一种视频异常行为检测方法
【技术领域】
[0001] 本发明属于图像与视频处理技术领域，涉及一种视频异常行为检测方法。
【背景技术】
[0002] 视频检测是计算机视觉领域最重要的应用之一，从视频序列中检测出异常事件有 相当大的实际意义。其中，基于视频的人群异常行为检测尤为重要，这项技术对区域内人群 进行检测，可以将潜在的危险事件检测出来，从而提高相关部门的响应和救援效率。人群异 常事件检测就是从监控视频中发现异于正常的事件，并发出警报。通常人群异常事件可以 分为局部异常事件和全局异常事件，其中，局部异常事件是指人群中某些个体的行为异于 其他个体的行为，例如步行街上的骑车、轮滑和车辆通行等。全局异常事件是指监控区域中 多个个体行为异于之前群体的行为，如人群恐慌、踩踏以及道路上的群体聚集等。
[0003] 近年来已经有了多种针对异常检测的模型，经典的社会动力模型利用粒子流来近 似人群流以克服行人难以跟踪的问题，通过计算粒子之间的交互力来建立社会动力模型， 但是该模型缺乏社会行为特性，并没有将人群的运动行为特性反映出来。针对此问题，在社 会动力模型基础上，引入了社会属性对群体行为特性进行表达，虽然这类方法较好的表达 了社会行为特性，但是仅仅利用了目标的局部时空特征，忽略了全局运动。
【发明内容】
[0004] 本发明的目的是为了克服上述现有技术的不足，提供一种视频异常行为检测方 法。
[0005] 本发明所采用的技术方案如下：
[0006] 步骤（1)计算时空描述符，具体如下：
[0007] 对每帧图像按从上到下、从左到右划分成互不重叠的大小为MXP的块，并对各块 进行目标检测，得到目标时空块集合V= jit}，1 <i<M，1 <j<P，由于某些块中可能 没有检测到目标，实际的目标块数目为N，0彡N彡MXP:
[0008] Vijjjt= {(i,j,t)II|i-〇i| ^δΠ|j-〇j| ^δΠ|t-tj^δ}
[0009] 取δ= 1，即目标时空块Vu# 2X2X2 = 8个子块构成，分别包括目标块、 目标块的空间邻域及目标块的时域邻域信息，其中（〇i，〇j)是待检测的目标块坐标， 1彡oi彡M，1彡oj彡P，t。是当前帧的时刻。（i，j，t)指代t时刻的目标块坐标为（i，j)。
[0010] 使用三维尺度不变特征变换描述子（3D-SIFT)提取每个目标时空块\ 的特征 值，3D-SIFT包含3个子描述符，即幅值M3D、方向角f与梯度方向Θ。梯度方向Θ表征向量 在图像坐标xy平面上的投影与X轴的夹角，方向角@表征向量与xy平面的夹角。Θ取值 为（-π,π)，爭取值为（-ji/2,π/2)。对Θ与#按45°为间隔进行量化，分别建立8通道 和4通道的直方图Θ和φ，对M3D建立4通道的直方图，这样每个目标时空块Vlijit能够得 至lj2X2X2X(8+4+4) = 128维特征向量，1彡i彡Μ, 1彡j彡P。
[0011] 步骤（2)计算时域混乱属性，具体如下：
[0012] 时域混乱属性是从时间上对目标局部区域运动特性进行描述，利用统计的方向特 征来建立人群时域混乱属性，定义为：
[0013]
[0014]
[0015] 其中φ是对目标时空块乂^^构建的方向角直方图，//1>)为φ的熵值，熵值定义为
1为φ的维数。sgn( ·)为符号函数，为熵阈值，采用 对正常样本视频序列训练得到。M% )是φ的元素涔的概率；
[0016] 步骤（3)计算空域混乱属性，具体如下：
[0017] 空域混乱属性是从空间上对目标局部区域运动特性进行描述，利用统计的方向特 征来建立人群空域混乱属性，定义为：
[0018] ff〇=Bexp(H(θ)-Η(ΘT)) ⑷
