[发明专利]一种基于无监督学习的监控视频异常检测方法

说明书

本发明提供了一种基于无监督学习的监控视频异常检测方法。该方法首先提取视频中的运动块，然后从局部和全局两个不同的角度进行异常检测，通过多样化的检测角度使得检测结果更加准确。在局部异常检测中，首先对视频中的运动块进行扩展，然后以扩展后的运动块为基本检测单位，分别从时间维度、空间维度以及时空维度上比较该运动块与其邻域运动块之间的差异性；在全局异常检测中，首先对视频中的运动块进行聚类提取运动目标，然后在运动目标序列上使用滑动窗口，比较窗口内两个运动目标之间的差异性，最后基于一致性对检测结果进行优化。本发明适用监控视频的异常检测，计算复杂度低，检测结果准确，鲁棒性好。本发明在视频分析技术领域有着广泛的应用。

技术领域

本发明属于视频分析技术领域，涉及监控视频中异常物体及运动模式检测方法，具体为一种基于无监督学习的监控视频异常检测方法。

背景技术

监控视频的异常检测是计算机视觉中的一个重要研究领域，它可以对监控视频进行智能分析，相对于人工分析的方式，大大提高了检测效率及检测精准度，节省了大量的人力物力。目前监控视频异常检测技术在交通违章检测、地铁逃票检测、火灾预警、入侵监测等方面都得到了广泛的应用。

目前，监控视频异常检测算法大多都是基于监督学习和半监督学习的。基于监督学习的异常检测方法需要根据异常样本事先定义异常特征，在检测时先提取检测目标的特征，如果检测目标的特征与事先定义好的异常特征相符，则判断该检测目标是异常的，这种方法虽然准确度较高，但是只能检测监控视频中特定的异常行为，例如跌倒事件、人群暴力事件等，场景适应能力差，具有很大的局限性。基于半监督学习的异常检测方法需要利用正常样本训练模型，在检测时通过比较测试样本与模型之间的差异性，如果测试样本与模型之间存在很大差异，则判断该测试样本是异常的，这种方法虽然可以检测视频中的多种异常行为，但是存在模型依赖问题，如果构建的模型存在偏差则会导致误检和漏检的产生。因此，基于监督学习和半监督学习的异常检测方法在检测准确率以及场景适应性方面有很大的局限性。

综上所述，在监控视频异常检测中，需要使用基于无监督学习的异常检测方法。基于无监督学习的异常检测方法既不需要根据异常样本提前定义异常特征，也不需要利用正常样本来训练模型，直接对测试样本进行分析处理，具有高度的灵活性。目前，虽然有少数基于无监督学习的异常检测方法，但是这些方法检测角度单一，无法保证检测准确率；在检测时大多只考虑了检测目标与其空间邻域内其他目标之间的差异性，忽略了时间和时空信息，无法保证检测准确率；仅使用阈值化方法对检测结果进行异常判断，如果阈值选取不当很可能造成误检。因此，当前需要一种新的基于无监督学习的异常检测方法，以解决以上问题。

发明内容

传统异常检测方法的检测角度过于单一，无法保证检测准确率；通常仅在空间维度上进行异常检测，比较检测目标与其空间邻域内其他目标之间的差异性，并没有考虑时间和时空维度信息，无法保证检测准确率；仅使用阈值化方法进行异常判断，如果阈值选取不当很可能产生误检。为了解决上述问题，本发明提供了一种基于无监督学习的监控视频异常检测方法。该方法从局部和全局两个不同的角度进行监控视频异常检测，通过多样化的检测角度使得检测结果更加准确；在局部异常检测中从时间、空间和时空多个维度进行检测，提高了局部异常检测的准确率；基于一致性对全局异常检测结果进行优化，减少了由于阈值选取不当而造成的误检，使得全局异常检测结果更加准确，该方法包括以下步骤：

1)提取视频中的运动块，并计算运动块的3D梯度特征；

2)在局部异常检测中，首先对视频中的运动块进行扩展，然后以扩展后的运动块为中心，分别从时间维度、空间维度以及时空维度上比较该运动块与其邻域块之间的差异性，从而找到异常的运动块并输出；

3)在全局异常检测中，首先对视频中的运动块进行聚类提取运动目标，然后在运动目标序列上使用滑动窗口，比较窗口内两个运动目标之间的差异性，最后基于一致性对检测结果进行优化并输出。

进一步，所述步骤1)中的提取视频中的运动块，具体是：