基于光流和时空梯度的局部异常行为检测方法
【技术领域】
[0001] 本发明涉及一种局部异常行为检测方法，尤其涉及一种基于光流和时空梯度的局 部异常行为检测方法，属于图像处理技术领域。
【背景技术】
[0002] 在智能视频监控领域中，人群异常行为检测技术是关键课题之一，其主要任务是 从监控视频中试图自动筛选出各种类型的异常事件，并能及时提醒安防人员应对处理。
[0003] 目前，人群异常行为检测方法主要分为以下两类：第一类是基于目标跟踪的方法， 第二类是基于群体特征的方法。第一类方法首先对每个目标进行跟踪，然后提取包括运动 轨迹在内的运动信息，最后依据提取的运动信息实现异常行为的检测。由于人群间易发生 遮挡，因此，复杂场景中的目标跟踪仍是一个难题。第二类方法是将整个场景视为一个整 体，并提取有用的运动信息，从而进行异常行为的检测。由于需计算整个场景的光流信息， 因而，计算量很大。而本发明能够很好地解决上面的问题。
【发明内容】
[0004] 本发明目的在于提出一种新的局部异常行为检测方法，该方法提高了异常行为检 测的准确性和快速性。首先，利用词袋模型表征光流特性，并通过半参数模型的统计方法 实现局部异常区域的检测；然后，在异常区域均分的基础上，利用最大光流能量找到异常行 为发生的单元格；最后，利用最近邻描述符与混合朴素贝叶斯模型，实现异常行为的最终判 定。
[0005] 本发明解决其技术问题所采取的技术方案是：一种基于光流和时空梯度的局部异 常行为检测方法，该方法包括如下步骤：
[0006] 步骤1 :依据时空特性，将视频图像划分为大小一致的时空块；
[0007] 步骤2 :利用基于半参数模型的统计方法，检测最有可能发生异常行为的区域；
[0008] 步骤3 :利用单元格最大光流能量法和局部最近邻描述符，实现可疑区域异常行 为的检测。
[0009] 本发明所述的异常行为检测基于群体特征的异常行为检测，是将整个场景视为一 个整体，并提取有用的运动信息，从而进行异常行为的检测。
[0010] 本发明所述的半参数模型的异常区域检测过程，包括：
[0011] 首先，将视频帧均分为大小相等的区域S，及得到区域S-组特征表示X;然后依据 下式，判断区域S是否为异常区域：
[0012]
【主权项】
1. 一种基于光流和时空梯度的局部异常行为检测方法，其特征在于，所述方法包括如 下步骤： 步骤1:依据时空特性，将视频图像划分为大小一致的时空块； 步骤2 :利用基于半参数模型的统计方法，检测最有可能发生异常行为的区域； 步骤3 :利用单元格最大光流能量法和局部最近邻描述符，实现可疑区域异常行为的 检测。
2. 根据权利要求1所述一种基于光流和时空梯度的局部异常行为检测方法，其特征在 于，所述异常行为检测是基于群体特征的异常行为检测，将整个场景视为一个整体，并提取 有用的运动信息。
3. 根据权利要求1所述基于光流和时空梯度的局部异常行为检测方法，其特征在于， 所述方法的半参数模型的异常区域检测过程包括： 首先，将视频帧均分为大小相等的区域S，及得到区域S-组特征表示X;然后依据下 式，判断区域S是否为异常区域：
上式中的Pr(XIHtl (S))表示区域S为正常区域下特征表示X的似然率，Pr(XIH1 (S))表 示区域S为异常区域下特征表示X的似然率； 构建概率模型Pr(XlHi);采用基于半参数的密度概率模型计算似然比。
4. 根据权利要求1所述一种基于光流和时空梯度的局部异常行为检测方法，其特征在 于，所述方法的半参数密度概率的建模过程包括： 首先，将区域S内外的特征表征X2以及对应的概率密度函数f(X)与g(x)分别表 示为：
上式中的^和!^分别表示区域S内外的尺寸，h(x)为预定义函数； 然后，将样本的半参数似然可表示为：
上式中的n=r^+ivPi= dG(tD=Pr(X=tj，t=U1,t2,…，tn)T=(Xn，X12，…，xlnl,x21，，…，x2n2)T，G(x)是 g(x)的累积分布函数； 最后，分别计算f(X) =g(X)和f(X) #g(X)条件下的似然值，从而得出式（1)中的似 然值。
5. 根据权利要求1所述的一种基于光流和时空梯度的局部异常行为检测方法，其特征 在于，所述方法的异常区域检测的特征提取过程包括： 首先，在对每帧图像平均划分网格的基础上，提取每个网格的光流特征； 然后，对所有网格的光流特征，即：8个方向值和1个速度值进行聚类，并将每个类别视 为一个视觉词； 最后，利用视觉词直方图表示视频信息；基于视觉词直方图表示视频方法，不仅可压缩 图像信息，且能保留感兴趣的图像帧的局部特征。
