[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

说明书

本发明涉及了基于时空兴趣点降噪的监控视频异常事件检测方法。本发明采用了分层特征表示的方法，用时空兴趣点作为低级特征表示局部事件，通过C均值聚类学习低级码本，通过K近邻距离与阈值的比较判断局部异常事件；用多个时空兴趣点构成的集合体作为高级特征来表示全局事件，利用贪婪聚类算法学习高级码本并对每个码本进行最小二乘法建模，通过集合体与模板的最小二乘距离判断全局异常事件。本发明不仅在局部事件的表示阶段通过前景掩码对时空兴趣点的筛选严格限制了异常的分析区域，而且在建立全局事件检测模型的时候使用最小二乘法，在保证基本准确率的前提下，降低了检测的时间复杂度和计算复杂度。

技术领域

本发明涉及一种监控视频异常事件检测方法，特别涉及一个基于时空兴趣点降噪的监控视频异常事件检测方法。

背景技术

随着计算机科学技术的发展，利用图像处理、计算机视觉、机器学习等技术可以突破传统视频监控系统的局限性，实现对视频监控系统的视频智能分析和异常事件的主动检测、实时预警，对于公共安全领域的视频监控应用有重要价值。

监控视频中异常事件检测方法主要分为四个基本步骤：图像预处理、基本事件表示、构建异常检测模型和判断异常事件。其中基本事件表示主要分为基于低级视觉特征的事件表示和基于高级语义特征的事件表示。基于低级视觉特征进行事件表示的做法一般是从用重叠、非重叠或者时空兴趣点的方式将视频体分割成小的视频块，把视频块看作基本的事件，从视频块中提取低级视觉特征对基本事件进行表示。目前，使用较多的低级视觉特征有光流、梯度、纹理等。基于高级语义特征的事件表示主要是需要对数据进行复杂的模式处理，如目标时空轨迹、社会力等方法。常见的异常事件检测模型主要有：基于分类的异常事件检测模型、基于最近邻的异常事件检测模型、基于聚类的异常事件检测模型、基于统计的异常事件检测模型、基于信息理论的异常事件检测模型等。

虽然监控视频下异常事件检测方法多种多样，但是多数的异常事件检测方法缺乏对全局异常的考虑，不能对多个事件的交互方式是否正常作出判断。文献《Video anomalydetection and localization using hierarchical feature representation andGaussian process regression》【KW Cheng、IEEE Transactions on Image Processing】提出了检测局部和全局异常事件的检测方法，弥补了该方面的不足。该算法利用时空兴趣点作为低级特征表示局部事件，通过K均值聚类学习低级码本，通过KNN距离与阈值的比较判断局部异常事件；利用多个时空兴趣点构成的集合体作为高级特征表示全局事件，通过贪婪聚类算法学习高级码本并对码本中的每一项进行GPR建模，通过集合体与GPR模板的匹配程度判断全局异常事件。

上述算法在检测异常事件上表现良好，但仍存在着以下问题：第一，时空兴趣点计算方法易受到动态背景噪声干扰。算法中时空兴趣点能筛选出视频中的动态区域，但是无法区分动态背景和运动前景，对于存在光照变化或者相机抖动的视频，时空兴趣点的方法会将动态背景划入异常分析范围，造成时间和空间的浪费；第二，该算法使用GPR模型对全局事件进行建模，计算复杂度高，检测过程耗时多，其中80％的处理时间消耗在GPR模型的计算上，导致检测模型计算时间性能较差。

发明内容

针对上述问题，本发明公开了一种基于时空兴趣点降噪的监控视频异常事件检测方法。该方法利用前景掩码方法实现时空兴趣点筛选，对时空兴趣点进行降噪处理，并采用最小二乘法对全局事件进行建模。与已有方法相比，该算法既保证了异常事件检测准确率，同时提升了检测速度。

本发明解决其技术问题采用的技术方案步骤如下：

基于时空兴趣点降噪的监控视频异常事件检测方法，采用以下步骤实现：

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。