用于检测异常运动的方法和设备的制作方法
【专利摘要】提供了一种用于检测异常运动的方法和设备。所述设备包括特征跟踪单元，被配置为提取输入图像中的运动对象的特征，跟踪提取的特征的位置随着时间的变化，并确定提取的特征的轨迹；主题在线学习单元，被配置为以作为成束的轨迹的文件为单位对输入图像进行分类，并通过使用作为概率主题模型的在线学习方法来确定构成分类的文件的主题的概率分布状态；运动模式在线学习单元，被配置为对于每个确定的主题来学习速度和方向，并通过推断确定的主题之间的时空相关性来学习运动模式。
【专利说明】用于检测异常运动的方法和设备
[0001]本申请要求于2013年2月25日提交到韩国专利局的第10-2013-0020130号韩国专利申请以及于2013年8月5日提交到韩国知识产权局的第10-2013-0092658号韩国专利申请的优先权，其公开通过引用完整地包含于此。
【技术领域】
[0002]本公开涉及一种用于通过使用在线学习方法来检测异常运动的方法和设备。
【背景技术】
[0003]学习图像中的对象的运动流的方法大致分为基于轨迹的学习方法或基于局部特征的学习方法。这些学习方法可以大致分为三种类型的方法:
[0004]第一，有一种通过跟踪图像中的运动对象来搜索其轨迹并通过将轨迹聚类为几种主要模式来学习图像的方法。在这种第一类型的方法中，定义轨迹之间的距离，以使类似的轨迹以很短的距离相互分开，并通过使用定义的距离将类似的轨迹分类为各个模式。
[0005]第二，有一种通过使用高斯混合模型和核密度估计来定义从图像的每个像素到下一个像素的转移概率来学习图像的方法。在这种第二类型的方法中，并未搜索轨迹的普通模式，而是统计地学习经过图像的每个位置的对象的速度和尺寸。与上述第一类型的方法相比，第二类型的方法具有对于以任意角度投射的图像而言更加强健的性能。此外，第二类型的方法还可以有效地处理被切断的轨迹。
[0006]第三，有一种通过从图像提取局部特征(诸如光流)来学习图像的方法。在这种第三类型的方法中，使用高斯混合模型或概率主题模型来生成学习模型。
[0007]然而，由于这些学习方法通常使用批量学习方案，因此，在图像不断变化的情况下，变化可能不会被反映在学习模型中。
[0008]第2011-0133476号韩国专利公布是现有技术的一种示例。
【发明内容】
[0009]本公开的一个或更多个实施例包括一种即使多个正常运动模式相隔时间差地出现在输入图像中的任意局部区域中也允许执行学习的方法。
[0010]本公开的一个或更多个示例性实施例可以包括一种检测异常行为的方法。所述方法可以允许学习图像中的特征的速度和方向信息，并且可以允许确定模式之间的时空关系O
[0011]本公开的一个或更多个示例性实施例可以包括一种检测异常行为的方法。所述方法可以适应于随着时间变化在图像中的变化，并且即使对于复杂图像(诸如人群集中的图像)也可以具有强健的性能。
[0012]将在下面的描述中阐述其他方面，并且通过下面的描述其他方面将变得清楚。
[0013]根据本公开的一个或更多个示例性实施例，一种用于检测异常运动的设备可以包括:特征跟踪单元，用于提取输入图像中的运动对象的特征，跟踪提取的特征的位置随着时间的变化，并确定提取的特征的轨迹；主题在线学习单元，用于以文件(作为成束的轨迹)为单位对输入图像进行分类，并通过使用在线学习方法(作为概率主题模型)来确定构成分类的文件的主题的概率分布状态；运动模式在线学习单元，用于对于每个确定的主题来学习速度和方向，并通过推断确定的主题之间的时空相关性来学习运动模式。
