[发明专利]基于多摄像头下的行为识别影像分析系统

说明书

本发明公开了一种基于多摄像头下的行为识别影像分析系统。本发明针对多个场景，每个场景为一个独立的空间场地，在此空间场地布设的所有摄像头多角度拍摄同一物体和人的多个侧面，每个场景对应一个路由器；其中的图像预处理、场景对比、特征提取和数据融合在各个场景的路由器中完成，而数据合并和事件判断在服务器端完成。本发明获得了含场景全景特征的数据，避免由于拍摄角度问题、遮挡问题导致的判断失误。同时本发明在最终异常事件判断中，采用多个场景数据合并判断，以在更高的层面把握不同分场景下的事件发生的关联度，为后续异常行为的及时发现，以及事后分析异常行为发生的原因和产生的影响提供依据。

技术领域

本发明涉及一种新型的影像分析系统，特别涉及多摄像头下的异常行为识别影像分析系统。

背景技术

随着人工智能技术的发展，利用图像处理、计算机视觉、机器学习等技术来实现对于视频数据的筛选分析，突破传统视频监控系统的局限性，实现对视频影像的智能分析和异常事件的主动检测、实时预警，对于开拓新的应用和商业领域有重要的应用价值。

常见的异常事件检测方法主要有：基于分类的异常事件检测模型、基于最近邻的异常事件检测模型、基于聚类的异常事件检测模型、基于统计的异常事件检测模型、基于信息理论的异常事件检测模型等。这些分类方法本质上都是利用人工智能的方法对视频中的行为特征进行抓取。常规的视频影像异常事件检测过程常分为四个基本步骤：图像预处理、行为特征抓取和异常事件判断。其中行为特征抓取主要通过多层卷积神经网络，将图像视频特征层层抽象，最后组合，获得不同分类对象的特征特点。

不同于静态图片特征抓取，一个视频流中的行为特征抓取，需要空间特征和时间流特征两个方面共同入手。空间方面，识别人物和基本姿势，时间流方面，抓住姿态的变化过程特征，判断视频连续帧之间的运动相关性。

目前市面上常用的异常行为分析方法，多是针对单个摄像头的视频，分别提取运动、尺寸以及纹理三个不同的特征，并运用不同的方法分别对三个特征进行建模。

上述算法在检测异常事件上表现良好，但是仍存在着以下问题：

1.算法只针对单一的视频流来进行运动特征的抓取，容易失去整个场景全方位的信息，同时无法判断是摄像头在移动还是物体在移动，容易造成误判，运动过程中出现遮挡时，误判率更加大大增加；

2.该算法没有考虑多个摄像头在不同位置采集到的数据的空间相关性和时间上的关联度，导致模型精度下降。

发明内容

针对上述问题，本发明公开了一种基于多摄像头的监控视频异常事件检测系统。

本发明采用多摄像头多角度抓取人和物，并将数据汇集到路由器，通过路由器端的数据处理模块，进行特征抓取，有效避免由于遮挡等因素导致的行为识别误判率。同时不同路由器将数据汇集到后端服务器，利用服务器的强大数据处理能力，对数据进行合并和分类判断。由于服务器汇集了不同场景的数据集，实际上是在更高层面的行为判定，可以实现类似基于常识的语义逻辑来判断行为，进一步降低行为判断的错误率。

本发明解决其技术问题采用的技术方案步骤如下：

基于多摄像头的异常行为识别影像分析系统是一套基于异常行为识别的分布式系统，其由分布式路由器端和服务器端完成影像分析系统。

在其中的分布式路由器端执行以下程序：

图像预处理。读取监控视频流作为输入，进行降噪、灰度化等特征提取前的预处理工作。

场景对比。对同一时间，来至于不同摄像头的视频图像进行对比，利用差分算法，强化图像中特征不一致的地方。

特征提取。对场景中的不同摄像头在同一时间的视频图像进行统一的特征提取，得到每一帧图像的特征。