伍 靜，劉德豐，張 松，余旭偉，鐘天揚，陳 飛

(江南大學(xué) 數(shù)字媒體學(xué)院，江蘇 無錫 214122)

0 引 言

傳統(tǒng)的視頻監(jiān)控僅限于視頻的存儲和回放，沒有給用戶實時反饋信息的功能，隨著需求的增長，已經(jīng)不能滿足人們對安全性的要求。20世紀(jì)末以來，視頻監(jiān)控系統(tǒng)經(jīng)歷了從模擬系統(tǒng)、數(shù)字系統(tǒng)到網(wǎng)絡(luò)化系統(tǒng)演進的過程，智能視頻監(jiān)控系統(tǒng)已然發(fā)展成一個較成熟的體系[1-2]。

傳統(tǒng)視頻監(jiān)控技術(shù)只是“笨拙”地記錄信息，需要人工對錄制的視頻進行分析，效率極其低下。而文中設(shè)計的智能視頻監(jiān)控系統(tǒng)，使用圖像處理技術(shù)對被監(jiān)控場景進行理解，結(jié)合適當(dāng)算法對獲取的每一幀圖像進行分析，判斷運動目標(biāo)的行為，自動得出結(jié)論并給用戶提供反饋，提高了監(jiān)控效率。預(yù)警的原理基本都是在服務(wù)器和用戶手機之間建立一個TCP長連接[3]，需要考慮的一個重要問題就是連接的穩(wěn)定性，而系統(tǒng)采用的Zabbix支持分布式監(jiān)控，報警及時，幾乎無報警延遲現(xiàn)象。

目前國內(nèi)已經(jīng)開發(fā)了一些智能視頻監(jiān)控系統(tǒng)，如中國科學(xué)院研發(fā)的Vstar系統(tǒng)[4]、華為智能視頻監(jiān)控平臺。也有很多關(guān)于安防監(jiān)控的優(yōu)秀論文，例如，張璐璐[5]基于TMS320DM368處理器平臺的視頻監(jiān)控終端系統(tǒng)研發(fā)了聲音檢測及告警功能軟件，改進了DTW算法，提高了聲音識別的速度；董坤[6]提出的在較復(fù)雜場景中應(yīng)用的異常行為識別判定算法可以高效準(zhǔn)確地檢測出人體跌倒行為。高泓昱[7]通過網(wǎng)絡(luò)建立標(biāo)準(zhǔn)行為路徑，可以對多種異常行為進行識別和檢測，使系統(tǒng)具有多樣性。而文中設(shè)計的優(yōu)勢在于，分析視頻片段時將視頻檢測和語音識別進行加權(quán)結(jié)合，提高對目標(biāo)行為判斷的準(zhǔn)確率，同時在判斷出運動目標(biāo)有摔倒行為后有向用戶發(fā)送郵件進行報警的功能。

1 系統(tǒng)總體設(shè)計

基于視頻的摔倒檢測智能監(jiān)控系統(tǒng)的實現(xiàn)主要分為四個模塊：服務(wù)器搭建、視頻檢測、語音識別和郵箱告警。系統(tǒng)設(shè)計總體結(jié)構(gòu)如圖1所示，具體包含：

(1)服務(wù)器端:系統(tǒng)運行的最基礎(chǔ)部分，完成視頻數(shù)據(jù)獲取和存儲工作；

(2)視頻檢測:整個系統(tǒng)的核心組成，是郵箱告警的重要依據(jù)；

(3)語音識別:作為視頻檢測的輔助，對最終結(jié)果的分析同樣具有重要作用；

(4)郵箱告警:屬于人機交互范疇，將系統(tǒng)分析出的結(jié)果反饋給用戶。

圖1 系統(tǒng)總體架構(gòu)