[0014]根据本公开的一个或更多个示例性实施例，一种用于检测异常运动的设备可以包括:特征跟踪单元，用于提取输入图像中的运动对象的特征，跟踪提取的特征的位置随着时间的变化，并确定提取的特征的轨迹；轨迹分类单元，用于以指示一束轨迹的文件为单位对输入图像进行分类，并通过使用在线学习方法(作为概率主题模型)来推断指示构成每个文件的主题的直方图分布的多项分布参数概率矢量值，由此对于文件中的每个主题来聚类轨迹的位置；时空相关性推断单元，用于基于推断的多项分布参数概率矢量值来推断时空相关性；运动模式在线学习单元，用于对于每个聚类的主题来学习速度和方向，并通过推断确定的主题之间的时空相关性来学习运动模式。
[0015]所述设备还可以包括异常性检测单元，通过使用学习到的运动模式的高斯学习结果，当包括在每一帧输入图像中的轨迹被包括在学习到的运动模式中的概率低时，将运动模式分类为异常运动模式。
[0016]轨迹可以由一组单词Wji和一组矢量差Vji,来表示，所述一组单词表示指示轨迹经过的栅格点的位置的一组单词。所述一组矢量差表示单词中的实际特征的位置与所述实际特征在τ帧之前的位置之间的一组矢量差vjiT，Wji指示第j轨迹经过第i栅格，其中，τ、j和i是整数。
[0017]多项分布参数概率矢量值可以包括文件-主题概率分布(Θ d)和主题-单词概率分布((pk)。
[0018]时空相关性推断单元可以使用K均值聚类方法来推断时空相关性。
[0019]根据本公开的一个或更多个示例性实施例，一种检测异常运动的方法可以包括:在特征跟踪单元中，提取输入图像中的运动对象的特征，跟踪提取的特征的位置随着时间的变化，并确定提取的特征的轨迹；在主题在线学习单元中，以文件(作为成束的轨迹)为单位对输入图像进行分类，并通过使用在线学习方法(作为概率主题模型)来确定构成分类的文件的主题的概率分布状态；在运动模式在线学习单元中，对于每个确定的主题来学习速度和方向，通过推断确定的主题之间的时空相关性来学习运动模式。
[0020]根据本公开的一个或更多个示例性实施例，一种检测异常运动的方法可以包括:在特征跟踪单元中，提取输入图像中的运动对象的特征，跟踪提取的特征的位置随着时间的变化，确定提取的特征的轨迹；在轨迹分类单元中，以指示一束轨迹的文件为单位对输入图像进行分类，并通过使用在线学习方法(作为概率主题模型)来推断指示构成每个文件的主题的直方图分布的多项分布参数概率矢量值，由此对于文件中的每个主题来聚类轨迹的位置；在时空相关性推断单元中，基于推断的多项分布参数概率矢量值来推断时空相关性；在运动模式在线学习单元中，对于每个聚类的主题来学习速度和方向，并通过推断确定的主题之间的时空相关性来学习运动模式。
【专利附图】
【附图说明】
[0021]通过下面结合附图对示例性实施例进行的描述，这些和/或其他方面将变得清楚和更易于理解，其中:
[0022]图1是根据本公开的示例性实施例的异常行为检测设备的内部配置图；
[0023]图2A和图2B是示出根据本公开的示例性实施例的通过使用在线潜在狄利克雷分配(OLDA)学习方法以文件为单位对输入图像进行分类并确定构成分类的文件的主题的概率分布状态的示例的示图；
[0024]图3是示出根据本公开的示例性实施例的提取输入图像中的运动对象的特征并通过跟踪提取的特征的位置随着时间的变化来确定轨迹信息的示例的示图；
[0025]图4是示出根据本公开的示例性实施例的示出轨迹信息段的方法的示例的示图；
[0026]图5是示出根据本公开的示例性实施例的使用K均值聚类方法确定时空相关性的示例的示图；
[0027]图6是示出根据本公开的示例性实施例的通过推断主题之间的时空相关性来学习运动模式的示例的示图；
