線(xiàn)性區(qū)別判定優(yōu)化hmm算法的atm人體異常行為檢測(cè)方法
【專(zhuān)利摘要】本發(fā)明公開(kāi)了一種線(xiàn)性區(qū)別判定優(yōu)化HMM算法的ATM人體異常行為檢測(cè)方法，該方法首先在ATM監(jiān)控視頻中采用Hu矩陣提取人體特征，然后采用K均值算法進(jìn)行聚類(lèi)，得到兩組特征矢量，并對(duì)其進(jìn)行標(biāo)準(zhǔn)化處理；之后計(jì)算兩組特征矢量的協(xié)方差矩陣，并對(duì)兩組特征矢量進(jìn)行線(xiàn)性組合，得到其典型變量；然后構(gòu)建線(xiàn)性區(qū)別判定模型，并求解得到線(xiàn)性投影矩陣，得到線(xiàn)性區(qū)別判定矢量；最后將線(xiàn)性區(qū)別判定矢量作為HMM模型的觀察序列進(jìn)行訓(xùn)練和識(shí)別。本發(fā)明能根據(jù)特征矢量之間的線(xiàn)性區(qū)別判定結(jié)果，降低人體異常檢測(cè)的誤差；通過(guò)標(biāo)準(zhǔn)化處理特征向量，優(yōu)化特征矢量之間的非均衡性缺陷。
【專(zhuān)利說(shuō)明】
線(xiàn)性區(qū)別判定優(yōu)化HMM算法的ATM人體異常行為檢測(cè)方法
技術(shù)領(lǐng)域
[0001 ]本發(fā)明設(shè)及機(jī)器人視覺(jué)領(lǐng)域，尤其設(shè)及一種人體異常行為檢測(cè)方法。
【背景技術(shù)】
[0002] 近年來(lái)，針對(duì)ATM的犯罪行為層出不窮，嚴(yán)重影響了群眾的財(cái)產(chǎn)安全。目前的安防 手段是在提款機(jī)附近加裝監(jiān)控?cái)z像頭，但運(yùn)需要大量安保人員全天候的查看監(jiān)控視頻W確 定是否有犯罪行為發(fā)生，或是在犯罪行為發(fā)生之后通過(guò)查看保存的監(jiān)控錄像來(lái)獲得線(xiàn)索。 運(yùn)種方法存在耗費(fèi)大量的人力物力和實(shí)時(shí)性低等問(wèn)題?；谟?jì)算機(jī)視覺(jué)的智能監(jiān)控系統(tǒng)通 過(guò)自動(dòng)分析攝像機(jī)拍錄的圖像序列和定位、識(shí)別及跟蹤動(dòng)態(tài)場(chǎng)景中的目標(biāo)，進(jìn)而分析和判 斷目標(biāo)的行為，從而能在異常情況發(fā)生的時(shí)候及時(shí)做出反應(yīng)。
[0003] 針對(duì)ATM人體異常行為檢測(cè)方法，主要有基于支持向量機(jī)的行為識(shí)別方法、基于 Radon變換的行為識(shí)別方法、基于隱馬爾可夫模型的行為識(shí)別方法等。申請(qǐng)?zhí)枮?201510536403.2的發(fā)明，根據(jù)視頻背景與信息統(tǒng)計(jì)，將異常行為檢測(cè)分為機(jī)器學(xué)習(xí)和異常 行為檢測(cè)兩部分，通過(guò)行人檢測(cè)、背景提取和圖像分割實(shí)現(xiàn)機(jī)器學(xué)習(xí)。申請(qǐng)?zhí)枮?201510707784.6的發(fā)明，對(duì)視頻序列采用=維尺度不變特征變換描述子提取目標(biāo)時(shí)空塊特 征，W時(shí)空塊作為節(jié)點(diǎn)，計(jì)算節(jié)點(diǎn)時(shí)空特征的時(shí)間與空間混亂屬性，并結(jié)合節(jié)點(diǎn)中目標(biāo)光流 速度及各個(gè)節(jié)點(diǎn)之間的KuUback-Leibler距離構(gòu)建時(shí)空檢測(cè)模型。W上兩種發(fā)明均未考慮 特征矢量之間的細(xì)微區(qū)別，所W精確性有所欠缺。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的在于針對(duì)現(xiàn)有的人體異常檢測(cè)方法的不足，提供了一種線(xiàn)性區(qū)別判 定優(yōu)化HMM算法的ATM人體異常行為檢測(cè)方法，通過(guò)實(shí)驗(yàn)表明，運(yùn)種檢測(cè)方法精確性更高。
[0005] 本發(fā)明的目的是通過(guò)W下技術(shù)方案來(lái)實(shí)現(xiàn)的：一種線(xiàn)性區(qū)別判定優(yōu)化HMM算法的 ATM人體異常行為檢測(cè)方法，包括W下步驟：
