激光夜视下监控目标异常行为的检测方法

文档序号:9524519
激光夜视下监控目标异常行为的检测方法
【技术领域】
[0001] 本发明设及一种视频监控检测方法,特别设及一种激光夜视监控检测方法。
【背景技术】
[0002] 现有的视频监控系统大多只是进行场景内运动目标的检测或跟踪,进行进一步处 理的比较少,而生活中监控的目的就是对场景中的异常事件或人的异常行为进行检测和分 析,智能视频监控对异常行为的检测不仅可W及时发现不正当行为,告知工作人员及时处 理,阻止不法行为的发生,而且可节省大量的存储空间,避免不法行为发生后工作人员海量 的查找和取证。
[0003] 国内外很多学者在基于视频序列的异常检测上做了很多工作,大致可W分为两 类:一种是基于模型的方法,另一种是基于相似度量的方法。第一种方法是先确定某种准 贝1J,然后从图像序列中提取运动目标的外形、运动等信息,根据运些所获得的特征信息人工 或者使用半监督的方法定义正常行为的模型,通常选用HMM或图模型进行对由序列图像特 征所表示的状态进行建模,那些不匹配正常行为模型的观测均被认为是异常的。在所有的 正常时间被很好建模的情况下,基于模型的方法检测性能良好。但当正常的行为数量很大, 完全建模出现困难时,检测效果便会下降。第二种方法是利用异常行为的难定义、易发现的 特点使得人们无需预先显示定义目标行为模型就可W将其检测出来。基本原理是自动地从 视频序列数据中学习正常的模式,然后推断可疑的异常行为。对异常行为的检测中目标对 象的准确判定也是比较关键的。夜晚由于没有光照,给运动物体的准确检测带来很大困难。
[0004] 卷积神经网络(Convolutional化ural化twork,CNN)是一种前馈神经网络,它的 人工神经元可W响应一部分覆盖范围内的周围单元,对于大型图像处理有出色表现。卷积 神经网络是人工神经网络的一种,已成为当前语音分析和图像识别领域的研究热点。它的 权值共享网络结构使之更类似于生物神经网络,降低了网络模型的复杂度,减少了权值的 数量。该优点在网络的输入是多维图像时表现的更为明显,使图像可W直接作为网络的输 入,避免了传统识别算法中复杂的特征提取和数据重建过程。卷积网络是为识别二维形状 而特殊设计的一个多层感知器,运种网络结构对平移、比例缩放、倾斜或者共他形式的变形 具有高度不变性。

