1.一种基于稀疏表示的自适应加权双字典异常检测方法,其特征在于,该方法包括以下步骤:
(1)对监控视频序列提取两种互补特征:主要活动区域原图特征和二值化差分图像特征;
(2)利用两种互补特征的一部分作为训练集特征分别进行过完备双字典学习,将测试样本特征分别在过完备双字典上进行稀疏表示,计算样本特征的两部分稀疏重建代价;
(3)计算视频序列训练集的亮度方差,用以反映场景的光照均匀度,使用高斯函数估计器根据亮度方差估计两部分稀疏重建代价的权重;
(4)根据估计的两部分权重对两种稀疏重建代价进行加权求和,得到最终的稀疏重建代价,判断异常是否出现。
2.根据权利要求1所述的基于稀疏表示的自适应加权双字典异常检测方法,其特征在于,所述步骤1对监控视频序列提取两种互补特征,具体包括以下步骤:
(1)主要活动区域提取原图特征:把视频序列转换成灰度图像序列,对灰度视频相邻帧进行相减求帧间灰度差分图像,对灰度差分图像用最大类间方差法进行阈值分割得到二值化图像,对二值化差分序列进行检测将1值区域的最大外接矩形区域确定为主要活动区域,对该区域的原图提取特征,减少图像特征的冗余,提高特征的有效性;
(2)二值化差分图像提取特征:对视频图像转换成灰度图像,相邻帧间求差分图像,对灰度差分图像用最大类间方差法求灰度阈值,进行阈值分割得到二值化图像,根据上述得到的二值化差分图像直接提取特征。
3.根据权利要求1所述的基于稀疏表示的自适应加权双字典异常检测方法,其特征在于,所述步骤2利用两种互补特征分别进行过完备字典学习,并将测试样本特征在字典上进行稀疏表示,计算稀疏重建代价,具体包括以下步骤:
(1)利用部分主要活动区域原图特征作为训练集特征,进行K均值奇异值分解过完备字典学习,并将测试样本特征在学习到的字典上面进行稀疏表示,根据以下公式计算SRC_ori:
其中y为测试样本特征,D为训练得到的过完备字典,x为y在字典D上的稀疏表示系数;
(2)利用部分二值化差分特征作为训练集特征,进行K均值奇异值分解过完备字典学习,并将测试样本特征在学习到的字典上面进行稀疏表示,同理根据上述公式1计算SRC_bw。
4.根据权利要求1所述基于稀疏表示的自适应加权双字典异常检测方法,其特征在于,所述步骤3计算视频序列训练集的亮度方差,用以反映场景的光照均匀度,使用高斯函数估计器根据亮度方差估计两部分稀疏重建代价的权重,具体包括以下步骤:
(1)对于原图字典稀疏重建代价,较适合光照不均匀场景,此时亮度方差较大,原图字典稀疏重建代价权重w_ori应随着方差变大而变大,使用递增部分的高斯函数估计器,将权重调大;
(2)对于二值化差分字典稀疏重建代价,较适合光照均匀场景,此时亮度方差较小,二值化差分字典稀疏重建代价权重w_bw应随着方差变小而变大,使用递减部分的高斯函数估计器,将权重调大。
5.根据权利要求1所述的基于稀疏表示的自适应加权双字典异常检测方法,其特征在于,所述步骤4根据估计的两部分权重对两种稀疏重建代价进行加权求和,得到最终的稀疏重建代价,用以判断群体异常是否出现,具体包含以下步骤:
(1)根据上面估计得到的双字典权重w_ori和w_bw,利用以下公式对两部分稀疏重建代价进行加权求和,得到最终的稀疏重建代价SRC:
SRC=w_ori*SRC_ori+w_bw*SRC_bw;
(2)把加权得到的稀疏重建代价与训练得到的重建代价阈值TSRC进行比较,大于阈值则表示当前帧为异常帧,否则判断为正常帧。