[0028]图7是示出根据本公开的示例性实施例的在线学习方法(作为概率主题模型)的图形的类型的示图；
[0029]图8A至图8C是示出根据本公开的示例性实施例的级联推断方法的示例的示图；
[0030]图9A和图9B是示出根据本公开的示例性实施例的对于每个主题来聚类轨迹的位置的示例的示图。
【具体实施方式】
[0031]现在将对示例性实施例进行详细的描述，其示例在附图中示出，其中，相同的标号始终指示相同部件。就这一点而言，当前的示例性实施例可以具有不同的形式并且不应被解释为局限于这里所阐述的描述。因此，仅仅是通过参照附图在下面描述示例性实施例，以解释本说明书的各方面。
[0032]附图中的框图示出根据本公开的示例性实施例的设备和方法。就这一点而言，每个框可以表示包含用于执行指定逻辑功能的一个或更多个可执行指令的模块、程序或部分代码。还应该注意的是，可以通过用于执行指定功能/操作的基于专用硬件的系统、通过用于执行指定功能/操作的基于软件的系统或通过专用硬件和计算机指令的组合来实现框图。
[0033]图1是根据本公开的示例性实施例的异常行为检测设备100的内部配置图。
[0034]异常行为检测设备100包括特征跟踪单元110、主题在线学习单元120、运动模式在线学习单元130和异常检测单元140。
[0035]例如，当输入图像是描述车辆交通的一系列帧时，特征跟踪单元110提取输入图像中的运动对象(例如，车辆)的特征，并跟踪提取的特征随着时间的位置变化，以确定轨迹信息。
[0036]在本公开的示例性实施例中，特征跟踪单元110根据主要主题(例如，径直前进轨迹信息、左转弯轨迹信息、右转轨迹信息、U形转弯轨迹信息等)对输入图像中的轨迹信息进行分类。特征跟踪单元110通过使用Kanade-Lucas-Tomasi (KLT)跟踪技术对所述轨迹信息进行分类。如以下参照图3所述，特征跟踪单元110通过使用所述分类的轨迹信息来学习区域、速度等。[0037]主题在线学习单元120根据主要主题(诸如，作为示例的水平方向径直前进轨迹、左转弯轨迹、U形转弯轨迹或垂直方向径直前进轨迹)对由特征跟踪单元110确定的轨迹信息进行分类。
[0038]为此，如以下参照图2A和图2B所述，主题在线学习单元120以指示一束轨迹的文件为单位对输入图像进行分类，并通过使用在线学习方法(作为概率主题模型)来确定包括构成分类的文件的单词的主题的概率分布状态。例如，每一帧输入图像可以被划分成栅格，并且由单词来表示轨迹经过的栅格的位置。
[0039]此后，运动模式在线学习单元130对于由主题在线学习单元120确定的每个主题来学习区域、速度和方向。运动模式在线学习单元130推断确定的主题之间的时空相关性。可以通过使用K均值聚类方法来推断时空相关性。例如，如以下参照图5所述，在左转弯之后出现U形转弯的情况下，通过推断U形转弯和左转弯之间的时空相关性来学习运动模式。
[0040]当包括在每一帧输入图像中的轨迹偏离由运动模式在线学习单元130学习的预定义运动模式时，异常检测单元140确定出现异常行为。当包括在每一帧输入图像中的轨迹对应于学习到的运动模式的概率低时，异常检测单元140基于由运动模式在线学习单元130学习的运动模式的高斯学习结果(参考表达式10至表达式12)将包括在帧中的轨迹的运动模式确定为异常。另一方面，当包括在每一帧输入图像中的轨迹没有偏离由运动模式在线学习单元130学习的预定义运动模式时，异常检测单元140确定出现正常行为。
