暴力犯罪检测系统及其检测方法

具体实施方式

下面结合附图给出本发明较佳实施例，以详细说明本发明的技术方案。

本发明暴力犯罪检测系统包括视频获取模块、算法检测模块、补光模块和消息管理模块，视频获取模块、算法检测模块和补光模块顺序连接，算法检测模块、补光模块和消息管理模块连接，视频获取模块用于获取视频监控区域的视频信息(或视频流)，视频获取模块包括摄像机、采集卡和计算机，摄像机将视频监控区域的视频信息转化成模拟信号，通过采集卡采集摄像机的模拟信号到计算机中；算法检测模块用于判断是否发生目标区人员聚众打架、斗殴等暴力犯罪，即主要通过对视频信息进行算法处理来检测实时图像视频中出现的人群行为上的聚众情况并引起的打架斗殴现象，及时抓取、报警和保存关键帧图片，检测目标区人员的聚众和打架行为，并加以识别和判断，及时报警并输出检测结果到补光模块和消息管理模块，同时检测结果保存于数据库中，检测结果记录此次检测的目标区人员聚众、打架行为的状况、时间和关键帧图片等若干信息。补光模块根据算法检测模块的检测结果来打开LED补光或红外补光对视频获取模块进行补光。消息管理模块用于协调算法检测模块和补光模块的通信和同步控制机制，该模块使得模块间的配合变得简单、灵活和可配置，此模块结构具有极强的可扩展性，不但各个模块间既可以独立工作，又可以无间的协作，而且还可以根据需要加入新的功能模块。

本发明暴力犯罪检测系统的工作原理是：先启动摄像机模块，通过采集卡得到视频信息，然后将得到的视频信息送入到算法检测模块，该算法检测模块立即对送入的视频信息进行质量检测，如果视频信息质量达到要求，则后续算法立即启动，如果视频质量不能满足要求，消息经过消息检测模块后，则会立即发出相应的消息给消息管理模块，消息管理模块得到消息后，会立即启动补光模块(LED补光或红外补光)，通过该补光模块采集到的视频信息将重新送入到算法检测模块，算法检测模块将重新对视频信息质量进行检测，如果质量满足，则后续算法启动，如果视频信息质量不能满足要求，系统将继续重复采集，直到视频质量满足要求；通过采集到的质量满足的视频信息，将会被送入到算法检测模块的其它部分，算法检测模块能完成光流计算分析和多目标识别跟踪的诊断。通过核心相应算法检测，该算法检测模块将会向消息管理模块发出消息，消息管理模块处理完该消息后，会立即将处理结果发给系统，系统根据得到的消息结果来启动相应的模块，包括报警的模块；系统发出报警指示，则报警模块会立即予以报警，并将算法检测出的相应报警关键帧图片立即保存到系统的数据库中，以备后续时时检查；随着视频信息的不断输入，整套系统的所有模块不停的对视频流进行分析，并保存分析结果，达到实时监测的目的。

本发明暴力犯罪检测系统的检测方法包括以下步骤：

S1、视频获取模块获取视频监控区域的视频信息；

S2、对获取的视频信息进行背景建模，获取前景图像和背景图像，一般情况下，图像总是能够被分成前景图像IF和背景图像IB，且知IF+IB＝I，IF和IB无交集，对下一帧信息进入时，根据新的数据信息与原有的背景图像IB作权重融合，得到新的背景图像I’B，然后再用新的数据帧信息I’和新的背景图像作差，得到新的实时前景图像I’F＝I-I’B；

S3、从前景图像中提取前景物体信息，采用区域分割算法对其进行分割，获取各个目标区域，区域分割的步骤如下：第一步，从前景图像的第一行开始扫描图像，应用四邻域生长准则进行种子点的生长，第二步，根据每个种子点的生长范围进行生长区域的合并，第三步，在每个种子点生长完成之后应用种子准则标定感兴趣区域，从而得到最后的分割结果，第四步，直到扫描到图像的最后一行，得到所有的分割区域结果，区域分割完成。

