一种鲁棒的异常行为检测方法
【专利摘要】本发明提供了一种鲁棒的异常行为检测的方法，包括如下步骤：a)利用高斯背景建模方法，从连续的视频帧中提取运动前景信息；b)利用Cascade检测方法检测前景中人的位置；c)将所述视频划分为多个空间区域，对划分得到的每个空间区域在每个采样时间点上应用所述步骤b)，得到对于单位时间内在每个空间的反应人出现与否的局部变化曲线；d)提取行为特征；e)利用步骤d)得到的所有行为特征作为训练数据送入支持向量机中学习得到多类的分类器；和f)利用经过训练的所述分类器进行对视频片段的分类识别，从而判断所述视频中是否存在异常行为。根据本发明的方法可以克服在真实场景下由于大量外界因素对行为识别造成的干扰，实现准确的异常行为识别。
【专利说明】—种鲁棒的异常行为检测方法
【技术领域】
[0001]本发明涉及模式识别和智能监控领域，特别是一种鲁棒的异常行为检测方法。
【背景技术】
[0002]随着硬件技术的发展，硬件设备在性能提高的同时，价格也可以被普通消费者所接受，使得监控设备从公共领域走进了千家万户，大大提高了公共和家庭的安全。在公共安全和家庭安全等监控领域对计算机技术的需求直接推动了这一计算机视觉技术的发展，这也是人工智能技术发展的一个重要内容。近几年，随着跟踪和检测技术的提高，一些计算机视觉技术的优势已经在实际应用中得到了体现。但随着监控设备数量的剧增，却带来了另一个问题:大量的数据已经不可能单靠人力去控制了，因此，人们需要利用计算机技术帮助其自动检测感兴趣的内容，从而根据检测到的异常内容采取实时报警等后续操作。
[0003]计算机技术除了跟踪和检测感兴趣的物体以外，更重要的是了解这个物体所做的行为，这样，才可以在大量的检测数据中找到发生异常行为的物体，并及时报警。行为识别技术就是为了实现在视频中自动识别出物体在“干什么”所发展的一个研究方向。“行为识别”相对“物体识别”来说，包含了行为主体各个部分的运动信息以及行为主体在各个时间段的状态转换。因此，对行为的描述一般需要更为高层的特征。虽然近几年有很多关于行为识别方法的研究，有些识别方法在简单场景中可以达到较高的识别率，但在真实场景下，由于存在着大量的光照变化、遮挡、视角变化等因素，使得现有的这些行为识别方法在实际应用中受到很大的限制。因此，解决行为识别的鲁棒性问题，是将行为识别技术从理论向应用推广的关键。
[0004]因此，需要一种鲁棒的异常行为检测方法，可以克服在真实场景下由于大量的光照变化、遮挡、视角变化等外界因素对行为识别造成的干扰，从而实现准确的异常行为识别。
【发明内容】
[0005]本发明的目的是提供一种鲁棒的异常行为检测的方法，包括如下步骤:a)利用高斯背景建模方法，从连续的视频帧中提取运动前景信息山)利用Cascade检测方法检测前景中人的位置；c)将所述视频划分为多个空间区域，对划分得到的每个空间区域在每个采样时间点上应用所述步骤b)，得到对于单位时间内在每个空间的反应人出现与否的局部变化曲线；d)提取行为特征；e)利用步骤d)得到的所有行为特征作为训练数据送入支持向量机中学习得到多类的分类器；和f)利用经过训练的所述分类器进行对视频片段的分类识别，从而判断所述视频中是否存在异常行为。
[0006]优选地，在所述步骤a)中采用混合高斯模型来进行背景建模。
[0007]优选地，在所述步骤c)中划分的空间区域数量的多少与人体前景在整个窗口中所占的比例有关。
[0008]优选地，在所述步骤c)中划分的空间区域数量为3x3。[0009]优选地，在所述步骤d)中提取每个局部变化曲线的梅尔频率倒谱系数，以获取曲线中包含的频率信息，然后将所有局部区域提取的梅尔频率倒谱系数连接在一起构成最终的联合倒谱频率系数cMFCC特征，即为行为特征。
[0010]优选地，得到梅尔频率倒谱系数的方法包括如下步骤:dl)进行快速傅里叶变换获取信号功率谱；d2)利用多个三角滤波器求取对应的能量值；d3)对求取的能量值的对数做离散傅里叶变换，得到所述梅尔频率倒谱系数。
[0011]优选地，在所述步骤e)中经过训练数据的训练后，所述分类器用来判断没有分类的数据的类别。
[0012]优选地,所述支持向量机的核函数为线性、多项式、径向基函数或sigmod。
[0013]优选地,所述支持向量机的核函数为径向基函数。
[0014]优选地，步骤f)包含如下子步骤:首先提取在线监控视频中单位时间内的视频片段，然后利用步骤a)到步骤d)的方法提取视频片段的行为特征，最后通过步骤e)训练的分类器对该视频片段的行为特征进行分类识别。
