[发明专利]一种基于视频录像中的异常行为检测算法

说明书

本发明涉及一种基于视频录像中的异常行为检测算法，属于智能视频检测预警领域。本发明首先将视频进行前景提取并对人群进行网格划分，利用光流法计算速度矩阵进而得到加速度矩阵，再根据加速度的大小和方向来确定人群异常的中心监测点；然后再利用机器学习进行人群中人脸的面部特征提取；最后根据机器学习训练得到的阈值对照已经识别到的中心监测点进行检测，进而判断出该中心检测点的人群是否正处于异常行为。如果检测出人群中发生了暴击，聚众闹事以及类似危险性事件等异常行为时，视频监测就会对此进行报警。本发明不仅克服了由于异常行为情况复杂难以进行检测的问题，而且还在一定程度上能够预测出异常行为的发生。

技术领域

本发明涉及一种基于视频录像中的异常行为检测算法，属于智能视频检测预警技术领域。

背景技术

随着社会的不断发展，很多人群聚集的场所容易产生安全问题，比如暴力安全问题，聚众斗殴以及抢劫等各种事件都是存在的安全隐患。因此视频监控就成为保证公共场所安全必不可少的设备，视频监控系统的存在在一定程度上减少了时间发生的概率，但是同样耗费人力物力，需要工作人员不定时地观看视频进而才能发现事件发生的地点。

发明内容

本发明要解决的技术问题是提供一种基于视频录像中的异常行为检测算法，提供了一种合理、实时性好、精确度高的筛选方案，不仅克服了监控范围广，异常行为模式复杂难以进行检测的问题，而且还在一定程度上能够预测出异常行为的发生，可以起到报警的作用，提高监控的适用范围和作用。

本发明采用的技术方案是：一种基于视频录像中的异常行为检测算法，包括如下步骤：

Step1，针对所提供的视频录像进行前景提取；

Step2，针对Step1处理后的视频录像进行网格化处理；

Step3，对Step2处理后的视频录像进行特征点提取，并且利用光流法进行追踪，得到速度矩阵；

Step4，得到加速度的大小a和方向角β，进而得到加速度矩阵；

Step5，通过分析加速度的方向角，得到相邻两帧图像中同一个微粒不同时刻加速度方向变化所成的角度β′，并通过β′分布的区域得到每个区域内微粒点所占比例m；得到的加速度a和占比m分别与之前设置好的a*和m*作对比，如果|a|＞|a^*|且m＜m^*就可以将该点位置判断为是异常行为发生地O₁点，即为中心监测点，O₁点坐标为(x_o1,y_o1)，a*是提前设置的人群正常时的最大加速度，m*是提前设置的对比参数，m＜m^*时说明人群没有一个确定的加速度方向，处于杂乱无章的状态，不存在异常行为；

Step6，通过机器学习建立模型，模型是根据经典案例和大量的数据进行训练得到人群变化比率标准值ρ^*；

Step7，首先定义表情变化率为ρ

n表示人群中表示特征变化程度超过一般值上限的人数，N表示提取的目标人群总的人数，

然后根据经典法对Step2处理后的已经网格化处理过的视频录像进行面部特征提取，将提取的面部表情输入Step6建立的模型中得到表情变化率ρ，将出ρ与ρ^*的值做对比，若ρ大于ρ^*则认为该视频中的提取人面部表情的这个区域点O₂处于异常，O₂点坐标为(x_o2,y_o2)；