[发明专利]基于多示例和时间序列的监控视频异常事件检测方法

说明书

本发明涉及了一种基于多示例和时间序列的监控视频异常事件检测方法。特征提取阶段，采用多示例划分的概念将视频流中的每一个图像帧视为一个图像包，并将每个包划分成多个互不相交的示例，然后将同属一个区域的示例按照时间顺序重新组合在一起形成相应的示例流。在特征建模阶段，对采样块中的连续视频帧运用时间序列对其进行建模，并预测后续的运动趋势得到对应的预测区间，再对相互重叠的预测区间进行合并直到所有区间之间互不相交。最后根据实际值与各个预测区间之间的关系来进行异常事件的判断。本发明在保证准确率的前提下，降低了检测的时间复杂度。

技术领域

本发明涉及一种监控视频异常事件检测方法，特别涉及一个基于多示例划分和时间序列预测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。

虽然监控视频下的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视频连续帧之间的运动相关性的考虑。例如文献《Improved anomaly detection incrowded scenes via cell-based analysis of foreground speed,size and texture》【V Reddy,C Sanderson,BC Lovell】针对视频中新出现的异常事件，提出了一种基于运动、尺寸以及纹理三个特征的异常事件检测方法，通过对输入的视频分别提取运动、尺寸以及纹理三个不同的特征，并运用不同的方法分别对三个特征进行建模；在异常事件判断阶段，该算法首先判断运动特征是否异常，然后再同时判断尺寸及纹理特征是否异常。

上述算法在检测异常事件上表现良好，但是仍存在着以下问题：

1.算法在运动特征阶段提取图像的平均光流值来作为对应采样块的运动特征，使得算法容易受到相同运动在不同区域当中的光流特征值不一致的影响，视频中相同的运动物体，其在距离摄像机位置不同时，其光流值之间存在明显的差异，对最终的检测造成影响；

2.该算法在采样时仅仅对视频进行二维采样，没有考虑时间上的相关信息，而一般视频中的运动往往具有前后相关性，会对模型的检测造成影响。

发明内容

针对上述问题，本发明公开了一种基于多示例和时间序列的监控视频异常事件检测方法。该方法利用多示例概念对视频图像进行示例划分，把每一帧视频图像划分成多个示例并形成相应的示例流，对每个示例流进行重叠采样得到采样块，并将每个采样块中相连续的视频帧视为一个时间序列，采用时间序列算法对其进行建模预测，并通过预测值和实际值之间的差异来进行异常事件判断。

本发明解决其技术问题采用的技术方案步骤如下：

基于多示例和时间序列的监控视频异常事件检测方法，参见图1，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。