[发明专利]一种拥挤场景下视频异常事件检测方法

说明书

本发明涉及一种拥挤场景下视频异常事件检测方法。具体步骤是：训练阶段，首先对视频分块并提取块的光流信息表示块的局部特征，然后以块的局部特征作为原子构建图，采用拉普拉斯特征映射降维并采用自适应聚类方法对局部特征分类，获得类中心作为码字；最后由码字组成码本。测试阶段，先对视频分块提取局部特征，然后计算与码本的特征距离相似度，并结合前一时刻的8‑邻域信息检测事件。本发明只需对光流特征构成的原子集合进行聚类即可建立正常事件模型，历史时刻的邻域信息进一步提高了异常事件检测的准确性。

技术领域

本发明属于智能视频监控技术领域，涉及一种拥挤场景下视频异常事件检测方法。

背景技术

视频异常事件检测是指能自动分析视频监控场景中发生的事件，如果发生异常事件就能立刻发出报警信号，从而提高相关部门的响应和救援效率。例如步行街上的骑车、轮滑和车辆通行，广场上人群的恐慌、踩踏等这些异常事件都能及时的被检测到并进行报警。它在视频监控领域有着广泛的应用前景。

目前现有的异常事件检测方法可以大致分为两类：1)通过对目标对象进行跟踪，分析其运动轨迹，进而对其做出判断；2)不需要对目标对象进行跟踪，通过建立正常事件模型，对光流、纹理等特征作出分析。第一类方法，通过对目标对象进行跟踪，获取运动方向与目标的运动速度以及根据目标对象特征与尺寸比，该类方法针对场景中只存在少数运动目标时得到了较好的应用，但是在拥挤的环境下,由于目标之间相互重叠，很难对目标对象进行跟踪，因此这类方法的检测性能欠佳。本发明采用第二类方法。

发明内容

本发明的目的是提供一种拥挤场景下视频异常事件检测方法，以提高异常事件检测率。

为解决上述问题，本发明提供的技术方案如下：

步骤(1)特征提取，具体如下：

将视频中每一帧分割成互不重叠且大小为N×N的块，并连续取M帧，得到大小为N×N×M的立体块，因此M帧长的视频由若干个立体块组成，每个立体块称为原子。设视频帧的分辨率大小为W×H，每一帧得到块的数量其中表示向下取整。t时刻loci位置块的运动信息用一个直方图表示1≤loci≤f_block，loci是整数，其中h_i，1≤i≤4，是loci位置块根据光流方向按90度间隔量化获得的4个方向上的光流幅值之和。当前时刻为t，结合t时刻的前(M-1)/2帧与后(M-1)/2帧的直方图信息，t时刻loci位置上的原子表示为M取奇数，1≤loci≤f_block。对于一段视频，以M帧为单位分成P小段，得到的原子数量为P×f_block，由这些原子构成该视频的原子集合。

步骤(2)特征学习，具体如下：

2-1.采用拉普拉斯特征映射方法把原子集合映射到低维空间中，再对其进行聚类。首先对原子集构建图G＝(V,E)，顶点集V表示各个原子，带权重的边E表示各个原子之间的相似度，图中第i个原子与第j个原子之间边的权重按式(1)计算，1≤i≤P×f_block，1≤j≤P×f_block:

公式(1)右边第一项中的数学表达式为：

余弦距离其中<x_i,x_j>表示求x_i与x_j的内积，定义的形式就是式(2)中i＝r，j＝G时，σ_r是尺度因子，其中x_G是x_r第G个近邻点，近邻的距离度量采用欧氏距离，r＝i或j。