复杂环境下异常行为检测算法*

于 琨，卫 娟

（河南机电高等专科学校，河南 新乡 453002）

复杂环境下异常行为检测算法*

于 琨，卫 娟

（河南机电高等专科学校，河南 新乡 453002）

针对复杂环境下视频监控滞后严重难以满足预警的问题，提出一种基于计算机视觉技术的复杂环境下异常行为检测算法。该算法首先利用分层背景模型对环境中的行人目标进行检测；其次采用改进的Mean-shift算法对运动目标进行实时跟踪，并在跟踪结果的基础上进行运动目标的异常行为判断。实验结果表明：该算法可以建立复杂环境准确的背景模型，有效地对入侵目标进行检测；可以对跟踪目标进行实时跟踪，有效地对逆行和逗留进行检测。

智能视频监控，异常行为检测，分层背景，Mean-shift算法

0 引言

复杂环境下的视频监控需要同时众多画面排查，并且行人数目多、流动性大［1-3］。传统依靠人工的视频监控很难做到全面实时监控而且报警响应时间长，误报和漏报率高。然而绝大多数的中国视频监控企业依旧停留在系统集成和代理层次，尚没有专门致力于复杂环境的监控系统。

本文根据复杂环境，如客运站、地铁站等城市重点区域的智能视频监控系统建设的需要，提出一种针对复杂环境的异常行为监控算法。首先，在背景模型建立的基础上，算法采用背景差分法快速地从视频图像中获取运动区域；其次，提取目标的加权颜色分布特征作为跟踪目标模型，并利用背景模型和kalman滤波器改进的Mean-shift对运动目标进行跟踪，从而获得目标运动信息；最后，在跟踪结果的基础上对跟踪目标做出入侵、逆行、逗留的预警。

1 异常行为检测算法

本文提出的算法主要分为5步，算法流程如图1所示。

第1步用户指定禁止逗留和入侵区域以及正行方向。第2步对监控区域进行混合高斯背景建模。第3步在建立的监控区域混合高斯背景模型基础上，对运动前景目标进行检测。第4步提取运动区域的加权颜色分布特征，在此特征基础上利用改进的Mean-shift算法对运动目标进行跟踪。第5步在Mean-shift跟踪结果的基础上，根据目标运动的特点对目标可能存在的入侵、逗留、逆行做出预警。

1.1 运动目标检测

其中，Mi表示第i个高斯模型的匹配因子，计算公式如下：

其中，α匹配模型更新率。如果未能找到匹配的高斯分布，根据式（4）修改所有分布的权重。然后利用像素颜色值建立一个新的高斯分布，并用新的高斯分布代替排在末位的高斯分布。

GMM可以解决缓慢关照变化、杂乱背景中的周期性运动，以及相机杂声问题但算法无法消除光照突变和摄像机噪声的影响，且易将缓慢移动的前景目标融入背景［4-5］。本算法首先采用分层的方式组织，将6个高斯模型分为噪声层、背景层和竞争层，并且不同层采用不同的更新策略。其次在各层之间引入晋级和降级机制以纠正可能存在的误判。最后采用基于轮廓检测的噪声滤波实现噪声层更新以消除噪声，并利用基于直方图匹配检测伪前景区域以提高对运动目标的检测能力。

1.2 运动目标跟踪算法

利用局部颜色值加权结果的线性加和代替单一颜色特征可以更好地将目标区域从背景中分离出来，从而降低了相似背景对跟踪效果的影响。

跟踪目标三维颜色空间R3中的n个样本点xi, i=1,…,n。假设跟踪目标中心位于x0，目标色彩分布可描述为：

其中,w（xi）表xi的目标特征像素概率。式（10）右面第1项为常数项，故ρ［p（y），q］的最优y*值由右面第2项决定。采用Mean-shift算法对第2部分进行迭代以寻找最优y值，迭代公式如下：