2 服務(wù)器搭建

2.1 使用工具

(1)EasyDarwin服務(wù)器。EasyDarwin流媒體平臺解決方案的核心流媒體服務(wù)，開源、高效、穩(wěn)定、可靠、功能齊全，支持RTSP/HLS/HTTP協(xié)議，支持安防行業(yè)需要的攝像機流媒體轉(zhuǎn)發(fā)功能，支持互聯(lián)網(wǎng)行業(yè)需要的多平臺點播、直播功能。

(2)EasyPusher。在服務(wù)器搭建工作中使用EasyPusher_Android客戶端，借用手機攝像頭攝像，完成推流工作。

(3)EasyPlayer與VLC客戶端。兩者可互相替換且均支持多平臺(Windows、Android、IOS)，拉取服務(wù)器端視頻流實現(xiàn)直播功能，低延時、畫面流暢。

(4)MongoDB數(shù)據(jù)庫。MongoDB[8]介于關(guān)系數(shù)據(jù)庫和非關(guān)系數(shù)據(jù)庫之間，可以存儲比較復(fù)雜的數(shù)據(jù)類型,且支持的查詢語言非常強大。MongoDB作為數(shù)據(jù)庫存儲推送后存放在EasyDarwin服務(wù)器的視頻流切片，供后續(xù)視音頻檢測的視頻數(shù)據(jù)庫存儲工作。

服務(wù)器工作流程：客戶端EasyPusher在指定EasyDarwin服務(wù)器所在IP地址將捕獲的視頻流推送至EasyDarwin服務(wù)器；EasyPlayer/客戶端VLC在確定EasyDarwin服務(wù)器所在IP地址后，可拉取EasyDarwin服務(wù)器的視頻流實現(xiàn)直播功能；EasyDarwin服務(wù)器所在IP地址的本機本地存儲視頻流的視頻片段，使用mongo-cxx-driver存儲至MongoDB數(shù)據(jù)庫，以便后續(xù)視頻檢測和語音識別。

2.2 具體實現(xiàn)

首先用Visual Studio編譯出exe可執(zhí)行文件EasyDarwin.exe后啟動EasyDarwin服務(wù)，移動端應(yīng)用EasyPusher_Android設(shè)置相關(guān)參數(shù)，開始視頻流傳輸，實現(xiàn)視頻流從移動端推流至EasyDarwin服務(wù)器，在Easyplayer或者vlc客戶端設(shè)置相關(guān)參數(shù)實現(xiàn)直播。隨后將MongoDB-cxx-driver安裝為Windows服務(wù)，使用GridFS將EasyDarwin服務(wù)器中推流的視頻片段存儲到MongoDB。至此服務(wù)器和數(shù)據(jù)庫工作完成。

3 視頻檢測

系統(tǒng)中的視頻檢測是由運動目標(biāo)檢測跟蹤到運動目標(biāo)的處理再到對圖像進行去噪進而得到預(yù)處理結(jié)果。視頻檢測的流程為：讀取視頻，申請內(nèi)存，轉(zhuǎn)換為單通道(設(shè)定第一幀為背景幀)，高斯濾波平滑圖像，依次讀取對應(yīng)幀與背景相差(獲取運動對象)，檢測對象的高寬比，檢測對象的中心變換斜率。

3.1 運動目標(biāo)的檢測與跟蹤

(1)幀間差分法。

對于從數(shù)據(jù)庫中獲取的視頻內(nèi)容，當(dāng)監(jiān)控場景中出現(xiàn)目標(biāo)物體運動時，幀與幀之間會出現(xiàn)較為明顯的差別，兩幀相減，得到兩幀圖像亮度差的絕對值，再通過閾值等判別形式，進而確定圖像序列中有無物體運動[9]。

幀間差分法的定義如下：

(1)

其中，d表示兩幀間像素灰度差；Th表示閾值。

然而，該方法的效果取決于選擇的幀間時間間隔，一旦物體運動速度過快，而且沒有選取合適的時間間隔，則會導(dǎo)致檢測的物體發(fā)生分離，難以確定運動的形式與先后。如果物體運動的速度過慢，則會使兩幀重疊部分較多，最后識別結(jié)果并不明顯，難以正確區(qū)分全部的運動內(nèi)容。由于運動的老人在行為與速度上的可行性問題，最終決定使用背景減除法來確定運動目標(biāo)的動作行為。

