專利名稱：人體行為特征提取方法、系統(tǒng)及異常行為檢測方法和系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及模式識(shí)別技術(shù)領(lǐng)域，更具體地說，涉及一種人體行為特征提取方法、系統(tǒng)及異常行為檢測方法和系統(tǒng)。
背景技術(shù)：
人體異常行為檢測是計(jì)算機(jī)視覺領(lǐng)域中最活躍的研究課題之一，目前在超市、銀行、運(yùn)輸中心以及醫(yī)院的安保和預(yù)警的智能化方面有著廣泛的應(yīng)用前景。人體異常行為檢測是指首先對(duì)自定義的正常行為和異常行為分別進(jìn)行分析與建模，然后根據(jù)目標(biāo)行為與正 常行為和異常行為兩者的相似程度來為目標(biāo)行為進(jìn)行分類，從而判斷目標(biāo)行為是否異常；其中，目標(biāo)行為指待檢測的人體行為。此處，正常行為主要指日常生活中經(jīng)常出現(xiàn)的表現(xiàn)正常的行為，如走路、小跑、拍手鼓掌等行為；而異常行為主要是與正常行為相反，表現(xiàn)過于激烈的行為，如快跑、揮拳、揮手求救等行為；顯然對(duì)于正常行為和異常行為的界定可通過自定義形式完成。圖I為現(xiàn)有技術(shù)人體異常行為檢測的方法流程圖，參照?qǐng)D1，該方法可以包括步驟步驟S100、依據(jù)背景模型對(duì)視頻圖像序列進(jìn)行前景提取，得出人體動(dòng)作圖像序列，目前所得的人體動(dòng)作圖像序列一般均是經(jīng)過二值化處理后的圖像序列，可詳見圖2所示出的經(jīng)過二值化處理后的人體動(dòng)作圖像的圖像效果；步驟S110、從人體動(dòng)作圖像序列中提取出人體行為特征，即得出人體動(dòng)作圖像序列的原始特征值；步驟S120、從人體行為特征中選擇出反映人體行為模式的特征，如在一定準(zhǔn)則下，在η個(gè)人體動(dòng)作圖像序列的原始圖像特征值中選m個(gè)圖像特征值來反映人體行為模式，以降低計(jì)算難度；步驟S130、對(duì)所述反映人體行為模式的特征進(jìn)行分類處理，得出識(shí)別結(jié)果，即人體行為是異常還是正常。其中，從人體動(dòng)作圖像序列中提取出人體行為特征的實(shí)現(xiàn)方式，目前主要使用立方體高階局部自相關(guān)特征提取法進(jìn)行，對(duì)于立方體高階局部自相關(guān)特征提取法而言，人體動(dòng)作圖像序列的原始特征值可用人體動(dòng)作圖像的高階局部自相關(guān)函數(shù)值表示。立方體高階局部自相關(guān)特征提取法不僅能反映圖像內(nèi)部的空間特征，還可能反映前后圖像之間的時(shí)間特征。立方體高階局部自相關(guān)特征提取法主要包括兩個(gè)過程立方數(shù)據(jù)(cubic data)的更新和圖像序列的掃描。其中cubic data更新主要為將人體動(dòng)作圖像逐一導(dǎo)入到計(jì)算機(jī)中，并在時(shí)間軸t軸上排列，如圖3所示，一個(gè)圖像序列可被看成一個(gè)三維數(shù)據(jù)，X軸和y軸為某張圖像中的橫縱軸線，t軸為時(shí)間軸，為了獲取人體行為特征，需要選取t軸上一個(gè)連續(xù)的含有一定數(shù)量圖像的圖像序列作為一個(gè)數(shù)據(jù)單元，記為cubicdata，為了持續(xù)地獲得cubic data以分析人體的動(dòng)作狀況，在每次進(jìn)行立方數(shù)據(jù)更新時(shí)，需要將新的人體動(dòng)作圖像按時(shí)間順序逐一插入到圖像序列當(dāng)中，其中，每次進(jìn)行立方數(shù)據(jù)更新時(shí)插入一個(gè)人體動(dòng)作圖像，而原來人體動(dòng)作圖像序列中的圖像，在插入新圖像的同時(shí)也按照時(shí)間順序逐一被刪除出圖像序列，整個(gè)cubic data的更新過程就是一個(gè)隊(duì)列的插入和刪除過程，遵循著先進(jìn)先出后進(jìn)后出的原則。每次人體動(dòng)作圖像序列特征值的更新都只需減去刪除的圖像的特征值，加上新加入圖像的特征值即可。在實(shí)現(xiàn)cubic data更新的同時(shí)，立方體高階局部自相關(guān)特征提取法需采用預(yù)設(shè)的251個(gè)掩碼模板逐一對(duì)cubic data中的圖像進(jìn)行掃描并賦值，進(jìn)而提取出賦值后的圖像特征，實(shí)現(xiàn)人體行為特征的提取。可以看出，在人體行為特征的提取過程中，立方體高階局部自相關(guān)特征提取法的cubic data的更新是采用逐一更新的辦法，S卩，每次移入一幀圖像同時(shí)移出一幀圖像，而在用掩碼模板對(duì)圖像序列進(jìn)行掃描時(shí)，也采用的是逐一掃描的方法，這使得的系統(tǒng)的數(shù)據(jù)處理量較大，占用系統(tǒng)資源過多，導(dǎo)致人體行為特征的提取速度較慢。

發(fā)明內(nèi)容
有鑒于此，本發(fā)明實(shí)施例提供一種人體行為特征提取方法、系統(tǒng)及異常行為檢測方法和系統(tǒng)，以解決現(xiàn)有技術(shù)在人體行為特征的提取過程中系統(tǒng)的數(shù)據(jù)處理量較大 ，占用系統(tǒng)資源過多，導(dǎo)致人體行為特征的提取速度較慢的問題。為實(shí)現(xiàn)上述目的，本發(fā)明實(shí)施例提供如下技術(shù)方案一種人體行為特征提取方法，包括在每次進(jìn)行立方數(shù)據(jù)更新時(shí)，將預(yù)設(shè)個(gè)數(shù)的圖像幀插入立方數(shù)據(jù)的圖像序列中，及將圖像序列中原來存在的對(duì)應(yīng)預(yù)設(shè)個(gè)數(shù)的圖像幀按照時(shí)間順序刪除出立方數(shù)據(jù)的圖像序列中；其中，所述預(yù)設(shè)個(gè)數(shù)為大于I且不影響人體運(yùn)動(dòng)連續(xù)性的圖像幀的個(gè)數(shù)；按照預(yù)設(shè)的每次掃描立方數(shù)據(jù)的圖像時(shí)的掩碼模板移動(dòng)的像素?cái)?shù)，對(duì)立方數(shù)據(jù)的圖像進(jìn)行掃描并賦值；其中，所述預(yù)設(shè)的掩碼模板移動(dòng)的像素?cái)?shù)為大于I且不影響人體姿態(tài)和輪廓的像素?cái)?shù)；提取賦值后的特征，形成人體行為特征。