl函數(shù)創(chuàng)建父窗口，將其作為系統(tǒng)的容器對象，調(diào)動函數(shù)創(chuàng)建站點，最終實現(xiàn)對控件對象的科學(xué)應(yīng)用，通過上述方法創(chuàng)建瀏覽器并嵌入空間，實現(xiàn)對特征檢測的HTML文件的顯示。

3.2拆分模型訓(xùn)練

通過模型訓(xùn)練后將樣本處理成為樹狀圖，模型測試需要對提取的興趣點進行差分處理，系統(tǒng)需要建立匹配的拆分模型對其結(jié)構(gòu)進行判定，確定其是否在行為檢測過程中需要進行拆分處理。可以將拆分過程視作是兩分類問題，將葉子節(jié)點作為負(fù)樣本，其他節(jié)點作為正樣本，正樣本需要進行拆分處理。選取幀數(shù)大小為580×720的圖像作為樣本，將其劃分為周邊為16的格子，計算格子的角點數(shù)量，形成維度向量，根據(jù)運動方向?qū)⑵溥M行拆分，對應(yīng)到16個格子之內(nèi)，最終進行歸一處理。選擇的視頻樣本可以生成多個向量，拆分過程結(jié)束之后，點擊相應(yīng)按鈕可以對特征進行了解。

模型訓(xùn)練過程在提取數(shù)據(jù)以及樣本之后進行，使用SVW進行數(shù)據(jù)拆分，進行模型訓(xùn)練。按照數(shù)據(jù)庫中規(guī)定的格式對數(shù)據(jù)進行儲存，選擇適用的訓(xùn)練參數(shù)進行模型設(shè)計，應(yīng)用Grid.py執(zhí)行命令，得出具體結(jié)果。應(yīng)用函數(shù)對模型進行拆分，生成文件，作為后續(xù)訓(xùn)練拆分所重點應(yīng)用的內(nèi)容。

4模型訓(xùn)練與行為識別技術(shù)

4.1描述子選用

行為識別特征提取技術(shù)以及興趣點提取技術(shù)前文已經(jīng)論述，在進行模型拆分的基礎(chǔ)上仍需要進一步對興趣點進行集合處理，對目標(biāo)行為進行描述，使其以向量的方式呈現(xiàn)，作為數(shù)據(jù)樣本。如何對其行為進行表述是監(jiān)控系統(tǒng)行為檢測的關(guān)鍵內(nèi)容，可以應(yīng)用Cuboids對興趣點進行描述，其在興趣點的內(nèi)部以立方體的形態(tài)呈現(xiàn)，與提取參數(shù)存在內(nèi)在聯(lián)系，引入該描述子雖然可以對參數(shù)進行描述，但無法對局部行為特點進行描述，需要將其與像素點結(jié)合才可實現(xiàn)行為檢測的目標(biāo)。

4.2描述子應(yīng)用方法

本文提出的方法可以計算維度內(nèi)的梯度信息，以積分視頻的計算方式實現(xiàn)尺度控制目標(biāo)，此外，該方法可以實現(xiàn)對三維梯度模型的量化處理，以正多面體的方式進行參數(shù)量化計算。該方法應(yīng)用較為簡單，效率較高，將局部特征量化需要經(jīng)過兩個步驟，首先參數(shù)在內(nèi)部空間三維體系上進行時間尺度信息的展示，繼而將梯度信息進行量化處理，對其進行描述。應(yīng)用積分視頻實現(xiàn)對梯度的計算，在立方體圖形中實現(xiàn)對尺度參數(shù)控制，不需要提前進行時空尺寸數(shù)量的明確，根據(jù)圖像點的格式與內(nèi)存需求之間的線性關(guān)系，實現(xiàn)對特征的最終描述。

4.3行為模型訓(xùn)練

在完成描述之后需要對描述子進行測試，對表述方法進行明確。基于對機場復(fù)雜的環(huán)境分析，可以應(yīng)用bag-of-word的方法進行行為模型訓(xùn)練。提取行為特征之后進行描述，行為特征受運動方向及主體對象的外在形象影響比較大，提取的參數(shù)點位存在明顯差異。但在模型中Cuboids類別有限，即使其個數(shù)是無限的，也可以對類型進行描述。本文提出的方法將訓(xùn)練樣本按照類別進行聚類處理，通過函數(shù)計算最終結(jié)果，形成維度向量后進行歸一化處理。提取描述子之后需要將其保存至指定模塊之中，儲存格式需要與系統(tǒng)匹配，應(yīng)用SVW進行行為模型訓(xùn)練，在菜單界面上對其進行處理，可以得到最終的行為模型。

4.4行為識別

在對模型進行行為訓(xùn)練之后，需要測試其在框架之中是否可以實現(xiàn)對行為特點的科學(xué)識別，在模型中輸入樣本之后，對類別行為信息進行預(yù)測。由于數(shù)據(jù)庫中的數(shù)據(jù)類型十分復(fù)雜，僅依靠行為模型對行為的識別無法保障行為檢測的最終效果，需要將行為模型與拆分模型融合，通過測試界面的設(shè)計對行為進行識別。行為識別在聚類的情況下進行，其可以分為兩個子菜單，其主要作用分別是提取、預(yù)測，實現(xiàn)對行為的科學(xué)分類。在測試界面對行為進行識別，節(jié)點數(shù)量比較多，為了提高行為檢測結(jié)果的準(zhǔn)確性，對模型中的全部葉子節(jié)點進行類別預(yù)測，即使僅有一個預(yù)測結(jié)果是正確的，就可以保障最終的行為檢測結(jié)果是正確的，如果全部預(yù)測均為錯誤的，則最終的行為檢測結(jié)果就是錯誤的[5-6]。

5結(jié)語

綜上所述，復(fù)雜機場環(huán)境下的行為檢測應(yīng)用計算機視覺技術(shù)實現(xiàn)對行為的識別，為了提高系統(tǒng)行為檢測能力與辨識能力，賦予系統(tǒng)智能化功能，設(shè)計智能行為檢測系統(tǒng)。本文根據(jù)機場的實際監(jiān)控環(huán)境，賦予系統(tǒng)運動區(qū)域提取功能、特征提取功能，并設(shè)計人機交互系統(tǒng)實現(xiàn)對功能模塊的操控，為機場環(huán)境下的異常行為檢測與預(yù)測提供保障。

參考文獻

[1]劉鵬，張伊靜.獨立程度、機構(gòu)稟賦與監(jiān)管治理的有效性——基于四類檢測機構(gòu)行為的比較案例研究[J].南京社會科學(xué)，2022（1）：72-82.

[2]林中愛，程富勇，廖耀華，等.基于改進神經(jīng)網(wǎng)絡(luò)算法的低壓抗直流互感器動作行為檢測[J].制造業(yè)自動化，2021，43（12）：43-45，57.

[3]杜志強，譚玉琪，仇林遙.基于卡爾曼濾波的船舶軌跡異常行為快速檢測方法[J].地理信息世界，2021，28（4）：112-118.

[4]鄭萌萌，錢慧芳，周璇.基于監(jiān)控視頻的Farneback光流算法的人體異常行為檢測[J].國外電子測量技術(shù)，2021，40（3）：16-22.

[5]喬祎. 基于深度學(xué)習(xí)的機場檢測數(shù)據(jù)集的研究[D].成都：電子科技大學(xué)，2020.

[6]孟琦. 運輸機場用能監(jiān)控方法研究[D].天津：中國民航大學(xué)，2019.