[发明专利]一种视频监控中的人体行为识别方法

说明书

技术领域

本发明涉及计算机视觉领域，尤其是涉及一种视频监控中的人体行为识别方法。

背景技术

目前，大多数的视频监控系统都是将采集到的视频数据存储到设备中，然后由人工判断视频中是否有异常情况。而人工判断方式需要耗费大量人力资源，同时无法24小时连续地工作，因此让计算机自行对视频进行监控和分析具有广泛的应用价值。

人体行为识别是视频智能监控的核心技术。目前，许多模式识别的方法被应用于人体行为识别方法。首先将视频表示为局部模式的集合，例如局部时空特征点、三维局部块以及视频帧。在时空特征检测和描述的基础上，最常见的是基于“词袋”模式的方法。首先将局部时空特征量化为“时空视觉词”，然后结合SVM等机器学习方法进行行为识别。同时Niebles等人（J.C.Niebles,H.Wang,and F.-F.Li,“Unsupervised learning of human action categories using spatial-temporal words,”Intl.J.Computer Vision,vol.79,no.3,pp.299-318,2008.）提出在“时空特征词”的基础上使用概率潜在语义分析的无监督人体行识别方法。然而这些人体行为识别方法都是基于学习的方法，即需要一个训练和学习的过程。尤其是在新增样本数据之后需要重新训练，同时会产生参数过学习的问题。针对这些问题，Yuan等人（J.Yuan,S.Liu,and Y.Wu,“Discriminative video pattern search for efficient action detection,”IEEE Tran.Pattern Analysis and Machine Intelligence,vol.33,no.9,pp.1728–1743,2011.）提出了基于朴素贝叶斯的互信息最大化算法，通过计算局部时空特征与类别的互信息表示这两者之间的关系，从而进行人体行为分类。

尽管目前有许多对视频中人体行为进行识别的方法，但是大多数方法都是针对视频中仅有一种行为的视频分类问题，然而在真实场景中不同行为总是连续出现的，例如在监控场景中，一个人扔下包裹的过程总是“走进来-放下包裹-走出去”这样一个过程。在这个过程中多个不同的行为连续出现，需要进行有效的分割，并不能简单认为是一个分类问题，所以目前大多数的人体行为识别方法均不能解决这个问题。对于视频中包括连续不同行为的识别问题并没有除了滑动窗口之外更好的方法。而滑动窗口方法的计算复杂度高，并不能很好的应用于实际的场景中。因此需要能够有效对连续多实例人体行为识别的方法。

发明内容

本发明的目的在于提供能够对视频中连续不同的行为进行识别的一种视频监控中的人体行为识别方法。

本发明包括以下步骤：

步骤一、检测和表示局部时空特征：对视频采集单元采集到的视频，使用三维Harris局部特征检测方法，将视频转化为局部时空特征集合；

步骤二、计算局部时空特征与类别相关性：对于步骤一检测到的时空特征，使用类别比对互信息方法计算每个时空特征属于各个类别的相关性得分；

步骤三、计算视频帧与类别相关性：根据步骤二所求得的时空特征属于各个类别的相关性得分，视频帧与类别的相关性得分表示为该帧上所有时空特征得分的平均值；

步骤四、检测和识别人体行为：根据步骤三所求得视频帧与类别的相关性得分，使用最大值子序列搜索方法定位和识别人体行为。

在步骤一中，所述检测方法，由人体行为监控系统中的特征抽取单元实现。

在步骤二中，所述类别比对互信息方法，由人体行为监控系统中的相关性分析单元实现。

在步骤三中，所述视频帧与类别的相关性得分表示为该帧上所有时空特征得分的平均值，由人体行为监控系统中的相关性分析单元实现。

在步骤四中，所述使用最大值子序列搜索方法定位和识别人体行为，由人体行为监控系统中的行为识别单元实现。

基于本发明所提出的人体行为识别方法的人体行为监控系统设有：

视频采集单元：用于采集当前场景的信息。

存储单元：用于存储视频信息、特征信息以及视频识别结果。

视频输出单元：用于显示采集的视频和视频检测结果。

预警单元：用于对视频中的异常人体行为发出警报。