专利名称：一种基于贝叶斯惊奇度计算的视频异常行为检测方法及装置的制作方法
技术领域：
本发明涉及视频异常分析检测领域，具体而言，本发明涉及一种基于贝叶斯惊奇度计算的视频异常行为检测方法及装置。
背景技术：
随着信息技术的发展，近几年由于公共安全的需要，智能监控方面的需求迅速增力口。现有的监控需依靠专人值守，传统监控系统无法在事发时预警。后期在大量的视频资料中甄选可以用于证据的工作也是极其耗时的。这无法满足公安，银行，交通等安全敏感的部门对视频监控提出的安防要求。异常行为辨识是智能监控系统的主要任务。智能监控系统的主要要求是实时性和鲁棒性。目前的研究还主要集中在有限类别简单规则的行为识别或者特定场景中的异常行为检测上。异常行为的检测有两种常用的方法，一种是先给出异常行为的定义，建立异常行为数据库，检测时进行模板匹配，如场景中出现与数据库中匹配的类似行为，则检测出异常，这类方法主要用来分析单人行为，并且需要大量的先验知识来构建模型，而构建出来的模型在场景适应性和实时性上都存在缺陷。另一种方法是先定义正常行为，检测时将场景中的行为与数据库中的正常行为做似然度计算，如似然度偏离超过门限，则判断为异常。这两种方法虽然能够在固定的场景下建立准确的行为模型，但是需要手工标记大量的行为序列以获取足够的训练样本，这会造成大量人力资源的浪费。基于无(半)监督的建模方法能够自动地(半自动地)建立行为模型，可以减轻人的负担，同时增强算法的实用性。基于低层特征的方法获取特征简单，该类方法不需跟踪目标，比基于目标跟踪的方法更具有鲁棒性，而且全自动操作，计算速度较快，在一般场景中可以保证实时，这种描述行为的算法一直以来都是行为描述的一个重要方向。视觉注意机制模拟的是人眼的生理视觉感知，在视频监控中可以应用这种类生物学(Biologically-Plausible)的方法估计出视频中的异常区域,视觉注意机制的视觉惊奇(Surprise)计算，与其他机器视觉方法的区别在于在这个工作中完全不需要针对特殊种类的目标和背景调整算法，使用一个简单但相当全面的贝叶斯惊奇的数学定义，我们能在复杂视频中(比如变化较多的户外场景，公园，拥挤的街道，露天的天台酒吧等)可靠的预测出观测者会注意的区域。但处理不同的场景，不必再训练或者做算法上调整。早期的显著图模型研究侧重考虑空间信息，而忽略时间信息。一般的，将机器学习系统训练时没有学习的未知新数据的识别称为新颖(novel)检测。新颖检测是在训练阶段，机器学习正常数据，然后使用先前未知的知识，分类机把正常模式和新颖模式区别开来。惊奇(Surprise)，顾名思义就是发生了某种超出人们预料之外的事件。贝叶斯惊奇计算优于直接测量图像的局部熵与基于生物学的启发式“自底向上”的显著图模型。总的来说，先验知识与后验知识的微小差别产生较小的惊奇程度，而两者剧烈的改变导致较大的惊奇程度，从数学上来说，一个事件当先验概率分布与后验概率分布之间的KL距离很大的时候发生惊奇。本发明将视觉注意模型中的惊奇计算应用到视频监控领域，类生物学惊奇计算的理论框架是已被证明了的视觉注意模型。本发明在贝叶斯惊奇框架的基础上，提出处理视频数据的分析方法，使用时空惊奇计算模型检测场景中检测点特征的异常改变。
发明内容
