[发明专利]一种监控视频异常事件检测的方法

摘要

本发明属于视频异常事件检测技术领域，提供了一种监控视频异常事件检测的方法。本方法能够对任意监控视频的画面进行分析并检测出异常事件，涉及到视频图像处理的相关知识。首先，将视频划分为图像序列，提起视频的三维梯度特征；其次，对原始提取的特征进行随机筛选，然后对随机筛选的特征进行主成分分析进行降维，得到最终特征；对训练样本提取特征后，根据Baum‑Welch算法进行迭代更新，得到隐马尔可夫模型各项参数；最后，计算测试样本由此模型生成的概率，对比设定的阈值，完成异常事件的检测。本发明的效果和益处是能够有效的检测出画面中的异常事件，模型不同数据库中应用较好，边缘影响不明显，并且大大降低了计算复杂度。

主权项

一种监控视频异常事件检测的方法，其特征在于，步骤如下：(1)视频图像的特征提取在提取三维梯度特征时，首先，将每帧画面缩放到三种不同的尺寸，要求三种尺寸中较大尺寸的画面用于提取图像的局部信息，较小尺寸的画面用于提取图像的全局信息；然后，将三种尺寸的画面分割为大小相同的片区，并将每五帧对应区域的片区组成一个时空块，作为后续处理的最小单元；对于每个时空块，使用局部时空区域的动作信息来表示不均匀的局部时空动作模式，对每个时空块D的像素d，其时空梯度表示为：▿Dd=[Dd,xDd,yDd,t]T=[∂D∂x∂D∂y∂D∂t]T---(1)]]>其中，x、y、t代表像素d的横向、纵向和时间维度；每个像素的时空梯度共同表示了时空块的动作模式，作为后续处理的基本特征，同时，视频的梯度分布建模为一个三维高斯分布N(μ,∑)，其中：μ=1LΣdL▿Dd,Σ=1LΣdL(▿Dd-μ)(▿Dd-μ)T---(2)]]>式中：L为像素的总数目，则在每个局部位置l和时间t，局部动作模式是通过和进行表示；(2)视频特征筛选首先，对于原始提取的视频特征信息进行初步筛选，在不影响模型精度的情况下，根据自身需求设定筛选数目，从原始提取的视频特征信息中随机选取设定的筛选数目的数据信息；然后，采用主成分分析算法，进一步对筛选后的数据信息进行降维处理，降低数据冗余度，提取其中的主要信息，作为最终视频数据的特征；(3)模型参数学习本方法采用的是隐马尔可夫模型，表示为：λ＝(A,B,π)，其中，π为初始状态向量，A为状态转移矩阵，B为观测概率矩阵；将最终视频数据的特征作为观测结果的集合V＝{V1,...,VM}，其中包含所有可能的观测结果；采用K均值算法，将观测结果聚类到N个中心，隐马尔可夫模型的隐状态即表示为：Q＝{Q1,...,QN}；对于观测序列O＝{O1,...,OT}中的观测结果Oi，则：aij＝P(Ot+1∈Qj|Ot∈Qi),i,j＝1,…,N  (3)其中，aij指的是在时刻t处于状态Qi的条件下，于t+1时刻处于状态Qj的概率，N为状态数目，状态转移矩阵为A＝[aij]N×N；观测矩阵B表示为：B＝[bj]N×M，其中bj(K)＝P(Ot＝VK|it＝Qj)，K＝1,…,M；j＝1,…N  (4)指的是t时刻处于状态Qj的条件下生成观测Oi的概率；初始概率分布π表示为：π＝(πi)，其中πi＝P(i1＝Qi)  (5)指的是t＝1时处于状态Qi的概率；对于一个观测结果，首先计算其由此模型生成的概率；也就是给定模型λ＝(A,B,π)以及观测序列O＝{O1,...,OT}，计算在此模型下序列O出现的概率P(O|λ)；迭代的过程使用的是前向后向算法：给定隐马尔可夫模型λ，定义到时刻t部分观测序列为O1,O2,...,Ot且状态为Qi的概率为前向概率，记作：αt(i)＝P(O1,O2,…Ot,it＝Qi|λ) 1≤t≤T  (6)递归求出前向概率αt(i)和观测序列概率P(O|λ)：P(O|λ)=Σi=1NαT(i)---(7)]]>模型的训练过程使用的是Baum‑Welch算法，对于输入的观测数据O＝{O1,...,OT}，由初始λ(0)＝(A(0),B(0),π(0))迭代计算隐马尔可夫模型参数，由公式(1)和(2)提取的特征，根据公式(3)、(4)、(5)、(6)、(7)的定义，结合Baum‑Welch算法递推最终得到模型参数：λ＝(A,B,π)；(4)异常事件判断在训练过程中，本方法建立的模型是使得所有正常事件由此模型生成的概率最大，即正常事件由此模型生成；反而言之，如果新样本数据由此模型生成的概率很低，那很有可能是异常事件；模型生成新样本的概率和计算方式与公式(7)相同，为区别表示，本方法设定新样本数据Onew＝{Onew1,...,OnewT}由模型生成的概率为：P(Onew|λ)=Σi=1NαT(i)---(8)]]>异常事件的判别条件在于此概率是否满足事先设定的阈值。