[发明专利]用于检测异常运动的方法和设备

说明书

提供了一种用于检测异常运动的方法和设备。所述设备包括特征跟踪单元，被配置为提取输入图像中的运动对象的特征，跟踪提取的特征的位置随着时间的变化，并确定提取的特征的轨迹；主题在线学习单元，被配置为以作为成束的轨迹的文件为单位对输入图像进行分类，并通过使用作为概率主题模型的在线学习方法来确定构成分类的文件的主题的概率分布状态；运动模式在线学习单元，被配置为对于每个确定的主题来学习速度和方向，并通过推断确定的主题之间的时空相关性来学习运动模式。

本申请要求于2013年2月25日提交到韩国专利局的第10-2013-0020130 号韩国专利申请以及于2013年8月5日提交到韩国知识产权局的第 10-2013-0092658号韩国专利申请的优先权，其公开通过引用完整地包含于此。

技术领域

本公开涉及一种用于通过使用在线学习方法来检测异常运动的方法和设备。

背景技术

学习图像中的对象的运动流的方法大致分为基于轨迹的学习方法或基于局部特征的学习方法。这些学习方法可以大致分为三种类型的方法：

第一，有一种通过跟踪图像中的运动对象来搜索其轨迹并通过将轨迹聚类为几种主要模式来学习图像的方法。在这种第一类型的方法中，定义轨迹之间的距离，以使类似的轨迹以很短的距离相互分开，并通过使用定义的距离将类似的轨迹分类为各个模式。

第二，有一种通过使用高斯混合模型和核密度估计来定义从图像的每个像素到下一个像素的转移概率来学习图像的方法。在这种第二类型的方法中，并未搜索轨迹的普通模式，而是统计地学习经过图像的每个位置的对象的速度和尺寸。与上述第一类型的方法相比，第二类型的方法具有对于以任意角度投射的图像而言更加强健的性能。此外，第二类型的方法还可以有效地处理被切断的轨迹。

第三，有一种通过从图像提取局部特征（诸如光流）来学习图像的方法。在这种第三类型的方法中，使用高斯混合模型或概率主题模型来生成学习模型。

然而，由于这些学习方法通常使用批量学习方案，因此，在图像不断变化的情况下，变化可能不会被反映在学习模型中。

第2011-0133476号韩国专利公布是现有技术的一种示例。

发明内容

本公开的一个或更多个实施例包括一种即使多个正常运动模式相隔时间差地出现在输入图像中的任意局部区域中也允许执行学习的方法。

本公开的一个或更多个示例性实施例可以包括一种检测异常行为的方法。所述方法可以允许学习图像中的特征的速度和方向信息，并且可以允许确定模式之间的时空关系。

本公开的一个或更多个示例性实施例可以包括一种检测异常行为的方法。所述方法可以适应于随着时间变化在图像中的变化，并且即使对于复杂图像（诸如人群集中的图像）也可以具有强健的性能。

将在下面的描述中阐述其他方面，并且通过下面的描述其他方面将变得清楚。

根据本公开的一个或更多个示例性实施例，一种用于检测异常运动的设备可以包括：特征跟踪单元，用于提取输入图像中的运动对象的特征，跟踪提取的特征的位置随着时间的变化，并确定提取的特征的轨迹；主题在线学习单元，用于以文件（作为成束的轨迹）为单位对输入图像进行分类，并通过使用在线学习方法（作为概率主题模型）来确定构成分类的文件的主题的概率分布状态；运动模式在线学习单元，用于对于每个确定的主题来学习速度和方向，并通过推断确定的主题之间的时空相关性来学习运动模式。