随着公共安全保障措施力度的加大，智能监控将成为监测区域安全状况的重要手段，也将成为计算机视觉领域的研究热点。行人异常识别作为智能监控的核心内容之一，旨在通过视频序列中人体行为特征识别可疑事件、不规则与不常见行为[1-3]。现有研究集中在探讨单一行人或人群的监测模型、运动轨迹和特征量，并据此判别行人是否存在异常。已有方法大致包括两种类型，即模型法[4-7]和特征向量法[8-11]。模型法是一种基于视频序列中行人的运行信息建立数学模型来反映行人的行为特性。特征向量法是通过设计反映行人在行走过程人体动作变化的特征向量，并借此检测行人的异常状况。

3）绒球期至三叶期，重点防治绿盲蝽和病害，药剂可用80%喷克800倍液+20%苯醚甲环唑3 000倍液+10%歼灭2 500倍液。

“星雨，你不要太操心蚊子，你今天的表现多么好，那么多师兄师姐都被你比下去了，将‘飞龙卧雪’做出二十五种滋味，将‘漱玉茶’冲泡出春和景明的意境，由宇晴师父的六十四种牡丹里认出倒晕檀心，你还要说出来苏师父弹的平湖秋月是九月初九的新月，又要认出林师父拿出的一百张画里，哪一个是吴道子的真迹，这个真不容易。不是你开了一个好头，我与李离也轮不到去回答书圣、棋圣、医圣三位老人家考校的机会！我还觉得，技艺都是由精气神里来的，精气神都是由心里生出来的，心无挂碍，就能逍遥花间游，技进乎道，内力自然而然就由丹田里生出来了。李离你说对吗？”

这两种类型的异常检测方法在特定条件下有一定的价值，但它们涉及的人体行为特征信息较少，且极少利用图像的全局信息、图像序列之间的相关性和人体动作的连贯性，导致在复杂场景下的异常检测效果不理想。基于此，本文设计刻画人体形状、分类像素子、质心位置、体型等变化的特征模型，并结合Hu矩特征模型建立特征向量模型，进而基于此模型设计分类算法，获得行人异常检测算法。

1 特征向量模型

人体行为通常涉及走、跑、跳、蹲下、挥手、边挥手边跳、单脚跳、侧走这八种行为，图1仅给出走、跑、跳、蹲下四种动作行为; 图中每幅子图代表相应动作视频序列。本文力求设计较为准确刻画这些行为特征的特征向量模型，其包含Hu矩、轮廓、质心、速度、体形这五种类别特征。

  

(a)走 (b)跑 (c)跳 (d)蹲下图1 人体行为类别图

步1.1 设置预处理视频帧数M；

1962年，Hu提出一种具有平移、旋转、比例不变性的图像不变矩算法[12]，获得Hu矩的相关性质，且已证明Hu矩特征在图像平移、旋转、缩放情形具有不变性，可用于检测人体的形状变化。他给出了如下7个特征向量(φ1, φ2, …, φ7)：

φ1=η02+η20,

(1)

 

(2)

φ3=(η30-3η12)2+(3η21-η03)2,

(3)

φ4=(η30+η12)2+(η21+η03)2,

(4)

φ5=(η30-3η12)(η30-η12)[(η30+η12)2-

形状和轮廓特征尚未考虑人体的局部特征信息，因而不能刻画不同行为在轮廓存在相似情形下的差异性，如图3所示。该图中行人涉及两种形状且轮廓较为相似(跑、单脚跳)。因此，此两动作的形状和轮廓特征量偏差较小，但行为差异较大。通过仔细分析，获知跑和单脚跳使得人体在最小内接矩形中像素点的分布有较大差异，为此，引入概率分布模型呈现行人的体型变化，即假定行人的内接矩形P的大小为M×N，将其等分为四等分，得到的区域为A1,…, A4。用Pi表示第i个区域内像素不为0的像素点数在矩形P中所占比例, 于是行人的人体局部频率模型为(P1,…,P4)。