[0006] (1)采集ATM監(jiān)控視頻；
[0007] (2)采用化矩陣對(duì)ATM監(jiān)控視頻提取人體特征，并采用K均值算法進(jìn)行聚類(lèi)，得到兩 組特征矢量M=(mi，m2, . . .，mi)和N=(ni，n2, . . .，nj);其中，i為特征矢量M的元素的個(gè)數(shù)，j 為特征矢量N的元素的個(gè)數(shù)；
[000引（3)考慮到兩組特征矢量M和N各分量之間存在非均衡性的缺陷，在特征提取之后， 對(duì)特征矢量M和N分別做如下的標(biāo)準(zhǔn)化處理：
[0009] Cl)
[0010] (2)
[001 U 其中，Tlm為訓(xùn)練樣本M的均值向量，Tln為訓(xùn)練樣本N的均值向量;山為訓(xùn)練樣本M的標(biāo) 準(zhǔn)差向量在各個(gè)分量上的均值，Wn為訓(xùn)練樣本N的標(biāo)準(zhǔn)差向量在各個(gè)分量上的均值特 征矢量M經(jīng)過(guò)標(biāo)準(zhǔn)化處理后的特征矢量，護(hù)為特征矢量N經(jīng)過(guò)標(biāo)準(zhǔn)化處理后的特征矢量；
[0012] (4)計(jì)算兩組特征矢量M*和護(hù)的協(xié)方差矩陣cov(M*，N*)，并對(duì)兩組特征矢量進(jìn)行線(xiàn) 性組合，得到其典型變量X、Y:
[0013]
(33
[0014] 其中〇 =(日1,日2, . . . ,Qi)，0=(執(zhí),02, . . .，0j)分別為非零常系數(shù)向量；
[0015] 化、A鋒但巧1化縣Y V方間故純'哇區(qū)別判定模型
[0016] (4)
[0017] 其中，C為線(xiàn)性區(qū)別判定系數(shù)，g為值為[oa]之間的誤差修正值，avg( ?)為取平均 值操作。
[0018] (6)利用拉格朗日乘數(shù)法求得非零常系數(shù)向量a、e:
[0019]
(5)
[0020] 其中，V為拉格朗日乘子，Ui為非零常系數(shù)向量a的特征根，化為非零常系數(shù)向量如勺 特征根；
[0021] (7)根據(jù)式(5)計(jì)算得到的特征根化、化和非零常系數(shù)向量a、e，取其前t對(duì)a、巧勾成 線(xiàn)性投影矩陣；
[0022] (8)將特征矢量M勺日護(hù)分別向t個(gè)投影方向進(jìn)行投影，得到t維的線(xiàn)性區(qū)別判定矢量 巧口 Q;
[0023] (9)將線(xiàn)性區(qū)別判定矢量作為HMM模型的觀察序列進(jìn)行訓(xùn)練和識(shí)別，最終得到人體 異常行為識(shí)別結(jié)果。
[0024] 本發(fā)明的有益效果是:本發(fā)明采用線(xiàn)性區(qū)別判定模型描述圖像特征矢量之間的相 關(guān)性，并根據(jù)特征矢量之間的線(xiàn)性區(qū)別判定結(jié)果，降低人體異常檢測(cè)的誤差;通過(guò)標(biāo)準(zhǔn)化處 理特征向量，優(yōu)化特征矢量之間的非均衡性缺陷。
【附圖說(shuō)明】
[0025] 圖1為一種線(xiàn)性區(qū)別判定優(yōu)化HMM算法的ATM人體異常行為檢測(cè)方法的流程示意 圖；
[0026] 圖2為采用本發(fā)明方法后的人體行為檢測(cè)結(jié)果示意圖。
【具體實(shí)施方式】
[0027] 下面結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步描述。
[0028] 如圖1所示，本發(fā)明線(xiàn)性區(qū)別判定優(yōu)化HMM算法的ATM人體異常行為檢測(cè)方法，包括 W下步驟：
[0029] 1、采集ATM監(jiān)控視頻。
[0030] 2、采用化矩陣對(duì)ATM監(jiān)控視頻提取人體特征，并采用K均值算法進(jìn)行聚類(lèi)，得到兩 組特征矢量M=(mi，m2, . . .，mi)和N=(ni，n2, . . .，nj);其中，i為特征矢量M的元素的個(gè)數(shù)，j 為特征矢量N的元素的個(gè)數(shù)。
[0031] 3、考慮到兩組特征矢量M和N各分量之間存在非均衡性的缺陷，在特征提取之后， 對(duì)特巧生縣BiU此*日下的標(biāo)準(zhǔn)化處理.
