[发明专利]线性区别判定优化HMM算法的ATM人体异常行为检测方法

摘要

本发明公开了一种线性区别判定优化HMM算法的ATM人体异常行为检测方法，该方法首先在ATM监控视频中采用Hu矩阵提取人体特征，然后采用K均值算法进行聚类，得到两组特征矢量，并对其进行标准化处理；之后计算两组特征矢量的协方差矩阵，并对两组特征矢量进行线性组合，得到其典型变量；然后构建线性区别判定模型，并求解得到线性投影矩阵，得到线性区别判定矢量；最后将线性区别判定矢量作为HMM模型的观察序列进行训练和识别。本发明能根据特征矢量之间的线性区别判定结果，降低人体异常检测的误差；通过标准化处理特征向量，优化特征矢量之间的非均衡性缺陷。

主权项

一种线性区别判定优化HMM算法的ATM人体异常行为检测方法，其特征在于，包括以下步骤：(1)采集ATM监控视频。(2)采用Hu矩阵对ATM监控视频提取人体特征，并采用K均值算法进行聚类，得到两组特征矢量M＝(m₁,m₂,...,m_i)和N＝(n₁,n₂,...,n_j)；其中，i为特征矢量M的元素的个数，j为特征矢量N的元素的个数。(3)考虑到两组特征矢量M和N各分量之间存在非均衡性的缺陷，在特征提取之后，对特征矢量M和N分别做如下的标准化处理：$M^{*}=\frac{M-{\mathrm{\η}}_m}{{\mathrm{\μ}}_m}---\left(1\right)$$N^{*}=\frac{N-{\mathrm{\η}}_n}{{\mathrm{\μ}}_n}---\left(2\right)$其中，η_m为训练样本M的均值向量，η_n为训练样本N的均值向量；μ_m为训练样本M的标准差向量在各个分量上的均值，μ_n为训练样本N的标准差向量在各个分量上的均值；M^*为特征矢量M经过标准化处理后的特征矢量，N^*为特征矢量N经过标准化处理后的特征矢量。(4)计算两组特征矢量M^*和N^*的协方差矩阵cov(M^*,N^*)，并对两组特征矢量进行线性组合，得到其典型变量X、Y：$\left\{\begin{array}{c}X={\mathrm{\αM}}^{*}\\ Y={\mathrm{\βN}}^{*}\end{array}\right.---\left(3\right)$其中α＝(α₁,α₂,...,α_i)，β＝(β₁,β₂,...,β_j)分别为非零常系数向量。(5)计算得到变量X、Y之间的线性区别判定模型其中，ξ为线性区别判定系数，为值为[0，1]之间的误差修正值，avg(·)为取平均值操作。(6)利用拉格朗日乘数法求得非零常系数向量α、β：$\left\{\begin{array}{c}{U}_1\mathrm{\α}=v^2\mathrm{\α}\\ U_2\mathrm{\β}=v^2\mathrm{\β}\end{array}\right.---\left(5\right)$其中，v为拉格朗日乘子，U₁为非零常系数向量α的特征根，U₂为非零常系数向量β的特征根。(7)根据式(5)计算得到的特征根U₁、U₂和非零常系数向量α、β，取其前t对α、β构成线性投影矩阵。(8)将特征矢量M^*和N^*分别向t个投影方向进行投影，得到t维的线性区别判定矢量P和Q。(9)将线性区别判定矢量作为HMM模型的观察序列进行训练和识别，最终得到人体异常行为识别结果。