[发明专利]一种监控视频异常事件检测的方法

说明书

技术领域

本发明属于视频异常事件检测技术领域，能够对任意监控视频的画面进行分析，检测出其中存在的异常事件，涉及到视频图像处理的相关知识，具体涉及一种监控视频异常事件检测的方法。

背景技术

近年来，公共场所的安全问题越来越受到人们的关注。恐怖袭击事件的频发，更促进人们将研究焦点汇聚在如何通过监控视频画面自动进行检测，并在异常事件发生时及时发出警报。

通过设定标签，计算机可以完成“正常事件”与“异常事件”的判别。视频的异常事件检测根据其对标签的选择可以分为三种类型：全监督、半监督、无监督。全监督模型就是必须事先已知正常事件和异常事件的标签，通过建立二分类器完成二者的划分。半监督模型就是仅需要已知正常事件的标签，训练正常事件的模型，而异常事件无法通过此模型生成。无监督模型就是不需要知道任何标签，仅仅通过正常事件比异常事件更普遍这一特性进行模型的迭代，并进行事件是否异常的判断。目前在实际应用中，全监督模型应用面窄，无监督模型实现困难。相比之下，半监督模型最受欢迎，相关优秀算法有很多。如Vijay等人2010年在CVPR会议中发表了‘Anomaly detection in crowded scenes’，使用混合动态纹理模型在时间域和空间域上分别进行视频中异常事件的判别；2011年CVPR会议上，Yang等人发表了‘Sparse reconstruction cost for abnormal event detection’一文,该文提出了一种利用正常事件样本对新样本进行稀疏重构，根据重构误差判断新样本是否存在异常；同年的会议中，Cui等人发表了‘Abnormal detection using interaction energy potentials’，建立能量模型，通过目标与背景的能量交互判断画面是否存在暴力冲突事件；2012年，Kwon等人在CVPR会议中提出‘A unified framework for event summarization and rare event detection’，通过联系能连模型的参数与实践的英国关系，实现异常事件总结与检测。

尽管目前使用半监督模型进行异常事件检测的算法取得了很多优秀的成果，但仍旧存在以下几个问题：首先，在不同的场景中异常事件的类型复杂多变，且在各个场景中关注的重点各不相同，这对模型的兼容性存在很高的要求，如何能够使一个固定模型应用于多变的场景还是比较困难的。其次，异常事件由于其具有突发、多变、罕见的特性，无法实现对所有异常事件进行预先定义，再加上边缘容易产生目标突然出现的情况，从而使异常事件发生时无法实现及时检测，出现漏检、误检的情况。最后，目前所有的算法都要面对海量计算的问题，如何能够在监控视频巨大的数据库中，高效、快速、准确的进行模型的迭代和检测是非常重要的问题。

发明内容

本发明要解决的技术问题是：通过半监督的方式建立正常事件的模型，对任意一帧视频图像能够正确检测出其中是否存在异常事件。本发明采用的是隐马尔可夫模型，整体算法框架更加稳定，并能有效解决突发的异常事件无法及时检测以及边缘影响的问题。

本发明的技术方案：

一种监控视频异常事件检测的方法，步骤如下：

依据连续随机数据通过隐马尔可夫模型生成这一特性。隐马尔可夫模型将连续的视频事件作为一个连续随机序列，有效考虑当前状态与前一时间的状态之间的相互关联，即视频数据可以认定为通过隐马尔可夫模型生成。在实际应用中，使用仅包含正常事件的训练数据集建立正常事件的模型，令所有正常事件由此模型生成的概率最大；对新的测试数据，计算其由此模型生成的概率，即与模型的匹配度，从而判断是否为异常，完成异常事件的检测。

(1)视频图像的特征提取

三维梯度特征在视频特征提取中是应用最广泛的特征类型，可以最直接的表现视频图像特征。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，在较大尺寸的画面中可以提取到图像的局部信息，较小尺寸的画面中可以提取到图像的全局信息，以这种方式提取特征信息更全面；然后在每种尺寸上都将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：