左驥

摘要：復(fù)雜機(jī)場(chǎng)環(huán)境下的行為檢測(cè)是指應(yīng)用視頻采集技術(shù)、傳感器技術(shù)實(shí)現(xiàn)對(duì)人體動(dòng)作、特征、行為等內(nèi)容的提取與分析，實(shí)現(xiàn)對(duì)行為的科學(xué)檢測(cè)。目前，市場(chǎng)上的監(jiān)控行為檢測(cè)系統(tǒng)存在細(xì)微識(shí)別較差、識(shí)別率較低等問題。本文探討識(shí)別檢測(cè)技術(shù)在復(fù)雜機(jī)場(chǎng)環(huán)境中的應(yīng)用原理，通過模型訓(xùn)練的方式提高行為識(shí)別率及檢測(cè)效果，探討監(jiān)控識(shí)別系統(tǒng)應(yīng)用方式。

關(guān)鍵詞：復(fù)雜機(jī)場(chǎng) 監(jiān)控環(huán)境 運(yùn)動(dòng)特征 行為檢測(cè) 模型訓(xùn)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(jī)場(chǎng)中頻繁的突發(fā)事件及惡性事件會(huì)對(duì)機(jī)場(chǎng)的秩序造成一定程度影響，機(jī)場(chǎng)為預(yù)防此類事故的產(chǎn)生，應(yīng)用監(jiān)控系統(tǒng)實(shí)現(xiàn)對(duì)現(xiàn)場(chǎng)環(huán)境的檢測(cè)，作為事故處理的依據(jù)。然而視頻監(jiān)控系統(tǒng)當(dāng)下的應(yīng)用并不健全，其在行為識(shí)別與行為檢測(cè)上仍存在一定的問題，大數(shù)據(jù)技術(shù)、智能將技術(shù)在監(jiān)控系統(tǒng)中的應(yīng)用可以有效提高監(jiān)控的準(zhǔn)確性，實(shí)現(xiàn)對(duì)安全事故的預(yù)警，相關(guān)人員需要對(duì)系統(tǒng)進(jìn)行科學(xué)設(shè)計(jì)，引入更多新型技術(shù)，提高監(jiān)控質(zhì)量。

1運(yùn)動(dòng)人體提取技術(shù)

1.1運(yùn)動(dòng)目標(biāo)檢測(cè)方法分析

運(yùn)動(dòng)人體檢測(cè)可以分為動(dòng)態(tài)、靜態(tài)兩種，受自然天氣環(huán)境影響較大，對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行分割會(huì)受到影響。為了實(shí)現(xiàn)對(duì)運(yùn)動(dòng)目標(biāo)的科學(xué)檢測(cè)，目前比較常用的3種方法分比為時(shí)間差分法、背景差分法、光流分析法3種。第一種方法通過對(duì)監(jiān)測(cè)圖像的像素差值或者絕對(duì)值實(shí)現(xiàn)對(duì)圖像內(nèi)運(yùn)動(dòng)行為特征的分析，該方法應(yīng)用檢測(cè)速度較快，但很容易出現(xiàn)檢測(cè)圖像空洞情況。第二種方法是指在同一個(gè)場(chǎng)景之中，如果監(jiān)控圖像中的背景具有一致性，可以應(yīng)用背景差分法實(shí)現(xiàn)對(duì)目標(biāo)的分割處理，設(shè)計(jì)人員需要實(shí)時(shí)更新背景模型實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)的檢測(cè)。第三章方法應(yīng)用光流信息實(shí)現(xiàn)對(duì)監(jiān)控圖像中的運(yùn)動(dòng)目標(biāo)檢測(cè)，運(yùn)動(dòng)目標(biāo)的亮度會(huì)因行為變化產(chǎn)生相應(yīng)的變化，具有魯棒性特點(diǎn)，該方法通過時(shí)空微分形成二維場(chǎng)，對(duì)監(jiān)控圖像中的運(yùn)動(dòng)信息進(jìn)行梯度分析[1]。

1.2機(jī)場(chǎng)環(huán)境下運(yùn)動(dòng)人體提取方法

由于機(jī)場(chǎng)環(huán)境具有一定的復(fù)雜性，行人數(shù)量比較多，噪音較大，上述運(yùn)動(dòng)目標(biāo)檢測(cè)方法中的時(shí)間差分法進(jìn)行運(yùn)動(dòng)人體的提取，具體系統(tǒng)技術(shù)應(yīng)用如下。

