专利名称：基于网络传输算法的多摄像头视频异常行为检测方法
技术领域：
本发明涉及的是一种对视频中的内容进行异常行为检测的方法，具体是一种基于网络传输算法对视频中行为的异常性进行度量的方法。
背景技术：
人类行为识别在视频监控和视频检索领域有着十分重要的应用。而异常行为检测在人类行为识别中有着重要的地位，在各种实际场合均有重要应用。基于网络传输算法的异常行为检测在训练中不需要大量的训练数据、在检测中具有良好的鲁棒性和柔韧性，因而具有广泛的应用。经过对现有技术的文献检索发现，行为识别领域里已有很多不同的异常行为检测算法被提出。W. Lin, Μ. -T. Sun, R. Poovendran 和 Z. Zhang 在《IEEE Trans. Circuits and Systems for Video Technology, vol. 18，no.8，2008》(电气电子工程师协会电路与系统期刊视频技术学报2008年18卷8号刊)第11 页到1139页上发表的“Activity Recognition using a Combination of Category Components and Local Models for Video Surveillance”(采用分类组合和本地模型的视频监控中的行为识别)论文中提出一种基于分类组合模型的框架，该框架引入本地模型与全局模型结合以提高检测精度。 H. Zhong, J.Shi 禾口 M. Visontai 在〈〈IEEE Computer Society Conference on Computer Vision and Pattern Recognition，2004》(电气电子工程师协会计算机视觉与模式识别会议2004年1卷2册)第819页到拟6页上发表的"Detecting unusual activity in video”(视频中的异常行为检测)论文中提出一种聚类分类算法，该算法根据相似性把视频分成不同的剪辑，而相对数目比较小的剪辑则被认为是异常行为。以上算法是在单摄像头中的应用。E.E. Zelniker，S. Gong 和 T. Xiang 在《The 8th Int' 1 Workshop on Visual Surveillance, 2008)) (2008年第8届视觉监控国际研讨会)上发表的“Global abnormal behaviour detection using a network of CCTV cameras”(CCTV 摄像头网络中的全局异常行为检测)论文中利用对人进行跟踪获得全局轨迹并聚簇，通过相似性计算与轨迹簇的偏离程度来检测异常行为。C. C. Loy, T. Xiang和S. Gong在《IEEE 12th International Conference on Computer Vision，2009》(电气电子工程师协会2OO9年第I2届计算机视觉国际会议)第120页至127页上发表的”Modelling activity global temporal dependencies using time delayed probabilistic graphical model，，(基于时延概率的图论模型的行为全局时间依赖性建模)论文中对视频进行分块处理，然后以每块为结点转化为图论网络模型，再利用时延概率对行为的全局时间依赖性进行建模处理，实现行为识另IJ。以上算法是在多摄像头中的应用。这些现有技术中的算法在特定的场合有着比较出色的表现，但是作为单摄像头的算法现在已经不能胜任日益复杂的多摄像头网络的应用了。作为多摄像头的算法， Ε. E. Zelniker, S. Gong和T. Xiang的方法比较依赖于跟踪的精确性，一旦跟踪的精度下降、 跟踪轨迹出现偏差，算法表现会大大受到影响；C. C. Loy, T. Xiang和S. Gong的方法同样依赖大量的训练数据，并且算法中受约束的图结构不能自如地应对变化的情形，这给算法的应用本身带来很大的限制。
发明内容
本发明针对现有技术的以上不足，结合实际视频安防监控应用中的需求，为解决已有算法对跟踪算法的依赖程度，提出一种基于新型网络算法的多摄像头视频异常行为检测方法，有效对多摄像头视频中的监控对象行走路线的异常行为进行检测。本发明提出一种基于网络传输)算法，本算法将多摄像头系统的场景进行分块，将每一分块视为节点、将分块之间的行为相关性视为边来建立网络模型。在这个网络的构建下，人的行为被建模成了一个网络信号传输问题如果一个信号在网络中传输能量高则被视为异常。和以往的算法相比较，本算法提出了一种更为通用的多摄像头检测形式，并且，本算法具有较低的复杂度，可以灵活地处理各类多摄像头配置的情形。根据本发明的一个方面，提供一种基于网络传输算法的多摄像头视频异常行为检测方法，其特征在于，包括以下步骤第一步、将视频场景分块，然后基于分块建立网络模型，其中，将分块建模成网络的节点，将分块之间的行为相关性建模成网络的边的权值；第二步、利用构建的传输网络，将行人的行为建模为信号在网络中的传输，其异常程度取决于传输的能量消耗高低；第三步、利用构建的传输网络，创建正常传输路径，对正常行为的总传输能量进行定量的估计；第四步、利用正常行为的总传输能量，用来量化行人行为的偏离正常程度，其异常程度取决于传输能量与正常行为的传输能量的偏离程度。更为具体地，本发明是通过以下技术方案实现的，本发明包括以下步骤第一步对行人进行跟踪并创建全局路径本发明使用粒子滤波算法对摄像头场景中的行人进行跟踪，并且将不同摄像头的轨迹进行匹配，从而创建全局轨迹，即全局路径。第二步对多摄像头系统的场景进行分块本发明根据全局路径，对多摄像头系统的场景进行分块。为了便于实现、降低实现复杂度，本发明采用根据场景内容手动分块的方法。