一种基于视频特征学习的多要素可疑人员识别方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110852203A(43)申请公布日2020.02.28(21)申请号201911032396.7(22)申请日2019.10.28(71)申请人西安交通大学地址710049陕西省西安市咸宁西路28号(72)发明人桂小林滕晓宇戴慧珺徐盼姜林李德福廖东程锦东汪振星桂若伟(74)专利代理机构西安通大专利代理有限责任公司61200代理人姚咏华(51)Int.Cl.G06K9/00(2006.01)权利要求书3页说明书9页附图4页(54)发明名称一种基于视频特征学习的多要素可疑人员识别方法(57)摘要本发明公开一种基于视频特征学习的多要素可疑人员识别方法，包括：对监控视频进行基于感知哈希映射关键帧筛选，分离包含行为主体的前景信息，并定位关键部位所在区域；然后对预处理结果进行动静结合的特征提取：对于静态监控视频,提取头部姿势、手部姿势等局部特征与行走异常、衣着异常等整体特征；对于动态监控特征，主要提取路径重复度、可疑人员出现在人群密集点的概率以及监控环境中标志点平均停留时间；根据评判标准结合可信计算思想，计算可疑人员身份可信指数；最后，根据相应的阈值，动态筛选可疑人员并输出判别信息。本发明可以在受控与非受控环境下，较准确高效的识别出可疑人员，具有良好的科学性与更高的实际应用价值。CN110852203ACN110852203A权利要求书1/3页1.一种基于视频特征字习的多要素可疑人员识别方法，其特征在于，包括以下步骤：S1、通过动静态监控设备分别采集静态监控视频S与动态监控视频Q，形成监控视频集合T；对监控视频集合T进行数据处理，获得关键帧集合Skey；S2、根据筛选所得的关键帧集合Skey提取包含行为主体的前景数据Tpre；S3、使用慢特征分析法分析前景数据Tpre中静态监控视频部分，得到局部特征中头部姿势变换特征数据Dhead与手部姿势变换特征数据Dhand；并提取前景数据Tpre中静态监控视频部分中全局特征中行走异常特征数据Dwalk与衣着异常特征数据Dclothes；S4、根据特征数据：头部姿势变换特征数据Dhead、手部姿势变换特征数据Dhand、行走异常特征数据Dwalk、衣着异常特征数据Dclothes，从监控视频集合T中获取可疑目标集合A；S5、计算包含行为主体的前景数据Tpre中静态监控视频部分中可疑目标A的路径重复度Dre、人群密集点出现的概率Dp以及监控环境中标志点平均停留时间Dτ；S6、根据路径重复度Dre、人群密集点出现的概率Dp以及监控环境中标志点平均停留时间Dτ对可疑目标集合A中人员进行异常评判，确定其身份可信指数Auth，最后根据可信因子Ω确定可疑人员，完成可疑人员判定并输出。2.根据权利要求1所述的一种基于视频特征学习的多要素可疑人员识别方法，其特征在于，步骤S1中对监控视频集合T进行数据处理，具体包括：S1.1、监控视频T分帧为T＝{T1，T2，…，Tn}，灰度化处理后得帧集合B＝{B1，B2，…，Bn}；S1.2、根据P-Hash最佳变换像素32×32块，对帧集合B的每帧图像进行分块，并横向编号，不足以0填充，即帧Bi＝{Bi1，Bi2，…，Bij}，得到相应的块数据Bij；S1.3、根据分块后的块数据Bij进行DCT变换，并只保留块数据Bij变换后矩阵B′ij左上角8×8的数据矩阵Dij，其中i表示视频序列第i帧，j表示视频帧内第j块；S1.4、计算矩阵Dij的平均值当Dij的值大于用1替换Dij的值，当Dij的值小于则用0替换，从而获得块哈希值；S1.5、以监控视频T的第一帧数据为基准，并根据需求选择τ时间段，分别计算τ时间段内，与第一帧数据对应块哈希值之间的汉明相似度，直到计算完所有对应块之间的相似度得相似度集合Sa，k＝{Sa，1，Sa，2，…，Sa，k}，其中a表示τ时间段中的第a帧，k表示第a帧的第k块；S1.6、根据步骤S5的相似度集合Sa，k，计算帧间相似度Sq，动态确定关键帧筛选阈值ρ；S1.7、综合步骤S1.6中相似度Sq与关键帧筛选阈值ρ，对监控视频集合T进行筛选，采用模糊聚类方法聚合得到高相似度块，从高相似度块任意一帧作为关键帧，聚合所有高相似度块的关键帧集合，得到关键帧集合Skey。3.根据权利要求2所述的应用于一种基于视频特征学习的多要素可疑人员识别方法，其特征在于，步骤S3具体包括：在动态特征提取过程中可疑人员行走异常特征数据Dwalk，计算如下：Dw＝Dw1∪Dw2∪…∪Dwn其中，Dw1，Dw2，…，Dwn为以可疑人员为中心，以Rwalk为半径的圆内所有人的行走特征数据，Dwalk为可疑人员的行走数据；2CN110852203A权利要求书2/3页在特征提取过程中可疑人员衣着特征数据Dcl