[发明专利]基于层次独立成分编码的运动异常检测方法

说明书

本发明公开了一种基于层次独立成分编码的运动异常检测，在获取光流区域块的第一层训练集基础上，构建归一化矩阵及其特征向量，并对特征向量进行正交化作为初始基元，采用双曲正切变换损失函数进行基元学习，挖掘运动高频模式作为S1层基元；使用S1层学习基元对光流图像卷积获得初始响应，采用截断线性校正获取C1层响应；对C1层响应利用空间采样构建第二层训练集，学习S2层独立成分基元，采用截断线性校正获取C2层响应，挖掘获得S3层独立成分基元；对测试视频序列的光流进行S1层、S2层、S3层基元的逐层卷积获得运动模式响应，利用聚类方法生成多聚类中心，使用多高斯核密度估计实现异常概率估计，实现运动异常检测和区域标记。

技术领域

本发明涉及异常检测方法领域，具体是一种基于层次独立成分编码的运动异常检测方法。

背景技术

近年来，视频场景的分析与理解研究吸引了来自计算机视觉领域众多研究者的关注，其致力于研究新技术、新方法去更精确快速地分析、理解场景内容，从而更有效地协助监控人员获取准确信息和处理突发事件，并最大限度地降低误报漏报，起到监督管理的作用。视频场景中的异常事件检测是其中一项重要的研究内容，同时也是研究的热点和难点。

异常检测最经典的做法通常是基于手工设计特征来进行异常检测。Hu等人在2006年发表的《A system for learning statistical motion patterns》采用多目标追踪算法提取正常运动轨迹特征，然后学习其统计分布，充分考虑时空信息用于异常检测。Cong等人在2013年发表的《Abnormal event detection in crowded scenes using sparserepresentation》提出了基于多尺度光流直方图的稀疏编码模型也成功用于异常检测，该模型采用稀疏重构代价(Sparse Reconstruction Cost,SRC)为判断准则。Li等人在2014年发表的《Anomaly detection and localization in crowded scenes》采用混合动态纹理模型对外观、运动以及空间尺度特征进行建模，提出了时空异常的联合检测器。专利201510707784.6《一种视频异常行为检测方法》以正常运动下不同位置的时空块训练出不同的光流阈值，消除了目标距离摄像头远近对光流特征提取造成的影响。上述方法虽然能够实现异常检测，但是其采用的是手工设计特征，该类特征需要专业的先验知识，而这在复杂的视频场景下难以实现，也限制了检测性能的进一步提升。

利用手工设计特征无法消除先验知识带来的局限性，基于低概率密度的异常检测方法被踢出。专利201510710563.4《一种拥挤场景下视频异常事件检测方法》基于训练视频序列图像块的局部特征进行聚类构建码本，计算测试图像的局部特征与码本的特征距离相似度，并结合前一时刻的信息进行事件判定。该方法虽然可以建立正常模型，但是当异常集群发生时聚类技术会失效。

近年来，深度学习方法被成功应用于各项视觉任务，证明了其强大的编码表达能力。Xu等人在2017年发表的《Detecting anomalous events in videos by learning deeprepresentations of Appearance and Motion》提出了外观和运动深度网络、学习运动、外观以及联合信息的特征表达用于异常检测。蔡瑞初等人在2015年发表的《基于多尺度时间递归神经网络的人群异常检测》提出了一种基于多尺度时间递归神经网络的人群异常检测和定位方法。专利201410469780.4《三维卷积神经网络训练方法、视频异常事件检测方法及装置》利用三维卷积神经网络提取了更具有表达能力的特征。但上述异常检测深层学习框架仅仅是输入直接至输出的黑盒子模式的学习过程，在学习过程中易产生过度拟合现象，从而导致结果不准确。

发明内容

本发明的目的是提供一种基于层次独立成分编码的运动异常检测方法，以解决现有技术异常表示方法对视觉感知层级关系描述能力不足的问题。

为了达到上述目的，本发明所采用的技术方案为：