其中，所述預(yù)設(shè)個(gè)數(shù)為3，所述預(yù)設(shè)的掩碼模板移動(dòng)的像素?cái)?shù)為3。其中，所述對(duì)立方數(shù)據(jù)的圖像進(jìn)行掃描并賦值包括采用枚舉法，依據(jù)鄰接表中預(yù)置的立方數(shù)據(jù)中每個(gè)像素與每個(gè)像素的相關(guān)特征的對(duì)應(yīng)關(guān)系，對(duì)立方數(shù)據(jù)中的圖像進(jìn)行掃描；當(dāng)掃描到一個(gè)像素時(shí)，對(duì)該像素的像素值賦值，將該像素的像素值賦值給與該像素對(duì)應(yīng)的相關(guān)特征；其中，所述相關(guān)特征為與像素對(duì)應(yīng)的圖像高階局部自相關(guān)函數(shù)。其中，所述立方數(shù)據(jù)中每個(gè)像素與每個(gè)像素相關(guān)特征的對(duì)應(yīng)關(guān)系的預(yù)置過程包括確定立方數(shù)據(jù)中每個(gè)像素的相關(guān)特征的維數(shù)編號(hào)；設(shè)置每個(gè)像素與每個(gè)像素的相關(guān)特征的維數(shù)編號(hào)的對(duì)應(yīng)關(guān)系。本發(fā)明實(shí)施例還提供一種人體行為特征提取系統(tǒng)，包括立方數(shù)據(jù)更新模塊，用于在每次進(jìn)行立方數(shù)據(jù)更新時(shí)，將預(yù)設(shè)個(gè)數(shù)的圖像幀插入立方數(shù)據(jù)的圖像序列中，及將圖像序列中原來存在的對(duì)應(yīng)預(yù)設(shè)個(gè)數(shù)的圖像幀按照時(shí)間順序刪除出立方數(shù)據(jù)的圖像序列中；其中，所述預(yù)設(shè)個(gè)數(shù)為大于I且不影響人體運(yùn)動(dòng)連續(xù)性的圖像幀的個(gè)數(shù)；掃描賦值模塊，用于按照預(yù)設(shè)的每次掃描立方數(shù)據(jù)的圖像時(shí)的掩碼模板移動(dòng)的像素?cái)?shù)，對(duì)立方數(shù)據(jù)的圖像進(jìn)行掃描并賦值；其中，所述預(yù)設(shè)的掩碼模板移動(dòng)的像素?cái)?shù)為大于I且不影響人體姿態(tài)和輪廓的像素?cái)?shù)；提取模塊，用于提取賦值后的特征，形成人體行為特征。
其中，所述預(yù)設(shè)個(gè)數(shù)為3，所述預(yù)設(shè)的掩碼模板移動(dòng)的像素?cái)?shù)為3。其中，所述掃描賦值模塊包括掃描單元，用于采用枚舉法，依據(jù)鄰接表中預(yù)置的立方數(shù)據(jù)中每個(gè)像素與每個(gè)像素的相關(guān)特征的對(duì)應(yīng)關(guān)系，對(duì)立方數(shù)據(jù)中的圖像進(jìn)行掃描；賦值單元，用于在所述掃描單元掃描到一個(gè)像素時(shí)，對(duì)該像素的像素值賦值，將該像素的像素值賦值給與該像素對(duì)應(yīng)的相 關(guān)特征；其中，所述相關(guān)特征為與像素對(duì)應(yīng)的圖像高階局部自相關(guān)函數(shù)。其中，所述系統(tǒng)還包括編號(hào)確定模塊，用于確定立方數(shù)據(jù)中每個(gè)像素的相關(guān)特征的維數(shù)編號(hào)；對(duì)應(yīng)關(guān)系設(shè)置模塊，用于設(shè)置每個(gè)像素與每個(gè)像素的相關(guān)特征的維數(shù)編號(hào)的對(duì)應(yīng)關(guān)系。本發(fā)明實(shí)施例還提供一種異常行為檢測方法，包括依據(jù)背景模型對(duì)視頻圖像序列進(jìn)行前景提取，得出人體動(dòng)作圖像序列；從人體動(dòng)作圖像序列中提取出人體行為特征；從人體行為特征中選擇出反映人體行為模式的特征；對(duì)所述反映人體行為模式的特征進(jìn)行分類處理，得出識(shí)別結(jié)果；其中，所述從人體動(dòng)作圖像序列中提取出人體行為特征的過程具體為上述所述的人體行為特征提取方法。其中，所述依據(jù)背景模型對(duì)視頻圖像序列進(jìn)行前景提取，得出人體動(dòng)作圖像序列包括采用高斯濾波和背景建模法從視頻圖像序列中刪除背景，提取出初始的人體動(dòng)作圖像序列；對(duì)所述初始的人體動(dòng)作圖像序列進(jìn)行二值化處理，形態(tài)學(xué)濾波去除噪聲，得到人體動(dòng)作圖像序列。其中，所述從人體行為特征中選擇出反映人體行為模式的特征包括采用主成分分析法對(duì)所述人體行為特征進(jìn)行降維處理，從所述人體行為特征中選取出反映高階相關(guān)函數(shù)的特征向量；采用fisher線性判別法對(duì)所述反映高階相關(guān)函數(shù)的特征向量進(jìn)行降維處理，從所述反映高階相關(guān)函數(shù)的特征向量中選取出反映人體行為模式的特征變量。本發(fā)明實(shí)施例還提供一種異常行為檢測系統(tǒng)，包括人體動(dòng)作圖像序列提取模塊，用于依據(jù)背景模型對(duì)視頻圖像序列進(jìn)行前景提取，得出人體動(dòng)作圖像序列；如上述所述的人體行為特征提取系統(tǒng)，用于從人體動(dòng)作圖像序列中提取出人體行為特征；特征選擇模塊，用于從人體行為特征中選擇出反映人體行為模式的特征；分類模塊，用于對(duì)所述反映人體行為模式的特征進(jìn)行分類處理，得出識(shí)別結(jié)果。其中，所述動(dòng)作圖像序列提取模塊包括初始序列提取單元，用于采用高斯濾波和背景建模法從視頻圖像序列中刪除背景，提取出初始的人體動(dòng)作圖像序列；
