基于行为特征智能分析的异常目标预警追踪系统及方法

摘要

本申请实施例提供的一种基于行为特征智能分析的异常目标预警追踪系统及方法。本发明从安防视频信息中追踪运动目标，判断运动目标的类型，提取运动目标的多维行为特征，并且利用不同类型运动目标的多维行为特征样本进行行为判断模型的监督学习训练，进而针对当前运动目标的多维行为特征实现异常行为判断，当当前运动目标存在异常行为时给与异常目标预警和追踪。

权利要求

1.一种基于行为特征智能分析的异常目标预警追踪系统，其特征在于，包括：

运动目标追踪模块，用于从安防视频信息中追踪运动目标，以及判断运动目标的类型；

目标行为特征提取模块，用于提取运动目标的多维行为特征；

异常行为判断模块，利用不同类型运动目标的多维行为特征样本进行行为判断模型的监督学习训练，进而针对当前运动目标的多维行为特征实现异常行为判断；

预警追踪模块，当当前运动目标存在异常行为时给与异常目标预警和追踪；

所述运动目标追踪模块确定运动目标的目标特征；针对每帧画面建立运动目标表，所述运动目标表记录一帧视频画面当中包含的全部运动目标及每个运动目标的目标特征，即：Fn＝

Fn表示第n帧视频画面的运动目标表,设该帧画面中共k个运动目标，则On,i表示该第n帧视频画面中第i个运动目标及其目标特征；针对相邻两帧视频画面，对其中的运动目标利用其在视频画面的位置关系以及目标特征进行匹配计算，以实现目标追踪；通过目标匹配表记录所述相邻两帧视频画面中的运动目标匹配关系：M(n-1,n)＝〈Δ(On-1,1,On,1),Δ(On-1,2,On,2),…Δ(On-1,j,On,j),…Δ(On-1,L,On,L)〉M(n-1,n)表示第n-1帧和第n帧视频画面之间的目标匹配表，所述相邻两帧视频画面中共有L个匹配的运动目标，则Δ(On-1,j,On,j)表示第n-1帧和第n帧视频画面当中第j个匹配的运动目标的目标特征变化量；

所述目标行为特征提取模块根据同一个运动目标在连续的视频画面帧中目标特征的变化，从多个维度分析该目标特征变化与目标行为的相关性系数，并且基于该相关性系数，将该运动目标的目标特征变化转化为多维行为特征；

所述异常行为判断模块在SVM支持向量机分类器训练之后再次从安防视频画面集合当中选取一定数量的正常视频画面帧和异常视频画面帧，提取每个视频画面帧中的运动目标并计算每个运动目标的行为特征向量组，输入训练完成的SVM支持向量机分类器，将该分类器对运动目标存在或者不存在异常行为的判断输出与该运动目标的行为描述标记进行验证比对，验证SVM支持向量机分类器的判断输出是否满足预定的正确率。

2.根据权利要求1所述的异常目标预警追踪系统，其特征在于，所述运动目标追踪模块采用帧差分法、光流法或者基于混合高斯模型的背景差分法从各个视频画面帧中提取运动目标。

3.根据权利要求1所述的异常目标预警追踪系统，其特征在于，所述异常行为判断模块利用不同类型运动目标的多维行为特征样本进行行为判断模型的监督学习训练，进而针对当前运动目标的多维行为特征实现异常行为判断。

4.根据权利要求3所述的异常目标预警追踪系统，其特征在于，所述系统还包括学习素材库，所述学习素材库内预先收集并创建的一个安防视频画面集合；异常行为判断模块从该集合中预先选取第一数量的正常视频画面帧和第二数量的异常视频画面帧；提取每个视频画面帧中的运动目标，计算每个运动目标的行为特征向量组；将其中正常的运动目标以及异常行为的运动目标的该行为特征向量组，连同每个目标的行为描述标记，作为多维行为特征样本输入SVM支持向量机分类器，实现对该分类器的训练。