(2)背景減除法。

由于是針對室內(nèi)場景，基于靜止場景運動目標(biāo)檢測的特點，現(xiàn)擬采用基于背景減除法[10-11]的高斯混合模型進行運動目標(biāo)檢測,最終得到目標(biāo)前景圖像。針對室內(nèi)場景靜止的特點，獲取到視頻的第一幀為背景幀，建立對應(yīng)的高斯混合模型，經(jīng)過一系列圖像平滑、二值化以及去噪處理過程之后，通過OpenCV當(dāng)中的庫函數(shù)對獲取的視頻幀依次與背景模型相減，得到運動的目標(biāo)，同時再載入下一張視頻幀，更新數(shù)據(jù)，并進行下一步的判斷與比較。

(2)

式(2)表示將當(dāng)前的每一幀圖像都與背景模型圖像做差，根據(jù)差值的大小對差值結(jié)果圖像進行處理，對偏離背景圖像大的像素點賦值255，并把這些像素點歸屬為前景像素點，對偏離背景圖像較小的像素點賦值0，并把這些像素點歸屬為背景像素點，這樣就得到了幀差圖像。

3.2 運動目標(biāo)的處理

3.2.1 對運動目標(biāo)的分割

(1)基于邊緣檢測的運動目標(biāo)分割:由于圖像在變化區(qū)域的邊緣的像素灰度值會發(fā)生突變，可以通過程序捕捉到這個突變發(fā)生的區(qū)域或者范圍，進而從大體上得到物體的整體輪廓，確定物體的運動范圍與活動形式。

(2)基于閾值的運動目標(biāo)分割:通過對該區(qū)域的直方圖信息進行運算估計，確定相關(guān)的閾值之后，對準(zhǔn)備進行處理的圖像的像素信息與閾值進行一定的運算，取不同的保留量，進而分割出圖像中的運動目標(biāo)。

對于運動目標(biāo)分割的部分，由于基于邊緣檢測的運動目標(biāo)分割對于室內(nèi)場景中那些易受光照陰影影響的部分分割效果并不理想，所以在獲取初始幀后對擬定運動區(qū)域的直方圖進行分析運算，設(shè)定了幾組閾值范圍并且最終選擇了一組較合適的閾值用以分割圖像。

3.2.2 對圖像進行去噪處理

由于處理過后的圖像在光影等外部因素的影響下會在非運動變化區(qū)域內(nèi)產(chǎn)生一定的誤差，現(xiàn)需要對分割后的圖像進行去噪處理。同時，經(jīng)過腐蝕與膨脹的操作，對于那些已經(jīng)獲取的運動目標(biāo)進行更加精確的定位，以及更加細致的量化處理，進而減小在后期識別檢測算法當(dāng)中產(chǎn)生的相對應(yīng)的外部干擾因素，使檢測結(jié)果更加準(zhǔn)確。

3.3 運動目標(biāo)摔倒檢測分析算法

3.3.1 基于運動對象高寬比的摔倒分析檢測算法

由于人體構(gòu)造的既定性，對于人體在攝像頭當(dāng)中的運動模型，其高與寬的比例，不會受到對應(yīng)深度距離的影響?，F(xiàn)擬運動目標(biāo)的高度與寬度之比為一種判斷標(biāo)準(zhǔn)，如果檢測的物體的高寬比在短時間內(nèi)發(fā)生大幅度變化，則視為其運動形式發(fā)生了一定的變化。對于之前獲取到的圖像，根據(jù)二值化后的結(jié)果，對圖像進行分割，進而獲取對應(yīng)運動物體的高度值與寬度值，再將這兩者按照一定的縮放比例進行求比值的操作，其結(jié)果作為判斷標(biāo)準(zhǔn)之一。