本发明的目的旨在至少解决上述技术缺陷之一，特别对实现特定几类的突发异常事件，提出一种基于贝叶斯惊奇模型的异常分析方法及装置。为实现上述目的，本发明一方面提出了一种基于贝叶斯惊奇度计算的视频异常行为检测方法，其特征在于，包括如下步骤:采用贝叶斯惊奇理论检测视频中的异常:异常在空间上的显著性邻域特征的先验分布与中心特征的后验分布的较大改变，在时间上的突发性导致历史帧中特征的先验分布与当前帧中特征的后验分布有较大的改变；在视频中先检测出多个时空兴趣点(STIP)，使用光流估计法提取时空兴趣点的邻域及历史帧中对应位置的运动特征值，该运动特征值包括速度的幅度和方向；利用参数估计方法计算时间上的先验分布和后验分布，空间上的先验分布和后验分布；已知时间、空间上的先验，后验分布，计算时间维度的KL距离，空间惊奇度，再合成总时空惊奇度；统计在视频中超过惊奇阈值的兴趣点个数超过一定数量，则当前帧为警告帧，当视频中兴趣点的总时空惊奇度超过预先设定的阈值时，在视频帧中标记出异常区域。其中，所述惊奇度采用先验分布与后验分布的差别来度量，当它们距离很大时说明导致的惊奇程度大，这里采用一种基于概率的距离度量方法——KL距离；已知模型中的先验概率P CM),和获得的新数据D，计算得到惊奇度，即先验，后验分布的KL距离；S(D，M) = dKL [P(M|D) ,P(M)]在这里米用Gamma/Poisson分布，即先验概率分布为Gamma分布，总体服从Poisson分布，因为该分布更新超参数的方法相对简单，并给出了事件发生的自然概率；定义Gamma分布如下:
权利要求
1.一种基于贝叶斯惊奇度计算的视频异常行为检测方法，其特征在于，包括如下步骤: 采用贝叶斯惊奇理论检测视频中的异常:异常在空间上的显著性邻域特征的先验分布与中心特征的后验分布的较大改变，在时间上的突发性导致历史帧中特征的先验分布与当前帧中特征的后验分布有较大的改变； 在视频中先检测出多个时空兴趣点(STIP)，使用光流估计法提取时空兴趣点的邻域及历史帧中对应位置的运动特征值，该运动特征值包括速度的幅度和方向； 利用参数估计方法计算时间上的先验分布和后验分布，空间上的先验分布和后验分布；已知时间、空间上的先验，后验分布，计算时间维度的KL距离，空间惊奇度，再合成总时空惊奇度； 统计在视频中超过惊奇阈值的兴趣点个数超过一定数量，则当前帧为警告帧，当视频中兴趣点的总时空惊奇度超过预先设定的阈值时，在视频帧中标记出异常区域。
2.如权利要求1所述的一种基于贝叶斯惊奇度计算的视频异常行为检测方法，其特征在于，所述惊奇度采用先验分布后验分布的KL距离来度量，当它们距离很大时发生惊奇，这里采用一种基于概率的距离度量方法一KL距离； 已知模型中的先验概率P CM),和获得的新数据D，计算得到惊奇度，即先验，后验分布的KL距离；S(D，M) = dKL[P(M|D),P(M)] 在这里米用Gamma/Poisson分布，即先验概率分布为Gamma分布,总体服从Poisson分布，因为该分布更新超参数的方法相对简单，并给出了事件发生的自然概率； 定义Gamma分布如下:
3.如权利要求1所述的一种基于贝叶斯惊奇度计算的视频异常行为检测方法，其特征在于，先检测视频中的时空兴趣点(STIP)作为候选检测点进行特征提取计算光流； 对于空间维度惊奇值的计算，采用某一个兴趣点的特征参与计算后验概率分布，而它0° -45° -135°邻域点的特征参与计算先验概率分布；对邻域特征使用高斯核权重，离中心兴趣点远的权重小，离中心兴趣点近的权重大，先验概率分布的超参数记为ap，;后验概率的超参数为a’p，f p;按照(3)式进行超参数的更新；d为当前帧内的待检测位置点的特征值，;为衰减因子；进行KL距离的计算从而得到空间惊奇度；Gamma分布中的a参数估计使用Robbins-Monro算法，3参数估计使用最大似然估计法；
