结合深度数据的异常行为检测方法及系统的制作方法
【技术领域】
[0001]本发明涉及计算机深度视觉技术领域，特别涉及一种结合深度数据的异常行为检测方法及系统。
【背景技术】
[0002]传统的异常行为主要是依据视频图像进行分析，其方法主要包括:基于模型的方法、基于预置特征的方法和基于分类器的方法。上述几种方法分别存在不同的缺陷:
[0003](I)基于模型的方法强调对异常事件的检测而非分类，它对正常事件建立一定的模型，通过比较待检测事件与该模型的符合程度来判断其是否为异常事件。
[0004](2)基于预置特征的检测主要对目标的运动轨迹进行分析，将非预置行为误判为异常。
[0005](3)基于分类器的方法需要提取图像统计特征，包括运动特征向量，光流，纹理变化等，通过对统计特征样本设计分类器，实现对特定行为的识别。
[0006]目标的识别和提取是异常检测的基础，而传统的二维视频分析方法的缺点在于缺少深度数据，很难提供准确鲁棒的目标识别结果，在实际应用中会产生大量的误报或漏报。一方面，光照变化及阴影对检测结果有较为明显的影响，而这种影响往往导致误报;另一方面，目标的部分遮挡会产生目标的丢失或者交叉，传统方法(如基于Blob的合成分割、卡尔曼滤波等)对这类问题的解决能力有限。因此，在这种方式下所做的异常行为分析通常置信度较低。
[0007]专利(申请号:201310059118.7;名称:一种基于视频序列的人体异常行为检测方法)公开了一种的基于视频序列中人体异常行为检测方法，可以对公共场所的异常行为进行监控。但是，该方法缺少对图像的深度特征的分析，从而导致目标识别结果的稳定性差，进而也会影响异常行为的检测的精度。
【发明内容】
[0008]本发明的目的旨在至少解决所述技术缺陷之一。
[0009]为此，本发明的目的在于提出一种结合深度数据的异常行为检测方法及系统，可以对异常事件和异常行为进行自动识别，提高了异常事件检测的精确度，可以在无人值守的情况下也能做出及时的反应。
[0010]为了实现上述目的，本发明一方面的实施例提供一种结合深度数据的异常行为检测方法，包括如下步骤:
[0011]步骤SI，采集目标区域的监控视频图像，建立基于所述监控视频图像的场景背景模型，从所述场景背景模型中提取二维图像的运动目标前景，对所述二维图像的运动目标前景进行连通域分析和目标分割，生成二维检测结果；
[0012]步骤S2，根据所述监控视频图像获取原始视角的深度背景图，从所述深度背景图中提取三维图像的运动目标前景，分别在原始视角及投影变换后俯视视角进行所述目标前景的两次分割，生成三维检测结果；
[0013]步骤S3，对所述二维检测结果和三维检测结果进行合并、分类和过滤，提取有效的人员目标信息；
[0014]步骤S4，根据提取得到的所述人员目标信息，实现对人员目标的跟踪和行为分析，并根据预设的异常行为规则判断所述人员目标的行为是否异常，如果是，则启动报警。
[0015]进一步，所述步骤S2，还包括如下步骤:对所述三维图像的运动目标前景进行邻域分析，并基于深度变化过滤掉所述目标前景中的噪点，对过滤后的目标前景分别在原始视角及投影变换后俯视视角进行两次分割，生成所述三维检测结果。
[0016]进一步，所述步骤S3，包括如下步骤:
[0017]对所述二维检测结果进行分析，并采用支持特征分类器进行特征分类以提取二维运动目标的轮廓类；
[0018]将所述三维检测结果与预设头肩样本训练模型进行匹配，以及根据预设尺度特征进行检测分类；
[0019]将分类后的二维检测结果和三维检测结果进行合并，根据预设人员目标条件进行过滤，提取有效的人员目标信息。
[0020]进一步，在所述步骤S4中，所述人员目标的异常行为包括:人员徘徊滞留异常行为、人群拥挤异常行为、人员倒地异常行为、人员局部动作过激行为。
