[发明专利]一种基于目标运动特性的全局异常行为检测方法

说明书

技术领域

本发明涉及一种基于目标运动特性的全局异常行为检测方法，属于视频异常行为检测的技术领域。

背景技术

视频异常行为检测是指能自动分析视频监控场景下发生的异常行为，并能对其发出报警信号。例如：空旷草坪上人群突然四处散开的行为、走廊通道内人群突然各处躲藏的行为、开阔广场上人群突然四处逃窜的行为，智能监控系统都能及时检测到并进行警报。假设在获得一组正常训练视频样本的基础上，再确定测试视频是否包含异常行为。

早期异常行为检测的研究工作主要集中于利用简单集合模型描述人体行为，如基于二维轮廓模型、三维圆柱体模型等；除静态几何模型外，研究人员还尝试利用描述人体运动的某些特征进行建模，如形状、角度、所在位置、运动速度、运动方向、运动轨迹等特征进行行为描述和区分，并采用包括主成分分析法、独立成分分析法等在内的子空间方法对提取的特征进行降维和筛选，从而进行行为分析。现有针对异常行为检测的发明，存在未能真正理解异常行为的固有特点，因而现有异常行为检测模型并不能完全反应异常行为的本质，从而导致依据现有异常行为检测模型得到的检测精度并未达到理想效果。

发明内容

本发明所要解决的技术问题在于克服现有技术的不足，提供一种基于目标运动特性的全局异常行为检测方法，解决现有的视频异常检测方法中无法全局性检测，降低检测效果的问题。

本发明具体采用以下技术方案解决上述技术问题：

一种基于目标运动特性的全局异常行为检测方法，包括以下步骤：

步骤A、提取视频中运动目标的运动特性；

步骤B、根据步骤A所提取运动特性对运动目标分别进行基于能量、基于色散和基于拉格朗日粒子动力学的异常行为模型学习和确立；

步骤C、依据确立的基于能量、基于色散和基于拉格朗日粒子动力学的异常行为模型进行运动目标的全局异常行为检测，确定异常区域并进行标记。

进一步地，作为本发明的一种优选技术方案：所述步骤A中运动目标的运动特性包括:时空特征、运动矢量特征、运动矢量方向直方图、运动矢量强度、运动矢量网格尺度。

进一步地，作为本发明的一种优选技术方案：所述步骤B中基于能量的异常行为模型学习，具体为：

确定固体中两个粒子势能的联系程度：

其中，U(r)表示两个粒子之间的势能，r表示它们的欧氏距离，a,b,m,n表示常量，且m>n；

利用结合力计算两粒子间的相互作用力：

结合步骤A所提取运动特性，对运动矢量强度的每个方向进行修正：

其中，r_i为前景区域和背景区域的速率，i为视频图像帧的数量，j为运动块的数量，k是运动矢量的数量。w(r)表示距离为r的两个粒子的连接权重，为第i个视频帧中第j个运动块的第k个运动矢量强度的方向，为改进的运动矢量强度。

所述运动矢量强度的每个方向的阈值取决于的最大值：

进一步地，作为本发明的一种优选技术方案：所述步骤B中基于色散的异常行为模型学习和确立，具体为：

确定运动矢量强度的每个分方向的阈值取决于的最大值：

根据熵和联合熵的定义，确定交互信息是基于熵的定义I(X,Y)＝H(X)+H(Y)-H(X,Y)，其中，H(X)和H(Y)分别是X和Y方向的香农熵；H(X,Y)为联合熵；

利用归一化交互信息表示归一化的联合熵的交互信息，其定义如下：

其中，NMI(X,Y)具有固定的下界0，固定的上界1。

进一步地，作为本发明的一种优选技术方案：所述步骤B中基于拉格朗日粒子动力学的异常行为模型学习，包括：归一化的方向直方图交互信息的计算：

其中，γ∈[0,1]为融合参数，σ表示标准偏差；NMI(X,Y)为联合熵的交互信息；为每个方向的阈值。

进一步地，作为本发明的一种优选技术方案：所述步骤C中进行运动目标的全局异常行为检测包括：对运动目标进行预处理，所述预处理包括滤波和平滑处理

本发明采用上述技术方案，能产生如下技术效果：