第5期 夏凡，等：基于局部异常行为检测的欺骗识别研究 。15 容对肤色分布进行判断得出实际皮肤区域.Solar3) 2.3行为特征与欺骗状态之间关系的形式化表达 先在RGB空间用高斯混合密度函数做基于像素的 基于视觉技术进行欺骗检测的最终目的是要将 检测，然后用可信度高的像素作为种子进行“散射” 异常的行为与欺骗状态进行关联，简单说来就是把 处理，其他像素要确认是否肤色必须在其某邻域内 检测对象的行为模式与欺骗状态之间的关系进行分 有确认过的肤色像素.Chen Yu!在LUV颜色空 析和编码，并用自然语言等进行描述.将检测对象的 间中利用高斯混合模型分别训练出皮肤颜色/非皮 行为特征与欺骗状态之间的关系进行形式化表达， 肤颜色、皮肤纹理/非皮肤纹理分布的概率密度函数 可以简单地认为是时变数据的匹配分类问题，即将 模型，再对输入的像素对颜色、纹理2个条件分别进 测试序列与预先标定的代表典型欺骗状态下行为的 行判断均满足时判定为肤色像素 参考序列进行匹配.由此可见，关键问题是如何从学 2.2肤色区域的跟踪 习样本中获取参考序列，并且学习和匹配的行为序 跟踪等价于在连续的图像帧间建立基于位置、 列能够处理在相似的运动模式下空间和时间尺度上 速度、形状、纹理、色彩等有关特征的对应匹配问题， 轻微的特征变化 常用的数学工具有Kalman滤波3s]、条件概率密度 匹配时变数据的技术通常有： 传播36]及动态贝叶斯网络等.其中Kalman滤波 1)动态时间规整DTwo).DTW具有概念简 是基于高斯分布的状态预测方法，能够最优化自回 单、算法鲁棒的优点，早期被应用于语音识别中，并 且最近才被用于匹配人的运动模式1.2]；对DTW 归数据处理，不能有效地处理多峰模式的分布情况； 而言，即使测试序列模式与参考序列模式的时间尺 条件概率密度传播算法是以因子抽样为基础的条件 度不完全一致，只要时间次序约束存在，它仍能较好 密度传播方法，结合可学习的动态模型，可完成鲁棒 地完成测试序列和参考序列之间的模式匹配， 的运动跟踪」 2)隐马尔可夫模型HMMs].HMMs是更加 按照跟踪方法来划分，主要有如下4类38) 成熟的匹配时变数据的技术，它是随机状态机： 1)基于模型的跟踪.将人的运动看成是骨骼的 HMMs的使用涉及到训练和分类2个阶段，训练阶 运动用线图法、二维轮廓或立体模型等几何模型来 段包括指定一个隐马尔可夫模型的隐藏状态数，并 近以身体的各个部分，该方法要求参数更新和匹配 优化相应的状态转换和输出概率，便于输出符号与 过程中更大的计算量， 特定行为模式下的特征相匹配.对于每一个行为模 2)基于区域的跟踪.将人体看作由头、躯干、四 式，一个HMM是必须的.匹配阶段涉及到一个特 肢等身体部分所对应的局部区域所组成，利用高斯 定的HMM,产生相应于所观察行为特征的测试符 分布建立人体和场景的模型，通过跟踪各个局部区 号序列的概率计算.HMMs在学习能力和处理未分 域来完成整个人的跟踪.基于区域的跟踪方法目前 割的连续数据流方面比DTW有更好的优越性，当 己有较多的应用，例如利用区域特征进行室内单人 前被广泛应用于人的运动模式匹配中4.5) 的跟踪.基于区域跟踪的难点是处理运动目标的阴 3)神经网络.同样也是目前较好的匹配时变数 影和遮挡，如能结合纹理、彩色及形状等特征进行跟 据的方法，例如Rosenblum等61使用径向基函数网 踪将会有助于上述问题的解决 络从运动中识别人的情感 3)基于活动轮廓的跟踪.基于活动轮廓的跟 踪3思想是利用封闭的曲线轮廓来表达运动目标， 表1各类研究方法比较 Table I The comparison of methods 并且该轮廓能够自动连续地更新.相对于基于区域 肤色分离 跟踪方法 行为表达 的跟踪方法，轮廓表达降低了计算复杂度，如果初始 化时能够合理地区分每个运动目标并实现轮廓初始 Gabriel1211 颜色表查找 Kalman滤波+ HMMs 化，既使在部分遮挡存在的情况下也能连续地进行 形状信息 跟踪.然而初始化通常是很困难的 Shan Lul221 颜色表查找 Kalman滤波+ 自定义模型 4)基于特征的跟踪.基于特征的跟踪包括特征 形状信息 提取和特征匹配2个过程.Shan的工作22就是一 Enrica3) Kalman滤波+ 贝叶斯分类 Wavelet 个很好的区域特征跟踪的例子，文中将检测对象的 区域质心 头部和双手各用一个矩形框加以标识，将运动和静 止的矩形框分别加上标签，作为跟踪的特征 1994-2009 China Academic Journal Electronic Publishing House.All rights reserved.http://www.cnki.net容对肤色分布进行判断得出实际皮肤区域. Solar [ 33 ] 先在 R GB 空间用高斯混合密度函数做基于像素的 检测 ,然后用可信度高的像素作为种子进行“散射” 处理 ,其他像素要确认是否肤色必须在其某邻域内 有确认过的肤色像素. Chen Yu [34 ] 在 LUV 颜色空 间中利用高斯混合模型分别训练出皮肤颜色/ 非皮 肤颜色、皮肤纹理/ 非皮肤纹理分布的概率密度函数 模型 ,再对输入的像素对颜色、纹理 2 个条件分别进 行判断 ,均满足时判定为肤色像素. 