5.一种基于行为特征智能分析的异常目标预警追踪方法，其特征在于，包括：

运动目标追踪，从安防视频信息中追踪运动目标，以及判断运动目标的类型；

目标行为特征提取，提取运动目标的多维行为特征；

异常行为判断，利用不同类型运动目标的多维行为特征样本进行行为判断模型的监督学习训练，进而针对当前运动目标的多维行为特征实现异常行为判断；

预警追踪，当当前运动目标存在异常行为时给与异常目标预警和追踪；

目标行为特征提取过程中，根据同一个运动目标在连续的视频画面帧中目标特征的变化，从多个维度分析该目标特征变化与目标行为的相关性系数，并且基于该相关性系数，将该运动目标的目标特征变化转化为多维行为特征；

异常行为判断过程中，利用不同类型运动目标的多维行为特征样本进行行为判断模型的监督学习训练，进而针对当前运动目标的多维行为特征实现异常行为判断。

说明书

基于行为特征智能分析的异常目标预警追踪系统及方法

技术领域

[0001] 本申请涉及互联网技术领域，尤其涉及一种基于行为特征智能分析的异常目标预警追踪系统及方法。

背景技术

[0002] 智能视频安防是结合安防视频信息感知与计算机视觉、多元数据分析、模式识别、人工智能预测的应用型互联网技术。传统的安防视频系统—例如CCTV、红外成像探测等—将重点放在前端的视频信息采集与处理，以及摄像设备的布局、图像传输网络架构等方面，基本能够保证安防现场视频信号获取的实时性与准确性，具有较好的图像质量。但是，瓶颈在于对前端安防视频信息的智能分析以及自动异常预警。特别是对于安防视频信息来说，具有数据海量、分析计算的负荷重、有效信息提取困难、占据存储空间大的特点，对其实现有效的智能分析与异常发现具有显著的意义。

[0003] 目前在实际应用中，安防视频信息分析方面的研究主要集中在目标识别阶段，特别是运动目标的识别，具有背景差分法、帧差分法、光流法等。进而结合运动目标的轮廓等特征可以实现对人、车、动物等目标类型的判断。有些情况下基于运动目标识别可以直接触发异常预警，例如在禁入监控区识别到运动目标等；并且基于预警可以进行运动目标的连续追踪，也就是在各帧视频画面当中检索提取该目标并给予呈现。但是在大多数应用场景下，仅通过识别运动目标及其类型并不足以实现异常预警，例如在广场、道路、小区、车站、博物馆等公共区域的安防视频信息当中持续存在较多数量的运动人像，其中绝大部分是途经的行人，如何从这些运动人像当中提取到存在异常行为—包括但不限于卧倒、以非正常路径行进、打砸物品或他人等—的目标并进行预警是一个困难的技术问题。

发明内容

[0004] 有鉴于此，本申请的目的在于提出一种基于行为特征智能分析的异常目标预警追踪系统及方法。本发明从安防视频信息中追踪运动目标，判断运动目标的类型，提取运动目标的多维行为特征，并且利用不同类型运动目标的多维行为特征样本进行行为判断模型的监督学习训练，进而针对当前运动目标的多维行为特征实现异常行为判断，当当前运动目标存在异常行为时给与异常目标预警和追踪。

[0005] 本发明提供基于行为特征智能分析的异常目标预警追踪系统，包括：

[0006] 运动目标追踪模块，用于从安防视频信息中追踪运动目标，以及判断运动目标的类型；

[0007] 目标行为特征提取模块，用于提取运动目标的多维行为特征；

[0008] 异常行为判断模块，利用不同类型运动目标的多维行为特征样本进行行为判断模型的监督学习训练，进而针对当前运动目标的多维行为特征实现异常行为判断；

[0009] 预警追踪模块，当当前运动目标存在异常行为时给与异常目标预警和追踪。

[0010] 优选的是，所述运动目标追踪模块采用帧差分法、光流法或者基于混合高斯模型的背景差分法从各个视频画面帧中提取运动目标。

[0011] 优选的是，所述运动目标追踪模块确定运动目标的目标特征；针对相邻的两帧视频画面，对其中的运动目标利用其在视频画面的位置关系以及目标特征进行匹配计算，以实现目标追踪。

[0012] 优选的是，所述目标行为特征提取模块根据同一个运动目标在连续的视频画面帧中目标特征的变化，从多个维度分析该目标特征变化与目标行为的相关性系数，并且基于该相关性系数，将该运动目标的目标特征变化转化为多维行为特征。

[0013] 优选的是，所述异常行为判断模块利用不同类型运动目标的多维行为特征样本进行行为判断模型的监督学习训练，进而针对当前运动目标的多维行为特征实现异常行为判断。