[0021]根据本发明实施例的结合深度数据的异常行为检测方法，通过对采集的视频监控图像分别提取出二维图像的运动目标前景和三维图像的运动目标前景，然后提取出有效的人员目标信息，判断人员目标的行为是否异常，可以实现基于深度图像的人员行为异常检测，实现对全局及个人异常行为的检测及报警。通过图像特征对异常事件和异常行为进行自动识别，提高了异常事件检测的精确度，可以在无人值守的情况下也能做出及时的反应。
[0022]本发明另一方面的实施例提供一种结合深度数据的异常行为检测系统，包括:视频图像采集模块、二维目标检测及分割模块、三维目标检测及分割模块、人员目标提取模块、目标跟踪及分析模块、异常行为判断模块，其中，所述视频图像采集模块用于采集目标区域的监控视频图像;所述二维目标检测及分割模块与所述视频图像采集模块相连，用于接收所述监控视频图像，建立基于所述监控视频图像场景背景模型，从所述场景背景模型中提取二维图像的运动目标前景，对所述二维图像的运动目标前景进行连通域分析和目标分割，生成二维检测结果;所述三维目标检测及分割模块与所述视频图像采集模块相连，用于根据所述监控视频图像获取原始视角的深度背景图，从所述深度背景图中提取三维图像的运动目标前景，分别在原始视角及投影变换后俯视视角进行所述目标前景的两次分割，生成三维检测结果;所述人员目标提取模块分别与所述二维目标检测及分割模块和所述三维目标检测及分割模块相连，用于对所述二维检测结果和三维检测结果进行合并、分类和过滤，提取有效的人员目标信息;所述目标跟踪及分析模块与所述人员目标提取模块相连，用于根据提取得到的所述人员目标信息，实现对人员目标的跟踪和行为分析;所述异常行为判断模块与所述目标跟踪及分析模块相连，用于根据预设的异常行为规则判断所述人员目标的行为是否异常，如果是，则启动报警。
[0023]进一步，所述三维目标检测及分割模块用于对所述三维图像的运动目标前景进行邻域分析，并基于深度变化过滤掉所述目标前景中的噪点，对过滤后的目标前景分别在原始视角及投影变换后俯视视角进行两次分割，生成所述三维检测结果。
[0024]进一步，所述人员目标提取模块对所述二维检测结果进行分析，并采用特征分类器进行特征分类以提取二维运动目标的轮廓，将所述三维检测结果与预设头肩样本训练模型进行匹配，以及根据预设尺度特征进行检测分类，将分类后的二维检测结果和三维检测结果进行合并，根据预设人员目标条件进行过滤，提取有效的人员目标信息。
[0025]进一步，所述人员目标的异常行为包括:人员徘徊滞留异常行为、人群拥挤异常行为、人员倒地异常行为、人员局部动作过激行为。
[0026]根据本发明实施例的结合深度数据的异常行为检测系统，通过对采集的视频监控图像分别提取出二维图像的运动目标前景和三维图像的运动目标前景，然后提取出有效的人员目标信息，判断人员目标的行为是否异常，可以实现基于深度图像的人员行为异常检测，实现对全局及个人异常行为的检测及报警。通过图像特征对异常事件和异常行为进行自动识别，提高了异常事件检测的精确度，可以在无人值守的情况下也能做出及时的反应。
[0027]本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
【附图说明】
[0028]本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中:
[0029]图1为根据本发明实施例的结合深度数据的异常行为检测方法的流程图；
[0030]图2(a)和(b)为根据本发明实施例的二维运动目标的分割示意图；
[0031]图3(a)和(b)为根据本发明实施例的三维运动目标的分割示意图；
[0032]图4(a)至(C)为根据本发明实施例的轮廓提取及分类示意图；
[0033]图5为根据本发明实施例的三维头肩模型的匹配示意图；
[0034]图6为根据本发明实施例的结合深度数据的异常行为检测系统的结构图。
【具体实施方式】
[0035]下面详细描述本发明的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相