2. 2 肤色区域的跟踪 跟踪等价于在连续的图像帧间建立基于位置、 速度、形状、纹理、色彩等有关特征的对应匹配问题 , 常用的数学工具有 Kalman 滤波[35 ] 、条件概率密度 传播[ 36 ]及动态贝叶斯网络[37 ]等. 其中 Kalman 滤波 是基于高斯分布的状态预测方法 ,能够最优化自回 归数据处理 ,不能有效地处理多峰模式的分布情况 ; 条件概率密度传播算法是以因子抽样为基础的条件 密度传播方法 ,结合可学习的动态模型 ,可完成鲁棒 的运动跟踪. 按照跟踪方法来划分 ,主要有如下 4 类[38 ] . 1) 基于模型的跟踪. 将人的运动看成是骨骼的 运动 ,用线图法、二维轮廓或立体模型等几何模型来 近似身体的各个部分 ,该方法要求参数更新和匹配 过程中更大的计算量. 2) 基于区域的跟踪. 将人体看作由头、躯干、四 肢等身体部分所对应的局部区域所组成 ,利用高斯 分布建立人体和场景的模型 ,通过跟踪各个局部区 域来完成整个人的跟踪. 基于区域的跟踪方法目前 已有较多的应用 ,例如利用区域特征进行室内单人 的跟踪. 基于区域跟踪的难点是处理运动目标的阴 影和遮挡 ,如能结合纹理、彩色及形状等特征进行跟 踪将会有助于上述问题的解决. 3) 基于活动轮廓的跟踪. 基于活动轮廓的跟 踪[39 ]思想是利用封闭的曲线轮廓来表达运动目标 , 并且该轮廓能够自动连续地更新. 相对于基于区域 的跟踪方法 ,轮廓表达降低了计算复杂度 ,如果初始 化时能够合理地区分每个运动目标并实现轮廓初始 化 ,既使在部分遮挡存在的情况下也能连续地进行 跟踪. 然而初始化通常是很困难的. 4) 基于特征的跟踪. 基于特征的跟踪包括特征 提取和特征匹配 2 个过程. Shan 的工作[22 ] 就是一 个很好的区域特征跟踪的例子 ,文中将检测对象的 头部和双手各用一个矩形框加以标识 ,将运动和静 止的矩形框分别加上标签 ,作为跟踪的特征. 2. 3 行为特征与欺骗状态之间关系的形式化表达 基于视觉技术进行欺骗检测的最终目的是要将 异常的行为与欺骗状态进行关联 ,简单说来就是把 检测对象的行为模式与欺骗状态之间的关系进行分 析和编码 ,并用自然语言等进行描述. 将检测对象的 行为特征与欺骗状态之间的关系进行形式化表达 , 可以简单地认为是时变数据的匹配分类问题 ,即将 测试序列与预先标定的代表典型欺骗状态下行为的 参考序列进行匹配. 由此可见 ,关键问题是如何从学 习样本中获取参考序列 ,并且学习和匹配的行为序 列能够处理在相似的运动模式下空间和时间尺度上 轻微的特征变化. 匹配时变数据的技术通常有 : 1) 动态时间规整 D TW [ 40 ] . D TW 具有概念简 单、算法鲁棒的优点 ,早期被应用于语音识别中 ,并 且最近才被用于匹配人的运动模式[41 - 42 ] ;对 D TW 而言 ,即使测试序列模式与参考序列模式的时间尺 度不完全一致 ,只要时间次序约束存在 ,它仍能较好 地完成测试序列和参考序列之间的模式匹配. 2) 隐马尔可夫模型 HMMs [43 ] . HMMs 是更加 成熟的匹配时变数据的技术 ,它是随机状态机. HMMs 的使用涉及到训练和分类 2 个阶段 ,训练阶 段包括指定一个隐马尔可夫模型的隐藏状态数 ,并 优化相应的状态转换和输出概率 ,便于输出符号与 特定行为模式下的特征相匹配. 对于每一个行为模 式 ,一个 HMM 是必须的. 匹配阶段涉及到一个特 定的 HMM ,产生相应于所观察行为特征的测试符 号序列的概率计算. HMMs 在学习能力和处理未分 割的连续数据流方面比 D TW 有更好的优越性 ,当 前被广泛应用于人的运动模式匹配中[44 - 45 ] . 3) 神经网络. 同样也是目前较好的匹配时变数 据的方法 ,例如 Ro senblum 等[46 ]使用径向基函数网 络从运动中识别人的情感. 表 1 各类研究方法比较 Table 1 The comparison of methods 肤色分离 跟踪方法 行为表达 Gabriel [21 ] 颜色表查找 Kalman 滤波 + 形状信息 HMMs Shan Lu [22 ] 颜色表查找 Kalman 滤波 + 形状信息 自定义模型 Enrica [23 ] 贝叶斯分类 Kalman 滤波 + 区域质心 Wavelet 第 5 期 夏 凡 ,等 :基于局部异常行为检测的欺骗识别研究 ·15 · © 1994-2009 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net