向量，1彡i彡Μ, 1彡j彡P。
[0045] 步骤（2)计算时域混乱属性，具体如下：
[0046] 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。按式（2)、（3)计算》；，取q= 32,采用对正常样本视频序列 训练得到遽％=
[0047] (2)
[0048] (3)
[0049] 步骤（3)计算空域混乱属性，具体如下：
[0050] 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。按式（4)、（5)计算We，采用对正常样本视频序列训练得到Η(θτ) = 16. 5〇
[0051] ff ο = B exp (Η( θ ) -Η( θ τ)) (4)
[0052] Β=sgn(Η( θ)-Η( θτ)) (5)
[0053] 步骤⑷计算光流属性，具体如下：
[0054] 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块练出不同的 光流阈值，以此来消除目标距离摄像头远近所造成的影响。
[0055] 将当前时空块Vijit作为一个节点Xy1彡r彡N，通过对目标速度与方向特性的描 述，我们可以得到节点&的局部检测模型，按式（6)计算F(XJ，取τ=0.85。当前位置光 流阈值\，通过样本训练得到，由于不同位置的目标距离摄像头远近的差异，不同位置' 的值有所不同，按从上到下分成20行为例，每5行的块作为一个组，分成4组，以组为单位 按各组离摄像头的距离由远到近训练\\的取值分别为0. 05、0. 6、1、2。
[0056]
⑹
[0057] 步骤（2)、（3)、（4)中//(φν )、Η(θΤ)与\结合UCSDPedl数据集实例的训练过程 如下：
[0058]1)输入正常样本视频序列。例如UCSD Pedl数据集中34个样本训练视频，每个训 练视频有200帧。
[0059] 2)对每帧图像从上到下、从左到右划分成不重叠大小为20X20的块。
[0060] 3)对各块进行目标检测，得到目标块集合V。
[0061] 4)对目标块提取3D-SIFT特征与光流速度，得到方向角φ的32维特征向量与梯度 方向Θ的64维特征向量及光流速度大小
[0062] 5)对每帧提取的3D-SIFT特征、光流速度分别进行加权平均得到阈值 ￡/(φΓ) = 17、Η(θτ) = 16.5。\ =0.05,0,6，1,2。
[0063] 步骤（5)计算Kullback-Leibler距离属性，具体如下：
[0064] 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。按式 (7)计算DKL(xr ||xs)。
[0065]
(7)
[0066] 步骤（6)构建异常检测模型，如下：
[0067]通过以上四种属性对群体行为的描述，按式（8)计算S(xJ，取λ= 1. 875。当 S(xJ>e时，可认为目标运动异常，取ε=1.45。
[0068]
(8)。
【主权项】
1. 一种视频异常行为检测方法，其特征在于其包含以下步骤： 步骤（1)计算时空描述符，具体如下： 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}，I < i < M，I < 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: Viljlt= {(i, j,t) 11 |i-〇i| ^ δ n |j-〇j I ^ δ η |t-tj ^ δ} 取δ = 1，即目标时空块Vli jit* 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); 使用三维尺度不变特征变换描述子提取每个目标时空块Vli 11的特征值，3D-SIFT包含 3个子描述符，即幅值M3d、方向角於与梯度方向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，方向角炉表征向量与xy平面的夹角；Θ取值为（-π，π)，辦取 值为（_ η/2, 31/2);对Θ与识按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f，对M3d建立4通道的直方图，这样每个目标时空块VI &满够得到2 X 2 X 2 X (8+4+4) =128维特征向量，1彡i彡M，1彡j彡P ; 步骤（2)计算时域混乱属性，具体如下： 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：其中φ是对目标时空块建的方向角直方图，//(<!〇为φ的熵值，熵值定义为q为φ丨的维数；sgn( ·)为符号函数，//(φΟ为熵阈值，采用 对正常样本视频序列训练得到；是φ:的元素熟的概率； 步骤（3)计算空域混乱属性，具体如下： 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： W0= ΒθχΡ(Η(Θ)-Η(Θ T)) (4) B = sgn(H(0)-H(0T)) (5) 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(θ τ)为熵 阈值，采用对正常样本视频序列训练得到； 步骤（4)计算光流属性，具体如下： 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Vu,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； 将当前目标时空块V1,11作为一个节点X ρ I < r < 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：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； 步骤（5)计算Kullback-Leibler距离属性，具体如下： 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； Kullback-Leibler 距离 Dkl定义如下：这里与X 3为当前帧中两个互异的节点，1彡s彡Ν, r乒s ;m指代节点的维数； 步骤（6)构建异常检测模型： 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：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。
【专利摘要】本发明涉及一种视频异常行为检测方法。本发明的步骤是：首先，对视频序列采用三维尺度不变特征变换描述子提取目标时空块特征。其次，以时空块作为节点，计算节点时空特征的时间与空间混乱属性，并结合节点中目标光流速度及各个节点之间的Kullback-Leibler距离构建时空检测模型。本发明为不同位置的时空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，局部时空特征与全局信息相结合对局部异常行为与全局异常行为都具有较好的检测效果，且提高了检测率。
【IPC分类】G06K9/00
【公开号】CN105426813
【申请号】CN201510707784
【发明人】陈华华, 盖杰, 郭春生
【申请人】杭州电子科技大学
【公开日】2016年3月23日
【申请日】2015年10月27日