基于复杂机场监控环境下的行为检测分析

左骥

摘要：复杂机场环境下的行为检测是指应用视频采集技术、传感器技术实现对人体动作、特征、行为等内容的提取与分析，实现对行为的科学检测。目前，市场上的监控行为检测系统存在细微识别较差、识别率较低等问题。本文探讨识别检测技术在复杂机场环境中的应用原理，通过模型训练的方式提高行为识别率及检测效果，探讨监控识别系统应用方式。

关键词：复杂机场 监控环境 运动特征 行为检测 模型训练

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

机场中频繁的突发事件及恶性事件会对机场的秩序造成一定程度影响，机场为预防此类事故的产生，应用监控系统实现对现场环境的检测，作为事故处理的依据。然而视频监控系统当下的应用并不健全，其在行为识别与行为检测上仍存在一定的问题，大数据技术、智能将技术在监控系统中的应用可以有效提高监控的准确性，实现对安全事故的预警，相关人员需要对系统进行科学设计，引入更多新型技术，提高监控质量。

1运动人体提取技术

1.1运动目标检测方法分析

运动人体检测可以分为动态、静态两种，受自然天气环境影响较大，对运动目标进行分割会受到影响。为了实现对运动目标的科学检测，目前比较常用的3种方法分比为时间差分法、背景差分法、光流分析法3种。第一种方法通过对监测图像的像素差值或者绝对值实现对图像内运动行为特征的分析，该方法应用检测速度较快，但很容易出现检测图像空洞情况。第二种方法是指在同一个场景之中，如果监控图像中的背景具有一致性，可以应用背景差分法实现对目标的分割处理，设计人员需要实时更新背景模型实现运动目标的检测。第三章方法应用光流信息实现对监控图像中的运动目标检测，运动目标的亮度会因行为变化产生相应的变化，具有鲁棒性特点，该方法通过时空微分形成二维场，对监控图像中的运动信息进行梯度分析[1]。

1.2机场环境下运动人体提取方法

由于机场环境具有一定的复杂性，行人数量比较多，噪音较大，上述运动目标检测方法中的时间差分法进行运动人体的提取，具体系统技术应用如下。

系统与机场中的视频监控系统相结合，采集原始视频信息传输至系统之中进行预处理。根据系统功能可以将动作行为按照模块进行分类，预处理的过程将动作内容进行标注，并对应相应的帧数区间。视频会在系统的MFC框架之中显示出来，根据标注的对应区域形成分段类的视频，成为处理对象。

根据监控系统采集的图像序列可以计算图像像素帧间的绝对差值，但其无法完全展示运动目标，可能会出现图像漏洞问题，导致运动人体行为检测结果并不准确。因此，为了弥补该技术应用的缺点，采用对称差分技术对监控系统中的目标轮廓进行明确，即使出现背景暴露问题，也不会对检测结果造成一定程度上的影响。该技术的应用原理是通过计算原始图像中连续的三帧序列，对相邻的图像帧数进行差分计算，最终得到差二值图像，通过对称逻辑计算的方式，得到最终的图像结果。

运动人体的提取是监控系统行为检测的基础性内容，由于运动人体的视频图像信息受环境因素影响比较大，采用其他的方法运动目标进行提取可能会出现一定的失误情况，概率也比较高。然而应用时间差分法进行运动人体提取可能会由于运动目标行为缓慢导致提取失败，采用帧间差累计的方法进行计算，运动目标提取效果较好。该技术在英国机场中的运动目标提取中应用，应用MPEG解码库对监控系统中的视频序列进行处理，视频格式为MPEG-1，处理结果较好[2]。

2运动特征提取技术

2.1兴趣点方法应用

应用帧间差累计技术实现对运动目标的提取，结合角点检测技术可以实现对运动特征的提取。运动特征提取技术起源于20世纪70年代，经过数十年的发展已经可以通过高层结构信息建立实现对运动特征的提取。兴趣点是人体关节位置运动所发生变化的点位，可以根据点位的运动轨迹及运动规律实现对运动特征的提取。监控系统中对运动特征进行识别需要规避复雜的环境，通过二维或者三维时空域的建立对兴趣点进行明确，不同的场景需要应用不同种类的兴趣点。