6. 根据权利要求1所述一种基于光流和时空梯度的局部异常行为检测方法，其特征在 于，所述方法的异常行为区域的A (S)总是正常行为区域的X (S)大很多；根据经验值选取 阈值T :若X (S) >T，则该区域判定为异常行为区域；需对局部异常区域进行局部异常行为 确定。
7. 根据权利要求1所述一种基于光流和时空梯度的局部异常行为检测方法，其特征在 于，所述方法的的局部异常行为检测是利用混合朴素贝叶斯模型对正常单元格的最近邻描 述符进行训练，然后依据最近邻描述符对测试单元格进行分析异常行为判断，包括： 将异常区域平均划分为若干个WXH单元格，并计算每个单元格区域内的光流能量； 根据最大光流能量模型法，对最大光流能量的单元格进行异常检测：若存在异常情况， 则继续执行下一步；否则，则认为该异常区域并不存在异常行为，本次检测结束； 利用混合朴素贝叶斯模型分别对异常单元格的四邻域单元格进行异常检测：若存在异 常，则执行下一步；否则，则认为该异常区域并不存在异常行为，本次检测结束； 对异常单元格，利用红色标记进行定位。
8. 根据权利要求1所述一种基于光流和时空梯度的局部异常行为检测方法，其特征在 于，所述方法的最近邻描述符的获取过程包括： 首先，将每幅图像划分若干个hXw单元格； 然后，分别计算各个单元格内每个像素的时空梯度幅值v#以及每个像素时空梯度幅 值的方差M2、偏度M3和峰度M 4:
素点的时空梯度幅值； 接下来，将矩阵凡转换为向量并进一步合并为向量JkfE M = [m2 m3 m4] (5) 最后，依据单元格S和S'间的距离；
在视频图像序列中搜索时空上K个最近邻： Xsd= [U2，…，dk，...，dK]T (7) 上式中的dk表示单元格与其第k个邻域间的距离。
9. 根据权利要求1所述基于光流和时空梯度的局部异常行为检测方法，其特征在于， 所述方法在仅含正常行为的训练视频中，对每个单元格的最近邻描述符训练混合朴素贝叶 斯模型，包括： 选取一个混合成员向量31~Dirichlet(G); 对于X的每个非缺失特征xj: 选取一个成分Zj= c~dicrete (JT); 选取一个特征值Xj~pw(XjI 9j。)，其中和0j。共同决定特征j和成分c的一个指 数族分布； 通过正常行为视频的训练，获得各个正常行为单元格的混合朴素贝叶斯模型，包括： 在给定模型参数供和D = (U」。，〇」。，[j]/，[c]^)的条件下，混合朴素贝叶斯模型的 概率密度为：
上式中的h_。、分别为第j个高斯的第c个成分的均值和方差； 给定一组训练集X= [X1, X2，…，XJ，混合朴素贝叶斯模型的最优参数f和可通过 最大化整个数据集/>(4% S)的似然求得：
在学习最优参数f和的过程中，采用一种快速变分的最大期望算法，以快速获得混 合朴素贝叶斯模型表达形式； 在测试阶段，利用学习得到的混合朴素贝叶斯模型，计算局部最近邻描述符的对 数-似然I = log P (XI a，Q )，且将满足下式的X视为异常： I < T (10) 上式中的T为预先设定的阈值。
10.根据权利要求1所述基于光流和时空梯度的局部异常行为检测方法，其特征在于， 所述方法包括：首先，利用词袋模型表征光流特性，并通过半参数模型的统计方法实现局部 异常区域的检测；然后，在异常区域均分的基础上，利用最大光流能量找到异常行为发生的 单元格；最后，利用最近邻描述符与混合朴素贝叶斯模型，实现异常行为的最终判定。
【专利摘要】本发明公开了基于光流和时空梯度的局部异常行为检测方法，该方法包括以下步骤：将视频图像分成时空块；利用基于半参数模型的统计方法检测最有可能发生异常行为的区域；利用单元格最大光流能量法和局部最近邻描述符，确认可疑区域是否真实存在异常行为。通过在通用UCSD数据集的实验表明，本发明提出的方法能够有效地提高局部异常行为检测的准确性与快速性。
【IPC分类】G06K9-00
【公开号】CN104820824
【申请号】CN201510196617
【发明人】朱松豪, 师哲, 孙成建, 胡学伟
【申请人】南京邮电大学
【公开日】2015年8月5日
【申请日】2015年4月23日