基于运动重构技术的交通场景异常检测方法
【技术领域】
[0001] 本发明属于计算机视觉，视频内容分析领域，具体涉及一种基于运动信息重构的 异常行为检测方法。本发明可以应用到车辆辅助驾驶系统，无人驾驶系统等方面。
【背景技术】
[0002] 异常行为检测作为视频内容分析中的一个核心问题，研究者们已经在固定摄像 头，简单场景下做了很多研究。在该技术中，视频事件的描述方法是一个至关重要的问题。 基于不同的事件描述方法，前人的工作可以分为以下两个分支：
[0003] 基于物体运动轨迹信息的有A. Basharat等人在文献"A. Basharat, A. Gritai, and M. Shah.Learning Object Motion Patterns for Anomaly Detection and Improved Object Detection, In Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, pp. 1 - 8, 2008."中提出对于单个物体进行长时间的跟踪，得到该目 标的完整运动轨迹。基于物体的完整运动轨迹，该方法通过与训练集中的正常运动轨迹对 比结果来检测异常目标。
[0004] 基于局部运动模式的有Y. Cong等人在文献"Y. Cong, J. Yuan, and J. Li. Sparse Reconstruction Cost for Abnormal Event Detection,In Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, pp. 3449 - 3456, 2011.'，中提 出利用光流法描述运动信息，通过计算得到的直方图表示局部运动模式。该方法在训练数 据中学习了一个代表正常运动模式的字典，通过字典对于测试数据的重构误差来度量其异 常程度。
[0005] 这些方法的应用场景往往都是背景固定，运动模式单一的场景。对于交通场景这 种运动模式复杂，背景变化较大的场景的研究还没有，所以需要针对交通场景设计合适的 异常检测算法。
【发明内容】
[0006] 要解决的技术问题
[0007] 本发明提出一种基于运动重构技术的交通场景异常检测方法，针对复杂运动模式 和变化背景，本发明通过更加合理的运动信息描述方法，并利用运动模式的空间位置信息， 探索了不同运动模式间的空间结构信息，进而解决了现有的异常检测方法对该特定场景的 不适用性。
[0008] 技术方案
[0009] -种基于运动重构技术的交通场景异常检测方法，其特征在于步骤如下：
[0010] 步骤1 :计算前50帧视频中各个像素点的运动方向和运动幅度：
[0011] m"= arctan ( Δ γ/ Δ χ)
[0012]
[0013]其中，（Δχ，Ay)为像素的光流信息；
[0014] 将运动方向按照对应像素的位置排列成运动方向场M。，将运动幅度按照对应像素 的位置排列成运动幅度场使用SLIC超像素分割方法对这两个运动场进行分割，并计算 每个分割区域运动方向y。或运动幅度y"，将分割区域的中心位置z。或z"记为空间位置坐 标；
[0015] 步骤2 :将所有分割区域的运动方向yc]的集合矩阵Y。输入到下式进行优化：
[0016]
[0017]s.t.diag(C〇) =0
[0018] 其中，λi为超参数，II·IIF表示矩阵的F-范数，C。为优化参数；
[0019] 优化得到最优参数C。％根据其行向量2范数对其进行排列，得到：
[0020]
[0021] 其中，<表示最优参数C。冲的第i"行向量；
[0022] 选择前T个行向量对应的y。组成字典D。，其字典元素对应的空间位置z。组成集合 L〇;
[0023] 将所有分割区域的运动幅度yni的集合矩阵Y"输入到下式进行优化：
[0024]
[0025] s.t.diag(Cm) = 0
[0026] 其中，λi为超参数，II·IIF表示矩阵的F-范数，Cm为优化参数；
[0027] 优化得到最优参数Q；，根据其行向量2范数对其进行排列，得到：
[0028]
[0029] 其中，c,,/"表示最优参数C/中的第i"行向量；
[0030] 选择前T个行向量对应的yni组成字典，其字典元素对应的空间位置Ζηι组成集合 L|11;
[0031] 步骤3 :计算第51帧视频中的局部运动方向％的空间位置坐标<与字典元素空间
位置L。的距离，选择距离从近到远的前K个字典元素组成局部字典D^计算运动方向重构 误差：
[0032]
[0033] 其中EMD()表示EarthMoversDistance，c。为下述优化问题的最优解：
[0034]
[0035] 其中，λ2为超参数，c为优化参数；
[0036] 计算第51帧视频中的局部运动幅度.V；：,的空间位置坐标zl与字典元素空间位置L" 的距离，选择距离从近到远的前K个字典元素组成局部字典Dm，其字典元素对应的空间位 置组成集合1^;计算运动幅度重构误差：