系統(tǒng)與機(jī)場(chǎng)中的視頻監(jiān)控系統(tǒng)相結(jié)合，采集原始視頻信息傳輸至系統(tǒng)之中進(jìn)行預(yù)處理。根據(jù)系統(tǒng)功能可以將動(dòng)作行為按照模塊進(jìn)行分類，預(yù)處理的過程將動(dòng)作內(nèi)容進(jìn)行標(biāo)注，并對(duì)應(yīng)相應(yīng)的幀數(shù)區(qū)間。視頻會(huì)在系統(tǒng)的MFC框架之中顯示出來，根據(jù)標(biāo)注的對(duì)應(yīng)區(qū)域形成分段類的視頻，成為處理對(duì)象。

根據(jù)監(jiān)控系統(tǒng)采集的圖像序列可以計(jì)算圖像像素幀間的絕對(duì)差值，但其無法完全展示運(yùn)動(dòng)目標(biāo)，可能會(huì)出現(xiàn)圖像漏洞問題，導(dǎo)致運(yùn)動(dòng)人體行為檢測(cè)結(jié)果并不準(zhǔn)確。因此，為了彌補(bǔ)該技術(shù)應(yīng)用的缺點(diǎn)，采用對(duì)稱差分技術(shù)對(duì)監(jiān)控系統(tǒng)中的目標(biāo)輪廓進(jìn)行明確，即使出現(xiàn)背景暴露問題，也不會(huì)對(duì)檢測(cè)結(jié)果造成一定程度上的影響。該技術(shù)的應(yīng)用原理是通過計(jì)算原始圖像中連續(xù)的三幀序列，對(duì)相鄰的圖像幀數(shù)進(jìn)行差分計(jì)算，最終得到差二值圖像，通過對(duì)稱邏輯計(jì)算的方式，得到最終的圖像結(jié)果。

運(yùn)動(dòng)人體的提取是監(jiān)控系統(tǒng)行為檢測(cè)的基礎(chǔ)性內(nèi)容，由于運(yùn)動(dòng)人體的視頻圖像信息受環(huán)境因素影響比較大，采用其他的方法運(yùn)動(dòng)目標(biāo)進(jìn)行提取可能會(huì)出現(xiàn)一定的失誤情況，概率也比較高。然而應(yīng)用時(shí)間差分法進(jìn)行運(yùn)動(dòng)人體提取可能會(huì)由于運(yùn)動(dòng)目標(biāo)行為緩慢導(dǎo)致提取失敗，采用幀間差累計(jì)的方法進(jìn)行計(jì)算，運(yùn)動(dòng)目標(biāo)提取效果較好。該技術(shù)在英國(guó)機(jī)場(chǎng)中的運(yùn)動(dòng)目標(biāo)提取中應(yīng)用，應(yīng)用MPEG解碼庫(kù)對(duì)監(jiān)控系統(tǒng)中的視頻序列進(jìn)行處理，視頻格式為MPEG-1，處理結(jié)果較好[2]。

2運(yùn)動(dòng)特征提取技術(shù)

2.1興趣點(diǎn)方法應(yīng)用

應(yīng)用幀間差累計(jì)技術(shù)實(shí)現(xiàn)對(duì)運(yùn)動(dòng)目標(biāo)的提取，結(jié)合角點(diǎn)檢測(cè)技術(shù)可以實(shí)現(xiàn)對(duì)運(yùn)動(dòng)特征的提取。運(yùn)動(dòng)特征提取技術(shù)起源于20世紀(jì)70年代，經(jīng)過數(shù)十年的發(fā)展已經(jīng)可以通過高層結(jié)構(gòu)信息建立實(shí)現(xiàn)對(duì)運(yùn)動(dòng)特征的提取。興趣點(diǎn)是人體關(guān)節(jié)位置運(yùn)動(dòng)所發(fā)生變化的點(diǎn)位，可以根據(jù)點(diǎn)位的運(yùn)動(dòng)軌跡及運(yùn)動(dòng)規(guī)律實(shí)現(xiàn)對(duì)運(yùn)動(dòng)特征的提取。監(jiān)控系統(tǒng)中對(duì)運(yùn)動(dòng)特征進(jìn)行識(shí)別需要規(guī)避復(fù)雜的環(huán)境，通過二維或者三維時(shí)空域的建立對(duì)興趣點(diǎn)進(jìn)行明確，不同的場(chǎng)景需要應(yīng)用不同種類的興趣點(diǎn)。