序列處理單元，用于對(duì)所述初始的人體動(dòng)作圖像序列進(jìn)行二值化處理，形態(tài)學(xué)濾波去除噪聲，得到人體動(dòng)作圖像序列。其中，所述特征選擇模塊包括主成分分析單元，用于采用主成分分析法對(duì)所述人體行為特征進(jìn)行降維處理，從所述人體行為特征中選取出反映高階相關(guān)函數(shù)的特征向量；線性判別單元,用于采用fisher線性判別法對(duì)所述反映高階相關(guān)函數(shù)的特征向量進(jìn)行降維處理，從所述反映高階相關(guān)函數(shù)的特征向量中選取出反映人體行為模式的特征變量。基于上述技術(shù)方案，鑒于人體異常行為的識(shí)別采用的是統(tǒng)計(jì)屬于各個(gè)不同動(dòng)作的特征值數(shù)目，選取最多的一種作為最終的判斷；同時(shí)由于人體運(yùn)動(dòng)的連續(xù)性，因此均勻的從適當(dāng)個(gè)數(shù)的圖像幀中抽取一個(gè)來進(jìn)行掃描，所獲取的特征值并不會(huì)影響人體行為特征提取的準(zhǔn)確性，還可提高運(yùn)算速度；并且對(duì)于只要求判斷動(dòng)作類型的異態(tài)識(shí)別來說，在每次掃描立方數(shù)據(jù)圖像時(shí)，在適當(dāng)?shù)难诖a模板移動(dòng)的像素?cái)?shù)范圍內(nèi)進(jìn)行立方數(shù)據(jù)的圖像掃描，對(duì)于最后的掃描結(jié)果的準(zhǔn)確性并不會(huì)產(chǎn)生變化，因此通過適當(dāng)?shù)母淖冄诖a模版的掃描間距可使得掩碼模版數(shù)量減小，提高人體行為特征的提取速度。本發(fā)明實(shí)施例提供的人體行為特征提取方法通過預(yù)設(shè)的在每次進(jìn)行立方數(shù)據(jù)更新時(shí)，插入立方數(shù)據(jù)的圖像序列中的圖像幀的個(gè)數(shù)，和預(yù)設(shè)的每次掃描立方數(shù)據(jù)的圖像時(shí)的掩碼模板移動(dòng)的像素?cái)?shù)，可在不影響人體行為特征提取結(jié)果的情況下，加快立方數(shù)據(jù)的更新速度和改變掩碼模板的掃描間距，減小數(shù)據(jù)處理量，提高人體行為特征的提取速度，本發(fā)明實(shí)施例提供的人體行為特征提取方法解決了現(xiàn)有技術(shù)在人體行為特征的提取過程中系統(tǒng)的數(shù)據(jù)處理量較大，占用系統(tǒng)資源過多，導(dǎo)致人體行為特征的提取速度較慢的問題。


為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。圖I為現(xiàn)有技術(shù)人體異常行為檢測的方法流程圖；圖2為二值化處理后的圖像效果圖；圖3為立方數(shù)據(jù)的示意圖；圖4為本發(fā)明實(shí)施例提供的人體行為特征提取方法的流程圖；圖5為Λ 1=3時(shí)，Λ η與識(shí)別率的變化情況關(guān)系圖；圖6為Λη=3時(shí)，Δ1與識(shí)別率的變化情況關(guān)系圖；圖7為本發(fā)明實(shí)施例提供的對(duì)立方數(shù)據(jù)的圖像進(jìn)行掃描并賦值的方法流程圖；圖8為掩碼層以及各層標(biāo)簽的示意圖；圖9為本發(fā)明實(shí)施例提供的人體行為特征提取系統(tǒng)的結(jié)構(gòu)框圖；圖10為本發(fā)明實(shí)施例提供的掃描賦值模塊的結(jié)構(gòu)框圖；圖11為本發(fā)明實(shí)施例提供的人體行為特征提取系統(tǒng)的另一結(jié)構(gòu)框圖；圖12為本發(fā)明實(shí)施例提供的人體異常行為檢測方法的流程圖13為本發(fā)明實(shí)施例提供的從人體行為特征中選擇出反映人體行為模式的特征的方法流程圖；圖14為本發(fā)明實(shí)施例提供的未經(jīng)過特征選擇前的特征分布情況示意圖；圖15為本發(fā)明實(shí)施例提供的經(jīng)過特征選擇后的特征分布情況示意圖；圖16為本發(fā)明實(shí)施例提供的經(jīng)過特征選擇后的特征分布情況的另一示意圖；圖17為本發(fā)明實(shí)施例提供的人體異常行為檢測系統(tǒng)的結(jié)構(gòu)框圖；圖18為本發(fā)明實(shí)施例提供的人體動(dòng)作圖像序列提取模塊的結(jié)構(gòu)框圖；
圖19為本發(fā)明實(shí)施例提供的選擇模塊的結(jié)構(gòu)框圖。
具體實(shí)施例方式下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。圖4為本發(fā)明實(shí)施例提供的人體行為特征提取方法的流程圖，下述方法流程基于由人體動(dòng)作圖像序列構(gòu)成的立方數(shù)據(jù)的基礎(chǔ)上，參照?qǐng)D4，該方法可以包括步驟S200、在每次進(jìn)行立方數(shù)據(jù)更新時(shí)，將預(yù)設(shè)個(gè)數(shù)的圖像幀插入立方數(shù)據(jù)的圖像序列中，及將圖像序列中原來存在的對(duì)應(yīng)預(yù)設(shè)個(gè)數(shù)的圖像幀按照時(shí)間順序刪除出立方數(shù)據(jù)的圖像序列中；其中，所述預(yù)設(shè)個(gè)數(shù)為大于I且不影響人體運(yùn)動(dòng)連續(xù)性的圖像幀的個(gè)數(shù)。為便于理解，步驟S200示出的立方數(shù)據(jù)更新方式，現(xiàn)設(shè)圖像序列中原始存在XI、X2…X6共六個(gè)圖像幀，如果每次進(jìn)行立方數(shù)據(jù)更新時(shí)預(yù)設(shè)的插入立方數(shù)據(jù)的圖像序列中的圖像幀個(gè)數(shù)為3個(gè)，則在進(jìn)行一次立方數(shù)據(jù)更新時(shí)，可將Tl、X8和X9這3個(gè)圖像幀中插入圖像序列中，且按照插入的時(shí)間順序設(shè)置于X6之后，由于X1、X2和X3這3個(gè)圖像幀為最早設(shè)置于圖像序列中的，因此按照時(shí)間順序，在X7、X8和X9這3個(gè)圖像幀插入圖像序列的同時(shí)，將XI、X2和X3這3個(gè)圖像幀刪除出圖像序列中。步驟S200中所描述的立方數(shù)據(jù)更新遵循先進(jìn)先出后進(jìn)后出的原則。上述假設(shè)僅為便于理解本發(fā)明實(shí)施例提供的立方數(shù)據(jù)更新方案，其不應(yīng)成為本發(fā)明的限制。