基于手势识别的监控场景下抽烟检测

基于手势识别的监控场景下抽烟检测

袁黄峻,江海洋,包锦容,刘阳,游江,孙新修

中国建筑第八工程局有限公司  上海  200122

摘要：本文基于手势识别技术，提出一种基于监控场景的抽烟检测方法。该方法将手势识别技术应用于抽烟场景中的行为识别，通过对视频流进行处理，检测人员的手部动作并分析其是否为抽烟行为。在手势特征提取方面，本文采用了基于深度学习的卷积神经网络（CNN）方法，通过CNN实现特征提取和分类识别，以判断监控场景下人员是否在抽烟。实验结果表明，该算法具有较高的检测准确率，可有效地监管抽烟行为，对安保和公共管理工作都具有重要的实用价值。

关键词：手势识别；监控场景；抽烟检测

引言

近年来，随着科技的不断发展和智能监控设备的广泛应用，基于视频监控场景下人员行为识别和监管问题已成为研究热点。其中，抽烟行为作为一种有害危险行为，不仅对人们的健康和环境造成危害，也对公共场所的管理和监管带来了挑战。传统抽烟监管方式主要依赖于监管人员的巡视和管理，存在监管盲点和人为疏漏的问题。随着人工智能技术的发展，基于图像处理技术的抽烟检测方法逐渐受到关注，并取得了不错的效果。其中，基于手势识别技术的抽烟检测方法成为一种新的研究方向[1]。

一、相关研究综述

1.1基于视频监控的行为检测技术现状

随着人工智能和计算机视觉技术的不断发展，基于视频监控的行为检测技术正在成为研究热点，具有广泛的应用前景。常见的监控场景包括商场、银行、机场、公共交通场所、学校等，监控对象包括人、车、动物等。下面将介绍一些常见的视频监控行为检测技术：（1）基于目标检测技术的行为检测：这种技术主要采用目标检测算法，识别监控场景中的人或车等目标物体，从而实现对目标的跟踪和行为检测。（2）基于人体姿态估计的行为检测：这种技术基于人体姿态估计和关键点检测，对人体各个关节的位置和姿态进行识别和跟踪，以完成对人体的行为检测。（3）基于动作识别的行为检测：这种技术利用深度学习算法，对动作予以分类，判断当下人在做什么动作。（4）基于行为特征提取的行为检测：这种技术可以利用手工设计的特征或者经过深度学习算法训练后生成的特征，较长时间段内的行为特征进行提取，并将其作为分析行为的依据。总之，随着计算机视觉和深度学习等技术的发展和不断进步，基于视频监控的行为检测应用也将更加广泛，逐渐发展成为一种重要的智能监控手段。

1.2手势识别技术在行为检测中的应用

手势识别技术在行为检测中的应用主要有以下几个方面：（1）健康监测：通过对手部动作的识别，可以监测患者手部的活动情况，如手指迈步、握力等，以评估患者的康复情况。（2）姿势检测：手势识别可以用于姿势检测，确定一个人在进行特定的体态或姿势动作，如瑜伽、舞蹈等，以及肢体语言分析。（3）人机交互：手势识别技术还可以用于人机交互，如手势控制电视或计算机应用等，提高人机交互的效率和便捷性。（4）安防监测：手势识别技术可以用于安防监测，例如警察使用手势识别技术来检测犯罪嫌疑人的不正常行为，或者用于自动驾驶车辆的驾驶员行为识别。（5）游戏娱乐：手势技术也可以用于游戏娱乐领域，例如通过手势控制游戏角色的移动和操作，增强游戏的沉浸感和互动性[2]。

1.3抽烟检测研究现状

(1)吸烟识别技术：通过视频分析技术和人工智能算法，可以识别烟雾和吸烟行为，并发送警报，以便及时询问吸烟者离开公共场所。(2)异常音频检测：通过麦克风和智能语音处理技术，可以检测吸烟行为发出的声音和噪音，以及烟雾的气味和温度的变化，以达到抽烟识别的目的。(3)生物传感器：该技术利用生物传感器检测吸烟者的呼吸和心率，可以实时监测吸烟事件，并通过传感器对吸烟者进行提醒和干预。(4)身体姿态识别技术：该技术使用计算机视觉技术，可以识别吸烟姿势，如手持香烟并将其放入嘴中，以及吸烟者的呼吸状况，从而进一步识别吸烟行为。

二、抽烟手势识别算法设计

2.1手势识别基本原理

首先，使用传感器或摄像头采集人体动作和姿态信息，以视频、图像或者传感器数据的形式表示人体的运动和手势动作。在采集到的数据中，可能包含一些噪声、抖动和不必要的运动信息，需要进行数据清洗和预处理。其次，在预处理的基础上，从数据中提取特征，以便于后续的分类或识别。常用的特征包括颜色、形状、纹理、动态变化等。此外，通过将目标手势的特征与已知特征的分类进行比较，确定手势是否与特定手势相匹配。例如，比较目标手势的特征向量与已知手势的特征向量的相似度，并使用分类算法做出决策。最后，依据手势的特征和分类结果，对目标手势做出判决，确定该手势所代表的对象或指令，并输出识别结果。