2.2角點(diǎn)檢測(cè)技術(shù)原理

考慮到機(jī)場(chǎng)環(huán)境的復(fù)雜性，在上述兩種運(yùn)動(dòng)特征提取技術(shù)上進(jìn)行優(yōu)化設(shè)計(jì)。應(yīng)用Harris角點(diǎn)檢測(cè)技術(shù)獲取監(jiān)控區(qū)域內(nèi)的人體運(yùn)動(dòng)特征。該技術(shù)應(yīng)用檢測(cè)器裝置實(shí)現(xiàn)對(duì)角點(diǎn)區(qū)域的興趣點(diǎn)獲取，具有一定的穩(wěn)定性，即使監(jiān)控采集的圖像發(fā)生了旋轉(zhuǎn)或者亮度參數(shù)等發(fā)生變化，檢測(cè)其所提取的結(jié)果影響程度均比較小。該技術(shù)基于圖像的局部像素進(jìn)行計(jì)算，衡量圖像像素點(diǎn)中不同區(qū)域的變化;應(yīng)用函數(shù)算法中使用高斯函數(shù)進(jìn)行計(jì)算，根據(jù)距離中心位置的距離確定像素的權(quán)重值，可以提高運(yùn)動(dòng)特征采集的科學(xué)性以及穩(wěn)定性[3]。

2.3算法應(yīng)用

根據(jù)函數(shù)計(jì)算原理對(duì)最終的算法進(jìn)行明確以及求解，根據(jù)計(jì)算步驟及計(jì)算方式列出像素點(diǎn)的相關(guān)矩陣，對(duì)角點(diǎn)位置進(jìn)行明確，計(jì)算角點(diǎn)的響應(yīng)情況，最后，通過在局部區(qū)域計(jì)算極大值的方式，對(duì)最終的角點(diǎn)位置進(jìn)行明確。系統(tǒng)應(yīng)用Harris算子對(duì)監(jiān)控系統(tǒng)采集圖像的興趣點(diǎn)進(jìn)行提取，該算法應(yīng)用提取效果較好，計(jì)算過程比較簡(jiǎn)單，經(jīng)過矩陣、計(jì)算響應(yīng)、計(jì)算極大值的方式即可獲取角點(diǎn)信息。技術(shù)應(yīng)用一階差分濾波進(jìn)行計(jì)算，所提取的角點(diǎn)位置比較均勻，可以通過對(duì)像素點(diǎn)的興趣值計(jì)算，選擇最優(yōu)點(diǎn)，即使在背景紋理比較復(fù)雜的區(qū)域，也可以進(jìn)行運(yùn)動(dòng)特征點(diǎn)的提取，但該技術(shù)應(yīng)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(diǎn)，也可能會(huì)提取到邊緣[4]。

3模型訓(xùn)練拆分設(shè)計(jì)

3.1Web Browser控件應(yīng)用

由于機(jī)場(chǎng)的環(huán)境具有復(fù)雜性，場(chǎng)景中的行為要素比較多，僅僅對(duì)目標(biāo)動(dòng)作進(jìn)行提取存在不科學(xué)性，因此采用聚類交互的方式實(shí)現(xiàn)對(duì)多個(gè)目標(biāo)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(yǔ)言設(shè)計(jì)實(shí)現(xiàn)聚類目標(biāo)，實(shí)現(xiàn)目標(biāo)特征的可視化處理。聚類技術(shù)將興趣點(diǎn)集合分類，隨機(jī)產(chǎn)生聚類中心，直到聚類中心變化停止結(jié)束過程。本文應(yīng)用Graphviz工具實(shí)現(xiàn)聚類交互目標(biāo)，生成HTML文件信息，為了對(duì)該文件信息進(jìn)行顯示讀取，需要在系統(tǒng)之中安裝Web Browser控件，監(jiān)控系統(tǒng)識(shí)別行為運(yùn)動(dòng)特征需要應(yīng)用系統(tǒng)匹配的瀏覽器進(jìn)行圖像文件生成與顯示。

本文設(shè)計(jì)監(jiān)控行為檢測(cè)系統(tǒng)使用自定義瀏覽器實(shí)現(xiàn)圖像生長(zhǎng)，在對(duì)話框嵌入應(yīng)用控件，創(chuàng)建瀏覽器類。設(shè)計(jì)人員首先在構(gòu)造函數(shù)之中創(chuàng)建對(duì)象，創(chuàng)建容器管理器，繼而應(yīng)用InitControl函數(shù)創(chuàng)建父窗口，將其作為系統(tǒng)的容器對(duì)象，調(diào)動(dòng)函數(shù)創(chuàng)建站點(diǎn)，最終實(shí)現(xiàn)對(duì)控件對(duì)象的科學(xué)應(yīng)用，通過上述方法創(chuàng)建瀏覽器并嵌入空間，實(shí)現(xiàn)對(duì)特征檢測(cè)的HTML文件的顯示。