分块的原则有三点1、分块面积适中， 精度不必太高；2、有明显界限的不同对象分在不同的块；3、深度不同的场景需要分在不同的块，且块间需要有缓冲块。场景分块之后，每一个分块均视作一个节点，分块之间的行为相关性视作一个边，建立起一个网络模型。第三步传输网络的能量计算网络的边是由块间直接传输能量构建起来的。直接传输能量(Direct Transmission/DT energy)指的是信号s从块i不经过其他块直接传输到块j所需要的能量。直接传输能量需要能反映相应的块之间的行为相关性。意即，如果行人有较高的概率从两块之间发生行为(即从一块穿越到另一块)，那么这两块之间的行为相关性也就会比较高，相应的块间的传输能量就被指定为一个较低的值。反过来，一个较低的行为相关性对应一个较高的传输能量。基于这一点，本算法采用块间行人穿越次数来量化行为相关性，并且指定一个负相关的函数映射来确定行为相关性和直接传输能量之间的关系。传输网络中的节点i和节点j之间边的权值e (i,j)即为直接传输能量，由分块之间发生穿越行为的次率决定。具体的，对于分块i和分块j之间的行为相关性，由穿越次数(cross time/CT)直接量化给定。e(i，j)与CT存在以下关系
权利要求
1.一种基于网络传输算法的多摄像头视频异常行为检测方法，其特征在于，包括以下步骤第一步、将视频场景分块，然后基于分块建立网络模型，其中，将分块建模成网络的节点，将分块之间的行为相关性建模成网络的边的权值；第二步、利用构建的传输网络，将行人的行为建模为信号在网络中的传输，其异常程度取决于传输的能量消耗高低；第三步、利用构建的传输网络，创建正常传输路径，对正常行为的总传输能量进行定量的估计；第四步、利用正常行为的总传输能量，用来量化行人行为的偏离正常程度，其异常程度取决于传输能量与正常行为的传输能量的偏离程度。
2.根据权利要求1所述的基于网络传输算法的多摄像头视频异常行为检测方法，其特征在于，在所述第一步中所述的分块直接建模成网络的节点η。
3.根据权利要求1所述的基于网络传输算法的多摄像头视频异常行为检测方法，其特征在于，在所述第一步中所述的分块之间的行为相关性建模成网络的边的权值的步骤中 对于节点i和节点j之间边的权值e(i，j)，其意义为传输能量消耗，由分块之间发生穿越行为的次率决定。
4.根据权利要求3所述的基于网络传输算法的多摄像头视频异常行为检测方法，其特征在于，对于节点i和节点j之间的行为相关性，由穿越次数CT直接量化给定，其中，e(i， j)与CT存在以下关系'0如果块i与块j重合e{ij) = fiCT) 如果块i与块j相邻 f(0) + L如果块i与块j不相邻其中f()是一个在非负实数范围内单调递减函数，L是一个非负实数。
5.根据权利要求1至4中任一项所述的基于网络传输算法的多摄像头视频异常行为检测方法，其特征在于，在所述第二步中在测试过程中对异常行为进行检测采用如下准则高能量准则对每一个行为计算总传输能量，在得到总传输能量后，如果总传输能量过高，则被判定为是异常行为。
6.根据权利要求1至5中任一项所述的基于网络传输算法的多摄像头视频异常行为检测方法，其特征在于，在所述第三步中在传输网络建立的基础上，根据已有的广播增量算法，得到修改广播增量算法，计算出分块之间最小消耗路径。
7.根据权利要求1至6中任一项所述的基于网络传输算法的多摄像头视频异常行为检测方法，其特征在于，在所述第四步中在测试过程中对异常行为进行检测采用如下准则偏离正常准则设置另一个阈值，当行为的总传输能量与正常传输能量的绝对差高于这个阈值，此行为被判定为异常。
8.根据权利要求7所述的基于网络传输算法的多摄像头视频异常行为检测方法，其特征在于，所述高能量准则和偏离正常准则综合起来可被表示为当前行为(e，q)为异常，当且仅当Ec (u, q) > Th1 or Ec (u, q)-Emin(u, q) | > Th2其中(u，q)是当前行为的轨迹，u为起始块，q为当前块。E。(e，q)是当前行为的总传输能量，Efflin(u, q)是正常传输路径所需能量。Th1和Th2是两个阈值，其中Th1是一个固定的值，Th2由下式决定Th2 = max (α · Ec (u, q) -Emin (u, q) |，Τ)其中α是一个比例参数，T是给定的Tti2的下限。
9.根据权利要求1至8中任一项所述的基于网络传输算法的多摄像头视频异常行为检测方法，其特征在于，在所述第一步之前，还包括如下步骤对摄像头场景中的行人进行跟踪，并且将不同摄像头的轨迹进行匹配，从而创建全局路径；其中，在所述第一步中，根据全局路径，对多摄像头系统的视频场景进行分块。
10.根据权利要求1至9中任一项所述的基于网络传输算法的多摄像头视频异常行为检测方法，其特征在于，将视频场景进行分块时，把有明显界限的不同对象分在不同的块， 并且深度不同的场景分在不同的块，且块间有缓冲块。
全文摘要
本发明提供基于网络传输算法的多摄像头视频异常行为检测方法，包括将多摄像头系统的场景进行分块，将每一分块视为节点、分块之间的行为相关性视为权边建立网络模型。由此将人的行为建模成一个网络信号传输问题，行为的异常程度取决于传输能量消耗的高低。本发明结合实际视频安防监控应用中的需求，为解决已有算法对跟踪算法的依赖程度，而提出的一种多摄像头视频异常行为检测方法，有效对多摄像头视频中的监控对象行走路线的异常行为进行检测。本发明和现有技术相比较，提出了一种更为通用的多摄像头视频检测形式，并且具有较低的复杂度，可以灵活地处理各类多摄像头配置的情形。有效识别率达到了90％左右，具有良好的应用表现。
文档编号H04N7/18GK102523370SQ20111037468
公开日2012年6月27日 申请日期2011年11月22日 优先权日2011年11月22日
发明者张亿皓, 林巍峣, 高泓昱 申请人:上海交通大学