步驟S210、按照預(yù)設(shè)的每次掃描立方數(shù)據(jù)的圖像時(shí)的掩碼模板移動(dòng)的像素?cái)?shù)，對(duì)立方數(shù)據(jù)的圖像進(jìn)行掃描并賦值；其中，所述預(yù)設(shè)的掩碼模板移動(dòng)的像素?cái)?shù)為大于I且不影響行人姿態(tài)和輪廓的像素?cái)?shù)。相對(duì)現(xiàn)有技術(shù)，步驟S210中掩碼模板對(duì)圖像掃描并不是逐一進(jìn)行的，而是調(diào)整了掩碼模板的掃描間距，即在預(yù)設(shè)掩碼模板移動(dòng)的像素?cái)?shù)的間距的基礎(chǔ)上，對(duì)圖像序列的掃描；在每次進(jìn)行圖像掃描時(shí)，掩碼模板將不再逐一的掃描每個(gè)像素，而是以預(yù)設(shè)掩碼模板移動(dòng)的像素?cái)?shù)為基礎(chǔ)，進(jìn)行跳段式的圖像掃描，即對(duì)于預(yù)設(shè)掩碼模板移動(dòng)的像素?cái)?shù)中的像素只掃描其中一個(gè)像素。步驟S220、提取賦值后的特征，形成人體行為特征。
通過背景技術(shù)的描述可以看出，現(xiàn)有技術(shù)對(duì)cubic data的更新是采用逐一更新的辦法，即，每次移入一幀圖像同時(shí)移出一幀圖像，而在用掩碼模板對(duì)圖像序列進(jìn)行掃描時(shí)也采用的是逐一掃描的方法，將圖像序列中的每一個(gè)像素都掃描到，這對(duì)于一般的計(jì)算機(jī)是一個(gè)龐大的開銷。而鑒于后續(xù)用到的模式識(shí)別方法采用的是統(tǒng)計(jì)屬于各個(gè)不同動(dòng)作的特征值數(shù)目，選取最多的一種作為最終的判斷；同時(shí)，由于人體運(yùn)動(dòng)的連續(xù)性，因此均勻的從適當(dāng)個(gè)數(shù)的圖像幀中抽取一個(gè)來進(jìn)行掃描，獲取特征值將不會(huì)影響最后人體行為特征提取的準(zhǔn)確性，同時(shí)算法的運(yùn)算速度將獲得成倍的增長。而現(xiàn)有技術(shù)中掩碼模板的掃描都是逐一進(jìn)行的，這無疑將在某種程度上產(chǎn)生對(duì)同一像素的重復(fù)掃描，同一信息的重復(fù)提取；同時(shí)，從另一個(gè)角度理解，若將圖像進(jìn)行一定比例的縮小，圖像中行人的姿態(tài)和輪廓將不會(huì)受到太大的變化，對(duì)于只要求判斷運(yùn)動(dòng)類型的異態(tài)識(shí)別來說，在每次掃描立方數(shù)據(jù)圖像時(shí)，在適當(dāng)?shù)难诖a模板移動(dòng)的像素?cái)?shù)范圍內(nèi)進(jìn)行立方數(shù)據(jù)的圖像掃描，對(duì)于最后的掃描結(jié)果的準(zhǔn)確性并不會(huì)產(chǎn)生變化，因此通過適當(dāng)?shù)母淖冄诖a模版的掃描間距可使得掩碼模版數(shù)量減小，提聞人體行為特征的提取速度。基于上述考慮，可設(shè)定兩個(gè)變量Λη和Λ I分別表示立方數(shù)據(jù)每次更新時(shí)，所更新的圖像幀數(shù)和每次掃描圖像時(shí)的掩碼模板移動(dòng)的像素?cái)?shù)，在設(shè)定圖像識(shí)別率的情況下，運(yùn)用網(wǎng)格法掃描，搜索Λη和Al的最佳取值。如果直接從以Λη為X軸，Λ I為y軸，識(shí)別率為z軸的三維圖像中無法較為明顯的看出Λη，Al與識(shí)別率的變化關(guān)系，為了更明顯的顯示出參數(shù)間的變化關(guān)系，圖5示出了Δ 1=3時(shí)，Λ η與識(shí)別率的變化情況關(guān)系圖，圖6示出了 Λη=3時(shí)，△ I與識(shí)別率的變化情況關(guān)系圖；經(jīng)分析在Λη和Al都取值為3時(shí)，視頻的識(shí)別率較高且運(yùn)算效率較優(yōu)，此時(shí)算法 的運(yùn)算效率將提升9倍。因此圖I所示方法中，在每次進(jìn)行立方數(shù)據(jù)更新時(shí)，插入立方數(shù)據(jù)的圖像序列中的圖像幀的個(gè)數(shù)可以為3個(gè)，每次掃描立方數(shù)據(jù)的圖像時(shí)的掩碼模板移動(dòng)的像素?cái)?shù)可以為3個(gè)。顯然，在Λ η的選取不影響人體運(yùn)動(dòng)連續(xù)性，Δ I的選取不影響人體姿態(tài)和輪廓的情況下，還可設(shè)置其他數(shù)值的Λη和Al，如Λ η可取2至5的范圍，Λ I可取2至5的范圍，這些范圍的數(shù)值組合均不會(huì)影響人體行為特征提取的正確性。本發(fā)明實(shí)施例提供的人體行為特征提取方法通過預(yù)設(shè)的在每次進(jìn)行立方數(shù)據(jù)更新時(shí)，插入立方數(shù)據(jù)的圖像序列中的圖像幀的個(gè)數(shù)，和預(yù)設(shè)的每次掃描立方數(shù)據(jù)的圖像時(shí)的掩碼模板移動(dòng)的像素?cái)?shù)，可在不影響人體行為特征提取結(jié)果的情況下，加快立方數(shù)據(jù)的更新速度和改變掩碼模板的掃描間距，減小數(shù)據(jù)處理量，提高人體行為特征的提取速度，本發(fā)明實(shí)施例提供的人體行為特征提取方法解決了現(xiàn)有技術(shù)在人體行為特征的提取過程中系統(tǒng)的數(shù)據(jù)處理量較大，占用系統(tǒng)資源過多，導(dǎo)致人體行為特征的提取速度較慢的問題。由于現(xiàn)有技術(shù)直接使用251個(gè)掩碼模板對(duì)圖像序列進(jìn)行逐一掃描并賦值，這無疑將給運(yùn)算打來巨大的壓力。而在這些圖像序列中像素與某些相關(guān)特征是對(duì)應(yīng)的，相關(guān)特征為與像素對(duì)應(yīng)的圖像高階局部自相關(guān)函數(shù)，這些相關(guān)特征可以在對(duì)應(yīng)像素賦值的情況下，實(shí)現(xiàn)相關(guān)特征的同步賦值。