[0041]图2A和图2B是示出根据本公开的示例性实施例的在主题在线学习单元120 (见图1)中通过使用在线 潜在狄利克雷分配(OLDA)学习方法以文件为单位对输入图像进行分类并确定构成分类的文件的主题的概率分布状态的示例的示图。
[0042]OLDA是主要用于自然语言处理领域的概率主题模型。OLDA是根据主题对多个文件进行分类并确定文件中的单词包括在哪个主题中的技术。目前还以各种方式来使用0LDA，不仅用于自然语言处理领域，而且用于计算机图像处理领域。
[0043]在本公开的示例性实施例中，使用了将变分贝叶斯(VB)用作在线学习方法的OLDA学习方法。
[0044]通过使用OLDA学习方法，即使输入图像的情况不断变化，所述变化也可反映在学习模型中并且可以根据顺序的输入来不断更新输出结果。
[0045]此外，通过使用OLDA学习方法，即使多个正常运动模式相隔时间差地出现在输入图像中的任意局部区域中，也可以学习运动模式。
[0046]参照图2A，在本公开的示例性实施例中，以文件为单位对输入图像进行分类，其中，所述文件均指示一束轨迹Tr1至Trm，例如，文件dl201、文件d2202和文件d3203。在这种情况下，文件dl201、文件d2202和文件d3203由一束m个轨迹(m是自然数)构成。
[0047]图2B是示出通过使用在线学习方法(作为概率主题模型)获得的示图。所述示图是具有构成分类的文件的单词的主题的概率分布状态的示例。
[0048]根据本公开的示例性实施例，文件dl201分别由轨迹TrflO至1^213构成。轨迹TrflO由指示轨迹的位置的一组单词220构成。
[0049]具体地讲，将每一帧输入图像划分为η乘η栅格。轨迹经过的栅格的位置由单词表示。例如，当第j轨迹经过第i栅格时，栅格的位置由Wji表示。以这种方式，第j轨迹由一组单词220 (Wpi=l，2，...，n)表示。此后，通过使用在线学习方法(作为概率主题模型)确定指示在每个轨迹中单词包括在哪个主题的概率分布。
[0050]在这种情况下，假设指示一束轨迹的文件由通过多项分布生成的多个主题构成。此外，假设构成输入图像的轨迹包括在潜在主题之一中，其中，所述潜在主题表示输入图像中的代表性的k个流。
[0051 ] 参照图2B中的概率分布230，明显的是，构成轨迹TrflO的一组单词220(Wji, i=l, 2,..., η)很有可能包括在第一主题Tl (径直前进轨迹)中。
[0052]类似地，轨迹Tr2211还被示为很有可能包括在第一主题Tl (径直前进轨迹)中，轨迹Tr3212被示为很有可能包括在第二主题T2 (左转弯轨迹)中，轨迹Trm213被示为很有可能包括在第三主题T3 (右转弯轨迹)中。
[0053]在本公开的示例性实施例中，如图2B的示例性实施例中描述，以指示一束轨迹的文件为单位对输入图像进行分类，并确定构成文件的单词包括在哪个主题的概率分布状态。以这种方式，对于每个主题来聚类轨迹的位置。例如，可以针对整个输入图像来根据主题对轨迹进行分类。包括在第一主题Tl (径直前进轨迹)中的轨迹可以聚类为轨迹Τrι210、轨迹Tr2211，...，包括在第二主题T2 (左转弯轨迹)中的轨迹可以聚类为轨迹Tr3212，...，包括在第三主题T3 (右转弯轨迹)中的轨迹可以聚类为轨迹Trm213，....。以这种方式，可以分析根据时区在输入图像中最频繁出现的主题的分布和对于每个主题的轨迹的位置。
[0054]图3是示出提取输入图像中的运动对象的特征并通过跟踪提取的特征随着时间的位置变化来确定轨迹信息的示例的示图。
[0055]参照图3，从tl的输入图像提取特征A310、特征B320、特征C330和特征D340。然后，跟踪这些提取的特征随着时间的位置变化。
