[发明专利]一种基于异常追踪的视频异常行为检测方法

权利要求书

1.一种基于异常追踪的视频异常行为检测方法，其特征在于：所述方法包括以下步骤：

S1、视频异常检测与追踪模型的设计：包括时空特征提取器的设计、分类器的设计以及结合异常追踪器的异常检测方法的设计；其中，时空特征提取器由提取前景块和卷积自编码器编码两部分组成，分类器由局部敏感哈希函数快速聚类时空特征和针对每一聚类训练一对多支持向量机分类器两部分组成，异常追踪器即用核相关滤波跟踪方法跟踪分类器初步检测得到的异常块，并用分类器再次检测跟踪得到的异常目标路径块，计算异常得分，从而达到结合异常追踪检测异常行为的目的；

S2、时空特征提取器的训练：对视频提取前景块，再输入到卷积自编码器中编码再解码输出重构视频块，以最小化与对应区域的下一帧图像的重构误差作为训练方向，训练卷积自编码器能学习到时空特征；

步骤S2中，将重构视频块与下一帧对应区域的图像块的像素点的重构误差作为损失函数，训练卷积自编码器学习到时空特征，像素点的重构误差的计算公式如下：

其中，A^t,A^t+1分别为第t帧和第t+1帧对应区域的图像块，h、w为图像块的高和宽，为对应像素点；

S3、分类器的训练：将步骤S2编码得到的时空特征用局部敏感哈希函数映射到不同的桶中，将一个桶中的样本作为一类，训练一对多支持向量机分类器；

S4、用步骤S3中训练好的分类器对测试视频块分类，将多个分类器的最高得分取负作为异常得分，设置阈值初步检测视频中的异常块；

S5、搭建异常追踪器：用核相关滤波跟踪方法追踪步骤S4中得到的异常块，对异常目标的区域进行矫正，并重新计算异常目标路径块的异常得分检测视频中的异常。

2.根据权利要求1所述的一种基于异常追踪的视频异常行为检测方法，其特征在于：步骤S2中，前景块的提取是将视频帧先分为大小为20×20的不重叠的块，对连续五帧相同区域的块组合成一个大小为20×20×5的立方体，计算每个立方体帧之间对应位置像素点的方差之和，设置阈值判断是否是前景块。

3.根据权利要求2所述的一种基于异常追踪的视频异常行为检测方法，其特征在于：步骤S2中，对视频提取大小为20×20的前景块，输入到三层卷积核大小分别为3×3、2×2、3×3，步长分别为1×1、2×2、1×1，通道数分别为16，8，4，无零填充的卷积层和非线性激活层串联形成的网络模块编码，再通过三层卷积核大小分别为3×3、2×2、3×3，步长分别为1×1、2×2、1×1，通道数分别为8，16，3，无零填充的反卷积层和非线性激活层串联形成的网络模块解码得到重构视频块，以最小化与对应区域的下一帧图像的重构误差作为训练方向，训练卷积自编码器能学习到时空特征。

4.根据权利要求3所述的一种基于异常追踪的视频异常行为检测方法，其特征在于：步骤S2中，所述网络模块编码的编码器中的三个卷积层的激活函数均为ReLU，解码器中的三层反卷积层的前两层激活函数为ReLU，最后一层激活函数为tanh，将输出值缩放到[-1，1]范围内；

ReLU激活函数如下公式所示：

其中x为激活函数ReLU的输入值，ReLU(x)为激活函数的输出值；

tanh激活函数如下公式所示：

其中x为激活函数tanh的输入值，tanh(x)为激活函数的输出值；

编码器编码后的时空特征为4×7×7，196维。

5.根据权利要求1所述的一种基于异常追踪的视频异常行为检测方法，其特征在于：步骤S3中，利用M个P-stable局部敏感哈希函数与训练集时空特征矩阵相乘，每一个训练样本映射成M个哈希值，哈希值相同则落入同一个桶代表聚为一类，将样本量小于5的聚类删除，减少噪声的干扰，对剩下的多个聚类训练一对多支持向量机。