【发明内容】

[0005] 本发明的目的是提供激光夜视下监控目标异常行为的检测方法,提高检测的精 度。
[0006] 本发明的目的是运样实现的:激光夜视下监控目标异常行为的检测方法,包括W 下步骤: 步骤1)建立模型:在cifario数据库上预训练α^Ν模型,α^Ν模型包括3个卷积层、1 个全连接层和1个输出层; 步骤2)视频表达:将视频图像表达为维度特征; 步骤3)事件重建:将正常事件W及异常事件进行区分。
[0007] 作为本发明的进一步限定,步骤2)视频表达包括W下步骤: 步骤a)激光夜视图像预处理;将灰度图的夜视图像转换为RGB彩色图; 步骤b)单帖图像特征提取;将原始帖图像分成多块方形的小块图像,并将该小块图像 作为α^Ν模型的输入,提取出单个小块图像的特征,得到一定维度的特征矩阵; 步骤C)视频特征表达;将视频分为η段固定帖长度的视频,每段视频用上述特征矩阵 表达。
[0008] 作为本发明的进一步限定,步骤a)中的图像预处理包括W下步骤: (I)选择一幅具有树木、道路、和天空等景物的自然彩色图像作为彩色参考图像,并将 其由RGB空间转换到Laβ空间; (II)计算彩色参考图像与关键帖的统计信息,利用公式(1)对关键帖的亮度进行线性 变换和归一化,使得关键帖和参考图像的亮度一致;
其中:?为变换后的参考图像的亮度值,1;为参考图像的亮度方差,爲^为目标图像 的亮度方差,t为参考图像的亮度,i为目标图像的亮度均值,i为参考图像的亮度均 ?常 冲' :〇 值; (III)计算各景物块的α通道均值和β通道均值,将其均值作为彩色化红外视频中对 应景物的先验知识; (III) 计算各景物块的α通道均值和β通道均值,将其均值作为彩色化红外视频中对 应景物的先验知识; (IV) 根据上述分割的结果,我们根据先验知识将上方灰度区间确定为天空、下方灰度 区间确定为地面,其余为灰度区间确定为树木,共Ξ类景物; (V) 根据景物所属类的对应关系将α通道均值和β通道均值传递到关键帖对应类像 素点的α通道和β通道中,并保持L值不变; (VI) 最后将关键帖由Laβ空间转换回RGB空间,完成了关键帖的彩色化; (W)关键帖一般取第一帖,然后通过上述步骤给第二帖上色,通过此方式循环下去,直 到完成了整个视频的彩色化。
[0009] 作为本发明的进一步限定,步骤b)单帖图像特征提取的具体方法为:将原始帖图 像缩放为320*240大小,选择40*40大小的小块作为特征提取的最小单元,提取无重叠的48 个小块;再将40*40的小块缩小为32*32小的图像,作为α^Ν模型的输入,提取单个小块的 特征,并将全连接层的输出值作为该小块的特征;在40*40大小小炔基础上,提取80*80大 小的区域的特征,80*80的区域的特征用姑2个40*40的小块的特征的平均值表示,320巧40 的图像可提取35个80*80的区域,用35巧56的特征矩阵表示单帖图像特征。
[0010] 作为本发明的进一步限定,步骤C)视频特征表达的具体方法为:相邻帖图像相同 位置的特征用特征值较大的特征表达,并选用40帖作为单位视频的长度,最终将一段视频 分为η段40帖长度的视频,每段视频用35巧56维的特征表达。
[0011] 作为本发明的进一步限定,步骤3)事件重建的具体方法如下:根据重建误差的大 小来判断异常事件; 视频I二:·[文包含m个事件,每个事件Xi由段连续的的视频组 成,即X.二掉,…,又1口;寸,如果我们已知历史事件库D,则任意事件Xi的重建误差
其中,
为Xi的重建系数,则对于一个新的事件当其重 建误差帛:大于阔值T时,则认为是异常事件。
[0012] 作为本发明的进一步限定,通过建立目标函数为:
并利用该目标函数求得最优瞧録|和If,该过程分两步骤进行求解: (A) 固定事件库D,求最优的重建系数, 当固定D时,目标函数则变为
(B) 固定重建系数i%,求最优事件库D 当固定时,目标函数变为:
通过反复执行步骤(A)和步骤(B),可W得到最优的渴I和IP。
[0013] 与现有技术相比,本发明的有益效果在于:(1)使用深度学习方法,得到了一种有 效的、具有鉴别力的视频表达方法,其精度更好;(2)将稀疏重建方法用在异常事件检测 上,使在异常事件视频缺少的情况下,仍然可W得到较高的检测正确率;(3)该方法人工调 节参数少,计算复杂度低,可W达到实时效果。
【附图说明】
[0014] 图1为本发明检测流程图。
[0015] 图2为本发明中激光夜视图像预处理流程图。
[0016] 图3为本发明中80*80区域特征提取示意图。
【具体实施方式】
[0017] 下面结合具体实施例对本发明做进一步描述。
[0018] 激光夜视下的监控目标异常行为检测流程图如图1,具体实施分为3个步骤: 步骤一:在cifarlO数据库上预训练CNN(Convolution化uralNetwork卷积神经网 络)模型: 该步骤需要设计CNN的结构,CNN的结构如表1,有3个卷积层,1个全连接层,1个输出 层。训练结果为:训练loss为0. 04左右,分类准确率为98%W上,测试loss为0. 7,分准 确率为81. 44〇/〇 ; 表1CNN结构
[0019] 步骤二:视频表达;视频表达分为3个步骤:一是激光夜视图像预处理;二是单帖 图像特征提取;Ξ是视频特征表达。
[0020] 1.激光夜视图像预处理; 由于夜视图像为灰度图,而α^Ν模型输入为RGB彩色图,因此需要先将灰度的夜视图转 换为RGB彩色图,流程图如图2 ; 具体步骤如下: (1) 选择一幅具有树木、道路、和天空等景物的自然彩色图像作为彩色参考图像,并将 其由RGB空间转换到Laβ空间; (2) 计算彩色参考图像与关键帖的统计信息,利用公式(1)对关键帖的亮度进行线性变 换和归一化,使得关键帖和参考图像的亮度一致;
其中为变换后的参考图像的亮度值,讀;为参考图像的亮度方差,濕^为目标图像 :巧::马耶:: ΤΤ: .一.. 的亮度方差,1为参考图像的亮度,1为目标图像的亮度均值,i为参考图像的亮度均 女 斯 (6: 值; (3) 计算各景物块的α通道均值和β通道均值,将其均值作为彩色化红外视频中 对应景物的先验知识; (4) 根据上述分割的结果,我们根据先验知识将上方灰度区间确定为天空、下方灰度区 间确定为地面,其余为灰度区间确定为树木
再多了解一些
当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1