本发明创造属于视频检测技术领域，尤其是涉及一种基于视频的人员状态检测方法。
背景技术：
在安防监控中，通过人眼长时间观看监视画面观察出人员状态既费时有费力，大规模集中监控系统中，需要足够的监控人员才能同时监控所有的监视画面，这样不但造成人力浪费，监控人员也会因为疲劳而错过关键画面。
技术实现要素：
有鉴于此，本发明创造旨在提出一种基于视频的人员状态检测方法，以用于检测各种环境情况下的人员状态，判断预设的逻辑，通过警报或上报监控中心方式进行协助。
为达到上述目的，本发明创造的技术方案是这样实现的：
一种基于视频的人员状态检测方法，具体包括如下步骤：
(1)利用dpm模型检测算法检测出视频中人的位置作为候选模型目标；
(2)对候选模型目标进行跟踪，得到所有候选模型目标的信息特征；
(3)利用混合高斯背景建模技术检测出候选的运动的人的位置，得到候选的运动目标；
(4)对候选的运动目标进行跟踪，得到所有候选运动目标的信息特征；
(5)融合候选模型目标的信息特征和候选运动目标的信息特征，综合判断出候选区域是否存在人员。
进一步的，所述步骤(1)中具体包括，dpm算法首先将待检图像进行分块，然后对每个块提取hog特征，再计算各个区块到中心的距离来得到各个区块的权重，将这些带权重的hog特征通过svm级联分类器进行训练和检测。
进一步的，所述步骤(2)中，使用前一帧区检测出的目标域内特定个数的平均分布点，利用lk点跟踪技术，计算所有的跟踪点后，综合计算跟踪点的间距关系得到新的跟踪目标位置框。
进一步的，所述步骤(3)中，在对每个像素进行时域建模时，将该像素与其时域高斯模型的分布比较，当该像素变化超过高斯模型的3倍的标准差，判断该像素为前景像素点，否则为后景像素点。
相对于现有技术，本发明创造所述的一种基于视频的人员状态检测方法具有以下优势：
(1)本发明所述的使用最新模型检测技术，能够有效提升检测率，降低误警率。
(2)使用目标跟踪技术，能够有效缓解目标检测的压力，减少模型检测漏检测对最终报警的影响，有效提升报警的准确度。
(3)使用背景建模技术的使用能够减少漏警，提升报警的准确度.
附图说明
构成本发明创造的一部分的附图用来提供对本发明创造的进一步理解，本发明创造的示意性实施例及其说明用于解释本发明创造，并不构成对本发明创造的不当限定。在附图中：
图1为本发明创造实施例所述的人员状态检测整体流程图；
图2为本发明创造实施例所述的hog特征提取框图；
图3为本发明创造实施例所述的目标跟踪图；
图4为本发明创造实施例所述的背景建模像素判断示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明创造中的实施例及实施例中的特征可以相互组合。
下面将参考附图并结合实施例来详细说明本发明创造。
本技术：
提出一种基于视频的人员状态检测方法，整体流程图如图1所示。
1、利用dpm模型检测技术检测出候选的人位置，得到候选的模型目标。
本发明中使用dpm算法进行人物模型的训练和检测。dpm算法首先将待检图像进行分块，然后对每个块提取hog特征，hog特征参考图2所示，再计算各个区块到中心的距离来得到各个区块的权重，将这些带权重的hog特征通过svm级联分类器进行训练和检测。
公式(1)是多个区块权重计算方法，w(x,y,l)表示(x,y)坐标点的权重和，r0(x,y)表示根区块的权重，di(x,y)表示第i个区块考虑距离惩罚的权重。
公式(2)是单个区块的权重计算方法，di(x,y)表示(x,y)位置的第i个区块的权重，dx,dy表示(x,y)方向的偏移,di表示第i个区块的惩罚系数，σ(dx,dy)表示偏移的欧氏距离。
根据公式(1),(2)中权重的计算方法，通过svm的级联分类器进行训练和检测。
2、利用目标跟踪技术，得到所有候选模型目标的信息特征。
3、本发明中使用的目标跟踪技术，使用前一帧区检测出的目标域内特定个数(如100个)的平均分布点，利用lk点跟踪技术，计算所有的跟踪点后，综合计算跟踪点的间距关系得到新的跟踪目标位置框，目标跟踪参考图3。
p(i,j)＝(w/n*i,h/m*j)(3)
公式(3)是计算法分布点选择算法，i表示横向索引，j表示纵向，p(i,j)表示位置的点的坐标，w表示跟踪目标图像的宽度，h表示跟踪目标图像的高度，n表示横向选点的个数，m表示竖向选点的个数。(n＝10，m＝10时，就能够取到100个点)
4、利用混合高斯背景建模技术检测出候选的运动的人的位置，得到候选的运动目标。
如图4所示，在对每个像素进行时域建模时，将该像素与其时域高斯模型的分布比较，当该像素变化超过高斯模型的3倍的标准差，判断该像素为前景像素点，否则为后景像素点，本例中该像素变化为80，而其高斯建模的标准差值为20，可视该像素发生突变，认定为前景像素点；同时按特定的频率更新每个像素的时域模型，以获得最新的像素值。
|pt(x,y)-pt-1(x,y)|＞t(4)
公式(4)是前景判断方法，大于t则(x,y)属于前景，否则为背景。pt(x,y)为t时间(x,y)坐标的值，pt-1(x,y)时间(x,y)坐标像素背景的值，t是判断阈值。
5、综合判断模型目标和运动目标的信息特征，得到候选区域内的人员状态。
利用视频中多得到模型目标和运动目标的持续位置变化信息，运动信息等情况综合判断区域内人员的状态信息。
以上所述仅为本发明创造的较佳实施例而已，并不用以限制本发明创造，凡在本发明创造的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明创造的保护范围之内。