专利名称：基于非均衡时序的监控视频异常事件检测方法
基于非均衡时序的监控视频异常事件检测方法技术邻域本发明涉及一种基于非均衡时序的监控视频异常事件检测方法，属于监控视频的事件检测领域。
背景技术：
近年来，随着监控摄像头在各个公共场所的广泛应用，依靠人来观察监控视频的传统方法已经变的不适用，异常事件检测系统成为一个热门的研究课题。监控视频中的异常事件检测系统可以自动地检测出异常事件，并发出预警，可以极大地减少人力资源的浪
费。 在异常事件检测系统中，存在着以下两个难点1)与正常事件相比，人们感兴趣的异常事件的数量非常少，这样就造成了正常事件和异常事件分布极度不均衡；2)每个异常事件发生的时间都不是固定的，需要考虑时序间的变化。异常事件检测系统中，现有的分类方法一般都只是考虑到其中的一个方面，比如Y. Li和J. Shawe-Taylor在2003年《PACLIC17 (第十七届亚太地区语言、信息与计算学术研讨会)》，第 216 到 227 页发表的 “The SVM with uneven margins and Chinesedocument categorization (基于非均衡边缘的支持向量机和中文文档分类)” 一文中提出的基于非均衡边缘的支持向量机方法解决了非均衡分类问题，忽视了事件的时序方面；而Shimodaira. H, Noma. K 等人在 2001 年《Neural Information Processing Systems (神经信息处理系统)》第 921 页到 928 页发表的“Dynamic time-alignment kernel in supportvector machine (基于动态时间对齐核的支持向量机)”一文中提出的基于动态时间对齐核的支持向量机方法则只解决了时序特征的匹配问题。
发明内容
针对现有方法的缺陷，本发明提供一种基于非均衡时序的监控视频异常事件检测方法。本发明是通过以下技术方案实现的，基于非均衡时序的监控视频异常事件检测方法，首先进行时序特征提取，得到视频段的时序特征，然后进行模型训练获取非均衡时序模型，最后进行事件检测检测异常事件是否发生。所述时序特征提取首先进行视频分段得到需要进行异常事件检测的视频段，然后再进行特征提取，提取视频段的特征包括纹理信息、运动信息、时序信息。所述模型训练首先进行训练集选取，选择非均衡分布的时序特征样本作为训练集，其中非均衡分布的时序特征样本中异常事件数量少于正常事件；然后进行模型获取，使用非均衡时序方法对样本进行训练，获取非均衡时序模型。所述的非均衡时序方法首先进行时序特征处理，使用支持向量机的核函数处理视频段的时序特征，解决时序特征的匹配问题；然后进行非均衡数据处理，在支持向量机中引入非均衡参数，使支持向量机适用于非均衡分布的数据集。
所述的事件检测采用非均衡时序方法进行分类，如果为真，表示该视频段内发生了异常事件，否则表示没有发生异常事件，即表示发生了正常事件。
图I是基于非均衡序列方法的监控视频异常事件检测的流程框图。图2是时序特征提取框架图。
具体实施例方式下面结合附图对本发明的实施例做详细说明本实施例在以技术方案为前提下进行实施，给出了详细的实施方式和过程，但本发明的保护范围不限于下述的实施例。如图I所示，本实施例的具体实施流程包括时序特征提取，得到视频段的时序特 征；模型训练，获取非均衡时序模型；事件检测，检测异常事件是否发生。各部分的具体实施细节如下I.时序特征提取包括以下步骤I)视频分段步骤，得到需要进行异常事件检测的视频段。在实施例中，使用的是基于检测跟踪的分段方法。通过对原始视频进行目标检测和跟踪，获取目标物体的时空位置信息，以此得到目标视频段。2)特征提取步骤，提取视频段的特征。在实施例中，提取目标视频段的时序特征，使用的特征是光流特征和尺度不变特征转换特征。2.模型训练I)训练集选取选择非均衡分布的时序特征样本作为训练集。在非均衡分布的时序特征样本中，异常事件数量少于正常事件。在实施例中，对于两个待检测的事件，分别使用了 65和71个异常事件作为正样本，负样本个数为2000个。2)模型获取使用非均衡时序方法对样本进行训练，获取非均衡时序模型。其中非均衡时序方法包括以下步骤(I)时序特征处理步骤使用支持向量机的核函数处理视频段的时序特征，解决时序特征的匹配问题。在实施例中，把提取到的不同维度的时序特征放入支持向量机中，然后使用动态时间对齐核把不同维度的时序特征映射到高维空间。动态时间对齐核的公式如下κ； {xy) =