[0032] <1)
[0033] U)
[0034] 其中，Tlm為訓(xùn)練樣本M的均值向量，Tln為訓(xùn)練樣本N的均值向量;山為訓(xùn)練樣本M的標(biāo) 準(zhǔn)差向量在各個(gè)分量上的均值，Wn為訓(xùn)練樣本N的標(biāo)準(zhǔn)差向量在各個(gè)分量上的均值特 征矢量M經(jīng)過(guò)標(biāo)準(zhǔn)化處理后的特征矢量，護(hù)為特征矢量N經(jīng)過(guò)標(biāo)準(zhǔn)化處理后的特征矢量。
[0035] 4、計(jì)算兩組特征矢量M*和N*的協(xié)方差矩陣cov(M*，N*)，并對(duì)兩組特征矢量進(jìn)行線(xiàn) 性組合，得到其典型變量X、Y:
[0036]
〇>
[0037] 其中a = (ai，a2,...，日1)，0=(執(zhí)，&，...瓜)分別為非零常系數(shù)向量。
[0038] 5、計(jì)算得到變量X、Y之間的線(xiàn)性區(qū)別判定模型
[0039]
(4)
[0040] 其中，C為線(xiàn)性區(qū)別判定系數(shù)，皆為值為[0，1]之間的誤差修正值，avg( ?)為取平均 值操作。
[0041] 6、利用拉格朗日乘數(shù)法求得非零常系數(shù)向量a、e:
[0042]
(5)
[0043] 其中，V為拉格朗日乘子，Ui為非零常系數(shù)向量a的特征根，化為非零常系數(shù)向量如勺 特征根。
[0044] 7、根據(jù)式(5)計(jì)算得到的特征根化、化和非零常系數(shù)向量a、e，取其前t對(duì)a、e構(gòu)成線(xiàn) 性投影矩陣。
[0045] 8、將特征矢量M勺P護(hù)分別向t個(gè)投影方向進(jìn)行投影，得到t維的線(xiàn)性區(qū)別判定矢量P 和Q。
[0046] 9、將線(xiàn)性區(qū)別判定矢量作為HMM模型的觀察序列進(jìn)行訓(xùn)練和識(shí)別，最終得到人體 異常行為識(shí)別結(jié)果。
[0047] 實(shí)施例1
[004引如圖1所示，一種線(xiàn)性區(qū)別判定優(yōu)化HMM算法的ATM人體異常行為檢測(cè)方法的具體 實(shí)施方式為:首先在ATM取款機(jī)口口上方安置監(jiān)控?cái)z像頭，其與地面的夾角為45° W保證攝 像頭能拍攝到完整的ATM取款機(jī)，然后將ATM監(jiān)控視頻作為輸入值采用化矩陣提取人體特 征，并采用K均值算法進(jìn)行聚類(lèi)，得到兩組特征矢量M和N，并為了優(yōu)化兩組特征矢量M和N各 分量之間存在的非均衡性缺陷，對(duì)其進(jìn)行標(biāo)準(zhǔn)化處理得到r和滬。接著計(jì)算兩組特征矢量r 和N*的協(xié)方差矩陣cov(M*，N*)，并對(duì)兩組特征矢量進(jìn)行線(xiàn)性組合，得到其典型變量X、Y。再進(jìn) 一步構(gòu)建線(xiàn)性區(qū)別判定模型，并求解得到線(xiàn)性投影矩陣，得到t維的線(xiàn)性區(qū)別判定矢量，W 判斷特征矢量之間的相關(guān)性，提高特征提取的精確性。最后將線(xiàn)性區(qū)別判定矢量作為HMM模 型的觀察序列進(jìn)行訓(xùn)練和識(shí)別，最終得到人體異常行為識(shí)別結(jié)果。