[0014] 优选的是，所述系统还包括学习素材库，所述学习素材库内预先收集并创建的一个安防视频画面集合；异常行为判断模块从该集合中预先选取第一数量的正常视频画面帧和第二数量的异常视频画面帧；提取每个视频画面帧中的运动目标，计算每个运动目标的行为特征向量组；将其中正常的运动目标以及异常行为的运动目标的该行为特征向量组，连同每个目标的行为描述标记，作为多维行为特征样本输入SVM支持向量机分类器，实现对该分类器的训练。

[0015] 优选的是，异常行为判断模块在SVM支持向量机分类器训练之后再次从安防视频画面集合当中选取一定数量的正常视频画面帧和异常视频画面帧，提取每个视频画面帧中的运动目标并计算每个运动目标的行为特征向量组，输入训练完成的SVM支持向量机分类器，将该分类器对运动目标存在或者不存在异常行为的判断输出与该运动目标的行为描述标记进行验证比对，验证SVM支持向量机分类器的判断输出是否满足预定的正确率。

[0016] 本发明提供一种基于行为特征智能分析的异常目标预警追踪方法，包括：

[0017] 运动目标追踪，从安防视频信息中追踪运动目标，以及判断运动目标的类型；

[0018] 目标行为特征提取，提取运动目标的多维行为特征；

[0019] 异常行为判断，利用不同类型运动目标的多维行为特征样本进行行为判断模型的监督学习训练，进而针对当前运动目标的多维行为特征实现异常行为判断；

[0020] 预警追踪，当当前运动目标存在异常行为时给与异常目标预警和追踪。

[0021] 其中，运动目标追踪过程中，采用帧差分法、光流法或者基于混合高斯模型的背景差分法提取每帧画面中包含的运动目标。

[0022] 运动目标追踪过程中，确定该运动目标的目标特征；针对相邻的两帧视频画面，对其中的运动目标利用其在视频画面的位置关系以及目标特征进行匹配计算，以实现目标追踪。

[0023] 其中，目标行为特征提取过程中，根据同一个运动目标在连续的视频画面帧中目标特征的变化，从多个维度分析该目标特征变化与目标行为的相关性系数，并且基于该相关性系数，将该运动目标的目标特征变化转化为多维行为特征。

[0024] 异常行为判断过程中，利用不同类型运动目标的多维行为特征样本进行行为判断模型的监督学习训练，进而针对当前运动目标的多维行为特征实现异常行为判断。

[0025] 其中，预先收集并创建的一个安防视频画面集合；从该集合中预先选取第一数量的正常视频画面帧和第二数量的异常视频画面帧；提取每个视频画面帧中的运动目标，计算每个运动目标的行为特征向量组；将其中正常的运动目标以及异常行为的运动目标的该行为特征向量组，连同每个目标的行为描述标记，作为多维行为特征样本输入SVM支持向量机分类器，实现对该分类器的训练。

[0026] 其中，训练之后，再次从安防视频画面集合当中选取一定数量的正常视频画面帧和异常视频画面帧，提取每个视频画面帧中的运动目标并计算每个运动目标的行为特征向量组，输入训练完成的SVM支持向量机分类器，将该分类器对运动目标存在或者不存在异常行为的判断输出与该运动目标的行为描述标记进行验证比对，验证SVM支持向量机分类器的判断输出是否满足预定的正确率。

[0027] 可见，本申请可以准确提取与运动目标行为具有关联度的行为特征，通过人工智能的SVM分类机对表示行为特征的向量组执行监督学习训练，然后针对当前运动目标自动分析是否存在异常行为；本发明能够准确表达运动目标的画面变化与该目标行为至今的相关性，在执行SVM分类机学习时候利用预存储的信息，能够考虑视频场景对异常行为识别的潜在影响，并且在训练后进行了具有场景相关的可变正确率的识别结果验证，从而可以提高行为特征智能分析的准确率以及异常行为的识别率，能够有效基于运动目标行为而触发对其实施预警与追踪。

