[发明专利]一种有效的运动目标行为建模与识别方法

说明书

技术领域

本发明涉及计算机应用技术领域，特别涉及运动目标行为建模与识别方法。

背景技术

国内近几年在城市的重要位置安装了监控摄像头，在多起犯罪案件中，视频监控录像都提供了很重要的破案线索。但是目前公共场所装有的摄像头大都只能记录当时的场景，作为事后调查的依据，而不能做到实时自动报警。运动目标行为建模与识别正可以满足智能监控中自动实时报警的迫切需求。

近几年由于公共安全的需要，智能监控方面的需求迅速增加。1997年美国国防高级研究项目署设立了以卡内基梅隆大学为首、麻省理工学院等高校参与的视觉监控重大项目VSAM(visual surveillance and monitoring)，主要研究用于战场及普通民用场景监控的自动视频理解技术。马里兰大学的W4系统不仅能够定位和分割出人的身体部分，而且通过建立外观模型能实现对多人的跟踪，同时可以检测人是否携带物体等简单行为。最近，欧洲的VISONTRAIN计划将人的行为分析与理解作为一个很重要的方面进行研究。英国伦敦大学(University of London)的Queen Mary视觉实验室的项目INSIGHT(Video Analysis and Selective Zooming using Semantic Models of Human Presence and Activity)，旨在对公共场合下，人的异常行为以及侵略性行为的检测与识别问题进行研究。美国中佛罗里达大学(University of central Florida)、澳大利亚Curtin科技大学(Curtin University of Technology)等对室内环境下人的行为进行了分析和识别。新加坡信息通信研究所(Institute for Infocomm Research)、英国伦敦大学等对人的户外行为进行了分析与识别。

发明内容

为了解决现有技术方案只能记录当时的场景，而不能做到实时自动报警的技术问题，本发明的目的是提供一种有效的运动目标行为建模与识别方法，亦可用来对公共场所异常行为进行监控。

为实现本发明的目的，本发明提出有效的运动目标行为建模与识别方法的技术方案包括步骤如下：

步骤S1：由计算机中的特征提取模块提取运动目标行为的局部特征，再提取运动目标行为的运动特征；

步骤S2：采用子空间学习的方法，由计算机中的特征融合模块对提取的局部特征和运动特征进行融合，并对特征空间进行降维；

步骤S3：采用原型学习算法和测度学习算法相结合，由计算机中的行为识别模块对运动目标行为进行识别，对识别的运动目标行为做出评判。

其中，所述特征提取模块提取运动目标行为的运动特征的步骤包括：

步骤S11：对运动序列图像检测，获得时空兴趣点，将时空兴趣点形成立方体特征，并用协方差描述子对立方体特征进行描述，统计成直方图作为运动目标行为的局部特征；

步骤S12：利用前后帧的差分图像，对运动序列图像形成运动历史图像；对历史图像进行分块，分别统计灰度直方图，形成运动目标行为的运动特征。

其中，所述特征融合模块对局部特征和运动特征进行融合是把局部特征和运动特征表示成一个新的特征矩阵，对这一新矩阵进行子空间学习，形成融合后的特征表达。

其中，所述对运动目标行为进行识别是利用测度学习形成距离矩阵，用原型学习算法结合学习出的距离测度对运动目标行为进行检测。

本发明的有益效果：本发明采用多特征融合的思想，充分利用运动图像序列中局部信息和运动信息，并采用机器学习方法来进行运动目标行为的识别，增加了运动目标行为的识别速度和可靠性。本发明可以用来对公共区域的异常行为进行识别。本发明形成的监控系统可以提高公共区域的安全性。

附图说明

图1为本发明系统结构框图。

具体实施方式

下面将结合附图对本发明加以详细说明，应指出的是，所描述的实施例仅旨在便于对本发明的理解，而对其不起任何限定作用。

本发明的执行环境是由计算机实现以下三个模块组构成：一、特征提取模块，该模块的功能是提取运动目标的局部特征和运动特征。二、特征融合模块，该模块的功能是将局部特征和运动特征相融合，同时起到降低维度空间的作用。三、行为识别模块，该模块的功能是对待识别行为进行分类决策。本发明的整体框架见图1。

下面详细给出本发明技术方案中所涉及的各个步骤细节问题的说明。