[发明专利]一种基于超图转变的视频中暴力事件检测方法

说明书

本发明公布了一种基于超图转变模型的视频中暴力事件检测方法，包括前景目标轨迹提取过程、构建超图与相似度量过程和构建超图转变描述子过程；采用超图描述特征点的空间关系，反映运动的姿态信息；为时间序列中相关联的超图之间的转变建模并提出特征描述子HVC，能有效反映动作的强度及稳定性。该方法先对特征点的空间关系以及特征点群体的转变情况分别进行分析，再将其进行联合分析；本发明方法对视频中杂乱的不规律行为敏感，适用于暴力事件的检测。

技术领域

本发明涉及视频数据处理技术，尤其涉及一种基于超图转变的视频中暴力事件检测方法。

背景技术

随着现代社会中视频数据的海量增长，视频内容理解成为了一个重要的研究课题，而监控视频中的暴力事件检测对维护公共安全更是有着重大的意义。通过暴力事件检测技术可以对视频中暴力事件进行自动筛选与识别，一方面可以达到对暴力事件的及时发现的目的，另一方面可以有效地对视频大数据中可能危害公共安全的行为进行高效的离线筛选。但是，检测视频中的暴力事件有着很高的技术难度，其技术难点包括以下几个：

(一)暴力事件具有很强的多态性，难以提取出具有普适性的特征描述；

(二)可用于训练模型的正样本数据太少；

(三)监控视频的分辨率较低等。

现有的用于视频中行为识别与检测的主流方法大都以深度学习为核心技术，使用深度模型对视频内容进行自动特征提取与识别。但是，由于暴力事件的多态性以及可用的训练数据太少，使得需要海量数据作为支撑的深度学习模型在此问题上难以奏效。因此，对于暴力事件检测，基于局部时空特征描述子的方法依然盛行，其主要思想是通过对局部特征描述子(如，时空兴趣点)之间的关系进行建模从而反映行为特征。

发明内容

为了克服上述现有技术的不足，本发明提供一种基于超图转变的视频中暴力事件检测方法，提出暴力事件检测的特征描述子HVC(Histogram of Velocity Changing，超图转变描述子)，先对特征点的空间关系以及特征点群体的转变情况分别进行分析，再将其进行联合分析。本发明方法能有效反映动作的强度及稳定性，对杂乱的不规律行为敏感，对于暴力事件检测具有一定普适性。

本发明的原理是：对视频中的时空兴趣点(Spatial Temporal Interest Point,STIP)进行提取和跟踪，同时对视频中的运动前景进行检测与分割；将提取的兴趣点按其所属的前景块进行划分，用前景块对可能存在的噪声兴趣点进行过滤，并按照兴趣点跟踪所得到的轨迹估计前景块的运动轨迹；每一条前景块轨迹对应的是一组运动序列，对于每一个序列，本发明使用前景块中的动作姿态信息及轨迹中姿态的转变信息来对其进行分析，具体如下：先使用超图对每一个前景块中的兴趣点进行建模，以超图构建当前景块中的动作姿态信息；使用本发明中提出的一种新的特征描述子Histogram of Velocity Changing(HVC)对超图的转变过程进行表述；最后将超图与HVC按照前景块轨迹顺序组成链(H-TChain，Hypergraph-Transition Chain，超图转变链)以表述整个运动序列。可以使用隐式马尔科夫模型(HMM)对H-T Chain进行建模，从而得到暴力行为的HMM模型。

本发明提供的技术方案是：

一种基于超图转变的视频中暴力事件检测方法，超图转变包括了超图模型的构建及超图转变过程；采用了超图(Hyper-graph)描述特征点的空间关系，从而反映运动的姿态信息，提出暴力事件检测的特征描述子HVC，先对特征点的空间关系以及特征点群体的转变情况分别进行分析，再将其进行联合分析；具体包括如下步骤：

1)对视频中的时空兴趣点(Spatial Temporal Interest Point,STIP)进行提取和跟踪，同时对视频中的运动前景进行检测与分割；