一種視頻異常行為檢測方法
【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方法。
【背景技術(shù)】
[0002] 視頻檢測是計算機(jī)視覺領(lǐng)域最重要的應(yīng)用之一，從視頻序列中檢測出異常事件有 相當(dāng)大的實際意義。其中，基于視頻的人群異常行為檢測尤為重要，這項技術(shù)對區(qū)域內(nèi)人群 進(jìn)行檢測，可以將潛在的危險事件檢測出來，從而提高相關(guān)部門的響應(yīng)和救援效率。人群異 常事件檢測就是從監(jiān)控視頻中發(fā)現(xiàn)異于正常的事件，并發(fā)出警報。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體的行為異于 其他個體的行為，例如步行街上的騎車、輪滑和車輛通行等。全局異常事件是指監(jiān)控區(qū)域中 多個個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] 近年來已經(jīng)有了多種針對異常檢測的模型，經(jīng)典的社會動力模型利用粒子流來近 似人群流以克服行人難以跟蹤的問題，通過計算粒子之間的交互力來建立社會動力模型， 但是該模型缺乏社會行為特性，并沒有將人群的運動行為特性反映出來。針對此問題，在社 會動力模型基礎(chǔ)上，引入了社會屬性對群體行為特性進(jìn)行表達(dá)，雖然這類方法較好的表達(dá) 了社會行為特性，但是僅僅利用了目標(biāo)的局部時空特征，忽略了全局運動。

【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方 法。
[0005] 本發(fā)明所采用的技術(shù)方案如下：
[0006] 步驟（1)計算時空描述符，具體如下：
[0007] 對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，并對各塊 進(jìn)行目標(biāo)檢測，得到目標(biāo)時空塊集合V= jit}，1 <i<M，1 <j<P，由于某些塊中可能 沒有檢測到目標(biāo)，實際的目標(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)時空塊Vu# 2X2X2 = 8個子塊構(gòu)成，分別包括目標(biāo)塊、 目標(biāo)塊的空間鄰域及目標(biāo)塊的時域鄰域信息，其中（〇i，〇j)是待檢測的目標(biāo)塊坐標(biāo)， 1彡oi彡M，1彡oj彡P(guān)，t。是當(dāng)前幀的時刻。（i，j，t)指代t時刻的目標(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)提取每個目標(biāo)時空塊\ 的特征 值，3D-SIFT包含3個子描述符，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)，爭取值為（-ji/2,π/2)。對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M3D建立4通道的直方圖，這樣每個目標(biāo)時空塊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)計算時域混亂屬性，具體如下：
[0012] 時域混亂屬性是從時間上對目標(biāo)局部區(qū)域運動特性進(jìn)行描述，利用統(tǒng)計的方向特 征來建立人群時域混亂屬性，定義為：
[0013]
[0014]
[0015] 其中φ是對目標(biāo)時空塊乂^^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( ·)為符號函數(shù)，為熵閾值，采用 對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)計算空域混亂屬性，具體如下：
[0017] 空域混亂屬性是從空間上對目標(biāo)局部區(qū)域運動特性進(jìn)行描述，利用統(tǒng)計的方向特 征來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是對目標(biāo)時空塊Vlijit構(gòu)建的梯度方向直方圖，Η(θ)為θ熵值，Η(θτ) 為熵閾值，采用對正常樣本視頻序列訓(xùn)練得到。
[0021] 步驟（4)計算光流屬性，具體如下：
[0022] 對于速度特性，由于不同位置的目標(biāo)距離攝像頭遠(yuǎn)近的差異，會對提取的光流特 征造成不利影響，進(jìn)而影響行為檢測結(jié)果。因此本發(fā)明對于不同位置目標(biāo)時空塊\,^訓(xùn)練 不同的光流閾值，以此來消除目標(biāo)距離攝像頭遠(yuǎn)近所造成的影響。
[0023] 將當(dāng)前目標(biāo)時空塊Vlijit作為一個節(jié)點xy1彡r彡Ν，通過對目標(biāo)速度與方向特性 的描述，得到節(jié)點&的局部檢測模型：
[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，通過樣本訓(xùn) 練得到?！穅和％,分別指代節(jié)點&的時域混亂屬性和空域混亂屬性。
[0026] 步驟（5)計算Kullback-Leibler距離屬性，具體如下：
[0027] 為了描述全局運動，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)前幀中兩個互異的節(jié)點，1彡s彡N,r乒s。m指代節(jié)點的維數(shù)；
[0031] 步驟（6)構(gòu)建異常檢測模型：
[0032] 通過以上四種屬性對群體行為的描述，本發(fā)明構(gòu)建的異常檢測模型如下：
[0033]
(8)
[0034] 其中N為節(jié)點數(shù)，λ是平衡系數(shù)，當(dāng)S〇〇>e時，可認(rèn)為目標(biāo)運動異常，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，提高了檢測率。
【附圖說明】
[0036] 圖1為異常檢測模型訓(xùn)練示意圖。
[0037] 圖2為異常檢測模型測試示意圖。
【具體實施方式】
[0038] 以下結(jié)合附圖和實施實例對本發(fā)明加以詳細(xì)說明。
[0039] 本發(fā)明的異常檢測模型訓(xùn)練和測試流程如圖1、圖2所示，具體步驟如下：
[0040] 步驟（1)計算時空描述符，具體是：
[0041] 對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,并對各塊進(jìn)行目標(biāo)檢測，得到目標(biāo)塊集合V= &t}，1彡i彡Μ，1彡j彡Ρ，由于某 些塊中可能沒有檢測到目標(biāo)，實際的目標(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計算Vlijit，即目標(biāo)時空塊2X2X2 = 8個子塊構(gòu)成， 分別包括目標(biāo)塊、目標(biāo)塊的空間鄰域及目標(biāo)塊的時域鄰域信息，其中（〇i，〇j)是待檢測的 目標(biāo)塊坐標(biāo)，1彡〇i彡M，1彡oj彡P(guān)，t。是當(dāng)前幀的時刻。
[0044] 使用三維尺度不變特征變換描述子（3D-SIFT)提取每個目標(biāo)時空塊\ &的特征 值，3D-SIFT包含3個子描述符，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M3D建立4通道的直方圖，這樣每一個時空塊Vlijit可以得 至lj2X2X2X(8+4+4) = 128維特征