[发明专利]一种基于时空拉普拉斯特征映射学习的异常行为检测方法

说明书

一种基于时空拉普拉斯特征映射学习的异常行为检测方法。本发明属于数字图像处理技术领域，涉及计算机视觉、模式识别、机器学习和数据挖掘等相关理论知识。本发明首先利用光流直方图对相邻两帧图片提取光流特征，获得监测场景内的运动特征信息，采用低维空间的视频表达形式，运用谱聚类的方式对运动信息特征进行聚类，得到聚类个数和不同类别下的特征集合，最后对不同类的特征集合运用Hausdorff距离测量其集合间的相似度，找出明显区别于其他类别的特征集合，从而检测出异常行为。本发明将高维空间中的数据在低维空间中重新表示，降低了运算复杂度，利于密集人群场景的异常行为检测。其异常行为检测率达到73.52～78.45％，漏检率为17.05％～21.45％，误检率4.5～6.1％％。

技术领域

本发明属于数字图像处理技术领域，涉及计算机视觉、模式识别、机器学习和数据挖掘等相关理论知识。

背景技术

由公共安全问题引起的事故，近几年呈现快速增长的趋势，因此对密集人群场景下的视觉分析成为活跃的研究领域，场景分析是以数字图像处理，模式识别，计算机视觉为基础，对摄像机所拍摄的场景图像或者视频序列进行分析，进而完成识别的过程，通过一些后续处理，可以实现异常行为快速获取，危害公共安全事件的预警等功能。异常行为是指以突聚突散、群殴、暴乱为变现的群体性行为。异常事件获取通常可以分为以下步骤：对视频序列的特征提取、特征聚类、异常行为分析与检测。其中，异常行为检测的准确性直接影响异常事件的判断，因此异常行为检测成为了核心问题。密集人群中的异常行为检测存在以下难题：

1、运动信息量大，如题所述在密集人群的场景中包含有大量的人体运动信息，有慢跑，步行，跳跃，而且大量存在人体遮挡，因此无法对每个个体进行跟踪检测。

2、背景复杂，在诸如：广场，城市中央商务区，车站等人群密集区域往往是一幅幅人来人王，车水马龙的繁忙景象，不仅如此，夜晚时候霓虹灯的闪烁变化，液晶屏幕播放的广告等光照变换，都会对异常行为检测的效果造成负面影响。

当前行为检测算法主要有以下几种方法：

一、基于隐马尔可夫的检测算法。利用正常情况下的时间序列对隐马尔可夫模型进行训练，得到初始状态序列概率分布，状态转移概率分布，观测转移概率分布参数，再利用异常情况下的时间序列对隐马尔可夫模型进行测试，一旦给定参数下的状态分布大于设定阈值时，则判定为异常行为。但是，由于实际情况复杂，无法事先准确地知道状态个数，因此当训练样本中出现未知的异常行为状态时，异常行为误检率高。

二、基于随机森林的检测算法。对场景特征进行重采样并随机选取部分属性，建立树形分类器，运用树形分类器对选取的特征投票，根据票数决定是否存在异常行为。但是，当异常行为类别较多时，容易出现过拟合现象，即过分侧重训练样本的影响，对测试样本缺少泛化能力。

传统的异常行为检测方式是通过在时空域建立正常行为模版，对正常行为模版提取特征集合，用包含异常行为的特征与正常行为特征进行比较，最后设置阈值的方式对正常行为和异常行为分类达到检测的效果。此方法存在的问题：对于设定的正常行为序列，只存在单一的转换方式，例如：设定正常行为有：坐、走、跑，传统的异常行为检测仅仅存在由坐—>走—>跑的状态转换，如果由坐—>跑，这时则会判断为异常行为，同时传统的异常行为检测，在运算复杂度上也是需要引起注意的，特别是在密集人群的场景下，依靠对人群的检测和跟踪的方式往往需要极大时间开销和运算复杂度。

发明内容

针对上述存在问题或不足，本发明提出了一种基于时空拉普拉斯特征映射学习的异常行为检测方法。时空拉普拉斯特征映射：在时空域中找到一个无向有权图，将图通过嵌入的方式来找到它的低维表示，即在保持图的局部邻域关系的情况下将图从高维空间映射到低维空间。

该方法包括场景特征提取，学习低维嵌入空间，场景特征聚类和异常行为检测四个步骤。

其流程示意如图1所示，具体技术方案如下：