[0056]例如，特征A的位置随着时间改变到310、311和312。此外，特征B的位置改变到320、321和322，特征C的位置改变到330、331和332，特征D的位置改变到340、341和342。跟踪所述特征的位置的这些变化。
[0057]图4是示出根据本公开的示例性实施例的示出轨迹信息段的方法的示例的示图。
[0058]轨迹Tr410= {(X1, y” I)，(x2, y2, 2)，(x3, y3, 3)，(x4, y4, 4)..., (xT, yT, T)}
[0059]参照图4,轨迹Tr410由一组单词Wji和一组矢量差Vji τ来表示。一组单词Wji指的是表示在输入图像中轨迹经过的栅格点的位置的一组单词。参照图4，Wji420指示第j轨迹经过第i栅格，第j轨迹由一组单词(Wp i=l, 2，...,Nj)来表示。
[0060]一组矢量差表示单词内的实际特征的位置420和实际特征在τ帧之前的位置之间的一组矢量值的差VjiT。
[0061]参照图4, 一组矢量差由一组以下项来表不:实际特征的位置420和在一中贞之前的位置(Xpy1, 1)421之间的矢量差vjn430、实际特征的位置420和在两帧之前的位置(x2，Y2, 2) 422之间的矢量差vji2440、实际特征的位置420和在τ帧之前的位置(xT, yT, T)423之间的矢量差vjiT450。优选地，如参照以下表达式6所描述，矢量差Vji τ450具有高斯分布并且以Ν(μ，Σ)的形式表示。
[0062]在这种情况下,可将矢量差表示为Vjil= (Δ xjn，Ayjil), Vji2= (Axji2, Δ yJi2),..., Vji T = ( Δ Xji τ, Δ yji τ)。
[0063]高斯分布可以指示对于每个主题在τ帧之前单词相互分开的距离。可以通过使用关于在单词内轨迹经过的实际特征的位置和实际特征在τ帧之前的位置之间的矢量差Vji τ的信息来确定高斯分布。
[0064]图5是示出根据本公开的示例性实施例的使用K均值聚类方法来确定时空相关性的示例的示图。
[0065]如以下参照图SB详细描述，可以使用K均值聚类方法来确定文件和主题之间的概率分布9d。
[0066]图6是示出根据本公开的示例性实施例的通过推断主题之间的时空相关性来学习运动模式的示例的示图。
[0067]在本公开的示例性实施例中，如上所述，图7中所示的在线学习模型用于对于每个主题来学习区域、速度和方向，并通过推断确定的主题之间的时空相关性来学习运动模式。
[0068]图7是示出根据本公开的示例性实施例的在线学习方法(作为概率主题模型)的图形的类型的示图。
[0069]在本公开的示例性实施例中，通过使用下面所描述的表达式I至表达式6将基于KLT跟踪技术确定的轨迹变形为基于图7中所示的概率主题模型的在线学习模型的形式。
[0070]在所述在线学习方法的处理中，假设轨迹Zj包括在潜在主题中，其中，所述潜在主题表示输入图像中的 代表性的k个流。潜在主题是图像中的主要运动模式，诸如径直前进、
左转弯等。
[0071]此外，假设指示一束轨迹的文件由通过多项分布生成的多个主题构成。这样，文件中的主题的概率分布与通过状态Sd生成的多项分布的参数概率矢量0d相关。这里，状态Sd指的是对于每个时间单位出现的一组行为主题。因此，当确定随着时间的状态转移时，可以确定随着时间的主要行为。
[0072]在根据本公开的示例性实施例的概率主题模型中，使用了表达式I至表达式6。
[0073]’、'*/ I 1 ~ΜαΙ?Ηπ%, { I ⑴