2.2角点检测技术原理

考虑到机场环境的复杂性，在上述两种运动特征提取技术上进行优化设计。应用Harris角点检测技术获取监控区域内的人体运动特征。该技术应用检测器装置实现对角点区域的兴趣点获取，具有一定的稳定性，即使监控采集的图像发生了旋转或者亮度参数等发生变化，检测其所提取的结果影响程度均比较小。该技术基于图像的局部像素进行计算，衡量图像像素点中不同区域的变化;应用函数算法中使用高斯函数进行计算，根据距离中心位置的距离确定像素的权重值，可以提高运动特征采集的科学性以及稳定性[3]。

2.3算法应用

根据函数计算原理对最终的算法进行明确以及求解，根据计算步骤及计算方式列出像素点的相关矩阵，对角点位置进行明确，计算角点的响应情况，最后，通过在局部区域计算极大值的方式，对最终的角点位置进行明确。系统应用Harris算子对监控系统采集图像的兴趣点进行提取，该算法应用提取效果较好，计算过程比较简单，经过矩阵、计算响应、计算极大值的方式即可获取角点信息。技术应用一阶差分滤波进行计算，所提取的角点位置比较均匀，可以通过对像素点的兴趣值计算，选择最优点，即使在背景纹理比较复杂的区域，也可以进行运动特征点的提取，但该技术应用同样存在弊端，受尺度敏感性影响较大，在不同的尺度下可能提取到的是角点，也可能会提取到边缘[4]。

3模型训练拆分设计

3.1Web Browser控件应用

由于机场的环境具有复杂性，场景中的行为要素比较多，仅仅对目标动作进行提取存在不科学性，因此采用聚类交互的方式实现对多个目标特征的提取。使用的较为常用的聚类方法包括K-means方法，该方法通过脚本语言设计实现聚类目标，实现目标特征的可视化处理。聚类技术将兴趣点集合分类，随机产生聚类中心，直到聚类中心变化停止结束过程。本文应用Graphviz工具实现聚类交互目标，生成HTML文件信息，为了对该文件信息进行显示读取，需要在系统之中安装Web Browser控件，监控系统识别行为运动特征需要应用系统匹配的浏览器进行图像文件生成与显示。

本文设计监控行为检测系统使用自定义浏览器实现图像生长，在对话框嵌入应用控件，创建浏览器类。设计人员首先在构造函数之中创建对象，创建容器管理器，继而应用InitControl函数创建父窗口，将其作为系统的容器对象，调动函数创建站点，最终实现对控件对象的科学应用，通过上述方法创建浏览器并嵌入空间，实现对特征检测的HTML文件的显示。

3.2拆分模型训练

通过模型训练后將样本处理成为树状图，模型测试需要对提取的兴趣点进行差分处理，系统需要建立匹配的拆分模型对其结构进行判定，确定其是否在行为检测过程中需要进行拆分处理。可以将拆分过程视作是两分类问题，将叶子节点作为负样本，其他节点作为正样本，正样本需要进行拆分处理。选取帧数大小为580×720的图像作为样本，将其划分为周边为16的格子，计算格子的角点数量，形成维度向量，根据运动方向将其进行拆分，对应到16个格子之内，最终进行归一处理。选择的视频样本可以生成多个向量，拆分过程结束之后，点击相应按钮可以对特征进行了解。

模型训练过程在提取数据以及样本之后进行，使用SVW进行数据拆分，进行模型训练。按照数据库中规定的格式对数据进行储存，选择适用的训练参数进行模型设计，应用Grid.py执行命令，得出具体结果。应用函数对模型进行拆分，生成文件，作为后续训练拆分所重点应用的内容。

