[发明专利]基于时空兴趣点降噪的监控视频异常事件检测方法

权利要求书

1.基于时空兴趣点降噪的监控视频异常事件检测方法，其特征在于该方法包括以下步骤：

步骤S101、图像预处理：

读取监控视频流作为输入，进行灰度化并使用高斯滤波进行降噪处理；

步骤S102、时空兴趣点降噪：

对降噪后的视频提取时空兴趣点并利用ViBe算法计算前景掩码，用前景掩码对时空兴趣点过滤进行一步降噪；

步骤S103、局部事件表示：

计算关于降噪后的时空兴趣点HOG3D特征，用HOG3D特征作为低级特征表示局部事件；

步骤S104、局部检测模型构建：

对时空兴趣点的特征向量进行K均值聚类，获得训练数据的码本，计算局部K近邻距离阈值；

步骤S105、局部异常事件判断：

计算测试时空兴趣点特征向量到训练码本的K近邻距离，与经验阈值进行比较，判断局部异常事件；

步骤S106、全局事件表示：

通过窗口滑动采样，获得由时空兴趣点构成集合体，用集合体作为高级特征表示全局事件；

步骤S107、建立全局事件模板：

通过自底向上的贪婪聚类算法进行聚类，建立全局事件的模板，即集合体的模板；

步骤S108、全局检测模型构建：

利用最小二乘模型对每个全局事件的模板建模；

步骤S109、全局异常事件判断：

寻找与测试集合体最匹配的模型，计算集合体中每个时空兴趣点与该模型的最小二乘距离，如果最小二乘距离大于经验阈值时则该兴趣点所在位置判断为全局异常事件。

2.如权利要求1所述的基于时空兴趣点降噪的监控视频异常事件检测方法，其特征在于步骤S102具体是：

(1)时空兴趣点的计算

对图像的每个像素点计算响应值函数，时空兴趣点STIP_i就是响应值函数的局部极大值对应的像素点；其中时空兴趣点检测器在空间和时间上分别使用两个独立的滤波器：空间上使用二维的高斯滤波器，时间上使用一维的伽柏滤波器；用I表示当前的视频帧，用g表示高斯内核，用h_ev和h_σd表示一维伽柏正交对，则响应值函数如下：

Y＝(I×g×h_ev)²+(I×g×h_σd) 公式(1)

(2)降噪后的时空兴趣点

用视觉背景提取器的方法计算前景掩码，设p(x,y,t)为第t帧位于(x,y)位置像素点的灰度值，每个位于(x,y,t)的像素点是否为前景的具体过程如下：

步骤S401、当t＝1时，初始化像素点(x,y,t)的模型；从(x,y,t)的邻居像素点中随机选择z个像素点的灰度值来初始化(x,y,t)的样本集{p₁,p₂,...,p_z}_(x,y,t)，该样本集可构成该像素点的灰度值模型；

步骤S402、t＝t+1，读取下一帧的新像素点，转至步骤S403，如果没有新的像素点，结束；

步骤S403、阈值判断：将{p₁,p₂,...,p_z}_(x,y,t-1)中的灰度值与以p(x,y,t)为中心、以R为半径的球体S_R(p(x,y,t))范围内的灰度值进行对比；灰度值p(x,y,t)周围球体S_R(p(x,y,t))与灰度值样本集{p₁,p₂,...,p_z}_(x,y,t-1)交集的势用符号#{S_R(p(x,y,t)∩{p₁,p₂,...,p_z}_(x,y,t-1)}表示，最小阈值用#min表示，如果#{S_R(p_t(x)∩{p₁,p₂,...,p_z})}＞#min，转至步骤S404；否则，转至步骤S405；

步骤S404、判断(x,y,t)为背景像素点，设置像素点(x,y,t)的掩码 mask＝0，更新当前像素点前景计数count＝0，该像素点有的概率更新自身样本集，该像素点有的概率更新邻居的样本集；转至步骤S402；

步骤S405、判断(x,y,t)为前景像素点，设置像素点(x,y,t)的掩码mask＝1，更新当前像素点前景计数count＝count+1；

步骤S406、如果连续多帧被判为前景，即像素点前景计数大于前景计数阈值count＞T_fore，T_fore为经验值，转至步骤S407，否则转至S402；

步骤S407、该像素点有的概率更新自身样本集，转至步骤S402。