一種視頻異常行為檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像與視頻處理技術(shù)領(lǐng)域，涉及一種視頻異常行為檢測(cè)方法。
【背景技術(shù)】
[0002] 視頻檢測(cè)是計(jì)算機(jī)視覺(jué)領(lǐng)域最重要的應(yīng)用之一，從視頻序列中檢測(cè)出異常事件有 相當(dāng)大的實(shí)際意義。其中，基于視頻的人群異常行為檢測(cè)尤為重要，這項(xiàng)技術(shù)對(duì)區(qū)域內(nèi)人群 進(jìn)行檢測(cè)，可以將潛在的危險(xiǎn)事件檢測(cè)出來(lái)，從而提高相關(guān)部門(mén)的響應(yīng)和救援效率。人群異 常事件檢測(cè)就是從監(jiān)控視頻中發(fā)現(xiàn)異于正常的事件，并發(fā)出警報(bào)。通常人群異常事件可以 分為局部異常事件和全局異常事件，其中，局部異常事件是指人群中某些個(gè)體的行為異于 其他個(gè)體的行為，例如步行街上的騎車(chē)、輪滑和車(chē)輛通行等。全局異常事件是指監(jiān)控區(qū)域中 多個(gè)個(gè)體行為異于之前群體的行為，如人群恐慌、踩踏以及道路上的群體聚集等。
[0003] 近年來(lái)已經(jīng)有了多種針對(duì)異常檢測(cè)的模型，經(jīng)典的社會(huì)動(dòng)力模型利用粒子流來(lái)近 似人群流以克服行人難以跟蹤的問(wèn)題，通過(guò)計(jì)算粒子之間的交互力來(lái)建立社會(huì)動(dòng)力模型， 但是該模型缺乏社會(huì)行為特性，并沒(méi)有將人群的運(yùn)動(dòng)行為特性反映出來(lái)。針對(duì)此問(wèn)題，在社 會(huì)動(dòng)力模型基礎(chǔ)上，引入了社會(huì)屬性對(duì)群體行為特性進(jìn)行表達(dá)，雖然這類(lèi)方法較好的表達(dá) 了社會(huì)行為特性，但是僅僅利用了目標(biāo)的局部時(shí)空特征，忽略了全局運(yùn)動(dòng)。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的是為了克服上述現(xiàn)有技術(shù)的不足，提供一種視頻異常行為檢測(cè)方 法。
[0005] 本發(fā)明所采用的技術(shù)方案如下：
[0006] 步驟（1)計(jì)算時(shí)空描述符，具體如下：
[0007] 對(duì)每幀圖像按從上到下、從左到右劃分成互不重疊的大小為MXP的塊，并對(duì)各塊 進(jìn)行目標(biāo)檢測(cè)，得到目標(biāo)時(shí)空塊集合V= jit}，1 <i<M，1 <j<P，由于某些塊中可能 沒(méi)有檢測(cè)到目標(biāo)，實(shí)際的目標(biāo)塊數(shù)目為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，即目標(biāo)時(shí)空塊Vu# 2X2X2 = 8個(gè)子塊構(gòu)成，分別包括目標(biāo)塊、 目標(biāo)塊的空間鄰域及目標(biāo)塊的時(shí)域鄰域信息，其中（〇i，〇j)是待檢測(cè)的目標(biāo)塊坐標(biāo)， 1彡oi彡M，1彡oj彡P(guān)，t。是當(dāng)前幀的時(shí)刻。（i，j，t)指代t時(shí)刻的目標(biāo)塊坐標(biāo)為（i，j)。
[0010] 使用三維尺度不變特征變換描述子（3D-SIFT)提取每個(gè)目標(biāo)時(shí)空塊\ 的特征 值，3D-SIFT包含3個(gè)子描述符，即幅值M3D、方向角f與梯度方向Θ。梯度方向Θ表征向量 在圖像坐標(biāo)xy平面上的投影與X軸的夾角，方向角@表征向量與xy平面的夾角。Θ取值 為（-π,π)，爭(zhēng)取值為（-ji/2,π/2)。對(duì)Θ與#按45°為間隔進(jìn)行量化，分別建立8通道 和4通道的直方圖Θ和φ，對(duì)M3D建立4通道的直方圖，這樣每個(gè)目標(biāo)時(shí)空塊Vlijit能夠得 至lj2X2X2X(8+4+4) = 128維特征向量，1彡i彡Μ, 1彡j彡P(guān)。
[0011] 步驟（2)計(jì)算時(shí)域混亂屬性，具體如下：
[0012] 時(shí)域混亂屬性是從時(shí)間上對(duì)目標(biāo)局部區(qū)域運(yùn)動(dòng)特性進(jìn)行描述，利用統(tǒng)計(jì)的方向特 征來(lái)建立人群時(shí)域混亂屬性，定義為：
[0013]
[0014]
[0015] 其中φ是對(duì)目標(biāo)時(shí)空塊乂^^構(gòu)建的方向角直方圖，//1>)為φ的熵值，熵值定義為
1為φ的維數(shù)。sgn( ·)為符號(hào)函數(shù)，為熵閾值，采用 對(duì)正常樣本視頻序列訓(xùn)練得到。M% )是φ的元素涔的概率；
[0016] 步驟（3)計(jì)算空域混亂屬性，具體如下：
