一种视频监控异常行为检测方法及其检测系统的制作方法
【技术领域】
[0001] 本发明涉及异常行为检测技术领域，具体涉及一种视频监控异常行为检测方法及 其检测系统。
【背景技术】
[0002] 视频监控的目的就是对监视场景中的异常事件或监控对象的行为进行检测与分 析。目前较成熟的视频异常行为检测包括越界、入侵禁区、徘徊、滞留、快速运动等行为。异 常行为检测的实现方法通常有两类：（1)把小概率行为或与先验规则相反的行为看作异常 行为；（2)把与已知正常行为的模式不匹配的行为看作异常行为。
[0003] 在近年来国际顶级期刊IEEET-PAMI和计算机视觉及模式识别的顶级国际会议 CVPR，ICCV等已发表论文均提到的异常行为检测算法是通过对视频结构语义的分析，针对 像素块的运动标签在时间维度和空间维度的分布关系，定义了五种低维度的行为特征描述 符作为视频中行为特征的表示。但是，在该论文提出的方法中，在获取前景像素时，仅使用 用于了背景差除法，认为连续变化的像素即为前景，连续静止的像素即为背景，这种判别标 准过于单一，对于背景复杂、变化的场景容易造成虚假报警、漏报警、跟踪困难等不良后果。
【发明内容】
[0004] 本发明所要解决的技术问题是提供一种视频监控异常行为检测方法及其检测系 统，能够准确检测视频监控图像中的异常行为。
[0005] 本发明提供了如下方案：
[0006] 基于本发明的一个方面，提供了一种视频监控异常行为检测方法，所述方法包 括：
[0007] S1、获取视频图像序列，并根据获取的所述视频图像序列，利用混合高斯模型建立 背景模型；
[0008] S2、根据建立的所述背景模型，利用背景差除法从获取的所述视频图像序列中提 取出前景目标区域图像；
[0009] S3、按照预先设定大小将所述前景目标区域图像划分为若干个前景目标图像块；
[0010] S4、利用背景差除法计算每一个前景目标图像块的运动标签，并提取每一个前景 目标图像块的五维特征参数，所述五维特征参数包括位置关系特征、平均运动行为强度特 征、运动行为方向特征、领域相关性特征和单位运动行为强度分布特征；
[0011] S5、采用离线SVM分类器对每一个前景目标图像块的五维特征参数进行测试，判 断每一个前景目标图像块是否为正常行为图像块，若为正常行为图像块，则结束；若为异常 行为图像块，则判别该异常行为图像块所属异常行为类别。
[0012] 基于本发明的另一个方面，提供了一种视频监控异常行为检测系统，所述系统包 括：
[0013] 背景模型建立模块，用于获取视频图像序列，并根据获取的所述视频图像序列，利 用混合高斯模型建立背景模型；
[0014] 前景区域提取模块，用于根据建立的所述背景模型，利用背景差除法从获取的所 述视频图像序列中提取出前景目标区域图像；
[0015] 划分模块，用于按照预先设定大小将所述前景目标区域图像划分为若干个前景目 标图像块；
[0016] 运动标签计算模块，用于利用背景差除法计算每一个前景目标图像块的运动标 签；
[0017] 提取模块，用于根据每一个前景目标图像块的运动标签，提取每一个前景目标图 像块的五维特征参数；
[0018] 判断模块，用于采用离线SVM分类器对每一个前景目标图像块的五维特征参数进 行测试，判断每一个前景目标图像块是否为正常行为图像块，若为正常行为图像块，则结 束；
[0019] 类别判别模块，用于若所述判断模块判断出前景目标图像块为异常行为图像块， 则判别该异常行为图像块所属异常行为类别。
[0020] 本发明提供的一种视频监控异常行为检测方法及其检测系统，以视频图像序列为 原始数据，利用混合高斯模型建立背景模型，能够减少光照变化以及场景内的背景微小变 化对检测的影响；利用背景差除法从获取的所述视频图像序列中提取出前景目标区域图 像，将其划分为若干个前景目标图像块，计算每一个图像块的运动标签和五维特征参数，可 以精确描述前景目标图像块的运动模式，最后利用离线SVM分类器判断前景目标图像块的 运动模式是否属于异常行为模式，若为异常行为模式，则利用不同类别的SVM分类器进行 匹配，判别异常行为模式所属类别，细化了异常行为的分类，同时大大增加了检测的准确 性。