4模型训练与行为识别技术

4.1描述子选用

行为识别特征提取技术以及兴趣点提取技术前文已经论述，在进行模型拆分的基础上仍需要进一步对兴趣点进行集合处理，对目标行为进行描述，使其以向量的方式呈现，作为数据样本。如何对其行为进行表述是监控系统行为检测的关键内容，可以应用Cuboids对兴趣点进行描述，其在兴趣点的内部以立方体的形态呈现，与提取参数存在内在联系，引入该描述子虽然可以对参数进行描述，但无法对局部行为特点进行描述，需要将其与像素点结合才可实现行为检测的目标。

4.2描述子应用方法

本文提出的方法可以计算维度内的梯度信息，以积分视频的计算方式实现尺度控制目标，此外，该方法可以实现对三维梯度模型的量化处理，以正多面体的方式进行参数量化计算。该方法应用较为简单，效率较高，将局部特征量化需要经过两个步骤，首先参数在内部空间三维体系上进行时间尺度信息的展示，继而将梯度信息进行量化处理，对其进行描述。应用积分视频实现对梯度的计算，在立方体图形中实现对尺度参数控制，不需要提前进行时空尺寸数量的明确，根据图像点的格式与内存需求之间的线性关系，实现对特征的最终描述。

4.3行为模型训练

在完成描述之后需要对描述子进行测试，对表述方法进行明确。基于对机场复杂的环境分析，可以应用bag-of-word的方法进行行为模型训练。提取行为特征之后进行描述，行为特征受运动方向及主体对象的外在形象影响比较大，提取的参数点位存在明显差异。但在模型中Cuboids类别有限，即使其个数是无限的，也可以对类型进行描述。本文提出的方法将训练样本按照类别进行聚类处理，通过函数计算最终结果，形成维度向量后进行归一化处理。提取描述子之后需要将其保存至指定模块之中，储存格式需要与系统匹配，应用SVW进行行为模型训练，在菜单界面上对其进行处理，可以得到最终的行为模型。

4.4行为识别

在对模型进行行为训练之后，需要测试其在框架之中是否可以实现对行为特点的科学识别，在模型中输入样本之后，对类别行为信息进行预测。由于数据库中的数据类型十分复杂，仅依靠行为模型对行为的识别无法保障行为检测的最终效果，需要将行为模型与拆分模型融合，通过测试界面的设计对行为进行识别。行为识别在聚类的情况下进行，其可以分为两个子菜单，其主要作用分别是提取、预测，实现对行为的科学分类。在测试界面对行为进行识别，节点数量比较多，为了提高行为检测结果的准确性，对模型中的全部叶子节点进行类别预测，即使仅有一个预测结果是正确的，就可以保障最终的行为检测结果是正确的，如果全部预测均为错误的，则最终的行为检测结果就是错误的[5-6]。

5结语

综上所述，复杂机场环境下的行为检测应用计算机视觉技术实现对行为的识别，为了提高系统行为检测能力与辨识能力，赋予系统智能化功能，设计智能行为检测系统。本文根据机场的实际监控环境，赋予系统运动区域提取功能、特征提取功能，并设计人机交互系统实现对功能模块的操控，为机场环境下的异常行为检测与预测提供保障。

参考文献

[1]刘鹏，张伊静.独立程度、机构禀赋与监管治理的有效性——基于四类检测机构行为的比较案例研究[J].南京社会科学，2022（1）：72-82.

[2]林中爱，程富勇，廖耀华，等.基于改进神经网络算法的低压抗直流互感器动作行为检测[J].制造业自动化，2021，43（12）：43-45，57.

[3]杜志强，谭玉琪，仇林遥.基于卡尔曼滤波的船舶轨迹异常行为快速检测方法[J].地理信息世界，2021，28（4）：112-118.

[4]郑萌萌，钱慧芳，周璇.基于监控视频的Farneback光流算法的人体异常行为检测[J].国外电子测量技术，2021，40（3）：16-22.

[5]乔祎. 基于深度学习的机场检测数据集的研究[D].成都：电子科技大学，2020.

[6]孟琦. 运输机场用能监控方法研究[D].天津：中国民航大学，2019.