[发明专利]一种基于团块与轨迹特征的异常行为描述方法

说明书

技术领域

本发明涉及视频信号处理、模式识别、智能监控领域，具体而言，本发明涉及一种基于团块与轨迹特征的异常行为描述方法。

背景技术

异常行为描述在智能视频监控、视频注解、虚拟现实、人机交互，公共安全等领域中具有广阔的应用前景，在这些应用的推动下，异常行为描述已经成为计算机视觉和模式识别领域的研究热点。

模板序列匹配法和特征序列匹配法是传统的异常行为描述方法，匹配类方法计算量较小，但对于目标的时间间隔敏感，而且异常行为样本稀少，只能描述简单异常行为，鲁棒性不高。混合高斯模型由于其正态分布，很难描述异常行为。根据图像特征的相关性，人们引入马尔可夫随机场MRF(Markov Random Field)模型来描述异常行为，MRF模型能融合利用异常行为多特征，但是实际中它采用了关于特征的条件独立假设，不具有联系上下文信息的能力，并且MRF模型将后验概率的建模转化为对先验概率和观测模型的建模，但异常行为的先验概率模型很难建立。CRF(Conditional Random Fields)模型直接对后验概率建模，不但能融合多个特征，还具有联系上下文信息的能力。

但上述方法都是基于目标的底层状态空间特征，并没有考虑目标所处场景的影响。而且传统的状态空间方法，都是基于单帧图像或者几帧、几十帧图像，属于短时的行为，没有考虑长时间内的行为。有些异常行为在短时间段内并不能明显的表现出来。这就需要对目标进行长时间的描述

发明内容

本发明的目的旨在至少解决上述技术缺陷之一，特别是在异常行为描述中结合了场景对异常行为描述的影响。

为实现上述目的，本发明提出了一种基于团块与轨迹特征的异常行为描述方法，包括如下步骤：

步骤（1）、利用特征提取方法提取场景特征，包括颜色特征、纹理特征、位置特征；

步骤（2）、利用K-means算法对颜色特征、纹理特征、位置特征进行聚类，形成视觉单词；利用pLSA模型将视觉生成隐含语义的主题分布，利用CRF模型对主题分布进行建模，通过模型训练获取模型的参数估计，最终通过模型推断获取场景团块的描述；

步骤（3）、利用混合高斯模型对视频信息中的运动目标进行检测，获得运动目标区域，求取区域的质心，连接质心坐标生成目标的运动轨迹特征；

步骤（4）、组合目标的运动轨迹特征和场景团块描述，生成组合特征向量；

步骤（5）、利用HMM模型对组合特征向量建模，通过HMM模型的训练获得新的转移状态矩阵和混淆矩阵，通过评估问题获得测试视频序列的异常行为描述。

其中，提取图像的颜色特征、纹理特征、位置特征，作为原始特征，将图像I分成互不重叠且大小为m×n的块，（m,n为正整数，根据图像I的大小而定，参考值为m＝16,n＝16），对每一块按照不同的算法求取颜色特征、纹理特征、位置特征如下：

a)、颜色特征

将图像从RGB空间转换到HSV空间，并将图像分成m×n大小的块（m,n为正整数，根据图像I的大小而定，参考值为m＝16,n＝16），将块内的各个分量的均值作为颜色特征B_i＝(h_i,s_i,v_i)。h表示色相，s表示饱和度，v表示亮度，i表示像素点个数。

b)、纹理特征

二维Gabor函数在空间域和频率域具有良好的局部性质和多通道、多分辨率特性，采用Gabor变换进行纹理特征提取，Gabor变换定义为：