附图说明

[0028] 通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

[0029] 图1是本申请实施例的异常目标预警追踪系统结构图；

[0030] 图2是本申请实施例的异常目标预警方法流程图。

具体实施方式

[0031] 下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

[0032] 需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

[0033] 如图1所示，本发明提供基于行为特征智能分析的异常目标预警追踪系统，包括：

[0034] 运动目标追踪模块，用于从安防视频信息中追踪运动目标，以及判断运动目标的类型；

[0035] 目标行为特征提取模块，用于提取运动目标的多维行为特征；

[0036] 异常行为判断模块，利用不同类型运动目标的多维行为特征样本进行行为判断模型的监督学习训练，进而针对当前运动目标的多维行为特征实现异常行为判断；

[0037] 预警追踪模块，当当前运动目标存在异常行为时给与异常目标预警和追踪。

[0038] 其中，所述运动目标追踪模块从前端的摄像系统获取拍摄的安防视频信息。安防视频信息一般由以预定速率采集和呈现的视频画面帧组成，所述摄像系统可以是布置在安防监视空间的CCTV闭路摄像系统、网络摄像头系统等。

[0039] 运动目标追踪模块在安防视频信息的各个视频画面帧当中实现对运动目标的提取与追踪，即将每帧画面中的运动目标区域与基本静止的背景区域分开，以及从各个视频画面帧的运动目标区域当中确认同一个目标。其中，每帧画面中包含的运动目标的提取可以采用帧差分法、光流法或者基于混合高斯模型的背景差分法。进而，对于从每帧画面中提取的每个运动目标，运动目标追踪模块确定该运动目标的目标特征，目标特征可以用每个运动目标的外接矩形的质心坐标及其外接矩形的横向长度、纵向长度来表征；或者，目标特征可以通过确定每个运动目标的外接矩形的质心坐标以及目标边缘像素，进而计算由该质心坐标指向目标边缘像素的矢量坐标组来表征。进而，针对每帧画面建立运动目标表，该表记录一帧视频画面当中包含的全部运动目标及每个运动目标的目标特征，即：

[0040] Fn＝

[0041] Fn表示第n帧视频画面的运动目标表,设该帧画面中共k个运动目标，则On,i表示该第n帧视频画面中第i个运动目标及其目标特征。进而，针对相邻的两帧视频画面，对其中的运动目标利用其在视频画面的位置关系以及目标特征进行匹配计算，以实现目标追踪，即如果前一帧视频画面中的一个运动目标与相邻的后一帧视频画面中的一个运动目标的位置变化在预定距离范围之内，且这两个运动目标的目标特征匹配度大于等于阈值，则认为这两个运动目标匹配，也就是对应于同一个被监控的人或物体。反之，如果这两个运动目标的位置变化在预定距离范围之外，或者这两个运动目标的目标特征匹配度小于阈值，则这两个运动目标不匹配。这样遍历相邻两帧视频画面当中各自的运动目标进行两两匹配计算，确定匹配的运动目标；对于前一帧中存在但在后一帧中没有发现存在匹配的运动目标，认为其属于消失的运动目标；对于后一帧中存在但在前一帧中没有发现存在匹配的运动目标，认为属于新增的运动目标。对于第n-1帧和第n帧视频画面，通过目标匹配表记录二者的运动目标匹配关系：

[0042] M(n-1，n)＝

[0043] <Δ(On-1,1,On,1),Δ(On-1,2,On,2),…Δ(On-1,j,On,j),…Δ(On-1,L,On,L)[0044] M(n-1，n)表示第n-1帧和第n帧视频画面之间的目标匹配表，该两帧视频画面中共有L个匹配的运动目标，则Δ(On-1,j,On,j)表示第n-1帧和第n帧视频画面当中第j个匹配的运动目标的目标特征变化量。所述目标特征变化量包括：目标外接矩形横向长度和纵向长度的改变量(或者目标矢量坐标组的矢量绝对差值)、目标质心坐标变化量。并且，运动目标追踪模块还可以根据第n帧视频画面中每个运动目标的目标特征，判断该运动目标的类别；具体来说，对于安防视频信息的画面中常见的车辆、人物、动物等类别的运动目标，不论是以运动目标的外接矩形质心坐标及其横向长度、纵向长度来表征其目标特征，还是通过每个运动目标的矢量坐标组来表征其目标特征，对于上述不同类别的运动目标来说目标特征都会存在显著性的差异，故而可以预定义车辆、人物、动物等类别对应的目标特征模板，通过检测到的运动目标的目标特征与各类别模板的匹配，确定该运动目标的类别。

