劉藝航 王梓 王婧琦 謝慧芳 王迎港

摘要：文章研究了外人入侵異常行為識別及預警方法，并構(gòu)建一種物聯(lián)網(wǎng)智能安防系統(tǒng)原型。通過Camshift智能視頻分析技術(shù)實現(xiàn)動態(tài)目標跟蹤檢測，進行人體行為分析。實驗結(jié)果表明，該模型能使攝像機對入侵狀況進行自主識別，判別準確率達98.52%。

關(guān)鍵詞：物聯(lián)網(wǎng)；目標跟蹤；分層法；人體行為分析

目前的網(wǎng)絡攝像機不能智能、實時地對異常人體行為進行判斷和預警。針對外人入侵中的特征行為表現(xiàn)較為固定、簡單的特點，本文提出一個基于分層方法的人體行為模型框架：只要獲得物理特征層的元素，即可由這些低一層的元素結(jié)合人的先驗知識作為約束條件推導出高一層的元素，以達到人體行為分析的目的。

由于外人入侵中的人體異常行為檢測往往要求具備實時性和準確性，本文采用算法復雜度較低的背景減除法，進行人體目標檢測；采用基于自適應多特征融合的Mean shift和Camshift算法，進行運動目標跟蹤[1-3]。

1 目標檢測

攝像機對監(jiān)控視頻中的內(nèi)容進行智能跟蹤分析，首先需要檢測出前景目標，即在靜止的背景下找到運動的目標[4]。綜合考慮要達到系統(tǒng)要求的實時性，本文采用速度非?？?、檢測精度較高的背景減除法。

利用差分方法對前景目標進行檢測。將當前幀記為I（x，y），背景圖像記為B（x，y），二者的差分記為D（x，y），則D（x，y）= I（x，y）-B（x，y）。前景檢測中的動態(tài)運動目標的圖像如圖1所示。

從圖1可以清楚地觀察到，差分檢測方法能夠準確有效地檢測出在樓宇走廊內(nèi)運動的受試人員，并用橢圓圈住。

2 目標跟除

Meanshift主要采用直方圖核函數(shù)[5]，但是單一依靠顏色特征易將目標與背景混合，且若跟蹤過程中核函數(shù)寬度不能自適應變換，以適應目標大小的變化，就會跟蹤失敗[6]。所以，本文選用了基于視頻圖像多特征融合的自適應Meanshift 算法。

2.1 基于多特征融合的自適應Meanshift算法

由于人體面部的邊緣較為明顯，所以結(jié)合顏色和邊緣作為特征進行人體目標跟蹤，能夠使得前景與背景有效分割開來。每個特征值的權(quán)重采用自適應的函數(shù)方法進行確定，以使跟蹤結(jié)果更為智能準確。

假設目標區(qū)域的中心為y，xi表示第i個像素點，n為目標區(qū)域的像素數(shù)，核函數(shù)帶寬為h，特征空間均勻劃分成m個子區(qū)間。則，目標模型特征的u=1，…，m概率密度分布，如式（1）所示。

2.2 基于Camshift算法的目標跟蹤技術(shù)

該算法是將視頻中所有的視頻幀逐一進行Meanshift運算，并將上一幀中的運算結(jié)果作為當前幀的初始值輸入到該算法中，一直反復迭代，最終達到定位到跟蹤目標中心的目的。

3 仿真實驗

用10-折交叉驗證法對采集樣本進行SVM訓練，得到3組樣本的實驗結(jié)果，如表1所示。

由表1可知，第4組樣本所得到的SVM分類效果較好，訓練樣本組用1 341個訓練樣本對SVM訓練，得到的最優(yōu)參數(shù)Q=2，C=1650，分辨率為98.52%，當參與SVM訓練樣本規(guī)模越大，對未知測試樣本的分類則越準確。

實驗結(jié)果表明，在使用較大樣本數(shù)進行訓練時所獲得的SVM具有較好的分類能力，但是由于一些類別基本行為的樣本所占比例較少，在很大程度上會影響分類結(jié)果的準確率。

系統(tǒng)的仿真實驗結(jié)果，如圖2所示。

從圖2可以看出，本文模型可準確判斷出視頻中人體目標的面積大小，以及當前體態(tài)：行走、下蹲等。

4 結(jié)語

本文利用人體行為分層結(jié)構(gòu)框架，設計實現(xiàn)了一種基于視頻行為識別的智能物聯(lián)網(wǎng)安防原型系統(tǒng)，可自動識別拍攝視頻中的目標行為以及提前預警。在異常行為的目標識別方法上，采用分層結(jié)構(gòu)對目標進行異常行為判斷。由于行為模型的底層條件是較為準確穩(wěn)定的客觀存在的物理元素和數(shù)據(jù)，入侵的異常行為較為固定與簡單，使得該行為識別算法的魯棒性較高，算法復雜度較低，可進行實時判斷，判斷準確率達98.52%。

[參考文獻]

[1]高秀斌.基于MeanShift和粒子濾波算法的動態(tài)目標跟蹤的研究[D].揚州：揚州大學，2013.

[2]袁廣林，薛模根，韓裕生，等.基于自適應多特征融合的meanshift目標跟蹤[J].計算機研究與發(fā)展，2010（9）：1663-1671.

[3]HU M C，CHEN C W，CHENG W H，et al.Real-time human movement retrieval and assessment with kinect sensor[J].IEEE Transactions onCybernetics， 2015（4）：742-753.

[4]何衛(wèi)華.人體行為識別關(guān)鍵技術(shù)研究[D].重慶：重慶大學，2012.

[5]SAHOO S P， ARI S.Automated human tracking using advanced mean shift algorithm[C].Beijing：4th IEEE International Conference onCommunication and Signal Processing， 2015.

[6]劉尚旺，陳平，王統(tǒng)昊.實時語義圖像分割模型研究[J].河南師范大學學報，2016（2）：139-147.