群体异常监测系统中特征点的提取与优化研究

    薛静

    

    Research on Extraction and Optimization of Feature Points in Swarm Anomaly Monitoring System

    XUE Jing

    （Xi'an Railway Vocational & Technical Institute， Xi'an 710014， China）

    【摘? 要】针对公共场合安全监控等方面的应用需求，论文研究并设计实现了一个人群突发异常行为的监测系统。目前应用的大多数系统主要是对运动对象进行监测和跟踪。为提高监测的精确度，提升监测效率，在监测过程中通过对特征点进行判断处理会得到更好的效果。所以在样本中选取合适、准确的特征点是关键。论文主要从某一范围内高度唯一性和处于运动前景区域的并具有良好运动属性的特征点两方面进行判断选取。根据判定条件，依据Harris特征点提取算法对特征点进行初步提取，再通过混合高斯背景建模算法对特征点进行进一步的筛选。

    【Abstract】In view of the application requirements of safety monitoring in public places， this paper studies and designs a monitoring system for sudden abnormal behavior of people. Most of the systems used at present mainly monitor and track moving objects. In order to improve the accuracy and efficiency of monitoring， better results can be obtained by judging and processing feature points in the process of monitoring. Therefore， selecting appropriate and accurate feature points in the sample is the key. The paper mainly selects the feature points which are highly unique in a certain range and which are in the motion foreground region and have good motion attributes. According to the decision conditions， the feature points are extracted preliminarily according to the Harris feature point extraction algorithm， and then the feature points are further screened by the mixed Gaussian background modeling algorithm.

    【關键词】群体异常监测;特征点;运动前景区域

    【Keywords】population anomaly monitoring; feature points; motion foreground region

    【中图分类号】TP274;TP391.4? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?【文献标志码】A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?【文章编号】1673-1069（2021）05-0176-02

    1 引言

    科技高速发展，社会日益进步，人们因为一些活动经常要出席各类公共场合，社会公共安全一直是人们比较关注的问题。如何通过高科技手段最大限度地降低危险发生率一直是人们研究的重点。在人群聚集地区，各类危险的事件偶有出现，一但发生后果将不堪设想，不仅威胁到人类的生命安全，带来的经济损失也是巨大的。为尽可能地减少发生危险的概率，同时如若发生此类情况能够尽量降低损失，人们大多的处理措施就是安装视频监控系统，在监控室有专人进行监控并处理突发事件。但实际情况是，人的精力有限同时注意力也不可能长时间高度集中，这样就给监控工作带来了不小的隐患。

    针对这个问题，最好的办法就是使用计算机上运行的智能监控系统进行24h不间断自动监测，不仅可以提高监测效果，最大限度地降低危险发生的概率，同时也解放了人力。在这里，智能监控系统的设计是重点，算法尤为重要。为提高监测的精确度、提升监测效率，在监测过程中通过对特征点进行判断处理会得到更好的效果。所以在样本中选取合适、准确的特征点是关键，主要从某一范围内高度唯一性和处于运动前景区域的并具有良好运动属性的特征点两方面进行判断选取。根据判定条件，依据Harris特征点提取算法对特征点进行初步提取，再通过混合高斯背景建模算法对特征点进行进一步的筛选。

    2 提取样本特征点

    选取特征点上采用Harris角点，在运动前景区域进行特征点选取并且要保证在某一特定范围内是唯一的。为达到这个目的，在特征点的选择和抽取过程中，依据经过Shi和Tomasi改良后的Harris强角点算法进行提取操作。

    具体的提取操作过程进行如下说明：

    步骤1：对图像中水平和垂直方向上各像素点的灰度梯度值进行计算，同时进行乘积以及各自平方值的求取，从而求得关于图像灰度强度的二阶导数矩阵。

    步骤2：在上一步中我们得到了一个二阶导数矩阵，我们需要利用高斯函数对它进行处理，同时进行图像平滑处理操作，消除图像的噪聲并抽取对象特征，从而得到新的二阶导数矩阵。

    步骤3：步骤2中得到的新的二阶导数矩阵是非常有用的，通过它对像素角点进行处理可以得到我们需要的响应函数，即：

    R=det（M）-k（trace（M））2? ? ? ? ? ? （1）

    为得到更精确的数据，在计算过程中采用了改良后的算子，即：

    步骤4：进行阈值选取工作，计算出的算子同时满足以下两个条件时就被判定为角点：①比阈值threshold大;②是某邻域内的局部极大值。

    3 对运动前景进行分割提取

    为更好地对特征点集合进行优化处理，需要提前对运动前景区域进行有效提取。在运动前景的检测过程中，背景大多数情况下都是不会变化的，所以可以采用很多背景建模算法，为能够对运动前景区域进行准确的动态获取，本文选用了混合高斯背景建模法。

