基于復雜機場監控環境下的行為檢測分析

左驥

摘要：復雜機場環境下的行為檢測是指應用視頻采集技術、傳感器技術實現對人體動作、特征、行為等內容的提取與分析，實現對行為的科學檢測。目前，市場上的監控行為檢測系統存在細微識別較差、識別率較低等問題。本文探討識別檢測技術在復雜機場環境中的應用原理，通過模型訓練的方式提高行為識別率及檢測效果，探討監控識別系統應用方式。

關鍵詞：復雜機場 監控環境 運動特征 行為檢測 模型訓練

Behavior Detection and Analysis Based on Complex Airport Monitoring Environment

ZUO Ji

（Chengdu Shuangliu International Airport Co.， Ltd.， Chengdu， Sichuan Province，610225 China）

Abstract： Behavior detection in complex airport environment refers to the application of video acquisition technology and sensor technology to extract and analyze human actions， features and behaviors， so as to realize the scientific detection of behavior. At present， the monitoring behavior detection system in the market has the problems of poor subtle recognition and low recognition rate. This paper discusses the application principle of recognition and detection technology in complex airport environment， improves the behavior recognition rate and detection effect through model training， and discusses the application mode of monitoring and recognition system.

Key Words： Complex airport; Monitoring environment; Motion characteristics; Behavior detection; Model training

機場中頻繁的突發事件及惡性事件會對機場的秩序造成一定程度影響，機場為預防此類事故的產生，應用監控系統實現對現場環境的檢測，作為事故處理的依據。然而視頻監控系統當下的應用并不健全，其在行為識別與行為檢測上仍存在一定的問題，大數據技術、智能將技術在監控系統中的應用可以有效提高監控的準確性，實現對安全事故的預警，相關人員需要對系統進行科學設計，引入更多新型技術，提高監控質量。

1運動人體提取技術

1.1運動目標檢測方法分析

運動人體檢測可以分為動態、靜態兩種，受自然天氣環境影響較大，對運動目標進行分割會受到影響。為了實現對運動目標的科學檢測，目前比較常用的3種方法分比為時間差分法、背景差分法、光流分析法3種。第一種方法通過對監測圖像的像素差值或者絕對值實現對圖像內運動行為特征的分析，該方法應用檢測速度較快，但很容易出現檢測圖像空洞情況。第二種方法是指在同一個場景之中，如果監控圖像中的背景具有一致性，可以應用背景差分法實現對目標的分割處理，設計人員需要實時更新背景模型實現運動目標的檢測。第三章方法應用光流信息實現對監控圖像中的運動目標檢測，運動目標的亮度會因行為變化產生相應的變化，具有魯棒性特點，該方法通過時空微分形成二維場，對監控圖像中的運動信息進行梯度分析[1]。

1.2機場環境下運動人體提取方法

由于機場環境具有一定的復雜性，行人數量比較多，噪音較大，上述運動目標檢測方法中的時間差分法進行運動人體的提取，具體系統技術應用如下。

系統與機場中的視頻監控系統相結合，采集原始視頻信息傳輸至系統之中進行預處理。根據系統功能可以將動作行為按照模塊進行分類，預處理的過程將動作內容進行標注，并對應相應的幀數區間。視頻會在系統的MFC框架之中顯示出來，根據標注的對應區域形成分段類的視頻，成為處理對象。

根據監控系統采集的圖像序列可以計算圖像像素幀間的絕對差值，但其無法完全展示運動目標，可能會出現圖像漏洞問題，導致運動人體行為檢測結果并不準確。因此，為了彌補該技術應用的缺點，采用對稱差分技術對監控系統中的目標輪廓進行明確，即使出現背景暴露問題，也不會對檢測結果造成一定程度上的影響。該技術的應用原理是通過計算原始圖像中連續的三幀序列，對相鄰的圖像幀數進行差分計算，最終得到差二值圖像，通過對稱邏輯計算的方式，得到最終的圖像結果。

運動人體的提取是監控系統行為檢測的基礎性內容，由于運動人體的視頻圖像信息受環境因素影響比較大，采用其他的方法運動目標進行提取可能會出現一定的失誤情況，概率也比較高。然而應用時間差分法進行運動人體提取可能會由于運動目標行為緩慢導致提取失敗，采用幀間差累計的方法進行計算，運動目標提取效果較好。該技術在英國機場中的運動目標提取中應用，應用MPEG解碼庫對監控系統中的視頻序列進行處理，視頻格式為MPEG-1，處理結果較好[2]。

