[发明专利]基于光流和时空梯度的局部异常行为检测方法

说明书

技术领域

本发明涉及一种局部异常行为检测方法，尤其涉及一种基于光流和时空梯度的局部异常行为检测方法，属于图像处理技术领域。

背景技术

在智能视频监控领域中，人群异常行为检测技术是关键课题之一，其主要任务是从监控视频中试图自动筛选出各种类型的异常事件，并能及时提醒安防人员应对处理。

目前，人群异常行为检测方法主要分为以下两类：第一类是基于目标跟踪的方法，第二类是基于群体特征的方法。第一类方法首先对每个目标进行跟踪，然后提取包括运动轨迹在内的运动信息，最后依据提取的运动信息实现异常行为的检测。由于人群间易发生遮挡，因此，复杂场景中的目标跟踪仍是一个难题。第二类方法是将整个场景视为一个整体，并提取有用的运动信息，从而进行异常行为的检测。由于需计算整个场景的光流信息，因而，计算量很大。而本发明能够很好地解决上面的问题。

发明内容

本发明目的在于提出一种新的局部异常行为检测方法，该方法提高了异常行为检测的准确性和快速性。首先，利用词袋模型表征光流特性，并通过半参数模型的统计方法实现局部异常区域的检测；然后，在异常区域均分的基础上，利用最大光流能量找到异常行为发生的单元格；最后，利用最近邻描述符与混合朴素贝叶斯模型，实现异常行为的最终判定。

本发明解决其技术问题所采取的技术方案是：一种基于光流和时空梯度的局部异常行为检测方法，该方法包括如下步骤：

步骤1：依据时空特性，将视频图像划分为大小一致的时空块；

步骤2：利用基于半参数模型的统计方法，检测最有可能发生异常行为的区域；

步骤3：利用单元格最大光流能量法和局部最近邻描述符，实现可疑区域异常行为的检测。

本发明所述的异常行为检测基于群体特征的异常行为检测，是将整个场景视为一个整体，并提取有用的运动信息，从而进行异常行为的检测。

本发明所述的半参数模型的异常区域检测过程，包括：

首先，将视频帧均分为大小相等的区域S，及得到区域S一组特征表示X；然后依据下式，判断区域S是否为异常区域：

λ(S)=Pr(x|H1(S))Pr(x|H0(S))---(1)]]>

上式中的Pr(X|H₀(S))表示区域S为正常区域下特征表示X的似然率，Pr(X|H₁(S))表示区域S为异常区域下特征表示X的似然率。

为准确计算每个区域的似然比值，需构建一个合适的概率模型Pr(X|H_i)。与假设一个特定的参数密度概率模型不同，本发明采用基于半参数的密度概率模型计算似然比。

本发明所述的半参数密度概率的建模过程，包括：

首先，将区域S内外的特征表征X₁与X₂以及对应的概率密度函数f(x)与g(x)分别表示为：