[发明专利]一种基于聚类光流特征的异常行为检测方法、系统及装置

说明书

本发明公开了一种基于聚类光流特征的异常行为检测方法，该方法包括：利用深度学习目标检测方法获取目标的位置区域；获取相邻至少两帧图像中的目标区域的光流信息；为提取的目标区域光流信息建立一个时空模型；获取各检测目标所对应的时空模型的平均信息熵；对时空模型中的光流点进行聚类得到聚类光流点以及聚类点的平均动能；根据聚类点平均动能以及信息熵与预先训练的正常模型的偏差判定目标是否出现诸如打架、奔跑等异常行为。通过上述方式，本发明可以准确、快速的实现异常视频帧以及异常目标的检测。本发明还提供了一种异常行为检测系统以及装置，可应用于智能视频分析领域，且具有较好的实际价值。

技术领域

本发明涉及计算机视觉领域，特别是涉及一种基于聚类光流特征的异常行为检测方法、系统及装置。

背景技术

随着智能监控技术的发展，计算机视觉领域中对于异常行为的分析尤为重要。现有技术中，多采用光流法对异常行为进行分析。一般而言，常用的光流法主要有Horn-Schunck(HS)光流和Lucas-Kanade(LK)光流。HS光流对一帧图像所有像素点的光流矢量进行计算，因此该算法的时间开销也较大，实时性较差；现有的LK光流法是基于局部约束进行的，其可以解决稀疏光流的计算(即指定像素点集合的光流计算)，提高算法的实时性，但是该方法需要满足三个约束条件，分别为亮度恒定、时间连贯、空间一致，因此该方法的局限是无法对大幅度运动的像素点进行光流跟踪。所以，为实现在智慧城市安防中的异常行为的检测，需要一种实时性好、适应性强的方法及系统。

发明内容

本发明主要解决的技术问题是，提供一种基于聚类光流特征的异常行为检测方法，能够解决计算量大，实时性差、适应性差等技术问题。

为解决上述技术问题，本发明采用的技术方案是提供一种基于聚类光流特征的异常行为检测方法，包括以下步骤：

对一个或多个目标的检测框进行光流检测；

提取至少连续两帧图像中所述检测框对应的特征点的光流运动信息，计算所述检测框所在区域的信息熵；

根据所述光流运动信息和所述信息熵建立聚类点；

计算所述聚类点的动能或所述目标检测框所在区域的动能；

根据所述聚类点的动能和/或所述信息熵判断异常行为。

为解决上述技术问题，本发明采用的另一个技术方案是，提供一种具有存储功能的装置，存储有程序数据，所述程序数据被执行时实现如上述的异常行为检测的方法。

为解决上述技术问题，本发明采用的另一个技术方案是，提供一种异常行为检测系统，包括：处理器和存储器，所述处理器耦合所述存储器，所述处理器在工作时执行指令以实现上述的异常行为检测的方法，并将所述执行指令产生的处理结果保存在所述存储器中。

以上技术方案的有益效果是：区别于现有技术的情况，本发明通过对一个或多个目标的检测框进行光流检测，提取至少连续两帧图像中检测框对应的特征点的光流运动信息，计算检测框所在区域的信息熵，根据光流运动信息和信息熵建立聚类点，计算聚类点的动能或目标检测框所在区域的动能，根据聚类点的动能和/或信息熵判断异常行为。本方法通过对一个或多个目标的检测框进行光流检测，提取至少连续两帧图像中检测框对应的特征点的光流运动信息，依据动能和信息熵来判断目标的异常行为，可以减少判断异常行为的计算量，解决计算量大、实时性差等问题。

附图说明

图1是本发明一种基于聚类光流特征的异常行为检测方法的一实施方式的流程示意图；

图2是本发明一种基于聚类光流特征的异常行为检测方法的另一实施例的流程示意图；

图3是本发明一种基于聚类光流特征的异常行为检测方法的又一实施例的流程示意图；

图4是本发明一种基于聚类光流特征的异常行为检测方法的又一实施例的流程示意图；