[发明专利]一种基于异常追踪的视频异常行为检测方法

说明书

本发明公开了一种基于异常追踪的视频异常行为检测方法，包括以下步骤：S1、视频异常检测与追踪模型的设计；S2、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，并训练卷积自编码器能学习到时空特征；S3、将时空特征用局部敏感哈希函数映射到不同的桶中，训练一对多支持向量机分类器；S4、利用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、用核相关滤波跟踪方法跟踪初步检测得到的异常块，对异常目标的区域进行矫正。本发明通过跟踪初步检测得到的异常块，纠正异常目标的位置，并对根据异常目标路径块得到的异常目标得分曲线平滑，去除噪声的影响，提高检测的精度。

技术领域

本发明涉及图像与视频处理技术领域，具体涉及一种基于异常追踪的视频异常行为检测方法。

背景技术

视频异常行为检测是智能视频监控中的重要组成部分，自动监测视频中可能的异常行为，从而能及时的发现并阻止灾害的发生，在交通、公众安全等领域应用广泛。

异常行为检测的关键问题之一是如何定义异常。由于异常行为非常稀少且形式各样，很难枚举和定义，所以目前的方法都是专注于如何对正常行为提取特征建模。在传统特征方面，梯度直方图、光流直方图、社会力模型、密集轨迹和动态纹理等均被用于正常行为的建模，然而这些方法都是手工设计的，需要一定的专家知识，对于应用场景有比较强的针对性。

而随着计算机视觉的发展，神经网络在目标检测、人脸识别等多个领域大放异彩。不需要针对具体问题精心设计手工特征，神经网络能自动学习到足够精细又具有鲁棒性的特征。但由于视频异常检测问题缺少正样本的特性，常用的神经网络端对端的训练方式并不合适，比较常用的有利用自编码器编码的特征对正常行为建模或者利用预训练好的卷积三维神经网络提取视频中的时空特征。布加勒斯特大学的Ionescu等人提出了一种以对象为中心的卷积自编码无监督特征学习框架编码运动和外观信息，并基于训练样本聚类的监督分类方法检测异常。但该方法需要用到目标检测方法对每帧进行检测，当面对人群密集的情况时，计算量很大且冗余，并且需要三个自编码器分别提取运动和外观信息。对正常样本聚类时采用k-Means聚类方法，特征高维、数据量多时计算时间长。

视频跟踪技术常常用于跟踪中的某个特定目标。考虑到人们在观察视频时往往是先注意到某个不寻常的点，再对该点进行跟踪的思路，先对视频进行初步的异常检测，再跟踪异常目标，可以对异常区域进行纠正，从而能得到更准确的异常得分，提高检测的准确度。

发明内容

本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于异常追踪的视频异常行为检测方法，更好地提升视频异常行为检测任务的性能和泛化能力。

为了达到上述目的，本发明采用以下技术方案：

一种基于异常追踪的视频异常行为检测方法，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；

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；