[0017] 空域混亂屬性是從空間上對(duì)目標(biāo)局部區(qū)域運(yùn)動(dòng)特性進(jìn)行描述，利用統(tǒng)計(jì)的方向特 征來(lái)建立人群空域混亂屬性，定義為：
[0018] ff〇=Bexp(H(θ)-Η(ΘT)) ⑷
[0019] Β=sgn(H( θ)-Η(θτ)) (5)
[0020] 其中θ是對(duì)目標(biāo)時(shí)空塊Vlijit構(gòu)建的梯度方向直方圖，Η(θ)為θ熵值，Η(θτ) 為熵閾值，采用對(duì)正常樣本視頻序列訓(xùn)練得到。
[0021] 步驟（4)計(jì)算光流屬性，具體如下：
[0022] 對(duì)于速度特性，由于不同位置的目標(biāo)距離攝像頭遠(yuǎn)近的差異，會(huì)對(duì)提取的光流特 征造成不利影響，進(jìn)而影響行為檢測(cè)結(jié)果。因此本發(fā)明對(duì)于不同位置目標(biāo)時(shí)空塊\,^訓(xùn)練 不同的光流閾值，以此來(lái)消除目標(biāo)距離攝像頭遠(yuǎn)近所造成的影響。
[0023] 將當(dāng)前目標(biāo)時(shí)空塊Vlijit作為一個(gè)節(jié)點(diǎn)xy1彡r彡Ν，通過(guò)對(duì)目標(biāo)速度與方向特性 的描述，得到節(jié)點(diǎn)&的局部檢測(cè)模型：
[0024]
(_
[0025] 其中τ為常量，&為當(dāng)前位置的光流速度，為當(dāng)前位置光流閾值，通過(guò)樣本訓(xùn) 練得到。》^和％,分別指代節(jié)點(diǎn)&的時(shí)域混亂屬性和空域混亂屬性。
[0026] 步驟（5)計(jì)算Kullback-Leibler距離屬性，具體如下：
[0027] 為了描述全局運(yùn)動(dòng)，引入Kullback-Leibler距離作為不同行為間的差異性。
[0028] Kullback-Leibler距離DKI.定義如下：
[0029]
(7)
[0030] 這里x1^與X3為當(dāng)前幀中兩個(gè)互異的節(jié)點(diǎn)，1彡s彡N,r乒s。m指代節(jié)點(diǎn)的維數(shù)；
[0031] 步驟（6)構(gòu)建異常檢測(cè)模型：
[0032] 通過(guò)以上四種屬性對(duì)群體行為的描述，本發(fā)明構(gòu)建的異常檢測(cè)模型如下：
[0033]
(8)
[0034] 其中N為節(jié)點(diǎn)數(shù)，λ是平衡系數(shù)，當(dāng)S〇〇>e時(shí)，可認(rèn)為目標(biāo)運(yùn)動(dòng)異常，ε為設(shè)定 的閾值。
[0035] 本發(fā)明采用3D-SIFT提取目標(biāo)時(shí)空塊特征，并根據(jù)不同位置的塊訓(xùn)練出不同的光 流閾值，消除了目標(biāo)距離攝像頭遠(yuǎn)近對(duì)光流特征提取造成的影響。其次本發(fā)明將目標(biāo)的局 部時(shí)空特征與全局信息相結(jié)合，克服了以往方法的缺陷，提高了檢測(cè)率。
【附圖說(shuō)明】
[0036] 圖1為異常檢測(cè)模型訓(xùn)練示意圖。
[0037] 圖2為異常檢測(cè)模型測(cè)試示意圖。
【具體實(shí)施方式】
[0038] 以下結(jié)合附圖和實(shí)施實(shí)例對(duì)本發(fā)明加以詳細(xì)說(shuō)明。
[0039] 本發(fā)明的異常檢測(cè)模型訓(xùn)練和測(cè)試流程如圖1、圖2所示，具體步驟如下：
[0040] 步驟（1)計(jì)算時(shí)空描述符，具體是：
[0041] 對(duì)每幀圖像按從上到下、從左到右劃分成互不重疊的大小為ΜΧΡ的塊，取Μ=Ρ =20,并對(duì)各塊進(jìn)行目標(biāo)檢測(cè)，得到目標(biāo)塊集合V= &t}，1彡i彡Μ，1彡j彡Ρ，由于某 些塊中可能沒(méi)有檢測(cè)到目標(biāo)，實(shí)際的目標(biāo)塊數(shù)目為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計(jì)算Vlijit，即目標(biāo)時(shí)空塊2X2X2 = 8個(gè)子塊構(gòu)成， 分別包括目標(biāo)塊、目標(biāo)塊的空間鄰域及目標(biāo)塊的時(shí)域鄰域信息，其中（〇i，〇j)是待檢測(cè)的 目標(biāo)塊坐標(biāo)，1彡〇i彡M，1彡oj彡P(guān)，t。是當(dāng)前幀的時(shí)刻。
[0044] 使用三維尺度不變特征變換描述子（3D-SIFT)提取每個(gè)目標(biāo)時(shí)空塊\ &的特征 值，3D-SIFT包含3個(gè)子描述符，即幅值M3D、方向角f與梯度方向Θ。梯度方向Θ表征向 量在圖像坐標(biāo)xy平面上的投影與X軸的夾角，方向角f表征向量與xy平面的夾角。θ取 值為（-31，3〇,f取值為（-31/2, 31/2)。對(duì)Θ與爐按45°為間隔進(jìn)行量化，分別建立8通 道和4通道的直方圖Θ和φ，對(duì)M3D建立4通道的直方圖，這樣每一個(gè)時(shí)空塊Vlijit可以得 至lj2X2X2X(8+4+4) = 128維特征