智能监控系统的构架描述

2023-06-16 理论教育版权反馈

【摘要】：目前的技术直接识别人的各种行为还不可能。本小节提出的构架目标是识别录像中的异常情况，主要识别指定的行为模式，通过学习逐步积累行为模式，使系统功能不断完善。其构架如图5.1所示。图5.1一种智能监控系统的构架图系统的数据由3层构成，即原始录像的视频文件、模式和实时数据。当然，对怀有异常目的，但没有行为表现的情况，系统是无法识别的。

目前的技术直接识别人的各种行为还不可能。本小节提出的构架目标是识别录像中的异常情况，主要识别指定的行为模式，通过学习逐步积累行为模式，使系统功能不断完善。其构架如图5.1所示。

pagenumber_ebook=68,pagenumber_book=63

图5.1　一种智能监控系统的构架图

系统的数据由3层构成，即原始录像的视频文件、模式和实时数据。模式主要有特征模式、行为模式和异常模式；实时数据有特征数据与行为数据。

特征模式反映要从录像中提取的数据特征。人或物体的运动特征是提取的重点，如出现、移动物体个数、外形、运行方向、运动轨迹、人的四肢摆动速度与方向等。系统根据欲提取的特征建立特征模式，特征提取模块根据特征模式从录像中提取实时的特征数据。

行为模式反映移动物体的行为，如越线、消失、快速奔跑、暴力等。行为识别模块主要根据系统定义的行为模式，识别特征数据的行为，生成实时的行为数据。

异常模式反映行为数据中的异常。异常与时间、地点有关，开发过程中首先应根据系统背景对异常行为进行抽象。例如指定时间与指定地点的出现。如财务室、档案室、票据室、网络中心机房等场所，在午夜到凌晨时间段出现人物均可视为异常；指定时间与指定地点的越线。如设在窗口的镜头，可在窗前设置一条虚拟的线，当有人穿过这条线可视为异常；暴力行为等。

异常识别模块从3个方面定义与识别异常：

（1）根据背景抽象出的异常行为定义为异常模式，符合异常模式的行为数据被识别为异常行为。

（2）使用数据挖掘的异常挖掘算法来识别异常情况，数据挖掘中的异常挖掘可以从大量记录中识别每个记录的异常程度，将异常程度高的行为识别为异常。

（3）系统通过积累不断进行自学习，如从过去已知是异常情况的片断中学习，或者通过人机交互由用户将过去片断中的行为模式定义为异常或正常。当然，对怀有异常目的，但没有行为表现的情况，系统是无法识别的。

此外，系统应有适当的人机交互和自学习等功能，除了前述的从异常片断中的自学习，系统自学习模块将根据原始录像不断总结出新的特征模式、行为模式，供用户来确认，系统累积各种模式，以不断提高识别的精度和效力。

系统的实施应从需求出发，由异常模式可分析出系统将判断的行为模式，由行为模式可分析出要提取的特征模式。系统的关键技术有特征数据模式和提取方法两种；行为模式及异常模式建立与识别的数据分析理论与算法将在以下进行简单阐述。

智能监控系统的构架描述

相关推荐