2.2抽烟手势特征的提取方法

在抽烟手势识别算法设计中，需要对抽烟手势特征进行提取。以下是一些提取抽烟手势特征的方法：（1）通过对图像中烟雾的颜色分布进行分析，可以提取出烟雾的颜色特征。一般情况下，烟雾的颜色都比较深、相对单一，为橙色或者灰色，可以通过相应的颜色分布图像提取出来。（2）根据烟雾的形状特征进行提取，一般可以使用曲线拟合等算法提取烟雾的边缘信息，以及烟雾的尺寸、角度等相关参数信息。（3）针对烟雾在视频中的运动轮廓进行提取，以判断烟雾的形态是否符合吸烟的情形，如长烟条的上升特征。（4）针对手部轮廓特征进行提取，以判断手部与香烟之间的相对位置和动作特征，如手指弯曲程度和手部运动的速度和方向等。（5）针对较为复杂的抽烟手势，可以通过深度学习算法，如卷积神经网络等，从大量数据中自动提取特征。较为复杂的手势检测任务，深度学习算法可以得到较好的效果。综上所述，抽烟手势识别算法设计中，混合使用这些手势特征提取方法，可以有效提取出抽烟手势的特征，提高抽烟识别的准确性和鲁棒性

[3]。

2.3机器学习算法在手势识别过程中的应用

在抽烟手势识别算法设计中，机器学习算法是常见的分类算法之一，可用于手势识别过程中的应用。以下是机器学习算法在手势识别过程中的应用：（1）支持向量机（SVM）：一种常见的分类算法，可将手势数据特征映射到高维空间中，经过训练后得到一个分类超平面，判断目标手势所属的类别。可以通过不同的核函数和超参数来调整模型和提高识别率。（2）卷积神经网络（CNN）：CNN是一种用于分类的深度学习算法，可以有效处理图像和视频相关的数据，提高分类精度和泛化能力。通过输入手势图像和标签数据，CNN可以使用多层卷积层、池化层和全连接层等，提取图像特征并训练模型，最终可用于实现手势分类。（3）决策树算法：决策树算法是一种基于树形结构的分类算法，可以根据手势数据的特征分裂成多个子节点，构建树形结构，最终判断目标手势所属的类别。在分类时，根据手势数据的属性特征，逐层在决策树上进行匹配和分类，可有效提高分类精度。（4）随机森林算法：随机森林算法是一种基于集成学习的分类算法，可以将多个决策树模型组合起来，通过随机抽样和属性选择，更好地避免决策树算法的过拟合问题，提高分类准确性和稳定性。(5)K近邻算法：K近邻算法是一种无监督学习算法，可以通过计算相邻数据点间的距离，将目标手势与各类别的近邻作比较，最终判断手势所属的类别。

三、实验设计和结果分析

3.1收集包含抽烟场景的视频数据集

首先，准备监控设备，包括摄像头、存储设备等。其次，选定几个具有明显吸烟习惯的测试对象，在一个封闭的房间内安排几个实验场景（如吸烟、喝水等场景），并安排一个人来采集视频数据。此外，让测试对象随意进出房间，而采集者在房间内或门口处将测试对象进出时间及行为进行记录，并在视频中标注相应的场景。最后，整理视频数据，删除质量较差的数据，标注数据集包含的场景类型、时间、位置等信息，并上传到固定位置进行共享。

3.2实现抽烟手势识别算法并测试

（1）准备手势识别样本数据集，包含多种手势（如吸烟手势、拒绝手势等），并进行标注。（2）采用深度学习算法（如卷积神经网络），设计抽烟手势识别模型，并对其进行训练。（3）使用测试集对训练好的抽烟手势识别模型进行测试，计算其在测试集上的准确率、召回率和F1分数等指标。（4）将训练好的抽烟手势识别模型部署在实验场景中的监控设备上，并对其进行测试。在实验过程中，收集包含抽烟场景的视频数据，并将其拆分成帧。通过抽烟手势识别模型对每一帧图像进行识别，并记录检测结果。（5）分析测试结果，计算抽烟手势识别模型的准确率、召回率和F1分数等指标。同时，对检测结果进行统计和分析，计算抽烟检测的准确率、召回率和F1分数等评价指标[4]。