因此本發(fā)明實(shí)施例在圖I所示方法的基礎(chǔ)上，提供一種圖I所述步驟S210中對(duì)立方數(shù)據(jù)的圖像掃描并賦值的具體實(shí)現(xiàn)方式，圖7為本發(fā)明實(shí)施例提供的對(duì)立方數(shù)據(jù)的圖像進(jìn)行掃描并賦值的方法流程圖，該方法可以包括步驟S211、采用枚舉法，依據(jù)鄰接表中預(yù)置的立方數(shù)據(jù)中每個(gè)像素與每個(gè)像素的相關(guān)特征的對(duì)應(yīng)關(guān)系，對(duì)立方數(shù)據(jù)中的圖像進(jìn)行掃描；步驟S212、當(dāng)掃描到一個(gè)像素時(shí)，對(duì)該像素的像素值賦值，將該像素的像素值賦值給與該像素對(duì)應(yīng)的相關(guān)特征。本發(fā)明實(shí)施例采用鄰接表記錄立方數(shù)據(jù)中每一個(gè)像素與該像素相關(guān)特征的對(duì)應(yīng)關(guān)系；可選的，可通過確定立方數(shù)據(jù)中每個(gè)像素的相關(guān)特征的維數(shù)編號(hào)，設(shè)置每個(gè)像素與每個(gè)像素的相關(guān)特征的維數(shù)編號(hào)的對(duì)應(yīng)關(guān)系的方式，實(shí)現(xiàn)每一個(gè)像素與該像素相關(guān)特征的對(duì)應(yīng)關(guān)系的記錄。在鄰接表記錄了對(duì)應(yīng)關(guān)系的基礎(chǔ)上，采用枚舉法對(duì)立方數(shù)據(jù)的圖像進(jìn)行掃描，當(dāng)掃描到一個(gè)像素，對(duì)該像素的像素值賦值時(shí)，可同步的對(duì)該像素的相關(guān)特征進(jìn)行賦值，相關(guān)特征的賦值與所賦的像素值相等。這樣省去了現(xiàn)有技術(shù)在圖像掃描過程中，多次對(duì)像素相關(guān)特征進(jìn)行賦值的過程，提高了人體行為特征的提取速度。需要說明的是，本發(fā)明領(lǐng)域人員可以知悉如何使用枚舉法，此處再贅述。顯然，鄰接表記錄對(duì)應(yīng)關(guān)系的方式并不局限于通過相關(guān)特征的維數(shù)編號(hào)進(jìn)行，還可通過設(shè)置各相關(guān)特征的標(biāo)識(shí)，通過記錄標(biāo)識(shí)與像素·的對(duì)應(yīng)關(guān)系，實(shí)現(xiàn)每一個(gè)像素與該像素相關(guān)特征的對(duì)應(yīng)關(guān)系的記錄。下面以圖8對(duì)圖7所示方法進(jìn)行說明。下述說明僅為便于理解圖7所示方法，其不應(yīng)成為本發(fā)明實(shí)施例的限制。圖8為掩碼層以及各層標(biāo)簽的示意圖，圖中I1里a像素的相關(guān)特征的維數(shù)編號(hào)為15至Ij 39，在使用枚舉法對(duì)圖像進(jìn)行掃描時(shí)，只需將特征向量預(yù)先賦值為全I(xiàn)向量，再對(duì)立方體中除中心外的28個(gè)像素進(jìn)行掃描，若該像素取值為零，則將該像素對(duì)應(yīng)編號(hào)的特征值賦值為零。如，M^1中a像素值為零，則編號(hào)為15到39的特征取值為零，以此類推，即可實(shí)現(xiàn)對(duì)立方數(shù)據(jù)的圖像進(jìn)行掃描并賦值。經(jīng)過統(tǒng)計(jì)，對(duì)每一個(gè)非零像素進(jìn)行模板的掃描時(shí)，平均需做的判定數(shù)、非零像素?cái)?shù)以及需做與運(yùn)算的次數(shù)分別為28次、16個(gè)和347次，遠(yuǎn)遠(yuǎn)優(yōu)于原有直接掃描法的251次和741次，在每一次掃描中可以在效率上獲得至少一倍的提高，這些提高在整個(gè)視頻的特征形成的過程中將讓這個(gè)算法獲得2倍以上的運(yùn)算速度的提升。可以看出，如果圖I所示方法中每次進(jìn)行立方數(shù)據(jù)更新時(shí)，插入立方數(shù)據(jù)的圖像序列的圖像幀數(shù)為3，且每次掃描立方數(shù)據(jù)的圖像時(shí)的掩碼模板移動(dòng)的像素?cái)?shù)為3，并且圖I所示步驟S210中對(duì)立方數(shù)據(jù)的圖像進(jìn)行掃描并賦值的實(shí)現(xiàn)方式采用圖7所示，那么人體行為特征的提取速度將較現(xiàn)有技術(shù)提升18倍。下面對(duì)本發(fā)明實(shí)施例提供的人體行為特征提取系統(tǒng)進(jìn)行描述，所描述的人體行為特征提取系統(tǒng)與上文描述的人體行為特征提取方法相互對(duì)應(yīng)，兩者可相互參照。圖9為本發(fā)明實(shí)施例提供的人體行為特征提取系統(tǒng)的結(jié)構(gòu)框圖，參照?qǐng)D9，該系統(tǒng)可以包括立方數(shù)據(jù)更新模塊100，用于在每次進(jìn)行立方數(shù)據(jù)更新時(shí)，將預(yù)設(shè)個(gè)數(shù)的圖像幀插入立方數(shù)據(jù)的圖像序列中，及將圖像序列中原來存在的對(duì)應(yīng)預(yù)設(shè)個(gè)數(shù)的圖像幀按照時(shí)間順序刪除出立方數(shù)據(jù)的圖像序列中；其中，所述預(yù)設(shè)個(gè)數(shù)為大于I且不影響人體運(yùn)動(dòng)連續(xù)性的圖像幀的個(gè)數(shù)。掃描賦值模塊110，用于按照預(yù)設(shè)的每次掃描立方數(shù)據(jù)的圖像時(shí)的掩碼模板移動(dòng)的像素?cái)?shù)，對(duì)立方數(shù)據(jù)的圖像進(jìn)行掃描并賦值；其中，所述預(yù)設(shè)的掩碼模板移動(dòng)的像素?cái)?shù)為大于I且不影響人體姿態(tài)和輪廓的像素?cái)?shù)。
提取模塊120，用于提取賦值后的特征，形成人體行為特征。其中，在每個(gè)立方數(shù)據(jù)更新時(shí)間內(nèi)插入立方數(shù)據(jù)的圖像序列中的圖像幀的個(gè)數(shù)可選為2至5，優(yōu)選為3，每次掃描立方數(shù)據(jù)圖像時(shí)的掩碼模板移動(dòng)的像素?cái)?shù)可選為2至5，優(yōu)選為3.