    对具体的运动前景区域提取过程设计如下：

    步骤1：在最开始，对K个高斯分量赋予初值？滓2，给每个高斯分量的权重赋初值为ω=1/K，然后取来对K个高斯分量的均值赋初值为第一帧图像的像素值，得到最初的混合高斯背景模型。

    步骤2：依据式（4）的结果同时结合混合高斯模型中的K个高斯分量依次与图像帧中的像素进行比对，来判断该像素点是属于背景区域还是属于前景区域。

    步骤3：更新高斯分量的权重分配，将xj与第i个高斯分量进行匹配判定，如果吻合，就用xj替代此高斯分量，最后将更新后的所有高斯分量的权重进行归一化处理，如式（4）所示。

    式（4）中？琢是指关于模型的学习率。

    步骤4：根据上一步计算结果进行均值μ和标准差？滓的进行更新操作，具体计算方法如式（5）所示。

    式（5）中ρ指使用参数的学习率。

    步骤5：按照上述步骤完成所有更新操作后，就可以选取前Bj个高斯分量作为背景分布，即可按照式（6）得到各个因素的边缘相分布和因素之间的条件相分布：

    式（6）中th为预先设定的阈值。提高阈值，则提取的角点数目变少;降低阈值，则提取的角点数目变多。

    4 提取与优化运动前景区特征点

    在上面的一系列操作过程中，我们已经通过Harris算法提取了符合要求的特征点集，接着我们进一步对所提取的特征点进行分解，分为图像背景区特征点和运动前景区特征点两类。

    对于前者，因为背景大多是固定不变的，所以此类特征点不具备运动特性，要想获取相应的运动信息就较困难。我们主要的目标关注点是位于运动前景区的特征点。我们的做法是在良好去除背景区特征点的同时对运动区特征点进行保留。要想完美地实现这个目标就需要先创建混合高斯背景建模法来描述每一帧图像中某一像素点在时间序列上满足的统计规律，当出现不符合这个统计规律的像素点时就认为它隶属于运动前景，以此来进行像素点的提取并进行特征点的筛选。

    步骤1：利用DirectShow技术实时捕捉视频流中的图像帧作为研究对象。

    步骤2：对视频图像进行预处理操作，转化颜色空间模型，设U、V信号分量为零，从而通过使用Y信号分量获得相应的灰度图像G。

    步骤3：对图像灰度进行操作，计算图像灰度分布的曲率，以最大曲率的点作为角点，将其作为特征点Hp[m]。

    步骤4：创建混合高斯背景建模法来描述每一帧图像中某一像素点在时间序列上满足的统计规律，当出现不符合这个统计规律的像素点时就认为它隶属于运动前景，得出运动前景区域，用点集Fp[n]表示。

    步骤5：采用中值滤波器可以有效去除斑点噪声和椒盐噪声，对点集Fp[n]进行降噪处理，从而得到连通性较好的运动前景区域，用点集Fp_effec[t]表示。

    步骤6：采用以点为中心的的窗口进行点集Hp[m]与Fp_effec[t]交集操作，结果会得到两个点集的交集Hp_effec[k]，这就是本文所需要的处于运动前景区域的有效特征点集。

    5 结语

    针对公共场合安全监控等方面的应用需求，论文研究并设计实现了一个人群突发异常行为的监测系统。首先，对使用Harris算法与混合高斯背景建模算法提取和优化特征点的方法进行介绍，特别是对于运动前景如何进行有效分割开展了研究，并初步得到了良好的效果。其次，通过混合高斯背景建模算法对特征点进行进一步的筛选。采用中值滤波器可以有效去除斑点噪声和椒盐噪声，使图像亮度平缓渐变、减小突变梯度，大大改善了图像质量，提升了优化结果。通过各项改进措施，最终得到了符合要求的特征点，同时也大大减少了特征点的数量，这一点是很重要的，因为它对后期工作的简化有很大的帮助，减少了计算量，同时有效地提升了系统的运行效率。

    【参考文献】

    【1】秦莉娟.基于内容的自动视频监控研究[D].杭州：浙江大学，2006.

    【2】钟志，徐扬生，石为人，等.群体异常检测[J].仪器仪表学报，2007，28（4）：51-53.