[发明专利]基于群体环境异常行为的检测方法

说明书

技术领域

本发明属于计算机运动图像的模式识别及监控处理技术领域，特别是一种采用高频时空特征的特征提取、Multi-HMM(多链隐马尔可夫模型)异常行为检测等方法，对群体环境中异常行为进行检测的方法。

背景技术

群体环境下的监控场景通常包含行人比较多，若监控场景中发生异常事件，比如打架、群殴、骚乱等，不仅危害公共财产安全和人身安全，而且可能将问题激化，对社会和谐发展带来负面影响。因此，对群体异常事件的检测与人身安全息息相关，事关社会的健康和谐发展。目前对异常行为检测方法主要专注于对视频监控场景中个人异常行为的分析，如在办公环境的监控中，快速奔跑、跳跃等异常行为；在仓库监控环境中，物品丢失、物品遗留等异常行为。而群体环境下的异常行为分析研究目前仍然是一个新的领域。由于群体性事件可能产生严重的社会影响，因此对群体环境下异常行为的检测具有非常高的社会价值。在监控场景中的运动行为通常表现为多种状态，如何多方面、多角度描述场景中的运动行为是异常行为检测方法的一个关键。

现有技术主要将运动目标轮廓、运动轨迹或者运动速度大小和方向等作为运动特征，根据制定的方法(学习规则)，通过采集信息的不断输入、特征的反复提取(学习)建立异常检测的模型，并以此来判断异常事件的发生与否。其主要思想是利用视频中运动目标的局部特征，通常采用隐马尔可夫模型作为检测模型，对特定类型的正常行为建立一条隐马尔可夫链。这些特征提取方法虽然有效地利用了视频的局部特征，但却忽略了视频的动态信息、运动目标的变化规律，其异常检测的模型及建模方法也不适合用于对群体环境的异常检测。

在公开号为CN 101464952A、发明名称为《基于轮廓的异常行为识别方法》的专利文献中公开了一种采取形态学滤波和连通量分析方法提取目标轮廓，并对其进行差分阈值化处理，即首先采用运动目标检测与跟踪方法处理摄像头采集到的图像序列，提取目标轮廓；接着利用R变换表达每一帧中运动轮廓的空间信息；再对空间信息重新排列组合，作为行为分析的特征向量，利用主成分分析对其进行特征降维；最后利用隐马尔可夫模型参数表示行为特征序列、并存入数据库中作为此后现场监控中判断异常行为的依据；在识别过程中，再按照上述方法对现场实时采集到的图像信息进行轮廓提取、R变换处理、利用隐马尔可夫模型参数表示行为特征序列，然后将其与存储的参数进行比较，按照最大似然原则选择最匹配的行为，作为最后的识别结果。该方法虽然可以有效减弱和消除由于光照变化以及前景、背景颜色相近带来的干扰，但在运动行人比较多的监控场景中，如商场出口、十字路口等，行人之间经常出现互相遮挡的情况，该方法并不能从视频图像中得到完整的运动目标轮廓，其检测效率将会明显降低。

在公开号为CN 101271527A、发明名称为《一种基于运动场局部统计特征分析的异常行为检测方法》的专利文献中公开了一种基于运动场局部特征统计分析的异常行为检测方法；即在图像分析与特征提取时，首先根据人体运动区域检测结果划分图像局部区域，通过计算光流获得局部运动的描述，然后利用全局特征分析方法获得人体运动全局特征。该现有技术在进行样本训练时，对特征提取阶段得到的整体特征，通过大量的正常和异常运动数据进行机器学习，建立人体运动特征的SVR(支持向量回归)模型；而在异常行为检测阶段，首先进行图像特征提取，通过贝叶斯的方法判断属于某一类行为的概率，选取概率最大的行为类型作为识别结果。该方法采用光流法提取局部运动特征，但是光流法容易受到光照影响，在像素非常接近的区域，通常检测不到较准确的光流。因而该方法存在易发生误判、可靠性差，以及系统的可扩展性低等缺陷。

发明内容

本发明的目的是针对背景技术存在的缺陷，研究设计一种基于群体环境异常行为的检测方法，以用于检测群体环境下发生的斗殴、聚众闹事、慌乱逃散等异常行为，从整体角度刻画视频序列在频域上随时间变化的动态特征，达到提高对群体环境中的异常行为检测的可靠性、准确性和实时性，有效提高检测效率等目的。

本发明的解决方案是针对群体环境下场景的复杂性，采用高频时间和空间信息特征的提取及描述方法，从整体角度刻画视频序列在频域上随时间变化的动态特征，并利用统计学的处理方法描述变换的结果；在异常行为检测阶段采用Multi-HMM(多链隐马尔可夫模型)异常检测方法来判断场景中的异常行为；最后通过选择与监控场景最匹配的隐马尔可夫模型，有效检测出群体环境下的异常行为，从而实现其目的。因而，本发明方法包括：

A.划分视频单元子序列：