[3(η30+η12)2-(η21+η03)2],

SAAS服务的主要特性是支持多租户应用，其关键实现方式是数据隔离(包括组织内的部门用户数据和流程数据)和客户自服务(包括个性定制和管理隔离)。该设计通过租户识别码对多租户进行数据管理，即将多个租户存入同一个数据库中，使用同一个Schema(即将数据保存在一个表格中，通过租户的识别码来区分)。

由此，我们可以看出，同课异构必须要以教学的优化为归宿，这也完全基于两点考虑。其一，学生的学情。在师生信息不对称的情况下，我们可以通过课堂设计来尽量弥补这些差距。其二，找到课堂教学的逻辑，让学生自己去探索、玩味。这样的设计更符合学生的认知规律，也更能助力我们的教学。

(5)

以各样本在地方感各维度上的均值为变量，运用非参数检验法分析不同性别、年龄、月消费水平、家乡地理位置等特征的留学生之间在2个空间层次6个维度上的差异程度。利用SPSS 22.0中的非参数检验模块，性别、是否华裔采用Mann-Whitney U检验，其余采用Kruskal-Wallis H检验进行分析，结果如表4所示。

(6)

φ7=(3η21-η03)(η30+η12)[(η30+η12)2-

亨斯迈纺织染化通过研发可持续发展产品，得到较快发展，扩大了在中国市场的份额。她以研发的新一代染料产品AVITERA SE为例解释道，该产品不仅完全符合中国环保要求，还可以帮助下游企业大幅度降低水和能源的消耗。用这种染料染棉织物可让染厂比传统高温或中温染整方法减少50%耗水量、70%耗能量、20%用盐量，节省50%时间，既降低了成本，减少了水电煤用量，又降低了排污，在市场上很受欢迎。

3(η21+η03)2]+(3η12-η30)(η21+η03)·

[3(η03+η12)2-(η21+η03)2],

(7)

在此，下式确定

(8)

其中，f(x,y)为灰度图的密度函数。依据8种行人的动作视频序列，获得每种动作的7个特征量如表1所示。

 

表1 Hu矩特征量

  

ID φ1φ2φ3φ4φ5φ6φ7走(walk)0．882．414．989．6717．6710．8817．15跑(run)0．101．212．182．094．221．471．06跳(jump)0．341．312．181．723．661．000．68蹲下(bend)1．193．394．716．1011．537．9013．12挥手(wave)0．842．034．566．2412．478．7011．74侧走(side)0．192．561．030．881．840．431．92单脚(skip)0．053．250．211．262．403．061．96边挥边跳(jack)0．365．830．711．412．474．554．50

由表1可知，走和跳两种行为对应的7 个Hu矩特征量构成的向量存在较大差异。但当行人的动作行为较相似时，比如跑、跳和单脚跳，对应的特征向量较相似，表明单纯以Hu矩特征向量识别行人的动作行为会导致不同程度的误判现象。为此，需引入其它特征量进一步刻画行人动作的细节行为。

从表中可以看出，人脸人耳多模融合识别的识别率要高于人脸或人耳单模生物识别的识别率，实验结果充分说明了多模生物身份识别比单模生物识别在识别性能上有更好的鲁棒性。

2)轮廓特征模型

  

图2 行人行为轮廊

当行人的运动行为发生变化时，如从跑动转变为行走，则人体轮廓将发生根本性变化，如图2所示。

轮廓特征是识别人体行为的重要标志，可通过轮廓的质心到轮廓线上各点的距离刻画，即

 

(9)

在此，N表示轮廓线上像素点个数，(xi,yi)表示该轮廓线上第i个点的坐标，(xc,yc)表示轮廓线的质心。以上文中8种人体运动行为为例，每种情形取4帧非连续图，并利用上式计算Sd值，如表2所示。

 

表2 轮廓特征量Sd

  