S4、对步骤S3中提取到的各个目标区域的零碎区域进行合并融合，以得到各个前景目标的区域；

S5、对各个前景目标的区域进行多帧连续跟踪，即把步骤S4中得到的每个目标区域的重心坐标在连续帧中连接起来，即可获取各个前景目标的运动轨迹；

S6、同时，对前景图像中的各个目标区域的运动状态进行光流算法分析，这样可以准确地对光流计算，即标定各个目标区域的运动速度、方位和其剧烈程度；下面对光流计算方法进行介绍：

光流是一个重要的概念，它是Gibson于1950年提出来的。所谓光流是指图像中模式运动的速度。光流场是一种二维(2D)瞬时速度场，其中的2D速度场矢量是景物中可见点的三维(3D)速度矢量在成像表面的投影。光流不仅包含了被观察物体的运动信息，而且携带着有关景物三维结构的信息。在计算机视觉中，光流是较高层视觉算法的一个重要输入。本发明采用微分法来计算光流场。

光流场建模：在考虑求解光流之前，先考虑一维时空模型的推导，设

f(x，t)＝f(g(x，t)，t0)    (2.6.1)

式(2.6.1)中f(x，t)指相对于前面的t0时刻变化的运动物体。上式的含义是：t时刻在空间位置x的强度与t0时刻在位置x’＝g(x，t)强度相同。f(x，t)在由g(x，t)＝c所定义的(x，t)时间曲线簇上是常数。

另一方面，速度U＝[u，v]^T是局部平滑的，即待计算的u，v随着点的改变而缓慢变化，它成为一个约束条件，u为局部平滑的约束条件，可以将运动估计表示为最优化问题，即极小化下面函数：

$C_1=\frac{{\partial }^{2}u}{{\partial }^{2}x}+\frac{{\partial }^{2}u}{{\partial }^{2}y}+\frac{{\partial }^{2}v}{{\partial }^{2}x}+\frac{{\partial }^{2}v}{{\partial }^{2}y}---\left(\mathrm{2.6.2}\right)$

在理想情况下C₁的极限为0，这意味着：U的解在局部区域至多是线性平行的。另外，空间变量的拉普拉斯变换也可以用这些变化量与局部空间平均值的差来逼近。

实际上，上式(2.6.2)可以用下面两式之一代替：

C₂＝(u-u_avg)+(v-v_avg)      (2.6.3)

C₃＝(u-u_avg)²+(v-v_avg)²    (2.6.4)

对光流约束方程的极小化为：

$M^2={[\frac{\partial f(X,t)}{\partial t}-\frac{\partial f(X,t)}{\partial x}u-\frac{\partial f(X,t)}{\partial y}v]}^2---\left(\mathrm{2.6.5}\right)$

希望总误差最小则有：

$\left(\begin{array}{c}\frac{\partial E}{\partial U}=0\\ \frac{\partial E}{\partial \lambda }=0\end{array}\right)---\left(\mathrm{2.6.6}\right)$

根据上述方程式(2.6.2)、(2.6.3)、(2.6.4)、(2.6.5)、(2.6.6)联合求解，并采用迭代算法，可以解出光流速度场如下方程式(2.6.7)和(2.6.8)：

u_avg＝(u(x+1，y)+u(x-1，y)+u(x，y+1)+u(x，y-1)+u(x，y))/5    (2.6.7)

v_avg＝(v(x+1，y)+v(x-1，y)+v(x，y+1)+v(x，y-1)+v(x，y))/5    (2.6.8)

S7、根据步骤S5对各个前景目标的跟踪结果，判断出前景多目标之间的相互聚集状态，如果大量目标聚集在一起，则可以判断出现人员聚众状态；

S8、再结合步骤S6中光流算法分析得出的各个前景目标的光流强度，如果目标的光流强度超过阈值，则可以判断打架事件等暴力事件发生，如果光流速度达不到阈值，则仅是一般的人员聚集，而没有发生打架等暴力事件。

虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些仅是举例说明，在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改。因此，本发明的保护范围由所附权利要求书限定。