一种视频异常检测方法与流程

本发明属于计算机视觉领域，用于监控视频抖动异常检测系统。尤其涉及到一种视频异常检测方法。
背景技术：
：视频抖动表现为相邻帧相关性的不连续性，形成原因大致有两类：一、当监控摄像头(通常是立杆式)安装位置受到短促外力(如强风或地面震动)冲击时，监控视频画面就可能会出现不符合人类视觉习惯的、成像区域整体在随机方向上的频繁迂回现象——可视为视频抖动；二、监控摄像头设备自身故障或其信号在传输中受到电磁干扰时，也会引发另一种视频抖动现象，这种情形下的抖动多表现为画面的无规律快速跳动、闪烁、变形、还会伴有色彩失真、重叠等现象。视频抖动将会使监控视频的质量受到不同程度的损失，直接影响监控系统的业务应用效果，因此在监控系统中实现对视频抖动异常自动检测具有重要意义。目前关于视频抖动的研究大致上可分为两类，抖动消除和抖动检测。抖动消除算法又称电子稳像算法，抖动检测算法与电子稳像算法有一定联系，二者可以相互借鉴。其不同之处在于两者的应用目的：电子稳像技术是为了得到高质量的稳定画面，需要高精度的运动估计参数；而抖动检测算法是为了更精准地实时检测出监控视频画面是否出现了抖动异常，对运动估计参数准确度要求较低，但必须符合实际运动过程。常用的运动参数估计方法包括块匹配、光流法、特征点匹配、灰度投影等，其中，块匹配和光流法运算开销大，效率低，无法满足实时性要求；特征点匹配要求特征点具有代表性，难以推广到视频监控系统；灰度投影算法计算量小，速度快，满足实时性要求，但准确度较低。抖动检测算法对业务应用的各项综合指标的要求较高，以上方法无法满足实际应用。技术实现要素：本发明所要解决的技术问题是提出一种基于最长路径的视频异常检测方法，克服上述现有技术的不足。为解决上述技术问题，本发明的基本技术构思在于首先根据视频抖动局部一致性的特点，结合分块思想，利用灰度投影算法完成全局运动估计，再根据最长路径算法选出可代表视频抖动的帧序列作为有效帧，根据有效帧的全局运动参数计算视频抖动的抖动率、抖动频率和抖动幅度等抖动参数，并对抖动参数设置影响因子，最后通过加权平均法计算视频的抖动程度。本发明提出的基于最长路径的视频异常检测方法，包括以下步骤：i.将图像分块，利用灰度投影计算图像块的运动参数；ii.根据每个图像块的运动参数，计算每一帧图像的运动参数；iii.根据最长路径算法选出可代表视频抖动的帧序列作为有效帧；iv.根据有效帧的全局运动参数计算视频抖动参数；v.根据抖动参数计算视频的抖动程度。所述将图像分块，利用灰度投影计算图像块的运动参数的具体步骤，包括：1-1)将当前图像分成p×q块。1-2)计算图像块的行与列投影。1-3)计算图像块的行与列位移。1-4)得到图像块的位移表达式。按上述方案，根据每个图像块的运动参数，计算每一帧图像的运动参数的具体步骤，包括：2-1)计算图像块b的位移方向。2-2)依次用一条水平方向或垂直方向的直线将图像块分为两个队列，记为s1和s2。2-3)计算图像的抖动一致性标识符。2-4)计算图像队列s1和s2的位移。2-5)计算图像的位移，当图像的抖动标志f＝0时，转到步骤2-2)，换一条直线将图像块分成两个队列；否则，循环结束，继续方案的下一步骤。按上述方案，根据最长路径算法选出可代表视频抖动的帧序列作为有效帧的具体步骤，包括：3-1)用节点表示帧，弧表示参照关系，弧尾代表参考帧，弧头代表当前帧，则可将视频中抖动标志f＝1的帧构成有向图。3-2)赋予每条弧相同的权值。3-3)计算有向图的最长路径，则最长路径上的每个节点都是有效帧，最长路径即为抖动链。