[发明专利]基于多尺度变换下图结构的视频异常检测方法

摘要

本发明公开了一种基于多尺度变换下图结构的视频异常检测方法。本发明利用光流特征进行视频异常检测，不同场景下视频异常关联光流特征的空间相关尺度存在相异性。在保持视频异常关联光流特征的空间相关结构的前提下，减少光流特征数量能够有效提高视频异常检测的计算效率，故提出基于空间相关性构建光流特征的网络图结构，在相关约束下利用图结构的多尺度变换，有效降低视频异常检测中的光流特征数量，在略降低检测精度的前提下，能够大幅改善视频异常检测算法的计算效率，故事件异常的检测也更为快速合理。

主权项

1.基于多尺度变换下图结构的视频异常检测方法，其特征在于包括如下步骤：步骤1：读入UMN公开视频数据集、训练集与测试集的视频图像，设置网格大小，选取像素单元抽取其位移信息，利用金字塔L‑K光流算法计算得到每一帧的运动光流特征(u,v)；其中u和v为相邻两帧网格上点的运动的水平速度场大小与垂直速度场大小；步骤2：选取光流特征中的一项与设定的阈值T进行比较，将高于阈值T的光流分量进行颜色编码，并累积记录颜色块的变化区域并得到运动区域的边界轮廓；步骤3：利用运动区域的边界轮廓、网格位置和光流特征来构建一个稳定的图结构G；步骤4：对构建的图结构进行多尺度变换，通过利用含有图顶点信息的图拉普拉斯矩阵作为一个图降维的桥梁，依次进行图下采样和图规约后实现顶点的减少，从而实现特征信息的优化；步骤5：在各个尺度的图结构上，对送入的训练集光流特征信号和测试集的光流特征信号分别进行各自的自适应频谱滤波，并构建其对应的特征词袋形式；步骤6：将训练集的词袋送入联合空时模型中学习得到模型的参数及训练集每帧的对数似然函数，最后再将测试集的词袋中的光流特征向量作为已训练“正常”模型的输入进行视频的异常检测，得到测试集每帧的对数似然函数；步骤7：将连续三帧的训练集的对数似然函数和测试集的对数似然函数进行最差并取绝对值，若大于阈值Th则判断事件异常，否则事件判断为正常；直到整个测试视频集全部检测完成；步骤1读入的UMN公开视频数据集、训练集与测试集的视频图像的分辨率为240*320；设置网格大小为24*32，选取10*10像素单元抽取其位移信息；步骤3所述的图结构G：G＝{V,ε,W}其中，V是顶点(节点)的集合|V|＝N，ε是无向边集合，W是邻接矩阵；一条无向边e＝(i,j)连接顶点i和j；利用一个阈值化的高斯核函数定义连接顶点i和j的边权重W_i,j：其中，κ为阈值，参数N是总的顶点个数；通常，dist(i,j)定义为顶点i和j的欧式距离或者余弦距离，阈值κ＝0.6；度矩阵D、图拉普拉斯矩阵L、归一化的图拉普拉斯矩阵L^norm如下公式求得：D＝d_ii＝∑W_i.jL＝D‑WL^norm＝D^‑1/2LD^‑1/2对L^norm进行奇异值分解后，相对应的特征值和特征向量为{(λ_l,u_l)}_{l＝0,1,...,N‑1}；并且将特征值递增排序0＝λ₀≤λ₁≤λ₂≤…≤λ_N‑1，定义最大特征值与对应的特征向量为λ_max＝λ_N‑1和u_max＝u_N‑1。