其中，掃描賦值模塊110的結(jié)構(gòu)可如圖10所示，包括掃描單元111，用于采用枚舉法，依據(jù)鄰接表中預(yù)置的立方數(shù)據(jù)中每個(gè)像素與每個(gè)像素的相關(guān)特征的對(duì)應(yīng)關(guān)系，對(duì)立方數(shù)據(jù)中的圖像進(jìn)行掃描；賦值單元112，用于在掃描單元111掃描到一個(gè)像素時(shí)，對(duì)該像素的像素值賦值，將該像素的像素值賦值給與該像素對(duì)應(yīng)的相關(guān)特征。其中，所述相關(guān)特征為與像素對(duì)應(yīng)的圖像高階局部自相關(guān)函數(shù)。圖11為本發(fā)明實(shí)施例提供的人體行為特征提取系統(tǒng)的另一結(jié)構(gòu)框圖，結(jié)合圖9和圖11所示，該系統(tǒng)還可以包括編號(hào)確定模塊130，用于確定立方數(shù)據(jù)中每個(gè)像素的相關(guān)特征的維數(shù)編號(hào)；對(duì)應(yīng)關(guān)系設(shè)置模塊140，用于設(shè)置每個(gè)像素與每個(gè)像素的相關(guān)特征的維數(shù)編號(hào)的對(duì)應(yīng)關(guān)系。基于上文描述的人體行為特征提取方法，下面將提供一種人體異常行為檢測方法，下文所描述的人體異常行為檢測方法中，從人體動(dòng)作圖像序列中提取出人體行為特征的方式可參照上文描述的人體行為特征提取方法，兩者可相互參照。圖12為本發(fā)明實(shí)施例提供的人體異常行為檢測方法的流程圖，參照?qǐng)D12，該方法可以包括步驟S300、依據(jù)背景模型對(duì)視頻圖像序列進(jìn)行前景提取，得出人體動(dòng)作圖像序列；步驟S300的實(shí)現(xiàn)方式可選為采用高斯濾波和背景建模法從視頻圖像序列中刪除背景，提取出初始的人體動(dòng)作圖像序列；對(duì)所述初始的人體動(dòng)作圖像序列進(jìn)行二值化處理，形態(tài)學(xué)濾波去除噪聲，得到人體動(dòng)作圖像序列，人體動(dòng)作圖像序列由多個(gè)人體動(dòng)作圖像構(gòu)成，人體動(dòng)作圖像為經(jīng)過二值化處理后的圖像，具體可參見圖2所示。步驟S310、從人體動(dòng)作圖像序列中提取出人體行為特征；步驟S310的實(shí)現(xiàn)方式，可參照上文描述的人體行為特征提取方法，唯一需要考慮的是，此處的人體動(dòng)作圖像序列是以立方數(shù)據(jù)的形式存在。步驟S320、從人體行為特征中選擇出反映人體行為模式的特征；步驟S320的實(shí)現(xiàn)方式可如圖13所示，包括步驟S321、采用主成分分析法對(duì)所述人體行為特征進(jìn)行降維處理，從所述人體行為特征中選取出反映高階相關(guān)函數(shù)的特征向量；在步驟S310提取出人體行為特征后，表現(xiàn)人體行為特征的數(shù)據(jù)為251維，通過主成分分析法從人體行為特征中選取出能夠反映出高階相關(guān)函數(shù)的前40個(gè)特征向量，則此時(shí)原本251維的特征數(shù)據(jù)已降至40維，大大減小了計(jì)算壓力；通過主成分分析法進(jìn)行降維處理后，人體行為特征的行為模式的解釋已99%。步驟S322、采用fisher線性判別法對(duì)所述反映高階相關(guān)函數(shù)的特征向量進(jìn)行降維處理，從所述反映高階相關(guān)函數(shù)的特征向量中選取出反映人體行為模式的特征變量。
通過fisher線性判別法對(duì)反映高階相關(guān)函數(shù)的前40個(gè)特征向量作進(jìn)一步降維處理，可使得最后得到的特征變量為8個(gè)，大大減少了后續(xù)分類器的分類工作。參照?qǐng)D14，圖15和圖16，圖14，圖15和圖16分別以行走(walking)和跑步(running)為例，對(duì)未經(jīng)特征選擇時(shí)的特征向量以及經(jīng)過圖13所示方法所進(jìn)行的特征選擇后的特征向量的分布情況進(jìn)行了說明，其中，圖14為本發(fā)明實(shí)施例提供的未經(jīng)過特征選擇前的特征分布情況示意圖，圖15為本發(fā)明實(shí)施例提供的經(jīng)過特征選擇后的特征分布情況示意圖，圖16為本發(fā)明實(shí)施例提供的經(jīng)過特征選擇后的特征分布情況的另一示意圖。可以看出，通過圖13所示方法進(jìn)行處理后，不同動(dòng)作的向量空間的維數(shù)得到了降低，并且更加聚攏，更易于人體行為的分析。步驟S330、對(duì)所述反映人體行為模式的特征進(jìn)行分類處理，得出識(shí)別結(jié)果。
具體的，可將反映人體行為模式的特征與正常行為和異常行為兩者的相似程度進(jìn)行比對(duì)，從而將該特征所反映的人體行為分類至正常行為或異常行為，完成人體異常行為的檢測。經(jīng)米用基于KNN (Κ-Nearest Neigllbors)算法構(gòu)成的分類器以MultimodalDatabase of Gestures with Speech中的25個(gè)實(shí)驗(yàn)對(duì)象,6個(gè)動(dòng)作,在不同方向，不同著裝的情況下拍攝的600個(gè)視頻圖像為實(shí)驗(yàn)主體所進(jìn)行的實(shí)驗(yàn)來看，本發(fā)明實(shí)施例提供的人體異常行為檢測方法在提高了檢測速度的情況下，所進(jìn)行的人體異常行為檢測，可獲得94. 5%的識(shí)別準(zhǔn)確率。基于上文所描述的人體行為特征提取系統(tǒng)，下面對(duì)本發(fā)明實(shí)施例提供的人體異常行為檢測系統(tǒng)進(jìn)行描述。所描述的人體異常行為檢測系統(tǒng)可與上文描述的人體異常行為檢測方法對(duì)應(yīng)，兩者可相互參照。圖17為本發(fā)明實(shí)施例提供的人體異常行為檢測系統(tǒng)的結(jié)構(gòu)框圖，該系統(tǒng)可以包括人體動(dòng)作圖像序列提取模塊200，用于依據(jù)背景模型對(duì)視頻圖像序列進(jìn)行前景提取，得出人體動(dòng)作圖像序列；人體行為特征提取系統(tǒng)210，用于從人體動(dòng)作圖像序列中提取出人體行為特征；具體的，人體行為特征提取系統(tǒng)210的結(jié)構(gòu)可如上文所述，可進(jìn)行參照。特征選擇模塊220，用于從人體行為特征中選擇出反映人體行為模式的特征；分類模塊230，用于對(duì)所述反映人體行為模式的特征進(jìn)行分類處理，得出識(shí)別結(jié)