视频帧走跑跳蹲下115．6918．3118．3019．25215．8218．8619．3713．11317．2518．4319．6019．12417．4418．6519．1318．19视频帧挥手侧走单脚边挥边跳117．2218．7718．3018．47217．2419．7419．0822．11317．8819．5721．4518．79418．2119．6019．3621．03

由表2可知，对于同一种行为的不同视频帧，如跑、侧走等行为的轮廓特征变化微小，此与相应行为相吻合，但对于蹲下、边挥边跳等行为，轮廓特征量变化较为明显。由此可知，轮廓特征量可用于反映人体轮廓变化状况。

3) 局部检测频率模型

3(η21+η03)2]+(3η21-η03)(η21+η03)·

步1.4 计算每帧图Pi中运动目标的运动速度vi和人体轮廓变化量Ci;

行人异常行为检测算法是依据以上行人行为特征向量模型、行人运动标准图像库、欧式距离、阈值判断进行设计的。在此，需通过图像预处理将标准图像库中每幅图包含的目标进行提取，建立模板库，并给每种模板赋予正常或异常标签。异常行为检测算法描述如下：

  

图3 跑与单脚跳示意图

 

表3 行人局部频率特征量

  

区域A1A2A3A4P1P2P3P4跑2182342123560．320．340．310．51单脚249972971980．510．200．610．41

4)速度与轮廓变化曲线

行走速度是刻画行人行走快慢的重要标志。当行人在某区域徘徊时，其速度变化较小，反之则偏大。在此，用v表示行人运动的速度特征量，

试验设置的115，125，135，145 ℃ 4个不同温度进行碾压试验，对抽样结果进行分析发现结果均符合要求，结合实际经验，在初始碾压温度低于130℃时，沥青混凝土容易出现松动等其他现象，故选取初始碾压温度为130～145℃均可。

φ6=(η20-η02)[(η30+η12)2-(η21+η03)2]+4η11(η30+η12)(η21+η03)，

(10)

式中，(xc,yc)表示当前帧行人轮廓的质心坐标，(xl,yl)表示当前帧之前第l帧轮廓的质心坐标，Δt是间隔时间。另外，人体轮廓变化量C可用轮廓的内接矩形的高与宽的比值进行刻画，以图1中各类型行为的视频序列为例，获得C的变化曲线，如图4所示。

由图4可知，行人行走正常情形下，人体轮廓变化量C呈现周期性的变化，而行走异常时，C的变化不具周期性。图4(a)、(b)、(f)、(h)表明，尽管相应的动作行为使C呈现周期性变化, 但幅值的差异较大, 此与实际情况相吻合。其它情形不使C的变化曲线具有周期性。由此，人体轮廓变化量C可用于检测行人的异常行为。

  

图4 不同运动行为下C的变化曲线

综上，本文在Hu矩特征量基础上，获得反映行人行为特征的特征向量模型：

Σ=(φ1, φ2, …, φ7,Sd, v, P1,…, P4, C)

(11)

2 行人异常行为检测算法

2) 预测:预测就是用ej-1预测oj-1，获取预测值P(ej-1)。实际值oj-1，与预测值P(ej-1)的差值dj-1反映了两者之间的逼近程度，称为细节系数或小波系数，对应于元信号sj的高频部分。预测过程为：

步1 初始化处理:

他给我看，左手内侧的疤痕大概有20厘米长。“装了铁片，因为骨头都碎了。公安和车队的领导都来了，问明原因，也没有怪我。后来，双方各自疗伤，彼此不追究。我在家里整整休养了一年，花了3万块医疗费。”我问他：“如果重新来过，会不会有不同的做法？”他斩钉截铁地说：“有的。事情发生之后，立刻就觉得不好，如果再来一次，15元不给就算了。那件事之后，我再也没有跟人发生冲突。”