[0019] Β=sgn(H( θ)-Η(θτ)) (5)
[0020] 其中θ是对目标时空块Vlijit构建的梯度方向直方图，Η(θ)为θ熵值，Η(θτ) 为熵阈值，采用对正常样本视频序列训练得到。
[0021] 步骤（4)计算光流属性，具体如下：
[0022] 对于速度特性，由于不同位置的目标距离摄像头远近的差异，会对提取的光流特 征造成不利影响，进而影响行为检测结果。因此本发明对于不同位置目标时空块\,^训练 不同的光流阈值，以此来消除目标距离摄像头远近所造成的影响。
[0023] 将当前目标时空块Vlijit作为一个节点xy1彡r彡Ν，通过对目标速度与方向特性 的描述，得到节点&的局部检测模型：
[0024]
(_
[0025] 其中τ为常量，&为当前位置的光流速度，为当前位置光流阈值，通过样本训 练得到。》^和％,分别指代节点&的时域混乱属性和空域混乱属性。
[0026] 步骤（5)计算Kullback-Leibler距离属性，具体如下：
[0027] 为了描述全局运动，引入Kullback-Leibler距离作为不同行为间的差异性。
[0028] Kullback-Leibler距离DKI.定义如下：
[0029]
(7)
[0030] 这里x1^与X3为当前帧中两个互异的节点，1彡s彡N,r乒s。m指代节点的维数；
[0031] 步骤（6)构建异常检测模型：
[0032] 通过以上四种属性对群体行为的描述，本发明构建的异常检测模型如下：
[0033]
(8)
[0034] 其中N为节点数，λ是平衡系数，当S〇〇>e时，可认为目标运动异常，ε为设定 的阈值。
[0035] 本发明采用3D-SIFT提取目标时空块特征，并根据不同位置的块训练出不同的光 流阈值，消除了目标距离摄像头远近对光流特征提取造成的影响。其次本发明将目标的局 部时空特征与全局信息相结合，克服了以往方法的缺陷，提高了检测率。
【附图说明】
[0036] 图1为异常检测模型训练示意图。
[0037] 图2为异常检测模型测试示意图。
【具体实施方式】
[0038] 以下结合附图和实施实例对本发明加以详细说明。
[0039] 本发明的异常检测模型训练和测试流程如图1、图2所示，具体步骤如下：
[0040] 步骤（1)计算时空描述符，具体是：
[0041] 对每帧图像按从上到下、从左到右划分成互不重叠的大小为ΜΧΡ的块，取Μ=Ρ =20,并对各块进行目标检测，得到目标块集合V= &t}，1彡i彡Μ，1彡j彡Ρ，由于某 些块中可能没有检测到目标，实际的目标块数目为Ν，0<Ν<ΜΧΡ。
[0042] Vijjjt= {(i,j,t)II|i-〇i| ^δΠ|j-〇j| ^δΠ|t-tj^δ} (1)
[0043] 取δ= 1，按式⑴计算Vlijit，即目标时空块2X2X2 = 8个子块构成， 分别包括目标块、目标块的空间邻域及目标块的时域邻域信息，其中（〇i，〇j)是待检测的 目标块坐标，1彡〇i彡M，1彡oj彡P，t。是当前帧的时刻。
[0044] 使用三维尺度不变特征变换描述子（3D-SIFT)提取每个目标时空块\ &的特征 值，3D-SIFT包含3个子描述符，即幅值M3D、方向角f与梯度方向Θ。梯度方向Θ表征向 量在图像坐标xy平面上的投影与X轴的夹角，方向角f表征向量与xy平面的夹角。θ取 值为（-31，3〇,f取值为（-31/2, 31/2)。对Θ与炉按45°为间隔进行量化，分别建立8通 道和4通道的直方图Θ和φ，对M3D建立4通道的直方图，这样每一个时空块Vlijit可以得 至lj2X2X2X(8+4+4) = 128维特征