[0037]
[0038] 其中，0^表示字典中的第j个字典元素，w.=e+:^l为不同位置的字典元素 不同的权重，丨^表示字典Lm中的第j个字典元素；
[0039] 将运动方向重构误差\按照对应像素的位置排列成运动方向异常分布图S。，运动 幅度重构误差a"按照对应像素的位置排列成运动幅度异常分布图SM;
[0040] 步骤4 :计算融合后的交通场景异常分布图SGJzhSjz)):
[0041 ]
[0042]
[0043]
[0044]
[0045]
[0046]
[0047]
[0048] Λ、和％。分别表示S。检测出的异常区域F。和正常区域B。的像素个数； 你和乂分别表示在SM中数值属于异常和正常的像素个数；和Λ乂分 另瞭示SM检测出的异常区域FΜ和正常区域ΒΜ的像素个数；队⑵)和(?⑵)分别 表示在S。中数值属于异常和正常的像素个数，ppJSjz)和phlSjz))为位置z处像素 点的似然概率，Sjz)和SM(z)为运动方向异常分布图和运动幅度异常分布图在位置z处的 重构误差。
[0049] λ工和λ2为 0· 5。
[0050] 所述步骤1中计算每个分割区域运动方向y。和运动幅度yni的方法采用 "Dalai N, Triggs B. Histograms of Oriented Gradients for Human Detection[A]. In: IEEE Conference on Computer vision and Pattern Recognition[C]. New York:IEEE, 2005. 886-893"。
[0051] 有益效果
[0052] 本发明提出的一种基于运动重构技术的交通场景异常检测方法，对物体的运动方 向异常和运动幅度异常同时进行了度量，并利用贝叶斯融合模型得到最终的检测结果。进 而使得本算法能够有效解决复杂场景（运动模式复杂，背景变化快）的问题，同时也使得其 能够检测多种异常行为，并且达到平均87. 9%的检测准确率。
【附图说明】
[0053] 图1本发明实施的具体流程图
【具体实施方式】
[0054] 现结合实施例、附图对本发明作进一步描述：
[0055] 本发明提出了一种基于运动重构技术的交通场景异常检测方法，对比之前的研 究，该算法对于交通场景中的异常检测具有更好的效果。其技术方案包括下述步骤：
[0056] (a)利用视频帧的光流信息，计算直方图表示局部运动模式。首先利用得到的光流 信息计算对应的运动方向场和运动幅度场，然后采用超像素分割技术对其进行分割，在每 个分割区域内计算一个直方图表示局部的运动方向或者运动大小；
[0057] (b)针对运动方向和运动大小，在无异常的视频帧中分别学习得到两个代表正常 运动模式的字典，同时保留运动模式对应的空间位置信息。
[0058] (c)在新的视频帧中，对于每个新的运动直方图，我们在字典中选择与其空间位置 接近的K个元素来重构新的直方图，将其重构误差作为异常性的度量。由此，不同区域的重 构误差组成了异常分布图，分别是运动方向和运动幅度异常分布图。
[0059] (d)收集重构误差较小的运动直方图，每隔T帧利用这些样本更新原有的字典。
[0060] (e)采用基于贝叶斯模型的融合方法，将得到的两个异常分布图进行融合，得到最 终的异常检测结果图。基于最终的结果图，利用阈值法来确定异常目标出现的区域。
[0061] 参照图1，本发明的基于运动重构技术的交通场景异常检测方法的实现步骤如 下：
[0062] 步骤1、计算运动方向和运动幅度直方图。首先，计算视频帧（前50帧）的光流信 息（参考文南犬Liu C. Beyond Pixels:Exploring New Representations and Applications for Motion Analysis[D]·Citeseer,2009.)，其中每个像素的光流信息由二维向量 (AX，Ay)表示。然后，按照下式计算各个像素点处的运动方向和运动幅度：
[0063] m0=arctan(Ay/Δχ) (1)
[0064]
(2)
[0065] 将计算得到的运动方向与幅度按照对应像素的位置进行排列，得到两幅"图片"， 分别记为运动方向场Μ。和运动幅度场Mm。最后，使用SLIC超像素分割方法（参考文献 AchnataR，ShajiA，SmithK，etal.SLICSuperpixelsComparedtoState-of-the-Art SuperpixelMethods[J].IEEETransactiononPatternAnalysisandMachineInt elligence，2012, 34(11)，2274-2282.)将这两个运动场分割为125个区域，并对每个分 割区域计算其运动直方图代表其局部运动方向和运动幅度（参考文献DalaiN，Triggs B.HistogramsofOrientedGradientsforHumanDetection[A].In:IEEECon