监狱智能化安全防范技术与倒地行为检测结果

（1）研究方案。

图5-19　遗留物检测实验仿真界面

通过分析发现，一般连续行为视频序列包含人的静止、行走、慢跑、跌倒、下蹲、弯腰、坐下等常见行为。考虑到连续视频的信息量大，模型构建复杂，运动行为分析本身所要处理的数据量很大，所以可以对待识别的倒地行为进行初步过滤，锁定可疑行为时再进一步区分，简化处理过程。仔细分析上述运动行为的联系和区别，可以发现目标轮廓高度在这几类行为中具有很高的区分度，因此可以通过“高度是否变化”过滤掉“静止、行走、慢跑”等高度基本保持不变的运动行为，定位“跌倒、下蹲、弯腰、坐下”四种高度变化比较明显的可疑行为。在对目标行为进行定位后，再采用特征提取和机器学习的方法来细分易混淆的“跌倒、下蹲、弯腰、坐下”等行为，检测倒地行为，拟采取的算法流程如图5-20所示。

（2）研究方法与研究过程。

按照研究方案，倒地行为检测算法的具体研究过程如下。

①运动目标检测。采用混合高斯背景建模的方法分离视频帧中的前景目标和背景图像，并对含有噪声的目标图像依次使用中值滤波、开运算、删除小面积对象、基于canny 算子的边缘检测、二次膨胀、区域填充法去除干扰噪声区域，得到完整的运动目标轮廓。

②行为特征提取和识别。初步提取运动目标的外接矩形，通过对外接矩形的变化程度与阈值的比较，判断出疑似跌倒的人体行为；然后进一步区分相近行为，提取跌倒行为与其相近行为的归一化外接矩形、归一化重心下降速率、Hu 不变矩三项共计10 个特征值向量，利用支持向量机搭建分类器，通过对学习样本的训练学习达到准确识别跌倒行为的目的。

图5-20　倒地行为检测算法流程图(www.xing528.com)

（3）研究结果。

利用Matlab 编程实现了倒地行为检测算法。在实验仿真中，用30 个跌倒行为，15 个下蹲行为，10 个捡东西行为，以及5 个坐下行为共60 段视频序列作为样本集，其中包含3 个正面跌倒视频。取学习和测试样本各30 组，其中正负样本也平均分配。

首先实验论证了归一化外接矩形、归一化重心下降速率以及Hu 不变矩三组共10 个特征向量，是可以区分跌倒行为和疑似行为的有效分类特征，它们不仅在不同行为间表现出一定的差异性，并且在同类行为间具有稳定性，测试结果如表5-1所示。

表5-1　不同行为的分类特征数据比较

利用支持向量机得到的识别分类结果如表5-2所示，实验结果表明，在15 个跌倒视频中，有2 个视频被误判为非跌倒行为，其中包含1 个正面跌倒。7 个蹲下视频中有1 个被判定为跌倒行为，其余两种行为没有发生错判。最后得到的总识别率达到90%。

表5-2　跌倒行为识别结果

对于测试结果进一步分析，可以发现正面跌倒行为不容易被辨识，实际上人体正面对着摄像头时，其运动行为对应的目标外接矩形的变化相对较小，尤其是运动目标的高度值由于角度关系，减小的程度不及侧面跌倒明显，易与蹲下行为混淆。而蹲下行为由于姿势和角度的不同等因素，可能会存在被误判为跌倒行为的情况。