[发明专利]视频监控场景中的交互行为检测方法

说明书

技术领域

本发明涉及的是一种数字图像处理技术领域的方法，具体是一种视频监控场景中的交互行为检测方法。

背景技术

识别场景中的行为模式，包括行为之间的时空交互，是智能视频监控中的一个重要问题。目的是尽可能的采用无监督的方法检测出多个行为，并建立它们之间的时间依赖关系。通常，行为时空交互关系的识别可以用于更高层次的语义分析，比如场景标注、检索、异常检测等。比如，识别交通监控场景中不同的交通流，以及交通状态之间的转换，从而可以检测和阻止可能出现的交通混乱。然而在复杂视频监控场景中，检测并量化行为之间的相关性并不是一件易事。

经过对现有的技术文献检索，Hospedales等人(Hospedales T M,Li J,Gong S,et al.Identifying rare and subtle behaviors:A weakly supervised joint topic model[J].Pattern Analysis and Machine Intelligence,IEEE Transactions on,2011,33(12):2451‐2464.)在概率主题模型中引入HMM(隐马尔可夫模型)，为行为在时域上的动态变化建立一个马尔科夫链。这类方法一般是建立全局行为之间的状态转移，原子行为之间的局部关系模糊不清，限制了模型在时间关系方面的表现力。

Varadarajan等人(Kuettel D,Breitenstein M D,Van Gool L,et al.What's going on? Discovering spatio‐temporal dependencies in dynamic scenes[C]//Computer Vision and Pattern Recognition(CVPR),2010IEEE Conference on.IEEE,2010:1951‐1958.)通过给单词添加时间戳来检测行为的时间模式，可以同时检测出行为的时间模式以及开始时间。但是他们的方法对时间过于敏感，造成检测出的一些类似的行为序列，因此存在语义混淆此外他们的方法无法检出全局交互行为。

发明内容

本发明针对现有技术存在的上述不足，提出一种视频监控场景中的交互行为检测方法，通过检测出视频的底层运动特征，并进行特征去噪和量化，将视频序列表示成词袋模式。然后利用HDP模型对视频序列进行无监督学习，检测出原子行为，并将原子行为的动态变化表示成一个多变量点过程。最后通过计算多变量点过程之间的非参格兰因果达到检测行为之间的交互以及时间依赖关系的目的。本发明不仅可以检测出局部交互行为，而且能够检测出全局交互行为。

本发明是通过以下技术方案实现的，本发明包括以下步骤：

1)利用TV-L¹，即全变差‐L¹范式光流算法计算视频序列中相邻帧之间的光流特征，并对光流进行幅度去噪。