[发明专利]基于HMM的化工园区异常行为检测方法及系统、装置

说明书

本发明提供一种基于HMM的化工园区异常行为检测方法及系统、装置，所述方法包括以下步骤：将视频中人体运动行为信息进行检测、区分以及跟踪；选取人体步态姿势的观测状态序列，提取运动特征向量作为训练样本，使用训练样本的参数训练HMM模型的关节四元数数据；计算出最有可能产生测试序列的最优的隐藏状态序列，用于识别测试样本的异常行为信息。本发明将三维人体旋转信息进行拓展运用到异常行为识别中，实现了对视频中的连续运动人体行为进行异常识别，并分析了不同特征信息对异常行为识别准确性的影响，验证了三维人体选择数据的有效消息；提高了运动人体行为识别检测的准确性、鲁棒性、快速性，提高了系统性能并降低了系统的计算代价。

技术领域

本发明涉及人体行为检测技术领域，具体而言，涉及一种基于HMM的化工园区异常行为检测方法及系统、装置。

背景技术

近年来，随着信息化网络化技术水平的发展，视觉处理技术逐渐普及到人们的日常工作生活场景中。视觉处理系统是人类用以观测和感知外界的主要工具。当今社会，伴随着计算机处理能力不断地提高，工程师们希望计算机代替人类的双眼和大脑能够像人一样对外界事物、客观世界进行认知、观察以及交互，这便要求计算机具有人类视觉处理系统的几乎所有的能力。由于计算机硬件处理能力不断提高，同时计算机视觉技术也在突飞猛进地发展，这一期望更接近变成现实。计算机视觉技术研究的主要内容是，如何利用计算机视觉技术解决以人为中心的相关问题，包括人体检测与跟踪、人脸识别、人体运动分析等。

在化工园区运动人体行为识别的训练过程中，训练样本通常是在有限制条件的实验条件下采集的，但是，当在现实场景中使用相同方案进行的行为识别时，由于受光照、噪声等环境因素的影响，训练样本不能很好地贴近现实环境，因此行为识别的准确程度以及算法稳健程度会有所下降。除此之外，算法的快速性也受人体运动的复杂程度、特征信息预处理复杂程度所影响。

发明内容

鉴于此，本发明的目的在于提高运动人体行为识别检测的准确性、鲁棒性、快速性，提高系统性能并降低系统的计算代价。

本发明将三维人体旋转信息进行拓展运用到异常行为识别中，使用关节角作为特征参数，结合HMM隐马尔可夫链模型算法，实现了对视频中的连续运动人体行为进行异常识别。

本发明提供一种基于HMM的化工园区异常行为检测方法，包括以下步骤：

S1、将视频中人体运动行为信息进行检测、区分以及跟踪；

S2、选取人体步态姿势的观测状态序列，提取运动特征向量作为训练样本，使用训练样本的参数训练HMM模型的关节四元数数据；

优选地，通过Baum-Welch算法对HMM模型进行训练，对每一种运动行为确定一组经过优化的HMM参数，训练过程中首先对HMM模型中的参数进行初始化，然后利用Baum-Welch算法重新估计HMM模型中的参数，当观测状态序列相对于HMM模型的输出概率变化不再明显时停止迭代；

S3、计算找出最有可能产生测试序列的最优的隐藏状态序列，用于识别测试样本的异常行为信息。

具体地测试样本与训练样本的训练人员完全独立；

具体地，将异常行为的场景设定为重点监控区域以及警戒线附近，参见图7所示，将正常的人体运动行为固定为正常的走路或跑步，与此对应的异常行为设定为跳跃、下蹲等在警戒区范围内不合理或不常见的人体动作行为；

优选地，使用viterb算法，通过测试序列以及训练得到的HMM模型，对测试序列的隐藏状态做出最佳估计，进而得到异常行为帧；

将三维人体旋转信息进行拓展作为参数，使用基于四元数的参数化时间序列并利用最简便的支持向量机的方式进行两种相近运动姿态的识别；