1)Hu矩模型

在现实生活中一直恪尽职守地做一个小职员，却终生人在曹营心在汉；业余写作占用了生命的大部分时间，是他心灵的释放、精神的寄托和生命的延伸，却在最后要求烧毁所有的作品；想要对抗父亲来宣告自己的独立和存在，却最终在“爱”和“惧”中痛苦不堪；想要得到爱情完成婚姻来做最后走出洞穴逃离父亲的尝试，却中途流产，如同弱者一般地放弃和退缩。卡夫卡在精神上显然是不够强大的，他从来都不曾有过强大果断的否定，割裂或弃绝。童年时代缺少的父爱也许某种程度上造成了卡夫卡在人格精神上的流离失所，而卡夫卡后来对于父亲、写作、婚姻三者的关系都表现出了，他始终无法长大成为“家长”或者“成人”。

有几种趋化因子在这种病态行为形成过程中发挥一定作用。在一项Wistar大鼠实验研究中发现外周予以CXCL1干预，在旷场实验中大鼠自主探究行为和探索行为减少[40]。给予LPS治疗能升高前皮质CXCL1和CCL2水平[41]。在病态行为方面更深入的研究归于CX3CR1受体缺乏的动物模型，该动物模型在给予LPS后行悬尾实验表现出病态行为，这种病态行为和持续的胶质细胞激活与2，3-二氧化酶活化相关[42]。并且这种病态行为能被2，3-二氧化酶抑制剂逆转[43]。

步1.2 建立标准图像库，提取运动目标，依据式(11)建立特征向量库P；

步1.3 输入30帧初始视频并将其转化为图像序列Pi, 1≤i≤30；

以图3为例, 人体的局部频率分布如表3所示。经由该表，尽管跑和单脚跳在形状和轮廓方面存在相似性，但它们产生的局部频率分布存在明显差异，因此可用(P1,…,P4)度量人体形态的局部特征。

步2 参数设置：速度阈值，速度变化阈值δ，轮廓变化量C的周期阈值T；

步3 输入: 第t帧视频Pt, t>30, 转换Pt为灰度图;

常用的有金双歧、培菲康、妈咪爱，菌种不同，其中首选含双歧杆菌的金双歧和培菲康。培菲康、妈咪爱中的肠球菌是条件致病菌，并且具有抗生素耐药质粒的携带性，所以世卫组织WHO不推荐肠球菌作为益生菌的组成，但一般来说使用也是没啥问题，鉴于这一点，益生菌首选还是金双歧。

步4提取Pt中运动目标的速度vt和行人轮廓变化量Ct;

步5 若序列{Ci,1≤i≤t}不具有周期性，则Pt中行人具有异常行为；

步6 若序列{Ci,1≤i≤t}具有周期性，则依据Pt中行人的运动速度进行检测：

步6.1 若vt≥且vi≥δ, t-5≤i≤t, 则行人异常, 其中vi=vi-vi-1, 转步7; 否则转步6.2;

步6.2 计算Pt的特征向量 (φ1, φ2,…,φ7,Sd, P1,…, P4), 以及计算该向量与特征向量库P中向量的欧式距离, 据此确定行人是否异常; 转步7;

步7 置t=t+1, 转步3。

该算法与一般基于行人特征的异常行为检测算法相比，从多个方面考虑异常情形出现的可能性，利用行人运动是否具有周期性、速度变化直接进行异常判断。当行人的运动不具有周期性时，利用行人的运动速度、速度增量、特征向量和特征向量库进一步判定是否异常，此有助于提高异常行为检测的准确率。

3 实验与分析

本实验在配置为CPU / 3.3 GHz、RAM / 2.98GB的WindowXP上Visual C++ 6.0环境下进行。选取Hu矩法[12]、文献[10]、[11]中算法参与本文算法比较。样本集为10人完成的90段视频序列构成的标准Weizman公共数据库，其中训练集为此10人中随机选取7人完成的9种行为产生的视频序列集，包括弯腰、边挥手边跳、跳、挥手、走、跑、侧走、单脚跳及原地跳，样本集中其它样本构成测试集。本文设定走和跑为正常行为，其它情形均为异常行为。实验结果如表4所示。

