[发明专利]一种基于视频特征学习的多要素可疑人员识别方法

权利要求书

1.一种基于视频特征学习的多要素可疑人员识别方法，其特征在于，包括以下步骤：

S1、通过动静态监控设备分别采集静态监控视频S与动态监控视频Q，形成监控视频集合T；对监控视频集合T进行数据处理，获得关键帧集合S_key；

S2、根据筛选所得的关键帧集合S_key提取包含行为主体的前景数据T_pre；

S3、使用慢特征分析法分析前景数据T_pre中静态监控视频部分，得到局部特征中头部姿势变换特征数据D_head与手部姿势变换特征数据D_hand；并提取前景数据T_pre中静态监控视频部分中全局特征中行走异常特征数据D_walk与衣着异常特征数据D_clothes；

S4、根据特征数据：头部姿势变换特征数据D_head、手部姿势变换特征数据D_hand、行走异常特征数据D_walk、衣着异常特征数据D_clothes，从监控视频集合T中获取可疑目标集合A；

S5、计算包含行为主体的前景数据T_pre中静态监控视频部分中可疑目标集合A的路径重复度D_re、人群密集点出现的概率D_p以及监控环境中标志点平均停留时间D_τ；

S6、根据路径重复度D_re、人群密集点出现的概率D_p以及监控环境中标志点平均停留时间D_τ对可疑目标集合A中人员进行异常评判，确定其身份可信指数Auth，最后根据可信因子Ω确定可疑人员，完成可疑人员判定并输出；

步骤S1中对监控视频集合T进行数据处理，具体包括：

S1.1、监控视频T分帧为T＝{T₁，T₂，…，T_n}，灰度化处理后得帧集合B＝{B₁，B₂，…，B_n}；

S1.2、根据P-Hash最佳变换像素32×32块，对帧集合B的每帧图像进行分块，并横向编号，不足以0填充，即帧B_i＝{B_i1，B_i2，…，B_ij}，得到相应的块数据B_ij；

S1.3、根据分块后的块数据B_ij进行DCT变换，并只保留块数据B_ij变换后矩阵B′_ij左上角8×8的数据矩阵D_ij，其中i表示视频序列第i帧，j表示视频帧内第j块；

S1.4、计算矩阵D_ij的平均值当D_ij的值大于用1替换D_ij的值，当D_ij的值小于则用0替换，从而获得块哈希值；

S1.5、以监控视频T的第一帧数据为基准，并根据需求选择τ时间段，分别计算τ时间段内，与第一帧数据对应块哈希值之间的汉明相似度，直到计算完所有对应块之间的相似度得到相似度集合S_a，k＝{S_a，1，S_a，2，…，S_a，k}，其中a表示τ时间段中的第a帧，k表示第a帧的第k块；

S1.6、根据步骤S5的相似度集合S_a，k，计算帧间相似度S_q，动态确定关键帧筛选阈值ρ；

S1.7、综合步骤S1.6中相似度S_q与关键帧筛选阈值ρ，对监控视频集合T进行筛选，采用模糊聚类方法聚合得到高相似度块，从高相似度块任意一帧作为关键帧，聚合所有高相似度块的关键帧集合，得到关键帧集合S_key；

步骤S6具体包括：

用D_P，walk表示可疑人员出现在密集点概率，在基于可信计算的可疑人员身份判定中身份可信指数Auth计算方法如下：

根据可信指数Auth确定可信因子Ω的值，其计算方法如下：

其中N_key为步骤S1中关键帧筛选所得的集合S_key的帧数目，N_T为监控视频T中帧总数；令{Z}的初始为对于集合{A}中每一个元素A_i计算可信指数Auth，若Auth≥Ω，则有：

{z}＝{Z}∪A_i

其中，Z为监控区域内标志点集合；集合{A}为输出的二次筛选所得的可疑人员集合，D_{Z，τ，average}表示出入监控环境的平均时间，D_{Z，re，average}为平均重复路径，D_{Z，p，average}为出现在人群密集点的平均概率，D_τ，walk为可疑人员在监控环境中停留时间，D_re，walk为可疑人员路径重复度。