[发明专利]基于自相似数编码的异常区域检测方法

说明书

技术领域

本发明属于计算机视觉和视频监控领域，具体涉及一种可以检测出视频序列中的异常区域的方法。 

背景技术

在视频监控领域，检测视频序列中的异常区域是一个非常关键的问题。异常事件的定义为明显不同于正常的事件，将异常表示为与正常事件的数据在特征空间有很大的距离，或者在一个正常的模型下有较低的概率。有些研究将异常定义为那些在事件时间、位置和轨迹展现出差异的事件。 

大部分方法都需要通过使用标准正常数据集来建立正常模型。众所周知即使数量庞大的训练集，也不能充分包含自然发生的一切情况。如果算法本身具备自我推断异常区域的功能，就可以减轻对数据集的依赖性。其次，许多方法大多通过被测试点与正常模型的偏离程度确定异常点，而这种评判方式不适用于无训练集的情况。 

发明内容

针对背景技术的不足，本文提出一种简单快速的无监督方法来检测出视频序列中的异常区域。该方法无需训练样本，可以直接从视频序列准确检测出异常区域。 

本发明的自相似数编码的异常区域检测方法描述如下思想：视频中的异常区域与正常区域存在明显的区别，正常区域在视频空间中应该存在大量与其相似的区域，而异常区域没有或者只有少数区域与之相似。对于视频内某一区域来说，自相似数是指在该视频内与之相似的区域的数目。在由自相似数组成的自相似数编码中，每个元素代表原视频序列中与自相似数元素对应的局部区域相似的区域的数目。 

在评判视频内区域之间是否相似的时候，首先提取视频区域中运动和纹理特征，然后以不同的测度进行加权结合的方式来计算视频内区域特征之间的距离，该距离低于某一阈值被认为相似，高于该阈值被认为不相似。在此基础上计算自相似数编码，自相似数编码中的某一元素，表示上述距离低于某阈值的相似区域的数目，即视频中有多少区域与本区域相似。 

自相似数编码中数值为0的位置对应的视频内的局部区域被认为与其他区域都不相似，属于异常区域，而其他区域至少有1个以上的相似区域，为正常区域。实验数据集和某一真实监控视频上的实验结果表明，本发明的方法能较好的检测出视频中的异常区域。 

本发明在无需训练样本的情况下，能够直接从视频序列准确检测出异常区域。具体而言，本发明具有以下特点： 

（1）本发明提出了自相似数编码方法来描述视频序列内部相似区域的数目，用来进行异常区域的检测。

（2）本发明采用视频区域中对象的运动和纹理特征，并以不同的测度进行加权结合来计算视频内区域之间的相似性。 

（3）本发明以视频区域内自相似数编码的数值为0的区域为异常区域，其他为正常区域。 

附图说明

图1 基于自相似数编码的异常区域检测方法的流程； 

图2 时空网格单元的划分方式；

图3 自相似数编码的计算方法；

图4  局部二值模式（LBP）算子的示例；

图5  Ped1的检测结果；

图6  Ped2的检测结果。

具体实施方式

本发明直接对摄像机采集到的视频序列进行处理，实现了一种基于自相似数编码的异常区域检测方法。自相似，即自我相似，原是指物体与自己的某一部分相似，是分形的重要特质。本发明所述的自相似，是指本视频内部的区域之间相似。 

以下结合附图对本发明做进一步的说明。 

如图1、2、3、4、5、6所示，本发明的处理过程如下： 

一种基于自相似数编码的异常区域检测方法，包括以下步骤：

视频序列底层特征的提取：

第一步：输入一段视频，将视频序列划分为非重叠的时空网格单元，同时构建与时空网格单元对应的自相似数编码并初始化。在拥挤的人群场景中人与人之间的遮挡频繁发生，很难提取每个独立的运动目标，而时空网格单元表示视频序列的局部特征，可以保留每个行人可见部分的信息。自然环境下行人之间的动作不可能完全一致，时空网格单元具有的局部特性可以捕捉到他们具有相同的局部区域，为后续的匹配搜索提供更多有用信息，减少因遮挡或者动作之间发生形变导致算法性能的降低。具体的划分方式如图2所示，其中t-1、t、t+1是视频序列中时间上连续的三帧图像。

第二步：计算每个时空网格单元的运动和纹理特征。 

运动特征的提取采取的是基于亮度梯度的稠密光流(Horn-Schunck)，所用的计算公式如下： 

（1）