[发明专利]基于人体骨架和运动信号特征的暴力行为检测系统及方法

权利要求书

1.基于人体骨架和运动信号特征的暴力行为检测系统，其特征在于，

包括：运动区域提取模块、运动类型分类模块、运动信号统计模块和图像预测模块；

所述运动区域提取模块，用于按一定时间间隔连续提取3帧；然后根据相邻两帧的帧差求取人体骨架的关键部位像素的位移向量，提取其中运动的像素，并进行运动区域划分；

所述运动类型分类模块，用于根据每张图中的运动区域数量和方向对运动类型进行分类；

所述运动信号统计模块，用于计算每个运行类型分类下图片的运动信号的统计量；运动信号的统计量包括：幅度、加速度、关联度的最大值、最小值、均值、中值和标准差；

所述图像预测模块，用于将运动信号的统计量作为特征输入到训练好的SVM模型中进行暴力行为的预测。

2.如权利要求1所述的基于人体骨架和运动信号特征的暴力行为检测系统，其特征在于，所述运动区域提取模块采用k-means聚类方法进行运动区域的划分。

3.如权利要求1所述的基于人体骨架和运动信号特征的暴力行为检测系统，其特征在于，所述运动类型分类模块将运动类型分为：单运动区域、多运动区域同向和多运动区域不同向三类。

4.如权利要求1-3任意一项所述的基于人体骨架和运动信号特征的暴力行为检测系统，其特征在于，所述运动区域提取模块、运动类型分类模块、运动信号统计模块和图像预测模块均被部署于同一个服务器中；或者，运动区域提取模块、运动类型分类模块和运动信号统计模块被部署于同一个服务器中，所述图像预测模块被部署于另一个服务器中。

5.基于人体骨架和运动信号特征的暴力行为检测方法，其特征在于，包括以下步骤：

a.按一定时间间隔连续提取3帧，然后根据相邻两帧的帧差求取人体骨架的关键部位像素的位移向量，提取其中运动的像素，并进行运动区域划分；

b.根据每张图中的运动区域数量和方向对运动类型进行分类；

c.计算每个运行类型分类下图片的运动信号的统计量；运动信号的统计量包括：幅度、加速度、关联度的最大值、最小值、均值、中值和标准差；

d.将运动信号的统计量作为特征输入到训练好的SVM模型中进行暴力行为的预测。

6.如权利要求5所述的基于人体骨架和运动信号特征的暴力行为检测方法，其特征在于，步骤a中，采用k-means聚类方法进行运动区域的划分。

7.如权利要求5所述的基于人体骨架和运动信号特征的暴力行为检测方法，其特征在于，步骤b中，所述运动类型分为：单运动区域、多运动区域同向和多运动区域不同向三类。

8.如权利要求5所述的基于人体骨架和运动信号特征的暴力行为检测方法，其特征在于，步骤c中，所述运动信号的统计量的计算方法包括：

根据公式计算出图的幅度M；其中，r为区域，n_r表示r区域中像素个数，x和y分别表示像素的横、纵坐标；

根据公式A(t)＝|M(t)–M(t-1)|，计算出图的加速度A；

根据公式计算出单图中两区域的关联度G；其中，r为区域，D_ij表示i区域与j区域中心的距离。