不過，該方法對于無遮擋物的場景，效果較為明顯，當(dāng)運動目標(biāo)從一個空曠的地區(qū)行進到一個上方或者下方有遮擋的空間時，其對應(yīng)的運動區(qū)域的高寬比也會發(fā)生驟然變化，進而影響判斷的準(zhǔn)確性，因此需要在此基礎(chǔ)上，添加另一種檢測算法，以確保整體檢測分析的準(zhǔn)確性與可行性。

3.3.2 基于有效面積的運動目標(biāo)摔倒檢測分析算法

規(guī)定有效面積為圖像中檢測得到的運動目標(biāo)的面積與剛好將運動目標(biāo)包含在內(nèi)的最小矩形的面積之比[12]，通過這個比例的值可以大致估計出運動物體在監(jiān)控內(nèi)的肢體運動的幅度與倒地時四肢的放置方式，有助于對相關(guān)運動目標(biāo)運動形式的判斷。其可以定義為：

(3)

其中，EA-Ratio為有效面積比，是二值化處理的圖像矩形框中像素值為1(差分后移動人體部分)的像素個數(shù)，也是整個矩形框所有像素個數(shù)。當(dāng)人體占據(jù)矩形框的大部分面積時，有效面積比大，反之則很小。當(dāng)人做某些健身活動時，寬高比遠大于1，僅靠寬高比判斷是否跌倒就會出現(xiàn)誤判的情形。這時，把有效面積比納入到參考范圍，有效面積比會變小，不符合跌倒后有效面積比和正常情況差不多的事實基礎(chǔ)。

在做基于有效面積的運動目標(biāo)摔倒檢測的過程當(dāng)中，設(shè)定了通過對預(yù)處理后的圖像進行邊緣提取，同時用擬定的曲線方程對運動對象的外部輪廓加一個外接圓，并用其來表示有效面積，經(jīng)過閾值的比較來判斷摔倒事件的觸發(fā)可能性。

3.3.3 基于中心變換率的運動目標(biāo)摔倒檢測分析算法

由于在摔倒的過程中，運動目標(biāo)的整體位置不會發(fā)生太大變化，然而對于整個運動的物體來說，其重心變化過程是在驟然間發(fā)生的[13]。現(xiàn)在可以模擬整個運動目標(biāo)的中心，在突然摔倒的過程中，是從一個較小的值驟然變?yōu)橐粋€趨近于無窮大的量，進而通過這一變量的變化速率來確定物體的運動形式。

設(shè)A、B分別是相鄰兩幀中人體的中心點，定義A和B兩點之間連線的斜率為中心變化率：

(4)

兩中心點間的歐氏距離為：

(5)

當(dāng)人突然下蹲時，理論上斜率是趨于正無窮大的。相反，當(dāng)人摔倒后起身時，人體中心點的距離也會很大，斜率趨于正無窮大。結(jié)合寬高比、有效面積比、中心變化率一起判斷，可以防止對類似動作的誤判。

基于上文提到的高寬比、中心變化率、有效面積等參量，通過有限次數(shù)的試驗，采用五種被賦予不同權(quán)值的參考系數(shù)，高度變化率(單位時間人體框圖高度變化量與其最大值比值的變化)、有效面積比(當(dāng)前人體框圖面積與其最大值的比值)、摔倒序列幀數(shù)(滿足摔倒檢測條件的持續(xù)時間，以其持續(xù)視頻序列的幀數(shù)來表示)、中心變化率(框圖中心變化率)、移動速度(單位時間內(nèi)位置的變化量，以其和框圖寬度的比值量化表示)，通過將它們和相應(yīng)的閾值比較來檢測摔倒，得到表1(參量后面百分比表示權(quán)值百分比，0表示和相應(yīng)閾值比較未滿足摔倒條件，1則表示滿足條件，-表示有的情況滿足有的不滿足)。

