视频监控系统中异常行为检测与识别

董莹荷，胡国胜

上海电子信息职业技术学院通信与信息工程学院，上海201411

作者简介：董莹荷（1978—），女（壮族），讲师，硕士，主要研究方向为建筑智能化，dyh2867@163.com.

通讯作者：胡国胜，男，教授，huguosheng@stiei.edu.cn.

摘要：为解决传统视频监控系统中异常行为检测与识别方法存在检测效率低、工作时间长的问题，提出了一种新的视频监控系统中异常行为检测与识别方法。该方法首先通过视频图像噪声过滤、图像灰度矫正、二值化处理、图像边缘检测4个步骤，完成图像预处理；然后在明确图像异常目标特征的基础上，对运动异常目标图像的关键帧进行检测与数据解剖，完成视频监控系统异常行为检测；最后通过自适应算法对视频图像规律加以分析，利用计算机的视觉检测随场景环境变化原理，识别视频监控系统的异常行为。为检测方法效果，设置了对比实验，实验结果表明，新方法能够在短时间内精准地检测出异常行为，工作能力强。

关键词：视频监控系统；异常行为；识别；关键帧；目标检测

中图分类号：TP391.9   文献标识码：A   文章编号：2095-509X(2020)03-0066-05

在经济与社会全面发展的情况下，社会治安问题也逐渐成为社会的主要问题之一，因此，在城市里分布着大量的高清摄像监控装置，然而，多数的监控设备仅起到记录的作用，无法对异常行为进行系统报警［1］。传统摄像监控设备依据人工操作，无法实现长时间对异常行为的监控，且此设备对于资源的浪费十分严重，无法做到对监测到的行为进行分析与处理，在用途方面具有很大的局限性［2］。

相关专家和学者针对视频监控系统中异常行为检测和识别方法进行了深入研究，致力于改善检测率低、工作时间长的问题。李明等［3］提出基于视频图像处理的实验室异常行为检测方法，即先对视频监控系统中的多帧视频图像进行连续采集，利用滤波法构建背景图像，并在背景图像上引入改进背景差分算法提取出完整的目标轮廓，然后依据链表法将轮廓特征整合，采用SVM分类器实现异常行为的检测。该方法能够较为准确地检测出视频监控中的异常行为，但检测步骤繁琐，耗费时间较长。胡正平等［4］提出的视频监控系统异常目标检测与定位方法根据视频帧提取出视频监控系统中的二维视觉特征，得到视频帧间信息，根据信息追踪视频目标；采用3D时空特征学习法，对含有运动信息的时空兴趣块进行描述，采用模式分类检测出异常行为，并定位异常行为发生的位置。该方法在上述传统方法的基础上提高了检测效率，缩减了工作耗费的时间，但仍无法达到理想效果。

针对上述问题，本文设计了一种新的视频监控系统中检测与识别异常行为的方法。该方法通过找寻一定的运动规律，利用自适应算法对规律进行加工分析，达到对视频监控系统中异常行为进行检测与识别的目的。

1视频信息图像预处理

视频图像在被分割后无法正常表达视频运动目标的具体特征，因此必须要对视频信息图像进行预处理［5］。预处理主要包括视频图像基础检测、信息识别、原始图像噪声过滤、灰度矫正等操作。

第一步：视频图像噪声过滤。

在对目标图像进行采集时，电子视频图像会遭受外界的系统干扰，所以需要先利用图像处理器提高视频图像的清晰度，再通过加工解析提高视频图像的准确度，最后通过图像滤波方法，对数据进行空间域滤波与交换域滤波［5］。过滤后的图像声波图如图1所示。