董莹荷，胡国胜

(上海电子信息职业技术学院通信与信息工程学院，上海 201411)

在经济与社会全面发展的情况下，社会治安问题也逐渐成为社会的主要问题之一，因此，在城市里分布着大量的高清摄像监控装置，然而，多数的监控设备仅起到记录的作用，无法对异常行为进行系统报警[1]。传统摄像监控设备依据人工操作，无法实现长时间对异常行为的监控，且此设备对于资源的浪费十分严重，无法做到对监测到的行为进行分析与处理，在用途方面具有很大的局限性[2]。

相关专家和学者针对视频监控系统中异常行为检测和识别方法进行了深入研究，致力于改善检测率低、工作时间长的问题。李明等[3]提出基于视频图像处理的实验室异常行为检测方法，即先对视频监控系统中的多帧视频图像进行连续采集，利用滤波法构建背景图像，并在背景图像上引入改进背景差分算法提取出完整的目标轮廓，然后依据链表法将轮廓特征整合，采用SVM分类器实现异常行为的检测。该方法能够较为准确地检测出视频监控中的异常行为，但检测步骤繁琐，耗费时间较长。胡正平等[4]提出的视频监控系统异常目标检测与定位方法根据视频帧提取出视频监控系统中的二维视觉特征，得到视频帧间信息，根据信息追踪视频目标；采用3D时空特征学习法，对含有运动信息的时空兴趣块进行描述，采用模式分类检测出异常行为，并定位异常行为发生的位置。该方法在上述传统方法的基础上提高了检测效率，缩减了工作耗费的时间，但仍无法达到理想效果。

针对上述问题，本文设计了一种新的视频监控系统中检测与识别异常行为的方法。该方法通过找寻一定的运动规律，利用自适应算法对规律进行加工分析，达到对视频监控系统中异常行为进行检测与识别的目的。

1 视频信息图像预处理

视频图像在被分割后无法正常表达视频运动目标的具体特征，因此必须要对视频信息图像进行预处理[5]。预处理主要包括视频图像基础检测、信息识别、原始图像噪声过滤、灰度矫正等操作。

第一步：视频图像噪声过滤。

在对目标图像进行采集时，电子视频图像会遭受外界的系统干扰，所以需要先利用图像处理器提高视频图像的清晰度，再通过加工解析提高视频图像的准确度，最后通过图像滤波方法，对数据进行空间域滤波与交换域滤波[5]。过滤后的图像声波图如图1所示。

第二步：图像灰度矫正。

为减少图像算法的计算量，并在一定程度上避免失真情况的出现，利用双线性插值算法对视频图像进行灰度矫正，获取更加清晰的视频信息。

图1 图像声波图

第三步：二值化处理。

对视频图像进行二值化处理，可简化视频图像，同时减少系统运算数量，明确目标轮廓信息，在此基础上进行图像的再加工处理[6]。

第四步：图像边缘检测。

在图像变化中，利用亮度明晰的图标标记数字图像，减少需解析的图像数据数量，删除不相关的信息内容，同时保留图像较为基础的框架属性，采用滤波、增强及检测3种技术进行处理[7]。

2 视频图像异常运动目标检测

通过统计计算视频图像的梯度直方图，获取明确的图像异常目标特征，并对运动异常目标图像的关键帧进行检测与数据解剖。通过对视频图像帧的比较，解析图像是否改变，在图像未改变的情况下，根据JPEG标准编码对图像帧进行进一步的分析和处理，其处理结果如图2所示。

图2 图像帧处理结果图

通过JPEG图像标准编码处理后，捕捉到的是较为连续的图像关键帧。对于这些关键帧，首先通过解码过程将帧作为基础单位，并持续放置于内存缓冲空间，然后利用函数算法，将缓冲空间中持续存在的关联帧转变成位形状的视频图像，并将其放置于其他空间进行对比分析，分析图像目标特征，并进行规律查询[8]。

对在时间上连续的两帧或三帧图像信息进行差分式计算，不相同的图像所对应的点进行减法计算，由此计算结果可以推断出图像的灰度指数是否超出标准阈值，如果超出即可判断其为运动目标特征，并获得相关图像规律，进而实现对运动目标图像的查询。两帧差分法的结构图如图3所示[9]。

图3 两帧差分法结构图

设视频序列里第α帧图像为fα，相对应点的灰度值为fα(x,y)；第β帧图像为fβ，相对应点的灰度值为fβ(x,y)。将第α帧与第β帧图像相对应点的灰度值相减，取绝对值后，即可得出差分图像B(x,y)：

B(x,y)=|fα(x,y)-fβ(x,y)|

(1)

设定阈值s，通过式(2)对对应点进行二值化转变计算，由此获取转变后的图像P′。对图像P′进行连通性的解析，即可获取具有完整运动目标的图像P，并以灰度值为225的点作为图像的前景设置点，将灰度值为零的点作为视频图像的背景设置点。

(2)

由于两帧差分法无法适应速度较快的运动目标图像，在运动目标图像速度较快时，临近帧的图像位置差距较大，并且会产生图像重叠的情况，无法获取较为完善的运动目标，因此采用三帧差分法进行计算。其算法结构模拟图如图4所示。