[0045] 针对所述运动目标追踪模块通过对各个视频画面帧进行运动目标提取并追踪，在一系列的视频画面帧中所确定的同一个运动目标，目标行为特征提取模块提取该运动目标的多维行为特征。目标行为特征提取模块根据该同一个运动目标在连续的视频画面帧中目标特征的变化，从多个维度分析该目标特征变化与目标行为的相关性系数，并且基于该相关性系数，将该运动目标的目标特征变化转化为多维行为特征。具体来说，对于经运动目标追踪模块追踪确认具有同一个运动目标的若干个视频画面帧，通过目标匹配表确定在这些帧的每两个相邻帧中该运动目标的目标特征变化量，例如，对于运动目标j来说，在若干个视频画面帧中目标特征变化量分别为：

[0046] ΔOj＝{…Δ(On-2,j,On-1,j),Δ(On-1,j,On,j)，Δ(On,j,On+1,j),…}[0047] 并且通过该运动目标的目标特征变化量，通过计算在每两个相邻帧中的质心坐标的位置变化，确定目标轨迹:

[0048] ΔKj＝{…ΔK(On-2,j,On-1,j),ΔK(On-1,j,On,j)，ΔK(On,j,On+1,j),…}[0049] 其中ΔKj表示运动目标j在各帧视频画面中的运动轨迹，ΔK(On,j,On+1,j),表示该运动目标j在第n帧至第n+1帧视频画面中的外接矩形质心坐标位移轨迹。

[0050] 以及通过该运动目标在每两个相邻帧中的质心坐标的位置变化计算目标速度：

[0051] Sj＝{…S(On-2,j,On-1,j),S(On-1,j,On,j)，S(On,j,On+1,j),…}[0052] 其中Sj表示运动目标j在各帧视频画面中的目标速度，S(On,j,On+1,j)表示该运动目标从第n帧至第n+1帧的运动速度。

[0053] 进而，将目标特征变化量、目标轨迹以及目标速度作为分析的多个维度，确认所述相关性系数。同一个目标在安防视频画面上的行为可以包括规律性行为以及突发性行为，规律性行为例如人员匀速行走、车辆的正常行驶等，突发性行为包括人员的摔倒、停步、突然启动奔跑以及车辆的急刹车、失控打转等，规律性行为和突发性行为都会导致该运动目标的目标特征产生变化。其中，对于规律性的行为，该运动目标的目标特征变化量呈现为周期性重复变量，且目标轨迹呈单方向连续，目标速度呈连续固定值；而突发性行为造成目标特征变化量呈单一变量，目标轨迹非连续且目标速度产生突然改变，可以根据以上维度的目标特征变化确定与目标行为的相关性系数，其中规律性行为造成的相关性系数低，突发性行为造成的相关性系数高。基于该相关性系数，将该运动目标的目标特征变化转化为多维行为特征。具体来说，对于第j个运动目标，目标特征变化量维度的行为特征向量表示为：

[0054] act(ΔOj)

[0055] ＝{…αΔ(On-2,j,On-1,j),αΔ(On-1,j,On,j)，αΔ(On,j,On+1,j),…}[0056] 目标轨迹维度的行为特征向量表示为：

[0057] act(ΔKj)

[0058] ＝{…αΔK(On-2,j,On-1,j),αΔK(On-1,j,On,j)，αΔK(On,j,On+1,j),…}[0059] 目标速度维度的行为特征向量表示为：

[0060] act(Sj)

[0061] 其中，α即表示通过上述方式确定的相关性系数；α可以是一个二元变量，即α取值可以为α1或α2，其中α1小于α2；对于规律性行为造成的目标特征变化量、目标轨迹和目标速度，α相应的取值为α1；对于非规律行为造成的目标特征变化量、目标轨迹和目标速度，α相应的取值为α2。根据需要，α1可以取值为0，即只考虑非规律行为造成的行为特征向量。

[0062] 从而，目标行为特征提取模块针对视频画面中的每个运动目标，提取表示该运动目标的多维行为特征的行为特征向量组αct(ΔOj)，act(ΔKj)和act(Sj)。

