本发明专利技术公开了一种视频图像序列中运动目标的检出与异常行为分析算法，该视频图像序列中运动目标的检出与异常行为分析算法具体步骤如下：S1：通过结合均值法初始化混合高斯背景模型、为前景像素数添加计数器和对前景区域再处理；S2：利用S1中改进的背景减除法检出目标物体；S3：应用局部二值模式(Local Binary Pattern，LBP)算子计算运动目标的LBP特征谱；S4：对S3中获得的视频图像序列中运动目标的纹理特征和运动信息进行统计，获得运动目标的局部运动特征；S5：将获得的纹理特征和运动特征表示成结构化信息，对神经网络分类器进行训练、学习，应用训练收敛后的分类器对捕捉到的运动目标的运动行为进行识别。
【技术实现步骤摘要】
本专利技术涉及图像序列中运动目标的检出
，尤其涉及一种视频图像序列中运动目标的检出与异常行为分析算法。
技术介绍
随着社会的快速发展，安全问题日益受到人们的关注和重视，视频监控也随之得到广泛应用。然而，相比于记录事实用以事后取证的传统视频监控，智能视频监控系统在传统视频监控系统的基础上添加了智能分析模块，该模块能够对画面中的运动行为进行实时捕获并进行分析，并可以对异常行为进行反馈。运动目标检测就是对视频图像序列中的运动目标进行检测和分割的过程，其结果的准确性是目标跟踪、目标分类及行为理解等一系列后处理的基础。视频图像在采集、传输和存储的过程中存在着各种影响图像质量的因素，在运动目标检测之前对视频图像进行预处理可以有效提高运动目标检测的准确度。中值滤波是视频图像预处理的一种常用方法，而标准中值滤波算法难以在去除噪声与保留图像细节方面同时达到满意的效果。现有的运动目标检出与动态行为分析技术对于目标有遮挡、重叠以及多目标检测的结果不准确，存在运动目标检出不完整有漏检的现象、行为分析特征包含信息量有限甚至不准确的问题、分类器分类结果误检率大等不足，针对现有技术的不足提出该方法。
技术实现思路
本专利技术的目的是为了解决现有技术中存在的缺点，而提出的一种视频图像序列中运动目标的检出与异常行为分析算法，该视频图像序列中运动目标的检出与异常行为分析算法具体步骤如下：S1：通过结合均值法初始化混合高斯背景模型、为前景像素数添加计数器和对前景区域再处理,消除传统混合高斯模型在光线突变时产生误检的现象；S2：利用S1中改进的背景减除法检出目标物体，针对帧间差分法在提取运动目标时出现检测目标不完整、容易出现空洞的现象，把使用三帧差分法和改进的背景减除法检出的结果做融合运算得到感兴趣的目标物体；S3：应用局部二值模式(Local Binary Pattern，LBP)算子计算运动目标的LBP特征谱，使用K-means聚类的方法生成反映兴趣目标运动行为的纹理特征值。分析运动目标运动的姿势、速度和方向，针对目标运动过程中行为动作的特点，提取运动目标外接矩形宽高比、运动目标的运动速度、运动方向、目标物体的质心和轮廓特征等运动特征；S4：对S3中获得的视频图像序列中运动目标的纹理特征和运动信息进行统计，获得运动目标的局部运动特征，设定异常行为判定阈值；S5：将获得的纹理特征和运动特征表示成结构化信息，对神经网络分类器进行训练、学习，应用训练收敛后的分类器对捕捉到的运动目标的运动行为进行识别。优选的，所述步骤S2中建立背景模型检出感兴趣区域的运动目标，提取反映运动目标运动行为的纹理特征和运动特征参数。为保证检出目标的准确性，改进目标图像的背景建模方法，把改进的背景减除法的检出结果与帧间差分法的检出结果做融合处理得到检出目标。优选的，所述步骤S5中应用提取的运动目标的特征训练分类器，得到性能优越的分类器，应用分类器对运动行为进行分类表达。本专利技术提供的一种视频图像序列中运动目标的检出与异常行为分析算法，本算法应用LBP纹理特征和目标的运动特征信息分析目标的运动行为，提高了算法的有效性和泛化能力。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合具体实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。