，共Ξ类景物； (5) 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； (6) 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； (7) 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。
[0021] 2.单帖图像特征提取； 将原始帖图像缩放为320*240大小，根据图像中人、物、景的大小选择40*40大小的小 块作为特征提取的最小单元，故在320*240大小的图像中，可W提取无重叠的48个小块；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，从而一个大小40*40大小的小块用一个256维的特征向 量表示，则320*240大小的图像，可得到48巧56的特征矩阵； 另外，由于异常行为有时发生在单人身上，如单人奔跑，而大多数情况是发生在多人身 上，如：打架、聚集等，故在40*40大小小炔基础上，提取80*80大小的区域的特征；提取方 法如图3所示；一个80*80的区域上包含2巧个40*40的小块，则80*80的区域的特征用 2巧个40*40的小块的特征的平均值表示，故一个80*80的区域的特征维数为256 ;两相邻 个80*80的区域重叠宽40或者高40的区域，如图3中实线区域与虚线区域、实线区域与点 画线区域所示；故一个320*240的图像，可提取35个80*80的区域，故用35巧56的特征矩 阵表示。
[0022] 3.视频特征表达 一段视频是由一定时间序列的帖图像组成，一种直接的视频表达的方法：视频特征可W由每帖图像特征串联组成，W1秒25帖的视频为例，单秒视频的特征维度为25*35*256， 该方法的特征维度较高，尤其随着视频时长的增加，成线性增加，故可W使用池化的方法进 行特征降维。该池化方法是在时间维度上操作，具体是指在每帖图像相同80*80的区域处 对相邻的帖图像进行池化操作，池化操作有两种：均值池化和最大值池化，在本方法中使用 最大值池化方法，即相邻帖图像相同位置的特征用特征值较大的特征表达。因此任意给定 长度的视频，都可W用35巧56维的特征表达，为能够提高异常行为检测率，选用40帖作为 单位视频的长度，最终，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。
[002引步骤立：事件重建 在视频中，正常事件总是重复发生的，因此，正常事件可W由历史正常事件稀疏重建， 而异常事件则没有运样的特征，故异常事件的检测可W根据重建误差的大小来判断； 视频X二包含m个事件，每个事件Xi由η搜连续的的视频组 成，即Xi二·!-- -，j%如果我们已知历史事件库D，则任意事件Xi的重建误差
为求得最优的:ii|和it",建立目标函数为：
为求得该问题的最优 解，该过程需要分两步优化： (A)固定事件库D，求最优的重建系数自， 当固定D时，目标函数则变为：
该式有两项，一个是的二次项，一个是的一次项，关于的二次项通过求导即可得到最 优解，而关于的一次项，需要用1范最优化理论去解决。因此，求解最优重建系数利用文献 (Lee Η, Battle A, Raina R, et al. Efficient sparse coding algorithms[J]. Nips, 2007:721-728.)中的方法进行解决； (B) 固定重建系数;求最优事件库D 当固定时，目标函数变为：
，该式是关于D的二次函数，是一个最小二乘的问题，可W用拉格朗日对偶函数来解 决；通过反复执行步骤(A)和步骤（B)，可W得到最优的誠I和If;则对于一个新的事件 χ\当其重建误差大于阔值T时，则认为是异常事件。
[0024] 本发明并不局限于上述实施例，在本发明公开的技术方案的基础上，本领域的技 术人员根据所公开的技术内容，不需要创造性的劳动就可W对其中的一些技术特征作出一 些替换和变形，运些替换和变形均在本发明的保护范围内。
【主权项】
1. 激光夜视下监控目标异常行为的检测方法，其特征在于，包括以下步骤： 步骤1)建立模型：在cifario数据库上预训练CNN模型，CNN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：将正常事件以及异常事件进行区分。2. 根据权利要求1所述的激光夜视下监控目标异常行为的检测方法，其特征在于，步 骤2)视频表达包括以下步骤： 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)单帧图像特征提取；将原始帧图像分成多块方形的小块图像，并将该小块图像 作为CNN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段固定帧长度的视频，每段视频用上述特征矩阵 表达。3. 根据权利要求2所述的激光夜视下监控目标异常行为的检测方法，其特征在于，步 骤a)中的图像预处理包括以下步骤： (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La β空间； (II )计算彩色参考图像与关键帧的统计信息，利用公式（1)对关键帧的亮度进行线性 变换和归一化，使得关键帧和参考图像的亮度一致；其4为变换后的参考图像的亮度值，为参考图像的亮度方差，为目标图像的亮度方差：为参考图像的亮度，为目标图像的亮度均值，为参考图像的亮度均 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； (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，共三类景物； (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帧对应类像 素点的a通道和β通道中，并保持L值不变； (VI) 最后将关键帧由La β空间转换回RGB空间，完成了关键帧的彩色化； (VD关键帧一般取第一帧，然后通过上述步骤给第二帧上色，通过此方式循环下去，直 到完成了整个视频的彩色化。4. 根据权利要求2所述的激光夜视下监控目标异常行为的检测方法，其特征在于，步 骤b)单帧图像特征提取的具体方法为：将原始帧图像缩放为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CNN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2*2个40*40的小块的特征的平均值表示，320*240的图像可提取35个80*80的区 域，用35*256的特征矩阵表示单帧图像特征。5. 根据权利要求2所述的激光夜视下监控目标异常行为的检测方法，其特征在于，步 骤c)视频特征表达的具体方法为：相邻帧图像相同位置的特征用特征值较大的特征表达， 并选用40帧作为单位视频的长度，最终将一段视频分为η段40帧长度的视频，每段视频用 35*256维的特征表达。6. 根据权利要求1所述的激光夜视下监控目标异常行为的检测方法，其特征在于，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：:，包含m个事件，每个事件Χ1? n i段连续的的视频组 成，即如果我们已知历史事件库D，则任意事件&的重建误差其中为&的重建系数，则对于一个新的事件丨当其重 建误差；丨大于阈值T时，则认为是异常事件。7. 根据权利要求6所述的激光夜视下监控目标异常行为的检测方法，其特征在于，通 过建立目标函数为：，并利 用该目标函数求得最优的I，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)，可以得到最优的
【专利摘要】本发明公开了视频监控领域内的激光夜视下监控目标异常行为的检测方法，包括以下步骤：1）建立模型：在cifar10数据库上预训练CNN模型，CNN模型包括3个卷积层、1个全连接层和1个输出层；2）视频表达：将视频图像表达为维度特征；3）事件重建：将正常事件以及异常事件进行区分，本发明提高了检测的精度，提高异常事件识别率，可用于视频监控中。
【IPC分类】G06K9/00
【公开号】CN105279485
【申请号】CN201510655615
【发明人】黄凯奇, 康运锋, 张旭, 李大一, 瞿世鲲
【申请人】江苏精湛光电仪器股份有限公司, 中国科学院自动化研究所
【公开日】2016年1月27日
【申请日】2015年10月12日