[发明专利]一种基于贝叶斯惊奇度计算的视频异常行为检测方法及装置

权利要求书

1.一种基于贝叶斯惊奇度计算的视频异常行为检测方法，其特征在于，包括如下步骤：

采用贝叶斯惊奇理论检测视频中的异常：异常在空间上的显著性邻域特征的先验分布与中心特征的后验分布的较大改变，在时间上的突发性导致历史帧中特征的先验分布与当前帧中特征的后验分布有较大的改变；

在视频中先检测出多个时空兴趣点(STIP)，使用光流估计法提取时空兴趣点的邻域及历史帧中对应位置的运动特征值，该运动特征值包括速度的幅度和方向；

利用参数估计方法计算时间上的先验分布和后验分布，空间上的先验分布和后验分布；已知时间、空间上的先验，后验分布，计算时间维度的KL距离，空间惊奇度，再合成总时空惊奇度；

统计在视频中超过惊奇阈值的兴趣点个数超过一定数量，则当前帧为警告帧，当视频中兴趣点的总时空惊奇度超过预先设定的阈值时，在视频帧中标记出异常区域。

2.如权利要求1所述的一种基于贝叶斯惊奇度计算的视频异常行为检测方法，其特征在于，所述惊奇度采用先验分布后验分布的KL距离来度量，当它们距离很大时发生惊奇，这里采用一种基于概率的距离度量方法——KL距离；

已知模型中的先验概率P（M），和获得的新数据D，计算得到惊奇度，即先验，后验分布的KL距离；

S(D,M)＝d_KL[P(M|D),P(M)]

在这里采用Gamma/Poisson分布，即先验概率分布为Gamma分布，总体服从Poisson分布，因为该分布更新超参数的方法相对简单，并给出了事件发生的自然概率；

定义Gamma分布如下：

P(M(λ))=γ(λ;α,β)=λα-1βαe-βλΓ(α),,λ>0---(1)]]>

假如已知Gamma先验分布，γ(λ;α,β)，则后验分布可表示为γ(λ';α',β')，带入计算KL距离：

KL(γ(λ;α,β),γ(λ′;α′,β′))=α′logββ′+logΓ(α′)Γ(α)+β′αβ+(α-α′)ψ(α)---(2)]]>

其中Γ是Gamma函数，ψ是digamma函数。