[发明专利]一种基于机器学习的监控视频暴恐行为识别方法

说明书

本发明提出了一种基于机器学习的监控视频暴恐行为识别方法，首先通过HARRIS角点检测特征提取法和方向特征直方图特征提取法提取人体行为作特征提取，将融合后的特征作优化处理，再通过降维算法整定各融合特征，去除冗余信息，将处理好的融合特征输入支持向量机SVM机器学习分类器作分类运算判定监控视频中的人员行为是否为暴恐行为。帮助人们在决策融合策略中，便于使用不同的分类器对特征向量进行分类，并建立最合适的决策将输入动作分类为暴恐或非暴恐。

技术领域

本发明涉及一种基于人工智能技术领域，尤其涉及一种基于机器学习的监控视频暴恐行为识别方法。

背景技术

视频监控越来越多地应用于日常生活中。它主要涉及提高人类的安全，是一个重要的工具，实时监测目标区域中人们的行为，实时识别他们的行为分类和安全系数，这可以帮助预防、发现和减少犯罪。目前，在公共场所的人身安全监控系统中，暴力场景的检测受到了极大的关注。

然而，正在使用的照相机的数目增加了，监控视频监控所需的操作员和监督员的数量增加了。但是，摄像机捕捉到的视频数据量与人类方便分析视觉信息的倾向之间存在着巨大的差距，而且这种差距还在不断扩大。只有单纯的视频存储，而没有实时的视频结构化监测系统，那么某些暴恐事件和可疑的行为就会被忽视，难以做到预防和及时响应措施。所以，我们发明出了一种基于机器学习的监控视频暴恐行为识别方法，通过摄像头获取目标区域的监控视频，并将视频实时通过机器学习算法得到的暴恐行为检测模型作分类处理，从而实时又准确的识别监控视频中的暴恐行为。

发明内容

为了解决监控视频实时识别暴恐行为的难题，本发明提供了一种基于机器学习的监控视频暴恐行为识别方法，该方法为一种人工智能实时检测识别方法，实时提取监控视频中人体行为的特征值，将不同方面的特征融合后，运用机器学习分类器作暴恐行为分类，为智能安防提供有力支撑。

为了实现上述目的，本发明采用以下技术方案：

一种基于机器学习的监控视频暴恐行为识别方法，包括以下步骤：

实时获取监控视频，通过HARRIS角点检测特征提取法和方向特征直方图特征提取法对视频中的人体行为作特征提取后，再作特征融合；

对融合后的特征作优化处理，本发明使用降维算法整定各融合特征，去除冗余信息；

将处理好的融合特征输入支持向量机(SVM)机器学习分类器作分类运算判定监控视频中的人员行为是否为暴恐行为。

本发明具有以下积极的有益效果：本发明能够有效的实时识别监控视频中的暴恐行为，采用人工智能机器学习的高效算法。实验证明了方法的有效性和先进性。该发明通过两种不同的图像处理方法提取监控视频帧中的行为特征，再将两种特征矩阵融合并降维处理，最后输入机器学习支持向量机SVM分类器作行为分类。本发明合理运用人工智能方法，填补了监控视频实时检测识别暴恐行为的技术空白。

附图说明

图1是本发明一种基于机器学习的监控视频暴恐行为识别方法的算法流程图。

具体实施方式

为了使公众能充分了解本发明的技术实质和有益效果，申请人将在下面结合附图对本发明的具体实施方式详细描述，但申请人对实例的描述不是对技术方案的限制，任何依据本发明构思作形式而非实质的变化都应当视为本发明的保护范围。

如图1所示，本发明的一种基于机器学习的监控视频暴恐行为识别方法,包括如下步骤：

(1)实时获取监控视频，通过HARRIS角点检测特征提取法和方向特征直方图特征提取法，共两种方法，分别对视频中的人体行为作特征提取后，将这两种方法提取的特征作特征融合。下面分别说明特征提取方法的步骤：

HARRIS角点检测特征提取法