基于贝叶斯网络的人体异常行为检测与识别.docx

基于贝叶斯网络的人体异常行为检测与识别 摘要：使用卡尔曼滤波算法检测视频中的运动目标，并对检测到的行人进行特征提取。采用图像熵、Hu不变矩和长宽比特征，建立贝叶斯网络结构对人体目标进行分类，从而对人的正常行走和倒地、奔跑、挥拳4种行为进行识别。正常行走是正常行为，摔倒、挥拳和奔跑是异常行为。实验结果表明，通过特征提取的贝叶斯网络分类具有较好的实时性，其准确率可达90%。 关键词：行人检测；卡尔曼滤波；贝叶斯网络；特征提取 DOI：10.11907/rjdk.172040 中图分类号：TP306 文献标识码：A文章编号：1672-7800（2018）007-0009-05 Abstract：MovingobjectsinvideoswaredetectedbyKalmanfilteralgorithmandobjectfeatureswareextracted.NaveBayesiannetworkisestablishedtoclassifythefourbehaviorssuchasnormalwalking，thefalling，runningandpunchingbyusingentropy，Humomentinvariantandsymmetryfeatures.Normalwalkingisnormalbehavior.Falling，runningandpunchingareabnormalbehavior.Experimentalresultsshowthatthemethodissimpleandhasgoodreal-timeperformance.Theaccuracycanreach90%. KeyWords：detectionofmovinghuman；KALMANfiltering；Bayesiannetworks；featuresextraction 0引言 随着信息化的发展和科技的进步，人类进入到一个数字信息爆炸时代。如今，数字图像、视频等数字影像信息已广泛应用于生活管理、安全监护等各个方面，大大提高了人们生活质量。特别是随着恐怖袭击和各类安全事件的频发，安全部门开始更多地将注意力集中到智能视频监控领域，以快速检测出监控区域的异常行为，及时推测出可疑的异常行为，从而减少事故发生几率，并对事故进行及时处理。 目前，国内外在异常行为检测方面进行了大量研究。根据不同的目的和功能要求，其检测分类方法也不尽相同。一种是基于模型的方法，该方法通过建立某种准则，从图像上提取相关特征，从而构造分类器进行分类；另一种是基于推测的方法，该方法利用异常行为难定义、易发现等特点通过学习正常模式，从而推断可疑行为。YibingWang等提出基于极端学习机的异常分类算法（L1-NormMinimizationELM）；ASargano等提出基于Hu不变矩的多视觉特征结合支持向量机（SVM）进行分类检测；王威等提出一种基于时空联合特征的支持向量机分类检测算法；Wu等利用PCA进行边缘特征提取，然后用SVM将行为分为正常和异常两类；Vishwakarma等[1-8]提出基于边缘梯度的空间分布方法进行行为识别。 上述方法虽然能对异常行为进行检测和分类，但准确率不高或实时性不好。本文研究一种具有通用性的行人异常行为检测方法，首先采用卡尔曼滤波进行目标检测，然后对检测到的目标进行贝叶斯网络分类，从而对行人姿态实现实时检测与识别分类。 1行人检测与分类方法 行人异常检测与分类系统处理流程如图1所示。采用固定摄像机实时获取视频图像，中央处理单元（可以采用笔记本电脑）对图像进行检测与分类。行人检测采用卡尔曼滤波实现，然后对检测到的障碍物进行特征提取。提取目标的Hu不变矩特征、长宽比和图像熵特征，建立贝叶斯网络对障碍物进行分类，分类结果通过语音进行提示。 1.1卡尔曼滤波障碍物检测方法 卡尔曼滤波检测流程如下： 首先建立系统模型，设定初始参数，读入图像序列；然后读取图像序列中的一帧图像，预处理后产生初始化背景图像；依次读入下一帧图像，采用卡尔曼滤波的背景估计法，通过计算图像中的像素点变化判断该点属于前景或背景图像；然后将前景图像进行连通运算，标记出前景运动目标；计算运动目标面积，面积小于阈值的目标不予标记，将面积大于阈值的目标进行连通运算，标记连通区域得到理想的运动目标；最后使用最小矩形框将运动目标分割出来，以便于后续的分类处理。 1.2基于贝叶斯网络的行人异常分类方法 贝叶斯网络又称为信念网络或有向无环图模型，是一种用于描述变量间不确定性因果关系的图形网络模型，由节点、有向连接和节点概率表组成。贝叶斯分类通过先验分析，得到分类对象的先验概率，再利用贝叶斯公式计算需要分类对象的后验概率，通过选择最大后验概率判断需分类对象的所属类别。 本文设计