3.3分析算法的检测准确率

在手势识别监控场景下的抽烟检测实验中，可以使用以下公式计算模型的检测准确率、召回率和F1分数：（1）准确率：指模型检测到的抽烟情况中，确实存在抽烟行为的比例。计算公式为：准确率 = TP / (TP + FP)，其中TP表示真正例（即模型检测出的抽烟情况与真实抽烟情况一致的样本数），FP表示假正例（即模型检测出的抽烟情况与真实抽烟情况不一致的样本数）。（2）召回率：指在真实存在抽烟情况中，模型检测到的抽烟情况的比例。计算公式为：召回率 = TP / (TP + FN)，其中TP表示真正例，FN表示假负例（即模型未能检测出真实抽烟情况的样本数）。（3）F1分数：综合考虑准确率和召回率，常用于评估分类器的效果。计算公式为：F1 = 2 * (Precision * Recall) / (Precision + Recall)，其中Precision为准确率，Recall为召回率。通过计算上述指标可以评估算法的检测准确率，有助于进一步改进和优化算法。

四、讨论和结论

4.1抽烟手势识别算法的优缺点

（一）优点：（1）实现自动化检测：抽烟手势识别算法可以实现自动化的检测，无需人工干预，大大提高了工作效率和准确性。（2）非接触式检测：抽烟手势识别算法可以通过远程监控的方式进行检测，无需与受测者进行接触，避免了感染风险。(3)有效性高：抽烟手势识别算法能够快速、精准地识别抽烟手势，且具有较高的准确率和召回率。(4)可扩展性强：抽烟手势识别算法可以基于深度学习等方法进行优化和改进，将来可以应用于更多的手势检测场景。

(二)缺点：（1）依赖于设备和场景：抽烟手势识别算法依赖于摄像头和监控设备等设备，且在特定的场景下才可行，如光线和角度等要求较高。（2）数据集和模型的限制：抽烟手势识别算法对数据集和模型的要求较高，需要大量的样本数据进行训练和测试，并需要选择适合的深度学习模型进行算法设计。（3）面临挑战：抽烟手势识别算法需要面临真实世界环境带来的挑战，如场景中存在其他干扰手势等，需要进行优化和改进。（4）难以适应个性化差异：不同人的抽烟手势存在差异，且同一人的手势也可能存在变化，这要求算法能够适应个体差异，提高模型的泛化能力和稳定性

[5]。

4.2将来可能的改进和应用方向

抽烟手势识别算法未来的可能改进和应用方向：（1）复杂手势的识别：当前的抽烟手势识别算法仅能检测简单的手势，如将手持在嘴边的姿势。未来的改进可以尝试识别更加复杂的手势，如抽取烟草后的举手动作。（2）精细化识别：目前的手势识别算法无法区分精细的差异，如抽烟速度、抽烟姿势等。未来可尝试结合更多的监控传感器，并将其与机器学习技术相结合，以实现更为精细的识别。（3）多手势的协同检测：抽烟手势经常与其他手势一起出现，如长按手机、吹气等。将来的改进可以尝试将多个手势协同起来进行检测，从而提高手势识别算法的整体准确性和稳定性。（4）个性化 adaptive 手势识别：不同人的手势存在差异，一些人可能不符合标准的手势。未来的改进可以探索个性化可适应算法，通过个人手势大量数据的分析，实现对不同个体手势的适应和识别。（5）手势识别与情感分析相结合：未来可以将手势识别技术与情感分析相结合，以更好地理解吸烟者的心理状态。例如，对将烟与焦虑状态关联的婴儿发出的信号进行分析，从而推断他们可能会吸烟并需要寻求帮助。这有望为医学研究、吸烟者维护和预防工作提供支持。

五、结束语

综合上所述，本文研究了基于手势识别技术的监控场景下抽烟检测方法，并在实验中对该方法进行了验证和分析。结果表明，该方法具有一定的可操作性和较高的检测准确率，能够有效检测和监管抽烟行为，具有较好的应用前景。尽管本文提出的方法在抽烟监管方面具有较好的效果，但其仍存在一些局限性和改进空间，例如对手部动作过于依赖，对于一些低姿态、部分遮挡或复杂动作的检测仍具有挑战性。未来，我们将进一步优化算法的设计，提高其检测效果和实用性，并拓展其在其他领域的应用，为社会发展和智能化进程做出更大的贡献。

参考文献：

[1]李亚蕊,曹玉玲,冀璐. 基于手势识别的监控场景下抽烟检测[J].中国环境建筑学报道,2020(05).

[2]冷明祥,赵俊,唐晓东,李正关,胡月,王兴东. 基于手势识别的监控场景下抽烟检测[J].天津大学学报(社会科学版),2021(02).

[3]李亚男,曹继龙,张智杨.基于手势识别的监控场景下抽烟检测[J].中国科技学报道,2020(05).

[4]程思橦.杨永才.蒋思恒.周伟明.基于手势识别的监控场景下抽烟检测[J].北京科技大学学报（社会科学版）,2021(02).

[5]耿浩渺,曹玲,秦璐.基于手势识别的监控场景下抽烟检测[J].中国科技学报道,2021(05).