果O其中，人體動(dòng)作圖像序列提取模塊200的結(jié)構(gòu)可如圖18所示，包括初始序列提取單元201，用于采用高斯濾波和背景建模法從視頻圖像序列中刪除背景，提取出初始的人體動(dòng)作圖像序列；序列處理單元202，用于對(duì)所述初始的人體動(dòng)作圖像序列進(jìn)行二值化處理，形態(tài)學(xué)濾波去除噪聲，得到人體動(dòng)作圖像序列。選擇模塊220的結(jié)構(gòu)可如圖19所示，包括主成分分析單元221，用于采用主成分分析法對(duì)所述人體行為特征進(jìn)行降維處理，從所述人體行為特征中選取出反映高階相關(guān)函數(shù)的特征向量；線性判別單元222，用于采用fisher線性判別法對(duì)所述反映高階相關(guān)函數(shù)的特征向量進(jìn)行降維處理，從所述反映高階相關(guān)函數(shù)的特征向量中選取出反映人體行為模式的特
征變量。本說明書中各個(gè)實(shí)施例采用遞進(jìn)的方式描述，每個(gè)實(shí)施例重點(diǎn)說明的都是與其他實(shí)施例的不同之處，各個(gè)實(shí)施例之間相同相似部分互相參見即可。對(duì)于實(shí)施例公開的裝置而言，由于其與實(shí)施例公開的方法相對(duì)應(yīng)，所以描述的比較簡單，相關(guān)之處參見方法部分說明即可。專業(yè)人員還可以進(jìn)一步意識(shí)到，結(jié)合本文中所公開的實(shí)施例描述的各示例的單元及算法步驟，能夠以電子硬件、計(jì)算機(jī)軟件或者二者的結(jié)合來實(shí)現(xiàn)，為了清楚地說明硬件和軟件的可互換性，在上述說明中已經(jīng)按照功能一般性地描述了各示例的組成及步驟。這些功能究竟以硬件還是軟件方式來執(zhí)行，取決于技術(shù)方案的特定應(yīng)用和設(shè)計(jì)約束條件。專業(yè)技術(shù)人員可以對(duì)每個(gè)特定的應(yīng)用來使用不同方法來實(shí)現(xiàn)所描述的功能，但是這種實(shí)現(xiàn)不應(yīng)認(rèn)為超出本發(fā)明的范圍。
結(jié)合本文中所公開的實(shí)施例描述的方法或算法的步驟可以直接用硬件、處理器執(zhí)行的軟件模塊，或者二者的結(jié)合來實(shí)施。軟件模塊可以置于隨機(jī)存儲(chǔ)器(RAM)、內(nèi)存、只讀存儲(chǔ)器(ROM)、電可編程ROM、電可擦除可編程ROM、寄存器、硬盤、可移動(dòng)磁盤、CD-ROM、或技術(shù)領(lǐng)域內(nèi)所公知的任意其它形式的存儲(chǔ)介質(zhì)中。對(duì)所公開的實(shí)施例的上述說明，使本領(lǐng)域?qū)I(yè)技術(shù)人員能夠?qū)崿F(xiàn)或使用本發(fā)明。對(duì)這些實(shí)施例的多種修改對(duì)本領(lǐng)域的專業(yè)技術(shù)人員來說將是顯而易見的，本文中所定義的一般原理可以在不脫離本發(fā)明的精神或范圍的情況下，在其它實(shí)施例中實(shí)現(xiàn)。因此，本發(fā)明將不會(huì)被限制于本文所示的這些實(shí)施例，而是要符合與本文所公開的原理和新穎特點(diǎn)相一致的最寬的范圍。
權(quán)利要求
1.一種人體行為特征提取方法，其特征在于，包括 在每次進(jìn)行立方數(shù)據(jù)更新時(shí)，將預(yù)設(shè)個(gè)數(shù)的圖像幀插入立方數(shù)據(jù)的圖像序列中，及將圖像序列中原來存在的對(duì)應(yīng)預(yù)設(shè)個(gè)數(shù)的圖像幀按照時(shí)間順序刪除出立方數(shù)據(jù)的圖像序列中；其中，所述預(yù)設(shè)個(gè)數(shù)為大于I且不影響人體運(yùn)動(dòng)連續(xù)性的圖像幀的個(gè)數(shù)； 按照預(yù)設(shè)的每次掃描立方數(shù)據(jù)的圖像時(shí)的掩碼模板移動(dòng)的像素?cái)?shù)，對(duì)立方數(shù)據(jù)的圖像進(jìn)行掃描并賦值；其中，所述預(yù)設(shè)的掩碼模板移動(dòng)的像素?cái)?shù)為大于I且不影響人體姿態(tài)和輪廓的像素?cái)?shù)； 提取賦值后的特征，形成人體行為特征。
2.根據(jù)權(quán)利要求I所述的方法，其特征在于，所述預(yù)設(shè)個(gè)數(shù)為3，所述預(yù)設(shè)的掩碼模板移動(dòng)的像素?cái)?shù)為3。
3.根據(jù)權(quán)利要求I或2所述的方法，其特征在于，所述對(duì)立方數(shù)據(jù)的圖像進(jìn)行掃描并賦值包括 采用枚舉法，依據(jù)鄰接表中預(yù)置的立方數(shù)據(jù)中每個(gè)像素與每個(gè)像素的相關(guān)特征的對(duì)應(yīng)關(guān)系，對(duì)立方數(shù)據(jù)中的圖像進(jìn)行掃描； 當(dāng)掃描到一個(gè)像素時(shí)，對(duì)該像素的像素值賦值，將該像素的像素值賦值給與該像素對(duì)應(yīng)的相關(guān)特征；其中，所述相關(guān)特征為與像素對(duì)應(yīng)的圖像高階局部自相關(guān)函數(shù)。
4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述立方數(shù)據(jù)中每個(gè)像素與每個(gè)像素相關(guān)特征的對(duì)應(yīng)關(guān)系的預(yù)置過程包括 確定立方數(shù)據(jù)中每個(gè)像素的相關(guān)特征的維數(shù)編號(hào)； 設(shè)置每個(gè)像素與每個(gè)像素的相關(guān)特征的維數(shù)編號(hào)的對(duì)應(yīng)關(guān)系。
5.一種人體行為特征提取系統(tǒng)，其特征在于，包括 立方數(shù)據(jù)更新模塊，用于在每次進(jìn)行立方數(shù)據(jù)更新時(shí)，將預(yù)設(shè)個(gè)數(shù)的圖像幀插入立方數(shù)據(jù)的圖像序列中，及將圖像序列中原來存在的對(duì)應(yīng)預(yù)設(shè)個(gè)數(shù)的圖像幀按照時(shí)間順序刪除出立方數(shù)據(jù)的圖像序列中；其中，所述預(yù)設(shè)個(gè)數(shù)為大于I且不影響人體運(yùn)動(dòng)連續(xù)性的圖像幀的個(gè)數(shù)； 掃描賦值模塊，用于按照預(yù)設(shè)的每次掃描立方數(shù)據(jù)的圖像時(shí)的掩碼模板移動(dòng)的像素?cái)?shù)，對(duì)立方數(shù)據(jù)的圖像進(jìn)行掃描并賦值；其中，所述預(yù)設(shè)的掩碼模板移動(dòng)的像素?cái)?shù)為大于I且不影響人體姿態(tài)和輪廓的像素?cái)?shù)； 提取模塊，用于提取賦值后的特征，形成人體行為特征。
