[发明专利]一种基于视频的精神病患者异常行为检测方法

说明书

本发明公开了一种基于视频的精神病患者异常行为检测方法，其包括标记训练视集中的运动信息；将标记的运动信息转换为运动矢量场，得到运动能量图像；用Hu矩表示运动能量图像的区域，计算运动能量图像的图像力矩；采用N‑cut聚类算法对图像力矩中的运动特征进行标记，分成正常行为和异常行为；利用标记的正常行为和异常行为训练阈值模型(T‑CRF)；利用训练好的阈值模型(T‑CRF)识别出需检测视频中的异常行为。本发明将视频行为分析运用到精神病患监管中，采用针对人体正常行为的有限状态条件随机场模型。相较于用人工监管排查以及文字性统计等方法，耗时短、失误率低，能有效减少护理工作量，为医生护士提供更准确地病人行为信息，达到更好的监管目的。

技术领域

本发明涉及异常行为识别技术领域，具体涉及一种基于视频的精神病患者异常行为检测方法。

背景技术

精神病是一类原因不明的功能性紊乱的一组疾病。由于受症状的支配及情绪、环境因素的影响，精神病患者多会出现各种异常行为，严重可造成对他人、自身以及其他目标物的破坏伤害等。精神卫生已成为重大的公共卫生问题和突出的社会问题。数据显示，全球精神疾病约占疾病总负担的11％，在2020年或将上升到15％。而在我国，神经精神疾病在疾病总负担中排名首位，形势不容乐观。

近年来，社会各个行业对安全监控的需求越来越高，有力推动了监控技术的发展。结合计算机视觉和机器学习的人类动作检测、运动跟踪、场景建模和行为理解等方面的研究受到了广泛的关注，具有十分广阔和重要的应用领域。

发明内容

针对现有技术的上述不足，本发明提供了一种能有效减少护理工作量的基于视频的精神病患者异常行为检测方法。

为达到上述发明目的，本发明所采用的技术方案为：

提供一种基于视频的精神病患者异常行为检测方法，其包括以下步骤：

S1：用光流法标记训练视集中的运动信息，并去除噪声；

S2：将标记的运动信息转换为基于条件随机场的若干运动矢量场，若干运动矢量场累积得到运动能量图像；

S3：用Hu矩表示运动能量图像的区域，并基于九个方向，分别计算运动能量图像中9个方向的图像力矩；

S4：采用N-cut聚类算法对图像力矩中的运动特征进行标记，并通过支持向量机对标记的特征分成正常行为和异常行为；

S5：在条件随机场中添加正常行为的标签，构建基于条件随机场的阈值模型(T-CRF){A₁，A₂，···，A_n，G}，其中A₁，A₂，···，A_n为不同的异常行为标签，n是标签数量，G为正常行为标签；

S6：利用标记的正常行为和异常行为训练阈值模型(T-CRF)；

S7：采集需检测视频，重复S1-S4，标记出需检测视频中的运动特征；

S9：将标记好的运动特征代入训练好的阈值模型(T-CRF)中，识别出需检测视频中的异常行为。

本发明的有益效果为：本发明将视频行为分析运用到精神病患监管中，采用针对人体正常行为的有限状态条件随机场模型。相较于用人工监管排查以及文字性统计等方法，耗时短、失误率低，能有效减少护理工作量，为医生护士提供更准确地病人行为信息，达到更好的监管目的。

附图说明

图1为基于视频的精神病患者异常行为检测方法的逻辑图。

具体实施方式