其中，k表示迭代次数k=1,2,3……。

基于颜色特征的Mean-Shift算法可以实现目标快速定位和跟踪，并且在目标变形、旋转等运动时仍具有较高鲁棒性。但是Mean-Shift算法在目标跟踪过程中没有利用目标运动信息，当周围环境存在干扰或者目标受到遮挡时，Mean-shift算法很难正确对目标进行跟踪。同时Mean-shift算法缺乏对目标模型的更新，当目标的姿态和大小发生变化时，都会使得跟踪目标的颜色信息发生改变，从而导致跟踪结果的偏离甚至丢失［6-9］。本文算法采用一种融合背景建模和Kalman滤波器的Mean-shift对运动目标进行跟踪。首先算法利用跟踪目标特征的直方图对目标概率密度进行快速估计；并在此基础上利用背景建模对目标概率密度进行滤波，减少静止背景中相似部分对Mean-shift算法的影响；其次利用kalman滤波器对目标位置和运动速度进行预测，利用运动速度信息对目标概率密度进行加权；再次算法引入直方图匹配度衡量Mean-shift算法跟踪结果和目标之间的匹配程度，根据匹配度实现kalman预测结果和Mean-shift跟踪结果的融合；最后根据直方图匹配系数实现跟踪目标直方图的更新，保证了在目标的姿态和大小改变时目标直方图的有效性。

1.3 行人异常行为的检测

算法在背景建模、运动目标识别和运动目标跟踪的基础上，实现对复杂环境下行人目标的逗留、入侵和逆行进行有效地鉴别。

1.3.1 行人逗留目标检测

其中，t表示行人目标停留在禁止逗留区域中时间变量；T1表示逗留最大时间阀值；C1表示禁止逗留区域。如果式（12）中的公式计算值为真，表示监控行人目标出现逗留。

1.3.2 行人入侵检测

本文在运动目标分割算法的基础上进行行人目标入侵检测。为了避免由于三维空间投射到二维图像上时空间信息的丢失，本文将地面作为参考平面。通过混合高斯背景模型，本文可以分割出运动行人目标区域Q，行人入侵检测公式如下：

其中，xQb表示行人目标区域的下边界垂直坐标；yQc表示行人目标区域的中心水平坐标；C2表示禁止区域。如果式（13）的结果为真，表示行人目标出现入侵。

1.3.3 行人逆行检测

其中，t表示运动目标逆行时间变量；T2表示逆行时间最大阈值表示设定的正行方向。

2 实验结果与分析

算法在Windows 7系统下，使用VC++2008及计算机视觉库（OpenCV）在编程实现。进行入侵及逗留实验用的测试视频集选自某车站候车室具有人流密度大，流动性强的特点，具有一定的代表性；逆行检测视频采用停车场监控视频，该环境下对于逆行具有较高的检测要求，能够更好地检验算法的可行性。

2.1 入侵事件监测

视频中的行人目标受背景物体遮挡严重，并且视频中行人目标数目众多、流动性大。监测结果如图2所示。

其中，原图100白色表示禁止逗留区域。通过图2可知：分层高斯背景建模可以很好地表达复杂环境的背景模型，在此基础上运动目标检测和入侵判断可以很好地对入侵目标进行检测。

2.2 逗留事件监测

视频中的行人目标受背景物体遮挡严重；并且视频中行人目标数目众多、流动性大。本文逗留最大阈值T1=25 s，实验效果如图3所示。

其中，原图365蓝色区域表示禁止逗留区。通过图3可知：行人目标在433帧时进入逗留区间。算法通过混合高斯背景模型差分算法检测出进入禁止逗留区的目标。在第1 225帧，目标在逗留区的时间超过25 s。此时算法利用检测出的逗留目标区域建立跟踪目标模型，采用改进的Mean-shift算法对逗留目标进行跟踪。从1 248帧～1 332帧的跟踪结果可以看出：改进的mean-shift算法对目标姿态的变化和目标遮挡就有很好的鲁棒性。