[0015]根据本发明的鲁棒的异常行为检测方法，可以克服在真实场景下由于大量的光照变化、遮挡、视角变化等外界因素对行为识别造成的干扰，从而实现准确的异常行为识别。
【专利附图】
【附图说明】
[0016]参考随附的附图，本发明更多的目的、功能和优点将通过本发明实施方式的如下描述得以阐明，其中:
[0017]图1示意性示出了根据本发明的一种鲁棒的异常行为检测方法的流程图。
[0018]图2示意性示出了将监控视频分为9 (3X3)个区域的示意图。
[0019]图3示意性示出了在监控视频的每个区域中，单位时间内反应人出现与否的局部变化曲线的示意图。
【具体实施方式】
[0020]通过参考示范性实施例，本发明的目的和功能以及用于实现这些目的和功能的方法将得以阐明。然而，本发明并不受限于以下所公开的示范性实施例；可以通过不同形式来对其加以实现。说明书的实质仅仅是帮助相关领域技术人员综合理解本发明的具体细节。[0021 ] 在下文中，将参考附图描述本发明的实施例。在附图中，相同的附图标记代表相同或类似的部件，或者相同或类似的步骤。
[0022]图1示意性示出了根据本发明的一种鲁棒的异常行为检测方法的流程图。根据本发明实现的鲁棒的异常行为检测的方法包括如下步骤。
[0023]步骤101，利用高斯背景建模方法，从连续的视频帧中提取运动前景信息。前景是指在假设背景为静止的情况下，任何有意义的运动物体即为前景。根据本发明的优选实施例，采用混合高斯模型(GMM)来进行背景建模从而提取前景信息的方法。混合高斯模型是使用多个高斯模型来表征图像中各个像素点的特征，在新一帧图像获得后更新混合高斯模型，用当前图像中的每个像素点与混合高斯模型匹配，如果匹配成功则判定该点为背景点，否则为前景点。根据被判定为前景点的像素点组成的信息即为前景信息。
[0024]每个混合高斯模型由K个高斯分布组成，每个高斯分布称为一个分量，这些分量线性加成在一起就组成了混合高斯模型的概率密度函数，即
【权利要求】
1.一种鲁棒的异常行为检测的方法，包括如下步骤: a)利用高斯背景建模方法，从连续的视频帧中提取运动前景信息； b)利用Cascade检测方法检测前景中人的位置； c)将所述视频划分为多个空间区域，对划分得到的每个空间区域在每个采样时间点上应用所述步骤b)，得到对于单位时间内在每个空间的反应人出现与否的局部变化曲线； d)提取行为特征； e)利用步骤d)得到的所有行为特征作为训练数据送入支持向量机中学习得到多类的分类器；和 f)利用经过训练的所述分类器进行对视频片段的分类识别，从而判断所述视频中是否存在异常行为。
2.如权利要求1所述的方法，其中在所述步骤a)中采用混合高斯模型来进行背景建模。
3.如权利要求1所述的方法，其中在所述步骤c)中划分的空间区域数量的多少与人体前景在整个窗口中所占的比例有关。
4.如权利要求1所述的方法，其中在所述步骤c)中划分的空间区域数量为3x3。
5.如权利要求1所述的方法，其中在所述步骤d)中提取每个局部变化曲线的梅尔频率倒谱系数，以获取曲线中包含的频率信息，然后将所有局部区域提取的梅尔频率倒谱系数连接在一起构成最终的联合倒谱频率系数cMFCC特征，即为行为特征。
6.如权利要求5所述的方法，其中得到梅尔频率倒谱系数的方法包括如下步骤: dl)进行快速傅里叶变换获取信号功率谱； d2)利用多个三角滤波器求取对应的能量值； d3)对求取的能量值的对数做离散傅里叶变换，得到所述梅尔频率倒 谱系数。
7.如权利要求1所述的方法，其中在所述步骤e)中经过训练数据的训练后，所述分类器用来判断没有分类的数据的类别。
8.如权利要求1所述的方法，其中所述支持向量机的核函数为线性、多项式、径向基函数或 sigmodo
9.如权利要求8所述的方法，其中所述支持向量机的核函数为径向基函数。
10.如权利要求1所述的方法，其中步骤f)包含如下子步骤:首先提取在线监控视频中单位时间内的视频片段，然后利用步骤a)到步骤d)的方法提取视频片段的行为特征，最后通过步骤e)训练的分类器对该视频片段的行为特征进行分类识别。
【文档编号】G06K9/62GK103530605SQ201310453307
【公开日】2014年1月22日 申请日期:2013年9月29日 优先权日:2013年9月29日
【发明者】王海滨, 单言虎, 张俊格 申请人:数基科技（北京）有限公司