[0074]在表达式I中，Sd表示当前状态，Stw表示之前状态，Multi ()表示多项分布。状态Sd具有关于在顺序d中主要生成什么运动模式(或主题)的信息。
[0075]表达式I指示在当前顺序d中出现的特定状态Sd是否只受到在之前顺序d-Ι中的特定的之前状态Stw的影响。
[0076]0d|Sd~Dir(a)，⑵
[0077]在表达式2中，sd表示当前状态，Θ d表示多项分布的参数概率矢量，Dir ()表示狄利克雷分布，ct表示狄利克雷分布的超参数(hyper-parameter)。
[0078]表达式2指示Θ d以指示当整个模型被假设为贝叶斯定理(Bayesian)时的特定分布的概率的形式表示。
[0079]<K~Dir(3)，(3)
[0080]在表达式3中，表不单词-主题分布，Dir ()表不狄利克雷分布，β表不狄利克雷分布的超参数。
[0081]ZjI Θ d ~Multi ( Θ d)，(4)
[0082]表达式4假设变量z由Θ d导出。变量z用于确定每个单词是否具有特定的主题索引。Gd是指示对应的文件包括在哪个主题中的概率分布。
【权利要求】
1.一种用于检测异常运动的设备，所述设备包括: 特征跟踪单元，被配置为提取输入图像中的运动对象的特征，跟踪提取的特征的位置随着时间的变化，并确定提取的特征的轨迹； 主题在线学习单元，被配置为以作为成束的轨迹的文件为单位对输入图像进行分类，并通过使用作为概率主题模型的在线学习方法来确定包括在分类的文件中的主题的概率分布状态； 运动模式在线学习单元，被配置为对于每个确定的主题来学习速度和方向，并通过推断确定的主题之间的时空相关性来学习运动模式。
2.根据权利要求1所述的设备，还包括:异常检测单元，被配置为通过使用学习到的运动模式的高斯学习结果，响应于包括在每一帧输入图像中的轨迹被包括在学习到的运动模式中的概率低，将运动模式分类为异常运动模式。
3.根据权利要求1所述的设备，其中，所述特征跟踪单元被配置为通过使用Kanade-Lucas-Tomasi跟踪技术来提取输入图像中的运动对象的特征。
4.根据权利要求1所述的设备，其中，在所述主题在线学习单元中，文件包括通过多项分布生成的多个主题，指示构成文件的多个主题的概率分布状态的多项分布参数概率矢量值被推断以对于每个主题来聚类轨迹的位置。
5.根据权利要求1所述的设备，其中，指示构成文件的多个主题的概率分布状态的多项分布参数概率矢量值包括文件-主题概率分布(Θ d)和主题-单词概率分布(Cpk)。
6.根据权利要求1所述的设备，其中，所述轨迹由一组单词Wji和一组矢量差vjiT来表示，所述一组单词由轨迹经过的栅格点位置表示，并且 其中，Wji指示第j轨迹经过第i栅格，所述一组矢量差表示单词中的实际特征的位置与所述实际特征在τ帧之前的位置之间的一组矢量差vjiT。
7.根据权利要求6所述的设备，其中，单词Ri基于多项分布，并且包括在单词中的矢量的差VM具有高斯分布。
8.根据权利要求6所述的设备，其中，通过使用特定栅格的当前帧的位置值和在τ帧之前的特定栅格的实际位置值，对于每个单词位置来确定速度。
9.根据权利要求1所述的设备，其中，所述在线学习方法为在线潜在狄利克雷分配学习方法。
10.根据权利要求9所述的设备，其中，在所述在线潜在狄利克雷分配学习方法中，使用变分贝叶斯来推断潜在狄利克雷分配。
11.根据权利要求1所述的设备，其中，所述运动模式在线学习单元被配置为通过使用K均值聚类方法来推断时空相关性。