[0063] 异常行为判断模块，利用不同类型运动目标的多维行为特征样本进行行为判断模型的监督学习训练，进而针对当前运动目标的多维行为特征实现异常行为判断。异常行为判断模块获得所述目标行为特征提取模块对于每个运动目标提取的多维行为特征，即行为特征向量组act(ΔOj)，act(ΔKj)和act(Sj)。并且，异常行为判断模块获取每个视频画面帧的运动目标表以及每两个相邻视频帧之间的目标匹配表。异常行为判断模块利用不同类型运动目标的多维行为特征样本，进行行为判断模型的监督学习训练；该行为判断模型可以采用SVM支持向量机分类器。SVM支持向量机分类器是一个由分类超平面定义的判别分类器，向该分类器输入给定的一组带类别标签的多维向量作为训练样本，然后，该分类器将会输出一个最优超平面对新输入的多维向量进行分类。异常行为判断模块将当前运动目标的多维行为特征输入训练并测试完成的SVM支持向量机分类器，获得该分类器表示该运动目标存在或者不存在异常行为的判断输出。

[0064] 具体来说，行为判断模型采用人工智能的监督学习机制，首先通过学习样本训练该模型，在模型中建立起对异常行为和非异常行为二者的多维行为特征向量差异的识别能力，进而通过向模型输入当前运动目标的多维行为特征向量，模型输出对当前运动目标是否存在异常行为的判断结果。

[0065] 其中，获取由一定数量的多维行为特征向量构成的学习样本集保证异常行为识别能力的一个重要问题。本发明预先选取第一数量的正常视频画面帧和第二数量的异常视频画面帧，所述正常视频画面帧包含的全部运动目标均不存在异常行为，并且所述异常视频画面帧包含至少一个具有异常行为的运动目标。这些正常视频画面帧与异常视频画面帧可以来自预先收集并创建的一个安防视频画面集合，并事先对该集合中的每个视频画面帧附加一个行为描述标记，该行为描述标记表示出每个视频画面帧是正常还是存在异常，正常视频画面帧中的每个运动目标均可以直接继承该帧的表示正常的行为描述标记，并且对于异常的视频画面帧分别标记出其中的正常运动目标和异常行为运动目标；行为描述标记可以是人为添加的，也可以用其它已经训练完毕的异常行为判断模块识别正常视频画面帧和异常视频画面帧并添加该标记进而加入该安防视频画面集合。该安防视频画面集合存储在一个学习素材库当中，专门用于对行为判断模型进行训练。进而，针对安防视频画面集合当中的视频画面帧，提取每个视频画面帧中的运动目标，计算每个运动目标的行为特征向量组act(ΔOj)，act(ΔKj)和act(Sj)，将其中正常的运动目标以及异常行为的运动目标的该行为特征向量组，连同每个目标的行为描述标记，作为多维行为特征样本输入SVM支持向量机分类器，实现对该分类器的训练。

[0066] 训练之后，再次从安防视频画面集合当中选取一定数量的正常视频画面帧和异常视频画面帧，提取每个视频画面帧中的运动目标并计算每个运动目标的行为特征向量组，输入训练完成的SVM支持向量机分类器，将该分类器对运动目标存在或者不存在异常行为的判断输出与该运动目标的行为描述标记进行验证比对，验证SVM支持向量机分类器的判断输出是否满足预定的正确率。由于安防视频画面具有较高的帧速率，每帧视频画面之间具有连续性，一个异常行为运动目标在从事异常行为期间会存在于一定数量的视频画面帧之中，因此对该运动目标的识别具有一定的容错性质。对于经训练后的SVM支持向量机分类器进行验证时所采用的所述正确率，由于异常行为运动目标的识别是否准确有效与安防视频画面的场景特点具有密切的关系，可以根据运动目标追踪模块在实际的安防视频信息中获取的一定数量的视频画面帧的运动目标表和运动目标匹配表，统计其平均的运动目标数量及相邻两帧中的运动目标匹配率，如果运动目标数量越多，且运动目标匹配率越低，则设定的所述正确率越低；反之，如果运动目标的数量越少且目标匹配率越高，则设定的所述正确率可以越低。