3.2拆分模型訓(xùn)練

通過模型訓(xùn)練后將樣本處理成為樹狀圖，模型測(cè)試需要對(duì)提取的興趣點(diǎn)進(jìn)行差分處理，系統(tǒng)需要建立匹配的拆分模型對(duì)其結(jié)構(gòu)進(jìn)行判定，確定其是否在行為檢測(cè)過程中需要進(jìn)行拆分處理?？梢詫⒉鸱诌^程視作是兩分類問題，將葉子節(jié)點(diǎn)作為負(fù)樣本，其他節(jié)點(diǎn)作為正樣本，正樣本需要進(jìn)行拆分處理。選取幀數(shù)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(jì)算格子的角點(diǎn)數(shù)量，形成維度向量，根據(jù)運(yùn)動(dòng)方向?qū)⑵溥M(jìn)行拆分，對(duì)應(yīng)到16個(gè)格子之內(nèi)，最終進(jìn)行歸一處理。選擇的視頻樣本可以生成多個(gè)向量，拆分過程結(jié)束之后，點(diǎn)擊相應(yīng)按鈕可以對(duì)特征進(jìn)行了解。

模型訓(xùn)練過程在提取數(shù)據(jù)以及樣本之后進(jìn)行，使用SVW進(jìn)行數(shù)據(jù)拆分，進(jìn)行模型訓(xùn)練。按照數(shù)據(jù)庫(kù)中規(guī)定的格式對(duì)數(shù)據(jù)進(jìn)行儲(chǔ)存，選擇適用的訓(xùn)練參數(shù)進(jìn)行模型設(shè)計(jì)，應(yīng)用Grid.py執(zhí)行命令，得出具體結(jié)果。應(yīng)用函數(shù)對(duì)模型進(jìn)行拆分，生成文件，作為后續(xù)訓(xùn)練拆分所重點(diǎn)應(yīng)用的內(nèi)容。

4模型訓(xùn)練與行為識(shí)別技術(shù)

4.1描述子選用

行為識(shí)別特征提取技術(shù)以及興趣點(diǎn)提取技術(shù)前文已經(jīng)論述，在進(jìn)行模型拆分的基礎(chǔ)上仍需要進(jìn)一步對(duì)興趣點(diǎn)進(jìn)行集合處理，對(duì)目標(biāo)行為進(jìn)行描述，使其以向量的方式呈現(xiàn)，作為數(shù)據(jù)樣本。如何對(duì)其行為進(jìn)行表述是監(jiān)控系統(tǒng)行為檢測(cè)的關(guān)鍵內(nèi)容，可以應(yīng)用Cuboids對(duì)興趣點(diǎn)進(jìn)行描述，其在興趣點(diǎn)的內(nèi)部以立方體的形態(tài)呈現(xiàn)，與提取參數(shù)存在內(nèi)在聯(lián)系，引入該描述子雖然可以對(duì)參數(shù)進(jìn)行描述，但無法對(duì)局部行為特點(diǎn)進(jìn)行描述，需要將其與像素點(diǎn)結(jié)合才可實(shí)現(xiàn)行為檢測(cè)的目標(biāo)。

4.2描述子應(yīng)用方法

本文提出的方法可以計(jì)算維度內(nèi)的梯度信息，以積分視頻的計(jì)算方式實(shí)現(xiàn)尺度控制目標(biāo)，此外，該方法可以實(shí)現(xiàn)對(duì)三維梯度模型的量化處理，以正多面體的方式進(jìn)行參數(shù)量化計(jì)算。該方法應(yīng)用較為簡(jiǎn)單，效率較高，將局部特征量化需要經(jīng)過兩個(gè)步驟，首先參數(shù)在內(nèi)部空間三維體系上進(jìn)行時(shí)間尺度信息的展示，繼而將梯度信息進(jìn)行量化處理，對(duì)其進(jìn)行描述。應(yīng)用積分視頻實(shí)現(xiàn)對(duì)梯度的計(jì)算，在立方體圖形中實(shí)現(xiàn)對(duì)尺度參數(shù)控制，不需要提前進(jìn)行時(shí)空尺寸數(shù)量的明確，根據(jù)圖像點(diǎn)的格式與內(nèi)存需求之間的線性關(guān)系，實(shí)現(xiàn)對(duì)特征的最終描述。