表1 人體檢測表

中心變換率可以用來表示運動的突變性，通過對運動軌跡的獲取以及相關(guān)幀率的關(guān)系，以獲取到的中心變換率集中地展示了檢測目標(biāo)的運動趨勢以及在短時間內(nèi)的運動瞬時突變概率。用這一參數(shù)綜合判斷檢測目標(biāo)的運動趨勢。

4 語音識別

為了區(qū)別于現(xiàn)有的視頻監(jiān)控預(yù)警系統(tǒng)，文中的設(shè)計加入了語音識別的功能，旨在輔助判斷目標(biāo)的摔倒行為，使結(jié)果更加精確。

4.1 聲音識別的一般過程

聲音識別技術(shù)主要是通過對采集到的聲音進行特征參數(shù)提取，與詞匯庫作對比，通過模板匹配法得到目標(biāo)聲音和樣本的一致性判斷。聲音的特征提取就是從某段音頻中提取出該類聲音特點的基本特征，并且選取的特征參數(shù)應(yīng)能較準(zhǔn)確地反映聲音的本質(zhì)特征[14]。

4.2 系統(tǒng)中的語音識別

系統(tǒng)調(diào)用了科大訊飛的語音聽寫接口來實現(xiàn)系統(tǒng)的音頻翻譯為文字的功能。語音聽寫是將一段連續(xù)語音快速轉(zhuǎn)換成文字的過程，科大訊飛語音聽寫SDK能識別常見的詞匯、語句，而且不限制說法。程序調(diào)用QISRGetResult()函數(shù)獲取音頻翻譯之后的結(jié)果并賦值給rec_result數(shù)組，并且程序可以自動模擬人說話的時間間隙，使得翻譯出的結(jié)果更精確。但是其目前識別僅支持采樣率為8 K/16 K，采樣精度16位，存儲字序為Little-Endian的單聲道Windows Pcm格式音頻。

為了符合以上要求，系統(tǒng)利用FFmpeg(一種可以轉(zhuǎn)換音頻格式的開源工具)對攝像頭采集到的視頻進行視音頻的分離，并且將音頻轉(zhuǎn)換為16 K采樣位單聲道的wav格式音頻，最后的翻譯效果與音頻內(nèi)容是否清晰也有很大的關(guān)系。

經(jīng)測試，系統(tǒng)對包含“救命”的語句可以做出較準(zhǔn)確的判斷。在語音聽寫代碼的基礎(chǔ)上做出改進:一個漢字占兩個字節(jié)，用rec_result為char數(shù)組名稱，當(dāng)系統(tǒng)檢測到rec_result[0]==-66 && rec_result[1]==-56 && rec_result[2]==-61 && rec_result[3]==-4時，說明被監(jiān)測人發(fā)出了疑似救命的聲音，程序立即反饋給數(shù)據(jù)庫作為后續(xù)郵箱告警的重要依據(jù)。如果檢測到音頻異常，將反饋到MongoDB數(shù)據(jù)庫中更新其音頻一欄的鍵值，再綜合視頻檢測所得結(jié)果分析是否向用戶郵箱發(fā)送告警信息。

5 郵箱告警

Zabbix是基于Server-Client架構(gòu)的一種網(wǎng)絡(luò)監(jiān)視、管理系統(tǒng)，可用于監(jiān)視各種網(wǎng)絡(luò)服務(wù)、服務(wù)器和網(wǎng)絡(luò)機器等狀態(tài)。系統(tǒng)中的Zabbix在Ubuntu16.04環(huán)境下配置，主要安裝過程為安裝Apache、MySQL和PHP7.0，編輯php.ini文件，安裝好Zabbix服務(wù)端后進行客戶端的配置。對數(shù)據(jù)庫進行root授權(quán)，修改Zabbix_server.conf配置文件，并重啟Zabbix-server服務(wù)，最后用Linux命令行給用戶發(fā)送郵件。