2運動特征提取技術

2.1興趣點方法應用

應用幀間差累計技術實現對運動目標的提取，結合角點檢測技術可以實現對運動特征的提取。運動特征提取技術起源于20世紀70年代，經過數十年的發展已經可以通過高層結構信息建立實現對運動特征的提取。興趣點是人體關節位置運動所發生變化的點位，可以根據點位的運動軌跡及運動規律實現對運動特征的提取。監控系統中對運動特征進行識別需要規避復雜的環境，通過二維或者三維時空域的建立對興趣點進行明確，不同的場景需要應用不同種類的興趣點。

2.2角點檢測技術原理

考慮到機場環境的復雜性，在上述兩種運動特征提取技術上進行優化設計。應用Harris角點檢測技術獲取監控區域內的人體運動特征。該技術應用檢測器裝置實現對角點區域的興趣點獲取，具有一定的穩定性，即使監控采集的圖像發生了旋轉或者亮度參數等發生變化，檢測其所提取的結果影響程度均比較小。該技術基于圖像的局部像素進行計算，衡量圖像像素點中不同區域的變化;應用函數算法中使用高斯函數進行計算，根據距離中心位置的距離確定像素的權重值，可以提高運動特征采集的科學性以及穩定性[3]。

2.3算法應用

根據函數計算原理對最終的算法進行明確以及求解，根據計算步驟及計算方式列出像素點的相關矩陣，對角點位置進行明確，計算角點的響應情況，最后，通過在局部區域計算極大值的方式，對最終的角點位置進行明確。系統應用Harris算子對監控系統采集圖像的興趣點進行提取，該算法應用提取效果較好，計算過程比較簡單，經過矩陣、計算響應、計算極大值的方式即可獲取角點信息。技術應用一階差分濾波進行計算，所提取的角點位置比較均勻，可以通過對像素點的興趣值計算，選擇最優點，即使在背景紋理比較復雜的區域，也可以進行運動特征點的提取，但該技術應用同樣存在弊端，受尺度敏感性影響較大，在不同的尺度下可能提取到的是角點，也可能會提取到邊緣[4]。

3模型訓練拆分設計

3.1Web Browser控件應用

由于機場的環境具有復雜性，場景中的行為要素比較多，僅僅對目標動作進行提取存在不科學性，因此采用聚類交互的方式實現對多個目標特征的提取。使用的較為常用的聚類方法包括K-means方法，該方法通過腳本語言設計實現聚類目標，實現目標特征的可視化處理。聚類技術將興趣點集合分類，隨機產生聚類中心，直到聚類中心變化停止結束過程。本文應用Graphviz工具實現聚類交互目標，生成HTML文件信息，為了對該文件信息進行顯示讀取，需要在系統之中安裝Web Browser控件，監控系統識別行為運動特征需要應用系統匹配的瀏覽器進行圖像文件生成與顯示。

本文設計監控行為檢測系統使用自定義瀏覽器實現圖像生長，在對話框嵌入應用控件，創建瀏覽器類。設計人員首先在構造函數之中創建對象，創建容器管理器，繼而應用InitControl函數創建父窗口，將其作為系統的容器對象，調動函數創建站點，最終實現對控件對象的科學應用，通過上述方法創建瀏覽器并嵌入空間，實現對特征檢測的HTML文件的顯示。

3.2拆分模型訓練

通過模型訓練后將樣本處理成為樹狀圖，模型測試需要對提取的興趣點進行差分處理，系統需要建立匹配的拆分模型對其結構進行判定，確定其是否在行為檢測過程中需要進行拆分處理?？梢詫⒉鸱诌^程視作是兩分類問題，將葉子節點作為負樣本，其他節點作為正樣本，正樣本需要進行拆分處理。選取幀數大小為580×720的圖像作為樣本，將其劃分為周邊為16的格子，計算格子的角點數量，形成維度向量，根據運動方向將其進行拆分，對應到16個格子之內，最終進行歸一處理。選擇的視頻樣本可以生成多個向量，拆分過程結束之后，點擊相應按鈕可以對特征進行了解。

模型訓練過程在提取數據以及樣本之后進行，使用SVW進行數據拆分，進行模型訓練。按照數據庫中規定的格式對數據進行儲存，選擇適用的訓練參數進行模型設計，應用Grid.py執行命令，得出具體結果。應用函數對模型進行拆分，生成文件，作為后續訓練拆分所重點應用的內容。

