改进运动历史图的异常行为识别算法
Abnormal Behavior Recognition Using Novel Motion History Image
安国成; 罗志强; 李洪研
An Guocheng; Luo Zhiqiang; Li Hongyan
(通号通信信息集团有限公司，北京，100070)
（Beijing Guotie Huachen Communication & Information Technology Co.Ltd., Beijing 100070, China ）
中文摘要:
在铁路视频监控环境中，异常行为识别越来越受到重视。由于异常行为具有一定的特殊性，导致其检测与识别具有很大的难度。本文为了实现异常行为识别，针对经典背景减除法所存在的问题，提出双阈值背景减除法：利用该方法进行选择性背景更新和提取稳定前景空间信息；利用改进的运动历史图提取前景的时间信息，然后将二者有机的融合产生属于同一个团块的前景，最后根据前景中历史运动像素的分布情况对异常行为进行识别。新算法利用了视频前景的时空信息，增强了异常行为识别的准确性，并且算法具有很强的场景适应能力。通过多组实验可以看出，新算法能够满足不同监控场景下的异常行为识别需求，运算速度快、满足实时性要求。
Abstract: The particularity of abnormal behavior directly results in the difficulty on target detection and recognition in video surveillance. In order to achieve the goal of effective abnormal behavior recognition, a double threshold-value background subtraction is proposed, which can directly solve the problem of the classical background subtraction. In this way, we realize on the selective background renew and the extraction of the stable foreground; by using the improved movement history image, the foreground time information is extracted. And then, the two masks can be fused, thus, the distributed of motion history image pixels is used to violence detection. The new algorithm takes good usage of the video foreground space and time information, strengthens the violence detection accuracy, and the algorithm has strong scene adaptive. Through experiments, the new algorithm satisfies the abnormal behavior recognition demand under different monitoring scene and the processing speed is quick under practice request.
关键词：
运动历史图 帧间差分 背景建模 异常行为 Keywords: Motion History Image; Frame difference; Background modeling; Abnormal behavior
1 引 言
随着铁路视频监控的逐渐普及，视频智能行为分析也逐渐受到人们的重视。视频智能行为分析主要是运用图像处理、视频目标跟踪[1]、人工智能等技术手段，对视频图像中的感兴趣目标进行有效提取、行为轨迹分析以及语义解释的一种技术手段。在世界反恐、国内平安城市的推动下，视频监控已经达到长足的发展，但是由于视频智能视频分析技术的相对不成熟，目前很多系统还只是对视频数据进行简单的保存记录，以供事后查询，如何增强已有的视频监控系统的智能化是摆在研发人员面前的一项艰巨的任务。 异常行为检测与识别在视频监控领域具有重要的地位，但是由于异常行为本身具有一些特殊性，导致其研究具有很大的难度，所以针对异常行为识别的研究还比较少。异常行为所具有的特殊性在于：1、参与者数量的不确定性，至少为两个人，也可能有多个参与者；
2、参与者的服装颜色、样式具有多样性，导致基于颜色的行为识别往往存在局限；
3、参与者实施异常行为过程的姿态具有多样性，如追逐、厮打等。
4、参与者使用的工具变化各异，如赤手空拳、挥动棍棒等；
5、发生异常行为的环境差别明显，如街道、广场等； 在铁路视频监控中，由于摄像机挂置位置的限制，以及所使用摄像机并不都是高清，因此异常行为分析往往存在一定的难度，常规的轨迹分析算法、人体部位分割算法在这些场景下识别效果往往不够准确，为此，我们提出基于改进运动历史图的异常行为分析算法，改算法融合了双阈值前景检测的结果，并且通过时间累计，计算出符合一定条件的前景膨胀区域，通过实践铁路视频监控场景的实验，算法取得了很好的效果。
……
4 结 论
本文为了对异常行为进行有效的检测与识别，提出了双阈值前景检测算法和改进的运动历史图算法。双阈值前景检测算法通过大阈值前景很好的处理了哪些像素位置对应的背景可以更新，而通过小阈值检测解决了哪些像素属于前景，该策略降低了经典背景减除法阈值设置难题。改进的运动历史图算法利用了前景检测的空间信息来准确的确定运动团块的归属关系，为异常行为识别提供了有效的运动信息凭据。通过实验可以看出，本文异常行为识别算法具有很好的识别效果，具有异常行为识别的通用性，算法的适应能力强，而且系统的运算负担小，可以达到实时性要求。
参考文献：
[1] Abebe Yirga Alemu et al., Mean Shift Tracking with Advanced Background- Weighted Histogram [J]. Applied Mechanics and Materials, 2013, 302: 706-710.[2] Wu M.J., Peng X.R. Spatio-temporal context for codebook-based dynamic background subtraction [J]. International Journal of Electronics and Communications. 2010, 64(8): 739-747.
[3] Zha Y.F., Bi D.Y., Yang Y. Learning complex background by multi-scale discriminative model [J]. Pattern Recognition Letters. 2009. 30(2009): 1003-1014.
[4] Zhang X., Yang J. A novel algorithm to segment foreground from a similarly colored background [J]. International Journal of Electronics and Communications. 2009, 63(2009): 831-840.
[5] Dickinson P., Hunter A., Appiah K. A spatially distributed model for foreground segmentation [J]. Image and Vision Computing. 2009, 27(2009): 1326-1335.
[6] Butler D.E., Bove Jr. V.M. Sridharan S. Real-time adaptive foreground/background segmentation [J]. EURASIP journal on Applied Signal Processing. 2005, 14: 2292-2304.
[7] Elgammal A., Harwood D. Davis L. Non-parametric model for background subtraction [J]. Computer Vision. 2000, 1843: 751-767.
[8] 安国成, 肖坦. 具有身份标识的多目标跟踪 [J]. 中国图象图形学报. 2012, 17（12）：1528-1533
[9] Tianzhu Zhang, Bernard Ghanem, Si Liu, Narendra Ahuja. Robust Visual Tracking via Structured Multi-Task Sparse Learning[J]. International Journal of Computer Vision 2013, 101(2): 367-383
[10] Davis J.W., Bobick A.F. The representation and recognition of human movement using temporal templates[C]. IEEE Conference on Computer Vision and Pattern Recognition. San Juan: 1997: 928-934.