圖2是郵箱報警的過程圖，需結(jié)合視頻檢測和語音識別兩個結(jié)果判斷是否報警。由于視頻檢測占分析的主要部分，故設(shè)視頻檢測結(jié)果權(quán)重占80%，語音識別結(jié)果權(quán)重占20%。通過表1可以算出最接近摔倒姿勢的下蹲姿勢的值范圍為0.55～0.8，摔倒姿勢的值范圍為0.8～1.0。視頻檢測結(jié)果經(jīng)表1轉(zhuǎn)換后即變?yōu)橛脭?shù)字表示老人摔倒的可能性大小，而語音識別的結(jié)果只有兩種可能性，即聲音異常(識別結(jié)果為1)與聲音不異常(識別結(jié)果為0)。將視頻和音頻所得結(jié)果相加(乘以各自所占權(quán)重)，若值大于0.6，則立即向用戶郵箱發(fā)送告警消息。

圖2 郵箱告警流程

例如：當(dāng)視頻檢測到被監(jiān)視目標(biāo)摔倒的可能性為0.55，聲音檢測為異常，此時系統(tǒng)所得結(jié)果為0.55×0.8+1×0.2=0.64，系統(tǒng)應(yīng)向用戶報警。

6 在線測試

6.1 語音識別部分

語音識別測試用時長7 s，采樣率16 K，比特率256 kbps的wav格式音頻，當(dāng)檢測到漢字“救命”時輸出“bingo!”。

6.2 郵箱告警部分

圖3為Zabbix向用戶發(fā)送告警郵件的示意圖，其發(fā)送郵件的命令為：echo "zabbix test mail" |mail -s "zabbix" user@qq.com。

圖3 Zabbix向用戶發(fā)送郵件測試圖

6.3 視頻檢測部分

為驗證系統(tǒng)性能，選用半球攝像機在光線充足、噪聲較小的室內(nèi)環(huán)境進行設(shè)備的在線測試，攝像機分辨率是800*480，并在Matlab軟件下運行人體運動目標(biāo)檢測程序。鑒于上文所描述的三種摔倒檢測算法，現(xiàn)對實驗案例中的四組視頻進行相應(yīng)的定量分析，每段檢測的視頻大約40 s。首先設(shè)定高度變化的閾值、檢測摔倒的速度閾值、檢測摔倒中心變化率、檢測摔倒有效面積比四個變量，用以記錄比較從視頻中獲取的有效面積、重心、中心變化率、高寬比檢測信息。

在視頻中對整個視頻進行抽幀、二值化處理，獲取到對應(yīng)幀當(dāng)中的二值圖像，在二值圖像中，設(shè)定一組內(nèi)接于差分圖像的橢圓，根據(jù)橢圓面積公式不斷刷新不同幀時對應(yīng)的橢圓面積來表示檢測對象的實時有效面積，并對兩組有效面積的比設(shè)定了一組閾值，用以確定有效面積的突變情況。

在圖像中，取有效面積的中心點來設(shè)定該檢測對象的中心位置。根據(jù)不同幀的檢測對象的中心位置變化的速率對其中心變化率進行計算[15]，同時與經(jīng)過實驗設(shè)定的閾值進行比較，從而判斷檢測對象的運動趨勢是否為突變行為。

實驗結(jié)果表明，系統(tǒng)可以有效測出人體的靜坐、直立行走、下蹲、摔倒等動作。圖4即為輸出的人體下蹲和摔倒行為檢測圖。但是也發(fā)現(xiàn)，由于逐幀相減法對一些非關(guān)注檢測目標(biāo)的抗干擾性有一定的局限性，所以若視頻的拍攝環(huán)境存在倒影、光照或者移動物體，將會影響測試結(jié)果。

