[发明专利]一种基于自适应阶数的交互行为分析方法

说明书

本发明公开了一种基于自适应阶数的交互行为分析方法，包括以下步骤：步骤一：视频特征提取与表示；步骤二：利用分层狄利克雷过程模型对视频序列进行建模，检测出场景中包含的行为，并利用K‑means算法进行分类，实现多变量时间序列提取与分类；步骤三：进行多变量自回归模型阶数选择；步骤四：基于频域的多向量过程因果测量的组间交互行为分析；步骤五：基于频域的多标量过程因果测量的组内交互行为分析；步骤六：基于组间和组内因果测量的全局和局部行为交互网络构建。本发明的优点是：不仅能检测出场景中全局和局部交互行为，而且可以构建全局和局部行为交互网络。

技术领域

本发明涉及计算机视频处理技术领域，具体涉及一种基于自适应阶数的交互行为分析方法。

背景技术

视频监控通常面向通一些人流大、车流大、密度高的公共场所，如地铁、广场、公共交通路口等。识别场景中的行为模式，是智能视频监控中的一个重要问题，目的是尽可能的采用无监督的方法检测出多个行为，并建立它们之间的交互关系。通常视频中行为可以被视为多个时间变量，那么分析行为之间的交互，就是要分析多变量时序数据间的相互作用。作为时序数据分析的强大工具，基于多变量自回归的格兰杰因果测量在理解多变量时间序列的依赖结构上有重要作用(参见：Kumar K.Introduction to Modern Time SeriesAnalysis by G.Kirchgassner；J.Wolters[M].Introduction to modern time seriesanalysis.2008.)。对于行为分析来说，行为之间的交互状态通常具有多尺度的结构性。例如，一个行为紧随着另个一行为发生，从全局来看，二者可视为同时发生；但从局部来看，二者可视为序列发生的。因此，从不同时滞尺度的角度来看，行为交互的模式是不同的。对应于多变量自回归模型，就是模型的阶数不同会导致变量间产生不同的依赖关系。为了利用多变量时序数据中隐含的结构性，一般有两类方法：一种是基于最小绝对收缩和选择算子(LASSO)的方法，以及它们的组合和其它变体(参见：Basu S,Shojaie A,MichailidisG.Network Granger Causality with Inherent Grouping Structure[M].The Journalof Machine Learning Research,2015,16(1)：417-453.)另一种是：基于后向时间选择(BTS)及其变体的方法，用于估计阶数。(参见：Siggiridou E,Kugiumtzis D.GrangerCausality in Multivariate Time Series Using a Time-Ordered Restricted VectorAutoregressive Model[J].IEEE Transactions on Signal Processing,2016,64(7):1759-1773.)上述两种方法实质上都是利用降维实现多变量中小组结构的检测，但是难以同时实现全局和局部的交互行为分析。

发明内容

本发明的目的是提供一种能检测出场景中全局和局部交互行为、并能构建全局和局部行为交互网络的基于自适应阶数的交互行为分析方法。

为实现上述目的，本发明采用了如下技术方案：一种基于自适应阶数的交互行为分析方法，包括以下步骤：

步骤一：视频特征提取与表示；

步骤二：利用分层狄利克雷过程模型对视频序列进行建模，检测出场景中包含的行为，并利用K-means算法进行分类，实现多变量时间序列提取与分类；

步骤三：进行多变量自回归模型阶数选择；

步骤四：基于频域的多向量过程因果测量的组间交互行为分析；

步骤五：基于频域的多标量过程因果测量的组内交互行为分析；

步骤六：基于组间和组内因果测量的全局和局部行为交互网络构建。