[0049]如圖2為采用本發(fā)明方法對(duì)連續(xù)四帖ATM監(jiān)控視頻的人體異常行為檢測(cè)的結(jié)果示 意圖，其結(jié)果說(shuō)明本發(fā)明的方法獲得了不錯(cuò)的實(shí)驗(yàn)結(jié)果，可W為ATM人體異常行為檢測(cè)提供 更高的精確性。
【主權(quán)項(xiàng)】
1. 一種線(xiàn)性區(qū)別判定優(yōu)化HMM算法的ATM人體異常行為檢測(cè)方法，其特征在于，包括以 下步驟： (1) 采集ATM監(jiān)控視頻。 (2) 采用Hu矩陣對(duì)ATM監(jiān)控視頻提取人體特征，并采用K均值算法進(jìn)行聚類(lèi)，得到兩組特 征矢量M=(mi，m2, · · ·，nu)和N=(m，n2, · . ·，nj);其中，i為特征矢量Μ的元素的個(gè)數(shù)，j為特 征矢量N的元素的個(gè)數(shù)。 (3) 考慮到兩組特征矢量Μ和N各分量之間存在非均衡性的缺陷，在特征提取之后，對(duì)特 征矢量Μ和Ν分別做如下的標(biāo)準(zhǔn)化處理：(1) (2) 其中，nm為訓(xùn)練樣本Μ的均值向量，％為訓(xùn)練樣本Ν的均值向量;μω為訓(xùn)練樣本Μ的標(biāo)準(zhǔn)差 向量在各個(gè)分量上的均值，μη為訓(xùn)練樣本Ν的標(biāo)準(zhǔn)差向量在各個(gè)分量上的均值;if為特征矢 量Μ經(jīng)過(guò)標(biāo)準(zhǔn)化處理后的特征矢量，rf為特征矢量N經(jīng)過(guò)標(biāo)準(zhǔn)化處理后的特征矢量。 (4) 計(jì)算兩組特征矢量if和#的協(xié)方差矩陣C〇V(M'rf)，并對(duì)兩組特征矢量進(jìn)行線(xiàn)性組 合，得到其典型變量X、Y:C3) 其中α=(αι，α2,……，β」)分別為非零常系數(shù)向量。 (5) 計(jì)算得到變量X、Υ之間的線(xiàn)性區(qū)別判定模型(4) 其中，ξ為線(xiàn)性區(qū)別判定系數(shù)，爐為值為[〇，1]之間的誤差修正值，avg( ·)為取平均值操 作。 (6) 利用拉格朗日乘數(shù)法求得非零常系數(shù)向量α、β:(5)其中，ν為拉格朗日乘子，山為非零常系數(shù) 向量α的特征根，U2為非零常系數(shù)向量邱勺特征根。 (7) 根據(jù)式(5)計(jì)算得到的特征根山、1]2和非零常系數(shù)向量α、β，取其前t對(duì)α、β構(gòu)成線(xiàn)性 投影矩陣。 (8) 將特征矢量if和#分別向t個(gè)投影方向進(jìn)行投影，得到t維的線(xiàn)性區(qū)別判定矢量Ρ和 Q〇 (9) 將線(xiàn)性區(qū)別判定矢量作為HMM模型的觀察序列進(jìn)行訓(xùn)練和識(shí)別，最終得到人體異常 行為識(shí)別結(jié)果。
【文檔編號(hào)】G06K9/62GK105956580SQ201610403457
【公開(kāi)日】2016年9月21日
【申請(qǐng)日】2016年6月7日
【發(fā)明人】胡峰俊
【申請(qǐng)人】浙江樹(shù)人大學(xué)