[发明专利]一种视频异常事件检测方法及装置

说明书

技术领域

本发明涉及视频分析领域，尤其涉及一种视频异常事件检测方法及装置。

背景技术

随着视频监控设备的日益普及和人们对安防工作的日益重视，对于监控视频的分析，尤其是对视频中异常事件的自动检测的需求越来越迫切。现有技术中主要通过以下两种方法进行视频异常事件的检测：

基于目标轨迹的检测方法：需要先进行目标的检测和跟踪，获取目标的运动轨迹，然后将目标的运动轨迹和预定义的异常事件类型进行匹配，判断目标是否异常。

基于局部的低层次表示的检测方法：该方法中，不需要进行目标的检测和跟踪，需要预定义一些表示正常的低层次表示(low-level representation)，和表示异常的低层次表示。该低层次表示例如边缘、角、点，一般为根据经验手工设计的特征。用该这些预定义的低层次表示进行事件的描述以便于进行异常事件检测。例如提取待检测视频中的低层次表示信息，然后用预定义的低层次表示描述该信息，当用表示异常的低层次表示描述该信息时则确定检测出异常事件。

然而，上述基于目标轨迹的检测方法具有很大的局限性：该方法进行异常检测的结果很大程度上依赖于跟踪获得的运动轨迹，但轨迹跟踪技术仍然不够成熟，不能提供可靠准确的运动轨迹信息；另外，需要根据目标的特征检测出目标，而目标的特征对噪声和遮掩十分敏感，若在拥挤场景下，这一方法因目标受遮掩，而影响准确和快速的确定目标；因此，该方法进行异常事件检测的效率和准确性较低。

基于局部的低层次表示的检测方法虽然适用于拥挤场景下的异常事件检测，因其预定义的低层次表示需要手工设计，造成特征描述存在着精度不够、表达能力不够强等问题，因此该方法难以很好地描述视频中的异常事件，导致异常事件检测的效率和准确性较低。

发明内容

本发明的目的是提供一种视频异常事件检测方法和装置，以克服相关技术中视频异常事件检测的效率和准确性较低的问题。

本发明提供一种视频异常事件检测方法，包括：

提取包含多帧图像的待检测视频流的高层次表示信息，该高层次表示(high-level representation)信息中包含所述待检测视频流的时空信息(spatial-temporal information)，所述时空信息表示所述待检测视频流中的每帧图像的纹理特征信息以及所述纹理特征信息之间的时序关系；

通过预置的字典，计算用所述字典中的最少数目的基表征所述待检测视频流的高层次表示信息时的重构系数，所述字典根据以下方式建立并不断更新：将不存在异常事件的视频流作为训练样本，对所述训练样本的每帧图像进行卷积编码，提取每帧图像的纹理特征，然后基于所述训练样本中每帧图像的时序关系，对提取的纹理特征进行时空建模，获取所述训练样本的高层次表示信息，其中，所述训练样本的高层次表示信息中包含所述训练样本的所有的正常特征，去除所述训练样本的高层次表示信息中的冗余的正常特征后生成字典，其中，所述字典中的每一个正常特征为一个基；

根据所述重构系数计算重构代价值；

当所述重构代价值大于预设阈值时，确定所述待检测视频流中存在异常事件。

所述去除所述训练样本的高层次表示信息中的冗余的正常特征后生成字典包括：

由训练样本的高层次表示信息构成一个特征池，对所述特征池进行优化，获得基的数量小于第一预设阈值，且重构误差小于第二预设阈值的字典。

本发明实施例中经过字典优化，可以获得一个能够表达训练样本的最小尺寸的字典。

所述字典中的每一个基对应一个权重系数，其中，根据权重公式确定所述权重系数的初始值，所述权重公式为：

其中所述

其中，所述表示字典中第i基的初始权重系数；所述表示所述字典中每个基对应系数的累加和；所述X_i⁰表示初始选择向量的第i维；所述β⁰表示由组成的矩阵；所述||β⁰||₁表示取L1范数；所述||X_i⁰||₂表示取L2范数。

所述通过预置的字典，计算用所述字典中的最少数目的基表征所述待检测视频流的高层次表示信息时的重构系数，包括：

通过预置的字典，根据重构系数求解公式计算用所述字典中的最少数目的基，表征所述待检测视频流的高层次表示信息时的重构系数；

其中，所述重构系数求解公式为：