图4 三帧差分法结构模拟图

在三帧差分法运算过程中，应选取合适的阈值s。阈值过小时，系统无法控制差分图像中的噪声干扰；阈值过大时，则会覆盖差分图像中的部分信息。针对上述情况，可根据视频图像场景的光线路径O与光线路径O1的改变情况处理差分图像。场景中的光线值越小，则数据图像的附加值越接近0；场景中的光线值越大，则数据图像的附加值也会越来越大，从而可以避免视频图像运动目标的检测结果受光线影响，同时减少图像规律的查询获取干扰因素[10]。

运动异常目标识别的基本步骤如下：1)提取已获取运动目标的特征[11]；2)构建已获取运动目标的图像数据库；3)采用具有较强时效性的系统图像处理器，提取未获取运动目标的特征信息；4)分析对比运动目标的图像数据库[12]。

为了更好地表达运动目标的特征表述，进行行为的高级理解，应采取进一步的识别措施：

1)特征模型匹配。将测试的特征模型样本和构建的训练样本运动目标特征进行相似值的信息匹配，并以此判断视频中行为的所属类型。

2)状态空间构建。根据参数模型随着时间的变化趋势推算运动目标的运动演变过程，同时将隐形马尔科夫模型[13]、动态贝叶斯网络与条件随机算法结合起来推算运动目标状态信息。图像状态空间模拟示意图如图5所示。

图5 图像状态空间模拟

3 视频监控系统中异常行为识别

本文设计的识别方法以检测算法的优点作为基础框架，兼顾视频监控系统性能以及系统操作时间，并使系统操作时间随图像数据输入进行自适应系统调节[14]。

异常行为识别流程如图6所示。

图6 异常行为识别流程

图像数据的输入主要由不同指数的n个可运算算法N的集合组成，获得评估的数据集S称为训练数据集。训练数据集可采用数据分类方法进行分解处理，并将其与不同参数算法获取的一组算法指数相结合，得到数据集K。

在系统上设定操作时间值，根据不同算法与计算指数的对应关系，在数据集K中实现图像数据参数的优化组合，并在运算条件约束下，寻找具有相应计算基础的运算平台。此后进行最优算法指数组合，使其成为运算条件约束下的训练标识Z。

在算法的最后阶段，在性能与时间约束条件下，获取选择性参数图像测试指数H的时间窗口运算指数，并将指数的测试过程分为两步优化函数计算，最终实现对异常行为的检测与识别优化[15]。

4 实验研究

为了验证本文所提视频监控系统中异常行为检测与识别方法的有效性，将该方法与传统异常行为检测与识别方法进行对比，对抢劫行为进行检测。

4.1 抢劫检测模型建立

对抢劫场景进行深入分析，得出的抢劫行为特征有如下3点：

1)在同一个监控场景中，拥有两个或两个以上的目标。

2)目标和目标之间会有相对明确的接触。

3)在行为特征上，抢劫者和正常人有明显区别，运动速度会超过正常人的运动速度。

图7记录的是正在进行的抢劫行为。

为了更好地分析犯罪嫌疑人的瞬时速度差，将抢劫过程分为跟踪、接近和逃跑三个过程。针对抢劫异常行为设定的参数有：

1)预判参数。在监控有效区域内的目标数量。

图7 正在抢劫

2)有效目标特征参数。嫌疑人的速度差以及嫌疑人与被害人之间的最小距离。

3)出现抢劫行为的条件。抢劫者与被害人之间的距离小于最小安全距离。

4.2 实验结果与分析

将基于视频图像处理的实验室异常行为检测方法(文献[3]方法)和视频监控系统异常目标检测与定位方法(文献[4]方法)，作为本文所提视频监控中异常行为检测与识别方法的对比方法，以临近帧图像位置差距大小和检索工作时长为测试指标进行仿真对比实验。

临近帧的图像位置差距是影响检测与识别效果的直接影响指标。差距较大时，会产生图像重叠的情况，无法获取较为完善的运动目标。经过测试，得到3种方法的临近帧图像位置差距大小对比结果，如图8所示。

图8 不同方法临近帧图像位置差距大小对比结果

分析图8可得，在180 s的检测时长内，文献[3]方法的临近帧图像位置差距最大值为1.00 μm，最小值为0.08 μm，平均值约为0.67 μm；文献[4]方法的临近帧图像位置差距最大值为1.00 μm，最小值为0.05 μm，平均值约为0.55 μm；本文所提方法的临近帧图像位置差距最大值为1.00 μm，最小值为0.02 μm，平均值约为0.35 μm。对比实验结果可得，本文所提方法的位置差距远远小于文献[3]方法和文献[4]方法，充分说明本文所提方法获取的运动目标更完善，校测效果更理想。3种不同方法的检测工作时长对比结果如图9所示。

图9 不同方法的检测工作时长对比结果

由图可知，在经过7次实验后，文献[3]方法的检测工作时长曲线呈上升趋势，平均检测工作时长约为87.5 s；文献[4]方法的检测工作时长曲线呈大幅度上升趋势，平均检测工作时长约为78.4 s；本文所提方法的检测工作时长曲线波动较小，平均检测工作时长约为29.5 s。由对比结果可得，本文所提方法的检测工作时长远远小于文献[3]方法和文献[4]方法，充分说明本文所提方法的检测效率更高。

5 结束语

本文在传统检测与识别方法的基础上研发的新式异常行为检测与识别方法，在一定程度上提高了视频异常行为的检测效率，缩短了系统的检测时间，具有较高的推广价值，可以更好地维护社会治安，有利于社会争端的解决。但本次实验对异常行为数量的上限有一定的要求，未来将针对无限量的异常行为检测与识别效果进行深入测试，以完善本文所提方法。