6.根據(jù)權(quán)利要求5所述的系統(tǒng)，其特征在于，所述預(yù)設(shè)個(gè)數(shù)為3，所述預(yù)設(shè)的掩碼模板移動(dòng)的像素?cái)?shù)為3。
7.根據(jù)權(quán)利要求5或6所述的系統(tǒng)，其特征在于，所述掃描賦值模塊包括 掃描單元，用于采用枚舉法，依據(jù)鄰接表中預(yù)置的立方數(shù)據(jù)中每個(gè)像素與每個(gè)像素的相關(guān)特征的對(duì)應(yīng)關(guān)系，對(duì)立方數(shù)據(jù)中的圖像進(jìn)行掃描； 賦值單元，用于在所述掃描單元掃描到一個(gè)像素時(shí)，對(duì)該像素的像素值賦值，將該像素的像素值賦值給與該像素對(duì)應(yīng)的相關(guān)特征；其中，所述相關(guān)特征為與像素對(duì)應(yīng)的圖像高階局部自相關(guān)函數(shù)。
8.根據(jù)權(quán)利要求7所述的系統(tǒng)，其特征在于，還包括 編號(hào)確定模塊，用于確定立方數(shù)據(jù)中每個(gè)像素的相關(guān)特征的維數(shù)編號(hào)；對(duì)應(yīng)關(guān)系設(shè)置模塊，用于設(shè)置每個(gè)像素與每個(gè)像素的相關(guān)特征的維數(shù)編號(hào)的對(duì)應(yīng)關(guān)系O
9.一種異常行為檢測方法，其特征在于，包括 依據(jù)背景模型對(duì)視頻圖像序列進(jìn)行前景提取，得出人體動(dòng)作圖像序列； 從人體動(dòng)作圖像序列中提取出人體行為特征； 從人體行為特征中選擇出反映人體行為模式的特征； 對(duì)所述反映人體行為模式的特征進(jìn)行分類處理，得出識(shí)別結(jié)果； 其中，所述從人體動(dòng)作圖像序列中提取出人體行為特征的過程具體為權(quán)利要求I至4任一項(xiàng)所述的方法。
10.根據(jù)權(quán)利要求9所述的方法，其特征在于，所述依據(jù)背景模型對(duì)視頻圖像序列進(jìn)行前景提取，得出人體動(dòng)作圖像序列包括 采用高斯濾波和背景建模法從視頻圖像序列中刪除背景，提取出初始的人體動(dòng)作圖像序列； 對(duì)所述初始的人體動(dòng)作圖像序列進(jìn)行二值化處理，形態(tài)學(xué)濾波去除噪聲，得到人體動(dòng)作圖像序列。
11.根據(jù)權(quán)利要求9或10所述的方法，其特征在于，所述從人體行為特征中選擇出反映人體行為模式的特征包括 采用主成分分析法對(duì)所述人體行為特征進(jìn)行降維處理，從所述人體行為特征中選取出反映高階相關(guān)函數(shù)的特征向量； 采用fisher線性判別法對(duì)所述反映高階相關(guān)函數(shù)的特征向量進(jìn)行降維處理，從所述反映高階相關(guān)函數(shù)的特征向量中選取出反映人體行為模式的特征變量。
12.—種異常行為檢測系統(tǒng)，其特征在于，包括 人體動(dòng)作圖像序列提取模塊，用于依據(jù)背景模型對(duì)視頻圖像序列進(jìn)行前景提取，得出人體動(dòng)作圖像序列； 如權(quán)利要求5至8任一項(xiàng)所述的人體行為特征提取系統(tǒng)，用于從人體動(dòng)作圖像序列中提取出人體行為特征； 特征選擇模塊，用于從人體行為特征中選擇出反映人體行為模式的特征； 分類模塊，用于對(duì)所述反映人體行為模式的特征進(jìn)行分類處理，得出識(shí)別結(jié)果。
13.根據(jù)權(quán)利要求12所述的系統(tǒng)，其特征在于，所述動(dòng)作圖像序列提取模塊包括 初始序列提取單元，用于采用高斯濾波和背景建模法從視頻圖像序列中刪除背景，提取出初始的人體動(dòng)作圖像序列； 序列處理單元，用于對(duì)所述初始的人體動(dòng)作圖像序列進(jìn)行二值化處理，形態(tài)學(xué)濾波去除噪聲，得到人體動(dòng)作圖像序列。
14.根據(jù)權(quán)利要求12或13所述系統(tǒng)，其特征在于，所述特征選擇模塊包括 主成分分析單元，用于采用主成分分析法對(duì)所述人體行為特征進(jìn)行降維處理，從所述人體行為特征中選取出反映高階相關(guān)函數(shù)的特征向量； 線性判別單元，用于采用fisher線性判別法對(duì)所述反映高階相關(guān)函數(shù)的特征向量進(jìn)行降維處理，從所述反映高階相關(guān)函數(shù)的特征向量中選取出反映人體行為模式的特征變量。
全文摘要
本發(fā)明實(shí)施例提供一種人體行為特征提取方法、系統(tǒng)及異常行為檢測方法和系統(tǒng)；其中人體行為特征提取方法可以包括在每次進(jìn)行立方數(shù)據(jù)更新時(shí)，將預(yù)設(shè)個(gè)數(shù)的圖像幀插入立方數(shù)據(jù)的圖像序列中，及將圖像序列中原來存在的對(duì)應(yīng)預(yù)設(shè)個(gè)數(shù)的圖像幀按照時(shí)間順序刪除出立方數(shù)據(jù)的圖像序列中；其中，所述預(yù)設(shè)個(gè)數(shù)為大于1且不影響人體運(yùn)動(dòng)連續(xù)性的圖像幀的個(gè)數(shù)；按照預(yù)設(shè)的每次掃描立方數(shù)據(jù)的圖像時(shí)的掩碼模板移動(dòng)的像素?cái)?shù)，對(duì)立方數(shù)據(jù)的圖像進(jìn)行掃描并賦值；其中，所述預(yù)設(shè)的掩碼模板移動(dòng)的像素?cái)?shù)為大于1且不影響人體姿態(tài)和輪廓的像素?cái)?shù)；提取賦值后的特征，形成人體行為特征。
文檔編號(hào)G06K9/46GK102902972SQ20121034173
公開日2013年1月30日 申請(qǐng)日期2012年9月14日 優(yōu)先權(quán)日2012年9月14日
發(fā)明者劉杰, 陳鵬, 吳磊, 武德安, 馮江遠(yuǎn), 夏云霓 申請(qǐng)人:成都國科海博計(jì)算機(jī)系統(tǒng)有限公司