[发明专利]基于群体环境异常行为的检测方法

摘要

该发明属于计算机运动图像识别及监测技术领域中的群体环境异常行为检测方法，包括检测模型建立中的划分视频单元子序列，特征提取及样本数据库的建立，建立Multi-HMM模型；异常行为检测中的从当前监控场景的视频序列中提取各观察值序列，确定观察值序列对应的最佳隐马尔可夫链，异常行为判决及警告。该发明由于从整体角度、在频域上随时间变化准确而快速地提取视频序列的动态变化特征，并根据所建模型自动、实时地检测群体环境下的异常行为，其准确率可达90％左右；因而具有对当前监控场景的行为特征提取准确、快速，可广泛用于对群体环境下发生的异常行为进行检测，且检测的效率、准确性及可靠性高等特点。

主权项

一种基于群体环境异常行为的检测方法，包括：A.划分视频单元子序列：A1.划分视频序列：以一定数量的视频帧为一组，并对同一组视频帧按时序将各帧视频重叠组成一个视频序列；A2.划分视频单元序列：将步骤A1所得同一视频序列中的视频图像随机分成若干个矩形像素区域、每一区域作为一个视频单元；相同视频单元在各帧视频中所处的位置相同、各相同位置的视频单元即重叠组成视频序列中的各视频单元序列；A3.划分视频单元子序列：将步骤A2所得视频单元序列、顺序列方向分成长度相等的一组视频单元子序列；B.特征提取及样本数据库的建立：B1.获取视频单元子序列截面灰度图：将由步骤A所得任一个视频单元子序列、沿其序列方向并垂直于视频单元的一边，以像素点为距离单位等距离截割、得一组截面，各截面上任一条与序列方向平行的平行线即为对应视频单元截线上相同位置象素点的轨迹；同一截面上各象素点轨迹的灰度值即构成该截面上的灰度图；B2.小波变换处理：对由步骤B1所得视频单元子序列中各截面上的灰度图分别进行小波变换处理以分离高、低频带图像，得到对应截面上的一个近似分量低频子图像及水平分量、垂直分量和对角线分量三个高频子图像；B3.获取视频单元子序列截面高频图：将步骤B2所得同一截面上的近似分量低频子图像作丢弃处理；再将其余的水平分量、垂直分量和对角线分量三个高频子图像依次连接成一体、得到该截面上的高频图；其余各截面上的子图像亦按相同方式处理、得该视频单元子序列各截面上的高频图；B4.获取视频单元子序列高频合成图：依次将步骤B3所得各截面上的高频图按时序进行对应叠合处理，得到该视频单元子序列的高频合成图；B5.获取视频单元子序列观察值：统计步骤B4所得高频合成图中各像素值的均值和方差，并将该均值和方差组成的二维向量作为该视频单元子序列的观察值；B6.获取视频单元序列的观察值序列：按照步骤B1～B5的方法对该单元序列中的其余各子序列进行循环处理、得各子序列的观察值，再根据时序排列组成该视频单元序列的观察值序列；B7.获取视频序列的观察值序列：按照步骤B1～B6的方法对该视频序列中的其余视频单元序列进行循环处理；所得各视频单元序列的观察值序列、组成对应于该视频序列的一组观察值序列，并作存储处理；B8.建立样本数据库：反复进行步骤B1～B7操作，所得各组视频序列的观察值序列、分类存储以建立样本数据库，用于继后的隐马尔可夫模型的参数训练； C.建立Multi-HMM模型C1.确定各种状态下观察值的概率分布函数：从步骤B所建立样本数据库中提取各视频单元子序列的观察值，并采用K均值聚类处理方法聚类出所设定的各种隐状态，每个状态由混合高斯函数逼近，通过期望最大化处理方法分别确定每个状态下观察值的概率分布函数；C2.Multi-HMM模型参数初始化：对每条隐马尔可夫链的初始状态概率矢量和状态转移矩阵按常规方法进行初始化处理；其初始化后的各参数分别用作建模过程中相应迭代处理时的初始参数值；C3.Multi-HMM模型参数训练：从步骤B8所建立样本数据库中提取分类存储的各类观察值序列，并采用常规方法分别对每条隐马尔可夫链进行参数训练，以建立异常行为综合检测的Multi-HMM模型；D.异常行为的检测D1.从当前监控场景的视频序列中提取各观察值序列：采用步骤A和步骤B1～B7相同的方法对当前监测场景的视频序列进行划分及特征提取，并提取出该视频序列中全部观察值序列；D2.确定观察值序列对应的最佳隐马尔可夫链：从步骤D1所得全部观察值序列中任选一条观察值序列、作为待测参数，通过检测模型中的每条隐马尔可夫链分别检测其发生的概率，并从中选出概率最大值所对应的隐马尔可夫链，作为该观察值序列对应的最佳隐马尔可夫链；D3.检测是否发生异常：D3-1.疑似异常行为的判断：将该组观察值序列中的所有观察值序列依次作为待测参数，利用步骤D2所确定的最佳隐马尔可夫链检测其发生的概率值、并对其进行取对数操作，然后将其结果与设定的阈值进行比较，若其结果大于和等于所设定的阈值时、则对下一条观察值序列进行检测，若小于所设定的阈值时，则返回步骤D2将该条观察值序列作为待测参数、重新选择一条最佳的隐马尔可夫链，再对该观察值序列进行概率值检测、取对数并与所设定的阈值进行比较，若其结果大于和等于所设定的阈值时、则对下一条观察值序列进行检测，若仍小于所设定的阈值时、则判定该条观察值序列所对应视频单元的场景发生疑似异常行为；D3-1.异常行为判决及警告：按步骤D3-1的方法将该视频序列中全部观察值序列处理完毕；然后统计所有疑似异常的观察值序列数，并将其与观察值序列的总数进行比较，若所占比例≥50％时、则判断当前监控场景发生了异常行为，并发出警告；同时继续进行继后的场景监控。