4.3行為模型訓(xùn)練

在完成描述之后需要對(duì)描述子進(jìn)行測(cè)試，對(duì)表述方法進(jìn)行明確?；趯?duì)機(jī)場(chǎng)復(fù)雜的環(huán)境分析，可以應(yīng)用bag-of-word的方法進(jìn)行行為模型訓(xùn)練。提取行為特征之后進(jìn)行描述，行為特征受運(yùn)動(dòng)方向及主體對(duì)象的外在形象影響比較大，提取的參數(shù)點(diǎn)位存在明顯差異。但在模型中Cuboids類別有限，即使其個(gè)數(shù)是無限的，也可以對(duì)類型進(jìn)行描述。本文提出的方法將訓(xùn)練樣本按照類別進(jìn)行聚類處理，通過函數(shù)計(jì)算最終結(jié)果，形成維度向量后進(jìn)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(chǔ)存格式需要與系統(tǒng)匹配，應(yīng)用SVW進(jìn)行行為模型訓(xùn)練，在菜單界面上對(duì)其進(jìn)行處理，可以得到最終的行為模型。

4.4行為識(shí)別

在對(duì)模型進(jìn)行行為訓(xùn)練之后，需要測(cè)試其在框架之中是否可以實(shí)現(xiàn)對(duì)行為特點(diǎn)的科學(xué)識(shí)別，在模型中輸入樣本之后，對(duì)類別行為信息進(jìn)行預(yù)測(cè)。由于數(shù)據(jù)庫(kù)中的數(shù)據(jù)類型十分復(fù)雜，僅依靠行為模型對(duì)行為的識(shí)別無法保障行為檢測(cè)的最終效果，需要將行為模型與拆分模型融合，通過測(cè)試界面的設(shè)計(jì)對(duì)行為進(jìn)行識(shí)別。行為識(shí)別在聚類的情況下進(jìn)行，其可以分為兩個(gè)子菜單，其主要作用分別是提取、預(yù)測(cè)，實(shí)現(xiàn)對(duì)行為的科學(xué)分類。在測(cè)試界面對(duì)行為進(jìn)行識(shí)別，節(jié)點(diǎn)數(shù)量比較多，為了提高行為檢測(cè)結(jié)果的準(zhǔn)確性，對(duì)模型中的全部葉子節(jié)點(diǎn)進(jìn)行類別預(yù)測(cè)，即使僅有一個(gè)預(yù)測(cè)結(jié)果是正確的，就可以保障最終的行為檢測(cè)結(jié)果是正確的，如果全部預(yù)測(cè)均為錯(cuò)誤的，則最終的行為檢測(cè)結(jié)果就是錯(cuò)誤的[5-6]。

5結(jié)語(yǔ)

綜上所述，復(fù)雜機(jī)場(chǎng)環(huán)境下的行為檢測(cè)應(yīng)用計(jì)算機(jī)視覺技術(shù)實(shí)現(xiàn)對(duì)行為的識(shí)別，為了提高系統(tǒng)行為檢測(cè)能力與辨識(shí)能力，賦予系統(tǒng)智能化功能，設(shè)計(jì)智能行為檢測(cè)系統(tǒng)。本文根據(jù)機(jī)場(chǎng)的實(shí)際監(jiān)控環(huán)境，賦予系統(tǒng)運(yùn)動(dòng)區(qū)域提取功能、特征提取功能，并設(shè)計(jì)人機(jī)交互系統(tǒng)實(shí)現(xiàn)對(duì)功能模塊的操控，為機(jī)場(chǎng)環(huán)境下的異常行為檢測(cè)與預(yù)測(cè)提供保障。

參考文獻(xiàn)

[1]劉鵬，張伊靜.獨(dú)立程度、機(jī)構(gòu)稟賦與監(jiān)管治理的有效性——基于四類檢測(cè)機(jī)構(gòu)行為的比較案例研究[J].南京社會(huì)科學(xué)，2022（1）：72-82.

[2]林中愛，程富勇，廖耀華，等.基于改進(jìn)神經(jīng)網(wǎng)絡(luò)算法的低壓抗直流互感器動(dòng)作行為檢測(cè)[J].制造業(yè)自動(dòng)化，2021，43（12）：43-45，57.

[3]杜志強(qiáng)，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(cè)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(jiān)控視頻的Farneback光流算法的人體異常行為檢測(cè)[J].國(guó)外電子測(cè)量技術(shù)，2021，40（3）：16-22.

[5]喬祎. 基于深度學(xué)習(xí)的機(jī)場(chǎng)檢測(cè)數(shù)據(jù)集的研究[D].成都：電子科技大學(xué)，2020.

[6]孟琦. 運(yùn)輸機(jī)場(chǎng)用能監(jiān)控方法研究[D].天津：中國(guó)民航大學(xué)，2019.