ψ& i=l约束条件I 彡 Ψ (i)彡 Ψ (i+Ι) ( IXI , Ψ (i+1) _ Ψ (i)彡 QI 彡 Θ ⑴彡 Θ (i+1) ( |V|，Θ (i+1) - θ (i) ( Q其中Ks表示动态时间对齐核,X和V为两个特征序列，Ψ和Θ表示变换路径，ΜΨ e表示路径标准化因子，N为变换路径的长度，m(i)是非负加权系数，Ψ⑴和Θ⑴分别表示i按照变换路径Ψ和Θ转换后的值，χψω和ye(i)分别表示特征序列X和V中第i个特征向量按照变换路径转换后的值，K表示径向基核，|X|和|V|分别表示特征序列X和V的长度，Q是一个常数(限制局部连续性)。
(2)非均衡数据处理步骤在支持向量机中引入非均衡参数，使支持向量机适用于非均衡分布的数据集。调整支持向量机中的非均衡边缘因子，这样支持向量机就可以把正样本的分类边缘移向分类超平面，得到一个更偏向于正样本的非均衡时序模型。3.事件检测事件检测步骤就是检测异常事件是否发生。首先是把前面提取好的测试集时序特征放入基于非均衡时序方法的支持向量机中，然后按照非均衡时序方法进行分类，得到视 频段的分类结果。如果分类结果为真，表示该视频段内发生了异常事件，否则表示没有发生异常事件。
权利要求
1.基于非均衡时序的监控视频异常事件检测方法，其特征在于首先进行时序特征提取，得到视频段的时序特征，然后进行模型训练获取非均衡时序模型，最后进行事件检测检测异常事件是否发生。
2.如权利要求I所述的基于非均衡时序的监控视频异常事件检测方法，其特征在于所述时序特征提取首先进行视频分段得到需要进行异常事件检测的视频段，然后再进行特征提取，提取视频段的特征包括纹理信息、运动信息、时序信息。
3.如权利要求2所述的基于非均衡时序的监控视频异常事件检测方法，其特征在于所述模型训练首先进行训练集选取，选择非均衡分布的时序特征样本作为训练集，其中非均衡分布的时序特征样本中异常事件数量少于正常事件；然后进行模型获取，使用非均衡时序方法对样本进行训练，获取非均衡时序模型。
4.如权利要求2所述的基于非均衡时序的监控视频异常事件检测方法，其特征在于所述的非均衡时序方法首先进行时序特征处理，使用支持向量机的核函数处理视频段的时序特征，解决时序特征的匹配问题；然后进行非均衡数据处理，在支持向量机中引入非均衡参数，使支持向量机适用于非均衡分布的数据集。
5.如权利要求I或2或3或4所述的基于非均衡时序的监控视频异常事件检测方法，其特征在于所述的事件检测采用非均衡时序方法进行分类，如果为真，表示该视频段内发生了异常事件，否则表示没有发生异常事件，即表示发生了正常事件。
全文摘要
本发明提供一种基于非均衡时序的监控视频异常事件检测方法。首先进行时序特征提取,得到视频段的时序特征，然后进行模型训练获取非均衡时序模型，最后进行事件检测检测异常事件是否发生。所述时序特征提取首先进行视频分段得到需要进行异常事件检测的视频段，然后再进行特征提取，提取视频段的特征；所述模型训练首先进行训练集选取，选择非均衡分布的时序特征样本作为训练集，其中非均衡分布的时序特征样本中异常事件数量少于正常事件；然后进行模型获取，使用非均衡时序方法对样本进行训练，获取非均衡时序模型。所述的非均衡时序方法首先进行时序特征处理，然后进行非均衡数据处理，在支持向量机中引入非均衡参数，使支持向量机适用于非均衡分布的数据集。
文档编号G06K9/66GK102938078SQ20121050528
公开日2013年2月20日 申请日期2012年11月30日 优先权日2012年11月30日
发明者王耀威, 夏子威, 田永鸿, 黄铁军 申请人:北京理工大学, 北京大学