[发明专利]一种采用单类序列化模型的人群异常行为检测方法

权利要求书

1.一种采用单类序列化模型的人群异常行为检测方法，获取人群视频图像，将每一帧图像用同一组均匀的横向以及纵向的网格线分隔成多个区域单元，其特征在于，采用基于区域社会力ASF的特征来表示图像，

在训练过程中，结合区域社会力特征训练得到支持向量数据描述SVDD模型；

在测试过程中，结合支持向量数据描述的SVDD模型来检测人群异常，基于视频数据的序列性特征，采取连续密度的隐马尔可夫模型CDHMM来平滑处理异常检测结果，得到基于区域社会力的单类序列化模型的ASF+SVDD人群异常检测，实现异常定位。

2.根据权利要求1所述的采用单类序列化模型的人群行为检测方法，其特征在于，在基于区域社会力特征提取前，采用统计的方法，去除所有场景图像的干扰，剔除场景图像的粒子光流，具体流程：

1)对图像中所有的帧计算任意两帧之间的灰度差，将灰度差小于阈值τ的点标记为背景点；

2)统计所有帧中各个位置被标记为背景点的次数，得到整个视频的区域活动图；

3)若该位置被标记为背景点的次数超过总次数的比例η，则将其标记为整个视频的背景点，得到新的活动图；

4)将步骤3)得到的活动图作为掩码图，与样本进行“与”操作，即可将样本的背景区域去除。

3.根据权利要求2所述的采用单类序列化模型的人群行为检测方法，其特征在于，在计算区域社会力时每次都需要重新对依据权利要求2处理后的场景图的前景轮廓采样，即每个粒子的生命周期只有1帧。

4.根据权利要求3所述的采用单类序列化模型的人群行为检测方法，其特征在于，在计算区域社会力之前，采用区域归一化主导模式，将各人群区域的光流场归一化至同一个总体光流场值。

5.根据权利要求1所述的采用单类序列化模型的人群行为检测方法，其特征在于，在测试过程中，还采用定时在线更新的方式更新SVDD模型，定时在线更新过程如下：

维护工作集P₁，初始P₁为支持向量集，初始时间计数器count为0，定时更新时间为ut，f(T)为高斯权重函数，为筛选的权重：

21)当有新的测试样本x到达时，所有的样本包括这个测试样本的时间都增加1，时间计数器count增加1；

22)使用当前的SVDD模型预测样本x，若x为正常样本，则将x并入到工作集中，同时将x的权重设为一个较小的值f(0)，样本x的时间重设为0；

23)按照权重函数w＝f(T)更新工作集P₁中所有数据的权重，并将工作集中数据权重值小于的样本从工作集中删除；

24)若时间计数器count的值超过定时更新时间，则根据当前的工作集P₁更新SVDD模型，同时将时间计数器重置为0；

25)若还有新的测试样本，则执行步骤21)。

6.根据权利要求1所述的采用单类序列化模型的人群行为检测方法，其特征在于，基于视频数据的序列化特征，将SVDD模型得到的距离向量作为CDHMM模型的观察序列，通过最大化观察序列的概率得到对应的最佳隐状态序列，将隐状态序列的序号进行适当的转换，得到基于ASF+SVDD的异常定位。