按上述方案，根据有效帧的全局运动参数计算视频抖动参数的具体步骤，包括：4-1)将抖动链上帧的运动方向划分为两类，并将帧分组。4-2)计算抖动率jr，抖动幅度ja，抖动频率jf。4-3)一个抖动周期包含的平均帧数记为jz，则抖动频率jf计算方法如下，其中，fr为帧速率。按上述方案，根据抖动参数计算视频的抖动程度的具体步骤，包括：5-1)使用公式:5-2)是抖动参数，即是抖动参数的影响因子，且满足λr+λa+λf＝1。5-3)抖动程度即为本发明的设计目标检测结果。有益效果：本发明克服了现有的视频抖动检测技术的局限性，能够有效地实现抖动检测及抖动程度估计，同时对于局部抖动的视频，也具备较好的适用性。附图说明下面结合附图和具体实施方式对本发明的技术方案作进一步具体说明。图1为本发明方法的基本流程图。具体实施方式为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。如图1所示，本发明的一种基于最长路径的视频异常检测方法的实施例，主要步骤如下：i.将图像分块，利用灰度投影计算图像块的运动参数；ii.根据每个图像块的运动参数，计算每一帧图像的运动参数；iii.根据最长路径算法选出可代表视频抖动的帧序列作为有效帧；iv.根据有效帧的全局运动参数计算视频抖动参数；v.根据抖动参数计算视频的抖动程度。具体实施过程如下：步骤i，计算每个图像块的运动参数的具体步骤为：i-1)将当前图像分成p×q块，每个图像块为b(i,j)。i-2)计算图像块的行投影：其中，r(i)为图像块第i行的灰度值累加和，n是图像块行数，m是列数，是图像块n行灰度值累加和的平均值，δr(i)是图像块第i行修正后的投影值。i-3)计算图像块的列投影：其中，c(i)为图像块第j列的灰度值累加和，是图像块m列灰度值累加和的平均值，δc(j)是图像块第j列修正后的投影值。i-4)计算图像块的行位移：对于参考帧的选取，可采用循环机制：从当前帧的前一帧开始寻找，一直到当前帧的前若干帧，若找到参考帧，则循环中断，若循环结束都没有找到参考帧，则当前帧无偏移。求出图像块的行投影δrc(i)和参考帧对应图像块的行投影δrr(i)后，对二者进行相关性运算，相关性运算的计算公式如下：其中，m是当前帧相对于参考帧在图像一侧的搜索长度，1≤w≤2m+1。当cr(w)取最小值时，wxmin＝w，图像块在行方向上的位移为：δx＝m+1-wxmin(8)i-5)计算图像块的列位移：求出图像块的列投影δcc(j)和参考帧对应图像块的列投影δcr(j)后，对二者进行相关性运算，计算公式为：当cc(w)取最小值时，wymin＝w，图像块在列方向上的位移为δy＝m+1-wymin(10)所以，图像块的位移表达式如下：计算图像块位移的具体参数为：图像分块方式为6×1，图像块大小为48×352，搜索长度m＝30。步骤ii，计算每一帧图像的运动参数的具体步骤为：ii-1)计算图像块b的位移方向：θ＝∠(δx,δy)(12)ii-2)由信号干扰产生的抖动异常并不总是图像的每一个像素点都朝着一个方向运动，没有呈现全局抖动一致性，有时会出现左部没有发生抖动，而右部沿垂直方向来回运动的情况，称此现象为抖动局部一致性，全局一致性可看作局部一致性的特例。由于局部抖动大多呈现为两个图像块运动不一致的现象，所以，为了更准确地计算图像位移，依次用一条水平方向或垂直方向的直线将图像块分为两个队列，记为s1和s2，即s1＝{b1,b2,…,bm}，s2＝{bm+1,bm+2,…,bp×q}，σ1和σ2分别是s1和s2中图像块的运动方向的标准差。