實驗數據:
UCSD Anomaly Detection Dataset
該數據集由加州大學聖迭戈分校提供,由一個安裝在高處、俯瞰人行道的固定攝像機獲取的監控視頻。視頻中人羣密度由稀疏到密集不等。其中正常定義:視頻中僅有行人;異常定義爲:視頻中出現自行車/汽車/滑板車/輪椅等異常運動模式。數據集中提供了兩個場景,分別爲UCSDped1和UCSDped2,每個場景下又分爲Train和Test,下面又會分爲N個片段,每個片段都會有200幀圖像。本實驗用到“UCSDped1/Train/Train007”這一片段,下面爲該片段的視頻演示:
實驗代碼:
環境:Win10 | Python 3.7.3 | OpenCV 4.1.0
步驟一:前景提取
利用高斯混合模型分離圖像幀的前景和背景
# 創建混合高斯模型
fgbg = cv2.createBackgroundSubtractorMOG2()
for frame in frames:
frame_img = cv2.imread(frame_path + frame, 1)
# 利用混合高斯模型提取前景
fgmask = fgbg.apply(frame_img)
提取前景後的視頻演示:
步驟二:跟蹤運動
利用Lucas Kanade光流法跟蹤監控視頻中的運動,這裏利用上面提取的前景計算光流。
# Shi-Tomasi 角點檢測參數
feature_params = dict( maxCorners = 100,
qualityLevel = 0.3,
minDistance = 7,
blockSize = 7)
# lucas kanade光流法參數
lk_params = dict( winSize = (15, 15),
maxLevel = 2,
criteria = (cv2.TERM_CRITERIA_EPS | cv2.TERM_CRITERIA_COUNT, 10, 0.03))
first_rgbframe = cv2.imread(frameFG_path + frames[1], 1)
# 計算第一幀的灰度圖
first_frame = cv2.cvtColor(first_rgbframe, cv2.COLOR_BGR2GRAY)
#獲取圖像中的角點,返回到p0中
p0 = cv2.goodFeaturesToTrack(first_frame, mask = None, **feature_params)
# 創建一個蒙版用來畫軌跡
mask = np.zeros_like(first_rgbframe)
old_frame = first_frame
new_frame = np.zeros_like(old_frame)
for frame_i in frames:
rgbframe = cv2.imread(frameFG_path + frame_i, 1)
rgbframe_bg = cv2.imread(frame_path + frame_i, 1)
frame = cv2.cvtColor(rgbframe, cv2.COLOR_BGR2GRAY)
new_frame = frame
# 計算光流
p1, st, err = cv2.calcOpticalFlowPyrLK(old_frame, new_frame, p0, None, **lk_params)
if (p1 is None):
continue
# 選取好的跟蹤點
good_new = p1[st == 1]
good_old = p0[st == 1]
# 畫出軌跡
for i, (new, old) in enumerate(zip(good_new, good_old)):
a,b = new.ravel()
c,d = old.ravel()
mask = cv2.line(mask, (a, b), (c, d), color[i].tolist(), 1)
rgbframe = cv2.circle(rgbframe_bg, (a, b), 2, color[i].tolist(), -1)
img = cv2.add(rgbframe, mask)
cv2.imshow('frame', img)
k = cv2.waitKey(30) & 0xff
if k == 27:
break
# 更新上一幀的圖像和追蹤點
old_gray = frame.copy()
p0 = good_new.reshape(-1,1,2)
old_frame = new_frame
在光流跟蹤時調用OpenCV的line和circle畫圖功能添加運動軌跡,並以蒙版的形式添加到原來的幀圖像上,處理後的視頻演示:
後續工作:
利用光流法得出的運動信息分析和預測視頻中的異常行爲。