1.一种基于视频录像中的异常行为检测算法,其特征在于:包括如下步骤:Step1,针对所提供的视频录像进行前景提取;
Step2,针对Step1处理后的视频录像进行网格化处理;
Step3,对Step2处理后的视频录像进行特征点提取,并且利用光流法进行追踪,得到速度矩阵;
Step4,得到加速度的大小a和方向角β,进而得到加速度矩阵;
Step5,通过分析加速度的方向角,得到相邻两帧图像中同一个微粒不同时刻加速度方向变化所成的角度β′,并通过β′分布的区域得到每个区域内微粒所占比例m;得到的加速度* *
a和占比m分别与之前设置好的a*和m*作对比,如果|a|>|a |且m<m就可以将该点位置判断为是异常行为发生地O1点,即为中心监测点,O1点坐标为(xo1,yo1),a*是提前设置的人群*
正常时的最大加速度,m*是提前设置的对比参数,m
Step6,通过机器学习建立模型,模型是根据经典案例和大量的数据进行训练得到人群*
变化比率标准值ρ;
Step7,首先定义表情变化率为ρn表示人群中表示特征变化程度超过一般值上限的人数,N表示提取的目标人群总的人数,
然后根据经典法对Step2处理后的已经网格化处理过的视频录像进行面部特征提取,*
将提取的面部表情输入Step6建立的模型中得到表情变化率ρ,将ρ与ρ的值做对比,若ρ大*
于ρ则认为该视频中的提取人面部表情的这个区域点O2处于异常,O2点坐标为(xo2,yo2);
Step8,将O2点坐标(xo2,yo2)与O1点坐标(xo1,yo1)进行对比,在一定的误差允许范围内可以认为两点表示的是同一个发生地;
所述的步骤Step1具体包括:
利用帧差分法对前景进行提取,将目标对象和背景区分开;
帧差分法利用相邻帧之间的图像序列进行操作,对图像的像素点的灰度值取绝对值,再通过与阈值进行比较从而得到了运动前景信息,也就实现了前景的提取,相邻帧的图像差分值计算如下
D(x,y,i)=|I(x,y,i+1)‑I(x,y,i)| (1‑1)其中D(x,y,i)表示图像的差分值,I(x,y,i+1)表示第i+1帧的灰度值,I(x,y,i)表示第i帧的灰度值,当图像差分后某一点的像素值大于某一个预设的阈值,此时说明该点是属于前景点,否则属于背景点;
所述的步骤Step2中视频录像网格化处理的步骤具体包括:Step2.1:提取视频在t时刻图像的帧画面,记为Ft;
Step2.2:将整个帧画面按照p1*p2来划分成一系列的小格子;
所述的Step8的具体步骤是:
对Step5和Step7得到的O1(xo1,yo1)和O2(xo2,yo2)两个点坐标进行分析,当O1和O2两个中心监 测点的距离d≤d*时就可以认为这两个中心监测点为同一个位置,
d*表示提前设置好的阈值上限,最终根据O1和O2确定中心点O,O点坐标为(x0,yo)由上确定了异常事件发生点O。
2.根据权利要求1所述的一种基于视频录像中的异常行为检测算法,其特征在于:所述的步骤Step3具体包括:
Step3.1:计算速度大小vt在Step2划分好的小网格的基础上选取某一运动前景目标作为特征提取目标,假设该目标A为一微粒,在t时刻该微粒所在位置像素坐标At为(xt,yt),在经过时间τ,对应t+τ时刻的帧画面Ft+τ的微粒所在位置像素坐标At+τ为(xt+τ,yt+τ);
Step3.1.1:由相邻两帧之间微粒所在位置的坐标关系可知,微粒At水平和垂直方向上的位移分别为(1‑2)、(1‑3):Δx=xt+τ‑xt (1‑2)Δy=yt+τ‑yt (1‑3)根据矢量计算方法可得在t时刻At点的速度大小为利用(1‑4)即可计算出该点该时刻的速度大小vt;
Step3.1.2:近似假设τ为0,因为相邻帧的时间间隔很短可以忽略不计,这样可以将(1‑
4)式简化为(1‑5)的形式
Step3.2:计算速度方向θt利用Step3.1.1中的坐标以及位移(1‑2)和(1‑3)计算得到速度的方向θt,由速度矢量与水平方向的夹角表示,
θt=arctan(Δy/Δx) (1‑6)θt取值范围为[‑π,π]
Step3.3:根据Step3.1和Step3.2的步骤对视频画面帧中的每个特征点都进行一一处理,得到相对应的速度大小矩阵和速度方向矩阵。
3.根据权利要求2所述的一种基于视频录像中的异常行为检测算法,其特征在于:所述的Step4中求得加速度矩阵的步骤如下:Step4.1:计算加速度的大小a在Step3中根据(1‑4)式可以计算出在t时刻At点的速度大小为vt,经过时间τ后再根据(1‑4)式计算得在t+τ时刻At+τ点的速度大小为vt+τ,在时间τ内速度的变化量为Δv=vt+τ‑vt (1‑7)根据加速度的计算公式可得加速度大小为a=Δv/τ (1‑8)又τ可近似忽略不计,所以可以近似认为加速度a=Δv由四边形法则得
且
Step4.2:计算加速度的方向角ββ=arctan(Δvy/Δvx) (1‑11)β取值范围为[‑π,π]
Step4.3:根据Step4.1和Step4.2的步骤对视频画面帧中的每个微粒都进行一一处理,得到相对应的加速度大小矩阵和加速度方向矩阵。
4.根据权利要求1所述的一种基于视频录像中的异常行为检测算法,其特征在于:所述的Step5具体包括如下步骤:
Step5.1:其中a*是提前设置的人群正常时的最大加速度,当a超过a*时表明人群的加速度已经处于异常状态,此时再判断加速度的方向是否处于异常状态;
Step5.2:β’是相邻两帧图像中同一个微粒不同时刻加速度方向变化所成的角度,m是通过β′分布的区域得到每个区域内微粒所占比例;将2π划分为四个象限,每个象限再划分为两个区域,根据当前帧微粒的加速度方向矩阵,统计每个小区间内微粒的数量占总体数*
量的比例mi,当mi大于预先设定的m时说明大部分人群的流动方向是一致的,人群可以看作是处于正常状态的,反之就可以看做是处于异常状态;
Step5.3:当加速度大小和方向均处于异常状态时就可以判断该位置点O1(xo1,yo1)为中心监测点。