[发明专利]获取动态纹理描述模型的方法及视频异常行为检索法

说明书

本发明提出了一种获取动态纹理描述模型的方法，首先给定视频中的一个像素点，为其定义为一个动态纹理描述模型；动态纹理描述模型包括三个方向的正交向量组模型；正交向量组模型包括一中心向量和环绕在中心向量周围的多个相邻向量；三个正交向量组模型的交点为该像素；之后计算中心向量和相邻向量之间的夹角和二值化夹角，最后求解模型获取动态纹理描述模型中每个正交向量组模型的模式值；将三个正交方向上获得的模式值组成一个三维向量。本发明将每个视频片段或时空块提取成一个TOSCLBP直方图特征，该TOSCLBP直方图特征能够反映视频时空块中动态纹理在时间与空间上的变化信息，对视频中噪声及光照变化等干扰鲁棒。本发明还提出了一种视频异常行为检索法。

技术领域

本发明属于视频信号特征提取领域，尤其涉及一种获取动态纹理描述模型的方法及视频异常行为检索法。

背景技术

目前，在视频序列中特征提取的方法很多，主要包括：人工特征和学习特征：具体的，1)学习特征是指通过机器学习算法优化特定的目标函数而获得特征，典型的有深度学习特征。在深度学习中，利用卷积神经网络或深度自编码器等神经网络而获得的特征能够提取数据中重要信息获得简洁的特征，泛化能力强，通用性强，不依赖于先验知识。然而，学习特征通常依赖于大量的训练样本，计算量大，不利于对实时性要求较高的方法；2)人工特征是指根据经验为提取某种特定的特征信息而设计的描述符。例如，运动轨迹、时空兴趣点特征、光流直方图、时空梯度直方图、三正交平面局部二值模式、混合动态纹理等。人工特征能够快速高效的提取特定信息，如轨迹、运动特征、外观特征、动态纹理特征等，其参数设计不需要进行训练；人工特征得益于人对先验知识的掌握，不要繁琐的训练过程，计算量低，实时性好，能够提取特定的有用信息；人工特征提取的过程中，将数据先转换为特定的人工特征在输入深度神经网络中，在一定程度上能简化深度学习模型，有利于学习重要的特征，因此人工特征在视频分析中仍然具有重要的作用。然而在现有的视频人工特征提取中，常用的特征如光流直方图、梯度直方图、时空局部二值模式等，它们大多反映局部区域的特征统计信息，但不能联合建模在时间与空间上的动态纹理信息。局部二值模式(LBP)是一种强大的纹理特征，广泛应用于图像纹理特征提取中。二维的LBP能提取二维图形的纹理特征，但只能建模静态纹理，不能获取视频中的时间特征信息。改进的三维LBP虽然能够同时建模空间与时间上的动态纹理信息，但其缺点是对噪声敏感。

文献《Squirrel-cage Local Binary Pattern and Its Application in VideoAnomaly Detection》中提出了一种鼠笼型局部二值模式(Squirrel Cage Local BinaryPattern,SCLBP)。SCLBP是LBP的一种全新的结构变体，它能够有效将视频中运动信息编码成一个SCLBP模式，具有较好的鲁棒性和判别性。SCLBP应用在视频异常行为检测中，在多个公共数据集上测试的性能接近当前先进方法的性能。然而，SCLBP只是侧重于针对视频中运动信息，而没有涉及到视频中的外观信息。

发明内容

本发明的目的在于提供一种获取动态纹理描述模型的方法及视频异常行为检索法，将每个视频片段或时空块提取一个TOSCLBP直方图特征，该TOSCLBP直方图特征能够反映片段或时空块中动态纹理在时间与空间上的变化信息，对视频中噪声及光照变化等干扰鲁棒，原理简单，设计新颖，计算快速，是一种适用于视频分析的强大特征。

为实现上述目的，本发明所采用的技术方案为：

本发明提出了一种获取动态纹理描述模型的方法，包括以下步骤：

步骤S1：将像素点定义为一个动态纹理描述模型；所述动态纹理描述模型包括三个方向的正交向量组模型；所述正交向量组模型的交点为所述像素点；所述正交向量组模型包括一中心向量和以圆形环绕在所述中心向量周围的多个相邻向量；所述相邻向量之间同圆心且相互平行；

步骤S2：通过反余弦函数模型计算中心向量和相邻向量之间的夹角；

步骤S3：将步骤S2中的夹角在阈值作用下二值化；