[发明专利]一种监控视频异常事件检测的方法

权利要求书

1.一种监控视频异常事件检测的方法，其特征在于，步骤如下：

(1)视频图像的特征提取

在提取三维梯度特征时，首先，将每帧画面缩放到三种不同的尺寸，要求三种尺寸中较大尺寸的画面用于提取图像的局部信息，较小尺寸的画面用于提取图像的全局信息；然后，将三种尺寸的画面分割为大小相同的片区，并将每五帧对应区域的片区组成一个时空块，作为后续处理的最小单元；

对于每个时空块，使用局部时空区域的动作信息来表示不均匀的局部时空动作模式，对每个时空块D的像素d，其时空梯度表示为：

▿Dd=[Dd,xDd,yDd,t]T=[∂D∂x∂D∂y∂D∂t]T---(1)]]>

其中，x、y、t代表像素d的横向、纵向和时间维度；每个像素的时空梯度共同表示了时空块的动作模式，作为后续处理的基本特征，同时，视频的梯度分布建模为一个三维高斯分布N(μ,∑)，其中：

μ=1LΣdL▿Dd,Σ=1LΣdL(▿Dd-μ)(▿Dd-μ)T---(2)]]>

式中：L为像素的总数目，则在每个局部位置l和时间t，局部动作模式是通过和进行表示；

(2)视频特征筛选

首先，对于原始提取的视频特征信息进行初步筛选，在不影响模型精度的情况下，根据自身需求设定筛选数目，从原始提取的视频特征信息中随机选取设定的筛选数目的数据信息；然后，采用主成分分析算法，进一步对筛选后的数据信息进行降维处理，降低数据冗余度，提取其中的主要信息，作为最终视频数据的特征；

(3)模型参数学习

本方法采用的是隐马尔可夫模型，表示为：λ＝(A,B,π)，其中，π为初始状态向量，A为状态转移矩阵，B为观测概率矩阵；

将最终视频数据的特征作为观测结果的集合V＝{V₁,...,V_M}，其中包含所有可能的观测结果；采用K均值算法，将观测结果聚类到N个中心，隐马尔可夫模型的隐状态即表示为：Q＝{Q₁,...,Q_N}；对于观测序列O＝{O₁,...,O_T}中的观测结果O_i，则：

a_ij＝P(O_t+1∈Q_j|O_t∈Q_i),i,j＝1,…,N(3)

其中，a_ij指的是在时刻t处于状态Q_i的条件下，于t+1时刻处于状态Q_j的概率，N为状态数目，状态转移矩阵为A＝[a_ij]_N×N；

观测矩阵B表示为：B＝[b_j]_N×M，其中

b_j(K)＝P(O_t＝V_K|i_t＝Q_j)，K＝1,…,M；j＝1,…N(4)

指的是t时刻处于状态Q_j的条件下生成观测O_i的概率；

初始概率分布π表示为：π＝(π_i)，其中

π_i＝P(i₁＝Q_i)(5)

指的是t＝1时处于状态Q_i的概率；

对于一个观测结果，首先计算其由此模型生成的概率；也就是给定模型λ＝(A,B,π)以及观测序列O＝{O₁,...,O_T}，计算在此模型下序列O出现的概率P(O|λ)；

迭代的过程使用的是前向后向算法：给定隐马尔可夫模型λ，定义到时刻t部分观测序列为O₁,O₂,...,O_t且状态为Q_i的概率为前向概率，记作：

α_t(i)＝P(O₁,O₂,…O_t,i_t＝Q_i|λ) 1≤t≤T(6)

递归求出前向概率α_t(i)和观测序列概率P(O|λ)：

P(O|λ)=Σi=1NαT(i)---(7)]]>

模型的训练过程使用的是Baum-Welch算法，对于输入的观测数据O＝{O₁,...,O_T}，由初始λ⁽⁰⁾＝(A⁽⁰⁾,B⁽⁰⁾,π⁽⁰⁾)迭代计算隐马尔可夫模型参数，由公式(1)和(2)提取的特征，根据公式(3)、(4)、(5)、(6)、(7)的定义，结合Baum-Welch算法递推最终得到模型参数：λ＝(A,B,π)；

(4)异常事件判断

在训练过程中，本方法建立的模型是使得所有正常事件由此模型生成的概率最大，即正常事件由此模型生成；反而言之，如果新样本数据由此模型生成的概率很低，那很有可能是异常事件；

模型生成新样本的概率和计算方式与公式(7)相同，为区别表示，本方法设定新样本数据O_new＝{O_new1,...,O_newT}由模型生成的概率为：

P(Onew|λ)=Σi=1NαT(i)---(8)]]>

异常事件的判别条件在于此概率是否满足事先设定的阈值。