异常行为算法：监狱智能化安全防范的关键技术研究成果

（1）研究方案。

对于异常轨迹、爬高、越界、藏匿、徘徊等异常行为，可采用基于运动空间的行为轨迹分析方法，直接对连续的视频图像序列中的运动目标跟踪其运动轨迹，继而通过获取的运动轨迹特征信息来完成对异常行为的分析检测，算法流程如图5-16所示。

根据监控环境的实际情况，采取两点画线的方式设置警戒边界线，将监控区域一分为二，即正常区域和警戒区域。运动目标出现在正常区域是正常的，一旦有目标从正常区域穿越警戒线，可能有边界越线的异常行为发生。若运动目标的运动轨迹在警戒区域或正常区域，出现非正常的向上攀升趋势，可能发生爬高的异常行为；若运动目标的运动轨迹在画面中非正常消失或中断，可能发生藏匿的异常行为；若运动目标的运动轨迹在画面中出现往复振荡，说明运动目标在一定区域内来回反复运动，可能发生滞留徘徊的异常行为。根据爬高、越界、藏匿、徘徊等异常行为的轨迹特点，设计合理的判断规则，可实现此类异常行为的检测。

图5-16　异常行为的分析检测流程

（2）研究方法与研究过程。

按照研究方案，异常轨迹分析算法的具体研究过程如下。

①运动目标检测。实现并比较了单高斯背景建模、混合高斯背景建模和均值模型建模的建模效果，比较优缺点后，采用混合高斯背景建模。在运动目标提取中，运用多种滤波操作和二值形态学处理对图像进行去噪，提高目标检测准确性。

②运动目标跟踪。分析并实现了Mean Shift 跟踪算法和Cam Shift 算法，比较二者优缺点，根据单个固定摄像头的图像特点，采用计算量小、效果较稳定的CamShift 算法。

③判定目标发生边界越线行为。采用的算法是判断运动目标中心像素点与边界线直线方程的位置关系，若目标轨迹与边界线有交叉，则判定为边界越线异常行为。(www.xing528.com)

④判定目标是否发生滞留徘徊行为。采用的算法是计算运动目标轨迹的主方向角及运动距离，若出现2 段以上曲线的主方向角差大于120 °，且2 次以上当前帧目标运动距离小于上一帧目标运动距离的情况，则判定为滞留徘徊。

（3）研究结果。

采用OpenCV 和Python 语言编程实现了异常轨迹分析算法，并与实时监控摄像头相连，对监控视频进行实时分析处理。对办公室走道场景进行实景测试，测试界面如图5-17所示。测试结果展示对异常轨迹、爬高、越界智能分析的误报率和漏报率为3%～5%，达到实用性要求，具有推广应用价值。

图5-17　异常轨迹分析实验仿真界面

经试验验证，该算法可分析处理的场景和性能如下。

①运动目标检测：支持对高清分辨率的监控视频进行处理，实时检测是从运动目标出现到系统自动检测并进行标注，检测时延不超过5 秒，检测准确率不低于85%。

②轨迹跟踪分析：可对监控摄像中的人、物目标进行自动检测和跟踪，生成其行径路线和运动轨迹，进行实时监控及追溯该运动目标的行踪。

③越界/入侵检测判断：在摄像机监视的场景范围内，可根据实际需要设置一个或多个警戒线/警戒区域，当有人、物目标越过警戒线或进入警戒区域时，自动触发报警，同时标识出其运动轨迹，便于安保人员实时监控及追溯该运动目标的行为。

④异常轨迹判断：基于运动空间的行为轨迹分析方法，实现对爬高（翻墙）、藏匿、徘徊滞留等异常行为的检测和报警。