[0067] 对于经过验证，SVM支持向量机分类器的判断输出满足预定的正确率，则可以利用该SVM支持向量机分类器执行对目标行为特征提取模块对当前视频画面中的每个运动目标提取的多维行为特征向量组act(ΔOj)，act(ΔKj)和act(Sj)进行分类，确定该运动目标是否属于异常行为运动目标，若存在异常行为运动目标，则异常行为判断模块向预警追踪模块发出针对该运动目标的通知。

[0068] 预警追踪模块，当当前运动目标存在异常行为时给与异常目标预警和追踪。对于异常行为判断模块发出通知的当前运动目标，则获取包含该运动目标的视频画面帧，并且向系统工作人员发送预警；同时，向前端的摄像系统发出追踪控制指令，以便摄像系统通过调整云台等方式追踪该异常行为目标。

[0069] 在以上实施例中，根据运动目标追踪模块在实际的安防视频信息中获取的一定数量的视频画面帧的运动目标表和运动目标匹配表，统计其平均的运动目标数量及相邻两帧中的运动目标匹配率，进而，在异常行为判断模块利用安防视频画面集合中的正常视频画面帧和异常视频画面帧对SVM支持向量机分类器进行训练时，也可以选择具有近似运动目标数量及相邻两帧中的运动目标匹配率的正常视频画面帧和异常视频画面帧作为样本，对该分类器进行训练，从而实现训练样本与实际的安防视频信息的场景趋同，提高训练后分类的准确性。

[0070] 进而，如图2所示，本发明提供一种基于行为特征智能分析的异常目标预警追踪方法，包括：

[0071] 运动目标追踪，从安防视频信息中追踪运动目标，以及判断运动目标的类型；

[0072] 目标行为特征提取，提取运动目标的多维行为特征；

[0073] 异常行为判断，利用不同类型运动目标的多维行为特征样本进行行为判断模型的监督学习训练，进而针对当前运动目标的多维行为特征实现异常行为判断；

[0074] 预警追踪，当当前运动目标存在异常行为时给与异常目标预警和追踪。

[0075] 其中，运动目标追踪过程中，采用帧差分法、光流法或者基于混合高斯模型的背景差分法提取每帧画面中包含的运动目标。

[0076] 运动目标追踪过程中，确定该运动目标的目标特征；针对相邻的两帧视频画面，对其中的运动目标利用其在视频画面的位置关系以及目标特征进行匹配计算，以实现目标追踪。

[0077] 其中，目标行为特征提取过程中，根据同一个运动目标在连续的视频画面帧中目标特征的变化，从多个维度分析该目标特征变化与目标行为的相关性系数，并且基于该相关性系数，将该运动目标的目标特征变化转化为多维行为特征。

[0078] 异常行为判断过程中，利用不同类型运动目标的多维行为特征样本进行行为判断模型的监督学习训练，进而针对当前运动目标的多维行为特征实现异常行为判断。

[0079] 其中，预先收集并创建的一个安防视频画面集合；从该集合中预先选取第一数量的正常视频画面帧和第二数量的异常视频画面帧；提取每个视频画面帧中的运动目标，计算每个运动目标的行为特征向量组；将其中正常的运动目标以及异常行为的运动目标的该行为特征向量组，连同每个目标的行为描述标记，作为多维行为特征样本输入SVM支持向量机分类器，实现对该分类器的训练。

[0080] 其中，训练之后，再次从安防视频画面集合当中选取一定数量的正常视频画面帧和异常视频画面帧，提取每个视频画面帧中的运动目标并计算每个运动目标的行为特征向量组，输入训练完成的SVM支持向量机分类器，将该分类器对运动目标存在或者不存在异常行为的判断输出与该运动目标的行为描述标记进行验证比对，验证SVM支持向量机分类器的判断输出是否满足预定的正确率。

[0081] 可见，本申请可以准确提取与运动目标行为具有关联度的行为特征，通过人工智能的SVM分类机对表示行为特征的向量组执行监督学习训练，然后针对当前运动目标自动分析是否存在异常行为；本发明能够准确表达运动目标的画面变化与该目标行为至今的相关性，在执行SVM分类机学习时候利用预存储的信息，能够考虑视频场景对异常行为识别的潜在影响，并且在训练后进行了具有场景相关的可变正确率的识别结果验证，从而可以提高行为特征智能分析的准确率以及异常行为的识别率，能够有效基于运动目标行为而触发对其实施预警与追踪。

[0082] 上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。