实施例1一种视频图像序列中运动目标的检出与异常行为分析算法，该视频图像序列中运动目标的检出与异常行为分析算法具体步骤如下：S1：通过结合均值法初始化混合高斯背景模型、为前景像素数添加计数器和对前景区域再处理,消除传统混合高斯模型在光线突变时产生误检的现象；S2：利用S1中改进的背景减除法检出目标物体，针对帧间差分法在提取运动目标时出现检测目标不完整、容易出现空洞的现象，把使用三帧差分法和改进的背景减除法检出的结果做融合运算得到感兴趣的目标物体；S3：应用局部二值模式(Local Binary Pattern，LBP)算子计算运动目标的LBP特征谱，使用K-means聚类的方法生成反映兴趣目标运动行为的纹理特征值。分析运动目标运动的姿势、速度和方向，针对目标运动过程中行为动作的特点，提取运动目标外接矩形宽高比、运动目标的运动速度、运动方向、目标物体的质心和轮廓特征等运动特征；S4：对S3中获得的视频图像序列中运动目标的纹理特征和运动信息进行统计，获得运动目标的局部运动特征，设定异常行为判定阈值；S5：将获得的纹理特征和运动特征表示成结构化信息，对神经网络分类器进行训练、学习，应用训练收敛后的分类器对捕捉到的运动目标的运动行为进行识别。所述步骤S2中建立背景模型检出感兴趣区域的运动目标，提取反映运动目标运动行为的纹理特征和运动特征参数。为保证检出目标的准确性，改进目标图像的背景建模方法，把改进的背景减除法的检出结果与帧间差分法的检出结果做融合处理得到检出目标。所述步骤S5中应用提取的运动目标的特征训练分类器，得到性能优越的分类器，应用分类器对运动行为进行分类表达。本专利技术提供的一种视频图像序列中运动目标的检出与异常行为分析算法，本算法应用LBP纹理特征和目标的运动特征信息分析目标的运动行为，提高了算法的有效性和泛化能力。以上所述，仅为本专利技术较佳的具体实施方式，但本专利技术的保护范围并不局限于此，任何熟悉本
的技术人员在本专利技术揭露的技术范围内，根据本专利技术的技术方案及其专利技术构思加以等同替换或改变，都应涵盖在本专利技术的保护范围之内。本文档来自技高网...
【技术保护点】
一种视频图像序列中运动目标的检出与异常行为分析算法，其特征在于：该视频图像序列中运动目标的检出与异常行为分析算法具体步骤如下：S1：通过结合均值法初始化混合高斯背景模型、为前景像素数添加计数器和对前景区域再处理,消除传统混合高斯模型在光线突变时产生误检的现象；S2：利用S1中改进的背景减除法检出目标物体，针对帧间差分法在提取运动目标时出现检测目标不完整、容易出现空洞的现象，把使用三帧差分法和改进的背景减除法检出的结果做融合运算得到感兴趣的目标物体；S3：应用局部二值模式(Local Binary Pattern，LBP)算子计算运动目标的LBP特征谱，使用K‑means聚类的方法生成反映兴趣目标运动行为的纹理特征值。分析运动目标运动的姿势、速度和方向，针对目标运动过程中行为动作的特点，提取运动目标外接矩形宽高比、运动目标的运动速度、运动方向、目标物体的质心和轮廓特征等运动特征；S4：对S3中获得的视频图像序列中运动目标的纹理特征和运动信息进行统计，获得运动目标的局部运动特征，设定异常行为判定阈值；S5：将获得的纹理特征和运动特征表示成结构化信息，对神经网络分类器进行训练、学习，应用训练收敛后的分类器对捕捉到的运动目标的运动行为进行识别。...
【技术特征摘要】
1.一种视频图像序列中运动目标的检出与异常行为分析算法，其特征在于：该视频图像序列中运动目标的检出与异常行为分析算法具体步骤如下：S1：通过结合均值法初始化混合高斯背景模型、为前景像素数添加计数器和对前景区域再处理,消除传统混合高斯模型在光线突变时产生误检的现象；S2：利用S1中改进的背景减除法检出目标物体，针对帧间差分法在提取运动目标时出现检测目标不完整、容易出现空洞的现象，把使用三帧差分法和改进的背景减除法检出的结果做融合运算得到感兴趣的目标物体；S3：应用局部二值模式(Local Binary Pattern，LBP)算子计算运动目标的LBP特征谱，使用K-means聚类的方法生成反映兴趣目标运动行为的纹理特征值。分析运动目标运动的姿势、速度和方向，针对目标运动过程中行为动作的特点，提取运动目标外接矩形宽高比、运动目标的运动速度、运动方向、目标物体的质心和轮廓特征等...
【专利技术属性】
技术研发人员：王玉德，韩翠玲，王鸣天，
申请(专利权)人：王玉德，
类型：发明
国别省市：山东;37
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。