 

表4 正确识别的统计结果比较

  

算法正常行为识别准确率异常行为识别准确率Hu矩法82．5%82．1%文献[10]89．1%88．3%文献[11]88．5%88．1%本文方法91．7%93．5%

经由表4获知，与其它算法相比，本文算法在行人的行为准确识别率方面有明显优势，它获得正常、异常情形下的准确识别率依次为91.7%和93.5%，而其它算法的正常、异常识别准确率均低于90%。Hu矩法虽然能够刻画行人的形状变化，但对于相似行为不能很好分辨，故单纯利用Hu矩将导致异常识别效果较差；文献[10]和[11]将Hu矩和行人纹理、轮廓特征结合，能够刻画人体的变化细节，获得的识别效果比Hu矩法的效果要好；本文方法将反映全局、局部特征的多种特征量有效融合，获得的算法的误判率较低，此有助于异常行为的检测。

4 结论

针对智能监控中行人异常识别的准确率低、鲁棒性差的问题，在Hu矩特征模型基础上，综合考虑运动目标的局部和全局信息，设计轮廓特征、局部检测频率、速度与轮廓变化曲线模型，并基于此，获得行人运动异常行为检测算法。比较性的实验结果显示，本文的方法将多种特征信息融合，可有效进行异常行为检测，而其它参与比较的方法因考虑的特征信息过少，导致异常行为的误判率过高。

参考文献：

[1]Lavee G, Khan L, Thuraisingham B. A Framework for a Video Analysis Tool for Suspicious Event Detection[J]. Multimedia Tools & Applications, 2007, 35(1):109-123.

[2]Zhang Y, Zhang X J, Liu Z J. Irregularbehavior recognition based on two types of treading tracks under particular scenes [C]//International Conference on Knowledge Science, Engineering and Management. Berlin: Springer-Verlag, 2007:508-513.

[3]Wiliem A, Madasu V, Boles W, et al. Detectinguncommon trajectories [C]//Digital Image Computing: Techniques and Applications. IEEE Computer Society, 2008: 398-404.

[4]Kwak S. Detection of dominant flow and abnormal events in surveillance video [J]. Optical Engineering, 2011, 50(31):27202-27202.

[5]Kim J, Grauman K. Observe locally, infer globally: A space-time MRF for detecting abnormal activities with incremental updates [C]//Computer sion and Pattern Recognition, 2009. CVPR 2009. IEEE Conference on. IEEE, 2009: 2921-2928.

[6]Thida M, Eng H L, Dorothy M, et al. Learning video manifold for segmenting crowd events and abnormality detection [C]//Asian Conference on Computer Vision. Berlin: Springer-Verlag, 2010: 439-449.

[7]Zhou Y, Yan S, Huang T S. Detecting anomaly in videos from trajectory similarity analysis [C]//IEEE International Conference on Multimedia and Expo. IEEE, 2007: 1087-1090.

[8]Chen C, Shao Y, Bi X. Detection ofanomalous crowd behavior based on the acceleration feature [J]. IEEE Sensors Journal, 2015, 15(12): 7252- 7261.

[9]李俊峰, 张飞燕. 基于局部时空特征方向加权的人体行为识别[J]. 中国图象图形学报, 2015, 20(3)：320-331.

[10]王向东, 张丽红. 基于Hu矩和纹理特征结合的人体异常行为识别[J]. 计算机测量与控制, 2017, 25(4):179-181.

[11]赵海勇, 贾保先. 基于轮廓特征的人体行为识别[J]. 计算机科学, 2013, 40(2):1547-1551.

[12]Hu, M.K. Visualpattern recognition by moment invariants. IRE Transaction of Information Theory IT-8 [J]. Information Theory Ire Transactions on, 1962, 8(2):179-187.