4模型訓練與行為識別技術

4.1描述子選用

行為識別特征提取技術以及興趣點提取技術前文已經論述，在進行模型拆分的基礎上仍需要進一步對興趣點進行集合處理，對目標行為進行描述，使其以向量的方式呈現，作為數據樣本。如何對其行為進行表述是監控系統行為檢測的關鍵內容，可以應用Cuboids對興趣點進行描述，其在興趣點的內部以立方體的形態呈現，與提取參數存在內在聯系，引入該描述子雖然可以對參數進行描述，但無法對局部行為特點進行描述，需要將其與像素點結合才可實現行為檢測的目標。

4.2描述子應用方法

本文提出的方法可以計算維度內的梯度信息，以積分視頻的計算方式實現尺度控制目標，此外，該方法可以實現對三維梯度模型的量化處理，以正多面體的方式進行參數量化計算。該方法應用較為簡單，效率較高，將局部特征量化需要經過兩個步驟，首先參數在內部空間三維體系上進行時間尺度信息的展示，繼而將梯度信息進行量化處理，對其進行描述。應用積分視頻實現對梯度的計算，在立方體圖形中實現對尺度參數控制，不需要提前進行時空尺寸數量的明確，根據圖像點的格式與內存需求之間的線性關系，實現對特征的最終描述。

4.3行為模型訓練

在完成描述之后需要對描述子進行測試，對表述方法進行明確?；趯C場復雜的環境分析，可以應用bag-of-word的方法進行行為模型訓練。提取行為特征之后進行描述，行為特征受運動方向及主體對象的外在形象影響比較大，提取的參數點位存在明顯差異。但在模型中Cuboids類別有限，即使其個數是無限的，也可以對類型進行描述。本文提出的方法將訓練樣本按照類別進行聚類處理，通過函數計算最終結果，形成維度向量后進行歸一化處理。提取描述子之后需要將其保存至指定模塊之中，儲存格式需要與系統匹配，應用SVW進行行為模型訓練，在菜單界面上對其進行處理，可以得到最終的行為模型。

4.4行為識別

在對模型進行行為訓練之后，需要測試其在框架之中是否可以實現對行為特點的科學識別，在模型中輸入樣本之后，對類別行為信息進行預測。由于數據庫中的數據類型十分復雜，僅依靠行為模型對行為的識別無法保障行為檢測的最終效果，需要將行為模型與拆分模型融合，通過測試界面的設計對行為進行識別。行為識別在聚類的情況下進行，其可以分為兩個子菜單，其主要作用分別是提取、預測，實現對行為的科學分類。在測試界面對行為進行識別，節點數量比較多，為了提高行為檢測結果的準確性，對模型中的全部葉子節點進行類別預測，即使僅有一個預測結果是正確的，就可以保障最終的行為檢測結果是正確的，如果全部預測均為錯誤的，則最終的行為檢測結果就是錯誤的[5-6]。

5結語

綜上所述，復雜機場環境下的行為檢測應用計算機視覺技術實現對行為的識別，為了提高系統行為檢測能力與辨識能力，賦予系統智能化功能，設計智能行為檢測系統。本文根據機場的實際監控環境，賦予系統運動區域提取功能、特征提取功能，并設計人機交互系統實現對功能模塊的操控，為機場環境下的異常行為檢測與預測提供保障。

參考文獻

[1]劉鵬，張伊靜.獨立程度、機構稟賦與監管治理的有效性——基于四類檢測機構行為的比較案例研究[J].南京社會科學，2022（1）：72-82.

[2]林中愛，程富勇，廖耀華，等.基于改進神經網絡算法的低壓抗直流互感器動作行為檢測[J].制造業自動化，2021，43（12）：43-45，57.

[3]杜志強，譚玉琪，仇林遙.基于卡爾曼濾波的船舶軌跡異常行為快速檢測方法[J].地理信息世界，2021，28（4）：112-118.

[4]鄭萌萌，錢慧芳，周璇.基于監控視頻的Farneback光流算法的人體異常行為檢測[J].國外電子測量技術，2021，40（3）：16-22.

[5]喬祎. 基于深度學習的機場檢測數據集的研究[D].成都：電子科技大學，2020.

[6]孟琦. 運輸機場用能監控方法研究[D].天津：中國民航大學，2019.