圖4 人體下蹲和摔倒行為檢測圖

7 結(jié)束語

文中改進了智能攝像頭監(jiān)控系統(tǒng)并且基本實現(xiàn)了通過智能算法判斷出視頻中的檢測目標(biāo)有摔倒行為，能夠較準(zhǔn)確地翻譯出測試環(huán)境中的聲音。系統(tǒng)各個模塊都可以獨立進行工作。但是系統(tǒng)也存在一定局限并且尚有一些細節(jié)未完成，如在視頻檢測中，人體走動或者自然光照射角度引起的光影變化會使最終判斷結(jié)果出現(xiàn)誤差，并且被監(jiān)測目標(biāo)不能被物體遮擋；在語音檢測中，識別語言只能為普通話。

目前，基于視頻的摔倒檢測監(jiān)控預(yù)警系統(tǒng)的研究仍處于實驗階段，在未來的研究中，為了使該視頻監(jiān)控

預(yù)警系統(tǒng)盡快走向?qū)嵱?，需要做進一步的探索：改進視頻檢測算法，使系統(tǒng)能在目標(biāo)人物被其他物體遮擋時也能準(zhǔn)確判斷目標(biāo)行為；單個攝像機的視野有局限性，可以嘗試用多個攝像頭監(jiān)視同一個場景提高目標(biāo)行為識別的準(zhǔn)確率；豐富語音識別的功能，使系統(tǒng)不僅能將聲音翻譯為文字，也能較準(zhǔn)確地判斷聲音來源。

參考文獻:

[1] 黃凱奇，陳曉棠，康運鋒，等.智能視頻監(jiān)控技術(shù)綜述[J].計算機學(xué)報，2015,38(6):1093-1118.

[2] 黃鐵軍，鄭 錦，李 波，等．多媒體技術(shù)研究:2013—面向智能視頻監(jiān)控的視覺感知與處理[J].中國圖象圖形學(xué)報，2014，19(11)：1539-1562．

[3] 肖春光.使用消息推送技術(shù)發(fā)布預(yù)警信息[J].信息技術(shù)與信息化,2015(8)：103-104.

[4] HUANG Kaiqi,TAN Tieniu.Vs-star:a visual Interpretation system for visual surveillance[J].Pattern Recognition Letters,2010,31(14):2265-2285.

[5] 張璐璐.視頻監(jiān)控終端系統(tǒng)聲音檢測及告警功能軟件設(shè)計[D].杭州：浙江大學(xué),2013.

[6] 董 坤.視頻監(jiān)控中運動人體檢測與異常行為分析研究[D].南京:南京郵電大學(xué)，2013.

[7] 高泓昱.基于網(wǎng)絡(luò)傳輸算法的多攝像頭行為識別和事件檢測[D].上海：上海交通大學(xué)，2013.

[8] DIROLF K C M.Mongo-DB:the definitive guide[M].北京：人民郵電出版社,2011.

[9] DAVID C,GUI V.Automatic background subtraction in a sparse representation framework[C]//Proceedings of the systems,signals and image processing.[s.l.]:[s.n.],2013:63-66.

[10] BENEZETH Y,JODOIN P M,EMILE B,et al.Review and evaluation of commonly-implemented background subtraction algorithms[C]//19th international conference on pattern recognition.[s.l.]:[s.n.],2008:1-4.

[11] 黃源源.視頻監(jiān)控系統(tǒng)中一些關(guān)鍵技術(shù)的研究[D].成都：電子科技大學(xué)，2013.

[12] WREN C R,AZARBAYEJANI A,DARRELL T,et al.Real-time tracking of the human body[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1997,19(7):780-785.

[13] 左常玲.基于視頻的自動摔倒檢測研究與實現(xiàn)[D].合肥:安徽大學(xué),2012.

[14] 馮 哲.基于內(nèi)容的視頻檢索中的音頻處理[D].上海：復(fù)旦大學(xué)，2004.

[15] 胡 瓊，秦 磊，黃慶明.基于視覺的人體動作識別綜述[J].計算機學(xué)報，2013,36(12)：2512-2524.