[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

说明书

技术领域

本发明涉及计算机视觉领域，更具体地，涉及一种采用单类序列化模型的人群异常行为检测方法。

背景技术

随着计算机技术的不断更新，互联网传输速度的大幅度提升，手持视频记录设备逐步大众化，数字视频成为日益重要的呈现和表达信息的一种新型载体。由于视频数据形象生动、直观的表现力，深受人们所喜爱，正呈爆炸式增长。面对数量如此之多、内容如此丰富的视频，如何对视频中异常事件监控已成为视频领域急需解决的问题之一。

在公共场所中，人群视频异常检测技术可以用于保障个人的生命财产安全以及维持公共秩序。无论是在超市、机场、交通道路等人群比较密集的地方，还是在私人住宅、地下停车场等一些人流稀少的地方，若能够对人群进行监测，及时发现人群异常行为，就可以及时采取相应的解决方案，避免意外事件的发生，但是大多数传统的监控系统都需要人工来完成，耗费大量的人力、物力、财力，同时人长时间专注于一件事情，可能会疏忽某些异常行为，从而带来严重的后果。

专利申请号为201110090467.6的“一种基于改进的社会力模型的异常集群行为检测方法”，是用于解决复杂高度密集场景中人群异常行为的检测与定位，考虑到行人速度对相互间作用力的影响，使其更好地描述行人间的速度场，即行人受到的社会力。用光流法跟踪均匀分布在前景像素中的粒子，得到行人的速度场，用改进的社会力模型，计算出行人受到的社会力。统计每个前景矩形块行人的速度和受力，设定阈值，判断每个矩形块中行人行为不稳定的级别，并视不稳定性高的矩形块为异常块，既能检测异常行为又能通过矩形块对异常行为进行准确的定位，但该方法较为复杂，需要进行背景建模、前景提取以及目标检测与跟踪等处理。

发明内容

为了解决现有技术中存在的上述技术问题，本发明提出了一种采用单类序列化模型的人群异常行为检测方法，该方法是基于视频序列性特征的人群异常行为检测方法，该方法能有效地解决了人工监测带来的时间和成本问题，同时提高了人群异常检测的准确率。

为了解决上述问题，本发明的技术方案为：

一种基于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，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定时在线更新的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。

由于每帧图像的粒子数目是各不相同的，但可用于模型的特征的维度都必须是相同，为此本发明引入区域社会力模型。具体的，本方法首先提取图像的区域社会力(ASF)特征；然后采用支持向量数据描述模型(SVDD)来进行异常检测，该过程包括检测模型SVDD的训练学习以及使用学习到的模型来预测样本异常与否；最后进行异常的定位，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异常检测方法。

进一步，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；其中η不可以设置的太高，若为100％则不允许任何噪声点，若是设置过低，又会剔除过多的活动区域，把一些前景的区域误判为背景区域；

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。

更进一步，本文中设定所有的粒子都处在前景的边框上；为了适应不同的人群密度，在计算区域社会力时每次都需要重新对依据上述方法除去背景区域后的场景图像的前景轮廓采样，即每个粒子的生命周期只有1帧。

实际上，每个区域的人群的行走速度在统计意义上和具体区域的位置无关，每个人群总体的光流场值是一致的，对每个区域，在计算区域社会力之前，可以将各人群区域的光流场归一化至同一个总体光流场值，本发明采用的是标准归一化到0均值和1方差的方法。