[发明专利]基于视频的无监督异常事件实时检测方法

说明书

本发明提供一种基于视频的无监督异常事件实时检测方法。本发明为了减少帧间特征点的数量，同时降低计算特征点的复杂度，采用间隔的方法检测特征点，即将视频分段，首帧检测特征点，后续只需进行跟踪。跟踪方法计算量相对较少，这样极大地降低了计算复杂度。在一段视频结束后，再重新检测特征点。得到每一个视频段的特征点后，提取运动特征点的方向、速度和位置直方图串联起来作为视频段的特征，接着对这些特征进行高斯混合建模，并实时更新，得到异常事件的概率，进而判断是否有异常事件发生从而进行异常事件实时检测。

技术领域

本发明涉及视频检测技术。

背景技术

随着社会经济的发展，民众对于安全的需求也在不断上升。异常事件检测作为安防监控系统的重要组成部分，受到了普遍的重视，视频监控系统性能的好坏和监控的有效性直接影响安防系统的整体效果。异常事件检测通过对监控图像文件的自动分析研究，检测出视频文件中的可疑事件并自动发动警报，并且应当能够根据当前视频监控文件中的具体事件对未来事件进行一定可信度下的事件预测分析判决。最早的视频监控主要用于刑事侦查，一般是在案件发生后进行回放，需要人工查找事件发生时的情况。由于难以确定发生的具体时间，人工搜寻耗时长，很难进行准确快速的定位，且由于人眼的限制，很多特殊场景或较小细节问题不容易察觉，造成监控失败。由于以上的限制条件，传统视频监控的缺点也逐渐显露出来。长时间观察监视器导致监控工作人员视觉神经疲劳和注意力不能集中，有时甚至会导致对潜在危险事件的忽视。由于监控图像画面的信息量较大，需要监控工作人员通过观察分析得到结论，超时观察会使监控工作人员对于图像产生视觉惯性，难以准确地根据即时监控做出判断。

此外，传统视频监控只是记录已经发生和正在发生的事件，不能对未来的事件做出预测，对即将到来的危机发出警报，智能化必定是图像监控的进一步发展趋势，通过对监控得到的图像信息进行分析学习，计算机可以智能地根据监控视频中正在发生的事件对将来的事件、动作做出预测分析，及时发出警告，避免危险的发生。

传统的异常事件检测方法大多采用监督学习的方法，需要事先标定正常事件和异常事件，但在实际生活中异常事件多种多样，难以准确描述。

无监督异常事件检测方法主要是采用光流法提取特征，主要包括光流运动直方图和多尺度光流运动直方图。但是通过光流法提取运动特征速度较慢，不能满足视频监控的实时性要求。也有利用时空滤波器检测运动目标，并提取运动目标的颜色和纹理特征直方图，这种方法检测准确率低，且也不能满足实时要求。也有采用时空梯度特征对视频进行表征，但这种方法特征维度过高，后期采用稀疏重构方法进行异常事件重构时，计算量大，复杂度过高，难以应用到实际的视频监控中。

目前，较好的方法是首先对视频分段，对于每一段视频提取多尺度光流运动直方图或多尺度时空梯度直方图，进而利用K-means算法进行聚类，得到多个类别，接着建立Parzen窗概率模型，通过后验概率计算当前视频段是否属于正常类别。若大于某一阈值，则认为该段视频发生了异常事件。该方法由于采用多尺度光流运动直方图作为特征，提取特征较为复杂，很难达到实时性要求。在进行异常事件建模时采用稀疏重构方法或聚类方法，要人工设置阈值，难以适用于多种场合。

发明内容

本发明所要解决的技术问题是，提供一种快速有效的无监督视频异常事件实时检测方法。

本发明为解决上述技术问题所采用的技术方案是，基于视频的无监督异常事件实时检测方法，包括以下步骤：

1)训练步骤：

1-1取一段实时的监控视频作为训练部分并进行分段；

1-2对于各视频段内的第一帧，通过帧间差和背景差提取运动区域，对运动区域提取边缘，再在边缘上按照间隔步长提取运动特征点；

1-3对于各视频段内的第一帧之后的每一帧对运动特征点通过快速运动估计进行跟踪，得到特征点在各视频段内的运动轨迹；