2.3 逆行事件监测

检测视频采用停车场监控视频。视频中存在快速运动的汽车目标和运动缓慢的行人目标，运动目标的运动方向在运动过程中变化较大。本文T2=6 s，实验效果如下页图4所示。

其中，第1帧图像的蓝色箭头表示正行方向。通过下页图4可知：在第115帧和第789帧有运动目标进入监控区域，算法通过混合高斯背景建模提取运动区域，并利用改进的mean-shift算法进行跟踪。在跟踪过程中保存运动目标的运动状态向量。通过运动速度判断是否逆行，通过时间变量判断逆行的时间是否超出限定时间。在第390帧和第966帧判断出运动目标出现逆行行为，此时再次利用运动目标分割提取尽可能大的运动区域。并利用改进的mean-shift进行跟踪。图4说明本文算法对形状和速度不同的运动目标均可进行有效逆行检测。表1表示本文算法对3种异常行为的检测效率。

通过表1可知：本文算法对入侵、逆行和逗留都具有较高的检测效果。但当行人目标静止时间超出了模型识别的限度，行人目标也会成为新的背景事物，从而出现逗留检测的疏漏。

3 结束语

本文根据复杂环境下智能视频监控系统的需求，结合实际环境的特点，提出了一种复杂环境下行人异常行为检测算法。实验结果表明：该算法可以有效地检测出复杂环境中行人目标，并且对噪声干扰和行人长时间停留具有较高的鲁棒性；能够提高复杂环境下对行人目标跟踪的准确性。该算法对复杂环境中的逆行、入侵和逗留具有较高的正确检测率，为复杂环境下智能视频监控奠定了算法基础。下一步将本文算法结合具体应用场景（如火车站、飞机场等）的防爆反恐等任务，开展进一步的算法验证和改进工作。

［1］郑建湖，陈洪，董德存.快速路交通事件自动检测系统及算法［J］.计算机测量与控制，2006，14（9）：1143-1145.

［2］李卫斌,辛乐,陈阳舟,等.基于图像处理的车辆排队长度鲁棒检测算法［J］.计算机测量与控制，2011，19（8）：1810-1813.

［3］李新春,周沈霞,安秋艳,等.基于DM6437的异常行为检测系统研究［J］.计算机测量与控制，2013，21（9）：2342-2345.

［4］刘静，王玲.混合高斯模型背景法的一种改进算法［J］.计算机工程与应用，2010，46(13):168-170.

［5］冯文华，龚声蓉，刘纯平.基于改进高斯混合模型的前景检测［J］.计算机工程，2011,37(19):179-182.

［6］王迥波.基于图像识别的运动目标检测与跟踪系统［D］.大连：大连理工大学，2009.

［7］Du M T,Jie Y L.Mean-shift-based Defect Detection in Multi-crystalline Solar Wafer Surfaces［J］.IEEE Trans.on Industrial Informatics,2011,7(1):125–135.

［8］Peng N S,Yang J,Liu Z.Mean-shift Blob Tracking with Kernel Histogram Filtering and Hypothesis Testing［J］.Pattern Recognition Letters2005,26(5):605-614.

［9］常发亮,刘雪,王华杰.基于均值漂移与卡尔曼滤波的目标跟踪算法［J］.计算机工程与应用,2007，43(12)：50-55.

A Detection Algorithm for Abnormal Behavior under Complex Environments

YU Kun，WEI Juan
（Henan Mechanical and Electrical Engineering College，Xinxiang 453002，China）

Considering the problem that traditional video monitoring tasks under complex environments is too lag to meet the early warning,a detection algorithm based compute vision for abnormal behavior is proposed.Firstly，pedestrian targets are detected under the layering background model.Secondly,the pedestrian targets are tracked by the improved Mean-shift algorithm.And the algorithm will detect whether the moving target’s behavior is abnormal or not.The experiments result that this algorithm can build real-time background model of complex environments to detect invading targets effectively and can track moving targets timely to detect the abnormal behavior of retrograding and sojourn.

intelligent video surveillance，detection of abnormal behavior，layering background，Mean-shift algorithm

TP391

A

1002-0640（2015）09-0138-05

2014-08-03

2014-08-20

河南省教育厅科研基金资助项目（20121185、20121099）

于 琨（1982- ），男，河南商丘人，硕士，讲师。研究方向：图像处理。