12.一种用于检测异常运动的设备，所述设备包括: 特征跟踪单元，被配置为提取输入图像中的运动对象的特征，跟踪提取的特征的位置随着时间的变化，并确定提取的特征的轨迹； 轨迹分类单元，被配置为以指示一束轨迹的文件为单位对输入图像进行分类，并通过使用作为概率主题模型的在线学习方法来推断多项分布参数概率矢量值，以便对于文件中的每个主题来聚类轨迹的位置，其中，所述多项分布参数概率矢量值指示构成每个文件的主题的直方图分布； 时空相关性推断单元，被配置为基于推断的多项分布参数概率矢量值来推断时空相关性； 运动模式在线学习单元，被配置为对于每个聚类的主题来学习速度和方向，并通过推断确定的主题之间的时空相关性来学习运动模式。
13.根据权利要求12所述的设备，还包括:异常检测单元，被配置为通过使用学习到的运动模式的高斯学习结果，响应于包括在每一帧输入图像中的轨迹被包括在学习到的运动模式中的概率低，将运动模式分类为异常运动模式。
14.根据权利要求12所述的设备，其中，所述多项分布参数概率矢量值包括文件-主题概率分布(Θ d)和主题-单词概率分布(q>k)。
15.根据权利要求12所述的设备，其中，所述时空相关性推断单元被配置为使用K均值聚类方法来推断时空相关性。
16.根据权利要求12所述的设备，其中，所述轨迹由一组单词Wji和一组矢量差vjiT来表示，所述一组单词由轨迹经过的栅格点位置表示，并且 其中，Wji指示第j轨迹经过第i栅格，所述一组矢量差表示单词中的实际特征的位置与所述实际特征在τ帧之前的位置之间的一组矢量差Vji τ。
17.根据权利要求16所述的设备，其中，单词Ri基于多项分布，并且包括在单词中的矢量的差'iT具有高斯分布。
18.根据权利要求16所述的设备，其中，通过使用特定栅格的当前帧的位置值和在τ帧之前的特定栅格的实际位置值，对于每个单词位置来确定速度。
19.根据权利要求12所述的设备，其中，所述特征跟踪单元被配置为通过使用Kanade-Lucas-Tomasi跟踪技术来提取输入图像中的运动对象的特征。
20.根据权利要求12所述的设备，其中，所述在线学习方法为在线潜在狄利克雷分配学习方法。
21.一种检测异常运动的方法，所述方法包括: 提取输入图像中的运动对象的特征； 跟踪提取的特征的位置随着时间的变化； 确定提取的特征的轨迹； 以作为成束的轨迹的文件为单位对输入图像进行分类； 通过使用作为概率主题模型的在线学习方法来确定构成分类的文件的主题的概率分布状态； 对于每个确定的主题来学习速度和方向； 通过推断确定的主题之间的时空相关性来学习运动模式。
22.根据权利要求21所述的方法，还包括:通过使用学习到的运动模式的高斯学习结果，响应于包括在每一帧输入图像中的轨迹被包括在学习到的运动模式中的概率低，将运动模式分类为异常运动模式。
23.一种检测异常运动的方法，所述方法包括: 提取输入图像中的运动对象的特征； 跟踪提取的特征的位置随着时间的变化；确定提取的特征的轨迹； 以指示一束轨迹的文件为单位对输入图像进行分类； 通过使用作为概率主题模型的在线学习方法来推断指示多项分布参数概率矢量值，以便对于文件中的每个主题来聚类轨迹的位置，其中，所述多项分布参数概率矢量值构成每个文件的主题的直方图分布； 基于推断的多项分布参数概率矢量值来推断时空相关性； 对于每个聚类的主题来学习速度和方向； 通过推断确定的主题之间的时空相关性来学习运动模式。
【文档编号】G06K9/62GK104008390SQ201410059276
【公开日】2014年8月27日 申请日期:2014年2月21日 优先权日:2013年2月25日
【发明者】柳永俊, 郑夏旭, 李侊茂, 崔镇荣, 朴东俊, 林廷恩 申请人:三星泰科威株式会社, 首尔国立大学校产学协力财团