4.如权利要求1所述的一种基于贝叶斯惊奇度计算的视频异常行为检测方法，其特征在于，当视频中多个兴趣点的特征分布发生了变化，同时发生变化较大的兴趣点个数较多的情况下，认为发生了异常事件，进行报警；统计每一帧中特征值随时间的变化情况； Tl为特征值的时间空间先验分布和后验分布变化产生惊奇度的门限，N统计的是视频中超过惊奇度阈值的检测点个数，累计的检测点个数超过足以生成报警的门限T2，则当前帧报警，判别准则: 如果监测点的惊奇值(Surprise Value)超过阈值Tl，并且每一帧中超过惊奇阈值Tl的监测点总数N大于阈值T2，则发出警告帧； 否则，继续检测。
5.如权利要求4所述的一种基于贝叶斯惊奇度计算的视频异常行为检测方法，其特征在于，如果前Y帧中有K帧为警告帧，则向用户生成一个‘报警信号’;在某些监控场合中，特征值可能变化的非常缓慢，然而随时间的积累，这种改变才逐渐显现，特征值经过400帧变化了仅20，是一种极其缓慢的变化，该序列如果采用较低阈值进行检测，则无法检测出这种缓变，造成漏报。
6.如权利要求5所述的一种基于贝叶斯惊奇度计算的视频异常行为检测方法，其特征在与，预设值一般与异常事件的期望持续时长相关，异常事件持续时间越长，N设置小于Y，以获得对遮挡和噪声干扰等问题的鲁棒性。
7.一种基于贝叶斯惊奇度计算的视频异常行为检测装置，其特征在于，包括时空兴趣点检测模块、特征提取模块和惊奇计算模块和异常检测模块； 所述时空兴趣点检测模块，用于采用贝叶斯惊奇理论检测视频中的异常:异常在空间上的显著性邻域特征的先验分布与中心特征的后验分布的较大改变，在时间上的突发性导致历史帧中特征的先验分布与当前帧中特征的后验分布有较大的改变；在视频中先检测出多个时空兴趣点(STIP)， 所述特征提取模块，用于使用光流估计法提取时空兴趣点的邻域及历史帧中对应位置的运动特征值，该运动特征值包括速度的幅度和方向； 所述惊奇计算模块，用于利用参数估计方法计算时间上的先验分布和后验分布，空间上的先验分布和后验分布；已知时间、空间上的先验，后验分布，计算时间维度的KL距离，空间惊奇度，再合成总时空惊奇度； 所述异常检测模块，用于统计在视频中超过惊奇阈值的兴趣点个数超过一定数量，则当前帧为警告帧，当视频中兴趣点的总时空惊奇度超过预先设定的阈值时，在视频帧中标记出异常区域。
8.根据权利要求7所述的一种基于贝叶斯惊奇度计算的视频异常行为检测装置，其特征在于，所述特征提取模块中用于使用光流估计法 ，邻域范围选择为0° -45° -135°。
全文摘要
本发明提出了一种基于贝叶斯惊奇度计算的视频异常行为检测方法及装置，该方法包括提取视频帧中的时空兴趣点(STIP)作为待检测点，采用光流法估计场景中待检测点的运动速度大小和方向作为特征计算惊奇针对视频在空间维度和时间维度上计算先验和后验概率分布，分别计算每个待检测点的空间惊奇度以及时间惊奇度；再通过时间惊奇度与空间惊奇度合成总惊奇度；当出现多个待监测点惊奇值超过阈值的情况下，则警告出现异常。该装置包括时空兴趣点检测模块、特征提取模块和惊奇计算模块和异常检测模块。根据本发明提供的方法及装置，可以实现对特定几类的突发异常事件的检测，其异常分析算法具有很好的适用性，并且具有很高的分类正确率。
文档编号G06K9/00GK103198296SQ20131007330
公开日2013年7月10日 申请日期2013年3月7日 优先权日2013年3月7日
发明者郭立, 谢锦生, 刘皓 申请人:中国科学技术大学