ii-3)计算图像的抖动一致性标识符：其中，t1、t2是阈值。ii-4)计算图像队列s1和s2的位移：ii-5)计算图像的位移：其中，ε为趋近于0的正数，其意义是使分母不为0，t3是阈值。图像的抖动标志f计算方式如下。若f＝0，则转到步骤2)，换一条直线将图像块分成两队；否则，循环结束，继续下面的步骤。计算图像位移的具体参数为：t1＝10，t2＝10，t3＝1，ε＝2.2204e-16。步骤iii，选取有效帧的具体步骤为：iii-1)用节点表示帧，弧表示参照关系，弧尾代表参考帧，弧头代表当前帧，则可将视频中f＝1的帧构成有向图。这里，一个节点可能是多条弧的弧尾，但不可能是两条弧的弧头。iii-2)有向图g＝(v,e)，其中，顶点集v＝{fk}，k＝1,2,…,n，边集e＝{<rk,fk>}，rk∈v。赋予每条弧固定的权值v，则有向无权图可成为有向赋权图。有向图中每一条完整的路径代表着视频的抖动链，包含帧最多(即节点最多)的抖动链给人的视觉效果时效最长，是所有抖动链中最能代表视频抖动情况的。将每条弧赋予一定的权值，则有向无权图中节点最多的路径也是有向赋权图中的最长路径。最长路径上的顶点即有效帧。iii-3)计算从顶点f到顶点f′的最长路径s＝{f＝f1,f2,…,fn＝f′}，其中顶点序列<fj-1,fj>∈e，则最长路径上的每个顶点fk都是有效帧。选取有效帧的具体参数为；固定权值v＝1。步骤iv，计算抖动参数的具体步骤为：iv-1)将抖动链上帧的运动方向划分为两类：其中，θk是第k帧的运动方向，并且θk∈[0,360°)。iv-2)将抖动链上的帧分组，第k帧的组号gk计算如下：则全部有效帧的组数为g＝max{gk}(k＝1,2,…)。iv-3)计算抖动率jr：其中，l表示视频帧数。iv-4)计算抖动幅度ja：其中，ai是第i组的累积幅度，根据下式计算。其中，fgi为第i组的帧节点集合，是的长度。iv-5)计算抖动频率jf：一个抖动周期包含的平均帧数jz计算式如下，其中，s＝g+mod(g,2)-1，fi为第i组中最小的帧序号。所以，抖动频率jf计算方法如下，其中，fr为帧速率。计算抖动参数的具体参数为：帧速率fr一般为25帧/秒。步骤v，计算抖动程度的具体步骤为：v-1)使用公式:v-2)是抖动参数，即是抖动参数的影响因子，且满足λr+λa+λf＝1。v-3)抖动程度即为本发明的设计目标检测结果。计算抖动程度的具体参数为：将本发明所述的抖动程度估计的视频质量诊断算法在监控视频集上测验，并设置抖动程度高于40为抖动异常判定阈值，否则为正常。测验结果如表1。其中，tpr、tnr、accuracy的计算公式如下。测试集为300个抖动视频和1000个正常视频。根据本实施例90.15％的准确度结果，说明本发明用于视频抖动检测具备较高的实用性。其中，tp表示抖动视频集中算法检测为抖动异常的数量，fn表示抖动视频集中算法检测为正常的数量，tn表示正常视频集中算法检测为正常的数量，fn表示正常视频集中算法检测为抖动异常的数量。表1本发明所提方法的评价指标(％)tprtnpaccuracy78.3393.7090.15综上所述，本发明在一定程度上克服了现有一些视频抖动检测技术的局限性，能够有效地实现抖动检测及抖动程度估计，同时对于局部抖动的视频，也具备较好的适用性。最后所应说明的是，以上具体实施方式仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。当前第1页12