【附图说明】
[0021] 图1为本发明实施例一的一种视频监控异常行为检测方法流程图；
[0022] 图2为本发明实施例一的整个方法处理流程图；
[0023] 图3为本发明实施例二的一种视频监控异常行为检测系统示意图。
【具体实施方式】
[0024] 以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并 非用于限定本发明的范围。
[0025] 实施例一、一种视频监控异常行为检测方法。以下结合图2和图2对本实施例提 供的方法进行详细说明。
[0026] 参见图I，Sl、获取频图像序列，并根据获取的所述视频图像序列，利用混合高斯模 型建立背景模型。
[0027] 具体的，首先，视频监控设备会采集一段时间内的视频监控图像数据，并将采集的 视频监控图像数据经过压缩编码后传输给视频处理设备，视频处理设备接收到压缩编码后 的视频监控图像数据后，对其进行解码，将压缩数据编码文件转换为模拟视频监控图像数 据文件，并将视频监控图像处理为视频图像序列，且对视频图像序列进行预处理，包括将彩 色视频图像序列转换成灰度视频图像序列，并进行直方图均衡化、中值滤波和伽玛校正等。
[0028] 随后，对经过预处理后的视频图像序列，利用混合高斯模型建立背景模型，采用混 合高斯模型建立背景模型能够减少光照变化以及场景内的背景微小变化对检测的影响。混 合高斯模型的定义如下：
[0030] 其中，K为模型的个数，π k为第k个模型高斯的权值，p (X I k)为第k个模型高斯 的概率密度函数，X为样本点，P(X)为样本点X的概率密度函数，本算法的混合高斯模型个 数为5个。
[0031] S2、根据建立的所述背景模型，利用背景差除法从获取的所述视频图像序列中提 取出前景目标区域图像。
[0032] 具体的，根据上述步骤Sl采用混合高斯模型建立的背景模型，并利用背景差除法 从视频图像序列中提取出可能的前景目标区域图像，即监视对象可能出现的大概位置。具 体的利用背景差除法提取前景目标区域图像的过程为：将获取的所述视频图像序列中的 当前帧图像与建立的所述背景模型中的背景图像作差，若当前帧图像中的当前位置上的像 素特征与背景图像上对应位置上的像素特征差异大于预设值，则该当前位置上的点为前景 点，所述视频图像序列中每一帧图像中的所有前景点的集合构成前景目标区域图像。
[0033] S3、按照预先设定大小将所述前景目标区域图像划分为若干个前景目标图像块。
[0034] 具体的，当利用背景差除法从视频图像序列中提取出前景目标区域图像后，按照 预先设定大小将前景目标区域图像划分为若干个前景目标图像块。
[0035] S4、利用背景差除法计算每一个前景目标图像块的运动标签，并提取每一个前景 目标图像块的五维特征参数，所述五维特征参数包括位置关系特征、平均运动行为强度特 征、运动行为方向特征、领域相关性特征和单位运动行为强度分布特征。
[0036] 具体的，运动标签是一种基于行为特征的异常检测算法的特征表示方法，它反映 的是图像中某一像素点运动变化的运动变化情况。通过背景差除法可以计算出每个像素的 运动标签，" 1"代表有运动的前景，"〇"代表静止的背景。运动标签有它的可解释性：一系 列连续的" 1"代表着忙碌的运动过程，而一系列连续的"〇"代表着空闲状态。假设t时刻， 图像S中的某一像素点? = (AJ)，使用极#；)表示这点的运动标签，MiG) e供1}。利用了 运动标签的描述方法，可以用一串二进制的数值序列反映一个像素点在时间上的运动行为 变化过程。通过分析这些运动标签所产生的二进制数值序列之间的特征关系，直观反映了 视频中行为在时间和空间上变化情况，进一步